用于检验的模式选择的方法和系统转让专利
申请号 : CN201980017247.5
文献号 : CN111837228B
文献日 : 2021-11-30
发明人 : M·普利哈尔 , S·帕拉马西万 , A·杰因 , P·俄珀鲁里 , R·科努鲁
申请人 : 科磊股份有限公司
摘要 :
权利要求 :
1.一种经配置以选择用于检验样品的模式的系统,其包括:检验子系统,其经配置以用于通过利用能量扫描样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的输出,其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的多个模式来产生所述输出;及
一或多个计算机子系统,其经配置以用于:确定所述多个模式中的一或多者中的每一者的可分离性得分,借此产生一或多个可分离性得分,其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用利用所述多个模式中的一者产生的所述输出在所述样品上所检测到的具有第一所关注缺陷类型的缺陷的分类器的结果与针对使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义;
确定所述多个模式中的所述一或多者中的每一者的发现效率,借此产生一或多个发现效率,其中所述一或多个模式中的每一者的所述发现效率是由使用利用所述模式中的一者产生的所述输出所捕获的所关注缺陷的数目定义;及基于所述一或多个可分离性得分与所述一或多个发现效率的组合而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品。
2.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用于确定所述多个模式中的所述一或多者中的每一者的总体度量,借此产生一或多个总体度量,且其中所述一或多个模式中的每一者的所述总体度量被定义为所述模式中的一者的所述可分离性得分及所述发现效率的函数。
3.根据权利要求2所述的系统,其中基于所述一或多个总体度量而执行选择所述多个模式的所述子集,借此也基于所述一或多个可分离性得分及所述一或多个发现效率而选择所述多个模式的所述子集。
4.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用于使用在所述扫描期间利用所述多个模式产生的所述输出检测所述样品上的事件且用于将所述事件输入到所述分类器中以借此将所述事件分离成所述缺陷及所述扰乱。
5.根据权利要求4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用于向用户显示所述缺陷及所述扰乱且从所述用户接收对所述缺陷中的一或多者及所述扰乱中的一或多者的选择。
6.根据权利要求5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用于从所述用户接收指示所述缺陷中的所述一或多者中的哪些具有相同类型的输入。
7.根据权利要求5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用于确定由所述用户选择的所述缺陷中的所述一或多者中的每一者的另一可分离性得分,借此产生一或多个其它可分离性得分,且其中所述缺陷中的所述一或多者中的每一者的所述其它可分离性得分是由针对由所述用户选择且使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的所述缺陷中的一者的所述分类器的所述结果与针对使用利用所述模式中的所述一者产生的所述输出在所述样品上所检测到的所述扰乱的所述分类器的所述结果之间的比较之差定义。
8.根据权利要求7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用于基于所述一或多个其它可分离性得分而选择由所述用户选择的所述缺陷中的所述一或多者的子集以借此选择所述缺陷中的所述一或多者中具有所述一或多个其它可分离性得分的最低值的至少一者,且其中基于所述一或多个可分离性得分与所述一或多个其它可分离性得分的组合而执行选择所述多个模式的所述子集。
9.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用于针对所述多个模式的至少一部分确定所述一或多个可分离性得分的特性。
10.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用于:使用在所述扫描期间利用所述多个模式产生的所述输出作为到缺陷检测方法的输入来检测所述样品上的事件;将所述事件输入到所述分类器中以借此将所述事件分离成所述缺陷及所述扰乱;更改所述缺陷检测方法的一或多个参数;以所述缺陷检测方法的所述一或多个经更改参数重复所述检测所述事件的步骤;及将通过所述检测步骤及所述重复所述检测的步骤而检测到的所述事件输入到所述分类器中以借此将所述事件分离成所述缺陷及所述扰乱。
11.根据权利要求10所述的系统,其中更改所述缺陷检测方法的所述一或多个参数包括:识别所述多个模式的一部分,所述多个模式的所述部分被预期能够检测数目比所述多个模式的另一部分多的所述缺陷;及仅选择在利用所述多个模式的所述经识别部分执行的所述扫描期间所产生的所述输出作为到所述缺陷检测方法的所述输入。
12.根据权利要求1所述的系统,其中选择所述多个模式的所述子集包括:基于所述一或多个可分离性得分而选择所述多个模式的初始子集;利用所述多个模式的所述初始子集执行所述扫描;针对所述多个模式的所述初始子集重复所述确定所述可分离性得分的步骤;及基于针对所述多个模式的所述初始子集所确定的所述一或多个可分离性得分与所述一或多个发现效率的组合而选择所述多个模式的最后子集以用于检验与所述样品为所述相同类型的所述其它样品。
13.根据权利要求1所述的系统,其中所述分类器被配置为扰乱筛选器。
14.根据权利要求1所述的系统,其中所述样品包括晶片。
15.根据权利要求1所述的系统,其中在所述样品上扫描的所述能量包括光,且其中从所述样品检测到的所述能量包括光。
16.根据权利要求1所述的系统,其中在所述样品上扫描的所述能量包括电子,且其中从所述样品检测到的所述能量包括电子。
17.一种存储程序指令的非暂时性计算机可读媒体,所述程序指令在计算机系统上执行以用于执行用于选择用于检验样品的模式的计算机实施的方法,其中所述计算机实施的方法包括:
确定检验子系统的多个模式中的一或多者中的每一者的可分离性得分,借此产生一或多个可分离性得分,其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用通过所述多个模式中的一者产生的输出在样品上所检测到的具有第一所关注缺陷类型的缺陷的分类器的结果与针对使用通过所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义,其中所述检验子系统经配置以用于通过利用能量扫描所述样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的所述输出,且其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的所述多个模式来产生所述输出;
确定所述多个模式中的所述一或多者中的每一者的发现效率,借此产生一或多个发现效率,其中所述一或多个模式中的每一者的所述发现效率是由使用利用所述模式中的一者产生的所述输出所捕获的所关注缺陷的数目定义;及基于所述一或多个可分离性得分与所述一或多个发现效率的组合而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品,其中由所述计算机系统执行确定所述可分离性得分的步骤、确定所述发现效率的步骤及选择所述子集的步骤。
18.一种用于选择用于检验样品的模式的计算机实施的方法,其包括:确定检验子系统的多个模式中的一或多者中的每一者的可分离性得分,借此产生一或多个可分离性得分,其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用通过所述多个模式中的一者产生的输出在样品上所检测到的具有第一所关注缺陷类型的缺陷的分类器的结果与针对使用通过所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义,其中所述检验子系统经配置以用于通过利用能量扫描所述样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的所述输出,且其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的所述多个模式来产生所述输出;
确定所述多个模式中的所述一或多者中的每一者的发现效率,借此产生一或多个发现效率,其中所述一或多个模式中的每一者的所述发现效率是由使用利用所述模式中的一者产生的所述输出所捕获的所关注缺陷的数目定义;及基于所述一或多个可分离性得分与所述一或多个发现效率的组合而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品,其中由一或多个计算机子系统执行确定所述可分离性得分的步骤、确定所述发现效率的步骤及选择所述子集的步骤。
19.一种经配置以选择用于检验样品的模式的系统,其包括:检验子系统,其经配置以用于通过利用能量扫描样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的输出,其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的多个模式来产生所述输出;及
一或多个计算机子系统,其经配置以用于:使用在所述扫描期间利用所述多个模式产生的所述输出检测所述样品上的事件且用于将所述事件输入到分类器中以借此将所述事件分离成缺陷及扰乱;
确定所述多个模式中的一或多者中的每一者的可分离性得分,借此产生一或多个可分离性得分,其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用利用所述多个模式中的一者产生的所述输出在所述样品上所检测到的具有第一所关注缺陷类型的所述缺陷的所述分类器的结果与针对使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的所述扰乱的所述分类器的所述结果之间的差定义;
向用户显示所述缺陷及所述扰乱且从所述用户接收对所述缺陷中的一或多者及所述扰乱中的一或多者的选择;
确定由所述用户选择的所述缺陷中的所述一或多者中的每一者的另一可分离性得分,借此产生一或多个其它可分离性得分,其中所述缺陷中的所述一或多者中的每一者的所述其它可分离性得分是由针对由所述用户选择且使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的所述缺陷中的一者的所述分类器的所述结果与针对使用利用所述模式中的所述一者产生的所述输出在所述样品上所检测到的所述扰乱的所述分类器的所述结果之间的比较之差定义;以及基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品。
20.根据权利要求19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用于从所述用户接收指示所述缺陷中的所述一或多者中的哪些具有相同类型的输入。
21.根据权利要求19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用于基于所述一或多个其它可分离性得分而选择由所述用户选择的所述缺陷中的所述一或多者的子集以借此选择所述缺陷中的所述一或多者中具有所述一或多个其它可分离性得分的最低值的至少一者,且其中基于所述一或多个可分离性得分与所述一或多个其它可分离性得分的组合而执行选择所述多个模式的所述子集。
22.一种经配置以选择用于检验样品的模式的系统,其包括:检验子系统,其经配置以用于通过利用能量扫描样品且在所述扫描期间检测来自所述样品的能量而产生针对所述样品的输出,其中所述检验子系统进一步经配置以用于利用由用于产生所述输出的所述检验子系统的至少一个参数的不同值定义的多个模式来产生所述输出;及
一或多个计算机子系统,其经配置以用于:确定所述多个模式中的一或多者中的每一者的可分离性得分,借此产生一或多个可分离性得分,其中所述一或多个模式中的每一者的所述可分离性得分是由针对使用利用所述多个模式中的一者产生的所述输出在所述样品上所检测到的具有第一所关注缺陷类型的缺陷的分类器的结果与针对使用利用所述多个模式中的所述一者产生的所述输出在所述样品上所检测到的扰乱的所述分类器的所述结果之间的差定义;以及基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品为相同类型的其它样品,其中选择所述多个模式的所述子集包括:基于所述一或多个可分离性得分而选择所述多个模式的初始子集;利用所述多个模式的所述初始子集执行所述扫描;针对所述多个模式的所述初始子集重复所述确定所述可分离性得分的步骤;及基于针对所述多个模式的所述初始子集所确定的所述一或多个可分离性得分而选择所述多个模式的最后子集以用于检验与所述样品为所述相同类型的所述其它样品。
说明书 :
用于检验的模式选择的方法和系统
技术领域
背景技术
分。然而,随着半导体装置的尺寸减小,检验对可接受半导体装置的成功制造变得甚至更加
重要,这是因为较小缺陷可导致装置不合格。举例来说,随着半导体装置的尺寸减小,对减
小大小的缺陷的检测变得有必要,这是因为甚至相对小的缺陷也可在半导体装置中造成非
想要的像差。
调整输出获取参数的检验系统向半导体装置制造者呈现显著优点,但这些检验系统在将不
正确输出获取参数用于检验过程的情况下基本上无用。另外,由于晶片上的缺陷、过程条件
及噪声可显著变化(且由于晶片本身的特性可显著变化),因此用于检测特定晶片上的缺陷
的最佳输出获取参数可难以预测(如果并非是不可能的)。因此,尽管使用正确输出获取参
数将会对检验的结果具有显著效应,但可设想许多检验过程当前正用不正确或非最优输出
获取参数来执行。
样品而执行缺陷发现以改进发现所有缺陷类型的机会。所述发现本身很大程度上依赖于对
个别热扫描执行的多样性取样。
及缺陷属性而展示与DOI的类似性的扰乱来执行此选择。
析的经验及直觉。
上是耗时的。当前使用的系统及方法的另一缺点是其不考虑缺陷与扰乱可分离性。另外,当
前使用的系统及方法依赖于人类专家筛选基本上大量数据以找出最相关缺陷集(将对其执
行光学模式选择分析)的能力。此外,在当前使用的方法及系统中,人类专家不具有处理所
有信息或数据量以做出最佳决策的能力。此外,在当前使用的方法及系统中,仅有限的有用
信息对于用户做出决策是可用的。
发明内容
自所述样品的能量而产生针对所述样品的输出。所述检验子系统还经配置以用于利用由用
于产生所述输出的所述检验子系统的至少一个参数的不同值定义的多个模式来产生所述
输出。所述系统还包含一或多个计算机子系统,所述一或多个计算机子系统经配置以用于
确定所述多个模式中的一或多者中的每一者的可分离性得分,借此产生一或多个可分离性
得分。所述一或多个模式中的每一者的所述可分离性得分是由针对使用利用所述多个模式
中的一者产生的所述输出在所述样品上所检测到的具有第一所关注缺陷(DOI)类型的缺陷
的分类器的结果与针对使用利用所述多个模式中的所述一者产生的所述输出在所述样品
上所检测到的扰乱的所述分类器的所述结果之间的差定义。所述计算机子系统还经配置以
用于基于所述一或多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用
于检验与所述样品为相同类型的其它样品。可如本文中所描述而进一步配置所述系统。
述步骤由或多个计算机子系统执行。可如本文中进一步描述而执行所述方法。另外,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。此外,所述方法可由本文中所描
述的系统中的任一者执行。
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进一步配置所述计算
机可读媒体。可如本文中进一步描述而执行所述计算机实施的方法的步骤。另外,可为其执
行所述程序指令的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。
附图说明
中的一或多者的程序指令。
制于所揭示的特定形式,而是相反,本发明将涵盖归属于如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
用相同参考编号指示可类似地配置的在一个以上图中所展示的元件。除非本文中另外提
及,否则所描述及所展示的元件中的任一元件可包含任何适合可商购元件。
择任何其它模式(例如,电子束、离子束、x射线等)来检验例如晶片或光罩的样品。在一个实
施例中,所述样品包含晶片。在另一实施例中,所述样品包含光罩。所述晶片及所述光罩可
包含所属领域中已知的任何晶片及光罩。另外,尽管在本文中描述用于选择用于检验的模
式的一些实施例,但应理解,所述实施例可选择最终用于检验中的一或多个模式。
在检验处方设置期间最重要且具挑战性的任务中的一者。在理想情景中,光学选择器(OS)
的目标是找出具有缺陷的最高信噪比(S/N)、可靠地检测缺陷而且在检验中看到最少扰乱
量的最佳光学模式。在当今执行此过程时,此过程是重度手动的且主观的。其依赖于完备的
最佳已知方法(BKM)且依赖于模式选择的阶层式方法(焦点偏移→光谱及光圈→像素大小
及速度)。其还需要对光充足性等等的非平凡分析以保证对光学模式的分析是可靠的。OS的
输入通常是用于导引用户朝向最佳光学模式的缺陷的列表。同样地,所述输入取决于用户
而基本上是主观的。通常,用户查看缺陷的扫描电子显微镜(SEM)图像且选择哪些缺陷将用
于OS。
文中所描述的实施例还引入缺陷发现扫描的定量分析从而以若干种方式导引用于OS会话
的光学模式选择。举例来说,如本文中所描述,实施例将缺陷与扰乱可分离性且任选地将发
现效率添加到每一缺陷类型(或者一或多个缺陷类型)及每一发现光学模式(或者一或多个
发现光学模式)。本文中所描述的实施例还可连同现有准则一起使用这些度量来为OS会话
选择最佳缺陷集。另外,对于每一DOI类型,本文中所描述的实施例可为发现模式提供缺陷
与扰乱可分离性趋势。
对小临界尺寸(CD)变化、厚度变化等)及/或由于检验系统本身中的边缘性或其用于检验的
配置而检测到经检测为事件但实际上并非缺陷的扰乱。因此,一般来说,检验目标并非是检
测例如晶片的样品上的扰乱。
性。现今,光学模式选择是基本上冗长的手动过程,且其远非详尽性的。本文中所描述的实
施例将不仅改进OS的得出结果的时间,其还将改进模式选择的质量及全面性。
输出。如本文中进一步描述,检验子系统经配置以用于利用由用于产生输出的检验子系统
的至少一个参数的不同值定义的多个模式来产生所述输出。检验子系统可包含至少一能量
源及一或多个检测器。所述能量源经配置以产生在扫描期间经引导到样品的能量。一或多
个检测器经配置以在扫描期间检测来自样品的能量且响应于所检测到的能量而产生输出。
的照射子系统。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依一或多个入射角(其可包含一或多个倾
斜角及/或一或多个法向角)将光引导到样品。举例来说,如在图1中所展示,来自光源16的
光经引导穿过光学元件18及然后穿过透镜20到达分束器21,分束器21依法向入射角将光引
导到样品14。入射角可包含任何适合入射角,其可取决于(例如)样品以及将在样品上检测
到的缺陷的特性而变化。
展示的入射角不同的入射角将光引导到样品。在一个此类实例中,检验子系统可经配置以
使光源16、光学元件18及透镜20移动使得依不同入射角将光引导到样品。
展示的光源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)可包含可不同
地或相同地经配置的类似元件,或可包含至少一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那些组件)。如果此光与其它光同时经引导到样品,那么依不同入射角
经引导到样品的光的一或多个特性(例如,波长、偏光等)可为不同的,使得由依不同入射角
的对样品的照射引起的光可在检测器处彼此区别开。
基于波长、偏光等)。不同光学路径中的每一者中的光然后可经引导到样品。多个照射通道
可经配置以同时或在不同时间(例如,当不同照射通道用以依序照射样品时)将光引导到样
品。在另一实例中,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样品。
举例来说,在一些实例中,光学元件18可经配置为光谱滤光器,且所述光谱滤光器的性质可
以各种不同方式改变(例如,通过置换光谱滤光器),使得可在不同时间将不同波长的光引
导到样品。照射子系统可具有所属领域中已知的用于依不同或相同入射角依序或同时将具
有不同或相同特性的光引导到样品的任何其它适合配置。
中已知的任何适合激光器且可经配置以产生在所属领域中已知的任何适合波长下的光。另
外,所述激光器可经配置以产生是单色或几乎单色的光。以此方式,所述激光器可为窄带激
光器。光源还可包含产生在多个离散波长或波段下的光的多色光源。
品的若干个折射及/或反射光学元件。在图1中所展示且在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光组件、光谱滤
光器、空间滤波器、反射光学元件、切趾器、分束器、光圈等等,这些可包含所属领域中已知
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的类型而更
改照射子系统的元件中的一或多者。
置以使样品移动使得光可在样品上扫描的任何适合机械及/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光对样
品的某一扫描。光可以任何适合方式在样品上扫描。
响应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,其中一者是由集光器24、元件26及检测器28形成且另一者是由集光器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以依不同收集角度收集且检测光。在
一些实例中,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
从样品镜面反射(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
以检测来自样品的同一类型的光(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)。尽管集光器中的每一者在图1中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。
或成像检测器。如果所述检测器是非成像检测器,那么所述检测器中的每一者可经配置以
检测光的某些特性(例如强度)但不可经配置以检测随在成像平面内的位置而变的此类特
性。如此,通过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,而非图像信号或图像数据。在此类实例中,计算机子系统(例如所述系
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样品的图像。然而,在其它实
例中,检测器可经配置为成像检测器,所述成像检测器经配置以产生图像信号或图像数据。
因而,所述系统可经配置以依若干种方式产生本文中所描述的输出。
性能,如在设计商业检验系统时通常所执行。另外,可使用例如可从KLA(加利福尼亚州苗必
达市)购得的28xx及29xx系列的工具的现有检验系统(例如,通过将本文中所描述的功能性
添加到现有检验系统)来实施本文中所描述的系统。针对一些此类系统,本文中所描述的方
法可作为所述系统的任选功能性(例如,除系统的其它功能性之外)而提供。或者,可“从零
开始”设计本文中所描述的系统以提供全新系统。
对样品的扫描期间由检测器产生的输出。计算机子系统36可经配置以执行如在本文中所描
述的使用检测器的输出的若干个功能以及本文中进一步描述的任何其它功能。可如本文中
所描述而进一步配置此计算机子系统。
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。一般
来说,术语“计算机系统”可广义地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所属领域中已知的任何适合处理器,例
如平行处理器。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
为独立工具或经联网工具。
计算机子系统36可通过可包含所属领域中已知的任何适合有线及/或无线传输媒体的任何
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)。此类计算机子系统中的
两者或多于两者还可通过共享式计算机可读存储媒体(未展示)而有效地耦合。
且从样品所检测到的能量包含电子。以此方式,能量源可为电子束源。在于图2中所展示的
一个此类实施例中,检验子系统包含电子柱122,其耦合到计算机子系统124。
一或多个元件130可包含(举例来说)枪透镜、阳极、限束孔径、门阀、束电流选择孔径、物镜
以及扫描子系统,所有所述元件均可包含所属领域中已知的任何此类适合元件。
中的同一扫描子系统。
的第8,692,204号美国专利、古本斯(Gubbens)等人2014年4月15日发布的第8,698,093号美
国专利及麦克唐纳(MacDonald)等人2014年5月6日发布的第8,716,662号美国专利中所描
述而进一步经配置,所述美国专利好似完全陈述于本文中似得以引用方式并入。
到。另外,基于电子束的子系统可经配置以使用多个模式来产生样品的图像(例如,依不同
照射角度、收集角度等)。电子束子系统的多个模式在子系统的任何图像产生参数方面可为
不同的。
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一(任何)额外步骤。可
如本文中所描述而进一步配置包含图2中所展示的检验子系统的系统。
子系统配置以优化检验子系统的性能,如在设计商业检验系统时通常所执行。另外,本文中
所描述的系统可使用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)。针对一些此类系统,可将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)而提供。或者,可“从零开始”设计本文中所描述的系统以提供全
新系统。
束源可被替换为所属领域中已知的任何适合离子束源以外。另外,检验子系统可为任何其
它适合基于离子束的子系统,例如包含于可商业购得的聚焦离子束(FIB)系统、氦离子显微
镜(HIM)系统以及次级离子质谱学(SIMS)系统中的基于离子束的子系统。
为“实际”工具,而非“虚拟”工具。存储媒体(未展示)及图1中所展示的计算机子系统102可
配置为“虚拟”工具。在共同受让的巴斯卡尔(Bhaskar)等人于2012年2月28日发布的第8,
126,255号美国专利及达菲(Duffy)等人于2015年12月29日发布的第9,222,895号美国专利
中描述配置为“虚拟”检验工具的系统及方法,所述两个美国专利好似完全陈述于本文中似
得以引用方式并入。可如这些专利中所描述而进一步配置本文中所描述的实施例。举例来
说,可如这些专利中所描述而进一步配置本文中所描述的一或多个计算机子系统。
此,不同模式的值针对检验子系统的成像参数中的至少一者可为不同的。举例来说,在光学
检验子系统中,不同模式可使用至少一个不同波长的光来进行照射。所述模式在如本文中
针对不同模式而进一步描述的照射波长方面可为不同的(例如,通过使用不同光源、不同光
谱滤光器等)。在另一实施例中,不同模式使用检验子系统的不同照射通道。举例来说,如上
所述,检验子系统可包含一个以上照射通道。如此,不同照射通道可用于不同模式。而且或
替代地,所述模式在检验子系统的一或多个收集/检测参数方面可为不同。检验子系统可经
配置以在同一扫描或不同扫描中以不同模式扫描样品,例如,取决于同时使用多个模式来
扫描样品的能力。
式的定量分析。
分是由针对使用利用所述多个模式中的一者产生的输出在样品上所检测到的具有第一所
关注缺陷(DOI)类型的缺陷的分类器的结果与针对使用利用所述多个模式中的所述一者产
生的输出在样品上所检测到的扰乱的分类器的结果之间的差定义。因此,本文中所描述的
实施例可使用缺陷‑扰乱可分离性得分作为OS度量。
一可分离性得分,或可针对一个以上DOI类型(例如,具有任何类型的所有DOI)确定每一可
分离性得分。因此,所确定可分离性得分可包含针对第一缺陷类型与第一光学模式、第一缺
陷类型与第二光学模式、…、第一缺陷类型与第n光学模式的可分离性得分以及可能其它可
分离性得分,例如针对第二缺陷类型与第一光学模式、第二缺陷类型与第二光学模式等等
的可分离性得分。另外或替代地,可分离性得分可包含针对所有DOI与第一光学模式、所有
DOI与第二光学模式等的可分离性得分。
空间中DOI距扰乱的“平均距离”。所述裕度还可以另一方式来量化,例如在分类(或扰乱筛
选器)空间中DOI与扰乱之间的距离的中位数、平均数、稳健平均值等。在一个实例中,可依
据分类置信度来测量此距离(分类器将扰乱分类为扰乱且将DOI分类为DOI的置信度越大,
裕度越高)。换句话说,分类置信度测量距分类界限的垂直距离(以一些任意但一致单位),
这将一个事件群组(经确定为DOI的那些事件)与另一所检测事件群组(经确定为扰乱的那
些事件)分离。
计算机子系统可找出所有DOI(特定类型)的平均置信度且从出现扰乱最低值的置信度值减
去所述平均置信度值(这通常展现为在特定置信度值下的相对急剧缺陷率开始)。其将是计
算机子系统将跨越光学模式跟踪的此差的值。所述值越高,可分离性越高。取决于分类器的
配置,计算机子系统可替代置信度而考虑信号属性集(在缺陷分割之后),但在其它方面,计
算机子系统可如本文中所描述而执行此步骤。
缺陷及扰乱。举例来说,本文中所描述的实施例可经配置以执行一或多个发现扫描(即,以
在“发现”样品上的缺陷及扰乱的对样品的扫描)。发现扫描可包含一或多个扫描(即,具有
光学模式1的扫描、…、具有光学模式n的扫描)。可使用本文中所描述的检验子系统的实施
例中的任一者来如本文中进一步描述而执行所述扫描。
事件(例如,通过将阈值应用于所述输出且将具有高于所述阈值的一或多个值的输出识别
为事件且不将具有低于所述阈值的一或多个值的输出识别为事件)。在样品上所检测到的
事件所分离成的缺陷及扰乱可包含所属领域中已知的任何缺陷及扰乱。
热扫描执行的多样性取样。“热”阈值可一般定义为在由检验子系统针对样品产生的输出的
噪声最低值处、在所述噪声最低值内或基本上在所述噪声最低值附近的阈值。以此方式,事
件检测可比通常将针对经调谐检验处方所执行的稍微更激进(更热),使得与在经调谐检验
中所期望的相比较而检测到包含缺陷及扰乱事件的更多事件。以此方式,此类扫描由于基
本上高扰乱缺陷检测而通常将不可用于生产监测。
器可将所检测事件标记为实际缺陷、扰乱及非实际缺陷(例如,噪声)。如果分类器是扰乱筛
选器,那么分类器可将所检测事件标记为实际缺陷及扰乱(其一般可如本文中进一步描述
而定义为用户实际上不在意的噪声及/或实际缺陷)。如果分类器是缺陷分类器,那么分类
器可用指示不同类型的缺陷(例如桥接件、颗粒、刮痕、缺失特征、粗糙度等)的缺陷ID(例
如,类别码)来标记所检测事件。缺陷分类器还可标记具有特定缺陷类型的缺陷且还将所述
缺陷与扰乱分离借此用作缺陷分类器与扰乱筛选器。
学习类型的分类器或扰乱筛选器。以此方式,分类器及扰乱筛选器可为机器学习模型。分类
器及扰乱筛选器还可包含所属领域中已知的任何其它类型的自动缺陷分类器(ADC)。在帕
利霍尔(Plihal)的2015年9月10日公开的第2015/0254832号美国专利申请公开案、克努鲁
(Konuru)的2015年9月17日公开的第2015/0262038号美国专利申请公开案、梁(Liang)等人
的2016年9月8日公开的第2016/0258879号美国专利申请公开案及赫(He)等人的2017年3月
23日公开的第2017/0082555号美国专利申请公开案中描述可在本文中所描述的实施例中
用作分类器及扰乱筛选器的分类器的额外实例,所述美国专利申请公开案好似完全陈述于
本文中似得以引用方式并入。可如这些公开案中所描述而进一步配置本文中所描述的分类
器。
习模型的实例描述于共同拥有的卡森提(Karsenti)等人的2017年5月18日公开的第2017/
0140524号美国专利申请公开案、张(Zhang)等人的2017年5月25日公开的第2017/0148226
号美国专利申请公开案、巴斯卡尔(Bhaskar)等人的2017年7月6日公开的第2017/0193400
号美国专利申请公开案、张等人的2017年7月6日公开的第2017/0193680号美国专利申请公
开案、巴斯卡尔等人的2017年7月6日公开的第2017/0194126号美国专利申请公开案、巴斯
卡尔等人的2017年7月13日公开的第2017/0200260号美国专利申请公开案、帕克(Park)等
人的2017年7月13日公开的第2017/0200264号美国专利申请公开案、巴斯卡尔等人的2017
年7月13日公开的第2017/0200265号美国专利申请公开案、张等人的2017年11月30日公开
的第2017/0345140号美国专利申请公开案、张等人的2017年12月7日公开的第2017/
0351952号美国专利申请公开案、张等人的2018年4月19日公开的第2018/0107928号美国专
利申请公开案、古普塔(Gupta)等人的2018年10月11日公开的第2018/0293721号美国专利
申请公开案、哈(Ha)等人的2018年11月15日公开的第2018/0330511号美国专利申请公开
案、丹戴安娜(Dandiana)等人的2019年1月3日公开的第2019/0005629号美国专利申请公开
案及赫等人的2019年3月7日公开的第2019/0073568号美国专利申请公开案中,所述美国专
利申请公开案好似完全陈述于本文中似得以引用方式并入。可如这些公开案中所描述而进
一步配置本文中所描述的实施例。另外,本文中所描述的实施例可经配置以执行这些公开
案中所描述的任何步骤。
借此将所述事件分离成缺陷及扰乱;更改所述缺陷检测方法的一或多个参数;以所述缺陷
检测方法的所述一或多个经更改参数重复所述检测事件的步骤;及将通过所述检测步骤及
所述重复所述检测的步骤而检测到的事件输入到分类器中以借此将所述事件分离成缺陷
及扰乱。以此方式,可在事件检测期间在一种原位或反馈环路中更改事件检测(及借此缺陷
检测),例如,以检测更多事件、缺陷及扰乱及/或尝试检测不同种类的事件、缺陷及扰乱。
可包含标记由所述模式中的任何两个或多于两个模式在缺陷被检测为缺陷图像的同一位
置处产生的所有图像。举例来说,如果第一模式检测位置x处的缺陷,那么计算机子系统可
将在位置x处以任何其它模式产生的任何其它图像标记为缺陷图像而不管那些其它模式是
否检测位置x处的缺陷。自适应发现使用主动学习及分类器。在发现结束时,自适应发现可
产生可作为扰乱筛选器以对应光学模式应用于检验的收敛分类器。
用于发现及/或找出可作为训练集用于本文中所描述的额外步骤的缺陷与扰乱,如帕利霍
尔等人的2014年5月15日公开的第2014/0133737号美国专利申请公开案、帕利霍尔等人的
2015年10月1日公开的第2015/0276618号美国专利申请公开案、帕利霍尔等人的2016年4月
21日公开的第2016/0110857号美国专利申请公开案、陈(Chen)等人的2016年5月5日公开的
第2016/0123898号美国专利申请公开案及帕利霍尔等人的2018年4月19日公开的第2018/
0106732号美国专利申请公开案中所描述,所述美国专利申请公开案好似完全陈述于本文
中似得以引用方式并入。可如这些公开案中所描述而进一步配置本文中所描述的实施例。
部分多的缺陷;及仅选择在利用所述多个模式的所述经识别部分执行的扫描期间所产生的
输出作为到所述缺陷检测方法的输入。所述多个模式的所述“部分”可包含所述多个模式中
的一或多者且在此情形中少于所述多个模式的全部。计算机子系统可执行此识别及选择以
在具有检测缺陷的能力的模式中将缺陷发现过程驱动到收敛及数据充足性。举例来说,一
或多个计算机子系统可分析关于每一模式的分类器收敛。另外,一或多个计算机子系统可
分析重要缺陷类型中的每一者的数据充足性。举例来说,分类器(例如本文中进一步描述的
机器学习分类器)的性能随着训练集的大小高达特定点(超过所述特定点,分类器达到关于
数据的其最佳性能)而改进。因此,提供“充足”训练数据以达到分类器的此最优性能是有利
的。所述点通常可称为“数据充足性”。计算机子系统可通过在计算机子系统使训练集增加
时监测分类器的“收敛”而测量数据充足性。可以所属领域中已知的任何适合方式确定且监
测分类器的“收敛”。计算机子系统可监测且更改发现过程以满足数据充足性阈值,这是因
为当将不同模式的DOI与扰乱可分离性进行比较时,优选地通过已经收敛以获得基本上准
确数据以用于使用所述数据执行的其它步骤(OS)的分类器来将DOI及扰乱分类。
此将所述事件分离成缺陷及扰乱。在一个此类实施例中,计算机子系统经配置以用于向用
户显示缺陷及扰乱且从用户接收对缺陷中的一或多者及扰乱中的一或多者的选择。举例来
说,在发现分析器(OMSSA)阶段期间,计算机子系统可经配置以用于发现结果的诊断及可视
化。在发现结果的诊断及可视化阶段期间,用户可识别重要DOI类型。
如,基于哪一模式检测到缺陷及扰乱而以群组方式显示缺陷及扰乱、显示具有或多个类似
特性(例如大小、样品的设计中的位置、形状、纹理、灰度级强度等)的缺陷及扰乱的子群组。
一般来说,计算机子系统可显示针对缺陷及扰乱而产生的任何结果(包含片块图像(即,在
缺陷及扰乱的位置处抓取的相对小图像)及由计算机子系统或分类器确定的缺陷及扰乱的
任何特性)。计算机子系统可借助例如键盘、鼠标、触摸屏、电子笔等的任何适合输入装置
(未展示)从用户接收对缺陷及扰乱的选择。计算机子系统还可为用户显示一或多个选项,
例如可指派给缺陷或扰乱以指示哪些缺陷或扰乱是重要的及哪些是不重要的一或多个标
签或标记。
接收(例如,使用由用户可能借助显示于显示器装置中的一或多个选项操纵的输入装置)。
在发现结果的诊断及可视化阶段中,用户可识别重要DOI类型且基于类似性而将其分组。一
般来说,DOI“群组”可为DOI“类型”相同的。然而,用户未必必须在此步骤中按类型组织DOI。
举例来说,用户可基于类似性而将DOI分组(例如,对于用户来说其看起来有多类似及/或在
用户认为其可具有同一DOI类型的情况下),但用户还可选择(有意地或无意地)将在一些方
面类似(即使其具有不同DOI类型)的DOI分组。以此方式,术语“DOI群组”可与术语DOI类型
互换使用,其一些实例包含垂直尖端到尖端桥接件、水平开口、残留物等。然而,当涉及到手
动分组时,指派给缺陷的(手动)分类不始终与OS的类型对准。在任一情形中,本文中所描述
的实施例可经配置以允许用户以其愿意的任何方式将缺陷分组且可分析如本文中所描述
的任何此类缺陷分组。当用户指派的群组中的缺陷输入到分类器时,由用户输入的缺陷分
组还可由分类器修改。用户还可或可不指示扰乱中的哪些扰乱具有同一类型及/或可将扰
乱中的一或多者分组。扰乱类型或群组可包含(举例来说)用户不在意的用户标记为实际缺
陷的扰乱群组、用户标记为噪声的扰乱群组等。在本文中所描述的实施例中的任一者中,用
户还可为OS会话图像抓取配置所要数目个缺陷(及可能扰乱)。以此方式,用户可执行“类型
类似性”分组且然后决定哪一(哪些)缺陷类型应在OS中用于选择模式。
缺陷中的所述一或多者中的每一者的所述其它可分离性得分由针对由用户选择且使用利
用多个模式中的一者产生的输出在样品上所检测到的缺陷中的一者的分类器的结果与针
对使用利用所述模式中的所述一者产生的所述输出在样品上所检测到的扰乱的分类器的
结果之间的比较之差定义。举例来说,一或多个计算机子系统可确定由用户关于每一模式
所选择的每一重要DOI类型的可分离性得分。换句话说,可在DOI到DOI基础上(或每DOI)且
针对不同模式中的每一者确定本文中所描述的可分离性得分。如此,针对如本文中所描述
而感兴趣及/或经选择的DOI与光学模式的许多组合,可针对在第一光学模式中所检测到的
第一DOI、在第二光学模式中所检测到的第一DOI等等确定可分离性得分,且可针对在第一
光学模式中所检测到的第二DOI、在第二光学模式中所检测到的第二DOI等等确定可分离性
得分。
能够检测其可检测到的所有(或一样多)DOI实例,在所述模式中,DOI实例中的每一者(或至
少许多)必须可与所有扰乱分离(否则当检验是针对所述模式而设置时,将不可能在未检测
到扰乱的情况下检测出DOI且不会在不遗漏DOI的情况下检测出任何扰乱)。因此,可针对一
或多个DOI与在和所述DOI(针对其而确定可分离性得分)相同的模式中所检测到的所有扰
乱相比较来确定本文中所描述的可分离性得分。
中具有所述一或多个其它可分离性得分的最低值的至少一者,且基于所述一或多个可分离
性得分与所述一或多个其它可分离性得分的组合而执行选择所述多个模式的所述子集。缺
陷中的一或多者的子集可包含单个缺陷、所述缺陷中的一或多者、所述缺陷的一部分或甚
至所述缺陷的实质性部分。举例来说,基于所述其它可分离性得分,计算机子系统可产生每
一重要DOI群组的最佳缺陷候选者的经排名列表。特定来说,用于OS的最佳DOI通常将是具
有是DOI的相对低置信度(即,低可分离性(置信度)值)的缺陷。可选择这些缺陷以供在OS中
使用,这是因为那些缺陷是相对难以与扰乱分离的缺陷。这些缺陷趋向于是难以检测到(例
如,由于相对弱信号)的相对较小缺陷。因此将那些缺陷包含于在OS期间考虑的缺陷中将是
有利的,使得最大化关于此类缺陷的信号(及/或此类缺陷与扰乱的可分离性)的光学模式
可存在于OS中。另外,基于其它可分离性得分,计算机子系统可按光学模式产生DOI实例与
敏感度限制扰乱实例的更详细分解情形(即,不同扰乱源在不同模式中限制对DOI的敏感
度)。以此方式,计算机子系统可经配置以执行对用户选定DOI类型的全面分析以从发现扫
描识别针对所有候选模式的最佳DOI与扰乱事件集。
能扰乱)集连同选定光学模式集(或子集)可用于OS,如本文中进一步描述。在本文中所描述
的实施例中,计算机子系统可执行完全自动化缺陷选择及模式排名。然而,还可以更交互方
法实施本文中所描述的实施例以用于调整搜索准则及输出(搜索准则是指为OS选择缺陷的
自动化方式)。另外,OMSSA与OS的集成可不同于本文中所描述(例如,使得其完全经集成以
无缝地一起用作单个单元(如在单个软件封装或模块中),其经紧密地集成使得其似乎用作
单个单元(即使其是不同单元),或其可较松弛地集成使得其似乎用作不同单元及/或配置
为不同单元)。举例来说,OMSSA与OS图像收集流程之间可存在或多或少交互及自适应连结。
使用利用所述模式中的一者产生的输出所捕获的DOI的数目定义。如本文中所使用的术语
“发现效率”因此还可定义为在发现过程结束时在所述模式中实际上捕获多少DOI。因此,以
一方式,发现效率及可分离性可为并进的(例如,实现比其它模式好的DOI‑扰乱分离的模式
一般也将具有比其它模式高的发现效率)。另外,计算机子系统可基于在自适应发现期间产
生的数据而使用发现效率得分来进行OS的缺陷选择且将光学模式排名,这可如本文中进一
步描述而执行。
多者的趋势。举例来说,所述特性可为经由重要DOI类型中的每一者的可分离性强度(DOI‑
扰乱可分离性)及任选地发现效率来量化的光学模式趋势。在另一实例中,计算机子系统可
为一或多个DOI类型提供模式可分离性趋势及/或可分离性趋势。这些趋势可用于辅助OS会
话的模式选择。另外,计算机子系统可依据信号、DOI‑扰乱可分离性及发现效率为每一DOI
群组提供光学模式趋势。可基于本文中所描述的得分或定量测量中的一或多者随模式的改
变而表达或甚至量化所述趋势。因此,所述趋势可展示得分或测量在模式之间改变多少。所
述趋势还可展示得分或测量在模式之间在特定方向上(从最高到最低或反之亦然)改变多
少。取决于得分或测量是什么,可在不同方向上表达或量化不同得分或测量。举例来说,趋
势可用于通过展示从最高到最低DOI‑扰乱可分离性及/或最高到最低发现效率的趋势而表
征从最好到最糟糕的光学模式,但情形并非始终如此。在一个此类实例中,可基于从最低到
最高的得分或定量测量而确定表征从最好到最糟糕的光学模式的趋势(例如,在针对在光
学模式中所检测到的扰乱量的趋势而检查光学模式的情况下)。可以任何适合方式(例如,
以图形方式、以列表形式在数据结构中分类等)产生、描述、演示、量化等所述趋势。
步描述而执行选择将实际上用于检验其它样品的多个模式的子集。举例来说,OMSSA产生可
用于OS的输出,且OS的输出可为用于检验的检验子系统的多个模式的子集。来自发现分析
的输出可包含用于OS分析的缺陷(DOI)与对应敏感度限制扰乱实例的列表。另外,所述输出
可包含在发现模式之间的信号、可分离性及发现效率趋势以辅助OS分析的模式选择。可然
后以任何适合方式且如本文中进一步描述而执行OS。
而执行选择多个模式的子集。特定来说,如本文中进一步描述,由计算机子系统确定的得分
或其它定量测量中的任一者可用于确定光学模式的趋势或另一特性。取决于得分或测量,
所述趋势还可经确定为模式之间的改变,例如,从最好到最糟糕或从最糟糕到最好。因此,
所述趋势可基于从最好到最糟糕或反之亦然的那些趋势而有效地将光学模式排名。在一个
此类实例中,光学模式基于个得分或测量的趋势及/或排名可与另一得分或测量组合使用
以然后基于一个以上得分或排名而将光学模式重新排名。然后计算机子系统可基于光学模
式的经修改排名而为OS会话选择光学模式。
定义为所述模式中的一者的可分离性得分及发现效率的函数。举例来说,发现效率及可分
离性度量可合并成一个经组合度量。在一个此类实例中,总体度量可经确定为不同测量或
得分的和(例如,总体度量=发现效率+可分离性得分)。然而,可基于可分离性得分、发现效
率、本文中所描述的任何其它得分或定量测量、趋势、排名等的任何其它适合函数而确定总
体度量。举例来说,此类函数可包含经加权和、差、乘积、多项式、平均值等等。
或多个总体度量而选择多个模式的子集。所述子集可为所述模式中的仅一者或所述模式中
的一者以上。
所述初始子集重复确定可分离性得分的步骤;及基于针对所述多个模式的所述初始子集所
确定的一或多个可分离性得分而选择所述多个模式的最后子集以用于检验与所述样品为
相同类型的其它样品。举例来说,在OMSSA或OS会话之后,OMSSA或OS可输出几个(例如,3个
到5个)最佳模式。如果这些最佳模式由OMSSA输出,那么计算机子系统可使用检验子系统来
以自适应发现执行另一个或另一些样品扫描,这可如本文中进一步描述而执行。此自适应
发现可包含已经存在于实施例的OMSSA阶段中的缺陷。计算机子系统然后可重复OMSSA中的
可分离性分析以达到最佳模式。所述一或若干最佳模式然后可指定为多个模式的最后子集
且用于检验其它样品。举例来说,每一缺陷类型可具有其自身的最佳模式,这又可导致多遍
次(多光学模式)检验。
每一缺陷类型及光学模式定义新缺陷‑扰乱可分离性及发现效率度量。此类型的定量评分
方法现今在OS设置会话期间是不可用的。另外,还可挖掘在自适应发现期间产生的数据以
做出关于哪些缺陷应在OS会话中使用及哪些模式不应进一步探查或根本不应探查的更全
面且更准确确定。此外,本文中所描述的实施例为OS提供远比当前可用的更加精细的信息。
OMSSA的分析能力将使得可能识别最佳扰乱事件以跨越所有模式针对每一缺陷类型进行分
析。每一光学模式可具有限制对DOI的敏感性的不同扰乱类型。OMSSA可找出所有光学模式
所需要的所有扰乱事件的联合。另外,本文中所描述的实施例减少得出结果的时间且增加
使用OS的容易性(与用于OS的当前使用的及其它可能方法及系统相比较)。举例来说,本文
中所描述的实施例的一个替代方案是完全消除OS图像抓取及分析且替代地以更多模式执
行发现。然而,OS图像抓取是基本上昂贵的,例如,花费大约5个小时到8个小时的工具时间,
然后进行手动分析。替代地,在本文中所描述的实施例中,此时间可用于更详尽发现。
述可分离性得分中的一或多者。如本文中所描述而定义所述一或多个模式中的每一者的所
述可分离性得分。如本文中所描述而配置所述检验子系统。所述方法还包含基于所述一或
多个可分离性得分而选择所述检验子系统的所述多个模式的子集以用于检验与所述样品
为相同类型的其它样品。所述确定所述可分离性得分的步骤及所述选择所述子集的步骤由
计算机系统执行。
个计算机子系统执行所述方法的所述步骤,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而配置。另外,可通过本文中所描述的系统实施例中的任一者来执
行上文所描述的方法。
中展示一个此类实施例。特定来说,如图3中所展示,非暂时性计算机可读媒体300包含可在
计算机系统304上执行的程序指令302。所述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。
非暂时性计算机可读媒体的存储媒体。
JavaBeans、微软基础类别(“MFC”)、SSE(流式传输SIMD扩展)或者其它技术或方法来实施所
述程序指令。
已知的任一方式来存储。所述存储媒体可包含本文中所描述的任何存储媒体或所属领域中
已知的任何其它适合存储媒体。在已存储所述结果之后,所述结果可在存储媒体中存取且
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、方法或系统等使用。举例来说,用于选定模式的信息可存储于检验处方中,使得当
利用检验处方针对其它样品执行检验时,选定模式将用于产生针对其它样品的输出。
仅为说明性的,且是出于教示所属领域的技术人员实施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视为目前优选的实施例。如所属领域的技术人员
在受益于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,可颠倒部件及过程,且可独立地利用本发明的特定特征。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。