使用带电粒子束设备检查样品的方法与流程

使用带电粒子束设备检查样品的方法
1.本发明涉及使用带电粒子束设备检查样品的方法，其包括以下步骤：提供带电粒子束以及样品；用所述带电粒子束照射所述样品，以及响应于所述带电粒子束照射所述样品，使用第一检测器检测来自所述样品的第一类型的发射。
2.带电粒子显微法，特别是呈电子显微法的形式是众所周知且日益重要的微观物体成像技术。从历史上看，电子显微镜的基本类已演变成许多众所周知的设备种类，如透射电子显微镜（tem）、扫描电子显微镜（sem）和扫描透射电子显微镜（stem），并且还演变成各种亚种，如所谓的“双束”设备（例如fib-sem），其附加地采用“加工”聚焦离子束（fib），允许支持活动，如例如离子束研磨或离子束诱导沉积（ibid）。技术人员将熟悉不同种类的带电粒子显微术。
3.通过扫描电子束照射样本，以二次电子、反向散射电子、x射线和阴极发光（红外、可见光和/或紫外光子）的形式加速“辅助”辐射从样本的发出。可检测这种发出辐射的一个或多个分量并将其用于样品分析。
4.通常，在sem中，反向散射电子由固态检测器检测，其中每个反向散射电子在半导体检测器中产生许多电子-空穴对时被放大。当扫描束时，反向散射电子检测器信号用来形成图像，当主束在样品上移动时，每个图像点的亮度由在样品上的对应点处检测到的反向散射电子的数量确定。图像仅提供关于待检查样品的拓扑的信息。
5.在称为“能量色散x射线光谱仪”（也称为“eds”或“edx”）的过程中，测量来自样品的响应电子束的x射线的能量，并在直方图中绘制以形成材料特定光谱。可将测量的光谱与各种元素的已知光谱进行比较，以确定所述样品中存在哪些元素和矿物质。
6.eds的缺点中的一个是需要相当长的时间来累积样品的x射线光谱。通常，使用具有离散分析点的网格。当eds检测器记录x射线时，电子束停留在每个分析点上。一旦记录了足够的x射线计数，束就会移动到下一个分析点。来自eds检测器的信号被馈送到信号处理单元，所述信号处理单元为每个分析点建立x射线光谱曲线，所述x射线光谱曲线可与广泛的已知矿物相库匹配，以选择所述分析点的最佳匹配。这种已知方法对于确定样品中存在的相（即化学组成）相对较慢。
7.一般来说，获取样品的光谱信息相对较慢。
8.考虑到上述情况，本发明的目标是提供一种改进的使用带电粒子束设备检查样品的方法，其中使用光谱信息来检查所述样品。具体地说，本发明的目标是提供一种用于更加快速和/或更加准确地获取关于样品的光谱信息的方法和设备。
9.为此目的，本发明提供如权利要求1中所定义的使用带电粒子束设备检查样品的方法。本文所定义的方法包括以下步骤：提供带电粒子束以及使用所述束照射样品。所述方法进一步包括以下步骤：响应于带电粒子束照射样品，使用第一检测器检测来自样品的第一类型的发射。第一类型的所述发射与非光谱信息有关。在实施例中，所述第一检测器布置成检测带电粒子，具体为电子，如反向散射电子。因此，第一检测器可以是bse检测器。
10.本文所定义的方法进一步包括以下步骤：响应于带电粒子束照射样品，获取关于来自样品的第二类型的发射的光谱信息。这些第二类型的发射与第一类型的发射不同。在
实施例中，光谱信息可与从样品发出的x射线有关。
11.根据本发明，获取所述光谱信息的步骤包括以下步骤：提供光谱信息预测算法，以及基于检测到的第一类型的发射作为所述算法的输入参数，使用所述算法来预测所述光谱信息。
12.因此，如本文所定义，获得的第一类型的发射，如反向散射电子，在光谱信息预测算法中用作输入参数以获得与第二类型的发射有关的光谱信息。因此，实际上，可以获得光谱信息而不需要用于检测第二类型的发射的第二检测器，原则上只需要一个检测器来获得关于第一类型的发射的信息及光谱信息。
13.由此实现了本发明的目标。将在下文描述有利实施例。
14.应注意，可以使用多个第一类型的检测器来获得第一类型的所述发射。其实施例可包含tem中的明场、暗场或高角环形暗场stem检测器。例如：在所述方法的实施例中，在样本上扫描带电粒子束。第一检测器检测到的发射以及因此利用光谱信息预测算法确定的光谱信息可与特定扫描束位置有关，即，可与样品上的特定位置有关。这意味着还可以确定样品上的对应位置的光谱信息。所获得的不同位置的光谱信息可相互比较，并且可将一个或多个特定相位分配给这些不同位置。已分配的相位可用来为其它位置建立估计相位，例如基于与这些已分配的相位的接近度，基于为其它位置获得的部分获得的光谱分布图或基于其它参数。
15.第一检测器可以是反向散射电子检测器。电子的反向散射取决于表面中元素的原子序数以及表面、主束和检测器之间的几何关系。因此，反向散射电子图像显示轮廓信息，即不同组成的区域之间的边界和拓扑信息。获得反向散射电子图像需要在每个点仅收集足够数量的电子，以在具有不同特性的点之间产生合理的对比度，因此比在每个点处获得足够数量的x射线以编译完整光谱快得多。而且，电子反向散射的概率大于电子引起特定频率的特征x射线发射的概率。在单个停留点获得足够的反向散射电子图像数据通常需要不到一微秒，而获取足够的x射线以在单个停留点获得可分析的光谱通常需要超过一毫秒。因此，通过使用相对快速的反向散射电子图像作为输入来获取关于样品的光谱信息，根据光谱信息预测算法的准确度和速度，可以准确快速地获取样品的光谱信息。
16.在实施例中，所述算法布置成识别所述第一类型的所述发射中的空间数据关系（interspatial data relationship）。空间数据关系可用于使用光谱信息预测算法来更加快速且更加准确地获得光谱信息。因此，在实施例中，所述算法布置成使用所述识别的空间数据关系在给定样品位置处预测所述光谱信息。
17.在实施例中，所述算法布置成使用所述第一类型的发射识别所述样品中具有类似特性的区域。如上文所描述，反向散射电子图像可示出轮廓信息和表面形状信息，轮廓信息也就是具有不同组成的区域之间的界限。此信息可供算法用于识别具有类似特性的区域。
18.在实施例中，所述算法包括至少一个神经网络。神经网络可使用样品数据进行训练，所述样品数据包括关于第一类型的发射的信息和与第二类型的发射有关的光谱信息，其中第一类型和第二类型的这些发射在数据获取期间物理地获得。由此，神经网络可训练成基于第一类型的发射作为输入参数来预测光谱信息。
19.光谱信息可包括所述样品的元素信息。虽然已经通过材料样品获得极佳结果，但是原则上，样品可以是任何样品，例如地质样品和半导体样品。但是，还可设想其它样品。
20.方法可包括基于获取的光谱信息批准或拒绝所述样品的另一步骤。这在过程控制设置中特别有利，在可以从制造过程中获得样品的情况下，可以使用本文所定义的方法收集（预测）关于样品的光谱信息，并且结果可用于批准或拒绝所述样品，并由此批准或拒绝制造过程或其一部分。如果例如样品含有过多的某一材料，那么可以得出特定制造过程没有产生令人满意的结果的结论，然后可以进一步研究部分产品。
21.在实施例中，方法包括输出与所述预测的光谱信息有关的数据的另一步骤，其中所述输出包括以下中的至少一个：所述样品的图像、所述样品的元素信息和/或关于所述样品的结论。
22.根据一方面，本公开提供一种用于使用上文所描述的方法检查样品的带电粒子束设备，所述设备包括：
‑ꢀ
带电粒子束源，用于发射带电粒子束；
‑ꢀ
样品固持器，用于固持样品；
‑ꢀ
照射器，用于将从所述带电粒子束源发射的所述带电粒子束引导到所述样品上；
‑ꢀ
第一检测器，用于响应于用从所述带电粒子源发射的带电粒子照射所述样品而检测来源于所述样本的第一类型的发射；以及
‑ꢀ
控制单元，其连接到所述第一检测器且布置成控制所述带电粒子束设备的至少部分操作。
23.如本文所定义，例如带电粒子显微镜的带电粒子束设备布置成执行根据一个或多个此前权利要求所述的方法。这意味着控制单元可布置成在光谱信息预测算法中使用第一类型的发射来确定样品的光谱信息。替代地（或另外），第一类型的发射的信息可传递到外部或基于云的处理单元，其中可以计算光谱信息。接着，可将结果传回到相关用户，例如传回到位于带电粒子束设备附近的屏幕上。
24.当使用基于云的处理单元时，可以将多个带电粒子束设备连接到单个光谱信息预测算法。这使得所确定的光谱信息保持准确且最新的光谱信息预测算法的最新了解和更新。可以更新算法，连接到例如基于云的处理单元的外部处理单元的带电粒子束设备可由此得益于这一更新后的算法。带电粒子束设备所提供的可包含光谱信息的数据可用于训练目的，例如在光谱信息预测算法是神经网络的情况下。可以设想，出于校准目的为这些带电粒子束设备记录光谱信息，例如每当研究或检查新型样品时。
25.在实施例中，所述带电粒子束设备包括至少一个检测器，包含所述第一检测器，其中所述至少一个检测器中的每一个由非光谱检测器组成。因此，带电粒子束设备可不含任何光谱检测器，并且带电粒子束设备可仅依赖于用于获取关于样品的光谱信息的光谱信息预测算法。
26.根据一方面，提供一种算法开发方法，具体为神经网络训练方法，其中所述算法布置成在上文所描述的方法中使用。算法开发方法包括以下步骤：
‑ꢀ
提供关于来自样品的第一类型的发射的样品数据；
‑ꢀ
提供关于来自所述样品的第二类型的发射的对应光谱信息；以及
‑ꢀ
利用所述提供的数据开发所述算法，具体地说，利用所述提供的数据训练所述神经网络，其中第一类型的发射用作输入，且光谱信息用作所要输出。
27.在多个带电粒子束设备连接到一个或多个例如基于云的处理单元的处理单元的情形下，开发方法还可用于更新光谱信息预测算法。
28.现在将基于示例性实施例和所附示意图更详细地阐明本发明，其中：图1示出根据本发明的第一实施例的带电粒子束设备的纵向截面视图；图2示出根据本发明的第二实施例的带电粒子束设备的纵向截面视图；图3示出可用作光谱信息预测算法的神经网络架构的示意性概述；图4a-c分别示出a）电子显微镜图像、b）利用eds检测器获得的eds图像，以及ｃ）利用本文所定义的光谱信息预测算法获得的eds图像。
29.图5示出可在本文所定义的光谱信息预测算法中使用的神经网络架构的实例。
30.图1（未按比例）为根据本发明的实施例的带电粒子显微镜m的实施例的高度示意性描绘。更确切地说，它示出了透射型显微镜m的一个实施例，在此情况下，透射型显微镜m是tem/stem（但是在本发明的上下文中，例如，它可以等效地为sem（参见图2）或基于离子的显微镜）。在图1中，在真空外壳2内，电子源4产生电子束b，电子束b沿电子光学轴线b'传播并穿过电子光学照射器6，从而用于将电子引导/聚焦到样本s的选定部分上（其可例如（局部地）薄化/平面化）。还描绘了偏转器8，其（尤其）可用来实现束b的扫描运动。
31.样本s被固持在样本固持器h上，所述固持器可由定位装置/台a以多个自由度定位，所述定位装置/台移动其中（可拆卸地）附着有固持器h的托架a'；例如，样本固持器h可包括（尤其）可在xy平面中移动的手指（参见所描绘的笛卡尔坐标系；通常情况下，平行于z的运动和关于x/y的倾斜也为可能的）。这类移动允许样本s的不同部分被（在z方向上）沿轴线b'行进的电子束b照射/成像/检查（和/或允许执行扫描运动，以作为束扫描的替代）。如果需要，可将（未描绘的）任选的冷却装置与样本固持器h进行密切的热接触，以便例如将它（以及其上的样本s）维持在低温下。
32.电子束b将以一定方式与样本s相互作用，所述方式使得各种类型的“受激”辐射从样本s发出，包含（例如）二次电子、背散射电子、x射线和光学辐射（阴极发光）。如果需要，可借助于分析装置22检测这些辐射类型中的一种或多种，所述分析装置可为例如组合的闪烁体/光电倍增管或edx或eds（能量分散x射线光谱仪）模块；在这种情况下，可使用与sem中基本相同的原理构建图像。但是，如本文所定义，此类edx或eds模块原则上不是获得此光谱信息所实际需要的，后面将加以解释。还可以研究穿过（通过）样本s、从样本s离开/发射并沿着轴线b'继续传播（基本上，但通常有一些偏转/散射）的电子。这类透射电子通量进入成像系统（投影透镜）24，所述系统通常包括各种静电/磁透镜、偏转器、校正器（如消象散器）等。在正常（非扫描）tem模式下，此成像系统24可将透射电子通量聚焦到荧光屏26上，如果需要，所述荧光屏可缩回/撤回（如箭头26'示意性所示），从而使其远离轴线b'。样本s的（一部分）的图像（或衍射图）将由屏幕26上的成像系统24形成，并且这可通过位于壳体2的壁的适当部分中的观察端口28来查看。屏幕26的缩回机制可例如本质上为机械和/或电气的，且在此处未描绘。
33.作为在屏幕26上观察图像的替代，可反而利用以下事实：离开成像系统24的电子通量的聚焦深度通常很大（例如，约1米）。因此，可在屏幕26的下游使用各种其它类型的分析设备，如：
‑ꢀ
tem相机30。在相机30处，电子通量可以形成静态图像（或衍射图），其可以由控
制器/处理器20处理并且显示在显示装置14，例如平板显示器上。当不需要时，相机30可以缩回/撤回（如箭头30'示意性地指示），以使其脱离轴线b'。
‑ꢀ
stem相机32。来自相机32的输出可以被记录为随样本s上的束b的（x、y）扫描位置而变，且可构建为随x、y而变的来自相机32的输出的“映射”的图像。相机32可包括与相机30中典型存在的像素矩阵相反的直径为例如20 mm的单像素，但相机32也可以是电子显微镜像素阵列检测器（empad）。此外，相机32的获取速率（例如，每秒106个点）通常将比相机30（例如，每秒102个图像）的获取速率高得多。再次，当不需要时，相机32可缩回/撤回（如箭头32'示意性所示），以使其脱离轴线b'（但在例如面包圈形环形暗场相机32的情况下这类缩回不为必需的；在这类相机中，当不使用相机时，中心孔将允许通量通过）。
‑ꢀ
作为使用相机30或32成像的替代，也可调用分光镜设备34，所述分光镜设备可为例如eels模块。
34.应当注意，物品30、32和34的顺序/位置并不严格，并且可想到许多可能的变化。举例来说，分光镜设备34也可集成到成像系统24中。
35.在所示的实施例中，显微镜m还包括可伸缩的x射线计算机断层扫描（ct）模块，通常由附图标记40表示。在计算机断层扫描（也称为断层扫描成像）中，源和（径向相对的）检测器用来沿不同的视线观察样本，以便从各种角度获取样本的穿透性观察。
36.注意，控制器（计算机处理器）20经由控制线（总线）20'连接到各种图示的组件。此控制器20可提供多种功能，如同步动作、提供设定点、处理信号、执行计算以及在显示装置（未描绘）上显示消息/信息。毋庸置疑，（示意性地描绘的）控制器20可（部分地）在壳体2的内部或外部，且可根据需要具有整体或组合式结构。如此实施例中所示，控制器包括布置成用于实行如本文所定义的方法的数据处理设备p。
37.本领域技术人员将理解，壳体2的内部不必保持在严格的真空下；例如，在所谓的“环境tem/stem”中，有意地将给定气体的本底大气引入/维持在壳体2内。熟练的技术人员还将理解，在实践中，如此可能是有利的：限制外壳2的体积以使其在可能的情况下基本上围绕轴b'，采用所用电子束通过其中的小管（例如，直径为1 cm数量级）的形式，但是加宽以容纳例如源4、样本固持器h、屏幕26、相机30、相机32、分光镜设备34等结构。
38.现在参考图2，示出了根据本发明的设备的另一实施例。图2（未按比例）为根据本发明的带电粒子显微镜m的高度示意性描绘；更确切地说，其示出了非透射型显微镜m的实施例，其在此情况下为sem（尽管，在本发明的上下文中，其可能只是有效地例如为基于离子的显微镜）。在图中，与图1中的物品对应的部分使用相同的附图标记指示，并且在此不再单独论述。附加到图1中的（尤其）为以下部件：
‑ꢀ
2a：真空端口，其可被打开以引入物品（组件、样本）到真空室2的内部/从所述真空室的内部移除物品（组件、样本），或者例如辅助设备/模块可安装在其上。如果需要，显微镜m可包括多个此类端口2a；
‑ꢀ
10a、10b：示意性描绘了照射器6中的透镜/光学元件；
‑ꢀ
12：电压源，如果需要，允许样本固持器h或至少样本s偏置（浮动）到相对于地面的电位；
‑ꢀ
14：显示器，如fpd或crt；
‑ꢀ
22a、22b：分段式电子检测器22a，其包括围绕中心孔22b（允许束b通过）设置的
多个独立检测段（例如象限）。此类检测器可例如用于研究从样本s出射的电子的输出（二次或反向散射）通量（的角相依性）。
39.本文中还存在控制器20。控制器连接到显示器14，且显示器14可连接到布置成用于实行如本文所定义的方法的数据处理设备p。在所示实施例中，数据处理设备p是单独的结构，它不构成控制器的部分，甚至不构成显微镜p的部分。数据处理设备p可为本地的或基于云的，并且原则上不限于任何位置。应注意，在本文中所描述的所有实施例中，数据处理单元p可以是例如带电粒子显微镜的带电粒子束设备的部分，也可以放置在外部。
40.现在转向图3，示意性地示出了本文所定义的方法的实施例。方法101用于使用带电粒子束设备检查样品，并且包括以下步骤：
‑ꢀ
响应于带电粒子束照射样品，使用第一检测器检测110来自样品的第一类型的发射；以及
‑ꢀ
响应于带电粒子束照射样品，获取120关于来自样品的第二类型的发射的光谱信息。
41.如之前所指示，现有技术方法使用了两个检测器，例如用于检测呈反向散射电子形式的第一类型的发射的反向散射电子检测器和用于检测呈x射线形式的第二类型的发射的eds检测器。但是，本文所定义的方法原则上不需要使用光谱检测器，但是此类检测器当然可以存在。为此目的，本文所定义的方法使用以下步骤来获取104光谱信息。第一步骤是提供102光谱信息预测算法，第二步骤是使用103所述算法来预测所述光谱信息。光谱信息预测算法使用检测到的第一类型的发射作为所述算法的输入参数。因此，光谱信息预测算法布置成基于检测到的例如呈反向散射电子形式的第一类型的发射来预测光谱信息。因此，在实施例中，光谱信息与基于检测到的反向散射电子预测的eds信息有关。
42.现在转向图4a-4c，示出了可利用光谱信息预测算法获得的结果的实例。图4a示出半导体样品的反向散射电子图像。此处，所属领域的技术人员可以辨识芯片的构造和布局。图4b示出图4a中所示的样品的eds图像，其中使用了eds检测器。可以看出，很多地方的数据都比较嘈杂，这使得在一些区域很难正确且可靠地识别材料。图4c示出图4a中所示的样品的eds图像，其中使用了如本文所定义的光谱信息预测算法。此处，可以看出，在测得的eds数据方面改进了信噪比。
43.用于预测光谱数据的算法可布置成识别所述第一类型的所述发射中的空间数据关系。在图4c所示的实例中，算法能够识别em图像中的特定区域（图4a），其中所述区域具有共同特性，并且基于所述算法能够更加快速和/或更加准确地将那些区域识别为具有相同或类似光谱数据。因此，算法可布置成使用所述识别出的空间数据关系在给定样品位置处预测所述光谱信息。
44.在一个实施例中，算法包括至少一个神经网络。如所属领域的技术人员所知，神经网络（nn）——也称为人工神经网络（ann）或模拟神经网络（snn）——是一组互连的人工神经元，它使用数学或计算模型进行基于计算的连接方法的信息处理。如本文所定义的人工神经网络是基于流经网络的外部或内部信息改变其结构的自适应系统。在更实际的术语中，神经网络是非线性统计数据建模或决策工具，可以用来对输入和输出之间的复杂关系进行建模或查找数据中的模式。神经网络中的学习在数据或任务的复杂性使得手工设计这类功能不切实际的应用中特别有用。因此，神经网络的应用有利于优化任何带电粒子束设
备中的对准程序。在本公开中，神经网络可基于样品数据进行训练，所述样品数据涉及与作为输入参数的第一类型的发射（例如，反向散射电子图像）有关的数据，并且涉及与作为所要输出参数的第二类型的发射（光谱数据，如eds数据）有关的数据。此数据很容易获得，因此可以快速可靠地用于训练。因此，光谱信息预测算法可通过以下步骤开发：
‑ꢀ
提供关于来自样品的第一类型的发射的样品数据，具体地说，其中第一类型的所述发射与非光谱数据有关；
‑ꢀ
提供关于来自所述样品的第二类型的发射的对应光谱信息，具体地说，其中所述光谱信息与测得光谱信息有关；以及
‑ꢀ
利用所述提供的数据开发所述算法，具体地说，利用所述提供的数据训练所述神经网络，其中第一类型的发射用作输入，且光谱信息用作所要输出。
45.图5示出可在本文所定义的光谱信息预测算法中使用的神经网络架构的实例。所述神经网络利用卷积层、注意块概念和自动编码器-解码器架构。mobilenet v2架构用作神经网络主链，并且添加了深度可分离卷积层，这产生了更快且更坚固的编码器-解码器网络。在编码器-解码器结构的瓶颈部分，添加了一个增强注意的卷积块，它能够更好地捕获整个图像中像素的关系。自注意背后的关键思想是生成一个根据隐藏单元计算出的加权平均值。加权平均运算中使用的权重是通过隐藏单元之间的相似函数动态生成的。具体地说，这使得自注意能够捕获远程交互。
46.在实施例中，手头的任务被提出为语义分割问题，目标是将语义标签分配给图像中的每个像素。所述算法与经典语义分割的不同之处在于，可以为每个像素分配多个标签（在同一像素位置可存在多个化学元素），并且预测的分析图（神经网络输出）的像素强度具有提供定量结果的不同值（限定的化学元素的原子百分比）。
47.本文所定义的方法特别适用于需要检查未显示出显著可变性的样品的情况。例如，质量控制过程中的检查可引发对样品或过程的批准或拒绝的情况或正在研究单个类型的样品的情况。实例可包含半导体样品和矿物样品。但是，可以设想，光谱信息预测算法的训练同样可用于种类繁多的样品。
48.图1和图2所示的带电粒子束设备可布置成执行如本文所定义的方法。例如，控制器可布置成使用光谱信息预测算法基于检测到的第一类型的发射来预测光谱信息，其中所述检测到的第一类型的发射与例如反向散射电子的非光谱信息有关。可以包含光谱检测器，并且可将其用作例如光谱信息预测算法的输入参数，但是这不是本公开所必需的。因此，带电粒子束设备中可用的检测器可全部都与非光谱检测器有关。
49.所需的保护由所附权利要求书赋予。