[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR20200116926A - 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템 - Google Patents

반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템 Download PDF

Info

Publication number
KR20200116926A
KR20200116926A KR1020207022372A KR20207022372A KR20200116926A KR 20200116926 A KR20200116926 A KR 20200116926A KR 1020207022372 A KR1020207022372 A KR 1020207022372A KR 20207022372 A KR20207022372 A KR 20207022372A KR 20200116926 A KR20200116926 A KR 20200116926A
Authority
KR
South Korea
Prior art keywords
images
inspection
image
processing
dnn
Prior art date
Application number
KR1020207022372A
Other languages
English (en)
Other versions
KR102549196B1 (ko
Inventor
오하드 샤우비
데니스 수하노프
아사프 아스바그
보아즈 코헨
Original Assignee
어플라이드 머티리얼즈 이스라엘 리미티드
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 어플라이드 머티리얼즈 이스라엘 리미티드 filed Critical 어플라이드 머티리얼즈 이스라엘 리미티드
Publication of KR20200116926A publication Critical patent/KR20200116926A/ko
Application granted granted Critical
Publication of KR102549196B1 publication Critical patent/KR102549196B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/03—
    • G06K9/46—
    • G06K9/62—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

반도체 시편의 검사 방법 및 그의 시스템이 제공된다. 방법은, 제조 프로세스(FP) 샘플을 처리하기 위해, 훈련된 심층 신경망(DNN)을 사용하는 단계 ― FP 샘플은 제1 검사 양식(들)으로부터 수신된 제1 FP 이미지(들) 및 제1 검사 양식(들)과 상이한 제2 검사 양식(들)으로부터 수신된 제2 FP 이미지(들)를 포함하고, 훈련된 DNN은 제1 FP 이미지(들)를 제2 FP 이미지와는 별개로 처리함 ―; 및, 주어진 응용에 대해 특정하며, 처리된 FP 이미지들 중 적어도 하나를 특징화하는 검사 관련 데이터를 획득하기 위해, 훈련된 DNN에 의해, 그러한 개별 처리의 결과들을 더 처리하는 단계를 포함한다. FP 샘플이, FP 이미지(들)와 연관된 수치 데이터를 더 포함할 때, 방법은 훈련된 DNN에 의해, 제1 및 제2 FP 이미지들을 처리하는 것과는 별개로 수치 데이터의 적어도 일부를 처리하는 단계를 더 포함한다.

Description

반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
본 개시된 주제는, 일반적으로, 시편 검사 분야에 관한 것이며, 더 구체적으로, 시편 검사의 자동화를 위한 방법들 및 시스템들에 관한 것이다.
제조된 디바이스들의 극초대규모 집적 회로와 연관된, 높은 밀도 및 성능에 대한 현재의 요구들은 미크론미만 피쳐들, 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 필요로 한다. 그러한 요구들은 높은 정밀도 및 균일성으로 디바이스 피쳐들을 형성하는 것을 필요로 하는데, 이는 차례로, 디바이스들이 여전히 반도체 웨이퍼들의 형태로 되어 있는 동안 디바이스들의 자동화된 검사를 포함하는, 제조 프로세스의 주의 깊은 모니터링을 요한다. 제조 프로세스는 제조 이전, 제조 및/또는 제조 이후 작동들을 포함할 수 있다는 점을 주목한다.
본 명세서에서 사용되는 "시편(specimen)"이라는 용어는 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체 제조 물품들을 제조하기 위해 사용되는 임의의 종류의 웨이퍼, 마스크들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "검사"라는 용어는 임의의 종류의 계측 관련 작동들뿐만 아니라 시편의 제조 동안 시편의 결함들의 검출 및/또는 분류와 관련된 작동들도 포함하는 것으로 광범위하게 이해되어야 한다. 검사는 검사될 시편의 제조 동안 또는 제조 이후에 비파괴적 검사 툴들을 사용함으로써 수행된다. 비제한적인 예로서, 검사 프로세스는 동일하거나 상이한 검사 툴들을 사용하여 시편 또는 그의 부분들에 관하여 제공되는 (단일 또는 다수의 스캔의) 실행시간 스캐닝(runtime scanning), 샘플링, 검토, 측정, 분류 및/또는 다른 작동들을 포함할 수 있다. 마찬가지로, 검사의 적어도 일부는 검사될 시편의 제조 이전에 수행될 수 있고, 예를 들어, 검사 레시피(들)를 생성하는 것, 각각의 분류기들 또는 다른 기계 학습 관련 툴들을 훈련시키는 것 및/또는 다른 설정 작동들을 포함할 수 있다. 구체적으로 달리 언급되지 않는 한, 본 명세서에서 사용되는 "검사"라는 용어 또는 그의 파생어는 검사 영역의 크기 또는 해상도에 관하여 제한되지 않는다는 점을 주목한다. 다양한 비파괴적 검사 툴들은, 비제한적인 예로서, 주사 전자 현미경들, 원자간력 현미경들, 광학 검사 툴들 등을 포함한다.
비제한적인 예로서, 실행시간 검사는 2단계 절차, 예를 들어, 시편의 검사 및 이어서, 잠재적 결함들의 샘플링된 위치들의 검토를 채용할 수 있다. 제1 단계 동안, 시편의 표면은 고속 및 비교적 저해상도로 검사된다. 제1 단계에서, 시편 상의 결함 확률이 높은 것으로 의심되는 위치들을 보여주기 위해 결함 지도가 생성된다. 제2 단계 동안, 그러한 의심되는 위치들 중 적어도 일부가, 비교적 높은 해상도로 더 철저하게 분석된다. 일부 경우들에서, 양쪽 단계들 모두, 동일한 검사 툴에 의해 구현될 수 있고, 일부 다른 경우들에서는, 이러한 2개의 단계들은 상이한 검사 툴들에 의해 구현된다.
검사 프로세스들은 시편들 상의 결함들을 검출하고 분류하기 위해 반도체 제조 동안 다양한 단계들에 사용된다. 검사의 유효성은 프로세스(들)의 적어도 일부의 자동화에 의해, 예를 들어, 자동 결함 분류(ADC), 자동 결함 검토(ADR) 등을 사용하는 것에 의해 증가될 수 있다.
본 개시된 주제의 특정 양상들에 따라, 반도체 시편을 검사하는 방법이 제공되고, 이 방법은: 반도체 제조 프로세스 내의 주어진 검사 관련 응용에 대해 훈련된 심층 신경망(DNN)을 컴퓨터에 의해 획득할 시, 제조 프로세스(FP) 샘플을 처리하기 위해, 훈련된 DNN을 사용하는 단계 ― FP 샘플은 하나 이상의 제1 양식으로부터 수신된 하나 이상의 제1 FP 이미지 및 제1 양식과 상이한 하나 이상의 제2 양식으로부터 수신된 하나 이상의 제2 FP 이미지를 포함하고, 훈련된 DNN은 하나 이상의 제1 FP 이미지를 하나 이상의 제2 FP 이미지와는 별개로 처리함 ―; 및 주어진 응용에 대해 특정하며, 처리된 FP 이미지들 중 적어도 하나를 특징화하는 검사 관련 데이터를 컴퓨터에 의해 획득하기 위해, 적어도, 하나 이상의 제1 FP 이미지 및 하나 이상의 제2 FP 이미지의 개별 처리의 결과들을 훈련된 DNN에 의해 처리하는 단계를 포함한다. 비제한적인 예로서, 하나 이상의 제1 FP 이미지는 저해상도 이미지일 수 있고, 하나 이상의 제2 FP 이미지는 고해상도 이미지일 수 있다.
FP 샘플이, FP 샘플의 FP 이미지들과 연관된 수치 데이터(예를 들어, 메타데이터, 수작업 속성들 등)를 더 포함할 때, 방법은: 훈련된 DNN에 의해, 하나 이상의 제1 FP 이미지를 처리하는 것 및 하나 이상의 제2 FP 이미지를 처리하는 것과는 별개로 수치 데이터의 적어도 일부를 처리하는 단계를 더 포함할 수 있다. 주어진 응용에 대해 특정한 검사 관련 데이터는, 훈련된 DNN에 의해, 하나 이상의 제1 FP 이미지 및 하나 이상의 제2 FP 이미지의 개별 처리의 결과들과 함께 수치 데이터의 적어도 일부의 처리 결과들을 처리함으로써 획득될 수 있다. 대안적으로, 주어진 응용에 대해 특정한 검사 관련 데이터를 획득하는 것은, 훈련된 DNN에 의해, 하나 이상의 제1 FP 이미지 및 하나 이상의 제2 FP 이미지의 개별 처리의 결과들을 집계하여 집계된 이미지 데이터를 생성하는 것; 및 집계된 이미지 데이터를 수치 데이터의 적어도 일부의 개별 처리의 결과들과 함께 더 처리하는 것을 포함할 수 있다.
비제한적인 예로서, 검사 특정 응용은: 반도체 시편의 결함들을 검출하는 것; 반도체 시편의 결함들을 분류하는 것; 적어도 2개의 제조 프로세스(FP) 이미지들 간의 정합; 반도체 시편의 고해상도 이미지, 반도체 시편의 저해상도 이미지 및 반도체 시편의 설계 데이터 기반 이미지를 포함하는 군으로부터 선택된 적어도 하나의 FP 이미지를 세그먼트화하는 것; 상이한 검사 양식에 의해 획득된 데이터에 대응하여 FP 이미지를 회귀 기반 재구성하는 것 및 이미지 속성들의 회귀 기반 재구성 등일 수 있다.
비제한적인 예로서, 하나 이상의 제1 양식은: 검사 툴, 동일한 검사 툴의 채널, 동일한 검사 툴 및/또는 채널의 작동 파라미터들, 각각의 FP 이미지들에 대응하는 반도체 시편의 층들, FP 이미지들을 획득하는 성질, 및 캡처된 이미지들에 적용된 유도 기법들 중 적어도 하나에 의해, 하나 이상의 제2 양식과 상이할 수 있다.
본 개시된 주제의 다른 양상들에 따르면, 상기 방법에 따라 반도체 시편의 검사를 위해 사용가능한 시스템이 제공된다.
본 개시된 주제의 다른 양상들에 따르면, 컴퓨터에 의해 실행될 때 컴퓨터로 하여금 상기 방법을 수행하게 하는 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체가 제공된다.
본 발명을 이해하고 본 발명이 어떻게 실제로 수행될 수 있는지를 알기 위해, 이제, 첨부 도면을 참조하여 단지 비제한적인 예로서 실시예들이 설명될 것이고, 도면들에서:
도 1은 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하고;
도 2는 본 개시된 주제의 특정 실시예들에 따라 제조 프로세스(FP) 이미지들에 기초하여 검사 관련 데이터를 자동적으로 결정하는 심층 신경망(DNN)을 사용하는 일반화된 흐름도를 예시하고;
도 3은 본 개시된 주제의 특정 실시예들에 따라 구성된 DNN의 일반화된 기능도를 예시하고;
도 4a 및 4b는 본 개시된 주제의 특정 실시예들에 따라 결함들을 분류하는 일반화된 흐름도들을 예시하고;
도 5a ― 5c는 본 개시된 주제의 특정 실시예들에 따른 분류 DNN 망들의 아키텍처의 비제한적인 예들을 예시한다.
이하의 상세한 설명에서, 본 발명의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다. 그러나, 본 개시된 주제가 이러한 구체적인 세부 사항들 없이 실시될 수 있다는 점을 관련 기술분야의 통상의 기술자는 이해할 것이다. 다른 경우들에서, 잘 알려진 방법들, 절차들, 구성요소들 및 회로들은 본 개시된 주제를 모호하게 하지 않기 위해 상세히 설명되지 않았다.
이하의 논의들로부터 명백한 것으로서, 구체적으로 달리 언급되지 않는 한, 본 명세서 전반에 걸쳐 "처리", "컴퓨팅", "표현", "비교", "생성", "훈련", "세그먼트화", "정합" 등과 같은 용어들을 활용하는 논의들이, 데이터 ― 상기 데이터는 물리적으로, 예컨대, 전자, 양들로 표현되고/거나 상기 데이터는 물리적 대상들을 표현함 ― 를 다른 데이터로 조작하고/거나 변환하는, 컴퓨터의 작동(들) 및/또는 프로세스(들)를 지칭한다는 것을 이해한다. "컴퓨터"라는 용어는, 비제한적인 예로서, 본 출원에 개시된 FPEI 시스템 및 그의 각각의 부분들을 포함하는, 데이터 처리 능력들을 갖는 임의의 종류의 하드웨어 기반 전자 디바이스를 포함하는 것으로 광범위하게 이해되어야 한다.
본원에서 사용되는 "비일시적 메모리" 및 "비일시적 저장 매체"라는 용어들은 본 개시된 주제에 적합한 임의의 휘발성 또는 비휘발성 컴퓨터 메모리를 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "결함"이라는 용어는 시편 상에 또는 시편 내에 형성된 임의의 종류의 이상 또는 바람직하지 않은 피쳐를 포함하는 것으로 광범위하게 이해되어야 한다.
본 명세서에서 사용되는 "설계 데이터"라는 용어는 시편의 계층적 물리적 설계(레이아웃)를 나타내는 임의의 데이터를 포함하는 것으로 광범위하게 이해되어야 한다. 설계 데이터는 각각의 설계자에 의해 제공될 수 있고/거나 물리적 설계로부터(예를 들어, 복잡한 시뮬레이션, 간단한 기하학적 및 부울 연산 등을 통해) 유도될 수 있다. 설계 데이터는, 비제한적인 예들로서, GDSII 포맷, OASIS 포맷 등과 같은 상이한 포맷들로 제공될 수 있다. 설계 데이터는 벡터 포맷, 그레이스케일 강도 이미지 포맷 또는 다른 방식으로 제시될 수 있다.
구체적으로 달리 언급되지 않는 한, 개별 실시예들의 맥락으로 설명되는 본 개시된 주제의 특정한 특징들이 또한 조합하여 단일 실시예에 제공될 수 있다는 것이 이해된다. 반대로, 단일 실시예의 맥락으로 설명되는 본 개시된 주제의 다양한 특징들이 또한, 개별적으로 또는 임의의 적합한 하위조합으로 제공될 수 있다. 이하의 상세한 설명에서, 방법들 및 장치의 완전한 이해를 제공하기 위해 다수의 특정한 세부 사항들이 열거된다.
이를 염두에 두고, 본 개시된 주제의 특정 실시예들에 따른 검사 시스템의 기능 블록도를 예시하는 도 1에 주목한다. 도 1에 예시된 검사 시스템(100)은 시편 제조 프로세스의 부분으로서 시편(예를 들어, 웨이퍼 및/또는 그의 부분들)의 검사를 위해 사용될 수 있다. 예시된 검사 시스템(100)은 시편 제조 동안 획득된 이미지들을 사용하여 계측 관련 정보 및/또는 결함 관련 정보를 자동적으로 결정할 수 있는 컴퓨터 기반 시스템(103)을 포함한다. 그러한 이미지들은 이하에서 제조 프로세스(FP) 이미지들로 지칭된다. 시스템(103)은 이하에서 FPEI(제조 프로세스 검사 정보) 시스템으로 지칭된다. FPEI 시스템(103)은 하나 이상의 저해상도 검사 툴(101) 및/또는 하나 이상의 고해상도 검사 툴(102) 및/또는 다른 검사 툴들에 작동가능하게 연결될 수 있다. 검사 툴들은 FP 이미지들을 캡처하고/거나 캡처된 FP 이미지(들)를 검토하고/거나 캡처된 이미지(들)에 관련된 측정들을 가능하게 하거나 제공하도록 구성된다. FPEI 시스템은 CAD 서버(110) 및 데이터 저장소(109)에 더 작동가능하게 연결될 수 있다.
FPEI 시스템(103)은, 하드웨어 기반 입력 인터페이스(105) 및 하드웨어 기반 출력 인터페이스(106)에 작동가능하게 연결된, 프로세서 및 메모리 회로(PMC)(104)를 포함한다. PMC(104)는 도 2-5를 참조하여 더 상세히 설명되는 바와 같이 FPEI 시스템을 작동시키기 위해 필요한 모든 처리를 제공하도록 구성되고, 프로세서(개별적으로 도시되지 않음) 및 메모리(개별적으로 도시되지 않음)를 포함한다. PMC(104)의 프로세서는 PMC에 포함된 비일시적 컴퓨터 판독가능 메모리 상에 구현된 컴퓨터 판독가능 명령어들에 따라 몇몇 기능 모듈들을 실행하도록 구성될 수 있다. 그러한 기능 모듈들은 이하에서 PMC에 포함되는 것으로 지칭된다. PMC(104)에 포함된 기능 모듈들은 작동적으로 연결된 훈련 세트 생성기(111) 및 심층 신경망(DNN)(112)을 포함한다. DNN(112)은 제조 프로세스(FP) 입력 데이터에 기초하여 응용 관련 데이터를 출력하기 위해 심층 신경망(들)을 사용하여 데이터 처리를 가능하게 하도록 구성된 DNN 모듈(114)을 포함한다. 선택적으로, DNN(112)은 입력 데이터를 DNN 모듈에 전달하기 전에 전처리를 제공하도록 구성된 DNN-전 모듈(113) 및/또는 DNN 모듈에 의해 생성된 후처리 데이터를 제공하도록 구성된 DNN-후 모듈(115)을 포함할 수 있다. FPEI 시스템(103), PMC(104) 및 그 안의 기능 블록들의 작동은 도 2-5를 참조하여 더 상세히 설명될 것이다.
도 2-5를 참조하여 더 상세히 설명될 바와 같이, FPEI 시스템은 입력 인터페이스(105)를 통해, FP 입력 데이터를 수신하도록 구성된다. FP 입력 데이터는, 검사 툴들에 의해 생성된 데이터(및/또는 그의 파생물들 및/또는 그와 연관된 메타데이터) 및/또는 생성되고/거나 하나 이상의 데이터 저장소(109) 및/또는 CAD 서버(110) 및/또는 다른 관련 데이터 저장소에 저장된 데이터를 포함할 수 있다. FP 입력 데이터는 이미지들(예를 들어, 캡처된 이미지들, 캡처된 이미지들로부터 유도된 이미지들, 시뮬레이션된 이미지들, 합성 이미지들 등) 및 연관된 수치 데이터(예를 들어, 메타데이터, 수작업 속성들 등)를 포함할 수 있다는 점을 주목한다. 이미지 데이터는 시편의 관심 있는 층 및/또는 하나 이상의 다른 층에 관련된 데이터를 포함할 수 있다는 점을 더 주목한다. 선택적으로, 훈련 목적들을 위해, FP 입력 데이터는 특정 기준에 따라 선택된 전체 이용가능한 FAB 데이터 또는 그의 부분을 포함할 수 있다.
FPEI 시스템은 수신된 FP 입력 데이터의 적어도 일부를 처리하고 출력 인터페이스(106)를 통해 결과들(또는 그의 부분)을 저장 시스템(107)에, 검사 툴(들)에, 결과들을 표시하기 위한 컴퓨터 기반 그래픽 사용자 인터페이스(GUI)(108)에 그리고/또는 외부 시스템들(예를 들어, FAB의 수율 관리 시스템(YMS))에 전송하도록 더 구성된다. GUI(108)는 FPEI 시스템(103)을 작동시키는 것에 관련된 사용자 특정 입력들을 가능하게 하도록 더 구성될 수 있다.
비제한적인 예로서, 시편은 하나 이상의 저해상도 검사 기계(101)(예를 들어, 광학 검사 시스템, 저해상도 SEM 등)에 의해 검사될 수 있다. 시편의 저해상도 이미지들의 정보를 전달하는 결과 데이터(이하에서 저해상도 이미지 데이터(121)로 지칭됨)는 직접적으로 또는 하나 이상의 중간 시스템을 통해 FPEI 시스템(103)에 송신될 수 있다. 대안적으로 또는 추가적으로, 시편은 고해상도 기계(102)에 의해 검사될 수 있다(예를 들어, 검토를 위해 선택된 잠재적 결함 위치들의 하위세트는 주사 전자 현미경(SEM) 또는 원자간력 현미경(AFM)에 의해 검토될 수 있다). 시편의 고해상도 이미지들의 정보를 전달하는 결과 데이터(이하에서 고해상도 이미지 데이터(122)로 지칭됨)는 직접적으로 또는 하나 이상의 중간 시스템을 통해 FPEI 시스템(103)에 송신될 수 있다.
시편 상의 원하는 위치의 이미지들은 상이한 해상도들로 캡처될 수 있다는 점이 주목된다. 비제한적인 예로서, 원하는 위치의 소위 "결함 이미지들"은 결함과 오경보를 구별하는데 사용가능한 반면, 원하는 위치의 소위 "등급 이미지들"은 더 높은 해상도로 획득되고 결함 분류에 사용가능하다. 일부 실시예들에서, 동일한 위치의 (동일한 또는 상이한 해상도들을 갖는) 이미지들은 이미지들 간에(예를 들어, 주어진 위치로부터 캡처된 이미지들과 주어진 위치에 대응하는 하나 이상의 기준 이미지들 간에) 정합된 몇몇 이미지들을 포함할 수 있다.
FP 입력 데이터를(예를 들어, 저해상도 이미지 데이터 및/또는 고해상도 이미지 데이터를, 선택적으로, 다른 데이터, 예를 들어, 설계 데이터, 합성 데이터 등과 함께) 처리할 시, FPEI 시스템은 결과들(예를 들어, 명령어 관련 데이터(123 및/또는 124))을 검사 툴(들) 중 임의의 것에 전송하고, 결과들(예를 들어, 결함 속성들, 결함 분류 등)을 저장 시스템(107)에 저장하고, 결과들을 GUI(108)를 통해 표시하고/거나 결과들을 외부 시스템에(예를 들어, YMS에) 전송할 수 있다.
관련 기술분야의 통상의 기술자는, 본 개시된 주제의 교시들이, 도 1에 예시된 시스템에 의해 제한되지 않고; 동등하고/거나 수정된 기능이, 다른 방식으로 통합되거나 분할될 수 있으며 하드웨어 및/또는 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 쉽게 이해할 것이다.
어떠한 방식으로든 본 개시내용의 범위를 제한하지 않고, 검사 툴들은 다양한 유형들의 검사 기계들, 예컨대, 광학 이미지화 기계들, 전자 빔 검사 기계들 등으로서 구현될 수 있다는 점을 또한 주목해야 한다. 일부 경우들에서, 동일한 검사 툴이, 저해상도 이미지 데이터 및 고해상도 이미지 데이터를 제공할 수 있다. 일부 경우들에서, 적어도 하나의 검사 툴이 계측 능력들을 가질 수 있다.
도 2-5를 참조하여 더 상세히 설명될 바와 같이, DNN 모듈(114)은 각각의 DNN 아키텍처에 따라 조직화된 복수의 계층들을 각각 포함하는 복수의 DNN 부분망들을 포함할 수 있다. 선택적으로, DNN 부분망들 중 적어도 하나는 다른 부분망들과 상이한 아키텍처를 가질 수 있다. 비제한적인 예로서, 부분망의 계층들은 콘볼루션 신경망(CNN) 아키텍처, 순환 신경망 아키텍처, 재귀 신경망들 아키텍처 또는 다른 방식에 따라 조직될 수 있다. 선택적으로, DNN 부분망들의 적어도 일부는 하나 이상의 공통 계층(예를 들어, 최종 융합 계층, 출력 완전 연결 계층들 등)을 가질 수 있다.
DNN 모듈(114)의 각각의 계층은 관련 기술분야에서 차원들, 뉴런들, 또는 노드들로서 전형적으로 지칭되는 다수의 기본 계산 요소들(CE)을 포함할 수 있다. 주어진 계층의 계산 요소들은 선행 계층 및/또는 후속 계층의 CE들과 연결될 수 있다. 선행 계층의 CE와 후속 계층의 CE 사이의 각각의 연결은 가중 값과 연관된다. 주어진 CE는 각각의 연결들을 통해 이전 계층의 CE들로부터 입력들을 수신할 수 있고, 각각의 주어진 연결은 주어진 연결의 입력에 적용될 수 있는 가중 값과 연관된다. 가중 값들은 연결들의 상대적 강도 및 그에 따른 주어진 CE의 출력에 대한 각각의 입력들의 상대적 영향을 결정할 수 있다. 주어진 CE는 활성화 값(예를 들어, 입력들의 가중 합)을 계산하고, 계산된 활성화에 활성화 함수를 적용함으로써 출력을 더 유도하도록 구성될 수 있다. 활성화 함수는, 예를 들어, 항등 함수, 결정 함수(예를 들어, 선형, 시그모이드, 임계 등), 확률적 함수, 또는 다른 적합한 함수일 수 있다. 주어진 CE로부터의 출력은 각각의 연결들을 통해 후속 계층의 CE들로 송신될 수 있다. 마찬가지로, 상기와 같이, CE의 출력에서의 각각의 연결은, 후속 계층의 CE의 입력으로서 수신되기 전에 CE의 출력에 적용될 수 있는 가중 값과 연관될 수 있다. 가중 값들에 추가로, 연결들 및 CE들과 연관된 임계 값들(극한 함수들을 포함함)이 존재할 수 있다.
심층 신경망의 가중 및/또는 임계 값들은 훈련 전에 초기에 선택될 수 있고, 훈련된 DNN 모듈에서 가중 및/또는 임계 값들의 최적 세트를 달성하기 위해, 훈련 동안 더 반복적으로 조정 또는 수정될 수 있다. 각각의 반복 후에, 데이터의 각각의 훈련 세트와 연관된 목표 출력과 DNN 모듈에 의해 생성된 실제 출력 사이의 차이가 결정될 수 있다. 차이는 오차 값으로 지칭될 수 있다. 훈련은, 오차 값을 나타내는 비용 함수가, 미리 결정된 값 미만일 때 또는 반복들 사이의 성능에서의 제한된 변화가 달성될 때 완료되는 것으로 결정될 수 있다. 선택적으로, DNN 부분망들의 적어도 일부는 전체 DNN을 훈련하기 전에 개별적으로 훈련될 수 있다.
심층 신경망의 가중들/임계들을 조정하기 위해 사용되는 DNN 입력 데이터의 세트는 이하에서 훈련 세트로서 지칭된다.
DNN(112)으로의 입력들은 DNN 모듈(114)에 입력하기 전에 DNN-전 모듈(113)에 의해 전처리될 수 있고/거나 DNN 모듈(114)의 출력들은 DNN(112)으로부터 출력하기 전에 DNN-후 모듈(115)에 의해 후처리될 수 있다. 그러한 경우들에서, DNN(112)의 훈련은 DNN-전 모듈 및/또는 DNN-후 모듈의 파라미터들을 결정하는 것을 더 포함한다. DNN 모듈은 전체 DNN의 비용 함수를 최소화하도록 훈련될 수 있는 반면, DNN-전 모듈 및/또는 DNN-후 모듈의 파라미터들은 미리 정의될 수 있고, 선택적으로, 훈련 동안 조정될 수 있다. 훈련 기반 파라미터들의 세트는 DNN-전 및 DNN-후 처리에 관련된 파라미터들을 더 포함할 수 있다.
본 개시된 주제의 교시들은 DNN 부분망들의 개수 및/또는 아키텍처에 의해 제한되지 않는다는 점을 주목한다.
도 1에 예시된 검사 시스템은, 도 1에 도시된 전술한 기능 모듈들이 몇몇 로컬 및/또는 원격 디바이스들에 분산될 수 있고 통신망을 통해 연결될 수 있는 분산 컴퓨팅 환경으로 구현될 수 있다는 점을 주목한다. 다른 실시예들에서, 검사 툴들(101 및/또는 102), 데이터 저장소들(109), 저장 시스템(107) 및/또는 GUI(108)의 적어도 일부는 검사 시스템(100)의 외부에 있을 수 있고 입력 인터페이스(105) 및 출력 인터페이스(106)를 통해 FPEI 시스템(103)과 데이터 통신하여 작동할 수 있다. FPEI 시스템(103)은 검사 툴들과 함께 사용될 독립형 컴퓨터(들)로서 구현될 수 있다. 대안적으로, FPEI 시스템의 각각의 기능들은, 적어도 부분적으로, 하나 이상의 검사 툴과 통합될 수 있다.
도 2를 참조하면, 제조 프로세스(FP) 이미지들에 기초하여 검사 관련 데이터를 자동적으로 결정하기 위해 DNN(112)을 사용하는 일반화된 흐름도가 예시된다. 본 출원의 양수인에게 양도되고 그 전체가 참조로 본원에 포함되는 미국 특허 출원 번호 2017/0177997에 제시되었던 바와 같이, 프로세스는 심층 신경망(DNN)(112)을 훈련시키는 것을 포함하는 설정 단계를 포함하며, 여기서 DNN은 주어진 검사 관련 응용에 대해 훈련되고 훈련 기반 파라미터들의 응용 특정 세트를 특징으로 한다. 비제한적인 예로서, 검사 관련 응용은 다음:
DNN에 의해 생성된 속성들을 사용하는 결함 분류(등급들을 정의하는 것은 기존의 등급 정의들을 수정하고/거나 업데이트하고/거나 새로운 등급들을 식별하는 것을 포함할 수 있음);
FP 이미지를 세그먼트들(예를 들어, 물질 유형들, 에지들, 픽셀 라벨링, 관심 영역들 등)로 분할하는 것을 포함하는, 제조 프로세스 이미지의 세그먼트화;
결함 검출(예를 들어, FP 이미지를 사용하여 하나 이상의 후보 결함(존재한다면)을 식별하고 이를 표시하는 것, 후보 결함들에 대한 참값을 결정하는 것, 결함들에 대한 형상 정보를 획득하는 것 등).
이미지들 사이의 기하학적 왜곡 파라미터들(전역적이거나 국소적일 수 있고, 이동처럼 간단하거나 변형들처럼 더 복잡할 수 있음)을 획득하는 것을 포함하는, 2개 이상의 이미지들 간의 정합;
교차 양식 회귀(예를 들어, CAD로부터의 SEM 또는 광학 이미지, SEM 이미지들로부터의 높이 지도, 저해상도 이미지들로부터의 고해상도 이미지와 같은, 상이한 검사 양식으로부터의 하나 이상의 이미지로부터 이미지를 재구성함);
이미지 특성들의 회귀 기반 재구성(예를 들어, 접촉 홀 깊이들 등); 및
상기의 조합(들)
중 하나일 수 있다.
주어진 응용에 대해 훈련된 DNN은 설정 단계 동안 획득된다(201). 실행시간 동안, FPEI 시스템의 PMC는 FP 이미지들을 포함하는 FP 샘플을 처리하기 위해, 획득된 훈련된 DNN(112)을 사용한다(202). 이에 의해, PMC는 처리된 FP 샘플의 이미지들 중 적어도 하나를 특징화하는 응용 특정 검사 관련 데이터를 획득한다(203). 하나 이상의 FP 이미지를 처리할 때, PMC는 또한, 훈련 시에 DNN(112)을 특징화하는 훈련 기반 파라미터들에 추가하여, 다른 공급원들로부터 수신된 파라미터들 및/또는 미리 정의된 파라미터들을 사용할 수 있다.
FP 샘플의 FP 이미지들은 상이한 검사 양식들로부터 도착할 수 있다(예를 들어, 상이한 검사 툴들로부터, 동일한 검사 툴의 상이한 채널들, 예를 들어, 명시야 및 암시야 이미지들로부터, 상이한 작동 파라미터들을 사용하여 동일한 검사 툴로부터, 또는 설계 데이터로부터 유도될 수 있거나 등).
예를 들어, FP 이미지들은, 제조 프로세스 동안 캡처된, 시편(예를 들어, 웨이퍼 또는 그의 부분들)의 이미지들, 다양한 전처리 단계들에 의해 획득된, 캡처된 이미지들의 파생물들(예를 들어, SEM 또는 광학 검사 시스템에 의해 캡처된, 포토마스크 또는 웨이퍼의 부분의 이미지들, ADC에 의해 분류될 결함을 대략 중심으로 하는 SEM 이미지들, ADR에 의해 결함이 국부화될 더 큰 영역들의 SEM 이미지들, 동일한 마스크 위치에 대응하는, 상이한 검사 양식들의 정합된 이미지들, 세그먼트화된 이미지들, 높이 지도 이미지들 등), 컴퓨터로 생성된 설계 데이터 기반 이미지들 등으로부터 선택될 수 있다. FP 이미지들은 시편의 관심 층의 이미지들 및/또는 하나 이상의 다른 층의 정합된 이미지들을 포함할 수 있다는 점을 주목한다. 또한, 상이한 층들의 FP 이미지들은 이하에서, 상이한 양식들로부터 수신된 이미지들로서 지칭된다.
비제한적인 예로서, 응용 특정 검사 관련 데이터는, 값들의 의미가 응용에 의존하는 그러한 값들의 픽셀별 지도(예를 들어, 결함 검출을 위한 이진 지도; 계열 유형 또는 일반 등급을 나타내는, 방해 계열 예측을 위한 이산 지도; 결함 유형 분류를 위한 이산 지도; 교차 양식 또는 다이 대 모델(D2M) 회귀에 대한 연속적인 값들 등)를 나타낼 수 있다. 픽셀별 지도는, 픽셀들에 대해 획득된 값들의 확률을 나타내는 픽셀별 확률 지도와 함께 더 획득될 수 있다.
대안적으로 또는 추가적으로, 응용 특정 검사 관련 데이터는 (픽셀마다가 아니라) 전체 이미지 내용을 요약하는 하나 이상의 값, 예컨대, 예를 들어, 결함 속성들, 자동 결함 검토 응용을 위한 결함 경계 박스 후보들 및 연관된 유결함 확률들, 자동 결함 분류 응용을 위한 결함 등급 및 등급 확률 등을 나타낼 수 있다.
대안적으로 또는 추가적으로, 획득된 응용 특정 결함 관련 데이터는 결함들에 직접적으로 관련될 수는 없지만, 결함 분석들에 사용가능할 수 있다(예를 들어, 결함들의 층들을 정의하는 데에 사용가능할 수 있는, FP 이미지들의 세그먼트화에 의해 획득된, 웨이퍼의 층들 사이의 경계들, 결함 환경 데이터, 예를 들어, 배경 패턴의 특징들 등). 대안적으로 또는 추가적으로, 검사 관련 데이터는 계측 목적들을 위해 사용가능할 수 있다.
본 개시된 주제의 실시예들에서, FP 샘플들 및/또는 훈련 샘플들에 포함된 이미지들의 특징들은, 관련 기술분야에 알려진 일반적인 심층 신경망에서 사용되는 정규 RGB 이미지들과 상이하다는 점을 더 주목한다. 예를 들어, 전자 기반 이미지화는 불균일한 노이즈 분포, 대전 효과들, 센서들(상이한 툴들) 간의 큰 변동성 등과 같은 다양한 효과들로 그레이스케일 이미지들을 초래한다. 추가로, SEM 이미지는 보통, 5개의 상이한 그레이스케일 이미지들로 구성되고, 각각의 이미지는 이미지가 취해진 상이한 관점(상, 좌, 우, 상향, 하향)에 대응한다.
도 3을 참조하면, 본 개시된 주제의 특정 실시예들에 따라 구성된 DNN(112)의 일반화된 기능도가 예시된다.
위에서 상세히 설명된 바와 같이, DNN 망이 훈련될 수 있고, 검사 관련 출력 데이터는 다수의 데이터 유형들의 FP 입력 데이터, 예컨대, 예를 들어, 상이한 원점 및 해상도의 이미지들(예를 들어, 결함 이미지들, 등급 이미지들, 기준 이미지들, CAD 이미지들 등), 상이한 유형들의 수치 데이터, 예를 들어, 이미지들로부터 유도된 상이한 유형들의 데이터(예를 들어, 높이 지도, 결함 마스크, 등급들, 세그먼트화들 등), 상이한 유형들의 메타데이터(예를 들어, 이미지화 조건들, 픽셀 크기 등), 상이한 유형들의 수작업 속성들(예를 들어, 결함 크기, 배향, 배경 세그먼트 등) 등을 사용하여 획득될 수 있다. 본 개시된 주제의 특정 실시예들에 따르면, DNN(112)은 상이한 유형들의 FP 입력 데이터의 전용(즉, 별개의) 처리(설정 동안 및 실행시간 동안)를 제공하도록 구성된다. 또한, 도 5a ― 5c를 참조하여 더 상세히 설명될 바와 같이, DNN(112)은 전용 처리를, 추가적인 유형들의 입력 데이터를 더 융합하는 것뿐만 아니라 일부의 결과들의 추가의 융합과도 결합하도록 구성될 수 있다.
DNN 모듈(114)은 복수의 입력 부분망들(302-1 ― 302-3으로 표시됨)을 포함할 수 있고, 각각의 주어진 입력 부분망은 주어진 부분망에 대해 특정된 소정 유형의 FP 입력 데이터(301-1 ― 301-3으로 표시됨)를 처리하도록 구성된다. 주어진 입력 부분망의 아키텍처는 입력 데이터의 각각 특정된 유형(들)에 대응할 수 있거나, 대안적으로, 입력 데이터의 유형과 독립적일 수 있다.
입력 부분망들은 응용 특정 검사 관련 데이터를 출력하도록 구성된 출력 부분망(306)에 더 연결된 집계 부분망(305)에 연결될 수 있다. 선택적으로, 입력 부분망들 중 적어도 일부는 집계 부분망(305) 또는 출력 부분망(306)에 직접 연결될 수 있다. 선택적으로, 집계 및 출력 부분망들은 단일 부분망으로 조직화될 수 있다.
복수의 입력 부분망들은 FP 이미지들을 처리하도록 구성된 하나 이상의 부분망(이하 "이미지 부분망들"로서 지칭됨)을 포함하고, 상이한 이미지 부분망들은 상이한 검사 양식들로부터 수신된 이미지들을 처리하도록 구성된다. 예시된 바와 같이, 이미지 부분망(302-1)은 FP 이미지들의 제1 유형(301-1)(예를 들어, 저해상도 이미지들)을 처리하고, 이미지 부분망(302-2)은 FP 이미지들의 제2 유형(301-2)(예를 들어, 고해상도 이미지들)을 개별적으로 처리한다.
비제한적인 예로서, 검사 양식들은 검사 툴들, 동일한 검사 툴의 상이한 채널들에 의해, 검사 툴들의 작동 파라미터들(예를 들어, 특정 검사 툴/채널에 의해 제공된 관점 및/또는 해상도 등)에 의해 그리고/또는 각각의 FP 이미지들에 대응하는 계층에 의해 서로 상이할 수 있다. 대안적으로 또는 추가적으로, 검사 양식들은 각각의 FP 이미지들을 획득하는 성질에 의해 서로 상이할 수 있는데, 즉, 캡처된 이미지들, 그로부터 유도된 이미지들, 전처리된 이미지들(예를 들어, 평균 및/또는 차이 이미지들) 및 시뮬레이션된 이미지들(CAD 기반 이미지들을 포함함)은 이하에서, 각각의 이미지들을 획득하는 성질에 의해 상이한 검사 양식들로부터의 이미지들로서 지칭된다. 대안적으로 또는 추가적으로, 검사 양식들은 캡처된 이미지들(예를 들어, 세그먼트화, 결함 외곽 추출, 높이 지도 계산 등으로부터 유도된 FP 이미지들)에 적용되는 유도 기법들에 의해 서로 상이할 수 있다.
단지 예시의 목적을 위해, 콘볼루션 신경 아키텍처(CNN)를 갖는 이미지 부분망들에 대해 다음의 설명이 제공된다. 비제한적인 예로서, 이미지 부분망들의 아키텍처는, 그 전체가 참조로 본원에 포함되는, 가오 후앙(Gao Huang) 등에 의한 논문 "Densely Connected Convolutional Networks" (https://arxiv.org/pdf/1608.06993.pdf)에 개시된 방식으로 제공될 수 있다. 관련 기술분야의 통상의 기술자는, 본 개시된 주제의 교시들이, 마찬가지로, 이미지들을 처리하기에 적합한 다른 DNN 아키텍처들에 적용가능하다는 것을 쉽게 이해할 것이다.
복수의 입력 부분망들은 수치형 입력 데이터(예를 들어, FC 이미지들에 관련된 메타데이터, 하나 이상의 검사 툴 및/또는 하나 이상의 염료에 관련된 일반적인 속성들, 수작업 속성들 등)를 처리하도록 구성된 적어도 하나의 DNN 부분망(302-3으로 표시됨)을 더 포함할 수 있다. 대안적으로 또는 추가적으로, 수치형 입력 데이터의 적어도 일부는 집계 부분망(305) 또는 출력 부분망(306)에 직접 융합될 수 있다.
집계 부분망(305)은 하나 이상의 완전 연결 계층(304)에 연결된 하나 이상의 융합 계층(303)을 포함할 수 있다. 선택적으로, 하나 이상의 융합 계층(303)은 하나 이상의 융합 DNN 부분망(병렬 및/또는 순차적)에서 조직화될 수 있다. 선택적으로, 하나 이상의 완전 연결 계층(304)은 하나 이상의 완전 연결 DNN 부분망(병렬 및/또는 순차적)에서 조직화될 수 있다.
선택적으로, 출력 부분망(306)은 응용 특정 검사 관련 데이터를 (예를 들어, FAB 요건들에 따라) 맞춤화하도록 구성된 맞춤화 계층을 포함할 수 있다.
단지 예시의 목적을 위해, 분류 응용에 대해 다음의 설명이 제공된다. 관련 기술분야의 통상의 기술자는, 본 개시된 주제의 교시들이, 마찬가지로, 시편들의 검사에 관련된 다른 응용들에 적용가능하다는 것을 쉽게 이해할 것이다. 비제한적인 예들로서, 도 3을 참조하여 상세히 설명된 프로세스는, 마찬가지로, 시편의 결함들을 검출하는 것; 적어도 2개의 제조 프로세스(FP) 이미지들 간의 정합; 시편의 고해상도 이미지, 시편의 저해상도 이미지 및 시편의 설계 데이터 기반 이미지를 포함하는 군으로부터 선택된 적어도 하나의 FP 이미지를 세그먼트화하는 것; 상이한 검사 양식에 의해 획득된 데이터에 대응하여 FP 이미지를 회귀 기반 재구성하는 것; 계측 응용들, 이미지 속성들의 회귀 기반 재구성 등에 적용가능할 수 있다.
도 4a 및 4b를 참조하면, 시편에서 결함들을 분류하기 위한 검사 관련 데이터를 획득하는 비제한적인 예들이 예시된다.
프로세스는 (예를 들어, 최소의 결함 분류 오류를 가능하게 하는 분류 관련 속성들을 제공하기 위해) DNN의 분류 특정 훈련의 설정 단계(410), 및 결함 속성들을 생성하기 위해 그리고/또는 결함 분류를 위해, 훈련된 DNN을 사용하는 실행시간 단계(420)를 포함한다.
설정(410)(도 4a 및 4b에 대해 공통) 동안, FP 이미지들 및 그의 메타데이터를 포함하는 제1 훈련 샘플들의 세트를 획득하고(401) 각각의 실측 정보 데이터를 획득할(402) 시에, PMC(104)는 분류 훈련 세트를 생성하고(403), 분류 관련 훈련 파라미터들을 특징으로 하는 훈련된 DNN을 획득하기 위해, 생성된 분류 훈련 세트를 사용한다(404). 분류 훈련 세트를 생성하는(403) 것은 제1 훈련 샘플들 및 실측 정보 데이터를 증대시키는 것 및 증대된 훈련 샘플들 및 증대된 실측 정보 데이터를 훈련 세트에 포함시키는 것을 포함할 수 있다. 대안적으로 또는 추가적으로, 제1 훈련 세트를 증대시키는 것은 세트 합성 훈련 샘플들을 생성하고 그에 포함시키는 것을 포함할 수 있다. 대안적으로 또는 추가적으로, 분류 훈련 세트를 생성하는(403) 것은 FP 이미지들의 파생물들(예를 들어, 평균 또는 차이 이미지들), 수작업 속성들 등을 생성하는 것을 포함할 수 있다.
본 개시된 주제의 특정 실시예들에 따라, DNN은 모든 제조 단계들로부터의 층들/생성물들의 모든 유형들에 관련된 전체 이용가능한 FAB 데이터(예를 들어, CAD 데이터, 고해상도 이미지들, 저해상도 이미지들, 메타데이터, 일반 속성들 등)에 기초하여 훈련될 수 있다는 점을 주목한다. 대안적으로, DNN을 훈련시키는 것은 특정한 기준(예를 들어, 라벨링된/라벨링되지 않은/특정한 층(들)/특정한 생성물(들)/특정한 등급(들) 등)에 따라 선택된 이용가능한 FAB 데이터의 일부에 걸쳐 제공될 수 있다. DNN은 지속적으로 변하는 FAB의 데이터에 대한 DNN의 관련성을 유지하기 위해 추가로 (예를 들어, FAB에 도입된 새로운 등급들에 응답하거나 상용 자동 절차 상에서) 지속적으로 훈련될 수 있다.
선택적으로, DNN은, 아마도 FAB와 관련없는 상이한 데이터 세트에 대해 대략적으로 훈련되고, 특정 검사 관련 응용에 대해 이용가능한 FAB 데이터의 적어도 일부에 대해 (예를 들어, 전이 학습 기법 또는 다른 적절한 기법들의 도움으로) 더 미세하게 훈련될 수 있다.
FAB에서의 결함들의 분포의 성질로 인해, 파레토(Parreto)는 매우 불균형할 수 있고 단일 등급으로부터 50-80% 결함들로 구성될 수 있다는 점을 더 주목한다. FAB 데이터는 높은 오분류 비율 및 제한된 데이터 가용성을 더 특징으로 할 수 있다. 증대 및 합성 이미지 생성의 기법들은 FAB 데이터 기반 훈련 세트를 특정 응용의 요건들에 맞추는 것을 가능하게 한다. 비제한적인 예로서, 특정 등급의 결함(예를 들어, 소수 등급)에 관련된 FAB 데이터의 결여는 각각의 결함들을 제시하는 합성 이미지들에 의해 보상될 수 있다. 추가의 비제한적인 예로서, 특정 층에 관련된 적절한 FAB 데이터의 결여는 이 층에 관련된 합성 이미지들에 의해 보상될 수 있다. 더 추가의 비제한적인 예로서, 특정 결함의 누락 정보를 복구하기 위해 합성 이미지들(예를 들어, 고해상도 이미지들)이 생성될 수 있다.
분류 훈련 세트를 생성할(403) 시에, PMC는, 분류 관련 특징들을 추출하고, 최소의 분류 오류를 가능하게 하는, 결함들의 속성들(및/또는 결함들의 라벨들)을 제공하기 위해, DNN을 훈련시킬(404) 수 있다. 훈련 프로세스는 훈련 세트를 업데이트하는 것을 포함할 수 있다. 훈련 프로세스는, 분류 관련 훈련 파라미터들을 이용하여, 훈련된 DNN을 산출한다.
실행시간(420) 동안, PMC는, FP 샘플을 처리하고(405) 결함 속성들을 획득하기(406) 위해, 분류 특정 훈련된 DNN을 사용한다. 비제한적인 예로서, FP 샘플은 동일한 또는 상이한 검사 양식들에 의해 분류되고 획득될 결함에 관련된 이미지들, 기준 다이 이미지, CAD 기반 이미지, 획득된 이미지들로부터 유도된 데이터(예를 들어, 높이 지도, 결함 마스크, 등급들, 세그먼트화 등)의 군을 포함할 수 있다. FP 샘플은 분류될 결함에 관련된 메타데이터(예를 들어, 이미지화 조건들, 픽셀 크기, 조작된 속성들(예를 들어, 결함 크기, 배향, 배경 세그먼트 등) 등)를 더 포함할 수 있다. 비제한적인 예로서, 메타데이터는 PMC에 저장된 미리 정의된 명령어들에 따라 PMC에 의해 생성될 수 있고/거나 각각의 검사 툴들로부터 수신될 수 있다.
도 5a ― 5c를 참조하여 더 상세히 설명될 바와 같이, 본 개시된 주제의 특정 실시예들에 따르면, 훈련 샘플들의 및 FC 샘플들의 데이터는 각각의 입력 부분망들 사이에서 분할될 수 있다. 예를 들어, 상이한 검사 양식들(또는 그의 군들)로부터의 이미지들은 상이한 이미지 부분망들에 대한 입력들을 구성할 수 있다.
비제한적인 예로서, 상이한 관점들로부터 그리고/또는 상이한 조명 조건들 하에서 획득된, 결함 위치의 FC 샘플로부터의 저해상도 이미지들(예를 들어, 광학 이미지들 및/또는 저해상도 SEM 이미지들 및/또는 그의 파생물들), 각각의 기준 이미지(예를 들어, 다이 기준 이미지, 셀 기준 이미지, 결함 위치에 관련된 저해상도 CAD 기반 이미지 등)는 제1 이미지 부분망으로의 "결함" 수준 입력을 구성할 수 있는 반면, FC 샘플로부터의 고해상도 이미지들(예를 들어, 상이한 관점들로부터 그리고/또는 상이한 조명 조건들 하에서 획득된, 결함 위치의 SEM 이미지들 및/또는 그의 파생물들, 결함에 관련된 고해상도 CAD 기반 이미지 등)은 제2 이미지 부분망으로의 "등급" 수준 입력을 구성할 수 있다. 선택적으로, 동일한 해상도의 이미지들은 하나 초과의 이미지 부분망에 대한 입력들을 구성할 수 있다(예를 들어, 캡처된 이미지들 및 이미지들의 파생물들은 상이한 입력 부분망들에 공급될 수 있다).
FC 샘플에 포함된 수치 데이터(예를 들어, 메타데이터, 수작업 속성들 등)는 제3 입력 부분망으로의 또는 집계 부분망으로의 또는 출력 부분망으로의 입력을 구성할 수 있다. 선택적으로, 수치 데이터는 데이터 유형에 따라 몇몇 입력 부분망들, 집계 부분망 또는 출력 부분망에 대한 입력들을 구성할 수 있다(예를 들어, 메타데이터는 제3 입력 부분망에 공급될 수 있는 반면, 수작업 속성들은 집계 부분망에 공급될 수 있다).
선택적으로, 훈련 샘플들은 FP 샘플들에 대응할 수 있다. 각각의 훈련 샘플은, 동일한 검사 양식들에 의해 획득되고 각각의 FP 샘플의 이미지들과 동일한 관계에 있는 적어도 동일한 개수의 이미지들을 포함할 수 있다. 선택적으로, 훈련 샘플들은, 전형적으로, 실행시간 동안 이용불가능한 추가적인 검사 양식들에 의해 획득된 추가적인 이미지들을 더 포함할 수 있다. 입력 부분망들에 걸친 훈련 샘플의 데이터의 분포는 FP 샘플들에서의 각각의 분포에 대응할 것이다. 특정 실시예들에서 훈련 샘플들은 FP 샘플의 이미지들에 대응하는 일부 이미지들을 누락할 수 있다는 점을 주목한다. 그러한 결함들은 상이한 기법들에 의해 보상될 수 있고, 이들 중 일부는 관련 기술분야에 알려져 있다. 비제한적인 예로서, 누락된 이미지는 다른 훈련 샘플들로부터의 대응하는 이미지들의 평균 값들에 따라 생성된 이미지에 의해 보상될 수 있다.
도 4a에 예시된 프로세스에서, FPEI 시스템은 DNN에 의해 획득된 결함 속성들 및, 선택적으로, 조작된 속성들을 외부 분류기로 반출하고(408), 조작된 속성들을 외부 분류 시스템으로 더 반출한다. 분류 결과들을 획득하는(409) 것은, 외부 분류 시스템이 (선택적으로, 외부 분류 시스템의 일부일 수 있는) 외부 분류기로부터 수신하는 결과들을, 조작된 속성들과 함께 외부 분류 시스템에 의해 처리하는 것을 포함한다.
도 4b에 예시된 프로세스에서, FPEI 시스템은, 중간 분류 결과들을 생성하기(408-1) 위해, DNN에 의해 획득된 분류 관련 속성들 및, 선택적으로, (FP 이미지(들)를 처리할 때 선택적으로 획득된(407)) 조작된 속성들을 사용한다. FPEI 시스템은 중간 분류 결과들 및 조작된 속성들을 외부 분류 시스템으로 더 반출한다(408-1). 외부 분류 시스템은 수신된 데이터를 처리하고(409-1) 분류된 결함(들)을 산출한다. 선택적으로, 작동(408-1)은 생략될 수 있고, FPEI는, 외부 분류 시스템의 개입 없이, 분류된 결함들을 산출하기 위해, DNN에 의해 획득된 분류 관련 속성들 및 조작된 속성들을 사용할 수 있다. 조작된 속성들은 DNN로의 메타데이터 입력의 일부일 수 있다는 점을 주목한다. 대안적으로 또는 추가적으로, 조작된 속성들 및/또는 그의 파생물들은 결함 표현의 일부일 수 있다.
따라서, 예시된 바와 같이, 분류 응용은 상이한 방식들로 구현될 수 있다. 비제한적인 예로서, 분류 특정 훈련된 DNN은, DNN이 획득한, DNN 분류 관련 속성들과 조작된 속성들의 조합에 기초하거나, 단지, DNN이 획득한 분류 관련 속성들에 기초하여, FP 이미지에 존재하는 결함을 분류할 수 있다. 대안적으로, 분류 특정 훈련된 DNN은 분류 관련 속성들(및, 선택적으로, 조작된 속성들)을 외부 분류 시스템에 제공함으로써, 그러한 결함들의 분류를 가능하게 할 수 있다.
분류 DNN 망들의 비제한적인 예들이 도 5a ― 5c를 참조하여 예시된다. 선택적으로, 입력 부분망으로의 공급 이전에, 이미지들은 전처리될 수 있고 생성된 유도물들(예를 들어, 평균-외부, 차이-외부 등)은 검사 툴들에 의해 획득된 이미지들 대신에 또는 그에 추가하여, 각각의 이미지 부분망들에 공급될 수 있다는 점을 주목한다.
도 5a에 예시된 바와 같이, FP 샘플로부터의 데이터는 (502-1 ― 502-3으로 표시된) 3개의 입력 부분망들 사이에서 분할될 수 있다. CNN 이미지 부분망(502-1)은 "결함" 수준 특징들을 획득하기 위해 "결함" 수준 저해상도 이미지들(501-1)을 처리하고, CNN 이미지 부분망(502-2)은 "등급" 수준 특징들을 획득하기 위해 고해상도 이미지들(501-2)을 처리한다. 메타데이터(501-3)(예를 들어, 픽셀 크기, FOV, 스캔 회전 및 스캔 속도, 프레임 등의 정보를 전달하는 데이터)는, "메타데이터" 수준 특징들을 획득하기 위해, 완전 연결 입력 부분망(502-3)에 의해 처리된다.
선택적으로, 예시된 DNN은 하나 이상의 추가적인 입력 부분망(예를 들어, ADR 기반 입력들 등)을 가질 수 있다.
입력 부분망들 각각에 의해 개별적으로 생성되는 특징들은 수신된 특징들을 집계하고 최종 속성들 표현을 계산하는 완전 연결 부분망(503)에 융합된다.
도 5a 예에 예시된 바와 같이, 모든 상이한 공급원들로부터의 데이터 융합은 특징 기반으로서 제공된다.
도 5b는 데이터 기반 융합 및 그에 후속하는 특징 기반 융합의 예를 예시한다. 상이한 이미지 데이터(501-1 ― 501-k)는 전처리 부분망(510)에 의해 함께 전처리된다. 선택적으로, 전처리 부분망(510)은 각각의 유형의 이미지들에 대한(예를 들어, 각각의 검사 양식들 또는 그의 각각의 군에 대한) 별개의 제1 콘볼루션 계층을 포함할 수 있다. 선택적으로, 모든 제1 콘볼루션 계층들은 동일할 수 있다. 추가로, 전처리 부분망(510)은 집계된 이미지(예를 들어, 픽셀 당 획득된 최대)를 획득하기 위해 이미지들을 집계할 수 있다. 생성된 집계된 이미지는, 집계된 이미지 특징들을 추출하기 위해, 입력 부분망(502-1)에 공급된다. 추가로, 수치 수준 특징들 및 집계된 이미지 특징들은 최종 속성들 표현을 획득하기 위해 출력 부분망(503)에 공급된다.
도 5c는 결정 기반 융합의 예를 예시한다. 각각의 입력 부분망(502-1 ― 502-3)은 각각 전용의 완전 연결 부분망(503-1 ― 503-3으로 표시됨)에 공급한다. 따라서, 각각의 입력 유형은 각각의 수준의 특징들을 추출하는 전용 채널에 의해 제공된다. 최종 결함 수준 특징들, 최종 등급 수준 특징들 및 최종 메타데이터 특징들은 수신된 특징들을 집계하고 알려진 등급들에 대한 분류 라벨들을 계산하는 분류 부분망(505)에 융합된다.
(예를 들어, 도 5a 및 5b에 예시된 바와 같은) 최종 속성들 표현은 또한 하나 이상의 이전에 알려지지 않은 등급에 대한 추가의 분류를 가능하게 한다는 점을 주목한다.
따라서, 위에서 예시된 바와 같이, DNN은, 다양한 데이터(예를 들어, 상이한 관점들로부터 상이한 해상도로 획득된 소스 이미지들, 이미지 내용(컨텍스트＼결함), 소스 이미지들로부터의 파생물들(높이 지도, 세그먼트화 등), 수치 데이터(예를 들어, 픽셀 크기, 수작업 속성들) 등)를 포함하는 FP 샘플들을 사용하여 결함 표현을 생성할 수 있고, 이에 의해, 분류 결과들의 정확도를 제공한다.
본 개시된 주제의 특정 실시예들의 추가적인 장점들 중에, 미래에 도입될 등급들에 대한 새로운 속성들을 생성할 수 있는 FAB 기반 자동 절차를 가능하게 하는 것이다.
본 개시된 주제의 특정 실시예들의 추가의 장점들 중에, 일정한 전문 교정을 필요로 하지 않는 안정적인 속성들 공간을 생성하는 능력이다.
본 발명은 본 출원에서 본원에 포함된 설명에 열거되거나 도면들에 예시된 세부 사항들로 제한되지 않는다는 것을 이해해야 한다. 본 발명은 다른 실시예들이 가능하고, 다양한 방식들로 실시되거나 수행될 수 있다. 그러므로, 본원에서 채용되는 어법 및 용어는 설명의 목적을 위한 것이며 제한으로서 간주되어서는 안 된다는 점을 이해하여야 한다. 이로써, 관련 기술분야의 통상의 기술자는, 본 개시내용이 기초로 하는 개념이, 본 개시된 주제의 몇몇 목적을 수행하기 위한 다른 구조들, 방법들 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있음을 이해할 것이다.
또한, 본 발명에 따른 시스템은, 적어도 부분적으로, 적절히 프로그래밍된 컴퓨터 상에 구현될 수 있다는 것을 이해할 것이다. 마찬가지로, 본 발명은, 본 발명의 방법을 실행하기 위해, 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 발명은, 본 발명의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령어들의 프로그램을 유형적으로 구현하는 비일시적 컴퓨터 판독가능 메모리를 더 고려한다.
관련 기술분야의 통상의 기술자는, 다양한 수정들 및 변경들이, 본 발명의 범위로부터 벗어나지 않고 앞서 설명되고 첨부된 청구항들에 그리고 청구항들에 의해 정의된 바와 같이 본 발명의 실시예들에 적용될 수 있다는 것을 쉽게 이해할 것이다.

Claims (20)

  1. 반도체 시편 검사 방법으로서,
    반도체 제조 프로세스 내의 주어진 검사 관련 응용에 대해 훈련된 심층 신경망(DNN)을 컴퓨터에 의해 획득할 시, 제조 프로세스(FP) 샘플을 처리하기 위해, 상기 훈련된 DNN을 사용하는 단계 ― 상기 FP 샘플은 하나 이상의 제1 검사 양식으로부터 수신된 하나 이상의 제1 FP 이미지 및 상기 제1 검사 양식과 상이한 하나 이상의 제2 검사 양식으로부터 수신된 하나 이상의 제2 FP 이미지를 포함하고, 상기 훈련된 DNN은 상기 하나 이상의 제1 FP 이미지를 상기 하나 이상의 제2 FP 이미지와는 별개로 처리함 ―; 및
    상기 주어진 응용에 대해 특정하며, 처리된 FP 이미지들 중 적어도 하나를 특징화하는 검사 관련 데이터를 컴퓨터에 의해 획득하기 위해, 적어도, 상기 하나 이상의 제1 FP 이미지 및 상기 하나 이상의 제2 FP 이미지의 개별 처리의 결과들을 상기 훈련된 DNN에 의해 처리하는 단계를 포함하는, 반도체 시편 검사 방법.
  2. 제1항에 있어서,
    상기 FP 샘플은 상기 FP 샘플의 상기 FP 이미지들과 연관된 수치 데이터를 더 포함하고, 상기 방법은:
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지를 처리하는 것 및 상기 하나 이상의 제2 FP 이미지를 처리하는 것과는 별개로 상기 수치 데이터의 적어도 일부를 처리하는 단계; 및
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지 및 상기 하나 이상의 제2 FP 이미지의 개별 처리의 결과들과 함께 상기 수치 데이터의 적어도 일부의 처리 결과들을 처리함으로써, 상기 주어진 응용에 대해 특정한 검사 관련 데이터를 획득하는 단계를 더 포함하는, 반도체 시편 검사 방법.
  3. 제1항에 있어서,
    상기 FP 샘플은 상기 FP 샘플의 상기 FP 이미지들과 연관된 수치 데이터를 더 포함하고, 상기 방법은:
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지를 처리하는 것 및 상기 하나 이상의 제2 FP 이미지를 처리하는 것과는 별개로 상기 수치 데이터의 적어도 일부를 처리하는 단계;
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지 및 상기 하나 이상의 제2 FP 이미지의 개별 처리의 결과들을 집계하여 집계된 이미지 데이터를 생성하는 단계; 및
    상기 훈련된 DNN에 의해, 상기 집계된 이미지 데이터와 함께 상기 수치 데이터의 적어도 일부의 개별 처리의 결과들을 처리함으로써, 상기 주어진 응용에 대해 특정한 검사 관련 데이터를 획득하는 단계를 더 포함하는, 반도체 시편 검사 방법.
  4. 제1항에 있어서,
    상기 검사 특정 응용은: 반도체 시편의 결함들을 검출하는 것; 반도체 시편의 결함들을 분류하는 것; 적어도 2개의 제조 프로세스(FP) 이미지들 간의 정합; 반도체 시편의 고해상도 이미지, 반도체 시편의 저해상도 이미지 및 반도체 시편의 설계 데이터 기반 이미지를 포함하는 군으로부터 선택된 적어도 하나의 FP 이미지를 세그먼트화하는 것; 상이한 검사 양식에 의해 획득된 데이터에 대응하여 FP 이미지를 회귀 기반 재구성하는 것 및 이미지 속성들의 회귀 기반 재구성을 포함하는 군으로부터 선택되는, 반도체 시편 검사 방법.
  5. 제1항에 있어서,
    상기 하나 이상의 제1 검사 양식은: 검사 툴, 동일한 검사 툴의 채널, 동일한 검사 툴 및/또는 채널의 작동 파라미터들, 각각의 FP 이미지들에 대응하는 반도체 시편의 층들, FP 이미지들을 획득하는 성질, 및 캡처된 이미지들에 적용된 유도 기법들 중 적어도 하나에 의해, 상기 하나 이상의 제2 검사 양식과 상이한, 반도체 시편 검사 방법.
  6. 제1항에 있어서,
    상기 하나 이상의 제1 FP 이미지는 저해상도 이미지이고, 상기 하나 이상의 제2 FP 이미지는 고해상도 이미지인, 반도체 시편 검사 방법.
  7. 제2항에 있어서,
    상기 수치 데이터는 메타데이터 및/또는 수작업 속성들을 포함하는, 반도체 시편 검사 방법.
  8. 제1항에 있어서,
    상기 DNN은 모든 제조 단계들로부터의 모든 유형들의 층들 및 생성물들로부터 수집된 FAB 데이터를 사용하여 훈련되는, 반도체 시편 검사 방법.
  9. 제1항에 있어서,
    상기 DNN은 상기 FAB 데이터와는 상이한 데이터 세트에 대해 대략적으로 훈련되고, 상기 FAB 데이터의 적어도 일부에 대한 특정 검사 관련 응용에 대해 더 미세하게 훈련되는, 반도체 시편 검사 방법.
  10. 제1항에 있어서,
    검사 특정 응용은 상기 반도체 시편의 결함들을 분류하고, 상기 주어진 응용에 특정한 상기 검사 관련 데이터는 분류될 적어도 하나의 결함을 특징화하는 분류 관련 속성들 및/또는 분류 라벨들인, 반도체 시편 검사 방법.
  11. 반도체 시편의 검사를 위해 사용가능한 시스템으로서,
    상기 시스템은 입력 인터페이스 및 출력 인터페이스에 작동가능하게 연결된 처리 및 메모리 블록(PMB)을 포함하고,
    상기 입력 인터페이스는 하나 이상의 제조 프로세스(FP) 이미지를 수신하도록 구성되고;
    상기 PMB는:
    반도체 제조 프로세스 내의 주어진 검사 관련 응용에 대해 훈련된 심층 신경망(DNN)을 획득하고;
    제조 프로세스(FP) 샘플을 처리하기 위해, 상기 훈련된 DNN을 사용하고 ― 상기 FP 샘플은 하나 이상의 제1 검사 양식으로부터 수신된 하나 이상의 제1 FP 이미지 및 상기 제1 검사 양식과 상이한 하나 이상의 제2 검사 양식으로부터 수신된 하나 이상의 제2 FP 이미지를 포함하고, 상기 훈련된 DNN은 상기 하나 이상의 제1 FP 이미지를 상기 하나 이상의 제2 FP 이미지와는 별개로 처리함 ―;
    상기 주어진 응용에 대해 특정하며, 처리된 FP 이미지들 중 적어도 하나를 특징화하는 검사 관련 데이터를 컴퓨터에 의해 획득하기 위해, 적어도, 상기 하나 이상의 제1 FP 이미지 및 상기 하나 이상의 제2 FP 이미지의 개별 처리의 결과들을 상기 훈련된 DNN에 의해 처리하도록 구성되는, 반도체 시편의 검사를 위해 사용가능한 시스템.
  12. 제11항에 있어서,
    상기 FP 샘플은 상기 FP 샘플의 FP 이미지들과 연관된 수치 데이터를 더 포함하고, 상기 PMC는:
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지를 처리하는 것 및 상기 하나 이상의 제2 FP 이미지를 처리하는 것과는 별개로 상기 수치 데이터의 적어도 일부를 처리하고;
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지 및 상기 하나 이상의 제2 FP 이미지의 개별 처리의 결과들과 함께 적어도 일부의 상기 수치 데이터를 처리함으로써, 상기 주어진 응용에 대해 특정한 검사 관련 데이터를 획득하도록 더 구성되는, 반도체 시편의 검사를 위해 사용가능한 시스템.
  13. 제11항에 있어서,
    상기 FP 샘플은 상기 FP 샘플의 FP 이미지들과 연관된 수치 데이터를 더 포함하고, 상기 PMC는:
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지를 처리하는 것 및 상기 하나 이상의 제2 FP 이미지를 처리하는 것과는 별개로 상기 수치 데이터의 적어도 일부를 처리하고;
    상기 훈련된 DNN에 의해, 상기 하나 이상의 제1 FP 이미지 및 상기 하나 이상의 제2 FP 이미지의 개별 처리의 결과들을 집계하여 집계된 이미지 데이터를 생성하고;
    상기 훈련된 DNN에 의해, 상기 집계된 이미지 데이터와 함께 적어도 일부의 상기 수치 데이터의 개별 처리의 결과들을 처리함으로써, 상기 주어진 응용에 대해 특정한 검사 관련 데이터를 획득하도록 더 구성되는, 반도체 시편의 검사를 위해 사용가능한 시스템.
  14. 제11항에 있어서,
    상기 하나 이상의 제1 검사 양식은: 검사 툴, 동일한 검사 툴의 채널, 동일한 검사 툴 및/또는 채널의 작동 파라미터들, 각각의 FP 이미지들에 대응하는 반도체 시편의 층들, FP 이미지들을 획득하는 성질, 및 캡처된 이미지들에 적용된 유도 기법들 중 적어도 하나에 의해, 상기 하나 이상의 제2 검사 양식과 상이한, 반도체 시편의 검사를 위해 사용가능한 시스템.
  15. 제11항에 있어서,
    상기 하나 이상의 제1 FP 이미지는 저해상도 이미지이고, 상기 하나 이상의 제2 FP 이미지는 고해상도 이미지인, 반도체 시편의 검사를 위해 사용가능한 시스템.
  16. 제12항에 있어서,
    상기 수치 데이터는 메타데이터 및/또는 수작업 속성들을 포함하는, 반도체 시편의 검사를 위해 사용가능한 시스템.
  17. 제11항에 있어서,
    상기 DNN은 모든 제조 단계들로부터의 모든 유형들의 층들 및 생성물들로부터 수집된 FAB 데이터를 사용하여 훈련되는, 반도체 시편의 검사를 위해 사용가능한 시스템.
  18. 제11항에 있어서,
    상기 DNN은 상기 FAB 데이터와는 상이한 데이터 세트에 대해 대략적으로 훈련되고, 상기 FAB 데이터의 적어도 일부에 대한 특정 검사 관련 응용에 대해 더 미세하게 훈련되는, 반도체 시편의 검사를 위해 사용가능한 시스템.
  19. 제11항에 있어서,
    검사 특정 응용은 상기 반도체 시편의 결함들을 분류하고, 상기 주어진 응용에 특정한 상기 검사 관련 데이터는 분류될 적어도 하나의 결함을 특징화하는 분류 관련 속성들 및/또는 분류 라벨들인, 반도체 시편의 검사를 위해 사용가능한 시스템.
  20. 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금 반도체 시편을 검사하는 방법을 수행하게 하는 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체로서,
    상기 방법은:
    반도체 제조 프로세스 내의 주어진 검사 관련 응용에 대해 훈련된 심층 신경망(DNN)을 컴퓨터에 의해 획득할 시, 제조 프로세스(FP) 샘플을 처리하기 위해, 획득된 상기 훈련된 DNN을 사용하는 단계 ― 상기 FP 샘플은 하나 이상의 제1 검사 양식으로부터 수신된 하나 이상의 제1 FP 이미지 및 상기 제1 검사 양식과 상이한 하나 이상의 제2 검사 양식으로부터 수신된 하나 이상의 제2 FP 이미지를 포함하고, 상기 훈련된 DNN은 상기 하나 이상의 제1 FP 이미지를 상기 하나 이상의 제2 FP 이미지와는 별개로 처리함 ―; 및
    상기 주어진 응용에 대해 특정하며, 처리된 하나 이상의 FP 이미지 중 적어도 하나를 특징화하는 검사 관련 데이터를 획득하기 위해, 적어도, 상기 하나 이상의 제1 FP 이미지 및 상기 하나 이상의 제2 FP 이미지의 개별 처리의 결과들을 상기 훈련된 DNN에 의해 처리하는 단계를 포함하는, 비일시적 컴퓨터 판독가능 매체.
KR1020207022372A 2018-02-07 2019-02-07 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템 KR102549196B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862627692P 2018-02-07 2018-02-07
US62/627,692 2018-02-07
PCT/IL2019/050155 WO2019155471A1 (en) 2018-02-07 2019-02-07 Method of deep learning-based examination of a semiconductor specimen and system thereof

Publications (2)

Publication Number Publication Date
KR20200116926A true KR20200116926A (ko) 2020-10-13
KR102549196B1 KR102549196B1 (ko) 2023-06-30

Family

ID=67548865

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207022372A KR102549196B1 (ko) 2018-02-07 2019-02-07 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템

Country Status (5)

Country Link
US (1) US11568531B2 (ko)
KR (1) KR102549196B1 (ko)
CN (1) CN111512324B (ko)
TW (1) TWI796431B (ko)
WO (1) WO2019155471A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022221073A1 (en) * 2021-04-12 2022-10-20 Kla Corporation Salient feature point based image alignment

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112969967B (zh) 2018-11-07 2024-12-03 Asml荷兰有限公司 确定对过程的校正
US11263496B2 (en) * 2019-02-25 2022-03-01 D2S, Inc. Methods and systems to classify features in electronic designs
US11182929B2 (en) 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
WO2021178361A1 (en) * 2020-03-03 2021-09-10 Pdf Solutions, Inc. Predicting die susceptible to early lifetime failure
US12020417B2 (en) * 2020-04-24 2024-06-25 Camtek Ltd. Method and system for classifying defects in wafer using wafer-defect images, based on deep learning
AU2021266673A1 (en) * 2020-05-05 2022-12-01 Amgen Inc. Deep learning platforms for automated visual inspection
TWI779284B (zh) 2020-05-06 2022-10-01 商之器科技股份有限公司 用於影像資料標註的裝置
US11774371B2 (en) 2020-05-22 2023-10-03 Kla Corporation Defect size measurement using deep learning methods
US11379972B2 (en) * 2020-06-03 2022-07-05 Applied Materials Israel Ltd. Detecting defects in semiconductor specimens using weak labeling
US11232550B2 (en) * 2020-06-29 2022-01-25 Applied Materials Israel Ltd. Generating a training set usable for examination of a semiconductor specimen
CN112836853A (zh) * 2020-12-31 2021-05-25 杭州富加镓业科技有限公司 一种基于深度学习和热交换法的氧化镓制备方法及系统
CN114718587A (zh) * 2021-01-02 2022-07-08 杨立鹏 一种软弱围岩隧道挖掘机斗齿
CN114764770B (zh) * 2021-01-08 2025-02-11 长鑫存储技术有限公司 晶圆检测方法、装置、设备及存储介质
EP4050560B1 (en) 2021-01-08 2023-07-12 Changxin Memory Technologies, Inc. Wafer testing method and apparatus, and device and storage medium
US11921063B2 (en) * 2021-07-21 2024-03-05 Applied Materials Israel Ltd. Lateral recess measurement in a semiconductor specimen
US20240370991A1 (en) * 2021-07-30 2024-11-07 Robert Bosch Gmbh Method and Apparatus for Automatic Optical Inspection
KR20230028995A (ko) * 2021-08-23 2023-03-03 삼성전자주식회사 결함 예측 방법 및 장치
WO2023091313A2 (en) * 2021-11-19 2023-05-25 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Neural network-based prediction of semiconductor device response
CN114648528B (zh) * 2022-05-19 2022-09-23 江苏第三代半导体研究院有限公司 一种半导体检测方法、装置以及计算机可读存储介质
US20240169116A1 (en) * 2022-11-21 2024-05-23 Kla Corporation Protecting data sources from different entities for semiconductor yield related applications
TW202443416A (zh) * 2023-04-06 2024-11-01 日商東京威力科創股份有限公司 電腦程式、資訊處理裝置及資訊處理方法
CN117952983B (zh) * 2024-03-27 2024-07-26 中电科大数据研究院有限公司 一种基于人工智能的智能制造生产过程监控方法和系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140072204A1 (en) * 2011-04-20 2014-03-13 Hitachi High-Technologies Corporation Defect classification method, and defect classification system
US20160163035A1 (en) * 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
US20170067060A1 (en) * 2010-04-06 2017-03-09 Alnylam Pharmaceuticals, Inc. Compositions and methods for inhibiting expression of cd274/pd-l1 gene
US20170177997A1 (en) * 2015-12-22 2017-06-22 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof
US20170200265A1 (en) * 2016-01-11 2017-07-13 Kla-Tencor Corporation Generating simulated output for a specimen
US20180330511A1 (en) * 2017-05-11 2018-11-15 Kla-Tencor Corporation Learning based approach for aligning images acquired with different modalities
US20190067060A1 (en) * 2017-08-30 2019-02-28 Kla-Tencor Corporation Identifying Nuisances and Defects of Interest in Defects Detected on a Wafer

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9430824B2 (en) * 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
US9915625B2 (en) * 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10127651B2 (en) * 2016-01-15 2018-11-13 Kla-Tencor Corporation Defect sensitivity of semiconductor wafer inspectors using design data with wafer image data

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170067060A1 (en) * 2010-04-06 2017-03-09 Alnylam Pharmaceuticals, Inc. Compositions and methods for inhibiting expression of cd274/pd-l1 gene
US20140072204A1 (en) * 2011-04-20 2014-03-13 Hitachi High-Technologies Corporation Defect classification method, and defect classification system
US20160163035A1 (en) * 2014-12-03 2016-06-09 Kla-Tencor Corporation Automatic Defect Classification Without Sampling and Feature Selection
US20170177997A1 (en) * 2015-12-22 2017-06-22 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof
US20170357895A1 (en) * 2015-12-22 2017-12-14 Applied Materials Israel Ltd. Method of deep learining-based examination of a semiconductor specimen and system thereof
US20170364798A1 (en) * 2015-12-22 2017-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US20170200265A1 (en) * 2016-01-11 2017-07-13 Kla-Tencor Corporation Generating simulated output for a specimen
US20180330511A1 (en) * 2017-05-11 2018-11-15 Kla-Tencor Corporation Learning based approach for aligning images acquired with different modalities
US20190067060A1 (en) * 2017-08-30 2019-02-28 Kla-Tencor Corporation Identifying Nuisances and Defects of Interest in Defects Detected on a Wafer

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022221073A1 (en) * 2021-04-12 2022-10-20 Kla Corporation Salient feature point based image alignment

Also Published As

Publication number Publication date
TWI796431B (zh) 2023-03-21
US20200294224A1 (en) 2020-09-17
US11568531B2 (en) 2023-01-31
CN111512324A (zh) 2020-08-07
CN111512324B (zh) 2024-06-28
TW201935590A (zh) 2019-09-01
WO2019155471A1 (en) 2019-08-15
KR102549196B1 (ko) 2023-06-30

Similar Documents

Publication Publication Date Title
KR102549196B1 (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
US12183066B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
US11199506B2 (en) Generating a training set usable for examination of a semiconductor specimen
KR102176335B1 (ko) 반도체 시편의 시험을 위해 사용 가능한 훈련 세트를 생성하는 방법 및 그 시스템
KR102749767B1 (ko) 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
US20220222806A1 (en) Machine learning-based classification of defects in a semiconductor specimen
KR20230140394A (ko) 반도체 시편의 기계 학습 기반 검사 및 그의 훈련
US11854184B2 (en) Determination of defects and/or edge roughness in a specimen based on a reference image
TWI864281B (zh) 對半導體試樣上的一感興趣圖案（ｐｏｉ）進行分類的系統與方法，及電腦程式產品執行訓練一機器學習模型的方法以生成可用於對ｐｏｉ進行分類的資料

Legal Events

Date Code Title Description
PA0105 International application

Patent event date: 20200803

Patent event code: PA01051R01D

Comment text: International Patent Application

PG1501 Laying open of application
A201 Request for examination
PA0201 Request for examination

Patent event code: PA02012R01D

Patent event date: 20220127

Comment text: Request for Examination of Application

PA0302 Request for accelerated examination

Patent event date: 20220915

Patent event code: PA03022R01D

Comment text: Request for Accelerated Examination

E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20230320

Patent event code: PE09021S01D

E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20230614

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20230626

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20230627

End annual number: 3

Start annual number: 1

PG1601 Publication of registration