用于多模式成像的视觉基础模型的制作方法
本发明大体上涉及用于确定样品的信息的方法及系统。某些实施例涉及包含或使用视觉基础模型(vfm)将样品的多个图像投射到接着用于确定所述样品的信息的高维嵌入的方法及系统,所述多个图像中的至少一者使用成像系统的一或多种模式产生。
背景技术:
1、以下描述及实例不因其包含于本章节中而被承认为现有技术。
2、制造半导体装置(例如逻辑及存储器装置)通常包含使用大量半导体制造过程处理衬底(例如半导体晶片)以形成半导体装置的各种特征及多个等级。例如,光刻是一种涉及将图案从倍缩光罩转印到布置于半导体晶片上的光致抗蚀剂的半导体制造过程。半导体制造过程的额外实例包含(但不限于)化学机械抛光(cmp)、蚀刻、沉积及离子植入。可在单个半导体晶片上的布置中制造多个半导体装置且接着将所述多个半导体装置分成个别半导体装置。
3、在半导体制造过程的各种步骤处使用检验过程来检测样品上的缺陷以促进制造过程中的较高产量及因此较高利润。检验一直是制造半导体装置的重要部分。然而,随着半导体装置的尺寸减小,检验对于成功制造可接受的半导体装置变得更重要,因为较小缺陷可引起装置失效。
4、缺陷审查通常涉及重新检测由检验过程检测到的缺陷且使用高放大倍数光学系统或扫描电子显微镜(sem)以更高分辨率产生关于缺陷的额外信息。因此,缺陷审查在缺陷已由检验检测的样品上的离散位置处执行。由缺陷审查产生的缺陷的更高分辨率数据更适合于确定缺陷的属性,例如轮廓、粗糙度、更准确大小信息等。与检验相比,缺陷通常可被更准确地分类为基于由缺陷审查确定的信息的缺陷类型。
5、在半导体制造过程的各种步骤处还使用计量过程来监测及控制过程。计量过程与检验过程的不同之处在于,不同于在样品上检测缺陷的检验过程,计量过程用于测量样品的一或多个特性,所述一或多个特性无法使用当前所使用的检验工具确定。例如,计量过程用于测量样品的一或多个特性,例如在过程期间形成于样品上的特征的尺寸(例如,线宽、厚度等)使得可从所述一或多个特性确定所述过程的性能。另外,如果样品的一或多个特性不可接受(例如,在特性的预定范围外),那么样品的一或多个特性的测量可用于更改过程的一或多个参数使得由过程制造的额外样品具有可接受特性。
6、计量过程与缺陷审查过程的不同之处还在于,不同于由检验检测到的缺陷在缺陷审查中重新访问的缺陷审查过程,计量过程可在尚未检测到缺陷的位置处执行。换句话说,不同于缺陷审查,对样品执行计量过程的位置可独立于在所述样品上执行的检验过程的结果。特定来说,可独立于检验结果来选择执行计量过程的位置。另外,由于可独立于检验结果来选择执行计量的样品上的位置,因此不同于无法确定待执行缺陷审查的样品上的位置直到产生样品的检验结果且可供使用的缺陷审查,可在对样品执行检验过程之前确定执行计量过程的位置。
7、即使在已为上述产量相关过程建立适合硬件参数之后,用于从工具输出确定样品信息的方法及系统仍可具有挑战性。深度学习(dl)选项越来越多地被探索为从图像及/或上述工具的其它输出确定信息的潜在解决方案。此类dl选项的一些实例包含配置为(例如)由的基于视觉转换器(vit)的解决方案,多索夫茨基(dosovitskiy)等人在2021年6月3日2021出版在iclr 2021, arxiv:2010.11929v2,22页作为会议论文的名称为“图像相当于16x16个字:用于大规模图像识别的转换器(an image is worth 16x16 words:transformer for image recognition at scale)”所描述及由刘(liu)等人在2021年8月17日出版在arxiv:2103.14030v2,14页的名称为“移位窗口转换器:使用移位窗口的分层视觉转换器(swin transformer: hierarchical vision transformer using shiftedwindows)”中所描述的移位窗口(swin)转换器,两者以宛如全文阐述引用方式并入本文中。dl选项的额外实例包含基于卷积神经网络(cnn)的解决方案,其可经配置用于例如(但不限于)堆叠输入、平均池化或其它更复杂融合法(例如注意机制)的功能。
8、尽管上述dl选项在一些情况下可为适合,但已发现其在某种程序上受限。例如,vit仅可应用于单个rgb (或彩色)图像(例如,3个通道及每通道8个位)而无法用于任意数目的多模式成像。类似地,移位窗口转换器仅可应用于单个rgb图像且无法用于任意数目的多模式图像中。
9、基于cnn的解决方案还具有若干缺点。例如,堆叠输入的基于cnn的解决方案具有学习多模式信息的有限能力(相对于转换器)。另外,平均池化通常将在池化期间遗失信息,从而导致限制敏感度的学习多模式信息的有限能力。例如堆叠的融合法还具有从模式中的每一者学习信息的有限能力。一般来说,与基于转换器的解决方案相比,基于cnn的解决方案展示较低性能(敏感度或准确度)。
10、因此,开发没有上述缺点中的一或多者的用于确定样品的信息的系统及方法将为有利的。
技术实现思路
1、各种实施例的以下描述不应被解释为以任何方式限制所附权利要求书的标的物。
2、一个实施例涉及一种经配置用于确定样品的信息的系统。所述系统包含计算机系统及由所述计算机系统执行的一或多个组件。所述一或多个组件包含经配置用于经由连续预训练将样品的多个图像投射到高维嵌入的预训练视觉基础模型(vfm)。所述多个图像包含使用成像系统的一或多种模式为所述样品产生的图像。所述一或多个组件还包含经配置用于从所述高维嵌入确定所述样品的信息的一或多个额外组件。所述系统可如本文所描述进一步配置。
3、另一实施例涉及一种用于确定样品的信息的计算机实施方法。所述方法包含将样品的多个图像输入到经配置用于经由连续预训练将所述多个图像投射到高维嵌入的预训练vfm中。所述多个图像包含使用成像系统的一或多种模式为所述样品产生的图像。所述方法还包含从所述高维嵌入确定所述样品的信息。所述输入及确定由计算机系统执行。一或多个组件由所述计算机系统执行。所述一或多个组件包含所述预训练vfm。所述方法的步骤中的每一者可如本文进一步描述般执行。所述方法可包含本文所描述的任何其它方法的任何其它步骤。所述方法可由本文所描述的系统中的任何者执行。
4、另一实施例涉及一种存储可在计算机系统上执行用于执行用于确定样品的信息的计算机实施方法的程序指令的非暂时性计算机可读媒体。所述计算机实施方法包含上述方法的步骤。所述计算机可读媒体还可如本文所描述般进一步配置。所述计算机实施方法的步骤可如本文进一步描述般执行。另外,可执行所述程序指令的所述计算机实施方法可包含本文所描述的任何其它方法的任何其它步骤。
1. 一种经配置用于确定样品的信息的系统,其包括:
2.根据权利要求1所述的系统,其中所述预训练vfm经进一步配置用于仅接受图像格式的输入。
3.根据权利要求1所述的系统,其中所述多个图像进一步包括使用所述成像系统的多种模式为所述样品产生的多模式图像。
4.根据权利要求1所述的系统,其中所述一或多个组件进一步包括经配置用于产生含有来自所述多个图像的信息的单个图像的图像打包组件。
5.根据权利要求4所述的系统,其中所述多个图像进一步包括使用所述成像系统的多种模式为所述样品产生的多模式图像。
6.根据权利要求4所述的系统,其中所述多个图像进一步包括所述样品上的设计层的图像及在产生使用所述成像系统的所述一或多种模式产生的所述图像之前在形成于所述样品上的最后一层之前的形成于所述样品上的层的图像中的至少一者。
7.根据权利要求1所述的系统,其中所述多个图像进一步包括使用所述成像系统的所述一或多种模式为所述样品产生的所述图像及从所述样品的设计数据产生的至少一个图像。
8.根据权利要求7所述的系统,其中使用所述成像系统的所述一或多种模式为所述样品产生的所述图像及从所述样品的所述设计数据产生的所述至少一个图像是为所述样品上的相同层产生。
9.根据权利要求7所述的系统,其中使用所述成像系统的所述一或多种模式为所述样品产生的所述图像及从所述样品的所述设计数据产生的所述至少一个图像是为所述样品上的不同层产生。
10. 根据权利要求1所述的系统,其中所述预训练vfm进一步配置为对到所述预训练lvfm中的输入的格式没有约束的预训练潜在vfm (lvfm)。
11.根据权利要求1所述的系统,其中所述一或多个组件进一步包括经配置用于将所述多个图像投射到潜在空间嵌入中的多图像编码器。
12.根据权利要求11所述的系统,其中所述多个图像进一步包括所述样品上的设计层的信息及在产生使用所述成像系统的所述一或多种模式产生的所述图像之前在形成于所述样品上的最后一层之前的形成于所述样品上的层的信息中的至少一者。
13.根据权利要求1所述的系统,其中所述计算机系统经配置以通过自监督学习使用未标记的训练图像从零开始预训练初始vfm,借此产生所述预训练vfm。
14.根据权利要求1所述的系统,其中所述计算机系统经配置以通过自监督学习从具有未标记的训练图像的预训练参数预训练初始vfm,借此产生所述预训练vfm。
15.根据权利要求1所述的系统,其中所述计算机系统经配置用于预训练初始vfm,借此产生所述预训练vfm且使用经标记的训练数据微调所述一或多个组件。
16.根据权利要求15所述的系统,其中所述微调包括固定所述预训练vfm以提取所述经标记的训练数据的所述高维嵌入且仅微调所述确定信息的参数。
17.根据权利要求15所述的系统,其中所述微调包括修改所述预训练vfm的一或多个预训练参数及所述确定信息的一或多个参数。
18. 根据权利要求1所述的系统,其中所述一或多个组件进一步包括经配置用于将所述多个图像投射到潜在空间嵌入中的预训练多图像编码器,其中所述预训练vfm进一步配置为预训练潜在vfm (lvfm),且其中所述计算机系统经配置以通过自监督学习同时训练初始多图像编码器及初始lvfm,借此产生所述预训练多图像编码器及所述预训练lvfm。
19.根据权利要求18所述的系统,其中所述计算机系统经进一步配置以通过修改所述预训练多图像编码器、所述预训练lvfm及所述确定信息的一或多个参数来微调所述一或多个组件。
20.根据权利要求18所述的系统,其中所述计算机系统经进一步配置用于通过固定所述预训练lvfm及仅微调所述预训练多图像编码器的参数及所述确定信息来微调所述一或多个组件。
21.根据权利要求18所述的系统,其中所述计算机系统经进一步配置用于通过固定所述预训练多图像编码器及所述预训练lvfm及仅微调所述确定信息的参数来微调所述一或多个组件。
22.根据权利要求1所述的系统,其中所述一或多个额外组件经进一步配置用于通过监督式微调进行学习。
23.根据权利要求1所述的系统,其中所述一或多个额外组件经进一步配置用于通过强化学习进行学习。
24.根据权利要求1所述的系统,其中确定所述信息包括基于所述高维嵌入而检测所述样品上的缺陷。
25.根据权利要求1所述的系统,其中确定所述信息包括在产生基于所述高维嵌入而使用所述成像系统的所述一或多种模式产生的所述图像之前产生对所述样品执行的制造过程的数字孪生。
26.根据权利要求1所述的系统,其中确定所述信息包括基于所述高维嵌入而对在所述样品上检测到的缺陷进行分类。
27.根据权利要求1所述的系统,其中确定所述信息包括基于所述高维嵌入而分割所述多个图像中的一或多者。
28.根据权利要求1所述的系统,其中确定所述信息包括基于所述高维嵌入而为对所述样品或另一样品执行的过程选择所述成像系统的一或多种模式。
29. 一种存储可在计算机系统上执行用于执行用于确定样品的信息的计算机实施方法的程序指令的非暂时性计算机可读媒体,其中所述计算机实施方法包括:
30. 一种用于确定样品的信息的计算机实施方法,其包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com