JP7475901B2 - 試験片上の欠陥検出の方法およびそのシステム - Google Patents

Description

本開示の主題は、一般に、試験片の調査の分野に関し、より詳細には、試験片上の欠陥検出の方法およびシステムに関する。

現在、製作されたデバイスの超大規模集積に関連して高い密度および性能が求められていることで、特徴をミクロン以下にすること、トランジスタおよび回路の速度を増大させること、ならびに信頼性を改善することが必要とされている。半導体プロセスが進化するにつれて、ライン幅などのパターン寸法および他のタイプの限界寸法も絶えず縮小されている。これは設計ルールとも呼ばれる。そのような要求には、高い精度および均一性を有するデバイス特徴の形成が必要とされ、そのようなデバイス特徴を形成するには、完成したデバイスおよび／または未完成のデバイスの両方を含めて、デバイスが半導体ウエハの形であるときでも、デバイスの頻繁かつ詳細な検査を含む製造プロセスの監視が必要である。

本明細書に使用する「試験片」という用語は、半導体集積回路、磁気ヘッド、フラットパネルディスプレイ、および他の半導体製作品を製造するために使用されるあらゆる種類のウエハ、マスク、および他の構造、これらの組合せおよび／または部分を包含すると広く解釈されたい。

別段の記載がない限り、本明細書に使用する「調査」という用語は、物体内の欠陥のあらゆる種類の検出および／または分類を包含すると広く解釈されたい。調査は、調査すべき物体の製造中または製造後に、たとえば非破壊調査ツールを使用することによって提供される。非限定的な例として、調査プロセスは、１つまたは複数の調査ツールを使用して、物体またはその部分に関連して提供される走査（単一もしくは複数の走査）、サンプリング、再検討、測定、分類、および／または他の動作を含むことができる。同様に、調査は、調査すべき物体の製造前に提供することができ、たとえば調査レシピを生成することを含むことができる。別段の記載がない限り、本明細書に使用する「調査」という用語またはその派生語は、検査される面積のサイズ、走査の速度もしくは分解能、または調査ツールのタイプに関して限定されないことに留意されたい。様々な非破壊調査ツールには、非限定的な例として、光学ツール、走査電子顕微鏡、原子間力顕微鏡などが含まれる。

調査プロセスは、複数の調査ステップを含むことができる。製造プロセス中、これらの調査ステップは、たとえば特定の層の製造または処理後などに、多数回実行することができる。追加または別法として、各調査ステップは、たとえば異なるウエハ位置に対して、または同じウエハ位置に対して異なる調査設定で、複数回繰り返すことができる。

非限定的な例として、ランタイム調査では、２ステップ手順を用いることができ、たとえば試験片の検査に続いて、サンプリングされた欠陥の再検討を行うことができる。検査ステップ中、試験片またはその一部分の表面（たとえば、関心面積、ホットスポットなど）は、典型的に、比較的高速および／または低分解能で走査される。捕捉された検査画像は、欠陥を検出し、その位置および他の検査属性を取得するように分析される。再検討ステップで、検査段階中に検出された欠陥の少なくともいくつかの画像が、典型的に、比較的低速および／または高分解能で捕捉され、それによって欠陥の少なくともいくつかの分類、および任意選択で他の分析を可能にする。いくつかの場合、どちらの段階も同じ検査ツールによって実施することができ、いくつかの他の場合、これら２つの段階は異なる検査ツールによって実施される。

調査は概して、光または電子をウエハへ誘導することによってウエハに対する何らかの出力（たとえば、画像、信号など）を生成し、ウエハからの光または電子を検出することを含む。出力が生成された後、欠陥検出は典型的に、欠陥検出方法および／またはアルゴリズムを出力に適用することによって実行される。ほとんどの場合、調査の目標は、関心欠陥に対する高い感度を提供しながら、ウエハ上の迷惑物およびノイズの検出を抑制することである。

欠陥検出の感度を改善することが、当技術分野で必要とされている。

本明細書に開示する主題の特定の態様によれば、試験片上の欠陥検出のコンピュータ化システムであって、調査ツールに動作可能に接続された処理ユニットを備え、処理ユニットは、メモリと、メモリに動作可能に結合されたプロセッサとを備え、処理ユニットは、試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行するように構成され、１つまたは複数の部分のうちの所与の部分に対する区画化は、ｉ）所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行され、処理ユニットは、試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを調査ツールからランタイムに受け取ることであり、第１のダイおよび第２のダイが同じ設計データによって特性化される、受け取ることと、１つまたは複数のノイズマップのそれぞれに対するセグメント化を実行することとを行うようにさらに構成され、１つまたは複数のノイズマップのうちの所与のノイズマップに対するセグメント化は、複数の領域のうちの各領域に対するスコアを計算することであり、所与のノイズマップが複数の領域と位置合わせされ、その各領域がその領域内に位置合わせされたノイズデータに関連付けられ、複数の領域のうちの所与の領域に対するスコアが、少なくともその領域に関連付けられたノイズデータに基づいて計算される、計算することと、計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することとによって実行され、１組のセグメントは、所与のノイズマップに基づいて試験片上の欠陥検出に使用可能である、コンピュータ化システムが提供される。

上記の特徴に加えて、本明細書に開示する主題のこの態様によるシステムは、以下に挙げる特徴（ｉ）～（ｘｉｉ）のうちの１つまたは複数を、技術的に可能な任意の所望の組合せまたは順列で含むことができる。
（ｉ）区画化は、設計データに基づいて実行することができ、設計空間内の複数の領域は、同じ設計パターンを有する所与の部分内の１つまたは複数のダイ領域にそれぞれ対応する複数の設計グループとすることができる。
（ｉｉ）システムは、所与の部分を表す第１の画像を含む画像データを捕捉するように構成された調査ツールをさらに備える。区画化は、画像データに基づいて実行することができ、画像空間内の複数の領域は、第１の画像を特性化する１組の属性によって指定された属性空間内の対応する位置の値に基づいて、第１の画像上で取得することができる。
（ｉｉｉ）第２のダイは、第１のダイとは異なるダイとすることができ、調査ツールは、第２のダイの１つまたは複数の部分を表す１つまたは複数の第２の画像をランタイムに捕捉し、１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを提供するようにさらに構成することができる。
（ｉｖ）第１のダイは、区画化を実行するために使用される参照ダイとすることができ、第２のダイは検査ダイとすることができ、区画化は、設定段階で実行することができる。
（ｖ）第１のダイは、第２のダイの検査に使用される参照ダイとすることができ、第２のダイは検査ダイとすることができ、区画化は、ランタイムに実行することができる。
（ｖｉ）第２のダイは第１のダイとすることができ、１つまたは複数の第２の画像は、第１のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第１の画像とすることができ、区画化は、ランタイムに実行することができる。
（ｖｉｉ）調査ツールは、試験片を走査して画像データおよび１つまたは複数の第２の画像を捕捉するように構成された検査ツールとすることができる。
（ｖｉｉｉ）１組の属性は、１つまたは複数の事前定義された属性および機械学習を使用して生成された１つまたは複数の属性を含む属性候補のバンクから選択することができる。
（ｉｘ）１組の属性は、機械学習を使用して生成された１つまたは複数の属性を含むことができ、処理ユニットは、機械学習モデルを使用して１つまたは複数の属性を生成するようにさらに構成することができる。
（ｘ）機械学習モデルは、訓練属性を生成し、訓練属性を使用してノイズを予測することによって訓練することができ、予測されたノイズを、欠陥検出アルゴリズムによって生成された参照ノイズと比較して、訓練された機械学習モデルが、第１の画像を特性化して異なるノイズレベルを示すその空間パターンを表す１つまたは複数の属性を生成することが可能になるように、機械学習モデルを最適化することができる。
（ｘｉ）各領域を１つのセグメント化ラベルに関連付けることは、各領域に対して計算されたスコアを格付けし、この格付けに基づいて複数の領域を１組のセグメントにグループ化することを含むことができる。
（ｘｉｉ）欠陥検出を実行することは、各セグメントに対する検出閾値を構成することを含むことができる。

本明細書に開示する主題の別の態様によれば、試験片上の欠陥検出のコンピュータ化方法であって、試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行することであり、１つまたは複数の部分のうちの所与の部分に対する区画化は、ｉ）所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行される、区画化を実行することと、試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを調査ツールからランタイムに受け取ることであり、第１のダイおよび第２のダイが同じ設計データによって特性化される、受け取ることと、１つまたは複数のノイズマップのそれぞれに対するセグメント化をランタイムに実行することとを含み、１つまたは複数のノイズマップのうちの所与のノイズマップに対するセグメント化は、複数の領域のうちの各領域に対するスコアを計算することであり、所与のノイズマップが複数の領域と位置合わせされ、その各領域がその領域内に位置合わせされたノイズデータに関連付けられ、複数の領域のうちの所与の領域に対するスコアが、少なくともその領域に関連付けられたノイズデータに基づいて計算される、計算することと、計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することとによって実行され、１組のセグメントは、所与のノイズマップに基づいて試験片上の欠陥検出に使用可能である、コンピュータ化方法が提供される。

開示する主題のこの態様は、システムに関して上記に挙げた特徴（ｉ）～（ｘｉｉ）のうちの１つまたは複数を、必要な変更を加えて、技術的に可能な任意の所望の組合せまたは順列で含むことができる。

本明細書に開示する主題の別の態様によれば、コンピュータによって実行されたとき、コンピュータに試験片上の欠陥検出の方法を実行させる命令のプログラムを有形に実施する非一時的コンピュータ可読記憶媒体であって、この方法は、試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行することであり、１つまたは複数の部分のうちの所与の部分に対する区画化は、ｉ）所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行される、区画化を実行することと、試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを調査ツールからランタイムに受け取ることであり、第１のダイおよび第２のダイが同じ設計データによって特性化される、受け取ることと、１つまたは複数のノイズマップのそれぞれに対するセグメント化をランタイムに実行することとを含み、１つまたは複数のノイズマップのうちの所与のノイズマップに対するセグメント化は、複数の領域のうちの各領域に対するスコアを計算することであり、所与のノイズマップが複数の領域と位置合わせされ、その各領域がその領域内に位置合わせされたノイズデータに関連付けられ、複数の領域のうちの所与の領域に対するスコアが、少なくともその領域に関連付けられたノイズデータに基づいて計算される、計算することと、計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することとによって実行され、１組のセグメントは、所与のノイズマップに基づいて試験片上の欠陥検出に使用可能である、非一時的コンピュータ可読記憶媒体が提供される。

開示する主題のこの態様は、システムに関して上記に挙げた特徴（ｉ）～（ｘｉｉ）のうちの１つまたは複数を、必要な変更を加えて、技術的に可能な任意の所望の組合せまたは順列で含むことができる。

本発明を理解し、本発明を実際にどのように実施することができるかが分かるように、実施形態について、非限定的な例としてのみ、添付の図面を参照して次に説明する。

本明細書に開示する主題の特定の実施形態による試験片上の欠陥検出のシステムのブロック図である。 本明細書に開示する主題の特定の実施形態による試験片上の欠陥検出の概略流れ図である。 本明細書に開示する主題の特定の実施形態による設計グループの例示的な概略図である。 本明細書に開示する主題の特定の実施形態による異なるノイズレベルを示す空間パターンを表す属性を生成することが可能になるように機械学習モデルを訓練する概略ブロック図である。 本明細書に開示する主題の特定の実施形態による検査画像および検査画像を特性化する１組の属性の一例を示す図である。 本明細書に開示する主題の特定の実施形態による位置合わせされたノイズマップおよび設計データの例示的な概略図である。 本明細書に開示する主題の特定の実施形態によるセグメント化の例を示す図である。 本明細書に開示する主題の特定の実施形態によるランタイム調査でセグメント化を使用する一例を示す図である。

以下の詳細な説明では、本発明の徹底的な理解を提供するために、多数の特有の詳細について述べる。しかし、本明細書に開示する主題は、これらの特有の詳細がなくても実施することができることが、当業者には理解されよう。他の例では、本明細書に開示する主題を曖昧にしないために、よく知られている方法、手順、構成要素、および回路は詳細に説明しない。

別段の記載がない限り、以下の議論から明らかなように、本明細書の議論全体にわたって、「実行する」、「区画化する」、「捕捉する」、「受け取る」、「計算する」、「位置合わせする」、「提供する」、「関連付ける」、「生成する」、「取得する」、「重ね合わせる」、「走査する」、「使用する」、「適用する」、「訓練する」、「格付けする」、「構成する」などの用語を利用することで、データを他のデータに操作および／または変形するコンピュータの動作および／またはプロセスを指し、そのようなデータは、電子的な数量などの物理的な数量として表され、かつ／またはそのようなデータは、物理的な物体を表すことが理解される。「コンピュータ」という用語は、非限定的な例として、本出願に開示する試験片およびその部分上の欠陥検出のコンピュータ化システム、ならびにそのシステム内の処理ユニットを含む、データ処理能力を有するあらゆる種類のハードウェアベースの電子デバイスを包含すると広く解釈されたい。

本明細書に使用する「非一時的メモリ」および「非一時的記憶媒体」という用語は、本明細書に開示する主題に好適な任意の揮発性または不揮発性のコンピュータメモリを包含すると広く解釈されたい。

本明細書に使用する「欠陥」という用語は、試験片上または試験片内に形成されたあらゆる種類の異常または望ましくない特徴もしくはボイドを包含すると広く解釈されたい。

本明細書に使用する「設計データ」という用語は、試験片の階層的な物理設計（レイアウト）を示す任意のデータを包含すると広く解釈されたい。設計データは、それぞれの設計者によって提供することができ、かつ／または物理設計（たとえば、複雑なシミュレーション、簡単な幾何およびブール演算などによる）から導出することができる。設計データは、非限定的な例として、ＧＤＳＩＩ形式、ＯＡＳＩＳ形式などの異なる形式で提供することができる。設計データは、ベクトル形式、グレースケール強度画像形式などで提示することができる。

別段の記載がない限り、別個の実施形態の文脈で記載されている本明細書に開示する主題の特定の特徴を、単一の実施形態において組み合わせて提供することもできることが理解される。逆に、単一の実施形態の文脈で記載されている本明細書に開示する主題の様々な特徴を、別個に、または任意の好適な部分的組合せで提供することもできる。以下の詳細な説明では、方法および装置の徹底的な理解を提供するために、多数の特有の詳細について述べる。

これを念頭に、本明細書に開示する主題の特定の実施形態による試験片上の欠陥検出のシステムのブロック図を示す図１に注目する。

図１に示すシステム１００は、試験片（たとえば、ウエハ、ウエハ上のダイ、および／またはその部分）上の欠陥検出に使用することができる。上述したように、本明細書に使用する「試験片」という用語は、半導体集積回路、磁気ヘッド、フラットパネルディスプレイ、および他の半導体製作品を製造するために使用されるあらゆる種類のウエハ、マスク、レティクル、および他の構造、これらの組合せおよび／または部分を包含すると広く解釈されたい。特定の実施形態によれば、本明細書に使用する試験片は、ウエハ、レティクル、マスク、集積回路、およびフラットパネルディスプレイ（または少なくともその一部）を含む群から選択することができる。

例示のみを目的として、以下の説明の特定の実施形態は、ダイおよびウエハに関して提供される。実施形態は、同様に、試験片の他のタイプ、サイズ、および表現にも当てはまる。

特定の実施形態によれば、システム１００は、１つもしくは複数の調査ツール１２０を備えることができ、または１つもしくは複数の調査ツール１２０に動作可能に接続することができる。本明細書に使用する「調査ツール」という用語は、非限定的な例として、試験片またはその部分に関連して提供される撮像、走査（単一もしくは複数の走査）、サンプリング、再検討、測定、分類、および／または他のプロセスを含む調査関係プロセスで使用することができるあらゆるツールを包含すると広く解釈されたい。１つまたは複数の調査ツール１２０は、１つもしくは複数の検査ツールおよび／または１つもしくは複数の再検討ツールを含むことができる。いくつかの場合、調査ツール１２０の少なくとも１つは、試験片（たとえば、ウエハ全体、ダイ全体、またはその部分）を走査して、潜在的な欠陥の検出のために検査画像を（典型的に、比較的高速および／または低分解能で）捕捉するように構成された検査ツールとすることができる。いくつかの場合、調査ツール１２０の少なくとも１つは、検査ツールによって検出された欠陥の少なくともいくつかの再検討画像を捕捉して、潜在的な欠陥が実際に欠陥であるかどうかを確認するように構成された再検討ツールとすることができる。そのような再検討ツールは通常、ダイの断片を、一度に１つずつ（典型的に、比較的低速および／または高分解能で）検査するように構成される。検査ツールおよび再検討ツールは、同じ位置もしくは異なる位置に位置する異なるツール、または２つの異なるモードで動作する単一のツールとすることができる。いくつかの場合、少なくとも１つの調査ツールが、計量能力を有することができる。

本開示の範囲を何らかの形で限定するものではないが、調査ツール１２０は、光学撮像機械、電子ビーム検査機械などの様々なタイプの検査機械として実施することができることにも留意されたい。

特定の実施形態によれば、調査ツール１２０は、試験片のダイの１つまたは複数の部分に対する１つまたは複数の画像を含む画像データを捕捉するように構成することができる。調査ツール１２０は、１つまたは複数の画像上のノイズ分布を示す１つまたは複数のノイズマップを取得するようにさらに構成することができる。これらの画像は、異なる調査モダリティから得ることができ、本開示は、画像を生成するために使用される検査および計量技術によって限定されるものではない。いくつかの実施形態では、調査ツール１２０は、試験片を走査して１つまたは複数の画像を捕捉するように構成された検査ツールとすることができる。図２に関してさらに詳細に説明するように、いくつかの場合、試験片の捕捉された画像は、関心欠陥（ＤＯＩ）である確率が高い試験片上の疑わしい位置を示す欠陥マップを生成するように処理することができる（たとえば、画像処理モジュールによって処理することができ、その機能は、調査ツール１２０もしくは処理ユニット１０２内に組み込むことができ、または独立型のコンピュータとして実施することができる）。ＤＯＩは比較的珍しく、欠陥マップ内に反映された疑わしい欠陥の大部分はノイズまたは誤警報である可能性の方が高いため、本明細書では、欠陥マップをノイズマップとも呼ぶ。

本明細書に使用する「関心欠陥（ＤＯＩ）」という用語は、使用者が関心を持つ検出すべきあらゆる本当の欠陥を指す。たとえば、収率損失を引き起こす可能性のあるあらゆる「キラー」欠陥をＤＯＩとして示すことができ、対照的に迷惑になるタイプの欠陥は、同様に本当の欠陥であるが収率に影響することはなく、したがって無視されるべきである。

本明細書に使用する「ノイズ」という用語は、あらゆる望ましくないまたは関心のない欠陥（非ＤＯＩまたは迷惑物とも呼ばれる）、ならびに検査中の様々な変動（たとえば、プロセスの変動、色の変動、機械的および電気的な変動など）によって引き起こされるランダムノイズを含むと広く解釈されたい。

システム１００は、処理ユニット１０２を備えることができ、処理ユニット１０２は、入出力インターフェース１２６および調査ツール１２０に動作可能に接続される。処理ユニット１０２は、図２を参照して以下でさらに詳述するシステム１００を動作させるために必要なすべての処理を提供するように構成された処理回路である。処理ユニット１０２は、プロセッサ（別個に図示せず）およびメモリ（別個に図示せず）を備える。処理ユニット１０２のプロセッサは、処理ユニット内に含まれる非一時的コンピュータ可読メモリ上で実施されるコンピュータ可読命令に応じて、いくつかの機能モジュールを実行するように構成することができる。以下、そのような機能モジュールは、処理ユニット１０２内に含まれるものとして参照される。

処理ユニット１０２内に含まれる機能モジュールは、互いに動作可能に接続された区画モジュール１０４およびセグメント化モジュール１０６を備えることができる。区画モジュール１０４は、試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行するように構成することができる。試験片の第１のダイの１つまたは複数の部分のうちの所与の部分に対する区画化は、ｉ）所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行することができる。

特定の実施形態によれば、いくつかの場合、システム１００は、ハードウェアベースの入出力インターフェース１２６を介して、設計データサーバ１１０（たとえば、ＣＡＤサーバ）に動作可能に接続することができる。設計データサーバ１１０は、試験片を特性化する設計データを記憶および提供するように構成される。試験片の設計データは、試験片の物理設計レイアウト（たとえば、ＣＡＤクリップ）、ラスタ画像、および設計レイアウトから導出された模擬画像という形式のうちのいずれかとすることができる。特定の実施形態によれば、入出力インターフェース１２６は、ダイの１つまたは複数の部分のうちの所与の部分を特性化する設計データを設計データサーバ１１０から受け取るように構成することができる。図２および図３を参照して以下でさらに詳細に説明するように、区画化が設計データに基づいて実行された場合、設計空間内の複数の領域は、同じ設計パターンを有する所与の部分内の１つまたは複数のダイ領域にそれぞれ対応する複数の設計グループとすることができる。

セグメント化モジュール１０６は、試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを調査ツールからランタイムに受け取るように構成することができる。第１のダイおよび第２のダイは、同じ設計データによって特性化される。セグメント化モジュール１０６は、１つまたは複数のノイズマップのそれぞれに対するセグメント化を実行するようにさらに構成することができる。具体的には、１つまたは複数のノイズマップのうちの所与のノイズマップに対するセグメント化は、複数の領域のうちの各領域に対するスコアを計算することを含み、所与のノイズマップは、複数の領域と位置合わせされ、その各領域は、その領域内に位置合わせされたノイズデータに関連付けられる。いくつかの実施形態では、複数の領域のうちの所与の領域に対するスコアは、少なくともその領域に関連付けられたノイズデータに基づいて計算することができる。

スコアが計算された後、１つまたは複数のノイズマップのうちの所与のノイズマップに対するセグメント化は、計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することを含むことができる。１組のセグメントは、試験片のさらなる調査に使用可能とすることができるセグメント化データを構成する。例として、セグメント化データは、所与のノイズマップに基づいて試験片上の欠陥を検出するために、調査ツール１２０および／または任意の他の調査ツールへ提供することができる。いくつかの場合、セグメント化データを使用して、所与のノイズマップを調整することができ（たとえば、差分画像および／またはグレード画像内の少なくとも特定の画素を再計算することによる）、調整されたノイズマップに基づいて、試験片上で欠陥検出を実行することができる。別の例として、セグメント化データは、処理ユニットによって、所与のノイズマップに基づいて試験片上で欠陥検出を実行するために使用することができる（この場合、処理ユニット１０２は、欠陥検出モジュール（図１には図示せず）をさらに備えることができる）。いくつかの実施形態では、セグメント化データは、結果を描画するためにコンピュータベースのグラフィカルユーザインターフェース（ＧＵＩ）１２４へ送ることができるセグメント化レイアウトを含むことができる。セグメント化については、図２を参照してさらに詳細に以下に説明する。

特定の実施形態によれば、システム１００は、記憶ユニット１２２を備えることができる。記憶ユニット１２２は、システム１００を動作させるに必要な任意のデータ、たとえばシステム１００の入力および出力に関係するデータ、ならびにシステム１００によって生成される中間処理結果を記憶するように構成することができる。例として、記憶ユニット１２２は、調査ツール１２０によって作られた画像および／またはその派生物を記憶するように構成することができる。したがって、１つまたは複数の画像は、記憶ユニット１２２から検索し、処理ユニット１０２へさらなる処理のために提供することができる。追加または別法として、記憶ユニット１２２は、試験片の設計データを記憶するように構成することができ、そのような設計データは、記憶ユニット１２２から検索し、処理ユニット１０２へ入力として提供することができる。追加または別法として、記憶ユニット１２２は、区画化結果、すなわち複数の領域を記憶するように構成することができ、そのような区画化結果は、記憶ユニット１２２から検索し、処理ユニット１０２へさらなる処理のために提供することができる。

いくつかの場合、システム１００は、調査ツール１２０および／または設計データサーバ１１０によって作られたデータ（および／またはその派生物）を記憶するように構成された１つまたは複数の外部データリポジトリ（図１には図示せず）に動作可能に接続することができる。試験片の画像データ、ノイズマップ、および／または設計データは、処理ユニット１０２へさらなる処理のために提供することができる。

いくつかの実施形態では、システム１００は、任意選択で、システム１００に関係する使用者指定入力を可能にするように構成されたコンピュータベースのグラフィカルユーザインターフェース（ＧＵＩ）１２４を備えることができる。たとえば、試験片の設計データおよび／または画像データを含む試験片の視覚表現（たとえば、ＧＵＩ１２４の一部を形成するディスプレイによる）を、使用者に提示することができる。ＧＵＩを介して、特定の動作パラメータを定義する選択肢を使用者に提供することができる。使用者はまた、セグメント化結果ならびにたとえば欠陥検出結果などの他の動作結果を、ＧＵＩ上で見ることができる。

図１では、調査ツール１２０がシステム１００の一部として実施されることを示すが、特定の実施形態では、システム１００の機能を独立型のコンピュータとして実施することができ、調査ツール１２０とともに動作するように調査ツール１２０に動作可能に接続することができることに留意されたい。そのような場合、試験片の画像データは、調査ツール１２０から直接、または１つまたは複数の中間システムを介して、受け取ることができ、処理ユニット１０２へさらなる処理のために提供することができる。いくつかの実施形態では、システム１００のそれぞれの機能は、少なくとも部分的に、１つまたは複数の調査ツール１２０に組み込むことができ、それによって調査関係プロセスにおける調査ツール１２０の機能を容易にして強化することができる。そのような場合、システム１００の構成要素、またはその少なくとも一部が、調査ツール１２０の一部を形成することができる。一例として、区画モジュール１０４および／またはセグメント化モジュール１０６は、調査ツール１２０の一部として実施することができ、または調査ツール１２０の一部として組み込むことができる。別の例として、処理ユニット１０２および記憶ユニット１２２は、それぞれ調査ツール１２０の処理ユニットおよび記憶ユニットの一部を形成することができ、調査ツール１２０の入出力インターフェースおよびＧＵＩは、入出力インターフェース１２６およびＧＵＩ１２４として機能することができる。

本明細書に開示する主題の教示は、図１に示すシステムによって拘束されるものではなく、同等および／または修正済みの機能を別の形に統合または分割することができ、ソフトウェアとファームウェアおよびハードウェアとの任意の適当な組合せで実施することができることが、当業者には容易に理解されよう。

図１に示すシステムは、分散された演算環境で実施することができ、図１に示す前述の機能モジュールは、いくつかの局所および／または遠隔デバイスに分散させることができ、通信ネットワークを介してリンクすることができることに留意されたい。調査ツール１２０、記憶ユニット１２２、およびＧＵＩ１２４は、図１でシステム１００の一部であるものとして示されているが、いくつかの他の実施形態では、前述のユニットの少なくともいくつかは、システム１００の外部にあるものとして実施することができ、入出力インターフェース１２６を介してシステム１００とデータ通信して動作するように構成することができることにさらに留意されたい。

図２を次に参照すると、本明細書に開示する主題の特定の実施形態による試験片上の欠陥検出の概略流れ図が示されている。

試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行することができる（２０２）（たとえば、処理ユニット１０２内に備えられた区画モジュール１０４による）。具体的には、１つまたは複数の部分のうちの所与の部分に対する区画化は、ｉ）所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行することができる。いくつかの実施形態では、１つまたは複数の部分は、１つのダイの１つまたは複数のブロックを指すことができる。ブロックは、たとえば画像空間内で１００＊２００、１００＊１０００、２００＊２０００画素など、様々なサイズおよび寸法とすることができ、本開示は、その特有の実装によって限定されると解釈されるべきではないことに留意されたい。

特定の実施形態によれば、いくつかの場合、区画化は、設計データに基づいて実行することができる。そのような場合、複数の領域は、設計空間内で、同じ設計パターンを有する１つまたは複数のダイ領域（所与の部分内）にそれぞれ対応する複数の設計グループとして得られる。

上記の場合、所与の部分または１つもしくは複数の部分の設計データ、あるいは第１のダイの設計データを受け取ることができる（たとえば、入出力インターフェース１２６によって、設計データサーバ１１０から）。上述したように、設計データは、物理設計レイアウト（たとえば、ＣＡＤクリップ）、ラスタ画像、および設計レイアウトから導出された模擬画像という形式のうちのいずれかとすることができる。ダイ（またはその部分）の設計データは、特有の幾何構造および配置の様々な設計パターンを含むことができる。設計パターンは、輪郭を含む幾何形状（たとえば、１つまたは複数の多角形）をそれぞれ有する１つまたは複数の構造要素から構成されると定義することができる。

いくつかの実施形態では、受け取った設計データは、同じ設計パターンを有する１つまたは複数のダイ領域にそれぞれ対応する複数の設計グループを表すことができる。設計グループのクラスタ化（すなわち、ＣＡＤデータから複数の設計グループへの分割）は事前に実行することができ、設計データサーバ１１０内に設計グループ情報を事前に記憶することができる。したがって、システム１００によって取得された設計データは、設計グループ情報をすでに含むことができる。いくつかの場合、システム１００によって受け取られた設計データは、物理設計レイアウト（たとえば、ＣＡＤクリップ）情報なしで、設計グループ情報（たとえば、異なる設計グループの設計座標）のみを含むことができる。いくつかの他の場合、システム１００によって受け取られた設計データは、設計グループ情報および特有の設計レイアウト情報の両方を含むことができる。

これらの実施形態では、複数の領域への区画化は、設計グループ情報に応じて行うことができ、たとえば複数の領域は、複数の設計グループに対応することができる。設計パターンは、同一であるとき、または互いに非常に相関もしくは類似しているとき、「同じ」であると考えることができることに留意されたい。類似の設計パターンを整合およびクラスタ化するために、様々な類似性測度およびアルゴリズムを適用することができ、本開示は、設計グループを導出するために使用される何らかの特有の測度によって限定されると解釈されるべきではない。

いくつかの実施形態では、別法として任意選択で、ダイ（またはその部分）の物理設計レイアウトを設計データサーバから受け取ったとき、システム１００の処理ユニット１０２によって設計グループのクラスタ化を実行することができる。ブロック２０２を参照して説明した区画化は、設定段階（すなわち、生産／ランタイム前）またはランタイム段階で実行することができることに留意されたい。

図３を次に参照すると、本明細書に開示する主題の特定の実施形態による設計グループの例示的な概略図が示されている。

例示のみを目的として、ダイ（またはその部分）の設計データが、図３に概略的に示されている。異なる種類の「木」が、設計データ上の異なる設計パターンを表す。類似の設計パターンをクラスタ化／グループ化した後、設計データは、同じ設計パターンを有する１つまたは複数のダイ領域にそれぞれ対応する４つの設計グループ３０２、３０４、３０６、および３０８に分割される。いくつかの設計グループでは、設計パターンは、厳密に同じまたは同一ではないが、高い類似性を有していることに留意されたい。たとえば、設計グループ３０４では、左側の２つの領域内のパターンおよび右側の領域内のパターンがわずかに異なる（たとえば、反対の方向である）ことを確認することができる。上述したように、いくつかの場合、システム１００によって受け取られた設計データは、グループ化情報ならびに特有の設計レイアウトおよびパターンを含む図３の左側の表現の形態とすることができる。いくつかの他の場合、設計データは、グループ化情報（たとえば、設計座標内のグループの位置）のみを含む図３の右側の表現の形態とすることができる。この例では、区画化から得られる複数の領域は、４つの設計グループ３０２、３０４、３０６、および３０８に対応する。

図３に示す例は例示のみを目的とし、本開示を何らかの形で限定すると考えられるべきではないことに留意されたい。ダイの実際の設計パターンははるかに複雑になる可能性があり、したがって類似の設計パターンのグループ化は変動することがあり、いくつかの場合、この例よりはるかに複雑になり得ることが、当業者には容易に理解されよう。

図２のブロック２０２の説明を続けると、特定の実施形態によれば、区画化は、第１のダイの１つまたは複数の部分のうちの所与の部分を特性化する画像データに基づいて実行することができる（たとえば、上述した設計データの代わり）。そのような場合、調査ツール１２０によって捕捉された画像データは、所与の部分を表す第１の画像を含むことができる。複数の領域は画像空間内で得られたものであり、第１の画像を特性化する１組の属性によって指定された属性空間内の対応する位置の値に基づいて、第１の画像上で取得される。そのような場合、区画化は、ブロック２０４を参照して以下で詳細に説明する様々なシナリオに応じて、設定段階で、または別法としてランタイムに実行することができる。区画化は、１つまたは複数の部分のそれぞれに対して実行されるため、調査ツールは、第１のダイの１つまたは複数の部分を表す１つまたは複数の第１の画像を含む画像データを捕捉するように構成することができる。設計データではなく画像データを使用する１つの利点は、試験片の設計データを獲得および／または処理する必要がないことである。なぜなら、設計データは常に利用可能であるとは限らず、たとえば特定の顧客がそのようなデータを提供しようとしないことがあり、追加として、特に設計データと画像データとの間の重ね合わせを考慮すると、設計データの処理が演算的に煩雑で困難になる可能性があるからである。

いくつかのさらなる実施形態では、区画化は場合により、画像データおよび設計データの両方に基づいて実行することができる。

図２の説明の続きとして、ランタイムセグメント化プロセスについて次に説明する。１つまたは複数のノイズマップをランタイムに（たとえば、調査ツール１２０から処理ユニット１０２によって）受け取ることができ（２０４）、１つまたは複数のノイズマップは、試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す。第１のダイおよび第２のダイは、同じ設計データによって特性化される。

いくつかの実施形態によれば、第２のダイは、第１のダイとは異なるダイを指すことができ、１つまたは複数の第２の画像は、ランタイムに（たとえば、調査ツール１２０によって）捕捉することができ、第２のダイの１つまたは複数の部分を表すことができる。１つまたは複数のノイズマップは、１つまたは複数の第２の画像上のノイズ分布を示すものとして提供することができる（たとえば、調査ツール１２０によって）。

上述した実施形態によれば、いくつかの場合、第２のダイは、検査ダイ（すなわち、生産／ランタイムに検査されるべきダイ）を指すことができ、第１のダイは、区画化を実行するために使用される試験ダイまたは参照ダイを指すことができ、区画化は、ランタイムセグメント化を担う目的の前処理動作である。そのような場合、ブロック２０２を参照して上述した画像データに基づいた区画化は、ランタイムに捕捉された検査画像（すなわち、第２の画像）とは異なる画像データ（すなわち、試験ダイまたは参照ダイの画像）に基づいているため、設定段階で実行することができる。そのような場合、利点の１つは、ランタイム検査および／または検出で必要とされる演算時間および資源を低減させ、それによってシステムの性能を改善することである。

いくつかの他の場合、第２のダイは検査ダイを指すことができ、第１のダイは、第２のダイの検査（たとえば、ダイ－参照検出方法など）に使用される参照ダイを指すことができる。例として、ダイ－ダイ検出方法では、参照ダイは、ウエハ上の検査ダイの隣接ダイとすることができる。そのような場合、ブロック２０２を参照して上述した画像データに基づいた区画化は、ランタイムに捕捉された画像データ（たとえば、隣接ダイの画像）に基づいているため、ランタイムに実行することができる。そのような場合、利点の１つは、参照ダイおよび検査ダイが互いに隣接している／隣り合っているため、第１の画像（たとえば、第１の画像上の複数の領域）と第２の画像（たとえば、第２の画像に対応するノイズマップ）との間の位置合わせ／重ね合わせプロセスをより容易で演算的により簡単かつ安価にすることである。

いくつかのさらなる実施形態によれば、第２のダイおよび第１のダイは、同じダイを指すことができる。したがって、１つまたは複数の第２の画像は、実際には、第１のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第１の画像と同じである。そのような場合、第２のダイおよび第１のダイは、同じ検査ダイを指すことができる。そのような場合、ブロック２０２を参照して上述した画像データに基づいた区画化は、ランタイムに捕捉された検査画像に基づいているため、ランタイムに実行することができる。そのような場合、利点の１つは、上述したように演算的に煩雑かつ高価になる可能性のある第１の画像と第２の画像との間の位置合わせ／重ね合わせの実行を避けることである。

いくつかの実施形態では、調査ツールは、試験片を走査して画像データ（すなわち、第１の画像）および／または１つもしくは複数の第２の画像を捕捉するように構成された検査ツールとすることができる。上述したように、いくつかの場合、検査ツールは、試験片を特有の走査構成で走査するように構成することができる。走査構成は、照明条件、偏光、面積当たりのノイズレベル（面積は、たとえば使用者／顧客情報に基づいて事前定義される、または設計パターンに関係するものとして定義されるなど、様々な形で定義することができる）、面積当たりの検出閾値、および面積当たりのノイズ強度計算方法などのパラメータのうちの１つまたは複数を構成することを含むことができる。いくつかの場合、検査ツールは、具体的には、試験片の高感度走査を可能にする高感度パラメータによって構成される。例として、高感度走査は、異なるノイズレベルおよび特性を示す空間パターンに対する感度を指すことができ、したがって高感度走査から得られる検査画像および／またはノイズマップは、そのようなパターンおよびパターンによって示されるノイズ情報を反映することができる。たとえば、高感度走査を使用して第１の画像を取得することができ、したがって区画化は、この走査から得られたより多くのパターン情報を考慮に入れることができる。

特定の実施形態によれば、検査画像（すなわち、第２の画像）上のノイズ分布を示すノイズマップを取得することができる。いくつかの場合、ノイズマップは、検出閾値を使用して取得することができる。

ノイズマップは、様々な形で生成することができる（たとえば、検出モジュールおよび／または画像処理モジュールにより、その機能は、調査ツール１２０または処理ユニット１０２内に組み込むことができる）。いくつかの実施形態では、ノイズマップは、捕捉された検査画像の画素値に検出閾値を直接適用することによって生成することができる。いくつかの他の実施形態では、試験片の検査画像は、ノイズマップを生成するためにさらに処理することができる。検査画像の処理およびノイズマップの生成に異なる検査および検出方法を適用することもでき、本開示は、本明細書に使用される特有の検出技術によって限定されるものではない。例示のみを目的として、検査画像に基づいた欠陥検出およびノイズマップ生成のいくつかの例について次に説明する。

いくつかの実施形態では、各検査画像に対して、１つまたは複数の参照画像を欠陥検出のために使用することができる。参照画像は、様々な形で取得することができ、本明細書に使用する参照画像の数およびそのような画像を取得する方法は、本開示を何らかの形で限定すると解釈されるべきではない。いくつかの場合、１つまたは複数の参照画像は、同じ試験片の１つまたは複数のダイ（たとえば、検査ダイの隣接ダイ）から捕捉することができる。いくつかの他の場合、１つまたは複数の参照画像は、別の試験片（たとえば、現在の試験片とは異なるが同じ設計データを共用する第２の試験片）の１つまたは複数のダイから捕捉された１つまたは複数の画像を含むことができる。例として、ダイ－履歴（Ｄ２Ｈ）検査方法では、現在の時間（たとえば、ｔ＝ｔ’）に現在の試験片から検査画像を捕捉することができ、１つまたは複数の参照画像は、基線時間（たとえば、以前の時間ｔ＝０）に第２の試験片上の１つまたは複数のダイから捕捉された１つまたは複数の以前の画像を含むことができる。いくつかのさらなる実施形態では、１つまたは複数の参照画像は、１つまたは複数のダイのうちの所与のダイを表す少なくとも１つの模擬画像を含むことができる。例として、模擬画像は、ダイの設計データ（たとえば、ＣＡＤデータ）に基づいて生成することができる。

いくつかの実施形態では、検査画像の画素値と１つまたは複数の参照画像から導出された画素値との間の差分に基づいて、少なくとも１つの差分画像を生成することができる。任意選択で、少なくとも１つの差分画像に基づいて、少なくとも１つのグレード画像を生成することもできる。グレード画像は、差分画像内の対応する画素値および事前定義された差分正規化係数に基づいて演算された値を有する画素によって構成することができる。事前定義された差分正規化係数は、画素値の正規母集団の挙動に基づいて判定することができ、差分画像の画素値を正規化するために使用することができる。例として、画素のグレードは、差分画像の対応する画素値と事前定義された差分正規化係数との比として計算することができる。ノイズマップは、少なくとも１つの差分画像または少なくとも１つのグレード画像に基づいて、検出閾値を使用して、疑わしい欠陥（ノイズ）の位置を判定することによって生成することができる。

本明細書に開示する主題のいくつかの実施形態では、検出閾値は、ノイズマップが少なくとも１つの差分画像または少なくとも１つのグレード画像上に反映されたすべてのノイズ情報を含むことができるように、ゼロの閾値とすることができる。

取得されたノイズマップは、第２の画像上のノイズ分布を示すことができる。いくつかの実施形態では、ノイズ分布は、ノイズの位置（たとえば、検査画像上）など、検出プロセスによって明らかになったノイズマップ内のノイズの１つまたは複数のノイズ特性を含むことができる。追加として、ノイズ特性は、ノイズの強度およびサイズのうちの少なくとも１つをさらに含むことができる。いくつかの実施形態では、ノイズマップ内のノイズは、パターン関係ノイズを含むことができる。このタイプのノイズは、ノイズが関連付けられた設計パターンの局所的な密度および複雑さに関係する。ノイズマップ内には、たとえば調査ツールによって引き起こされたノイズ（たとえば、ショットノイズ）、プロセスの変動、および色の変動などの他のタイプのノイズも含むことができる。

上述したように、区画化が画像データに基づいて実行される場合、画像空間内で、すなわち第１の画像上で、第１の画像を特性化する１組の属性によって指定された属性空間内の対応する位置の値に基づいて、複数の領域が得られる。特定の実施形態によれば、１組の属性は、１つまたは複数の事前定義された属性および機械学習を使用して生成された１つまたは複数の属性を含む属性候補のバンクから選択することができる。例として、事前定義された属性は、以前の検査および検出プロセスから取得されたノイズ分析結果に基づいて判定することができる。いくつかの場合、事前定義された属性のいくつかは、たとえばプロセス変動、測定ノイズ、アルゴリズムノイズなどの既存のノイズ源の理論モデル化から取得することができる。事前定義された属性のいくつかは、固定（データ非依存）またはデータ依存の画像ベースの特徴の空間分解から取得することができる。いくつかの場合、事前定義された属性のいくつかは、既知の層から取得することができる。任意選択で、いくつかの属性は、顧客データに基づいて顧客によって提供することができる。

特定の実施形態によれば、１組の属性は、機械学習を使用して生成された１つまたは複数の属性を含むことができる。１つまたは複数の属性は、機械学習モデルを使用して生成することができる（たとえば、処理ユニット１０２による）。機械学習モデルは、訓練画像を特性化する訓練属性を抽出し、抽出した訓練属性を使用して訓練画像内のノイズを予測することによって訓練することができる。次いで、予測されたノイズと欠陥検出アルゴリズムによって生成された参照ノイズとを比較し、フィードバック（たとえば、損失関数による）を機械学習モデルへ提供して、モデルを調整および最適化する。モデルが訓練された（たとえば、予測されたノイズと参照ノイズとの間の差分が範囲内になった）後、このモデルを生産／ランタイムに使用して、入力検査画像に対する属性を生成／抽出することができ、生成された属性は、入力画像内で異なるノイズレベルを示す空間パターンを表す。

図４を次に参照すると、本明細書に開示する主題の特定の実施形態による異なるノイズレベルを示す空間パターンを表す属性を生成することが可能になるように機械学習モデルを訓練する概略ブロック図が示されている。

例示を目的として、機械学習（ＭＬ）モデル４００は、互いに動作可能に接続された属性ニューラルネットワーク（図４に属性畳み込みニューラルネットワーク（ＣＮＮ）４０４として示す）および決定ニューラルネットワーク（決定ＣＮＮ４０６として示す）を含むことができる。ＭＬモデル４００を訓練するために、訓練画像４０２が毎回、モデル４００へ入力として提供される。訓練画像は、図４に、ｘ＊ｙの寸法で示されている。属性ＣＮＮ４０４は、訓練画像を特性化する１組の訓練属性（たとえば、Ｎ個の属性を含む組）を抽出するように構成することができる。事実上、Ｎ個の属性はそれぞれ、実際には訓練画像と同じ寸法を有する属性マップ（すなわち、ｘ＊ｙの寸法）とすることができ、したがって画像内の各画素に対して、属性マップ内の属性値が対応する。言い換えれば、検査画像内の各画素は、それぞれの属性マップからそれぞれＮ個の対応する属性値を有する。したがって、１組のＮ個の属性は、実際には、図４に示すようにｘ＊ｙ＊ｎの寸法である。

１組のＮ個の属性は、決定ＣＮＮ４０６へ入力として提供される。決定ＣＮＮ４０６は、抽出された１組の属性候補のみを使用して、検査画像内のノイズを予測するように構成することができる。例として、予測されたノイズ４０８は、検査画像内のノイズ／欠陥特性を示す上述した訓練画像に対応するグレード画像（または差分画像）の形態とすることができる。予測されたノイズを評価する目的で、訓練画像４０２および１つまたは複数の参照画像４１０は並行して、通常の欠陥検出アルゴリズム４１２（たとえば、ダイ－参照検出方法）を受け、同じくグレード画像（または差分画像）の形態である検出結果を参照ノイズ４１４として使用して、予測されたノイズ４０８と比較することができる。参照ノイズは、実際には、ノイズ予測を評価するためのグラウンドトゥルースとして使用される。この比較結果をフィードバック（たとえば、損失関数による）としてＭＬモデル４００へ提供し、ＭＬモデル４００がより良好なノイズ予測結果を有するためにより良好な属性を生成することを学習することができるように、モデルを調整および最適化することができる。そのような訓練プロセスは、モデルが適切に訓練される（たとえば、予測されたノイズが、比較結果によって示される参照ノイズに十分に近くなる）まで、異なる訓練画像で繰り返すことができる。

ＭＬモデル４００が訓練された後、訓練された属性ＣＮＮ４０４は、各入力検査画像を特性化する１組の属性を生成することが可能であり、生成された属性は、各入力検査画像内のノイズレベルを示す空間パターンを表す。したがって、訓練された属性ＣＮＮ４０４は、各入力検査画像（たとえば、第１の画像）に対する属性生成のために設定またはランタイムに使用することができる。これらの属性は、各入力検査画像内のノイズレベルを示す空間パターンの良好な表現を提供するため、そのような属性に基づいて上述した区画化を行い、そのようなパターンに関する区画化された領域を取得することができる。具体的には、区画化は、１組の属性によって指定された属性空間内の対応する位置の値に基づいて行うことができる。

例として、各属性マップ上の異なる位置に対する属性値をビン化することができ、異なる属性マップからのビンを組み合わせて、区画化結果、すなわち複数の領域を形成することができる。しかし、本開示は、区画化を実行する特有の方法に限定されるものではない。上記に加えて、または上記の代わりに、１組の属性に基づいて画像を区画化する他の可能な方法を使用することもできる。

図５を次に参照すると、本明細書に開示する主題の特定の実施形態による検査画像および検査画像を特性化する１組の属性の一例が示されている。

ダイの一部分を表す検査画像５０２が示されている。検査画像５０２を特性化する１組の属性５０４、５０６、および５０８が生成される。１組の属性は、上述したように、たとえば１つまたは複数の事前定義された属性および機械学習を使用して生成された１つまたは複数の属性を含む属性候補のバンクから選択することによって生成することができる。例示および説明の目的で、属性５０４は、画像内に含まれる円形のパターンを示すことができ、属性５０６は、画像内に含まれる水平線のパターンを示すことができ、属性５０８は、画像内に含まれる垂直線のパターンを示すことができる。例として、これらの属性は、検査画像を対応する特徴抽出フィルタに通すことによって生成することができる。５１０には、取り付けられたグレースケールバーに応じて異なるグレーレベルでマークされた複数の領域を示す区画化結果が実証されている。上述したように、これらの領域は、１組の属性に基づいて様々な方法で生成することができる。この図に示す一例は、１組の属性を組み合わせて（たとえば、１組の属性を他の属性の上に重ねて、対応する位置の値を組み合わせる）区画化された領域を形成することである。

パターン、属性、および区画化の上記の例は例示のみを目的とし、本開示を何らかの形で限定すると解釈されるべきではないことに留意されたい。たとえば、いくつかの場合、生成される属性は、上記に加えて、または上記の代わりに、たとえば方形のパターン、三角形のパターンなど、異なるタイプおよびサイズを有する他の空間パターンを示すことができる。いくつかの場合、特定の属性は、特に機械学習モデルによって生成されたとき、必ずしも空間パターンの直接的な表示を実証することができるとは限らない（たとえば、空間パターンとの相関関係は人間の目には見えないことがある）。しかし、機械学習モデルがそのように特別に訓練されると、これらの生成された属性は、やはり検査画像内のノイズレベルを示すことができ、したがって本開示の範囲内である。

図２を再び参照すると、１つまたは複数のノイズマップのそれぞれに対するセグメント化をランタイムに実行することができる（２０６）（たとえば、セグメント化モジュール１０６による）。具体的には、複数の領域のうちの各領域に対するスコアを計算すること（２０８）、および計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付けること（２１０）によって、１つまたは複数のノイズマップのうちの所与のノイズマップ（すなわち、任意の所与のノイズマップ）に対するセグメント化を実行することができる。

スコアを計算するために（２０８）、所与のノイズマップは、複数の領域のうちの各領域が、その領域内に位置合わせされたノイズデータ（すなわち、位置合わせから得られた領域内に入るノイズマップからのノイズデータ）に関連付けられるように、複数の領域と位置合わせされる必要がある。複数の領域のうちの所与の領域に対するスコアは、少なくともその領域に関連付けられたノイズデータに基づいて計算することができる。

ブロック２０２を参照して上述したように、複数の領域は、区画化に使用されるデータに基づいて、設計空間または画像空間内で得ることができる。複数の領域が同じ設計パターンを有する１つまたは複数のダイ領域にそれぞれ対応する設計空間内の複数の設計グループである場合、複数の設計グループのうちのそれぞれの所与の設計グループをその設計グループに対応するダイ領域内のノイズデータに関連付けることができるように、所与のノイズマップを設計データと位置合わせする必要がある。複数の領域が画像空間内にある（たとえば、これらの領域が、第１の画像を特性化する１組の属性によって指定された属性空間内の対応する位置の値に基づいて、第１の画像上で取得され、第１の画像が第２の画像とは異なる）場合、所与のノイズマップを画像データ（すなわち、第１の画像）と位置合わせする必要がある。

位置合わせ（上記の場合のいずれとも同様）は、異なる段階で実行することができる。特定の実施形態によれば、位置合わせは、事前に、たとえば設定段階で、場合により異なるシステムによって実行することができ、位置合わせされた結果は、システム１００によってさらなる処理のために受け取ることができる。いくつかの他の実施形態では、位置合わせは、処理ユニット１０２によってランタイムに、ノイズマップを複数の領域に重ね合わせることによって実行することができる。重ね合わせプロセスは、当技術分野で知られている任意の好適な位置合わせアルゴリズム（たとえば、米国特許出願公開第２００７／０２８０５２７号、米国特許出願公開第２０１３／２０４５６９号などに記載）に応じて実施することができる。

例として、複数の領域が設計空間内にある場合、検査座標（検査空間内の座標を検査座標と呼ぶ）内にあるノイズマップを設計データ（たとえば、ＣＡＤクリップ）に重ね合わせ、それによって検査空間内の設計データ座標を取得することができる。ノイズマップの検査座標と設計座標内の対応する位置との間には、走査条件（たとえば、照明）、ならびに走査プロセスにおける不完全性、シフト、および明白な誤差、ウエハ上に印刷された電気回路の製造における誤差などの様々な理由のため、いくつかの差分が生じる可能性が高い。ノイズマップと設計データとの間のグローバル（たとえば、平均）オフセットおよび／またはその特有の関心領域もしくはパターンもしくは物体にそれぞれ関係する複数のオフセットを示す位置較正データを生成することができる。任意選択で、位置較正データは、各関心物体（またはそのグループ）に対するそれぞれのオフセットを指定するデータ構造を含むことができる。位置較正データは、処理ユニット１０２または記憶ユニット１２２内に含まれたメモリ内に記憶することができる。

図６を次に参照すると、本明細書に開示する主題の特定の実施形態による位置合わせされたノイズマップおよび設計データの例示的な概略図が示されている。

上述した重ね合わせアルゴリズムを使用して、図３で導出された設計グループがノイズマップと位置合わせされる。ノイズマップ内のノイズまたはノイズデータが、図６に、異なる位置内に位置する異なるサイズを有する黒い点６０１として示されている。サイズは、ノイズ信号の強度またはノイズの実際の空間サイズを示すことができる。たとえば、検出プロセスで上述したように、ノイズマップがグレード画像に基づいて生成された場合、ノイズマップ内のノイズの強度は、グレード画像内のノイズに対応する画素値によって表すことができる。位置合わせ後、４つの設計グループ３０２、３０４、３０６、および３０８は、それぞれ設計グループに対応するダイ領域内に入るノイズデータ（たとえば、黒い点によって表される）に関連付けられる。その関連付けられたノイズデータを有する位置合わせされた設計グループは、６０２、６０４、６０６、および６０８としてマークされており、ブロック２０８および２１０を参照して以下に説明するように、セグメント化プロセスに対する入力として提供される。いくつかの場合、位置合わせ後、ノイズデータを有する位置合わせされた設計グループは、検査座標内に位置することができる。

図６を参照して上述した位置合わせは、設計データとノイズマップとの間のものとして例示されているが、領域３０２、３０４、３０６、および３０８は同様に、画像空間（すなわち、第１の画像）内の区画化された領域を表すことができ、上述した位置合わせは同様に、ノイズマップと第１の画像内の領域との間に適用することができることに留意されたい。

図２の説明を続けると、上述したように、複数の領域のうちの所与の領域に対するスコアを、少なくともその領域に関連付けられたノイズデータに基づいて計算することができる。例として、スコアは、所与の領域内のノイズ密度として計算することができる。ノイズ密度は、たとえば、所与の領域に関連付けられたノイズの量とその領域の面積との比として計算することができる。別の例として、スコアは、その領域内のノイズデータに示される最大／最小画素値に基づいて導出することができる。

特定の実施形態によれば、スコアは、所与の領域に関連付けられたノイズデータおよび所与の領域の面積に対して割り当てられた欠陥バジェットに基づいて計算することができる。検査および検出プロセスでは通常、合計欠陥バジェットがダイ全体に対して割り当てられる。合計欠陥バジェットは、検査および検出プロセス後に検出されることが予期される所望の欠陥候補の総量を指す。ＤＯＩがダイ上に均一の分布を有すると仮定すると、ダイ全体に対する合計欠陥バジェットをそのダイの複数の領域に、たとえばそれらの領域の面積に応じて分割して割り当てることができる。たとえば、所与の領域に対して割り当てられる欠陥バジェットは、ダイ全体に対する合計欠陥バジェットと、ダイ全体の面積に対する所与の領域の面積の比との積として計算することができる。

いくつかの実施形態では、所与の領域に対して、その領域に関連付けられたノイズデータに基づいて、ノイズヒストグラムを作成することができる。所与の領域に対するスコアは、ノイズヒストグラム上のその所与の領域に対して割り当てられた欠陥バジェットを適用することによって、閾値として計算することができる。例として、ノイズヒストグラムは、画素数（ｙ軸）と、ノイズ／欠陥の強度（たとえば、グレード）を示すノイズマップ内の画素値（ｘ軸）との関係として作成することができる。割り当てられた欠陥バジェットをヒストグラムに適用することによって、欠陥バジェットに等しい疑わしいＤＯＩの量を残りから分離する閾値を導出することができる。この閾値は、所与の領域に対するスコアとして使用することができる。

上記はスコアを計算する可能な例であり、上記の代わりに、または上記に加えて、他の好適な方法を適用することもできることに留意されたい。

いくつかの場合、区画化結果、すなわち複数の領域間に重複が存在する可能性がある。これは、たとえば、領域が設計グループである場合、試験片の異なる層内の特定の構造間の空間関係が重複することによって引き起こされる可能性があり、またはたとえば、領域が画像データに基づいて取得される場合、区画化アルゴリズムの特有の設計によって引き起こされる可能性がある。したがって、ノイズマップが複数の領域と位置合わせされた後、それらの領域にノイズデータを関連付けるとき、またはそれらの領域に対するスコアを計算するとき、異なる領域間の重複面積内に入るノイズデータを考慮する必要がある。例として、２つ（またはそれ以上）の領域間の重複面積内に位置するノイズデータは、１つの領域内で一度だけ数えられるべきであり、したがって、たとえばそのような領域に対するスコアを計算するとき、このノイズデータが実際にはどの領域に属するかを決定し、その領域を他の重複領域から除外する必要がある。

スコアが各領域に対して計算された後、計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付けることができ（２１０）、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することができる。いくつかの実施形態では、１組のセグメントは、セグメント化データを構成することができ、このセグメント化データは、試験片のさらなる調査に使用可能とすることができる。例として、セグメント化データは、調査ツール１２０および／または任意の他の調査ツールまたは処理ユニットへ提供し、所与のノイズマップに基づいて、試験片上の欠陥検出を実行することができる（２１２）。いくつかの実施形態では、セグメント化データは、結果を描画するためにコンピュータベースのグラフィカルユーザインターフェース（ＧＵＩ）１２４へ送ることができるセグメント化レイアウトを含むことができる。

いくつかの実施形態では、領域とセグメント化ラベルとの間の関連付けを実行するために、複数の領域をそれらのスコアに応じて格付けすることができ、この格付けに基づいて、これらの領域を１組のセグメントにグループ化することができる（すなわち、格付けされた領域は、それらの格付けに基づいて、事前定義された１組のセグメントに分割することができる）。例として、１組の事前定義されたセグメント化ラベルは、低ノイズ、高ノイズ、および超高ノイズのノイズレベルを示す３つのラベルを含むことができる。セグメント化によって、各領域は、すべてのスコアの中からそれぞれのスコアの格付けに応じて、低ノイズ領域、高ノイズ領域、および超高ノイズ領域のうちの１つとしてラベル付けすることができる。本開示は、１組として事前定義されたセグメント化ラベルの数によって限定されるものではないことに留意されたい。

セグメント化データは、試験片のさらなる調査のため（たとえば、所与のノイズマップに基づいた試験片上の欠陥検出を実行するため）に、様々な方法で使用することができる。例として、セグメント化データは、各ダイセグメントに対する検出閾値を構成するために使用することができる。たとえば、超高ノイズとラベル付けされたダイセグメントは、低ノイズとラベル付けされたダイセグメントに比べて、より高い閾値を有することができる。別の例として、セグメント化データは、差分画像および／またはグレード画像の計算を構成するために使用することができる。たとえば、差分画像および／またはグレード画像内の画素値は、異なるセグメントのノイズレベルに応じて正規化または適合することができる。

図７を次に参照すると、本明細書に開示する主題の特定の実施形態によるセグメント化の例が次に示されている。

ダイの一部分を表す検査画像７０２が示されている（図５の検査画像５０２に対応する）。セグメント化結果７０４および７０６の２つの例が示されており、それぞれ同じ設計を共用する（たとえば、場合により、同じ設計データを共用する異なるダイ内の同じ部分から取得される）２つの検査画像（簡単にするために、図７には１つの検査画像７０２のみを示す）に対応する。７０４および７０６の両方に示すように、それぞれ黒色および白色でマークされた２つのセグメントが取得され、黒色のセグメントは低ノイズセグメントを指し、白色のセグメントは高ノイズセグメントを指す。これらのセグメントは、図５に示す区画化結果５１０に基づいて取得することができる。たとえば、区画化結果５１０で取得された複数の領域を、ランタイムに取得されたノイズマップと位置合わせすることができ、ブロック２０８を参照して上述した説明によって、各領域に対してスコアを計算することができる。各領域は、ブロック２１０を参照して上述した教示によって、スコアに基づいてセグメント化ラベル（低ノイズまたは高ノイズ）に割り当てることができる。例として、２つのセグメント化結果７０４および７０６間の差分は、２つの検査画像に対応する調査ツールから取得された異なるノイズマップから得ることができる。

図８を次に参照すると、本明細書に開示する主題の特定の実施形態によるランタイム調査でセグメント化を使用する一例が次に示されている。

図８に示すように、比較の目的で２つの図が示されており、左側の図は、セグメント化を使用しないランタイム欠陥検出で生成および使用されるノイズヒストグラム８０２を示し、右側の図は、１つのノイズヒストグラムの代わりに生成され、セグメント化を使用するランタイム欠陥検出で使用される２つのノイズヒストグラム８０８および８１０を示す。具体的には、２つのノイズヒストグラム８０８および８１０は、上述したランタイムセグメント化プロセスを介して取得された２つのセグメント（たとえば、図７に示す２つのセグメント）に対応する。したがって、ノイズヒストグラム８０２上で単一の検出閾値８０４を適用する代わりに、２つの異なる検出閾値８１２および８１４をそれぞれ２つのヒストグラム８０８および８１０に対して割り当てることができる。この例では、ノイズヒストグラム８１０に対応するセグメントは、ノイズヒストグラム８０８に対応するセグメントより比較的ノイズが多い。したがって、ノイズヒストグラム８１０にはより高い閾値８１４が適用され、ノイズヒストグラム８０８にはより低い閾値８１２が適用される。異なるセグメントに異なる閾値を適用することによって、異なるノイズレベルを有するセグメントに対して異なる検出感度を実現することができ、それによって全体的な検出感度および欠陥検出率を改善することができる。特に、この例では、セグメント化のない元の欠陥検出プロセスでは以前は無視されたよりノイズの少ないセグメント内のＤＯＩ８０６は（左側の図に示す）、比較的低い閾値がこのセグメント内に適用されていることから、ここで検出することができる（右側の図に示す）（たとえば、このＤＯＩの強度（たとえば、グレード）が高ノイズセグメント内のノイズに比べて比較的低いため）。

本明細書に開示する主題の特定の実施形態によれば、ランタイムセグメント化プロセスが提案され、試験片（たとえば、ダイまたはその部分）のセグメント化が、ランタイム検査および検出プロセスで取得されたノイズマップ上で実行される。これは、統計／平均ノイズ情報のみを提供する１つまたは複数の試験ダイまたは参照ダイ上で設定段階に実行されるセグメント化と比べて有利である。設定段階のセグメント化の場合、これらのダイに基づいてセグメント化が判定された後、これは「静止状態」（すなわち、不変）のままである検査レシピの一部になり、特定のダイの特有のノイズ特性にかかわらず、各ダイを検査するためにランタイムに使用される。それに比べて、本明細書に提案するランタイムセグメント化は、特定の検査されたダイ（すなわち、ランタイムノイズマップ）内の実際のノイズ情報に基づいて行われ、したがってダイ特有であり、すなわちセグメント化は動的であり、ダイとダイで変動することができ、特有のダイに関するセグメント化結果をより正確に描画し、それによって検出感度を改善する。

追加として、いくつかの実施形態では、上述したように、セグメント化のための準備として、領域への試験片の区画化は、設計データなし（すなわち、ＣＡＤなし）で画像データのみに基づいて実行することができる。これは、セグメント化をより適合可能にし、容易に使用できるようにする（特に設計データが利用可能でない場合）だけでなく、ＣＡＤおよび／または画像データに関係するＣＡＤを処理するために以前は使用されていた演算時間および資源を節約することもできる。

いくつかのさらなる実施形態では、区画化は、機械学習技法を使用して生成された特定の画像属性に基づいて実行することができる。この態様で使用される機械学習モデルは、所与の検査画像を特性化して異なるノイズレベルを示すその空間パターンを表す１つまたは複数の属性を生成することが可能になるように、上述した特有の方法で訓練することができる。これにより、ＣＡＤデータなしで区画化を実行しながら、それでもなお正確な結果を提供することが可能になる。

本明細書に参照する機械学習モデルは、様々な機械学習アーキテクチャに応じて実施することができることに留意されたい。非限定的な例として、いくつかの場合、機械学習モデルは、ディープラーニングニューラルネットワーク（ＤＮＮ）とすることができ、ＤＮＮの層は、畳み込みニューラルネットワーク（ＣＮＮ）アーキテクチャ、回帰型ニューラルネットワークアーキテクチャ、再起型ニューラルネットワークアーキテクチャ、ＧＡＮアーキテクチャなどに応じて体系化することができる。本明細書に開示する主題の教示は、特有の機械学習アーキテクチャによって拘束されるものではないことに留意されたい。

図２に示す流れ図について、システム１００の要素を参照して説明したが、これは決して拘束するものではなく、それらの動作は、本明細書に記載したもの以外の要素によって実行することができることにも留意されたい。

本発明は、その適用分野において、本明細書に含まれるまたは図面に示される説明に記載の詳細に限定されないことを理解されたい。本発明は、他の実施形態が可能であり、様々な方法で実行および実施することが可能である。したがって、本明細書に用いた用語および術語は説明を目的とし、限定的であるとみなされるべきではないことを理解されたい。したがって、本開示が基づく概念は、本明細書に開示する主題のいくつかの目的を実施するための他の構造、方法、およびシステムを設計するための基本として容易に利用することができることが、当業者には理解されよう。

本発明によるシステムは、少なくとも部分的に好適にプログラムされたコンピュータとして実施することができることも理解されよう。同様に、本発明は、本発明の方法を実行するためにコンピュータによって可読であるコンピュータプログラムも企図する。本発明は、本発明の方法を実行するためにコンピュータによって実行可能である命令のプログラムを有形に実施する非一時的コンピュータ可読記憶媒体もさらに企図する。

添付の特許請求の範囲にそれによって定義される本発明の範囲から逸脱することなく、本明細書に記載する本発明の実施形態に様々な修正および変更を適用することができることが、当業者には容易に理解されよう。

１００ システム
１０２ 処理ユニット
１０４ 区画モジュール
１０６ セグメント化モジュール
１１０ 設計データサーバ
１２０ 調査ツール
１２２ 記憶ユニット
１２４ グラフィカルユーザインターフェース
１２６ 入出力インターフェース
３０２ 設計グループ
３０４ 設計グループ
３０６ 設計グループ
３０８ 設計グループ
４００ 機械学習（ＭＬ）モデル
４０２ 訓練画像
４０４ 属性畳み込みニューラルネットワーク
４０６ 決定ニューラルネットワーク
４０８ 予測されたノイズ
４１０ 参照画像
４１２ 欠陥検出アルゴリズム
４１４ 参照ノイズ
５０２ 検査画像
５０４ 属性
５０６ 属性
５０８ 属性
５１０ 区画化結果
６０１ ノイズまたはノイズデータ
６０２ 設計グループ
６０４ 設計グループ
６０６ 設計グループ
６０８ 設計グループ
７０２ 検査画像
７０４ セグメント化結果
７０６ セグメント化結果
８０８ ノイズヒストグラム
８１０ ノイズヒストグラム

Claims (20)

1. 試験片上の欠陥検出のコンピュータ化システムであって、
   調査ツールに動作可能に接続された処理ユニットを備え、前記処理ユニットが、メモリと、前記メモリに動作可能に結合されたプロセッサとを備え、前記処理ユニットが、
   前記試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行するように構成され、前記１つまたは複数の部分のうちの所与の部分に対する前記区画化が、ｉ）前記所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）前記所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行され、
   前記処理ユニットが
   前記試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを前記調査ツールから、前記試験片上のランタイム欠陥検出において、受け取ることであり、前記第１のダイおよび前記第２のダイが同じ設計データによって特性化され、前記第２のダイがランタイムに検査されるべき検査ダイである、受け取ることと、
   前記１つまたは複数のノイズマップのそれぞれに対するセグメント化を実行することとを行うようにさらに構成され、前記１つまたは複数のノイズマップのうちの所与のノイズマップに対する前記セグメント化が、
   前記複数の領域のうちの各領域に対するスコアを計算することであり、前記所与のノイズマップが前記複数の領域と位置合わせされ、その各領域が前記領域内に位置合わせされたノイズデータに関連付けられ、前記複数の領域のうちの所与の領域に対する前記スコアが、少なくとも前記領域に関連付けられた前記ノイズデータに基づいて計算される、計算することと、
   前記計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することとによって実行され、
   前記１組のセグメントが、前記所与のノイズマップに基づいて前記試験片上の前記ランタイム欠陥検出に使用可能である、コンピュータ化システム。
2. 前記区画化が、前記設計データに基づいて実行され、設計空間内の前記複数の領域が、同じ設計パターンを有する前記所与の部分内の１つまたは複数のダイ領域にそれぞれ対応する複数の設計グループである、請求項１に記載のコンピュータ化システム。
3. 前記所与の部分を表す第１の画像を含む前記画像データを捕捉するように構成された前記調査ツールをさらに備え、前記区画化が、前記画像データに基づいて実行され、画像空間内の前記複数の領域が、前記第１の画像を特性化する１組の属性によって指定された属性空間内の対応する位置の値に基づいて、前記第１の画像上で取得される、請求項１に記載のコンピュータ化システム。
4. 前記第２のダイが、前記第１のダイとは異なるダイであり、前記調査ツールが、前記第２のダイの前記１つまたは複数の部分を表す前記１つまたは複数の第２の画像をランタイムに捕捉し、前記１つまたは複数の第２の画像上のノイズ分布を示す前記１つまたは複数のノイズマップを提供するようにさらに構成される、請求項３に記載のコンピュータ化システム。
5. 前記第１のダイが、前記区画化を実行するために使用される参照ダイであり、前記第２のダイが検査ダイであり、前記区画化が、設定段階で実行される、請求項４に記載のコンピュータ化システム。
6. 前記第１のダイが、前記第２のダイの検査に使用される参照ダイであり、前記第２のダイが検査ダイであり、前記区画化が、ランタイムに実行される、請求項４に記載のコンピュータ化システム。
7. 前記第２のダイが前記第１のダイであり、前記１つまたは複数の第２の画像は、前記第１のダイの前記１つまたは複数の部分に対して捕捉された１つまたは複数の第１の画像であり、前記区画化が、ランタイムに実行される、請求項３に記載のコンピュータ化システム。
8. 前記調査ツールが、前記試験片を走査して前記画像データおよび前記１つまたは複数の第２の画像を捕捉するように構成された検査ツールである、請求項１に記載のコンピュータ化システム。
9. 前記１組の属性が、１つまたは複数の事前定義された属性および機械学習を使用して生成された１つまたは複数の属性を含む属性候補のバンクから選択される、請求項３に記載のコンピュータ化システム。
10. 前記１組の属性が、機械学習を使用して生成された前記１つまたは複数の属性を含み、前記処理ユニットが、機械学習モデルを使用して前記１つまたは複数の属性を生成するようにさらに構成される、請求項９に記載のコンピュータ化システム。
11. 前記機械学習モデルが、訓練属性を生成し、前記訓練属性を使用してノイズを予測することによって訓練され、前記予測されたノイズを、欠陥検出アルゴリズムによって生成された参照ノイズと比較して、前記訓練された機械学習モデルが、前記第１の画像を特性化して異なるノイズレベルを示すその空間パターンを表す前記１つまたは複数の属性を生成することが可能になるように、前記機械学習モデルを最適化する、請求項１０に記載のコンピュータ化システム。
12. 各領域を１つのセグメント化ラベルに前記関連付けることが、各領域に対して計算された前記スコアを格付けし、前記格付けに基づいて前記複数の領域を前記１組のセグメントにグループ化することを含む、請求項１に記載のコンピュータ化システム。
13. 欠陥検出を前記実行することが、各セグメントに対する検出閾値を構成することを含む、請求項１に記載のコンピュータ化システム。
14. 調査ツールに動作可能に接続された処理ユニットによって実行される試験片上の欠陥検出のコンピュータ化方法であって、前記処理ユニットが、メモリと、前記メモリに動作可能に結合されたプロセッサとを備え、前記方法が、
    前記試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行することであり、前記１つまたは複数の部分のうちの所与の部分に対する前記区画化が、ｉ）前記所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）前記所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行される、区画化を実行することと、
    前記試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを前記調査ツールから、前記試験片上のランタイム欠陥検出において、受け取ることであり、前記第１のダイおよび前記第２のダイが同じ設計データによって特性化され、前記第２のダイがランタイムに検査されるべき検査ダイである、受け取ることと、
    前記１つまたは複数のノイズマップのそれぞれに対するセグメント化を、前記ランタイム欠陥検出において、実行することとを含み、前記１つまたは複数のノイズマップのうちの所与のノイズマップに対する前記セグメント化が、
    前記複数の領域のうちの各領域に対するスコアを計算することであり、前記所与のノイズマップが前記複数の領域と位置合わせされ、その各領域が前記領域内に位置合わせされたノイズデータに関連付けられ、前記複数の領域のうちの所与の領域に対する前記スコアが、少なくとも前記領域に関連付けられた前記ノイズデータに基づいて計算される、計算することと、
    前記計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することとによって実行され、
    前記１組のセグメントが、前記所与のノイズマップに基づいて前記試験片上の前記ランタイム欠陥検出に使用可能である、コンピュータ化方法。
15. 前記調査ツールによって、前記所与の部分を表す第１の画像を含む前記画像データを捕捉することをさらに含み、前記区画化が、前記画像データに基づいて実行され、画像空間内の前記複数の領域が、前記第１の画像を特性化する１組の属性によって指定された属性空間内の対応する位置の値に基づいて、前記第１の画像上で取得される、請求項１４に記載のコンピュータ化方法。
16. 前記第２のダイが、前記第１のダイとは異なるダイであり、前記方法が、前記第２のダイの前記１つまたは複数の部分を表す前記１つまたは複数の第２の画像を前記調査ツールによってランタイムに捕捉することと、前記１つまたは複数の第２の画像上のノイズ分布を示す前記１つまたは複数のノイズマップを提供することとをさらに含む、請求項１５に記載のコンピュータ化方法。
17. 前記第１のダイが、前記区画化を実行するために使用される参照ダイであり、前記第２のダイが検査ダイであり、前記区画化が、設定段階で実行される、請求項１６に記載のコンピュータ化方法。
18. 前記１組の属性が、機械学習を使用して生成された１つまたは複数の属性を含み、前記方法が、機械学習モデルを使用して前記１つまたは複数の属性を生成することをさらに含む、請求項１５に記載のコンピュータ化方法。
19. 前記機械学習モデルが、訓練属性を生成し、前記訓練属性を使用してノイズを予測することによって訓練され、前記予測されたノイズを、欠陥検出アルゴリズムによって生成された参照ノイズと比較して、前記訓練された機械学習モデルが、前記第１の画像を特性化して異なるノイズレベルを示すその空間パターンを表す前記１つまたは複数の属性を生成することが可能になるように、前記機械学習モデルを最適化する、請求項１８に記載のコンピュータ化方法。
20. コンピュータによって実行されたとき、前記コンピュータに試験片上の欠陥検出の方法を実行させる命令のプログラムを有形に実施する非一時的コンピュータ可読記憶媒体であって、前記方法が、
    前記試験片の第１のダイの１つまたは複数の部分のうちの各部分に対する区画化を実行することであり、前記１つまたは複数の部分のうちの所与の部分に対する前記区画化が、ｉ）前記所与の部分を特性化し、それによって画像空間内に複数の領域を生じさせる画像データ、およびｉｉ）前記所与の部分を特性化し、それによって設計空間内に複数の領域を生じさせる設計データのうちの少なくとも１つに基づいて実行される、区画化を実行することと、
    前記試験片の第２のダイの１つまたは複数の部分に対して捕捉された１つまたは複数の第２の画像上のノイズ分布を示す１つまたは複数のノイズマップを、前記試験片上のランタイム欠陥検出において、受け取ることであり、前記第１のダイおよび前記第２のダイが前記同じ設計データによって特性化され、前記第２のダイがランタイムに検査されるべき検査ダイである、受け取ることと、
    前記１つまたは複数のノイズマップのそれぞれに対するセグメント化を、前記ランタイム欠陥検出において、実行することとを含み、前記１つまたは複数のノイズマップのうちの所与のノイズマップに対する前記セグメント化が、
    前記複数の領域のうちの各領域に対するスコアを計算することであり、前記所与のノイズマップが、前記複数の領域と位置合わせされ、その各領域が前記領域内に位置合わせされたノイズデータに関連付けられ、前記複数の領域のうちの所与の領域に対する前記スコアが、少なくとも前記領域に関連付けられた前記ノイズデータに基づいて計算される、計算することと、
    前記計算されたスコアに基づいて、各領域を、異なるノイズレベルを示す１組の事前定義されたセグメント化ラベルのうちの１つのセグメント化ラベルに関連付け、それによって同じセグメント化ラベルに関連付けられた１つまたは複数の領域にそれぞれ対応する１組のセグメントを取得することとによって実行され、
    前記１組のセグメントが、前記所与のノイズマップに基づいて前記試験片上の前記ランタイム欠陥検出に使用可能である、非一時的コンピュータ可読記憶媒体。

Images