KR20170091716A - 샘플링 및 특징 선택 없는 자동 결함 분류 - Google Patents
샘플링 및 특징 선택 없는 자동 결함 분류 Download PDFInfo
- Publication number
- KR20170091716A KR20170091716A KR1020177018319A KR20177018319A KR20170091716A KR 20170091716 A KR20170091716 A KR 20170091716A KR 1020177018319 A KR1020177018319 A KR 1020177018319A KR 20177018319 A KR20177018319 A KR 20177018319A KR 20170091716 A KR20170091716 A KR 20170091716A
- Authority
- KR
- South Korea
- Prior art keywords
- defect
- feature
- features
- neural network
- image
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 104
- 238000005070 sampling Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 84
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 239000004065 semiconductor Substances 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000002950 deficient Effects 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims abstract description 7
- 238000003860 storage Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 3
- 101100126955 Arabidopsis thaliana KCS2 gene Proteins 0.000 claims description 2
- 241000132023 Bellis perennis Species 0.000 claims description 2
- 235000005633 Chrysanthemum balsamita Nutrition 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 239000000758 substrate Substances 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000012552 review Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 210000000857 visual cortex Anatomy 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06K9/6255—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G06K9/4628—
-
- G06K9/6274—
-
- G06K9/66—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G06K2209/19—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
Abstract
반도체 프로세스에서의 결함 분류를 위한 시스템 및 방법이 제공된다. 시스템은 반도체 프로세스로부터 웨이퍼의 결함 이미지를 수신하도록 구성된 통신 라인, 및 통신 라인과 전자 통신하는 심층 아키텍처 신경망을 포함한다. 이 신경망은 제 1 특징 맵을 생성하기 위해 결함 이미지로부터의 픽셀을 필터로 컨볼빙하도록 구성된 뉴런들의 제 1 컨볼루션 층을 갖는다. 신경망은 또한 제 1 특징 맵의 크기 및 변화를 감소시키도록 구성된 제 1 서브 샘플링 층을 포함한다. 특징 맵을 기반으로 하여 결함 분류를 결정하기 위한 분류기가 제공된다. 시스템은 하나보다 많은 컨볼루션 층들 및/또는 서브 샘플링 층들을 포함할 수 있다. 방법은 심층 아키텍처 신경망, 예를 들어, 컨볼루션 신경망을 사용하여 결함 이미지로부터 하나 이상의 특징들을 추출하는 단계를 포함한다.
Description
관련 출원에 대한 상호 참조
본 출원은 2014년 12월 3일자에 출원되어 미국 출원 번호 제62/087,180호가 부여된 가특허 출원, 및 2015년 6월 11일자에 출원되어 미국 출원 번호 제62/174,288호가 부여된 가특허 출원에 대한 우선권을 주장하고, 이 출원들의 개시 내용은 본 명세서에 참조로 포함된다.
기술분야
본 개시는 반도체 제조 툴에서의 자동 결함 분류를 위한 시스템 및 빙법에 관한 것이다.
반도체 제조 디바이스에서, 결함 검토 시스템이 사용되어 반도체 프로세스 내의 결함을 분류하고, 결함의 근본 원인 또는 프로세스의 이탈을 좁히는 것을 도울 수 있다. 결함 검토 시스템은, 서브 미크론 레벨에서 결함 영역 주변의 고해상도 이미지들을 획득함으로써 이를 수행한다. 획득된 이미지들을 기반으로 하여, 시스템 또는 오퍼레이터는 결함의 타입 및 결함이 생산 수율에 영향을 미치는 방법에 따라, 결함을 카테고리로 분류할 수 있다. 시스템을 사용하여 완료되면, 이것은 자동화된 프로세스이다. 자동 결함 분류 기술의 현재 상태는, 여전히 오퍼레이터의 개입을 필요로 하는데, 통상적인 자동화 기술이 여전히 결함의 상당 부분을 미분류 상태로 남겨 두기 때문이다.
결함 검토 이미지를 나타내는 특징 벡터(feature vector)는 결함 분류의 정확성에 중요하다. 그러나, 구별 특징들은 발견하기 어렵고, 많은 상업적 결함 검토 및 분류 시스템에서 종종 비밀로 유지된다. 특징들은 계층적 방식으로 구조화(organize)될 수 있다. 예를 들어, 일반적인 하위 레벨 특징은 에지 검출기이고, 이웃하는 영역의 에지 패턴들의 세트가 평행 라인, 코너, 라인 접합 등과 같은 중간 레벨 큐를 형성한다. 대부분의 이미지 프로세싱 기술들은 하위 레벨 특징들을 추출하는 것에 초점을 맞추고 있으며, 상위 레벨 대상 표현을 위한 특징 설계는 매우 어렵다는 것이 잘 알려져 있다. 또한, 한 세트의 결함 이미지를 분류하기 위해 사용될 수 있는 특징들은 다른 데이터 세트에서 전혀 작동하지 않을 수도 있다. 따라서, 중간 내지 상위 레벨의 대상을 나타낼 수 있는 특징들을 발견하기 위한 새로운 방식이 필요하다.
현재의 결함 분류 실행에 있어서, 오퍼레이터는 각 카테고리로부터 몇 개의 결함 이미지들을 샘플링하고, 미분류된 결함 이미지들을 대응하는 카테고리로 분리하기 위해 특징들을 검색하는 데 상당한 시간을 보낸다. 이 프로세스는 반도체 제조 프로세스에서 각각의 새로운 디바이스의 모든 층에 대해 반복될 수 있으며, 이는 팹(fab)을 늘리기 위한 시간을 증가시킨다. 또한, 오퍼레이터가 자신의 경험 및 디바이스의 이해를 기반으로 하여 상이한 구별 특징들을 선택할 수 있기 때문에, 분류 결과는 오퍼레이터마다 다르다. 이러한 일관성 없는 분류는, 웨이퍼 제조의 프로세스 제어에서 불필요한 혼란 또는 심지어 모순을 야기한다. 시스템 또는 방법이 유용한 특징들을 자동으로 검색할 수 있다면, 오퍼레이터에게 유리할 것이다.
결함 이미지를 자동으로 분류하기 위해 많은 방식이 구현되었다. 기존 방식의 대부분은 두 개의 단계를 포함한다. 먼저, 결함 이미지를 특징짓는 특징들이 추출되고, 그런 다음 분류기가 특징들의 수치 값을 기반으로 하여 각각의 결함에 클래스 코드를 할당하도록 구축된다. 추출된 특징들은 한 가지 타입의 결함을 다른 결함과 분리할 수 있는 구별력을 가져야 한다. 예를 들어, 미국 특허 출원 공개 번호 제2013/0279795호는 결함 영역의 구역을 그 구역의 형상을 특징지을 수 있는 실수 값 특징으로 전달하기 위해 커널 함수를 사용하는 방법을 개시했다. 추출된 특징들을 기반으로 하는 분류 방식은 보통 단순한 바이너리 분기 결정 트리(예컨대, 미국 특허 번호 제8,660,340호에 설명된 결정 트리)이다.
위에서 언급한 방식이 갖는 하나의 잘 알려진 문제점은 분류기의 기여이다. 통상적인 현재의 분류기는, 디바이스로부터 출력 결함의 60%-70%를 분류할 수 있다. 그러나, 생산 환경에서 결함 검토 시스템의 처리량은 오퍼레이터가 나머지 이미지들을 수동으로 분류하는 것을 불가능하게 한다. 예를 들어, 알려진 결함 검토 시스템은 시간당 무려 ~18,000-20,000개나 되는 결함을 출력할 수 있다. 60%-70%의 자동 분류 비율 사용하면, 오퍼레이터에 의해 수동으로 분류될 필요가 있는 시간당 ~6,000-8,000개의 결함을 여전히 남겨 둔다.
서포트 벡터 머신(미국 특허 번호 제8,315,453호에 기재됨)과 같은 복합 기계 학습 방식을 사용함으로써 분류기의 기여를 향상시킬 수 있는 시스템이 개발되었다. 그러나, 이러한 시스템은 생산에서 트레이닝 단계 및 전문가 정의 특징 세트를 필요로 하고, 이들은 생산 램프에 영향을 미칠 수 있을 뿐만아니라, 고도로 숙련된 오퍼레이터가 특징 세트를 식별하는 것을 필요로 한다.
본 개시의 일 실시예에서, 반도체 프로세스에서의 결함 분류를 위한 시스템이 제공된다. 상기 시스템은, 반도체 프로세스로부터 웨이퍼의 결함 이미지를 수신하도록 구성된 통신 라인을 포함한다. 통신 라인은, 예를 들어, 유선 네트워크 연결, 무선 네트워크 연결, 직렬 라인, USB 연결, 또는 임의의 다른 통신 라인일 수 있다. 이미지는 원격 디바이스 또는 로컬 디바이스로부터 수신될 수 있다. 예를 들어, 이미지는 저장 디바이스, 반도체 프로세스의 검사 디바이스, 카메라 등으로부터 수신될 수 있다. 이 시스템은 통신 라인과 전자 통신하는 심층 아키텍처 신경망(deep architecture neural network)을 포함한다. 이 신경망은 뉴런들의 제 1 컨볼루션 층(convolution layer)을 갖는다. 제 1 컨볼루션 층의 각각의 뉴런은, 제 1 특징 맵(feature map)을 생성하기 위해 결함 이미지로부터의 픽셀의 대응하는 수용 필드를 필터로 컨볼빙(convolving)하도록 구성된다. 신경망은 또한 제 1 특징 맵의 크기 및 변화를 감소시키도록 구성된 제 1 서브 샘플링 층을 포함한다. 특징 맵을 기반으로 하여 결함 분류를 결정하기 위한 분류기가 제공된다. 시스템은 하나보다 많은 컨볼루션 층들 및/또는 서브 샘플링 층들을 포함할 수 있다.
다른 실시예에서, 반도체 프로세스에서의 결함 분류를 위한 방법이 제공된다. 이 방법은 심층 아키텍처 신경망을 사용하여 반도체 프로세스로부터 웨이퍼의 결함 이미지로부터 하나 이상의 특징들을 추출하는 단계를 포함한다. 신경망을 사용하여, 결함 이미지는 추출된 하나 이상의 특징들을 기반으로 하여 분류된다. 하나 이상의 특징들은 하나 이상의 컨볼루션 층들을 갖는 컨볼루션 신경망(convolutional neural network; CNN)을 사용하여 결함 이미지로부터 추출될 수 있으며, 하나 이상의 컨볼루션 층들의 각각의 컨볼루션 층에는 서브 샘플링 층이 뒤따른다.
다른 실시예에서, 특징들을 도출하기 위한 시스템이 제공된다. 상기 시스템은 전자 저장 디바이스, 및 저장 디바이스에 저장된 특징 라이브러리를 포함한다. 상기 시스템은 또한, 저장 디바이스와 전자 통신하는 심층 아키텍처 신경망을 포함한다. 신경망은 하나 이상의 결함 이미지들로부터 특징을 도출하도록 구성되며, 여기서 특징은 결함 이미지들의 결함을 분류하기 위해 통계적으로 중요하다. 신경망은 또한, 특징을 결정하기 위해 사용되는 계산 세트와 함께 특징을 캡슐화하고, 캡슐화된 특징을 저장 디바이스의 특징 라이브러리에 추가하도록 구성된다.
본 개시의 본질 및 목적의 완전한 이해를 위해, 첨부 도면들과 함께 취해진 다음의 상세한 설명을 참조해야 한다.
도 1은 본 개시에 따른 심층 학습 아키텍처의 일 실시예를 도시하는 도면이다.
도 2는 본 개시에 따른 로컬 디스크립터(local descriptor)들로부터 특징들을 학습하는 것을 도시하는 흐름도이다.
도 3a는 본 개시의 일 실시예에 따른 자동 결함 분류 엔진의 셋업(setup)을 도시하는 흐름도이다.
도 3b는 본 개시의 일 실시예에 따른 결함 이미지를 자동으로 분류하는 것을 도시하는 흐름도이다.
도 4는 본 개시에 따라 사용될 수 있는 컨볼루션 심층망을 도시하는 도면이다.
도 5a는 본 개시에 따라 심층 신경망에서의 학습의 순방향 추론 부분을 도시하는 도면이다.
도 5b는 도 5a의 실시예에서 학습의 역방향 학습 부분을 도시하는 도면이다.
도 6은 본 개시에 따라 심층 학습 구조에 추가의 특징들을 주입하는 것을 도시하는 도면이다.
도 7은 본 개시에 따라 기계 학습된 특징들을 중앙 집중 데이터베이스에 전달하는 것을 도시하는 도면이다.
도 8은 본 개시의 일 실시예에 따른 방법을 도시한다.
도 9는 본 개시의 다른 실시예에 따른 방법을 도시한다.
도 10은 본 개시의 다른 실시예에 따른 시스템의 도면이다.
도 1은 본 개시에 따른 심층 학습 아키텍처의 일 실시예를 도시하는 도면이다.
도 2는 본 개시에 따른 로컬 디스크립터(local descriptor)들로부터 특징들을 학습하는 것을 도시하는 흐름도이다.
도 3a는 본 개시의 일 실시예에 따른 자동 결함 분류 엔진의 셋업(setup)을 도시하는 흐름도이다.
도 3b는 본 개시의 일 실시예에 따른 결함 이미지를 자동으로 분류하는 것을 도시하는 흐름도이다.
도 4는 본 개시에 따라 사용될 수 있는 컨볼루션 심층망을 도시하는 도면이다.
도 5a는 본 개시에 따라 심층 신경망에서의 학습의 순방향 추론 부분을 도시하는 도면이다.
도 5b는 도 5a의 실시예에서 학습의 역방향 학습 부분을 도시하는 도면이다.
도 6은 본 개시에 따라 심층 학습 구조에 추가의 특징들을 주입하는 것을 도시하는 도면이다.
도 7은 본 개시에 따라 기계 학습된 특징들을 중앙 집중 데이터베이스에 전달하는 것을 도시하는 도면이다.
도 8은 본 개시의 일 실시예에 따른 방법을 도시한다.
도 9는 본 개시의 다른 실시예에 따른 방법을 도시한다.
도 10은 본 개시의 다른 실시예에 따른 시스템의 도면이다.
본 개시의 시스템 및 방법은, 자동화된 결함 분류(automated defect classification; ADC) 시스템에서 트레이닝/셋업 단계를 제거하는 새로운 방식을 설명한다. 새로운 방식은 많은 양의 결함 이미지와 기계 학습 결함 분류 시스템을 구축하기 위한 시간을 필요로 하지만, 일단 학습이 달성되고 라이브러리가 준비되면, 셋업 중에 발생하는 영향을 상쇄시키도록 영향력을 미칠 수 있다. 보통, 툴이 고객에게 배송되기 전에, 수락 프로세스 동안 많은 이미지들이 수집된다. 이러한 이미지들은 학습 프로세스에 사용될 수 있다. 일단 새로운 ADC 방식이 배치되면, 새로운 ADC 방식은 인간의 개입 없이 결함 클래스 코드를 즉시 생성할 수 있다. 생산성 영향이 상당하다.
예를 들어, 현재 개시된 시스템 및 방법을 사용하면, 오퍼레이터로부터의 샘플링 및 검증이 필요 없기 때문에, 인력을 절약할 수 있다. 어떠한 분류기 셋업 프로세스도 요구되지 않고, 램프 시간도 향상된다. 오퍼레이터에 의해 발행되는 불일치 및 변화가 제거된다. 또한, 프로세스 결함 문제의 보다 빠른 식별은, 보다 높은 전체 수율로 이어진다.
현재 개시된 시스템 및 방법은 또한, 새로운 방식이 현재 실행에서와 같이 결함 이미지 및 기준 이미지보다는 오직 결함 이미지만을 필요로 하기 때문에, 적어도 두 배만큼 처리량을 향상시킬 수 있다. 또한, 개시된 시스템 및 방법은 인간 이미지 프로세싱 전문가에 의해 인식되지 않은 특징들을 자동으로 발견할 수 있다. 새로운 특징들은 분류 정확도를 크게 향상시키는 데 도움을 줄 수 있다. 이러한 특징들은 결함 이미지에 대한 더 많은 통찰력을 얻고 결함의 잠재적인 근본 원인을 얻기 위해 특정 분야의 전문가에 의해 재검토될 수 있다.
본 개시는 "심층 학습"(예를 들어, 도 8 참조)을 사용하여, 즉 심층 아키텍처 신경망을 사용하여 반도체 프로세스에서의 결함 분류를 위한 방법(100)으로서 구현될 수 있다. 신경망 기술에 뿌리를 두고 있는 "심층 학습"은 일반적으로 심층 아키텍처로서 알려진 많은 신경 층들을 가진 확률 그래프 모델이다. "심층 학습" 기술은 이미지, 텍스트, 음성 등과 같은 정보를 계층적 방식으로 프로세싱한다. 본 개시의 심층 학습을 사용함에 있어서, 특징 추출은 데이터로부터 학습을 사용하여 자동으로 달성된다. 이것은 이미지들의 세트에 대한 전문가의 이해를 기반으로 하여 특징들을 추출하는 이전의 방식에 비해 유리하다. 방법(100)은 반도체 프로세스로부터 웨이퍼의 결함 이미지로부터 하나 이상의 특징들을 추출하는 단계(103)를 포함한다. 결함 이미지는 전체 웨이퍼의 이미지 또는 웨이퍼의 일부, 예를 들어, 결함이 의심되거나 발견된 웨이퍼의 일부의 이미지일 수 있다. 결함 이미지는 복수의 픽셀을 포함하고, 본 방법(100)은 픽셀 값의 레벨에서 사용하기에 적합하다. 결함은 하나 이상의 추출된 특징들을 기반으로 하는 심층 아키텍처 신경망을 사용하여 분류된다(106).
심층 신뢰망(Deep Belief Networks; DBN), 제한적 볼츠만 기계(Restricted Boltzmann Machines; RBM), 및 자동 인코더(Auto-Encoder)를 포함하지만 이에 제한되지 않는 확률 사양 및 네트워크 아키텍처에 따라 심층 아키텍처를 사용하는 다양한 신경망이 있다. 또 다른 타입의 심층 신경망인 컨볼루션 심경망(convolutional neural network; CNN)은 이미지 분류에 적합하다. 다른 심층 학습 신경망이 사용될 수 있지만, 본 개시의 예시적인 실시예는 컨볼루션 신경망의 개념을 도시하기 위해 LeNet-5 아키텍처를 사용하여 설명된다. 실제 구현은 이미지 크기, 사용 가능한 이미지 수, 및 문제의 성격에 따라 달라질 수 있다. 예를 들어, 32*32 크기의 광학 결함 이미지의 경우, 두 개의 컨볼루션 층들을 갖는 저용량 신경망 모델(예컨대, LeNet)이 적합할 수 있지만, 480*480 픽셀 크기의 주사 전자 현미경(scanning electron microscope; SEM) 이미지의 경우, 예를 들어 일곱 개의 컨볼루션 층들을 갖는 고용량 모델(예컨대, AlexNet)이 더 적합할 수 있다.
예시적인 실시예에서, 특징들은 CNN을 사용하여 결함 이미지로부터 추출된다(103). CNN은 하나 이상의 컨볼루션 층들을 갖고, 각각의 컨볼루션 층은 일반적으로 서브 샘플링 층이 뒤따른다. 컨볼루션 신경망은 시각 시스템 구조에 의해 고무된다. 시각 피질은 복잡한 세포 배열을 포함한다. 이러한 세포들은 수용 필드라고 불리는 시야의 작은 서브 영역에 민감하다. 도 4에 도시된 바와 같이, 입력의 작은 영역은 다음 층의 뉴런에 의해 프로세싱된다. 이러한 작은 영역은 전체 입력 이미지를 커버하기 위해 타일식으로 구성된다.
도 1에 도시된 바와 같이, 계층적 확률 그래프의 컨볼루션 층 내의 각각의 노드는 선행 층의 노드들로부터의 입력들의 선형 조합을 취하고, 출력을 생성하고 이를 다음 층의 노드들에 전달하기 위해서 비선형성을 적용한다(112). 시각 피질의 메커니즘을 에뮬레이션하기 위해, 컨볼루션 신경망은 먼저 특징 맵을 생성하기 위해 작은 필터로 입력 이미지를 컨볼빙한다(109)(특징 맵 상의 각각의 픽셀은 수용 필드에 대응하는 뉴런이다). 특징 맵의 각각의 맵 유닛이 동일한 필터를 사용하여 생성된다. 일부 실시예들에서, 다수의 필터들이 사용될 수 있고, 대응하는 수의 특징 맵들이 생성될 수 있다. 서브 샘플링 층은 특징 맵의 크기를 줄이고 소량의 시프트 불변성을 얻기 위해 선행 층의 작은 창에 대한 최대 또는 평균을 계산한다(115). 컨볼루션과 서브 샘플링 간의 교대는 여러 번 반복될 수 있다. 최종 층은 완전히 연결된 종래의 신경망이다. 아래에서부터 위로, 입력 픽셀 값은 최종 대상 개념에서 대상의 부분들로 그리고 나서 로컬 에지 패턴들로 추상화되었다.
도 5a 및 도 5b는 심층 구조를 갖는 신경망이 데이터로부터 학습하는 방법에 대한 간략한된 예시이다. 각 학습 시기는 순방향 추론(도 5a)과 역방향 학습(도 5b)을 포함한다. 입력 데이터, 및 입력 층과 층 1 상의 노드들을 연결하는 가중치가 주어지면, 층 1의 노드 값이 계산될 수 있다. 예측된 결과 h(g(f(X)))가 생성될 때까지, 층 1과 층 2를 연결하는 가중치는 층 2의 노드 값을 계산하기 위해 사용되고, 층 3도 이런 식으로 계산된다. 이것으로 순방향 추론 프로세스를 완료된다. 역방향 학습 동안에, 먼저 예측 값과 실제 관측치 L(h(g(f(x)),o))를 비교함으로써 손실이 계산된다. 그런 다음, 기울기(gradient)가 계산되어 학습 손실을 줄이기 위해 모든 가중치를 업데이트한다. 연쇄 법칙 덕분에, 선행 레벨에 대하여 노드의 기울기를 계산하기에 충분하다. 그러므로, 전체 기울기 하강(gradient descent) 프로세스는 하향식으로 수행될 수 있다. 미니배치(Minibatch), 조기 정지(early stop), 극한 가중치 상의 정규화, 및 적응적 학습률과 같은 고급의 최적화 기술이 안정적이고 준글로벌 최적 솔루션을 발견하는 데 도움을 주기 위해 사용될 수 있다.
상술한 바와 같이, 컨볼루션 신경망이 예시적인 심층 학습 시스템의 아키텍처를 도시하기 위해 본 명세서에서 사용되었지만, 본 개시는 CNN에 한정되지 않는다. 심층 아키텍처의 다른 변형예가 실시예들에서 사용될 수 있다. 예를 들어, Auto-Encoders, DBN 및 RBM을 사용하여 분류되어 있지 않은 이미지들로부터 유용한 특징들을 발견할 수 있다. 본 개시의 시스템 및 방법은 결함을 분류하기 위해 기준 이미지를 필요로 하지 않는다. 일단 웨이퍼 결함 검사 시스템이 결함의 정확한 위치를 찾아내면, 심층 학습을 사용하는 결함 분류 시스템은 기준 이미지를 잡을 필요가 없다. 이것은 더 높은 처리량, 예를 들어, 처리량의 2배 향상으로 이어진다.
도 2에 도시된 본 개시의 다른 실시예에서, 결함 분류를 위한 방법(200)이 제공된다(도 9 참조). 하나 이상의 결함 이미지들이 획득된다(203). 결함 이미지들은 웨이퍼의 일부분의 이미지일 수 있고, 결함 영역들은 격리된다. 결함 영역들은 결함 이미지와 기준 이미지를 비교함으로써 결정될 수 있다. 방법(200)은 각각의 픽셀에서 로컬 디스크립터를 추출하는 단계(206)를 포함한다. 픽셀의 로컬 디스크립터는 해당 픽셀 주변의 특정 패턴들을 정의한다. 예시적인 로컬 디스크립터는 기울기 방향성 히스토그램(histograms of oriented gradients; HOG), 로컬 바이너리 패턴(local binary patterns; LBP), 및 DAISY와 같은 고밀도 디스크립터를 포함한다. 기계 학습 알고리즘이 로컬 디스크립터의 조합을 발견하기 위해 적용되어 상위 레벨 특징을 생성한다(209). 주성분 분석(Principle Component Analysis; PCA)은 선형 회전 특징 공간에서 특징의 비유사성을 최대화하기 때문에 이 작업에 적합한 기계 학습 알고리즘 중 하나이다. 그런 다음, 단계 209에서 생성된 특징들이 사용되어 결함 이미지들을 올바른 카테고리로 분류한다(212).
본 개시의 실시예에서, 방법(200)을 사용하여 로컬 디스크립터들로부터 학습된 특징들이 학습 프로세스를 가속화하고 및/또는 학습 프로세스에서 사용되는 결함 이미지들의 수를 보충하기 위해 심층 학습 방법(100)에 주입(inject)될 수 있다. 유사하게, (예를 들어, 특정 분야의 전문가에 의해) 수동으로 식별된 상위 레벨 특징들이 심층 학습 방법(100)에 주입될 수 있다. 이러한 아이디어를 설명하는 좋은 비유가 언어를 배우는 것이다. 아기는 모국어를 자연스럽고, 점차적으로, 천천히, 효과적으로 배울 수 있다. 그러나, 약간의 발음과 문법 규칙을 가르치면, 비교적 효과가 덜할지라도, 적은 연습으로 언어를 더 빨리 학습할 수 있다.
도 6에 도시된 이러한 일 구현예에서, 상기 방법(200)에서 설명된 방식을 사용하여 얻어진 선택적 특징들이 층 1에 추가되고, 특정 분야의 전문가로부터 획득 된 상위 레벨 특징들이 시스템의 상위 층들에 추가된다. 심층 학습 방법(100)에 의해 학습된 "층 1" 특징들은 일반적으로 방법(200)에서 식별된 로컬 디스크립터들로부터 학습된 특징들과 호환 가능한 에지 특성이다. 특징 주입은 시스템이 기존 신경망에 의해 잘 이해되지 않는 비교적 새로운 타입의 결함을 프로세싱할 때 매우 유용하다.
본 개시의 시스템 및 방법은 기계 학습된 특징들을 기존의 특징 라이브러리에 전달할 수 있다. 라이브러리에는 수동으로 선택된 특징들이 포함될 수 있다. 예를 들어, 도 7의 층 2에서 학습된 특징 V는, 결함을 분류하기 위해 통계적으로 중요한 능력을 갖는 것으로 발견되었다. 입력으로부터 이 기계 학습된 특징의 도출은, 함수 v=f(x1, x2, x3)를 사용하여 검사된다. 모든 관련 입력 및 계산이 특징에 캡슐화되며, 새로운 특징은 기존 라이브러리에 전달된다. 새로운 기계 학습된 특징들은 종래의 이미지 프로세싱 방식으로는 표현하기 어려운 이미지 특성을 발견하는 데 매우 유용하다. 신경망으로부터 추출된 새로운 특징들은 또한 결함 분류 이외의 목적으로도 사용될 수 있다.
일 실시예에서, 특징들을 도출하기 위한 시스템(50)은 특징 라이브러리(62)가 저장되는 전자 저장 디바이스(60)를 포함한다(도 10 참조). 심층 아키텍처 신경망(70)은 저장 디바이스(60)와 전자 통신한다. 신경망(70)은 하나 이상의 결함 이미지들로부터 특징을 도출하도록 구성되며, 이 특징은 결함 이미지들의 결함을 분류하기 위해 통계적으로 중요하다. 이 특징은, 특징을 결정하기 위해 사용되는 계산 세트와 함께 캡슐화된다. 캡슐화된 특징은 저장 디바이스(60)의 특징 라이브러리(62)에 추가된다.
도 3a에 도시된 본 개시의 다른 양태에서, 배치 부지(deployment premises) 내의 다수의 툴들로부터 결함 이미지들을 수집하기 위한 중앙 집중 시스템이 제공된다. 상이한 반도체 디바이스 층에 걸친 검사 결과에서의 결함 이미지들은 중앙 집중 서버에 함께 풀링(pool)된다. 상이한 디바이스들로부터의 이미지들은 결함 유사성을 기반으로 하여 함께 풀링될 수 있다. 이러한 풀링은 결함들의 공통 패턴을 식별하고 다양한 타입의 결함들 중에서 사소한 배경에 대한 차이를 억제시키기 위해 심층 학습 신경망의 능력(ability)을 강화한다. 칩 제조업체는 통상적으로 검사 이미지들에 도시된 결함 모습에 기반을 두는 것이 아니라, 결함의 원인에 기반을 두고 결함을 분류한다. 예를 들어, 입자 및 잔류물 모두가 선행 층의 불완전한 프로세스의 결과로 들어 오기 때문에, 입자 및 일부 잔류물을 갖는 두 개의 결함들은 각각 단순히 "선행 층으로부터의 영향"과 같은 동일한 카테고리로 분류될 수 있다. 시스템은 제조자 정의 클래스 코드를 프로세스 및 디바이스 컨텍스트 정보에 따라 인간 지각에 기반을 둔 클래스 코드의 테이블에 매핑하기 위한 컴포넌트를 포함할 수 있다. 그런 다음, 내부 클래스 코드를 갖는 결함 이미지들은 심층 학습 엔진에 의해 프로세싱될 수 있다.
본 개시의 시스템 및 방법은 계산 속도를 최적화할 수 있다. 심층 학습 모델을 구축하는 것은, 계산적으로 매우 비싸다. 예를 들어, 심층 학습의 주요 반복적인 단계는 2차원 컨볼루션이며, 이는 m*n 필터로 M*N 특징 맵을 컨볼빙하는 것이다. 계산의 복잡성은 O(MNmn)이며, 이는 계산적으로 매우 비싸다. 대용량 병렬 아키텍처가 이러한 문제를 해결하기 위해 사용되는 기술들 중 하나이다. 비교적 적은 수의 프로세싱 코어를 가진 중앙 처리 장치(central processing unit; CPU)와 비교하면, 그래픽 처리 장치(graphics processing unit; GPU)는 통상적으로 동시에 요소별(element-wise) 계산을 효율적으로 수행하기 위해 사용될 수 있는 수천 개의 작은 프로세싱 코어를 포함한다. 또 다른 방식에서, 다른 독점적인 고성능 아키텍처에 영향을 주기 위해 하위 레벨 소프트웨어가 구현될 수 있다. 예를 들어, IBM Netezza System은 수백 개의 FPGA와 CPU를 결합하여 고성능 계산을 산출한다. 이러한 고성능 아키텍처를 사용하여, 심층 학습 신경망은 GPU에서 반복적인 기본 매트릭스 동작을 실행하고 CPU에서 보다 복잡한 작업 및 IO 동작을 실행하도록 구성될 수 있다.
본 개시의 시스템 및 방법은 이미지 지터(image jitter)를 생성할 수 있다. 심층 학습 알고리즘에서 분류 정확도를 향상시키는 한 가지 방법은, 이미지 지터, 즉 일부 픽셀을 가까운 이웃으로부터의 랜덤 픽셀로 의도적으로 대체하는 것이다. 다수의 층들을 사용하는 그래프 모델은 복잡하고, 데이터가 과다 적합(overfit)되는 경향이 있고, 데이터의 작은 변화에 민감하다. 이미지 지터는 심층 학습 알고리즘을 보다 견고하고 안정하게 만든다. 예를 들어, 각각의 결함에 대해, 테스트 툴은 상이한 시각으로 전자 빔에 의해 촬영된 다수의 결함 이미지들을 보유할 수 있다. 동일한 결함에 대한 모든 결함 이미지들은 심층 학습 알고리즘에 전달되어 자연스럽게 이미지 지터를 생성한다.
본 개시가 하나 이상의 특정 실시예들에 관하여 설명되었지만, 본 개시의 사상 및 범위를 벗어나지 않고 본 개시의 다른 실시예들이 이루어질 수 있음을 이해할 것이다. 따라서, 본 개시는 첨부된 청구 범위 및 그것의 합리적인 해석에 의해서만 제한되는 것으로 간주된다.
Claims (19)
- 반도체 프로세스에서의 결함 분류를 위한 시스템에 있어서,
상기 반도체 프로세스로부터 웨이퍼의 결함 이미지를 수신하도록 구성된 통신 라인; 및
상기 통신 라인과 전자 통신하는 심층 아키텍처 신경망(deep architecture neural network)
을 포함하고, 상기 심층 아키텍처 신경망은,
뉴런들의 제 1 컨볼루션 층(convolution layer)으로서, 각각의 뉴런은, 제 1 특징 맵(feature map)을 생성하기 위해 상기 결함 이미지로부터의 픽셀들의 대응하는 수용 필드를 필터로 컨볼빙(convolving)하도록 구성되는 것인, 상기 제 1 컨볼루션 층;
상기 제 1 특징 맵의 크기 및 변화를 감소시키도록 구성된 제 1 서브 샘플링 층; 및
상기 제 1 특징 맵을 기반으로 하여 결함 분류를 결정하기 위한 분류기
를 포함하는 것인, 반도체 프로세스에서의 결함 분류를 위한 시스템. - 반도체 프로세스에서의 결함 분류를 위한 방법에 있어서,
심층 아키텍처 신경망을 사용하여, 상기 반도체 프로세스로부터 웨이퍼의 결함 이미지로부터 하나 이상의 특징들을 추출하는 단계; 및
상기 심층 아키텍처 신경망을 사용하여, 상기 추출된 하나 이상의 특징들을 기반으로 하여 상기 결함 이미지를 분류하는 단계
를 포함하는 반도체 프로세스에서의 결함 분류를 위한 방법. - 제 2 항에 있어서, 상기 하나 이상의 특징들은 하나 이상의 컨볼루션 층들을 갖는 컨볼루션 신경망(convolutional neural network; CNN)을 사용하여 상기 결함 이미지로부터 추출되고, 상기 하나 이상의 컨볼루션 층들의 각각의 컨볼루션 층에는 서브 샘플링 층이 뒤따르는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 3 항에 있어서, 상기 하나 이상의 특징들을 추출하는 단계는, 상기 CNN의 제 1 컨볼루선 층에서, 복수의 맵 유닛들을 갖는 제 1 특징 맵을 생성하기 위해 복수의 중복된(overlapping) 수용 필드들 각각을 필터로 컨볼빙하는 단계를 더 포함하고,
각각의 수용 필드는 상기 결함 이미지의 픽셀들의 서브 세트를 포함하는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법. - 제 4 항에 있어서, 상기 하나 이상의 특징들을 추출하는 단계는, 상기 제 1 특징 맵의 맵 유닛들에 비선형성(nonlinearity)을 적용하는 단계를 더 포함하는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 4 항에 있어서, 상기 하나 이상의 특징들을 추출하는 단계는, 상기 CNN의 제 1 서브 샘플링 층에서, 상기 제 1 특징 맵의 두 개 이상의 맵 유닛들을 서브 샘플링 특징 맵의 유닛으로 결합하는 단계를 더 포함하는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 6 항에 있어서, 상기 제 1 특징 맵의 유닛의 크기는, 맵 유닛들의 값을 평균화하거나, 맵 유닛들의 최대 값을 찾거나, 또는 맵 유닛들을 추가함으로써 감소되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 7 항에 있어서, 상기 CNN의 각각의 후속 컨볼루션 층에서, 선행 층의 특징 맵의 맵 유닛들의 서브 세트가 필터로 컨볼빙되어 대응하는 특징 맵을 생성하는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 8 항에 있어서, 상기 결함 이미지는 상기 CNN의 완전히 연결된 층을 사용하여 분류되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 2 항에 있어서,
상기 CNN의 각각의 컨볼루션 층의 필터들을 개선(refine)하기 위해 역 전파(back propagation)를 사용하여 상기 CNN을 트레이닝하는 단계를 포함하는 반도체 프로세스에서의 결함 분류를 위한 방법. - 제 2 항에 있어서,
상기 CNN의 하나 이상의 컨볼루션 층들에서, 하나 이상의 특징들을 주입(inject)하는 단계를 포함하는 반도체 프로세스에서의 결함 분류를 위한 방법. - 제 11 항에 있어서, 상기 주입된 특징들은,
프로세서를 사용하여, 복수의 결함 이미지들 각각의 각 픽셀에서 복수의 로컬 디스크립터(local descriptor)들을 추출하고;
상기 프로세서를 사용하여, 상기 추출된 로컬 디스크립터들을 기반으로 하여 하나 이상의 특징들을 생성함으로써
결정되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법. - 제 12 항에 있어서, 상기 복수의 로컬 디스크립터들은, 기울기 히스토그램(histogram of gradients; HOG), 로컬 바이너리 패턴(local binary pattern) 및 DAISY 디스크립터 중 하나 이상을 포함하는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 13 항에 있어서, 하나 이상의 상위 레벨 특징들은 주성분 분석(Principle Component Analysis; PCA)에 의해 생성되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 2 항에 있어서, 상기 결함 이미지는 자동 인코더(auto-encoder), 심층 신뢰망(Deep Belief Network; DBN), 또는 제한적 볼츠만 기계(Restricted Boltzmann Machine; RBM)를 사용하여 프로세싱되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 2 항에 있어서, 상기 하나 이상의 결함 이미지들은 중앙 집중 데이터 서버에 저장되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 16 항에 있어서, 고객 정의(customer-defined) 결함 클래스 코드는 상기 하나 이상의 결함 이미지들을 기반으로 하여 생성되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 제 17 항에 있어서, 상기 결함 이미지들은 상기 고객 정의 결함 클래스 코드를 기반으로 하여 분류되는 것인, 반도체 프로세스에서의 결함 분류를 위한 방법.
- 특징들을 도출하기 위한 시스템에 있어서,
전자 저장 디바이스;
상기 저장 디바이스에 저장된 특징 라이브러리; 및
상기 저장 디바이스와 전자 통신하는 심층 아키텍처 신경망
을 포함하고, 상기 신경망은,
하나 이상의 결함 이미지들로부터 특징 - 상기 특징은 상기 결함 이미지들의 결함을 분류하기 위해 통계적으로 중요함 - 을 도출하고,
상기 특징을 결정하기 위해 사용되는 계산 세트와 함께 상기 특징을 캡슐화하며,
상기 캡슐화된 특징을 상기 저장 디바이스의 특징 라이브러리에 추가하도록 구성되는 것인, 특징들을 도출하기 위한 시스템.
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462087180P | 2014-12-03 | 2014-12-03 | |
US62/087,180 | 2014-12-03 | ||
US201562174288P | 2015-06-11 | 2015-06-11 | |
US62/174,288 | 2015-06-11 | ||
US14/956,326 US10650508B2 (en) | 2014-12-03 | 2015-12-01 | Automatic defect classification without sampling and feature selection |
US14/956,326 | 2015-12-01 | ||
PCT/US2015/063527 WO2016090044A1 (en) | 2014-12-03 | 2015-12-02 | Automatic defect classification without sampling and feature selection |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20170091716A true KR20170091716A (ko) | 2017-08-09 |
KR102329152B1 KR102329152B1 (ko) | 2021-11-18 |
Family
ID=56092414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020177018319A KR102329152B1 (ko) | 2014-12-03 | 2015-12-02 | 샘플링 및 특징 선택 없는 자동 결함 분류 |
Country Status (7)
Country | Link |
---|---|
US (1) | US10650508B2 (ko) |
JP (1) | JP6632623B2 (ko) |
KR (1) | KR102329152B1 (ko) |
CN (1) | CN107408209B (ko) |
IL (1) | IL252147A0 (ko) |
SG (1) | SG11201704384TA (ko) |
WO (1) | WO2016090044A1 (ko) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190020994A (ko) * | 2017-08-22 | 2019-03-05 | 삼성전자주식회사 | 웨이퍼 검사 방법, 및 이를 이용한 반도체 장치 제조 방법 |
KR101960900B1 (ko) * | 2018-10-12 | 2019-03-21 | 주식회사 에스피씨네트웍스 | 제품 식별 방법 |
KR20190081708A (ko) * | 2017-12-29 | 2019-07-09 | 주식회사 비스텔 | 뉴럴 네트워크 모델 기반의 웨이퍼 불량 패턴 인식 방법 및 이를 위한 컴퓨터 프로그램 |
KR20190143192A (ko) * | 2018-06-20 | 2019-12-30 | 에임시스템 주식회사 | 기계 학습 기반의 자동 결함 분류 방법 |
US10713778B2 (en) | 2017-12-19 | 2020-07-14 | Samsung Electronics Co., Ltd. | Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system |
US10937141B2 (en) | 2017-10-13 | 2021-03-02 | Sualab Co., Ltd. | Deep learning based image comparison device, method and computer program stored in computer readable medium |
WO2021061499A1 (en) * | 2019-09-24 | 2021-04-01 | Kla Corporation | Unsupervised learning-based reference selection for enhanced defect inspection sensitivity |
KR20210155191A (ko) * | 2020-06-15 | 2021-12-22 | 한국생산기술연구원 | 검사 대상의 결함 검사를 고속으로 수행하는 방법 및 이를 수행하는 장치들 |
US11347962B2 (en) | 2018-07-17 | 2022-05-31 | Samsung Electronics Co., Ltd. | Electronic apparatus, method for processing image and computer-readable recording medium |
Families Citing this family (120)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10339667B2 (en) * | 2015-05-15 | 2019-07-02 | Motion Metrics International Corp | Method and apparatus for locating a wear part in an image of an operating implement |
CN106296638A (zh) * | 2015-06-04 | 2017-01-04 | 欧姆龙株式会社 | 显著性信息取得装置以及显著性信息取得方法 |
US11074492B2 (en) * | 2015-10-07 | 2021-07-27 | Altera Corporation | Method and apparatus for performing different types of convolution operations with the same processing elements |
US20180220589A1 (en) * | 2015-11-03 | 2018-08-09 | Keith Charles Burden | Automated pruning or harvesting system for complex morphology foliage |
US10186026B2 (en) * | 2015-11-17 | 2019-01-22 | Kla-Tencor Corp. | Single image detection |
KR102566134B1 (ko) * | 2015-12-07 | 2023-08-10 | 삼성전자주식회사 | 반도체 소자의 3d 프로파일링 시스템 및 이의 동작 방법 |
US11205119B2 (en) * | 2015-12-22 | 2021-12-21 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
US10360477B2 (en) * | 2016-01-11 | 2019-07-23 | Kla-Tencor Corp. | Accelerating semiconductor-related computations using learning based models |
BR112018072348A8 (pt) * | 2016-05-04 | 2023-04-04 | Koninklijke Philips Nv | Sistema para possibilitar o registro de atlas no imageamento médico, estação de trabalho, mídia legível por computador, e método para possibilitar o registro de atlas no imageamento médico |
KR102195029B1 (ko) * | 2016-05-24 | 2020-12-28 | 주식회사 히타치하이테크 | 결함 분류 장치 및 결함 분류 방법 |
US10395356B2 (en) * | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
US10346740B2 (en) * | 2016-06-01 | 2019-07-09 | Kla-Tencor Corp. | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
KR101711073B1 (ko) * | 2016-07-25 | 2017-02-28 | (주)제이엘케이인스펙션 | 딥 러닝 알고리즘을 적용한 플렉서블 터치스크린 패널 미세 크랙 검출 장치 및 방법 |
WO2018038123A1 (ja) * | 2016-08-22 | 2018-03-01 | キユーピー株式会社 | 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 |
US12033089B2 (en) * | 2016-09-16 | 2024-07-09 | Siemens Aktiengesellschaft | Deep convolutional factor analyzer |
WO2018067603A1 (en) * | 2016-10-04 | 2018-04-12 | Magic Leap, Inc. | Efficient data layouts for convolutional neural networks |
US10204290B2 (en) * | 2016-10-14 | 2019-02-12 | Kla-Tencor Corporation | Defect review sampling and normalization based on defect and design attributes |
JP6549546B2 (ja) * | 2016-10-18 | 2019-07-24 | 北海道瓦斯株式会社 | 融雪制御装置、ニューラルネットワークの学習方法、融雪制御方法及び融雪制御用プログラム |
GB2555136A (en) * | 2016-10-21 | 2018-04-25 | Nokia Technologies Oy | A method for analysing media content |
US11308350B2 (en) * | 2016-11-07 | 2022-04-19 | Qualcomm Incorporated | Deep cross-correlation learning for object tracking |
TWI608369B (zh) * | 2016-11-23 | 2017-12-11 | 財團法人工業技術研究院 | 分類方法、分類模組及電腦程式產品 |
KR101802096B1 (ko) * | 2016-11-30 | 2017-11-27 | 연세대학교 산학협력단 | 반도체 공정에서 불량을 분류 및 진단하는 장치 및 방법 |
US10402688B2 (en) * | 2016-12-07 | 2019-09-03 | Kla-Tencor Corporation | Data augmentation for convolutional neural network-based defect inspection |
US11157828B2 (en) * | 2016-12-08 | 2021-10-26 | Microsoft Technology Licensing, Llc | Tomography and generative data modeling via quantum boltzmann training |
EP3563305A4 (en) * | 2016-12-30 | 2020-08-05 | Nokia Technologies Oy | ARTIFICIAL NEURAL NETWORK |
US11237119B2 (en) * | 2017-01-10 | 2022-02-01 | Kla-Tencor Corporation | Diagnostic methods for the classifiers and the defects captured by optical tools |
EP3532991A1 (en) * | 2017-02-17 | 2019-09-04 | Omron Corporation | Evaluating quality of a product such as a semiconductor substrate |
CN106841216A (zh) * | 2017-02-28 | 2017-06-13 | 浙江工业大学 | 基于全景图像cnn的隧道病害自动识别装置 |
JP6834602B2 (ja) | 2017-03-03 | 2021-02-24 | 富士通株式会社 | データ生成方法、データ生成装置及びデータ生成プログラム |
JP6844327B2 (ja) | 2017-03-03 | 2021-03-17 | 富士通株式会社 | データ生成方法、データ生成装置及びデータ生成プログラム |
US11164071B2 (en) * | 2017-04-18 | 2021-11-02 | Samsung Electronics Co., Ltd. | Method and apparatus for reducing computational complexity of convolutional neural networks |
WO2018192662A1 (en) * | 2017-04-20 | 2018-10-25 | Hp Indigo B.V. | Defect classification in an image or printed output |
KR101818394B1 (ko) * | 2017-05-11 | 2018-01-12 | 울산대학교 산학협력단 | 설비 상태 진단 방법 및 장치 |
CN107256571A (zh) * | 2017-05-15 | 2017-10-17 | 北京理工大学 | 一种基于深度学习与自适应差分盒的分形维数估计方法 |
JP7171563B2 (ja) * | 2017-06-23 | 2022-11-15 | 株式会社半導体エネルギー研究所 | 撮像装置 |
US11275361B2 (en) * | 2017-06-30 | 2022-03-15 | Kla-Tencor Corporation | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
KR101863196B1 (ko) * | 2017-07-24 | 2018-06-01 | 한국생산기술연구원 | 딥러닝 기반 표면 결함 검출장치 및 방법 |
US10275646B2 (en) * | 2017-08-03 | 2019-04-30 | Gyrfalcon Technology Inc. | Motion recognition via a two-dimensional symbol having multiple ideograms contained therein |
FR3070084B1 (fr) * | 2017-08-10 | 2019-08-30 | Safran | Procede de controle automatique non destructif de pieces mecaniques |
CN107481231A (zh) * | 2017-08-17 | 2017-12-15 | 广东工业大学 | 一种基于深度卷积神经网络的五金件缺陷分类识别方法 |
US10607119B2 (en) * | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
TWI649659B (zh) | 2017-10-27 | 2019-02-01 | 財團法人工業技術研究院 | 自動光學檢測影像分類方法、系統及含有該方法之電腦可讀取媒體 |
CN107833210B (zh) * | 2017-10-30 | 2020-10-20 | 俊杰机械(深圳)有限公司 | 一种基于神经网络的外观检测方法和*** |
CN107886065A (zh) * | 2017-11-06 | 2018-04-06 | 哈尔滨工程大学 | 一种混合字体的数字序列识别方法 |
CN108038843A (zh) * | 2017-11-29 | 2018-05-15 | 英特尔产品(成都)有限公司 | 一种用于缺陷检测的方法、装置和设备 |
JP6992475B2 (ja) * | 2017-12-14 | 2022-01-13 | オムロン株式会社 | 情報処理装置、識別システム、設定方法及びプログラム |
CN107944505A (zh) * | 2017-12-19 | 2018-04-20 | 青岛科技大学 | 一种金属失效类型自动化判断方法 |
TWI653605B (zh) * | 2017-12-25 | 2019-03-11 | 由田新技股份有限公司 | 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 |
US10970834B2 (en) * | 2018-01-05 | 2021-04-06 | Kla-Tencor Corporation | Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance |
CN108171200B (zh) * | 2018-01-12 | 2022-05-17 | 西安电子科技大学 | 基于sar图像统计分布和dbn的sar图像分类方法 |
JP7087397B2 (ja) | 2018-01-17 | 2022-06-21 | 東京エレクトロン株式会社 | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 |
CN110111293B (zh) * | 2018-01-29 | 2021-05-11 | 国科赛思(北京)科技有限公司 | 塑封器件的失效识别方法及装置 |
CN108446214B (zh) * | 2018-01-31 | 2021-02-05 | 浙江理工大学 | 基于dbn的测试用例进化生成方法 |
CN108427958B (zh) * | 2018-02-02 | 2021-06-01 | 哈尔滨工程大学 | 基于深度学习的自适应权值卷积神经网络水下声纳图像分类方法 |
KR102549196B1 (ko) | 2018-02-07 | 2023-06-30 | 어플라이드 머티리얼즈 이스라엘 리미티드 | 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템 |
WO2019159324A1 (ja) * | 2018-02-16 | 2019-08-22 | パナソニックIpマネジメント株式会社 | 処理方法およびそれを利用した処理装置 |
US10789703B2 (en) | 2018-03-19 | 2020-09-29 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
KR102472134B1 (ko) | 2018-03-29 | 2022-11-29 | 삼성전자주식회사 | 심층학습을 기반으로 한 설비 진단 시스템 및 방법 |
CN108875904A (zh) * | 2018-04-04 | 2018-11-23 | 北京迈格威科技有限公司 | 图像处理方法、图像处理装置和计算机可读存储介质 |
CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、***、装置及可读存储介质 |
KR102666072B1 (ko) * | 2018-06-05 | 2024-05-17 | 삼성전자주식회사 | 기계 학습 장치 및 기계 학습 장치의 학습 방법 |
US11315231B2 (en) * | 2018-06-08 | 2022-04-26 | Industrial Technology Research Institute | Industrial image inspection method and system and computer readable recording medium |
CN109085174A (zh) * | 2018-07-02 | 2018-12-25 | 北京百度网讯科技有限公司 | 显示屏***电路检测方法、装置、电子设备及存储介质 |
CN112424826A (zh) * | 2018-07-13 | 2021-02-26 | Asml荷兰有限公司 | 基于机器学习的图案分组方法 |
KR102631031B1 (ko) | 2018-07-27 | 2024-01-29 | 삼성전자주식회사 | 반도체 장치의 불량 검출 방법 |
US10311149B1 (en) * | 2018-08-08 | 2019-06-04 | Gyrfalcon Technology Inc. | Natural language translation device |
CN110876062B (zh) | 2018-08-31 | 2024-07-12 | 三星电子株式会社 | 用于特征图的高速压缩处理的电子设备及其控制方法 |
US11806833B2 (en) * | 2018-08-31 | 2023-11-07 | Taiwan Semiconductor Manufacturing Co., Ltd. | Chemical mechanical planarization system and a method of using the same |
JP2020043266A (ja) * | 2018-09-12 | 2020-03-19 | 株式会社日立ハイテクノロジーズ | 半導体ウェハの欠陥観察システム及び欠陥観察方法 |
TWI691930B (zh) | 2018-09-19 | 2020-04-21 | 財團法人工業技術研究院 | 基於神經網路的分類方法及其分類裝置 |
CN109242033B (zh) * | 2018-09-21 | 2021-08-20 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
US20200104639A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multi-sensor equipment monitoring |
JP7070308B2 (ja) * | 2018-10-05 | 2022-05-18 | オムロン株式会社 | 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム |
US10801968B2 (en) * | 2018-10-26 | 2020-10-13 | Kla-Tencor Corporation | Algorithm selector based on image frames |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
KR102172361B1 (ko) * | 2018-11-30 | 2020-10-30 | 주식회사 포스코 | 불량 검출 장치 및 방법 |
KR102638267B1 (ko) * | 2018-12-03 | 2024-02-21 | 삼성전자주식회사 | 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법 |
CN109658396A (zh) * | 2018-12-06 | 2019-04-19 | 华中科技大学 | 一种基于选择性搜索与cnn的铸件x光图像缺陷识别方法 |
US11151707B2 (en) * | 2018-12-07 | 2021-10-19 | Kla Corporation | System and method for difference filter and aperture selection using shallow deep learning |
CN109754392A (zh) * | 2018-12-20 | 2019-05-14 | 上海集成电路研发中心有限公司 | 一种缺陷图像自动分析的装置及方法 |
US11379967B2 (en) * | 2019-01-18 | 2022-07-05 | Kla Corporation | Methods and systems for inspection of semiconductor structures with automatically generated defect features |
CN109919908B (zh) * | 2019-01-23 | 2020-11-10 | 华灿光电(浙江)有限公司 | 发光二极管芯片缺陷检测的方法和装置 |
CN111507362B (zh) | 2019-01-30 | 2023-12-19 | 中强光电股份有限公司 | 神经网络的训练方法、基于神经网络的分类方法及其装置 |
US11263496B2 (en) * | 2019-02-25 | 2022-03-01 | D2S, Inc. | Methods and systems to classify features in electronic designs |
US11182929B2 (en) | 2019-02-25 | 2021-11-23 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for compressing shape data for electronic designs |
CN110033443B (zh) * | 2019-04-04 | 2021-09-03 | 武汉精立电子技术有限公司 | 一种显示面板缺陷检测方法 |
KR102420104B1 (ko) * | 2019-05-16 | 2022-07-12 | 삼성전자주식회사 | 영상 처리 장치 및 그 동작방법 |
US12040355B2 (en) * | 2019-05-17 | 2024-07-16 | Wolfspeed, Inc. | Nondestructive characterization for crystalline wafers |
US11521309B2 (en) * | 2019-05-30 | 2022-12-06 | Bruker Nano, Inc. | Method and apparatus for rapid inspection of subcomponents of manufactured component |
US11568238B2 (en) * | 2019-06-28 | 2023-01-31 | Amazon Technologies, Inc. | Dynamic processing element array expansion |
WO2020121564A1 (ja) * | 2019-07-04 | 2020-06-18 | 株式会社日立ハイテク | 寸法計測装置、寸法計測プログラム及び半導体製造システム |
US11676264B2 (en) | 2019-07-26 | 2023-06-13 | Kla Corporation | System and method for determining defects using physics-based image perturbations |
CN110826588A (zh) * | 2019-08-29 | 2020-02-21 | 天津大学 | 一种基于注意力机制的排水管道缺陷检测方法 |
WO2021038815A1 (ja) * | 2019-08-30 | 2021-03-04 | 株式会社日立ハイテク | 計測システム、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法、およびコンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体 |
KR102602005B1 (ko) * | 2019-09-04 | 2023-11-15 | 주식회사 히타치하이테크 | 하전 입자선 장치 |
US11182646B2 (en) | 2019-09-27 | 2021-11-23 | Landing AI | User-generated visual guide for the classification of images |
US11087449B2 (en) * | 2019-10-24 | 2021-08-10 | KLA Corp. | Deep learning networks for nuisance filtering |
CA3156623A1 (en) * | 2019-10-30 | 2021-05-06 | Jennifer Laetitia Prendki | Automatic reduction of training sets for machine learning programs |
CN110874839A (zh) * | 2019-11-19 | 2020-03-10 | 上海华力微电子有限公司 | 晶圆图形提取方法及其提取*** |
US11205260B2 (en) | 2019-11-21 | 2021-12-21 | International Business Machines Corporation | Generating synthetic defect images for new feature combinations |
US11610102B1 (en) * | 2019-11-27 | 2023-03-21 | Amazon Technologies, Inc. | Time-based memory allocation for neural network inference |
US11164306B2 (en) | 2019-12-09 | 2021-11-02 | International Business Machines Corporation | Visualization of inspection results |
US11293981B2 (en) | 2020-01-15 | 2022-04-05 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for false-positive reduction in power electronic device evaluation |
CN111429415B (zh) * | 2020-03-18 | 2020-12-08 | 东华大学 | 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法 |
JP7427337B2 (ja) * | 2020-04-03 | 2024-02-05 | 株式会社ディスコ | ウエーハの検査方法 |
US11694319B2 (en) | 2020-04-10 | 2023-07-04 | Samsung Display Co., Ltd. | Image-based defects identification and semi-supervised localization |
JP2023523426A (ja) * | 2020-04-22 | 2023-06-05 | ピーディーエフ ソリューションズ,インコーポレイテッド | 異常ウェハ画像分類 |
KR102673791B1 (ko) * | 2020-04-29 | 2024-06-07 | 주식회사 엘지에너지솔루션 | 전지 모듈 및 이를 포함하는 전지팩 |
US11861286B2 (en) * | 2020-06-30 | 2024-01-02 | Synopsys, Inc. | Segregating defects based on computer-aided design (CAD) identifiers associated with the defects |
CN111860638B (zh) * | 2020-07-17 | 2022-06-28 | 湖南大学 | 基于不平衡数据深度信念网络的并行入侵检测方法和*** |
CN111862064B (zh) * | 2020-07-28 | 2022-08-09 | 桂林电子科技大学 | 一种基于深度学习的银质丝材表面瑕疵识别方法 |
US20220092762A1 (en) * | 2020-09-24 | 2022-03-24 | Leapmind Inc. | Operation program, operation method, and operation device |
CN114648480A (zh) * | 2020-12-17 | 2022-06-21 | 杭州海康威视数字技术股份有限公司 | 表面缺陷检测方法、装置及*** |
JP7443268B2 (ja) | 2021-01-05 | 2024-03-05 | 株式会社ニューフレアテクノロジー | 欠陥検査方法 |
WO2022154783A1 (en) * | 2021-01-13 | 2022-07-21 | Hewlett-Packard Development Company, L.P. | Output resolution selections |
CN112580617B (zh) * | 2021-03-01 | 2021-06-18 | 中国科学院自动化研究所 | 自然场景下的表情识别方法和装置 |
JP2022168944A (ja) * | 2021-04-27 | 2022-11-09 | 株式会社日立ハイテク | 欠陥を検出するシステム、及びコンピュータ可読媒体 |
WO2023183842A2 (en) * | 2022-03-22 | 2023-09-28 | Georgia Tech Research Corporation | Nanomodular fabrication of integrated circuits |
JP2024021487A (ja) * | 2022-08-03 | 2024-02-16 | JDI Design and Development 合同会社 | 検査方法、検査装置及びプログラム |
US20240161270A1 (en) * | 2022-11-14 | 2024-05-16 | Kla Corporation | System and method for enhancing defect detection in optical characterization systems using a digital filter |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110228976A1 (en) * | 2010-03-19 | 2011-09-22 | Microsoft Corporation | Proxy training data for human body tracking |
JP2012149972A (ja) * | 2011-01-19 | 2012-08-09 | Hitachi High-Technologies Corp | 画像分類方法および画像分類装置 |
KR20130135962A (ko) * | 2011-04-20 | 2013-12-11 | 가부시키가이샤 히다치 하이테크놀로지즈 | 결함 분류 방법 및 결함 분류 시스템 |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3476913B2 (ja) | 1994-07-08 | 2003-12-10 | オリンパス株式会社 | 欠陥種別判定装置及びプロセス管理システム |
US6092059A (en) | 1996-12-27 | 2000-07-18 | Cognex Corporation | Automatic classifier for real time inspection and classification |
US6148099A (en) | 1997-07-03 | 2000-11-14 | Neopath, Inc. | Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification |
US6922482B1 (en) * | 1999-06-15 | 2005-07-26 | Applied Materials, Inc. | Hybrid invariant adaptive automatic defect classification |
JP2001274209A (ja) | 2000-03-28 | 2001-10-05 | Toshiba Corp | 半導体検査装置、半導体欠陥解析装置、半導体設計データ修正装置、半導体検査方法、半導体欠陥解析方法、半導体設計データ修正方法およびコンピュータ読み取り可能な記録媒体 |
EP1184725A1 (en) | 2000-09-04 | 2002-03-06 | Infineon Technologies SC300 GmbH & Co. KG | Method for adjusting a lithographic tool |
US6744266B2 (en) | 2000-10-02 | 2004-06-01 | Applied Materials, Inc. | Defect knowledge library |
US6618682B2 (en) | 2001-04-20 | 2003-09-09 | International Business Machines Corporation | Method for test optimization using historical and actual fabrication test data |
US7283659B1 (en) | 2002-01-09 | 2007-10-16 | Kla-Tencor Technologies Corporation | Apparatus and methods for searching through and analyzing defect images and wafer maps |
US20040034612A1 (en) | 2002-03-22 | 2004-02-19 | Nick Mathewson | Support vector machines for prediction and classification in supply chain management and other applications |
JP2004012422A (ja) | 2002-06-11 | 2004-01-15 | Dainippon Screen Mfg Co Ltd | パターン検査装置、パターン検査方法およびプログラム |
DE102004022717B4 (de) | 2003-07-12 | 2006-09-21 | Leica Microsystems Semiconductor Gmbh | Verfahren zum Einlernen einer wissensbasierten Datenbasis für die automatische Fehlerklassifikation |
US6988045B2 (en) | 2003-08-04 | 2006-01-17 | Advanced Micro Devices, Inc. | Dynamic metrology sampling methods, and system for performing same |
JP4413767B2 (ja) * | 2004-12-17 | 2010-02-10 | 株式会社日立ハイテクノロジーズ | パターン検査装置 |
KR101387785B1 (ko) | 2005-01-21 | 2014-04-25 | 포톤 다이나믹스, 인코포레이티드 | 자동 결함 복구 시스템 |
FR2884008A1 (fr) | 2005-03-31 | 2006-10-06 | France Telecom | Systeme et procede de localisation de points d'interet dans une image d'objet mettant en oeuvre un reseau de neurones |
EP1932116A2 (en) | 2005-08-26 | 2008-06-18 | Camtek Ltd. | Method and system for automatic defect detection of articles in visual inspection machines |
JP4908995B2 (ja) | 2006-09-27 | 2012-04-04 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及びその装置並びに欠陥検査装置 |
US7415387B2 (en) | 2006-12-19 | 2008-08-19 | Qimonda North America Corp. | Die and wafer failure classification system and method |
JP5156452B2 (ja) | 2008-03-27 | 2013-03-06 | 東京エレクトロン株式会社 | 欠陥分類方法、プログラム、コンピュータ記憶媒体及び欠陥分類装置 |
US8315453B2 (en) | 2010-07-27 | 2012-11-20 | Applied Materials Israel, Ltd. | Defect classification with optimized purity |
JP5637373B2 (ja) * | 2010-09-28 | 2014-12-10 | 株式会社Screenホールディングス | 画像の分類方法、外観検査方法および外観検査装置 |
US20130108146A1 (en) * | 2011-11-01 | 2013-05-02 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and System for Optical Inspection Using Known Acceptable Dies |
US8908957B2 (en) | 2011-12-28 | 2014-12-09 | Elitetech Technology Co.,Ltd. | Method for building rule of thumb of defect classification, and methods for classifying defect and judging killer defect based on rule of thumb and critical area analysis |
US9715723B2 (en) | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
CN103679185B (zh) * | 2012-08-31 | 2017-06-16 | 富士通株式会社 | 卷积神经网络分类器***、其训练方法、分类方法和用途 |
US8948494B2 (en) | 2012-11-12 | 2015-02-03 | Kla-Tencor Corp. | Unbiased wafer defect samples |
US9465985B2 (en) * | 2013-06-09 | 2016-10-11 | Apple Inc. | Managing real-time handwriting recognition |
CN104102919B (zh) * | 2014-07-14 | 2017-05-24 | 同济大学 | 一种有效防止卷积神经网络过拟合的图像分类方法 |
-
2015
- 2015-12-01 US US14/956,326 patent/US10650508B2/en active Active
- 2015-12-02 JP JP2017529635A patent/JP6632623B2/ja active Active
- 2015-12-02 WO PCT/US2015/063527 patent/WO2016090044A1/en active Application Filing
- 2015-12-02 CN CN201580065590.9A patent/CN107408209B/zh active Active
- 2015-12-02 SG SG11201704384TA patent/SG11201704384TA/en unknown
- 2015-12-02 KR KR1020177018319A patent/KR102329152B1/ko active IP Right Grant
-
2017
- 2017-05-07 IL IL252147A patent/IL252147A0/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110228976A1 (en) * | 2010-03-19 | 2011-09-22 | Microsoft Corporation | Proxy training data for human body tracking |
JP2012149972A (ja) * | 2011-01-19 | 2012-08-09 | Hitachi High-Technologies Corp | 画像分類方法および画像分類装置 |
KR20130135962A (ko) * | 2011-04-20 | 2013-12-11 | 가부시키가이샤 히다치 하이테크놀로지즈 | 결함 분류 방법 및 결함 분류 시스템 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190020994A (ko) * | 2017-08-22 | 2019-03-05 | 삼성전자주식회사 | 웨이퍼 검사 방법, 및 이를 이용한 반도체 장치 제조 방법 |
US10937141B2 (en) | 2017-10-13 | 2021-03-02 | Sualab Co., Ltd. | Deep learning based image comparison device, method and computer program stored in computer readable medium |
US10713778B2 (en) | 2017-12-19 | 2020-07-14 | Samsung Electronics Co., Ltd. | Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system |
KR20190081708A (ko) * | 2017-12-29 | 2019-07-09 | 주식회사 비스텔 | 뉴럴 네트워크 모델 기반의 웨이퍼 불량 패턴 인식 방법 및 이를 위한 컴퓨터 프로그램 |
KR20190143192A (ko) * | 2018-06-20 | 2019-12-30 | 에임시스템 주식회사 | 기계 학습 기반의 자동 결함 분류 방법 |
US11347962B2 (en) | 2018-07-17 | 2022-05-31 | Samsung Electronics Co., Ltd. | Electronic apparatus, method for processing image and computer-readable recording medium |
KR101960900B1 (ko) * | 2018-10-12 | 2019-03-21 | 주식회사 에스피씨네트웍스 | 제품 식별 방법 |
WO2021061499A1 (en) * | 2019-09-24 | 2021-04-01 | Kla Corporation | Unsupervised learning-based reference selection for enhanced defect inspection sensitivity |
US11120546B2 (en) | 2019-09-24 | 2021-09-14 | Kla Corporation | Unsupervised learning-based reference selection for enhanced defect inspection sensitivity |
KR20210155191A (ko) * | 2020-06-15 | 2021-12-22 | 한국생산기술연구원 | 검사 대상의 결함 검사를 고속으로 수행하는 방법 및 이를 수행하는 장치들 |
Also Published As
Publication number | Publication date |
---|---|
JP2018506168A (ja) | 2018-03-01 |
WO2016090044A1 (en) | 2016-06-09 |
US10650508B2 (en) | 2020-05-12 |
KR102329152B1 (ko) | 2021-11-18 |
CN107408209B (zh) | 2021-07-06 |
US20160163035A1 (en) | 2016-06-09 |
IL252147A0 (en) | 2017-07-31 |
CN107408209A (zh) | 2017-11-28 |
JP6632623B2 (ja) | 2020-01-22 |
SG11201704384TA (en) | 2017-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102329152B1 (ko) | 샘플링 및 특징 선택 없는 자동 결함 분류 | |
US11144787B2 (en) | Object location method, device and storage medium based on image segmentation | |
CN105844283B (zh) | 用于识别图像类目归属的方法、图像搜索方法及装置 | |
WO2001022270A2 (en) | Method for indexing and retrieving manufacturing-specific digital imagery based on image content | |
CN111967527B (zh) | 一种基于人工智能牡丹品种识别方法及识别*** | |
JP6641195B2 (ja) | 最適化方法、最適化装置、プログラムおよび画像処理装置 | |
CN109886295A (zh) | 一种基于神经网络的蝴蝶识别方法及相关设备 | |
TWI791930B (zh) | 用於分類半導體樣本中的缺陷的系統、方法及電腦可讀取媒體 | |
JP2018195231A (ja) | 学習モデル作成装置、該方法および該プログラム | |
US20230044794A1 (en) | Neural network training device, system and method | |
TW202347396A (zh) | 用於晶圓之成像資料集中異常之偵測與分類的電腦實施方法以及使用此方法的系統 | |
Taslim et al. | Plant leaf identification system using convolutional neural network | |
Sari et al. | Fruit classification quality using convolutional neural network and augmented reality | |
Salem et al. | Impact of transfer learning compared to convolutional neural networks on fruit detection | |
US20230029163A1 (en) | Wafer map analysis system using neural network and method of analyzing wafer map using the same | |
CN114067314B (zh) | 一种基于神经网络的花生霉变识别方法及*** | |
CN113096079B (zh) | 图像分析***及其构建方法 | |
JP7206892B2 (ja) | 画像検査装置、画像検査のための学習方法および画像検査プログラム | |
Atique et al. | Identification of plant species through leaf vein morphometric and deep learning | |
CN117392440B (zh) | 一种基于组织结构及颜色分类的纺织面料检索方法和*** | |
Monteiro et al. | Deep learning recognition of a large number of pollen grain types | |
CN112733883B (zh) | 一种点监督的目标检测方法 | |
TWI775586B (zh) | 多分支的檢測系統及多分支的檢測方法 | |
Hurtik et al. | Jewelry stones classification: Case study | |
Sharma et al. | Texture Features Retrieval using Convolutional Neural Networks for Multiclass Classification of Plant Diseases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |