KR20200030806A - 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법 - Google Patents

반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법 Download PDF

Info

Publication number
KR20200030806A
KR20200030806A KR1020180109500A KR20180109500A KR20200030806A KR 20200030806 A KR20200030806 A KR 20200030806A KR 1020180109500 A KR1020180109500 A KR 1020180109500A KR 20180109500 A KR20180109500 A KR 20180109500A KR 20200030806 A KR20200030806 A KR 20200030806A
Authority
KR
South Korea
Prior art keywords
image
processor
weights
biases
semiconductor wafer
Prior art date
Legal status (The legal status 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 status listed.)
Withdrawn
Application number
KR1020180109500A
Other languages
English (en)
Inventor
임춘식
최태림
김용덕
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180109500A priority Critical patent/KR20200030806A/ko
Priority to US16/402,375 priority patent/US10949949B2/en
Priority to CN201910825087.9A priority patent/CN110895808A/zh
Publication of KR20200030806A publication Critical patent/KR20200030806A/ko
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • H01L21/67242—
    • H—ELECTRICITY
    • H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
    • H10P—GENERIC PROCESSES OR APPARATUS FOR THE MANUFACTURE OR TREATMENT OF DEVICES COVERED BY CLASS H10
    • H10P72/00—Handling or holding of wafers, substrates or devices during manufacture or treatment thereof
    • H10P72/06—Apparatus for monitoring, sorting, marking, testing or measuring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명의 실시 예에 따른, 반도체 제조 공정을 모니터링하기 위해, 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체에 있어서, 프로세서에 의해 이미지 변환 모델이 생성될 때, 프로세서는, 계측 장치에 의해 생성된 반도체 웨이퍼의 제 1 이미지 및 제 2 이미지를 수신하는 단계, 프로세서에 의해 실행되는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여, 제 1 이미지를 제 3 이미지로 변환하는 단계, 제 3 이미지가 제 2 이미지와 일치하도록, 이미지 변환 모델의 가중치들 및 바이어스들을 보정하는 단계, 및 보정된 가중치들 및 보정된 바이어스들을 포함하는 이미지 변환 모델을 출력하는 단계를 수행한다.

Description

반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법{NON-TRANSITORY COMPUTER-READABLE MEDIUM COMPRISING IMAGE CONVERSION MODEL BASED ON ARTIFICIAL NEURAL NETWORK AND METHOD OF CONVERTING IMAGE OF SEMICONDUCTOR WAFER FOR MONITORING SEMICONDUCTOR FABRICATION PROCESS}
본 발명은 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법에 관한 것이다.
최근 반도체 장치의 미세 공정이 발달함에 따라 설계 규칙(design rule)이 축소됨에 따라 최소 선폭(critical dimension; CD)이 감소하고 있다. 따라서, 반도체 장치의 제조 공정을 보다 정밀하게 모니터링하는 것이 필요하다. 반도체 장치의 제조 공정을 모니터링하기 위해 CD-SEM(critical dimension scanning electron microscope)과 같은 전자 현미경이 주로 사용될 수 있다.
정밀한 모니터링을 위해, 전자 현미경에서 출력되는 전자 빔의 크기가 감소하고, 전자 빔을 제어하기 위한 기술이 향상되고, 전자 감지기의 성능이 개선되었다. 다만, 전자 현미경으로부터 고해상도의 이미지를 얻기 위해 전자 빔의 크기가 감소하거나 FOV(field of view) 영역을 여러 프레임으로 스캔하여 SNR(signal to noise ratio)을 개선해야 하므로, 고해상도의 이미지를 얻기 위해 필요한 시간이 증가할 수 있다. 전자 현미경으로부터 고해상도 이미지를 얻기 위해 필요한 시간이 증가하면서 반도체 장치가 제조되는데 필요한 시간이 증가하거나 또는 상술한 시간을 개선하기 위해 사용되는 전자 현미경들의 개수가 증가하게 된다. 어느 경우든, 종래 기술에 따라 반도체 제조 공정을 모니터링하는데 필요한 시간 및 비용이 증가하게 된다.
본 발명은 상술한 기술적 과제를 해결하기 위한 것으로, 본 발명은 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법을 제공할 수 있다.
본 발명의 실시 예에 따른, 반도체 제조 공정을 모니터링하기 위해, 인공 신경망에 기초하고 프로세서에 의해 생성되는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체에 있어서, 프로세서는, 계측 장치에 의해 생성된 반도체 웨이퍼의 제 1 이미지 및 제 2 이미지를 수신하는 단계, 프로세서에 의해 실행되는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여, 제 1 이미지를 제 3 이미지로 변환하는 단계, 제 3 이미지가 제 2 이미지와 일치하도록, 이미지 변환 모델의 가중치들 및 바이어스들을 보정하는 단계, 및 보정된 가중치들 및 보정된 바이어스들을 포함하는 이미지 변환 모델을 출력하는 단계를 수행한다.
본 발명의 다른 실시 예에 따른, 반도체 제조 공정을 모니터링하기 위해, 인공 신경망에 기초하고 프로세서에 의해 실행되는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체에 있어서, 프로세서는: 샘플 이미지 쌍에 기초하여 보정된 가중치들 및 바이어스들을 포함하는 이미지 변환 모델을 이용하여, 계측 장치에 의해 생성된 제 1 반도체 웨이퍼의 제 1 이미지를 제 2 이미지로 변환하는 단계 및 이미지 변환 모델을 이용하여, 계측 장치에 의해 생성된 제 2 반도체 웨이퍼의 제 3 이미지를 제 4 이미지로 변환하는 단계를 수행하고, 샘플 이미지 쌍은 계측 장치에 의해 생성되는 샘플 반도체 웨이퍼의 저해상도 이미지 및 고해상도 이미지이고, 그리고 제 2 이미지 및 제 4 이미지는 계측 장치 대신에 프로세서에 의해 생성된다.
본 발명의 또 다른 실시 예에 따른, 반도체 제조 공정을 모니터링하기 위해 반도체 웨이퍼의 이미지를 변환하는 방법은, 계측 장치에 의해, 제 1 반도체 웨이퍼의 제 1 이미지 및 제 1 이미지의 해상도보다 높은 해상도를 갖는 제 2 이미지를 생성하는 단계, 적어도 하나의 프로세서에 의해 실행되는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여 제 1 이미지를 제 3 이미지로 변환하는 단계, 적어도 하나의 프로세서에 의해, 제 3 이미지가 제 2 이미지와 일치하도록, 이미지 변환 모델의 가중치들 및 바이어스들을 보정하는 단계, 계측 장치에 의해, 제 2 반도체 웨이퍼의 제 4 이미지를 생성하는 단계, 및 이미지 변환 모델을 이용하여 제 4 이미지를 제 4 이미지의 해상도보다 높은 해상도를 갖는 제 5 이미지로 변환하는 단계를 포함한다.
본 발명의 실시 예에 따르면, 계측 장치는 고해상도 이미지 대신에 저해상도 이미지를 빠르게 생성하고, 인공 신경망에 기초하는 이미지 변환 모델을 이용하여, 계측 장치에 의해 생성된 저해상도 이미지는 고해상도 이미지로 빠르게 변환될 수 있다. 이미지 변환 모델에 의해 저해상도 이미지가 고해상도 이미지로 변환되는데 필요한 시간은 계측 장치가 직접 고해상도 이미지를 생성하는데 필요한 시간보다 짧다. 따라서, 반도체 제조 공정을 모니터링하는데 필요한 시간 및 비용이 모두 개선될 수 있다.
도 1은 본 발명의 실시 예에 따른 반도체 제조 공정을 모니터링하기 위한 시스템을 예시적으로 도시한다.
도 2는 도 1의 이미지 쌍에 기초하여 이미지 변환 모델이 생성되는 과정을 예시적으로 도시한다.
도 3은 도 1의 제 2 컴퓨터 상에서 실행되는 인공 신경망을 예시적으로 도시한다.
도 4는 도 2의 S150 단계의 세부 단계들을 예시적으로 도시한다.
도 5 내지 도 7은 본 발명의 실시 예에 따른 반도체 웨이퍼의 저해상도 이미지, 고해상도 이미지, 및 변환 이미지를 예시적으로 도시한다.
도 8은 도 5 내지 도 7의 저해상도 이미지, 고해상도 이미지, 및 변환 이미지를 비교하는 그래프를 예시적으로 도시한다.
도 9는 도 1의 시스템이 반도체 웨이퍼를 모니터링하는 과정을 예시적으로 도시한다.
도 10은 도 9의 시스템이 반도체 웨이퍼를 모니터링하는 과정을 예시적으로 도시한다.
도 11은 본 발명의 다른 실시 예에 따른 반도체 제조 공정을 모니터링하기 위한 시스템을 예시적으로 도시한다.
도 12는 본 발명의 또 다른 실시 예에 따른 반도체 제조 공정을 모니터링하기 위한 시스템을 예시적으로 도시한다.
아래에서는, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재될 것이다.
도 1은 본 발명의 실시 예에 따른 반도체 제조 공정을 모니터링하기 위한 시스템을 예시적으로 도시한다. 시스템(100)은 계측 장치(110), 제 1 컴퓨터(120), 및 제 2 컴퓨터(130)를 포함할 수 있다. 시스템(100)은 다양한 반도체 장치들의 제조 공정(fabrication process)을 모니터링(monitoring)할 수 있다. 예를 들어, 제조 공정은 어느 반도체 장치가 반도체 웨이퍼(wafer) 상에 제조되는 과정, 반도체 웨이퍼 상에서 구현된 반도체 장치가 패키징(packaging)되는 과정, 상술한 과정들을 테스트하는 과정 등을 포함할 수 있다.
시스템(100)에 의해 모니터링되는 반도체 장치는, 예를 들어, DRAM(dynamic random access memory) 장치, SRAM(static random access memory) 장치, TRAM(thyristor random access memory) 장치, 낸드 플래시 메모리(nand flash memory) 장치, 노어 플래시 메모리(nor flash memory) 장치, RRAM(resistive random access memory) 장치, FRAM(ferroelectric random access memory) 장치, PRAM(phase change random access memory) 장치, MRAM(magnetic random access memory) 장치, DIMM(dual in-line memory module), SSD(solid state drive), 메모리 카드 등과 같은 메모리 장치, CPU(central processing unit), ISP(image signal processing unit), DSP(digital signal processing unit), GPU(graphics processing unit), VPU(vision processing unit), 및 NPU(neural processing unit) 등과 같은 프로세싱 장치, SoC(system on chip), ASIC(application specific integrated circuit), FPGA(field-programmable gate array) 등을 포함할 수 있다. 이하, 반도체 장치는 반도체 웨이퍼인 것으로 가정하나 본 발명의 범위는 이에 한정되지 않는다.
계측 장치(110)는 제 1 반도체 웨이퍼(WF1)를 계측하거나 모니터링할 수 있다. 계측 장치(110)는 제 1 반도체 웨이퍼(WF1)를 촬영하고 제 1 반도체 웨이퍼(WF1)의 이미지를 생성할 수 있다. 도 1을 참조하면, 이미지들에서 상대적으로 어두운 부분들은 제 1 반도체 웨이퍼(WF1)를 관통하는 홀(hole)들을 나타낼 수 있다. 다만, 도 1의 이미지들은 예시적인 것에 불과하다.
계측 장치(110)는 제 1 반도체 웨이퍼(WF1)의 제조 공정을 모니터링하는데 사용되는 전자 현미경일 수 있다. 예를 들어, 전자 현미경은 CD-SEM(critical dimension scanning electron microscopy) 장비, CD-SEM(critical dimension scanning electron microscope), Cross-sectional SEM, 또는 투과 전자 현미경(transmission electron microscope; TEM) 등일 수 있다. 계측 장치(110)에 의해 생성된 제 1 반도체 웨이퍼(WF1)의 이미지는 제 1 반도체 웨이퍼(WF1)의 구조를 계측하거나 제 1 반도체 웨이퍼(WF1)의 결함(defect)을 확인하는데 사용될 수 있다.
도 1에서 도시되진 않았지만, 계측 장치(110)는 전자 빔(electron beam)을 제 1 반도체 웨이퍼(WF1)로 방출하거나 조사하는 전자 총, 제 1 반도체 웨이퍼(WF1)로부터 발생되는 전자들을 검출하는 검출기, 검출된 전자들을 처리하고, 제 1 반도체 웨이퍼(WF1)의 이미지를 생성하고, 그리고 전자 총 및 검출기를 제어하는 프로세서, 및 프로세서의 제어에 따라 이미지를 저장하는 메모리 장치를 포함할 수 있다.
실시 예에 있어서, 계측 장치(110)는 제 1 반도체 웨이퍼(WF1)의 동일한 지점 또는 위치를 촬영하여 저해상도 이미지(예를 들어, 512 X 512) 및 고해상도 이미지(예를 들어, 1024 X 1024)의 이미지 쌍을 생성할 수 있다. 상술한 이미지들의 픽셀들의 수치들은 예시적인 것에 불과하다. 계측 장치(110)는 이미지 쌍을 제 1 컴퓨터(120)로 전송하거나 제공할 수 있다. 저해상도 이미지와 고해상도 이미지는 모두 제 1 반도체 웨이퍼(WF1)의 동일한 위치를 나타내지만 고해상도 이미지는 저해상도 이미지보다 상대적으로 더 높은 해상도를 가질 수 있다. 고해상도 이미지 및 저해상도 이미지는 고품질 이미지 및 저품질 이미지로 각각 지칭될 수도 있다. 고해상도 이미지에 포함된 제 1 반도체 웨이퍼(WF1)의 정보의 양은 저해상도 이미지에 포함된 제 1 반도체 웨이퍼(WF1)의 정보의 양보다 클 수 있다. 제 1 반도체 웨이퍼(WF1)의 최소 선폭(critical dimension; CD)이 감소함에 따라, 저해상도 이미지보다는 고해상도 이미지가 제 1 반도체 웨이퍼(WF1)를 계측하거나 테스트하는데 보다 적합할 수 있다.
제 1 컴퓨터(120)는 계측 장치(110)로부터 이미지 쌍을 수신하고 이미지 쌍을 그대로 제 2 컴퓨터(130)로 전송하거나 제공할 수 있다. 또는, 제 1 컴퓨터(120)는 수신된 이미지 쌍을 처리하고 처리된 이미지 쌍을 제 2 컴퓨터(130)로 전송하거나 제공할 수 있다. 제 1 컴퓨터(120)는 제 1 프로세서(121) 및 제 1 메모리 장치(122)를 포함할 수 있다. 제 1 프로세서(121)는 상술한 다양한 프로세싱 장치들 중 어느 하나일 수 있다. 제 1 메모리 장치(122)는 상술한 다양한 메모리 장치들 중 어느 하나일 수 있다. 도 1의 도시와 달리, 제 1 프로세서(121)의 개수 및 제 1 메모리 장치(122)의 개수 각각은 하나 이상일 수 있다. 제 1 컴퓨터(120)는 동종의(homogeneous) 또는 이종의(heterogeneous) 제 1 프로세서들(121) 그리고 동종의 또는 이종의 제 1 메모리 장치들(122)을 포함할 수 있다. 제 1 프로세서(121)는 이미지 쌍을 처리할 수 있고 처리된 이미지 쌍을 제 1 메모리 장치(122)에 저장할 수 있다.
실시 예에 있어서, 도 1의 도시와 달리, 시스템(100)은 복수의 계측 장치들(110)을 포함할 수 있다. 제 1 컴퓨터(120)는 복수의 계측 장치들(110)을 제어하거나 관리할 수 있고 그리고 복수의 계측 장치들(110)로부터 이미지 쌍들을 각각 수신할 수 있는 서버(server)일 수 있다. 도 1에서 도시된 것과 달리, 시스템(100)은 복수의 계측 장치들(110)과 통신하는 복수의 제 1 컴퓨터들(120)을 포함할 수 있다.
제 2 컴퓨터(130)는 제 1 컴퓨터(120)로부터 이미지 쌍을 수신하고 이미지 쌍에 기초하여 이미지를 변환하기 위한 인공 신경망 모델을 생성할 수 있다. 인공 신경망 모델은 저해상도 이미지를 고해상도 이미지로 변환하는 이미지 변환 모델 또는 이미지 변환 코드로 지칭될 수도 있다. 제 2 컴퓨터(130)는 인공 신경망에 기초하는 이미지 변환 모델을 제 1 컴퓨터(120)로 전송하거나 제공할 수 있다. 제 2 컴퓨터(130)는 복수의 뉴런(neuron)들을 포함하는 인공 신경망을 실행할 수 있다. 제 2 컴퓨터(130)에 의해 실행되는 인공 신경망은, 예를 들어, CNN(convolutional neural network) 또는 SRCNN(super resolution convolutional neural network)일 수 있다. 제 2 컴퓨터(130)는 인공 신경망에 기초하는 이미지 변환 모델을 실행하고 저해상도 이미지를 고해상도 이미지로 변환할 수 있다. 예를 들어, 인공 신경망은 SRCNN일 수 있고 이미지 변환 모델은 SRCNN 모델일 수 있다. 제 2 컴퓨터(130)는 제 1 컴퓨터(120)와 달리 인공 신경망을 실행하거나 구현하는데 특화된 딥러닝(deep learning) 서버일 수 있다. 도 1에서 도시된 것과 달리, 시스템(100)은 복수의 제 2 컴퓨터들(130)을 포함할 수 있다.
제 2 컴퓨터(130)는 제 2 프로세서(131) 및 제 2 메모리 장치(132)를 포함할 수 있다. 제 2 프로세서(131)는 상술한 다양한 프로세싱 장치들 중 어느 하나일 수 있다. 제 2 메모리 장치(132)는 상술한 다양한 메모리 장치들 중 어느 하나일 수 있다. 도 1의 도시와 달리, 제 2 프로세서(131)의 개수 및 제 2 메모리 장치(132)의 개수 각각은 하나 이상일 수 있다. 제 2 컴퓨터(130)는 동종의 또는 이종의 제 2 프로세서들(131) 그리고 동종의 또는 이종의 제 2 메모리 장치들(132)을 포함할 수 있다. 인공 신경망은 적어도 하나의 제 2 프로세서(131)에 기초하여 실행되고 인공 신경망의 정보(예를 들면, 가중치들 및 바이어스들)는 적어도 하나의 제 2 메모리 장치(132)에 저장될 수 있다. 제 2 메모리 장치(132)는 인공 신경망과 관련된 정보를 저장하는 저장 매체(storage medium)일 수 있다. 인공 신경망은 상술한 제 2 프로세서(131) 및 제 2 메모리 장치(132)와 같은 하드웨어 이외에, 회로들 또는 모듈들과 같은 다른 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합을 이용하여 구현되고 실행될 수 있다.
고해상도 이미지의 생성에 필요한 비용 및 시간은 저해상도 이미지의 생성에 필요한 비용 및 시간보다 상대적으로 클 수 있다. 따라서, 본 발명에 의하면, 이미지 변환 모델에 의해 저해상도 이미지가 고해상도 이미지로 변환될 수 있다. 예를 들어, 제 1 반도체 웨이퍼(WF1)는 샘플 반도체 웨이퍼로서 제 1 반도체 웨이퍼(WF1)의 이미지 쌍은 샘플 이미지 쌍이다. 도 1의 시스템(100)은 샘플 이미지 쌍에 기초하여 이미지 변환 모델이 생성되는 예시에 관한 것이다. 이미지 변환 모델이 생성된 이후에, 생성된 이미지 변환 모델에 의해 다른 반도체 웨이퍼의 저해상도 이미지가 고해상도 이미지로 변환될 수 있다. 이 때, 계측 장치(110)는 다른 반도체 웨이퍼에 대한 고해상도 이미지를 생성하지 않을 수 있다. 따라서, 인공 신경망에 기초하는 이미지 변환 모델에 의해 반도체 웨이퍼의 고해상도 이미지를 얻기 위해 필요한 시간 및 비용이 모두 개선될 수 있다. 이하, 이미지 변환 모델이 생성되는 과정들 및 결과들을 도 2 내지 도 8을 참조하여 설명한다.
도 2는 도 1의 이미지 쌍에 기초하여 이미지 변환 모델이 생성되는 과정을 예시적으로 도시한다. 도 2는 도 1을 참조하여 설명될 것이다.
S110 단계에서, 계측 장치(110)는 제 1 반도체 웨이퍼(WF1)를 모니터링하거나 계측하고 제 1 반도체 웨이퍼(WF1)의 저해상도 이미지 및 고해상도 이미지를 생성할 수 있다. 제 1 반도체 웨이퍼(WF1)는 반도체 제조 공정을 통해 생성되는 다수의 반도체 웨이퍼들 중 샘플 반도체 웨이퍼로서 선택된 어느 하나일 수 있다. 고해상도 이미지를 계측하기 위해서는 계측 장치(110)의 계측 프레임 수 또는 해상도를 증가시켜야 하므로, 계측 장치(110)가 제 1 반도체 웨이퍼(WF1)를 스캔하는데 필요한 시간 또는 제 1 반도체 웨이퍼(WF1)를 스캔하는 횟수가 증가할 수 있다. 따라서, 계측 장치(110)에 의해 고해상도 이미지가 생성되는데 필요한 시간은 계측 장치(110)에 의해 저해상도 이미지가 생성되는데 필요한 시간보다 길 수 있다.
계측 장치(110)는 제 1 반도체 웨이퍼(WF1)의 제 1 위치를 나타내는 저해상도 이미지 및 고해상도 이미지의 제 1 이미지 쌍에 더해 제 1 반도체 웨이퍼(WF1)의 제 2 위치를 나타내는 저해상도 이미지 및 고해상도 이미지의 제 2 이미지 쌍을 더 생성할 수 있다. 계측 장치(110)에 의해 제 1 반도체 웨이퍼(WF1)의 복수의 위치들을 각각 나타내는 복수의 이미지 쌍들의 개수가 증가할수록, 제 2 컴퓨터(130)에 의해 생성되는 이미지 변환 모델의 정확도가 향상될 수 있다. 또한, 복수의 이미지 쌍들에 포함된 제 1 반도체 웨이퍼(WF1)의 모양들 또는 특징(feature)들이 다양할수록, 이미지 변환 모델의 정확도가 향상될 수 있다. 계측 장치(110)는 제 1 반도체 웨이퍼(WF1)의 복수의 위치들을 나타내는 복수의 이미지 쌍들을 생성할 수 있다.
S120 단계에서, 계측 장치(110)는 적어도 하나의 이미지 쌍을 제 1 컴퓨터(120)로 전송할 수 있다. 계측 장치(110) 및 제 1 컴퓨터(120)는 인터넷, 인트라넷, LAN(local area network), WAN(wide area network) 등과 같은 물리적 또는 논리적 네트워크를 통해 서로 통신할 수 있다. 계측 장치(110) 및 제 1 컴퓨터(120) 각각은 유선 통신 또는 무선 통신을 지원할 수 있다.
S130 단계에서, 제 1 컴퓨터(120)는 적어도 하나의 이미지 쌍을 수신할 수 있다. 예를 들어, S110 단계에서 각각 생성되는 저해상도 이미지 및 고해상도 이미지 사이에는 오프셋(offset)이 발생할 수 있다. 제 1 컴퓨터(120)의 제 1 프로세서(121)는 저해상도 이미지 및 고해상도 이미지 사이의 오프셋을 정정(correct)하거나 보정(calibrate)할 수 있다. 예를 들어, 오프셋을 정정하기 위해, 제 1 프로세서(121)는 저해상도 이미지 및 고해상도 이미지에 대한 퓨리에 변환을 수행하고 위상(phase) 차이를 조정하여 이미지들의 위치들을 조정할 수 있다. 다른 예를 들어, 오프셋을 정정하기 위해, 제 1 프로세서(121)는 저해상도 이미지 및 고해상도 이미지를 서로 겹치고(overlap) 그리고 겹쳐진 결과가 최대로 선명해지도록 이미지들의 위치들을 조정할 수 있다.
S140 단계에서, 제 1 컴퓨터(120)는 오프셋이 정정된 이미지 쌍을 제 2 컴퓨터(130)로 전송할 수 있다. 제 1 컴퓨터(120) 및 제 2 컴퓨터(130)는 상술한 물리적 또는 논리적 네트워크를 통해 서로 통신할 수 있다. 제 2 컴퓨터(130)는 유선 통신 또는 무선 통신을 지원할 수 있다. 도 2에서 도시된 것과 달리, 제 1 컴퓨터(120)는 이미지 쌍을 수신하고 그리고 이미지 및 고해상도 이미지 사이의 오프셋을 정정하지 않을 수도 있다. 이 경우, 제 1 컴퓨터(120)는 수신된 이미지 쌍을 그대로 제 2 컴퓨터(130)로 전송할 수 있다.
S150 단계에서, 제 2 컴퓨터(130)의 제 2 프로세서(131)는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여 저해상도 이미지를 변환할 수 있다. 이미지 변환 모델에 의해 변환된 변환 이미지의 해상도는 저해상도 이미지의 해상도보다 높을 수 있다. 제 2 프로세서(131)에 의해 실행되는 이미지 변환 모델에 의해 저해상도 이미지가 변환되는데 필요한 시간은 계측 장치(110)에 의해 고해상도 이미지가 생성되는데 필요한 시간보다 매우 짧을 수 있다. S150 단계의 상세한 과정들은 도 3 및 도 4에서 후술된다.
S160 단계에서, 제 2 프로세서(131)는 S150 단계의 변환 이미지와 S110 단계의 고해상도 이미지를 비교할 수 있다. S110 단계에서 생성된 고해상도 이미지는 변환 이미지와 비교되므로, 기준 이미지로서 지칭될 수 있다. 예를 들어, 제 2 프로세서(131)는 변환 이미지와 고해상도 이미지 사이의 차이에 대한 손실 함수(L)로서 MSE(mean square error)를 계산할 수 있다. 손실 함수(L)는 수학식 1과 같이 표현될 수 있다.
Figure pat00001
W는 인공 신경망의 가중치들을 나타낼 수 있고, B는 인공 신경망의 바이어스들을 나타낼 수 있고, C는 인공 신경망의 출력, 즉 변환 이미지를 나타낼 수 있고, 그리고 H는 S110 단계에서 생성된 고해상도 이미지를 나타낼 수 있다. n은 트레이닝을 위해 인공 신경망으로 입력되는 샘플 이미지들의 개수, 즉 S110 단계에서 생성되는 이미지 쌍들의 개수를 나타낼 수 있다. 예를 들어, 손실 함수(L)는 변환 이미지 및 고해상도 이미지의 픽셀(pixel) 단위에 기초하여 계산될 수 있다.
S170 단계에서, 제 2 프로세서(131)는 비교 결과에 기초하여 변환 이미지와 고해상도 이미지가 일치하는지(혹은 유사한지) 여부를 판별할 수 있다. 변환 이미지와 고해상도 이미지가 일치하면(혹은 유사하면), 이미지 변환 모델의 생성이 완료된 것이고 제 2 프로세서(131)는 S190 단계를 수행할 수 있다. 변환 이미지와 고해상도 이미지가 일치하지 않으면(혹은 유사하지 않으면), 이미지 변환 모델은 보정이 필요하고 제 2 프로세서(131)는 S180 단계를 수행할 수 있다. 예를 들어, 제 2 프로세서(131)는 손실 함수(L)의 값이 최소화되었거나 기준 값 이하인지(혹은 미만인지) 여부를 판별할 수 있다.
S180 단계에서, 제 2 프로세서(131)는 S150 단계의 변환 이미지가 S110 단계의 고해상도 이미지와 일치하도록 인공 신경망의 정보, 즉 가중치들 및 바이어스들을 보정할 수 있다. 제 2 프로세서(131)는 가중치들 및 바이어스들을 보정하는데 S160 단계의 비교 결과(예를 들어, 손실 함수(L)의 값)를 사용할 수 있다. 이후, 제 2 프로세서(131)는 S150 내지 S170 단계를 다시 수행할 수 있다.
제 2 프로세서(131)는 변환 이미지와 고해상도 이미지를 비교하고, 비교 결과에 기초하여 이미지 변환 모델의 가중치들 및 바이어스들을 보정하고, 그리고 보정된 가중치들 및 바이어스들을 갖는 이미지 변환 모델을 이용하여 저해상도 이미지를 다시 변환할 수 있다. 즉, 제 2 프로세서(131)는 변환 이미지가 고해상도 이미지와 일치할 때까지(혹은 유사할 때까지) S150 내지 S180 단계들을 반복적으로 수행할 수 있다. 제 2 프로세서(131)는 손실 함수(L)의 값이 최소화되거나 기준 값보다 작아질 때까지 S150 내지 S180 단계들을 반복적으로 수행할 수 있다. 제 2 프로세서(131)에 의해 반복적으로 수행되는 S150 내지 S180 단계들(즉, 트레이닝(training))을 통해, 저해상도 이미지를 고해상도 이미지(S110 단계에서 생성된 고해상도 이미지와 다름)로 변환하기 위한 이미지 변환 모델이 학습될 수 있다. S150 내지 S180 단계들은 이미지 변환 모델의 학습 또는 트레이닝을 위한 것이다. S110 단계에서 생성된 이미지 쌍은 이미지 변환 모델의 학습을 위한 것으로 트레이닝 세트(set)로도 지칭될 수 있다.
제 2 프로세서(131)는 S150 내지 S180 단계들을 통해 보정된 가중치들과 바이어스들을 제 2 메모리 장치(132)에 저장하거나 업데이트할 수 있다. 또한, 제 2 프로세서(131)는 손실 함수(L)의 값을 제 2 메모리 장치(132)에 반복적으로 저장하거나 업데이트할 수 있다. 제 2 프로세서(131)는 S150 내지 S180 단계들을 통해 인공 신경망에 기초하는 이미지 변환 모델을 생성할 수 있다. 제 2 메모리 장치(132)는 이러한 이미지 변환 모델을 저장하거나 포함하는 비일시적 컴퓨터 판독가능 매체(non-transitory computer-readable medium)이다. 제 2 메모리 장치(132)의 이미지 변환 모델의 가중치들 및 바이어스들은 변환 이미지가 고해상도 이미지와 일치할 때까지(혹은 유사할 때까지) 제 2 프로세서(131)에 의해 업데이트되고 최적화될 수 있다.
S190 단계에서, 제 2 프로세서(131)는 학습이 완료되고 보정된 가중치들과 바이어스들을 포함하는 이미지 변환 모델을 제 1 컴퓨터(120)로 전송하거나, 제공하거나, 또는 출력할 수 있다. 이미지 변환 모델의 가중치들과 바이어스들을 제 1 컴퓨터(120)의 제 1 메모리 장치(122)에 저장될 수 있다. S190 단계 이후, 제 1 프로세서(121)는 제 1 메모리 장치(122)에 저장된 가중치들과 바이어스들에 기초하는 이미지 변환 모델을 이용하여 저해상도 이미지를 고해상도 이미지(변환 이미지)로 변환할 수 있다. 정리하면, 제 2 프로세서(131)는 샘플 반도체 웨이퍼의 샘플 이미지 쌍에 기초하여 이미지 변환 모델을 생성하고 그리고 제 1 프로세서(121)는 이미지 변환 모델을 이용하여 다른 반도체 웨이퍼의 저해상도 이미지를 고해상도 이미지로 변환할 수 있다.
도 3은 도 1의 제 2 컴퓨터 상에서 실행되는 인공 신경망을 예시적으로 도시한다. 도 4는 도 2의 S150 단계의 세부 단계들을 예시적으로 도시한다. 도 3 및 도 4는 도 1 및 도 2를 참조하여 함께 설명될 것이다.
제 2 프로세서(131)에 의해 실행되는 인공 신경망(133)은 제 1 레이어(layer, 133_1), 제 2 레이어(133_2), 및 제 3 레이어(133_3)를 포함할 수 있다. 도 3에서 도시된 것과 달리, 인공 신경망(133)의 레이어들의 개수는 적어도 하나 이상일 수도 있다. 레이어들의 개수가 증가할수록 인공 신경망(133)의 깊이도 증가할 수 있다. 제 1 내지 제 3 레이어들(133_1~133_3) 각각은 복수의 뉴런들(미도시)을 포함할 수 있다. 뉴런은 입력 신호들 및 가중치들의 곱셈 결과에 바이어스들이 더해진 결과를 수신하고 다른 뉴런으로 신호를 출력할 수 있다. 입력 신호들은 다른 뉴런들로부터 제공되거나 S110 단계의 저해상도 이미지로부터 제공될 수 있다.
S151 단계에서, 제 2 프로세서(131)는 저해상도 이미지를 제 1 레이어(133_1)로 제공할 수 있다. 제 2 프로세서(131)는 제 1 레이어(133_1)의 제 1 가중치들(W1) 및 제 1 바이어스들(B1)에 기초하여 저해상도 이미지와 관련된 제 1 피처 맵 데이터(feature map data; F1(I))를 생성할 수 있다. 제 1 레이어(133_1)의 연산은 수학식 2로 표현될 수 있다.
Figure pat00002
I는 입력 이미지, 즉 저해상도 이미지를 나타낼 수 있고 '*'는 컨볼루션(convolution) 연산을 나타낼 수 있다. 제 2 프로세서(131)는 제 1 레이어(133_1)의 연산을 수행하고 저해상도 이미지의 패치(patch)들을 추출할 수 있다.
저해상도 이미지보다 작은 크기를 갖는 적어도 하나의 필터가 저해상도 이미지 상에서 순차적으로 쉬프트(shift)되면서 수학식 2의 컨볼루션 연산이 반복적으로 수행될 수 있다. 필터의 쉬프트에 따라, 필터의 위치에 대응하는 저해상도 이미지의 데이터와 필터의 제 1 가중치들(W1)이 곱해지고, 곱셈 결과들은 모두 합산되고, 그리고 합산 결과들에 제 1 바이어스들(B1)이 더해질 수 있다. 제 2 프로세서(131)는 제 1 가중치들(W1)과 관련된 컨볼루션 연산 및 제 1 바이어스들(B1)과 관련된 덧셈 연산을 수행할 수 있다. 제 1 레이어(133_1)는 컨볼루션 레이어로 지칭될 수 있다.
제 2 프로세서(131)는 상술한 연산들의 결과에 활성화 함수(activation function)를 적용하여 제 1 피처 맵 데이터(F1(I))를 생성할 수 있다. 수학식 2에서는 ReLU(rectified linear unit) 함수가 적용된 것으로 표현되었으나, 제 2 프로세서(131)는 Leaky ReLU 함수, 시그모이드(sigmoid) 함수, TanH 함수, ArcTan 함수 등과 같은 다른 활성화 함수를 이용할 수도 있다.
S152 단계에서, 제 2 프로세서(131)는 제 1 피처 맵 데이터(F1(I))를 제 2 레이어(133_2)로 제공할 수 있다. 제 2 프로세서(131)는 제 2 레이어(133_2)의 제 2 가중치들(W2) 및 제 2 바이어스들(B2)에 기초하여 비선형적으로(nonlinearly) 제 1 피처 맵 데이터(F1(I))를 제 2 피처 맵 데이터(F2(I))로 매핑(mapping)할 수 있다. 제 2 레이어(133_2)의 연산은 수학식 3으로 표현될 수 있다.
Figure pat00003
수학식 3은 저해상도 이미지(I), 제 1 가중치들(W1) 및 제 1 바이어스들(B1) 대신에 제 1 피처 맵 데이터(F1(I)), 제 2 가중치들(W2) 및 제 2 바이어스들(B2)을 사용하는 것을 제외하면, 수학식 2와 유사할 수 있다. 제 2 프로세서(131)는 제 2 레이어(133_2)의 연산을 수행하고 제 2 피처 맵 데이터(F2(I))를 생성할 수 있다. 제 2 프로세서(131)는 제 2 가중치들(W2)과 관련된 컨볼루션 연산 및 제 2 바이어스들(B2)과 관련된 덧셈 연산을 수행할 수 있다. 제 2 레이어(133_2)는 컨볼루션 레이어로 지칭될 수 있다.
S153 단계에서, 제 2 프로세서(131)는 제 2 피처 맵 데이터(F2(I))를 제 3 레이어(133_3)로 제공할 수 있다. 제 2 프로세서(131)는 제 3 레이어(133_3)의 제 3 가중치들(W3) 및 제 3 바이어스들(B3)에 기초하여 제 2 피처 맵 데이터(F2(I))를 변환 이미지로 재구성할 수 있다. 제 3 레이어(133_3)의 연산은 수학식 4로 표현될 수 있다.
Figure pat00004
수학식 4는 제 1 피처 맵 데이터(F1(I)), 제 2 가중치들(W2) 및 제 2 바이어스들(B2) 대신에 제 2 피처 맵 데이터(F2(I)), 제 3 가중치들(W3) 및 제 3 바이어스들(B3)을 사용하는 것을 제외하면, 수학식 3과 유사할 수 있다. 제 2 프로세서(131)는 제 3 가중치들(W3)과 관련된 컨볼루션 연산 및 제 3 바이어스들(B3)과 관련된 덧셈 연산을 수행할 수 있다. 제 3 레이어(133_3)는 컨볼루션 레이어로 지칭될 수 있다.
제 3 레이어(133_3)는 인공 신경망(133)의 레이어들 중 마지막 레이어에 해당할 수 있다. 예를 들어, 필터의 쉬프트에 따라, 필터의 위치에 대응하는 제 2 피처 맵 데이터(F2(I))의 부분과 필터의 제 3 가중치들(W3)이 곱해지고, 곱셈 결과들은 모두 합산되고, 합산 결과들에 제 3 바이어스들(B3)이 더해질 수 있으나, 제 2 프로세서(131)는 상술한 연산들의 결과에 활성화 함수를 적용하지 않을 수 있다. 제 2 프로세서(131)는 제 3 레이어(133_3)의 연산을 수행하고 변환 이미지를 생성할 수 있다.
전술한대로, 제 2 프로세서(131)는 S151 내지 S153 단계들을 통해 생성된 변환 이미지가 고해상도 이미지와 일치하도록, 인공 신경망의 정보를 보정할 수 있다(S180 단계). 제 2 프로세서(131)는 변환 이미지와 고해상도 이미지를 비교하고, 비교 결과에 기초하여 제 1 내지 제 3 가중치들(W1~W3) 그리고 제 1 내지 제 3 바이어스들(B1~B3)을 보정할 수 있다. 즉, S151, S152, S153, S160, S170, 및 S180 단계들이 반복적으로 수행될 수 있다. 제 2 프로세서(131)는 보정된 제 1 내지 제 3 가중치들(W1~W3) 그리고 제 1 내지 제 3 바이어스들(B1~B3)에 기초하여 S151 내지 S153 단계들을 다시 수행할 수 있다.
도 5 내지 도 7은 본 발명의 실시 예에 따른 반도체 웨이퍼의 저해상도 이미지, 고해상도 이미지, 및 변환 이미지를 예시적으로 도시한다. 도 8은 도 5 내지 도 7의 저해상도 이미지, 고해상도 이미지, 및 변환 이미지를 비교하는 그래프를 예시적으로 도시한다. 도 5 내지 도 8은 도 1 및 도 2를 참조하여 함께 설명될 것이다.
도 5의 이미지는 계측 장치(110)에 의해 생성된 제 1 반도체 웨이퍼(WF1)의 저해상도 이미지일 수 있다(S110 단계 참조). 도 6의 이미지는 계측 장치(110)에 의해 생성된 제 1 반도체 웨이퍼(WF1)의 고해상도 이미지일 수 있다(S110 단계 참조). 도 7의 이미지는, 도 5의 저해상도 이미지가 제 2 프로세서(131)에 의해 실행되는 인공 신경망으로 입력된 후 인공 신경망으로부터 출력되는 변환 이미지일 수 있다(반복적으로 수행되는 S150 내지 S180 단계들 참조). 도 7의 변환 이미지는 인공 신경망에 의해 도 5의 저해상도 이미지보다 높은 해상도를 가질 수 있다. 인공 신경망에 의해 도 7의 변환 이미지와 도 6의 고해상도 이미지는 서로 일치하거나 유사할 수 있다.
도 8의 가로축은 제 1 반도체 웨이퍼(WF1) 상에 반복적으로 배열되는 복수의 샘플들을 나타낼 수 있다. 샘플은 반도체 다이, 반도체 칩, 반도체 장치 등으로 지칭될 수 있다. 도 8의 세로축은 도 5 내지 도 8의 이미지들 상의 구조물들(예를 들면, 원기둥들)의 사이즈들(D1, D2, D3) 또는 지름들을 나타낼 수 있다. 도 8을 참조하면, 복수의 샘플들에 따른 저해상도 이미지들이 이미지 변환 모델에 의해 변환된 변환 이미지들의 사이즈들(D3)과 고해상도 이미지들의 사이즈들(D2) 사이의 제 1 오차들은, 복수의 샘플들에 따른 저해상도 이미지들의 사이즈들(D1)과 고해상도 이미지들의 사이즈들(D2) 사이의 제 2 오차들보다 작을 수 있다. 제 2 프로세서(131)에 의해 실행되는 이미지 변환 모델에 의해 제 2 오차들의 평균은 약 70% 이상 감소할 수 있다(즉, 제 1 오차들의 평균은 제 2 오차들의 평균의 약 30% 이하일 수 있다).
S110 내지 S180 단계들을 통해 이미지 변환 모델의 학습이 완료된 이후에, 계측 장치(110)는 반도체 웨이퍼의 저해상도 이미지만을 생성할 수 있고, 저해상도 이미지는 이미지 변환 모델에 의해 고해상도를 갖는 변환 이미지로 변환될 수 있다. 전술한대로, 이미지 변환 모델에 의해 저해상도 이미지가 변환되는데 필요한 시간은 계측 장치(110)에 의해 고해상도 이미지가 생성되는데 필요한 시간보다 매우 짧을 수 있다. 따라서, 본 발명의 실시 예에 따르면, 계측 장치(110)가 반도체 웨이퍼의 고해상도 이미지를 생성하지 않고 반도체 웨이퍼의 저해상도 이미지만을 생성할 수 있다. 저해상도 이미지는 이미지 변환 모델에 의해 고해상도를 갖는 변환 이미지로 변환될 수 있다. 계측 장치(110)가 반도체 웨이퍼의 고해상도 이미지를 생성하지 않으므로, 계측 장치(110)에 의해 반도체 웨이퍼가 테스트되는데 필요한 시간 및 비용이 크게 감소할 수 있다. 또한, 계측 장치(110)의 수용력(capacity)이 향상될 수 있다.
도 9는 도 1의 시스템이 반도체 웨이퍼를 모니터링하는 과정을 예시적으로 도시한다. 도 9는 도 1 및 도 2를 참조하여 설명될 것이다.
제 2 컴퓨터(130)의 제 2 프로세서(131)는 도 2의 S190 단계에 따라 트레이닝 또는 학습이 완료되고 제 2 메모리 장치(132)에 저장된 이미지 변환 모델(SRCNN 모델)을 제 1 컴퓨터(120)로 전송할 수 있다. 제 1 프로세서(121)는 이미지 변환 모델의 가중치들 및 바이어스들을 제 1 메모리 장치(122)에 저장할 수 있다. 계측 장치(110)는 제 2 반도체 웨이퍼(WF2)의 저해상도 이미지들을 생성할 수 있다. 여기서, 제 2 반도체 웨이퍼(WF2)는 제 1 반도체 웨이퍼(WF1)와 동일하게 제조된 것이지만 이미지 변환 모델의 학습을 위해 샘플 반도체 웨이퍼로 선택되지는 않은 것이다. 그리고, 도 9에서는 하나의 제 2 반도체 웨이퍼(WF2)가 계측 장치(110)로 제공되는 것으로 도시되었으나, 계측 장치(110)로 제공되는 반도체 웨이퍼들의 개수는 도 9에서 도시된 것으로 한정되지 않는다.
제 1 프로세서(121)는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여 제 2 반도체 웨이퍼(WF2)의 저해상도 이미지들을 변환하고 변환 이미지들을 생성할 수 있다. 제 1 프로세서(121)는 제 2 프로세서(131)에 의해 학습이 완료된 이미지 변환 모델을 그대로 실행할 수 있다. 전술한대로, 계측 장치(110)에 의해 제 2 반도체 웨이퍼(WF2)의 고해상도 이미지가 생성되는 대신에, 제 1 프로세서(121)에 의해 실행되는 인공 신경망에 의해 변환 이미지가 생성될 수 있다. 따라서, 제 2 반도체 웨이퍼(WF2)가 테스트되거나 판별되는데 필요한 시간이 감소할 수 있다.
도 9의 도시와 같이, 제 1 프로세서(121)는 변환 이미지를 계측 장치(110)로 제공할 수 있다. 도 9의 도시와 달리, 제 1 프로세서(121)는 변환 이미지를 다른 저장 장치(미도시)로 제공할 수 있고 유저는 다른 저장 장치를 통해 변환 이미지를 확인할 수 있다. 상술한 저장 장치는 변환 이미지를 저장할 수 있고 변환 이미지를 디스플레이(display)할 수 있다. 물론, 계측 장치(110)도 변환 이미지를 유저가 확인할 수 있도록 변환 이미지를 디스플레이할 수 있다.
도 10은 도 9의 시스템이 반도체 웨이퍼를 모니터링하는 과정을 예시적으로 도시한다. 도 10은 도 2 및 도 9를 참조하여 설명될 것이다.
S210 단계에서, 계측 장치(110)는 제 2 반도체 웨이퍼의 저해상도 이미지를 생성할 수 있다. S210 단계에서, 계측 장치(110)는 제 2 반도체 웨이퍼의 고해상도 이미지를 생성하지 않을 수 있다. S220 단계에서 계측 장치(110)는 저해상도 이미지를 제 1 컴퓨터(120)로 전송할 수 있다. 예를 들어, S220 단계는 S190 단계 이후에만 수행될 수 있다.
S230 단계에서, 제 1 컴퓨터(120)의 제 1 프로세서(121)는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여 전송된 저해상도 이미지를 변환할 수 있다. 제 1 메모리 장치(122)는 이미지 변환 모델을 저장하거나 포함하는 비일시적 컴퓨터 판독가능 매체이다.
제 1 컴퓨터(120)에 의해 실행되는 인공 신경망은 S110 단계의 샘플 이미지들에 기초하여 제 2 프로세서(131)에 의해 학습되거나 트레이닝된 것이다. 즉, 한번 학습되거나 트레이닝된 이미지 변환 모델은 계측 장치(110)의 저해상도 이미지를 고해상도를 갖는 변환 이미지로 변환하는데 지속적으로 사용될 수 있다. 제 1 컴퓨터(120)는 저해상도 이미지보다 높은 해상도를 갖는 변환 이미지를 계측 장치(110)로 전송할 수 있다. 전술한대로, 계측 장치(110)는 도 2의 S190 단계 이후에는 고해상도 이미지를 생성하지 않을 수 있다. 고해상도 이미지는 계측 장치(110) 대신에 인공 신경망에 의해 생성될 수 있다. S210 내지 S230 단계들은 계측 장치(110)로 반도체 웨이퍼들이 제공됨에 따라 반복적으로 수행될 수 있다.
S310 단계에서, 계측 장치(110)는 샘플 반도체 웨이퍼를 모니터링하여 샘플 반도체 웨이퍼의 저해상도 이미지 및 고해상도 이미지를 생성할 수 있다. S310 단계의 샘플 반도체 웨이퍼는 반도체 제조 공정을 통해 생성되는 다수의 반도체 웨이퍼들 중 샘플 반도체 웨이퍼로서 선택된 어느 하나일 수 있고 S110 단계의 제 1 반도체 웨이퍼(WF1)와 다를 수 있다.
계측 장치(110)는 이미지 변환 모델의 정합성을 확인하고 유지하기 위해 주기적으로 또는 비주기적으로 S310 단계를 수행할 수 있다. 예를 들어, 계측 장치(110)는 특정한 주기가 경과하면 S310 단계를 수행할 수 있다. 다른 예를 들어, 계측 장치(110)는 유저의 요청에 따라 S310 단계를 수행할 수 있다. S310 단계는 S110 단계와 유사할 수 있다. 또 다른 예를 들어, 계측 장치(310)는 반도체 웨이퍼의 새로운 색상, 새로운 구조, 또는 새로운 패턴이 계측되어야 하거나 또는 반도체 웨이퍼의 종류가 바뀌는 경우, S310 단계를 수행할 수 있다.
S320 단계에서, 계측 장치(110)는 저해상도 이미지와 고해상도 이미지 중에서 저해상도 이미지만을 제 1 컴퓨터(120)로 전송할 수 있다. S330 단계에서, 제 1 컴퓨터(120)는 이미지 변환 모델을 이용하여 전송된 저해상도 이미지를 변환할 수 있다. 제 1 컴퓨터(120)는 저해상도 이미지보다 높은 해상도를 갖는 변환 이미지를 계측 장치(110)로 전송할 수 있다. S320 및 S330 단계들은 S220 및 S230 단계들과 유사할 수 있다.
S340 단계에서, 계측 장치(110)는 S310 단계에서 생성된 고해상도 이미지와 S330 단계를 통해 제공된 변환 이미지를 비교할 수 있다. 계측 장치(110)는 비교 결과에 기초하여, 도 2의 S110 내지 S190 단계들을 통해 생성되고 도 9의 제 1 메모리 장치(122)에 저장된, 이미지 변환 모델의 가중치들과 바이어스들을 다시 보정할지 여부를 판별할 수 있다. 예를 들어, 계측 장치(110)는 변환 이미지와 고해상도 이미지 사이의 차이에 대한 손실 함수(L, 수학식 1 참조)로서 MSE를 계산할 수 있다.
계측 장치(110)는 변환 이미지와 고해상도 이미지 사이의 차이(예를 들면, 손실 함수의 값)가 기준 값 미만이면(또는 이하), S210 내지 S230 단계들을 반복적으로 수행할 수 있다. 계측 장치(110)는 변환 이미지와 고해상도 이미지 사이의 차이가 기준 값 이상이면(또는 초과), S350 단계를 수행할 수 있다.
S350 단계에서, 계측 장치(110)는 제 1 컴퓨터(120)에 이미지 변환 모델을 다시 보정할 것을 요청할 수 있다. 계측 장치(110)는 S310 단계에서 계측된 저해상도 이미지와 고해상도 이미지의 이미지 쌍을 제 1 컴퓨터(120)로 전송할 수 있다(S120 단계와 유사). 여기서, 이미지 쌍은 S310 단계에서 계측된 것이거나 또는 새로운 샘플 반도체 웨이퍼를 계측하여 새로 생성된 것일 수도 있다.
S360 단계에서, 제 1 컴퓨터(120)의 제 1 프로세서(121)는 재보정을 위한 이미지 쌍을 제 2 컴퓨터(130)로 전송할 수 있다(S140 단계와 유사). 예를 들어, 제 1 프로세서(121)는 저해상도 이미지와 고해상도 이미지의 오프셋을 정정할 수 있다(S130 단계와 유사). 도 10에서 도시된 바와 달리, 계측 장치(110)는 제 2 컴퓨터(130)에 이미지 변환 모델을 다시 보정할 것을 곧바로 요청할 수 있고 S310 단계에서 계측된 저해상도 이미지와 고해상도 이미지의 이미지 쌍을 곧바로 제 2 컴퓨터(130)로 전송할 수도 있다.
제 2 프로세서(131)는 재보정을 위한 이미지 쌍을 수신하고, 이미지 쌍을 이용하여 이미지 변환 모델의 가중치들과 바이어스들을 재보정하거나 튜닝(tuning)할 수 있다. 즉, 제 2 프로세서(131)는 전술한 S150, S151, S152, S153, S160, S170, S180 단계들을 반복적으로 수행할 수 있다. 제 2 프로세서(131)는 새로운 샘플 이미지 쌍에 기초하여 재보정된 이미지 변환 모델을 제 1 컴퓨터(120)로 전송할 수 있다(S190 단계와 유사). S380 단계에서, 제 1 컴퓨터(120)는 재보정된 이미지 변환 모델을 제 1 메모리 장치(122)에 저장할 수 있다.
실시 예에 있어서, S340 단계는 계측 장치(110)에 의해 수행되는 것으로 도 11에서 도시되었으나, S340 단계는 제 1 컴퓨터(120)의 제 1 프로세서(121)에 의해 수행될 수도 있다. 이 경우, 계측 장치(110)는 S310 단계를 수행한 이후에 샘플 반도체 웨이퍼의 저해상도 이미지와 고해상도 이미지 모두를 제 1 컴퓨터(120)로 전송할 수 있다. 제 1 프로세서(121)는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여 저해상도 이미지를 변환할 수 있다. 제 1 프로세서(121)는 변환 이미지와 고해상도 이미지를 비교할 수 있다. 변환 이미지와 고해상도 이미지의 비교 결과에 따라, 계측 장치(110)가 S210 내지 S230 단계들을 반복적으로 수행할 수 있거나 또는 제 2 프로세서(131)는 이미지 변환 모델을 다시 보정할 수 있다.
도 11은 본 발명의 다른 실시 예에 따른 반도체 제조 공정을 모니터링하기 위한 시스템을 예시적으로 도시한다. 시스템(200)은 계측 장치(210) 및 컴퓨터(220)를 포함할 수 있다. 계측 장치(210)는 전술한 계측 장치(110)와 동일하거나 유사할 수 있다. 예를 들어, 제 1 반도체 웨이퍼(WF1)는 샘플 반도체 웨이퍼고 제 2 반도체 웨이퍼(WF2)는 샘플 반도체 웨이퍼가 아닐 수 있다. 전술한대로, 계측 장치(110)는 복수의 제 2 반도체 웨이퍼들(WF2)을 제공받을 수 있다.
컴퓨터(220)는 프로세서(221) 및 메모리 장치(222)를 포함할 수 있다. 컴퓨터(220)는 전술한 제 1 컴퓨터(120) 및 제 2 컴퓨터(130)의 동작들을 모두 수행할 수 있다. 프로세서(221)는 전술한 제 1 프로세서(121) 및 제 2 프로세서(131)의 동작들을 모두 수행할 수 있고 프로세서(221)의 개수는 적어도 하나 이상일 수 있다. 메모리 장치(222)는 전술한 제 1 메모리 장치(122) 및 제 2 메모리 장치(132)의 동작들을 모두 수행할 수 있고 메모리 장치(222)의 개수는 적어도 하나 이상일 수 있다. 좀 더 구체적으로, 전술한 제 1 컴퓨터(120) 및 제 2 컴퓨터(130)는 컴퓨터(220)로 통합될 수 있다. 예를 들어, 컴퓨터(220)의 프로세서(220)는 S130~S190, S230, 및 S330~S380 단계들을 수행할 수 있다.
도 12는 본 발명의 또 다른 실시 예에 따른 반도체 제조 공정을 모니터링하기 위한 시스템을 예시적으로 도시한다. 시스템(300)은 계측 장치(310)를 포함할 수 있다. 계측 장치(310)는 전술한 계측 장치(110), 제 1 컴퓨터(120), 및 제 2 컴퓨터(130)의 동작들을 모두 수행할 수 있다. 즉, 계측 장치(110), 제 1 컴퓨터(120), 및 제 2 컴퓨터(130)는 계측 장치(310)로 통합될 수 있다.
계측 장치(310)는 전술한 제 1 프로세서(121)와 유사한 제 1 프로세서(311) 및 전술한 제 2 프로세서(131)와 유사한 제 2 프로세서(312)를 포함할 수 있다. 도 12의 도시와 달리, 계측 장치(310)는 제 1 프로세서(311)와 제 2 프로세서(312)가 통합된 프로세서를 포함할 수 있고, 프로세서는 S110~S190, S210~S230, 및 S310~S380 단계들을 수행할 수 있다.
계측 장치(310)는 제 1 반도체 웨이퍼(WF1)의 이미지들과 제 2 반도체 웨이퍼(WF2)의 이미지들을 저장하는 제 1 메모리 장치(313) 및 이미지 변환 모델을 저장하는 제 2 메모리 장치(314)를 포함할 수 있다. 제 1 반도체 웨이퍼(WF1)의 이미지들 중 고해상도 이미지들(음영)은 계측에 의해 생성될 수 있다. 제 2 반도체 웨이퍼(WF2)의 이미지들 중 고해상도 이미지들(음영)은 이미지 변환 모델에 의해 생성될 수 있다. 제 1 메모리 장치(313)와 제 2 메모리 장치(314)도 하나의 메모리 장치로 통합될 수 있다.
위에서 설명한 내용은 본 발명을 실시하기 위한 구체적인 예들이다. 본 발명에는 위에서 설명한 실시 예들뿐만 아니라, 단순하게 설계 변경하거나 쉽게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명에는 상술한 실시 예들을 이용하여 앞으로 쉽게 변형하여 실시할 수 있는 기술들도 포함될 것이다.
100, 200, 300: 시스템;
110, 210, 310: 계측 장치;
120, 220: 제 1 컴퓨터;
130: 제 2 컴퓨터;

Claims (10)

  1. 반도체 제조 공정을 모니터링하기 위해, 인공 신경망에 기초하고 프로세서에 의해 생성되는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체에 있어서,
    상기 프로세서는:
    계측 장치에 의해 생성된 반도체 웨이퍼의 제 1 이미지 및 제 2 이미지를 수신하는 단계;
    상기 프로세서에 의해 실행되는 상기 인공 신경망에 기초하는 상기 이미지 변환 모델을 이용하여, 상기 제 1 이미지를 제 3 이미지로 변환하는 단계;
    상기 제 3 이미지가 상기 제 2 이미지와 일치하도록, 상기 이미지 변환 모델의 가중치들 및 바이어스들을 보정하는 단계; 및
    상기 보정된 가중치들 및 상기 보정된 바이어스들을 포함하는 상기 이미지 변환 모델을 출력하는 단계를 수행하는 비일시적 컴퓨터 판독가능 매체.
  2. 제 1 항에 있어서,
    상기 프로세서에 의해 상기 제 1 이미지가 상기 제 3 이미지로 변환되는데 필요한 시간은 상기 계측 장치에 의해 상기 제 2 이미지가 생성되는데 필요한 시간보다 짧은 비일시적 컴퓨터 판독가능 매체.
  3. 제 1 항에 있어서,
    상기 제 1 이미지 및 상기 제 2 이미지는 상기 계측 장치에 의해 상기 반도체 웨이퍼의 동일한 위치에서 계측되고, 그리고
    상기 제 2 이미지의 해상도는 상기 제 1 이미지의 해상도보다 높은 비일시적 컴퓨터 판독가능 매체.
  4. 제 1 항에 있어서,
    상기 가중치들 및 상기 바이어스들을 보정하는 단계는:
    상기 가중치들 및 상기 바이어스들 중 제 1 가중치들 및 제 1 바이어스들에 기초하여, 상기 제 1 이미지와 관련된 제 1 피처(feature) 맵 데이터를 생성하는 단계;
    상기 가중치들 및 상기 바이어스들 중 제 2 가중치들 및 제 2 바이어스들에 기초하여, 상기 제 1 피처 맵 데이터를 제 2 피처 맵 데이터로 매핑(mapping)하는 단계; 및
    상기 가중치들 및 상기 바이어스들 중 제 3 가중치들 및 제 3 바이어스들에 기초하여, 상기 제 2 피처 맵 데이터를 상기 제 3 이미지로 재구성하는 단계를 포함하는 비일시적 컴퓨터 판독가능 매체.
  5. 제 4 항에 있어서,
    상기 가중치들 그리고 상기 바이어스들은 상기 제 3 이미지와 상기 제 2 이미지의 비교 결과에 기초하여 상기 프로세서에 의해 보정되는 비일시적 컴퓨터 판독가능 매체.
  6. 제 5 항에 있어서,
    상기 제 1 피처 맵 데이터를 생성하는 단계는, 상기 제 1 이미지 및 상기 제 1 가중치들과 관련된 제 1 컨볼루션(convolution) 연산 그리고 상기 제 1 컨볼루션 연산의 제 1 결과 및 상기 제 1 바이어스들과 관련된 제 1 덧셈 연산을 수행하는 단계를 포함하고,
    상기 제 1 피처 맵 데이터를 상기 제 2 피처 맵 데이터로 매핑하는 단계는, 상기 제 1 피처 맵 데이터 및 상기 제 2 가중치들과 관련된 제 2 컨볼루션 연산 그리고 상기 제 2 컨볼루션 연산의 제 2 결과 및 상기 제 2 바이어스들과 관련된 제 2 덧셈 연산을 수행하는 단계를 포함하고, 그리고
    상기 제 2 피처 맵 데이터를 상기 제 3 이미지로 재구성하는 단계는, 상기 제 2 피처 맵 데이터 및 상기 제 3 가중치들과 관련된 제 3 컨볼루션 연산 그리고 상기 제 3 컨볼루션 연산의 제 3 결과 및 상기 제 3 바이어스들과 관련된 제 3 덧셈 연산을 수행하는 단계를 포함하는 비일시적 컴퓨터 판독가능 매체.
  7. 제 6 항에 있어서,
    상기 계측 장치는 전자 현미경이고,
    상기 인공 신경망은 상기 제 1 가중치들 및 상기 제 1 바이어스들에 기초하는 제 1 레이어, 상기 제 2 가중치들 및 상기 제 2 바이어스들에 기초하는 제 2 레이어, 및 상기 제 3 가중치들 및 상기 제 3 바이어스들에 기초하는 제 3 레이어를 포함하는 SRCNN(super resolution convolutional neural network)이고, 그리고
    상기 이미지 변환 모델은 SRCNN 모델인 비일시적 컴퓨터 판독가능 매체.
  8. 반도체 제조 공정을 모니터링하기 위해, 인공 신경망에 기초하고 프로세서에 의해 실행되는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체에 있어서,
    상기 프로세서는:
    샘플 이미지 쌍에 기초하여 보정된 가중치들 및 바이어스들을 포함하는 상기 이미지 변환 모델을 이용하여, 계측 장치에 의해 생성된 제 1 반도체 웨이퍼의 제 1 이미지를 제 2 이미지로 변환하는 단계; 및
    상기 이미지 변환 모델을 이용하여, 상기 계측 장치에 의해 생성된 제 2 반도체 웨이퍼의 제 3 이미지를 제 4 이미지로 변환하는 단계를 수행하고,
    상기 샘플 이미지 쌍은 상기 계측 장치에 의해 생성되는 샘플 반도체 웨이퍼의 저해상도 이미지 및 고해상도 이미지이고, 그리고
    상기 제 2 이미지 및 상기 제 4 이미지는 상기 계측 장치 대신에 상기 프로세서에 의해 생성되는 비일시적 컴퓨터 판독가능 매체.
  9. 제 8 항에 있어서,
    상기 계측 장치는 제 3 반도체 웨이퍼의 제 5 이미지 및 상기 제 5 이미지보다 해상도가 높은 제 6 이미지를 더 생성하고,
    상기 프로세서는 상기 이미지 변환 모델을 이용하여, 상기 제 3 반도체 웨이퍼의 상기 제 5 이미지를 제 7 이미지로 변환하는 단계를 더 수행하고, 그리고
    상기 계측 장치는 상기 제 6 이미지와 상기 제 7 이미지 사이의 차이가 기준 값 이상인지 여부를 판별하는 비일시적 컴퓨터 판독가능 매체.
  10. 계측 장치에 의해, 제 1 반도체 웨이퍼의 제 1 이미지 및 상기 제 1 이미지의 해상도보다 높은 해상도를 갖는 제 2 이미지를 생성하는 단계;
    적어도 하나의 프로세서에 의해 실행되는 인공 신경망에 기초하는 이미지 변환 모델을 이용하여 상기 제 1 이미지를 제 3 이미지로 변환하는 단계;
    상기 적어도 하나의 프로세서에 의해, 상기 제 3 이미지가 상기 제 2 이미지와 일치하도록, 상기 이미지 변환 모델의 가중치들 및 바이어스들을 보정하는 단계;
    상기 계측 장치에 의해, 제 2 반도체 웨이퍼의 제 4 이미지를 생성하는 단계; 및
    상기 이미지 변환 모델을 이용하여 상기 제 4 이미지를 상기 제 4 이미지의 해상도보다 높은 해상도를 갖는 제 5 이미지로 변환하는 단계를 포함하는 반도체 제조 공정을 모니터링하기 위해 반도체 웨이퍼의 이미지를 변환하는 방법.
KR1020180109500A 2018-09-13 2018-09-13 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법 Withdrawn KR20200030806A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020180109500A KR20200030806A (ko) 2018-09-13 2018-09-13 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법
US16/402,375 US10949949B2 (en) 2018-09-13 2019-05-03 Non-transitory computer-readable medium and method for monitoring a semiconductor fabrication process
CN201910825087.9A CN110895808A (zh) 2018-09-13 2019-08-30 监视半导体制造过程的非暂时性计算机可读介质和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180109500A KR20200030806A (ko) 2018-09-13 2018-09-13 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법

Publications (1)

Publication Number Publication Date
KR20200030806A true KR20200030806A (ko) 2020-03-23

Family

ID=69774164

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180109500A Withdrawn KR20200030806A (ko) 2018-09-13 2018-09-13 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법

Country Status (3)

Country Link
US (1) US10949949B2 (ko)
KR (1) KR20200030806A (ko)
CN (1) CN110895808A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230096048A (ko) * 2020-11-24 2023-06-29 어플라이드 머티어리얼스, 인코포레이티드 계측을 위한 최적화 기반 이미지 처리
WO2023091313A3 (en) * 2021-11-19 2023-08-03 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Neural network-based prediction of semiconductor device response

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113574561B (zh) * 2019-03-15 2025-12-30 东京毅力科创株式会社 利用机器学习的半导体制造数据采集仪器的提高的分辨率
US11100612B2 (en) * 2019-05-07 2021-08-24 Fei Company Acquisition strategy for neural network based image restoration
US12063745B2 (en) * 2020-05-05 2024-08-13 Integrated Dynamics Engineering Gmbh Method for processing substrates, in particular wafers, masks or flat panel displays, with a semi-conductor industry machine
TW202238110A (zh) * 2021-02-23 2022-10-01 以色列商奧寶科技有限公司 使用混合成像系統之自動光學檢測
US12229936B2 (en) 2021-08-04 2025-02-18 Samsung Electronics Co., Ltd. Super resolution SEM image implementing device and method thereof
CN119726676B (zh) * 2024-12-09 2025-12-26 广东电网有限责任公司珠海供电局 双链环配电网的承载力分析方法、装置及电子设备

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7469057B2 (en) * 2003-02-26 2008-12-23 Taiwan Semiconductor Manufacturing Corp System and method for inspecting errors on a wafer
JP2009250681A (ja) 2008-04-02 2009-10-29 Nec Electronics Corp 半導体装置の解析装置及び半導体装置の解析方法
KR101437154B1 (ko) 2011-12-22 2014-09-05 전형준 전자주사현미경의 측정오차 보정방법
JP6029293B2 (ja) 2012-03-07 2016-11-24 株式会社日立ハイテクノロジーズ 走査型電子顕微鏡の画像処理装置、および、走査方法
KR101456794B1 (ko) 2013-08-08 2014-11-03 (주)오로스 테크놀로지 빔 스폿 조절이 가능한 주사전자현미경 및 이를 이용한 측정방법
US20170140528A1 (en) * 2014-01-25 2017-05-18 Amir Aharon Handzel Automated histological diagnosis of bacterial infection using image analysis
JP6370469B2 (ja) 2014-04-11 2018-08-08 グーグル エルエルシー 畳み込みニューラルネットワークのトレーニングの並列化
EP2963672A1 (en) 2014-06-30 2016-01-06 FEI Company Computational scanning microscopy with improved resolution
JP6892214B2 (ja) 2014-07-10 2021-06-23 アイエムエス ナノファブリケーション ゲーエムベーハー 畳み込みカーネルを使用する粒子ビーム描画機のカスタマイズ化
US10387773B2 (en) 2014-10-27 2019-08-20 Ebay Inc. Hierarchical deep convolutional neural network for image classification
KR20170019949A (ko) 2015-08-13 2017-02-22 삼성전자주식회사 패턴의 선폭 측정 방법
CN111034183B (zh) * 2017-09-04 2022-05-13 株式会社半导体能源研究所 图像处理方法、半导体装置及电子设备
CN107680044B (zh) 2017-09-30 2021-01-12 福建帝视信息科技有限公司 一种图像超分辨率卷积神经网络加速计算方法
US10467729B1 (en) * 2017-10-12 2019-11-05 Amazon Technologies, Inc. Neural network-based image processing
CN108009989A (zh) 2017-12-18 2018-05-08 华中科技大学 一种基于srcnn的微波遥感图像超分辨率重建方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230096048A (ko) * 2020-11-24 2023-06-29 어플라이드 머티어리얼스, 인코포레이티드 계측을 위한 최적화 기반 이미지 처리
WO2023091313A3 (en) * 2021-11-19 2023-08-03 The Government Of The United States Of America, As Represented By The Secretary Of The Navy Neural network-based prediction of semiconductor device response

Also Published As

Publication number Publication date
CN110895808A (zh) 2020-03-20
US20200090304A1 (en) 2020-03-19
US10949949B2 (en) 2021-03-16

Similar Documents

Publication Publication Date Title
KR20200030806A (ko) 반도체 제조 공정을 모니터링하기 위해 인공 신경망에 기초하는 이미지 변환 모델을 포함하는 비일시적 컴퓨터 판독가능 매체 그리고 반도체 웨이퍼의 이미지를 변환하는 방법
US10416087B2 (en) Systems and methods for defect detection using image reconstruction
Chang et al. Nonlinear GRAPPA: A kernel approach to parallel MRI reconstruction
KR102341973B1 (ko) 광학 다이 대 데이터베이스 검사
JP2018533748A (ja) 単一画像検出
JP2014530495A (ja) ウェハ欠陥の設計座標の決定
JP6931084B2 (ja) 光学検査結果に発する計量案内型検査サンプルシェイピング
TWI864314B (zh) 樣本的類比圖像的決定
JP2021166284A (ja) ３次元情報の決定
TW202437147A (zh) 使用機器學習的覆蓋目標的最優決定
US12560550B2 (en) Photo response non-uniformity correction during semiconductor inspection
CN112950530B (zh) 存储生成晶片图的代码的计算机可读介质及包括其的计算装置
EP4369293A1 (en) Method and apparatus with depth information estimation
CN119374718B (zh) Led光源能量密度分布测量方法、装置、设备及存储介质
US12614296B2 (en) Method and apparatus with depth information estimation
CN120356209B (zh) 一种细胞形貌图降噪方法、装置、设备、介质及产品
Wu et al. Uncertainty-Aware Fourier Ptychography
TWI849284B (zh) 用於偏移之散射測量單波長量測及其改善之系統及方法
CN114593693B (zh) 光学偏折检测方法、电子设备及光学偏折检测系统
CN102054487A (zh) 一种体全息存储系统像素失配补偿方法
CN119205883B (zh) 一种超级电容电极表面积的检测方法、系统及电子设备
US20250232430A1 (en) Training a machine learning process for use in evaluating a substrate
Vezakis et al. Phase extraction and denoising through deep learning-based interference pattern analysis
CN120637257A (zh) 晶圆形貌测量方法、装置、计算机设备及可读存储介质
WO2025166571A1 (zh) 基于量子卷积神经网络的磁共振成像方法、装置

Legal Events

Date Code Title Description
PA0109 Patent application

St.27 status event code: A-0-1-A10-A12-nap-PA0109

PG1501 Laying open of application

St.27 status event code: A-1-1-Q10-Q12-nap-PG1501

PC1203 Withdrawal of no request for examination

St.27 status event code: N-1-6-B10-B12-nap-PC1203

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000

P22-X000 Classification modified

St.27 status event code: A-2-2-P10-P22-nap-X000