用于SEM图像的BBP辅助缺陷检测流程的制作方法

用于sem图像的bbp辅助缺陷检测流程
1.相关申请案的交叉引用
2.本技术案主张2019年10月31日申请的第62/928,513号美国临时申请案的优先权，所述申请案的全部公开内容借此以引用的方式并入。
技术领域
3.本公开大体上涉及半导体缺陷检测及分类。


背景技术：

4.半导体制造产业的演进对良率管理且尤其对计量及检验系统提出更高要求。临界尺寸继续缩小，而产业需要减少用于实现高良率、高价值生产的时间。最小化从检测到良率问题到解决所述问题的总时间确定半导体制造商的投资回报率。
5.在扫描电子显微镜(sem)工具中实施的一个检测算法唯一地使用深度学习(dl)来检测所关注缺陷(doi)。在训练期间，用户可注明sem图像以识别有缺陷像素，且将一组doi及扰乱点呈现到dl网络。可将图像的三个通道(例如，顶部通道及两个侧通道)及经渲染设计图像作为输入呈现到dl网络。一旦已在运行时间期间针对给定目标位置训练dl网络，便可将一组sem图像及经渲染设计图像馈送到网络中以确定sem图像是否含有doi。
6.然而，出于若干原因，此类先前方法是不利的或缺乏最佳性能。如果某些缺陷类型在训练期间不存在但在运行时间期间出现，那么dl网络将不能够检测此类缺陷类型。如果在训练期间呈现的针对各种背景几何形状出现的已知缺陷类型的样本不足，那么dl网络可在运行时间期间将此类已知缺陷或其它缺陷错误分类。如果在特定时间框期间训练dl网络，那么归因于由制造工艺改变引起的工艺变动的急剧改变，dl网络性能可随着时间进展而降级。
7.因此，需要经改进缺陷检测流程。


技术实现要素：

8.在第一实施例中提供一种使用处理器用于一或多个步骤的方法。将经渲染图像与sem图像对准以生成经对准经渲染图像。将参考图像与所述sem图像对准以产生经对准参考图像。通过以下产生阈值概率图：检测所述sem图像及所述经对准经渲染图像中的一或多个缺陷；且将所述一或多个缺陷分类为所关注缺陷或扰乱点以产生所述阈值概率图。对所述sem图像及所述经对准参考图像执行动态补偿以产生经校正sem图像及经校正参考图像。通过以下生成阈值缺陷图：从所述sem图像与所述经对准参考图像之间的差异确定概率分布；且将信噪比阈值应用到所述概率分布以产生所述阈值缺陷图。所述阈值缺陷图包括被定义为所述概率分布中超过所述信噪比阈值的位置的信噪比缺陷。使用基于宽带等离子体的性质过滤所述阈值概率图的所述缺陷及所述阈值缺陷图的所述信噪比缺陷以产生所关注缺陷团簇。
9.可通过将设计档案中的矢量多边形渲染到所述经渲染图像而产生所述经渲染图
像。这可包含偏差修圆设计多边形以产生所述矢量多边形。偏差修圆所述设计多边形可包含将形状偏差迭代地添加到所述设计多边形或修圆所述设计多边形的边角。
10.可通过使用生成对抗网络修改所述经渲染图像而生成所述参考图像。修改所述经渲染图像可修改所述经渲染图像的顶部通道、第一侧通道及第二侧通道。
11.可通过使用深度学习网络基于所述经渲染图像及所述sem图像修改所述经渲染图像而生成所述参考图像。
12.所述基于宽带等离子体的性质可包含位置窗、缺陷大小或关照区域类型。
13.在第二实施例中提供一种系统。所述系统包括sem，所述sem包含电子发射器、检测器及用于固持样本的载物台。所述sem经配置以获得所述样本的sem图像。处理器与所述sem电子通信。所述处理器经配置以将经渲染图像与所述sem图像对准以产生经对准经渲染图像且将参考图像与所述sem图像对准以产生经对准参考图像。通过以下生成阈值概率图：检测所述sem图像及所述经对准经渲染图像中的一或多个缺陷；且将所述一或多个缺陷分类为所关注缺陷或扰乱点以产生所述阈值概率图。执行对所述sem图像及所述经对准参考图像的动态补偿以产生经校正sem图像及经校正参考图像。通过以下生成阈值缺陷图：从所述sem图像与所述经对准参考图像之间的差异确定概率分布；且将信噪比阈值应用到所述概率分布以产生所述阈值缺陷图。所述阈值缺陷图包括被定义为所述概率分布中超过所述信噪比阈值的位置的信噪比缺陷。使用基于宽带等离子体的性质过滤所述阈值概率图的所述缺陷及所述阈值缺陷图的所述信噪比缺陷以产生所关注缺陷团簇。
14.可通过将设计档案中的矢量多边形渲染到所述经渲染图像而产生所述经渲染图像。所述处理器可进一步经配置以偏差修圆设计多边形以产生所述矢量多边形。偏差修圆所述设计多边形可包含将形状偏差迭代地添加到所述设计多边形或修圆所述设计多边形的边角。
15.可通过使用生成对抗网络修改所述经渲染图像而生成所述参考图像。修改所述经渲染图像可修改所述经渲染图像的顶部通道、第一侧通道及第二侧通道。
16.可通过使用深度学习网络基于所述经渲染图像及所述sem图像修改所述经渲染图像而生成所述参考图像。
17.所述基于宽带等离子体的性质可包含位置窗、缺陷大小或关照区域类型。
18.在第三实施例中提供一种含有一或多个程序的非暂时性计算机可读存储媒体。所述一或多个程序经配置以在一或多个处理器上执行以下步骤。将经渲染图像与sem图像对准以产生经对准经渲染图像。将参考图像与所述sem图像对准以产生经对准参考图像。通过以下生成阈值概率图：检测所述sem图像及所述经对准经渲染图像中的一或多个缺陷；且将所述一或多个缺陷分类为所关注缺陷或扰乱点以产生所述阈值概率图。对所述sem图像及所述经对准参考图像执行动态补偿以产生经校正sem图像及经校正参考图像。通过以下生成阈值缺陷图：从所述sem图像与所述经对准参考图像之间的差异确定概率分布；且将信噪比阈值应用到所述概率分布以产生所述阈值缺陷图。所述阈值缺陷图包括被定义为所述概率分布中超过所述信噪比阈值的位置的信噪比缺陷。使用基于宽带等离子体宽带等离子体的性质过滤所述阈值概率图的所述缺陷及所述阈值缺陷图的所述信噪比缺陷以产生所关注缺陷团簇。
19.可通过将设计档案中的矢量多边形渲染到所述经渲染图像而产生所述经渲染图
像。
20.可通过使用生成对抗网络修改所述经渲染图像而生成所述参考图像。
21.所述基于宽带等离子体的性质可包含位置窗、缺陷大小或关照区域类型。
附图说明
22.为了更全面理解本公开的性质及目标，应参考结合附图进行的以下详细描述，其中：
23.图1a说明用于生成doi团簇的实施例方法；
24.图1b说明用于生成阈值概率图的实例方法；
25.图1c说明用于生成阈值缺陷图的实例方法；
26.图2说明添加形状偏差的实例；
27.图3说明添加边角修圆的实例；
28.图4说明实例生成对抗网络；
29.图5说明实例检测网络；及
30.图6说明实施例系统。
具体实施方式
31.虽然将依据特定实施例描述所主张标的物，但其它实施例(包含未提供本文中阐述的全部益处及特征的实施例)也在本公开的范围内。可做出各种结构、逻辑、过程步骤及电子改变而不脱离本公开的范围。因此，本公开的范围仅通过参考所附权利要求书定义。
32.本公开的实施例可包含用于检测半导体晶片上的缺陷，从而在真实缺陷捕获率及扰乱点(例如，错误缺陷)率方面改进其准确度的方法、系统及设备。实施例可将基于参考图像的检测与基于dl的检测组合。此外，实施例可利用宽带等离子体(bbp)缺陷元数据以进一步细化检测缺陷。元数据可尤其包含缺陷的位置、大小、极性、背景及区域。因此，根据本公开的实施例可改进缺陷检测准确度。
33.在例项中，参考图1a，方法100可使用处理器(例如，处理器608)执行。方法100可在单处理器或多个处理器上执行。方法100可产生doi团簇，且可将doi团簇存储在电子数据存储单元(例如，电子数据存储单元609)上。可存在一或多个doi团簇。每一doi团簇可具有被分类为doi的一或多个缺陷。方法100的输入可包含sem图像、设计档案或其部分及/或bbp元数据。方法100的输出可为被分类为doi的缺陷的团簇。缺陷的团簇可为(例如)图像、图像群组、值的表或缺陷图(例如，裸片或晶片图内的缺陷位置的图形表示)。
34.sem图像可具有顶部通道及两个侧通道。设计档案或其部分可呈矢量格式。bbp元数据可包含缺陷位置、缺陷大小、关照区域群组或其它缺陷属性。
35.在一些实施例中，可通过将设计档案中的矢量多边形渲染到经渲染图像而产生经渲染图像。
36.可执行设计多边形的偏差修圆以产生矢量多边形。
37.偏差修圆设计多边形可包含将形状偏差迭代地添加到设计多边形，如例如在图2中说明。图2描绘添加形状偏差的实例子过程200。子过程200可包含使用形状偏差操作202执行将形状偏差添加到设计多边形201以产生经修改设计多边形203。此经修改设计多边形
203可为矢量多边形或可被使用，或也可执行边角修圆。
38.偏差修圆设计多边形可包含将设计多边形的一或多个边角修圆，如例如在图3中说明。图3描绘边角修圆的实例子过程300。子过程300可包含使用边角修圆操作302执行修圆设计多边形301的边角以产生经修改设计多边形303，在此例项中，所述经修改设计多边形303可大于设计多边形301，但其它操作是可行的。此经修改设计多边形303可为矢量多边形或可被使用，或也可执行形状偏差。
39.再次参考图1a，方法100可包括在101，将经渲染图像与sem图像对准以产生经对准经渲染图像。
40.在一些实施例中，可通过使用生成对抗网络(gan)修改经渲染图像而生成参考图像，如例如在图4中说明。图4描绘实例gan 400。gan 400的输入可为真实世界图像401(测试图像402是真实世界图像401中的一者)及设计档案403。可将设计档案403输入到生成器404，所述生成器404可生成模拟图像405。可将模拟图像405与真实世界图像402一起输入到鉴别器406中，所述鉴别器406可在407确定缺陷是真实(doi)还是假(扰乱点)。这可用于在408确定损耗。
41.可训练gan 400以使用设计(例如，计算机辅助设计(cad)设计)作为输入来生成“假”图像。生成器网络g可从输入(例如，sem图像)生成“假”图像g(x)。鉴别器网络d可对真实及假图像进行分类。可训练d以对真实图像对比假图像进行正确分类，这可通过最大化log(d(y)) log(1-d(g(x)))而表示。可训练g以最小化真实图像与假图像之间的误差且欺骗鉴别器，这可通过最小化|y-g(x)| log(1-d(g(x)))而表示。生成器网络可包含多个层。例如，可使用14个层。
42.修改经渲染图像可包含修改经渲染图像的顶部通道、第一侧通道及第二侧通道。
43.在一些实施例中，可通过使用dl网络基于经渲染图像及sem图像修改经渲染图像而生成参考图像，如图5中说明。图5描绘检测网络500。检测网络500可为非监督式动态学习网络。检测网络500可获取sem图像501及经渲染图像502作为输入。sem图像501及经渲染图像502可继续经过一系列卷积/批量正规化/relu层503、池化层504及增加取样层505。降低取样及增加取样部分上的层可对应于池化指数506。可存在最终softmax层507。在网络的降低取样及增加取样结束之后，可提供参考图像508。可使用检测网络500而非gan(例如，gan 400)以产生参考图像。检测网络500可使用来自gan(例如，gan 400)的图像作为额外参考图像通道。差异图像(目标sem减gan图像)可用作额外检测网络输入。
44.再次参考图1a，在102，方法100可包括将参考图像与sem图像对准以产生经对准参考图像。
45.在103，可生成阈值概率图。参考图1b，在103生成阈值概率图可包括在103a检测sem图像及经对准参考图像中的一或多个缺陷。接着，在103b，可将一或多个缺陷分类为doi或扰乱点以产生阈值概率图。本文中公开的实施例可将bbp特征属性应用到检测网络。本文中公开的实施例还可将不同特征属性(例如缺陷位置大小或色彩)应用到分类。
46.再次参考图1a，在104，可对sem图像及经对准参考图像执行动态补偿以产生经校正sem图像及经校正参考图像。在例项中，可使用以下公式。
[0047][0048]
此等式可找到应用到参考图像的最佳卷积权重w以最小化其与目标sem图像t之间的误差。r是原始未经校正参考图像。确定最佳权重w
opt
。使用w
opt
卷积参考图像以在从t减去之前生成r’。r’是在使用最佳权重卷积r，使得r’＝r*w
opt
之后的经校正(或经补偿)参考图像。接着，使用dl(检测网络)及信噪比(snr)离群点检测算法对t、r’并行执行检测。离群点检测算法可为适应性阈值算法。
[0049]
在105，可生成阈值缺陷图。参考图1c，在105生成阈值缺陷图可包括在105a从sem图像与经对准参考图像之间的差异确定概率分布。接着，在105b，可将snr阈值应用到概率分布以产生阈值缺陷图。阈值缺陷图可包括snr缺陷。snr缺陷可为概率分布中超过snr阈值的位置。可设定snr阈值以依最大可允许扰乱点率最大化doi检测率。snr阈值可随应用变动以针对不同产品及半导体制造商建立捕获率及扰乱点率。通常在配方设置期间手动地建立snr阈值的设定以在过程窗内实现期望扰乱点/捕获率。
[0050]
再次参考图1a，在106，可使用基于bbp的性质过滤阈值概率图的缺陷及阈值缺陷图的snr缺陷以产生doi团簇。基于关照区域的过滤可为二元决策(例如，缺陷是否在bbp关照区域内部)。基于其它bbp属性的过滤可为基于规则(例如，有关属性值的确定性切割线的组合)，或可使用机器学习分类器。bbp性质可包含位置窗、缺陷大小、极性、背景、区域或关照区域类型。位置窗是缺陷周围的定界(x,y)框的坐标。缺陷大小是缺陷的最大x或y尺寸。极性是相对于非缺陷图像强度明或暗(正或负)。背景是设计图案缺陷定位在其中的类型的指标。例如，一些设计区域比其它设计区域更易受更严重缺陷(例如，“致命”缺陷)影响。区域是检验区域的类型或子类型。例如，存储器(阵列)区域1、2、3；逻辑区域1、2、3；周边等。关照区域类型包含不同类型的设计生成的关照区域或与不同区域相关联的手动生成的类型的关照区域。
[0051]
实施例包含取决于缺陷类型而将特定过滤应用到差异图像，且可被应用来增强缺陷信号。这是差分过滤器且可针对差异图像中的特定缺陷类型优化。这可在snr检测之前应用到gan差异图像且应用到输入到dl检测网络的差异通道。
[0052]
实施例将sem图像进一步分段成所关注关照区域，这可用于减少差异图像中的噪声，因此增强doi的snr。这是分段以在低噪声区域中更灵敏地运行且在高噪声区域中更不灵敏地运行而非针对整个区域的固定灵敏度。
[0053]
在实施例中，可将gan输出馈送到dl检测模块以增强dl结果。
[0054]
在实施例中，基于奇异值分解的方法可用于检测阵列结构中的doi。这可为dl的替代或新增检测方法。这也可适用于sem成像。
[0055]
在另一例项中，系统(例如，系统600)可包括sem(例如，系统600的晶片检验工具)及与sem电子通信的处理器(例如，处理器608)。sem可包含电子发射器(例如，电子束源603)、检测器(例如，检测器607)及用于固持样本(例如，晶片604或另一工件)的载物台(例如，载物台610)。sem可经配置以获得样本的sem图像。
[0056]
在实施例中，空间形态操作(例如，打开、闭合、膨胀、侵蚀)可用于区分不同类型的缺陷与扰乱点。
[0057]
算法可在dl训练期间用于拔靴法抽样(bootstrapping)。当不存在足够已知及手动标记doi来有效地训练网络时，经典的基于决策或阈值算法可用于帮助在初始dl训练期间识别缺陷。
[0058]
在实施例中，奇异值分解方法可用于检测阵列式结构的缺陷。奇异值分解(svd)可用于预处理sem图像且因此改进算法。svd将图像分解成可使用其获得最佳子秩近似计算的正交分量。使用svd找到的图像中的最大对象分量通常对应于与最大奇异值相关联的特征图像，而图像噪声及其它平凡特征对应于与最小奇异值相关联的特征图像。
[0059]
图6是实例系统600的实施例的框图。系统600包含经配置以生成晶片604的图像的晶片检验工具(其包含电子柱601)。
[0060]
晶片检验工具可包含输出获取子系统，所述输出获取子系统至少包含能量源及检测器。输出获取子系统可为基于电子束的输出获取子系统。例如，在一个实施例中，经引导到晶片604的能量包含电子，且从晶片604检测的能量包含电子。以此方式，能量源可为电子束源。在图6中展示的一个此实施例中，输出获取子系统可包含可耦合到计算机子系统602的电子柱601。载物台610可固持晶片604。
[0061]
如图6中还展示，电子柱601可包含经配置以生成由一或多个元件605聚焦到晶片604的电子的电子束源603。电子束源603可包含(例如)阴极源或射极尖端。一或多个元件605可包含(例如)枪透镜、阳极、束限制孔隙、栅极阀、束电流选择孔隙、物镜及扫描子系统，其全部可包含此项技术中已知的任何此类合适的元件。
[0062]
从晶片604返回的电子(例如，二次电子)可由一或多个元件606聚焦到检测器607。一或多个元件606可包含(例如)扫描子系统，所述扫描子系统可为包含在(若干)元件605中的相同扫描子系统。
[0063]
电子柱601还可包含此项技术中已知的任何其它合适的元件。
[0064]
虽然在图6中将电子柱601展示为经配置使得电子以倾斜入射角被引导到晶片604且以另一倾斜角从晶片604散射，但电子束可以任何合适的角度被引导到晶片604且从晶片604散射。另外，基于电子束的输出获取子系统可经配置以使用多个模式来生成晶片604的图像(例如，具有不同照明角、收集角等)。基于电子束的输出获取子系统的多个模式可在输出获取子系统的任何图像生成参数方面不同。
[0065]
计算机子系统602可耦合到检测器607，如上文描述。检测器607可检测从晶片604的表面返回的电子，借此形成晶片604的电子束图像。所述电子束图像可包含任何合适的电子束图像。计算机子系统602可经配置以使用检测器607的输出及/或电子束图像执行本文中描述的功能中的任何者。计算机子系统602可经配置以执行本文中描述的(若干)任何额外步骤。可如本文中描述般进一步配置包含图6中展示的输出获取子系统的系统600。
[0066]
应注意，本文中提供图6以大体上说明可在本文中描述的实施例中使用的基于电子束的输出获取子系统的配置。可更改本文中描述的基于电子束的输出获取子系统配置以如在设计商业输出获取系统时通常执行般优化输出获取子系统的性能。
[0067]
另外，可使用现有系统(例如，通过将本文中描述的功能性添加到现有系统)实施本文中描述的系统。对于一些此类系统，本文中描述的方法可被提供为系统的选用功能性(例如，除了系统的其它功能性之外)。替代地，可将本文中描述的系统设计为全新系统。
[0068]
虽然上文将输出获取子系统描述为基于电子束的输出获取子系统，但输出获取子
系统可为基于离子束的输出获取子系统。可如图6中展示般配置此输出获取子系统，除了可使用此项技术中已知的任何合适的离子束源替换电子束源外。另外，输出获取子系统可为任何其它合适的基于离子束的输出获取子系统，例如包含在市售聚焦离子束(fib)系统、氦离子显微镜(him)系统及二次离子质谱仪(sims)系统中的那些。
[0069]
计算机子系统602包含处理器608及电子数据存储单元609。处理器608可包含微处理器、微控制器或其它装置。
[0070]
计算机子系统602可以任何合适的方式(例如，经由一或多个传输媒体，所述一或多个传输媒体可包含有线及/或无线传输媒体)耦合到系统600的组件，使得处理器608可接收输出。处理器608可经配置以使用输出执行数个功能。晶片检验工具可从处理器608接收指令或其它信息。处理器608及/或电子数据存储单元609任选地可与另一晶片检验工具、晶片计量工具或晶片检视工具(未说明)电子通信以接收额外信息或发送指令。
[0071]
处理器608与晶片检验工具(例如检测器607)电子通信。处理器608可经配置以处理使用来自检测器607的测量生成的图像。例如，处理器可执行方法100、400或500的实施例。
[0072]
本文中描述的计算机子系统602、(若干)其它系统或(若干)其它子系统可为各种系统的部分，包含个人计算机系统、图像计算机、大型计算机系统、工作站、网络设备、因特网设备或其它装置。(若干)子系统或(若干)系统还可包含此项技术中已知的任何合适的处理器(例如平行处理器)。另外，所述子系统或所述系统可包含具有高速处理及软件的平台(作为独立工具或网络工具)。
[0073]
处理器608及电子数据存储单元609可经安置于系统600或另一装置中或以其它方式作为系统600或另一装置的部分。在实例中，处理器608及电子数据存储单元609可为独立控制单元的部分或在集中式质量控制单元中。可使用多个处理器608或电子数据存储单元609。
[0074]
实践中，处理器608可通过硬件、软件及固件的任何组合实施。又，如本文中描述的其功能可由一个单元执行或在不同组件当中划分，所述不同组件中的每一者可继而通过硬件、软件及固件的任何组合实施。供处理器608实施各种方法及功能的程序代码或指令可存储在可读存储媒体(例如电子数据存储单元609中的存储器或其它存储器)中。
[0075]
如果系统600包含多于一个计算机子系统602，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过可包含此项技术中已知的任何合适的有线及/或无线传输媒体的任何合适的传输媒体耦合到(若干)额外子系统。两个或两个以上此类子系统也可通过共享计算机可读存储媒体(未展示)有效地耦合。
[0076]
处理器608可经配置以使用系统600的输出或其它输出执行数个功能。例如，处理器608可经配置以将输出发送到电子数据存储单元609或另一存储媒体。可如本文中描述般进一步配置处理器608。
[0077]
处理器608或计算机子系统602可为缺陷检视系统、检验系统、计量系统或某一其它类型的系统的部分。因此，本文中公开的实施例描述可以数个方式针对具有或多或少适合于不同应用的不同能力的系统定制的一些配置。
[0078]
如果系统包含多于一个子系统，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过可包含此项技术中已知的任何合
适的有线及/或无线传输媒体的任何合适的传输媒体耦合到(若干)额外子系统。两个或两个以上此类子系统也可通过共享计算机可读存储媒体(未展示)有效地耦合。
[0079]
可根据本文中描述的任何实施例配置处理器608。处理器608还可经配置以使用系统600的输出或使用来自其它源的图像或数据执行其它功能或额外步骤。
[0080]
在例项中，处理器608可与系统600通信。处理器608可经配置以将经渲染图像与sem图像对准以产生经对准经渲染图像。
[0081]
处理器608可进一步经配置以将参考图像与sem图像对准以产生经对准参考图像。
[0082]
处理器608可进一步经配置以通过以下生成阈值概率图：检测sem图像及经对准经渲染图像中的一或多个缺陷；且将一或多个缺陷分类为doi或扰乱点以产生阈值概率图。
[0083]
处理器608可进一步经配置以对sem图像及经对准参考图像执行动态补偿以产生经校正sem图像及经校正参考图像。
[0084]
处理器608可进一步经配置以通过以下生成阈值缺陷图：从sem图像与经对准参考图像之间的差异确定概率分布；且将snr阈值应用到概率分布以产生阈值缺陷图，所述阈值缺陷图包括被定义为概率分布中超过snr阈值的位置的snr缺陷。
[0085]
处理器608可进一步经配置以使用基于宽带等离子体的性质过滤阈值概率图的缺陷及阈值缺陷图的snr缺陷以产生doi团簇。
[0086]
可通过将设计档案中的矢量多边形渲染到经渲染图像而产生经渲染图像。
[0087]
处理器608可进一步经配置以偏差修圆设计多边形以产生矢量多边形。偏差修圆设计多边形包含将形状偏差迭代地添加到设计多边形或修圆设计多边形的边角。
[0088]
可通过使用gan修改经渲染图像而生成参考图像。修改经渲染图像可修改经渲染图像的顶部通道、第一侧通道及第二侧通道。
[0089]
可通过使用深度学习网络基于经渲染图像及sem图像修改经渲染图像而生成参考图像。
[0090]
基于宽带等离子体的性质可包含位置窗、缺陷大小或关照区域类型。
[0091]
处理器608可以此项技术中已知的任何方式通信地耦合到系统600的各种组件或子系统中的任何者。再者，处理器608可经配置以通过可包含有线及/或无线部分的传输媒体从其它系统接收及/或获取数据或信息(例如，来自检验系统(例如检视工具)的检验结果、包含设计数据的远程数据库及类似者)。以此方式，传输媒体可用作处理器608与系统600的其它子系统或系统600外部的系统之间的数据链路。
[0092]
系统600的各种步骤、功能及/或操作及本文中公开的方法由以下中的一或多者实行：电子电路、逻辑门、多路复用器、可编程逻辑装置、asic、模拟或数字控制件/开关、微控制器或计算系统。实施例如本文中描述的方法的方法的程序指令可经由载体媒体传输或存储在载体媒体上。载体媒体可包含存储媒体，例如只读存储器、随机存取存储器、磁盘或光盘、非易失性存储器、固态存储器、磁带及类似者。载体媒体可包含传输媒体，例如导线、电缆或无线传输链路。例如，贯穿本公开描述的各种步骤可通过单个处理器608(或计算机子系统602)或替代地多个处理器608(或多个计算机子系统602)实行。再者，系统600的不同子系统可包含一或多个计算或逻辑系统。因此，上文描述不应被解释为对本公开的限制而仅为说明。
[0093]
额外实施例可为含有经配置以在一或多个处理器上执行步骤的一或多个程序的
非暂时性计算机可读存储媒体。此类步骤可包括将经渲染图像与扫描电子显微镜(sem)图像对准以产生经对准经渲染图像。步骤可进一步包括将参考图像与sem图像对准以产生经对准参考图像。
[0094]
步骤可进一步包括生成阈值概率图。可通过以下生成阈值概率图：检测sem图像及经对准经渲染图像中的一或多个缺陷；且将一或多个缺陷分类为doi或扰乱点以产生阈值概率图。
[0095]
步骤可进一步包括对sem图像及经对准参考图像执行动态补偿以产生经校正sem图像及经校正参考图像。
[0096]
步骤可进一步包括生成阈值缺陷图。可通过以下生成阈值缺陷图：从sem图像与经对准参考图像之间的差异确定概率分布；且将snr阈值应用到概率分布以产生阈值缺陷图，所述阈值缺陷图包括被定义为概率分布中超过snr阈值的位置的snr缺陷。
[0097]
步骤可进一步包括使用基于宽带等离子体宽带等离子体的性质过滤阈值概率图的缺陷及阈值缺陷图的snr缺陷以产生doi团簇。
[0098]
可通过将设计档案中的矢量多边形渲染到经渲染图像而产生经渲染图像。可通过使用gan修改经渲染图像而生成参考图像。
[0099]
基于宽带等离子体的性质可包含位置窗、缺陷大小或关照区域类型。
[0100]
通过处理器执行的(若干)组件可包含深度学习模块(例如，卷积神经网络(cnn)模块)。深度学习模块可具有本文中进一步描述的配置中的一者。根植于神经网络技术中，深度学习是具有许多神经层的概率图模型，通常称为深度架构。深度学习技术以阶层方式处理信息，例如图像、文字、语音等。在于本公开中使用深度学习时，使用来自数据的学习自动地完成特征提取。例如，可使用深度学习模块基于一或多个经提取特征提取用于在确定旋转及平移偏移时参考的特征。
[0101]
一般来说，深度学习(也称为深度结构化学习、阶层式学习或深度机器学习)是基于尝试对数据的高阶抽象化进行建模的一组算法的机器学习的分支。在简单情况中，可存在两组神经元：接收输入信号的神经元及发送输出信号的神经元。当输入层接收到输入时，其将输入的经修改版本传递到下一层。在深度网络中，输入与输出之间存在许多层，从而允许算法使用由多个线性及非线性变换构成的多个处理层。
[0102]
深度学习是基于学习数据的表示的机器学习方法的更广泛族的部分。观察(例如，将要提取以供参考的特征)可以许多方式(例如每像素的强度值的矢量)或以更抽象方式(如一组边缘、特定形状的区域等)表示。一些表示在简化学习任务(例如，面部辨识或面部表情辨识)方面比其它表示更佳。深度学习可提供用于非监督或半监督式特征学习及阶层式特征提取的有效算法。
[0103]
在此领域中的研究尝试制作更佳表示且创建模型以从大规模数据学习此类表示。一些表示受神经科学的进展启发且松散地基于神经系统中的信息处理及通信模式的解释，例如尝试定义各种刺激与脑中的相关联神经元响应之间的关系的神经编码。
[0104]
存在具有取决于概率规范及网络架构的深度架构的神经网络的许多变体，包含(但不限于)深度信念网络(dbn)、受限玻尔兹曼(boltzmann)机器(rbm)及自动编码器。另一类型的深度神经网络(cnn)可用于特征分析。实际实施方案可取决于输入图像的大小、将要分析的特征的数目及问题的性质而变动。除了本文中公开的神经网络之外，其它层也可被
包含在深度学习模块中。
[0105]
在实施例中，深度学习模块是机器学习模型。机器学习可大体上被定义为对计算机提供在未经明确编程的情况下学习的能力的一种类型的人工智能(ai)。机器学习致力于开发可教导其自身在暴露于新数据时生长及改变的计算机程序。机器学习探索可从数据学习且对数据作出预测的算法的研究及构造。此类算法凭借通过从样本输入建立模型来作出数据驱动预测或决策而克服以下严格静态程序指令。
[0106]
在一些实施例中，深度学习模块是生成模型。生成模型可大体上被定义为本质上概率性的模型。换句话说，生成模型是执行正演模拟或基于规则的方法的模型。可基于合适的训练数据集学习生成模型(其中可学习其参数)。在一个实施例中，深度学习模块经配置为深度生成模型。例如，模型可经配置以具有深度学习架构，其中模型可包含执行数个算法或变换的多个层。深度学习模型可经配置为gan的部分或可经配置以使用gan。
[0107]
在另一实施例中，深度学习模块经配置为神经网络。在其它实施例中，深度学习模块可为具有一组权重的深度神经网络，所述一组权重根据已被馈送来训练所述深度学习模块的数据对世界进行建模。神经网络可大体上被定义为基于神经单元的相对大集合的计算方法，其松散地对生物大脑使用由轴突连接的生物神经元的相对大团簇解决问题的方式进行建模。每一神经单元与许多其它神经单元连接，且链结可强制执行或抑制其对经连接神经单元的激发状态的效应。这些系统是自学习且经训练而非明确编程且在解决方案或特征检测难以按传统计算机程序表达的领域中具有优势。
[0108]
神经网络通常包括多个层，且信号路径从前部横越到后部。神经网络的目标是以与人脑相同的方式解决问题，但若干神经网络远更抽象。现代神经网络项目通常使用数千到数百万个神经单元及数百万个连接工作。神经网络可具有此项技术中已知的任何合适的架构及/或配置。
[0109]
在一个实施例中，用于本文中公开的半导体检验应用的深度学习模块经配置为alexnet。例如，alexnet包含数个卷积层(例如，5个)，其后接着数个完全连接层(例如，3个)，其组合地经配置且经训练以分析用于确定旋转及平移偏移的特征。在另一此实施例中，用于本文中公开的半导体检验应用的深度学习模块经配置为googlenet。例如，googlenet可包含层，例如卷积层、池化层及完全连接层，例如经配置且经训练以分析用于确定旋转及平移偏移的特征的本文中进一步描述的那些。虽然googlenet架构可包含相对高数目个层(尤其相较于本文中描述的一些其它神经网络)，但一些层可并行操作，且彼此并行运作的层群组通常称为起始模块。其它层可循序操作。因此，googlenet与本文中描述的其它神经网络不同之处在于并非全部层皆以循序结构布置。并行层可类似于google的起始网络或其它结构。
[0110]
在其它此实施例中，用于本文中公开的半导体检验应用的深度学习模块经配置为视觉几何群组(vgg)网络。例如，通过增加卷积层的数目同时固定架构的其它参数而产生vgg网络。通过在全部层中使用大体上小的卷积滤波器而使添加卷积层以增加深度变可能。如同本文中描述的其它神经网络，产生且训练vgg网络以分析用于确定旋转及平移偏移的特征。vgg网络还包含其后接着完全连接层的卷积层。
[0111]
在一些此类实施例中，用于本文中公开的半导体检验应用的深度学习模块经配置为深度残差网络。例如，如同本文中描述的一些其它网络，深度残差网络可包含其后接着完
全连接层的卷积层，其组合地经配置且经训练用于特征性质提取。在深度残差网络中，所述层经配置以参考层输入学习残差功能而非学习未引用功能。特定来说，代替希望每一若干堆叠层直接拟合期望底层映射，明确允许这些层拟合残差映射，这由具有快捷方式连接的前馈神经网络实现。快捷方式连接是略过一或多个层的连接。可通过采用包含卷积层的普通神经网络结构且插入快捷方式连接(借此采用普通神经网络且将其转变为其残差学习对应物)而产生深度残差网。
[0112]
在其它此实施例中，用于本文中公开的半导体检验应用的深度学习模块包含经配置用于分析用于确定旋转及平移偏移的特征的一或多个完全连接层。完全连接层可大体上被定义为其中每一节点连接到先前层中的每一节点的层。(若干)完全连接层可基于由(若干)卷积层提取的特征执行分类，所述卷积层可如本文中进一步描述般配置。(若干)完全连接层经配置用于特征选择及分类。换句话说，(若干)完全连接层从特征图选择特征且接着基于经选择特征分析(若干)输入图像。经选择特征可包含特征图中的全部特征(如果适当)或仅特征图中的一些特征。
[0113]
在一些实施例中，由深度学习模块确定的信息包含由深度学习模块提取的特征性质。在一个此实施例中，深度学习模块包含一或多个卷积层。(若干)卷积层可具有此项技术中已知的任何合适的配置。以此方式，深度学习模块(或深度学习模块的至少一部分)可经配置为cnn。例如，深度学习模块可经配置为用以提取局部特征的cnn，其通常是卷积层及池化层的堆叠。本文中描述的实施例可利用深度学习概念(例如cnn)来解决通常难处理的表示反转问题。深度学习模块可具有此项技术中已知的任何cnn配置或架构。一或多个池化层也可具有此项技术中已知的任何合适的配置(例如，最大池化层)且通常经配置用于减少由一或多个卷积层生成的特征图的维度同时保留最重要的特征。
[0114]
一般来说，本文中描述的深度学习模块是经训练深度学习模块。例如，可事先通过一或多个其它系统及/或方法训练深度学习模块。深度学习模块已被生成且训练且接着如本文中描述般确定模块的功能性，所述模块的功能性可接着用于执行用于深度学习模块的一或多个额外功能。
[0115]
如上文陈述，虽然本文中使用cnn来说明深度学习系统的架构，但本公开不限于cnn。可在实施例中使用深度学习架构的其它变体。例如，可使用自动编码器、dbn及rbm。也可使用随机森林。
[0116]
可将训练数据输入到模块训练(例如，cnn训练)，所述模块训练可以任何合适的方式执行。例如，模块训练可包含将训练数据输入到深度学习模块(例如，cnn)且修改模块的一或多个参数直到模块的输出与外部验证数据相同(或大体上相同)。模块训练可生成一或多个经训练模块，接着可将所述一或多个经训练模块发送到模块选择，使用验证数据执行所述模块选择。可比较由每一或多个经训练模块针对输入到一或多个经训练模块的验证数据产生的结果与验证数据以确定哪一模块是最佳模块。例如，可将产生最紧密匹配验证数据的结果的模块选择为最佳模块。测试数据可接着用于经选择的模块(例如，最佳模块)的模块评估。可以任何合适的方式执行模块评估。也可将最佳模块发送到模块部署，其中最佳模块可被发送到半导体检验工具以供使用(训练后模式)。
[0117]
由本公开的实施例呈现的优点可为若干个。融合基于参考图像的检测及基于dl的检测可改进缺陷检测准确度。bbp辅助检测可实现使用缺陷性质(尤其包含缺陷的位置、大
小、极性、背景及区域)以改进缺陷检测准确度。过滤缺陷类型可改进缺陷信号，从而改进缺陷检测准确度。参考生成可创建紧密类似测试图像的参考图像，从而移除从邻近裸片捕捉参考图像的需要，且因此降低处理能力(例如，降低到所需处理能力的一半)。基于形态分析的检测可用于某些缺陷类型。在重复几何结构的情况中，可使用奇异值分解技术检测缺失或新增图案。经典检测算法可用作用于基于dl的训练的拔靴法抽样步骤，从而实现各种缺陷类型中的馈送。经典缺陷方法在使用基于dl的训练实施时将可不受程序变动影响。经典方法可不需要大量训练，因为将不需要学习全部缺陷类型或全部缺陷位置。最终，本公开的实施例可实现95％的doi准确度及99％或99.9％的扰乱点准确度。
[0118]
本文中公开的各个实施例及实例中描述的方法的步骤足以实行本发明的方法。因此，在实施例中，方法基本上由本文中公开的方法的步骤的组合组成。在另一实施例中，方法由此类步骤组成。
[0119]
虽然已关于一或多个特定实施例描述本公开，但应理解，可制作本公开的其它实施例而不脱离本公开的范围。