TWI803595B - 晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體 - Google Patents

晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體 Download PDF

Info

Publication number
TWI803595B
TWI803595B TW108109049A TW108109049A TWI803595B TW I803595 B TWI803595 B TW I803595B TW 108109049 A TW108109049 A TW 108109049A TW 108109049 A TW108109049 A TW 108109049A TW I803595 B TWI803595 B TW I803595B
Authority
TW
Taiwan
Prior art keywords
image
model
processor
images
wafer
Prior art date
Application number
TW108109049A
Other languages
English (en)
Other versions
TW201946089A (zh
Inventor
呂劭宇
賀力
桑卡 梵卡泰若曼
Original Assignee
美商克萊譚克公司
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 美商克萊譚克公司 filed Critical 美商克萊譚克公司
Publication of TW201946089A publication Critical patent/TW201946089A/zh
Application granted granted Critical
Publication of TWI803595B publication Critical patent/TWI803595B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T7/001—Industrial image inspection using an image reference 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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
    • 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
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/24—Optical enhancement of defects or not directly visible states, e.g. selective electrolytic deposition, bubbles in liquids, light emission, colour change
    • 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
    • H01L22/30—Structural arrangements specially adapted for testing or measuring during manufacture or treatment, or specially adapted for reliability measurements
    • 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
    • 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)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

基於自動編碼器之半監督方法用於異常偵測。可使用此等方法發現半導體晶圓上之缺陷。模型可包含一變分自動編碼器，諸如包含梯形網路之變分自動編碼器。無缺陷或乾淨影像可用於訓練該模型，該模型隨後用於發現缺陷或其他異常。

Description

晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體
本發明係關於影像中之異常偵測，且更特定言之係關於掃描半導體晶圓之電子顯微鏡影像時之異常偵測。
半導體製造行業之演進對良率管理及特定言之計量及檢測系統提出愈來愈高的要求。臨界尺寸不斷縮小，而行業需要減少達成高良率、高價值生產之時間。最小化從偵測到一良率問題至解決它之總時間判定一半導體製造商之投資報酬率。
製造諸如邏輯及記憶體裝置之半導體裝置通常包含使用大量製程處理一半導體晶圓以形成半導體裝置之各種特徵及多個層級。例如，微影術係涉及將一圖案從一倍縮光罩轉印至配置於一半導體晶圓上之一光阻劑之一半導體製程。半導體製程之額外實例包含(但不限於)化學機械拋光(CMP)、蝕刻、沈積及離子植入。可在一單一半導體晶圓上之一配置中製造多個半導體裝置且接著將其等分離為個別半導體裝置。
在半導體製造期間之各個步驟使用檢測程序來偵測晶圓上之缺陷以促進製程中之更高良率及因此更高利潤。檢測始終係製造諸如積體電路(IC)之半導體裝置之一重要部分。然而，隨著半導體裝置之尺寸減 小，檢測對於成功製造可接受半導體裝置變得甚至更為重要，此係因為較小缺陷可導致裝置故障。例如，隨著半導體裝置之尺寸減小，縮小大小之缺陷之偵測已變得必要，此係由於甚至相對小之缺陷可導致半導體裝置中之非所要像差。
然而，隨著設計規則縮小，半導體製程可更接近於程序之效能能力之限制而操作。另外，隨著設計規則縮小，較小缺陷可影響裝置之電參數，此驅使更靈敏之檢測。隨著設計規則縮小，藉由檢測偵測到之潛在良率相關缺陷之群體顯著增長，且藉由檢測偵測到之擾亂點(nuisance)缺陷之群體亦顯著增加。因此，可在晶圓上偵測到更多缺陷，且校正程序以消除全部缺陷可為困難且昂貴的。判定哪些缺陷實際上影響裝置之電參數及良率可容許程序控制方法專注於該等缺陷，同時大體上忽略其他缺陷。此外，在較小設計規則下，程序引發之故障在一些情況中傾向於係系統性的。即，程序引發之故障傾向於在通常在設計內重複許多次之預定設計圖案下發生故障。空間系統性、電相關缺陷之消除可影響良率。
隨著半導體裝置之大小縮小，諸如使用一掃描電子顯微鏡(SEM)之檢測變得更必要。在檢測中使用之當前演算法傾向於需要客製化特徵。在系統中涉及學習，但其傾向於以一特用方式且按一高階在通常涉及一SEM檢視之一迴路中發生，其中檢測結果被視為真正缺陷、假警報、擾亂點等。程序相關原因與一操作者觀察效應之能力之間的關係如此複雜，使得習知方法不適合於集中在完全利用用於控制半導體製程之檢測設備之原始能力之配方上。
SEM影像中之異常偵測(例如，缺陷偵測)使用一人工方法 來執行。在使用電子束檢測之前，一操作者使用來自另一工具(諸如一光學檢測工具)之關於一缺陷群體之資訊。接著，操作者依靠統計資料來找到異常圖案之位置或僅藉由檢視SEM影像而視覺地搜尋缺陷。此係一人工技術，其係繁瑣且易出錯的。一操作者之視覺檢視可為耗時的。
SEM影像中之異常偵測(例如，缺陷偵測)亦使用監督機器學習來執行。一操作者標註SEM影像上之缺陷以產生一訓練集來訓練一機器學習模型。接著，此模型可用於檢測。如同其他先前技術，此係一部分人工技術，其係繁瑣且易出錯的。由於缺陷之微小特性，標註程序傾向於係困難的。例如，不同操作者可對「異常」圖案看似如何具有不同定義。此在異常偵測期間產生意外錯誤行為。此外，與標稱群體相比，異常群體通常係小的。一操作者需要在標稱圖案之一龐大群體中找到異常圖案，此可為挑戰性的。
因此，需要一改良異常偵測技術。
在一第一實施例中提供一種系統。該系統包括一晶圓檢測工具及與該晶圓檢測工具電子通信之一處理器。該晶圓檢測工具經組態以產生一晶圓之影像，且包含一電子束源及一偵測器。該處理器操作經組態以找到該影像中之一或多個異常之一模型。僅基於半導體裝置之無缺陷訓練影像使用半監督機器學習訓練該模型。
該晶圓檢測工具可為一SEM。
該模型可包含一變分自動編碼器(variational autoencoder)。該變分自動編碼器可包含梯形網路。
在一第二實施例中提供一種方法。在一處理器處接收一晶 圓之一影像。該處理器操作經組態以找到該影像中之一或多個異常之一模型。僅基於半導體裝置之無缺陷訓練影像使用半監督機器學習訓練該模型。使用該模型判定該影像中一或多個異常之存在。
該影像可為一SEM影像。
該訓練可使用標稱圖案。
該模型可包含一變分自動編碼器。該變分自動編碼器可包含梯形網路。
該方法可進一步包含使用一晶圓檢測工具獲得該影像。在一例項中，該晶圓檢測工具係一SEM。
該一或多個異常可各為一異常圖塊或一異常區域之一者。
該方法可進一步包含使用該處理器在一特徵空間中判定該影像與該等無缺陷訓練影像之間的一距離且使用該處理器基於該距離而判定該影像是否係一離群值。
該方法可進一步包含使用該處理器使用以一自動編碼器作為一產生器且以一廻旋神經網路作為一鑑別器之一產生性對抗式網路判定該影像是否係一離群值。
在一第三實施例中提供一種非暫時性電腦可讀儲存媒體。該非暫時性電腦可讀儲存媒體包括用於在一或多個運算裝置上執行一模型之一或多個程式。僅基於半導體裝置之無缺陷訓練影像使用半監督機器學習訓練該模型。該模型經組態以接收一晶圓之一影像且判定該影像中一或多個異常之存在。
該影像可為一SEM影像。
可使用標稱圖案訓練該模型。
該模型可包含一變分自動編碼器。該變分自動編碼器可包含梯形網路。
該模型可經組態以執行離群值偵測，藉此偵測異常。
100:方法
101:步驟
102:步驟
103:步驟
104:步驟
200:系統
201:電子柱
202:電腦子系統
203:電子束源
204:晶圓
205:元件
206:元件
207:偵測器
208:處理器
209:電子資料儲存媒體/電子資料儲存單元
210:機器學習模組
為更完全理解本發明之性質及目的，應參考結合隨附圖式進行之以下詳細描述，其中：圖1係根據本發明之一方法之一實施例之一流程圖；圖2繪示使用一自動編碼器進行工作流程操作，包含在乾淨位點上訓練自動編碼器且對可含有缺陷之測試位點運行推理；圖3繪示包含一編碼器及一解碼器之一變分自動編碼器之一架構；圖4繪示一例示性深度廻旋神經網路及梯形變分自動編碼器架構；圖5繪示使用一自動編碼器輸入及重建異常SEM圖塊；圖6係一重建誤差直方圖，其中可基於陰影看見實況；圖7A至圖7C係100個步驟、200個步驟及2000個步驟之後的重建誤差直方圖；圖8繪示在200個步驟之後使用一自動編碼器輸入及重建SEM圖塊；圖9繪示在2000個步驟之後使用一自動編碼器輸入及重建SEM圖塊；及圖10係根據本發明之一系統之一實施例之一方塊圖。
相關申請案之交叉參考
此申請案主張2018年3月19日申請且指定為美國申請案第62/644,962號之臨時專利申請案之優先權，該案之揭示內容以引用的方式 併入本文中。
儘管將依據某些實施例描述所主張之標的物，然其他實施例(包含未提供本文中闡述之全部益處及特徵之實施例)亦在本發明之範疇內。可在不脫離本發明之範疇的情況下做出各種結構、邏輯、程序步驟及電子改變。因此，僅參考隨附發明申請專利範圍界定本發明之範疇。
一基於自動編碼器之半監督方法用於異常(例如，缺陷)偵測。雖然監督或非監督方法係可行的，但監督機器學習需要一繁瑣且昂貴之人工標記程序且一非監督機器學習方法難以適應不同資料。因此，代替一監督或非監督方法，可使用一半監督異常偵測方法。半監督方法可需要較少人工步驟，諸如選擇乾淨SEM影像。
本文中揭示之實施例使用半監督機器學習進行異常偵測。藉由半監督，操作者提供一訓練資料集。然而，一操作者僅需為訓練資料集選擇乾淨SEM影像，此可比標註缺陷影像更容易。
圖1係一方法100之一實施例之一流程圖。在101收集標稱圖案以形成一訓練集。此等標稱圖案可不包含像素標記。在一實例中，SEM影像可用作訓練集。
在一例項中，訓練集包含半導體結構、晶粒或一半導體晶圓表面之部分之影像。訓練集中僅可存在乾淨(例如，無缺陷)影像。訓練集中之乾淨影像可標記為乾淨、無缺陷或另一類似標記。訓練集之像素級標註可為不必要的，因為訓練集僅包含乾淨影像。
具有缺陷之影像可用於驗證模型。例如，具有缺陷之影像可用於驗證或可用作測試影像。具有缺陷之經標記影像或影像中之經標記缺陷可用於驗證模型。具有缺陷之未標記影像可用於測試模型。
返回至圖1，在102使用半監督機器學習訓練模型。此可使用標稱圖案，在此例項中，該等標稱圖案包含無缺陷訓練影像。模型經訓練以表示標稱圖案之一分佈。
在103使用一處理器應用模型以找到影像圖塊中之一或多個異常。模型可產生重建誤差及/或概率。模型可藉由檢查圖塊級重建誤差及/或概率而預測一圖塊是否異常。可藉由對像素級重建誤差及/或概率定限而識別異常區域。
例如，在103可藉由應用模型而從輸入SEM影像產生重建影像。
自動編碼器可最佳地在重複圖案(如一陣列或點)上執行。如一產生性對抗式網路(GAN)之其他方法可用於重建更複雜圖案。
在104，使用模型判定一影像中一或多個異常之存在。臨限值重建誤差或概率可用於找到影像中之一異常圖塊或區域。例如，在104可計算重建SEM影像與原始SEM影像之間的一差異以定位異常圖案(例如，缺陷)。
可在103之前或在104之前於處理器處接收一晶圓之一影像。影像可為一SEM影像。可使用一晶圓檢測工具(諸如一SEM)獲得晶圓之影像。
在一例項中，模型包含一變分自動編碼器。變分自動編碼器可包含梯形網路。自動編碼器亦可為一廻旋神經網路(CNN)自動編碼器或其他類型之自動編碼器。
一變分自動編碼器可提供用於描述一潛在空間中之一觀察之一概率方式。因此，一變分自動編碼器可描述各潛在屬性之一概率分 佈。可依據潛在屬性描述各輸入影像，諸如使用各屬性之一概率分佈。變分自動編碼器可在工作流程操作期間使用一編碼器及一解碼器，如圖2中所見。可在乾淨位點上訓練自動編碼器且可對可含有缺陷之測試位點運行推理。圖3中可見包含一編碼器及解碼器之變分自動編碼器之架構。
如圖3中所見，x代表輸入變數且z係處於一較低維隱藏空間中之潛在變數。針對編碼，f(x)代表從x至z之一編碼器映射，其由n組仿射映射(經由W及b)接著一非線性σ(參見方程式1)形成，其中n係隱藏層之數目，且
Figure 108109049-A0305-02-0010-3
指示廻旋。針對解碼，g(z)表示導致重建資料
Figure 108109049-A0305-02-0010-5
之複雜解碼程序，其在類似於編碼器之一神經網路之結構中模型化。
具有一單一隱藏層之一神經網路具有分別如方程式1及方程式2中之一編碼器及解碼器。
Figure 108109049-A0305-02-0010-2
Figure 108109049-A0305-02-0010-1
方程式1及方程式2描述確定性編碼及解碼映射。一變分自動編碼器(VAE)致力於模型化分佈而非潛在變數之實值。如圖3中，qΦ(z｜x)係近似後驗且pθ(z)係潛在變數z之先驗分佈。損失函數(方程式3)致力於最小化後驗與先驗分佈之間的KL散度(DKL)且使用一權重λ最小化重建誤差(方程式4)。n係層數。
Figure 108109049-A0305-02-0010-4
一變分自動編碼器之一優點係其潛在變數係隨機變數。有時，標稱及缺陷資料可共用相同平均值，但其等偏差可為不同的。變分自動編碼器考量一原始輸入與重建資料之間的分佈差異，此改良精確性及穩健性。
變分自動編碼器原理可包含下列兩個特徵。可藉由一神經網路(諸如一CNN)模型化近似後驗。在一例項中，f(x)輸出一個實現之近似後驗q及樣本z之參數。針對潛在變數之先驗分佈，假定各向同性分佈(例如，白努利(Bernoulli)針對二進位值且多變元高斯(Multivariate Gaussian)針對連續值)，且可針對一個實現對z取樣。
與不具有梯形網路之一變分自動編碼器或一傳統自動編碼器相比，用於變分自動編碼器之梯形網路可提供改良結果。在一例項中，用於變分自動編碼器之梯形網路可為連續值影像提供改良結果。
代替一深度CNN架構，可選擇一梯形架構。圖4繪示一深度CNN變分自動編碼器(左)及一梯形變分自動編碼器(右)之推理及產生模型。圓形指示隨機節點且菱形指示確定性節點。雙線指示條件概率，實線指示確定性映射，虛線指示藉由KL散度(方程式3)匹配先驗pθ(z)與後驗qΦ(z｜x)之正則化。梯形變分自動編碼器藉由經由額外正則化連接淺層而克服過度擬合。
然而，在另一實例中，一CNN包含於一變分自動編碼器之編碼器及解碼器部分中。
本文中揭示之方法之實施例可用作重複圖案(如陣列圖案)之缺陷偵測。若標稱圖案係簡單且可重複之圖案(諸如陣列圖案)，則可使用所揭示之變分自動編碼器偵測任何類型之半導體缺陷。亦可偵測更複雜圖案，且簡單且可重複之圖案僅作為實例列出。此外，其他半監督或非監督技術可用於改良具有更複雜圖案之效能。可識別此等圖案之離群值。可識別缺陷(諸如例如粒子、缺失空隙、灰階改變或較薄鰭片)。亦可識別其他類型之缺陷。
本文中描述之方法之實施例可經組態以執行離群值偵測。此可用於偵測異常。
在一第一實施例中，可使用一特徵空間中之距離判定離群值。從無缺陷訓練影像提取一些機器學習特徵向量。當在一測試工作運行期間傳入新影像時，可從此等新影像提取相同類型之特徵向量。可判定一個新影像之一特徵向量與全部無缺陷訓練影像之特徵向量之距離。若距離超過一臨限值，則新影像被視為一離群值。例如，可判定無缺陷訓練資料中之影像資料集之一質心。可判定新影像與此質心之間的距離，其可用於找到離群值。
在一第二實施例中，可使用以一個CNN作為其鑑別網路之一GAN判定離群值。一GAN由兩個網路組成：一產生器網路，其後接著一鑑別器網路。自動編碼器可用作產生器且CNN可用作鑑別器。自動編碼器之全部訓練影像可為標稱的(即，無缺陷)。可藉由此自動編碼器使用此等訓練影像作為實例產生重建影像。一些看起來更真(如標稱影像)且一些看起來更假(如異常影像)。鑑別器之工作係從此等所產生影像判定哪些係真的且哪些係假的。在訓練結束之後，鑑別器網路將有能力判定哪個影像係標稱(真)而哪個影像係異常(假)。因此，可將新影像(測試影像)傳遞至CNN鑑別器網路以找出影像是否異常。以此方式，GAN可用於找到新資料中之離群值。
本文中揭示之方法之實施例可用作一擾亂點過濾器而非受監督之分類。若存在一現有偵測模型，則輸出將為具有一高缺陷可能之SEM圖塊影像。可使用來自相同SEM層之乾淨位點之相同圖塊大小影像訓練半監督模型，接著可將偵測輸出圖塊傳遞至此模型。將過濾具有較高 重建誤差之缺陷圖塊。擾亂點圖塊在此過濾器之後將標記為乾淨。
半監督流程最小化異常偵測之操作者互動。此避免操作者對缺陷之繁瑣且易出錯之人工標記。此可免除對搜尋或塗繪缺陷的需要，此減少提供資料以訓練模型所需之時間。
僅標稱圖案可用於訓練模型以偵測異常，此可減小操作者訓練一機器模型之負擔。因此，可僅需乾淨SEM影像。因此，由於標稱圖案傾向於主導大多數群體，所以存在可使用的大量可行訓練資料。此避免或減少經標記缺陷影像之數目。因此，可潛在地避免複雜人工智慧模型之過度擬合。
半監督流程亦可提供改良效能。憑藉監督機器學習，有限資料可用於訓練。然而，憑藉本文中揭示之實施例，由於僅需乾淨SEM影像，所以可使用大量資料。此可在缺陷偵測中產生較佳捕獲率及擾亂點率。
藉由學習乾淨影看似如何，在一新影像之重建期間的重建誤差將指示新影像中是否存在缺陷。使用乾淨及缺陷影像訓練可損壞模型。
本文中揭示之實施例可藉由減少設定時間而提供一處理量改良。模型訓練之資料準備可更快。例如，針對整個影像標記乾淨影像遠快於缺陷位置之像素級標註。
在另一實施例中，一非監督機器學習演算法可用於此方法而無需人工標註影像。代替半監督機器學習，執行非監督機器學習。使用非監督學習可增加複雜性。由於異常資料點少於標稱資料點，所以可難以模型化其等之分佈且分離其等。雖然可行，但可難以訓練擬合來自不同層 及裝置之SEM影像之一模型。可代替地使用半監督機器學習，其利用大量容易獲得之標稱資料點以及找到乾淨影像所需之最小量操作者時間。
圖5繪示使用一自動編碼器輸入及重建SEM圖塊。由於訓練集僅含有背景圖塊，所以未重建缺陷區域。因此，異常圖塊將具有較高重建誤差。
圖6係重建誤差之一圖表。一臨限值用於區分異常與標稱。在一個測試中，捕獲率係100%且擾亂點率係27.8%。使用不同寬度及陰影繪示圖6中之擾亂點及缺陷結果。
重建誤差可定義為原始輸入向量x與重建
Figure 108109049-A0305-02-0014-7
之間的差異，如方程式(4)中。
Figure 108109049-A0305-02-0014-6
由於一變分自動編碼器模型化標稱資料之分佈，所以異常預期具有較高重建誤差(方程式4)。圖6展示重建誤差可展現兩種模態分佈，此使自動定限能夠分離異常與標稱。例如，大津(Otsu)演算法可應用於對數尺度重建誤差以更佳地利用動態範圍，但將其映射回至原始尺度以進行繪圖。此行得通，因為重建概率與重建誤差之對數尺度成比例且AVE將重建概率模型化為高斯分佈。
圖7A至圖7C係100個步驟、200個步驟及2000個步驟之後的重建誤差之圖表。此使用相同於圖5之訓練輸入資料，其包含陣列狀標稱SEM影像。可在圖2中描述工作流程。乾淨影像僅用於訓練自動編碼器。在100個步驟、200個步驟及2000個步驟內使用相同訓練資料訓練不同自動編碼器模型。接著傳入含有具有缺陷之一些影像之驗證資料。圖8展示具有缺陷之輸入影像及使用此三個經訓練自動編碼器模型重建之影 像。訓練步驟愈多，重建影像愈佳。然而，依據誤差直方圖分離，200步模型可足以分離異常與標稱驗證影像，但可執行更長訓練以獲得更佳重建影像。使用不同寬度及陰影繪示圖7A至圖7C中之擾亂點及缺陷結果。
圖8繪示在200個步驟之後使用一自動編碼器輸入及重建SEM圖塊。圖9繪示在2000個步驟之後使用一自動編碼器輸入及重建SEM圖塊。
圖10係一系統200之一實施例之一方塊圖。系統200包含經組態以產生一晶圓204之影像之一晶圓檢測工具(其包含電子柱201)。
晶圓檢測工具包含一輸出獲取子系統，該輸出獲取子系統包含至少一能量源及一偵測器。輸出獲取子系統可為一基於電子束之輸出獲取子系統。例如，在一項實施例中，引導至晶圓204之能量包含電子，且從晶圓204偵測之能量包含電子。以此方式，能量源可為一電子束源。在圖10中展示之一項此實施例中，輸出獲取子系統包含耦合至電腦子系統202之電子柱201。一卡盤(未繪示)可固持晶圓204。
亦如圖10中展示，電子柱201包含一電子束源203，該電子束源203經組態以產生由一或多個元件205聚焦至晶圓204之電子。電子束源203可包含例如一陰極源或發射器尖端。一或多個元件205可包含例如一槍透鏡、一陽極、一光束限制孔隙、一閘閥、一光束電流選擇孔隙、一物鏡及一掃描子系統，其等全部可包含此項技術中已知的任何此等適合元件。
可藉由一或多個元件206將從晶圓204返回之電子(例如，二次電子)聚焦至偵測器207。一或多個元件206可包含例如一掃描子系統，該掃描子系統可為包含於(若干)元件205中之相同掃描子系統。
電子柱亦可包含此項技術中已知的任何其他適合元件。
儘管電子柱201在圖10中展示為經組態使得電子按一傾斜入射角引導至晶圓204且按另一傾斜角從晶圓204散射，然應理解，電子束可按任何適合角引導至晶圓204且從晶圓204散射。另外，基於電子束之輸出獲取子系統可經組態以使用多個模式來產生晶圓204之影像(例如，用不同照明角、收集角等)。基於電子束之輸出獲取子系統之多個模式可在輸出獲取子系統之任何影像產生參數方面不同。
電腦子系統202可如上文描述般耦合至偵測器207。偵測器207可偵測從晶圓204之表面返回之電子，藉此形成晶圓204之電子束影像。電子束影像可包含任何適合電子束影像。電腦子系統202可經組態以使用偵測器207之輸出及/或電子束影像來執行本文中描述之功能之任一者。電腦子系統202可經組態以執行本文中描述之(若干)任何額外步驟。包含圖10中展示之輸出獲取子系統之一系統200可如本文中描述般進一步組態。
應注意，本文中提供圖10以大體上繪示可用於本文中描述之實施例中之一基於電子束之輸出獲取子系統之一組態。如通常在設計一商業輸出獲取系統時執行，本文中描述之基於電子束之輸出獲取子系統組態可經更改以最佳化輸出獲取子系統之效能。另外，本文中描述之系統可使用一現有系統實施(例如，藉由將本文中描述之功能性添加至一現有系統)。對於一些此等系統，本文中描述之方法可被提供為系統之選用功能性(例如，除系統之其他功能性之外)。替代地，本文中描述之系統可被設計為一全新系統。
儘管輸出獲取子系統在上文被描述為一基於電子束之輸出 獲取子系統，然輸出獲取子系統可為一基於離子束之輸出獲取子系統。可如圖10中展示般組態此一輸出獲取子系統，惟可用此項技術中已知的任何適合離子束源替換電子束源除外。另外，輸出獲取子系統可為任何其他適合基於離子束之輸出獲取子系統，諸如包含於市售聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及二次離子質譜儀(SIMS)系統中之彼等。
電腦子系統202包含一處理器208、一電子資料儲存媒體209及一機器學習模組210。處理器208可包含一微處理器、一微控制器或其他裝置。機器學習模組210被繪示為與處理器208分離，但可在處理器208及/或電子資料儲存媒體209上運行、儲存於處理器208及/或電子資料儲存媒體209上或以其他方式作為處理器208及/或電子資料儲存媒體209之部分。電腦子系統202視情況可與一晶圓計量工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊。
電腦子系統202可以任何適合方式(例如，經由一或多個傳輸媒體，其或其等可包含有線及/或無線傳輸媒體)耦合至系統200之組件，使得處理器208可接收輸出。處理器208可經組態以使用輸出執行數個功能。晶圓檢測工具可從處理器208接收指令或其他資訊。處理器208及/或電子資料儲存單元209視情況可與另一晶圓檢測工具、一晶圓計量工具或一晶圓檢視工具(未繪示)電子通信以接收額外資訊或發送指令。
處理器208與晶圓檢測工具(諸如與偵測器207)電子通信。處理器208可經組態以處理使用來自偵測器207之量測產生之影像。處理器208可經組態以使用一模型找到該影像或該等影像中之一或多個異常。可使用半監督機器學習訓練模型。
在一例項中，模型包含一變分自動編碼器。變分自動編碼 器可包含梯形網路。機器學習模組210可用於產生在處理器208上運行之模型。機器學習模組210可與訓練集之一影像源(諸如一資料庫)電子通信或在一電子資料儲存媒體上驅動。
本文中描述之電腦子系統202、(若干)其他系統或(若干)其他子系統可為各種系統之部分，包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路設備、網際網路設備或其他裝置。(若干)子系統或(若干)系統亦可包含此項技術中已知的任何適合處理器，諸如一平行處理器。另外，(若干)子系統或(若干)系統可包含作為一單獨或一網路化工具之具有高速處理及軟體之一平台。
處理器208及電子資料儲存單元209可安置於系統200或另一裝置中或以其他方式作為系統200或另一裝置之部分。在一實例中，處理器208及電子資料儲存單元209可為一單獨控制單元之部分或在一集中式品質控制單元中。可使用多個處理器208或電子資料儲存單元209。
在實踐中，處理器208可藉由硬體、軟體及韌體之任何組合實施。同樣地，如本文中描述之其功能可藉由一個單元執行，或在不同組件間劃分，該等組件之各者可繼而藉由硬體、軟體及韌體之任何組合實施。供處理器208實施各種方法及功能之程式碼或指令可儲存於可讀儲存媒體(諸如電子資料儲存單元209中之一記憶體或其他記憶體)中。
若系統200包含一個以上電腦子系統202，則不同子系統可彼此耦合，使得可在子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何適當傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知的任何適合有線及/或無線傳輸媒體。此等子系統之兩者或兩者以上亦可藉由一共用電腦可讀儲存媒體(未展示)有效耦 合。
處理器208可經組態以使用系統200之輸出或其他輸出執行數個功能。例如，處理器208可經組態以將輸出發送至一電子資料儲存單元209或另一儲存媒體。處理器208可如本文中描述般進一步組態。
處理器208或電腦子系統202可為一缺陷檢視系統、一檢測系統、一計量系統或某其他類型之系統之部分。因此，本文中揭示之實施例描述可針對具有或多或少適合於不同應用之不同能力之系統以數個方式定製之一些組態。
若系統包含一個以上子系統，則不同子系統可彼此耦合，使得可在子系統之間發送影像、資料、資訊、指令等。例如，一個子系統可藉由任何適當傳輸媒體耦合至(若干)額外子系統，該等傳輸媒體可包含此項技術中已知的任何適合有線及/或無線傳輸媒體。此等子系統之兩者或兩者以上亦可藉由一共用電腦可讀儲存媒體(未展示)有效耦合。
處理器208可根據本文中描述之實施例之任一者組態。處理器208亦可經組態以使用系統200之輸出或使用來自其他源之影像或資料執行其他功能或額外步驟。
在另一實施例中，處理器208可以此項技術中已知的任何方式通信地耦合至系統200之各種組件或子系統之任一者。再者，處理器208可經組態以藉由可包含有線及/或無線部分之一傳輸媒體接收及/或獲取來自其他系統之資料或資訊(例如，來自諸如一檢視工具之一檢測系統之檢測結果、包含設計資料之一遠端資料庫及類似物)。以此方式，傳輸媒體可充當處理器208與系統200之其他子系統或系統200外部之系統之間的一資料鏈路。
在一些實施例中，系統200之各種步驟、功能及/或操作及本文中揭示之方法由以下之一或多者實行：電子電路、邏輯閘、多工器、可程式化邏輯裝置、ASIC、類比或數位控制/開關、微控制器或運算系統。實施方法(諸如本文中描述之方法)之程式指令可透過載體媒體傳輸或儲存於載體媒體上。載體媒體可包含一儲存媒體，諸如一唯讀記憶體、一隨機存取記憶體、一磁碟或光碟、一非揮發性記憶體、一固態記憶體、一磁帶及類似物。一載體媒體可包含一傳輸媒體，諸如一電線、電纜或無線傳輸鏈路。例如，貫穿本發明描述之各種步驟可由一單一處理器208(或電腦子系統202)或替代地多個處理器208(或多個電腦子系統202)實行。再者，系統200之不同子系統可包含一或多個運算或邏輯系統。因此，上文描述不應被解釋為對本發明之一限制而僅為一圖解。
一額外實施例係關於儲存可在一處理器上執行之程式指令之一非暫時性電腦可讀媒體。特定言之，一處理器(諸如處理器208)可耦合至具有包含可執行程式指令之非暫時性電腦可讀媒體(諸如電子資料儲存媒體209)之一電子資料儲存媒體中之一記憶體。電腦實施方法可包含本文中描述之(若干)任何方法之(若干)任何步驟。例如，處理器208可經程式化以執行方法100之一實施例之一些或全部步驟。電子資料儲存媒體209中之記憶體可為一儲存媒體，諸如一磁碟或光碟、一磁帶或此項技術中已知的任何其他適合非暫時性電腦可讀媒體。
程式指令可以各種方式之任一者實施，尤其包含基於程序之技術、基於組件之技術及/或物件定向技術。例如，可視需要使用ActiveX控制項、C++物件、JavaBeans、微軟基礎類別(MFC)、串流SIMD擴展(SSE)或其他技術或方法實施程式指令。
在一實施例中，一或多個程式包含於一非暫時性電腦可讀儲存媒體(諸如電子資料儲存媒體209)上。一或多個程式用於在一或多個運算裝置上執行步驟。例如，一缺陷偵測模型可包含於電子資料儲存媒體209上。可使用半監督機器學習訓練模型。可使用一處理器操作之模型可經組態以接收一晶圓之一影像且判定影像中一或多個異常之存在。影像可為一SEM影像。可使用標稱圖案或僅使用無缺陷訓練影像訓練模型。模型可包含一變分自動編碼器，諸如包含梯形網路之一變分自動編碼器。
可如本文中描述般執行該方法之步驟之各者。該等方法亦可包含可藉由本文中描述之處理器及/或(若干)電腦子系統或(若干)系統執行之任何其他(若干)步驟。藉由一或多個電腦系統執行步驟，該一或多個電腦系統可根據本文中描述之實施例之任一者組態。另外，可藉由本文中描述之系統實施例之任一者執行上文描述之方法。
儘管已參考一或多個特定實施例描述本發明，然將理解，可在不脫離本發明之範疇的情況下製作本發明之其他實施例。因此，本發明被視為僅受隨附發明申請專利範圍及其等之合理解釋限制。
100:方法
101:步驟
102:步驟
103:步驟
104:步驟

Claims (20)

  1. 一種晶圓檢測之系統，其包括：一晶圓檢測工具，其經組態以產生一晶圓之多個影像，其中該晶圓檢測工具包含一電子束源及一偵測器；及一處理器，其與該晶圓檢測工具電子通信，其中該處理器操作經組態以找到該等影像中之一或多個異常之一模型，其中僅基於半導體裝置之無缺陷訓練影像使用半監督機器學習訓練該模型。
  2. 如請求項1之系統，其中該晶圓檢測工具係一掃描電子顯微鏡。
  3. 如請求項1之系統，其中該模型包含一變分自動編碼器。
  4. 如請求項3之系統，其中該變分自動編碼器包含梯形網路。
  5. 一種晶圓檢測之方法，其包括：在一處理器處接收一晶圓之一影像，其中該處理器操作經組態以找到該影像中之一或多個異常之一模型，其中僅基於半導體裝置之無缺陷訓練影像使用半監督機器學習訓練該模型；及使用該模型判定該影像中一或多個異常之存在。
  6. 如請求項5之方法，其中該影像係一掃描電子顯微鏡影像。
  7. 如請求項5之方法，其中該訓練使用標稱圖案。
  8. 如請求項5之方法，其中該模型包含一變分自動編碼器。
  9. 如請求項8之方法，其中該變分自動編碼器包含梯形網路。
  10. 如請求項5之方法，其進一步包括使用一晶圓檢測工具獲得該影像。
  11. 如請求項10之方法，其中該晶圓檢測工具係一掃描電子顯微鏡。
  12. 如請求項5之方法，其中該一或多個異常各為一異常圖塊或一異常區域之一者。
  13. 如請求項5之方法，其進一步包括：使用該處理器在一特徵空間中判定該影像與該等無缺陷訓練影像之間的一距離；及使用該處理器基於該距離而判定該影像是否係一離群值。
  14. 如請求項5之方法，其進一步包括使用該處理器使用以一自動編碼器作為一產生器且以一廻旋神經網路作為一鑑別器之一產生性對抗式網路判定該影像是否係一離群值。
  15. 一種非暫時性電腦可讀儲存媒體，其包括用於在一或多個運算裝置 上執行一模型之一或多個程式，其中僅基於半導體裝置之無缺陷訓練影像使用半監督機器學習訓練該模型，且其中該模型經組態以：接收一晶圓之一影像；及判定該影像中一或多個異常之存在。
  16. 如請求項15之非暫時性電腦可讀儲存媒體，其中該影像係一掃描電子顯微鏡影像。
  17. 如請求項15之非暫時性電腦可讀儲存媒體，其中使用標稱圖案訓練該模型。
  18. 如請求項15之非暫時性電腦可讀儲存媒體，其中該模型包含一變分自動編碼器。
  19. 如請求項18之非暫時性電腦可讀儲存媒體，其中該變分自動編碼器包含梯形網路。
  20. 如請求項15之非暫時性電腦可讀儲存媒體，其中該模型經組態以執行離群值偵測，藉此偵測異常。
TW108109049A 2018-03-19 2019-03-18 晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體 TWI803595B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862644962P 2018-03-19 2018-03-19
US62/644,962 2018-03-19
US16/106,341 2018-08-21
US16/106,341 US10789703B2 (en) 2018-03-19 2018-08-21 Semi-supervised anomaly detection in scanning electron microscope images

Publications (2)

Publication Number Publication Date
TW201946089A TW201946089A (zh) 2019-12-01
TWI803595B true TWI803595B (zh) 2023-06-01

Family

ID=67904134

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108109049A TWI803595B (zh) 2018-03-19 2019-03-18 晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體

Country Status (5)

Country Link
US (1) US10789703B2 (zh)
KR (1) KR102445995B1 (zh)
CN (2) CN111837229A (zh)
TW (1) TWI803595B (zh)
WO (1) WO2019182922A1 (zh)

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3499459A1 (en) * 2017-12-18 2019-06-19 FEI Company Method, device and system for remote deep learning for microscopic image reconstruction and segmentation
US12001949B2 (en) 2018-09-05 2024-06-04 Sartorius Stedim Data Analytics Ab Computer-implemented method, computer program product and system for data analysis
EP3620983B1 (en) * 2018-09-05 2023-10-25 Sartorius Stedim Data Analytics AB Computer-implemented method, computer program product and system for data analysis
US11042710B2 (en) * 2018-10-17 2021-06-22 Fujitsu Limited User-friendly explanation production using generative adversarial networks
US11017307B2 (en) * 2018-10-17 2021-05-25 Fujitsu Limited Explanations generation with different cognitive values using generative adversarial networks
US10990470B2 (en) * 2018-12-11 2021-04-27 Rovi Guides, Inc. Entity resolution framework for data matching
US11995854B2 (en) * 2018-12-19 2024-05-28 Nvidia Corporation Mesh reconstruction using data-driven priors
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
US11263496B2 (en) 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
CN110231360B (zh) * 2019-05-31 2020-06-26 华南农业大学 电镜像差的确定方法、消除方法及装置
CN110796637A (zh) * 2019-09-29 2020-02-14 郑州金惠计算机***工程有限公司 图像缺陷检测模型的训练、测试方法、装置及存储介质
KR20210065285A (ko) * 2019-11-26 2021-06-04 삼성전자주식회사 생성적 적대망들에 기반하여 웨이퍼 맵을 생성하는 프로그램 코드를 저장하는 비일시적 컴퓨터 판독가능 매체 및 컴퓨팅 장치
SE1930421A1 (en) * 2019-12-30 2021-07-01 Unibap Ab Method and means for detection of imperfections in products
WO2021140620A1 (ja) * 2020-01-09 2021-07-15 株式会社日立ハイテク 画像を生成するシステム、及び非一時的コンピュータ可読媒体
JP7262409B2 (ja) * 2020-03-06 2023-04-21 株式会社日立ハイテク 試料観察システム及び画像処理方法
JP7426261B2 (ja) * 2020-03-10 2024-02-01 株式会社Ｓｃｒｅｅｎホールディングス 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法
JP2021144000A (ja) * 2020-03-13 2021-09-24 オムロン株式会社 検査システム、検査装置、及び検査プログラム
EP3885991A1 (en) * 2020-03-26 2021-09-29 Another Brain Autoencoder-based segmentation mask generation in an alpha channel
EP3889684A1 (en) * 2020-04-01 2021-10-06 ASML Netherlands B.V. Removing an artefact from an image
US20230196548A1 (en) * 2020-04-28 2023-06-22 Mitsubishi Electric Corporation Appearance inspection apparatus and appearance inspection method
TWI777173B (zh) * 2020-06-01 2022-09-11 汎銓科技股份有限公司 人工智慧辨識之半導體影像量測方法
US20210383253A1 (en) 2020-06-08 2021-12-09 SK Hynix Inc. Novelty detector
CN113807527A (zh) * 2020-06-11 2021-12-17 华硕电脑股份有限公司 信号检测方法及使用其的电子装置
WO2022024245A1 (ja) * 2020-07-29 2022-02-03 オリンパス株式会社 検査システム、学習方法、検査方法、及び記憶媒体
DE112021005018T5 (de) * 2020-09-25 2023-07-27 Fanuc Corporation Modellerstellungsvorrichtung für sichtprüfung und sichtprüfgerät
WO2022070146A1 (en) * 2020-10-02 2022-04-07 Servicenow Canada Inc. Continuous training methods for systems identifying anomalies in an image of an object
US11676266B2 (en) 2020-11-04 2023-06-13 Tokyo Electron Limited Method and apparatus for inspecting pattern collapse defects
CN114663334A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 瑕疵检测方法、装置、电子设备及存储介质
CN114663336A (zh) * 2020-12-22 2022-06-24 富泰华工业（深圳）有限公司 模型输入尺寸确定方法及相关设备
CN114764774A (zh) * 2021-01-12 2022-07-19 富泰华工业（深圳）有限公司 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114862740A (zh) * 2021-01-18 2022-08-05 富泰华工业（深圳）有限公司 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114881913A (zh) * 2021-02-05 2022-08-09 富泰华工业（深圳）有限公司 图像瑕疵检测方法、装置、电子设备及存储介质
EP4083858A1 (en) * 2021-04-29 2022-11-02 Siemens Aktiengesellschaft Training data set reduction and image classification
CN113296369B (zh) * 2021-05-14 2022-09-23 长鑫存储技术有限公司 用于光学临近修正的图形量测方法及装置
KR102653349B1 (ko) 2021-05-26 2024-03-29 서울대학교산학협력단 오토 인코더 기반 이상 데이터 감지 시스템 및 방법
CN113541834B (zh) * 2021-06-24 2023-03-03 西安电子科技大学 一种异常信号半监督分类方法、***、数据处理终端
CN117730350A (zh) * 2021-07-30 2024-03-19 罗伯特·博世有限公司 用于自动光学检查的方法和装置
CN118355417A (zh) * 2021-10-01 2024-07-16 Fei 公司 显微镜学***中的数据分类
DE102021213091A1 (de) 2021-11-22 2022-12-22 Carl Zeiss Smt Gmbh Verfahren zur Kalibrierung eines EUV-Reflektometers
DE102021213084A1 (de) 2021-11-22 2022-12-15 Carl Zeiss Smt Gmbh Verfahren zum Betreiben eines EUV-Reflektometers
WO2023177635A1 (en) * 2022-03-14 2023-09-21 Ats Ip, Llc Deep learning of bismuth telluride crystal size and grain boundaries for predictive performance
CN115049472B (zh) * 2022-05-12 2024-01-26 之江实验室 一种基于多维特征张量的无监督***异常检测方法
JP2024046905A (ja) * 2022-09-26 2024-04-05 株式会社Ｓｃｒｅｅｎホールディングス マーク検出方法およびコンピュータプログラム
WO2024068203A1 (en) * 2022-09-28 2024-04-04 Carl Zeiss Smt Gmbh Computer implemented method for defect detection in an imaging dataset of a wafer, corresponding computer-readable medium, computer program product and systems making use of such methods
CN116596875B (zh) * 2023-05-11 2023-12-22 哈尔滨工业大学重庆研究院 晶圆缺陷检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170193400A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Accelerated training of a machine learning based model for semiconductor applications
CN107358599A (zh) * 2012-10-15 2017-11-17 科磊股份有限公司 使用缺陷特定的信息检测晶片上的缺陷
CN107506792A (zh) * 2017-08-16 2017-12-22 上海荷福人工智能科技（集团）有限公司 一种半监督的显著对象检测方法
KR101836096B1 (ko) * 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7215030B2 (en) 2005-06-27 2007-05-08 Advanced Micro Devices, Inc. Lead-free semiconductor package
DE102010061505B4 (de) 2010-12-22 2012-10-31 Kla-Tencor Mie Gmbh Verfahren zur Inspektion und Detektion von Defekten auf Oberflächen von scheibenförmigen Objekten
US10192303B2 (en) * 2012-11-12 2019-01-29 Kla Tencor Corporation Method and system for mixed mode wafer inspection
US9679224B2 (en) * 2013-06-28 2017-06-13 Cognex Corporation Semi-supervised method for training multiple pattern recognition and registration tool models
US10127652B2 (en) * 2014-02-06 2018-11-13 Kla-Tencor Corp. Defect detection and classification based on attributes determined from a standard reference image
US9996768B2 (en) 2014-11-19 2018-06-12 Adobe Systems Incorporated Neural network patch aggregation and statistics
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
KR20180090385A (ko) 2015-12-31 2018-08-10 케이엘에이-텐코 코포레이션 반도체 애플리케이션을 위한 기계 학습 기반의 모델의 가속 트레이닝
US10346740B2 (en) * 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107358599A (zh) * 2012-10-15 2017-11-17 科磊股份有限公司 使用缺陷特定的信息检测晶片上的缺陷
US20170193400A1 (en) * 2015-12-31 2017-07-06 Kla-Tencor Corporation Accelerated training of a machine learning based model for semiconductor applications
KR101836096B1 (ko) * 2016-12-02 2018-03-12 주식회사 수아랩 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램
CN107506792A (zh) * 2017-08-16 2017-12-22 上海荷福人工智能科技（集团）有限公司 一种半监督的显著对象检测方法

Also Published As

Publication number Publication date
KR102445995B1 (ko) 2022-09-21
TW201946089A (zh) 2019-12-01
US20190287230A1 (en) 2019-09-19
CN111837229A (zh) 2020-10-27
CN115393341A (zh) 2022-11-25
WO2019182922A1 (en) 2019-09-26
US10789703B2 (en) 2020-09-29
KR20200123853A (ko) 2020-10-30

Similar Documents

Publication Publication Date Title
TWI803595B (zh) 晶圓檢測之系統及方法，以及相關之非暫時性電腦可讀儲存媒體
TWI805868B (zh) 使用以深度學習為基礎之缺陷偵測及分類方案用於像素位準影像量化
TWI751376B (zh) 識別在一晶圓上偵測到之缺陷中之損害及所關注缺陷
TWI769371B (zh) 用於半導體裝置之檢測方法及系統，以及其非暫時性電腦可讀媒體
TWI708301B (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
US20190004504A1 (en) Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
TWI782229B (zh) 在半導體製造中使用隨機失效指標
KR20200014927A (ko) 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
US12007335B2 (en) Automatic optimization of an examination recipe
US10692690B2 (en) Care areas for improved electron beam defect detection
US20220210525A1 (en) Prediction of electrical properties of a semiconductor specimen
CN110582842B (zh) 依据光学检验结果进行计量导引检验样品成形
KR20190098271A (ko) 광학 도구에 의해 캡처되는 결함 및 분류기를 위한 진단 방법
US11569056B2 (en) Parameter estimation for metrology of features in an image
US20220059316A1 (en) Scanning Electron Microscope Image Anchoring to Design for Array
US20230052350A1 (en) Defect inspecting system and defect inspecting method
US20240062362A1 (en) Machine learning-based systems and methods for generating synthetic defect images for wafer inspection
TW202217634A (zh) 基於可解釋深度學習之缺陷偵測及分類