KR20200089621A - 표본에 대한 결함 검출 방법 및 그 시스템 - Google Patents

표본에 대한 결함 검출 방법 및 그 시스템 Download PDF

Info

Publication number
KR20200089621A
KR20200089621A KR1020200004975A KR20200004975A KR20200089621A KR 20200089621 A KR20200089621 A KR 20200089621A KR 1020200004975 A KR1020200004975 A KR 1020200004975A KR 20200004975 A KR20200004975 A KR 20200004975A KR 20200089621 A KR20200089621 A KR 20200089621A
Authority
KR
South Korea
Prior art keywords
noise
die
zones
image
defect detection
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.)
Granted
Application number
KR1020200004975A
Other languages
English (en)
Other versions
KR102388365B1 (ko
Inventor
엘라드 코헨
데니스 시마코프
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 KR20200089621A publication Critical patent/KR20200089621A/ko
Application granted granted Critical
Publication of KR102388365B1 publication Critical patent/KR102388365B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

표본에 대한 결함 검출의 시스템 및 방법이 제공되며, 방법은: 제1 다이의 하나 이상의 부분들 각각에 대해 파티셔닝을 수행하는 단계; 제2 다이의 하나 이상의 부분들에 대해 캡처된 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 수신하는 단계; 런타임 시에, 각각의 노이즈 맵에 대해 세그먼트화를 수행하는 단계를 포함하며, 주어진 노이즈 맵에 대한 세그먼트화는: 각각의 구역에 대한 스코어를 계산하는 것 ― 주어진 노이즈 맵은 구역들과 정렬되고 그리고 각각의 구역은 각각의 구역 내에 정렬된 노이즈 데이터와 연관되고, 주어진 구역에 대한 스코어는 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산됨 ―; 및 스코어에 기반하여 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득하는 것을 포함한다.

Description

표본에 대한 결함 검출 방법 및 그 시스템{METHOD OF DEFECT DETECTION ON A SPECIMEN AND SYSTEM THEREOF}
[001] 본원에 개시되는 청구대상은 일반적으로, 표본(specimen)의 조사(examination)의 분야에 관한 것으로, 더 구체적으로는, 표본에 대한 결함 검출의 방법들 및 시스템들에 관한 것이다.
[002] 제작되는 디바이스들의 극대 규모 집적(ultra large scale integration)과 연관된 높은 밀도 및 성능에 대한 현재의 요구들은, 서브미크론 피처(submicron feature)들, 증가된 트랜지스터 및 회로 속도들, 및 개선된 신뢰성을 요구한다. 반도체 프로세스들이 진보됨에 따라, 패턴 치수들, 이를테면, 라인 폭 및 다른 타입들의 임계 치수(critical dimension)들이 지속적으로 축소된다. 이는 또한 설계 규칙으로 지칭된다. 그러한 요구들은 높은 정밀도 및 균일성을 갖는 디바이스 피처들의 형성을 요구하며, 이는 결국, 제작 프로세스의 모니터링을 필요로 하는데, 그 모니터링은 디바이스들이 아직, 완성된 디바이스들 및/또는 미완성된 디바이스들 둘 모두를 포함하는 반도체 웨이퍼들의 형태로 있는 동안의, 디바이스들의 빈번하고 상세한 검사들을 포함한다.
[003] 본 명세서에서 사용되는 "표본"이라는 용어는, 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체-제작 물품들을 제조하기 위해 사용되는 임의의 종류의 웨이퍼, 마스크들, 및 다른 구조들, 이들의 조합들 및/또는 부분들을 커버하는 것으로 광범위하게 해석되어야 한다.
[004] 구체적으로 달리 명시되지 않는 한, 본 명세서에서 사용되는 "조사"라는 용어는, 오브젝트에서의 결함들의 임의의 종류의 검출 및/또는 분류를 커버하는 것으로 광범위하게 해석되어야 한다. 조사는, 조사될 오브젝트의 제조 동안에 또는 제조 후에, 예컨대 비-파괴 조사 툴(non-destructive examination tool)들을 사용함으로써 제공된다. 비-제한적인 예로서, 조사 프로세스는, 하나 이상의 조사 툴들을 사용하여 오브젝트 또는 오브젝트의 부분들에 관하여 제공되는, (단일의 또는 다수의 스캔들의) 스캐닝, 샘플링, 리뷰, 측정, 분류, 및/또는 다른 동작들을 포함할 수 있다. 마찬가지로, 조사는, 조사될 오브젝트의 제조 전에 제공될 수 있고, 예컨대, 조사 레시피(들)를 생성하는 것을 포함할 수 있다. 구체적으로 달리 명시되지 않는 한, 본 명세서에서 사용되는 "조사"라는 용어 또는 그 용어의 파생어들은, 검사되는 영역(들)의 사이즈, 스캐닝의 속도 또는 해상도(resolution), 또는 조사 툴들의 타입에 대해 제한되지 않는다는 것이 주목된다. 다양한 비-파괴 조사 툴들은, 비-제한적인 예로서, 광학 툴들, 주사 전자 현미경(scanning electron microscope)들, 원자력 현미경(atomic force microscope)들 등을 포함한다.
[005] 조사 프로세스는 복수의 조사 단계들을 포함할 수 있다. 제조 프로세스 동안, 조사 단계들은, 예컨대, 특정 레이어들의 제조 또는 프로세싱 이후 등의 시점들에서 복수 회 수행될 수 있다. 부가적으로 또는 대안적으로, 각각의 조사 단계는, 예컨대, 상이한 조사 세팅들로 동일한 웨이퍼 위치들에 대해 또는 상이한 웨이퍼 위치들에 대해 다수 회 반복될 수 있다.
[006] 비-제한적인 예로서, 런-타임 조사(run-time examination)는, 예컨대, 표본의 검사 이후에, 샘플링된 결함들의 리뷰가 후속되는, 2-단계 절차를 이용할 수 있다. 검사 단계 동안, 전형적으로, 표본 또는 표본의 부분의 표면(예컨대, 관심 영역들, 핫 스폿들 등)이 비교적 고속으로 그리고/또는 저해상도로 스캐닝된다. 캡처된 검사 이미지는, 결함들을 검출하고 결함들의 위치들 및 다른 검사 속성들을 획득하기 위해 분석된다. 리뷰 단계에서, 검사 페이즈(inspection phase) 동안 검출된 결함들 중 적어도 일부 결함들의 이미지들이 전형적으로, 비교적 저속으로 그리고/또는 고해상도로 캡처되어서, 결함들 중 적어도 일부 결함들의 분류 및 선택적으로는 다른 분석들이 가능하게 된다. 일부 경우들에서, 페이즈들 둘 모두가 동일한 검사 툴(inspection tool)에 의해 구현될 수 있고, 일부 다른 경우들에서, 이러한 2개의 페이즈들은 상이한 검사 툴들에 의해 구현된다.
[007] 조사는 일반적으로, 광 또는 전자들을 웨이퍼로 지향시키고 웨이퍼로부터 광 또는 전자들을 검출함으로써, 웨이퍼에 대해 어떤 출력(예컨대, 이미지들, 신호들 등)을 생성하는 것을 수반한다. 일단 출력이 생성되면, 결함 검출은 전형적으로, 결함 검출 방법 및/또는 알고리즘을 그 출력에 적용함으로써 수행된다. 대부분의 경우에, 조사의 목표는 웨이퍼 상의 뉴슨스(nuisance) 및 노이즈(noise)의 검출을 억제하면서 관심 결함들에 대한 높은 감도를 제공하는 것이다.
[008] 결함 검출의 감도를 개선시키는 것이 당해 기술분야에서 필요하다.
[009] 본원에 개시되는 청구대상의 특정 양상들에 따르면, 표본에 대한 결함 검출의 컴퓨터화된 시스템이 제공되며, 시스템은: 조사 툴에 동작가능하게 연결된 프로세싱 유닛을 포함하며, 프로세싱 유닛은 메모리 및 메모리에 동작가능하게 커플링된 프로세서를 포함하고, 프로세싱 유닛은: 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대해 파티셔닝을 수행하도록 구성되며, 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은: i) 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행되고, 프로세싱 유닛은 추가로, 런타임 시에: 조사 툴로부터, 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 수신하고 ― 제1 다이 및 제2 다이는 동일한 설계 데이터를 특징으로 함 ―; 하나 이상의 노이즈 맵들 각각에 대해 세그먼트화(segmentation)를 수행하도록 구성되고, 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는: 복수의 구역들 중 각각의 구역에 대한 스코어를 계산함으로써 ― 주어진 노이즈 맵은 복수의 구역들과 정렬되고 그리고 복수의 구역들 중 각각의 구역은 각각의 구역 내에 정렬된 노이즈 데이터와 연관되고, 그리고 복수의 구역들 중 주어진 구역에 대한 스코어는 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산됨 ―; 그리고 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득함으로써, 수행되며; 세그먼트들의 세트는, 주어진 노이즈 맵에 기반하여 표본에 대한 결함 검출을 위해 사용가능하다.
[0010] 위의 특징들에 추가하여, 본원에 개시되는 청구대상의 이 양상에 따른 시스템은, 아래에 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 치환으로 포함할 수 있다:
(i). 파티셔닝은 설계 데이터에 기반하여 수행될 수 있고, 설계 공간의 복수의 구역들은, 주어진 부분에서, 동일한 설계 패턴을 갖는 하나 이상의 다이 구역들에 각각 대응하는 복수의 설계 그룹들일 수 있다.
(ii). 시스템은, 주어진 부분을 나타내는 제1 이미지를 포함하는 이미지 데이터를 캡처하도록 구성된 조사 툴을 더 포함한다. 파티셔닝은 이미지 데이터에 기반하여 수행될 수 있고, 이미지 공간의 복수의 구역들은 제1 이미지를 특징짓는 속성들의 세트에 의해 특정된 속성 공간에서의 대응하는 위치들의 값들에 기반하여 제1 이미지 상에서 획득될 수 있다.
(iii). 제2 다이는 제1 다이와 상이한 다이일 수 있고, 조사 툴은 추가로, 런타임 시에, 제2 다이의 하나 이상의 부분들을 나타내는 하나 이상의 제2 이미지들을 캡처하고 그리고 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 제공하도록 구성될 수 있다.
(iv). 제1 다이는 파티셔닝을 수행하기 위해 사용되는 참조 다이일 수 있고, 제2 다이는 검사 다이일 수 있고, 그리고 파티셔닝은 셋업 페이즈에서 수행될 수 있다.
(v). 제1 다이는 제2 다이의 검사를 위해 사용되는 참조 다이일 수 있고, 제2 다이는 검사 다이일 수 있고, 그리고 파티셔닝은 런타임 시에 수행될 수 있다.
(vi). 제2 다이는 제1 다이일 수 있고, 하나 이상의 제2 이미지들은 제1 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제1 이미지들일 수 있고, 그리고 파티셔닝은 런타임 시에 수행될 수 있다.
(vii). 조사 툴은 이미지 데이터 및 하나 이상의 제2 이미지들을 캡처하기 위해 표본을 스캐닝하도록 구성된 검사 툴일 수 있다.
(viii). 속성들의 세트는 기계 학습을 사용하여 생성된 하나 이상의 속성들 및 하나 이상의 미리 정의된 속성들을 포함하는 속성 후보들의 뱅크(bank)로부터 선택될 수 있다.
(ix). 속성들의 세트는 기계 학습을 사용하여 생성된 하나 이상의 속성들을 포함할 수 있고, 프로세싱 유닛은 추가로, 기계 학습 모델을 사용하여 하나 이상의 속성들을 생성하도록 구성될 수 있다.
(x). 기계 학습 모델은, 트레이닝 속성들을 생성하고 그리고 트레이닝 속성들을 사용하여 노이즈를 예측함으로써 트레이닝될 수 있으며, 예측된 노이즈는, 트레이닝된 기계 학습 모델이 하나 이상의 속성들을 생성할 수 있도록 ― 하나 이상의 속성들은 제1 이미지를 특징짓고, 그리고 상이한 노이즈 레벨들을 표시하는 제1 이미지의 공간 패턴들을 나타냄 ― 기계 학습 모델을 최적화하기 위해, 결함 검출 알고리즘에 의해 생성된 참조 노이즈와 비교될 수 있다.
(xi). 하나의 세그먼트화 라벨과 각각의 구역을 연관시키는 것은, 각각의 구역에 대해 계산된 스코어를 랭킹(ranking)하고 그리고 랭킹에 기반하여 복수의 구역들을 세그먼트들의 세트로 그룹화하는 것을 포함할 수 있다.
(xii). 결함 검출을 수행하는 것은 각각의 세그먼트에 대한 검출 임계치를 구성하는 것을 포함할 수 있다.
[0011] 본원에 개시되는 청구대상의 다른 양상에 따르면, 표본에 대한 결함 검출의 컴퓨터화된 방법이 제공되며, 방법은: 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대해 파티셔닝을 수행하는 단계 ― 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은: i) 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행됨 ―; 런타임 시에, 조사 툴로부터, 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 수신하는 단계 ― 제1 다이 및 제2 다이는 동일한 설계 데이터를 특징으로 함 ―; 런타임 시에, 하나 이상의 노이즈 맵들 각각에 대해 세그먼트화를 수행하는 단계를 포함하며, 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는: 복수의 구역들 중 각각의 구역에 대한 스코어를 계산함으로써 ― 주어진 노이즈 맵은 복수의 구역들과 정렬되고 그리고 복수의 구역들 중 각각의 구역은 각각의 구역 내에 정렬된 노이즈 데이터와 연관되고, 그리고 복수의 구역들 중 주어진 구역에 대한 스코어는 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산됨 ―; 그리고 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득함으로써, 수행되며; 세그먼트들의 세트는, 주어진 노이즈 맵에 기반하여 표본에 대한 결함 검출을 위해 사용가능하다.
[0012] 개시된 청구대상의 이 양상은 시스템에 대해 위에서 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 치환으로, 필요한 변경을 가하여(mutatis mutandis), 포함할 수 있다.
[0013] 본원에 개시되는 청구대상의 다른 양상에 따르면, 컴퓨터에 의해 실행될 때, 컴퓨터로 하여금, 표본에 대한 결함 검출의 방법을 수행하게 하는 명령들의 프로그램을 유형적으로(tangibly) 구현하는 비-일시적 컴퓨터 판독가능 저장 매체가 제공되며, 방법은: 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대해 파티셔닝을 수행하는 단계 ― 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은: i) 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행됨 ―; 런타임 시에, 조사 툴로부터, 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 수신하는 단계 ― 제1 다이 및 제2 다이는 동일한 설계 데이터를 특징으로 함 ―; 런타임 시에, 하나 이상의 노이즈 맵들 각각에 대해 세그먼트화를 수행하는 단계를 포함하며, 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는: 복수의 구역들 중 각각의 구역에 대한 스코어를 계산함으로써 ― 주어진 노이즈 맵은 복수의 구역들과 정렬되고 그리고 복수의 구역들 중 각각의 구역은 각각의 구역 내에 정렬된 노이즈 데이터와 연관되고, 그리고 복수의 구역들 중 주어진 구역에 대한 스코어는 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산됨 ―; 그리고 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득함으로써, 수행되며; 세그먼트들의 세트는, 주어진 노이즈 맵에 기반하여 표본에 대한 결함 검출을 위해 사용가능하다.
[0014] 개시된 청구대상의 이 양상은 시스템에 대해 위에서 열거된 특징들 (i) 내지 (xii) 중 하나 이상을, 기술적으로 가능한 임의의 원하는 조합 또는 치환으로, 필요한 변경을 가하여, 포함할 수 있다.
[0015] 본 발명을 이해하고, 본 발명이 실제로 어떻게 수행될 수 있는지를 알기 위해, 단지 비-제한적인 예로서 첨부 도면들을 참조하여 실시예들이 이제 설명될 것이며, 도면들에서:
[0016] 도 1은 본원에 개시되는 청구대상의 특정 실시예들에 따른, 표본에 대한 결함 검출의 시스템의 블록 다이어그램을 예시하고;
[0017] 도 2는 본원에 개시되는 청구대상의 특정 실시예들에 따른, 표본에 대한 결함 검출의 일반화된 흐름도를 예시하고;
[0018] 도 3은 본원에 개시되는 청구대상의 특정 실시예들에 따른 설계 그룹들의 개략적인 예를 예시하고;
[0019] 도 4는 본원에 개시되는 청구대상의 특정 실시예들에 따른, 상이한 노이즈 레벨들을 표시하는 공간 패턴들을 나타내는 속성들을 생성할 수 있도록 기계 학습 모델을 트레이닝하기 위한 개략적인 블록 다이어그램을 예시하고;
[0020] 도 5는 본원에 개시되는 청구대상의 특정 실시예들에 따른, 검사 이미지, 및 검사 이미지를 특징짓는 속성들의 세트의 예를 예시하고;
[0021] 도 6은 본원에 개시되는 청구대상의 특정 실시예들에 따른, 정렬된 노이즈 맵과 설계 데이터의 개략적인 예를 예시하고;
[0022] 도 7은 본원에 개시되는 청구대상의 특정 실시예들에 따른 세그먼트화의 예들을 예시하고; 그리고
[0023] 도 8은 본원에 개시되는 청구대상의 특정 실시예들에 따른, 런타임 조사에서 세그먼트화를 사용하는 예를 예시한다.
[0024] 다음의 상세한 설명에서, 본 발명의 완전한 이해를 제공하기 위해, 다수의 특정 세부사항들이 제시된다. 그러나, 본원에 개시되는 청구대상이 이러한 특정 세부사항들 없이 실시될 수 있다는 것이 당업자들에 의해 이해될 것이다. 다른 경우들에서, 잘-알려진 방법들, 절차들, 컴포넌트들 및 회로들은, 본원에 개시되는 청구대상을 불명료하게 하지 않기 위해, 상세히 설명되지 않았다.
[0025] 구체적으로 달리 명시되지 않는 한, 다음의 논의들로부터 자명한 바와 같이, 본 명세서 전체에 걸쳐, "수행", "파티셔닝", "캡처", "수신", "계산", "정렬", "제공", "연관", "생성", "획득", "정합(registering)", "스캐닝", "사용", "적용", "트레이닝", "랭킹", "구성" 등과 같은 용어들을 활용하는 논의들은, 데이터를 다른 데이터로 변환 및/또는 조작하는 컴퓨터의 액션(들) 및/또는 프로세스(들)를 지칭하며, 상기 데이터는 물리적, 이를테면, 전자적 양들로서 표현되고, 그리고/또는 상기 데이터는 물리적 오브젝트들을 표현한다는 것이 인식된다. "컴퓨터"라는 용어는, 비-제한적인 예로서, 본 출원에서 개시되는, 표본 및 표본의 부분들에 대한 결함 검출의 컴퓨터화된 시스템뿐만 아니라 그 컴퓨터화된 시스템 내의 프로세싱 유닛을 포함하는, 데이터 프로세싱 능력들을 갖는 임의의 종류의 하드웨어-기반 전자 디바이스를 커버하는 것으로 광범위하게 해석되어야 한다.
[0026] 본원에서 사용되는 "비-일시적 메모리" 및 "비-일시적 저장 매체"라는 용어들은, 본원에 개시되는 청구대상에 적합한 임의의 휘발성 또는 비-휘발성 컴퓨터 메모리를 커버하는 것으로 광범위하게 해석되어야 한다.
[0027] 본 명세서에서 사용되는 "결함"이라는 용어는, 표본 상에 또는 표본 내에 형성되는 임의의 종류의 비정상(abnormality) 또는 바람직하지 않은 피처 또는 공극(void)을 커버하는 것으로 광범위하게 해석되어야 한다.
[0028] 본 명세서에서 사용되는 "설계 데이터"라는 용어는, 표본의 계층적인 물리적인 설계(레이아웃)를 표시하는 임의의 데이터를 커버하는 것으로 광범위하게 해석되어야 한다. 설계 데이터는 개개의 설계자에 의해 제공될 수 있고, 그리고/또는 (예컨대, 복잡한 시뮬레이션, 간단한 기하학적 및 부울(Boolean) 연산들 등을 통해) 물리적인 설계로부터 유도될 수 있다. 설계 데이터는, 비-제한적인 예들로서, GDSII 포맷, OASIS 포맷 등과 같은 상이한 포맷들로 제공될 수 있다. 설계 데이터는, 벡터 포맷, 그레이스케일 강도 이미지 포맷(grayscale intensity image format), 또는 다른 포맷으로 제시될 수 있다.
[0029] 구체적으로 달리 명시되지 않는 한, 별개의 실시예들의 상황에서 설명되는, 본원에 개시되는 청구대상의 특정 특징들이 또한, 단일 실시예와 조합하여 제공될 수 있다는 것이 인식된다. 역으로, 단일 실시예의 상황에서 설명되는, 본원에 개시되는 청구대상의 다양한 특징들이 또한, 개별적으로 또는 임의의 적합한 하위-조합으로 제공될 수 있다. 다음의 상세한 설명에서, 본 방법들 및 장치의 완전한 이해를 제공하기 위해, 다수의 특정 세부사항들이 제시된다.
[0030] 이를 유념하면서, 본원에 개시되는 청구대상의 특정 실시예들에 따른, 표본에 대한 결함 검출의 시스템의 블록 다이어그램을 예시하는 도 1을 주목한다.
[0031] 도 1에 예시된 시스템(100)은 표본(예컨대, 웨이퍼, 웨이퍼 상의 다이, 및/또는 이의 부분들)에 대한 결함 검출을 위해 사용될 수 있다. 위에서 언급된 바와 같이, 본 명세서에서 사용되는 "표본"이라는 용어는, 반도체 집적 회로들, 자기 헤드들, 평판 디스플레이들, 및 다른 반도체-제작 물품들을 제조하기 위해 사용되는, 임의의 종류의 웨이퍼, 마스크들, 레티클들 및 다른 구조물들, 이들의 조합들 및/또는 부분들을 커버하는 것으로 광범위하게 해석되어야 한다. 특정 실시예들에 따르면, 본원에서 사용되는 표본은: 웨이퍼, 레티클, 마스크, 집적 회로 및 평판 디스플레이(또는 이들의 적어도 일부)를 포함하는 그룹으로부터 선택될 수 있다.
[0032] 단지 예시의 목적을 위해, 다음의 설명의 특정 실시예들은 다이(들) 및 웨이퍼(들)와 관련하여 제공된다. 실시예들은, 마찬가지로, 다른 타입들, 사이즈들 및 표현들의 표본에 적용가능하다.
[0033] 특정 실시예들에 따르면, 시스템(100)은 하나 이상의 조사 툴들(120)을 포함하거나 또는 하나 이상의 조사 툴들(120)에 동작가능하게 연결될 수 있다. 본원에서 사용되는 "조사 툴들"이라는 용어는, 비-제한적인 예로서, 표본 또는 표본의 부분들에 관하여 제공되는, 이미징, (단일 스캔 또는 다수의 스캔들에서의) 스캐닝, 샘플링, 리뷰, 측정, 분류 및/또는 다른 프로세스들을 포함하는 조사-관련 프로세스들에서 사용될 수 있는 임의의 툴들을 커버하는 것으로 광범위하게 해석되어야 한다. 하나 이상의 조사 툴들(120)은 하나 이상의 검사 툴들 및/또는 하나 이상의 리뷰 툴들을 포함할 수 있다. 일부 경우들에서, 조사 툴들(120) 중 적어도 하나는, 잠재적인 결함들의 검출을 위해, (전형적으로, 비교적 고속으로 그리고/또는 저해상도로) 검사 이미지들을 캡처하기 위하여, 표본(예컨대, 전체 웨이퍼, 또는 전체 다이 또는 이의 부분들)을 스캐닝하도록 구성된 검사 툴일 수 있다. 일부 경우들에서, 조사 툴들(120) 중 적어도 하나는, 잠재적인 결함이 정말로 결함인지를 규명하기 위해, 검사 툴들에 의해 검출된 결함들 중 적어도 일부 결함들의 리뷰 이미지들을 캡처하도록 구성된 리뷰 툴일 수 있다. 그러한 리뷰 툴은 일반적으로, (전형적으로, 비교적 저속으로 그리고/또는 고해상도로) 한 번에 하나씩 다이의 프레그먼트(fragment)들을 검사하도록 구성된다. 검사 툴 및 리뷰 툴은 동일한 또는 상이한 위치들에 로케이팅된 상이한 툴들일 수 있거나, 또는 2개의 상이한 모드들로 동작되는 단일 툴일 수 있다. 일부 경우들에서, 적어도 하나의 조사 툴은 계측 능력들을 가질 수 있다.
[0034] 본 개시내용의 범위를 어떤 방식으로도 제한하지 않으면서, 조사 툴들(120)이 다양한 타입들의 검사 기계들, 이를테면, 광학 이미징 기계들, 전자 빔 검사 기계들 등으로서 구현될 수 있다는 것이 또한 주목되어야 한다.
[0035] 특정 실시예들에 따르면, 조사 툴(120)은 표본의 다이의 하나 이상의 부분들에 대한 하나 이상의 이미지들을 포함하는 이미지 데이터를 캡처하도록 구성될 수 있다. 조사 툴(120)은 추가로, 하나 이상의 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 획득하도록 구성될 수 있다. 이미지들은 상이한 조사 방식(examination modality)(들)으로부터 유발될 수 있으며, 본 개시내용은 이미지들을 생성하기 위해 사용되는 검사 및 계측 기술에 의해 제한되지 않는다. 일부 실시예들에서, 조사 툴(120)은, 하나 이상의 이미지들을 캡처하기 위해 표본을 스캐닝하도록 구성된 검사 툴일 수 있다. 일부 경우들에서, 표본의 캡처된 이미지들은, 도 2와 관련하여 더 상세하게 설명될 바와 같이, 관심 결함(DOI; defect of interest)이 될 확률이 높은, 표본 상의 의심 위치(suspected location)들을 표시하는 결함 맵을 생성하기 위해 (예컨대, 조사 툴(120) 내에 또는 프로세싱 유닛(102) 내에 통합될 수 있거나 또는 독립형 컴퓨터로서 구현될 수 있는 기능성을 갖는 이미지 프로세싱 모듈에 의해) 프로세싱될 수 있다. DOI들이 비교적 드물고, 결함 맵에 반영된 의심 결함들 대부분이 노이즈 또는 오경보(false alarm)들일 가능성이 더 높기 때문에, 결함 맵은 또한, 본원에서 노이즈 맵으로 지칭된다.
[0036] 본원에서 사용되는 "관심 결함(DOI)"이라는 용어는, 검출될, 사용자가 관심을 갖는 임의의 실제 결함들을 지칭한다. 예컨대, 수율 손실을 야기할 수 있는 임의의 "킬러(killer)" 결함들은, 뉴슨스 타입(nuisance type)의 결함들과 비교하여 DOI로서 표시될 수 있으며, 그 뉴슨스 타입의 결함들은 또한 실제 결함들이지만 수율에 영향을 미치지 않으므로 무시되어야 한다.
[0037] 본원에서 사용되는 "노이즈"라는 용어는, 임의의 원하지 않는 또는 비-관심 결함들(비-DOI 또는 뉴슨스로 또한 지칭됨)뿐만 아니라, 검사 동안 상이한 변동들(예컨대, 프로세스 변동, 컬러 변동, 기계적 및 전기적 변동들 등)에 의해 야기되는 랜덤 노이즈들을 포함하는 것으로 광범위하게 해석되어야 한다.
[0038] 시스템(100)은, I/O 인터페이스(126) 및 조사 툴(120)에 동작가능하게 연결된 프로세싱 유닛(102)을 포함할 수 있다. 프로세싱 유닛(102)은, 도 2를 참조하여 아래에서 더 상세하게 설명되는 시스템(100)을 동작시키기 위해 필요한 모든 프로세싱을 제공하도록 구성된 프로세싱 회로망이다. 프로세싱 유닛(102)은 프로세서(개별적으로 도시되지 않음) 및 메모리(개별적으로 도시되지 않음)를 포함한다. 프로세싱 유닛(102)의 프로세서는, 프로세싱 유닛에 포함된 비-일시적 컴퓨터-판독가능 메모리 상에 구현되는 컴퓨터-판독가능 명령들에 따라, 몇몇 기능 모듈들을 실행시키도록 구성될 수 있다. 그러한 기능 모듈들은 이하에서, 프로세싱 유닛(102)에 포함되는 것으로 나타난다.
[0039] 프로세싱 유닛(102)에 포함된 기능 모듈들은 파티션 모듈(104) 및 세그먼트화 모듈(106)을 포함할 수 있으며, 파티션 모듈(104)과 세그먼트화 모듈(106)은 서로 동작가능하게 연결된다. 파티션 모듈(104)은 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대해 파티셔닝을 수행하도록 구성될 수 있다. 표본의 제1 다이의 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은: i) 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행될 수 있다.
[0040] 특정 실시예들에 따르면, 일부 경우들에서, 시스템(100)은 하드웨어-기반 I/O 인터페이스(126)를 통해 설계 데이터 서버(110)(예컨대, CAD 서버)에 동작가능하게 연결될 수 있다. 설계 데이터 서버(110)는 표본을 특징짓는 설계 데이터를 저장 및 제공하도록 구성된다. 표본의 설계 데이터는 다음의 포맷들: 표본의 물리적 설계 레이아웃(예컨대, CAD 클립), 래스터 이미지, 및 설계 레이아웃으로부터 유도된 시뮬레이팅된 이미지 중 임의의 포맷일 수 있다. 특정 실시예들에 따르면, I/O 인터페이스(126)는 설계 데이터 서버(110)로부터, 다이의 하나 이상의 부분들 중 주어진 부분을 특징짓는 설계 데이터를 수신하도록 구성될 수 있다. 도 2 및 도 3을 참조하여 아래에서 더 상세하게 설명되는 바와 같이, 설계 데이터에 기반하여 파티셔닝이 수행되는 경우들에서, 설계 공간의 복수의 구역들은, 주어진 부분에서, 동일한 설계 패턴을 갖는 하나 이상의 다이 구역들에 각각 대응하는 복수의 설계 그룹들일 수 있다.
[0041] 세그먼트화 모듈(106)은, 런타임 시에, 조사 툴로부터, 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 수신하도록 구성될 수 있다. 제1 다이 및 제2 다이는 동일한 설계 데이터를 특징으로 한다. 세그먼트화 모듈(106)은 추가로, 하나 이상의 노이즈 맵들 각각에 대해 세그먼트화를 수행하도록 구성될 수 있다. 구체적으로, 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는, 복수의 구역들 중 각각의 구역에 대한 스코어를 계산하는 것을 포함하며, 여기서, 주어진 노이즈 맵은 복수의 구역들과 정렬되고, 복수의 구역들 중 각각의 구역은 그 각각의 구역 내에 정렬된 노이즈 데이터와 연관된다. 일부 실시예들에서, 복수의 구역들 중 주어진 구역에 대한 스코어는 그 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산될 수 있다.
[0042] 일단 스코어가 계산되면, 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는, 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득하는 것을 포함할 수 있다. 세그먼트들의 세트는 표본의 추가의 조사를 위해 사용가능할 수 있는 세그먼트화 데이터를 구성한다. 예로서, 세그먼트화 데이터는, 주어진 노이즈 맵에 기반하여 표본 상의 결함들을 검출하기 위해 조사 툴(120) 및/또는 임의의 다른 조사 툴들에 제공될 수 있다. 일부 경우들에서, 세그먼트화 데이터는 (예컨대, 차이 이미지(difference image) 및/또는 등급 이미지(grade image)에서 적어도 특정 픽셀들을 재계산함으로써) 주어진 노이즈 맵을 조정하는 데 사용될 수 있고, 결함 검출은 조정된 노이즈 맵에 기반하여 표본에 대해 수행될 수 있다. 다른 예로서, 세그먼트화 데이터는 주어진 노이즈 맵에 기반하여 표본에 대한 결함 검출을 수행하기 위해 프로세싱 유닛에 의해 사용될 수 있다(이 경우, 프로세싱 유닛(102)은 결함 검출 모듈(도 1에 예시되지 않음)을 더 포함할 수 있음). 일부 실시예들에서, 세그먼트화 데이터는 세그먼트화 레이아웃을 포함할 수 있으며, 세그먼트화 레이아웃은 결과들을 렌더링하기 위해 컴퓨터-기반 그래픽 사용자 인터페이스(GUI; graphical user interface)(124)에 전송될 수 있다. 세그먼트화는 도 2를 참조하여 아래에서 더 상세하게 설명될 것이다.
[0043] 특정 실시예들에 따르면, 시스템(100)은 저장 유닛(122)을 포함할 수 있다. 저장 유닛(122)은 시스템(100)을 동작시키기 위해 필요한 임의의 데이터, 예컨대, 시스템(100)의 입력 및 출력과 관련된 데이터뿐만 아니라, 시스템(100)에 의해 생성되는 중간 프로세싱 결과들을 저장하도록 구성될 수 있다. 예로서, 저장 유닛(122)은 조사 툴(120)에 의해 생성된 이미지들 및/또는 이미지들의 파생물들을 저장하도록 구성될 수 있다. 따라서, 하나 이상의 이미지들은 저장 유닛(122)으로부터 리트리브되고 그리고 추가의 프로세싱을 위해 프로세싱 유닛(102)에 제공될 수 있다. 부가적으로 또는 대안적으로, 저장 유닛(122)은 표본의 설계 데이터를 저장하도록 구성될 수 있으며, 표본의 설계 데이터는 저장 유닛(122)으로부터 리트리브되고 프로세싱 유닛(102)에 입력으로서 제공될 수 있다. 부가적으로 또는 대안적으로, 저장 유닛(122)은 파티셔닝 결과, 즉, 복수의 구역들을 저장하도록 구성될 수 있으며, 파티셔닝 결과, 즉, 복수의 구역들은 저장 유닛(122)으로부터 리트리브되고 그리고 추가의 프로세싱을 위해 프로세싱 유닛(102)에 제공될 수 있다.
[0044] 일부 경우들에서, 시스템(100)은 하나 이상의 외부 데이터 저장소들(도 1에 도시되지 않음)에 동작가능하게 연결될 수 있으며, 하나 이상의 외부 데이터 저장소들은 조사 툴들(120) 및/또는 설계 데이터 서버(110)에 의해 생성된 데이터(및/또는 데이터의 파생물들)를 저장하도록 구성된다. 표본의 설계 데이터, 노이즈 맵, 및/또는 이미지 데이터는 추가의 프로세싱을 위해 프로세싱 유닛(102)에 제공될 수 있다.
[0045] 일부 실시예들에서, 시스템(100)은 선택적으로, 시스템(100)과 관련된 사용자-특정 입력들을 가능하게 하도록 구성된 컴퓨터-기반 그래픽 사용자 인터페이스(GUI)(124)를 포함할 수 있다. 예컨대, 표본의 설계 데이터 및/또는 이미지 데이터를 포함하는, 표본의 시각적 표현이 (예컨대, GUI(124)의 디스플레이 형성부에 의해) 사용자에게 제시될 수 있다. 특정 동작 파라미터들을 정의하는 옵션들이 GUI를 통해 사용자에게 제공될 수 있다. 사용자는 또한, GUI 상에서 세그먼트화 결과들뿐만 아니라 다른 동작 결과들, 이를테면, 예컨대 결함 검출 결과들을 볼 수 있다.
[0046] 조사 툴(120)이 시스템(100)의 일부로서 구현되는 것으로 도 1에 예시되어 있지만, 특정 실시예들에서, 시스템(100)의 기능성들은 독립형 컴퓨터(들)로서 구현될 수 있고, 조사 툴(120)과 함께 동작하도록 조사 툴(120)에 동작가능하게 연결될 수 있다는 것이 주목되어야 한다. 그러한 경우들에서, 표본의 이미지 데이터는 조사 툴(120)로부터 직접적으로 또는 하나 이상의 중간 시스템들을 통해 수신될 수 있고, 추가의 프로세싱을 위해 프로세싱 유닛(102)에 제공될 수 있다. 일부 실시예들에서, 시스템(100)의 개개의 기능성들은, 적어도 부분적으로, 하나 이상의 조사 툴들(120)과 통합될 수 있고, 그에 의해, 조사 관련 프로세스들에서 조사 툴들(120)의 기능성들이 용이해지고 향상될 수 있다. 그러한 경우들에서, 시스템(100)의 컴포넌트들, 또는 그 컴포넌트들의 적어도 일부는 조사 툴(120)의 일부를 형성할 수 있다. 일 예로서, 파티션 모듈(104) 및/또는 세그먼트화 모듈(106)은 조사 툴들(120)의 일부로서 구현 또는 통합될 수 있다. 다른 예로서, 프로세싱 유닛(102) 및 저장 유닛(122)은 조사 툴(120)의 프로세싱 유닛 및 저장부의 일부를 각각 형성할 수 있으며; 조사 툴(120)의 I/O 인터페이스 및 GUI는 I/O 인터페이스(126) 및 GUI(124)로서 기능할 수 있다.
[0047] 당업자들은, 본원에 개시되는 청구대상의 교시들이 도 1에 예시된 시스템에 얽매이지 않고; 동등한 및/또는 수정된 기능성이 다른 방식으로 병합될 수 있거나 또는 분할될 수 있고, 하드웨어 및 펌웨어와 소프트웨어의 임의의 적절한 조합으로 구현될 수 있다는 것을 용이하게 인식할 것이다.
[0048] 도 1에 예시된 시스템은 분산형 컴퓨팅 환경에서 구현될 수 있으며, 그 분산형 컴퓨팅 환경에서, 도 1에 도시된 위에서 언급된 기능 모듈들이 몇몇 로컬 및/또는 원격 디바이스들에 걸쳐 분산될 수 있고, 통신 네트워크를 통해 링크될 수 있다는 것이 주목된다. 조사 툴(120), 저장 유닛(122), 및 GUI(124)가 도 1에서 시스템(100)의 일부인 것으로 예시되어 있지만, 일부 다른 실시예들에서, 위에서 언급된 유닛들 중 적어도 일부가 시스템(100) 외부에 있는 것으로 구현될 수 있고, I/O 인터페이스(126)를 통해 시스템(100)과 데이터 통신하여 동작하도록 구성될 수 있다는 것이 추가로 주목된다.
[0049] 이제 도 2를 참조하면, 본원에 개시되는 청구대상의 특정 실시예들에 따른, 표본에 대한 결함 검출의 일반화된 흐름도가 예시된다.
[0050] 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대한 파티셔닝이 (예컨대, 프로세싱 유닛(102)에 포함된 파티션 모듈(104)에 의해) 수행될 수 있다(202). 구체적으로, 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은: i) 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행될 수 있다. 일부 실시예들에서, 하나 이상의 부분들은 다이의 하나 이상의 블록들을 지칭할 수 있다. 블록은 이미지 공간 등에서 다양한 사이즈들 및 치수들, 이를테면, 예컨대 100*200, 100*1000, 200*2000 픽셀들일 수 있으며, 본 개시내용은 본 개시내용의 특정 구현에 의해 제한되는 것으로 해석되어서는 안된다는 것이 주목되어야 한다.
[0051] 특정 실시예들에 따르면, 일부 경우들에서, 파티셔닝은 설계 데이터에 기반하여 수행될 수 있다. 그러한 경우들에서, 복수의 구역들은 설계 공간에서 복수의 설계 그룹들로서 유발되며, 그 각각은 동일한 설계 패턴을 갖는 (주어진 부분의) 하나 이상의 다이 구역들에 대응한다.
[0052] 위의 경우들에서, 주어진 부분 또는 하나 이상의 부분들의 설계 데이터, 또는 제1 다이의 설계 데이터가 (예컨대, I/O 인터페이스(126)에 의해, 설계 데이터 서버(110)로부터) 수신될 수 있다. 위에서 언급된 바와 같이, 설계 데이터는 다음의 포맷들: 물리적 설계 레이아웃(예컨대, CAD 클립), 래스터 이미지, 및 설계 레이아웃으로부터 유도된 시뮬레이팅된 이미지 중 임의의 포맷일 수 있다. 다이(또는 다이의 부분(들))의 설계 데이터는, 특정 기하학적 구조들 및 어레인지먼트들로 이루어진 다양한 설계 패턴들을 포함할 수 있다. 설계 패턴은 윤곽을 갖는 기하학적 형상을 각각 갖는 하나 이상의 구조적 엘리먼트들(예컨대, 하나 이상의 다각형들)로 구성되는 것으로 정의될 수 있다.
[0053] 일부 실시예들에서, 수신되는 설계 데이터는, 동일한 설계 패턴을 갖는 하나 이상의 다이 구역들에 각각 대응하는 복수의 설계 그룹들을 나타낼 수 있다. 설계 그룹들의 클러스터링(즉, CAD 데이터로부터 복수의 설계 그룹들로의 분할)은 사전에 수행될 수 있으며, 설계 그룹 정보는 설계 데이터 서버(110)에 미리-저장될 수 있다. 따라서, 시스템(100)에 의해 획득되는 설계 데이터는 설계 그룹 정보를 이미 포함할 수 있다. 일부 경우들에서, 시스템(100)에 의해 수신되는 설계 데이터는 물리적 설계 레이아웃(예컨대, CAD 클립) 정보 없이, 설계 그룹 정보(예컨대, 상이한 설계 그룹들의 설계 좌표(design coordinate)들)만을 포함할 수 있다. 일부 다른 경우들에서, 시스템(100)에 의해 수신되는 설계 데이터는 설계 그룹 정보 및 특정 설계 레이아웃 정보 둘 모두를 포함할 수 있다.
[0054] 이러한 실시예들에서, 복수의 구역들로의 파티셔닝은 설계 그룹 정보에 따를 수 있으며, 예컨대 복수의 구역들은 복수의 설계 그룹들에 대응할 수 있다. 설계 패턴들은, 설계 패턴들이 동일한 경우에, 또는 설계 패턴들이 고도로 상관되거나 또는 서로 유사한 경우에, "동일한" 것으로 간주될 수 있다는 것이 주목되어야 한다. 유사한 설계 패턴들을 매칭하고 클러스터링하기 위해 다양한 유사성 측정들 및 알고리즘들이 적용될 수 있으며, 본 개시내용은 설계 그룹들을 유도하기 위해 사용되는 임의의 특정 측정들에 의해 제한되는 것으로 해석되지 않아야 한다.
[0055] 일부 실시예들에서, 대안적으로 그리고 선택적으로, 설계 그룹들의 클러스터링은, 설계 데이터 서버로부터 다이(또는 다이의 부분(들))의 물리적 설계 레이아웃을 수신 시에, 시스템(100)의 프로세싱 유닛(102)에 의해 수행될 수 있다. 블록(202)을 참조하여 설명된 파티셔닝은 셋업 페이즈에서(즉, 생산/런타임 전에) 또는 런타임 페이즈에서 수행될 수 있다는 것이 주목되어야 한다.
[0056] 이제 도 3을 참조하면, 본원에 개시되는 청구대상의 특정 실시예들에 따른 설계 그룹들의 개략적인 예가 예시된다.
[0057] 단지 예시적인 목적들을 위해, 다이(또는 다이의 부분(들))의 설계 데이터가 도 3에 개략적으로 도시된다. 상이한 종류들의 "트리(tree)들"은 설계 데이터 상의 상이한 설계 패턴들을 표현한다. 유사한 설계 패턴들을 클러스터링/그룹화한 후에, 설계 데이터는 4개의 설계 그룹들(302, 304, 306, 및 308)로 분할되며, 그 4개의 설계 그룹들(302, 304, 306, 및 308) 각각은 동일한 설계 패턴을 갖는 하나 이상의 다이 구역들에 각각 대응한다. 일부 설계 그룹들에서, 설계 패턴들은 정확하게 동일하거나 또는 똑같기보다는 높은 유사성을 갖는다는 것이 주목되어야 한다. 예컨대, 설계 그룹(304)에서, 좌측의 2개의 구역들에서의 패턴과 우측의 구역들에서의 패턴이 약간 상이하다는 것(예컨대, 반대 방향들이라는 것)이 확인될 수 있다. 위에서 언급된 바와 같이, 일부 경우들에서, 시스템(100)에 의해 수신되는 설계 데이터는, 그룹화 정보뿐만 아니라 특정 설계 레이아웃들 및 패턴들을 포함하는, 도 3의 좌측 표현의 형태일 수 있다. 일부 다른 경우들에서, 설계 데이터는, 그룹화 정보(예컨대, 설계 좌표들에서의 그룹들의 위치들)만을 포함하는, 도 3의 우측 표현의 형태일 수 있다. 본 예에서, 파티셔닝으로부터 유발되는 복수의 구역들은 4개의 설계 그룹들(302, 304, 306, 및 308)에 대응한다.
[0058] 도 3에 도시된 예는 단지 예시적인 목적들을 위한 것일 뿐이고, 어떤 방식으로도 본 개시내용을 제한하는 것으로 간주되지 않아야 한다는 것이 주목되어야 한다. 당업자는, 다이의 실제 설계 패턴들이 훨씬 더 복잡할 수 있으며, 따라서, 유사한 설계 패턴들의 그룹화는 다양할 수 있고, 일부 경우들에서는 본 예보다 훨씬 더 복잡할 수 있다는 것을 용이하게 인식할 것이다.
[0059] 도 2의 블록(202)의 설명을 계속 참조하면, 특정 실시예들에 따르면, 파티셔닝은 (예컨대, 위에서 설명된 설계 데이터 대신에) 제1 다이의 하나 이상의 부분들 중 주어진 부분을 특징짓는 이미지 데이터에 기반하여 수행될 수 있다. 그러한 경우들에서, 조사 툴(120)에 의해 캡처되는 이미지 데이터는 주어진 부분을 나타내는 제1 이미지를 포함할 수 있다. 복수의 구역들은 이미지 공간에서 유발되고, 제1 이미지를 특징짓는 속성들의 세트에 의해 특정된 속성 공간에서의 대응하는 위치들의 값들에 기반하여 제1 이미지 상에서 획득된다. 그러한 경우들에서, 파티셔닝은, 블록(204)을 참조하여 아래에서 상세하게 설명되는 바와 같이, 다양한 시나리오들에 따라, 셋업 페이즈에서 또는 대안적으로 런타임 시에 수행될 수 있다. 파티셔닝이 하나 이상의 부분들 각각에 대해 수행되기 때문에, 조사 툴은 제1 다이의 하나 이상의 부분들을 나타내는 하나 이상의 제1 이미지들을 포함하는 이미지 데이터를 캡처하도록 구성될 수 있다. 설계 데이터 대신에 이미지 데이터를 사용하는 것의 하나의 장점은, 표본의 설계 데이터를 포착 및/또는 프로세싱할 필요가 없는 것인데, 왜냐하면, 설계 데이터가 항상 이용가능한 것은 아니기 때문인데, 예컨대 특정 고객들은 그러한 데이터를 제공하기 싫어할 수 있으며, 또한, 설계 데이터를 프로세싱하는 것은, 특히 설계 데이터와 이미지 데이터 사이의 정합(registration)을 고려하면, 계산적으로 번거롭고 어려울 수 있기 때문이다.
[0060] 일부 추가의 실시예들에서, 파티셔닝은 가능하게는, 이미지 데이터 및 설계 데이터 둘 모두에 기반하여 수행될 수 있다.
[0061] 도 2의 설명을 계속 참조하면, 런타임 세그먼트화 프로세스가 이제 설명된다. 하나 이상의 노이즈 맵들은, 런타임 시에, (예컨대, 프로세싱 유닛(102)에 의해 조사 툴(120)로부터) 수신(204)될 수 있으며, 하나 이상의 노이즈 맵들은 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시한다. 제1 다이 및 제2 다이는 동일한 설계 데이터를 특징으로 한다.
[0062] 일부 실시예들에 따르면, 제2 다이는 제1 다이와 상이한 다이를 지칭할 수 있고, 제2 다이의 하나 이상의 부분들을 나타내는 하나 이상의 제2 이미지들은 런타임 시에 (예컨대, 조사 툴(120)에 의해) 캡처될 수 있다. 하나 이상의 노이즈 맵들은, 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 것으로서 (예컨대, 조사 툴(120)에 의해) 제공될 수 있다.
[0063] 위에서 언급된 실시예들에 따르면, 일부 경우들에서, 제2 다이는 검사 다이(즉, 생산/런타임 시에 검사될 다이)를 지칭할 수 있는 반면, 제1 다이는, 런타임 세그먼트화를 서빙하는 목적을 위한 사전-프로세싱 동작인 파티셔닝을 수행하기 위해 사용되는 테스트 다이 또는 참조 다이를 지칭할 수 있다. 그러한 경우들에서, 블록(202)을 참조하여 위에서 설명된 바와 같이 이미지 데이터에 기반하는 파티셔닝은 셋업 페이즈에서 수행될 수 있는데, 왜냐하면, 이는, 런타임 시에 캡처된 검사 이미지들(즉, 제2 이미지)과 상이한 이미지 데이터(즉, 테스트 다이 또는 참조 다이의 이미지)에 기반하기 때문이다. 그러한 경우들에서의 장점들 중 하나는, 런타임 검사 및/또는 검출에서 요구되는 계산 시간 및 자원들을 감소시켜서, 시스템의 성능을 개선시키는 것이다.
[0064] 일부 다른 경우들에서, 제2 다이는 검사 다이를 지칭할 수 있는 반면, 제1 다이는 (예컨대, 이를테면, 다이-투-참조(Die-to-Reference) 검출 방법에서) 제2 다이의 검사를 위해 사용되는 참조 다이를 지칭할 수 있다. 예로서, 다이-투-다이(Die-to-Die) 검출 방법에서, 참조 다이는 웨이퍼 상의 검사 다이의 이웃 다이일 수 있다. 그러한 경우들에서, 블록(202)을 참조하여 위에서 설명된 바와 같이 이미지 데이터에 기반하는 파티셔닝은 런타임 시에 수행될 수 있는데, 왜냐하면, 이는, 런타임 시에 캡처된 이미지 데이터(예컨대, 이웃 다이의 이미지)에 기반하기 때문이다. 그러한 경우들에서의 장점들 중 하나는 제1 이미지(예컨대, 제1 이미지 상의 복수의 구역들)와 제2 이미지(예컨대, 제2 이미지에 대응하는 노이즈 맵) 사이의 정렬/정합 프로세스를 더 용이하게 그리고 계산적인 면에서 덜 번거롭게 그리고 더 저렴하게 만드는 것인데, 왜냐하면, 참조 다이와 검사 다이가 서로 인접하게/서로 나란히 있기 때문이다.
[0065] 일부 추가의 실시예들에 따르면, 제2 다이 및 제1 다이는 동일한 다이를 지칭할 수 있다. 따라서, 하나 이상의 제2 이미지들은 사실상, 제1 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제1 이미지들과 동일하다. 그러한 경우들에서, 제2 다이 및 제1 다이는 동일한 검사 다이를 지칭할 수 있다. 그러한 경우들에서, 블록(202)을 참조하여 위에서 설명된 바와 같이 이미지 데이터에 기반하는 파티셔닝은 런타임 시에 수행될 수 있는데, 왜냐하면, 이는, 런타임 시에 캡처된 검사 이미지들에 기반하기 때문이다. 그러한 경우들에서의 장점들 중 하나는, 위에서 언급된 바와 같이 계산적으로 번거롭고 비용이 많이 들 수 있는, 제1 이미지와 제2 이미지 사이의 정렬/정합을 수행하는 것을 회피하는 것이다.
[0066] 일부 실시예들에서, 조사 툴은 이미지 데이터(즉, 제1 이미지(들)) 및/또는 하나 이상의 제2 이미지들을 캡처하기 위해 표본을 스캐닝하도록 구성된 검사 툴일 수 있다. 위에서 언급된 바와 같이, 일부 경우들에서, 검사 툴은 특정 스캔 구성(들)으로 표본을 스캐닝하도록 구성될 수 있다. 스캔 구성은, 다음의 파라미터들: 조명 조건들, 편광, 영역당 노이즈 레벨(영역들은 다양한 방식들로 정의될 수 있는데, 이를테면, 예컨대 사용자/고객 정보에 기반하여 미리 정의될 수 있거나 또는 설계 패턴들과 관련하여 정의될 수 있는 식임), 영역당 검출 임계치, 및 영역당 노이즈 세기 계산 방법 등 중 하나 이상을 구성하는 것을 포함할 수 있다. 일부 경우들에서, 검사 툴은 특히, 표본의 감응 스캔(sensitive scan)을 가능하게 하기 위해 감응 파라미터들을 이용하여 구성된다. 예로서, 감응 스캔은, 감응 스캔으로부터 유발되는 검사 이미지들 및/또는 노이즈 맵들이, 패턴들에 의해 표시되는 바와 같은 그러한 패턴들 및 노이즈 정보를 반영할 수 있도록, 상이한 노이즈 레벨들 및 특징들을 표시하는 공간 패턴들에 대한 감도를 나타낼 수 있다. 예컨대, 스캔으로부터 유발되는 더 많은 패턴 정보를 파티셔닝이 고려할 수 있도록, 제1 이미지(들)는 감응 스캔을 사용하여 획득될 수 있다.
[0067] 특정 실시예들에 따르면, 검사 이미지(즉, 제2 이미지) 상의 노이즈 분포를 표시하는 노이즈 맵이 획득될 수 있다. 일부 경우들에서, 노이즈 맵은 검출 임계치를 사용하여 획득될 수 있다.
[0068] 노이즈 맵은 (예컨대, 조사 툴(120) 내에 또는 프로세싱 유닛(102) 내에 통합될 수 있는 기능성을 갖는 검출 모듈 및/또는 이미지 프로세싱 모듈에 의해) 다양한 방식들로 생성될 수 있다. 일부 실시예들에서, 노이즈 맵은 캡처된 검사 이미지의 픽셀 값들에 대해 직접적으로 검출 임계치를 적용함으로써 생성될 수 있다. 일부 다른 실시예들에서, 노이즈 맵을 생성하기 위해, 표본의 검사 이미지가 추가로 프로세싱될 수 있다. 검사 이미지를 프로세싱하고, 노이즈 맵을 생성하기 위해, 상이한 검사 및 검출 방법론들이 적용될 수 있으며, 본 개시내용은 여기서 사용되는 특정 검출 기술들에 의해 제한되지 않는다. 단지 예시적인 목적들을 위해, 검사 이미지들에 기반한 결함 검출 및 노이즈 맵 생성의 몇 개의 예들이 이제 설명된다.
[0069] 일부 실시예들에서, 각각의 검사 이미지에 대해, 하나 이상의 참조 이미지들이 결함 검출을 위해 사용될 수 있다. 참조 이미지들은 다양한 방식들로 획득될 수 있으며, 본원에서 사용되는 참조 이미지들의 수 및 그러한 이미지들을 획득하는 방식은 어떤 방식으로도 본 개시내용을 제한하는 것으로 해석되지 않아야 한다. 일부 경우들에서, 하나 이상의 참조 이미지들은 동일한 표본의 하나 이상의 다이들(예컨대, 검사 다이의 이웃 다이들)로부터 캡처될 수 있다. 일부 다른 경우들에서, 하나 이상의 참조 이미지들은 다른 표본(예컨대, 현재 표본과 상이하지만 동일한 설계 데이터를 공유하는 제2 표본)의 하나 이상의 다이들로부터 캡처된 하나 이상의 이미지들을 포함할 수 있다. 예로서, 다이-투-히스토리(D2H; Die-to-History) 검사 방법론에서, 검사 이미지는 현재 시간(예컨대, t = t')에서 현재 표본으로부터 캡처될 수 있으며, 하나 이상의 참조 이미지들은 베이스라인 시간(예컨대, 이전 시간 t = 0)에서 제2 표본 상의 하나 이상의 다이들로부터 캡처된 하나 이상의 이전 이미지들을 포함할 수 있다. 일부 추가의 실시예들에서, 하나 이상의 참조 이미지들은 하나 이상의 다이들 중 주어진 다이를 표현하는 적어도 하나의 시뮬레이팅된 이미지를 포함할 수 있다. 예로서, 시뮬레이팅된 이미지는 다이의 설계 데이터(예컨대, CAD 데이터)에 기반하여 생성될 수 있다.
[0070] 일부 실시예들에서, 검사 이미지의 픽셀 값들과 하나 이상의 참조 이미지들로부터 유도된 픽셀 값들 사이의 차이에 기반하여, 적어도 하나의 차이 이미지가 생성될 수 있다. 선택적으로, 적어도 하나의 차이 이미지에 기반하여, 적어도 하나의 등급 이미지가 또한 생성될 수 있다. 등급 이미지는, 차이 이미지 내의 대응하는 픽셀 값들 및 미리 정의된 차이 정규화 팩터(difference normalization factor)에 기반하여 컴퓨팅된 값들을 갖는 픽셀들로 구성될 수 있다. 미리 정의된 차이 정규화 팩터는 픽셀 값들의 정규 모집단(normal population)의 거동에 기반하여 결정될 수 있고, 그리고 차이 이미지의 픽셀 값들을 정규화하기 위해 사용될 수 있다. 예로서, 픽셀의 등급은 차이 이미지의 대응하는 픽셀 값과 미리 정의된 차이 정규화 팩터 사이의 비율로서 계산될 수 있다. 노이즈 맵은, 검출 임계치를 사용하여 적어도 하나의 차이 이미지 또는 적어도 하나의 등급 이미지에 기반하여, 의심 결함들(노이즈들)의 위치들을 결정함으로써 생성될 수 있다.
[0071] 본원에 개시되는 청구대상의 일부 실시예들에서, 검출 임계치는, 노이즈 맵이 적어도 하나의 차이 이미지 또는 적어도 하나의 등급 이미지에 반영된 바와 같은 모든 노이즈 정보를 포함할 수 있도록, 제로 임계치일 수 있다.
[0072] 획득된 노이즈 맵은 제2 이미지 상의 노이즈 분포를 표시할 수 있다. 일부 실시예들에서, 노이즈 분포는, 검출 프로세스에 의해 드러난 바와 같은, 노이즈 맵 내의 노이즈들의 하나 이상의 노이즈 특징들, 이를테면, (예컨대, 검사 이미지들 상의) 노이즈들의 위치들을 포함할 수 있다. 부가적으로, 노이즈 특징들은 다음의 것: 노이즈들의 세기 및 사이즈 중 적어도 하나를 더 포함할 수 있다. 일부 실시예들에서, 노이즈 맵 내의 노이즈들은 패턴-관련 노이즈들을 포함할 수 있다. 이러한 타입의 노이즈들은 노이즈들이 연관된 설계 패턴들의 국부적 밀도 및 복잡성과 관련된다. 다른 타입들의 노이즈들, 이를테면, 예컨대, 조사 툴에 의해 야기된 노이즈들(예컨대, 샷 노이즈(shot noise)), 프로세스 변동에 의해 야기된 노이즈들, 및 컬러 변동에 의해 야기된 노이즈들 등이 또한 노이즈 맵에 포함될 수 있다.
[0073] 위에서 언급된 바와 같이, 파티셔닝이 이미지 데이터에 기반하여 수행되는 경우들에서, 복수의 구역들은 이미지 공간에서 유발되는데, 즉, 제1 이미지를 특징짓는 속성들의 세트에 의해 특정된 속성 공간에서의 대응하는 위치들의 값들에 기반하여 제1 이미지 상에서 유발된다. 특정 실시예들에 따르면, 속성들의 세트는 기계 학습을 사용하여 생성된 하나 이상의 속성들 및 하나 이상의 미리 정의된 속성들을 포함하는 속성 후보들의 뱅크로부터 선택될 수 있다. 예로서, 미리 정의된 속성들은 이전의 검사 및 검출 프로세스들로부터 획득된 노이즈 분석 결과들에 기반하여 결정될 수 있다. 일부 경우들에서, 미리 정의된 속성들 중 일부는 기존의 노이즈 소스들, 이를테면, 예컨대 프로세스 변동들, 측정 노이즈, 알고리즘 노이즈 등의 이론적 모델링으로부터 획득될 수 있다. 미리 정의된 속성들 중 일부는 이미지-기반 피처 공간 분해들(고정됨(데이터 독립적) 또는 데이터-종속적임)로부터 획득될 수 있다. 일부 경우들에서, 미리 정의된 속성들 중 일부는 알려진 레이어들로부터 획득될 수 있다. 선택적으로, 일부 속성들은 고객 데이터에 기반하여 고객들에 의해 제공될 수 있다.
[0074] 특정 실시예들에 따르면, 속성들의 세트는 기계 학습을 사용하여 생성된 하나 이상의 속성들을 포함할 수 있다. 하나 이상의 속성들은 기계 학습 모델을 사용하여 (예컨대, 프로세싱 유닛(102)에 의해) 생성될 수 있다. 기계 학습 모델은, 트레이닝 이미지를 특징짓는 트레이닝 속성들을 추출함으로써 그리고 추출된 트레이닝 속성들을 사용하여 트레이닝 이미지에서의 노이즈를 예측함으로써, 트레이닝될 수 있다. 그런 다음, 예측된 노이즈는, 모델을 조정 및 최적화하기 위해 기계 학습 모델에 (예컨대, 손실 함수에 의해) 피드백을 제공하기 위하여 결함 검출 알고리즘에 의해 생성된 참조 노이즈와 비교된다. 일단 모델이 트레이닝되면(예컨대, 예측된 노이즈와 참조 노이즈 사이의 차이가 범위 내에 있음), 모델은 생산/런타임에서 입력 검사 이미지들에 대한 속성들을 생성/추출하기 위해 사용될 수 있으며, 여기서, 생성된 속성들은 입력 이미지들에서 상이한 노이즈 레벨들을 표시하는 공간 패턴들을 나타낸다.
[0075] 이제 도 4를 참조하면, 본원에 개시되는 청구대상의 특정 실시예들에 따른, 상이한 노이즈 레벨들을 표시하는 공간 패턴들을 나타내는 속성들을 생성할 수 있도록 기계 학습 모델을 트레이닝하기 위한 개략적인 블록 다이어그램이 예시된다.
[0076] 예시적인 목적을 위해, 기계 학습(ML) 모델(400)은, 서로 동작가능하게 연결된 속성 뉴럴 네트워크(도 4에서 속성 콘볼루셔널 뉴럴 네트워크(CNN; convolutional neural network)(404)로서 예시됨) 및 결정 뉴럴 네트워크(결정 CNN(406)으로서 예시됨)를 포함할 수 있다. ML 모델(400)을 트레이닝하기 위해, 매번, 트레이닝 이미지(402)가 입력으로서 모델(400)에 제공된다. 트레이닝 이미지는 도 4에서 치수 x * y로서 예시된다. 속성 CNN(404)은 트레이닝 이미지를 특징짓는 트레이닝 속성들의 세트(예컨대, N개의 속성들을 포함하는 세트)를 추출하도록 구성될 수 있다. 사실상, N개의 속성들 각각은 실제로, 트레이닝 이미지와 동일한 치수(즉, 치수 x * y)를 갖는 속성 맵일 수 있어서, 이미지의 각각의 픽셀에 대해, 대응하는 속성 값이 속성 맵에 존재한다. 다시 말해, 검사 이미지의 각각의 픽셀은 개개의 속성 맵으로부터의 N개의 대응하는 속성 값들을 각각 갖는다. 따라서, N개의 속성들의 세트는 사실상, 도 4에 예시된 바와 같이 치수 x*y*n에 있다.
[0077] N개의 속성들의 세트는 결정 CNN(406)에 입력으로서 제공된다. 결정 CNN(406)은 검사 이미지에서의 노이즈를 예측하기 위해, 후보 속성들의 추출된 세트만을 사용하도록 구성될 수 있다. 예로서, 예측된 노이즈(408)는 위에서 설명된 바와 같이 트레이닝 이미지에 대응하는 등급 이미지(또는 차이 이미지)의 형태일 수 있으며, 이는 검사 이미지에서의 노이즈/결함 특징들을 표시한다. 예측된 노이즈를 평가하는 목적을 위해, 트레이닝 이미지(402) 및 하나 이상의 참조 이미지들(410)은 병렬로, 규칙적인 결함 검출 알고리즘(412)(예컨대, 다이-투-참조 검출 방법)을 겪으며, 또한 등급 이미지(또는 차이 이미지)의 형태인 검출 결과가, 예측된 노이즈(408)와 비교될 참조 노이즈(414)로서 사용될 수 있다. 참조 노이즈는 사실상, 노이즈 예측을 평가하기 위한 그라운드 트루스(ground truth)로서 사용된다. 더 양호한 노이즈 예측 결과를 갖기 위해 ML 모델(400)이 더 양호한 속성들을 생성하는 것을 학습할 수 있도록, 모델을 조정 및 최적화하기 위하여, 비교 결과는 (예컨대, 손실 함수에 의해) 피드백으로서 ML 모델(400)에 제공될 수 있다. 그러한 트레이닝 프로세스는, 모델이 적절하게 트레이닝될 때까지(예컨대, 예측된 노이즈가, 비교 결과에 의해 표시된 바와 같이 참조 노이즈에 충분히 가까움) 상이한 트레이닝 이미지들로 반복될 수 있다.
[0078] 일단 ML 모델(400)이 트레이닝되면, 트레이닝된 속성 CNN(404)은 각각의 입력 검사 이미지를 특징짓는 속성들의 세트를 생성할 수 있고, 생성된 속성들은 각각의 입력 검사 이미지에서의 노이즈 레벨들을 표시하는 공간 패턴들을 나타낸다. 따라서, 트레이닝된 속성 CNN(404)은 각각의 입력 검사 이미지(예컨대, 제1 이미지)에 대한 속성 생성을 위해 셋업 또는 런타임 시에 사용될 수 있다. 속성들이, 각각의 입력 검사 이미지에서의 노이즈 레벨들을 표시하는 공간 패턴들의 양호한 표현을 제공하기 때문에, 위에서 설명된 바와 같은 파티셔닝은 그러한 패턴들에 속하는 파티셔닝된 구역들을 획득하기 위해 그러한 속성들에 기반할 수 있다. 구체적으로, 파티셔닝은 속성들의 세트에 의해 특정된 속성 공간에서의 대응하는 위치들의 값들에 기반할 수 있다.
[0079] 예로서, 각각의 속성 맵 상의 상이한 위치들에 대한 속성 값들은 비닝될(binned) 수 있고, 상이한 속성 맵들로부터의 빈(bin)들은 조합되어 파티셔닝 결과, 즉, 복수의 구역들을 형성할 수 있다. 그러나, 본 개시내용은 파티셔닝을 수행하는 특정 방식으로 제한되지 않는다. 속성들의 세트에 기반하여 이미지를 파티셔닝하는 다른 가능한 방식들이 상술된 것에 추가하여 또는 상술된 것 대신에 사용될 수 있다.
[0080] 이제 도 5를 참조하면, 본원에 개시되는 청구대상의 특정 실시예들에 따른, 검사 이미지, 및 검사 이미지를 특징짓는 속성들의 세트의 예가 예시된다.
[0081] 다이의 일부를 나타내는 검사 이미지(502)가 예시된다. 검사 이미지(502)를 특징짓는 속성들(504, 506 및 508)의 세트가 생성된다. 속성들의 세트는, 예컨대 위에서 설명된 바와 같이, 기계 학습을 사용하여 생성된 하나 이상의 속성들 및 하나 이상의 미리 정의된 속성들을 포함하는 속성 후보들의 뱅크로부터 선택함으로써, 생성될 수 있다. 예시적인 그리고 예시하는 목적들을 위해, 속성(504)은 이미지에 포함된 원형 패턴들을 표시할 수 있고, 속성(506)은 이미지에 포함된 수평 라인 패턴들을 표시할 수 있고, 속성(508)은 이미지에 포함된 수직 라인 패턴들을 표시할 수 있다. 예로서, 이러한 속성들은, 검사 이미지를 대응하는 피처 추출 필터들을 통과시킴으로써 생성될 수 있다. 파티셔닝 결과가 510에서 나타나며, 이는, 그에 부착된 그레이스케일 바(grayscale bar)에 따라 상이한 그레이 레벨들로 마킹된 복수의 구역들을 예시한다. 위에서 언급된 바와 같이, 이러한 구역들은 속성들의 세트에 기반하여 다양한 방식들로 생성될 수 있다. 본 도면에 예시된 바와 같은 일 예는, 파티셔닝된 구역들을 형성하기 위해, 속성들의 세트를 조합하는 것이다(예컨대, 하나가 다른 하나의 최상부 상에 놓이는 식으로 속성들의 세트를 중첩시키고, 대응하는 위치들의 값들을 조합함).
[0082] 패턴들, 속성들 및 파티셔닝의 위의 예들은 단지 예시적인 목적들을 위한 것일 뿐이고, 어떤 방식으로도 본 개시내용을 제한하는 것으로 간주되지 않아야 한다는 것이 주목되어야 한다. 예컨대, 일부 경우들에서, 생성되는 속성들은 상술된 것에 추가하여 또는 상술된 것 대신에 상이한 타입들 및 사이즈들을 갖는 다른 공간 패턴들, 이를테면, 예컨대 직사각형 패턴, 삼각형 패턴 등을 표시할 수 있다. 일부 경우들에서, 특정 속성들은, 특히 기계 학습 모델에 의해 생성될 때, 공간 패턴들의 간단한(straight-forward) 예시를 반드시 나타내지는 않을 수도 있다(예컨대, 공간 패턴들과의 상관은 사람의 눈들에는 자명하지 않을 수 있음). 그러나, 기계 학습 모델이 그러한 방식으로 특정하게 트레이닝되기 때문에, 이러한 생성된 속성들은 여전히 검사 이미지에서의 노이즈 레벨들을 표시할 수 있으며, 따라서, 본 개시내용의 범위 내에 있다.
[0083] 도 2를 다시 참조하면, 하나 이상의 노이즈 맵들 각각에 대한 세그먼트화가 (예컨대, 세그먼트화 모듈(106)에 의해) 런타임 시에 수행될 수 있다(206). 구체적으로, 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵(즉, 임의의 주어진 노이즈 맵)에 대한 세그먼트화는: 복수의 구역들 중 각각의 구역에 대한 스코어를 계산함으로써(208), 그리고 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시킴으로써(210), 수행될 수 있다.
[0084] 스코어를 계산하기 위해(208), 주어진 노이즈 맵은, 복수의 구역들 중 각각의 구역이 그 각각의 구역 내에 정렬된 노이즈 데이터(즉, 정렬로부터 유발되는, 구역 내에 속하는 노이즈 맵으로부터의 노이즈 데이터)와 연관되도록, 복수의 구역들과 정렬될 필요가 있다. 복수의 구역들 중 주어진 구역에 대한 스코어는 그 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산될 수 있다.
[0085] 블록(202)을 참조하여 위에서 설명된 바와 같이, 복수의 구역들은 파티셔닝을 위해 사용된 데이터에 기반하여 설계 공간 또는 이미지 공간에서 유발될 수 있다. 복수의 구역들이, 설계 공간에서, 동일한 설계 패턴을 갖는 하나 이상의 다이 구역들에 각각 대응하는 복수의 설계 그룹들인 경우들에서, 주어진 노이즈 맵은 설계 데이터와 정렬될 필요가 있고, 그에 따라, 복수의 설계 그룹들 중 각각의 주어진 설계 그룹은 그 설계 그룹에 대응하는 다이 구역들 내의 노이즈 데이터와 연관될 수 있다. 복수의 구역들이 이미지 공간 내에 있는 경우들에서(예컨대, 구역들은 제1 이미지를 특징짓는 속성들의 세트에 의해 특정된 속성 공간의 대응하는 위치들의 값들에 기반하여 제1 이미지 상에서 획득되고, 제1 이미지는 제2 이미지와 상이함), 주어진 노이즈 맵은 이미지 데이터(즉, 제1 이미지)와 정렬될 필요가 있다.
[0086] 정렬은 (상술된 경우들 중 어느 경우이든) 상이한 스테이지들에서 수행될 수 있다. 특정 실시예들에 따르면, 정렬은 사전에, 예컨대 셋업 페이즈에서, 가능하게는 상이한 시스템에 의해 수행될 수 있으며, 정렬된 결과는 추가의 프로세싱을 위해 시스템(100)에 의해 수신될 수 있다. 일부 다른 실시예들에서, 정렬은, 런타임 시에, 프로세싱 유닛(102)에 의해, 노이즈 맵을 복수의 구역들과 정합시킴으로써 수행될 수 있다. 정합 프로세스는 (예컨대, 제US2007/0280527호, 제US2013/204569호 등에서 설명되는 바와 같이) 당해 기술분야에 알려진 임의의 적합한 정합 알고리즘들에 따라 구현될 수 있다.
[0087] 예로서, 복수의 구역들이 설계 공간에 있는 경우들에서, 검사 좌표들(검사 공간의 좌표들은 검사 좌표들로 지칭됨)에 있는 노이즈 맵은 설계 데이터(예컨대, CAD 클립)와 정합될 수 있으며, 이에 의해, 검사 공간에서의 설계 데이터 좌표들을 획득할 수 있다. 노이즈 맵의 검사 좌표들과, 설계 좌표들 내의 대응하는 위치들 사이의 일부 차이들은 다양한 이유들(스캐닝 조건들(예컨대, 조명)뿐만 아니라 스캐닝 프로세스에서의 불완전성들, 시프트들 및 명백한 에러(outright error)들, 웨이퍼 상에 인쇄된 전기 회로의 제조 시의 에러들 등)로 인해 발생할 가능성이 있다. 노이즈 맵과 설계 데이터 사이의 전역적(예컨대, 평균) 오프셋, 및/또는 다수의 오프셋들(다수의 오프셋들 각각은 그의 관심 특정 구역 또는 패턴 또는 오브젝트와 관련됨)의 정보를 제공하는(informative) 포지션 캘리브레이션 데이터가 생성될 수 있다. 선택적으로, 포지션 캘리브레이션 데이터는 각각의 관심 오브젝트(또는 관심 오브젝트의 그룹들)에 대한 개개의 오프셋들을 특정하는 데이터 구조를 포함할 수 있다. 포지션 캘리브레이션 데이터는 저장 유닛(122) 또는 프로세싱 유닛(102)에 포함된 것과 같은 메모리에 저장될 수 있다.
[0088] 이제 도 6을 참조하면, 본원에 개시되는 청구대상의 특정 실시예들에 따른, 정렬된 노이즈 맵과 설계 데이터의 개략적인 예가 예시된다.
[0089] 위에서 설명된 바와 같은 정합 알고리즘을 사용하여, 도 3에서 유도된 바와 같은 설계 그룹들이 노이즈 맵과 정렬된다. 도 6에서, 노이즈 맵 내의 노이즈들 또는 노이즈 데이터는 상이한 사이즈들로 상이한 포지션들에 로케이팅된 흑색 점들(601)로서 예시된다. 사이즈들은 노이즈 신호들의 세기, 또는 노이즈들의 실제 공간 사이즈들을 표시할 수 있다. 예컨대, 위에서 검출 프로세스에서 설명된 바와 같이, 노이즈 맵이 등급 이미지에 기반하여 생성되는 경우, 노이즈 맵 내의 노이즈의 세기는 등급 이미지 내의 노이즈에 대응하는 픽셀 값(들)으로 표현될 수 있다. 정렬 후에, 4개의 설계 그룹들(302, 304, 306, 및 308)은, 그 설계 그룹들에 각각 대응하는 다이 구역들 내에 속하는 노이즈 데이터(예컨대, 흑색 점들로 표현됨)와 연관된다. 자신의 연관된 노이즈 데이터를 갖는 정렬된 설계 그룹들은 602, 604, 606, 및 608로서 마킹되며, 이들은 블록들(208 및 210)을 참조하여 아래에서 설명되는 바와 같은 세그먼트화 프로세스를 위한 입력들로서 제공된다. 일부 경우들에서, 정렬 후에, 노이즈 데이터를 갖는 정렬된 설계 그룹들은 검사 좌표들에 있을 수 있다.
[0090] 도 6을 참조하여 위에서 예시된 정렬이 설계 데이터와 노이즈 맵 사이의 정렬인 것으로서 예시되지만, 구역들(302, 304, 306, 및 308)은 또한, 이미지 공간(즉, 제1 이미지)에서 파티셔닝된 구역들을 나타낼 수 있고, 위에서 설명된 정렬은 제1 이미지의 구역들과 노이즈 맵 사이에 유사하게 적용될 수 있다는 것이 주목되어야 한다.
[0091] 도 2의 설명을 계속 참조하면, 위에서 언급된 바와 같이, 복수의 구역들 중 주어진 구역에 대한 스코어는 그 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산될 수 있다. 예로서, 스코어는 주어진 구역 내의 노이즈 밀도로서 계산될 수 있다. 노이즈 밀도는, 예컨대, 주어진 구역과 연관된 노이즈들의 양 대 구역의 영역의 비율로서 계산될 수 있다. 다른 예로서, 스코어는 구역 내의 노이즈 데이터에서 표시된 바와 같은 최대/최소 픽셀 값들에 기반하여 유도될 수 있다.
[0092] 특정 실시예들에 따르면, 스코어는 주어진 구역과 연관된 노이즈 데이터 및 주어진 구역의 영역에 대해 할당된 결함 버짓(defect budget)에 기반하여 계산될 수 있다. 검사 및 검출 프로세스에서, 전체 다이에 대한 총 결함 버짓이 일반적으로 할당된다. 총 결함 버짓은, 검사 및 검출 프로세스 후에 검출될 것으로 예상되는 원하는 결함 후보들의 총량을 지칭한다. DOI들이 다이 상에 균일한 분포를 갖는다는 가정 하에, 예컨대, 구역들의 영역에 따라, 전체 다이에 대한 총 결함 버짓이 분할되어 다이의 복수의 구역들에 할당될 수 있다. 예컨대, 주어진 구역에 대해 할당된 결함 버짓은, 주어진 구역의 영역 대 전체 다이의 영역의 비율과 전체 다이에 대한 총 결함 버짓의 곱으로서 계산될 수 있다.
[0093] 일부 실시예들에서, 주어진 구역과 연관된 노이즈 데이터에 기반하여, 주어진 구역에 대해 노이즈 히스토그램(noise histogram)이 생성될 수 있다. 주어진 구역에 대한 스코어는, 그 주어진 구역에 대해 할당된 결함 버짓을 그 주어진 구역의 노이즈 히스토그램에 적용함으로써, 임계치로서 계산될 수 있다. 예로서, 노이즈 히스토그램은, 노이즈들/결함들의 세기(예컨대, 등급)를 표시하는, 노이즈 맵 내의 픽셀 값들(x 축) 대(versus) 픽셀들의 카운트(y 축)로서 생성될 수 있다. 할당된 결함 버짓을 히스토그램에 적용함으로써, 결함 버짓과 동등한 의심 DOI들의 양을 나머지로부터 분리하여 임계치가 유도될 수 있다. 이러한 임계치는 주어진 구역에 대한 스코어로서 사용될 수 있다.
[0094] 위에서 설명된 것들은 스코어를 계산하는 가능한 예들이며, 다른 적합한 방법들이 상술된 것 대신에 또는 상술된 것에 추가하여 적용될 수 있다는 것이 주목되어야 한다.
[0095] 일부 경우들에서, 파티셔닝 결과, 즉, 복수의 구역들 사이에 중첩이 존재할 수 있다. 이는, 구역들이 설계 그룹들인 경우, 예컨대 표본의 상이한 레이어들의 특정 구조들 사이의 중첩하는 공간 관계로 인해 야기될 수 있거나, 또는 구역들이 이미지 데이터에 기반하여 획득되는 경우, 예컨대 파티셔닝 알고리즘들의 특정 설계로 인해 야기될 수 있다. 따라서, 일단 노이즈 맵이 복수의 구역들과 정렬되면, 노이즈 데이터를 구역들과 연관시키는 경우에, 또는 구역들에 대해 스코어를 계산하는 경우에, 상이한 구역들 사이의 중첩 영역 내에 속하는 노이즈 데이터가 고려될 필요가 있다. 예로서, 2개의(또는 2개보다 많은) 구역들 사이의 중첩 영역에 로케이팅된 노이즈 데이터는 하나의 구역 내에서 한번만 카운팅되어야 하며, 그에 따라, 이 노이즈 데이터가 어느 구역에 실제로 속하는지 판단할 필요가 있고, 그리고 예컨대 그러한 구역(들)에 대해 스코어를 계산할 때, 그들을 다른 중첩 구역(들)으로부터 제외시킬 필요가 있다.
[0096] 일단 각각의 구역에 대한 스코어가 계산되면, 각각의 구역은, 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 연관되어서(210), 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득할 수 있다. 일부 실시예들에서, 세그먼트들의 세트는 표본의 추가의 조사를 위해 사용가능할 수 있는 세그먼트화 데이터를 구성할 수 있다. 예로서, 세그먼트화 데이터는, 주어진 노이즈 맵에 기반하여 표본에 대한 결함 검출을 수행(212)하기 위해 조사 툴(120) 및/또는 임의의 다른 조사 툴들 또는 프로세싱 유닛에 제공될 수 있다. 일부 실시예들에서, 세그먼트화 데이터는 세그먼트화 레이아웃을 포함할 수 있으며, 세그먼트화 레이아웃은 결과들을 렌더링하기 위해 컴퓨터-기반 그래픽 사용자 인터페이스(GUI)(124)에 전송될 수 있다.
[0097] 일부 실시예들에서, 구역들과 세그먼트화 라벨들 사이의 연관을 수행하기 위해, 복수의 구역들이 그들의 스코어들에 따라 랭킹될 수 있고, 구역들은 랭킹에 기반하여 세그먼트들의 세트로 그룹화될 수 있다(즉, 랭킹된 구역들은 그들의 랭킹에 기반하여 세그먼트들의 미리 정의된 세트로 분할될 수 있음). 예로서, 세그먼트화 라벨들의 미리 정의된 세트는, 콰이어트(quiet), 노이지(noisy) 및 심한 노이지(very noisy)의 노이즈 레벨들을 표시하는 3개의 라벨들을 포함할 수 있다. 매 세그먼트화마다, 각각의 구역은, 모든 스코어들 중에서 그들의 개개의 스코어의 랭킹에 따라, 콰이어트 구역, 노이지 구역 및 심한 노이지 구역 중 하나로서 라벨링될 수 있다. 본 개시내용이 세트에서 미리 정의된 바와 같은 세그먼트화 라벨들의 수에 의해 제한되지 않는다는 것이 주목되어야 한다.
[0098] 세그먼트화 데이터는 표본의 추가의 조사를 위해(예컨대, 주어진 노이즈 맵에 기반하여 표본에 대한 결함 검출을 수행하기 위해) 다양한 방식들로 사용될 수 있다. 예로서, 세그먼트화 데이터는 각각의 다이 세그먼트에 대해 검출 임계치를 구성하기 위해 사용될 수 있다. 예컨대, 심한 노이지로서 라벨링된 다이 세그먼트는 콰이어트로서 라벨링된 다이 세그먼트와 비교하여 더 높은 임계치를 가질 수 있다. 다른 예로서, 세그먼트화 데이터는 차이 이미지 및/또는 등급 이미지의 계산을 구성하기 위해 사용될 수 있다. 예컨대, 차이 이미지 및/또는 등급 이미지 내의 픽셀 값들은 상이한 세그먼트들의 노이즈 레벨들에 따라 정규화 또는 적응될 수 있다.
[0099] 이제 도 7을 참조하면, 본원에 개시되는 청구대상의 특정 실시예들에 따른 세그먼트화의 예들이 이제 예시된다.
[00100] 다이의 일부를 나타내는 검사 이미지(702)(도 5의 검사 이미지(502)에 대응함)가 예시된다. 동일한 설계를 공유하는(예컨대, 가능하게는, 동일한 설계 데이터를 공유하는 상이한 다이들의 동일한 부분으로부터 획득됨) 2개의 검사 이미지들(간략성을 위해 단지 하나의 검사 이미지(702)만이 도 7에 예시됨)에 각각 대응하는 세그먼트화 결과들의 2개의 예들(704 및 706)이 도시된다. 704 및 706 둘 모두에 도시된 바와 같이, 흑색 및 백색으로 각각 마킹된 2개의 세그먼트들이 획득되며, 여기서, 흑색의 세그먼트는 콰이어트 세그먼트를 나타내고, 백색의 세그먼트는 노이지 세그먼트를 나타낸다. 세그먼트들은 도 5에 예시된 파티셔닝 결과(510)에 기반하여 획득될 수 있다. 예컨대, 파티셔닝 결과(510)에서 획득된 복수의 구역들은 런타임 시에 획득된 노이즈 맵과 정렬될 수 있고, 스코어는 블록(208)을 참조하여 위의 설명에 따라 각각의 구역에 대해 계산될 수 있다. 각각의 구역에는, 블록(210)을 참조하여 위의 교시에 따라 스코어에 기반하여 (콰이어트 또는 노이지의) 세그먼트화 라벨이 할당될 수 있다. 예로서, 2개의 세그먼트화 결과들(704 및 706) 사이의 차이는, 2개의 검사 이미지들에 대응하는 것으로서, 조사 툴로부터 획득된 상이한 노이즈 맵들로부터 유발될 수 있다.
[00101] 이제 도 8을 참조하면, 본원에 개시되는 청구대상의 특정 실시예들에 따른, 런타임 조사에서 세그먼트화를 사용하는 예가 이제 예시된다.
[00102] 도 8에 도시된 바와 같이, 비교의 목적을 위해 2개의 다이어그램들이 예시되며, 여기서, 좌측 다이어그램은 세그먼트화를 사용함이 없이 런타임 결함 검출에서 생성 및 사용되는 노이즈 히스토그램(802)을 예시하며, 우측 다이어그램은, 하나의 노이즈 히스토그램 대신 생성되고 그리고 세그먼트화를 사용하여 런타임 결함 검출에서 사용되는 2개의 노이즈 히스토그램들(808 및 810)을 예시한다. 구체적으로, 2개의 노이즈 히스토그램들(808 및 810)은 위에서 설명된 바와 같이 런타임 세그먼트화 프로세스를 통해 획득되는 2개의 세그먼트들(예컨대, 도 7에 예시된 바와 같은 2개의 세그먼트들)에 대응한다. 따라서, 노이즈 히스토그램(802)에 대해 단일 검출 임계치(804)를 적용하는 대신에, 2개의 상이한 검출 임계치들(812 및 814)이 2개의 히스토그램들(808 및 810)에 대해 각각 할당될 수 있다. 본 예에서, 노이즈 히스토그램(810)에 대응하는 세그먼트는 노이즈 히스토그램(808)에 대응하는 세그먼트보다 비교적 더 노이지(noisier)하다. 따라서, 더 높은 임계치(814)가 노이즈 히스토그램(810)에 적용되고, 더 낮은 임계치(812)가 노이즈 히스토그램(808)에 적용된다. 상이한 임계치들을 상이한 세그먼트들에 적용함으로써, 상이한 노이즈 레벨들을 갖는 세그먼트들에 대해 상이한 검출 감도들이 달성될 수 있고, 그에 의해, 전체 검출 감도 및 결함 검출 레이트가 개선될 수 있다. 특히, 본 예에서, 세그먼트화 없이 원래의 결함 검출 프로세스에서 이전에 무시되었던(좌측 다이어그램에서 예시된 바와 같음) 더 콰이어트한 세그먼트(quieter segment)의 DOI(806)(예컨대, 이 DOI의 세기(예컨대, 등급)가 노이지 세그먼트의 노이즈들과 비교하여 비교적 더 낮기 때문임)는, 이 세그먼트에 비교적 낮은 임계치가 적용되었다는 점으로 인해, 이제 검출될 수 있다(우측 다이어그램에 예시된 바와 같음).
[00103] 본원에 개시되는 청구대상의 특정 실시예들에 따르면, 표본(예컨대, 다이 또는 다이의 부분)의 세그먼트화가 런타임 검사 및 검출 프로세스에서 획득된 노이즈 맵에 대해 수행되는 런타임 세그먼트화 프로세스가 제안된다. 이는, 통계적/평균 노이즈 정보만을 제공하는 하나 이상의 테스트 다이들 또는 참조 다이들에 대해 셋업 페이즈에서 수행되는 세그먼트화와 비교하여 유리하다. 셋업 페이즈 세그먼트화의 경우들에서, 일단 세그먼트화가 이러한 다이들에 기반하여 결정되면, 이는, "정적(static)"(즉, 변경불가함)으로 유지되는 검사 레시피의 부분이 되고, 그리고 특정 다이의 특정 노이즈 특징들에 관계없이 각각의 다이를 검사하기 위해 런타임 시에 사용된다. 이에 비해, 본원에서 제안된 바와 같은 런타임 세그먼트화는 특정 검사된 다이에서의 실제 노이즈 정보에 기반하며(즉, 런타임 노이즈 맵), 따라서, 이는 다이-특정적인데, 즉, 세그먼트화는 동적이고, 다이마다 다를 수 있으며, 이는 세그먼트화 결과들이 더 정확하고 그리고 특정 다이와 관련되게 하여서, 검출 감도를 개선한다.
[00104] 게다가, 일부 실시예들에서, 위에서 설명된 바와 같이, 세그먼트화를 위한 준비에서 표본을 구역들로 파티셔닝하는 것은 설계 데이터 없이(즉, CAD-없음) 이미지 데이터에만 기반하여 수행될 수 있다. 이는 세그먼트화를 더 적응적이게 그리고 사용하기 더 용이하게(특히, 설계 데이터가 이용가능하지 않는 경우들에서) 만들 뿐만 아니라, CAD를 그리고/또는 이미지 데이터와 관련하여 CAD를 프로세싱하는 데 이전에 사용된 컴퓨테이션 시간 및 자원들을 또한 절약할 수 있다.
[00105] 일부 추가의 실시예들에서, 파티셔닝은, 기계 학습 기법들을 사용하여 생성된 특정 이미지 속성들에 기반하여 수행될 수 있다. 이러한 양상에서 사용된 기계 학습 모델은, 주어진 검사 이미지들을 특징짓고, 그리고 상이한 노이즈 레벨들을 표시하는, 그 주어진 검사 이미지들의 공간 패턴들을 나타내는 하나 이상의 속성들을 생성할 수 있게 하기 위해, 위에서 설명된 바와 같은 특정 방식으로 트레이닝될 수 있다. 이는, CAD 데이터 없이 파티셔닝이 수행되고 그리고 여전히 정확한 결과들을 제공하는 것을 가능하게 한다.
[00106] 본원에서 지칭된 바와 같은 기계 학습 모델은 다양한 기계 학습 아키텍처에 따라 구현될 수 있다는 것이 주목되어야 한다. 비-제한적인 예로서, 일부 경우들에서, 기계 학습 모델은 딥 러닝 뉴럴 네트워크(DNN)일 수 있으며, 딥 러닝 뉴럴 네트워크(DNN)의 레이어들은 콘볼루셔널 뉴럴 네트워크(CNN) 아키텍처, 순환 뉴럴 네트워크 아키텍처(Recurrent Neural Network architecture), 재귀 뉴럴 네트워크 아키텍처(Recursive Neural Networks architecture), GAN 아키텍처 또는 다른 것에 따라 구성될 수 있다. 본원에 개시되는 청구대상의 교시들이 특정 기계 학습 아키텍처에 얽매이지 않음이 주목된다.
[00107] 도 2에 예시된 흐름도들이 시스템(100)의 엘리먼트들을 참조하여 설명되었지만, 이는 절대로 구속하는 것이 아니며, 본원에서 설명되는 엘리먼트들 이외의 엘리먼트들에 의해 동작들이 수행될 수 있다는 것이 또한 주목된다.
[00108] 본 발명은 본 발명의 적용에 있어 도면들에서 예시되거나 또는 본원에 포함된 설명에서 제시된 세부사항들로 제한되지 않는다는 것이 이해되어야 한다. 본 발명은 다른 실시예들이 가능하고, 다양한 방식들로 실시 및 수행되는 것이 가능하다. 따라서, 본원에서 이용되는 어구 및 용어는 설명의 목적을 위한 것이고, 제한으로서 간주되지 않아야 한다는 것이 이해되어야 한다. 따라서, 당업자들은, 본 개시내용이 기반하는 개념이, 본원에 개시되는 청구대상의 몇몇 목적들을 수행하기 위한 다른 구조들, 방법들, 및 시스템들을 설계하기 위한 기초로서 용이하게 활용될 수 있다는 것을 인식할 것이다.
[00109] 또한, 본 발명에 따른 시스템이, 적어도 부분적으로, 적합하게 프로그래밍된 컴퓨터 상에서 구현될 수 있다는 것이 이해될 것이다. 마찬가지로, 본 발명은 본 발명의 방법을 실행하기 위해 컴퓨터에 의해 판독가능한 컴퓨터 프로그램을 고려한다. 본 발명은 추가로, 본 발명의 방법을 실행하기 위해 컴퓨터에 의해 실행가능한 명령들의 프로그램을 유형적으로 구현하는 비-일시적 컴퓨터-판독가능 저장 매체를 고려한다.
[00110] 당업자들은, 첨부된 청구항들에서 그리고 첨부된 청구항들에 의해 정의되는 본 발명의 범위로부터 벗어나지 않으면서 이상에서 설명된 바와 같은 본 발명의 실시예들에 다양한 수정들 및 변경들이 적용될 수 있다는 것을 용이하게 인식할 것이다.

Claims (20)

  1. 표본(specimen)에 대한 결함 검출의 컴퓨터화된 시스템으로서,
    조사 툴(examination tool)에 동작가능하게 연결된 프로세싱 유닛을 포함하며,
    상기 프로세싱 유닛은 메모리 및 상기 메모리에 동작가능하게 커플링된 프로세서를 포함하고,
    상기 프로세싱 유닛은,
    상기 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대해 파티셔닝을 수행하도록 구성되며, 상기 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은, i) 상기 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 상기 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행되고;
    상기 프로세싱 유닛은 추가로, 런타임 시에,
    상기 조사 툴로부터, 상기 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포(noise distribution)를 표시하는 하나 이상의 노이즈 맵들을 수신하고 ― 상기 제1 다이 및 상기 제2 다이는 동일한 설계 데이터를 특징으로 함 ―;
    상기 하나 이상의 노이즈 맵들 각각에 대해 세그먼트화(segmentation)를 수행하도록 구성되고,
    상기 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는,
    상기 복수의 구역들 중 각각의 구역에 대한 스코어를 계산함으로써 ― 상기 주어진 노이즈 맵은 상기 복수의 구역들과 정렬되고 그리고 상기 복수의 구역들 중 각각의 구역은 상기 각각의 구역 내에 정렬된 노이즈 데이터와 연관되고, 그리고 상기 복수의 구역들 중 주어진 구역에 대한 스코어는 상기 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산됨 ―; 그리고
    상기 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득함으로써, 수행되며,
    상기 세그먼트들의 세트는, 상기 주어진 노이즈 맵에 기반하여 상기 표본에 대한 결함 검출을 위해 사용가능한,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  2. 제1 항에 있어서,
    상기 파티셔닝은 상기 설계 데이터에 기반하여 수행되고, 그리고 상기 설계 공간의 복수의 구역들은, 주어진 부분에서, 동일한 설계 패턴을 갖는 하나 이상의 다이 구역들에 각각 대응하는 복수의 설계 그룹들인,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  3. 제1 항에 있어서,
    상기 주어진 부분을 나타내는 제1 이미지를 포함하는 이미지 데이터를 캡처하도록 구성된 상기 조사 툴을 더 포함하며,
    상기 파티셔닝은 상기 이미지 데이터에 기반하여 수행되고, 그리고 상기 이미지 공간의 복수의 구역들은 상기 제1 이미지를 특징짓는 속성들의 세트에 의해 특정된 속성 공간에서의 대응하는 위치들의 값들에 기반하여 상기 제1 이미지 상에서 획득되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  4. 제3 항에 있어서,
    상기 제2 다이는 상기 제1 다이와 상이한 다이이고, 그리고
    상기 조사 툴은 추가로, 런타임 시에, 상기 제2 다이의 하나 이상의 부분들을 나타내는 하나 이상의 제2 이미지들을 캡처하고 그리고 상기 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 제공하도록 구성되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  5. 제4 항에 있어서,
    상기 제1 다이는 상기 파티셔닝을 수행하기 위해 사용되는 참조 다이이고, 상기 제2 다이는 검사 다이이고, 그리고 상기 파티셔닝은 셋업 페이즈(setup phase)에서 수행되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  6. 제4 항에 있어서,
    상기 제1 다이는 상기 제2 다이의 검사를 위해 사용되는 참조 다이이고, 상기 제2 다이는 검사 다이이고, 그리고 상기 파티셔닝은 런타임 시에 수행되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  7. 제3 항에 있어서,
    상기 제2 다이는 상기 제1 다이이고, 그리고 상기 하나 이상의 제2 이미지들은 상기 제1 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제1 이미지들이고, 그리고 상기 파티셔닝은 런타임 시에 수행되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  8. 제1 항에 있어서,
    상기 조사 툴은 상기 이미지 데이터 및 상기 하나 이상의 제2 이미지들을 캡처하기 위해 상기 표본을 스캐닝하도록 구성된 검사 툴(inspection tool)인,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  9. 제3 항에 있어서,
    상기 속성들의 세트는 기계 학습을 사용하여 생성된 하나 이상의 속성들 및 하나 이상의 미리 정의된 속성들을 포함하는 속성 후보들의 뱅크(bank)로부터 선택되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  10. 제9 항에 있어서,
    상기 속성들의 세트는 기계 학습을 사용하여 생성된 하나 이상의 속성들을 포함하고, 그리고 상기 프로세싱 유닛은 추가로, 기계 학습 모델을 사용하여 상기 하나 이상의 속성들을 생성하도록 구성되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  11. 제10 항에 있어서,
    상기 기계 학습 모델은, 트레이닝 속성들을 생성하고 그리고 상기 트레이닝 속성들을 사용하여 노이즈를 예측함으로써 트레이닝되며,
    상기 예측된 노이즈는, 상기 트레이닝된 기계 학습 모델이 상기 하나 이상의 속성들을 생성할 수 있도록 ― 상기 하나 이상의 속성들은 상기 제1 이미지를 특징짓고, 그리고 상이한 노이즈 레벨들을 표시하는 상기 제1 이미지의 공간 패턴들을 나타냄 ― 상기 기계 학습 모델을 최적화하기 위해, 결함 검출 알고리즘에 의해 생성된 참조 노이즈와 비교되는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  12. 제1 항에 있어서,
    하나의 세그먼트화 라벨과 각각의 구역을 연관시키는 것은, 각각의 구역에 대해 계산된 스코어를 랭킹(ranking)하고 그리고 상기 랭킹에 기반하여 상기 복수의 구역들을 상기 세그먼트들의 세트로 그룹화하는 것을 포함하는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  13. 제1 항에 있어서,
    상기 결함 검출을 수행하는 것은 각각의 세그먼트에 대한 검출 임계치를 구성하는 것을 포함하는,
    표본에 대한 결함 검출의 컴퓨터화된 시스템.
  14. 표본에 대한 결함 검출의 컴퓨터화된 방법으로서,
    상기 방법은 조사 툴에 동작가능하게 연결된 프로세싱 유닛에 의해 수행되고, 상기 프로세싱 유닛은 메모리 및 상기 메모리에 동작가능하게 커플링된 프로세서를 포함하고,
    상기 방법은,
    상기 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대해 파티셔닝을 수행하는 단계 ― 상기 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은, i) 상기 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 상기 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행됨 ―;
    런타임 시에, 상기 조사 툴로부터, 상기 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 수신하는 단계 ― 상기 제1 다이 및 상기 제2 다이는 동일한 설계 데이터를 특징으로 함 ―;
    런타임 시에, 상기 하나 이상의 노이즈 맵들 각각에 대해 세그먼트화를 수행하는 단계를 포함하며,
    상기 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는,
    상기 복수의 구역들 중 각각의 구역에 대한 스코어를 계산함으로써 ― 상기 주어진 노이즈 맵은 상기 복수의 구역들과 정렬되고 그리고 상기 복수의 구역들 중 각각의 구역은 상기 각각의 구역 내에 정렬된 노이즈 데이터와 연관되고, 그리고 상기 복수의 구역들 중 주어진 구역에 대한 스코어는 상기 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산됨 ―; 그리고
    상기 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득함으로써, 수행되며,
    상기 세그먼트들의 세트는, 상기 주어진 노이즈 맵에 기반하여 상기 표본에 대한 결함 검출을 위해 사용가능한,
    표본에 대한 결함 검출의 컴퓨터화된 방법.
  15. 제14 항에 있어서,
    상기 조사 툴에 의해, 상기 주어진 부분을 나타내는 제1 이미지를 포함하는 이미지 데이터를 캡처하는 단계를 더 포함하며,
    상기 파티셔닝은 상기 이미지 데이터에 기반하여 수행되고, 그리고 상기 이미지 공간의 복수의 구역들은 상기 제1 이미지를 특징짓는 속성들의 세트에 의해 특정된 속성 공간에서의 대응하는 위치들의 값들에 기반하여 상기 제1 이미지 상에서 획득되는,
    표본에 대한 결함 검출의 컴퓨터화된 방법.
  16. 제15 항에 있어서,
    상기 제2 다이는 상기 제1 다이와 상이한 다이이고,
    상기 방법은,
    상기 조사 툴에 의해, 런타임 시에, 상기 제2 다이의 하나 이상의 부분들을 나타내는 하나 이상의 제2 이미지들을 캡처하고 그리고 상기 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 제공하는 단계를 더 포함하는,
    표본에 대한 결함 검출의 컴퓨터화된 방법.
  17. 제16 항에 있어서,
    상기 제1 다이는 상기 파티셔닝을 수행하기 위해 사용되는 참조 다이이고, 상기 제2 다이는 검사 다이이고, 그리고 상기 파티셔닝은 셋업 페이즈에서 수행되는,
    표본에 대한 결함 검출의 컴퓨터화된 방법.
  18. 제15 항에 있어서,
    상기 속성들의 세트는 기계 학습을 사용하여 생성된 하나 이상의 속성들을 포함하고,
    상기 방법은,
    기계 학습 모델을 사용하여 상기 하나 이상의 속성들을 생성하는 단계를 더 포함하는,
    표본에 대한 결함 검출의 컴퓨터화된 방법.
  19. 제18 항에 있어서,
    상기 기계 학습 모델은, 트레이닝 속성들을 생성하고 그리고 상기 트레이닝 속성들을 사용하여 노이즈를 예측함으로써 트레이닝되며,
    상기 예측된 노이즈는, 상기 트레이닝된 기계 학습 모델이 상기 하나 이상의 속성들을 생성할 수 있도록 ― 상기 하나 이상의 속성들은 상기 제1 이미지를 특징짓고, 그리고 상이한 노이즈 레벨들을 표시하는 상기 제1 이미지의 공간 패턴들을 나타냄 ― 상기 기계 학습 모델을 최적화하기 위해, 결함 검출 알고리즘에 의해 생성된 참조 노이즈와 비교되는,
    표본에 대한 결함 검출의 컴퓨터화된 방법.
  20. 컴퓨터에 의해 실행될 때, 상기 컴퓨터로 하여금, 표본에 대한 결함 검출의 방법을 수행하게 하는 명령들의 프로그램을 유형적으로(tangibly) 구현하는 비-일시적 컴퓨터 판독가능 저장 매체로서,
    상기 방법은,
    상기 표본의 제1 다이의 하나 이상의 부분들 중 각각의 부분에 대해 파티셔닝을 수행하는 단계 ― 상기 하나 이상의 부분들 중 주어진 부분에 대한 파티셔닝은, i) 상기 주어진 부분을 특징지어서 이미지 공간에 복수의 구역들을 발생시키는 이미지 데이터, 및 ii) 상기 주어진 부분을 특징지어서 설계 공간에 복수의 구역들을 발생시키는 설계 데이터 중 적어도 하나에 기반하여 수행됨 ―;
    런타임 시에, 상기 표본의 제2 다이의 하나 이상의 부분들에 대해 캡처된 하나 이상의 제2 이미지들 상의 노이즈 분포를 표시하는 하나 이상의 노이즈 맵들을 수신하는 단계 ― 상기 제1 다이 및 상기 제2 다이는 동일한 설계 데이터를 특징으로 함 ―;
    런타임 시에, 상기 하나 이상의 노이즈 맵들 각각에 대해 세그먼트화를 수행하는 단계를 포함하며,
    상기 하나 이상의 노이즈 맵들 중 주어진 노이즈 맵에 대한 세그먼트화는,
    상기 복수의 구역들 중 각각의 구역에 대한 스코어를 계산함으로써 ― 상기 주어진 노이즈 맵은 상기 복수의 구역들과 정렬되고 그리고 상기 복수의 구역들 중 각각의 구역은 각각의 구역 내에 정렬된 노이즈 데이터와 연관되고, 그리고 상기 복수의 구역들 중 주어진 구역에 대한 스코어는 상기 주어진 구역과 연관된 노이즈 데이터에 적어도 기반하여 계산됨 ―; 그리고
    상기 계산된 스코어에 기반하여 상이한 노이즈 레벨들을 표시하는 세그먼트화 라벨들의 미리 정의된 세트의 하나의 세그먼트화 라벨과 각각의 구역을 연관시켜서, 동일한 세그먼트화 라벨과 연관된 하나 이상의 구역들에 각각 대응하는 세그먼트들의 세트를 획득함으로써, 수행되며,
    상기 세그먼트들의 세트는, 상기 주어진 노이즈 맵에 기반하여 상기 표본에 대한 결함 검출을 위해 사용가능한,
    비-일시적 컴퓨터 판독가능 저장 매체.
KR1020200004975A 2019-01-16 2020-01-14 표본에 대한 결함 검출 방법 및 그 시스템 Active KR102388365B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/249,857 US10853932B2 (en) 2019-01-16 2019-01-16 Method of defect detection on a specimen and system thereof
US16/249,857 2019-01-16

Publications (2)

Publication Number Publication Date
KR20200089621A true KR20200089621A (ko) 2020-07-27
KR102388365B1 KR102388365B1 (ko) 2022-04-18

Family

ID=71516683

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200004975A Active KR102388365B1 (ko) 2019-01-16 2020-01-14 표본에 대한 결함 검출 방법 및 그 시스템

Country Status (4)

Country Link
US (1) US10853932B2 (ko)
KR (1) KR102388365B1 (ko)
CN (1) CN111539908B (ko)
TW (1) TWI750553B (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022197313A1 (en) * 2021-03-16 2022-09-22 Kla Corporation Segmentation of design care areas with a rendered design image
WO2025049127A1 (en) * 2023-08-25 2025-03-06 Kla Corporation Robust image-to-design alignment for dram

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6795224B2 (ja) * 2017-02-28 2020-12-02 Ｎｅｃソリューションイノベータ株式会社 移動体検知装置、移動体検知方法、及びプログラム
CN110278366B (zh) * 2018-03-14 2020-12-01 虹软科技股份有限公司 一种全景图像虚化方法、终端及计算机可读存储介质
US10957034B2 (en) * 2019-01-17 2021-03-23 Applied Materials Israel Ltd. Method of examination of a specimen and system thereof
US11580650B2 (en) * 2019-10-01 2023-02-14 KLA Corp. Multi-imaging mode image alignment
US11328435B2 (en) * 2020-06-08 2022-05-10 KLA Corp. Image alignment setup for specimens with intra- and inter-specimen variations using unsupervised learning and adaptive database generation methods
JP7520582B2 (ja) 2020-06-10 2024-07-23 日立造船株式会社 情報処理装置、判定方法、および情報処理プログラム
JP7385529B2 (ja) * 2020-06-10 2023-11-22 日立造船株式会社 検査装置、検査方法、および検査プログラム
TWI749714B (zh) * 2020-08-17 2021-12-11 宜谷京科技實業有限公司 瑕疵檢測方法、瑕疵分類方法及其系統
DE102020123979A1 (de) 2020-09-15 2022-03-17 Carl Zeiss Smt Gmbh Defekterkennung für Halbleiterstrukturen auf einem Wafer
US11828714B2 (en) * 2020-09-30 2023-11-28 Applied Materials Israel Ltd. Image acquisition by an electron beam examination tool for metrology measurement
US12567233B2 (en) 2020-11-09 2026-03-03 Canon U.S.A., Inc. Using activation maps to detect best areas of an image for prediction of noise levels
US20230410273A1 (en) * 2020-11-09 2023-12-21 Canon U.S.A., Inc. Using luminance distributions to detect best areas of an image for prediction of noise levels
CN112488182A (zh) * 2020-11-27 2021-03-12 上海华力集成电路制造有限公司 一种半导体器件的良率预测方法及装置
JP7744757B2 (ja) * 2021-04-02 2025-09-26 カナデビア株式会社 情報処理装置、判定方法、および判定プログラム
US12229935B2 (en) 2021-04-05 2025-02-18 Kla Corporation Semantic image segmentation for semiconductor-based applications
TWI771983B (zh) * 2021-04-14 2022-07-21 國立中山大學 氮化鎵高電子移動率電晶體的缺陷檢測方法
US12165930B2 (en) * 2021-06-03 2024-12-10 Kla Corporation Adaptive modeling misregistration measurement system and method
US20240013365A9 (en) * 2021-10-04 2024-01-11 Kla Corporation Unsupervised or self-supervised deep learning for semiconductor-based applications
IL291350B2 (en) * 2022-03-14 2023-06-01 Applied Materials Israel Ltd Mask testing for the production of semiconductor samples
CN116228631B (zh) * 2022-12-01 2025-11-11 深圳市智信精密仪器股份有限公司 一种基于图像分割的缺陷检测评价方法
KR20250008388A (ko) * 2023-07-07 2025-01-14 삼성전자주식회사 결함 검사 방법
CN117291921B (zh) * 2023-11-27 2024-03-12 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质
US20250200741A1 (en) * 2023-12-19 2025-06-19 Applied Materials Israel Ltd. Fourier transform based machine learning for defect examination of semiconductor specimens
CN121391868B (zh) * 2025-12-24 2026-02-24 东北大学 晶圆芯片的缺陷检测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010104800A2 (en) * 2009-03-13 2010-09-16 Kla-Tencor Corporation Methods and systems for generating an inspection process for a wafer
JP2014003327A (ja) * 2006-12-19 2014-01-09 Kla-Tencor Corp 検査レシピ作成システムおよびその方法
JP2017194425A (ja) * 2016-04-22 2017-10-26 株式会社 東京ウエルズ 欠陥検査方法および欠陥検査システム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837745B (zh) * 2004-10-04 2010-05-26 应用材料以色列公司 用于减少非随机噪声效应的测量系统和方法
US7801353B2 (en) 2006-02-01 2010-09-21 Applied Materials Israel, Ltd. Method for defect detection using computer aided design data
JP4928862B2 (ja) * 2006-08-04 2012-05-09 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP4065893B1 (ja) * 2006-12-04 2008-03-26 東京エレクトロン株式会社 欠陥検出装置、欠陥検出方法、情報処理装置、情報処理方法及びそのプログラム
JP5460662B2 (ja) * 2011-09-07 2014-04-02 株式会社日立ハイテクノロジーズ 領域決定装置、観察装置または検査装置、領域決定方法および領域決定方法を用いた観察方法または検査方法
US9599575B2 (en) 2012-02-07 2017-03-21 Applied Materials Israel, Ltd. System, a method and a computer program product for CAD-based registration
WO2017025970A1 (en) * 2015-08-12 2017-02-16 Yeda Research And Development Co. Ltd. Detection of point sources with variable emission intensity in sequences of images with different point spread functions
US10186026B2 (en) 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US10074167B2 (en) * 2015-12-06 2018-09-11 Kla-Tencor Corporation Reducing registration and design vicinity induced noise for intra-die 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
US10290087B2 (en) * 2017-09-11 2019-05-14 Applied Materials Israel Ltd. Method of generating an examination recipe and system thereof

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014003327A (ja) * 2006-12-19 2014-01-09 Kla-Tencor Corp 検査レシピ作成システムおよびその方法
WO2010104800A2 (en) * 2009-03-13 2010-09-16 Kla-Tencor Corporation Methods and systems for generating an inspection process for a wafer
JP2017194425A (ja) * 2016-04-22 2017-10-26 株式会社 東京ウエルズ 欠陥検査方法および欠陥検査システム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022197313A1 (en) * 2021-03-16 2022-09-22 Kla Corporation Segmentation of design care areas with a rendered design image
CN117015850A (zh) * 2021-03-16 2023-11-07 科磊股份有限公司 以经呈现设计图像进行的设计注意区域的分段
CN117015850B (zh) * 2021-03-16 2024-04-05 科磊股份有限公司 以经呈现设计图像进行的设计注意区域的分段
US12165306B2 (en) 2021-03-16 2024-12-10 Kla Corporation Segmentation of design care areas with a rendered design image
WO2025049127A1 (en) * 2023-08-25 2025-03-06 Kla Corporation Robust image-to-design alignment for dram
US12444155B2 (en) 2023-08-25 2025-10-14 Kla Corporation Robust image-to-design alignment for dram

Also Published As

Publication number Publication date
US20200226744A1 (en) 2020-07-16
TWI750553B (zh) 2021-12-21
TW202105549A (zh) 2021-02-01
CN111539908B (zh) 2022-04-19
KR102388365B1 (ko) 2022-04-18
US10853932B2 (en) 2020-12-01
CN111539908A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
KR102388365B1 (ko) 표본에 대한 결함 검출 방법 및 그 시스템
KR102079022B1 (ko) 검사 레시피를 생성하는 방법 및 그 시스템
US12183066B2 (en) Method of deep learning-based examination of a semiconductor specimen and system thereof
KR102812904B1 (ko) 표본의 조사 방법 및 그 시스템
US11915406B2 (en) Generating training data usable for examination of a semiconductor specimen
KR102549196B1 (ko) 반도체 시편의 심층 학습 기반 검사 방법 및 그의 시스템
KR20210150970A (ko) 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출
KR20130139762A (ko) 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품
US10545490B2 (en) Method of inspecting a specimen and system thereof
KR20230140394A (ko) 반도체 시편의 기계 학습 기반 검사 및 그의 훈련
JP7475901B2 (ja) 試験片上の欠陥検出の方法およびそのシステム
KR102956982B1 (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류
KR20220012217A (ko) 반도체 시편에서의 결함들의 기계 학습 기반 분류

Legal Events

Date Code Title Description
E13-X000 Pre-grant limitation requested

St.27 status event code: A-2-3-E10-E13-lim-X000

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

A201 Request for examination
A302 Request for accelerated examination
P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

PA0201 Request for examination

St.27 status event code: A-1-2-D10-D11-exm-PA0201

PA0302 Request for accelerated examination

St.27 status event code: A-1-2-D10-D17-exm-PA0302

St.27 status event code: A-1-2-D10-D16-exm-PA0302

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

St.27 status event code: A-1-2-D10-D21-exm-PE0902

P11-X000 Amendment of application requested

St.27 status event code: A-2-2-P10-P11-nap-X000

P13-X000 Application amended

St.27 status event code: A-2-2-P10-P13-nap-X000

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

St.27 status event code: A-1-2-D10-D22-exm-PE0701

GRNT Written decision to grant
PR0701 Registration of establishment

St.27 status event code: A-2-4-F10-F11-exm-PR0701

PR1002 Payment of registration fee

St.27 status event code: A-2-2-U10-U11-oth-PR1002

Fee payment year number: 1

PG1601 Publication of registration

St.27 status event code: A-4-4-Q10-Q13-nap-PG1601

PR1001 Payment of annual fee

St.27 status event code: A-4-4-U10-U11-oth-PR1001

Fee payment year number: 4

R17 Change to representative recorded

Free format text: ST27 STATUS EVENT CODE: A-5-5-R10-R17-OTH-X000 (AS PROVIDED BY THE NATIONAL OFFICE)

R17-X000 Change to representative recorded

St.27 status event code: A-5-5-R10-R17-oth-X000