识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法转让专利
申请号 : CN201880056014.1
文献号 : CN111052331B
文献日 : 2021-03-23
发明人 : M·普利哈尔 , B·达菲 , M·冯登霍夫 , A·克罗斯 , K·沙赫 , A·马尼
申请人 : 科磊股份有限公司
摘要 :
权利要求 :
1.一种经配置以识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的系统,其包括:检验子系统,其至少包括能量源及检测器,其中所述能量源经配置以产生被引导到晶片的能量,且其中所述检测器经配置以检测来自所述晶片的能量且响应于所述所检测到的能量而产生输出;及
一或多个计算机子系统,其经配置以:通过对所述输出应用缺陷检测方法来检测在所述晶片上的缺陷;
获取所述晶片的计量数据,其中所述计量数据是由在所述晶片上的测量点的阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的,且其中所述晶片上的所述测量点的密度小于所述晶片上的检验点的密度,所述检测器在对所述晶片进行检验期间在所述检验点处产生所述输出;
相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置;
基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷,其中所述指派包括:对于在所述测量点处被检测到的所述缺陷,基于所述测量点中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述缺陷;及对于在所述测量点中的任一者处均未被检测到的所述缺陷,依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据;及基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷。
2.根据权利要求1所述的系统,其中所述计量工具在所述检测缺陷之前产生所述晶片的所述计量数据。
3.根据权利要求1所述的系统,其中所述测量点是在所述检测缺陷之前且独立于在所述晶片上检测到的所述缺陷而确定的。
4.根据权利要求1所述的系统,其中由所述计量工具产生的所述计量数据的至少一些值低于所述检验子系统的分辨率极限。
5.根据权利要求1所述的系统,其中所述测量点的所述密度经选择以在所述计量数据中捕获晶片级变化。
6.根据权利要求1所述的系统,其中所述测量点的所述密度经选择以在所述计量数据中捕获裸片级变化。
7.根据权利要求1所述的系统,其中所述计量数据是对所述晶片的在由所述检测器针对所述晶片产生的所述输出中引起噪声的特性的响应,且其中基于所述缺陷属性来确定所述缺陷是所述扰乱还是所述所关注缺陷会由于所述噪声而降低所述检验的不稳定性。
8.根据权利要求7所述的系统,其中所述噪声包括晶片级噪声。
9.根据权利要求7所述的系统,其中所述噪声包括晶片间噪声。
10.根据权利要求1所述的系统,其中所述计量数据包括膜厚度、经图案化结构轮廓、临界尺寸、线边缘粗糙度及线宽度粗糙度中的一或多者。
11.根据权利要求1所述的系统,其中所述预测包括将来自所述测量点的所述所获取计量数据内插到相对于所述测量点的所述位置而确定的所述缺陷的所述位置。
12.根据权利要求1所述的系统,其中所述预测包括将来自所述测量点的所述所获取计量数据外推到相对于所述测量点的所述位置而确定的所述缺陷的所述位置。
13.根据权利要求1所述的系统,其中所述缺陷检测方法包括从所述晶片上的与所述晶片上的参考位置对应的目标位置的所述输出减去所述参考位置的所述输出,其中所述一或多个计算机子系统进一步经配置以相对于所述晶片上的所述测量点的所述位置而确定所述参考位置的位置,且其中将所述计量数据作为所述缺陷属性指派给所述缺陷进一步包括:
基于相对于所述测量点的所述位置而确定的所述参考位置的所述位置来将所述计量数据作为参考属性指派给所述参考位置,其中所述将所述计量数据指派给所述参考位置包括:
对于位于所述测量点处的所述参考位置,基于所述测量点中定位有所述参考位置的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述参考位置;及对于不位于所述测量点中的任一者处的所述参考位置,依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述参考位置的所述位置来预测所述参考位置处的所述计量数据;及
通过从指派给在所述目标位置中的一者处检测到的所述缺陷中的一者的所述计量数据减去指派给所述参考位置中的一者的所述参考属性来确定所述缺陷中的所述一者的所述缺陷属性,在所述缺陷检测方法中,从所述目标位置中的所述一者减去所述参考位置中的所述一者的所述输出。
14.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置以依据所述晶片上的所述测量点从所述所获取计量数据产生额外数据,基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将所述额外数据作为另一缺陷属性指派给所述缺陷,其中指派所述额外数据包括:对于在所述测量点处被检测到的所述缺陷,基于所述测量点中在其处检测到所述缺陷的测量点来将所述测量点处的所述额外数据指派给所述缺陷;及对于在所述测量点中的任一者处均未被检测到的所述缺陷,依据所述测量点处的所述额外数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的所述位置处的所述额外数据。
15.根据权利要求14所述的系统,其中确定所述缺陷是所述扰乱还是所述所关注缺陷是进一步基于指派给所述缺陷的所述缺陷属性及其它缺陷属性来执行的。
16.根据权利要求1所述的系统,其中确定所述缺陷是所述扰乱还是所述所关注缺陷是进一步基于指派给所述缺陷的所述缺陷属性以及一或多个其它缺陷属性来执行的,所述一或多个其它缺陷属性是由所述一或多个计算机子系统基于所述检测器所产生的所述输出针对所述缺陷而确定的。
17.根据权利要求1所述的系统,其中确定所述缺陷是所述扰乱还是所述所关注缺陷包括将所述缺陷属性输入到基于学习的缺陷分类器。
18.根据权利要求1所述的系统,其中在所述检验子系统将所述能量引导到所述晶片且所述检测器响应于所述所检测到的能量而产生所述输出时,执行确定所述缺陷的所述位置、指派所述计量数据以及确定所述缺陷是所述扰乱还是所述所关注缺陷。
19.根据权利要求1所述的系统,其中在于所述晶片上检测到所有所述缺陷之后,执行指派所述计量数据以及确定所述缺陷是所述扰乱还是所述所关注缺陷。
20.根据权利要求1所述的系统,其中所述一或多个计算机子系统进一步经配置以在由所述一或多个计算机子系统针对所述晶片产生的检验结果中区分所述扰乱与所述所关注缺陷。
21.根据权利要求1所述的系统,其中所述检验子系统被配置为光学检验子系统。
22.根据权利要求1所述的系统,其中所述检验子系统被配置为电子束检验系统。
23.根据权利要求1所述的系统,其中所述计量工具不包含于所述系统中。
24.根据权利要求1所述的系统,其中所述计量工具并入到所述系统中,使得所述检验子系统及所述计量工具共享所述系统的一或多个共用元件。
25.一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识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的计算机实施的方法,其中所述计算机实施的方法包括:
通过对由检验子系统的检测器针对所述晶片产生的输出应用缺陷检测方法来检测所述晶片上的缺陷,其中所述检验子系统至少包括能量源及所述检测器,其中所述能量源经配置以产生被引导到所述晶片的能量,且其中所述检测器经配置以检测来自所述晶片的能量且响应于所述所检测到的能量而产生所述输出;
获取所述晶片的计量数据,其中所述计量数据是由在所述晶片上的测量点的阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的,且其中所述晶片上的所述测量点的密度小于所述晶片上的检验点的密度,所述检测器在对所述晶片进行检验期间在所述检验点处产生所述输出;
相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置;
基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷,其中所述指派包括:对于在所述测量点处被检测到的所述缺陷,基于所述测量点中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述缺陷;及对于在所述测量点中的任一者处均未被检测到的所述缺陷,依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据;及基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷。
26.一种用于识别在晶片上检测到的缺陷中的扰乱及所关注缺陷的计算机实施的方法,其包括:
通过对由检验子系统的检测器针对所述晶片产生的输出应用缺陷检测方法来检测所述晶片上的缺陷,其中所述检验子系统至少包括能量源及所述检测器,其中所述能量源经配置以产生被引导到所述晶片的能量,且其中所述检测器经配置以检测来自所述晶片的能量且响应于所述所检测到的能量而产生所述输出;
获取所述晶片的计量数据,其中所述计量数据是由在所述晶片上的测量点的阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的,且其中所述晶片上的所述测量点的密度小于所述晶片上的检验点的密度,所述检测器在对所述晶片进行检验期间在所述检验点处产生所述输出;
相对于所述晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置;
基于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指派给所述缺陷,其中所述指派包括:对于在所述测量点处被检测到的所述缺陷,基于所述测量点中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派给所述缺陷;及对于在所述测量点中的任一者处均未被检测到的所述缺陷,依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据;及基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷,其中通过耦合到所述检验子系统的一或多个计算机子系统来执行所述检测、所述获取、所述确定所述位置、所述指派及所述确定所述缺陷是扰乱还是所关注缺陷。
说明书 :
识别检测到的缺陷中的扰乱及所关注缺陷的系统及方法
技术领域
背景技术
光刻是涉及将图案从光罩转印到布置于半导体晶片上的抗蚀剂的半导体制作过程。半导体
制作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。可将多个
半导体装置制作成单个半导体晶片上的布置中,且然后将其分离成个别半导体装置。
的重要部分。然而,随着半导体装置尺寸减小,检验对于成功制造出可接受的半导体装置变
得更加重要,这是因为较小缺陷便可能会导致装置出故障。
敏感的检验。因此,随着设计规则缩小,通过检验检测到的潜在合格率相关缺陷的群体极大
增多,且通过检验检测到的扰乱缺陷的群体也极大增加。
用扫描电子显微镜(SEM)图像来将光学图像与SEM图像关联起来以找出扰乱缺陷的来源,但
这是漫长且耗时的过程。另外,通常扰乱缺陷在SEM图像中是不可见的,这使得无法预测扰
乱缺陷被引入于哪一层及哪一经图案化特征中。作为替代方案,可对扰乱缺陷执行透射电
子显微镜(TEM)横切,但这是基本上耗时的技术,且基本上难以发现扰乱缺陷的位置。
发明内容
述能量源经配置以产生被引导到晶片的能量。所述检测器经配置以检测来自所述晶片的能
量且响应于所述所检测到的能量而产生输出。所述系统还包含经配置以通过对所述输出应
用缺陷检测方法来在所述晶片上检测缺陷的一或多个计算机子系统。所述一或多个计算机
子系统还经配置以获取所述晶片的计量数据。所述计量数据是由在所述晶片上的测量点的
阵列处对所述晶片执行测量的计量工具针对所述晶片而产生的。所述晶片上的所述测量点
的密度小于所述晶片上的检验点的密度,所述检测器在对所述晶片进行检验期间在所述检
验点处产生所述输出。
对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属性指
派给所述缺陷。所述指派包含,对于在所述测量点处被检测到的所述缺陷,基于所述测量点
中在其处检测到所述缺陷的测量点来将在所述测量点处产生的所述所获取计量数据指派
给所述缺陷。所述指派还包含,对于在所述测量点中的任一者处均未被检测到的所述缺陷,
依据在所述测量点处产生的所述计量数据及相对于所述测量点的所述位置而确定的所述
缺陷的所述位置来预测在其处检测到所述缺陷的位置处的所述计量数据。所述一或多个计
算机子系统还经配置以基于指派给所述缺陷的所述缺陷属性来确定所述缺陷是扰乱还是
所关注缺陷。可按照本文中的描述而对所述系统进行进一步配置。
所述晶片上的缺陷。按照上文的描述对所述检验子系统进行配置。所述方法还包含获取所
述晶片的计量数据。所述计量数据是按照上文的描述产生。另外,所述方法包含相对于所述
晶片上的所述测量点的位置而确定所述晶片上的所述缺陷的位置。所述方法进一步包含基
于相对于所述测量点的所述位置而确定的所述缺陷的所述位置来将计量数据作为缺陷属
性指派给所述缺陷。所述指派是按照上文的描述而执行。所述方法还包含基于指派给所述
缺陷的所述缺陷属性来确定所述缺陷是扰乱还是所关注缺陷。通过耦合到所述检验子系统
的一或多个计算机子系统来执行所述检测、所述获取、所述确定所述位置、所述指派及所述
确定所述缺陷是扰乱还是DOI等步骤。
描述的方法可由本文中所描述的系统中的任一者来执行。
法。所述计算机实施的方法包含上文所描述的方法的步骤。可如本文中所描述而对所述计
算机可读媒体进行进一步配置。可如本文中进一步所描述而执行所述计算机实施的方法的
步骤。另外,所述计算机实施的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,
所述程序指令可执行所述计算机实施的方法。
附图说明
一或多者。
将本发明限制于所揭示的特定形式,而是相反,本发明打算涵盖在由所附权利要求书所界
定的本发明的精神及范围内的所有修改、等效形式及替代形式。
具体实施方式
参考编号指示可类似配置的在多于一个图中展示的元件。除非本文中另外提及,否则所描
述及所展示的元件中的任何元件可包含任何适合可商购元件。
统至少包含能量源及检测器。能量源经配置以产生被引导到晶片的能量。检测器经配置以
检测来自晶片的能量且响应于所检测到的能量而产生输出。晶片可包含此项技术中已知的
任何晶片。
照射子系统包含至少一个光源。举例来说,如在图1中所展示,照射子系统包含光源16。在一
个实施例中,照射子系统经配置以将光以一或多个入射角(其可包含一或多个斜角及/或一
或多个法向角)引导到晶片。举例来说,如在图1中所展示,将来自光源16的光穿过光学元件
18且然后穿过透镜20而引导到分束器21,分束器21将光以法向入射角引导到晶片14。所述
入射角可包含任何适合入射角,其可取决于(例如)晶片的特性以及将在晶片上检测的缺陷
而变化。
1中展示的入射角不同的入射角引导到晶片。在一个此类实例中,检验子系统可经配置以移
动光源16、光学元件18及透镜20使得将光以不同入射角引导到晶片。
示的光源16、光学元件18及透镜20,且所述照射通道中的另一者(未展示)可包含可被配置
成不同或相同的类似元件,或可至少包含光源以及可能地一或多个其它组件(例如本文中
进一步描述的组件)。如果此光与其它光同时被引导到晶片,那么以不同入射角被引导到晶
片的光的一或多个特性(例如波长、偏振等)可有所不同,使得由以不同入射角对晶片进行
照射所得的光可在检测器处彼此区别开。
中(例如,基于波长、偏振等)。然后,可将不同光学路径中的每一者中的光引导到晶片。多个
照射通道可经配置以将光同时地或在不同时间(例如,当不同照射通道用于依序照射晶片
时)引导到晶片。在另一例子中,同一照射通道可经配置以在不同时间将具有不同特性的光
引导到晶片。举例来说,在一些例子中,光学元件18可被配置为光谱滤波器,且光谱滤波器
的性质可以多种不同方式(例如,通过替换光谱滤波器)被改变,使得可在不同时间将不同
光波长引导到晶片。照射子系统可具有此项技术中已知的任何其它适合配置,所述其它适
合配置用于将具有不同或相同特性的光以不同或相同的入射角依序或同时地引导到晶片。
光器。所述激光器可包含此项技术中已知的任何适合激光器,且可经配置以产生此项技术
中已知的任一或多个适合波长下的光。另外,激光器可经配置以产生单色光或接近单色的
光。以此方式,激光器可为窄带激光器。所述光源还可包含产生多个离散波长或波带下的光
的多色光源。
干个折射及/或反射光学元件。在图1中所展示且本文中所描述的照射子系统可包含任何其
它适合光学元件(未展示)。此类光学元件的实例包含(但不限于)偏振组件、光谱滤波器、空
间滤波器、反射光学元件、切趾器、分束器、光阑等,其等可包含此项技术中已知的任何此类
适合光学元件。另外,所述系统可经配置以基于将用于检验的照射类型而更改照射子系统
的元件中的一或多者。
可包含可经配置以移动晶片使得光可在晶片上方扫描的任何适合机械组合件及/或机器人
组合件(其包含载台22)。另外或替代地,检验子系统可经配置使得检验子系统的一或多个
光学元件执行使光在晶片上方进行的某种扫描。可使光以任何适合方式在晶片上方扫描。
于所检测到的光而产生输出。举例来说,图1中所展示的检验子系统包含两个检测通道,一
个由集光器24、元件26及检测器28形成且另一个由集光器30、元件32及检测器34形成。如图
1中所展示,所述两个检测通道经配置而以不同聚集角度聚集光且检测光。在一些例子中,
一个检测通道经配置以检测经镜面反射光,且另一检测通道经配置以检测不从晶片镜面反
射(例如,散射、衍射等)的光。然而,检测通道中的两者或多于两者可经配置以从晶片检测
同一类型的光(例如,经镜面反射光)。尽管图1展示包含两个检测通道的检验子系统的实施
例,但检验子系统可包含不同数目个检测通道(例如,仅一个检测通道或者两个或多于两个
检测通道)。尽管在图1中将集光器中的每一者展示为单个折射光学元件,但应理解集光器
中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
此项技术中已知的任何其它适合检测器。检测器还可包含非成像检测器或成像检测器。以
此方式,如果检测器是非成像检测器,那么检测器中的每一者可经配置以检测散射光的某
些特性(例如强度),但不可经配置以依据在成像平面内的位置而检测此些特性。如此,由包
含于检验子系统的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数
据,但并非是图像信号或图像数据。在此些例子中,计算机子系统(例如,系统的计算机子系
统36)可经配置以从检测器的非成像输出产生晶片的图像。然而,在其它例子中,检测器可
被配置为成像检测器,所述成像检测器经配置以产生成像信号或图像数据。因而,所述系统
可经配置而以若干种方式产生本文中所描述的输出。
化,在设计商业检验系统时通常会执行此步骤。另外,本文中所描述的系统可使用例如可从
科磊(KLA-Tencor)公司(加利福尼亚州苗必达市)购得的29xx及39xx系列工具等现有检验
系统来实施(例如,通过将本文中所描述的功能性添加到现有检验系统)。对于一些此类系
统,本文中所描述的方法可提供为系统的任选功能性(例如,除系统的其它功能性之外)。替
代地,可“从零开始”设计本文中所描述的系统以提供全新系统。
对晶片进行扫描期间检测器所产生的输出。计算机子系统36可经配置以使用本文中所描述
的检测器的输出来执行若干个功能,且执行本文中进一步描述的任何其它功能。可按照本
文中的描述对此计算机子系统进行进一步配置。
算机系统、图像计算机、主机计算机系统、工作站、网络器具、因特网器具或其它装置。通常,
术语“计算机系统”可被广泛定义为囊括具有一或多个处理器的执行来自存储器媒体的指
令的任何装置。计算机子系统或系统还可包含此项技术中已知的任何适合处理器,例如并
行处理器。另外,计算机子系统或系统可包含具有高速度处理及软件的计算机平台作为独
立工具或网络连接工具。
说,计算机子系统36可通过任何适合传输媒体而耦合到计算机子系统102(如图1中的虚线
所展示),所述传输媒体可包含此项技术中已知的任何适合的有线传输媒体及/或无线传输
媒体。此些计算机子系统中的两者或多于两者还可通过共享计算机可读存储媒体(未展示)
而有效地耦合。
还在图2中展示,电子柱包含经配置以产生电子的电子束源126,所述电子由一或多个元件
130聚焦到晶片128。电子束源可包含(举例来说)阴极源或发射器尖端,且一或多个元件130
可包含(举例来说)枪透镜、阳极、束限制孔径、闸阀、束电流选择孔径、物镜以及扫描子系
统,所述所有元件均可包含此项技术中已知的任何此类适合元件。
描子系统相同。
专利、2014年4月8日颁布的小岛(Kojima)等人的第8,692,204号美国专利、2014年4月15日
颁布的谷本(Gubbens)等人的第8,698,093号美国专利以及2014年5月6日颁布的麦克唐纳
(MacDonald)等人的第8,716,662号美国专利,上述专利如同完全陈述一般以引用方式并入
本文中。
射。另外,基于电子束的工具可经配置以使用多种模式来产生晶片的图像(例如,以不同照
射角度、聚集角度等)。基于电子束的工具的多种模式可在工具的任何图像产生参数上不
同。
计算机子系统124可经配置以使用检测器的输出及/或电子束图像来执行本文中所描述的
功能中的任一者。计算机子系统124可经配置以执行本文中所描述的任何额外步骤。可按照
本文中的描述对包含图2中所展示的电子束检验子系统的系统进行进一步配置。
子束检验子系统以优化电子束检验子系统的性能,在设计商业检验系统时通常执行此操
作。另外,可使用现有电子束检验系统来实施本文中所描述的系统(例如,通过将本文中所
描述的功能性添加到现有电子束检验系统)。针对一些此类系统,可提供本文中所描述的方
法作为系统的任选功能性(例如,除系统的其它功能性之外)。替代地,可“从零开始”设计本
文中所描述的系统以提供全新系统。
换为此项技术中已知的任何适合离子束源除外。另外,检验子系统可为任何其它适合的离
子束工具,例如包含于可购得的聚焦离子束(FIB)系统、氦离子显微镜(HIM)系统及次级离
子质谱(SIMS)系统中的离子束工具。
输出及/或图像。以此方式,检验子系统可被配置为“实际”工具,而非“虚拟”工具。然而,图1
中所展示的计算机子系统102可包含一或多个“虚拟”系统(未展示),所述一或多个“虚拟”
系统经配置以使用针对晶片所产生的实际光学输出或图像及/或实际电子束输出或图像中
的至少一些来执行一或多个功能,所述功能可包含本文中进一步描述的一或多个功能中的
任一者。
虚拟系统中,可输出所述虚拟系统的一或多个“检测器”的输出,所述输出是由实际检验子
系统的一或多个检测器先前产生且存储于所述虚拟系统中,且在“成像及/或扫描”期间,所
述虚拟系统可重放所存储的输出,仿佛对晶片进行成像及/或扫描一般。以此方式,利用虚
拟系统对晶片进行成像及/或扫描可似乎与利用实际系统对物理晶片进行成像及/或扫描
相同,而实际上,“成像及/或扫描”仅涉及以晶片可被成像及/或扫描相同的方式重放晶片
的输出。
置为“虚拟”检验系统的系统及方法,上述两个美国专利如同完全陈述一般以引用方式并入
本文中。可按照这些专利中的描述对本文中所描述的实施例进行进一步配置。举例来说,可
按照这些专利中的描述对本文中所描述的一或多个计算机子系统进行进一步配置。
的输出定义。因此,不同的模式可在检验子系统的参数中的至少一者的值上有所不同。以此
方式,在一些实施例中,输出包含由检验子系统利用检验子系统的参数的两个或多于两个
不同值而产生的图像。举例来说,在光学检验子系统的一个实施例中,多种模式中的至少另
一者使用与用于多种模式中的至少另一者的至少一个照射光波长不同的至少一个照射光
波长。对于不同模式来说,模式可在照射波长上有所不同,如本文中进一步描述(例如,通过
使用不同光源、不同光谱滤波器等)。在另一实施例中,多种模式中的至少一者使用检验子
系统的照射通道,所述照射通道不同于检验子系统的用于多种模式中的至少另一者的照射
通道。举例来说,如上文所述,检验子系统可包含多于一个照射通道。如此,不同照射通道可
用于不同模式。
系统的多种模式可由用于产生输出及/或晶片的图像的电子束检验子系统的参数的值来定
义。因此,不同的模式可在电子束检验子系统的电子束参数中的至少一者的值上有所不同。
举例来说,在电子束检验子系统的一个实施例中,多种模式中的至少一者使用与用于多种
模式中的至少另一者的至少一个照射入射角不同的至少一个照射入射角。
(例如,对输出应用缺陷检测阈值并确定值高于缺陷检测阈值的任何输出对应于缺陷或潜
在缺陷)来执行。
使用)通常被定义为在晶片上如此检测到但并非是晶片上的真正实际缺陷的缺陷。相反,可
能会由于晶片上的非缺陷性噪声源(例如,线边缘粗糙度(LER)、经图案化特征的相对小的
临界尺寸(CD)变化、厚度变化等)及/或由于用于检验的检验子系统本身或其配置的余裕而
检测到“扰乱”。
重要的,使得可单独使用不同类型的缺陷的信息,例如,关于DOI的信息可用于对在晶片上
执行的一或多个制作过程做出诊断及/或改变,而可忽略、清除关于扰乱的信息或将其用于
诊断晶片上的噪声及/或检验过程或工具的余裕。
不同领域。举例来说,计量通常被校准到参考标准,且检验通常是通过将所获取的接近结构
(例如,在裸片内、裸片之间等)的信号结果(输出、信号、图像等)与所存储参考(经由模拟或
以其它方式合成而记录或产生)来进行比较执行。对于处理中半导体晶片的计量,膜厚度可
变性、晶片几何形状轮廓及CD是在计量目标上或直接在成品电路结构上收集的正常参数中
的一些参数。
计量工具。特定来说,可取决于本文中所描述以及图1及2中所展示的检验子系统的实施例
将被使用的应用来在一或多个参数上对所述检验子系统的实施例进行修改以提供不同成
像能力。在一个此类实例中,图1及2中所展示的检验子系统可经配置以在其用于计量而非
用于检验的情况下具有较高分辨率。换句话说,图1及2中所展示的检验子系统的实施例描
述一些般性配置及各种配置,所述配置可以所属领域的技术人员将显而易见的若干种方式
来调节以产生具有或多或少适合于不同应用(例如,检验及/或计量)的不同能力的子系统。
另外,如果同一子系统具有可变硬件设定使得其可用于检验及计量两者,那么同一子系统
可用于产生本文中所描述的检验子系统输出及计量数据两者。
统可经配置以在检验过程期间具有使其适合于计量的相对高分辨率,但检验子系统将经配
置以实现较低分辨率以改进检验过程的吞吐量(尤其是由于此高分辨率通常是不必要的或
本文中所描述的检验过程并不需要)。如本文中进一步描述,本文中所描述的实施例的本质
力图利用以经分类的较高分辨率图像或其它数据(例如,计量数据)训练的模型依据相对低
分辨率检验子系统图像或其它数据来推测出信息。除了相对低分辨率电子束检验图像或其
它输出之外,此相同原理还可应用于相对低分辨率光学检验图像或其它输出。
的照射子系统。举例来说,在图3中所展示的计量工具实施例中,计量工具300的照射子系统
包含光源302,光源302可包含本文中所描述的光源中的任一者。可经由照射子系统的一或
多个光谱滤波器304来引导光源302所产生的光。可如本文中进一步描述地来对光谱滤波器
304进行配置。照射子系统还可包含分束器306,分束器306经配置以将来自光谱滤波器的光
反射到照射子系统的物镜308。可按照本文中的描述来对分束器306及物镜308进行进一步
配置。物镜308经配置以将具有一或多个照射波长的光从分束器聚焦到晶片310,晶片310可
包含本文中所描述的晶片中的任一者。
量工具可包含经由波长相依滤波器而具有可选择照射波长范围的宽带源。举例来说,可通
过改变或移除定位于来自光源的光的路径中的光谱滤波器来更改引导到晶片的波长。以此
方式,计量工具可经配置以具有可取决于晶片上的材料而变化的灵活照射波长。
干涉滤波器。以此方式,计量工具可包含经由干涉滤波器而具有可选择照射波长范围的宽
带源。这些滤波器可补充或替换工具中当前所使用的带通滤波器。
合此类光源。举例来说,此类光源可包含一或多个二极管激光器、二极管泵浦固态(DPSS)激
光器、气体激光器等。另外,本文中所描述的照射子系统可包含任何数目个呈任何适合组合
的宽带、窄带及激光器光源。此外,光源可为准单色光源。本文中所描述的光源及照射子系
统配置中的任一者可包含在具有任何适合配置的计量工具内。在一个特定实例中,照射子
系统可仅包含一个激光器源。在另一实例中,照射子系统可包含多个激光器源。因此,可存
在光源与计量工具配置的许多不同组合且可取决于(举例来说)晶片及/或将通过工具测量
的晶片特性而对所述不同组合做出选择。
一或多个其它元件来更改或选择照射角度。经更改或选择的照射角度可为入射光的极角
及/或方位角。另外,可通过选择发射具有选定偏振的光的光源或通过在由光源发射的光的
路径中包含一或多个偏振选择/更改/滤波元件来选择照射偏振。
镜面反射光。然而,所聚集的光可替代地包含或另外还包含散射光。检测子系统还可包含经
配置以透射物镜所聚集的光的分束器306。
带通滤波器314,带通滤波器314可如本文中进一步描述地被配置且可透射具有一或多个选
定波长的光。分束器306、分束器312及带通滤波器314中的一或多者可经配置以选择性地透
射具有一或多个选定波长的光且将不具有一或多个选定波长的光从检测子系统的检测路
径反射或以其它方式阻挡掉,使得不具有一或多个选定波长的光不被检测器316检测到。
通滤波器透射的光由检测器320检测。带通滤波器318及检测器320可按照本文中的描述被
进一步配置。分束器312可经配置以透射具有一或多个第一波长的光且反射具有与第一波
长不同的一或多个第二波长的光。以此方式,检测器316及320可检测具有不同波长的光。
光从晶片引导到检测子系统的检测器。举例来说,如图3中所展示,照射子系统及检测子系
统两者均可包含作为共用物镜的物镜308以及作为共用双色镜或分束器的分束器306。如上
文所描述,物镜308及分束器306经配置以将光从照射子系统的光源302引导到晶片310且将
光从晶片引导到检测子系统的检测器316及/或检测器320。另外,本文中所描述的任何分束
器可由反射特定波长带的光且透射对应带外光的双色镜替换。此类配置可增加递送到晶片
的光量且提高所检测到的信号的纯度。
一或多个波长。因此,如照射波长范围一样,可取决于晶片材料及被测量的晶片特性来调整
检测波长范围。由检测子系统检测到的波长可按照本文中的描述(例如,使用带通滤波器)
或以此项技术中已知的任何其它适合方式来更改。
可经配置以包含多个平行成像通道,所述多个平行成像通道经由适当地选择双色组件及带
通滤波器组件来对不同波长范围进行成像。在图3中所展示的实施例中,通道中的一者可包
含带通滤波器314及检测器316,且通道中的其它通道可包含带通滤波器318及检测器320。
另外,计量工具可包含多于两个通道(例如,通过将一或多个额外分束器(未展示)插入到来
自晶片的光的路径中,所述分束器可耦合到检测器(未展示)且可能耦合到光谱滤波器(未
展示)及/或其它光学元件(未展示))。包含带通滤波器314及检测器316的通道可经配置以
检测处于第一波长带中的光,且包含带通滤波器318及检测器320的通道可经配置以检测处
于第二波长带中的光。以此方式,可通过不同通道同时检测到不同波长范围的光。另外,不
同波长范围可互相排斥(例如,通过一或多个波长分离),或可完全重叠(例如,一个波长范
围可完全处于另一波长范围内),或部分地重叠(例如,多个波长范围可包含相同的一或多
个波长,但处于第一波长范围中的波长中的至少一些与处于第二波长范围中的波长中的至
少一些相互排斥,且反之亦然)。在一些实施例中,检测子系统包含分光计,所述分光计经配
置以跨越波长范围测量来自晶片的光的特性。举例来说,在图3中所展示的实施例中,检测
器316及320中的一或多者可为分光计。
测子系统可经配置以基于来自晶片的角度(或聚集角度)及/或偏振而选择性地检测光。举
例来说,检测子系统可包含可用于控制由检测子系统检测到的光的聚集角度的一或多个孔
径(未展示)。在另一实例中,检测子系统可在来自晶片的光的路径中包含一或多个偏振组
件(未展示),所述一或多个偏振组件可用于控制由检测子系统检测到的光的偏振。
例中,计量工具可包含计算机子系统322,计算机子系统322可通过图3中利用虚线展示的一
或多个传输媒体耦合到检测器316及320,所述传输媒体可包含“有线”及/或“无线”传输媒
体,使得计算机子系统可接收检测子系统的检测器响应于所检测到的光而产生的输出。举
例来说,检测器的输出可包含信号、图像、数据、图像数据等。举例来说,上文所描述的检测
子系统的检测器可为经配置以捕获晶片的图像的成像检测器。可按照本文中的描述来对计
算机子系统进行进一步配置。计量数据可为本文中所描述的计量数据中的任一者。计量数
据可存储于(或输出为)计量结果文件。
计商业性计量工具时执行。另外,本文中所描述的计量工具可包含现有计量工具(例如,通
过将本文中所描述的功能性添加到现有计量工具),例如可从科磊公司购买到的Archer、
ATL、SpectraShape、SpectraFilm、Aleris、WaferSight、Therma-Probe、RS-200、CIRCL及断
面仪工具。对于一些此类系统来说,本文中所描述的方法可提供为现有计量工具的任选功
能性(例如,除了现有工具的其它功能性之外)。替代地,可“从头”设计本文中所描述的计量
工具以提供全新系统。
量工具可为基于电子束的工具,例如扫描电子显微镜(SEM)或透射电子显微镜(TEM)及/或
基于带电荷粒子束的工具,例如聚焦离子束(FIB)工具。此类计量工具可包含任何适合的可
购得计量工具。
文中所描述的实施例并非是必要的。另外,测量点的阵列可为晶片上的测量点的二维阵列。
晶片的区域而均匀地或规则地间隔,使得测量点跨越晶片的受检验区域而具有选定的或所
期望的密度。
点的密度重要。因此,用于产生本文中所描述的计量数据的测量点也不同于用于常规计量
测量的测量点,原因在于常规计量测量通常是针对晶片上的特定经图案化结构或膜执行,
其中确切位置对确保测量晶片上的正确结构或材料来说十分重要。相比来说,在本文中进
一步描述的实施例中,计量数据用于捕获会影响检验结果的特定晶片特性变化,而不需要
测量特定结构或膜。
且独立于在晶片上检测到的缺陷而确定测量点。在于晶片上检测缺陷之前产生计量数据
(且以光学方式获取所述计量数据)可出于若干种原因而是有利的。举例来说,如本文中进
一步所描述,如果在进行缺陷检测之前产生计量数据,那么可在检验晶片期间(例如,甚至
在通过检验子系统扫描晶片时)使用所述计量数据,此具有本文中进一步所描述的特定优
势。即使在检验期间不使用计量数据(而是在已于晶片上检测缺陷及/或对晶片的扫描完成
之后使用),仍可在进行任何扫描、缺陷检测或被执行测量的晶片层检验之前产生计量数
据。
以本文中所描述的任何其它方式执行)。在检验开始时查询计量测量且对测量进行预处理
以供检验(即,作为检验的预处理步骤,经由数据库连结计量数据)的此想法被认为是新颖
的。此符合本文中所描述的计量及检验,这是因为对晶片的同一层执行计量及检验(即,在
已对晶片执行一个过程之后且在对晶片执行另一过程之前对晶片执行计量及检验两者)。
本文中所描述的计量及检验的时序未必适用于对晶片的不同层执行的计量及检验及/或在
已对晶片执行不同过程之后(例如,其中计量是在第一过程之后执行且检验是在与第一过
程不同的第二过程之后执行)。
通常在晶片检验之后执行且可对检验中所检测到的缺陷执行(例如,为了产生关于所检测
缺陷的更详细信息)。另外,如果如本文中所描述在检验晶片之前产生计量数据,那么必须
独立于所检测到的缺陷而确定测量点,这是因为在测量之前尚未在晶片上检测到缺陷且因
此所述缺陷不可用于确定测量点的位置。
上的缺陷的密度。举例来说,如图5中所展示,测量点500可在晶片502上被布置成阵列,且阵
列中点的密度可按照本文中进一步的描述确定。还如图5中所展示,测量点的阵列是测量点
的二维阵列。图5中所展示的测量点的阵列可按照本文中的描述进行进一步配置。相比来
说,如图5中所展示,可以远比晶片上的测量点高的密度及频率来在晶片502上检测缺陷
504。此外,可独立于在晶片上检测到的缺陷来确定测量点位置,这是因为测量目的并不一
定是为了测量晶片上的缺陷的一或多个特性,而是为了测量晶片的一或多个特性的变化,
所述特性变化可包含晶片上的一或多种材料及/或晶片上的一或多个经图案化结构(但未
必是任何特定的材料及/或结构)。
可出现缺陷。在本文中所描述的实施例中,晶片特性的变化是有目的地被测量,而不论所述
变化是否使特性变成缺陷。举例来说,甚至在这些变化不足以产生缺陷或被视为缺陷性时,
其仍可影响晶片的光学性质且可会在光检验、电子束检验及其它晶片检验期间导致非期望
噪声。另外,如果缺陷恰巧存在于预选定测量点中的一者处,那么其可实际上影响在所述测
量点处产生的计量数据。然而,此些测量(缺陷或使晶片有缺陷的特性)并非是本文中所描
述的测量的目标。
子系统的分辨能力但仍可会影响到检验输出且未必或内在地表示晶片上存在的任何缺陷
的此些变化(例如,由计量工具测量到的变化可处于晶片特性的规格内且因此并非是缺陷
性的,但仍会影响到由检验子系统的检测器产生的输出)。以此方式,本文中所描述的实施
例经配置以在检验时利用对本文中所描述的晶片特性的计量测量。如此,本文中所描述的
实施例经配置以在检验中使用计量数据。与本文中所描述的实施例相比,当前不存在使用
计量数据来改进光学或其它检验的质量的实用方法。
所描述的所有检验子系统。特定来说,计量工具可具有比本文中所描述的光学子系统及本
文中所描述的电子束检验子系统高的分辨率,这是因为在本文中所描述的实施例的上下文
中,电子束检验子系统被配置成具有相对低分辨率的电子束检验子系统。因此,此些检验子
系统将具有比大多数计量工具且特定来说本文中所描述的将用于执行本文中所描述的测
量的计量工具低的分辨率。以此方式,本文中所描述的检验子系统经配置使得由这些检验
子系统产生的输出不能用于确定此类变化。然而,由计量工具测量的晶片特性的亚分辨率
值可会影响到由本文中所描述的检验子系统产生的输出。本文中所使用的术语“亚分辨率”
是指低于检验子系统的分辨能力的晶片特性值,这意味着晶片特性值无法依据由检验子系
统产生的输出或图像来分辨或确定。因此,亚分辨率的晶片特性低于检验子系统的分辨率。
化通过检验被隐式捕获到(作为扰乱)且与其它噪声源(也被检测为扰乱)混合在一起,且仅
可使用在检验期间所获得的光学性质与DOI区分。仅依赖光学性质来区分被错误地检测为
缺陷的晶片尺寸的非关键变化与DOI的主要缺点是所有这些信号彼此叠加且难以区分。然
而,测量亚分辨率(就检验子系统来说)晶片特性变化可如本文中所描述用于消除这些变化
对检验子系统输出的影响(通过使用晶片特性变化来区分扰乱与DOI)。以此方式,提供计量
测量且将检验子系统输出关联到这些测量会对DOI与扰乱之间提供较佳区分(根据发明者
执行的对相关现象的研究)且改进过程监测(基于与扰乱区分开的DOI而执行)。
来说,通常,测量点彼此之间的间隔将远大于检验点彼此之间的间隔。特定来说,在对晶片
执行的大多数检验中,检验点通常彼此重叠(如光、电子等是跨越晶片进行扫描),使得晶片
上的待被检验区域中不存在未经受检验的部分。因此,此检验点重叠是通过设计使然。因
此,检验点密度如此的高使得检验点彼此至少在一定程度上重叠。相比来说,期望尽可能低
地选择或确定测量点密度(出于吞吐量及成本考虑)但仍足以在进行测量时对所关注变化
作出响应(本文中进一步描述)。举例来说,以测量点网格对晶片执行所期望测量(例如,晶
片形貌、膜厚度、CD等),所述测量点网格足够密集以允许对晶片上的任何点做出可靠测量
预测(例如内插、外推等)。
出的位置或区域。然而,在任一个“点”处执行的测量或检验可跨越晶片上的相对小区域而
执行(例如,晶片上的位点或区域)。以此方式,如本文中所使用的“测量点”意在指示被计量
工具执行测量的在晶片上的位置或区域,且“测量点”中的每一者在晶片上是彼此离散的。
另外,如本文中所使用的“检验点”意在指示检验子系统产生检验输出的晶片上的区域,但
并非“检验点”中的每一者均必须彼此离散或间隔开,这是因为通常在执行检验时其通常将
彼此重叠。
地执行特定CD测量以获得适用于所有模块的更可靠扰乱筛除。因此,对本文中所描述的实
施例来说“足够密集”的测量点密度包含足够大以使计量数据对缺陷位置的预测足够准确
的任何测量点密度。
选定测量点处以足够的频率执行测量以捕获晶片级及/或裸片级变化。可如上文所描述地
(例如,基于所执行的计量测量的预期变化及/或预期晶片特性)确定捕获晶片级或裸片级
变化所需的测量点频率或密度。
这些已知方式中的任一者产生本文中所描述的实施例中所使用的计量数据。另外,可在5D
分析器系统上执行计量分析(例如,叠对数据及其它计量数据的建模),5D分析器系统可从
科磊公司购得。此系统在行业中建立且具备高级计量分析的能力。如果不需要进一步模型,
那么可从此系统或直接从计量工具递送计量数据。
的实施例中的晶片特性包含目标CD测量,例如特定结构中的线宽度、线粗糙度(CD均匀性)、
叠对测量(仅适用于光学检验)以及可影响检验子系统针对晶片产生的输出及因此由计算
机子系统产生的缺陷检测结果的任何其它此类特性。换句话说,本文中所描述的计量数据
可包含在检验期间可与检验噪声相关或导致晶片的光学性质改变的任何及所有测量及/或
晶片特性。2016年荷兰人信斯普林格(Shin,Springer)的“变化感知高级CMOS装置及SRAM”
第19到35页的章节2中描述LER及LWR以及用于测量并确定这些特性的方法,上述文件如完
全陈述一般以引用方式并入本文中。还可如2018年4月28日公布的达菲等人的共用让予的
第2016/0116420号美国专利申请公开案中所描述地执行本文中所描述的测量,所述美国专
利申请公开案如完全陈述一般以引用方式并入本文中。可按照这些引用中的描述而对本文
中所描述的实施例进行进一步配置。
所描述的实施例物理分离的系统中且可不与本文中所描述的系统实施例共享任何共用元
件。特定来说,如图1及3中所展示,检验子系统可包含于一个系统中,计量工具可被配置为
另一系统,且系统及计量工具彼此完全物理分离且不共享共用硬件元件。
计量数据。所述一或多个计算机子系统可如本文中进一步描述地从另一计算机系统或子系
统或者存储媒体获取计量数据。以此方式,计量工具与包含检验子系统的系统可为不同的
工具。计量数据可存储于数据库(例如Klarity,可从科磊公司购得)中,可在检验期间或在
检验之后从所述数据库中检索测量。
工具的计算机子系统或计量数据已被存储于其中的存储媒体获取计量数据。如此,所获取
计量数据可已由除了本文中所描述的实施例之外的系统产生。然而,在一些实施例中,获取
计量数据可包含产生计量数据。举例来说,本文中所描述的实施例可包含计量工具(如本文
中所进一步描述),且因此本文中所描述的系统实施例可经配置以通过在测量点处对晶片
执行测量来产生计量数据。替代地,本文中所描述的系统实施例(或者系统的一或多个元
件)可经配置以致使计量工具对晶片执行测量。因此,获取计量数据可包含在测量点处对晶
片执行测量。
400及计量工具模块402。可关于图1及2按照本文中的描述对模块400中所包含的检验子系
统进行配置。可关于图3按照本文中的描述对模块402中所包含的计量工具进行配置。系统
还可包含耦合到检验子系统及计量工具中的一者或两者的计算机子系统404。可根据本文
中所描述的任何其它实施例来对计算机子系统404进行配置。
何其它质量控制相关过程。
用壳体可具有此项技术中已知的任何适合配置。举例来说,可将系统的原始壳体进行简单
扩张以容纳计量工具。以此方式,可将计量工具与检验子系统配置为单个单元或工具。共用
晶片搬运器可包含此项技术中已知的任何适合机械及/或机器人组合件。共用晶片搬运器
可经配置以在计量工具与检验子系统之间以下述一种方式移动晶片:可在过程之间将晶片
从计量工具直接移动到检验子系统中而无须将晶片放回到其输送盒或其它容器中。共用电
源可包含此项技术中已知的任何适合电源。计算机子系统可如本文中进一步描述地耦合到
计量工具以及检验子系统,使得计算机子系统可如本文中进一步描述地与计量工具及检验
子系统互动。额外模块可以上文所描述的相同方式被并入到系统中。
统可被配置为模块丛集,所述模块中的每一者可经配置以执行不同的过程。另外,测量室、
检验子系统及额外模块可横向地或垂直地接近系统的装载室414而安置。装载室可经配置
以支撑多个晶片,例如将在系统中进行处理的晶片的输送盒416。晶片搬运器408可经配置
以在进行测量及/或检验之前从装载室移除晶片并将经测量及/或经检验晶片放置到装载
室中。此外,可将测量室安置于接近检验子系统的其它位置中,例如为计量工具硬件留出足
够空间的任何位置及晶片搬运器可适合的任何位置,使得可在测量室与检验子系统之间移
动晶片。以此方式,晶片搬运器408、载台(未展示)或另一适合机械装置可经配置以往来于
系统的计量工具及检验子系统而移动晶片。
的坐标系匹配。换句话说,为了正确地叠对缺陷与计量数据,可在计量工具与检验子系统之
间对坐标系及布局进行匹配。可被匹配的参数可包含裸片大小、裸片中心位置(0,0裸片)、
光罩(曝光场)大小及裸片/光罩原点。为了测试计量坐标系统与缺陷坐标系统的潜在正确
匹配,可在检验子系统上检验已被计量工具测量的特定测量点,使得可将由检验子系统报
告的x、y位置与计量工具中所使用的x、y位置进行比较、关联及/或匹配。
标系统中的位置(分别是测量点位置及缺陷位置)。因此,可对坐标系进行匹配以然后相对
于测量系统的位置确定缺陷的位置。可以若干种不同方式来执行所述匹配。举例来说,可识
别在进行计量及检验两者时测量或检测的晶片上的一或多个共用参考点且使用所述一或
多个共用参考点来确定计量及检验时所使用及/或所报告的不同坐标之间的一或多个偏
移。然后可使用那一或多个偏移来将任一个所报告位置从一个坐标系转换到另一坐标系。
一旦缺陷位置已被转换到计量坐标或测量点位置已被转换到检验坐标,便可相对于测量点
位置而确定缺陷的位置。
置至少部分地重叠的任何缺陷位置及/或仅包含完全位于测量点位置内的缺陷位置。另外,
在坐标系匹配或转换之后,可识别出不与测量点位置中的任一者基本上相同的缺陷位置
(其可包含大多数缺陷位置)。在一些例子中,相对于测量点位置的缺陷位置可仅被确定为
通过坐标系匹配或转换产生的共用坐标系中的缺陷位置。然而,相对于测量点位置确定缺
陷位置还可或替代地包含确定在通过坐标系匹配或转换产生的共用坐标系中,缺陷位置中
的每一者与一或多个最靠近测量点的位置之间的偏移或距离。因此,相对于测量点位置而
确定这些缺陷的位置还可包含确定测量点中的哪一者(哪些)最靠近缺陷位置,且还可存储
关于对应缺陷位置的信息。因此,通常,可在本文中所描述的实施例中使用不同的方法来确
定在共用坐标系统中缺陷位置与测量点位置之间的相对位置。
预测(例如,经内插)测量以缺陷级属性的形式附加到检验结果。基于计量的缺陷级属性可
作为任何其它缺陷属性包含于检验结果文件中。在一个此类实例中,在检验结果表中,每一
行可包含针对缺陷产生的不同信息,且每一列可对应于不同信息的一种类型(例如,缺陷
ID、缺陷x坐标、缺陷y坐标、第一缺陷属性、第二缺陷属性等)。因此,可通过对基于计量的缺
陷级属性中的每一者添加列来将基于计量的缺陷级属性附加到检验结果,且列中的每一行
包含与每一行对应的缺陷的基于计量的缺陷级属性。
述基于计量的缺陷属性是在检测到每一缺陷的位置处确定的膜厚度值。另外,将计量数据
指派给缺陷可包含基于相对于测量点位置而确定的缺陷的位置而将多于一种类型的计量
数据作为多于一个基于计量的缺陷属性指派给缺陷。举例来说,每一缺陷可被指派两个基
于计量的缺陷属性,所述两个基于计量的缺陷属性是在检测到每一缺陷的位置处确定的膜
厚度值及CD值。以此方式,指派步骤可包含:基于相对于测量点位置而确定的缺陷的位置来
将计量数据作为一或多个缺陷属性指派到缺陷。因此,本文中所描述的实施例经配置以利
用作为缺陷级属性积分的计量数据来进行晶片检验。
量来在测量点处确定两个或多于两个不同的晶片特性。以此方式,在每一测量点处产生的
计量数据可包含测量点的晶片位置的信息及其对应测量,例如,M=(X,Y,A,B,…,D),其中X
及Y是测量点的X及Y坐标,且A、B、…、D是在测量点处执行的测量的值及/或依据在测量点处
执行的测量而确定的计量数据的值。在此些例子中,并非所有计量数据均可作为一或若干
缺陷属性被指派给缺陷。举例来说,计量数据可包含经图案化结构轮廓及线宽度粗糙度,且
那些特性中的一者或两者可作为缺陷属性被指派给缺陷。举例来说,可通过相对于缺陷位
置预测(例如,内插或外推)计量数据来确定被指派给缺陷的计量数据且每一缺陷可自动标
记有测量或计量数据以作为新的缺陷级属性,例如,M=(X,Y,A,B,…,D),其中X及Y是缺陷
的X及Y坐标,且A、B、…、D是在缺陷位置处预测的测量值或计量数据值。在一些例子中,执行
哪些测量类型及/或确定哪一(哪些)特性且然后指派给缺陷可由用户选择。举例来说,作为
一或多个缺陷属性指派给缺陷的计量数据可由用户选择以允许将领域知识注入到使用缺
陷属性来执行的步骤中,例如分类及/或扰乱筛除。
对于测量点位置而确定缺陷位置可包含确定在同一坐标系统中缺陷位置中的任一者是否
与测量点位置重叠或相同。如果测量点位置中的任一者与缺陷位置重叠或相同,那么即使
并非通过设计使然,计量工具也已在缺陷位置处有效地执行了测量。在任何情形中,由于已
对具有与测量点位置相同或重叠的位置的缺陷有效地执行了测量,因此可将在测量点位置
处产生的计量数据指派给那些缺陷。以此方式,如果缺陷是在测量点中的第一者处被检测
到,那么可将在测量点中的第一者处产生的计量数据指派给缺陷;如果缺陷是在测量点中
的第二处被检测到,那么可将在测量点中的第二者处产生的计量数据指派给缺陷;以此类
推。
法来将计量数据指派给许多(或大多数)所检测缺陷。特定来说,对于在测量点中的任一者
处均未被检测到的缺陷来说,指派包含依据在测量点处产生的计量数据及相对于测量点位
置而确定的缺陷位置来预测检测到缺陷的位置处的计量数据。举例来说,可使用本文中所
描述的方法中的一者来在检验期间使用在测量点处产生的计量数据预测缺陷位置处的计
量数据。由于大部分缺陷通常将不能在与晶片上的测量点相同的位置处被检测到,因此预
测将是在使本文中所描述的实施例适当发挥作用的重要步骤。
测步骤中所使用的内插可包含此项技术中已知的任何适合内插方法。适合的内插方法的实
例包含但不限于:线性内插、多项式内插、样条内插、非线性内插、经由高斯过程(Gaussian
process)进行的内插、多元内插、双线性内插及双三次内插,上述所有内插方法可以此项技
术中已知的任何适合方式来执行。
据。对于计量与缺陷的相关性来说,在晶片上检测到的所有缺陷的精确计量数据是优选的。
由于计量测量将几乎不会在检测到缺陷的同一位置处进行,因此可将计量数据外推到缺陷
位置。外推的准确度取决于在晶片上进行的计量测量的密度及用于外推的模型。用于外推
的模型取决于计量使用情形(CD、膜、叠对等)。不同方法可用于外推。
片上具有用户所定义网格大小的每一点提取计量数据中的晶片特性的值。然后可将此计量
值应用到同一网格内的缺陷。以此方式,可根据缺陷所在的网格的值将计量值指派给每一
缺陷。
光工具的模型而确定,所述曝光工具用于制作被检验的晶片的层。基于可用模型,可跨越晶
片针对用户定义数目个测量点导出数据。5D分析器可依据实际测量以建模数据填充晶片上
的任何经界定点以跨越晶片获得相对大数目个建模叠对数据。然后可将此数据附加到检验
结果,如X及Y方向的任何其它计量数据一样。一旦将所述数据与缺陷检测数据结合起来,便
可使用经定义网格将上文描述的等值线方法应用于在晶片上检测到的每一缺陷。
子系统然后可针对晶片上的每一缺陷位置计算叠对值。此方法将减少计量工具(或5D分析
器)与一或多个计算机子系统之间的所需数据传送且将允许确定每一缺陷位置的精确的建
模叠对结果而非使用如上文所描述的网格的近似结果。尽管上文已将基于模型的方法描述
为用于叠对数据,但此方法可用于本文中所描述的任何其它计量数据,这是因为5D分析器
具有将任何计量数据建模的能力。
属性)作为缺陷分类器或扰乱筛除器中的任何其它缺陷属性(例如,本文中进一步描述的缺
陷属性中的一者)以实现经改进的DOI/扰乱区分。以此方式,本文中所描述的实施例将计量
积分到检验及特定来说计量标记的检验结果的扰乱筛除中。换句话说,将作为缺陷属性指
派给缺陷的计量数据积分到确定哪些所检测缺陷是扰乱且哪些所检测缺陷是DOI的检验过
程中。因此,本文中所描述实施例的一个显著优势是其将各种相关晶片特性的已知测量明
确引入到检验中,所述相关晶片特影响在检验期间针对晶片产生的输出且因此对区分扰乱
与DOI的能力产生负面影响。获取计量数据、在所检测缺陷位置处预测(例如内插、外推等)
计量数据且将计量数据用作缺陷级属性来进行扰乱筛除及缺陷分类的此概念被认为是新
颖的。另外,按照本文中的描述使用的计量工具的额外信息将允许更稳健地诊断检验结果
且将显著改进区分不重要因素的能力。
致的检验不稳定性。特定来说,本文中所描述的实施例可改进检验稳定性,这是因为测量捕
获会导致检验噪声的晶片特性。在一个此类实施例中,噪声包含晶片级噪声。在另一此类实
施例中,噪声包含晶片间噪声。举例来说,通过使用本文中所描述的计量数据作为缺陷级属
性,会在缺陷(过程)监测时产生可变DOI捕获率及扰乱率的不期望的晶片级变化及晶片间
变化得到抑制。使用计量数据作为缺陷级属性来更好地了解晶片噪声且使检验在晶片间变
化方面达到稳定的想法被认为是新颖的。
利用激光器散射执行的检验)通常基于从目标输出(例如,目标图像)减去参考输出(例如,
参考图像)的原理而进行。可执行此缺陷检测以在裸片的逻辑区域中实现裸片间检验且在
裸片的阵列区域中实现单元间检验。那些检验中的晶片噪声特性然后将被直接关联到晶片
上目标位置与参考位置的物理差异。因此,在一些情形中,无法仅通过将计量测量内插或外
推到缺陷位置并从内插或外推值创建缺陷属性来获得检验噪声与计量(例如,本文中所描
述的CD测量、膜厚度及其它)之间的直接相关性。
(关于相对于晶片上的测量点位置来确定晶片上的缺陷的位置)。
参考位置来说,将计量数据指派给参考位置包含:基于测量点中定位有参考位置的测量点
来将测量点处产生的所获取计量数据指派给参考位置。可如本文中进一步描述地对相对于
测量点位置的缺陷位置执行此步骤。对于不位于测量点中的任一者处的参考位置来说,将
计量数据指派给参考位置还包含依据在测量点处产生的计量数据及相对于测量点位置而
确定的参考位置的位置来预测参考位置处的计量数据。还可如本文中进一步描述地对缺陷
位置执行此步骤。
属性来确定所述缺陷的缺陷属性,在缺陷检测方法中从目标位置中的一者减去参考位置的
输出。可使用指派给其对应缺陷及参考位置的计量数据来针对任何其它缺陷重复此步骤。
以此方式,一或多个计算机子系统可将计量数据指派给缺陷的位置及参考位置(例如,通过
内插、外推等),减去对应缺陷及参考位置的计量数据的值,且从所减去值形成缺陷属性。如
此,可以与用于缺陷检测相同的方式减去指派给缺陷及参考位置的计量数据以响应于在晶
片特性上目标到参考的变化而产生缺陷的缺陷属性。
理差异所致的晶片噪声特性可导致在晶片上检测到噪声及扰乱。然而,按照本文中的描述
来确定的缺陷属性可响应于此类晶片噪声特性且如本文中进一步描述地使用此些缺陷属
性来区分扰乱与DOI将减弱此些噪声(例如,裸片间噪声、单元间噪声等)对检验结果的影
响。
为另一缺陷属性指派给缺陷。在一个此类实施例中,对于在测量点处检测到的缺陷来说,指
派额外数据包含基于测量点中检测到缺陷的那些测量点来将测量点处的额外数据指派给
缺陷,且对于在测量点中的任一者处均未被检测到的缺陷来说,指派额外数据包含依据测
量点处的额外数据及相对于测量点位置而确定的缺陷的位置来预测检测到缺陷的位置处
的额外数据。举例来说,一或多个计算机子系统可任选地从测量产生其它数量,例如测量梯
度等,且以本文中进一步描述的相同方式将所述其它数量附加到检验。可以此项技术中已
知的任何适合方式确定例如测量梯度等其它数量。
量的缺陷级属性组合使用。换句话说,如本文中所描述地指派给缺陷的计量数据可与基于
计量数据针对缺陷而确定的任何其它缺陷属性组合使用以借此提高计算机子系统区分扰
乱与DOI的能力。如本文中进一步描述地,确定缺陷是扰乱还是DOI可利用基于学习的缺陷
分类器来执行。因此,指派给缺陷的计量数据与依据计量数据针对缺陷确定的任何其它数
据的组合可被输入到基于学习的缺陷分类器,使得基于学习的分类程序可选择计量数据及
依据计量数据确定的数据中的哪些用作缺陷属性来将缺陷区分成扰乱及DOI。
测器产生的输出针对缺陷而确定的。举例来说,一或多个计算机子系统可经配置以使用由
检验子系统产生的输出及/或可用于计算机子系统的针对晶片的任何其它信息(例如,晶片
的任何设计信息)来确定所检测到的缺陷的一或多个缺陷属性。因此,这些其它缺陷属性可
与如本文中所描述地确定的基于计量的缺陷级属性组合使用。换句话说,如本文中所描述
地指派给缺陷的计量数据可与通过检验针对缺陷而确定的任何其它缺陷属性组合使用以
借此提高计算机子系统区分扰乱与DOI的能力。如本文中进一步描述地,确定缺陷是扰乱还
是DOI可利用基于学习的缺陷分类器来执行。因此,指派给缺陷的计量数据与针对缺陷确定
的任何其它缺陷属性的组合可被输入到基于学习的缺陷分类器,使得基于学习的分类器可
选择计量数据及缺陷属性中的哪些用于将缺陷区分成扰乱及DOI。
说,实施本文中所描述的能力的一种方式是将位置特有计量数据存储于数据库中且在检验
期间检索所述位置特有计量数据,飞速计算缺陷级属性,并联机应用扰乱筛除器,使得将巨
大预筛除缺陷率对检验吞吐量的影响最小化。尽管计算额外缺陷属性可引入吞吐量开销,
但计算将是基本上简单的且与对所检测到的缺陷所进行的现有处理相比应是极端快速的。
检验结果进行后处理。然而,此方法将不能移除对检验吞吐量产生潜在影响的缺陷。
个量级的候选者。扰乱筛除的“叶上”(即,进行检测的同一计算机节点)版本可运行,从而本
质上用作“检测”过程的扩展。此扰乱筛除可经配置以使用此检验的基于计量的缺陷属性。
另一轮扰乱筛除可在晶片被检验且晶片级属性被计算(特征、基于设计的分格等)之后执
行。
全剔除,使得检验结果仅包含被识别为DOI的缺陷的信息。然而,在一些例子中,不完全剔除
被识别为扰乱的缺陷的信息可为有用的。在此些例子中,检验结果可包含识别为扰乱的缺
陷及识别为DOI的缺陷的单独文件、数据库或其它数据结构。以此方式,扰乱的信息将与DOI
的信息分离,这可使得使用不同的信息更容易。然而,在其它例子中,在检验结果中区分扰
乱与DOI并不一定包含剔除或区分信息。举例来说,区分扰乱与DOI可仅包含将缺陷中的每
一者标记为扰乱或DOI(例如,经由分类码)且将那些标签与由本文中所描述的检验及/或计
算机子系统产生的缺陷的任何其它信息存储于检验结果中。以此方式,如果使用扰乱或DOI
的信息,那么整个检验结果文件可仅以被指派给缺陷的标签来筛除或存储。在用于区分缺
陷的这些方法中的任一者中,扰乱及DOI的信息可易于单独地或统一地存取及使用。
任何方式存储。存储媒体可包含本文中所描述的存储媒体或本技术中已知的任何其它适合
的存储媒体。在已存储结果之后,所述结果可在存储媒体中被存取及由本文中所描述的方
法或系统实施例中的任一者使用、经格式化以显示给用户、由另一软件模块、方法或系统等
等使用以对晶片或同一类型的另一晶片执行一或多个功能。此些功能包含但不限于以反馈
方式更改例如制作过程等过程或对晶片执行的步骤、以前馈方式更改例如制作过程等过程
或将对晶片执行的步骤等。
护。在一个此类实例中,来自如本文中所描述地而使用的计量工具的额外信息将允许对检
验结果进行更稳健的诊断且显著提高区分不重要因素的能力。监测检验过程可包含将计量
数据与缺陷检测结果组合使用以确定晶片特性如何影响缺陷检测结果。因此,缺陷检测结
果及经组合计量数据可用于确定是否需要响应于晶片的改变而调整由检验子系统执行的
检验过程。以类似方式,计量数据及确定哪些缺陷是扰乱且哪些缺陷是DOI的结果可用于调
整缺陷分类器的一或多个参数,例如,经由重新调谐或重新训练,此可如本文中进一步描述
地执行。
对已成为重要光刻参数,在其它方面中心化的过程上叠对是新系统性缺陷的源头。除了叠
对及CD膜厚度之外,晶片形貌及其它计量数据还可为这些缺陷的根源。不仅检测这些缺陷
的根源(系统性缺陷发现)而且发现扩展过程窗(过程窗扩展)的方式变得重要。
的组件(例如,图1中所展示的组件100)包含基于学习的缺陷分类器104。基于学习的缺陷分
类器经配置以对在晶片上检测到的缺陷进行分类。尽管基于学习的缺陷分类器在本文中通
常被称为“缺陷分类器”,但基于学习的缺陷分类器还可被称为扰乱筛除器,这是因为对其
进行配置的主要目的是区分扰乱与DOI。由于区分扰乱与DOI本质上可被视为一种缺陷分
类,因此经配置以进行此区分的基于学习的缺陷分类器在本文中通常被称为缺陷分类器。
开。因此,基于学习的缺陷分类器可将类别指派给缺陷中的每一者,其可为扰乱类别、第DOI
类别、第二DOI类别等。以此方式,本文中所描述的缺陷分类器可经配置以用于多类别分类
问题以及标称“真实”对“扰乱”筛除应用。
就其它机器学习模型来说,关于正面实例及反面实例(或“反例”)来执行训练步骤,已利用
SEM或其它基础真实方法或系统将所述正面实例及反面实例验证为用于训练的“基础真实”
实例。正面实例将是“真实缺陷”,且反面实例将是扰乱事件。除了随机森林决策树之外,本
文中进一步描述可用于缺陷分类器的机器学习方法及算法的额外实例。基本上,尽管本文
中详细地描述了一些特别有用的缺陷分类器实施例,但可将检验子系统输出(例如,图像)
视作缺陷及数据(例如,本文中所描述的计量数据)的其它潜在“通道”,使得可由适当定义
的缺陷分类方法调节输入图像(或其它检验子系统输出)与属性的混合的任何缺陷分类器
可用于在本文中所描述的识别步骤中区分扰乱与DOI。
子系统或耦合到检验子系统的计算机子系统产生的晶片的输入的特征。举例来说,如图6中
所展示,在一个实施例中,基于学习的模型的第一部分包含确定输入604的特征(例如,特征
图608)的卷积层606,输入604包含图像,所述图像可至少包含缺陷图像且可能还包含参考
图像及设计以及按照本文中的描述确定的缺陷属性。可按照本文中的描述对这些层进行进
一步配置。还可按照本文中的描述对图像、缺陷属性及特征进行进一步配置。
型的第二部分包含全连接层610。如图6中进一步展示,去往全连接层610的输入是所确定的
特征,例如特征图608,且全连接层610的输出是分类612。因此,全连接层610可包含于第二
部分中且可经配置以进行缺陷分类。可按照本文中的描述对这些层进行进一步配置。还可
按照本文中的描述来对各个一或多个输出进行进一步配置。
级抽象建模的一组算法的机器学习的分支。在简单情形中,可存在两种神经元:一种接收输
入信号且一种发送输出信号。当输入层接收输入时,其将输入的修改版本传递到下一层。在
基于深度学习的模型中,在输入与输出之间存在许多层(且层并非由神经元构成但其可有
助于像神经元一样思考),从而允许算法使用由多个线性变换及非线性变换组成的多个处
理层。
缘、特定形状的区等。在简化学习任务时(例如,面部辨识或面部表情辨识),一些表示优于
其它表示。深度学习的前景中的一者是利用高效算法替换手绘特征以用于无人监控或半无
人监控特征学习及层级特征提取。
处理及通信模式的解译,例如力图定义各种刺激与大脑中的相关联神经元反应之间的关系
的神经编码。
程。机器学习聚焦于计算机程序的开发,此可使计算机程序在接触到新数据时学会成长及
改变。换句话说,机器学习可被定义为计算机科学的子领域,其“赋予计算机学习能力而无
需明确地进行编程”。机器学习探索可向数据学习且对数据做出预测的算法的研究及建构–
此类算法通过经由从简单输入建立模型来做出数据驱动型预测或决策来克服以下完全静
态的程序指令。
“辨别性、生成性及模仿性学习(Discriminative,Generative,and Imitative Learning)”
(MIT论文,2002,212页);及汉德(Hand等人)的“数据挖掘原理(适应性计算及机器学习)
(Principles of Data Mining(Adaptive Computation and Machine Learning))”(MIT出
版社,2001,578页)中的描述进一步执行本文中所描述的机器学习;所述文献如完全陈述一
般以引用方式并入本文中。可按照这些参考中的描述对本文中所描述的实施例进行进一步
配置。
的模型。相反,可基于适合训练数据集来学习生成模型(原因在于其参数可被学习)。在一个
实施例中,基于学习的缺陷分类器被配置为深度生成模型。举例来说,基于学习的缺陷分类
器可经配置以具有深度学习架构,这是因为缺陷分类器可包含执行若干种算法或变换的多
个层。
网络通常可被定义为基于相对大量神经单元的计算方法,所述神经单元将生物学大脑利用
由轴突连接的相对大的生物学神经元丛集解决问题的方式松散地建模。每一神经单元与许
多其它神经单元连接,且连结可加强或抑制其对连接神经单元的激活状态的影响。这些系
统是自我学习与训练型的而非明确地被编程且在解决方案或特征检测以传统计算机程序
难以表达的领域中表现出色。
依靠数千个乃至数百万个神经单元以及数百万个连接来工作。神经网络可具有此项技术中
已知的任何适合架构及/或配置。
地配置及训练以对图像进行分类。克里泽夫斯基(Krizhevsky)等人在NIPS2012上的“利用
深度卷积神经网络的ImageNet分类(ImageNet Classification with Deep
Convolutional Neural Networks)”中描述了被配置为AlexNet的神经网络的实例,所述文
献如完全陈述一般以引用方式并入本文中。可按照此参考中的描述对本文中所描述的基于
学习的缺陷分类器进行进一步配置。
然GoogleNet架构可包含相对高数目个层(尤其与本文中所描述的一些其它神经网络相
比),但一些层可并行地操作,且彼此并行操作的层的群组通常被称为开端模块。层中的其
它层可依序操作。因此,GoogleNet与本文中所描述的其它神经网络的差异在于并非所有层
均被布置成顺序结构。塞格德(Szegedy)等人在CVPR 2015上的“深入了解卷积(Going
Deeper with Convolutions)”中描述了被配置为GoogleNet的神经网络的实例,所述文献
如完全陈述一般以引用方式并入本文中。可按照此参考中的描述对本文中所描述的基于学
习的缺陷分类器进行进一步配置。
筛除器使添加卷积层以增加深度成为可能。如本文中所描述的其它神经网络一样,VGG网络
经创建及训练以对图像进行分类。VGG网络还包含卷积层,后续接着全连接层。西蒙尼扬
(Simonyan)等人在ICLR 2015上的“用于大尺度图像辨识的极深卷积网络(Very Deep
Convolutional Networks for Large-Scale Image Recognition)”中描述了被配置为VGG
的神经网络的实例,所述文件如完全陈述一般以引用方式并入本文中。可按照此参考中的
描述对本文中所描述的基于学习的缺陷分类器进行进一步配置。
接着全连接层,卷积层与全连接层经组合地配置及训练以用于图像分类。在深度残差网络
中,所述层经配置以参考层输入来学习残差功能,而非学习未提及的功能。特定来说,并非
是期望每几个堆叠层直接适合所期望的基础映射,而这些层被明确允许适合残差映射,这
由具有快捷连接的前馈神经网络实现。快捷连接是跳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连接来创建深度残差网,所述快捷连接借此采用
普通神经网络且将其变成残差学习配对物。赫(He)等人在NIPS 2015上的“用于图像辨识的
深度残差学习(Deep Residual Learning for Image Recognition)”中描述了深度残差网
的实例,所述文献如完全陈述一般以引用方式并入本文中。可按照此参考中的描述对本文
中所描述基于学习的缺陷分类器进行进一步配置。
图像(即,特征图)依据位置确定图像的特征。以此方式,基于学习的缺陷分类器的一部分可
配置为卷积神经网络(CNN)。举例来说,基于学习的缺陷分类器的第一部分可被配置为CNN,
其通常是卷积层与汇聚层的堆叠以提取局部特征。本文中所描述的实施例可利用例如CNN
等深度学习概念来解决通常棘手的表示反转问题。第一部分可具有此项技术中已知的任何
CNN配置或架构。一或多个汇聚层还可具有此项技术中已知的任何适合配置(例如,最大汇
聚层)且通常经配置以减小由一或多个卷积层产生的特征图的维数而保留最重要特征。
述的输出。举例来说,所述特征可包含每像素的强度值的向量。所述特征还可包含纯量值向
量、独立分布的向量、联合分布的向量,或此项技术中已知的任何其它适合特征类型。
的节点中的每一者的层。全连接层从特征图608选择特征且然后基于选定特征对缺陷进行
分类。选定特征可包含特征图中的所有特征(在适当情况下)或仅包含特征图中的一些特
征。基于学习的缺陷分类器输出分类612,分类612可包含每缺陷的分类结果和与每一分类
结果相关联的置信度。还可按照本文中的进一步描述来使用分类的结果。分类可具有任何
适合的格式(例如,缺陷ID、缺陷说明,例如“图案”、“桥接部”等)。可按照本文中的进一步描
述存储并使用分类结果。
式。本文中所描述的实施例可或可不经配置以训练基于学习的缺陷分类器。赫等人于2017
年9月6日提出申请的序列号为15/697,426的共同让与美国专利申请案中可找到可如何训
练基于学习的缺陷分类器的实例,所述美国专利申请案如完全陈述一般以引用方式并入本
文中。可按照本专利申请案中的描述对本文中所描述的实施例进行进一步配置。
性添加到训练数据中之外,可以与现今完全相同的方式执行此训练及/或调谐。以此方式,
在自动标记之后,在训练过程中不需要做出改变或额外努力。
看起来相同的结构图像的事实而导致晶片级噪声。然而,本文中所描述的实施例的显著优
势在于可仅将这些测量作为额外缺陷属性馈送且机器学习算法学习哪些测量有助于DOI-
扰乱区分以及如何进行区分。如果基于计量数据的缺陷级属性中的一或多者是无用的,那
么基于学习的缺陷分类器将在训练期间学习忽视这些缺陷属性。举例来说,在设定时间期
间,本文中所描述的基于学习的缺陷分类器将被提供在训练集中的DOI及扰乱的实例。基于
学习的缺陷分类器基于训练集来判断区分缺陷类型的最佳方式;因此,添加计量“属性”以
给予缺陷分类器另一信息源的想法将可区分性优化及/或调整计量数据中所反映出的过程
变化。以此方式,按照本文中的描述而确定的任何及所有可用的基于计量数据的缺陷属性
可被馈送到缺陷分类器中,且缺陷分类器可学习哪些缺陷属性适合于识别扰乱与DOI。
测,所述美国专利申请公开如完全陈述一般以引用方式案并入本文中。本文中所描述的实
施例可进一步经配置以执行变换(从输入图像到模拟图像),例如以下共同拥有的美国专利
申请公开案中所描述的变换:卡尔桑迪等人的2017年5月18日公开的第2017/0140524号、张
(Zhang)等人的2017年5月25日公开的第2017/0148226号、巴斯卡尔等人的2017年7月6日公
开的第2017/0193400号、张等人的2017年7月6日公开的第2017/0193680号、巴斯卡尔等人
的2017年7月6日公开的第2017/0194126号、巴斯卡尔等人的2017年7月13日公开的第2017/
0200260号、帕克(Park)等人的2017年7月13日公开的第2017/0200264号、巴斯卡尔等人的
2017年7月13日公开的第2017/0200265号及张等人的2017年11月30日公开的第2017/
0345140号,所述美国专利申请公开案如完全陈述一般以引用方式并入本文中。本文中所描
述的实施例可如这些专利申请公开案中所描述进行进一步配置。另外,本文中所描述的实
施例可经配置以执行这些专利申请公开案中所描述的任何步骤。
系统是按照本文中的描述被配置。
骤。所述方法的步骤是由一或多个计算机子系统执行,所述一或多个计算机子系统可根据
本文中所描述的实施例中的任一者来配置。另外,上文所描述的方法可通过本文中所描述
的系统实施例中的任一者来执行。
法。图7中展示一个此类实施例。特定来说,如图7中所展示,非暂时性计算机可读媒体700包
含可在计算机系统704上执行的程序指令702。计算机实施的方法可包含本文中所描述的任
何方法的任何步骤。
其它适合的非暂时性计算机可读媒体。
+对象、JavaBeans、微软基础类别(“MFC”)、SSE(流式SIMD扩展)或者其它技术或方法来实施
程序指令。
统。因此,此说明应被视为仅具说明性,且是出于教示所属领域的技术人员执行本发明的一
般方式的目的。应理解,本文中所展示及所描述的本发明的形式应被视为目前优选实施例。
如所属领域的技术人员在受益于对本发明的此说明之后将全部明了,元件及材料可替代本
文中所图解说明及描述的那些元件及材料,零件及过程可颠倒,且本发明的某些特征可独
立地利用。可在不背离如所附权利要求书中所描述的本发明的精神及范围的情况下对本文
中所描述的元件做出改变。