KR20210021369A - Sem 이미지 향상 방법들 및 시스템들 - Google Patents
Sem 이미지 향상 방법들 및 시스템들 Download PDFInfo
- Publication number
- KR20210021369A KR20210021369A KR1020217001092A KR20217001092A KR20210021369A KR 20210021369 A KR20210021369 A KR 20210021369A KR 1020217001092 A KR1020217001092 A KR 1020217001092A KR 20217001092 A KR20217001092 A KR 20217001092A KR 20210021369 A KR20210021369 A KR 20210021369A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- sem image
- sem
- resolution
- inspection
- Prior art date
Links
- 238000001878 scanning electron micrograph Methods 0.000 title claims abstract description 245
- 238000000034 method Methods 0.000 title claims abstract description 139
- 230000002708 enhancing effect Effects 0.000 claims abstract description 9
- 238000007689 inspection Methods 0.000 claims description 178
- 238000010801 machine learning Methods 0.000 claims description 58
- 230000004044 response Effects 0.000 claims description 9
- 235000012431 wafers Nutrition 0.000 description 141
- 238000003860 storage Methods 0.000 description 60
- 238000012549 training Methods 0.000 description 52
- 238000010894 electron beam technology Methods 0.000 description 44
- 230000008569 process Effects 0.000 description 44
- 238000004626 scanning electron microscopy Methods 0.000 description 38
- 238000013461 design Methods 0.000 description 30
- 239000003623 enhancer Substances 0.000 description 29
- 238000012545 processing Methods 0.000 description 23
- 230000003287 optical effect Effects 0.000 description 18
- 230000007547 defect Effects 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 17
- 239000002245 particle Substances 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 12
- 229920002120 photoresistant polymer Polymers 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 9
- 238000012935 Averaging Methods 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012552 review Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000000206 photolithography Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 3
- 239000011651 chromium Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 230000005684 electric field Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 238000001465 metallisation Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002105 nanoparticle Substances 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000089 atomic force micrograph Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000000879 optical micrograph Methods 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/0004—Microscopes specially adapted for specific applications
- G02B21/002—Scanning microscopes
- G02B21/0024—Confocal scanning microscopes (CSOMs) or confocal "macroscopes"; Accessories which are not restricted to use with CSOMs, e.g. sample holders
- G02B21/008—Details of detection or image processing, including general computer control
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B21/00—Microscopes
- G02B21/36—Microscopes arranged for photographic purposes or projection purposes or digital imaging or video purposes including associated control and data processing arrangements
- G02B21/365—Control or image processing arrangements for digital or video microscopes
-
- G06K9/0014—
-
- G06K9/4628—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G06N3/0454—
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G06T5/002—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/22—Treatment of data
- H01J2237/221—Image processing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/22—Treatment of data
- H01J2237/221—Image processing
- H01J2237/223—Fourier techniques
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2817—Pattern inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Optics & Photonics (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
이미지 향상을 위한 시스템들 및 방법들이 개시된다. 이미지를 향상하기 위한 방법은 제 1 해상도에서 제 1 주사 전자 현미경법(SEM) 이미지를 취득하는 단계를 포함할 수 있다. 방법은 또한, 제 2 해상도에서 제 2 SEM 이미지를 취득하는 단계를 포함할 수 있다. 방법은 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 향상된 이미지를 제공하는 단계를 더 포함할 수 있다. 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공될 수 있다.
Description
관련된 출원들에 대한 상호-참조
이 출원은 2018년 7월 13일자로 출원된 미국 출원 제62/697,927호 및 2018년 12월 31일자로 출원된 미국 출원 제62/786,942호의 우선권을 주장하고, 이 미국 출원들은 그 전체적으로 참조로 본원에 편입된다.
본원에서의 설명은 이미지 향상(image enhancement)의 분야에 관한 것으로, 더 상세하게는, 주사 전자 현미경법(scanning electron microscopy; SEM) 이미지 향상에 관한 것이다.
집적 회로(integrated circuit; IC)들의 제조 프로세스들에서, 비완성된 또는 완성된 회로 컴포넌트들은 이들이 설계에 따라 제조되고 경함들이 없다는 것을 보장하기 위하여 검사된다. 광학 현미경들, 또는 주사 전자 현미경(scanning electron microscope; SEM)과 같은 하전 입자(charged particle)(예컨대, 전자) 빔 현미경들을 사용하는 검사 시스템들이 채용될 수 있다. SEM은 저 에너지 전자들(예컨대, < 1 keV)을 표면으로 전달하고, 검출기를 이용하여 표면을 떠나는 2차(secondary) 및/또는 후방산란된(backscattered) 전자들을 레코딩한다. 표면 상의 상이한 여기 포지션(excitation position)들에 대하여 이러한 전자들을 레코딩함으로써, 이미지는 대략 나노미터(nanometer)인 공간적 해상도(spatial resolution)로 생성될 수 있다.
IC 컴포넌트들의 물리적 크기들이 축소하는 것을 계속함에 따라, 결함 검출에서의 정확도 및 수율은 점점 더 중요해지고 있다. 그러나, 검사 도구들의 이미징 해상도 및 스루풋(throughput)은 IC 컴포넌트들의 지속적으로 감소하는 피처 크기(feature size)와 보조를 맞추기 위하여 분투하고 있다. 예를 들어, 1) 데이터 평균화(data averaging)의 양을 감소시키는 것, 2) 검사 픽셀 크기들을 증가시키는 것, 3) 빔 전류를 증가시키는 것, 및 4) 검사를 수행하기 위하여 다수의 빔들을 이용하는 것을 포함하는, 스루풋을 증가시키기 위하여 이용될 수 있는 몇몇 기법들이 있다. 그러나, 이 기법들이 이용될 때에 이미지 품질들이 불가피하게 열화된다는 것이 주목된다. 구체적으로, 데이터 평균화의 양을 감소시키는 것 또는 검사 픽셀 크기들을 증가시키는 것과 같은 기법들을 이용하는 것은 샘플링(sampling)의 양을 감소시킬 것이고, 이것은 궁극적으로 이미지 품질을 감소시킨다는 것이 주목된다. 빔 전류를 증가시키는 것 또는 다수의 빔들을 이용하는 것과 같은 기법들을 이용하는 것은 스폿 크기(spot size)를 증가시킬 것이고, 이것은 또한, 이미지 품질을 감소시킨다. 또한, 다수의 빔들이 검사를 수행하기 위하여 이용될 때, 오프-축(off-axis) 빔들은 수차(aberration)들로 인해 해상도 손실들을 겪을 수 있고, 이것은 이미지 품질을 추가로 감소시킬 수 있다. 당해 분야에서의 추가의 개선들이 희망된다.
본 개시내용의 실시예들은 이미지 향상을 위한 시스템들 및 방법들을 제공한다. 일부 실시예들에서, 이미지를 향상하기 위한 방법은 제 1 해상도에서 제 1 주사 전자 현미경법(SEM) 이미지를 취득하는 단계를 포함할 수 있다. 방법은 또한, 제 2 해상도에서 제 2 SEM 이미지를 취득하는 단계를 포함할 수 있다. 방법은 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 향상된 이미지를 제공하는 단계를 더 포함할 수 있다. 일부 실시예들에서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공된다.
일부 실시예들에서는, 검사 시스템이 개시된다. 검사 시스템은 명령들의 세트를 저장하는 메모리 및 명령들의 세트를 실행하도록 구성된 프로세서를 포함할 수 있다. 프로세스는 검사 시스템으로 하여금, 제 1 해상도에서 제 1 주사 전자 현미경법(SEM) 이미지를 취득하게 하고 제 2 해상도에서 제 2 SEM 이미지를 취득하게 하기 위하여, 명령들의 세트를 실행할 수 있다. 프로세스는 또한, 검사 시스템으로 하여금, 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 향상된 이미지를 제공하게 하기 위하여, 명령들의 세트를 실행할 수 있다. 일부 실시예들에서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공된다.
일부 실시예들에서는, 비-일시적 컴퓨터 판독가능 매체가 개시된다. 비-일시적 컴퓨터 판독가능 매체는 장치로 하여금, 방법을 수행하게 하기 위하여, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트를 저장할 수 있다. 방법은 제 1 해상도에서 제 1 주사 전자 현미경법(SEM) 이미지를 취득하는 단계 및 제 2 해상도에서 제 2 SEM 이미지를 취득하는 단계를 포함할 수 있다. 방법은 또한, 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 향상된 이미지를 제공하는 단계를 포함할 수 있다. 일부 실시예들에서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공된다.
도 1은 본 개시내용의 실시예들과 부합하는 예시적인 전자 빔 검사(electron beam inspection; EBI) 시스템을 예시하는 개략도이다.
도 2는 도 1의 예시적인 전자 빔 검사 시스템의 일부일 수 있는 본 개시내용의 실시예들과 부합하는 예시적인 전자 빔 도구를 예시하는 개략도이다.
도 3은 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 시스템의 블록도이다.
도 4는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 시스템을 예시하는 블록도이다.
도 5는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 6은 본 개시내용의 실시예들과 부합하는, 머신 러닝(machine learning) 네트워크를 이용하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 7은 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 8은 본 개시내용의 실시예들과 부합하는 예시적인 디콘볼루션 프로세스(deconvolution process)를 도시하는 예시도이다.
도 9는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 10은 본 개시내용의 실시예들과 부합하는 예시적인 피처 식별 프로세스를 도시하는 예시도이다.
도 2는 도 1의 예시적인 전자 빔 검사 시스템의 일부일 수 있는 본 개시내용의 실시예들과 부합하는 예시적인 전자 빔 도구를 예시하는 개략도이다.
도 3은 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 시스템의 블록도이다.
도 4는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 시스템을 예시하는 블록도이다.
도 5는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 6은 본 개시내용의 실시예들과 부합하는, 머신 러닝(machine learning) 네트워크를 이용하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 7은 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 8은 본 개시내용의 실시예들과 부합하는 예시적인 디콘볼루션 프로세스(deconvolution process)를 도시하는 예시도이다.
도 9는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
도 10은 본 개시내용의 실시예들과 부합하는 예시적인 피처 식별 프로세스를 도시하는 예시도이다.
그 예들이 동반 도면들에서 예시되는 예시적인 실시예들에 대해 지금부터 상세하게 참조가 행해질 것이다. 다음의 설명은 이와 다르게 표현되지 않으면, 상이한 도면들에서의 동일한 번호들이 동일하거나 유사한 엘리먼트들을 표현하는 동반 도면들을 지칭한다. 예시적인 실시예들의 다음의 설명에서 기재된 구현예들은 개시내용과 부합하는 모든 구현예들을 표현하지는 않는다. 그 대신에, 구현예들은 첨부된 청구항들에서 인용된 발명 요지에 관련된 양태들과 부합하는 장치들 및 방법들의 예들에 불과하다. 예를 들어, 일부 실시예들은 전자 빔들을 사용하는 맥락에서 설명되지만, 개시내용은 그렇게 제한되지는 않는다. 다른 유형들의 하전 입자 빔들이 유사하게 적용될 수 있다. 또한, 광학 이미징, 사전 검출, x-선 검출 등과 같은 다른 이미징 시스템들이 이용될 수 있다.
전자 디바이스들의 증대된 컴퓨팅 능력은 디바이스들의 물리적 크기를 감소시키면서, IC 칩 상의 트랜지스터들, 커패시터들, 다이오드들 등과 같은 회로 컴포넌트들의 팩킹 밀도(packing density)를 상당히 증가시킴으로써 달성될 수 있다. 예를 들어, 스마트폰에서는, (엄지손톱의 크기인) IC 칩이 20 억개 초과의 트랜지스터들을 포함할 수 있고, 각각의 트랜지스터의 크기는 인간 머리카락의 1/1000 미만일 수 있다. 놀랍지 않게도, 반도체 IC 제조는 수백 개의 개별적인 단계들을 갖는 복잡한 프로세스이다. 심지어 하나의 단계에서의 오차들은 최종적인 제품의 기능에 극적으로 영향을 주기 위한 잠재력을 가진다. 심지어 하나의 "킬러 결함(killer defect)"은 디바이스 고장을 야기시킬 수 있다. 제조 프로세스의 목표는 프로세스의 전체적인 수율을 개선시키는 것이다. 예를 들어, 50-단계 프로세스가 75 % 수율을 얻기 위하여, 각각의 개별적인 단계는 99.4 %보다 더 큰 수율을 가져야 하고, 개별적인 단계 수율이 95 %일 경우에, 전체적인 프로세스 수율은 7 %로 하락한다.
높은 프로세스 수율이 IC 칩 제조 설비에서 바람직하지만, 시간 당 프로세싱된 웨이퍼들의 수로서 정의된 높은 웨이퍼 스루풋을 유지하는 것이 또한 필수적이다. 높은 프로세스 수율들 및 높은 웨이퍼 스루풋은 특히, 조작자 개입이 수반될 때, 결함들의 존재에 의해 영향을 받을 수 있다. 이에 따라, (SEM과 같은) 검사 도구들에 의한 마이크로 및 나노-크기 결함들의 검출 및 식별은 높은 수율들 및 낮은 비용을 유지하기 위하여 필수적이다.
높은 스루풋을 유지하기 위한 노력으로, SEM 검사 도구들은 종종 높은 스루풋 모드에서 작동될 수 있다. 그러나, 높은 스루풋 모드에서 동작하는 SEM 검사 도구들은 데이터 평균화의 양을 감소시킬 수 있는 것, 또는 검사 픽셀 크기를 증가시킬 수 있는 것의 어느 하나, 또는 양자의 조합을 행할 수 있고, 이것은 정상적인 모드에서 획득된 이미지들과 비교하여 열화된 이미지 품질로 귀착될 수 있다. 높은 스루풋 모드 하에서, 이미지 향상 및 복원은 상세하게는, 작은-스케일 피처들이 극심하게 왜곡될 수 있거나, 상실될 수 있거나, 잘못표현될 수 있기 때문에 도전적으로 되고 있다. 다른 한편으로, 기존의 단일-이미지 기반 이미지 프로세싱 방법은 그것이 시간 소모적이기 때문에 부적당할 수 있다. 이에 따라, 높은 스루풋 및 높은 수율을 유지하면서 결함 검출 및 식별의 분야에서의 추가의 개선들이 요구된다.
본 개시내용의 일부 실시예들의 하나의 양태에서는, 높은 스루풋 모드에 있는 동안에, SEM 검사 도구가 (도 4에서 도시된 저-해상도(low-resolution) 이미지(330)와 같은) 저-해상도 검사 이미지를 취득하기 위하여 이용될 수 있다. 저-해상도 검사 이미지의 피처들을 이용하면, 검사 도구는 취득된 저-해상도 이미지를 향상하기 위한 유사한 특징들을 가지는 (도 4의 고-해상도(high-resolution) 이미지(310)와 같은) 하나 이상의 저장된 고-해상도 검사 이미지들을 식별할 수 있다. 고-해상도 검사 이미지로부터의 패턴 정보를 이용하면, SEM 검사 도구는 (도 4의 향상된 이미지(420)와 같은) 저-해상도 검사 이미지를 개선시킬 수 있다. 이에 따라, 저-해상도 검사 이미지들은 SEM 검사 도구의 높은 스루풋을 유지하면서 향상될 수 있다.
또한, SEM 검사 도구의 일부 실시예들은 (향상된 이미지의 부분을 표현하는 예컨대, 도 8의 데이터(830)를 획득하기 위해) 제 2 SEM 이미지를 수치적으로 향상하기 위하여 (저-해상도 이미지의 부분을 표현하는 도 8의 데이터(820)와 같은) 제 2 SEM 이미지를 표현하는 데이터에 적용될 수 있는 하나 이상의 공간적-스펙트럼 특성들(예컨대, 위상 및 진폭 특성들)을 획득하기 위하여 (고-해상도 이미지의 부분을 표현하는 도 8의 데이터(810)와 같은) 제 1 SEM 이미지를 표현하는 데이터를 분석하도록 구성될 수 있다.
SEM 검사 도구는 제 1 SEM 이미지에서의 피처(예컨대, 에지(edge))를 인식하기 위하여 (고-해상도 이미지의 부분을 표현하는 도 10의 데이터(1010)와 같은) 제 1 SEM 이미지를 표현하는 데이터를 분석하도록 추가로 구성될 수 있다. 검사 도구는 제 2 해상도에서 취득된 블러링된(blurred) SEM 이미지를 표현하는 (도 10의 시뮬레이팅된 데이터(1020)와 같은) 시뮬레이팅된 데이터를 생성하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 수치적으로 블러링(blur)할 수 있다. 검사 도구는 또한, 블러링된 SEM 이미지를 표현하는 시뮬레이팅된 데이터(예컨대, 도 10의 시뮬레이팅된 데이터(1020))의 부분이 (저-해상도 이미지의 부분을 표현하는 도 10의 데이터(1030)와 같은) 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는지 여부를 결정할 수 있다. 검사 도구가 맞는 것이 있는 것으로 결정할 경우에, 검사 도구는 제 2 SEM 이미지를 표현하는 데이터의 부분을, 제 1 SEM 이미지에서 인식된 피처(예컨대, 에지)를 포함하는 포지션(position)으로서 인식할 수 있다.
일부 실시예들에서, 검사 도구는 에지 포지션들 등과 같은 약간의 피처들에 대해 검사를 포커싱하도록 구성될 수 있다. 이러한 실시예들에서는, 전체 제 2 SEM 이미지의 이미지 품질을 향상하도록 시도하는 것이 아니라, 검사 도구는 관심 있는 어떤 에어리어(area)들의 이미지 품질을 오직 향상하도록 구성될 수 있고, 이것은 그 정확도 및 스루풋을 추가로 개선시킬 수 있다.
본 개시내용의 실시예들은 하전 입자 이미징을 위하여 이용될 수 있는 하전 입자 시스템을 제공할 수 있다는 것이 고려된다. 하전 입자 시스템은 결함들을 검출하기 위한 샘플을 이미징하고 검사하기 위한 SEM 검사 도구로서 적용가능할 수 있다. 결함은 고장으로 이어질 수 있는 샘플 또는 웨이퍼 상의 컴포넌트의 비정상적인 조건을 지칭할 수 있다. 일부 실시예들에서, 결함은 표준과 비교되는 수차(aberration), 예를 들어, 포토레지스트 프로파일(photoresist profile)들, 입자 오염, 표면 결함들 등을 지칭할 수 있다.
도면들에서의 컴포넌트들의 상대적인 치수들은 명확함을 위하여 과장될 수 있다. 도면들의 다음의 설명 내에서, 동일하거나 유사한 참조 번호들은 동일하거나 유사한 컴포넌트들 또는 엔티티들을 지칭하고, 개별적인 실시예들에 대한 오직 차이들이 설명된다.
본원에서 이용된 바와 같이, 이와 다르게 구체적으로 기재되지 않으면, 용어 "또는"은 실현불가능한 경우를 제외한 모든 가능한 조합들을 망라한다. 예를 들어, 데이터베이스가 A 또는 B를 포함할 수 있는 것으로 기재될 경우에, 이와 다르게 또는 실현불가능한 것으로 구체적으로 기재되지 않으면, 데이터베이스는 A, 또는 B, 또는 A 및 B를 포함할 수 있다. 제 2 예로서, 데이터베이스가 A, B, 또는 C를 포함할 수 있는 것으로 기재될 경우에, 이와 다르게 또는 실현불가능한 것으로 구체적으로 기재되지 않으면, 데이터베이스는 A, 또는 B, 또는 C, 또는 A 및 B, 또는 A 및 C, 또는 B 및 C, 또는 A 및 B 및 C를 포함할 수 있다.
본 개시내용의 실시예들은 SEM 이미지들을 향상하기 위한 방법들 및 시스템들을 포함한다. 예를 들어, SEM 검사 도구는 제 1 해상도에서 제 1 SEM 이미지를 취득할 수 있고, 제 2 해상도에서 제 2 SEM 이미지를 취득할 수 있다. 제 2 해상도가 제 1 해상도보다 더 낮은 것으로 추정하면, SEM 검사 도구는 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 사용할 수 있다. 일부 실시예들에서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써 제공될 수 있다. 피처들은 이미지 프로세싱 및/또는 머신 러닝을 이용하여 추출될 수 있다. 대안적으로 또는 추가적으로, 향상된 이미지는 제 2 SEM 이미지를 수치적으로 향상하고 복원하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공될 수 있다.
본 개시내용의 실시예들과 부합하는 예시적인 전자 빔 검사(EBI) 시스템(100)을 예시하는 도 1에 대해 지금부터 참조가 행해진다. EBI 시스템(100)은 이미징을 위하여 이용될 수 있다. 도 1에서 도시된 바와 같이, EBI 시스템(100)은 주 챔버(101), 적재/로크(load/lock) 챔버(102), 전자 빔 도구(104), 및 장비 프론트 엔드 모듈(equipment front end module; EFEM)(106)을 포함한다. 전자 빔 도구(104)는 주 챔버(101) 내에서 위치된다. EFEM(106)은 제 1 적재 포트(106a) 및 제 2 적재 포트(106b)를 포함한다. EFEM(106)은 추가적인 적재 포트(들)를 포함할 수도 있다. 제 1 적재 포트(106a) 및 제 2 적재 포트(106b)는 웨이퍼들(예컨대, 반도체 웨이퍼들, 또는 다른 재료(들)로 이루어진 웨이퍼들) 또는 검사되어야 할 샘플들(웨이퍼들 및 샘플들은 상호 교환가능하게 이용될 수 있음)을 포함하는 웨이퍼 전방 개구 통합된 포드(wafer front opening unified pod; FOUP)들을 수납한다. "로트(lot)"는 배치(batch)로서 프로세싱을 위하여 적재될 수 있는 복수의 웨이퍼들이다.
EFEM(106)에서의 하나 이상의 로봇 아암(robotic arm)들(도시되지 않음)은 웨이퍼들을 적재/로크 챔버(102)로 이송할 수 있다. 적재/로크 챔버(102)는 대기 압력 미만인 제 1 압력에 도달하기 위하여 적재/로크 챔버(102)에서 가스 분자(gas molecule)들을 제거하는 적재/로크 진공 펌프 시스템(도시되지 않음)에 접속된다. 제 1 압력에 도달한 후에, 하나 이상의 로봇 아암들(도시되지 않음)은 웨이퍼를 적재/로크 챔버(102)로부터 주 챔버(101)로 이송할 수 있다. 주 챔버(101)는 제 1 압력 미만인 제 2 압력에 도달하기 위하여 주 챔버(101)에서 가스 분자들을 제거하는 주 챔버 진공 펌프 시스템(도시되지 않음)에 접속된다. 제 2 압력에 도달한 후에, 웨이퍼는 전자 빔 도구(104)에 의한 검사의 대상이 된다. 전자 빔 도구(104)는 단일-빔 시스템 또는 멀티-빔 시스템일 수 있다.
제어기(109)는 전자 빔 도구(104)에 전기적으로 접속된다. 제어기(109)는 EBI 시스템(100)의 다양한 제어들을 실행하도록 구성된 컴퓨터일 수 있다. 제어기(109)는 주 챔버(101), 적재/로크 챔버(102), 및 EFEM(106)을 포함하는 구조체의 외부에 있는 것으로서 도 1에서 도시되지만, 제어기(109)는 구조체의 일부일 수 있다는 것이 인식된다.
도 2는 본 개시내용의 실시예들에 따른 예시적인 이미징 시스템(200)을 예시한다. 도 2의 전자 빔 도구(104)는 EBI 시스템(100)에서의 이용을 위하여 구성될 수 있다. 전자 빔 도구(104)는 단일 빔 장치 또는 멀티-빔 장치일 수 있다. 도 2에서 도시된 바와 같이, 전자 빔 도구(104)는 동력식 샘플 스테이지(motorized sample stage)(201), 및 검사되어야 할 웨이퍼(203)를 유지하기 위하여 동력식 샘플 스테이지(201)에 의해 지지된 웨이퍼 홀더(wafer holder)(202)를 포함한다. 전자 빔 도구(104)는 대물 렌즈 조립체(204), (전자 센서 표면들(206a 및 206b)을 포함하는) 전자 검출기(206), 대물 애퍼처(objective aperture)(208), 집속기 렌즈(210), 빔 제한 애퍼처(beam limit aperture)(212), 건 애퍼처(gun aperture)(214), 애노드(216), 및 캐소드(218)를 더 포함한다. 대물 렌즈 조립체(204)는 일부 실시예들에서, 극 피스(pole piece)(204a), 제어 전극(204b), 편향기(deflector)(204c), 및 여기 코일(204d)을 포함하는 수정된 스윙 대물 지연 침지 렌즈(swing objective retarding immersion lens; SORIL)를 포함할 수 있다. 전자 빔 도구(104)는 웨이퍼(203) 상에서 재료들을 특성화(characterize)하기 위한 에너지 분산 X-선 분광계(Energy Dispersive X-ray Spectrometer; EDS) 검출기(도시되지 않음)를 추가적으로 포함할 수 있다.
1차 전자 빔(primary electron beam)(220)은 애노드(216)와 캐소드(218) 사이에 전압을 인가함으로써 캐소드(218)로부터 방출된다. 1차 전자 빔(220)은 건 애퍼처(214) 및 빔 제한 애퍼처(212)를 통과하고, 건 애퍼처(214) 및 빔 제한 애퍼처(212)의 양자는 빔 제한 애퍼처(212) 아래에 존재하는 집속기 렌즈(210)를 진출하는 전자 빔의 크기를 결정할 수 있다. 집속기 렌즈(210)는 대물 렌즈 조립체(204)에 진입하기 전에 전자 빔의 크기를 설정하기 위하여, 빔이 대물 애퍼처(208)에 진입하기 전에 1차 전자 빔(220)을 포커싱한다. 편향기(204c)는 웨이퍼 상에서의 빔 주사(beam scanning)를 용이하게 하기 위하여 1차 전자 빔(220)을 편향시킨다. 예를 들어, 주사 프로세스에서, 편향기(204c)는 웨이퍼(203)의 상이한 일부들에 대한 이미지 재구성을 위한 데이터를 제공하기 위하여, 상이한 시간 포인트들에서 웨이퍼(203)의 상단 표면의 상이한 위치들 상으로 순차적으로 1차 전자 빔(220)을 편향시키도록 제어될 수 있다. 또한, 편향기(204c)는 또한, 그 위치에서의 웨이퍼 구조체의 스테레오 이미지 재구성을 위한 데이터를 제공하기 위하여, 상이한 시간 포인트들에서, 특정한 위치에서의 웨이퍼(203)의 상이한 면들 상으로 1차 전자 빔(220)을 편향시키도록 제어될 수 있다. 또한, 일부 실시예들에서, 애노드(216) 및 캐소드(218)는 다수의 1차 전자 빔들(220)을 생성하도록 구성될 수 있고, 전자 빔 도구(104)는 웨이퍼(203)의 상이한 일부들에 대한 이미지 재구성을 위한 데이터를 제공하기 위하여, 다수의 1차 전자 빔들(220)을 동시에 웨이퍼의 상이한 일부들/면들로 투영하기 위한 복수의 편향기들(204c)을 포함할 수 있다.
여기 코일(204d) 및 극 피스(204a)는 극 피스(204a)의 하나의 단부에서 시작되고 극 피스(204a)의 다른 단부에서 종결되는 자기장을 생성한다. 1차 전자 빔(220)에 의해 주사되는 웨이퍼(203)의 일부는 자기장에서 침지될 수 있고 전기적으로 하전될 수 있고, 이것은 궁극적으로, 전기장을 생성한다. 전기장은 1차 전자 빔(220)이 웨이퍼(203)와 충돌하기 전에, 웨이퍼(203)의 표면 근처에서의 충돌하는 1차 전자 빔(220)의 에너지를 감소시킨다. 극 피스(204a)로부터 전기적으로 격리되는 제어 전극(204b)은 웨이퍼(203)의 마이크로-아칭(micro-arching)을 방지하고 적절한 빔 포커스(beam focus)를 보장하기 위하여, 웨이퍼(203) 상의 전기장을 제어한다.
2차 전자 빔(secondary electron beam)(222)은 1차 전자 빔(220)을 수신할 시에 웨이퍼(203)의 일부로부터 방출될 수 있다. 2차 전자 빔(222)은 전자 검출기(206)의 센서 표면들(206a 및 206b) 상에서 빔 스폿(beam spot)을 형성할 수 있다. 전자 검출기(206)는 빔 스폿의 세기를 표현하는 신호(예컨대, 전압, 전류 등)를 생성할 수 있고, 신호를 이미지 프로세싱 시스템(250)에 제공할 수 있다. 2차 전자 빔(222) 및 결과적인 빔 스폿의 세기는 웨이퍼(203)의 외부 또는 내부 구조체에 따라 변동될 수 있다. 또한, 위에서 논의된 바와 같이, 1차 전자 빔(220)은 상이한 세기들의 2차 전자 빔들(222)(및 결과적인 빔 스폿)을 생성하기 위하여, 웨이퍼의 상단 표면의 상이한 위치들 또는 특정한 위치에서의 웨이퍼의 상이한 면들 상으로 투영될 수 있다. 그러므로, 빔 스폿들의 세기들을 웨이퍼(203)의 위치들과 맵핑함으로써, 프로세싱 시스템은 웨이퍼(203)의 내부 또는 표면 구조체들을 반영하는 이미지를 재구성할 수 있다.
이미징 시스템(200)은 샘플 스테이지(201) 상에서 웨이퍼(203)를 검사하기 위하여 이용될 수 있고, 위에서 논의된 바와 같은 전자 빔 도구(104)를 포함한다. 이미징 시스템(200)은 또한, 이미지 취득기(260), 스토리지(storage)(270), 및 제어기(109)를 포함하는 이미지 프로세싱 시스템(250)을 포함할 수 있다. 이미지 취득기(260)는 하나 이상의 프로세서들을 포함할 수 있다. 예를 들어, 이미지 취득기(260)는 컴퓨터, 서버, 메인프레임 호스트(mainframe host), 단말들, 개인용 컴퓨터들, 임의의 종류의 이동 컴퓨팅 디바이스들 등, 또는 그 조합을 포함할 수 있다. 이미지 취득기(260)는 전기적 전도체, 광섬유 케이블, 휴대용 저장 매체들, IR, 블루투스(Bluetooth), 인터넷, 무선 네트워크, 무선 라디오(wireless radio), 또는 그 조합과 같은 매체를 통해 전자 빔 도구(104)의 검출기(206)와 접속될 수 있다. 이미지 취득기(260)는 검출기(206)로부터 신호를 수신할 수 있고, 이미지를 구성할 수 있다. 이미지 취득기(260)는 이에 따라, 웨이퍼(203)의 이미지들을 취득할 수 있다. 이미지 취득기(260)는 또한, 윤곽선들을 생성하는 것, 취득된 이미지 상에서 표시자들을 겹쳐놓는 것(superimposing) 등과 같은 다양한 포스트-프로세싱(post-processing) 기능들을 수행할 수 있다. 이미지 취득기(260)는 취득된 이미지들의 밝기(brightness) 및 콘트라스트(contrast) 등의 조절들을 수행하도록 구성될 수 있다. 스토리지(270)는 하드 디스크, 클라우드 스토리지(cloud storage), 랜덤 액세스 메모리(random access memory; RAM), 다른 유형들의 컴퓨터 판독가능 메모리 등과 같은 저장 매체일 수 있다. 스토리지(270)는 이미지 취득기(260)와 결합될 수 있고, 원래의 이미지들로서의 주사된 원시 이미지 데이터, 및 포스트-프로세싱된 이미지들을 저장하기 위하여 이용될 수 있다. 이미지 취득기(260) 및 스토리지(270)는 제어기(109)에 접속될 수 있다. 일부 실시예들에서, 이미지 취득기(260), 스토리지(270), 및 제어기(109)는 하나의 제어 유닛으로서 함께 통합될 수 있다.
일부 실시예들에서, 이미지 취득기(260)는 검출기(206)로부터 수신된 이미징 신호에 기초하여 샘플의 하나 이상의 이미지들을 취득할 수 있다. 이미징 신호는 하전 입자 이미징을 행하기 위한 주사 동작에 대응할 수 있다. 취득된 이미지는 복수의 이미징 에어리어들을 포함하는 단일 이미지일 수 있다. 단일 이미지는 스토리지(270)에서 저장될 수 있다. 단일 이미지는 복수의 영역들로 분할될 수 있는 원래의 이미지일 수 있다. 영역들의 각각은 웨이퍼(203)의 피처를 포함하는 하나의 이미징 에어리어를 포함할 수 있다.
본 개시내용의 실시예들과 부합하는, 예시적인 이미지 향상 시스템(300)의 개략도인 도 3에 대해 지금부터 참조가 행해진다. 일부 실시예들에서, 이미지 향상 시스템(300)은 도 2의 이미지 프로세싱 시스템(250)의 일부일 수 있다. 또한, 이미지 향상 시스템(300)은 제어기(109), 이미지 취득기(260), 스토리지(270) 등을 포함하는 이미지 프로세싱 시스템(250)을 포함할 수 있다.
이미지 향상 시스템(300)은 고-해상도 이미지(310), 정보 파일(315), 머신-러닝 네트워크(320), 검사 이미지(330), 패턴 추출기(340), 저장 모듈(350), 이미지 향상 모듈(360), 비교기(370), 이미지 향상기(380), 디스플레이 디바이스(390)를 포함할 수 있다.
고-해상도 이미지(310)는 샘플 또는 웨이퍼의 부분의 고-해상도 이미지일 수 있다. 본원에서 이용된 바와 같이, 고 해상도 이미지는 20 nm 미만인 이격을 가지는 이미지에서의 2 개의 별개의 피처들을 분해하기 위하여 충분히 높은 해상도를 가지는 이미지를 지칭하지만, 이것으로 제한되지는 않는다. 이미지 해상도는 이미지 취득을 위하여 사용된 신호 평균화의 양, SEM 이미지 프레임의 잡음 비율, 픽셀 크기, 멀티-빔 시스템의 온-축(on-axis) 빔의 SEM 빔 폭, 단일 빔 시스템의 SEM 빔 폭, 또는 SEM 빔(들)으로 공급된 전류 등을 포함하지만, 이것으로 제한되지는 않는 인자들에 종속될 수 있다는 것이 이해되어야 한다. 위에서 열거된 인자들 중의 하나 이상은 고-해상도 이미지(310)를 취득하기 위한 희망된 해상도를 제공하기 위하여 조절될 수 있다는 것이 고려된다. 예를 들어, 작은 스폿 폭, 작은 픽셀 크기, 낮은 전류, 최소 빔 프로파일 수차, 높은 신호 평균화 등은 고-해상도 이미지(310)를 위한 해상도를 증가시키는 것에 기여할 수 있는 모든 인자들이다.
고-해상도 이미지(310)는 EBI 시스템(100)의 이미지 취득기(260), 또는 고 해상도 이미지들을 취득할 수 있는 임의의 이러한 시스템을 이용하여 취득될 수 있다. 고-해상도 이미지(310)는 웨이퍼의 검사 이미지를 생성할 수 있는 임의의 검사 시스템에 의해 취득될 수 있다. 웨이퍼는 예를 들어, 반도체 웨이퍼 기판, 또는 하나 이상의 에피-층(epi-layer)들 또는 프로세스 막들을 가지는 반도체 웨이퍼 기판일 수 있다. 본 개시내용의 실시예들은 시스템이 충분한 해상도를 가지는 웨이퍼 이미지를 생성할 수 있는 한, 특정 유형의 검사 시스템을 제한하지는 않는다.
일부 실시예들에서, 고-해상도 이미지(310)는 오프라인 모드(offline mode)에서 취득될 수 있고, 훈련 이미지로서 사용될 수 있다. 본원에서 이용된 바와 같이, 오프라인 모드는 시스템이 생산 작동(production run)에서 웨이퍼 프로세싱을 위하여 사용되고 있지 않을 때에 이미지 취득기(260) 또는 EBI 시스템(100)의 동작 모드를 지칭한다. 예를 들어, 오프라인 모드는 실제적인 검사가 시작되기 전 또는 실제적인 프로세싱이 작동되기 전의 이미지 취득기(260) 또는 EBI 시스템(100)의 동작을 포함할 수 있다. 일부 실시예들에서, 고-해상도 이미지(310)는 예를 들어, 단독형 EBI 시스템 또는 이미지 취득기를 포함하는 프로세스 장비로부터 떨어져서 위치된 이미지 취득기에 의해 취득된다. 이미지 향상은 취득된 높은 스루풋 검사 이미지(330)를 이미 현존하는 고-해상도 이미지(310)와 비교함으로써 수행될 수 있으므로, 오프라인 모드에서 고-해상도 이미지(310)를 취득하는 것은 SEM 검사 도구들의 스루풋을 상당히 증가시키는 것을 도울 수 있다.
대안적으로, 일부 실시예들에서, 고-해상도 이미지(310)는 높은 스루풋 검사 이미지(들)(330)의 취득과 함께, 검사 프로세스 동안에 취득될 수 있다. 예를 들어, 이미지 취득기(260) 또는 EBI 시스템(100)이 멀티-빔 시스템을 구현할 경우에, 이미지 취득기(260) 또는 EBI 시스템(100)은 고-해상도 이미지(310)를 취득하기 위하여 멀티-빔 시스템의 온-축 빔을 사용하고 높은 스루풋 검사 이미지(들)(330)를 취득하기 위하여 오프-축 빔(들)을 사용하도록 구성될 수 있다. 이미지 취득기(260) 또는 EBI 시스템(100)은 또한, (저-전류 빔을 이용하여, 또는 더 낮은 전류가 빔 시스템으로 공급될 때에 취득된) 고-해상도 이미지(310) 및 (고-전류 빔을 이용하여, 또는 더 높은 전류가 빔 시스템으로 공급될 때에 취득된) 높은 스루풋 검사 이미지(들)(330)를 취득하기 위한 노력으로, 전류의 상이한 레벨들을 단일-빔 시스템으로 공급하도록 구성될 수 있다. 그러므로, 고-해상도 이미지(310)는 높은 스루풋 검사 이미지(들)(330)의 취득 전에, 또는 그 후에 취득될 수 있거나, 높은 스루풋 검사 이미지(들)(330)의 취득과 동시에 수행될 수 있다는 것이 이해되어야 한다.
이미지 취득기(260) 또는 EBI 시스템(100)은 하나 초과의 고-해상도 이미지(310)를 취득하도록 구성될 수 있다는 것이 또한 이해되어야 한다. 이러한 고-해상도 이미지들(310)은 예를 들어, 웨이퍼(203) 상의 위치의 참조 이미지, 또는 웨이퍼(203) 상의 피처의 참조 이미지, 또는 포스트-프로세싱 참조 이미지 등을 포함할 수 있다. 일부 실시예들에서, 고-해상도 이미지(들)(310)는 다수의 제품 유형들의 웨이퍼들로부터의 위치들 또는 피처들의 하나 이상의 참조 이미지들일 수 있다. 예를 들어, 다수의 제품 유형들이 동일한 프로세스들을 이용하여 동일한 팹 라인(fab line)에서 제조될 때, 제 1 제품 유형으로부터의 특정한 피처의 참조 이미지는 제 1 제품 유형과 비교하여 상이한 빌드(build)를 가지는 제 2 제품 유형으로부터의 특정한 피처에 대한 고-해상도 이미지로서 이용될 수 있다.
일부 실시예들에서, 고-해상도 이미지(310)는 최적의 취득 조건들 하에서 취득된 이미지인 검토-모드 이미지일 수 있다. 검토-모드 이미지는 더 높은 해상도, 예를 들어, 최적 배율, 최적 콘트라스트 및 밝기, 최적 전자-빔(e-beam) 세기 등을 가질 수 있다. 검출기(206) 설정들은 또한, 고 해상도 이미지들을 취득하기 위하여 최적화될 수 있다.
일부 실시예들에서, 이미지 향상 시스템(300)은 참조 피처 정보를 포함하는 정보 파일(315)을 포함할 수 있다. 정보 파일(315)은 그 중에서도, 그래픽 데이터베이스 시스템(Graphic Database System; GDS) 포맷, 웨이퍼 표면 상의 피처들의 그래픽 표현을 포함하는 그래픽 데이터베이스 시스템 II(GDS II) 포맷, 또는 개방 아트워크 시스템 교환 표준(Open Artwork System Interchange Standard; OASIS) 포맷, 또는 칼테크 중간 포맷(Caltech Intermediate Format; CIF)인 웨이퍼 설계 레이아웃을 포함할 수 있다. 웨이퍼 설계 레이아웃은 웨이퍼를 구성하기 위한 패턴 레이아웃에 기초할 수 있다. 웨이퍼 설계 레이아웃은 피처들을 포토리소그래피 마스크들 또는 레티클(reticle)들로부터 예를 들어, 웨이퍼(203)로 전사(transfer)하기 위하여 이용된 하나 이상의 포토리소그래피 마스크들 또는 레티클들에 대응할 수 있다. 그 중에서도 GDS 정보 파일 또는 OASIS 정보 파일은 평면 기하학적 형상들, 텍스트, 및 웨이퍼 설계 레이아웃에 관련된 다른 정보를 표현하는 2진 파일 포맷으로 저장된 피처 정보를 포함할 수 있다. OASIS 포맷은 데이터 용량(data volume)을 상당히 감소시키는 것을 도울 수 있어서, 더 효율적인 데이터 전송 프로세스로 귀착될 수 있다. GDS 또는 OASIS 포맷 이미지들의 큰 양이 수집되었을 수 있고, 비교 피처들의 큰 데이터세트(dataset)를 구성할 수 있다.
일부 실시예들에서, 이미지 향상 시스템(300)은 또한, 머신 러닝 네트워크(320)를 포함할 수 있다. 머신 러닝 네트워크(320)는 고-해상도 이미지(310)로부터 피처 정보를 추출하도록 구성될 수 있다. 머신 러닝 네트워크(320)는 또한, GDS 포맷 파일들 또는 OASIS 포맷 파일들을 포함하는 정보 파일(315)로부터 관련 피처들을 추출할 수 있다. 머신 러닝 네트워크(320)는 예를 들어, 인공 지능 시스템, 신경망, 또는 딥-러닝 기법, 소프트웨어 구현된 알고리즘 등을 포함할 수 있다. 머신 러닝 네트워크(320)의 피처 추출 아키텍처는 예를 들어, 콘볼루션 신경망(convolutional neural network)을 포함할 수 있다. 일부 실시예들에서, 딥 러닝 아키텍처의 선형 분류기 네트워크는 머신 러닝 네트워크(320)의 피처 추출 아키텍처를 훈련시키고 구축하기 위한 시작 포인트로서 채택될 수 있다.
일부 실시예들에서, 머신 러닝 모델은 다수의 층들을 포함할 수 있다. 예를 들어, 콘볼루션 신경망의 아키텍처는 입력, 제 1 콘볼루션, 제 1 풀링(pooling), 제 2 콘볼루션, 제 2 풀링, 하나 이상의 은닉된 층들, 활성화, 및 출력 층들을 포함할 수 있다. 피처들의 본질 및 복잡도에 기초하여, 아키텍처의 각각의 층은 생성된 상이한 수들의 서브 샘플(sub sample)들을 가질 수 있다. 제 1 콘볼루션 동작 후에, 제 1 풀에서 생성된 10 미만의 서브 샘플들이 있을 수 있다. 그 반면에, 제 2 콘볼루션 동작 후에는, 제 2 층이 제 2 풀에서 생성된 10 초과의 서브 샘플들을 가질 수 있다. 일부 실시예들에서, 층들 사이의 변동은 레이아웃에서의 기하학적 피처들의 복잡도에 의해 도입될 수 있다. 더 많은 기하학적 정보를 가지는 피처들은 더 많은 서브 샘플들을 생성하기 위한 더 높은 확률을 가질 수 있다. 예를 들어, 복잡한 피처는 해체될 수 있고 개별적인 속성(attribute)들로서 분석될 수 있는 다양한 서브-형상(sub-shape)들을 나타낼 수 있다.
일부 실시예들에서, 머신 러닝 네트워크(320)는 관련 피처들 및 지식을 추출하기 위하여 고-해상도 이미지들(310) 또는 정보 파일(315)을 수신할 수 있다. 머신 러닝 네트워크(320)는 수신된 정보 파일들 또는 고-해상도 이미지들을 저장하기 위한 임시 저장 매체(도면들에서 저장되지 않음)를 포함할 수 있다. 임시 저장 매체는 또한, (예컨대, 추출된 관련 피처들과 같은) 포스트-프로세싱 데이터를 저장하도록 구성될 수 있다. 일부 실시예들에서, 피처 추출 알고리즘 또는 딥 러닝 알고리즘, 또는 신경망은 임시 저장 매체 또는 (더 이후에 논의된) 저장 모듈(350)의 어느 하나로부터 고-해상도 이미지 또는 정보 파일을 검색하기 위한 단계를 포함하도록 구성될 수 있다.
머신 러닝 네트워크(320)는 또한, 추가적인 훈련 이미지들을 입력으로서 수신할 수 있다. 이러한 훈련 이미지들은 예를 들어, GDS 또는 OASIS 설계들에 기초한 웨이퍼 설계 계획, 또는 고 해상도를 가지는 검토 모드 이미지, 고 해상도에서 취득된 추가적인 SEM 이미지들 등을 포함할 수 있다. 이러한 훈련 이미지들은 고-해상도 이미지들(310)과 함께, 훈련 데이터로서 공동으로 지칭될 수 있고, 사용자에 의해 액세스가능한, 사용자-정의된 스토리지, 데이터베이스, 또는 저장 모듈(350)에서 저장될 수 있다. 훈련 데이터는 훈련 데이터로부터 훈련된 피처들 및 지식을 추출하도록 설계된 머신-러닝 네트워크(320)로 공급될 수 있다. 추출된 피처 정보 및 지식은 이미지 향상 시스템(300)의 다른 컴포넌트들에 의해 액세스가능하도록 구성될 수 있는 저장 모듈(350)에서 저장될 수 있다. 일부 실시예들에서, 머신-러닝 네트워크(320)를 이용하는 훈련된 피처들의 추출은 오프라인으로 수행될 수 있어서, 이 단계들은 전체적인 검사 스루풋에 악영향을 주지는 않는다.
일부 실시예들에서, 머신 러닝 네트워크(320)는 훈련 데이터로부터 하나 이상의 훈련된 피처들을 추출하도록 구성된 자체-감독된 네트워크이다. 머신 러닝 네트워크(320)는 이전에 식별된 훈련된 피처들에 기초하여, 고-해상도 이미지들(310), 추가적인 훈련 이미지들 뿐만 아니라, 정보 파일(315)로부터 하나 이상의 훈련된 피처들을 추출하기 위하여 자신을 훈련시키도록 구성될 수 있다. 일부 실시예들에서, 머신 러닝 네트워크(320)는 오프라인 모드에서, 고-해상도 이미지들(310), 추가적인 훈련 이미지들 뿐만 아니라, 정보 파일(315)로부터 훈련된 피처들을 추출할 수 있다.
일부 실시예들에서, 이미지 향상 시스템(300)은 검사 이미지(330)를, 샘플, 웨이퍼(203)의 피처, 웨이퍼(203) 상의 관심 영역, 또는 전체 웨이퍼(203)의 저-해상도 이미지로서 취득할 수 있다. 검사 이미지(330)는 EBI 시스템(100)의 이미지 취득기(260), 또는 저 해상도 이미지들을 취득할 수 있는 임의의 이러한 시스템을 이용하여 취득될 수 있다. 검사 이미지(330)는 웨이퍼 또는 웨이퍼 상의 관심 영역의 검사 이미지를 생성할 수 있는 임의의 검사 시스템에 의해 취득될 수 있다. 웨이퍼(203)는 예를 들어, 반도체 웨이퍼 기판, 또는 하나 이상의 에피-층들 또는 프로세스 막들을 가지는 반도체 웨이퍼 기판일 수 있다. 본 개시내용의 실시예들은 시스템이 웨이퍼 이미지를 생성할 수 있는 한, 특정 유형의 검사 시스템을 제한하지는 않는다. 일부 실시예들에서, 검사 이미지(330)는 예를 들어, 광학 현미경을 이용하여 취득된 광학 이미지일 수 있다.
일부 실시예들에서, 검사 이미지(330)는 웨이퍼 프로세싱 동안에 인-라인(in-line)으로 취득된 높은-스루풋 모드 이미지이다. 이와 같이 취득된 검사 이미지(330)는 웨이퍼의 피처의 열화된, 왜곡된, 열등한, 또는 잘못표현된 이미지일 수 있다.
일부 실시예들에서, 이미지 향상 시스템(300)은 패턴 추출기(340)를 포함할 수 있다. 패턴 추출기(340)는 웨이퍼 프로세싱 동안에 인-라인과 같은 실시간으로 검사 이미지(330)로부터 전역적인 구조적 정보 또는 패턴들을 추출하도록 구성될 수 있다. 일부 실시예들에서, 패턴 추출기(340)는 수학적 알고리즘, 소프트웨어-구현된 알고리즘, 이미지 프로세싱 알고리즘 등일 수 있다. 패턴 추출기(340)는 이미지 취득기(260) 내로 통합될 수 있거나, 검사 이미지(330)를 프로세싱하도록 구성된 별도의 단독형 유닛으로서 동작하도록 구성될 수 있다. 일부 실시예들에서, 패턴 추출기(340)는 저장 이전에 검사 이미지(330)의 밝기, 콘트라?, 포화, 평탄성, 잡음 필터링 등을 조절하도록 구성된 이미지 프로세싱 유닛(도시되지 않음)을 포함할 수 있다. 일부 실시예들에서, 패턴 추출기(340)는 이미 저장된 검사 이미지(330)로부터 패턴 정보를 추출할 수 있다.
일부 실시예들에서, 패턴 추출기(340)는 검사 이미지(330)로부터 관련 패턴 정보를 추출하기 위한 피처 추출 알고리즘을 포함할 수 있다. 추출된 관련 패턴 정보는 전역적인 정보, 예를 들어, 전역적인 구조적 피처들, 전역적인 패턴들, 참조 기준선들 등을 포함할 수 있다. 추출된 관련 패턴 정보는 이미지 향상 시스템(300)의 다른 컴포넌트들에 의해 액세스되도록 구성된 저장 모듈에서 저장될 수 있다.
패턴 추출기(340)는 또한, 검사 이미지(330)로부터 전역적인 구조적 정보, 피처 정보 등을 추출하도록 구성될 수 있다.
일부 실시예들에서, 이미지 향상 시스템(300)은 저장 모듈(350)을 포함할 수 있다. 저장 모듈(350)은 하나 이상의 고-해상도 이미지들(310), 훈련 이미지들, 정보 파일(315), 검사 이미지들(330), 머신 러닝 네트워크(320)로부터의 추출된 관련 피처들, 패턴 추출기(340)로부터의 추출된 패턴 정보 등을 저장하도록 구성될 수 있다. 저장 모듈(350)은 또한, 예를 들어, 머신 러닝 네트워크(320) 및 패턴 추출기(340)를 포함하는 이미지 향상 시스템(300)의 컴포넌트들과 저장된 정보를 공유하도록 구성될 수 있다. 저장 모듈(350)은 도 2의 스토리지(270)의 일부일 수 있다는 것이 인식된다.
일부 실시예들에서, 저장 모듈(350)은 이미지 향상 시스템(300)의 컴포넌트들의 각각과 접속되도록 구성된, 이미지 향상 시스템(300)의 통합된 저장 매체일 수 있다. 저장 모듈(350)은 예를 들어, 인터넷, 클라우드 플랫폼, 또는 적당한 Wi-fi 통신 경로들 상에서의 무선 통신들을 통해 액세스가능한 원격 저장 모듈일 수 있다.
저장 모듈(350)은 패턴들 및 피처들/지식 라이브러리를 포함할 수 있다. 개시된 방법은 대응관계의 정도에 기초하여 정합하는 패턴들을 위하여 패턴 라이브러리를 탐색할 수 있다. 예를 들어, 패턴들은 피처 설계 개요가 패턴 라이브러리에서의 또 다른 패턴과 90 % 이상의 유사성의 정도를 가질 경우에 정합하는 것으로 결정될 수 있다. 패턴 라이브러리에서의 패턴들은 이전에 추출된 패턴들, (표준 IC 피처들의 패턴들과 같은) 표준 패턴들 등을 포함할 수 있다.
이미지 향상 시스템(300)은 하나 이상의 프로세서들 및 (예컨대, 저장 모듈(350)과 같은) 스토리지를 포함하는 이미지 향상 모듈(360)을 포함할 수 있다. 이미지 향상 모듈(360)은 비교기(370), 이미지 향상기(380), 및 디스플레이 디바이스(390)를 포함할 수 있다. 이미지 향상 모듈(360)은 또한, 패턴 추출기(340), 비교기(370), 이미지 향상기(380), 및 디스플레이 디바이스(390) 중의 하나 이상, 또는 그 조합들을 포함할 수 있다는 것이 인식된다.
디스플레이 디바이스(390)는 이미지 향상기(380)로부터의 향상된 이미지, 또는 검사 이미지(330), 또는 고-해상도 이미지(310) 등을 디스플레이하도록 구성될 수 있다. 일부 실시예들에서, 디스플레이 디바이스(390)는 예를 들어, 향상된 검사 이미지들을 포함하는, 웨이퍼, 관심 영역들, 웨이퍼 상의 피처들 등의 프리-프로세싱된(pre-processed) 및 포스트-프로세싱된(post-processed) 이미지들을 디스플레이할 수 있다. 이미지 향상 모듈(360)은 단일 통합된 유닛으로서, 저장 모듈(350)에 접속될 수 있고, 접속은 이미지 향상 모듈(360)과 저장 모듈(350) 사이의 데이터의 공유를 허용하도록 구성될 수 있다. 일부 실시예들에서, 비교기(370), 이미지 향상기(380), 및 디스플레이 디바이스(390)는 저장 모듈(350)에 개별적으로 접속될 수 있다. 다른 접속 조합들이 마찬가지로 가능하다.
일부 실시예들에서, 비교기(370)는 머신 러닝 네트워크(320)로부터의 추출된 관련 정보 및 패턴 추출기(340)로부터의 추출된 패턴 정보를 비교하도록 구성된다. 일부 실시예들에서, 비교기(370)는 패턴 추출기(340)로부터의 검사 이미지(330)의 패턴 정보에 기초하여 고-해상도 이미지(310)의 추출된 훈련된 피처들로부터 훈련된 피처들을 식별하고, 식별된 추출된 훈련된 피처들을 추출된 패턴 정보와 비교하도록 구성된다.
비교기(370)는 이미지 프로세싱 알고리즘, 소프트웨어 구현된 알고리즘 등을 포함할 수 있다. 일부 실시예들에서, 비교기(370)는 저장 모듈(350)과 통신하도록 구성될 수 있다. 비교기(370)는 식별된 추출된 훈련된 피처들과 추출된 패턴 정보 사이의 정합하는 결과들을 포함하는 출력 파일을 생성할 수 있다. 생성된 출력 파일은 저장 모듈(350)에서 저장될 수 있다. 비교기(370)는 또한, 정합 목적들을 위하여 저장 모듈(350)로부터 고-해상도 이미지(310), 훈련 이미지들, 정보 파일(315), 추출된 훈련된 피처들 등을 액세스하도록 구성될 수 있다.
일부 실시예들에서, 비교기(370)는 프로세싱 유닛, 메모리, 디스플레이, 및 이미지 향상 시스템(300)의 다른 컴포넌트들, 예를 들어, 머신 러닝 네트워크(320) 및 패턴 추출기(340)와 상호작용하기 위한 통신 경로들을 포함할 수 있다.
일부 실시예들에서, 이미지 향상기(380)는 비교기(370)로부터의 하나 이상의 정합하는 결과들에 기초하여 검사 이미지(330)의 향상된 이미지를 생성하도록 구성될 수 있다. 일부 실시예들에서, 이미지 향상기(380)는 비교기(370)에 의해 생성된 출력 파일 및 검사 이미지(330)를 수신한다. 대안적으로, 비교기(370)는 비교기(370)에 의해 생성된 정합하는 결과들에 기초하여 향상된 이미지를 비교하고, 식별하고, 생성하도록 구성된 단일 유닛으로서, 이미지 향상기(380)와 통합될 수 있다.
일부 실시예들에서, 이미지 향상기(380)는 (예컨대, 위상 및 진폭 특성들을 포함하는) 하나 이상의 공간적-스펙트럼 특성들을 획득하기 위하여 고-해상도 이미지(310)를 표현하는 데이터를 분석하도록 구성될 수 있다. 이미지 향상기(380)는 이 검사 이미지들(330)을 수치적으로 향상하기 위하여, 공간적-스펙트럼 특성들을 높은-스루풋(또는 저-해상도) 검사 이미지들(330)을 표현하는 데이터에 적용할 수 있다.
일부 실시예들에서, 이미지 향상기(380)는 고-해상도 이미지(310)에서의 피처(예컨대, 에지)를 인식하기 위하여 고-해상도 이미지(310)를 표현하는 데이터를 분석하도록 구성될 수 있다. 이미지 향상기(380)는 더 낮은 해상도에서 취득된 블러링된 이미지를 표현하는 데이터를 시뮬레이팅하기 위하여 고-해상도 이미지(310)를 표현하는 데이터를 수치적으로 블러링할 수 있다. 이미지 향상기(380)는 블러링된 이미지를 표현하는 데이터의 부분이 저-해상도 검사 이미지(330)를 표현하는 데이터의 부분과 맞는지 여부를 결정할 수 있다. 이미지 향상기(380)가 맞는 것이 있는 것으로 결정할 경우에, 이미지 향상기(380)는 저-해상도 검사 이미지(330)를 표현하는 데이터의 부분을, 인식된 피처(예컨대, 에지)를 포함하는 포지션으로서 인식할 수 있다.
일부 실시예들에서, 이미지 향상기(380)는 에지들 등과 같은 약간의 피처들에 대해 검사를 포커싱하도록 구성될 수 있다. 이러한 실시예들에서는, 전체 저-해상도 검사 이미지(330)의 이미지 품질을 향상하도록 시도하는 것이 아니라, 이미지 향상기(380)는 관심 있는 어떤 에어리어들의 이미지 품질을 오직 향상하도록 구성될 수 있고, 이것은 그 정확도 및 스루풋을 추가로 개선시킬 수 있다.
일부 실시예들에서, 이미지 향상기(380)는 실행가능 애플리케이션 또는 소프트웨어이다. 이미지 향상기(380)는 소프트웨어-구현된 알고리즘, 이미지 프로세싱 알고리즘, 또는 수학적 알고리즘 등을 포함할 수 있다.
이미지 향상 모듈(360)은 생성된 향상된 검사 이미지를 디스플레이하도록 구성된 출력 디바이스 또는 디스플레이 디바이스(390)를 포함할 수 있다. 디스플레이 디바이스(390)는 EBI 시스템(100)과 일체적으로 접속될 수 있다. 일부 실시예들에서, 디스플레이 디바이스(390)는 핸드헬드 디스플레이 디바이스, 웨어러블 디스플레이 디바이스, 멀티-스크린 디바이스, 대화형 디스플레이 디바이스 등일 수 있다. 다른 적당한 디스플레이 디바이스들이 마찬가지로 이용될 수 있다.
향상된 검사 이미지는 이미지 향상 시스템(300)의 디스플레이 디바이스(390) 상에서 디스플레이될 수 있다. 디스플레이 디바이스(390)는 전자 빔 도구(104) 내에서 통합될 수 있거나, 원격 위치에서 위치된 별도의 출력 디바이스일 수 있다.
일부 실시예들에서, 디스플레이 디바이스(390)는 원격으로 위치될 수 있고, 무선 통신 네트워크, 예를 들어, Wi-fi, 인터넷, 또는 클라우드 네트워크를 통해 동작될 수 있다. 다른 적당한 무선 통신 네트워크들 및 플랫폼들이 마찬가지로 이용될 수 있다. 디스플레이 디바이스(390)는 또한, 샘플 또는 웨이퍼 상의 관심 영역의 디스플레이된 이미지들을 저장하기 위하여 저장 모듈(350)과 접속될 수 있다. 디스플레이 디바이스(390)는 또한, 실시간 프리-프로세싱, 검사 이미지(330)를 디스플레이하기 위하여 이용될 수 있다.
도 4는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 시스템(300)을 예시한다. 일부 실시예들에서, 이미지 향상 시스템(300)은 도 2의 이미지 프로세싱 시스템(250)의 일부일 수 있다. 또한, 이미지 향상 시스템(300)은 제어기(109), 이미지 취득기(260), 스토리지(270) 등을 포함하는 이미지 프로세싱 시스템(250)을 포함할 수 있다.
이미지 향상 시스템(300)은 고-해상도 이미지(310)를 저장할 수 있다. 예시된 바와 같이, 고-해상도 이미지(310)는 관련 훈련된 피처들이 추출될 수 있는 고-해상도 이미지이다. 이미지 향상 시스템(300)은 높은-스루풋 검사를 수행하기 전에 머신 러닝 네트워크(320)를 훈련시키기 위하여 고-해상도 이미지(310)를 이용할 수 있다. 고-해상도 이미지(310)는 고-해상도 광학 현미경 이미지, 고-해상도 2차 전자 현미경 이미지, 후방-산란된 전자 빔 이미지, 원자 힘 현미경 이미지(atomic force microscope image) 등을 포함할 수 있다.
예시된 바와 같이, 도 4의 고-해상도 이미지(310)는 훈련된 피처들(430)을 포함할 수 있다. 훈련된 피처들(430)은 마스크 상의 피처들에 의해 정의되고 포토리소그래피 프로세스에 의해 웨이퍼 또는 기판 상에서 전사된, 예를 들어, 밴드-유사 배열로 배열된 하나 이상의 원형 구조체들, 기판 재료의 하나 이상의 밴드들, 금속 상호접속 라인들, 금속 상호접속 라인들 사이의 이격, 접촉부 패드들, 에지들 등을 포함할 수 있다. 훈련된 피처들(430)은 구조체들의 하나 이상의 형상들, 치수들, 배열, 재료, 배향(orientation) 등을 포함할 수 있다.
정보 파일(315)은 웨이퍼(203) 상으로 전사되어야 할 의도된 웨이퍼 설계 또는 칩 설계의 레이아웃을 포함할 수 있다. 정보 파일(315)은 적당한 포맷, 예를 들어, GDS, GDSII, OASIS, 또는 CIF로 저장된 정보를 포함할 수 있다.
정보 파일(315)은 훈련된 피처들(430)과 연관된 정보, 예를 들어, 피처에서의 구조체들의 상대적인 배향, 웨이퍼 상의 피처들의 물리적 위치 정보, 웨이퍼 상의 피처들의 x-y 위치 좌표들, 임계 치수들 및 임계 치수 공차들 등을 포함할 수 있는 지식을 포함할 수 있다. 일부 실시예들에서, 지식은 타겟 GDS 정보, 타겟 GDSII 정보, 타겟 OASIS 정보 등을 포함할 수 있다.
일부 실시예들에서, 정보 파일(315)은 임계 치수들 정보를 포함할 수 있다. 광학적 포토리소그래피를 위한 임계 치수 공차들은 달성하기가 극단적으로 어려울 수 있고, 마스크 상의 피처들에 대한 조절들을 포함하는 재반복적 정정 프로세스를 요구할 수 있다. 일부 가능한 해결책들은 광학적 근접성 정정(Optical Proximity Correction), 위상 시프트 마스크(Phase Shift Mask)들, 및 오프-축 조명(Off-Axis Illumination)과 같은 해상도 향상 기법들을 포함하지만, 이것으로 제한되지는 않는다.
광학적 근접성 정정은 웨이퍼 상의 희망된 포토레지스트 폭과는 상이하도록 마스크 상의 실제적인 크롬(chrome) 폭을 변경하는 것을 수반한다. 예를 들어, 격리된 라인 및 동일한 라인들 및 공간들의 밀집된 어레이에서의 라인의 크기 사이의 차이는 광학적 리소그래피에서의 가장 보편적으로 관찰된 근접성 효과이다. 이 인쇄 바이어스(print bias)의 크기는 스텝퍼(stepper)의 광학적 파라미터들 및 포토레지스트의 콘트라스트에 의해 영향받는다. 스텝퍼의 광학적 파라미터들 및 포토레지스트의 콘트라스트가 일정하게 유지될 경우에, 인쇄 바이어스는 특성화될 수 있고, 마스크를 바이어싱함으로써 정정될 수 있다. 이 유형의 기하구조-종속적 마스크 바이어싱은 실제적인 웨이퍼 상에서 임계 치수들 및 임계 치수 공차들을 유지하기 위하여 보편적으로 이용된다. 마스크 바이어스는 실제적인 크롬 폭 마이너스(minus) 명목적인(비바이어싱된) 크롬 폭으로서 정의된다. 이에 따라, 양의 바이어스(positive bias)는 크롬이 더 크게 만들어졌다는 것을 의미한다. 위상 시프트 마스크들 및 오프-축 조명 기법들은 또한, 포토리소그래피 프로세스에 의해 웨이퍼(203) 상으로 전사된 피처들이 희망된 피처 형상 및 크기와 정합하도록 마스크 바이어스를 조절하기 위하여 채용될 수 있다.
정보 파일(315)은 타겟 바이어스-정정된 마스크 정보, 비정정된 마스크 정보, 스텝퍼들을 위한 레티클의 바이어스-정정된 피처 정보, 레티클의 비정정된 피처 정보, 또는 그 조합들을 포함할 수 있다.
일부 실시예들에서, 머신 러닝 네트워크(320)는 고-해상도 이미지(310)로부터의 훈련된 피처들(430), 또는 정보 파일(315)로부터의 지식을 추출하도록 구성된다. 일부 실시예들에서, 머신 러닝 네트워크(320)를 훈련시키는 것은 자동화된다. 예를 들어, 자동화된 머신 러닝 네트워크는 고-해상도 이미지(310) 또는 정보 파일(315)로부터의 정보를 수신할 수 있어서, 비촉구될 수 있다. 고-해상도 이미지(310) 또는 정보 파일(315)로부터의 정보를 수신한 후에, 자동화된 머신 러닝 네트워크는 관련 훈련된 피처들을 추출할 수 있어서, 비촉구될 수 있다.
추출된 훈련된 피처들(430)은 저장 모듈에서 저장될 수 있거나, 저장소(repository)(도시되지 않음)에서 임시로 저장될 수 있다. 저장소는 비교기(370), 머신 러닝 네트워크(320), 이미지 향상기(380), 디스플레이 디바이스(390) 등에 의해 액세스될 수 있다.
일부 실시예들에서, 검사 이미지(330)는 제조 프로세스에서의 검사 단계 동안에 실시간으로 EBI 시스템(100)에 의해 취득된 저 해상도 높은 스루풋 모드 이미지이다. 도 4에서 예시된 바와 같이, 검사 이미지(330)는 명확하게 분해되지는 않지만, 피처들 및 패턴들, 예를 들어, 고-해상도 이미지(310)에서 도시된 것들과 유사한 피처들 및 패턴들을 도시하는 열화된 아웃-오브-포커스(out-of-focus) 이미지를 포함한다. 검사 이미지(330)는 또한, 이미지의 중심을 향하는 결함을 도시한다. 결함은 공극(void), 입자, 비박리된 포토레지스트, 피처의 과다-에칭된 표면 등을 포함할 수 있다.
검사 이미지(330)는 광학 현미경으로부터의 광학 이미지일 수 있다. 일부 실시예들에서, 검사 이미지(330)의 하나 이상의 뷰(view)들은 프로세스에서의 주어진 검사 단계에서 취득될 수 있다. 패턴 추출기(예컨대, 도 3의 패턴 추출기(340))는 관련 패턴 정보(410)를 추출하기 위한 "최적" 이미지를 결정하기 위하여 검사 이미지(330)의 하나 이상의 뷰들을 프로세싱하도록 구성될 수 있다.
이미지 향상 모듈(360)은 향상된 이미지(420)를 생성하기 위하여 검사 이미지(330)를 프로세싱하도록 구성될 수 있다. 이미지 향상 모듈(360)은 도 3의 비교기(370), 이미지 향상기(380), 및 디스플레이 디바이스(390)를 포함할 수 있다. 일부 실시예들에서, 이미지 향상 모듈(360)은 또한, 패턴 추출기(340)를 포함할 수 있다. 비교기(370)는 패턴 추출기(340)에 의해 추출된 패턴 정보(410)에 기초하여, 정보 파일(315)로부터의 추출된 훈련된 피처들(430) 또는 지식을 식별하도록 구성될 수 있다. 훈련된 피처들을 식별한 후에, 비교기(370)는 추출된 훈련된 피처들(430)을 패턴 정보(410)와 비교할 수 있고, 출력을 생성할 수 있다. 출력은 검사 이미지를 향상하기 위하여 그 다음으로 이용되는, 비교 결과들 및 추출된 훈련된 피처들(430)과 연관된 정보를 포함할 수 있다. 예를 들어, 도 4의 향상된 이미지(420)에서 도시된 바와 같이, 원형 구조체들, 밴드들, 및 결함의 피처들은 고-해상도 이미지(310)로부터 유도된 정보를 이용하여 향상되었다. 출력은 저장 모듈(350)에서 임시로 저장될 수 있다. 이미지 향상기(380)는 향상된 이미지(420)를 생성하기 위하여, 비교기(370) 또는 저장 모듈(350)로부터의 출력 및 검사 이미지(330)를 수신하도록 구성될 수 있다.
일부 실시예들에서, 이미지 향상기(380)는 추출된 패턴 정보(410)와의 식별된 추출된 훈련된 피처들(430)의 비교를 수행할 수 있다. 일부 실시예들에서, 비교기(370)는 이미지 향상기(380)와 통합될 수 있어서, 단일 유닛으로서 동작할 수 있다.
향상된 이미지(420)는 디스플레이 디바이스(390) 상에서 디스플레이될 수 있다. 일부 실시예들에서, 향상된 이미지(420)는 디스플레이 디바이스(390) 상에서 디스플레이되고, 저장 모듈(350)에서 저장된다. 향상된 이미지(420)는 검사 이미지(330)의 피처들 및 패턴들과 비교하여 향상되는 피처들 및 패턴들을 포함할 수 있고, 예를 들어, 피처들 및 패턴들은 더 명확하게 분해된다. 일부 실시예들에서, 밝기 및 콘트라스트는 검사 이미지(330)와 비교하여 최적화될 수 있다. 검사 이미지(330)에서의 결함은 더 양호하게 분해될 수 있고 포커싱될 수 있고, 이것은 검토자가 결함들을 정확하게 식별하고 관련된 쟁점들을 프로세싱하는 것을 도울 수 있다.
향상된 이미지(420)는 웨이퍼 제조 프로세스에서의 검사 단계들 동안에 요구된 높은 스루풋을 유지하면서, 실시간으로 검사, 결함 식별 및 분석, 프로세스 검증, 품질 제어, 수율 개선 분석 등을 위하여 이용될 수 있다. 향상된 이미지(420)는 다수의 디스플레이들 상에서 동시에 디스플레이될 수 있다. 예를 들어, 포토레지스트 박리 단계 후의, 그러나 다음의 금속 증착 단계 이전의 웨이퍼의 검사 이미지를 표현하는 향상된 이미지(420)는 정보를 요청하는 다수의 검토자들 또는 사용자들에 의해 검토될 수 있다. 일부 실시예들에서, 향상된 이미지(420)는 검토 및 면밀한 분석을 위하여 더 이후의 시간에 사용자 촉구에 의해 검색될 수 있다. 향상된 이미지(420)는 적당한 포맷, 예를 들어, 공동 사진 전문가 그룹(Joint Photographic Experts Group; JPEG) 파일, 휴대용 네트워크 그래픽(Portable Network Graphic; PNG) 파일, 휴대용 문서 포맷(Portable Document Format; PDF) 파일, 태그된 이미지 파일 포맷(Tagged Image File Format; TIFF) 파일 등으로 저장될 수 있다.
도 5는 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다. 이미지 향상 방법은 EBI 시스템(100)을 포함하는 하전 입자 빔 장치와 결합될 수 있는 이미지 향상 모듈에 의해 수행될 수 있다. 예를 들어, 제어기(예컨대, 도 2의 제어기(109))는 이미지 향상 모듈을 포함할 수 있고, 이미지 향상 방법을 구현하도록 프로그래밍될 수 있다. 하전 입자 빔 장치는 웨이퍼 또는 웨이퍼 상의 관심 영역을 이미징하도록 제어될 수 있다는 것이 인식된다. 이미징은 웨이퍼의 적어도 부분을 이미징하기 위하여 웨이퍼를 주사하는 것을 포함할 수 있다.
단계(510)에서는, 검사 에어리어의 하나 이상의 주사된 원시 이미지(raw image)들이 획득될 수 있다. 하나 이상의 주사된 원시 이미지들은 웨이퍼의 전체 표면, 또는 웨이퍼의 표면의 단지 부분을 포함할 수 있다. 단계(510)에서의 이미지 취득은 전자 검출기(예를 들어, 도 2의 전자 검출기(206))와 같은, 하전 입자 빔 장치의 검출기로부터 신호들을 수신하는 것, 또는 스토리지(예컨대, 도 2의 스토리지(270))로부터 이미지를 로딩하는 것을 포함할 수 있다.
단계(520)에서는, 웨이퍼 상의 패턴 정보(예컨대, 패턴 정보(410))가 식별되고 패턴 추출기에 의해 추출된다. 패턴 정보는 전역적인 구조적 정보, 예를 들어, 웨이퍼 상의 포토리소그래피 프로세스를 위한 참조 기준선들, 웨이퍼 상의 참조 피처들 등을 포함할 수 있다. 단계(520)는 관련 피처 추출을 포함할 수 있다. 관련 피처들 및 패턴들의 식별은 피처 추출 알고리즘에 의해 수행될 수 있다. 예를 들어, 단계(520)의 피처 추출은 파라미터들의 제 1 세트를 이용하거나 제 1 이미지 프로세싱 알고리즘을 이용하여 웨이퍼 표면의 취득된 이미지에 대한 이미지 분석을 수행하는 것을 포함할 수 있다. 관련 피처들의 식별은 웨이퍼 표면 상의 x-y 좌표들에서 위치, 위치들의 그룹, 또는 위치들의 범위를 결정하는 것을 포함할 수 있다. 위치 정보는 (예를 들어, 도 3의 저장 모듈(350)에서 제공된) 웨이퍼 맵 데이터베이스에서 저장될 수 있다.
단계(530)에서는, 훈련 이미지(예컨대, 도 3의 고-해상도 이미지(310))로부터의 훈련된 피처들은 추출된 패턴 정보에 대응하여 식별될 수 있다. 훈련된 피처들은 정보 파일(예컨대, 정보 파일(315)) 또는 훈련 이미지(예컨대, 도 3의 고-해상도 이미지(310))에 기초하여 웨이퍼 설계 계획으로부터 추출될 수 있다. 훈련 이미지는 이미지 취득 시스템에 의해 오프라인 모드 또는 검토 모드에서 취득된 고-해상도 이미지일 수 있다. 웨이퍼 설계 계획은 미리 등록될 수 있다. 예를 들어, 웨이퍼 설계 계획은 웨이퍼 표면 상의 피처들의 그래픽 표현일 수 있다. 웨이퍼 설계 계획은 웨이퍼를 설계하기 위한 패턴 레이아웃에 기초할 수 있다. 웨이퍼 설계 계획은 웨이퍼를 제조하기 위하여 이용된 마스크에 대응할 수 있다. 웨이퍼 설계 계획은 (예를 들어, 도 3의 저장 모듈(350)에서 제공된) 웨이퍼 설계 데이터베이스에서 저장될 수 있다. 정보 파일 또는 훈련 이미지로부터의 정보 데이터에 따르면, 개별적인 피처들은 식별된 전역적인 구조적 정보 또는 패턴 정보에 대응하여 추출될 수 있다. 예를 들어, 단계(520)에서 식별된 패턴 위치들의 x-y 좌표들에 기초하여, 원래의 피처 설계들의 기하구조 정보를 포함하는 관련 훈련된 피처들이 수집될 수 있다.
일부 실시예들에서, 단계(520)에서 검사 이미지로부터의 추출된 패턴 정보에 기초하여 관련 훈련된 피처들을 식별하는 것은 머신 러닝 네트워크(예컨대, 도 3의 머신 러닝 네트워크(320))에 의해 수행될 수 있다. 머신 러닝 네트워크는 정보 파일로부터의 훈련된 피처 정보 또는 훈련 이미지로부터의 훈련된 피처 정보를 검색하기 위하여 자동화될 수 있다. 머신 러닝 네트워크는 또한, 정보 파일 또는 훈련 이미지로부터 관련 훈련된 피처들을 추출하기 위하여 자동화될 수 있다. 추출된 훈련된 피처/지식은 정보를 저장하도록 구성된 스토리지 또는 저장소에서 저장될 수 있다. 추출된 훈련된 피처/지식은 임시로 또는 장기 목적들을 위하여 저장될 수 있다. 추출된 훈련된 피처/지식은 이미지 향상 모듈(예컨대, 도 3의 이미지 향상 모듈(360)) 또는 이미지 향상기(예컨대, 도 3의 이미지 향상기(380))에 의해 액세스될 수 있다.
개시된 방법은 대응관계의 정도에 기초하여 정합하는 패턴들을 위하여 (예를 들어, 저장 모듈(350)에서 저장된) 패턴 라이브러리를 탐색할 수 있다. 예를 들어, 패턴들은 피처 설계 개요가 패턴 라이브러리에서의 또 다른 패턴과 90 % 이상의 유사성의 정도를 가질 경우에 정합하는 것으로 결정될 수 있다. 패턴 라이브러리에서의 패턴들은 이전에 추출된 패턴들, (표준 IC 피처들의 패턴들과 같은) 표준 패턴들 등을 포함할 수 있다.
단계(540)에서, 검사 이미지는 훈련 이미지로부터의 식별된 훈련된 관련 피처들/지식과 검사 이미지로부터의 추출된 패턴 정보 사이의 비교 결과들에 기초하여 향상된다. 단계(540)에서, 이미지 향상은 추출된 훈련된 피처들/지식 및 추출된 패턴 정보의 비교로부터의 정합된 결과들, 및 추출된 훈련된 피처들/지식 자체에 기초하여 향상된 이미지(예컨대, 도 4의 향상된 이미지(420))를 생성하는 것을 포함한다. 정합된 결과들 및 훈련된 피처들(430)은 그 다음으로, 검사 이미지를 향상하기 위하여 이용된다.
도 6은 본 개시내용의 실시예들과 부합하는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다. 이미지 향상 방법은 하전 입자 빔 장치(예컨대, EBI 시스템(100))와 결합될 수 있는 이미지 향상 모듈에 의해 수행될 수 있다. 예를 들어, 제어기(예컨대, 도 2의 제어기(109))는 이미지 향상 모듈을 포함할 수 있고, 이미지 향상 방법을 구현하도록 프로그래밍될 수 있다. 하전 입자 빔 장치는 웨이퍼 또는 웨이퍼 상의 관심 영역을 이미징하도록 제어될 수 있다는 것이 인식된다. 이미징은 전체 웨이퍼를 이미징하기 위하여 웨이퍼를 주사하는 것을 포함할 수 있는, 웨이퍼의 부분을 이미징하기 위하여 웨이퍼를 주사하는 것을 포함할 수 있다. 일부 실시예들에서, 이미지 향상 방법은 이미지 향상기 모듈(예컨대, 도 3의 이미지 향상기(380)) 또는 이미지 향상 시스템(300)에 의해 수행될 수 있다.
단계(610)에서는, 훈련 이미지(예컨대, 도 4의 고-해상도 이미지(310))가 취득된다. 훈련 이미지는 고-해상도 이미지, 검토 모드 이미지, 최적 취득 조건들 하에서 취득된 우수한 품질 이미지 등일 수 있다. 훈련 이미지는 예를 들어, 상이한 하전 입자 빔 장치, 광학 현미경, 원자 힘 현미경 등을 이용하여 오프라인으로 취득될 수 있다. 훈련 이미지 취득은 웨이퍼 제조 위치와는 상이한 원격 위치에서 수행될 수 있고, 저장 모듈(예컨대, 도 3의 저장 모듈(350)) 또는 통신 네트워크를 통해 액세스가능한 상이한 저장 유닛에서 저장될 수 있다. 훈련 이미지의 취득은 검사 스루풋에 대한 이미지 향상 프로세스의 영향을 최소화하기 위하여 오프라인으로 수행될 수 있다.
단계(620)에서, 관련 훈련된 피처들은 머신 러닝 네트워크(예컨대, 도 3의 머신 러닝 네트워크(320))를 이용하여 취득된 훈련 이미지로부터 추출된다. 관련 피처들은 또한, 피처 정보, 예를 들어, 웨이퍼 설계 계획, 또는 마스크 레이아웃, 집적 회로의 하나 이상의 층들의 그래픽 레이아웃을 포함하는 정보 파일(예컨대, 도 3의 정보 파일(315))로부터 추출될 수 있다. 정보 파일은 GDS 포맷, GDSII 포맷, OASIS 포맷 등으로 저장된 정보를 포함할 수 있다.
머신 러닝 네트워크는 관련 훈련된 피처들을 자동적으로 추출하도록 구성될 수 있다. 머신 러닝 네트워크는 정보 파일로부터의 훈련된 피처 정보 또는 훈련 이미지로부터의 훈련된 피처 정보를 검색하기 위하여 자동화될 수 있다. 머신 러닝 네트워크를 이용하여 관련 훈련된 피처들을 추출하는 것은 상이한 위치에서 상이한 프로세서를 이용하여 오프라인으로 수행될 수 있다. 머신 러닝 네트워크는 EBI 시스템(100) 내로 통합될 수 있거나, 원격으로 동작된 단독형 유닛으로서 동작될 수 있다.
단계(630)에서, 웨이퍼의 검사 이미지(예컨대, 도 3의 검사 이미지(330))는 웨이퍼가 적재된 후에 취득된다. 예를 들어, 웨이퍼는 샘플 스테이지 상에서 배치될 수 있고 이미징을 위하여 준비될 수 있다. 검사 이미지는 저 해상도를 가지는 주사된 원시 이미지일 수 있다. 검사 이미지(330)는 취득 조건들의 비-최적 세트로 취득된 높은 스루풋 검사 모드 이미지일 수 있다. 검사 이미지는 열화된 또는 열등한 품질 이미지, 또는 저-해상도 이미지 등일 수 있다. 검사 이미지는 웨이퍼 제조 프로세스 동안에 인-라인으로 취득된다. 단계(630) 및 단계(610)는 하나 이상의 이미지 취득기들(예컨대, 도 2의 이미지 취득기(260)) 또는 EBI들(예컨대, 도 1의 EBI 시스템(100))을 이용하여 별도로 수행될 수 있다. 검사 이미지 및 훈련 이미지는 상이한 시간들에서 동일한 EBI에 의해 취득될 수 있다.
단계(640)에서는, 검사 이미지로부터의 전역적인 구조적 정보 또는 패턴 정보(예컨대, 도 4의 패턴 정보(410))의 추출이 수행된다. 단계(640)는 파라미터들의 제 1 세트를 이용하거나 제 1 이미지 프로세싱 알고리즘을 이용하여 웨이퍼 표면의 취득된 이미지에 대한 이미지 분석을 수행하는 것을 포함할 수 있다. 단계(640)에서는, 웨이퍼의 패턴 정보가 식별되고, 패턴 추출기(예컨대, 도 3의 패턴 추출기(340))에 의해 추출된다. 패턴 정보는 전역적인 구조적 정보, 예를 들어, 웨이퍼 상의 포토리소그래피 프로세스를 위한 참조 기준선들, 웨이퍼 상의 참조 피처들 등을 포함할 수 있다. 단계(640)는 또한, 피처 추출 알고리즘을 이용하는 관련 피처(들)의 추출을 포함할 수 있다. 관련 패턴 정보의 식별 및 추출은 웨이퍼 표면 상의 x-y 좌표들에서 위치, 위치들의 그룹, 또는 위치들의 범위를 결정하는 것을 포함할 수 있다. 위치 정보는 저장 모듈에서 저장된 웨이퍼 맵 데이터베이스에서 저장될 수 있다.
단계(650)에서, 훈련 이미지로부터의 훈련된 피처들은 이미지 향상 모듈 또는 비교기(예컨대, 도 3의 비교기(370))를 이용하여 식별된 패턴 정보에 기초하여 식별될 수 있다. 훈련된 피처들은 또한, 정보 파일 또는 훈련 이미지에 기초하여 웨이퍼 설계 계획으로부터 추출될 수 있다. 훈련 이미지는 이미지 취득 시스템, 예를 들어, EBI 시스템(100)에 의해 오프라인 모드 또는 검토 모드에서 취득된 고-해상도 이미지일 수 있다. 웨이퍼 설계 계획은 미리 등록될 수 있다. 예를 들어, 웨이퍼 설계 계획은 웨이퍼 표면 상의 피처들의 그래픽 표현일 수 있다. 웨이퍼 설계 계획은 웨이퍼를 설계하기 위한 패턴 레이아웃에 기초할 수 있다. 웨이퍼 설계 계획은 웨이퍼를 제조하기 위하여 이용된 마스크에 대응할 수 있다. 웨이퍼 설계 계획은 웨이퍼 설계 데이터베이스에서 저장될 수 있다.
마스크는 예리한 코너들을 가질 수 있는 직사각형들을 포함하지만, 이것으로 제한되지는 않는 기본적인 2-차원 형상들을 포함할 수 있다. 타겟 또는 희망된 레지스트 이미지로부터 실제적인 레지스트 이미지에서의 오차를 설명하기 위하여, 타겟 이미지가 정의된다. 포토레지스트로 인쇄될 때, 원래의 설계로부터의 코너들은 어느 정도까지 반구형(round)으로 될 수 있다. 코너 반구형의 어떤 양은 수용가능할 수 있다. 설계된 마스크 레이아웃의 코너들을 반구형으로 하기 위한 이유가 없지만, 최종적인 인쇄된 패턴이 설계의 정사각형 코너들과 정합하는 것을 주장하기 위한 이유 또한 없다. 이에 따라, 실제적인 희망된 패턴은 코너 반구형의 수용가능한 양으로 인해 설계된 패턴으로부터 이탈할 수 있다. 대안적으로, 마스크-바이어싱은 웨이퍼 상의 궁극적인 인쇄된 피처들이 희망된 형상 및 크기가 되도록 크롬 피처들을 수정하기 위하여 이용될 수 있다. 타겟 GDS 정보(예컨대, 도 3의 정보 파일(315)에서 포함된 정보)는 마스크 바이어싱 데이터를 포함할 수 있다.
정보 파일에서 저장된 웨이퍼 설계 계획은 타겟 GDS 또는 타겟 GDSII 정보를 포함할 수 있다. 본원에서 지칭된 바와 같이, 타겟 GDS 정보는 웨이퍼 프로세싱 조건들에 기초한 업데이팅된 또는 조절된 마스크 피처 정보를 포함할 수 있다. 예를 들어, 나노-크기 피처들을 마스크로부터 웨이퍼로 전사하는 것은 위에서 논의된 바와 같은, 광학적 근접성 정정을 수용하기 위한 마스크 바이어싱을 포함할 수 있다. 광학적 근접성 정정을 위한 마스크 바이어싱은 웨이퍼 상의 희망된 포토레지스트 폭과는 상이하도록 마스크 상의 실제적인 크롬 폭을 변경하는 것을 포함할 수 있다. 예를 들어, 격리된 라인 및 동일한 라인들 및 공간들의 밀집된 어레이에서의 라인의 크기 사이의 차이는 광학적 리소그래피에서의 가장 보편적으로 관찰된 근접성 효과이다. 이 인쇄 바이어스의 크기는 스텝퍼의 광학적 파라미터들 및 포토레지스트의 콘트라스트에 의해 강하게 영향받을 수 있다. 스텝퍼의 광학적 파라미터들 또는 포토레지스트의 콘트라스트가 일정하게 유지될 경우에, 인쇄 바이어스는 특성화될 수 있고, 마스크를 바이어싱함으로써 정정될 수 있다. 이 유형의 기하구조-종속적 마스크 바이어싱은 실제적인 웨이퍼 상에서 임계 치수들 및 임계 치수 공차들을 유지하기 위하여 보편적으로 이용된다. 마스크 바이어스는 실제적인 크롬 폭 마이너스 명목적인(비바이어싱된) 크롬 폭으로서 정의된다. 이에 따라, 양의 바이어스는 크롬이 더 크게 만들어졌다는 것을 의미한다.
단계(650)에서, 단계(640)에서의 검사 이미지로부터의 추출된 패턴 정보에 기초하여 관련 훈련된 피처들을 식별하는 것은 머신 러닝 네트워크에 의해 수행될 수 있다. 머신 러닝 네트워크는 정보 파일로부터의 훈련된 피처 정보 또는 훈련 이미지로부터의 훈련된 피처 정보를 검색하기 위하여 자동화될 수 있다. 머신 러닝 네트워크는 또한, 정보 파일 또는 훈련 이미지로부터 관련 훈련된 피처들을 추출하기 위하여 자동화될 수 있다. 추출된 훈련된 피처들(예컨대, 도 4의 훈련된 피처들(430))은 정보를 저장하도록 구성된 저장 모듈 또는 저장소에서 저장될 수 있다. 추출된 훈련된 피처들은 임시로 또는 장기 목적들을 위하여 저장될 수 있다. 추출된 훈련된 피처들은 이미지 향상 모듈 또는 이미지 향상기에 의해 액세스될 수 있다.
단계(660)에서, 검사 이미지는 훈련 이미지로부터의 식별된 훈련된 관련 피처들과 검사 이미지로부터의 추출된 패턴 정보 사이의 비교 결과들에 기초하여 향상된다. 단계(660)에서, 이미지 향상은 추출된 훈련된 피처들 및 추출된 패턴 정보의 비교로부터의 정합된 결과들, 및 추출된 훈련된 피처들 자체에 기초하여, 향상된 이미지(예컨대, 도 4의 향상된 이미지(420))를 생성하는 것 또는 검사 이미지를 향상하는 것을 포함한다. 정합된 결과들 및 훈련된 피처들은 그 다음으로, 검사 이미지를 향상하기 위하여 이용된다. 정합된 결과들 및 훈련된 피처들은 저장 모듈에서 저장될 수 있다.
향상된 이미지들은 웨이퍼 제조 프로세스에서의 검사 단계들 동안에 요구된 높은 스루풋을 유지하면서, 실시간으로 검사, 결함 식별 및 분석, 프로세스 검증, 품질 제어, 수율 개선 분석 등을 위하여 이용될 수 있다. 향상된 이미지들은 다수의 디스플레이들 상에서 동시에 디스플레이될 수 있다. 예를 들어, 포토레지스트 박리 단계 후의, 그러나 다음의 금속 증착 단계 이전의 웨이퍼의 검사 이미지를 표현하는 향상된 이미지들은 정보를 요청하는 다수의 검토자들 또는 다수의 사용자들에 의해 검토될 수 있다. 일부 실시예들에서, 향상된 이미지들은 검토 및 면밀한 분석을 위하여 더 이후의 시간에 사용자 촉구에 의해 검색될 수 있다. 향상된 이미지들은 적당한 포맷, 예를 들어, JPEG 파일, PNG 파일, PDF 파일, TIFF 파일 등으로 저장될 수 있다.
도 3을 일반적으로 다시 참조한다. 일부 실시예들에서, 이미지 향상 시스템(300)은 저-해상도 검사 이미지(들)(330)의 이미지 품질을 향상하기 위한 디콘볼루션 또는 벤치마킹(benchmarking) 전략들을 개발하기 위하여 고-해상도 이미지(310)를 분석할 수 있다. 일부 실시예들에서, 이미지 향상 시스템(300)은 오프라인 모드에서 디콘볼루션 또는 벤치마킹 전략들을 개발하기 위하여 고-해상도 이미지(310)를 분석할 수 있다. 대안적으로 또는 추가적으로, 이미지 향상 시스템(300)은 높은-스루풋 검사 동안에 디콘볼루션 또는 벤치마킹 전략들을 개발하기 위하여 고-해상도 이미지(310)를 분석할 수 있다. 이미지 향상 시스템(300)은 위에서 설명된 이미지 패턴-기반 향상 프로세스를 수행하는 것에 추가적으로, 저-해상도 검사 이미지(들)(330)의 이미지 품질을 향상하기 위하여 이러한 디콘볼루션 또는 벤치마킹 전략들을 사용할 수 있다는 것이 고려된다. 대안적으로, 이미지 향상 시스템(300)은 위에서 설명된 이미지 패턴-기반 향상 프로세스를 수행하는 것 대신에, 저-해상도 검사 이미지(들)(330)의 이미지 품질을 향상하기 위하여 이러한 디콘볼루션 또는 벤치마킹 전략들을 사용할 수 있다. 일부 실시예들에서, 이미지 향상 시스템(300)은 사용자가 어느 향상 프로세스 또는 프로세스들을 수행할 것인지를 (예컨대, 사용자 인터페이스를 통해) 특정하는 것을 허용할 수 있다.
도 7은 고-해상도 이미지(예컨대, 도 4의 고 해상도 이미지(310))를 분석하고, 디콘볼루션 또는 벤치마킹 전략들을 개발하고, 저-해상도 검사 이미지(들)(예컨대, 도 4의 저-해상도 이미지(330))의 이미지 품질을 향상하기 위하여 이미지 향상 시스템(예컨대, 도 3의 이미지 향상 시스템(300))에 의해 수행될 수 있는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
단계(710)에서는, 검사 에어리어의 하나 이상의 주사된 이미지들이 취득될 수 있다. 이미지들의 적어도 하나는 고-해상도 이미지를 포함할 수 있고, 이미지들의 적어도 하나는 저-해상도 검사 이미지를 포함할 수 있다. 예시적인 목적들을 위하여, 고-해상도 이미지는 제 1 이미지(또는 제 1 SEM 이미지)로서 지칭될 수 있고, 저-해상도 검사 이미지는 제 2 이미지(또는 제 2 SEM 이미지)로서 지칭될 수 있다. 용어들 "제 1" 및 "제 2"는 제 1 이미지가 제 2 이미지 전에 취득될 필요가 있다는 것을 암시하지는 않는다는 것이 이해되어야 한다. 제 1 이미지 및 제 2 이미지는 동시에(예컨대, 제 1 이미지는 멀티-빔 시스템의 온-축 빔을 이용하여 취득될 수 있고, 제 2 이미지는 그 멀티-빔 시스템의 오프-축 빔을 이용하여 취득될 수 있음) 또는 순차적으로(예컨대, 제 1 이미지는 제 2 이미지 전에 취득될 수 있거나, 그 반대도 마찬가지임) 취득될 수 있다는 것이 고려된다.
단계(720)에서, 고-해상도 이미지를 표현하는 데이터는 고-해상도 이미지 안에 포함된 하나 이상의 공간적-스펙트럼 특성들을 획득하기 위하여 분석될 수 있다. 관련 공간적-스펙트럼 특성들은 위상 및 진폭 특성들을 포함할 수 있다. 단계(730)에서, 획득된 공간적-스펙트럼 특성들은 저-해상도 이미지를 표현하는 데이터를 수치적으로 보상하기 위하여 사용될 수 있어서, 단계(740)에서 향상된 이미지를 생성할 수 있다. 웨이퍼 검사들은 오직 작은 변동들을 갖는 반복하는 피처들을 주사함으로써 전형적으로 수행되므로, 이러한 수치 보상들을 수행하는 것은 저-해상도 검사 이미지들의 이미지 품질들을 효과적으로 그리고 효율적으로 향상할 수 있다는 것이 주목된다.
도 8은 이러한 수치 보상 프로세스를 도시하는 예시도이다. 구체적으로, 고 해상도에서 취득된 제 1 이미지(또는 제 1 이미지의 부분)를 표현하는 SEM 신호는 고-해상도 데이터(810)로서 도시된다. 저 해상도에서 취득된 제 2 이미지(또는 제 2 이미지의 부분)를 표현하는 SEM 신호는 저-해상도 데이터(820)로서 도시된다. 양자의 고-해상도 데이터(810) 및 저-해상도 데이터(820)는 잡음들을 포함하고, 이것은 간단한 디콘볼루션 프로세스들(예컨대, 위너(Wiener) 디콘볼루션 프로세스 등)을 복잡하게 할 수 있고 이 디콘볼루션 프로세스들을 비효과적으로 할 수 있다는 것이 주목된다. 또한, SEM 이미지들의 디콘볼루션은 광학적 이미지들의 디콘볼루션보다 더 복잡하다는 것이 주목된다. 예를 들어, 많은 광학적 디콘볼루션 전략들은 에지가 계단 함수(step function)에 의해 양호하게 근사화될 수 있다는 가정에 의존하지만, 디콘불로셔닝된 SEM 신호들은 계단 함수들에 의해 종종 양호하게 근사화되지 않을 수 있으므로, 이러한 가정들은 디콘볼루셔닝된(deconvoluted) SEM 이미지들로 확장되지 않는다. SEM 신호는 대부분에 대하여, 타겟 내부의 전자들의 상호작용 용량에 의해 결정되어, SEM 신호를 타겟의 성질들 및 SEM의 설정들에 대해 매우 종속적으로 되게 한다. 결과적으로, 위너 디콘볼루션이 저-해상도 데이터(820)를 디콘볼루셔닝하기 위하여 적용될 때, 결과적인 디콘볼루셔닝된 데이터(도시되지 않음)는 고-해상도 데이터(810)를 준수하는 것에 실패한다. 결과적인 디콘볼루셔닝된 데이터는 또한, 현저한 아티팩트(artifact)들을 나타낸다.
본 개시내용의 실시예들에 따라 구성된 디콘볼루션 프로세스는 고-해상도 데이터(810)로부터 획득된 공간적-스펙트럼 특성들을 고려함으로써 디콘볼루션 결과를 개선시킨다. 관련 공간적-스펙트럼 특성들은 위상 및 진폭 특성들을 포함할 수 있다. 이러한 특성들을 사용하면, 이미지 향상 시스템(300)은 잡음이 어느 공간적 주파수들에서 진폭 스펙트럼을 지배하고 있는지를 체크함으로써, 그리고 이 높은 공간적 주파수들에 대한 진폭들 및 위상들을 고-해상도 데이터(810)로부터 획득된 대응하는 진폭들 및 위상들로 대체함으로써 저-해상도 데이터(820)를 디콘볼루셔닝할 수 있다. 디콘볼루셔닝된 데이터(830)로서 도시된 결과적인 디콘볼루셔닝된 데이터는 고-해상도 데이터(810)에서 존재하는 잡음들에 필적하는 잡음들을 나타낸다. 디콘볼루셔닝된 데이터(830)는 또한, 위너 디콘볼루션에 의해 생성된 현저한 아티팩트들을 제거할 수 있고, 이상적인 고-해상도 데이터를 더 양호하게 준수한다.
본 개시내용의 실시예들에 따라 구성된 수치 보상 프로세스는 주파수 도메인에서 적용될 수 있다는 것이 고려된다. 일부 실시예들에서, 이미지 향상 시스템(300)은 수치 보상들을 적용하기 이전에, 시간 도메인에 있는 SEM 신호들을 (푸리에 도메인(Fourier domain)으로서 또한 지칭될 수 있는) 주파수 도메인으로 변환하기 위하여 푸리에 변환(Fourier transformation)들을 사용할 수 있다. 그러나, 이미지 향상 시스템(300)은 또한, 시간 도메인에서 수치 보상들을 적용하도록 구성될 수 있다는 것이 이해되어야 한다. 이미지 향상 시스템(300)의 특정 구현예들은 본 개시내용의 범위 및 사상으로부터 이탈하지 않으면서 변동될 수 있다는 것이 이해되어야 한다.
일부 실시예들에서, 이미지 향상 시스템(300)은 에지 포지션들 등과 같은 어떤 피처들에 대해 검사를 포커싱하도록 추가로 구성될 수 있다. 이러한 실시예들에서는, 전체 저-해상도 검사 이미지의 이미지 품질을 향상하도록 시도하는 것이 아니라, 이미지 향상 시스템(300)은 약간의 피처들 또는 관심 에어리어들에 대해 그 향상을 포커싱할 수 있다. 약간의 피처들 또는 관심 에어리어들에 대해 그 향상을 포커싱함으로써, 이미지 향상 시스템(300)은 그 정확도 및 스루풋을 추가로 개선시킬 수 있다는 것이 고려된다.
도 9는 피처들 또는 관심 에어리어들의 존재 및 포지션들을 식별하는 것을 돕기 위하여 이미지 향상 시스템(예컨대, 도 3의 이미지 향상 시스템(300))에 의해 수행될 수 있는 예시적인 이미지 향상 방법을 예시하는 플로우차트이다.
단계(910)에서는, 검사 에어리어의 하나 이상의 주사된 이미지들이 취득될 수 있다. 이미지들의 적어도 하나는 고-해상도 이미지(예컨대, 도 4의 고-해상도 이미지(310))를 포함할 수 있고, 이미지들의 적어도 하나는 저-해상도 검사 이미지(예컨대, 도 4의 저-해상도 검사 이미지(330))를 포함할 수 있다. 예시적인 목적들을 위하여, 고-해상도 이미지는 제 1 이미지(또는 제 1 SEM 이미지)로서 지칭될 수 있고, 저-해상도 검사 이미지는 제 2 이미지(또는 제 2 SEM 이미지)로서 지칭될 수 있다. 용어들 "제 1" 및 "제 2"는 제 1 이미지가 제 2 이미지 전에 취득될 필요가 있다는 것을 암시하지는 않는다는 것이 이해되어야 한다. 제 1 이미지 및 제 2 이미지는 동시에(예컨대, 제 1 이미지는 멀티-빔 시스템의 온-축 빔을 이용하여 취득될 수 있고, 제 2 이미지는 그 멀티-빔 시스템의 오프-축 빔을 이용하여 취득될 수 있음) 또는 순차적으로(예컨대, 제 1 이미지는 제 2 이미지 전에 취득될 수 있거나, 그 반대도 마찬가지임) 취득될 수 있다는 것이 고려된다.
단계(920)에서, 이미지 향상 시스템은 제 1 이미지 안에 포함된 하나 이상의 피처들을 인식하기 위하여 제 1 이미지를 표현하는 데이터를 분석할 수 있다. 예를 들어, 도 10을 참조하면, 이미지 향상 시스템(300)은 제 1 이미지에서 포함된 에지 피처를 인식하기 위하여 제 1 이미지(또는 제 1 이미지의 부분)를 표현하는 고-해상도 데이터(1010)를 분석할 수 있다. 대안적으로 또는 추가적으로, 이미지 향상 시스템(300)은 고-해상도 데이터(1010)를, 제 1 이미지에서 포함된 이러한 피처를 인식하도록 구성될 수 있는 머신 러닝 네트워크(320)로 공급할 수 있다.
단계(930)에서, 이미지 향상 시스템은 더 낮은 해상도에서 취득된 블러링된 이미지를 표현하는 데이터를 시뮬레이팅하기 위하여 제 1 이미지를 표현하는 데이터를 수치적으로 블러링할 수 있다. 예를 들어, 도 10을 참조하면, 이미지 향상 시스템(300)은 시뮬레이팅된 저-해상도 데이터(1020)를 생성하기 위하여 제 1 이미지(또는 제 1 이미지의 부분)를 표현하는 고-해상도 데이터(1010)를 수치적으로 블러링할 수 있다. 더 구체적으로, 고-해상도 데이터(1010)를 수치적으로 블러링하기 위하여, 이미지 향상 시스템(300)은 고-해상도 데이터(1010)를, 저-해상도 데이터(1030)를 취득하기 위하여 이용된 빔과 유사한 빔 프로파일로 콘볼루셔닝할 수 있다. 예를 들어, 저-해상도 데이터(1030)를 취득하기 위하여 이용된 빔이 특정한 크기이거나, 특정한 전류 레벨을 가지거나, 특정한 빔 포지션을 가지는 것이 알려질 경우에, 그 정보는 빔 프로파일을 생성하기 위하여 사용될 수 있고, 빔 프로파일은 그 다음으로, 그 특정한 크기의 빔을 이용하고, 그 특정한 전류 레벨을 가지고, 그 특정한 포지션에서 위치되는, 취득되었을 것을 시뮬레이팅하기 위한 노력으로 고-해상도 데이터(1010)를 수치적으로 블러링하기 위하여 사용될 수 있다. 다른 한편으로, 빔 프로파일이 명시적으로 알려지지 않을 경우에, 이미지 향상 시스템(300)은 과거에 취득된 고-해상도 데이터 및 저-해상도 데이터를 분석하여 블러링이 어떻게 적용되어야 하는지를 결정하는 것을 돕기 위하여 머신 러닝 네트워크(320)를 사용할 수 있다. 이러한 방식으로의 머신 러닝 네트워크(320)의 사용은 사소한 지연을 야기시킬 수 있지만, 지연은 증가된 스루풋과 비교하여 무시가능하다는 것이 고려된다. 온-축 빔이 고-해상도 이미지들을 제공하기 위하여 이용되는 멀티-빔 시스템의 경우에, 이미지 향상 시스템(300)은 임의의 주목할 만한 지연들을 야기시키지 않으면서, 검사 프로세스 동안에 머신 러닝 네트워크(320)를 유효성검사하거나 업데이팅할 수 있을 수 있다.
도 9를 다시 참조하면, 단계(940)에서, 이미지 향상 시스템은 블러링된 이미지를 표현하는 시뮬레이팅된 저-해상도 데이터의 부분이 제 2 이미지를 표현하는 데이터의 부분과 맞는지 여부를 결정할 수 있다. 예를 들어, 도 10을 참조하면, 이미지 향상 시스템(300)은 맞는 것이 있는지 여부를 결정하기 위하여 취득된 저-해상도 데이터(1030)에 대하여 시뮬레이팅된 저-해상도 데이터(1020)를 비교할 수 있다. 일부 실시예들에서, 시뮬레이팅된 저-해상도 데이터(1020)의 부분이 저-해상도 데이터(1030)의 부분과 맞는다는 결정은 시뮬레이팅된 저-해상도 데이터(1020)의 부분과 저-해상도 데이터(1030)의 부분 사이의 교차-상관에 기초하여 행해진다. 일부 실시예들에서, 시뮬레이팅된 저-해상도 데이터(1020)의 부분이 저-해상도 데이터(1030)의 부분과 맞는다는 결정은 시뮬레이팅된 저-해상도 데이터(1020)의 부분의 제곱 평균 제곱근(root mean square) 및 저-해상도 데이터(1030)의 부분의 제곱 평균 제곱근에 기초하여 행해진다. 다른 데이터 맞춤 프로세스들은 또한, 본 개시내용의 범위 및 사상으로부터 이탈하지 않으면서, 결정을 행하기 위하여 사용될 수 있다는 것이 고려된다.
도 9를 다시 참조하면, 단계(950)에서는, 블러링된 이미지를 표현하는 시뮬레이팅된 저-해상도 데이터의 부분이 제 2 이미지를 표현하는 데이터의 부분과 맞는다는 결정에 응답하여, 이미지 향상 시스템은 제 2 이미지가 인식된 피처(예컨대, 위에서 제시된 에에서의 에지 포지션)를 포함하기 때문에, 제 2 이미지를 표현하는 데이터의 부분을 관심 에어리어로서 인식할 수 있다. 이 인식에 기초하여, 이미지 향상 시스템은 단계(960)에서, 관심 있는 것으로서 인식되었던 에어리어들에 대한 제 2 이미지의 이미지 품질들을 향상하도록 선택할 수 있다. 이러한 방식으로, 이미지 향상 시스템(300)은 약간의 피처들 또는 관심 에어리어들에 대해 그 향상을 포커싱할 수 있어서, 그 정확도 및 스루풋을 추가로 개선시킬 수 있다.
향상된 이미지들은 웨이퍼 제조 프로세스에서의 검사 단계들 동안에 요구된 높은 스루풋을 유지하면서, 실시간으로 검사, 결함 식별 및 분석, 프로세스 검증, 품질 제어, 수율 개선 분석 등을 위하여 이용될 수 있다. 향상된 이미지들은 다수의 디스플레이들 상에서 동시에 디스플레이될 수 있다. 예를 들어, 포토레지스트 박리 단계 후의, 그러나 다음의 금속 증착 단계 이전의 웨이퍼의 검사 이미지를 표현하는 향상된 이미지들은 정보를 요청하는 다수의 검토자들 또는 다수의 사용자들에 의해 검토될 수 있다. 일부 실시예들에서, 향상된 이미지들은 검토 및 면밀한 분석을 위하여 더 이후의 시간에 사용자 촉구에 의해 검색될 수 있다. 향상된 이미지들은 적당한 포맷, 예를 들어, JPEG 파일, PNG 파일, PDF 파일, TIFF 파일 등으로 저장될 수 있다.
실시예들은 조항들의 다음의 제 1 세트를 이용하여 추가로 설명될 수 있고, 여기서, 다른 조항들에 대한 참조들은 조항들의 이 제 1 세트의 조항들에 대한 참조들이다:
1. 이미지를 향상하기 위한 방법으로서,
샘플의 제 1 이미지를 취득하는 단계;
제 1 이미지의 패턴 정보를 추출하는 단계;
패턴 정보를 이용하여 훈련된 피처들을 식별하는 단계; 및
식별된 훈련된 피처들을 이용하여 제 1 이미지로부터의 향상된 이미지를 제공하는 단계를 포함하는, 방법.
2. 조항 1의 방법에 있어서, 사용자-정의된 데이터베이스로부터 훈련 이미지를 취득하는 단계 - 사용자-정의된 데이터베이스는 그래픽 데이터베이스 시스템을 포함함 - 를 더 포함하는, 방법.
3. 조항들 1 및 2 중 어느 한 조항의 방법에 있어서, 머신 러닝 네트워크를 통해, 훈련 이미지로부터 훈련된 피처들을 추출하는 단계를 더 포함하는, 방법.
4. 조항들 2 및 3 중 어느 한 조항의 방법에 있어서, 훈련 이미지를 취득하는 단계 및 훈련된 피처들을 추출하는 단계는 오프라인 모드에서 수행되는, 방법.
5. 조항들 1 내지 4 중 어느 한 조항의 방법에 있어서, 패턴 정보를 이용하여 훈련된 피처들을 식별하는 단계는 패턴 정보 및 훈련된 피처들의 비교를 포함하는, 방법.
6. 조항들 1 내지 5 중 어느 한 조항의 방법에 있어서, 제 1 이미지는 저-해상도 전자-빔 검사 이미지를 포함하는, 방법.
7. 조항 2의 방법에 있어서, 훈련 이미지는 고-해상도 전자-빔 이미지를 포함하는, 방법.
8. 이미지를 향상하기 위한 방법으로서,
훈련 이미지를 취득하는 단계;
머신 러닝 네트워크를 통해, 훈련 이미지로부터 훈련된 피처들을 추출하는 단계;
샘플의 제 1 이미지를 취득하는 단계;
제 1 이미지의 패턴 정보를 추출하는 단계;
패턴 정보를 이용하여 훈련된 피처들을 식별하는 단계; 및
식별된 훈련된 피처들을 이용하여 제 1 이미지로부터의 향상된 이미지를 제공하는 단계를 포함하는, 방법.
9. 조항 8의 방법에 있어서, 사용자-정의된 데이터베이스로부터 훈련 이미지를 취득하는 단계 - 사용자-정의된 데이터베이스는 그래픽 데이터베이스 시스템을 포함함 - 를 더 포함하는, 방법.
10. 조항들 8 및 9 중 어느 한 조항의 방법에 있어서, 훈련 이미지를 취득하는 단계 및 훈련된 피처들을 추출하는 단계는 오프라인 모드에서 수행되는, 방법.
11. 조항들 8 내지 10 중 어느 한 조항의 방법에 있어서, 패턴 정보를 이용하여 훈련된 피처들을 식별하는 단계는 패턴 정보 및 훈련된 피처들의 비교를 포함하는, 방법.
12. 조항들 8 내지 11 중 어느 한 조항의 방법에 있어서, 제 1 이미지는 저-해상도 전자-빔 검사 이미지를 포함하는, 방법.
13. 조항들 8 내지 11 중 어느 한 조항의 방법에 있어서, 훈련 이미지는 고-해상도 전자-빔 이미지를 포함하는, 방법.
14. 검사 이미지 향상 시스템으로서,
명령들의 세트를 저장하는 메모리; 및
검사 이미지 향상 시스템으로 하여금,
샘플의 검사 이미지를 취득하게 하고;
검사 이미지로부터 패턴 정보를 추출하게 하고;
패턴 정보를 이용하여 훈련된 피처들을 식별하게 하고; 그리고
식별된 훈련된 피처들을 이용하여 검사 이미지로부터의 향상된 이미지를 제공하게 하기 위하여,
명령들의 세트를 실행하도록 구성된 프로세서를 포함하는, 시스템.
15. 조항 14의 시스템에 있어서, 명령들의 세트는 또한, 검사 이미지 향상 시스템으로 하여금,
훈련 이미지를 취득하게 하고; 그리고
머신 러닝 네트워크를 통해, 훈련 이미지로부터 훈련된 피처들을 추출하게 하는, 시스템.
16. 조항 15의 시스템에 있어서, 명령들의 세트는 또한, 검사 이미지 향상 시스템으로 하여금, 오프라인 모드에서 훈련 이미지를 취득하게 하고 훈련된 피처들을 추출하게 하는, 시스템.
17. 조항들 15 및 16 중 어느 한 조항의 시스템에 있어서, 명령들의 세트는 또한, 검사 이미지 향상 시스템으로 하여금, 사용자-정의된 데이터베이스로부터 훈련 이미지를 취득하게 하는, 시스템.
18. 조항들 14 내지 17 중 어느 한 조항의 시스템에 있어서, 명령들의 세트는 또한, 검사 이미지 향상 시스템으로 하여금, 패턴 정보 및 훈련된 피처들을 비교함으로써 패턴 정보를 이용하여 훈련된 피처들을 식별하게 하는, 시스템.
19. 조항들 14 내지 18 중 어느 한 조항의 시스템에 있어서, 검사 이미지는 저-해상도 전자-빔 이미지를 포함하는, 시스템.
20. 조항들 15 내지 18 중 어느 한 조항의 시스템에 있어서, 훈련 이미지는 고-해상도 전자-빔 이미지를 포함하는, 시스템.
21. 조항들 14 내지 20 중 어느 한 조항의 시스템에 있어서, 훈련된 피처들 및 패턴 정보에 관련된 데이터를 저장하도록 구성된 저장 디바이스를 더 포함하는, 시스템.
22. 장치로 하여금 방법을 수행하게 하기 위하여, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트를 저장하는 비-일시적 컴퓨터 판독가능 매체로서, 상기 방법은,
샘플의 제 1 이미지를 취득하는 단계;
제 1 이미지의 패턴 정보를 추출하는 단계;
패턴 정보를 이용하여 훈련된 피처들을 식별하는 단계; 및
식별된 훈련된 피처들을 이용하여 제 1 이미지로부터의 향상된 이미지를 제공하는 단계를 포함하는, 컴퓨터 판독가능 매체.
23. 조항 22의 컴퓨터 판독가능 매체에 있어서, 명령들의 세트는 또한, 장치로 하여금,
훈련 이미지를 취득하는 것; 및
머신 러닝 네트워크를 통해, 훈련 이미지로부터 훈련된 피처들을 추출하는 것을 수행하게 하는, 컴퓨터 판독가능 매체.
24. 조항 24의 컴퓨터 판독가능 매체에 있어서, 명령들의 세트는 또한, 장치로 하여금,
오프라인 모드에서 훈련 이미지를 취득하는 것 및 훈련된 피처들을 추출하는 것을 수행하게 하는, 컴퓨터 판독가능 매체.
25. 조항 22의 컴퓨터 판독가능 매체에 있어서, 명령들의 세트는 또한, 장치로 하여금,
패턴 정보를 훈련된 피처들과 비교함으로써 패턴 정보를 이용하여 훈련된 피처들을 식별하는 것을 수행하게 하는, 컴퓨터 판독가능 매체.
실시예들은 조항들의 다음의 제 2 세트를 이용하여 추가로 설명될 수 있고, 여기서, 다른 조항들에 대한 참조들은 조항들의 이 제 2 세트의 조항들에 대한 참조들이다:
1. 이미지를 향상하기 위한 방법으로서,
제 1 해상도에서 제 1 주사 전자 현미경법(SEM) 이미지를 취득하는 단계;
제 2 해상도에서 제 2 SEM 이미지를 취득하는 단계; 및
향상된 이미지를 제공하는 단계 - 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공됨 - 를 포함하는, 방법.
2. 조항 1의 방법에 있어서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공되는, 방법.
3. 조항 1의 방법에 있어서, 제 1 SEM 이미지로부터 훈련된 피처를 추출하는 단계를 더 포함하는, 방법.
4. 조항 3의 방법에 있어서, 훈련된 피처는 머신 러닝 네트워크를 이용하여 제 1 SEM 이미지로부터 추출되는, 방법.
5. 조항 4의 방법에 있어서,
제 1 해상도에서 적어도 하나의 추가적인 SEM 이미지를 취득하는 단계; 및
머신 러닝 네트워크를 이용하여 적어도 하나의 추가적인 SEM 이미지로부터 적어도 하나의 추가적인 훈련된 피처를 추출하는 단계를 더 포함하는, 방법.
6. 조항들 2 내지 5 중 어느 한 조항의 방법에 있어서,
제 2 SEM 이미지의 패턴 정보를 추출하는 단계;
패턴 정보를 이용하여, 훈련된 피처가 제 2 SEM 이미지 상에서 식별되는 것으로 결정하는 단계; 및
훈련된 피처가 제 2 SEM 이미지 상에서 식별된다는 결정에 응답하여, 식별된 훈련된 피처를 이용하여 제 2 SEM 이미지를 향상함으로써 향상된 이미지를 제공하는 단계를 더 포함하는, 방법.
7. 조항들 2 내지 6 중 어느 한 조항의 방법에 있어서, 제 1 SEM 이미지를 취득하는 단계 및 제 1 SEM 이미지로부터 훈련된 피처를 추출하는 단계는 오프라인 모드에서 수행되는, 방법.
8. 조항들 2 내지 6 중 어느 한 조항의 방법에 있어서, 훈련된 피처가 제 2 SEM 이미지 상에서 식별되는 것으로 결정하는 단계는 결정은 패턴 정보 및 훈련된 피처의 비교를 포함하는, 방법.
9. 조항 1의 방법에 있어서,
하나 이상의 공간적-스펙트럼 특성들을 획득하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 분석하는 단계; 및
획득된 하나 이상의 공간적-스펙트럼 특성들에 기초하여, 하나 이상의 수치 보상들을, 제 2 SEM 이미지를 표현하는 데이터에 적용함으로써 향상된 이미지를 제공하는 단계를 더 포함하는, 방법.
10. 조항 9의 방법에 있어서, 획득된 하나 이상의 공간적-스펙트럼 특성들은 위상 및 진폭 특성들을 포함하는, 방법.
11. 조항 9의 방법에 있어서, 하나 이상의 수치 보상들은 푸리에 도메인에서 적용되는, 방법.
12. 조항 9의 방법에 있어서, 하나 이상의 수치 보상들은 제 2 SEM 이미지를 디콘볼루셔닝하는, 방법.
13. 조항 1의 방법에 있어서,
제 1 SEM 이미지에서의 피처를 인식하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 분석하는 단계;
제 2 해상도에서 취득된 블러링된 SEM 이미지를 표현하는 데이터를 시뮬레이팅하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 수치적으로 블러링하는 단계;
블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는 것으로 결정하는 단계; 및
블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정에 응답하여, 제 2 SEM 이미지를 표현하는 데이터의 부분을, 제 1 SEM 이미지에서 인식된 피처를 포함하는 포지션으로서 인식하는 단계를 더 포함하는, 방법.
14. 조항 13의 방법에 있어서, 피처는 에지 포지션인, 방법.
15. 조항들 13 및 14 중 어느 한 조항의 방법에 있어서, 블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정은 블러링된 SEM 이미지를 표현하는 데이터의 부분과 제 2 SEM 이미지를 표현하는 데이터의 부분 사이의 교차-상관에 기초하여 행해지는, 방법.
16. 조항들 13 내지 14 중 어느 한 조항의 방법에 있어서, 블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정은 블러링된 SEM 이미지를 표현하는 데이터의 부분의 제곱 평균 제곱근 및 제 2 SEM 이미지를 표현하는 데이터의 부분의 제곱 평균 제곱근에 기초하여 행해지는, 방법.
17. 조항들 1 내지 16 중 어느 한 조항의 방법에 있어서, 제 2 해상도는 제 1 해상도보다 더 낮은, 방법.
18. 조항들 1 내지 17 중 어느 한 조항의 방법에 있어서, 제 1 해상도 및 제 2 해상도는 신호 평균화의 양, SEM 이미지 프레임의 잡음 비율, 픽셀 크기, 멀티-빔 시스템의 온-축 빔의 SEM 빔 폭, 멀티-빔 시스템의 오프-축 빔의 SEM 빔 폭, 단일 빔 시스템의 SEM 빔 폭, 또는 SEM 빔으로 공급된 전류 중의 적어도 하나에 대응하는, 방법.
19. 조항들 1 내지 18 중 어느 한 조항의 방법에 있어서, 제 1 SEM 이미지는 멀티-빔 시스템의 온-축 빔을 이용하여 획득되고, 제 2 SEM 이미지는 멀티-빔 시스템의 오프-축 빔을 이용하여 획득되는, 방법.
20. 조항들 1 내지 18 중 어느 한 조항의 방법에 있어서, 제 1 SEM 이미지는 저-전류 빔을 이용하여 획득되고, 제 2 SEM 이미지는 고-전류 빔을 이용하여 획득되는, 방법.
21. 검사 시스템으로서,
명령들의 세트를 저장하는 메모리; 및
검사 시스템으로 하여금,
제 1 해상도에서 제 1 주사 전자 현미경법(SEM) 이미지를 취득하게 하고;
제 2 해상도에서 제 2 SEM 이미지를 취득하게 하고; 그리고
향상된 이미지를 제공하게 하기 위하여 - 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공됨 -,
명령들의 세트를 실행하도록 구성된 프로세서를 포함하는, 시스템.
22. 조항 21의 시스템에 있어서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공되는, 시스템.
23. 조항 21의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
제 1 SEM 이미지로부터 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
24. 조항 23의 시스템에 있어서, 훈련된 피처는 머신 러닝 네트워크를 이용하여 제 1 SEM 이미지로부터 추출되는, 시스템.
25. 조항 24의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
제 1 해상도에서 적어도 하나의 추가적인 SEM 이미지를 취득하게 하고; 그리고
머신 러닝 네트워크를 이용하여 적어도 하나의 추가적인 SEM 이미지로부터 적어도 하나의 추가적인 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
26. 조항들 22 내지 25 중 어느 한 조항의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
제 2 SEM 이미지의 패턴 정보를 추출하게 하고;
패턴 정보를 이용하여, 훈련된 피처가 제 2 SEM 이미지 상에서 식별되는 것으로 결정하게 하고; 그리고
훈련된 피처가 제 2 SEM 이미지 상에서 식별된다는 결정에 응답하여, 식별된 훈련된 피처를 이용하여 제 2 SEM 이미지를 향상함으로써 향상된 이미지를 제공하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
27. 조항들 22 내지 26 중 어느 한 조항의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금, 오프라인 모드에서 제 1 SEM 이미지를 취득하게 하고 제 1 SEM 이미지로부터 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
28. 조항 26의 시스템에 있어서, 훈련된 피처가 제 2 SEM 이미지 상에서 식별된다는 결정은 패턴 정보 및 훈련된 피처의 비교를 포함하는, 시스템.
29. 조항 21의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
하나 이상의 공간적-스펙트럼 특성들을 획득하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 분석하게 하고; 그리고
획득된 하나 이상의 공간적-스펙트럼 특성들에 기초하여, 하나 이상의 수치 보상들을, 제 2 SEM 이미지를 표현하는 데이터에 적용함으로써 향상된 이미지를 제공하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
30. 조항 29의 시스템에 있어서, 획득된 하나 이상의 공간적-스펙트럼 특성들은 위상 및 진폭 특성들을 포함하는, 시스템.
31. 조항 29의 시스템에 있어서, 하나 이상의 수치 보상들은 푸리에 도메인에서 적용되는, 시스템.
32. 조항 29의 시스템에 있어서, 하나 이상의 수치 보상들은 제 2 SEM 이미지를 디콘볼루셔닝하는, 시스템.
33. 조항 21의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
제 1 SEM 이미지에서의 피처를 인식하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 분석하게 하고;
제 2 해상도에서 취득된 블러링된 SEM 이미지를 표현하는 데이터를 시뮬레이팅하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 수치적으로 블러링하게 하고;
블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는 것으로 결정하게 하고; 그리고
블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정에 응답하여, 제 2 SEM 이미지를 표현하는 데이터의 부분을, 제 1 SEM 이미지에서 인식된 피처를 포함하는 포지션으로서 인식하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
34. 조항 33의 시스템에 있어서, 피처는 에지 포지션인, 시스템.
35. 조항들 33 내지 34 중 어느 한 조항의 시스템에 있어서, 블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정은 블러링된 SEM 이미지를 표현하는 데이터의 부분과 제 2 SEM 이미지를 표현하는 데이터의 부분 사이의 교차-상관에 기초하여 행해지는, 시스템.
36. 조항들 33 내지 34 중 어느 한 조항의 시스템에 있어서, 블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정은 블러링된 SEM 이미지를 표현하는 데이터의 부분의 제곱 평균 제곱근 및 제 2 SEM 이미지를 표현하는 데이터의 부분의 제곱 평균 제곱근에 기초하여 행해지는, 시스템.
37. 조항들 21 내지 36 중 어느 한 조항의 시스템에 있어서, 제 2 해상도는 제 1 해상도보다 더 낮은, 시스템.
38. 조항들 21 내지 37 중 어느 한 조항의 시스템에 있어서, 제 1 해상도 및 제 2 해상도는 신호 평균화의 양, SEM 이미지 프레임의 잡음 비율, 픽셀 크기, 멀티-빔 시스템의 온-축 빔의 SEM 빔 폭, 멀티-빔 시스템의 오프-축 빔의 SEM 빔 폭, 단일 빔 시스템의 SEM 빔 폭, 또는 SEM 빔으로 공급된 전류 중의 적어도 하나에 대응하는, 시스템.
39. 조항들 21 내지 38 중 어느 한 조항의 시스템에 있어서, 제 1 SEM 이미지는 멀티-빔 시스템의 온-축 빔을 이용하여 획득되고, 제 2 SEM 이미지는 멀티-빔 시스템의 오프-축 빔을 이용하여 획득되는, 시스템.
40. 조항들 21 내지 38 중 어느 한 조항의 시스템에 있어서, 제 1 SEM 이미지는 저-전류 빔을 이용하여 획득되고, 제 2 SEM 이미지는 고-전류 빔을 이용하여 획득되는, 시스템.
41. 장치로 하여금 방법을 수행하게 하기 위하여, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트를 저장하는 비-일시적 컴퓨터 판독가능 매체로서, 상기 방법은,
제 1 해상도에서 제 1 주사 전자 현미경법(SEM) 이미지를 취득하는 단계;
제 2 해상도에서 제 2 SEM 이미지를 취득하는 단계; 및
향상된 이미지를 제공하는 단계 - 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공됨 - 를 포함하는, 컴퓨터 판독가능 매체.
42. 조항 41의 컴퓨터 판독가능 매체에 있어서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공되는, 컴퓨터 판독가능 매체.
43. 조항 41의 컴퓨터 판독가능 매체에 있어서, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트는, 장치로 하여금,
제 1 SEM 이미지로부터 훈련된 피처를 추출하는 것을 추가로 수행하게 하는, 컴퓨터 판독가능 매체.
44. 조항 43의 컴퓨터 판독가능 매체에 있어서, 훈련된 피처는 머신 러닝 네트워크를 이용하여 제 1 SEM 이미지로부터 추출되는, 컴퓨터 판독가능 매체.
45. 조항 44의 컴퓨터 판독가능 매체에 있어서, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트는, 장치로 하여금,
제 1 해상도에서 적어도 하나의 추가적인 SEM 이미지를 취득하는 것; 및
머신 러닝 네트워크를 이용하여 적어도 하나의 추가적인 SEM 이미지로부터 적어도 하나의 추가적인 훈련된 피처를 추출하는 것을 추가로 수행하게 하는, 컴퓨터 판독가능 매체.
46. 조항들 42 내지 45 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트는, 장치로 하여금,
제 2 SEM 이미지의 패턴 정보를 추출하는 것;
패턴 정보를 이용하여, 훈련된 피처가 제 2 SEM 이미지 상에서 식별되는 것으로 결정하는 것; 및
훈련된 피처가 제 2 SEM 이미지 상에서 식별된다는 결정에 응답하여, 식별된 훈련된 피처를 이용하여 제 2 SEM 이미지를 향상함으로써 향상된 이미지를 제공하는 것을 추가로 수행하게 하는, 컴퓨터 판독가능 매체.
47. 조항들 42 내지 46 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 제 1 SEM 이미지를 취득하는 것 및 제 1 SEM 이미지로부터 훈련된 피처를 추출하는 것은 오프라인 모드에서 수행되는, 컴퓨터 판독가능 매체.
48. 조항 46의 컴퓨터 판독가능 매체에 있어서, 훈련된 피처가 제 2 SEM 이미지 상에서 식별된다는 결정은 패턴 정보 및 훈련된 피처의 비교를 포함하는, 컴퓨터 판독가능 매체.
49. 조항 41의 컴퓨터 판독가능 매체에 있어서, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트는, 장치로 하여금,
하나 이상의 공간적-스펙트럼 특성들을 획득하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 분석하는 것; 및
획득된 하나 이상의 공간적-스펙트럼 특성들에 기초하여, 하나 이상의 수치 보상들을, 제 2 SEM 이미지를 표현하는 데이터에 적용함으로써 향상된 이미지를 제공하는 것을 추가로 수행하게 하는, 컴퓨터 판독가능 매체.
50. 조항 49의 컴퓨터 판독가능 매체에 있어서, 획득된 하나 이상의 공간적-스펙트럼 특성들은 위상 및 진폭 특성들을 포함하는, 컴퓨터 판독가능 매체.
51. 조항 49의 컴퓨터 판독가능 매체에 있어서, 하나 이상의 수치 보상들은 푸리에 도메인에서 적용되는, 컴퓨터 판독가능 매체.
52. 조항 49의 컴퓨터 판독가능 매체에 있어서, 하나 이상의 수치 보상들은 제 2 SEM 이미지를 디콘볼루셔닝하는, 컴퓨터 판독가능 매체.
53. 조항 41의 컴퓨터 판독가능 매체에 있어서, 장치의 적어도 하나의 프로세서에 의해 실행가능한 명령들의 세트는, 장치로 하여금,
제 1 SEM 이미지에서의 피처를 인식하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 분석하는 것;
제 2 해상도에서 취득된 블러링된 SEM 이미지를 표현하는 데이터를 시뮬레이팅하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 수치적으로 블러링하는 것;
블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는 것으로 결정하는 것; 및
블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정에 응답하여, 제 2 SEM 이미지를 표현하는 데이터의 부분을, 제 1 SEM 이미지에서 인식된 피처를 포함하는 포지션으로서 인식하는 것을 추가로 수행하게 하는, 컴퓨터 판독가능 매체.
54. 조항 53의 컴퓨터 판독가능 매체에 있어서, 피처는 에지 포지션인, 컴퓨터 판독가능 매체.
55. 조항들 53 내지 54 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정은 블러링된 SEM 이미지를 표현하는 데이터의 부분과 제 2 SEM 이미지를 표현하는 데이터의 부분 사이의 교차-상관에 기초하여 행해지는, 컴퓨터 판독가능 매체.
56. 조항들 53 내지 54 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 블러링된 SEM 이미지를 표현하는 데이터의 부분이 제 2 SEM 이미지를 표현하는 데이터의 부분과 맞는다는 결정은 블러링된 SEM 이미지를 표현하는 데이터의 부분의 제곱 평균 제곱근 및 제 2 SEM 이미지를 표현하는 데이터의 부분의 제곱 평균 제곱근에 기초하여 행해지는, 컴퓨터 판독가능 매체.
57. 조항들 41 내지 56 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 제 2 해상도는 제 1 해상도보다 더 낮은, 컴퓨터 판독가능 매체.
58. 조항들 41 내지 57 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 제 1 해상도 및 제 2 해상도는 신호 평균화의 양, SEM 이미지 프레임의 잡음 비율, 픽셀 크기, 멀티-빔 시스템의 온-축 빔의 SEM 빔 폭, 멀티-빔 시스템의 오프-축 빔의 SEM 빔 폭, 단일 빔 시스템의 SEM 빔 폭, 또는 SEM 빔으로 공급된 전류 중의 적어도 하나에 대응하는, 컴퓨터 판독가능 매체.
59. 조항들 41 내지 58 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 제 1 SEM 이미지는 멀티-빔 시스템의 온-축 빔을 이용하여 획득되고, 제 2 SEM 이미지는 멀티-빔 시스템의 오프-축 빔을 이용하여 획득되는, 컴퓨터 판독가능 매체.
60. 조항들 41 내지 58 중 어느 한 조항의 컴퓨터 판독가능 매체에 있어서, 제 1 SEM 이미지는 저-전류 빔을 이용하여 획득되고, 제 2 SEM 이미지는 고-전류 빔을 이용하여 획득되는, 컴퓨터 판독가능 매체.
실시예들은 조항들의 다음의 제 3 세트를 이용하여 추가로 설명될 수 있고, 여기서, 다른 조항들에 대한 참조들은 조항들의 이 제 3 세트의 조항들에 대한 참조들이다:
1. 이미지를 향상하기 위한 방법으로서,
멀티-빔 시스템의 온-축 빔의 이용에 의해 제 1 주사 전자 현미경법(SEM) 이미지를 취득하는 단계;
멀티-빔 시스템의 오프-축 빔의 이용에 의해 제 2 SEM 이미지를 취득하는 단계; 및
향상된 이미지를 제공하는 단계 - 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공됨 - 를 포함하는, 방법.
2. 조항 1의 방법에 있어서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공되는, 방법.
3. 조항 1의 방법에 있어서, 제 1 SEM 이미지로부터 훈련된 피처를 추출하는 단계를 더 포함하는, 방법.
4. 검사 시스템으로서,
명령들의 세트를 저장하는 메모리; 및
검사 시스템으로 하여금,
멀티-빔 시스템의 온-축 빔의 이용에 의해 제 1 주사 전자 현미경법(SEM) 이미지를 취득하게 하고;
멀티-빔 시스템의 오프-축 빔의 이용에 의해 제 2 SEM 이미지를 취득하게 하고; 그리고
향상된 이미지를 제공하게 하기 위하여 - 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공됨 -,
명령들의 세트를 실행하도록 구성된 프로세서를 포함하는, 시스템.
5. 조항 4의 시스템에 있어서, 향상된 이미지는 제 2 SEM 이미지를 향상하기 위하여 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 제 2 SEM 이미지를 수치적으로 향상하기 위하여 제 1 SEM 이미지를 참조로서 이용함으로써 제공되는, 시스템.
6. 조항 4의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
제 1 SEM 이미지로부터 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
7. 조항 6의 시스템에 있어서, 훈련된 피처는 머신 러닝 네트워크를 이용하여 제 1 SEM 이미지로부터 추출되는, 시스템.
8. 조항 7의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
온-축 빔의 이용에 의해 적어도 하나의 추가적인 SEM 이미지를 취득하게 하고; 그리고
머신 러닝 네트워크를 이용하여 적어도 하나의 추가적인 SEM 이미지로부터 적어도 하나의 추가적인 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
9. 조항 4의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
제 2 SEM 이미지의 패턴 정보를 추출하게 하고;
패턴 정보를 이용하여, 훈련된 피처가 제 2 SEM 이미지 상에서 식별되는 것으로 결정하게 하고; 그리고
훈련된 피처가 제 2 SEM 이미지 상에서 식별된다는 결정에 응답하여, 식별된 훈련된 피처를 이용하여 제 2 SEM 이미지를 향상함으로써 향상된 이미지를 제공하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
10. 조항 4의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금, 오프라인 모드에서 제 1 SEM 이미지를 취득하게 하고 제 1 SEM 이미지로부터 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
11. 조항 9의 시스템에 있어서, 훈련된 피처가 제 2 SEM 이미지 상에서 식별된다는 결정은 패턴 정보 및 훈련된 피처의 비교를 포함하는, 시스템.
12. 조항 4의 시스템에 있어서, 프로세서는, 검사 시스템으로 하여금,
하나 이상의 공간적-스펙트럼 특성들을 획득하기 위하여 제 1 SEM 이미지를 표현하는 데이터를 분석하게 하고; 그리고
획득된 하나 이상의 공간적-스펙트럼 특성들에 기초하여, 하나 이상의 수치 보상들을, 제 2 SEM 이미지를 표현하는 데이터에 적용함으로써 향상된 이미지를 제공하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템.
13. 조항 12의 시스템에 있어서, 획득된 하나 이상의 공간적-스펙트럼 특성들은 위상 및 진폭 특성들을 포함하는, 시스템.
14. 조항 12의 시스템에 있어서, 하나 이상의 수치 보상들은 푸리에 도메인에서 적용되는, 시스템.
15. 조항 12의 시스템에 있어서, 하나 이상의 수치 보상들은 제 2 SEM 이미지를 디콘볼루셔닝하는, 시스템.
프로세서(예를 들어, 도 1의 제어기(109)의 프로세서)가 이미지 프로세싱, 데이터 프로세싱, 데이터베이스 관리, 그래픽 디스플레이, 하전 입자 빔 장치 또는 다른 이미징 디바이스의 동작들 등을 수행하기 위한 명령들을 저장하는 비-일시적 컴퓨터 판독가능 매체가 제공될 수 있다. 비-일시적 매체들의 보편적인 형태들은 예를 들어, 플로피 디스크, 플렉시블 디스크, 하드 디스크, 솔리드 스테이트 드라이브, 자기 테이프 또는 임의의 다른 자기 데이터 저장 매체, CD-ROM, 임의의 다른 광학 데이터 저장 매체, 구멍들의 패턴들을 갖는 임의의 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM 또는 임의의 다른 플래시 메모리, NVROM, 캐시, 레지스터, 임의의 다른 메모리 칩 또는 카트리지, 및 이들의 네트워크화된 버전들을 포함할 수 있다.
도면들에서의 블록도들은 본 개시내용의 다양한 예시적인 실시예들에 따른 시스템들, 방법들, 및 컴퓨터 하드웨어 또는 소프트웨어 제품들의 가능한 구현예들의 아키텍처, 기능성, 및 동작을 예시한다. 이와 관련하여, 플로우차트 또는 블록도에서의 각각의 블록은 특정된 논리적 기능들을 구현하기 위한 하나 이상의 실행가능 명령들을 포함하는 모듈, 세그먼트, 또는 코드의 부분을 표현할 수 있다. 일부 대안적인 구현예들에서, 블록으로 표시된 기능들은 도면들에서 언급된 순서와 관계 없이 발생할 수 있다는 것이 또한 이해되어야 한다. 예를 들어, 연속으로 도시된 2 개의 블록들은 실질적으로 동시에 실행될 수 있거나 구현될 수 있거나, 2 개의 블록들은 관여된 기능성에 따라서는, 반대 순서로 때때로 실행될 수 있다. 일부 블록들은 또한 생략될 수 있다. 블록도들의 각각의 블록 및 블록들의 조합들은 특정된 기능들 또는 액트(act)들을 수행하는 특수 목적 하드웨어-기반 시스템들에 의해, 또는 특수 목적 하드웨어 및 컴퓨터 명령들의 조합들에 의해 구현될 수 있는 것이 또한 이해되어야 한다.
본 개시내용의 실시예들은, 위에서 설명되었고 동반 도면들에서 예시되었던 정확한 구성으로 제한되지는 않는다는 것과, 다양한 수정들 및 변경들은 그 범위로부터 이탈하지 않으면서 행해질 수 있다는 것이 인식될 것이다.
Claims (15)
- 이미지를 향상하기 위한 방법으로서,
멀티-빔 시스템의 온-축(on-axis) 빔의 이용에 의해 제 1 주사 전자 현미경법(scanning electron microscopy; SEM) 이미지를 취득하는 단계;
상기 멀티-빔 시스템의 오프-축(off-axis) 빔의 이용에 의해 제 2 SEM 이미지를 취득하는 단계; 및
향상된 이미지를 제공하는 단계 - 상기 향상된 이미지는 상기 제 2 SEM 이미지를 향상하기 위하여 상기 제 1 SEM 이미지를 참조로서 이용함으로써 제공됨 - 를 포함하는, 방법. - 제 1 항에 있어서,
상기 향상된 이미지는 상기 제 2 SEM 이미지를 향상하기 위하여 상기 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 상기 제 2 SEM 이미지를 수치적으로 향상하기 위하여 상기 제 1 SEM 이미지를 참조로서 이용함으로써 제공되는, 방법. - 제 1 항에 있어서,
상기 제 1 SEM 이미지로부터 훈련된 피처를 추출하는 단계를 더 포함하는, 방법. - 검사 시스템으로서,
명령들의 세트를 저장하는 메모리; 및
상기 검사 시스템으로 하여금,
멀티-빔 시스템의 온-축 빔의 이용에 의해 제 1 주사 전자 현미경법(SEM) 이미지를 취득하게 하고;
상기 멀티-빔 시스템의 오프-축 빔의 이용에 의해 제 2 SEM 이미지를 취득하게 하고; 그리고
향상된 이미지를 제공하게 하기 위하여 - 상기 향상된 이미지는 상기 제 2 SEM 이미지를 향상하기 위하여 상기 제 1 SEM 이미지를 참조로서 이용함으로써 제공됨 -,
명령들의 세트를 실행하도록 구성된 프로세서를 포함하는, 시스템. - 제 4 항에 있어서,
상기 향상된 이미지는 상기 제 2 SEM 이미지를 향상하기 위하여 상기 제 1 이미지로부터 추출된 하나 이상의 피처들을 이용함으로써, 또는 상기 제 2 SEM 이미지를 수치적으로 향상하기 위하여 상기 제 1 SEM 이미지를 참조로서 이용함으로써 제공되는, 시스템. - 제 4 항에 있어서,
상기 프로세서는, 상기 검사 시스템으로 하여금,
상기 제 1 SEM 이미지로부터 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템. - 제 6 항에 있어서,
상기 훈련된 피처는 머신 러닝 네트워크(machine learning network)를 이용하여 상기 제 1 SEM 이미지로부터 추출되는, 시스템. - 제 7 항에 있어서,
상기 프로세서는, 상기 검사 시스템으로 하여금,
상기 온-축 빔의 이용에 의해 적어도 하나의 추가적인 SEM 이미지를 취득하게 하고; 그리고
상기 머신 러닝 네트워크를 이용하여 상기 적어도 하나의 추가적인 SEM 이미지로부터 적어도 하나의 추가적인 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템. - 제 4 항에 있어서,
상기 프로세서는, 상기 검사 시스템으로 하여금,
상기 제 2 SEM 이미지의 패턴 정보를 추출하게 하고;
상기 패턴 정보를 이용하여, 상기 훈련된 피처가 상기 제 2 SEM 이미지 상에서 식별되는 것으로 결정하게 하고; 그리고
상기 훈련된 피처가 상기 제 2 SEM 이미지 상에서 식별된다는 결정에 응답하여, 상기 식별된 훈련된 피처를 이용하여 상기 제 2 SEM 이미지를 향상함으로써 상기 향상된 이미지를 제공하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템. - 제 4 항에 있어서,
상기 프로세서는, 상기 검사 시스템으로 하여금, 오프라인 모드에서 상기 제 1 SEM 이미지를 취득하게 하고 상기 제 1 SEM 이미지로부터 상기 훈련된 피처를 추출하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템. - 제 9 항에 있어서,
상기 훈련된 피처가 상기 제 2 SEM 이미지 상에서 식별된다는 결정은 상기 패턴 정보 및 상기 훈련된 피처의 비교를 포함하는, 시스템. - 제 4 항에 있어서,
상기 프로세서는, 상기 검사 시스템으로 하여금,
하나 이상의 공간적-스펙트럼 특성들을 획득하기 위하여 상기 제 1 SEM 이미지를 표현하는 데이터를 분석하게 하고; 그리고
상기 획득된 하나 이상의 공간적-스펙트럼 특성들에 기초하여, 하나 이상의 수치 보상들을, 상기 제 2 SEM 이미지를 표현하는 데이터에 적용함으로써 상기 향상된 이미지를 제공하게 하기 위하여, 명령들의 세트를 실행하도록 추가로 구성되는, 시스템. - 제 12 항에 있어서,
상기 획득된 하나 이상의 공간적-스펙트럼 특성들은 위상 및 진폭 특성들을 포함하는, 시스템. - 제 12 항에 있어서,
상기 하나 이상의 수치 보상들은 푸리에 도메인(Fourier domain)에서 적용되는, 시스템. - 제 12 항에 있어서,
상기 하나 이상의 수치 보상들은 상기 제 2 SEM 이미지를 디콘볼루셔닝(deconvolve)하는, 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020247015233A KR20240069832A (ko) | 2018-07-13 | 2019-07-01 | Sem 이미지 향상 방법들 및 시스템들 |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862697927P | 2018-07-13 | 2018-07-13 | |
US62/697,927 | 2018-07-13 | ||
US201862786942P | 2018-12-31 | 2018-12-31 | |
US62/786,942 | 2018-12-31 | ||
PCT/EP2019/067555 WO2020011580A1 (en) | 2018-07-13 | 2019-07-01 | Sem image enhancement methods and systems |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020247015233A Division KR20240069832A (ko) | 2018-07-13 | 2019-07-01 | Sem 이미지 향상 방법들 및 시스템들 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210021369A true KR20210021369A (ko) | 2021-02-25 |
Family
ID=67184995
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020247015233A KR20240069832A (ko) | 2018-07-13 | 2019-07-01 | Sem 이미지 향상 방법들 및 시스템들 |
KR1020217001092A KR20210021369A (ko) | 2018-07-13 | 2019-07-01 | Sem 이미지 향상 방법들 및 시스템들 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020247015233A KR20240069832A (ko) | 2018-07-13 | 2019-07-01 | Sem 이미지 향상 방법들 및 시스템들 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200018944A1 (ko) |
KR (2) | KR20240069832A (ko) |
CN (1) | CN112424903A (ko) |
IL (2) | IL310722A (ko) |
TW (2) | TW202117787A (ko) |
WO (1) | WO2020011580A1 (ko) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11264206B2 (en) * | 2014-03-10 | 2022-03-01 | D2S, Inc. | Methods and systems for forming a pattern on a surface using multi-beam charged particle beam lithography |
US10923318B2 (en) * | 2018-12-20 | 2021-02-16 | Fei Company | Optical alignment correction using convolutional neural network evaluation of a beam image |
JP7422785B2 (ja) * | 2019-05-17 | 2024-01-26 | マジック リープ, インコーポレイテッド | ニューラルネットワークおよび角検出器を使用した角検出のための方法および装置 |
JP2021026926A (ja) * | 2019-08-07 | 2021-02-22 | 株式会社日立ハイテク | 画像生成方法、非一時的コンピューター可読媒体、及びシステム |
KR20220103140A (ko) * | 2020-01-22 | 2022-07-21 | 주식회사 히타치하이테크 | 하전 입자선 장치 및 검사 장치 |
US11416977B2 (en) * | 2020-03-10 | 2022-08-16 | Applied Materials, Inc. | Self-measurement of semiconductor image using deep learning |
CA3078085A1 (en) * | 2020-04-09 | 2021-10-09 | Techinsights Inc. | System and method for image segmentation from sparse particle impingement data |
EP3901902A1 (en) * | 2020-04-20 | 2021-10-27 | FEI Company | Method implemented by a data processing apparatus, and charged particle beam device for inspecting a specimen using such a method |
US20220092762A1 (en) * | 2020-09-24 | 2022-03-24 | Leapmind Inc. | Operation program, operation method, and operation device |
CN116324868A (zh) * | 2020-10-13 | 2023-06-23 | Asml荷兰有限公司 | 生成去模糊模型和去模糊图像的装置和方法 |
US11282670B1 (en) * | 2020-12-29 | 2022-03-22 | Fei Company | Slice depth reconstruction of charged particle images using model simulation for improved generation of 3D sample images |
TW202238110A (zh) * | 2021-02-23 | 2022-10-01 | 以色列商奧寶科技有限公司 | 使用混合成像系統之自動光學檢測 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100979071B1 (ko) * | 2002-02-22 | 2010-08-31 | 에이저 시스템즈 인크 | 이중 배향 다결정성 재료의 화학 기계적 연마 |
US6812462B1 (en) * | 2003-02-21 | 2004-11-02 | Kla-Tencor Technologies Corporation | Dual electron beam instrument for multi-perspective |
US7888640B2 (en) * | 2007-06-18 | 2011-02-15 | Hitachi High-Technologies Corporation | Scanning electron microscope and method of imaging an object by using the scanning electron microscope |
JP5164754B2 (ja) * | 2008-09-08 | 2013-03-21 | 株式会社日立ハイテクノロジーズ | 走査型荷電粒子顕微鏡装置及び走査型荷電粒子顕微鏡装置で取得した画像の処理方法 |
JP5325522B2 (ja) * | 2008-10-15 | 2013-10-23 | 株式会社堀場製作所 | 複合型観察装置 |
JP5303781B2 (ja) * | 2008-12-26 | 2013-10-02 | 株式会社堀場製作所 | 電子顕微鏡装置 |
WO2012093474A1 (ja) * | 2011-01-05 | 2012-07-12 | Isobe Shinichiro | 多光源顕微鏡 |
TWI537596B (zh) * | 2014-12-31 | 2016-06-11 | Laser projection device | |
US9691588B2 (en) * | 2015-03-10 | 2017-06-27 | Hermes Microvision, Inc. | Apparatus of plural charged-particle beams |
US10012599B2 (en) * | 2015-04-03 | 2018-07-03 | Kla-Tencor Corp. | Optical die to database inspection |
US9754761B2 (en) * | 2015-05-26 | 2017-09-05 | Kla-Tencor Corporation | High-speed hotspot or defect imaging with a charged particle beam system |
KR101725506B1 (ko) * | 2015-07-20 | 2017-04-12 | 한국표준과학연구원 | 시료의 광학 이미지를 얻을 수 있는 주사전자현미경 |
TWI701459B (zh) * | 2015-09-23 | 2020-08-11 | 美商克萊譚克公司 | 用於多波束掃描式電子顯微系統之聚焦調整之方法及系統 |
US11056314B2 (en) * | 2015-10-22 | 2021-07-06 | Northwestern University | Method for acquiring intentionally limited data and the machine learning approach to reconstruct it |
US10648924B2 (en) * | 2016-01-04 | 2020-05-12 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
CN109863573B (zh) * | 2016-12-12 | 2021-10-15 | 应用材料公司 | 检查基板的方法和具有指令存储于其上的计算机可读介质 |
US10769761B2 (en) * | 2017-06-30 | 2020-09-08 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
-
2019
- 2019-07-01 WO PCT/EP2019/067555 patent/WO2020011580A1/en active Application Filing
- 2019-07-01 KR KR1020247015233A patent/KR20240069832A/ko active Application Filing
- 2019-07-01 CN CN201980046684.XA patent/CN112424903A/zh active Pending
- 2019-07-01 KR KR1020217001092A patent/KR20210021369A/ko active Application Filing
- 2019-07-01 IL IL310722A patent/IL310722A/en unknown
- 2019-07-01 IL IL280067A patent/IL280067B2/en unknown
- 2019-07-10 US US16/508,087 patent/US20200018944A1/en active Pending
- 2019-07-10 TW TW109133909A patent/TW202117787A/zh unknown
- 2019-07-10 TW TW108124273A patent/TWI709154B/zh active
Also Published As
Publication number | Publication date |
---|---|
WO2020011580A1 (en) | 2020-01-16 |
IL310722A (en) | 2024-04-01 |
TW202016970A (zh) | 2020-05-01 |
KR20240069832A (ko) | 2024-05-20 |
US20200018944A1 (en) | 2020-01-16 |
CN112424903A (zh) | 2021-02-26 |
IL280067B1 (en) | 2024-03-01 |
IL280067A (en) | 2021-03-01 |
IL280067B2 (en) | 2024-07-01 |
TW202117787A (zh) | 2021-05-01 |
TWI709154B (zh) | 2020-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20210021369A (ko) | Sem 이미지 향상 방법들 및 시스템들 | |
KR102369848B1 (ko) | 관심 패턴 이미지 집단에 대한 이상치 검출 | |
US10096100B2 (en) | Inspection device, inspection method, and image processing program | |
US20220375063A1 (en) | System and method for generating predictive images for wafer inspection using machine learning | |
IL281060B1 (en) | Methods and systems of optimal meteorological guidance | |
EP4367632A1 (en) | Method and system for anomaly-based defect inspection | |
TWI836130B (zh) | 用於增強影像之方法及檢測系統 | |
US20220301811A1 (en) | Cross-talk cancellation in multiple charged-particle beam inspection | |
EP4367627A1 (en) | Image distortion correction in charged particle inspection | |
TWI807537B (zh) | 影像對準方法及系統 | |
US20240212131A1 (en) | Improved charged particle image inspection | |
JP2020052025A (ja) | パターン検査装置及び参照画像の作成方法 | |
US20230139085A1 (en) | Processing reference data for wafer inspection | |
EP4060600A1 (en) | Sem image enhancement | |
WO2023156125A1 (en) | Systems and methods for defect location binning in charged-particle systems | |
WO2023232382A1 (en) | System and method for distortion adjustment during inspection | |
CN117280380A (zh) | 带电粒子检测中的图像增强 | |
WO2023110292A1 (en) | Auto parameter tuning for charged particle inspection image alignment | |
KR20240113497A (ko) | 하전 입자 시스템에서 결함 검출 및 결함 위치 식별을 위한 시스템 및 방법 | |
CN116152155A (zh) | 用于半导体样本制造的掩模检查 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X601 | Decision of rejection after re-examination | ||
A107 | Divisional application of patent |