将深度学习模型隐藏层输出与样本特定输入结合以用于缺陷分类或其它半导体应用的制作方法
本发明大体上涉及用于确定样本的信息的方法及系统。特定实施例涉及缺陷分类或从由深度学习(dl)模型中的至少一个隐藏层产生的隐藏层输出与特定于样本的输入的结合确定样本的一些其它信息。
背景技术:
1、以下描述及实例不因其包含于此章节中而被视为现有技术。
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程来处理衬底(例如半导体晶片)以形成半导体装置的各种特征及多个层级。例如,光刻是半导体制程,其涉及将图案从倍缩光罩转印到布置于半导体晶片上的抗蚀剂。半导体制程的额外实例包含(但不限于)化学机械抛光(cmp)、蚀刻、沉积及离子植入。多个半导体装置可在单个半导体晶片上依布置制造且接着分离成个别半导体装置。
3、检查过程用于在半导体制程期间的各种步骤中检测样本上的缺陷以驱使制程的更高产量及因此更高利润。检查始终为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,检查对成功制造可接受半导体装置来说变得更重要,因为更小缺陷会引起装置失效。
4、缺陷检视通常涉及重新检测由检查过程检测到的缺陷且使用高放大率光学系统或扫描电子显微镜(sem)依更高分辨率产生关于缺陷的额外信息。因此,缺陷检视是在其中缺陷已通过检查检测到的样本上的离散位置处执行。通过缺陷检视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、更准确大小信息等等。缺陷一般可基于通过缺陷检视确定的信息比检查更准确地分类成缺陷类型。
5、度量过程也在半导体制程期间的各种步骤中用于监测及控制过程。度量过程不同于检查过程,因为不同于其中在样本上检测缺陷的检查过程,度量过程用于测量无法使用当前使用检查工具确定的样本的一或多个特性。例如,度量过程用于测量样本的一或多个特性,例如在过程期间形成于样本上的特征的尺寸(例如线宽、厚度等),使得可从一或多个特性确定过程的性能。例如,如果样本的一或多个特性不可接受(例如,超出特性的预定范围),那么样本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本具有可接受特性。
6、度量过程也不同于缺陷检视过程,因为不同于其中通过检查检测的缺陷在缺陷检视中重新参观的缺陷检视过程,度量过程可在其中未检测缺陷的位置处执行。换句话说,不同于缺陷检视,其中对样本执行度量过程的位置可独立于对样本执行的检查过程的结果。特定来说,其中执行度量过程的位置可独立于检查结果而选择。另外,因为其中执行度量的样本上的位置可独立于检查结果而选择,所以不同于其中直到样本的检查结果产生且可用于使用才确定其中将执行缺陷检视的样本上的位置的缺陷检视,其中执行度量过程的位置可在对样本执行检查过程之前确定。
7、经配置以执行上述产量相关过程的方法及系统通常通过首先找到用于产生样本的图像、数据、测量、信号等的最佳可能硬件配置来开发。在建立硬件配置之后,选择最适合于过程的硬件的参数。硬件参数选择可极大影响图像、数据、测量、信号等对样本的响应程度及其可用于确定样本的信息的程度。
8、有时,即使最佳可能硬件配置及相关联参数也无法产生对确定样本的信息来说理想(或足够好)的输出。例如,就检查来说,最佳可能硬件配置及参数仍会产生大量检测到的干扰,其必须与关注缺陷(doi)准确分离以使检查结果有用。此任务通常指称干扰过滤或更一般来说,类型的缺陷分类。且尽管任务看似足够简单,但其出于数个原因可能困难,例如(但不限于)干扰的图像及/或信号与doi之间的不幸类似性及极有限数目个doi实例可用于适当训练干扰过滤(或缺陷分类)算法、模型、分量等。
9、因此,业内已进行大量工作来开发成功干扰过滤方法,其已导致各种不同算法、模型等,其中的每一者还可具有必须针对特定样本、doi、干扰及会影响结果的检查过程的任何其它方面建立的大量参数。当前使用方法的一些实例包含使用决策树及随机森林(rf)分类器来分离doi与干扰缺陷(nui)的方法。更近期地,已开发基于图像的神经网络(nn)方法,例如,其可通过剖析缺陷区块图像中的微妙差异来成功分离doi与nui。
10、然而,即使最成功干扰过滤器及缺陷分类器也存在大量缺点。例如,尽管rf方法是简单决策树的改进,但两种方法无法直接使用图像信息,即,图像无法输入到rf方法或决策树。此类方法的设置还会极其复杂及耗时。在另一实例中,nn方法通常需要大量标记数据来训练。尽管出色地梳理图像中的微妙差异,但其无法使用晶片级信息(例如区域、图像分段及其它缺陷检测算法相关数量)作为输入。
11、缺陷分类中的边缘性可具有样本上的装置制造的严重结果。例如,缺陷分类中的任何不准确性会导致芯片制造的过程控制的延迟,其对芯片制造商来说基本上是昂贵的。
12、因此,将有利地开发不具有上述缺点中的一或多者的用于确定样本的信息的系统及方法。
技术实现思路
1、各种实施例的以下描述绝不应被解释为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以确定样本的信息的系统。所述系统包含计算机系统,其经配置以获取由输出产生子系统的一或多个检测器针对样本产生的输出。所述系统还包含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深度学习(dl)模型,其经配置以从由所述一或多个检测器中的至少一者产生的所述输出确定所述样本的信息。所述dl模型包含经配置以产生隐藏层输出的隐藏层。所述组件还包含额外组件,其经配置以从由所述隐藏层中的至少一者产生的所述隐藏层输出与特定于样本的输入的结合确定所述样本的额外信息。所述系统可如本文中所描述般进一步配置。
3、另一实施例涉及一种用于确定样本的信息的计算机实施方法。所述方法包含获取由输出产生子系统的一或多个检测器针对样本产生的输出。所述方法还包含使用包含经配置以产生隐藏层输出的隐藏层的dl模型从由所述一或多个检测器中的至少一者产生的所述输出确定所述样本的信息。所述方法进一步包含通过将由所述隐藏层中的至少一者产生的所述隐藏层输出与特定于所述样本的输入的结合输入到额外组件中来确定所述样本的额外信息。所述dl模型及所述额外组件包含于由计算机系统执行的一或多个组件中。
4、所述方法的步骤中的每一者可如本文中进一步所描述般执行。所述方法可包含本文中所描述的任何其它方法的任何其它步骤且可由本文中所描述的任何系统执行。
5、另一实施例涉及一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在计算机系统上执行以执行用于确定样本的信息的计算机实施方法。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可如本文中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中所进一步描述般执行。另外,所述程序指令可针对其执行的所述计算机实施方法可包含本文中所描述的任何其它方法的任何其它步骤。
1.一种经配置以确定样本的信息的系统,其包括:
2.根据权利要求1所述的系统,其中由所述深度学习模型针对所述样本确定的所述信息不输入到所述额外组件。
3.根据权利要求1所述的系统,其中所述额外组件进一步经配置使得所述一或多个检测器的所述输出无法输入到所述额外组件。
4.根据权利要求1所述的系统,其中所述隐藏层中的所述至少一者包括所述深度学习模型中的最终全连接层。
5.根据权利要求1所述的系统,其中所述深度学习模型进一步经配置以通过将由所述一或多个检测器中的所述至少一者产生的所述输出提炼成所述输出的若干相关特征来确定所述信息,且其中输入到所述额外组件的所述隐藏层输出包括所述深度学习模型中的最终全连接层响应于所述提炼的激活。
6.根据权利要求1所述的系统,其中所述信息及所述额外信息包括所述样本上检测到的缺陷的分类。
7.根据权利要求1所述的系统,其中所述信息及所述额外信息包括将所述样本上检测到的缺陷分类为关注或干扰缺陷。
8.根据权利要求1所述的系统,其中所述信息及所述额外信息是同一类型的信息。
9.根据权利要求1所述的系统,其中所述信息及所述额外信息是不同种类的信息。
10.根据权利要求1所述的系统,其中所述深度学习模型进一步经配置为深度学习神经网络。
11.根据权利要求1所述的系统,其中所述额外组件包括随机森林决策树。
12.根据权利要求1所述的系统,其中所述额外组件进一步经配置为非深度学习模型。
13.根据权利要求1所述的系统,其中所述特定于所述样本的输入包括其中由所述一或多个检测器产生所述输出的所述样本上的区域的信息。
14.根据权利要求1所述的系统,其中所述特定于所述样本的输入包括由应用于由所述一或多个检测器中的所述至少一者产生的所述输出的缺陷检测算法产生的信息。
15.根据权利要求1所述的系统,其中所述特定于所述样本的输入包括由应用于由所述一或多个检测器中的所述至少一者产生的所述输出的缺陷检测算法产生的特定于所述样本上的至少一个缺陷的信息。
16.根据权利要求1所述的系统,其中所述特定于所述样本的输入包括应用于由所述一或多个检测器中的所述至少一者产生的所述输出的缺陷检测算法的参数。
17.根据权利要求1所述的系统,其中由所述隐藏层中的所述至少一者产生的所述隐藏层输出包括多个不同结果,其中所述特定于所述样本的输入包括多个不同输入,且其中所述额外组件进一步经配置以在确定所述额外信息之前将重要性独立应用于所述多个不同结果及所述多个不同输入中的至少一者。
18.根据权利要求1所述的系统,其进一步包括所述输出产生子系统,其中所述一或多个检测器经配置以通过检测来自所述样本的光或电子来产生所述输出。
19.一种非暂时性计算机可读媒体,其存储能够在计算机系统上执行以执行用于确定样本的信息的计算机实施方法的程序指令,其中所述计算机实施方法包括:
20.一种用于确定样本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