KR20210150970A - 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출 - Google Patents

약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출 Download PDF

Info

Publication number
KR20210150970A
KR20210150970A KR1020210049665A KR20210049665A KR20210150970A KR 20210150970 A KR20210150970 A KR 20210150970A KR 1020210049665 A KR1020210049665 A KR 1020210049665A KR 20210049665 A KR20210049665 A KR 20210049665A KR 20210150970 A KR20210150970 A KR 20210150970A
Authority
KR
South Korea
Prior art keywords
poi
block
neural network
training
pixel
Prior art date
Application number
KR1020210049665A
Other languages
English (en)
Inventor
이라드 펠렉
란 슐레옌
보아즈 코헨
Original Assignee
어플라이드 머티리얼즈 이스라엘 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 어플라이드 머티리얼즈 이스라엘 리미티드 filed Critical 어플라이드 머티리얼즈 이스라엘 리미티드
Publication of KR20210150970A publication Critical patent/KR20210150970A/ko

Links

Images

Classifications

    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • 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
    • 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
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Neurology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (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)

Abstract

반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템으로서, 시스템은 프로세서 및 메모리 회로를 포함하며, 프로세서 및 메모리 회로는, POI의 고해상도 이미지를 획득하고, 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 데이터를 생성하도록 구성되고, 생성하는 것은, 훈련 샘플들에 따라 훈련된 기계 학습 모델을 활용하고, 훈련 샘플들은, 시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지 ― 개개의 훈련 패턴은 POI와 유사함 ―, 및 이미지와 연관된 라벨 ― 라벨은 개개의 훈련 패턴의 저해상도 조사에서 파생됨 ― 을 포함한다.

Description

약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출{DETECTING DEFECTS IN SEMICONDUCTOR SPECIMENS USING WEAK LABELING}
본원에 개시되는 주제는 일반적으로, 웨이퍼 시편의 검사 분야에 관한 것으로, 더 구체적으로는, 시편에서 결함들을 검출하는 것에 관한 것이다.
제조된 디바이스들의 극대 규모 집적회로와 연관된 높은 밀도 및 성능에 대한 현재의 요구들은, 1 미크론 미만의 피쳐들, 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 요구한다. 그러한 요구들은, 높은 정밀도 및 균일성을 갖는 디바이스 피쳐들의 형성을 요구하고, 이는 차례로, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 있는 동안, 디바이스들의 자동화된 검사들을 포함하는, 제조 프로세스의 신중한 모니터링을 필요로 한다.
비-제한적인 예로서, 실행시간 검사는, 예컨대, 시편의 조사 이후에, 샘플링된 잠재적 결함들의 위치들의 검토가 후속되는, 2단계 절차를 이용할 수 있다. 제1 단계 동안, 시편의 표면이 고속으로 그리고 비교적 낮은 해상도로 조사된다. 제1 단계에서, 높은 결함 확률을 갖는 시편 상의 의심되는 위치들을 나타내기 위해 결함 맵이 생성된다. 제2 단계 동안, 의심되는 위치들 중 적어도 일부가 비교적 높은 해상도로 더 철저하게 분석된다. 일부 경우들에서, 단계들 둘 모두가 동일한 조사 툴에 의해 구현될 수 있고, 일부 다른 경우들에서는, 이러한 2개의 단계가 상이한 조사 툴들에 의해 구현된다.
검사 프로세스들은 시편들 상의 결함들을 검출 및 분류하기 위해 반도체 제조 동안 다양한 단계들에서 사용된다. 검사의 효과는, 예컨대, 자동 결함 분류(ADC), 자동 결함 검토(ADR) 등과 같은, 프로세스(들)의 자동화에 의해 증가될 수 있다.
본원에 개시되는 주제의 일 양상에 따르면, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템이 제공되며, 시스템은 프로세서 및 메모리 회로(PMC)를 포함하고, PMC는:
시편 상의 POI의 고해상도 이미지에 대한 정보를 주는 데이터를 획득하고;
유결함(defectiveness) 관련 분류에 따라 POI를 분류하는 데 사용가능한 데이터를 생성하도록 구성되고,
생성하는 것은, 적어도 복수의 훈련 샘플들에 따라 훈련된 기계 학습 모델을 활용하고, 각각의 훈련 샘플은:
시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지를 포함하고, 개개의 훈련 패턴은 POI와 유사하고,
개개의 훈련 패턴은, 개개의 훈련 패턴의 저해상도 조사에서 파생되는 라벨과 연관된다.
위의 특징들에 부가하여, 본원에 개시되는 주제의 이러한 양상에 따른 시스템은, 아래에 열거된 특징들 (i) 내지 (xiii) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다:
(i) 복수의 훈련 샘플들의 각각의 훈련 샘플의 고해상도 훈련 이미지는 주사 전자 현미경(SEM) 이미지이다.
(ii) 복수의 훈련 샘플들의 각각의 훈련 샘플의 라벨은 개개의 훈련 패턴의 광학 조사에서 파생된다.
(iii) 기계 학습 모델은 신경망을 포함하며, 신경망은,
POI의 고해상도 이미지에 대한 정보를 주는 입력 데이터를 고려하여, 피쳐 맵을 출력하도록 구성되는 제1 일련의 하나 이상의 신경망 계층, 및
입력 피쳐 맵을 고려하여, 적어도 하나의 픽셀-블록별 분류 점수를 표시하는 데이터를 출력하도록 구성되는 제2 일련의 신경망 계층들 ― 각각의 픽셀-블록별 분류 점수는 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 POI의 구역과 관련되고, 픽셀-블록별 분류 점수는 개개의 구역의 유결함의 가능성을 표시함 ― 을 포함함으로써,
유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 데이터를 생성하고,
기계 학습 모델은:
a) 복수의 훈련 샘플들의 제1 훈련 샘플의 제1 POI의 제1 고해상도 이미지에 제1 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 의심 피쳐 맵을 생성하고 ― 제1 POI는 유결함을 표시하는 라벨과 연관됨 ―;
b) 의심 피쳐 맵에 제2 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 적어도 하나의 의심 픽셀-블록별 점수를 표시하는 데이터를 생성하고 ― 각각의 의심 픽셀-블록별 점수는, 제1 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 제1 POI의 구역과 관련되고, 의심 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
c) 복수의 훈련 샘플들의 제2 훈련 샘플의 제2 POI의 제2 고해상도 이미지에 제1 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 기준 피쳐 맵을 생성하고 ― 제2 POI는 비-유결함(non-defectiveness)을 표시하는 라벨과 연관됨 ―;
d) 기준 피쳐 맵에 제2 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 적어도 하나의 기준 픽셀-블록별 점수를 표시하는 데이터를 생성하고 ― 각각의 기준 픽셀-블록별 점수는, 제2 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 제2 POI의 구역과 관련되고, 기준 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
e) 손실 함수에 따라 제1 일련의 신경망 계층들 및 제2 일련의 신경망 계층들 중 적어도 하나의 계층의 적어도 하나의 가중치를 조정하고 ― 손실 함수는 적어도, 의심 피쳐 맵 및 기준 피쳐 맵에서 파생되는 거리 메트릭, 적어도 하나의 의심 픽셀-블록별 점수, 및 적어도 하나의 기준 픽셀-블록별 점수를 활용함 ―;
f) 복수의 훈련 샘플들의 하나 이상의 부가적인 제1 및 제2 훈련 샘플에 대해 a) - e)를 반복하는 것에 따라 훈련되었다.
(iv) 신경망 계층들은 콘볼루션 계층들이다.
(v) 거리 메트릭은 의심 피쳐 맵과 기준 피쳐 맵 사이의 유클리드(Euclidean) 차이에 따라 이루어진다.
(vi) 거리 메트릭은 의심 피쳐 맵과 기준 피쳐 맵 사이의 코사인 유사도에 따라 이루어진다.
(vii) 부가적인 제2 훈련 샘플들은 동일한 훈련 샘플이다.
(viii) 손실 함수는:
제1 고해상도 이미지의 픽셀 그룹과 연관된 주석부기(annotation) 데이터를 추가로 활용하며, 주석부기 데이터는 픽셀 그룹에 의해 표현되는 제1 POI의 구역의 유결함을 표시한다.
(ix) 주석부기 데이터는 고해상도 이미지의 인간에 의한 주석부기에서 파생된다.
(x) 프로세서에 의해, 적어도 하나의 픽셀-블록별 분류 점수의 각각의 점수를 유결함 임계치와 비교함으로써, POI에 결함이 있는지 여부의 표시가 생성된다.
(xi) 프로세서에 의해, POI에 결함이 있는지 여부의 표시에 따라 작업자에게 경고된다.
(xii) 프로세서에 의해, 적어도 하나의 픽셀-블록별 분류 점수에 따라 결함 경계 박스가 결정된다.
(xiii) 시스템은,
POI의 저해상도 이미지를 포착하고 유결함 관련 분류에 따라 POI를 분류하기 위해 저해상도 이미지의 광학 조사를 활용하도록 구성되는 저해상도 검사 툴들; 및
저해상도 툴들에 의한 결함이 있는 것으로서의 POI의 분류에 대한 응답으로, POI의 고해상도 이미지를 포착하도록 구성되는 고해상도 검사 툴들을 더 포함한다.
본원에 개시되는 주제의 다른 양상에 따르면, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법이 제공되며, 방법은:
프로세서에 의해, 시편 상의 POI의 고해상도 이미지에 대한 정보를 주는 데이터를 수신하는 단계; 및 프로세서에 의해, 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 데이터를 생성하는 단계를 포함하고, 생성하는 단계는, 적어도 복수의 훈련 샘플들에 따라 훈련된 기계 학습 모델을 활용하고, 각각의 훈련 샘플은:
시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지를 포함하고, 훈련 패턴은 POI와 유사하고,
개개의 훈련 패턴은, 개개의 훈련 패턴의 저해상도 조사에서 파생되는 라벨과 연관된다.
개시되는 주제의 이러한 양상은 임의적으로, 시스템에 관하여 위에 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본원에 개시되는 주제의 또 다른 양상에 따르면, 컴퓨터 판독가능 명령어들을 유형으로(tangibly) 구현하는, 처리 및 메모리 회로에 의해 판독가능한 비-일시적인 프로그램 저장 디바이스가 제공되며, 명령어들은, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법을 수행하도록 처리 및 메모리 회로에 의해 실행가능하고, 방법은:
시편 상의 POI의 고해상도 이미지에 대한 정보를 주는 데이터를 수신하는 단계; 및 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 데이터를 생성하는 단계를 포함하고,
생성하는 단계는, 적어도 복수의 훈련 샘플들에 따라 훈련된 기계 학습 모델을 활용하고, 각각의 훈련 샘플은:
시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지를 포함하고, 훈련 패턴은 POI와 유사하고,
개개의 훈련 패턴은, 개개의 훈련 패턴의 저해상도 조사에서 파생되는 라벨과 연관된다.
개시되는 주제의 이러한 양상은 임의적으로, 시스템에 관하여 위에 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본원에 개시되는 주제의 또 다른 양상에 따르면, 컴퓨터 판독가능 명령어들을 유형으로 구현하는, 처리 및 메모리 회로에 의해 판독가능한 비-일시적인 프로그램 저장 디바이스가 제공되며, 명령어들은, POI의 고해상도 이미지에 대한 정보를 주는 입력 데이터를 고려하여, 적어도 하나의 픽셀-블록별 분류 점수를 표시하는 데이터를 생성함으로써, 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 데이터를 생성하도록 신경망을 훈련하는 방법을 수행하도록 처리 및 메모리 회로에 의해 실행가능하고, 각각의 픽셀-블록별 분류 점수는 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 POI의 구역과 관련되고, 픽셀-블록별 분류 점수는 개개의 구역의 유결함의 가능성을 표시하고, 훈련하는 것은 적어도 복수의 훈련 샘플들을 활용하고, 각각의 훈련 샘플은,
시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지를 포함하고, 훈련 패턴은 POI와 유사하고,
개개의 훈련 패턴은, 개개의 훈련 패턴의 저해상도 조사에서 파생되는 라벨과 연관되고,
방법은:
a) 복수의 훈련 샘플들의 제1 훈련 샘플의 제1 POI의 제1 고해상도 이미지에 제1 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 의심 피쳐 맵을 생성하는 단계 ― 제1 POI는 유결함을 표시하는 라벨과 연관됨 ―;
b) 의심 피쳐 맵에 제2 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 적어도 하나의 의심 픽셀-블록별 점수를 표시하는 데이터를 생성하는 단계 ― 각각의 의심 픽셀-블록별 점수는, 제1 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 제1 POI의 구역과 관련되고, 의심 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
c) 복수의 훈련 샘플들의 제2 훈련 샘플의 제2 POI의 제2 고해상도 이미지에 제1 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 기준 피쳐 맵을 생성하는 단계 ― 제2 POI는 비-유결함을 표시하는 라벨과 연관됨 ―;
d) 기준 피쳐 맵에 제2 일련의 신경망 계층들을 적용함으로써, 신경망의 현재 훈련 상태에 따라, 적어도 하나의 기준 픽셀-블록별 점수를 표시하는 데이터를 생성하는 단계 ― 각각의 기준 픽셀-블록별 점수는, 제2 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 제2 POI의 구역과 관련되고, 기준 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
e) 손실 함수에 따라 제1 일련의 신경망 계층들 및 제2 일련의 신경망 계층들 중 적어도 하나의 계층의 적어도 하나의 가중치를 조정하는 단계 ― 손실 함수는 적어도, 의심 피쳐 맵 및 기준 피쳐 맵에서 파생되는 거리 메트릭, 적어도 하나의 의심 픽셀-블록별 점수, 및 적어도 하나의 기준 픽셀-블록별 점수를 활용함 ―; 및
f) 복수의 훈련 샘플들의 하나 이상의 부가적인 제1 및 제2 훈련 샘플에 대해 a) - e)를 반복하는 단계를 포함한다.
개시되는 주제의 이러한 양상은 임의적으로, 시스템에 관하여 위에 열거된 특징들 (i) 내지 (ix) 중 하나 이상을, 준용하여, 기술적으로 가능한 임의의 원하는 조합 또는 순열로 포함할 수 있다.
본 발명을 이해하고, 본 발명이 실제로 어떻게 수행될 수 있는지를 알기 위해, 첨부된 도면들을 참조하여, 비-제한적인 예들로서 실시예들이 설명될 것이다.
도 1은 본원에 개시되는 주제의 특정 실시예들에 따른 검사 시스템의 일반화된 블록도를 예시한다.
도 2는 본원에 개시되는 주제의 특정 실시예들에 따른, 광학 조사에서 파생되는 약한 라벨들에 따라 반도체 시편 상의 관심 패턴(POI)을 분류하는 예시적인 방법을 설명하는 흐름도를 예시한다.
도 3은 본원에 개시되는 주제의 특정 실시예들에 따른, POI의 SEM 이미지들(또는 다른 고해상도 이미지들)에 대한 정보를 주는 데이터를 수신하고, 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 픽셀-블록별 점수들을 표시하는 데이터를 생성하는 데 사용가능한 기계 학습 모델의 예시적인 계층들을 예시한다.
도 4는 본원에 개시되는 주제의 일부 실시예들에 따른, 기계 학습 모델이 POI의 입력 SEM 이미지를 수신하고 이어서 POI를 분류하는 데 사용가능한 픽셀-블록별 점수들을 표시하는 데이터를 생성할 수 있도록 모델을 훈련하는 예시적인 방법을 예시한다.
도 5는 본원에 개시되는 주제의 일부 실시예들에 따른, 예시적인 기계 학습 모델 및 훈련 데이터 흐름을 예시한다.
다음의 상세한 설명에서는, 본 개시내용의 철저한 이해를 제공하기 위해, 많은 특정 세부사항들이 기재된다. 그러나, 본원에 개시되는 주제는 이러한 특정 세부사항들 없이도 실시될 수 있다는 것이 관련 기술분야의 통상의 기술자들에 의해 이해될 것이다. 다른 예시들에서, 잘 알려진 방법들, 절차들, 구성요소들, 및 회로들은, 본원에 개시되는 주제를 불명료하게 하지 않기 위해 상세히 설명되지 않는다.
달리 구체적으로 언급되지 않는 한, 다음의 논의들로부터 명백한 바와 같이, 본 명세서 전반에 걸쳐, "훈련", "획득", "생성", "컴퓨팅", "계산", "활용", "공급", "제공", "등록", "적용", "조정" 등과 같은 용어들을 활용하는 논의들은, 데이터를 다른 데이터로 조작 및/또는 변환하는 프로세서의 동작(들) 및/또는 프로세스(들)를 지칭하며, 상기 데이터는 물리적, 이를테면 전자적 양들로서 표현되고/거나 상기 데이터는 물리적 객체들을 표현한다는 것이 인식된다. "프로세서"라는 용어는, 메모리에 저장된 명령어들에 기반하여 작업들을 수행할 수 있는 데이터 처리 회로를 갖는 임의의 컴퓨팅 유닛 또는 전자 유닛, 이를테면, 컴퓨터, 서버, 칩, 하드웨어 프로세서 등을 망라한다. 이는, 동일한 지리적 구역에 위치될 수 있거나, 적어도 부분적으로 상이한 구역들에 위치될 수 있고 함께 통신하는 것이 가능할 수 있는, 단일 프로세서 또는 다수의 프로세서들을 포괄한다.
본원에서 사용되는 "비-일시적인 메모리" 및 "비-일시적인 매체"라는 용어들은, 본원에 개시되는 주제에 적합한 임의의 휘발성 또는 비-휘발성 컴퓨터 메모리를 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "결함"이라는 용어는, 시편 상에 또는 시편 내에 형성된 임의의 종류의 기형 또는 바람직하지 않은 피쳐를 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "시편"이라는 용어는, 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체-제조 물품들을 제조하는 데 사용되는 임의의 종류의 웨이퍼, 마스크들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 망라하도록 광범위하게 해석되어야 한다.
본 명세서에서 사용되는 "검사"라는 용어는, 임의의 종류의 계측-관련 동작들뿐만 아니라 시편의 제조 동안의 시편에서의 결함들의 검출 및/또는 분류에 관련된 동작들을 망라하도록 광범위하게 해석되어야 한다. 검사는, 검사될 시편의 제조 동안에 또는 그 후에 비-파괴 검사 툴들을 사용함으로써 제공된다. 비-제한적인 예로서, 검사 프로세스는, 동일하거나 상이한 조사 툴들을 사용하여 시편 또는 시편의 부분들에 관하여 제공되는, (단일 또는 다수의 스캔들로의) 실행시간 스캐닝, 샘플링, 검토, 측정, 분류, 및/또는 다른 동작들을 포함할 수 있다. 마찬가지로, 검사는, 검사될 시편의 제조 전에 제공될 수 있고, 예컨대, 검사 처리법(들) 및/또는 다른 설정 동작들을 생성하는 것을 포함할 수 있다. 달리 구체적으로 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어들은 조사 영역의 해상도 또는 크기에 관하여 제한되지 않는다는 것이 유의된다. 다양한 비-파괴적 검사 툴들은, 비-제한적인 예로서, 주사 전자 현미경들, 원자간력 현미경들, 광학 조사 툴들 등을 포함한다.
본원에 개시되는 주제의 실시예들은 임의의 특정 프로그래밍 언어를 참조하여 설명되지 않는다. 다양한 프로그래밍 언어들이 본원에서 설명되는 바와 같은 본원에 개시되는 주제의 교시들을 구현하기 위해 사용될 수 있다는 것이 인식될 것이다.
본 발명은, 본 발명의 하나 이상의 방법을 실행하기 위해 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 발명은 추가로, 본 발명의 하나 이상의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형으로 구현하는 기계 판독가능 메모리를 고려한다.
이를 유념하면서, 본원에 개시되는 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하는 도 1을 주목한다. 도 1에 예시된 검사 시스템(100)은, 시편 제조 프로세스의 일부로서 시편(예컨대, 반도체 시편, 이를테면, 웨이퍼 및/또는 웨이퍼의 부분들)의 검사에 사용될 수 있다. 예시된 검사 시스템(100)은, 하나 이상의 시편의 이미지들을 사용하여 계측 관련 및/또는 결함 관련 정보를 자동으로 결정할 수 있는 컴퓨터-기반 시스템(103)을 포함한다. 시스템(103)은 하나 이상의 저해상도 검사 툴(101) 및/또는 하나 이상의 고해상도 검사 툴(102) 및/또는 다른 검사 툴들에 동작가능하게 연결될 수 있다. 검사 툴들은, 시편들의 이미지들을 포착하고/거나 포착된 이미지(들)를 검토하고/거나 포착된 이미지(들)와 관련된 측정들을 가능하게 하거나 제공하도록 구성된다. 시스템(103)는 추가로, 데이터 저장소(109)에 동작가능하게 연결될 수 있다. 데이터 저장소(109)는 수동 주석부기 입력 디바이스(110)에 동작가능하게 연결될 수 있고, 그로부터 수동 주석부기 데이터를 수신할 수 있다.
시스템(103)은 프로세서 및 메모리 회로(PMC)(104)를 포함한다. PMC(104)는, 이후 설명되는 다양한 실시예들에서 더 상세히 설명되는 바와 같이 시스템(103)을 동작시키기 위해 필요한 처리를 제공하도록 구성되며, 프로세서(별개로 도시되지 않음) 및 메모리(별개로 도시되지 않음)를 포함한다. 도 1에서, PMC(104)는, 하드웨어 기반 입력 인터페이스(105) 및 하드웨어 기반 출력 인터페이스(106)에 동작가능하게 연결된다.
PMC(104)의 프로세서는, PMC에 포함된 비-일시적인 컴퓨터-판독가능 메모리 상에 구현되는 컴퓨터-판독가능 명령어들에 따라 수 개의 기능 모듈들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이후 PMC에 포함되는 것으로 지칭된다. PMC(104)에 포함된 기능 모듈들은 기계 학습 유닛(ML 유닛)(112)을 포함할 수 있다. ML 유닛(112)은, 시편들의 이미지들에 기반하여 응용 관련 데이터를 출력하기 위한 기계 학습 모델/기계 학습 알고리즘을 사용하여 데이터 처리를 가능하게 하도록 구성될 수 있다.
ML 유닛(112)은, (예컨대, 심층 신경망(DNN)에 대한) 감독 또는 무감독 기계 학습 모델을 포함할 수 있다. ML 유닛(112)의 기계 학습 모델은, 개개의 DNN 아키텍처에 따라 조직화된 계층들을 포함할 수 있다. 비-제한적인 예로서, DNN 계층들은, 콘볼루션 신경망(CNN) 아키텍처, 순환적 신경망 아키텍처, 재귀적 신경망 아키텍처, 생성적 대립 신경망(GAN) 아키텍처, 또는 다른 아키텍처에 따라 조직화될 수 있다. 임의적으로, 계층들 중 적어도 일부는 복수의 DNN 부분망들에서 조직화될 수 있다. 기계 학습 모델의 각각의 계층은, 관련 기술분야에서 차원들, 뉴런들, 또는 노드들로 전형적으로 지칭되는 다수의 기본 계산 요소들(CE)을 포함할 수 있다. 일부 실시예들에서, 기계 학습 모델은, 각각의 계층이 신경망 계층인 신경망일 수 있다. 일부 실시예들에서, 기계 학습 모델은, 각각의 계층이 콘볼루션 계층인 콘볼루션 신경망일 수 있다.
일반적으로, 주어진 계층의 계산 요소들은 선행 계층 및/또는 후속 계층의 CE들과 연결될 수 있다. 선행 계층의 CE와 후속 계층의 CE 사이의 각각의 연결은 가중 값과 연관된다. 주어진 CE는 개개의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있으며, 각각의 주어진 연결은, 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은, 연결들의 상대적인 강도 및 그에 따른 주어진 CE의 출력에 대한 개개의 입력들의 상대적인 영향을 결정할 수 있다. 주어진 CE는, 활성화 값(예컨대, 입력들의 가중 합)을 컴퓨팅하도록 그리고 컴퓨팅된 활성화에 활성화 함수를 적용함으로써 출력을 도출하도록 추가로 구성될 수 있다. 활성화 함수는, 예컨대, 항등 함수, 결정론적 함수(예컨대, 선형, S자형, 임계치 등), 확률적 함수 또는 다른 적합한 함수일 수 있다.
주어진 CE로부터의 출력은 개개의 연결들을 통해 후속 계층의 CE들에 송신될 수 있다. 마찬가지로, 위에서와 같이, CE의 출력에서의 각각의 연결은 가중 값과 연관될 수 있으며, 가중 값은, 후속 계층의 CE의 입력으로서 수신되기 전에 CE의 출력에 적용될 수 있다. 가중 값들에 더하여, 연결들 및 CE들과 연관된 임계 값들(제한 함수들을 포함함)이 존재할 수 있다.
기계 학습 모델의 가중 및/또는 임계 값들은 처음에, 훈련 전에 선택될 수 있고, 훈련된 ML 망에서 최적의 세트의 가중 및/또는 임계 값들을 달성하기 위해, 훈련 동안에 추가로 반복적으로 조정 또는 수정될 수 있다. 각각의 반복 후에, 기계 학습 모델 의해 생성되는 실제 출력과 개개의 훈련 세트의 데이터와 연관된 목표 출력 사이의 차이(손실 함수로 또한 지칭됨)가 결정될 수 있다. 그 차이는 오차 값으로 지칭될 수 있다. 훈련은, 오차 값을 표시하는 비용 또는 손실 함수가 미리 결정된 값 미만일 때 또는 부가적인 반복들이 성능에서의 제한된 개선만을 초래할 때 완료되는 것으로 결정될 수 있다. 임의적으로, (존재하는 경우) 기계 학습 모델 부분망들 중 적어도 일부는, 전체 기계 학습 모델 망을 훈련하기 전에 별개로 훈련될 수 있다.
신경망의 가중치들/임계치들을 조정하는 데 사용되는 기계 학습 모델 입력 데이터의 세트는 본원에서 훈련 세트로 지칭된다.
시스템(103)은, 입력 인터페이스(105)를 통해, 검사 툴들에 의해 생성된 데이터(및/또는 그의 파생물들 및/또는 그와 연관된 메타데이터), 및/또는 하나 이상의 데이터 저장소(109) 및/또는 다른 관련 데이터 저장소에 생성되고/거나 저장된 데이터를 포함할 수 있는 입력 데이터를 수신하도록 구성될 수 있다. 입력 데이터는 이미지들(예컨대, 포착된 이미지들, 포착된 이미지들로부터 도출된 이미지들, 모의된 이미지들, 합성 이미지들 등) 및 연관된 스칼라 데이터(예컨대, 메타데이터, 수작업/수동 이미지 주석부기들, 자동 속성들 등)를 포함할 수 있다는 것이 유의된다. 이미지 데이터는 기편의 관심 층 및/또는 시편의 하나 이상의 다른 층과 관련된 데이터를 포함할 수 있다는 것이 추가로 유의된다.
입력 데이터를(예컨대, 저해상도 이미지 데이터 및/또는 고해상도 이미지 데이터를, 임의적으로는, 예컨대, 설계 데이터, 합성 데이터, 조사 데이터 등과 같은 다른 데이터와 함께) 처리할 시, 시스템(103)은, 출력 인터페이스(106)를 통해 결과들(예컨대, 명령어 관련 데이터)을 검사 툴(들) 중 임의의 것에 전송하고, 결과들(예컨대, 결함 속성들, 결함 분류 등)을 저장 시스템(107)에 저장하고, GUI(108)를 통해 결과들을 렌더링하고/거나 외부 시스템(예컨대, FAB의 수율 관리 시스템(YMS))에 전송할 수 있다. GUI(108)는 시스템(103)과 관련된 사용자 특정 입력들을 가능하게 하도록 추가로 구성될 수 있다.
비-제한적인 예로서, 하나 이상의 저해상도 검사 툴(101)(예컨대, 광학 조사 시스템, 저해상도 SEM 등)이 시편을 검사할 수 있다. 저해상도 검사 툴들(101)은, 결과적인 저해상도 이미지 데이터(시편의 저해상도 이미지들에 대한 정보를 줄 수 있음)를 시스템(103)에 (직접 또는 하나 이상의 중간 시스템을 통해) 송신할 수 있다. 대안적으로 또는 부가적으로, 고해상도 툴들(102)이 시편을 검사할 수 있다(예컨대, 저해상도 이미지들에 기반하여 검토를 위해 선택된 잠재적 결함 위치들의 서브세트가 주사 전자 현미경(SEM) 또는 원자간력 현미경(AFM)에 의해 후속하여 검토될 수 있음). 고해상도 툴들(102)은, 결과적인 고해상도 이미지 데이터(시편의 고해상도 이미지들에 대한 정보를 줄 수 있음)를 시스템(103)에 (직접 또는 하나 이상의 중간 시스템을 통해) 송신할 수 있다.
이미지 데이터는 그와 연관된 메타데이터(예컨대, 픽셀 크기, 결함 유형의 텍스트 설명, 이미지 포착 프로세스의 파라미터들 등)와 함께 수신 및 처리될 수 있다는 것이 유의된다.
일부 실시예들에서, 이미지 데이터는 주석부기 데이터와 함께 수신 및 처리될 수 있다. 비-제한적인 예로서, 인간 검토자는 구역(예컨대, 손으로 표시한 타원형 구역)을 선택하고 그 구역을 결함이 있는 것으로 또는 유결함을 표시하는 라벨로 표시할 수 있다. 이하에서 설명되는 바와 같이, 훈련 동안 수동 또는 다른 주석부기 데이터가 활용될 수 있다.
관련 기술분야의 통상의 기술자들은, 본원에 개시되는 주제의 교시들이 도 1에 예시된 시스템에 의해 제한되지 않고; 동등한 및/또는 수정된 기능성이 다른 방식으로 병합될 수 있거나 분할될 수 있고, 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 용이하게 인식할 것이다.
어떠한 방식으로든 본 개시내용의 범위를 제한함이 없이, 검사 툴들은, 광학 이미징 기계들, 전자 빔 조사 기계들 등과 같은 다양한 유형들의 조사 기계들로서 구현될 수 있다는 것이 또한 유의되어야 한다. 일부 경우들에서, 동일한 검사 툴이 저해상도 이미지 데이터 및 고해상도 이미지 데이터를 제공할 수 있디. 일부 경우들에서, 적어도 하나의 검사 툴은 계측 능력들을 가질 수 있다.
도 1에 예시된 검사 시스템이 분산형 컴퓨팅 환경에서 구현될 수 있으며, 그러한 분산형 컴퓨팅 환경에서, 도 1에 도시된 전술된 기능 모듈들이 수 개의 로컬 및/또는 원격 디바이스들에 걸쳐 분산될 수 있고 통신 네트워크를 통해 링크될 수 있다는 것이 유의된다. 다른 실시예에서, 검사 툴들(101 및/또는 102), 데이터 저장소들(109), 수동 주석부기 입력부(110), 저장 시스템(107), 및/또는 GUI(108) 중 적어도 일부가 검사 시스템(100) 외부에 있을 수 있고, 입력 인터페이스(105) 및 출력 인터페이스(106)를 통해 시스템(103)과 데이터 통신하도록 동작할 수 있다는 것이 추가로 유의된다. 시스템(103)은, 검사 툴과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, 시스템의 개개의 기능들은 적어도 부분적으로 하나 이상의 검사 툴과 통합될 수 있다.
이제, 본원에 개시되는 주제의 특정 실시예들에 따른, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 예시적익 프로세서 기반 방법을 설명하는 흐름도를 예시하는 도 2를 주목한다.
반도체 제조 프로세스들의 모니터링 시, 제조된 시편들과 관련된 다양한 데이터 및 메트릭들, 더 구체적으로는, 시편들 상의 패턴들과 관련된 데이터 및 메트릭들을 결정하는 것이 바람직할 수 있다. 이러한 데이터/메트릭들은: 패턴의 결함 상태(예컨대, 결함이 있음/결함이 없음), 결함의 구역(예컨대, 결함이 있는 패턴을 표현하는 고해상도 이미지의 픽셀 그룹의 식별), 및 유결함의 결정의 정확도에 관한 확실성의 수준을 포함할 수 있다.
이러한 데이터는, 예컨대, 고해상도 이미지들의 인간에 의한 주석부기에 의해 결정될 수 있다. 그러나, 그러한 주석부기는 비용이 많이 들고 시간 소모적이다.
본원에 개시되는 주제의 일부 실시예들에서, 고해상도 이미지의 구역들의 유결함은, "약하게 라벨링된" 훈련 샘플들, 즉, (예컨대) 전체로서 이미지에 적용되는, 예컨대, 광학 조사와 같은 저해상도 분류 방법으로부터 도출되는 라벨들과 연관된 이미지들을 포함하는 훈련 세트를 사용하여 훈련된 기계 학습 모델을 사용하여 결정된다. 본 개시내용의 맥락에서, "훈련"은 기계 학습 모델을 구성하는 임의의 적합한 방법을 포함할 수 있으며, 이는, 도 4를 참조하여 아래에 설명된 방법, 약하게 라벨링된 샘플들을 사용한 훈련 세트를 사용하여 훈련된 다른 모델의 설정들에 기반하여 모델의 파라미터들을 설정하는 것 등과 같은 훈련 방법들을 포함한다.
이러한 방법들의 일부의 장점들 중에는, 주석부기 데이터를 요구함이 없이, 용이하게 달성가능한 샘플들에 기반하여 픽셀-구역 유결함의 정확한 평가를 제공할 수 있다는 것이 있다.
시스템(103)(예컨대, PMC(104))은, 시편 상의 POI의 고해상도 이미지(이를테면, 주사 전자 현미경(SEM) 이미지)에 대한 정보를 주는 데이터를 수신(200)할 수 있다.
검사 시스템(100)은, 시스템(103)(예컨대, PMC(104))이 이미지를 수신하는 것을 가능하게 하도록 구성될 수 있다. 일부 실시예들에서, 저해상도 검사 툴들(101)은, 하나 이상의 시편들(예컨대, 웨이퍼들 또는 다이들)의 그룹 또는 시편들의 부분들의 저해상도 이미지를 포착하고, 그렇게 함으로써, 시편들 상의 관심 패턴들의 저해상도 이미지를 포착하도록 구성될 수 있다. 저해상도 검사 툴들(101)은, 유결함 관련 분류(예컨대, 결함이 있음/결함이 없음)에 따라 시편들의 패턴들을 분류하기 위해 저해상도 이미지의 (예컨대, 관련 기술분야에 알려져 있는 바와 같은) 광학 조사를 활용하도록 추가로 구성될 수 있다. 고해상도 툴들(102)은, 하나 이상의 저해상도 검사 툴(101)에 의한 결함이 있는 것으로서의 관심 패턴(POI)의 분류에 대한 응답으로 POI의 고해상도 이미지를 (예컨대, SEM을 사용하여) 포착하도록 구성될 수 있다. 고해상도 툴들(102)은, POI의 포착된 고해상도 이미지를 시스템(103)에 제공하도록 추가로 구성될 수 있다.
이어서, 컴퓨터 기반 시스템(103)(예컨대, PMC(104))은, 고해상도 이미지의 적어도 하나의 픽셀-블록 각각에 대해, 유결함 관련 분류(이를테면, POI의 구역의 또는 전체로서 POI의 유결함/비-유결함)에 따라 POI를 분류하는 데 사용가능한 점수를 표시하는 데이터를 생성(210)할 수 있다.
더 구체적으로, 일부 실시예들에서, 예컨대, 도 3 내지 도 5를 참조하여 이하에서 설명되는 방법들을 사용하여, 컴퓨터 기반 시스템(103)(예컨대, PMC(104))은 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 데이터를 생성할 수 있다. 일부 실시예들에서, 생성된 데이터는 하나 이상의 점수(예컨대, 점수들의 행렬)에 대한 정보를 주고, 각각의 점수는 고해상도 이미지의 픽셀-블록으로부터 도출되고, 픽셀-블록의 픽셀들에 의해 표현되는 POI의 구역의 유결함의 가능성(예컨대, 유결함의 가능성의 추정치)을 표시한다. 그러한 행렬은 이후 "등급 맵"으로 지칭된다.
일부 실시예들에서, 시스템(103)(예컨대, ML 모델(112))에 의해 생성된 등급 맵은 POI의 입력 고해상도 이미지와 동일한 차원들을 갖고, 행렬의 엔트리들은, POI의 입력 이미지의 개개의 픽셀이 POI의 결함이 있는 구역에 대응할 가능성을 표시하는 스칼라 값들(예컨대, 0 내지 1)이다. 일부 다른 실시예들에서, 생성된 등급 맵은 POI의 이미지보다 작고(예컨대, 1024 x 1024 이미지로부터, 각각의 행렬 엔트리가 개개의 2 x 2 픽셀 블록의 점수를 포함하는 512 x 512 행렬이 생성될 수 있음), 이러한 경우에서, 행렬의 스칼라 값들은, POI 이미지의 픽셀들의 개개의 블록(예컨대, 2 x 2 또는 4 x 4 블록, 또는 다른 차원의 픽셀 블록)이 POI의 결함이 있는 구역에 대응할 가능성을 표시한다. 본 명세서에서의 "픽셀 블록"이라는 용어는 단일 픽셀들뿐만 아니라 다양한 차원들의 수평 및/또는 수직 그룹들의 픽셀들을 포함할 수 있다는 것이 유의된다.
일부 실시예들에서, 시스템(103)(예컨대, ML 유닛(112))은, "약하게 라벨링된" 훈련 세트 예들(예컨대, 전체로서 이미지에 적용되는 연관된 라벨들을 갖는 이미지들)에 따라 훈련된 기계 학습 모델을 활용함으로써 등급 맵을 생성한다. 더 구체적으로, 일부 그러한 실시예들에서, 각각의 훈련 예는, POI와 유사한 훈련 패턴을 스캐닝함으로써 포착된 고해상도 이미지(또는 고해상도 이미지에 대한 정보를 주는 데이터)이다. 일부 실시예들에서, 훈련 패턴과 연관된 라벨은, 개개의 훈련 패턴의 광학 조사(또는 다른 저해상도 검사 툴들)로부터 도출된다. 예컨대, 광학 조사 툴은, 패턴을 조사하고, 조사된 패턴을 기준 패턴과 비교하고, 조사된 패턴을 "결함이 있음" 또는 "결함이 없음"으로 라벨링할 수 있다. 기계 학습 모델을 훈련하는 예시적인 방법이 도 4를 참조하여 아래에서 설명된다.
웨이퍼 또는 다이는, 패턴의 다수의 인스턴스들이 웨이퍼 또는 다이 상에서 반복된 다음, 나중에, 웨이퍼 또는 다이가 많은 디바이스 인스턴스들로 분리되는 방식으로 제조될 수 있다. 본 개시내용에서, 하나의 POI가 다른 것과 유사하다는 맥락에서의 "유사"라는 용어는, 단일 웨이퍼 다이 상의 패턴의 다수의 인스턴스들을 포함할 뿐만 아니라 동일한 웨이퍼 또는 다이의 다수의 인스턴스들에 걸친 패턴의 다수의 인스턴스들을 포함하는 등 그러한 식으로 광범위하게 해석되어야 한다.
일부 실시예들에서, 시스템(103)(예컨대, ML 유닛(112))은, 등급 맵 이외의, 그럼에도 불구하고, 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 픽셀별(또는 픽셀-블록별) 점수들을 표시하는 데이터 구조를 생성할 수 있다.
임의적으로, 시스템(103)(예컨대, PMC(104))은 다음으로, (예컨대) 등급 맵(또는 대응하는 대안적인 데이터 표현)에서의 값들 각각을 유결함 임계치(예컨대, 0 내지 1의 척도 상에서 .5)와 비교(220)할 수 있으며, 그에 의해, POI에 결함이 있는지 여부의 표시가 생성되고, 또한, 유결함 관련 분류(예컨대, 결함이 있음/결함이 없음)에 따라 POI가 분류된다.
임의적으로, 시스템(103)(예컨대, PMC(104))은, 유결함 임계치를 충족하는 점수가 등급 맵에 존재하는 경우 동작을 취할 수 있다. 임의적으로, 이러한 동작은, POI에 결함이 있는지(또는 일련의 또는 다수의 POI들에 결함이 있는지 등의) 여부의 표시에 따라 작업자에게 경고하는 것(230)을 포함할 수 있다.
일부 실시예들에서, 등급 맵은, 다른 유결함 관련 분류들에 따라 POI를 분류하는 데 활용될 수 있다. 예컨대, 시스템(103)(예컨대, PMC(104))은, 출력 픽셀-블록별 점수들에 따라 결함에 대한 경계 박스를 결정할 수 있다.
본원에 개시되는 주제의 교시들은 도 2에 예시된 흐름도에 의해 제한되지 않는다는 것이 유의된다. 또한, 흐름도가 도 1 또는 도 3의 시스템의 요소들을 참조하여 설명되지만, 이는 결코 제한하는 것이 아니며, 동작들은 본원에 설명된 것들 이외의 요소들에 의해 수행될 수 있다는 것이 유의된다.
이제, 본원에 개시되는 주제의 특정 실시예들에 따른, 예컨대, PMC(104)에 의해(더 구체적으로는, 예컨대, ML 유닛(112)에 의해), POI의 SEM 이미지들(또는 다른 고해상도 이미지들)에 대한 정보를 주는 데이터를 수신하고, 이미지의 적어도 하나의 픽셀-블록 각각에 대해, 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능한 점수를 표시하는 데이터를 생성하는 데 사용가능한 기계 학습 모델의 예시적인 계층들을 예시하는 도 3을 주목한다.
기계 학습 모델은, 입력으로서 POI의 SEM 이미지(또는 다른 유형의 고해상도 이미지)(310)를 수신하도록 구성되는 제1 일련의 기계 학습 망 계층들(320)(예컨대, 신경망 계층들 또는 콘볼루션 신경망 계층들)을 포함할 수 있다. 이어서, 제1 일련의 기계 학습 망 계층들(320)은, SEM 이미지(310)에 기반하여, 피쳐 맵(330)을 생성할 수 있다.
피쳐 맵(330)은 기계 학습 망의 중간 출력일 수 있다. 특히, 위에 설명된 바와 같이, 기계 학습 망은 복수의 계층들(L1 내지 LN)을 포함할 수 있고, 피쳐 맵(330)은 계층(Lj)의 출력으로서 획득될 수 있으며, 1 ＜ j ＜ N이다(일부 실시예들에서, j ＜ N인 계층들 L1 내지 Lj의 중간 계층들이 콘볼루션 신경망을 구성할 수 있음). 위에 언급된 바와 같이, 기계 학습 모델에서, 각각의 계층(Lj)은, 마지막 계층(LN)에 의해 최종 출력이 제공될 때까지, 다음 계층(Lj+1)에 공급되는 중간 출력을 제공한다. 예컨대, SEM 이미지(310)가 차원들(X1, Y1, Z1)을 갖는다고 가정하면,
- X1은 제1 축(X)에 따른 SEM 이미지(310)의 차원에 대응하고;
- Y1은 제2 축(Y)에 따른 SEM 이미지(310)의 차원에 대응하고;
- Z1은 각각의 픽셀과 연관된 다수의 값(들)에 대응하며, Z1 ≥ 1이다. 예컨대, 3개의 색상(적색, 녹색, 및 청색)을 사용하는 표현이 사용되는 경우, Z1 = 3이다. 이는 제한적인 것이 아니며, 다른 표현들이 사용될 수 있다(예컨대, SEM 현미경에서, 전자들은 각각이 상이한 위치를 갖는 복수의 상이한 수집기들에 의해 각각의 픽셀에 대해 수집되고, 각각의 채널은 차원에 대응하고, 따라서, Z1은 총 채널 수임).
일부 실시예들에서, 피쳐 맵(330)은 차원들(X2, Y2, Z2)을 가지며, 여기서, X2 ＜ X1이고, Y2 ＜ Y1이고, Z2 ＞ Z1이다. Z2는 계층(Lj)에 존재하는 필터들의 수에 의존할 수 있다.
기계 학습 모델은, 입력으로서 피쳐 맵(330)을 수신하도록 구성되는 제2 일련의 ML 망 계층들(340)(예컨대, 신경망 계층들 또는 콘볼루션 신경망 계층들)을 포함할 수 있다. 이어서, 제2 일련의 ML 망 계층들(340)은, 피쳐 맵(330)에 기반하여, 예컨대, 도 2를 참조하여 위에 나타낸 설명에 따르는 등급 맵(350)을 생성할 수 있다.
본원에 개시되는 주제의 교시들은, 도 3을 참조하여 설명된 기계 학습 모델 계층들에 의해 제한되지 않는다는 것이 유의된다. 동등한 그리고/또는 수정된 기능성이 다른 방식으로 병합 또는 분할될 수 있고, 펌웨어 및/또는 하드웨어와 소프트웨어의 임의의 적절한 조합으로 구현되고 적합한 디바이스 상에서 실행될 수 있다.
이제, 기계 학습 모델(예컨대, 도 3을 참조하여 위에 설명된 구조를 갖는 신경망을 포함함)을, 기계 학습 모델이 POI의 입력 고해상도(예컨대, SEM) 이미지를 수신하고, 이어서, 이미지의 적어도 하나의 픽셀-블록 각각에 대해, 픽셀-블록의 픽셀들에 의해 표현되는 POI의 구역의 유결함의 가능성을 표시하는 픽셀-블록별 분류 점수를 표시하는 데이터를 생성할 수 있도록 훈련하는 예시적인 방법을 예시하는 도 4를 주목한다. 픽셀-블록별 분류 점수들은, 본원에 개시되는 주제의 일부 실시예들에 따라, 유결함 관련 분류에 따라 POI를 분류하는 데 사용가능할 수 있다. 도 4에 예시된 방법의 이러한 설명은 도 5에 예시된 훈련 데이터 흐름을 참조하여 이루어진다.
일부 실시예들에서, PMC(104)(예컨대, ML 유닛(112))는, 훈련 세트로부터의 약하게 라벨링된(예컨대, 이미지 수준 라벨링된) 훈련 샘플들의 쌍들을 사용하여 기계 학습 모델을 훈련하며, 여기서, 하나의 훈련 샘플(의심 훈련 샘플로 지칭됨)은 결함이 있는 것으로서 이전에 라벨링된(또는 결함이 있는 것으로 의심받은) POI의 고해상도 이미지(예컨대, SEM 스캔)를 포함하고, 제2 샘플(기준 훈련 샘플로 지칭됨)은 기준 POI, 즉, (예컨대, 이전 분류를 통해) 결함이 없는 것으로서 이전에 라벨링된 POI의 고해상도 이미지(예컨대, SEM 스캔)를 포함한다.
고해상도 이미지들의 라벨링은, 예컨대, 개개의 POI의 저해상도(예컨대, 광학) 조사로부터 도출될 수 있다. 대안적으로, 고해상도 이미지의 라벨링은, 인간에 의한 조사 또는 다른 적합한 방법으로부터 도출될 수 있다.
일부 실시예들에서, 훈련 세트는 전적으로, 이미지 수준 라벨들이 광학 조사 또는 다른 저해상도 검사 툴들로부터 도출되는 훈련 샘플들로 이루어진다. 일부 실시예들에서, 훈련 세트는, 그러한 훈련 샘플들뿐만 아니라 다른 훈련 샘플들로 이루어진다.
일부 실시예들에서, 이미지 수준 라벨링된 훈련 샘플들 중 일부 또는 그 전부는 주석부기 데이터와 연관될 수 있다. 주석부기 데이터는, 예컨대, 인간에 의한 주석부기(예컨대, 인간이 고해상도 이미지의 영역 주위에 타원을 표시하는 것)에서 파생될 수 있다.
주석부기 데이터는, 고해상도 이미지의 주석부기된 픽셀 그룹에 의해 표현되는 시편 패턴의 부분의 유결함(및 일부 실시예들에서는 유결함의 유형)을 표시하는 데이터를 포함할 수 있다. 이러한 맥락에서, "픽셀 그룹"이라는 용어는 단일 픽셀 또는 전체 이미지를 지칭할 수 있다. 이러한 맥락에서, 예컨대, 패턴의 시편의 부분이 픽셀 그룹에 의해 실질적으로 또는 완전히 묘사되는 경우, 시편의 부분은 특정 픽셀 그룹에 의해 표현되는 것으로 간주될 수 있다.
이하에서 설명될 바와 같이, 일부 실시예들에서, 도 4에 예시된 훈련 방법은, 의심 피쳐 맵(즉, 결함이 있는 것 또는 의심이 되는 것으로서 라벨링된 POI의 이미지로부터 도출되는 피쳐 맵) 및 기준 피쳐 맵(즉, 결함이 없는 것으로서 라벨링된 POI의 이미지로부터 도출되는 피쳐 맵)에서 파생되는 거리 메트릭으로부터 컴퓨팅되는 손실 함수에 따라 기계 학습 모델 계층들의 가중치들을 조정한다.
손실 함수는, 일부 실시예들에서, POI의 결함이 있는 부분들을 표현하는 픽셀들로부터 도출되는 피쳐 맵 구역들에 대한 2개의 피쳐 맵 사이의 차이를 최대화하는 것을 추구하고, POI의 결함이 없는 부분들을 표현하는 픽셀들로부터 도출되는 피쳐 맵 구역들에 대한 2개의 피쳐 맵 사이의 차이를 최소화하는 것을 추구할 수 있다.
그에 의해, 손실 함수는, 일부 실시예들에서, 관심 메커니즘을 구성한다. 제1 일련의 기계 학습 모델 계층들은 의미론적 구역들을 식별할 수 있는 피쳐 맵들을 생성할 수 있고, 제2 일련의 기계 학습 모델 계층들은 유결함의 가능성에 대해 구역들에 점수를 책정할 수 있다.
PMC(104)(예컨대, ML 유닛(112))는, 유결함(예컨대, 결정된 또는 의심되는 유결함)을 표시하는 라벨과 연관되는 POI의 고해상도 이미지(510)에 제1 일련의 신경망 계층들(320)을 적용(400)할 수 있다. 일부 실시예들에서, 유결함을 표시하는 라벨은, 광학 조사가 POI의 유결함을 표시했기 때문에 이미지와 연관되었다. 이어서, 제1 일련의 신경망 계층들(320)은 고해상도 이미지로부터 피쳐 맵(530)을 생성할 수 있다. 피쳐 맵은 신경망의 현재 훈련 상태에 따라 생성되므로, 훈련이 진행됨에 따라, 결과적인 피쳐 맵은 기계 학습 모델 훈련의 진행에 따라 변경될 것이다. 유결함을 표시하는 라벨과 연관된 이미지로부터 생성되는 피쳐 맵은 본원에서 "의심 피쳐 맵"으로 지칭된다.
이어서, PMC(104)(예컨대, ML 유닛(112))는 제2 일련의 신경망 계층들(340)을 의심 피쳐 맵(530)에 적용(410)할 수 있다. 이어서, 제2 일련의 신경망 계층들(340)은 등급 맵(560)(예컨대, 고해상도 이미지(510)의 하나 이상의 픽셀-블록 각각에 대한 점수, 여기서, 각각의 점수는 픽셀-블록의 픽셀들에 의해 표현되는 제1 POI의 구역의 유결함의 가능성을 표시함)을 생성할 수 있다. 이미지의 픽셀-블록에 대한 점수 출력은 픽셀-블록별 점수로 지칭될 수 있고, 그에 따라, 등급 맵은 픽셀-블록별 점수들의 그룹으로 지칭될 수 있다. 등급 맵은 신경망의 현재 훈련 상태에 따라 생성되므로, 훈련이 진행됨에 따라, 결과적인 등급 맵은 기계 학습 모델 훈련의 진행에 따라 변경될 것이다. 의심 피쳐 맵으로부터 생성되는 등급 맵은 본원에서 "의심 등급 맵"으로 지칭된다.
다음으로, PMC(104)(예컨대, ML 유닛(112))는, 비-유결함을 표시하는 라벨과 연관되는 POI의 고해상도 이미지(520)에 제1 일련의 신경망 계층들(320)을 적용(420)할 수 있다. 일부 실시예들에서, 라벨은 이미지와 연관되는데, 그 이유는, 이미지가 (예컨대, 광학 조사에 의해) 결함이 없는 것으로 결정되었거나 다른 방식으로 결함이 없는 것으로 결정 또는 추정되었기 때문이다. 이어서, 제1 일련의 신경망 계층들(320)은, 고해상도 이미지(520)로부터 (기계 학습 모델의 현재 훈련 상태에 따라 계산되는 바와 같은) 피쳐 맵(540)을 생성할 수 있다. 비-유결함을 표시하는 라벨과 연관된 이미지로부터 생성되는 피쳐 맵은 본원에서 "기준 피쳐 맵"으로 지칭된다.
이어서, PMC(104)(예컨대, ML 유닛(112))는 제2 일련의 신경망 계층들(340)을 기준 피쳐 맵(540)에 적용(430)할 수 있다. 이어서, 제2 일련의 신경망 계층들(340)은, 기계 학습 모델의 현재 훈련 상태에 따라 계산되는 바와 같은 기준 등급 맵(570)(예컨대, 기준 이미지(520)의 하나 이상의 픽셀-블록 각각에 대한 점수, 여기서, 각각의 점수는 픽셀-블록의 픽셀들에 의해 표현되는 기준 POI의 구역의 유결함의 가능성을 표시함)을 생성할 수 있다.
이어서, PMC(104)(예컨대, ML 유닛(112))는, 손실 함수에 따라 제1 일련의 신경망 계층등(320) 및 제2 일련의 신경망 계층들(340)의 가중치들(예컨대, 적어도 하나의 계층의 적어도 하나의 가중치, 또는 예컨대, 모든 계층들의 모든 가중치들)을 조정할 수 있다. 예컨대, PMC(104)(예컨대, ML 유닛(112))는, 손실 함수(590)를 컴퓨팅하고 예컨대 역전파를 이용하여 제1 일련의 신경망 계층들(320) 및 제2 일련의 신경망 계층들(340)의 가중치들을 조정(440)할 수 있다.
일부 실시예들에서, 손실 함수(590)는, 적어도, 거리 메트릭(예컨대, 기준 피쳐 맵(540) 및 의심 피쳐 맵(530) 사이의 차이를 표현하는 값 또는 그러한 값들의 그룹), 의심 등급 맵(560), 및 기준 등급 맵(570)을 활용한다. 일부 실시예들에서, 거리 메트릭은, 이하에서 설명되는 바와 같이, 예컨대, 유클리드 거리 또는 코사인 유사도에 기반한 차이 피쳐 맵일 수 있다.
일부 실시예들에서, 차이 피쳐 맵(550)은, 기준 피쳐 맵(540)과 의심 피쳐 맵(530) 사이의 유클리드 거리에 따를 수 있다. 예컨대, 차이 피쳐 맵(550)은, 기준 피쳐 맵(540)과 의심 피쳐 맵(530) 사이의 유클리드 거리를 계산함으로써 컴퓨팅될 수 있다(즉, 이러한 경우에서, 차이 피쳐 맵(550)은, 각각의 엔트리가 2개의 피쳐 맵에서의 대응하는 엔트리들 사이의 산술 차이인 행렬임).
다른 실시예들에서, 차이 피쳐 맵(550)은, 기준 피쳐 맵(540)에서의 값과 의심 피쳐 맵(530)에서의 대응하는 값 사이의 코사인 유사도에 따를 수 있다. 예컨대, 차이 피쳐 맵(550)은, 각각의 엔트리가 기준 피쳐 맵(540)에서의 값과 의심 피쳐 맵(530)에서의 대응하는 값 사이의 코사인 유사도를 계산함으로써 컴퓨팅되는 행렬일 수 있다.
다른 실시예들에서, 차이 피쳐 맵(550)은, 의심 피쳐 맵(530)과 기준 피쳐 맵(540) 사이의 차이의 상이한 표현일 수 있다. 다른 실시예들에서, 손실 함수(590)는, 의심 피쳐 맵(530)과 기준 피쳐 맵(540) 사이의 차이를 나타내는 상이한 거리 메트릭을 사용할 수 있다.
임의적으로, 위에 나타낸 바와 같이, 일부 실시예들에서, 주석부기 데이터(580)가 이용가능할 수 있다. 주석부기 데이터는, 개개의 POI의 결함이 있는 구역에 대한 대응관계를 갖는, 의심 이미지(510)에서의 특정 픽셀 그룹을 표시하는 데이터를 포함할 수 있다. 그러한 실시예들에서, 손실 함수(590)는, 차이 피쳐 맵(550), 기준 등급 맵(570), 및 의심 등급 맵(560)과 함께 주석부기 데이터(580)를 활용할 수 있다.
PMC(104)(예컨대, ML 유닛(112))는, 복수의 훈련 샘플들의 부가적인 쌍들의 훈련 샘플들에 대해 2개의 일련의 신경망 계층들(320, 340)의 적용을 반복(450)할 수 있고, 각각의 쌍의 샘플들에 대해, 거리 메트릭, 이를테면 차이 피쳐 맵(550), 의심 등급 맵(560), 및 기준 등급 맵(570)을 활용하는 손실 함수에 따라 신경망 계층들의 가중치들을 조정할 수 있다. 예컨대, PMC(104)(예컨대, ML 유닛(112))는 모든 이용가능한 의심 훈련 샘플들을 사용하여 훈련할 수 있고, 각각의 의심 훈련 샘플과 함께, PMC(104)(예컨대, ML 유닛(112))는 훈련 샘플들의 세트로부터의 기준 훈련 샘플을 활용할 수 있다. 일부 실시예들에서, PMC(104)(예컨대, ML 유닛(112))는 각각의 훈련 반복에서 동일한 기준 훈련 샘플을 활용한다.
본원에 개시되는 주제의 교시들은 도 4에 예시된 흐름도에 의해 제한되지 않고, 예시된 동작들은 예시된 순서를 벗어나 발생할 수 있다는 것이 유의된다. 예컨대, 연속적으로 도시된 동작들(400 및 420)은 실질적으로 동시에 또는 역순으로 실행될 수 있다. 또한, 흐름도가 도 1의 시스템, 도 3의 신경망 계층들, 및 도 5의 데이터 흐름의 요소들을 참조하여 설명되지만, 이는 결코 제한하는 것이 아니며, 동작들은 본원에 설명된 것들 이외의 요소들에 의해 수행될 수 있다는 것이 유의된다.
본원에 개시되는 주제의 교시들은, 도 5를 참조하여 설명된 데이터 흐름에 의해 제한되지 않는다는 것이 유의된다. 동등한 그리고/또는 수정된 기능성이 다른 방식으로 병합 또는 분할될 수 있고, 펌웨어 및/또는 하드웨어와 소프트웨어의 임의의 적절한 조합으로 구현되고 적합한 디바이스 상에서 실행될 수 있다.
위에 언급된 바와 같이, (예컨대, 의심 이미지뿐만 아니라 기준 이미지를 사용하고, 차이 피쳐 맵에 기반한 관심 메커니즘을 활용하는) 이러한 방식으로 기계 학습 모델을 훈련하는 것은, 고속 훈련을 가능하게 하고 높은 분류 정확도를 제공할 수 있다.
가중치들의 업데이트는 피드포워드/역전파 방법들과 같은 기법들을 사용할 수 있고, 임의의 최적화기(예컨대, 확률적 경사 하강법 - SGD, ADAM 등)에 의존할 수 있다.
기준 이미지(520)는 시편(예컨대, 다이, 셀 등)의 기준 영역의 이미지이며, 여기서, 개개의 이미지 데이터는 결함들이 없는 기준 영역을 표현한다는 것이 유의된다. 기준 이미지는, 기준(골든(golden)) 다이, 기준 셀, 또는 결함들이 없는 것으로 검증된 다른 영역으로부터 포착된 이미지일 수 있다. 대안적으로 또는 부가적으로, 기준 이미지는 CAD 데이터를 사용하여 모의될 수 있고/거나 기준 영역에서 (존재하는 경우) 결함들을 배제하기 위해 포착 이후에 증강될 수 있다.
추가로, 일부 실시예들에서, 의심 이미지(510)는 기준 이미지(520)와 동류(예컨대, 다이 대 다이, 셀 대 셀, 다이 대 데이터베이스 등)이고, 반도체 시편의 제1 영역에 대한 정보를 준다는 것이 유의된다. 제1 이미지는, 제1 영역과 연관된 복수의 결함들에 대한 정보를 줄 것으로 여겨진다. 제1 이미지는 제1 영역으로부터 포착된 이미지일 수 있다. 임의적으로, 제1 이미지는 추가로 증강될 수 있고/거나 포착 이후에 도입된 합성 결함들을 포함할 수 있다. 제1 영역은 기준 영역에 관한 유사도 기준을 충족하도록 구성되고, 동일하거나 상이한 반도체 시편에 속할 수 있다. 유사도 기준은, 예컨대, 제1 영역 및 기준 영역이 동일한 물리적 구성요소 또는 반도체 시편의 유사한 구역들(예컨대, 유사한 다이들, 셀들 등)에 대응하는 것을 정의할 수 있다.
일부 실시예들에서, 이미지들 사이의 상용가능성을 보장하기 위해, 훈련 샘플의 적어도 하나의 기준 이미지(520) 및 제1 이미지(510)는 등록 절차를 겪어야 한다는 것이 유의된다. 추가로, 상이한 훈련 샘플들 중 적어도 일부는 동일한 기준 이미지를 포함할 수 있다는 것이 유의된다.
다양한 실시예들에서 설명된 다양한 특징들은 모든 가능한 기술적 조합들에 따라 조합될 수 있다는 것이 유의되어야 한다. 본 발명은 도면들에서 예시되거나 본원에 포함된 설명에서 기재된 세부사항들에 대해 그 적용이 제한되지 않는다는 것이 이해되어야 한다. 본 발명은 다른 실시예들이 가능하며, 다양한 방식들로 실시 및 수행되는 것이 가능하다. 따라서, 본원에서 이용되는 어법 및 용어법이 설명의 목적을 위한 것이고, 제한적인 것으로 간주되지 않아야 한다는 것이 이해되어야 한다. 그에 따라, 본 개시내용이 기초하는 개념이 본원에 개시되는 주제의 여러 목적들을 수행하기 위해 다른 구조들, 방법들, 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있다는 것을 관련 기술분야의 통상의 기술자들은 인식할 것이다. 관련 기술분야의 통상의 기술자들은 첨부된 청구항들에서 그리고 첨부된 청구항들에 의해 정의되는 본 발명의 범위로부터 벗어나지 않으면서 이상에서 설명된 바와 같은 본 발명의 실시예들에 다양한 수정들 및 변경들이 적용될 수 있다는 것을 용이하게 인식할 것이다.

Claims (20)

  1. 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템으로서,
    상기 시스템은 프로세서 및 메모리 회로(PMC)를 포함하며,
    상기 PMC는,
    상기 시편 상의 POI의 고해상도 이미지에 대한 정보를 주는 데이터를 획득하고;
    유결함(defectiveness) 관련 분류에 따라 상기 POI를 분류하는 데 사용가능한 데이터를 생성하도록 구성되고,
    상기 생성하는 것은, 적어도 복수의 훈련 샘플들에 따라 훈련된 기계 학습 모델을 활용하고,
    각각의 훈련 샘플은,
    상기 시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지 ― 상기 개개의 훈련 패턴은 상기 POI와 유사함 ―, 및
    상기 이미지와 연관된 라벨 ― 상기 라벨은 상기 개개의 훈련 패턴의 저해상도 조사에서 파생됨 ― 을 포함하는, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  2. 제1항에 있어서,
    상기 복수의 훈련 샘플들의 각각의 훈련 샘플의 상기 고해상도 훈련 이미지는 주사 전자 현미경(SEM) 이미지인, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  3. 제1항에 있어서,
    상기 복수의 훈련 샘플들의 각각의 훈련 샘플과 연관된 개개의 라벨은 상기 개개의 훈련 패턴의 광학 조사에서 파생되는, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  4. 제1항에 있어서,
    상기 POI의 저해상도 이미지를 포착하고 상기 유결함 관련 분류에 따라 상기 POI를 분류하기 위해 상기 저해상도 이미지의 광학 조사를 활용하도록 구성되는 저해상도 검사 툴들; 및
    상기 저해상도 툴들에 의한 결함이 있는 것으로서의 상기 POI의 분류에 대한 응답으로, 상기 POI의 고해상도 이미지를 포착하도록 구성되는 고해상도 검사 툴들을 더 포함하는, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  5. 제1항에 있어서,
    상기 기계 학습 모델은 신경망을 포함하며,
    상기 신경망은,
    상기 POI의 고해상도 이미지에 대한 정보를 주는 입력 데이터를 고려하여, 피쳐 맵을 출력하도록 구성되는 제1 일련의 하나 이상의 신경망 계층, 및
    입력 피쳐 맵을 고려하여, 적어도 하나의 픽셀-블록별 분류 점수를 표시하는 데이터를 생성하도록 구성되는 제2 일련의 신경망 계층들 ― 각각의 픽셀-블록별 분류 점수는 상기 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 POI의 구역과 관련되고, 상기 픽셀-블록별 분류 점수는 개개의 구역의 유결함의 가능성을 표시함 ― 을 포함함으로써,
    상기 유결함 관련 분류에 따라 상기 POI를 분류하는 데 사용가능한 데이터를 생성하고,
    상기 기계 학습 모델은,
    a) 상기 복수의 훈련 샘플들의 제1 훈련 샘플의 제1 POI의 제1 고해상도 이미지에 상기 제1 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 의심 피쳐 맵을 생성하고 ― 상기 제1 POI는 유결함을 표시하는 라벨과 연관됨 ―;
    b) 상기 의심 피쳐 맵에 상기 제2 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 적어도 하나의 의심 픽셀-블록별 점수를 표시하는 데이터를 생성하고 ― 각각의 의심 픽셀-블록별 점수는, 상기 제1 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 제1 POI의 구역과 관련되고, 상기 의심 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
    c) 상기 복수의 훈련 샘플들의 제2 훈련 샘플의 제2 POI의 제2 고해상도 이미지에 상기 제1 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 기준 피쳐 맵을 생성하고 ― 상기 제2 POI는 비-유결함(non-defectiveness)을 표시하는 라벨과 연관됨 ―;
    d) 상기 기준 피쳐 맵에 상기 제2 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 적어도 하나의 기준 픽셀-블록별 점수를 표시하는 데이터를 생성하고 ― 각각의 기준 픽셀-블록별 점수는, 상기 제2 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 제2 POI의 구역과 관련되고, 상기 기준 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
    e) 손실 함수에 따라 상기 제1 일련의 신경망 계층들 및 상기 제2 일련의 신경망 계층들 중 적어도 하나의 계층의 적어도 하나의 가중치를 조정하고 ― 상기 손실 함수는 적어도,
    상기 의심 피쳐 맵 및 상기 기준 피쳐 맵에서 파생되는 거리 메트릭,
    상기 적어도 하나의 의심 픽셀-블록별 점수, 및
    상기 적어도 하나의 기준 픽셀-블록별 점수에 따름 ―;
    f) 상기 복수의 훈련 샘플들의 하나 이상의 부가적인 제1 훈련 샘플 및 하나 이상의 부가적인 제2 훈련 샘플에 대해 a) - e)를 반복하는 것에 따라 훈련되는, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  6. 제5항에 있어서,
    상기 신경망 계층들은 콘볼루션 계층들인, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  7. 제5항에 있어서,
    상기 PMC는, 상기 적어도 하나의 픽셀-블록별 분류 점수의 각각의 점수를 유결함 임계치와 비교함으로써, 상기 POI에 결함이 있는지 여부의 표시를 생성하도록 추가로 구성되는, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  8. 제5항에 있어서,
    상기 PMC는, 상기 POI에 결함이 있는지 여부의 표시에 따라 작업자에게 경고하도록 추가로 구성되는, 반도체 시편 상의 관심 패턴(POI)을 분류하는 시스템.
  9. 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법으로서,
    프로세서에 의해, 상기 시편 상의 POI의 고해상도 이미지에 대한 정보를 주는 데이터를 수신하는 단계; 및
    상기 프로세서에 의해, 유결함 관련 분류에 따라 상기 POI를 분류하는 데 사용가능한 데이터를 생성하는 단계를 포함하며,
    상기 생성하는 단계는, 적어도 복수의 훈련 샘플들에 따라 훈련된 기계 학습 모델을 활용하고,
    각각의 훈련 샘플은, 상기 시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지를 포함하고, 상기 훈련 패턴은 상기 POI와 유사하고,
    상기 개개의 훈련 패턴은, 상기 개개의 훈련 패턴의 저해상도 조사에서 파생되는 라벨과 연관되는, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법.
  10. 제9항에 있어서,
    상기 기계 학습 모델은 신경망을 포함하며,
    상기 신경망은,
    상기 POI의 고해상도 이미지에 대한 정보를 주는 입력 데이터를 고려하여, 피쳐 맵을 출력하도록 구성되는 제1 일련의 하나 이상의 신경망 계층, 및
    입력 피쳐 맵을 고려하여, 적어도 하나의 제1 픽셀-블록별 분류 점수를 표시하는 데이터를 생성하도록 구성되는 제2 일련의 신경망 계층들 ― 각각의 픽셀-블록별 분류 점수는 상기 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 POI의 구역과 관련되고, 상기 픽셀-블록별 분류 점수는 개개의 구역의 유결함의 가능성을 표시함 ― 을 포함함으로써,
    상기 유결함 관련 분류에 따라 상기 POI를 분류하는 데 사용가능한 데이터를 생성하고,
    상기 기계 학습 모델은,
    a) 상기 프로세서에 의해, 상기 복수의 훈련 샘플들의 제1 훈련 샘플의 제1 POI의 제1 고해상도 이미지에 상기 제1 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 의심 피쳐 맵을 생성하는 단계 ― 상기 제1 POI는 유결함을 표시하는 라벨과 연관됨 ―;
    b) 상기 프로세서에 의해, 상기 의심 피쳐 맵에 상기 제2 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 적어도 하나의 의심 픽셀-블록별 점수를 표시하는 데이터를 생성하는 단계 ― 각각의 의심 픽셀-블록별 점수는, 상기 제1 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 제1 POI의 구역과 관련되고, 상기 의심 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
    c) 상기 프로세서에 의해, 상기 복수의 훈련 샘플들의 제2 훈련 샘플의 제2 POI의 제2 고해상도 이미지에 상기 제1 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 기준 피쳐 맵을 생성하는 단계 ― 상기 제2 POI는 비-유결함을 표시하는 라벨과 연관됨 ―;
    d) 상기 프로세서에 의해, 상기 기준 피쳐 맵에 상기 제2 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 적어도 하나의 기준 픽셀-블록별 점수를 표시하는 데이터를 생성하는 단계 ― 각각의 기준 픽셀-블록별 점수는, 상기 제2 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 제2 POI의 구역과 관련되고, 상기 기준 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
    e) 상기 프로세서에 의해, 손실 함수에 따라 상기 제1 일련의 신경망 계층들 및 상기 제2 일련의 신경망 계층들 중 적어도 하나의 계층의 적어도 하나의 가중치를 조정하는 단계 ― 상기 손실 함수는 적어도,
    상기 의심 피쳐 맵 및 상기 기준 피쳐 맵에서 파생되는 거리 메트릭,
    상기 적어도 하나의 의심 픽셀-블록별 점수, 및
    상기 적어도 하나의 기준 픽셀-블록별 점수를 활용함 ―; 및
    f) 상기 복수의 훈련 샘플들의 하나 이상의 부가적인 제1 훈련 샘플 및 하나 이상의 부가적인 제2 훈련 샘플에 대해 a) - e)를 반복하는 단계를 포함하는 방법에 따라 훈련되는, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법.
  11. 제10항에 있어서,
    상기 프로세서에 의해, 상기 적어도 하나의 픽셀-블록별 분류 점수의 각각의 점수를 유결함 임계치와 비교함으로써, 상기 POI에 결함이 있는지 여부의 표시를 생성하는 단계를 더 포함하는, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법.
  12. 제11항에 있어서,
    상기 프로세서에 의해, 상기 POI에 결함이 있는지 여부의 표시에 따라 작업자에게 경고하는 단계를 더 포함하는, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법.
  13. 제10항에 있어서,
    상기 프로세서에 의해, 상기 적어도 하나의 픽셀-블록별 분류 점수에 따라 결함 경계 박스를 결정하는 단계를 더 포함하는, 패턴의 고해상도 이미지로부터 반도체 시편 상의 관심 패턴(POI)을 분류하는 방법.
  14. 프로그램 명령어들을 포함하는 컴퓨터 판독가능 저장 매체를 포함하는 컴퓨터 프로그램 제품으로서,
    상기 프로그램 명령어들은, 프로세서에 의해 판독될 때, 상기 프로세서로 하여금, POI의 고해상도 이미지에 대한 정보를 주는 입력 데이터를 고려하여, 유결함 관련 분류에 따라 상기 POI를 분류하는 데 사용가능한 데이터를 생성하도록 기계 학습 모델을 훈련하는 방법을 수행하게 하며,
    상기 방법은,
    a) 복수의 훈련 샘플들을 획득하는 단계 ― 각각의 훈련 샘플은, 시편 상의 개개의 훈련 패턴을 스캐닝함으로써 포착되는 고해상도 훈련 이미지를 포함하고, 상기 훈련 패턴은 상기 POI와 유사하고, 상기 개개의 훈련 패턴은, 상기 개개의 훈련 패턴의 저해상도 조사에서 파생되는 라벨과 연관됨 ―; 및
    b) 적어도 상기 복수의 훈련 샘플들에 따라 상기 기계 학습 모델을 훈련하는 단계를 포함하는, 컴퓨터 프로그램 제품.
  15. 제14항에 있어서,
    상기 기계 학습 모델은 신경망을 포함하며,
    상기 신경망은,
    상기 POI의 고해상도 이미지에 대한 정보를 주는 입력 데이터를 고려하여, 피쳐 맵을 출력하도록 구성되는 제1 일련의 하나 이상의 신경망 계층, 및
    입력 피쳐 맵을 고려하여, 적어도 하나의 제1 픽셀-블록별 분류 점수를 표시하는 데이터를 생성하도록 구성되는 제2 일련의 신경망 계층들 ― 각각의 픽셀-블록별 분류 점수는 상기 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 POI의 구역과 관련되고, 상기 픽셀-블록별 분류 점수는 개개의 구역의 유결함의 가능성을 표시함 ― 을 포함함으로써,
    상기 유결함 관련 분류에 따라 상기 POI를 분류하는 데 사용가능한 데이터를 생성하고,
    상기 기계 학습 모델을 훈련하는 단계는,
    a) 상기 복수의 훈련 샘플들의 제1 훈련 샘플의 제1 POI의 제1 고해상도 이미지에 상기 제1 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 의심 피쳐 맵을 생성하는 단계 ― 상기 제1 POI는 유결함을 표시하는 라벨과 연관됨 ―;
    b) 상기 의심 피쳐 맵에 상기 제2 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 적어도 하나의 의심 픽셀-블록별 점수를 표시하는 데이터를 생성하는 단계 ― 각각의 의심 픽셀-블록별 점수는, 상기 제1 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 제1 POI의 구역과 관련되고, 상기 의심 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
    c) 상기 복수의 훈련 샘플들의 제2 훈련 샘플의 제2 POI의 제2 고해상도 이미지에 상기 제1 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 기준 피쳐 맵을 생성하는 단계 ― 상기 제2 POI는 비-유결함을 표시하는 라벨과 연관됨 ―;
    d) 상기 기준 피쳐 맵에 상기 제2 일련의 신경망 계층들을 적용함으로써, 상기 신경망의 현재 훈련 상태에 따라, 적어도 하나의 기준 픽셀-블록별 점수를 표시하는 데이터를 생성하는 단계 ― 각각의 기준 픽셀-블록별 점수는, 상기 제2 고해상도 이미지의 개개의 픽셀-블록의 픽셀들에 의해 표현되는 상기 제2 POI의 구역과 관련되고, 상기 기준 픽셀-블록별 점수는 개개의 구역의 유결함의 가능성을 표시함 ―;
    e) 손실 함수에 따라 상기 제1 일련의 신경망 계층들 및 상기 제2 일련의 신경망 계층들 중 적어도 하나의 계층의 적어도 하나의 가중치를 조정하는 단계 ― 상기 손실 함수는 적어도,
    상기 의심 피쳐 맵 및 상기 기준 피쳐 맵에서 파생되는 거리 메트릭,
    상기 적어도 하나의 의심 픽셀-블록별 점수, 및
    상기 적어도 하나의 기준 픽셀-블록별 점수를 활용함 ―; 및
    f) 상기 복수의 훈련 샘플들의 하나 이상의 부가적인 제1 훈련 샘플 및 하나 이상의 부가적인 제2 훈련 샘플에 대해 a) - e)를 반복하는 단계를 포함하는, 컴퓨터 프로그램 제품.
  16. 제15항에 있어서,
    상기 거리 메트릭은, 상기 의심 피쳐 맵과 상기 기준 피쳐 맵 사이의 유클리드(Euclidean) 차이에 따라 계산된 차이 맵인, 컴퓨터 프로그램 제품.
  17. 제15항에 있어서,
    상기 거리 메트릭은, 상기 의심 피쳐 맵과 상기 기준 피쳐 맵 사이의 코사인 유사도에 따라 계산된 차이 맵인, 컴퓨터 프로그램 제품.
  18. 제15항에 있어서,
    상기 부가적인 제2 훈련 샘플들은 동일한 제2 훈련 샘플인, 컴퓨터 프로그램 제품.
  19. 제15항에 있어서,
    상기 손실 함수는, 상기 제1 고해상도 이미지의 픽셀 그룹과 연관된 주석부기(annotation) 데이터를 추가로 활용하며, 상기 주석부기 데이터는 상기 픽셀 그룹에 의해 표현되는 상기 제1 POI의 구역의 유결함을 표시하는, 컴퓨터 프로그램 제품.
  20. 제19항에 있어서,
    상기 주석부기 데이터는 상기 제1 고해상도 이미지의 인간에 의한 주석부기에서 파생되는, 컴퓨터 프로그램 제품.
KR1020210049665A 2020-06-03 2021-04-16 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출 KR20210150970A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/892,139 2020-06-03
US16/892,139 US11379972B2 (en) 2020-06-03 2020-06-03 Detecting defects in semiconductor specimens using weak labeling

Publications (1)

Publication Number Publication Date
KR20210150970A true KR20210150970A (ko) 2021-12-13

Family

ID=78786923

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210049665A KR20210150970A (ko) 2020-06-03 2021-04-16 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출

Country Status (5)

Country Link
US (2) US11379972B2 (ko)
JP (1) JP2021190716A (ko)
KR (1) KR20210150970A (ko)
CN (1) CN113763312B (ko)
TW (1) TW202147163A (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816411B2 (en) * 2020-01-29 2023-11-14 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for semiconductor wafer defect review
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US11493901B2 (en) * 2020-09-24 2022-11-08 International Business Machines Corporation Detection of defect in edge device manufacturing by artificial intelligence
US20220101114A1 (en) * 2020-09-27 2022-03-31 Kla Corporation Interpretable deep learning-based defect detection and classification
CN115706819A (zh) * 2021-08-17 2023-02-17 鸿富锦精密工业（深圳）有限公司 网页视频播放方法、装置、电子设备及存储介质
US11789069B2 (en) * 2021-12-03 2023-10-17 International Business Machines Corporation Mixed high-resolution and low-resolution inspection for tamper detection
CN115061427B (zh) * 2022-06-28 2023-04-14 浙江同发塑机有限公司 吹塑机的料层均匀性控制***及其控制方法
CN116046810B (zh) * 2023-04-03 2023-06-23 云南通衢工程检测有限公司 基于rpc盖板破坏荷载的无损检测方法

Family Cites Families (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3534582B2 (ja) * 1997-10-02 2004-06-07 株式会社日立製作所 パターン欠陥検査方法および検査装置
US7570796B2 (en) * 2005-11-18 2009-08-04 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
JP4928862B2 (ja) * 2006-08-04 2012-05-09 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP5065943B2 (ja) * 2008-02-29 2012-11-07 株式会社日立ハイテクノロジーズ 製造プロセスモニタリングシステム
JP5429869B2 (ja) * 2008-12-22 2014-02-26 株式会社 Ｎｇｒ パターン検査装置および方法
US8150140B2 (en) * 2008-12-22 2012-04-03 Ngr Inc. System and method for a semiconductor lithographic process control using statistical information in defect identification
US9390490B2 (en) * 2010-01-05 2016-07-12 Hitachi High-Technologies Corporation Method and device for testing defect using SEM
US8669523B2 (en) * 2011-05-25 2014-03-11 Kla-Tencor Corporation Contour-based defect detection using an inspection apparatus
US9092846B2 (en) * 2013-02-01 2015-07-28 Kla-Tencor Corp. Detecting defects on a wafer using defect-specific and multi-channel information
US9171364B2 (en) * 2013-06-21 2015-10-27 Kla-Tencor Corp. Wafer inspection using free-form care areas
US9714905B1 (en) * 2013-06-23 2017-07-25 Kla-Tencor Corp. Wafer inspection recipe setup
US9355208B2 (en) * 2013-07-08 2016-05-31 Kla-Tencor Corp. Detecting defects on a wafer
US9518935B2 (en) * 2013-07-29 2016-12-13 Kla-Tencor Corporation Monitoring changes in photomask defectivity
US10410338B2 (en) * 2013-11-04 2019-09-10 Kla-Tencor Corporation Method and system for correlating optical images with scanning electron microscopy images
US9613411B2 (en) * 2014-03-17 2017-04-04 Kla-Tencor Corp. Creating defect classifiers and nuisance filters
US9846934B2 (en) * 2015-04-13 2017-12-19 Anchor Semiconductor Inc. Pattern weakness and strength detection and tracking during a semiconductor device fabrication process
US9767548B2 (en) * 2015-04-24 2017-09-19 Kla-Tencor Corp. Outlier detection on pattern of interest image populations
US10359371B2 (en) * 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US11010886B2 (en) * 2016-05-17 2021-05-18 Kla-Tencor Corporation Systems and methods for automatic correction of drift between inspection and design for massive pattern searching
US10706522B2 (en) * 2016-11-08 2020-07-07 Kla-Tencor Corporation System and method for generation of wafer inspection critical areas
US10451563B2 (en) * 2017-02-21 2019-10-22 Kla-Tencor Corporation Inspection of photomasks by comparing two photomasks
US10620135B2 (en) * 2017-07-19 2020-04-14 Kla-Tencor Corp. Identifying a source of nuisance defects on a wafer
US9964607B1 (en) * 2017-08-28 2018-05-08 Seagate Technology Llc Recognizing and identifying defect patterns on magnetic media
US11138507B2 (en) * 2017-09-28 2021-10-05 Applied Materials Israel Ltd. System, method and computer program product for classifying a multiplicity of items
US11276160B2 (en) * 2017-10-02 2022-03-15 Applied Materials Israel Ltd. Determining a critical dimension variation of a pattern
KR20190073756A (ko) * 2017-12-19 2019-06-27 삼성전자주식회사 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템
WO2019155471A1 (en) * 2018-02-07 2019-08-15 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US11199506B2 (en) * 2018-02-21 2021-12-14 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
KR20230155604A (ko) * 2018-08-28 2023-11-10 에이에스엠엘 네델란즈 비.브이. 최적의 계측 안내 시스템들 및 방법들
WO2020141072A1 (en) * 2018-12-31 2020-07-09 Asml Netherlands B.V. Fully automated sem sampling system for e-beam image enhancement
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
US11151710B1 (en) * 2020-05-04 2021-10-19 Applied Materials Israel Ltd. Automatic selection of algorithmic modules for examination of a specimen
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US20220044949A1 (en) * 2020-08-06 2022-02-10 Carl Zeiss Smt Gmbh Interactive and iterative training of a classification algorithm for classifying anomalies in imaging datasets

Also Published As

Publication number Publication date
JP2021190716A (ja) 2021-12-13
TW202147163A (zh) 2021-12-16
CN113763312B (zh) 2024-04-19
US20220301151A1 (en) 2022-09-22
US20210383530A1 (en) 2021-12-09
US11379972B2 (en) 2022-07-05
CN113763312A (zh) 2021-12-07
US11790515B2 (en) 2023-10-17

Similar Documents

Publication Publication Date Title
KR102613438B1 (ko) 반도체 표본의 딥 러닝 - 기반 검사의 방법 및 그 시스템
KR20210150970A (ko) 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출
KR102422111B1 (ko) 반도체 시편의 검사에 사용가능한 훈련 세트의 생성
KR102549196B1 (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
KR102176335B1 (ko) 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
KR20200089621A (ko) 표본에 대한 결함 검출 방법 및 그 시스템
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
US11449977B2 (en) Generating training data usable for examination of a semiconductor specimen
KR20220162121A (ko) 반도체 시편의 검사
US11232550B2 (en) Generating a training set usable for examination of a semiconductor specimen
CN111512324B (en) Method and system for deep learning based inspection of semiconductor samples
US11854184B2 (en) Determination of defects and/or edge roughness in a specimen based on a reference image
US20230306580A1 (en) Machine learning based examination of a semiconductor specimen and training thereof
US20230408423A1 (en) Inspection recipe optimization for semiconductor specimens
KR20240039600A (ko) 기계 학습 기반 결함 검사를 위한 이미지 증강
JP2022014880A (ja) 半導体試料中のアレイの識別

Legal Events

Date Code Title Description
A201 Request for examination