TW202043755A - 對半導體取樣中的缺陷進行分類的方法及其系統 - Google Patents
對半導體取樣中的缺陷進行分類的方法及其系統 Download PDFInfo
- Publication number
- TW202043755A TW202043755A TW109100711A TW109100711A TW202043755A TW 202043755 A TW202043755 A TW 202043755A TW 109100711 A TW109100711 A TW 109100711A TW 109100711 A TW109100711 A TW 109100711A TW 202043755 A TW202043755 A TW 202043755A
- Authority
- TW
- Taiwan
- Prior art keywords
- defects
- potential
- score
- attribute
- defect
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本案提供一種用於對缺陷進行分類的系統、方法和電腦可讀取媒體,所述方法包括:接收經分類的第一缺陷和潛在缺陷,每個第一缺陷和潛在缺陷具有屬性值;處理第一缺陷和潛在缺陷以選擇將第一缺陷與潛在缺陷區分開的屬性的子集;分別基於第一缺陷和潛在缺陷獲得第一函數和第二函數;獲得用於第一函數的第一閾值,以及用於第一函數和第二函數的組合的第二閾值;分別將第一函數和第二函數應用於每個潛在缺陷以獲得第一得分和第二得分;及決定第一得分和第二得分的組合得分;及當第一得分低於所述第一閾值或者組合得分超過第二閾值時,將潛在缺陷指示為潛在新類別缺陷。
Description
本文揭示的主題大致涉及取樣檢查領域,並且更具體地涉及能夠自動檢測屬於新類別缺陷的方法和系統。
當前對與製造裝置的超大規模集成相關聯的高密度和效能的需求,要求亞微米特徵、增加的電晶體和升高的電路速度以及改良的可靠性。這些需求要求形成具有高精度和均勻性的裝置特徵,繼而需要對製造製程進行仔細監控,包括在裝置仍為半導體取樣形式時頻繁且詳細地檢查裝置。
在本說明書中使用的術語「取樣」應被廣義地解釋為涵蓋用於製造半導體積體電路、磁頭、平板顯示器和其他半導體製品的任何種類的晶圓、遮罩以及其他結構、上述的組合及/或部件。
在本說明書中使用的術語「缺陷」應被廣義地解釋為涵蓋在取樣上或取樣內形成的任何種類的異常或不期望的特徵。
取樣的複雜製造製程並非是沒有錯誤的,並且此類錯誤可能會導致製造的裝置出現故障。這些故障可包括可能損害裝置操作的缺陷,以及可能是缺陷但不會對製造的裝置造成任何損害或使製造的裝置失靈的危害。作為非限制性實例,由於原材料中的故障、機械、電氣或光學錯誤、人為錯誤或其他原因,可能在製造製程中引起缺陷。此外,缺陷可能是由時空因素引起的,諸如在檢查製程中一或多個製造階段之後發生的晶圓溫度變化,所述晶圓溫度變化可能會導致晶圓的一些變形。檢查製程還可能例如由於檢查設備或製程中的光學、機械或電氣問題而引入其他所謂的錯誤,這從而提供不完美的獲取結果。此類錯誤可能會產生假陽性結果,所述假陽性結果可能看起來包含缺陷,但在此區域不存在實際缺陷。
在許多應用中,缺陷的類型或類別很重要。例如,缺陷可以被分類為多個類別中的一種類別,諸如顆粒、劃痕、處理或類似者。
除非另外特別說明,否則本說明書中使用的術語「檢查」應被廣義地解釋為涵蓋對物件中的缺陷進行任何種類的檢測及/或分類。在製造待檢查物件的製程之中或之後,透過使用非破壞性檢查工具來提供檢查。作為非限制性實例,檢查製程可以包括使用一或多個檢查工具針對物件或其部分提供掃瞄(以單次或多次掃瞄的形式)、採樣、審閱、測量、分類及/或其他操作。同樣,檢查可以在製造待檢查的物件之前提供,並且可以包括例如產生(多個)檢查方案。應注意的是,除非另外特別說明,否則本說明書中使用的術語「檢查」或其派生詞在(多個)檢查區域的大小、掃瞄的速度或解析度、或檢查工具的類型方面不作限制。作為非限制性實例,各種非破壞性檢查工具包括光學工具、掃瞄電子顯微鏡、原子力顯微鏡等。
檢查製程可以包括多個檢查步驟。在製造製程中,檢查步驟可以執行多次,例如在某些層的製造或加工之後,或類似者。另外地或替代地,每個檢查步驟可以重複多次,例如針對不同的取樣位置或針對具有不同檢查設定的相同取樣位置。
作為非限制性實例,運行時檢查(run-time examination)可以採用兩步程序,例如檢視取樣,隨後審閱被採樣的缺陷。在檢視步驟期間,通常以相對較高的速度及/或較低的解析度掃瞄取樣或取樣的一部分(例如,感興趣的區域,熱點等)的表面。分析所擷取的檢查圖像以便檢測缺陷並獲得缺陷位置和其他檢視屬性。在審閱步驟中,通常以相對較低的速度及/或較高的解析度擷取在檢視階段檢測到的至少一些缺陷的圖像,從而使得能夠對所述至少一些缺陷進行分類和任選的其他分析。在一些情況下,兩個階段可以透過相同的檢視工具來實施,而在一些其他情況中,透過不同的檢視工具來實施這兩個階段。
根據本文揭示的主題的某些方面,提供了一種能夠將取樣中的缺陷分類為多個類別的系統,所述系統包括處理和記憶體電路系統(processing and memory circuitry, PMC),所述PMC經設置以:接收被分類為多個類別的第一多個第一缺陷和第二多個潛在第二缺陷,每個第一缺陷和每個潛在第二缺陷與多個屬性之每一屬性的相應值相關聯,第一多個第一缺陷表徵為第一屬性空間,並且第二多個潛在第二缺陷表徵為第二屬性空間;處理第一多個第一缺陷和第二多個潛在第二缺陷以從多個屬性中選擇屬性子集,此步驟包括:針對每種屬性:決定來自第一多個第一缺陷的缺陷的屬性值的第一分佈;決定來自第二多個潛在第二缺陷的缺陷的屬性值的第二分佈;及決定第一分佈與第二分佈之間的差異;選擇屬性子集作為在第一分佈與第二分佈之間具有最大差異的屬性;基於分配給來自第一多個第一缺陷的缺陷的屬性子集的值來獲得第一密度估計函數;及基於分配給來自第二多個潛在第二缺陷的缺陷的屬性子集的值來決定第二密度估計函數;獲得與第一密度估計函數相關聯的第一閾值,以及與第一密度估計函數和第二密度估計函數的組合相關聯的第二閾值;將第一密度估計函數應用於第二多個潛在第二缺陷的每個缺陷以獲得第一得分;將第二密度估計函數應用於第二多個潛在第二缺陷的每個缺陷以獲得第二得分;決定第一得分和第二得分的組合得分;及當第一得分低於第一閾值或當組合得分超過第二閾值時,將來自第二多個潛在第二缺陷的缺陷指示為潛在新類別缺陷。作為非限制性實例,當第一得分低於第一閾值時,潛在缺陷任選地被指示為離群值。作為另一非限制性實例,當第二得分超過第二閾值時,潛在缺陷任選地被指示為偏移(excursion)。作為另一非限制性實例,第一密度估計函數和第二密度估計函數的組合是第一密度估計函數中的缺陷的第一得分與第二密度估計函數中的缺陷的第二得分之間的比率。
根據本文揭示的主題的另一方面,提供了一種使用可操作地連接到記憶體的處理器對多個缺陷進行分類的方法,所述方法包括以下步驟:由處理器接收被分類為多個類別的第一多個第一缺陷,以及第二多個潛在第二缺陷,每個第一缺陷和每個潛在第二缺陷與多個屬性之每一屬性的相應值相關聯,第一多個第一缺陷表徵為第一屬性空間,並且第二多個潛在第二缺陷表徵為第二屬性空間;由處理器處理第一多個第一缺陷和第二多個潛在第二缺陷以從多個屬性中選擇屬性子集,此步驟包括:針對每種屬性:由處理器決定來自第一多個第一缺陷的缺陷的屬性值的第一分佈;由處理器決定來自第二多個潛在第二缺陷的缺陷的屬性值的第二分佈;及由處理器決定第一分佈與第二分佈之間的差異;由處理器選擇屬性子集作為在第一分佈與第二分佈之間具有最大差異的屬性;由處理器基於分配給來自第一多個第一缺陷的缺陷的屬性子集的值獲得第一密度估計函數,並且基於分配給第二多個潛在第二缺陷的缺陷的屬性子集的值決定第二密度估計函數;由處理器獲得與第一密度估計函數相關聯的第一閾值和與第一密度估計函數和第二密度估計函數的組合相關聯的第二閾值;由處理器將第一密度估計函數應用於第二多個潛在第二缺陷以獲得第一得分;由處理器將第二密度估計函數應用於第二多個潛在第二缺陷的每一缺陷以獲得第二得分;由處理器決定第一得分與第二得分的組合得分;及當第一得分低於第一閾值或組合得分超過第二閾值時,將來自第二多個潛在第二缺陷的缺陷指示為潛在新類別缺陷。作為非限制性實例,當第一得分低於第一閾值時,潛在缺陷任選地被指示為離群值。作為另一非限制性實例,當第二得分超過第二閾值時,潛在缺陷任選地被指示為偏移。作為另一非限制性實例,第一密度估計函數和第二密度估計函數的組合是第一密度估計函數中的缺陷的第一得分與第二密度估計函數中的缺陷的第二得分之間的比率。
根據本文揭示的主題的又一方面,提供了一種非暫時性電腦可讀取媒體,所述非暫時性電腦可讀取媒體包括指令,當由電腦執行此等指令時使電腦執行將取樣中的缺陷自動分類為多個類別的方法,所述方法包括以下步驟:由處理器接收被分類為多個分類的第一多個第一缺陷和第二多個潛在第二缺陷,每個第一缺陷和每個潛在第二缺陷與多個屬性之每一屬性的相應值相關聯,第一多個第一缺陷表徵為第一屬性空間,並且第二多個潛在第二缺陷表徵為第二屬性空間;由處理器處理第一多個第一缺陷和第二多個潛在第二缺陷以從多個屬性中選擇屬性子集,此步驟包括:針對每種屬性:由處理器決定來自第一多個第一缺陷的缺陷的屬性值的第一分佈;由處理器決定來自第二多個潛在第二缺陷的缺陷的屬性值的第二分佈;及由處理器決定第一分佈與第二分佈之間的差異;由處理器選擇屬性子集作為在第一分佈與第二分佈之間具有最大差異的屬性;由處理器基於分配給來自第一多個第一缺陷的缺陷的屬性子集的值獲得第一密度估計函數,並且基於分配給第二多個潛在第二缺陷的缺陷的屬性子集的值決定第二密度估計函數;由處理器獲得與第一密度估計函數相關聯的第一閾值和與第一密度估計函數和第二密度估計函數的組合相關聯的第二閾值;由處理器將第一密度估計函數應用於第二多個潛在第二缺陷的每一缺陷以獲得第一得分;由處理器將第二密度估計函數應用於第二多個潛在第二缺陷的每一缺陷以獲得第二得分;由處理器決定第一得分與第二得分的組合得分;及當第一得分低於第一閾值或組合得分超過第二閾值時,將來自第二多個潛在第二缺陷的缺陷指示為潛在新類別缺陷。
在以下詳細描述中,闡述了許多具體細節以便提供對本發明的透徹理解。然而,本領域技藝人士應理解,可以在沒有這些具體細節的情況下實踐本文揭示的主題。在其他情況下,未詳細描述眾所周知的方法、製程、部件和電路,以免模糊本文揭示的主題。
除非另有明確說明,否則如從以下論述顯而易見的,應當理解,在整個說明書的論述中,利用諸如「處理」、「計算」、「表示」、「運算」、「產生」、「分配」、「選擇」、「決定」、「接收」、「訓練」、「應用」、「輸出」或類似的術語是指電腦將資料操縱及/或轉換為其他資料的(多個)動作及/或(多個)處理,所述資料表示為物理的,諸如電子的、數量的及/或所述資料表示物理物件。術語「電腦」應該被廣義地解釋為覆蓋具有資料處理能力的任何種類的基於硬體的電子設備,所述電子設備包括(作為非限制性實例)本案中揭示的分類器及其中的PMC。
本文使用的術語「非暫時性記憶體」和「非暫時性儲存媒體」應被廣義地解釋為覆蓋適用於本文揭示的主題的任何揮發性或非揮發性電腦記憶體。
應當理解的是,除非另外特別說明,否則在單獨的實施方式的上下文中描述的本文揭示的主題的某些特徵也可以在單個實施方式中組合提供。相反,在單個實施方式的上下文中描述的本文揭示的主題的各種特徵也可以單獨地或以任何合適的子群組合的形式來提供。在以下詳細描述中,闡述了許多具體細節以便提供對方法和裝置的透徹理解。
在本說明書中使用的術語取樣中的「缺陷」應被廣義地解釋為涵蓋在取樣上或取樣內形成的任何種類的異常或不期望的特徵。
在本說明書中使用的術語「已知屬於某一類別」應被廣義地解釋為覆蓋被分類到某一類別的缺陷的任何分類,所述分類被認為是基礎事實,例如由人類用戶進行的分類、由可信分類器進行的分類或類似者。
當檢查物件時,每個缺陷可以表徵為分配給多個屬性的值,所述多個屬性為諸如尺寸、顏色、背景色或類似者。缺陷之間的距離或鄰近度可以根據適用的距離函數來定義,例如在屬性空間中定義的距離以及每個屬性的可能值。
在本說明書中使用的術語「分類」應被廣義地解釋為覆蓋將缺陷分配到多個預定類別(諸如顆粒、劃痕、處理或類似者)之一的任何分配,使得每個缺陷基於其屬性值而被自動分類為多個類別之一,並且根據定義的距離函數,同一類別中的項目通常在屬性空間中彼此鄰近。這些類別可以由使用者定義或以其他方式接收。
通常,分類器基於缺陷集合(稱為「訓練集」)進行訓練,其中訓練集之每一缺陷例如由人類用戶分類為定義類別之一。一旦訓練完成,分類器可被用於將另外的缺陷(稱為「測試集」)分類至這些類別。
通常試圖獲得儘可能接近地表示預期的缺陷的訓練集,即,在特徵空間內各類別的缺陷的分佈類似於未來(多個)測試集中的分佈。然而,這並非總是可能的,並且一些類別可能在訓練集中表示不足或根本沒有被表示,這意味著沒有這些類別的足夠的缺陷用於進行訓練。結果是,在運行時,這些類別的缺陷將無法被正確分類。這種錯誤分類可能會對製程控制的品質(例如統計程序控制(statistical process control, SPC))具有負面影響。
因此,在給定訓練集和測試集的情況下,需要檢測測試集中的新類別缺陷,所述新類別缺陷在訓練集中尚未觀察到或者沒有被充分觀察到。
此類缺陷可以具有兩種類型:離群缺陷,其中一種新類別其本身表現為統計離群值;及偏移缺陷,其中一種新類別出現在已知類別的邊界內,並且其本身表現為缺陷分佈的顯著變化。
用於檢測離群缺陷的一些已知技術包括局部離群因數(local outlier factor, LOF)、一類支持向量機(support vector machines, SVM)和孤立森林。用於處理偏移檢測的已知技術通常依賴於Kullback-Leibler (KL)散度或類似量度。
然而,尚無檢測兩個方面(新類別缺陷以及偏移缺陷)的已知解決方案。
因此,由於多種原因,在訓練分類器時,某些群體(例如,少數分類)的缺陷的表示不足是製造和檢查製程中的嚴重問題。
第一,錯誤分類可能會導致對檢查製程的品質的不準確評估。由於少數缺陷的低表示,少數缺陷對製程評估的影響很小,因此可能會不正確地評估整個製程的品質。
第二,檢查製程的穩定性可能很低:由於當缺陷被錯誤分類時,較小的群體更易受到變化的影響,所以少數缺陷,或甚至單個缺陷,可能嚴重影響製程評估的標準差。因此,難以穩定地評估檢查製程。
第三,單純的分類錯誤會導致可能太嚴重而無法處理的缺陷。此外,付出了巨大的努力來消除一些非常嚴重的缺陷,導致這些類型的剩餘缺陷更少。因此,若此類缺陷在訓練製程中未被充分表示,則另外的缺陷將不會被分類為它們的類別,這可能會導致取樣中的嚴重問題不被發現;以及
第四,某些類型的缺陷儘管被稱為屬於同一類別,但其可能具有不同的特性。例如,在金屬和矽樹脂中「顆粒」類型的缺陷可能顯著不同。透過不對特定的少數類別進行辨識和訓練,可能會丟失與特定缺陷有關的重要資訊。
所揭示的主題提供了一種用於檢測新類別缺陷的方法和設備。利用本案,用戶可以在測試集中檢測可能為新類別的缺陷。隨後,用戶可以檢查缺陷,並且將所述缺陷分類為屬於一或多個新類別。另外地或替代地,若以高概率檢測到缺陷為新類別,則可以將此類缺陷聚類(以便在多個新類別之間進行區分),並且自動分配成所述新類別。
一旦針對一或多個新類別檢測到了足夠數量的此類缺陷(通常為幾十個,例如每個類別至少20-50個缺陷),就可以用所述缺陷對分類器進行訓練,使得其他缺陷可以被正確分類。
牢記這一點,請注意圖1,圖1圖示根據本文揭示主題的某些實施方式的檢查系統的通用方塊圖。作為取樣製造的一部分,可以使用圖1所示的檢查系統100來檢查取樣(例如晶圓及/或其部分)。檢查可以是物件製造的一部分,並且可以在物件製造期間或之後進行。檢查系統可以包括各種檢查工具,例如,一或多個檢視檢查工具101,檢視檢查工具101經設置以擷取檢視圖像(通常,以相對較高的速度及/或低解析度);及一或多個審閱檢查工具102,審閱檢查工具102經設置以擷取由檢視工具101(通常以相對較低的速度及/或高解析度)檢測到的至少一些缺陷的審閱圖像。示出的檢查系統100還包括基於電腦的自動缺陷分類工具(在下文中也稱為分類器)103,基於電腦的自動缺陷分類工具103能夠根據缺陷類型將缺陷自動分類為多個類別。作為非限制性實例,分類可以具有不同的目的,並且分類結果可以用於辨識特定的感興趣缺陷(defects of interest, DoI),從真實缺陷中過濾虛假缺陷,建立柏拉圖(Pareto)以辨識統計程序控制(SPC)中的偏移,及/或根據分類目的的其他方面。
用戶可以定義類別和分配到每個類別的缺陷,以在GUI 108的説明下訓練分類引擎126。此外,GUI 108可經設置以使使用者(及/或管理系統)能夠分別為每個類別設置純度、準確度、提取要求或其他參數,並且根據使用者要求來最佳化分類結果。
分類器103可以可操作地連接到一或多個檢視工具101及/或一或多個審閱工具102。任選地,分類器103可以與一或多個檢視工具101或與一或多個審閱工具102完全或部分地集成。分類器103可以進一步可操作地連接到設計伺服器110和資料庫109。
可以透過檢視工具101(例如,光學檢視系統、低解析度SEM等)來檢查取樣。可以處理所獲得圖像及/或衍生物(任選地與例如設計資料及/或缺陷分類資料的其他資料一起)以選擇潛在缺陷進行審閱。
被選擇進行審閱的潛在缺陷位置的子集可以透過審閱工具102(例如,掃瞄電子顯微鏡(scanning electron microscope, SEM)或原子力顯微鏡(Atomic Force Microscopy, AFM)等)進行審閱。例如,子集可以根據與由檢視工具101輸出的潛在缺陷相關聯的類別來進行選擇並且可能作為附加考量的一部分,其中所述類別可以由分類器103根據檢視資料128來決定。例如,可能需要審閱每個類別中至少預定數量或百分比的缺陷。
另外地或可替代地,可以將提供審閱圖像及/或其衍生物的資訊的資料(下文稱為審閱資料122)和相應的相關聯中繼資料直接或經由一或多個中間系統發送給分類器103。應注意的是,審閱資料可以包括由一或多個中間系統產生的資料作為審閱圖像的衍生物。
分類器103包括處理器和記憶體電路系統(PMC)104,PMC 104可操作地連接到基於硬體的輸入介面105及/或基於硬體的輸出介面106。PMC 104經設置以提供操作如參考圖3進一步詳細描述的分類器所需的處理,並且包括處理器和記憶體(在PMC中未單獨顯示)。分類器103和PMC 104的操作將參考圖2至圖3進一步詳細描述。
可以將輸出介面106輸出的分類器103的處理結果作為檢視指令相關資料123或審閱指令相關資料124分別提供給檢視檢查工具101或審閱檢查工具102,以便改變它們的操作,例如透過改變操作參數的值。
本領域的技藝人士將容易理解,本文揭示的主題的教導不受圖1所示系統的約束;等效及/或修改的功能可以以另一種方式合併或劃分,並且可以以帶有韌體的軟體和硬體的任何適當組合來實施。
應注意的是,圖1所示的檢查系統可以在分散式運算環境中實施,其中圖1所示的上述功能模組可以分佈在若干個本地及/或遠端設備上,並且可以經由通訊網路連結。還應注意的是,在其他實施方式中,檢查工具101及/或102、資料庫109、儲存系統107、設計伺服器110及/或GUI 108中的至少一部分可以在檢查系統100的外部,並且經由輸入介面105和輸出介面106以與分類器103進行資料通訊的方式進行操作。分類器103可以被實現為與一或多個檢查工具結合使用的(多個)獨立電腦。任選地,分類器103可以對儲存在資料庫109及/或儲存系統107中的預先獲取的審閱資料進行操作。另外或替代地,分類器103的相應功能可以至少部分地與一或多個檢查工具、製程控制工具、方案產生工具、用於自動缺陷審閱及/或分類的系統及/或與檢查相關的其他系統集成。
PMC 104可以包括新類別辨識引擎117、訓練引擎120和一或多個分類引擎121。新類別辨識引擎117可以用於辨識新類別缺陷,使得訓練引擎120可以訓練一或多個分類引擎121以將未來的缺陷也分類為新的缺陷。
新類別辨識引擎117可以包括屬性子集辨識引擎118。屬性子集辨識引擎118可以經設置以辨識屬性的子集,使得透過分配給這些屬性的值將訓練期間未知類型的缺陷和與其他類別相關聯的缺陷區分開。
新類別辨識引擎117可以包括密度函數獲得引擎119,以用於決定用於訓練集的第一密度函數和用於測試集的第二密度函數。根據由屬性子集辨識引擎118辨識的屬性子集來決定密度函數。
新類別辨識引擎117可以包括閾值獲得引擎120,以用於將與第一密度函數相關聯的第一閾值和與第一密度函數與第二密度函數之間的組合(例如,比率)相關聯的第二閾值進行關聯,諸如比率。新類別辨識引擎117可以包括用於將第一密度函數和第二密度函數應用於缺陷以獲得第一得分和第二得分的密度函數應用引擎126。若第一得分超過第一閾值,則缺陷可能潛在地是「離群值」,即具有與訓練集中常見的屬性值不同的屬性值。若第二得分超過第二閾值,則缺陷可能是「偏移」,即可以指示訓練集與測試集中的缺陷密度之間的不同分佈。
若第一得分超過第一閾值,或者第二得分超過第二閾值,則可以將缺陷輸出給用戶,添加到潛在新類別缺陷集合中,或以任何其他方式利用。
現在參考圖2,提供了在測試集中表現出的新類別缺陷的實例的視覺化。出於視覺化的目的,圖2的實例是二維的,即表示具有兩種屬性的缺陷,儘管典型系統的缺陷包括明顯更多的屬性,例如數百種屬性。
訓練集包括兩類缺陷:包含在子空間201中的第一類缺陷200和包含在子空間202中的第二類缺陷204。
與訓練集類似,測試集包括缺陷200和缺陷204。然而,測試集還包括包含在子空間209中的缺陷208,所述缺陷208是離群缺陷,因為它們的子空間與已知類別(例如缺陷200或204的類別)的子空間沒有明顯重疊。
測試集還包括包含在子空間213中的缺陷212,子空間213與子空間202確實具有明顯的重疊,因此可以被初始分類為屬於同一類別。然而,這些缺陷在測試集中的存在是透過假定為缺陷204的缺陷(即,缺陷204和與子空間202基本上相同的子空間中的缺陷212)的相對頻率的變化來辨識的。
參考圖3,圖示根據本文揭示的主題的某些實施方式的操作新類別辨識引擎117的通用流程圖。PMC 104經設置以根據在非暫時性電腦可讀取儲存媒體上實施的電腦可讀取指令來執行以下詳述的相應操作。
PMC 104接收由第一分類器分類為多個類別的第一多個第一缺陷(步驟300)。所接收的缺陷已經被預先分類為預定義的類別(例如,由人類專家及/或另一分類器及/或先前分類器的版本等),使得此預分類被認為是基本事實(ground truth)。PMC 104還接收第二多個第二缺陷(步驟300),沒有關於所述第二多個第二缺陷的可用的基本事實。然而,第二多個第二缺陷可以包括在第一多個第一缺陷中不存在或不充分存在的類型的缺陷。
每個第一缺陷和每個第二缺陷可以描述為分配給各種屬性的值的集合,例如向量。通常,每個缺陷都可以被描述為分配給例如與其類型、顏色、尺寸、位置、原因或類似者有關的數百種或更多種屬性的值。
隨後,屬性子集辨識引擎117可以辨識屬性子集(步驟304),所述屬性最能夠區分第一多個第一缺陷和第二多個第二缺陷。因此,將可能但不一定包括所有屬性在內的多個屬性作為區分屬性來進行檢查。若第一多個第一缺陷的值範圍與第二多個第二缺陷的值範圍之間的重疊較小,則認為可以更好地區分這兩個多個缺陷之間的屬性。因此,可以決定用於第一多個第一缺陷的點的屬性值的第一分佈,並且可以決定用於第二多個第二缺陷的點的屬性值的第二分佈。第一分佈和第二分佈之間的差異越大,屬性越好。在一些實施方式中,如由第一多個第一缺陷的密度函數所給定的,第二多個第二缺陷中的點的密度得分總和越低,則屬性越好,因為這表明使用此屬性時,第二多個第二缺陷中的點不太可能在第一多個第一缺陷中發生。隨後可以選擇預定數量的屬性,其中可以如前述選擇最佳屬性。
密度函數獲得引擎119可以分別獲得第一多個第一缺陷和第二多個第二缺陷的第一密度函數和第二密度函數(步驟308)。每個此類密度函數經設置以接收缺陷作為輸入,所述缺陷被描述為屬性子集中的屬性的值的集合,並且輸出指示缺陷是否可以包含在相應多個缺陷中的得分。例如,具有許多近鄰的第一缺陷(例如,其屬性值接近於第一缺陷的屬性值的缺陷)將比具有較少此類近鄰的缺陷具有更高的得分。密度函數可以被決定、從儲存裝置檢索、透過網路接收或類似者。
閾值獲得引擎119可以分別獲得第一密度函數和第二密度函數的第一閾值和第二閾值(步驟312)。
第一閾值與第一密度函數有關。被分配給缺陷的低於第一閾值的得分指示所述缺陷很可能不屬於訓練集,因此可以視為離群值。
第二閾值涉及第一密度函數與第二密度函數之間的差異。被分配給缺陷的高於第二閾值的得分指示所述缺陷更可能屬於測試集而不是訓練集,因此可以被認為是偏移。
密度函數應用引擎(121)可以經設置以將密度函數應用於缺陷(例如來自測試集的缺陷),並且獲得第一得分和第二得分,以及第一得分和第二得分的組合,例如第一得分與第二得分之間的比率(步驟316)。
若缺陷的第一得分低於第一閾值,則由此此缺陷可以被懷疑並指示為離群值(步驟320)。若缺陷的第二得分大於第二閾值,則由此所述缺陷可以被懷疑並指示為偏移(步驟320)。兩種情況都可以被懷疑為新類別,並且因此可以指示給用戶。
PMC 104可以任選地在一段時間內收集潛在地屬於新類別的缺陷。所收集的缺陷可以由用戶手動輸出並驗證為一或多個新類別(步驟324)。替代地,可以將缺陷聚類以便辨識一或多個潛在的新類別。
一旦收集到足夠數量的每種此類新類別缺陷(例如至少20-50個缺陷),則就可以以多個缺陷對訓練引擎125進行訓練,所述多個缺陷包括被辨識為確實屬於新類別的缺陷。隨後,所得的分類引擎可以將缺陷也分類為所述新類別。
本領域技藝人士將容易理解,本文揭示的主題的教導不受圖3所示方法的約束。為了獲得少數缺陷並相應地訓練分類器,可以實現其他適當的演算法及其組合。
應當理解,本發明的應用不限於本文包含的描述中闡述或在附圖中示出的細節。本發明能夠具有其他實施方式並且能夠以各種方式實踐和執行。因此,應當理解,本文採用的措詞和術語是出於描述的目的,而不應被認為是限制性的。因此,本領域的技藝人士應認識到,本案內容所基於的概念可以容易地用作設計用於實現本文揭示的主題的若干目的的其他結構、方法和系統的基礎。
還應當理解的是,根據本發明的系統可以至少部分地在適當程式設計的電腦上實現。同樣,本發明考慮了一種電腦可讀的電腦程式,來執行本發明的方法。本發明還考慮了一種非暫時性電腦可讀取記憶體來執行本發明的方法,所述非暫時性電腦可讀取記憶體有形地體現了可由電腦執行的指令程式。
本領域技藝人士將容易意識到,可以在不脫離在所附申請專利範圍中和由所附申請專利範圍限定的本發明保護範圍的情況下,對前述的本發明的實施方式進行各種修改和改變。
100:檢查系統
101:檢視檢查工具
102:審閱檢查工具
103:分類器
104:處理器和記憶體電路系統
105:輸入介面
106:輸出介面
107:儲存系統
108:GUI
109:資料庫
110:設計伺服器
117:新類別辨識引擎
118:屬性子集辨識引擎
119:密度函數獲得引擎
120:閾值獲得引擎
121:密度函數應用引擎
122:審閱數據
123:檢視指令相關資料
124:審閱指令相關資料
125:訓練引擎
126:(多個)分類引擎
128:檢視數據
200:第一類缺陷
201:子空間
202:子空間
204:第二類缺陷
208:缺陷
209:子空間
212:缺陷
213:子空間
300:步驟
304:步驟
312:步驟
316:步驟
320:步驟
324:步驟
為了理解本發明並瞭解其可如何在實踐中進行,現在將僅透過非限制性實例的方式,參考附圖來描述實施方式,在所述附圖中:
圖1圖示根據本文揭示主題的某些實施方式的檢查系統的通用方塊圖;
圖2圖示測試集中表現出的新類別缺陷的示例性二維情況;並且
圖3圖示根據本文揭示主題的某些實施方式的操作新類別辨識引擎的方法的通用流程圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
300:步驟
304:步驟
312:步驟
316:步驟
320:步驟
324:步驟
Claims (9)
- 一種能夠將一取樣中的缺陷分類為多個類別的系統,該系統包括一處理和記憶體電路系統(PMC),該PMC經設置以: 接收被分類為多個類別的第一多個第一缺陷和第二多個潛在第二缺陷,每個第一缺陷和每個潛在第二缺陷與多個屬性之每一屬性的相應值相關聯,該第一多個第一缺陷表徵為一第一屬性空間,並且該第二多個潛在第二缺陷表徵為一第二屬性空間; 處理該第一多個第一缺陷和第二多個潛在第二缺陷以從該些多個屬性中選擇一屬性子集,包括: 針對每種屬性: 決定來自該第一多個第一缺陷的缺陷的屬性值的一第一分佈; 決定來自該第二多個潛在第二缺陷的缺陷的屬性值的一第二分佈;以及 決定該第一分佈與該第二分佈之間的一差異; 選擇該屬性子集作為在該第一分佈與該第二分佈之間具有最大差異的屬性; 基於分配給來自該第一多個第一缺陷的缺陷的該屬性子集的值來獲得一第一密度估計函數;及基於分配給該第二多個潛在第二缺陷的缺陷的該屬性子集的值來決定一第二密度估計函數; 獲得與該第一密度估計函數相關聯的一第一閾值,以及與該第一密度估計函數和該第二密度估計函數的一組合相關聯的一第二閾值; 將該第一密度估計函數應用於該第二多個潛在第二缺陷的每個缺陷,以獲得一第一得分; 將該第二密度估計函數應用於該第二多個潛在第二缺陷的每個缺陷以獲得一第二得分; 決定該第一得分和該第二得分的一組合得分;以及 當該第一得分低於該第一閾值或該組合得分超過該第二閾值時,將來自該第二多個潛在第二缺陷的一缺陷指示為一潛在新類別缺陷。
- 如請求項1所述之系統,其中當該第一得分低於該第一閾值時,將該潛在缺陷指示為一離群值。
- 如請求項1所述之系統,其中當該第二得分超過該第二閾值時,將該潛在缺陷指示為一偏移。
- 如請求項1所述之系統,其中該第一密度估計函數和該第二密度估計函數的組合是該第一密度估計函數中的一缺陷的一第一得分與該第二密度估計函數中的該缺陷的一第二得分之間的一比率。
- 一種使用可操作地連接到一記憶體的一處理器對多個缺陷進行分類的方法,該方法包括以下步驟: 接收被分類為多個類別的第一多個第一缺陷和第二多個潛在第二缺陷,每個第一缺陷和每個潛在第二缺陷與多個屬性之每一屬性的相應值相關聯,該第一多個第一缺陷表徵為一第一屬性空間,並且該第二多個潛在第二缺陷表徵為一第二屬性空間; 由該處理器處理該第一多個第一缺陷和第二多個潛在第二缺陷以從該些多個屬性中選擇一屬性子集,該等步驟包括: 針對每種屬性: 由該處理器決定來自該第一多個第一缺陷的缺陷的屬性值的一第一分佈; 由該處理器決定來自該第二多個潛在第二缺陷的缺陷的屬性值的一第二分佈;以及 由該處理器決定該第一分佈與該第二分佈之間的一差異; 由該處理器選擇該屬性子集作為在該第一分佈與該第二分佈之間具有最大差異的屬性; 由該處理器基於分配給來自該第一多個第一缺陷的缺陷的該屬性子集的值來獲得一第一密度估計函數;及基於分配給該第二多個潛在第二缺陷的缺陷的該屬性子集的值來決定一第二密度估計函數; 由該處理器獲得與該第一密度估計函數相關聯的一第一閾值,以及與該第一密度估計函數和該第二密度估計函數的一組合相關聯的一第二閾值; 由該處理器將該第一密度估計函數應用於該第二多個潛在第二缺陷的每個缺陷以獲得一第一得分; 由該處理器將該第二密度估計函數應用於該第二多個潛在第二缺陷的每個缺陷以獲得一第二得分; 由該處理器決定該第一得分和該第二得分的一組合得分;以及 當該第一得分低於該第一閾值或該組合得分超過該第二閾值時,將來自該第二多個潛在第二缺陷的一缺陷指示為一潛在新類別缺陷。
- 如請求項5所述之方法,其中當該第一得分低於該第一閾值時,將該潛在缺陷指示為一離群值。
- 如請求項5所述之方法,其中當該第二得分超過該第二閾值時,將該潛在缺陷指示為一偏移。
- 如請求項5所述之方法,其中該第一密度估計函數和該第二密度估計函數的組合是該第一密度估計函數中的一缺陷的一第一得分與該第二密度估計函數中的該缺陷的一第二得分之間的一比率。
- 一種非暫時性電腦可讀取媒體,該非暫時性電腦可讀取媒體包括指令,當由一電腦執行該等指令時使該電腦執行將一取樣中的缺陷自動分類為多個類別的一方法,該方法包括以下步驟: 由一處理器接收被分類為多個類別的第一多個第一缺陷和第二多個潛在第二缺陷,每個第一缺陷和每個潛在第二缺陷與多個屬性之每一屬性的相應值相關聯,該第一多個第一缺陷表徵為一第一屬性空間,並且該第二多個缺陷潛在第二表徵為一第二屬性空間; 由該處理器處理該第一多個第一缺陷和第二多個潛在第二缺陷以從該些多個屬性中選擇一屬性子集,該等步驟包括: 針對每種屬性: 由該處理器決定來自該第一多個第一缺陷的缺陷的屬性值的一第一分佈; 由該處理器決定來自該第二多個潛在第二缺陷的缺陷的屬性值的一第二分佈;以及 由該處理器決定該第一分佈與該第二分佈之間的一差異; 由該處理器選擇該屬性子集作為在該第一分佈與該第二分佈之間具有最大差異的屬性; 由該處理器基於分配給來自該第一多個第一缺陷的缺陷的該屬性子集的值來獲得一第一密度估計函數;及基於分配給該第二多個潛在第二缺陷的缺陷的該屬性子集的值來決定一第二密度估計函數; 由該處理器獲得與該第一密度估計函數相關聯的一第一閾值,以及與該第一密度估計函數和該第二密度估計函數的一組合相關聯的一第二閾值; 由該處理器將該第一密度估計函數應用於該第二多個潛在第二缺陷的每個缺陷以獲得一第一得分; 由該處理器將該第二密度估計函數應用於該第二多個潛在第二缺陷的每個缺陷以獲得一第二得分; 由該處理器決定該第一得分和該第二得分的一組合得分;以及 當該第一得分低於該第一閾值或該組合得分超過該第二閾值時,將來自該第二多個潛在第二缺陷的一缺陷指示為一潛在新類別缺陷。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/249,852 US11151706B2 (en) | 2019-01-16 | 2019-01-16 | Method of classifying defects in a semiconductor specimen and system thereof |
US16/249,852 | 2019-01-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202043755A true TW202043755A (zh) | 2020-12-01 |
TWI772735B TWI772735B (zh) | 2022-08-01 |
Family
ID=71517983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109100711A TWI772735B (zh) | 2019-01-16 | 2020-01-09 | 對半導體取樣中的缺陷進行分類的方法及其系統 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11151706B2 (zh) |
JP (1) | JP7025459B2 (zh) |
KR (1) | KR102367310B1 (zh) |
CN (1) | CN111444934A (zh) |
TW (1) | TWI772735B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110278366B (zh) * | 2018-03-14 | 2020-12-01 | 虹软科技股份有限公司 | 一种全景图像虚化方法、终端及计算机可读存储介质 |
TWI798655B (zh) * | 2020-03-09 | 2023-04-11 | 美商奈米創尼克影像公司 | 缺陷偵測系統 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6635872B2 (en) * | 2001-04-05 | 2003-10-21 | Applied Materials, Inc. | Defect inspection efficiency improvement with in-situ statistical analysis of defect data during inspection |
US8315453B2 (en) * | 2010-07-27 | 2012-11-20 | Applied Materials Israel, Ltd. | Defect classification with optimized purity |
US9715723B2 (en) * | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
US9367911B2 (en) * | 2012-06-13 | 2016-06-14 | Applied Materials Israel, Ltd. | Apparatus and method for defect detection including patch-to-patch comparisons |
US20170032285A1 (en) * | 2014-04-09 | 2017-02-02 | Entrupy Inc. | Authenticating physical objects using machine learning from microscopic variations |
US9286675B1 (en) * | 2014-10-23 | 2016-03-15 | Applied Materials Israel Ltd. | Iterative defect filtering process |
US9898811B2 (en) * | 2015-05-08 | 2018-02-20 | Kla-Tencor Corporation | Method and system for defect classification |
US9984199B2 (en) * | 2015-05-21 | 2018-05-29 | Ge Healthcare Bio-Sciences Corp. | Method and system for classification and quantitative analysis of cell types in microscopy images |
US10505819B2 (en) * | 2015-06-04 | 2019-12-10 | Cisco Technology, Inc. | Method and apparatus for computing cell density based rareness for use in anomaly detection |
US10147049B2 (en) * | 2015-08-31 | 2018-12-04 | International Business Machines Corporation | Automatic generation of training data for anomaly detection using other user's data samples |
US20170147941A1 (en) * | 2015-11-23 | 2017-05-25 | Alexander Bauer | Subspace projection of multi-dimensional unsupervised machine learning models |
US11237119B2 (en) * | 2017-01-10 | 2022-02-01 | Kla-Tencor Corporation | Diagnostic methods for the classifiers and the defects captured by optical tools |
US11037286B2 (en) * | 2017-09-28 | 2021-06-15 | Applied Materials Israel Ltd. | Method of classifying defects in a semiconductor specimen and system thereof |
CN107992898B (zh) * | 2017-12-14 | 2019-07-23 | 哈尔滨工业大学(威海) | 一种电子元件焊点缺陷检测方法 |
CN108322473B (zh) * | 2018-02-12 | 2020-05-01 | 京东数字科技控股有限公司 | 用户行为分析方法与装置 |
US10921334B2 (en) * | 2018-03-22 | 2021-02-16 | Applied Materials Israel Ltd. | System, method and computer program product for classifying defects |
US10445879B1 (en) * | 2018-03-23 | 2019-10-15 | Memorial Sloan Kettering Cancer Center | Systems and methods for multiple instance learning for classification and localization in biomedical imaging |
CN109117956B (zh) * | 2018-07-05 | 2021-08-24 | 浙江大学 | 一种最佳特征子集的确定方法 |
-
2019
- 2019-01-16 US US16/249,852 patent/US11151706B2/en active Active
-
2020
- 2020-01-07 CN CN202010015021.6A patent/CN111444934A/zh active Pending
- 2020-01-09 TW TW109100711A patent/TWI772735B/zh active
- 2020-01-14 KR KR1020200004685A patent/KR102367310B1/ko active IP Right Grant
- 2020-01-16 JP JP2020005304A patent/JP7025459B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
CN111444934A (zh) | 2020-07-24 |
TWI772735B (zh) | 2022-08-01 |
JP7025459B2 (ja) | 2022-02-24 |
KR20200089618A (ko) | 2020-07-27 |
JP2020113767A (ja) | 2020-07-27 |
US11151706B2 (en) | 2021-10-19 |
US20200226743A1 (en) | 2020-07-16 |
KR102367310B1 (ko) | 2022-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7286290B2 (ja) | 半導体試料の欠陥を分類する方法およびそのシステム | |
US11526979B2 (en) | Method of defect classification and system thereof | |
CN109598698B (zh) | 用于对多个项进行分类的***、方法和非暂时性计算机可读取介质 | |
TW202044067A (zh) | 基於機器學習之半導體樣本中的缺陷分類 | |
JP2013225313A (ja) | 自動欠陥分類における分類器の準備及び保守 | |
US11592400B2 (en) | System, method and computer program product for object examination | |
TWI791930B (zh) | 用於分類半導體樣本中的缺陷的系統、方法及電腦可讀取媒體 | |
US10921334B2 (en) | System, method and computer program product for classifying defects | |
TWI772735B (zh) | 對半導體取樣中的缺陷進行分類的方法及其系統 | |
US20220291138A1 (en) | Method of examining specimens and system thereof | |
KR20190098271A (ko) | 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법 | |
US11386539B2 (en) | Detecting defects in a semiconductor specimen |