无需取样及特征选择的自动缺陷分类制造技术

本发明专利技术提供用于在半导体工艺中进行缺陷分类的系统及方法。所述系统包含：通信线路，其经配置以从所述半导体工艺接收晶片的缺陷图像；及深度架构神经网络，其与所述通信线路进行电子通信。所述神经网络具有第一卷积神经元层，所述第一卷积神经元层经配置以对来自所述缺陷图像的像素与滤子进行卷积以产生第一特征图。所述神经网络还包含第一子取样层，所述第一子取样层经配置以减小所述第一特征图的大小及变化。提供用于基于所述特征图而确定缺陷分类的分类器。所述系统可包含多于一个卷积层及/或子取样层。一种方法包含使用例如卷积神经网络等深度架构神经网络从缺陷图像提取一或多个特征。

【技术实现步骤摘要】
【国外来华专利技术】无需取样及特征选择的自动缺陷分类相关申请案交叉参考本申请案主张对2014年12月3日提出申请且被授予第62/087,180号美国申请案的临时专利申请案及对2015年6月11日提出申请且被授予第62/174,288号美国申请案的临时专利申请案的优先权，所述临时专利申请案的揭示内容特此以引用的方式并入。
本专利技术涉及用于在半导体制造工具中进行自动缺陷分类的系统及方法。
技术介绍
在制造半导体装置时，缺陷再检查系统用于将半导体工艺内的缺陷分类且可帮助缩减缺陷或工艺的偏移的根本原因。缺陷再检查系统通过在亚微米级下采集缺陷区周围的高分辨率图像而完成此操作。基于所采集图像，系统或操作者可根据缺陷的类型及缺陷可影响生产合格率的程度而将缺陷分类成若干类别。如果使用所述系统完成此操作，那么此操作是自动过程。自动缺陷分类中的当前技术水平仍需要操作者接入，这是因为典型自动技术仍留下未分类的很大部分的缺陷。表示缺陷再检查图像的特征向量对于缺陷分类的准确性是重要的。然而，差别特征是难以发现的，且通常在许多商业缺陷再检查与分类系统中作为秘密而维持。可以阶层方式组织特征。举例来说，常见较低级特征是边缘检测器，而本文档来自技高网...

【技术保护点】
一种用于在半导体工艺中进行缺陷分类的系统，其包括：通信线路，其经配置以从所述半导体工艺接收晶片的缺陷图像；深度架构神经网络，其与所述通信线路进行电子通信，包括：第一卷积神经元层，每一神经元经配置以对来自所述缺陷图像的像素的对应感受野与滤子进行卷积以产生第一特征图；第一子取样层，其经配置以减小所述第一特征图的大小及变化；及分类器，其用于基于所述特征图而确定缺陷分类。

【技术特征摘要】
【国外来华专利技术】2014.12.03 US 62/087,180;2015.06.11 US 62/174,288;1.一种用于在半导体工艺中进行缺陷分类的系统，其包括：通信线路，其经配置以从所述半导体工艺接收晶片的缺陷图像；深度架构神经网络，其与所述通信线路进行电子通信，包括：第一卷积神经元层，每一神经元经配置以对来自所述缺陷图像的像素的对应感受野与滤子进行卷积以产生第一特征图；第一子取样层，其经配置以减小所述第一特征图的大小及变化；及分类器，其用于基于所述特征图而确定缺陷分类。2.一种用于在半导体工艺中进行缺陷分类的方法，其包括：使用深度架构神经网络从来自所述半导体工艺的晶片的缺陷图像提取一或多个特征；及使用所述深度架构神经网络基于所述所提取一或多个特征而将所述缺陷图像分类。3.根据权利要求2所述的方法，其中使用具有一或多个卷积层的卷积神经网络CNN从所述缺陷图像提取所述一或多个特征，所述一或多个卷积层中的每一卷积层后续接着子取样层。4.根据权利要求3所述的方法，其中提取一或多个特征进一步包括：在所述CNN的第一卷积层处对多个重叠感受野中的每一者与滤子进行卷积以产生具有多个制图单元的第一特征图，其中每一感受野包括所述缺陷图像的像素的子集。5.根据权利要求4所述的方法，其中提取一或多个特征进一步包括：将非线性应用于所述第一特征图的所述制图单元。6.根据权利要求4所述的方法，其中提取一或多个特征进一步包括：在所述CNN的第一子取样层处将所述第一特征图的两个或多于两个制图单元组合到子取样特征图的单元中。7.根据权利要求6所述的方法，其中通过对所述制图单元的值求平均、找出所述制图单元的最大值或将所述制图单元相加而减小所述第...

【专利技术属性】
技术研发人员：常炜，R·奥拉瓦里亚，K·拉奥，
申请(专利权)人：科磊股份有限公司，
类型：发明
国别省市：美国,US