TWI834005B - 干擾過濾之深度學習網路 - Google Patents
干擾過濾之深度學習網路 Download PDFInfo
- Publication number
- TWI834005B TWI834005B TW109136854A TW109136854A TWI834005B TW I834005 B TWI834005 B TW I834005B TW 109136854 A TW109136854 A TW 109136854A TW 109136854 A TW109136854 A TW 109136854A TW I834005 B TWI834005 B TW I834005B
- Authority
- TW
- Taiwan
- Prior art keywords
- defect candidates
- defect
- sample
- deep learning
- interference
- Prior art date
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 201
- 238000001914 filtration Methods 0.000 title claims abstract description 51
- 230000007547 defect Effects 0.000 claims abstract description 321
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000007689 inspection Methods 0.000 claims description 163
- 238000001514 detection method Methods 0.000 claims description 92
- 230000003287 optical effect Effects 0.000 claims description 30
- 239000002923 metal particle Substances 0.000 claims description 23
- 238000010894 electron beam technology Methods 0.000 claims description 20
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 229910052751 metal Inorganic materials 0.000 claims description 12
- 239000002184 metal Substances 0.000 claims description 12
- 230000008685 targeting Effects 0.000 claims 1
- 239000010410 layer Substances 0.000 description 109
- 238000003384 imaging method Methods 0.000 description 29
- 238000005286 illumination Methods 0.000 description 28
- 238000012549 training Methods 0.000 description 27
- 235000012431 wafers Nutrition 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000010884 ion-beam technique Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 229910052782 aluminium Inorganic materials 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000008906 neuronal response Effects 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/888—Marking defects
-
- 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
- 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
- G01N2021/8887—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 based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
- G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20084—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Fats And Perfumes (AREA)
- Medicines Containing Material From Animals Or Micro-Organisms (AREA)
Abstract
本發明提供用於偵測一樣本上之缺陷的方法及系統。一種系統包含一第一深度學習(DL)網路,其經組態用於自在一樣本上偵測到的缺陷候選過濾干擾。該第一DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一第一子集。該系統亦包含一第二DL網路,其經組態用於自該等缺陷候選之該第一子集過濾干擾。電腦子系統將針對該等缺陷候選之該第一子集獲取的高解析度影像輸入至該第二DL網路中。該第二DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一最終子集。該等電腦子系統將該最終子集中之該等缺陷候選指定為該樣本上之缺陷,並產生該等缺陷之結果。
Description
本發明大體上係關於經組態用於藉由深度學習網路進行干擾過濾之方法及系統。
以下說明及實例並不由於其包含於此章節中而被認為係先前技術。
在一半導體製造程序期間在各個步驟處使用檢驗程序來偵測晶圓及其他基板上之缺陷以促成在製造程序中之較高良率及因此較高利潤。檢驗始終係製作半導體裝置之一重要部分。然而,20多年以來,檢驗方法並未有效地改變。檢驗解決方案基本上具有以下特性:一實質上緩慢電子束類型系統,其允許一使用者識別及驗證實體缺陷之問題;及單獨地,一實質上快速但粗糙光學檢驗器,其覆蓋整個晶圓,但通常限於一單個層之檢驗。此兩個系統係通常分離的。
習用微影按比例縮放(在193 nm處)已放緩。此外,基於極紫外光(EUV)之按比例縮放在進步之同時亦緩慢地發生。諸如無人駕駛汽車、感測器、深度學習(DL)訓練及推理之較新應用已導致對計算架構之一新關注而非依賴於按比例縮放。作為一實例,為了高效能計算(HPC)及DL系統兩者,總體系統效能將受益於記憶體與中央處理單元(CPU)邏輯之一緊接近度。因此,電腦架構師更關注晶片對晶片互連、晶圓規模整合等及重新分佈層(RDL)。此等層通常係重新構成之晶粒,因此當前使用之對準及相減缺陷偵測方法將無法作為此等層之檢驗方法。當前使用之分段技術亦變得困難,此乃因與所關注缺陷(DOI)相比,干擾之量係顯著高的。
對於某些層,干擾抑制可尤其困難,此乃因一典型晶圓可僅含有10至20個表示DOI之事件,而干擾率可係在100,00至一百萬之範圍中。因此,當前用於設置干擾過濾及/或執行干擾過濾以供檢驗之方法可花費相當長時間。此外,尤其與干擾相比,可用於選擇及設置針對檢驗之干擾過濾之DOI之不足可進一步增加檢驗設置所需之時間。因此,可用於干擾過濾設置之有限數目之DOI可導致針對檢驗之次佳干擾過濾,此可降低此檢驗之效能能力。
因此,開發用於自在一樣本上偵測之缺陷候選過濾干擾之不具有上文所闡述之缺點中之一或多者之系統及方法將係有利的。
對各種實施例之以下說明決不應被視為限制所附申請專利範圍之標的物。
一項實施例係關於一種經組態以偵測一樣本上之缺陷之系統。該系統包含一或多個電腦子系統,其經組態用於基於由一檢驗子系統針對該樣本產生之輸出偵測一樣本上之缺陷候選。該系統亦包含一或多個組件,其由該一或多個電腦子系統執行。該一或多個組件包含一第一深度學習(DL)網路,其經組態用於自該等缺陷候選過濾干擾。該電腦子系統將用於該等缺陷候選之資訊輸入至該第一DL網路中。該第一DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一第一子集。該等組件亦包含一第二DL網路,其經組態用於自該等缺陷候選之該第一子集過濾干擾。該一或多個電腦子系統將針對該等缺陷候選之該第一子集獲取之高解析度影像輸入至該第二DL網路中。該第二DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一最終子集。該等電腦子系統經組態用於將該最終子集中之該等缺陷候選指定為該樣本上之缺陷並產生該等缺陷之結果。可按照本文中之闡述進一步組態該系統。
另一實施例係關於一種用於偵測一樣本上之缺陷之電腦實施方法。該方法包含基於由一檢驗子系統針對該樣本產生之輸出偵測一樣本上之缺陷候選。該方法亦包含藉由將用於該等缺陷候選之資訊輸入至一第一DL網路中而自該等缺陷候選過濾干擾。該第一DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一第一子集。此外,該方法包含藉由將針對該等缺陷候選之該第一子集獲取之高解析度影像輸入至一第二DL網路中而自該等缺陷候選之該第一子集過濾干擾。該第二DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一最終子集。一或多個組件由一或多個電腦系統執行,且該一或多個組件包含第一及第二DL網路。該方法進一步包含將該最終子集中之該等缺陷候選指定為該樣本上之缺陷並產生該等缺陷之結果。
可按照本文中之闡述進一步執行上文所闡述之方法之步驟中之每一者。另外,上文所闡述之方法之實施例可包含本文中所闡述之任何其他方法之任何其他步驟。此外,上文所闡述之方法可由本文中所闡述之系統中之任一者來執行。
另一實施例係關於一種非暫時性電腦可讀媒體,該非暫時性電腦可讀媒體儲存可在一或多個電腦系統上執行以執行用於偵測一樣本上之缺陷之一電腦實施方法之程式指令。該電腦實施方法包含上文所闡述之方法之步驟。可按照本文中之闡述進一步組態電腦可讀媒體。可按照本文中之進一步闡述執行該電腦實施方法之步驟。另外,電腦實施方法可包含本文中所闡述之任何其他方法之任何其他步驟,可執行程式指令來達成該電腦實施方法。
現在轉向圖式,應注意各圖並未按比例繪製。特定來說,圖之元件中之某些元件之比例被極大地放大以強調元件之特性。還應注意,圖並未按相同比例繪製。已使用相同元件符號指示可具有類似配置之在一個以上圖中展示之元件。除非本文中另外提及,否則所闡述及所展示之元件中之任何元件可包含任何適合可商購元件。
一項實施例係關於經組態以偵測一樣本上之缺陷之一系統。在一項實施例中,該樣本係一晶圓。該晶圓可包含半導體技術中已知之任何晶圓。儘管本文中可關於一晶圓或若干晶圓闡述某些實施例,但實施例不限於其可被使用之樣本。舉例而言,本文中所闡述之實施例可用於諸如倍縮光罩、扁平面板、個人電腦(PC)板及其他半導體樣本之樣本。
本文中所闡述之實施例尤其適合於藉由深度學習(DL)進行金屬顆粒干擾抑制。如本文中所使用之彼術語「顆粒」係指一金屬(諸如鋁或銅)之晶體結構中之位錯。舉例而言,在一項實施例中,樣本包含一金屬上部層。在一項此實施例中,上部層可係一鋁層。該鋁層可包含此項技術中已知之任何適合鋁層。樣本之上部層亦可包含一後段製程(BEOL)層,該後段製程層可包含此項技術中已知之任何BEOL層,包含本文中所闡述之BEOL層。在一其他實施例中,樣本之上部層可係一重新分佈層(RDL),該重新分佈層可具有此項技術中已知之任何適合組態。
樣本之上部層亦可包含金屬線。舉例而言,BEOL及RDL層可包含形成裝置之各種元件之金屬線,該等裝置形成於樣本上。此等金屬線可產生本文中進一步闡述之一顯著「 顆粒」雜訊量。儘管歸因於本文中所闡述之干擾過濾之顆粒雜訊,但本文中所闡述之實施例經組態用於達成此等層上之缺陷之偵測。
在某些實施例中,樣本係一後晶粒樣本。一「後晶粒」樣本可通常界定為其上已形成多個裝置(例如,在不同晶粒或晶粒(dies or dice)中)且接著以各種方式中之一者彼此分離的一晶圓或其它基板。一「後晶粒」樣本亦可係已分離成多個晶粒或晶粒之一樣本,該等晶粒尚未進入封裝程序。
在另一實施例中,樣本包含一高雜訊層。如本文中所界定之術語「高雜訊」層通常係指其雜訊在層之檢驗中係突出障礙之一層。舉例而言,儘管藉由任何檢驗工具檢驗之每一晶圓層可展現較其他層更多或更少之雜訊(且一般而言在每一晶圓層之檢驗中必須使用用於處置此雜訊之偵測之技術),但成功檢驗晶圓層之主要障礙通常係必須被偵測之極小大小之缺陷。相比而言,本文中所闡述之實施例尤其適合於偵測約200 nm及以上大小之相對大(「宏觀」)缺陷。因此,此檢驗中之主要障礙未必係必須被偵測之缺陷之大小(此乃因諸多檢驗工具組態能夠偵測大多數層上之此等大缺陷)。相反,一般而言,本文中所闡述之層將在針對該等層產生之影像中展現此等「高雜訊」位準,以至於偵測甚至此等大大小之缺陷可變得困難(若不可能)。然而,本文中所闡述之實施例已經設計以經由本文中所闡述之干擾過濾處置此等雜訊位準。
出於若干個不同原因,本文中所闡述之實施例被設計為對於自此等缺陷過濾干擾係尤為有效的。舉例而言,此等缺陷傾向於相對難以偵測,此乃因其傾向於位於一實質上雜訊性(例如,顆粒性)背景中。在一項此實例中,歸因於在可由過量金屬顆粒導致之RDL金屬線雜訊內,大量雜訊可藉由檢驗來偵測。在另一此實例中,歸因於由在RDL層上或下之透明介電聚合物導致之RDL間金屬層雜訊,大量雜訊可藉由檢驗來偵測。如此,由先前使用之檢驗系統及方法報告之假事件對致命所關注缺陷(DOI)之比率可係實質上高的。然而,本文中所闡述之干擾過濾可用於有效地消除可在本文中所闡述之樣本上偵測之大量干擾。此外,將本文中所闡述之單個晶粒檢驗(SDI)或單個影像偵測(SID)方法用於偵測此等缺陷將減少晶粒對晶粒缺陷偵測雜訊源。
在另一實施例中,檢驗子系統經組態用於宏觀檢驗。以此方式,本文中所闡述之系統可稱為一宏觀檢驗工具。一宏觀檢驗工具尤其適合於相對雜訊性BEOL層(諸如RDL)及後晶粒應用之檢驗,以在存在諸如金屬線上之顆粒之極大雜訊之情形下偵測缺陷。一宏觀檢驗工具在本文中界定為未必係繞射限制的且具有約200 nm至約2.0微米及以上之一空間解析度之一系統。此空間解析度意指此等系統可偵測之最小缺陷具有大於約200 nm之尺寸,該尺寸較當今市場上最先進檢驗工具可偵測之最小缺陷大得多,因此命名為「宏觀」檢驗器。與當今市場上最先進檢驗工具相比,此等系統傾向於利用光之較長波長(例如,約500 nm至約700 nm)。當DOI具有相對大的大小時且可能地亦當需要每小時100個或更多晶圓(wph)之輸送量時,可使用此等系統(此處,晶圓輸送量係指每小時檢驗之300 mm 晶圓之數目)。
如本文中所使用之彼術語「干擾」係一使用者不關心之缺陷及/或藉由檢驗偵測到但實際上並非缺陷之事件。可歸因於一樣本上之非缺陷雜訊源(例如,線邊緣粗糙度(LER)、經圖案化特徵中之相對小臨界尺寸(CD)變化、厚度變化、金屬顆粒雜訊等)及/或歸因於檢驗子系統本身或其用於檢驗之組態中之邊緣化而偵測到被偵測為事件(或「缺陷候選」)但實際上並非缺陷之干擾。因此,通常檢驗之目標並非偵測諸如晶圓之樣本上之干擾。
圖1中展示經組態以偵測一樣本上之缺陷之一系統之一項實施例。該系統包含一或多個電腦子系統(例如,電腦子系統36及電腦子系統102),以及由一或多個電腦子系統執行之一或多個組件100。在某些實施例中,系統包含經組態用於產生一樣本之輸出(例如,影像)之檢驗子系統10。在一項實施例中,檢驗子系統被組態為一光學子系統。舉例而言,在圖1之實施例中,檢驗子系統經組態用於使光在樣本之一實體版本上方掃描或將光引導至樣本之一實體版本,同時偵測來自樣本之光以藉此產生樣本之輸出。檢驗子系統亦可經組態以執行掃描(或引導)並使用多個模式進行偵測。
在圖1中所展示之系統之實施例中,檢驗子系統10包含經組態以將光引導至樣本14之一照射子系統。該照射子系統包含至少一個光源。舉例而言,如在圖1中所展示,照射子系統包含光源16。照射子系統可經組態以將光以一或多個入射角(其可包含一或多個斜角及/或一或多個法向角)引導至樣本。舉例而言,如圖1中所展示,來自光源16之光以一傾斜入射角透過光學元件18且接著透鏡20引導至樣本14。傾斜入射角可包含任何適合傾斜入射角,其可取決於例如樣本之特性變化。
檢驗子系統可經組態以在不同時間將光以不同入射角引導至樣本。舉例而言,檢驗子系統可經組態以變更照射子系統之一或多個元件之一或多個特性,使得可將光以與圖1中展示之入射角不同之一入射角引導至樣本。在一項此實例中,檢驗子系統可經組態以移動光源16、光學元件18及透鏡20使得將光以一不同傾斜入射角或一法向(或接近法向)入射角引導至樣本。
檢驗子系統可經組態以同時將光以一個以上入射角引導至樣本。舉例而言,照射子系統可包含一個以上照射通道,該等照射通道中之一者可包含如圖1中所展示之光源16、光學元件18及透鏡20,且該等照射通道中之另一者(未展示)可包含可被組態成不同或相同的類似元件,或可包含至少一光源以及可能地一或多個其他組件(諸如本文中進一步闡述之組件)。若此類光與其他光同時被引導至樣本,則以不同入射角被引導至樣本之光之一或多個特性(例如,波長、偏光等)可係不同的,使得由以不同入射角之對樣本之照射引起之光可在偵測器處彼此區別開。
在另一例項中,照射子系統可僅包含一個光源(例如,圖1中所展示之源16),且可藉由照射子系統之一或多個光學元件(未展示)將來自該光源之光分離至不同光學路徑中(例如,基於波長、偏振等)。不同光學路徑中之每一者中之光接著可被引導至樣本。多個照射通道可經組態以同時或在不同時間(例如,當不同照射通道用以依序照射樣本時)將光引導至樣本。在另一例項中,相同照射通道可經組態以在不同時間將具有不同特性之光引導至樣本。舉例而言,在某些例項中,光學元件18可被組態為一光譜濾光器,且光譜濾光器之性質可以多種不同方式(例如,藉由替換光譜濾光器)被改變,使得可在不同時間將不同光波長引導至樣本。照射子系統可具有此項技術中已知之用於將具有不同或相同特性之光以不同或相同入射角依序或同時引導至樣本之任何其他適合組態。
在一項實施例中,光源16可包含一寬頻電漿(BBP)光源。以此方式,由光源產生且被引導至樣本之光可包含寬頻光。然而,光源可包含任何其他適合光源,諸如一雷射。雷射可包含此項技術中已知之任何適合雷射,且可經組態以產生此項技術中已知之任一或多個適合波長下之光。另外,雷射可經組態以產生單色光或接近單色之光。以此方式,雷射可係一窄頻雷射。光源亦可包含產生多個離散波長或波段下之光之一多色光源。
可藉由透鏡20將光自光學元件18聚焦至樣本14上。儘管圖1中將透鏡20展示為一單個折射光學元件,但實務上,透鏡20可包含組合地將光自光學元件聚焦至樣本之若干個折射及/或反射光學元件。在圖1中所展示且本文中所闡述之照射子系統可包含任何其他適合光學元件(未展示)。此類光學元件之實例包含但不限於偏光組件、光譜濾波器、空間濾波器、反射光學元件、變跡器、分束器、光圈等等,其等可包含此項技術中已知之任何此類適合光學元件。另外,檢驗子系統可經組態以基於將用於檢驗之照射之類型而更改照射子系統之元件中之一或多者。
檢驗子系統亦可包含一掃描子系統,該掃描子系統經組態以致使光在樣本上方進行掃描。舉例而言,檢驗子系統可包含載台22,在檢驗期間樣本14安置於載台22上。掃描子系統可包含可經組態以移動樣本使得光可在樣本上方進行掃描之任何適合機械及/或機器人總成(其包含載台22)。另外或另一選擇係,檢驗子系統可經組態使得檢驗子系統之一或多個光學元件執行光對樣本之某種掃描。光可以任何適合方式在樣本上方進行掃描,諸如以一類似蛇形之路徑或以一螺旋路徑。
檢驗子系統進一步包含一或多個偵測通道。一或多個偵測通道中之至少一者包含一偵測器,該偵測器經組態以藉由子系統偵測歸因於對樣本之照明而來自樣本之光且回應於所偵測光產生輸出。舉例而言,圖1中所展示之檢驗子系統包含兩個偵測通道,一個由收集器24、元件26及偵測器28形成且另一個由收集器30、元件32及偵測器34形成。如圖1中所展示,該兩個偵測通道經組態而以不同收集角收集光且偵測光。在某些例項中,兩個偵測通道經組態以偵測經散射光,且該等偵測通道經組態以偵測以不同角度自樣本散射之光。然而,偵測通道中之一或多者可經組態以偵測來自樣本之另一類型之光(例如,經反射光)。
如圖1中進一步所展示,兩個偵測通道展示為定位於紙之平面中且照射子系統亦展示為定位於紙之平面中。因此,在此實施例中,兩個偵測通道定位於(例如,居中於)入射平面中。然而,偵測通道中之一或多者可定位於入射平面之外。舉例而言,由收集器30、元件32及偵測器34形成之偵測通道可經組態以收集並偵測散射出入射平面之光。因此,此一偵測通道可通常稱為一側通道,且此一側通道可居中於實質上垂直於入射平面之一平面。
儘管圖1展示包含兩個偵測通道之檢驗子系統之一實施例,但檢驗子系統可包含一不同數目個偵測通道(例如,僅一個偵測通道或者兩個或兩個以上偵測通道)。在一個此例項中,由收集器30、元件32及偵測器34形成之偵測通道可形成如上文所闡述之一個側通道,且檢驗子系統可包含一額外偵測通道(未展示),該額外偵測通道形成為定位於入射平面之相對側上之另一側通道。因此,檢驗子系統可包含包含收集器24、元件26及偵測器28且居中於入射平面並經組態以便以與樣本表面成法向或接近法向之散射角收集及偵測光之偵測通道。因此,此偵測通道可通常稱為一「頂部」通道,且檢驗子系統亦可包含如上文所闡述地組態之兩個或更多個側通道。如此,檢驗子系統可包含至少三個通道(亦即,一個頂部通道及兩個側通道),且至少三個通道中之每一者具有其自身之收集器,該等收集器中之每一者經組態以與其他收集器中之每一者不同之散射角收集光。
如上文進一步所闡述,包含在檢驗子系統中之偵測通道中之每一者可經組態以偵測經散射光。因此,圖1中展示之檢驗子系統可經組態用於樣本之暗場(DF)檢驗。然而,檢驗子系統亦可或另一選擇係包含經組態用於樣本之亮場(BF)檢驗之偵測通道。換言之,檢驗子系統可包含經組態以偵測以鏡面反射方式自樣本反射之光之至少一個偵測通道。因此,本文中所闡述之檢驗子系統可經組態用於僅DF、僅BF或者DF及BF成像兩者。儘管在圖1中將收集器中之每一者展示為單個折射光學元件,但收集器中之每一者可包含一或多個折射光學元件及/或一或多個反射光學元件。
一或多個偵測通道可包含此項技術中已知之任何適合偵測器。舉例而言,偵測器可包含光電倍增管(PMT)、電荷耦合裝置(CCD)、時間延遲積分(TDI)相機及此項技術中已知之任何其他適合偵測器。偵測器亦可包含非成像偵測器或成像偵測器。若偵測器係非成像偵測器,則偵測器中之每一者可經組態以偵測經散射光之某些特性(諸如強度),但不可經組態以依據在成像平面內之位置而偵測此等特性。如此,由包含於檢驗子系統之偵測通道中之每一者中之偵測器中之每一者產生之輸出可係信號或資料,但並非係影像信號或影像資料。在此等例項中,一電腦子系統(諸如電腦子系統36)可經組態以自偵測器之非成像輸出產生樣本之影像。然而,在其他例項中,偵測器可被組態為經組態以產生影像信號或影像資料之成像偵測器。因此,檢驗子系統可經組態以若干種方式產生影像。
應注意,本文中提供圖1以大體上圖解說明可被包含在本文中所闡述之系統實施例中或可產生由本文中所闡述之系統實施例使用之輸出之一檢驗子系統之一組態。顯然,本文中所闡述之檢驗子系統組態可被變更以最佳化檢驗子系統之效能,如在設計一商業檢驗系統時通常所執行。另外,本文中所闡述之系統可使用諸如可自加利福尼亞州苗必達(Milpitas)之KLA商購之Altair系列工具之一現有系統來實施(例如,藉由將本文中所闡述之功能性添加至一現有系統)。對於某些此等系統,本文中所闡述之方法可提供為系統之選用功能性(例如,除系統之其他功能性之外)。另一選擇係,本文中所闡述之檢驗子系統可「從頭開始」設計以提供一全新檢驗子系統。可按照2010年8月24日頒予Mehanian等人之美國專利第7,782,452號中所闡述來進一步組態檢驗子系統,該專利係以引用方式併入,如在本文中完全陳述一樣。
電腦子系統36可係以任何適合的方式(例如,經由一或多個傳輸媒體,其可包含「有線」及/或「無線」傳輸媒體)耦合至檢驗子系統之偵測器,使得電腦子系統可接收在對樣本進行掃描期間由偵測器所產生的輸出。電腦子系統36可經組態以使用偵測器之輸出來執行本文中進一步所闡述之若干個功能。
圖1中所展示之電腦子系統(以及本文中所闡述之其他電腦子系統)在本文中亦可被稱為電腦系統。本文中所闡述之電腦子系統或系統中之每一者可呈各種形式,包含一個人電腦系統、影像電腦、主機電腦系統、工作站、網路器具、網際網路器具,或其他裝置。通常,術語「電腦系統」可被廣泛定義為囊括具有執行來自一記憶體媒體之指令之一或多個處理器的任何裝置。電腦子系統或系統亦可包含此項技術中已知之任何適合處理器,諸如一平行處理器。另外,電腦子系統或系統可包含具有高速度處理及軟體之一電腦平臺作為一獨立工具或一網路連接工具。
若該系統包含一個以上電腦子系統,則不同電腦子系統可彼此經耦合,使得影像、資料、資訊、指令等可在電腦子系統之間發送,如本文中進一步闡述。舉例而言,電腦子系統36可藉由任何適合傳輸媒體而被耦合至電腦子系統102 (如圖1中之虛線所展示),該等傳輸媒體可包含此項技術中已知之任何適合有線及/或無線傳輸媒體。此等電腦子系統中之兩者或兩者以上亦可係藉由一共用電腦可讀儲存媒體(未展示)而有效地耦合。
儘管檢驗子系統在上文闡述為一光學或基於光之檢驗子系統,但在某些實施例中,檢驗子系統組態為一電子束子系統。在圖1a中所展示之一項此實施例中,檢驗子系統包含電子柱122,該電子柱耦合至電腦子系統124。亦如圖1a中所展示,電子柱包含經組態以產生電子之電子束源126,該等電子由一或多個元件130聚焦至樣本128。電子束源可包含(舉例而言)一陰極源或發射體尖端,且一或多個元件130可包含(舉例而言)一槍透鏡、一陽極、一束限制孔徑、一閘閥、一束電流選擇孔徑、一物鏡以及一掃描子系統,該等所有元件皆可包含此項技術中已知之任何此類適合元件。
自樣本返回之電子(例如,次級電子)可藉由一或多個元件132而聚焦至偵測器134。一或多個元件132可包含(舉例而言)一掃描子系統,該掃描子系統可係包含於元件130中之相同掃描子系統。
電子柱可包含此項技術中已知之任何其他適合元件。另外,可按照以下各項中之闡述進一步組態電子柱:2014年4月4日頒予Jiang等人之美國專利第8,664,594號、2014年4月8日頒予Kojima等人之美國專利第8,692,204號、2014年4月15日頒予Gubbens等人之美國專利第8,698,093號以及2014年5月6日頒予MacDonald等人之美國專利第8,716,662號,該等專利以引用方式併入,如在本文中完全陳述一樣。
儘管電子柱在圖1a中展示為經組態以使得電子以一傾斜入射角被引導至樣本且以另一傾斜角自該樣本散射,但電子束可以任何適合角度被引導至樣本及自該樣本散射。另外,電子束檢驗子系統可經組態以使用多個模式產生樣本之影像,如本文中進一步所闡述(例如,以不同照明角度、收集角等)。電子束檢驗子系統之多個模式可在檢驗子系統之任何影像產生參數上不同。
電腦子系統124可耦合至偵測器134,如上文所闡述。偵測器可偵測自樣本之表面返回之電子,藉此形成樣本之電子束影像。該等電子束影像可包含任何適合電子束影像。電腦子系統124可經組態以使用由偵測器134產生之輸出執行本文中針對樣本進一步闡述之一或多個功能。電腦子系統124可經組態以執行本文中所闡述之任何額外步驟。可按照本文中之闡述進一步組態包含圖1a中展示之檢驗子系統之一系統。
應注意,本文中提供圖1a以大體上圖解說明可包含於本文中所闡述之實施例中之一電子束子系統之一組態。正如上文所闡述之光學子系統,可變更本文中所闡述之電子束子系統組態以最佳化檢驗子系統之效能,如在設計一商業檢驗系統時通常執行。另外,可使用諸如可自KLA商購之eSxxx及eDR-xxxx系列工具之一現有系統來實施本文中所闡述之系統(例如,藉由將本文中所闡述之功能性添加至一現有系統)。針對某些此等系統,本文中所闡述之方法可提供為該系統之選用功能性(例如,除該系統之其他功能性之外)。另一選擇係,本文中所闡述之系統可「從頭開始」設計以提供一全新系統。
儘管上文將檢驗子系統闡述為一光學或電子束子系統,但檢驗子系統可係一離子束子系統。可按照圖1a中之展示組態此一檢驗子系統,唯電子束源可被替換為此項技術中已知之任何適合離子束源除外。另外,檢驗子系統可係任何其他適合離子束子系統,諸如包含於可商購之聚焦離子束(FIB)系統、氦離子顯微鏡(HIM)系統及次級離子質譜(SIMS)系統中之離子束子系統。
如上文所說明,檢驗子系統經組態用於掃描樣本之一實體版本上方之能量(例如,光、電子等)藉此產生樣本之實體版本之輸出。以此方式,檢驗子系統可組態為一「實際」子系統,而非一「虛擬」子系統。然而,圖1中所展示之一儲存媒體(未展示)及電腦子系統102可組態為一「虛擬」系統。特定而言,儲存媒體及電腦子系統可按照2012年2月28日頒予Bhaskar等人之共同受讓之美國專利第8,126,255號及2015年12月29日頒予Duffy等人之第9,222,895號中之闡述組態為一「虛擬」檢驗系統,該等專利兩者以引用方式併入,如在本文中完全陳述一樣。可按照此等專利中之闡述進一步組態本文中所闡述之實施例。
如上文進一步所說明,檢驗子系統可經組態以使用多個模式產生樣本之輸出。一般而言,一「模式」可由用於產生一樣本之輸出(例如,影像)之檢驗子系統之參數之值來界定。因此,不同模式由檢驗子系統之至少一個參數之不同值來界定(除了產生輸出之樣本上之位置之外)。舉例而言,在一光學檢驗子系統中,不同模式可使用至少一個不同波長之光進行照射。模式可在照射波長上有所不同,如本文中進一步所闡述(例如,藉由針對不同模式使用不同光源、不同光譜濾光器等)。在另一實例中,不同模式可使用檢驗子系統之不同照射通道。舉例而言,如上文所述,檢驗子系統可包含一個以上照射通道。如此,不同照射通道可用於不同模式。該等模式亦可或另一選擇係在檢驗子系統之一或多個收集/偵測參數上不同。檢驗子系統可經組態以使用不同模式在同一掃描或不同掃描中掃描樣本,例如,此取決於使用多個模式同時掃描樣本之能力。
電腦子系統經組態用於基於由一檢驗子系統針對該樣本產生之輸出偵測一樣本上之缺陷候選。如本文中所使用之彼術語「缺陷候選」界定為在一樣本上偵測且並未濾除為干擾之任何事件。舉例而言,在缺陷偵測之後,缺陷候選可包含在一樣本上偵測之所有事件,且可包含實際缺陷(DOI)及干擾兩者。在干擾過濾之後,缺陷候選將包含並未藉由干擾過濾消除之所有經偵測缺陷候選。干擾過濾之後的缺陷候選是否包含僅DOI取決於干擾過濾有多善於將DOI與干擾區分開。在執行所有干擾過濾之後,可將剩餘缺陷候選指定為經偵測缺陷,即使經指定缺陷中之一或多者係實際干擾。
在一項實施例中,偵測缺陷候選包含單影像缺陷偵測。舉例而言,金屬顆粒係後端晶圓檢驗中之主要干擾。由於金屬顆粒跨越諸如晶圓之樣本 (例如,跨越一晶圓上之所有晶粒)隨機分佈,因此金屬顆粒不可藉由晶粒對晶粒差異來取消。特定而言,藉由針對金屬層之晶粒對晶粒相減產生之差分影像將包含不可藉由相減取消且可偵測為事件之顆粒雜訊。實際上,基於晶粒對晶粒差異之方法可放大來自金屬顆粒之雜訊,藉此使得不可能偵測DOI。因此,當前所使用之用於偵測及分級之晶粒對晶粒缺陷方法將不適用於此等樣本。如此,本文中所闡述之實施例經組態用於偵測及分類一個晶粒中之缺陷,而不使用任何參考晶粒。本文中所闡述之實施例可偵測DOI候選並透過DL藉由單晶粒缺陷補片影像將真實DOI與金屬顆粒干擾分離。本文中所闡述之電腦子系統可進一步經組態以按照Karsenti等人之2017年5月18日公開之美國專利申請公開案第2017/0140524號中之闡述進行單個影像偵測,該美國專利申請公開案以引用方式併入,如在本文中完全陳述一樣。可按照本專利申請案中之闡述進一步組態本文中所闡述之實施例。
在另一實施例中,檢驗子系統經組態用於使用第一及第二模式產生輸出,且偵測缺陷候選包含:使用僅使用第一模式產生之輸出來執行一第一單影像缺陷偵測;使用僅使用第二模式產生之輸出來執行一第二單影像缺陷偵測;及將在第一及第二單影像缺陷偵測中偵測之僅缺陷候選報告為經偵測缺陷候選。舉例而言,如本文中進一步所闡述,檢驗子系統可經組態以使用多個模式產生樣本之輸出。第一及第二模式可包含多個模式中之任一者,該多個模式在檢驗子系統之任一或多個參數之任何值上可係不同的。在一項此實例中,第一模式可係一DF模式,且第二模式可係一BF模式。儘管關於第一及第二模式闡述此實施例,但實施例不限於僅兩個模式。舉例而言,使用檢驗子系統之兩個或更多個模式產生之輸出可用於如本文中進一步所闡述地各自單獨執行之兩個或更多個缺陷偵測中。
在一項此實施例中,如圖2中所展示,檢驗子系統可產生模式1目標影像200及模式2目標影像202。目標影像可係檢驗子系統產生之任何測試、目標或圖框影像。目標影像可具有任何適合大小且可係相對小的補片影像,其大小可取決於檢驗子系統之組態及/或由檢驗子系統產生之輸出之電腦處理而變化。目標影像200及202可以其他方式產生,如本文中進一步所闡述。
亦如圖2中所展示,電腦子系統可使用模式1目標影像200來執行單影像缺陷偵測204,且使用模式2目標影像202來執行單影像缺陷偵測206。可如本文中進一步所闡述執行缺陷偵測204及206兩者。以此方式,缺陷偵測將僅在目標影像上進行。然而,歸因於產生不同目標影像之模式之間的差異,單影像缺陷偵測之參數可不同。一般而言,兩次單影像缺陷偵測可包含某些形式之一低通(LP)濾波及臨限值化。舉例而言,一低通濾波及臨限值化(例如,最大灰階強度臨限值化)偵測演算法可單獨應用於使用不同模式產生之目標影像以識別缺陷候選。特定而言,在一項實施例中,偵測缺陷候選包含將低通過濾及臨限值化應用於由該檢驗子系統針對樣本產生之輸出。若使用一個以上檢驗子系統模式偵測缺陷候選,則在一項此實施例中,一第一單影像缺陷偵測包含將低通過濾及臨限值化應用於僅使用第一模式產生之輸出,且一第二單影像缺陷偵測包含將低通過濾及臨限值化應用於僅使用第二模式產生之輸出。
缺陷偵測之輸出可接著被輸入至本文中所闡述之干擾過濾步驟。缺陷偵測之輸出可包含任何適合缺陷偵測結果。舉例而言,如圖2中所展示,單影像缺陷偵測204之輸出可包含模式1缺陷映射208,且單影像缺陷偵測206之輸出可包含模式2缺陷映射210。可接著在步驟212中使用缺陷映射208及210組合由不同缺陷偵測所偵測之缺陷候選,以報告由任一模式偵測之缺陷候選,或由兩者(或所有模式)偵測之僅缺陷候選。如何組合缺陷偵測結果可取決於將哪些模式用於缺陷偵測以及彼等模式之輸出如何受到樣本之特性之影響而變化。組合步驟之輸出可包含缺陷候選補片影像214,其可包含缺陷候選之任何適合補片影像。缺陷候選補片影像可包含其中缺陷候選被偵測之僅影像(例如,若僅在模式1中偵測缺陷候選,則為使用模式1而非模式2產生之一缺陷候選之補片影像),或對應於一缺陷候選被偵測之一位置之所有補片影像(例如,即使缺陷候選不在兩個模式中偵測,則為使用模式1及2產生之一缺陷候選之補片影像)。用於本文中所闡述之其他步驟中之組合步驟之輸出亦可包含可由缺陷偵測產生之任何其他結果。
在本文中所闡述之層及樣本上偵測之缺陷可包含舉例而言RDL金屬線缺陷(短路/橋接、開路/斷線、金屬殘留/底部橋接)、通孔/接觸缺陷(光阻劑殘留/通孔浮渣)、凸塊缺陷、微凸塊缺陷、銅柱缺陷、晶片堆疊後缺陷、化學機械處理(CMP)後缺陷及研磨後缺陷。因此,本文中所闡述之實施例可用於監視(且可能地校正)對樣本執行且導致此等缺陷之程序中之任一者。
例如圖1中所展示之由電腦子系統,例如,電腦子系統36及/或電腦子系統102執行之組件100之組件包含第一深度學習(DL)網路104及第二DL網路106。第一DL網路經組態用於自缺陷候選過濾干擾。一或多個電腦子系統將用於缺陷候選之資訊輸入至第一DL網路中。第一DL網路之輸出包含未被過濾為干擾之缺陷候選之一第一子集。第二DL網路經組態用於自缺陷候選之第一子集過濾干擾。一或多個電腦子系統將針對缺陷候選之第一子集獲取之高解析度影像輸入至第二DL網路中。第二DL網路之輸出包含未被過濾為干擾之缺陷候選之一最終子集。
因此,第一及第二DL網路充當一金屬顆粒過濾器,電腦子系統將缺陷候選結果傳遞至該金屬顆粒過濾器中。金屬顆粒過濾在兩個階段中執行。在第一階段過濾中,第一DL網路將在缺陷候選之目標影像(補片影像)上訓練且將在來自葉計算中之偵測演算法之一實質上大量缺陷候選上應用。舉例而言,如圖2中所展示,缺陷偵測結果,諸如缺陷候選補片影像214,可輸入至第一DL網路216。第一DL網路可按照本文中之闡述組態以自缺陷候選過濾干擾,藉此輸出第一缺陷候選子集218。以此方式,本文中所闡述之實施例可將基於DL之分級應用於單晶粒目標影像以濾除金屬顆粒。
在第二階段過濾中,第二DL網路在高解析度(例如,缺陷再檢驗類型)影像上訓練且將在來自第一階段過濾之一小得多之數目之缺陷候選上應用。以此方式,本文中所闡述之實施例可進一步將基於DL之分級應用於高解析度影像以更多地抑制干擾。舉例而言,高解析度影像220可由電腦子系統如本文中進一步所闡述地針對第一缺陷候選子集中之缺陷候選獲取。電腦子系統可將高解析度影像輸入至第二DL網路222中,該第二DL網路自第一缺陷候選子集過濾干擾,藉此產生最終缺陷候選子集224。此兩階段DL干擾過濾方法有利地允許以可接受輸送量顯著抑制干擾率。
在一項實施例中,由第一DL網路自缺陷候選過濾之干擾包含金屬顆粒干擾。在另一實施例中,由第二DL網路自缺陷候選之第一子集過濾之干擾包含金屬顆粒干擾。換言之,兩個DL網路可過濾金屬顆粒干擾,其中第二DL網路過濾未由第一DL網路濾除之任何金屬顆粒干擾。儘管本文中所闡述之實施例尤其適合於在具有一金屬上部層之樣本上偵測之金屬顆粒干擾之干擾過濾中,但本文中所闡述之實施例可用於任何類型之樣本上之任何類型之干擾之干擾過濾。
發明者已透過觀測發現,大多數DOI及金屬顆粒干擾以不同方式出現在補片影像中。舉例而言,似乎真實缺陷具有不同於金屬曲線之某些特性。由於人類眼睛及大腦可覺察出差異,因此發明者判定一DL網路可經訓練以區分開此等補片影像中之差異以移除干擾。相比而言,現有干擾過濾方法僅依賴於不反映諸如大小、形狀等之缺陷之二維特徵之缺陷屬性,因此其無法濾除金屬顆粒干擾。
儘管本文中所闡述之實施例針對干擾過濾(兩級分類)而特別開發,但實施例不限於僅執行干擾過濾。舉例而言,本文中所闡述之實施例可容易地延伸至多級分類。在一項此實施例中,第一DL網路進一步經組態用於自缺陷候選過濾干擾,並執行未被過濾為干擾之缺陷候選之第一子集之多級分類。第一DL網路之此一實施例之輸出可包含未被過濾為干擾之缺陷候選之第一子集及指配至第一子集中之缺陷候選之初步缺陷分類ID。在另一此實施例中,第二DL網路進一步經組態用於自缺陷候選之第一子集過濾干擾,並執行未被過濾為干擾之缺陷候選之最終子集之多級分類。第二DL網路之此一實施例之輸出可包含未被過濾為干擾之缺陷候選之一最終子集及指配至最終子集中之缺陷候選之最終缺陷分類ID。
第一及第二DL網路可經組態以例如經由一經訓練DL網路藉助本文中所闡述之完全連接層或另一架構執行多級分類,如本文中所闡述。多級分類將不同類型之缺陷分離成不同分類,且缺陷分類ID可具有指示不同類型之缺陷(諸如,圖案缺陷、橋接、開路、短路、劃痕等)之任何適合格式。
在某些例項中,使DL網路中之僅一者執行多級分類可係實用的。舉例而言,第一DL網路僅執行干擾過濾(一種類別之兩級分類),而僅第二DL網路執行干擾過濾及多級分類可係實用的。然而,若第一DL網路亦經組態用於多級分類,則由第一DL網路指配至缺陷候選之分類可輸入至第二DL網路,且第二DL網路可使用彼資訊來分類最終子集中之缺陷候選,此可包含修改或改變由第一DL網路指配至缺陷候選中之一或多者之分類。另一選擇係,第二DL網路可獨立於由第一DL網路指配之任何多級分類來執行多級分類,且電腦子系統可經組態以針對由第一及第二DL網路指配不同缺陷分類之任何缺陷來執行缺陷分類仲裁。
一般而言,「深度學習」(亦稱為深度結構化學習、階層式學習或深度機器學習)係基於嘗試建模資料中之高位準抽象之一組演算法之機器學習之一分支。在一簡單情形中,可存在兩組神經元:一組接收一輸入信號且一組發送一輸出信號。當輸入層接收一輸入時,其將輸入之一修改版本傳遞至下一層。在一深度網路中,在輸入與輸出之間存在諸多層(且層並非由神經元構成但其可有助於像神經元一樣思考),從而允許演算法使用由多個線性變換及非線性變換組成之多個處理層。
深度學習係基於學習資料表示之一寬廣機器學習方法家族之一部分。一觀測(例如,一影像)可以諸多方式來表示,諸如每像素之強度值之一向量;或以一更抽象之方式,如一組邊緣、特定形狀之區等。在簡化學習任務時(例如,面部辨識或面部表情辨識),某些表示優於其他表示。深度學習之前景中之一者係利用高效演算法替換手繪特徵以用於非監督式或半監督式特徵學習及層級特徵提取。
此領域中之研究力圖形成更佳表示且建立模型以自大規模未標記資料學習此等表示。該等表示中之某些表示係由神經科學之接納進步推動且不精確地基於對一神經系統中之資訊處理及通信模式之解譯,諸如力圖定義各種刺激與大腦中之相關聯神經元回應之間的一關係之神經編碼。
機器學習可通常被定義為一種類型之人工智慧(AI),該人工智慧使電腦具備學習能力而無需明確地進行程式化。機器學習聚焦於電腦程式之開發,此可使電腦程式在接觸到新資料時學會成長及改變。換言之,機器學習可被定義為電腦科學之子領域,其「賦予電腦學習能力而無需明確地進行程式化」。機器學習探索可向資料學習且對資料做出預測之演算法之研究及建構 –此等演算法藉由透過自簡單輸入建立一模型來做出資料驅動型預測或決策來克服以下完全靜態之程式指令。
可按照以下各項中之闡述執行本文中所闡述之機器學習:Sugiyama之「Introduction to Statistical Machine Learning」(Morgan Kaufmann,2016,534頁)、Jebara之「Discriminative, Generative, and Imitative Learning」(MIT論題,2002,212頁),及Hand等人之「Principles of Data Mining (Adaptive Computation and Machine Learning)」(麻省理工學院出版社(MIT Press),2001,578頁),該等參考文獻以引用方式併入,如在本文中完全陳述一樣。可按照此等參考文獻中之闡述進一步組態本文中所闡述之實施例。
DL網路中之每一者可係具有一組權重之一深度神經網路,該等權重根據資料(該資料已饋送以對其進行訓練)來建模世界。神經網路通常可被定義為基於相對大量神經單元之一計算方法,該等神經單元將一生物學大腦利用由軸突連接之相對大量之生物學神經元解決問題的方式不精確地模型化。每一神經單元與諸多神經單元連接,且連結可加強或抑制其對經連接神經單元之啟動狀態之影響。此等系統係自我學習與訓練型的而非明確地被程式化且在解決方案或特徵偵測以一傳統電腦程式難以表達之領域中表現出色。
神經網路通常由多個層組成,且信號路徑自前方橫貫至後方。神經網路之目標係以與人類大腦相同之方式解決問題,但數種神經網路係更抽象的。現代神經網路工程通常使用數千個乃至數百萬個神經單元以及數百萬個連接來工作。神經網路可具有此項技術中已知之任何適合架構及/或組態。
在一項實施例中,第一DL網路包含一卷積神經網路(CNN)。一CNN通常包含卷積及池化層之堆疊以提取局部特徵。卷積層可具有此項技術中已知之任何適合組態且通常經組態以藉由使用一或多個濾波器對輸入影像應用一卷積功能來跨越影像(亦即,一特徵映射)依據位置判定一影像之特徵。一或多個池化層亦可具有此項技術中已知之任何適合組態(例如,最大池化層)且通常經組態用於減小由一或多個卷積層產生之特徵映射之維度之同時保留最重要特徵。第一DL網路可具有此項技術中已知之任何適合CNN組態或架構。
在另一實施例中,第一DL網路包含卷積層與完全連接層之一組合。卷積層可如上文所闡述地組態。一「完全連接層」大體上可定義為其中將節點中之每一者連接至先前層中之節點中之每一者之一層。完全連接層基於由卷積層提取之特徵執行分類。舉例而言,卷積層可經組態以產生一特徵映射藉此判定影像特徵,該等影像可包含本文中進一步所闡述之影像及輸入中之任一者。完全連接層經組態用於特徵選擇及分類。換言之,完全連接層自一特徵映射選擇特徵且接著基於經選擇特徵分類影像中之缺陷候選。經選擇特徵可包含特徵映射中之所有特徵(在適當情況下)或僅包含特徵映射中之某些特徵。此一DL網路(包含卷積層及完全連接層)輸出缺陷候選分類,該等分類可包含每缺陷候選之一分類結果,具有與每一分類結果相關聯之一置信度。亦可按照本文中之進一步闡述來使用分類之結果。分類可具有任何適合格式(諸如,一缺陷候選ID、一缺陷說明,諸如圖案、橋接等)。可按照本文中之進一步闡述儲存並使用分類結果。
在另一實施例中,第二DL網路包含一CNN。在一其他實施例中,第二DL網路包含卷積層與完全連接層之一組合。可按照本文中之進一步闡述,關於一CNN以及卷積層與完全連接層之組合組態第二DL網路之此等實施例。
在一項實施例中,包含在第一及第二DL網路中之CNN可組態為一AlexNet。通常,一AlexNet包含若干個卷積層(例如,5個),後續接著若干個完全連接層(例如,3個),卷積層與完全連接層經組合地組態及訓練以對影像進行分類。組態為AlexNet之神經網路之實例闡述於Krizhevsky等人之「ImageNet Classification with Deep Convolutional Neural Networks」(NIPS 2012)中,該參考文獻以引用方式併入,如在本文中完全陳述一樣。可按照此參考文獻中之闡述進一步組態本文中所闡述之DL網路。
圖3中展示可用作第一及第二DL網路之CNN之一AlexNet之一個經簡化版本。至經簡化AlexNet之輸入可包含輸入影像300,該輸入影像可包含本文中所闡述之影像中之任一者,諸如在樣本上偵測之缺陷候選中之任一者之具有約32像素乘32像素之一大小的補片影像。影像被輸入至卷積層302,該卷積層後續接著卷積層304、池化層306、卷積層308,及池化層310。此等層可係按照本文中之進一步闡述來組態。最終池化層之輸出被輸入至完全連接層312,該完全連接層可後續接著完全連接層314。完全連接層可係按照本文中之進一步闡述來組態。最後完全連接層可產生輸出316,該可輸出包含本文中所闡述之輸出中之任一者。舉例而言,如本文中進一步所闡述,輸出可包含哪些缺陷候選係DOI且哪些缺陷候選係干擾(例如,金屬顆粒雜訊及/或任何其他雜訊)之指示。
在另一實施例中,第一及/或第二DL網路組態為一GoogleNet。一GoogleNet可包含卷積層、池化層,及完全連接層,諸如本文中進一步所闡釋之經組態及訓練以對影像進行分類之卷積層、池化層,及完全連接層。雖然GoogleNet架構可包含相對高數目個層(尤其與本文中所闡述之某些其他網路相比),但某些層可平行地操作,且彼此平行操作之層之群組通常被稱為起始模組。層中之其他層可依序操作。因此,一GoogleNet與本文中所闡述之其他網路的差異在於並非所有層皆被配置成一順序結構。組態為GoogleNet之神經網路的實例係闡述於Szegedy等人之「Going Deeper with Convolutions」(CVPR 2015)中,該參考文獻係以引用方式併入,如在本文中完全陳述一樣。可按照此參考文獻中之闡述來進一步組態本文中所闡述之DL網路。
在一其他實施例中,第一及/或第二DL網路組態為一VGG網路。VGG網路係在固定架構之其他參數的同時增加卷積層的數目而建立。在所有層中使用實質上小的卷積過濾器使添加卷積層以增加深度成為可能。如本文中所闡述之其他網路一樣,VGG網路經建立及訓練以對影像進行分類。VGG網路亦包含卷積層以及在卷積層之後的完全連接層。經組態為VGG之神經網路的實例係闡述於Simonyan等人「Very Deep Convolutional Networks for Large-Scale Image Recognition」(ICLR 2015)中,該參考文獻係以引用方式併入,如在本文中完全陳述一樣。可按照此參考文獻中之闡述來進一步組態本文中所闡述之網路。
在某些實施例中,第一及/或第二DL網路組態為一深度殘差網路。如本文中所闡述之某些其他網路一樣,一深度殘差網路可包含卷積層,後續接著完全連接層,卷積層與完全連接層經組合地組態及訓練以對影像進行分類。在一深度殘差網路中,該等層經組態以參考層輸入來學習殘差功能,而非學習未提及之功能。特定而言,並非係期望每幾個堆疊層直接適合一所期望之底層映射,而此等層被明確允許適合一殘差映射,此由具有快捷連接之前饋神經網路實現。快捷連接係跳過一或多個層之連接。可藉由採用包含卷積層之一普通神經網路結構且***快捷連接來建立一深度殘差網,該等快捷連接藉此採用普通神經網路且將其變成殘差學習替代物。深度殘差網之實例闡述於He等人之「Deep Residual Learning for Image Recognition」(NIPS 2015)中,該參考文獻以引用方式併入,如在本文中完全陳述一樣。可按照此參考文獻中之闡述進一步組態本文中所闡述之網路。
由DL網路判定之特徵可包含本文中進一步闡述之或此項技術中已知之任何適合特徵,該等特徵可自輸入推測出且用於產生本文中進一步闡述之輸出。舉例而言,該等特徵可包含每像素之強度值之一向量。特徵亦可包含本文中所闡述之任何其他類型之特徵,例如,此項技術中已知之標量值之向量,獨立分佈、聯合分佈之向量或任何其他適合特徵類型。
在一項實施例中,用於由一或多個電腦子系統輸入至第一DL網路之缺陷候選之資訊包含由檢驗子系統產生之缺陷候選之影像。舉例而言,僅目標補片影像可被直接輸入至經訓練第一DL網路(例如,本文中所闡述之一CNN或其他網路)以藉此由DL分離出金屬顆粒干擾缺陷。因此,目標補片影像可在經偵測缺陷候選之位置處產生且可具有任何適合大小(例如,32像素乘32像素),此可取決於舉例而言用於產生樣本之輸出之檢驗子系統之組態及/或檢驗子系統之設置而變化。
在一額外實施例中,用於由一或多個電腦子系統輸入至第一DL網路之缺陷候選之資訊不包含由一或多個電腦子系統判定之缺陷候選之特徵。因此,本文中所闡述之實施例與諸多當前使用之干擾過濾器顯著不同。舉例而言,諸多宏觀檢驗分類方法係基於偵測屬性之決策樹分類器。然而,基於缺陷屬性之現有方法可在僅給出目標影像時不反映諸如大小、形狀等等之缺陷二維特徵,(例如,通常自一差分影像判定此等特徵,該差分影像不在本文中所闡述之缺陷偵測中產生)。因此,金屬顆粒不可藉由現有方法來濾除。
如本文中進一步所闡述,第一及第二DL網路可具有相同類型(例如,其皆可係CNN;其可包含卷積層及完全連接層兩者;其皆可係如圖3中所展示之經簡化AlexNet等)。若兩個DL網路具有相同類型,則其可或可不具有相同組態(或架構)。舉例而言,若兩個DL網路係經簡化AlexNet,則兩個DL網路可具有圖3中所展示之架構或DL網路可具有不同架構(一者如圖3中所展示且另一者具有圖3中所展示之組態之一變體)。
在任何情形中,儘管第一及第二DL網路將產生相同輸出(識別為缺陷(或至少並非干擾)之缺陷候選及識別為干擾之缺陷候選),但在不同輸入之情形下,第一與第二DL網路之一或多個參數將很可能不同。換言之,由於輸入至第一DL網路之資訊與輸入至第二DL網路之高解析度影像將具有不同解析度且可能甚至不同成像機制(例如,光學對電子束),因此第一DL網路不可有效地用於高解析度影像。此外,輸入至第一DL網路之缺陷候選補片影像將不具有適合於由第二DL網路執行之缺陷候選之最終處理(過濾)之一足夠高解析度(歸因於通常在為了速度或輸送量犧牲解析度之檢驗中做出的折衷)。如此,在本文中所闡述之實施例中,將相同影像用作輸入至第一及第二DL網路之僅影像將係不切實際的。因此,必須構建不同DL網路且以不同方式對其進行訓練。舉例而言,若一DL CNN組態用於檢驗影像及高解析度(再檢驗類型)影像兩者,則兩個不同DL CNN可用於成功結果。一旦選擇用於第一及第二DL網路之組態,兩個DL網路便將被訓練以藉此設定網路之一或多個參數(例如,權重、偏置等)。
DL網路之訓練可以此項技術中已知之任何適合方式來執行。兩個DL網路之訓練將使用一訓練輸入集來執行,該訓練輸入集將在運行時間輸入至不同DL網路。舉例而言,用於第一DL網路之訓練集將包含針對已知缺陷及已知干擾之資訊,諸如由檢驗子系統產生之影像;而用於第二DL網路之訓練集將包含針對已知缺陷及已知干擾之高解析度影像。一般而言,訓練將藉由變更DL網路之一或多個參數來進行直至訓練集中之已知缺陷及已知干擾由DL網路正確分類。因此,第一及第二DL網路之訓練可彼此獨立且基於不同訓練集,藉此產生經訓練第一及第二DL網路,該經訓練第一及第二DL網路將很可能具有一或多個不同參數設定。
基於深度學習之缺陷分類或分級通常由兩個部分構成:第一係網路(模型)訓練,且第二部分係運行時間推理。恰如任何分類技術,需要一訓練步驟以訓練分類器。且接著在實際運行時間檢驗中,將分類器應用於每一缺陷候選以仲裁其分類(分級)。類似地在深度學習技術中,在設置時間需要一訓練步驟。一旦DL模型經訓練(使用具有分類真實值之缺陷補片影像來訓練模型資訊,連同權重或係數),模型便可用於實際線內檢驗中作為一後處理步驟以決策缺陷候選是一DOI還是干擾。
在本文中所闡述之實施例中,訓練步驟可涉及兩至三個步驟。可自一極熱掃描,亦即,其中用於偵測缺陷候選之臨限值在檢驗子系統之輸出之雜訊基底處,極接近其或在其內之一掃描,自整個晶圓對缺陷之一亞群體進行取樣(在不具有任何DL網路之情形下)且使用自第一時間訓練之DL網路執行檢驗。接著,可自掃描結果對另一亞群體進行取樣。可組合兩個群體且再次訓練以獲得DL網路之一重新訓練或第二版本。且可使用DL網路之第二版本執行另一掃描。若結果係良好的(其中被認定為一良好結果的內容可由使用者以任何適合方式界定),則可在DL網路之第二版本處停止,且將其作為經訓練版本應用於實際運行時間推理,例如,其可添加至變因且用於掃描類似類型(層)之其他晶圓。
本文中所闡述之DL網路之訓練亦不限於DL網路之僅第一及第二版本。舉例而言,可重複上文所闡述之步驟以產生DL網路之甚至一第三版本。但發明者之經驗已展示,兩個連續訓練產生一合理良好DL網路。在真實推理中,僅存在一DL網路之一個版本,該版本係來自訓練之最後(或最佳)DL網路。
亦可按照2019年3月7日公開之Brauer之美國專利申請公開案第2019/0073566號及2019年3月7日公開之He等人之美國專利申請公開案第2019/0073568號中之闡述來訓練第一及第二DL網路,該等公開案以引用方式併入,如在本文中完全陳述一樣。可按照此等公開案中之闡述來進一步組態實施例。本文中所闡述之電腦子系統可經組態用於訓練DL網路,或另一系統或方法可訓練DL網路,且接著使其可由本文中所闡述之實施例使用。
經訓練DL網路之組態及設定亦可取決於其被實施之使用情形變化。舉例而言,對於不同使用情形,DL網路將可能必須以不同方式(例如,以不同數目個層、大小等)來構造。一旦判定網路組態,使用一充足資料(訓練資料之真實值)量訓練DL網路之程序將產生權重(係數)及可能地用於DL網路之其他參數。因此對於不同使用情形,可存在不同適當網路組態及不同經訓練參數。
如本文中進一步所闡述,檢驗可使用不同模式(例如,使用不同照射通道、使用不同照射波長、使用BF及DF等)來執行。此外,缺陷候選之高解析度影像可使用不同模式(例如,不同入射角、不同收集角等)產生。因此,饋送至第一及第二DL網路中以供訓練及推理(運行時間)之內容可係可選擇的。然而,訓練與推理輸入應係一致的,亦即,若僅BF補片影像用於訓練第一DL網路,則在運行時間推理期間,出於分級目的,僅BF影像應被饋送至第一DL網路中。相比而言,若第一DL網路之訓練將DF及BF影像兩者用作輸入,則運行時間推理應藉由將DF及BF影像兩者輸入至第一DL網路中來執行。以一類似方式,若訓練使用不同補片影像來執行,則運行時間推理應使用具有與訓練時間相同維度之相同影像補片集來執行。
由第一DL網路執行之第一階段干擾過濾可將缺陷候選計數顯著減少(例如,自約成千上萬(比如,200K至300K)至數百(比如,400至900))。然而,歸因於通常用於具有金屬上部層之樣本之檢驗之檢驗子系統之相對低解析度限制,可仍存在包含在由第一DL網路識別之缺陷候選中之約幾百個干擾(例如,200至300)。然而,由第二DL網路執行之第二階段干擾過濾可濾除所有剩餘干擾,此乃因高解析度影像被輸入至第二DL網路。
如本文中所使用之彼術語一「高解析度影像」含有關於樣本上之經圖案化特徵及/或缺陷之資訊,其足以使高解析度影像用於諸如缺陷再檢驗之應用,該缺陷再檢驗可包含缺陷分類及/或驗證及計量。如本文中所使用之彼術語一「高解析度」亦係指通常由檢驗系統在常規操作期間使用之一解析度,其經組態以為了經增加輸送量犧牲解析度能力。一「高解析度影像」亦可在此項技術中稱為一「高敏感度影像」,其可係一「高品質影像」之另一術語。不同種類之成像子系統可針對一高解析度而組態。舉例而言,為了產生高品質電子束影像,e/p、圖框等可經增加,此產生良好品質掃描電子顯微鏡(SEM)影像,但顯著降低輸送量。此等影像接著係「高敏感度」影像,此乃因其可用於高敏感度缺陷偵測。因此,如本文中所使用之彼術語高解析度可界定為較以其執行樣本之檢驗之解析度高之一解析度。一般而言,較之以其執行樣本之檢驗之解析度,高解析度亦可意指一顯著更高解析度。舉例而言,若使用經組態用於宏觀檢驗之一檢驗子系統執行檢驗,則高解析度影像可藉由一高解析度電子束或離子束工具(諸如一SEM)來產生。
在一項實施例中,電腦子系統自一缺陷再檢驗工具獲取高解析度影像。舉例而言,本文中所闡述之光學及電子束檢驗子系統可組態為缺陷再檢驗子系統。特定而言,可在一或多個參數上修改本文中所闡述以及圖1及圖1a中所展示之檢驗子系統之實施例以提供不同成像能力,此取決於將使用之應用。在一項此實例中,圖1中所展示之檢驗子系統可經組態以在其用於缺陷再檢驗而非檢驗之情形下具有一較高解析度。換言之,圖1及圖1a中展示之檢驗子系統之實施例闡述一成像子系統之某些一般性及各種組態,該成像子系統可以熟習此項技術者將顯而易見之若干種方式來裁適以產生具有或多或少適合於不同應用之不同成像能力之成像子系統。
因此,獲取高解析度影像可使用本文中所闡述之成像子系統中之一者來執行(例如,若成像子系統中之一者經組態或修改用於缺陷再檢驗類型成像能力,則成像子系統可用於產生且藉此獲取樣本之高解析度影像)。以此方式,獲取高解析度影像可使用實體樣本本身及某種成像硬體來執行。然而,獲取高解析度影像未必包含使用成像硬體使樣本成像。舉例而言,另一系統及/或方法可產生高解析度影像且可將經產生高解析度影像儲存在一或多個儲存媒體中,諸如如本文中所闡述之一虛擬檢驗系統或本文中所闡述之另一儲存媒體。因此,獲取高解析度影像可包含自儲存高解析度影像之儲存媒體獲取高解析度影像。
以此方式,本文中所闡述之系統可或可不包含產生高解析度影像之一缺陷再檢驗工具。在某些情形中,本文中所闡述之檢驗子系統可能夠產生檢驗類型較低解析度影像及缺陷再檢驗類型較高解析度影像兩者。在此等情形中,系統可包含僅一個成像子系統,其參數在檢驗與再檢驗之間修改。在其他情形中,系統可包含兩個不同成像子系統,一者經組態用於檢驗類型較低解析度成像而另一者經組態用於缺陷再檢驗類型較高解析度成像。在一個此例項中,系統可包含圖1及圖1a中展示之兩個成像子系統,圖1中展示之成像子系統可經組態用於較低解析度檢驗類型成像,而圖1a中展示之成像子系統可經組態用於較高解析度缺陷再檢驗類型成像。
在另一實施例中,電腦子系統包含一第三DL網路,其經組態用於自由檢驗子系統產生之輸出產生高解析度影像。換言之,一第三DL網路可經組態以將一相對低解析度影像變換(藉由推理)為一高得多的解析度影像。第三DL網路可包含此項技術中已知之任何適合DL模型或網路,包含舉例而言一神經網路、一CNN、一產生模型等。第三DL網路亦可按照以下各項中之闡述來組態:2017年5月18日公開之Karsenti等人之共同擁有之美國專利申請公開案第2017/0140524號、2017年5月25日公開之Zhang等人之共同擁有之美國專利申請公開案第2017/0148226號、2017年7月6日公開之Bhaskar等人之共同擁有之美國專利申請公開案第2017/0193400號、2017年7月6日公開之Zhang等人之共同擁有之美國專利申請公開案第2017/0193680號、2017年7月6日公開之Bhaskar等人之共同擁有之美國專利申請公開案第2017/0194126號、2017年7月13日公開之Park等人之共同擁有之美國專利申請公開案第2017/0200264號、2017年7月13日公開之Bhaskar等人之共同擁有之美國專利申請公開案第2017/0200265號、2017年11月30日公開之Zhang等人之共同擁有之美國專利申請公開案第2017/0345140號、2017年12月7日公開之Zhang等人之共同擁有之美國專利申請公開案第2017/0351952號、2018年4月19日公開之Zhang等人之共同擁有之美國專利申請公開案第2018/0107928號、2018年10月11日公開之Gupta等人之共同擁有之美國專利申請公開案第2018/0293721號、2018年11月15日公開之Ha等人之共同擁有之美國專利申請公開案第2018/0330511號、2019年1月3日公開之Dandiana等人之共同擁有之美國專利申請公開案第2019/0005629號,及2019年3月7日公開之He等人之共同擁有之美國專利申請公開案第2019/0073568號,該等公開案以引用方式併入,如在本文中完全陳述一樣。可按照此等專利申請公開案中之闡述進一步組態本文中所闡述之實施例。另外,本文中所闡述之實施例可經組態以執行此等專利申請公開案中所闡述之任何步驟。
一或多個電腦子系統經組態用於將最終子集中之缺陷候選指定為樣本上之缺陷並產生缺陷之結果。缺陷之結果可包含本文中所闡述之結果中之任一者,諸如資訊,例如,經偵測缺陷之定界框之位置等、偵測分數、關於缺陷分類(諸如分類標籤或ID等)之資訊、或此項技術中已知之任何此類適合資訊。缺陷之結果可由電腦子系統以任何適合方式產生。缺陷之結果可具有任何適合形式或格式,諸如一標準檔案類型。電腦子系統可產生結果並儲存結果,使得結果可由電腦子系統及/或另一系統或方法使用以執行樣本或相同類型之另一樣本之一或多個功能。此等功能包含但不限於以一回饋方式更改諸如一製作程序之一程序或對樣本執行之步驟;以一前饋方式更改諸如一製作程序之一程序或將對樣本執行之步驟等。
與本文中所闡述之實施例相比,替代方法可使用傳統特徵提取方法來提取可將DOI與干擾區分開之特徵。可接著應用一決策樹或最近鄰域分類器來做出分類。此一方法將需要對影像之更深入研究,但無法由DL達成與CNN相同的良好效能,此乃因本文中所闡述之網路藉由學習而針對特定問題更具適應性。
上文所闡述之系統中之每一者之實施例中之每一者可一起組合為一單個實施例。
另一實施例係關於用於偵測一樣本上之缺陷之一電腦實施方法。該方法包含基於由一檢驗子系統針對該樣本產生之輸出偵測一樣本上之缺陷候選。該方法亦包含藉由將用於該等缺陷候選之資訊輸入至一第一DL網路中而自該等缺陷候選過濾干擾。該第一DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一第一子集。此外,該方法包含藉由將針對該等缺陷候選之該第一子集獲取之高解析度影像輸入至一第二DL網路中而自該等缺陷候選之該第一子集過濾干擾。該第二DL網路之輸出包含未被過濾為該等干擾之該等缺陷候選之一最終子集。一或多個組件由一或多個電腦系統執行。一或多個組件包含第一及第二DL網路。該方法進一步包含將該最終子集中之該等缺陷候選指定為該樣本上之缺陷並產生該等缺陷之結果。
可按照本文中之進一步闡述執行該方法之步驟中之每一者。該方法亦可包含可由本文中所闡述之系統、電腦子系統及/或檢驗子系統執行之任何其他步驟。一或多個電腦系統、一或多個組件、DL網路及檢驗子系統可分別根據本文中所闡述之實施例中之任一者,例如,電腦子系統102、組件100、第一DL網路104及第二DL網路106來組態。另外,上文所闡述之方法可藉由本文中所闡述之系統實施例中之任一者來執行。
一額外實施例係關於一種儲存可在一或多個電腦系統上執行以執行用於偵測一樣本上之缺陷之一電腦實施方法之程式指令之非暫時性電腦可讀媒體。圖4中展示一項此實施例。特定而言,如圖4中所展示,非暫時性電腦可讀媒體400包含可在電腦系統404上執行之程式指令402。電腦實施方法可包含本文中所闡述之任何方法之任何步驟。
實施諸如本文中所闡述之方法之方法之程式指令402可儲存於電腦可讀媒體400上。電腦可讀媒體可係諸如一磁碟或光碟、一磁帶之一儲存媒體,或此項技術中已知之任何其他適合非暫時性電腦可讀媒體。
可以各種方式中之任一者來實施程式指令,該等方式包含基於過程之技術、基於組件之技術及/或面向物件之技術以及其他技術。舉例而言,可視需要使用ActiveX控件、C++物件、JavaBeans、微軟基礎類別(「MFC」)、SSE (串流化SIMD擴展)或其他技術或方法來實施該等程式指令。
電腦系統404可根據本文中所闡述之實施例中之任一者來組態。
鑒於此說明,熟習此項技術者將明瞭本發明之各種態樣之其他修改及替代實施例。舉例而言,提供用於偵測一樣本上之缺陷之方法及系統。因此,此說明應被視為僅具說明性,且係出於教示熟習此項技術者實施本發明之一般方式之目的。應理解,本文中所展示及所闡述之本發明之形式應被視為目前較佳實施例。如熟習此項技術者在受益於對本發明之此說明之後將全部明瞭,元件及材料可替代本文中所圖解說明及闡述之元件及材料,部件及過程可顛倒,且本發明之某些特徵可獨立地利用。可在不背離如以下申請專利範圍中所闡述的本發明之精神及範疇之情況下對本文中所闡述之元件做出改變。
10:檢驗子系統
14:樣本
16:光源/源
18:光學元件
20:透鏡
22:載台
24:收集器
26:元件
28:偵測器
30:收集器
32:元件
34:偵測器
36:電腦子系統
100:組件
102:電腦子系統
104:第一深度學習(DL)網路
106:第二深度學習網路
122:電子柱
124:電腦子系統
126:電子束源
128:樣本
130:元件
132:元件
134:偵測器
200:模式1目標影像/目標影像
202:模式2目標影像/目標影像
204:單影像缺陷偵測/缺陷偵測
206:單影像缺陷偵測/缺陷偵測
208:模式1缺陷映射/缺陷映射
210:模式2缺陷映射/缺陷映射
212:步驟
214:缺陷候選補片影像
216:第一深度學習網路
218:第一缺陷候選子集
220:高解析度影像
222:第二深度學習網路
224:最終缺陷候選子集
300:輸入影像
302:卷積層
304:卷積層
306:池化層
308:卷積層
310:池化層
312:完全連接層
314:完全連接層
316:輸出
400:電腦可讀媒體
402:程式指令
404:電腦系統
在受益於對較佳實施例之以下詳細說明之情況下且在參考隨附圖式之後,熟習此項技術者將明瞭本發明之進一步優點,其中:
圖1及圖1a係圖解說明如在本文所闡述地組態之一系統之實施例之側視圖之示意圖;
圖2係圖解說明可由本文中所闡述之實施例執行以偵測一樣本上之缺陷之步驟之一項實施例之一流程圖;
圖3係圖解說明可用於第一及第二深度學習網路之深度學習網路架構之一項實施例之一示意圖;及
圖4係圖解說明儲存用於致使一或多個電腦系統執行本文中所闡述之一電腦實施方法之程式指令之一非暫時性電腦可讀媒體之一項實施例之一方塊圖。
儘管易於對本發明做出各種修改及替代形式,但其特定實施例係以實例方式展示於圖式中且將在本文中詳細地闡述。該等圖式可未按比例繪製。然而,應理解,圖式及對圖式之詳細說明並不意欲將本發明限制於所揭示之特定形式,而是相反,本發明意欲涵蓋在由隨附申請專利範圍所界定的本發明之精神及範圍內之所有修改、等效形式及替代形式。
10:檢驗子系統
14:樣本
16:光源/源
18:光學元件
20:透鏡
22:載台
24:收集器
26:元件
28:偵測器
30:收集器
32:元件
34:偵測器
36:電腦子系統
100:組件
102:電腦子系統
104:第一深度學習(DL)網路
106:第二深度學習網路
Claims (27)
- 一種經組態以偵測一樣本上之缺陷之系統,其包括:一或多個電腦子系統,其經組態用於基於由一檢驗子系統針對該樣本所產生之輸出來偵測一樣本上之多個缺陷候選,其中該檢驗子系統經組態用於使用第一模式及第二模式來產生該輸出,且其中偵測該等缺陷候選包括:使用僅使用該第一模式所產生之該輸出來執行一第一單影像缺陷偵測;使用僅使用該第二模式所產生之該輸出來執行一第二單影像缺陷偵測;及將僅在該第一單影像缺陷偵測及該第二單影像缺陷偵測中偵測之該等缺陷候選報告為經偵測缺陷候選;及一或多個組件,其由該一或多個電腦子系統執行,其中該一或多個組件包括:一第一深度學習網路,其經組態用於自該等缺陷候選過濾干擾,其中該一或多個電腦子系統將用於該等缺陷候選之資訊輸入至該第一深度學習網路中,且其中該第一深度學習網路之輸出包括未被過濾為該等干擾之該等缺陷候選之一第一子集;及一第二深度學習網路,其經組態用於自該等缺陷候選之該第一子集過濾干擾,其中該一或多個電腦子系統將針對該等缺陷候選之該第一子集獲取之高解析度影像輸入至該第二深度學習網路中,且其中該第二深度學習網路之輸出包括未被過濾為該等干擾之該等缺陷候選之一最終子集;且其中該一或多個電腦子系統進一步經組態用於將該最終子集中之該等缺陷候選指定為該樣本上之缺陷,並產生該等缺陷之結果。
- 如請求項1之系統,其中偵測該等缺陷候選包括將低通過濾及臨限值化應用於由該檢驗子系統針對該樣本產生之該輸出。
- 如請求項1之系統,其中該第一單影像缺陷偵測包括將低通過濾及臨限值化應用於僅使用該第一模式所產生之該輸出,且其中該第二單影像缺陷偵測包括將低通過濾及臨限值化應用於僅使用該第二模式所產生之該輸出。
- 如請求項1之系統,其中該第一深度學習網路包括一卷積神經網路。
- 如請求項1之系統,其中該第一深度學習網路包括卷積層與完全連接層之一組合。
- 如請求項1之系統,其中該第二深度學習網路包括一卷積神經網路。
- 如請求項1之系統,其中該第二深度學習網路包括卷積層與完全連接層之一組合。
- 如請求項1之系統,其中該樣本包括一金屬上部層。
- 如請求項1之系統,其中由該第一深度學習網路自該等缺陷候選過濾之該等干擾包括金屬顆粒干擾。
- 如請求項1之系統,其中由該第二深度學習網路自該等缺陷候選之該第一子集過濾之該等干擾包括金屬顆粒干擾。
- 如請求項1之系統,其中該檢驗子系統經組態用於宏觀檢驗。
- 如請求項1之系統,其中該一或多個電腦子系統自一缺陷再檢驗工具獲取該等高解析度影像。
- 如請求項1之系統,其中該一或多個組件進一步包括一第三深度學習網路,其經組態用於自由該檢驗子系統產生之該輸出來產生該等高解析度影像。
- 如請求項1之系統,其中用於由該一或多個電腦子系統輸入至該第一深度學習網路之該等缺陷候選之該資訊包括由該檢驗子系統產生之該等缺陷候選之影像。
- 如請求項1之系統,其中用於由該一或多個電腦子系統輸入至該第一深度學習網路之該等缺陷候選之該資訊不包括由該一或多個電腦子系統判定之該等缺陷候選的特徵。
- 如請求項1之系統,其中該第一深度學習網路進一步經組態用於自該等缺陷候選過濾干擾並執行未被過濾為該等干擾之該等缺陷候選之該第一 子集的多級分類。
- 如請求項1之系統,其中該第二深度學習網路進一步經組態用於自該等缺陷候選之該第一子集過濾干擾並執行未被過濾為該等干擾之該等缺陷候選之該最終子集的多級分類。
- 如請求項1之系統,其中該檢驗子系統進一步被組態為一電子束子系統。
- 如請求項1之系統,其中該檢驗子系統進一步被組態為一光學子系統。
- 如請求項1之系統,其中該樣本係一晶圓。
- 一種非暫時性電腦可讀媒體,其儲存可在一或多個電腦系統上執行以執行用於偵測一樣本上之缺陷之一電腦實施方法之程式指令,其中該電腦實施方法包括:基於由一檢驗子系統針對該樣本所產生之輸出來偵測一樣本上之多個缺陷候選,其中該檢驗子系統經組態用於使用第一模式及第二模式來產生該輸出,且其中偵測該等缺陷候選包括:使用僅使用該第一模式所產生之該輸出來執行一第一單影像缺陷偵測;使用僅使用該第二模式所產生之該輸出來執行一第二單影像缺陷偵測;及將僅在該第一單影像缺陷偵測及該第二單影像缺陷偵測中偵測之該等缺陷候選報告為經偵測缺陷候選; 藉由將用於該等缺陷候選之資訊輸入至一第一深度學習網路中而自該等缺陷候選過濾干擾,其中該第一深度學習網路之輸出包括未被過濾為該等干擾之該等缺陷候選之一第一子集;藉由將針對該等缺陷候選之該第一子集獲取之高解析度影像輸入至一第二深度學習網路中而自該等缺陷候選之該第一子集過濾干擾,其中該第二深度學習網路之輸出包括未被過濾為該等干擾之該等缺陷候選之一最終子集,其中一或多個組件係由該一或多個電腦系統執行,且其中該一或多個組件包括該等第一及第二深度學習網路;及將該最終子集中之該等缺陷候選指定為該樣本上之缺陷,並產生該等缺陷之結果。
- 一種用於偵測一樣本上之缺陷之電腦實施方法,其包括:基於由一檢驗子系統針對該樣本所產生之輸出來偵測一樣本上之多個缺陷候選,其中該檢驗子系統經組態用於使用第一模式及第二模式來產生該輸出,且其中偵測該等缺陷候選包括:使用僅使用該第一模式所產生之該輸出來執行一第一單影像缺陷偵測;使用僅使用該第二模式所產生之該輸出來執行一第二單影像缺陷偵測;及將僅在該第一單影像缺陷偵測及該第二單影像缺陷偵測中偵測之該等缺陷候選報告為經偵測缺陷候選;藉由將用於該等缺陷候選之資訊輸入至一第一深度學習網路中而自該等缺陷候選過濾干擾,其中該第一深度學習網路之輸出包括未被過濾為該等干擾之該等缺陷候選之一第一子集;藉由將針對該等缺陷候選之該第一子集獲取之高解析度影像輸入至一第二深度學習網路中而自該等缺陷候選之該第一子集過濾干擾,其中該 第二深度學習網路之輸出包括未被過濾為該等干擾之該等缺陷候選之一最終子集,其中一或多個組件係由一或多個電腦系統執行,且其中該一或多個組件包括該等第一及第二深度學習網路;及將該最終子集中之該等缺陷候選指定為該樣本上之缺陷,並產生該等缺陷之結果。
- 如請求項1之系統,其中該檢驗子系統經組態以將光自一雷射引導至該樣本並偵測來自該樣本之光,藉此產生該樣本之該輸出,且其中來自該樣本之該光包括經散射光。
- 如請求項1之系統,其中該檢驗子系統包括多個偵測通道,其中由該檢驗子系統針對該樣本所產生之該輸出包括影像,且其中用於輸入至該第一深度學習網路中之該等缺陷候選之該資訊包括由該多個偵測通道中之至少兩者所產生之該等缺陷候選之該等影像。
- 如請求項24之系統,其中該多個偵測通道包括一個頂部通道及兩個側通道。
- 如請求項24之系統,其中該多個偵測通道中之一者經組態用於偵測自該樣本散射之光,且其中該多個偵測通道中之另一者經組態用於偵測自該樣本反射之光。
- 如請求項1之系統,其中偵測該等缺陷候選進一步包括將針對該樣本 上之多個晶粒所產生之影像相互比較,且其中用於輸入至該第一深度學習網路中之該等缺陷候選之該資訊包括針對該樣本上之該多個晶粒所產生之該等影像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/663,283 US11087449B2 (en) | 2019-10-24 | 2019-10-24 | Deep learning networks for nuisance filtering |
US16/663,283 | 2019-10-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202134641A TW202134641A (zh) | 2021-09-16 |
TWI834005B true TWI834005B (zh) | 2024-03-01 |
Family
ID=75586174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109136854A TWI834005B (zh) | 2019-10-24 | 2020-10-23 | 干擾過濾之深度學習網路 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11087449B2 (zh) |
KR (1) | KR102650301B1 (zh) |
CN (1) | CN114600156B (zh) |
IL (1) | IL292137A (zh) |
TW (1) | TWI834005B (zh) |
WO (1) | WO2021080888A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7087397B2 (ja) * | 2018-01-17 | 2022-06-21 | 東京エレクトロン株式会社 | 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体 |
CN111429415B (zh) * | 2020-03-18 | 2020-12-08 | 东华大学 | 基于网络协同剪枝的产品表面缺陷高效检测模型构建方法 |
US11631169B2 (en) | 2020-08-02 | 2023-04-18 | KLA Corp. | Inspection of noisy patterned features |
US11639906B2 (en) * | 2020-11-21 | 2023-05-02 | Samsung Electronics Co., Ltd. | Method and system for virtually executing an operation of an energy dispersive X-ray spectrometry (EDS) system in real-time production line |
TWI833192B (zh) * | 2022-03-31 | 2024-02-21 | 國立陽明交通大學 | 電漿放電電流分類系統及方法 |
WO2023232474A1 (en) * | 2022-05-30 | 2023-12-07 | Asml Netherlands B.V. | Method of processing data derived from a sample |
EP4300087A1 (en) * | 2022-06-29 | 2024-01-03 | ASML Netherlands B.V. | Method of processing data derived from a sample |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080310704A1 (en) * | 2007-06-18 | 2008-12-18 | Hitachi High-Technologies Corporation | Scanning electron microscope and method of imaging an object by using the scanning electron microscope |
US20170200264A1 (en) * | 2016-01-11 | 2017-07-13 | Kla-Tencor Corporation | Image based specimen process control |
TW201728897A (zh) * | 2015-11-17 | 2017-08-16 | 克萊譚克公司 | 單一影像偵測 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
TW201931217A (zh) * | 2017-09-06 | 2019-08-01 | 美商克萊譚克公司 | 用於缺陷偵測及分類之統一神經網路 |
TW201932827A (zh) * | 2018-01-17 | 2019-08-16 | 日商東京威力科創股份有限公司 | 基板之缺陷檢查裝置、基板之缺陷檢查方法及記錄媒體 |
Family Cites Families (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US7782452B2 (en) | 2007-08-31 | 2010-08-24 | Kla-Tencor Technologies Corp. | Systems and method for simultaneously inspecting a specimen with two distinct channels |
US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
US8781781B2 (en) | 2010-07-30 | 2014-07-15 | Kla-Tencor Corp. | Dynamic care areas |
US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
JP5715873B2 (ja) * | 2011-04-20 | 2015-05-13 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法及び欠陥分類システム |
US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
CN105074896B (zh) | 2013-02-20 | 2018-04-27 | 株式会社日立高新技术 | 图案测定装置以及半导体测量*** |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US9535010B2 (en) * | 2014-05-15 | 2017-01-03 | Kla-Tencor Corp. | Defect sampling for electron beam review based on defect attributes from optical inspection and optical review |
JP2016058465A (ja) | 2014-09-08 | 2016-04-21 | 株式会社日立ハイテクノロジーズ | 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置 |
US9727047B2 (en) | 2014-10-14 | 2017-08-08 | Kla-Tencor Corp. | Defect detection using structural information |
US9734422B2 (en) * | 2014-11-12 | 2017-08-15 | Kla-Tencor Corporation | System and method for enhanced defect detection with a digital matched filter |
US10650508B2 (en) * | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
US10168286B2 (en) * | 2014-12-10 | 2019-01-01 | Hitachi High-Technologies Corporation | Defect observation device and defect observation method |
JP6527808B2 (ja) * | 2015-10-27 | 2019-06-05 | 株式会社ニューフレアテクノロジー | 検査方法および検査装置 |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
US9916965B2 (en) | 2015-12-31 | 2018-03-13 | Kla-Tencor Corp. | Hybrid inspectors |
US11580375B2 (en) | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US10648924B2 (en) | 2016-01-04 | 2020-05-12 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
US10043261B2 (en) | 2016-01-11 | 2018-08-07 | Kla-Tencor Corp. | Generating simulated output for a specimen |
US10360477B2 (en) * | 2016-01-11 | 2019-07-23 | Kla-Tencor Corp. | Accelerating semiconductor-related computations using learning based models |
US10395356B2 (en) | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
US10346740B2 (en) | 2016-06-01 | 2019-07-09 | Kla-Tencor Corp. | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
US9858636B1 (en) * | 2016-06-30 | 2018-01-02 | Apple Inc. | Configurable convolution engine |
US10115040B2 (en) * | 2016-09-14 | 2018-10-30 | Kla-Tencor Corporation | Convolutional neural network-based mode selection and defect classification for image fusion |
US11580398B2 (en) | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
JP6358351B1 (ja) * | 2017-03-21 | 2018-07-18 | Jfeスチール株式会社 | 表面欠陥検査方法及び表面欠陥検査装置 |
US10395362B2 (en) | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
US10319066B2 (en) * | 2017-04-27 | 2019-06-11 | Apple Inc. | Convolution engine with per-channel processing of interleaved channel data |
US10733744B2 (en) | 2017-05-11 | 2020-08-04 | Kla-Tencor Corp. | Learning based approach for aligning images acquired with different modalities |
US11275361B2 (en) * | 2017-06-30 | 2022-03-15 | Kla-Tencor Corporation | Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process |
US10769761B2 (en) | 2017-06-30 | 2020-09-08 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
US10713534B2 (en) | 2017-09-01 | 2020-07-14 | Kla-Tencor Corp. | Training a learning based defect classifier |
US10970834B2 (en) * | 2018-01-05 | 2021-04-06 | Kla-Tencor Corporation | Defect discovery using electron beam inspection and deep learning with real-time intelligence to reduce nuisance |
-
2019
- 2019-10-24 US US16/663,283 patent/US11087449B2/en active Active
-
2020
- 2020-10-19 WO PCT/US2020/056246 patent/WO2021080888A1/en active Application Filing
- 2020-10-19 CN CN202080074186.9A patent/CN114600156B/zh active Active
- 2020-10-19 IL IL292137A patent/IL292137A/en unknown
- 2020-10-19 KR KR1020227015905A patent/KR102650301B1/ko active IP Right Grant
- 2020-10-23 TW TW109136854A patent/TWI834005B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080310704A1 (en) * | 2007-06-18 | 2008-12-18 | Hitachi High-Technologies Corporation | Scanning electron microscope and method of imaging an object by using the scanning electron microscope |
TW201728897A (zh) * | 2015-11-17 | 2017-08-16 | 克萊譚克公司 | 單一影像偵測 |
US20170200264A1 (en) * | 2016-01-11 | 2017-07-13 | Kla-Tencor Corporation | Image based specimen process control |
TW201931217A (zh) * | 2017-09-06 | 2019-08-01 | 美商克萊譚克公司 | 用於缺陷偵測及分類之統一神經網路 |
TW201932827A (zh) * | 2018-01-17 | 2019-08-16 | 日商東京威力科創股份有限公司 | 基板之缺陷檢查裝置、基板之缺陷檢查方法及記錄媒體 |
CN109636026A (zh) * | 2018-12-07 | 2019-04-16 | 东华大学 | 一种基于深度学习模型的晶圆良率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20210125325A1 (en) | 2021-04-29 |
KR20220083754A (ko) | 2022-06-20 |
KR102650301B1 (ko) | 2024-03-22 |
CN114600156B (zh) | 2023-09-26 |
CN114600156A (zh) | 2022-06-07 |
TW202134641A (zh) | 2021-09-16 |
US11087449B2 (en) | 2021-08-10 |
IL292137A (en) | 2022-06-01 |
WO2021080888A1 (en) | 2021-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI834005B (zh) | 干擾過濾之深度學習網路 | |
CN108475350B (zh) | 使用基于学习的模型加速半导体缺陷检测的方法和*** | |
KR20200039808A (ko) | 결함 검출 및 분류를 위한 통합된 뉴럴 네트워크 | |
TWI826632B (zh) | 用於半導體缺陷檢測及檢視之方法、系統及非暫時性電腦可讀儲存媒體 | |
TWI809094B (zh) | 用於損害篩選之跨層共同-獨特分析 | |
US11328410B2 (en) | Deep generative models for optical or other mode selection | |
US11776108B2 (en) | Deep learning based defect detection | |
US10902579B1 (en) | Creating and tuning a classifier to capture more defects of interest during inspection | |
TW202225678A (zh) | 使用轉移學習之晶圓級簽章分群 | |
TWI844784B (zh) | 偵測缺陷之系統、非暫時性電腦可讀媒體、及偵測缺陷之電腦實施方法 | |
US20240169514A1 (en) | Defect detection in manufactured articles using multi-channel images | |
TW202422729A (zh) | 透過動態設計及基於深度學習呈現之可適應圖案化工件之檢測 | |
TW202422488A (zh) | 使用多通道影像之製品缺陷檢測技術 |