用于缺陷分类的方法和系统技术方案

本发明专利技术涉及缺陷分类，其包含：获取样本的一或多个图像；接收基于一或多个训练缺陷的一或多个属性对所述一或多个训练缺陷的手动分类；基于所述经接收的手动分类和所述一或多个训练缺陷的所述属性产生整体学习分类器；基于经接收的分类纯度要求产生所述一或多个训练缺陷的每一缺陷类型的可信度阀值；获取包含一或多个测试缺陷的一或多个图像；使用所述经产生的整体学习分类器对所述一或多个测试缺陷分类；使用所述经产生的整体学习分类器针对所述一或多个测试缺陷中的每一者计算可信度水平；和经由用户接口装置报告具有低于所述经产生的可信度阀值的可信度水平的一或多个测试缺陷以用于手动分类。

Methods and systems for defect classification

The present invention relates to a defect classification, comprising: obtaining a sample of one or more images; receiving one or more training manual classification of defects of one or more attributes of the one or more defects based on training; manual classification based on the received and the attributes of one or more training the defects of the overall learning classifier; classification threshold reliability requirements generated by receiving the purity of each defect type to the one or more defects based on training; contains one or more test defects in one or more of the image; using the the overall learning classifier of the one or more test defect classification the use of the whole; learning classifier produced in the one or more test defects in each calculation credibility level; and through the user interface device is lower than that of the report can be generated by One or more test defects for the reliability level of the reliability threshold for manual classification.

【技术实现步骤摘要】
【国外来华专利技术】用于缺陷分类的方法和系统相关申请的交叉参考本申请涉及且主张来自下文所列申请(“相关申请”)的最早可用有效提交日期的权利(例如，主张除临时专利申请以外的最早可用优先日期，或根据35USC§119(e)规定主张临时专利申请、所述相关申请的任意和全部父代申请、祖父代申请、曾祖父代申请等等的权利)。相关申请：出于美国专利商标局(USPTO)的额外法定要求，本申请构成2015年5月8日提交的申请第62/158,605号的以李贺(LiHe)、亚当陈倩辉(ChienHueiAdamChen)、桑卡尔·文卡塔拉曼(SankarVenkataraman)、约翰·R·乔丹三世(JohnR.JordanIII)、尹华军(HuajunYing)和辛哈·哈什(SinhaHarsh)为专利技术者的标题为用于高纯度缺陷分类和缺陷数据分析的方法(METHODFORHIGHPURITYDEFECTCLASSIFICATIONANDDEFECTDATAANALYSIS)的美国临时专利申请的正规(非临时)专利申请。申请第62/158,605号的全文以引用的方式并入本文中。
本专利技术大体上涉及缺陷检视和分类，且特定来说，本专利技术涉及提供高纯度缺陷分类的缺陷分类器的自动产生。
技术介绍
制造例如逻辑和存储器装置的半导体装置通常包含使用大量半导体制造过程处理例如半导体晶片的衬底以形成半导体装置的多种特征和多个层级。随着半导体装置大小变得越来越小，开发增强的检验和检视装置和程序变得至关重要。一个此程序包含分类且分析样本(例如晶片)上的缺陷。如贯穿本专利技术使用的术语“晶片”通常是指由半导体或非半导体材料形成的衬底。举例来说，半导体或非半导体材料可包含(但不限于)单晶硅、砷化镓和磷化铟。缺陷检视是检视工具通过其检视由检验器或检验工具获取的缺陷的过程。缺陷检视需要基于一组经计算缺陷属性进行缺陷分类和缺陷类型的区分或分离。然而，当前缺陷分类方法具有若干限制。首先，用于缺陷分类的决策树通常是使用经计算属性手动产生，这是耗时的过程。在此情况中，用户必须从大量(例如，大于80个)属性选择决策树的每一节点的最佳属性。另外，树大小可变大(例如，大于50个节点)。另外，手动产生的树的质量与用户对可用属性的解释和理解以及决策树产生过程有关。此外，测量缺陷类型可分离性的当前方法有限。先前方法需要用户手动发现对于类型对的最佳属性以分离两个缺陷类型。而且，通过生产的当前分类器监测方法耗时且复杂。因而，提供解决上文识别的缺陷的提供经改进缺陷分类、缺陷类型可分离性和分类器监测的系统和方法将为有利的。
技术实现思路
揭示一种用于缺陷分类的方法。在一项说明性实施例中，所述方法包含获取样本的一或多个图像，所述一或多个图像包含多个缺陷类型。在另一说明性实施例中，所述方法包含从用户接口装置接收指示基于样本的一或多个训练缺陷的一或多个属性进行所述一或多个训练缺陷的手动分类的信号。在另一说明性实施例中，所述方法包含基于所述经接收的手动分类和所述一或多个训练缺陷的所述属性产生整体学习分类器。在另一说明性实施例中，所述方法包含基于经接收的分类纯度要求产生所述一或多个训练缺陷的每一缺陷类型的可信度阀值。在另一说明性实施例中，所述方法包含获取包含一或多个测试缺陷的一或多个图像。在另一说明性实施例中，所述方法包含使用所述经产生的整体学习分类器对所述一或多个测试缺陷分类。在另一说明性实施例中，所述方法包含使用所述经产生的整体学习分类器针对所述一或多个测试缺陷中的每一者计算可信度水平。在另一说明性实施例中，所述方法包含经由所述用户接口装置报告具有低于所述经产生的可信度阀值的可信度水平的一或多个测试缺陷以用于手动分类。揭示一种用于确定缺陷类型对分数的方法。在一项说明性实施例中，所述方法包含获取包含多个缺陷类型的一或多个图像，所述多个缺陷类型包含第一缺陷类型和至少第二缺陷类型。在另一说明性实施例中，所述方法包含针对所述第一缺陷类型和所述至少第二缺陷类型产生第一整体学习分类器。在另一说明性实施例中，所述方法包含使用所述第一整体学习分类器针对与所述第一缺陷类型和所述至少第二缺陷类型相关联的多个属性中的每一者计算准确度指数的平均降低。在另一说明性实施例中，所述方法包含识别具有准确度指数的最大平均降低的选定数目个属性。在另一说明性实施例中，所述方法包含使用具有所述最大平均降低准确度指数的所述经识别的选定数目个属性来产生第二整体学习分类器。在另一说明性实施例中，所述方法包含确定与所述第二经产生的整体学习分类器相关联的训练误差。在另一说明性实施例中，所述方法包含基于所述经确定的训练误差计算与所述第一缺陷类型和所述第二缺陷类型相关联的缺陷类型对分数。揭示一种用于确定缺陷数据的充分性以进行分类的方法。在一项说明性实施例中，所述方法包含从样本获取一组缺陷数据，所述缺陷数据包含与包含多个缺陷类型的多个缺陷相关联的图像数据。在另一说明性实施例中，所述方法包含从用户接口装置接收指示进行所述多个缺陷的手动分类的信号。在另一说明性实施例中，所述方法包含将至少所述第一缺陷类型的缺陷数据分布成N个数据群组。在另一说明性实施例中，所述方法包含将所述N个数据群组的一群组识别为含有测试数据。在另一说明性实施例中，所述方法包含将未经识别为含有测试数据的所述经分布缺陷数据的N-1个数据群组识别为含有训练数据。在另一说明性实施例中，所述方法包含针对所述N个群组的至少第一群组，基于所述N-1个数据群组中含有的所述训练缺陷数据递增地产生一系列分类器，其中使用所述N-1个数据群组的所述训练缺陷数据内含有的至少第一缺陷类型的递增百分比产生每一分类器。在另一说明性实施例中，所述方法包含通过将所述系列分类器中的每一者应用到所述经分布缺陷数据的所述N-1个群组中未含有的所述测试数据而针对用于至少所述第一缺陷类型的所述系列分类器中的每一者确定准确度值。在另一说明性实施例中，所述方法包含基于N个群组的至少所述第一群组的经产生准确度分数和所述N个群组的至少一个额外群组的至少一个额外经产生准确度分数而针对至少所述第一缺陷类型产生缺陷数据充分性分数。揭示一种用于缺陷分类的设备。在一项说明性实施例中，所述设备包含检验工具。在另一说明性实施例中，所述检验工具包含经配置以获取样本的至少部分的一或多个图像的一或多个检测器。在另一说明性实施例中，所述设备包含用户接口装置。在另一说明性实施例中，所述设备包含控制器。在另一说明性实施例中，所述控制器包含通信耦合到所述检验工具的所述一或多个检测器的一或多个处理器，其中所述一或多个处理器经配置以执行存储于存储器中的一组程序指令。在另一说明性实施例中，所述程序指令组经配置以使所述一或多个处理器：从所述检验工具的所述一或多个检测器接收所述一或多个图像；从用户接口装置接收指示基于所述样本的一或多个训练缺陷的一或多个属性进行所述一或多个训练缺陷的手动分类的信号；基于所述经接收的手动分类和所述一或多个训练缺陷的所述属性产生整体学习分类器；基于经接收的分类纯度要求产生所述一或多个训练缺陷的每一缺陷类型的可信度阀值；获取包含一或多个测试缺陷的一或多个图像；使用所述经产生的整体学习分类器对所述一或多个测试缺陷分类；使用所述经产生的整体学习分类器针对所述一或多个本文档来自技高网...

【技术保护点】
一种用于缺陷分类的方法，其包括：获取样本的一或多个图像，所述一或多个图像包含多个缺陷类型；从用户接口装置接收指示基于所述样本的一或多个训练缺陷的一或多个属性进行所述一或多个训练缺陷的手动分类的信号；基于所述经接收的手动分类和所述一或多个训练缺陷的所述属性产生整体学习分类器；基于经接收的分类纯度要求产生所述一或多个训练缺陷的每一缺陷类型的可信度阀值；获取包含一或多个测试缺陷的一或多个图像；使用所述经产生的整体学习分类器对所述一或多个测试缺陷分类；使用所述经产生的整体学习分类器计算所述一或多个测试缺陷中的每一者的可信度水平；和经由所述用户接口装置报告具有低于所述经产生的可信度阀值的可信度水平的一或多个测试缺陷以用于手动分类。

【技术特征摘要】
【国外来华专利技术】2015.05.08 US 62/158,605;2015.06.24 US 14/749,3161.一种用于缺陷分类的方法，其包括：获取样本的一或多个图像，所述一或多个图像包含多个缺陷类型；从用户接口装置接收指示基于所述样本的一或多个训练缺陷的一或多个属性进行所述一或多个训练缺陷的手动分类的信号；基于所述经接收的手动分类和所述一或多个训练缺陷的所述属性产生整体学习分类器；基于经接收的分类纯度要求产生所述一或多个训练缺陷的每一缺陷类型的可信度阀值；获取包含一或多个测试缺陷的一或多个图像；使用所述经产生的整体学习分类器对所述一或多个测试缺陷分类；使用所述经产生的整体学习分类器计算所述一或多个测试缺陷中的每一者的可信度水平；和经由所述用户接口装置报告具有低于所述经产生的可信度阀值的可信度水平的一或多个测试缺陷以用于手动分类。2.根据权利要求1所述的方法，其中所述一或多个训练缺陷和所述一或多个测试缺陷安置在相同样本上。3.根据权利要求1所述的方法，其中所述一或多个训练缺陷和所述一或多个测试缺陷安置于不同样本上。4.根据权利要求1所述的方法，其中使用投票方案计算所述可信度水平。5.根据权利要求1所述的方法，其中使用应用到所述一或多个属性的实时自动缺陷分类RT-ADC方案对所述一或多个训练缺陷手动分类。6.根据权利要求1所述的方法，其中所述整体学习分类器包括：随机森林分类器。7.根据权利要求1所述的方法，其中所述整体学习分类器包括：支持向量机器SVM。8.根据权利要求1所述的方法，其中所述基于经接收的分类纯度要求产生所述一或多个训练缺陷的每一缺陷类型的可信度阀值包括：经由交叉验证程序基于经接收的分类纯度要求而产生所述一或多个训练缺陷的每一缺陷类型的可信度阀值。9.一种用于确定缺陷类型对分数的方法，其包括：获取包含多个缺陷类型的一或多个图像，所述多个缺陷类型包含第一缺陷类型和至少第二缺陷类型；针对所述第一缺陷类型和所述至少第二缺陷类型产生第一整体学习分类器；使用所述第一整体学习分类器针对与所述第一缺陷类型和所述至少第二缺陷类型相关联的多个属性中的每一者计算准确度指数的平均降低；识别具有准确度指数的最大平均降低的选定数目个属性；使用具有所述最大平均降低准确度指数的所述经识别的选定数目个属性产生第二整体学习分类器；确定与所述第二经产生的整体学习分类器相关联的训练误差；和基于所述经确定的训练误差计算与所述第一缺陷类型和所述第二缺陷类型相关联的缺陷类型对分数。10.根据权利要求9所述的方法，其中所述第一整体学习分类器或所述第二整体学习分类器的至少一者包括：随机森林分类器。11.根据权利要求9所述的方法，其中所述确定与所述第二经产生的整体学习分类器相关联的训练误差包括：确定与所述第二经产生的整体学习分类器相关联的袋外误差。12.一种用于确定缺陷数据的充分性以用于分类的方法包括：从样本获取一组缺陷数据，所述缺陷数据包含与包含多个缺陷类型的多个缺陷相关联的图像数据；从用户接口装置接收指示进行所述多个缺陷的手动分类的信号；将至少所述第一缺陷类型的缺陷数据分布成N个数据群组；将所述N个数据群组的群组识别为含有测试数据；将未经识别为含有测试数据的所述经分布缺陷数据的N-1个数据群组识别为含有训练数据；针对所述N个群组的至少第一群组，基于所述N-1个数据群组中含有的所述训练缺陷数据递增地产生一系列分类器，其中使用所述N-1个数据群组的所述训练缺陷数据内含有的至少第一缺陷类型的递增百分比产生每一分类器；通过将所述系列分类器中的每一者应用到所述经分布缺陷数据的所述N-1个群组中未含有的所述测试数据而针对用于至少所述第一缺陷类型的所述系列分类器中的每一者确定准确度值；和基于N个群组的至少所述第一群组的经产生准确度分数和所述N个群组的至少一个额外群组的至少一个额外经产生准确度分数而针对至少所述第一缺陷类型产生缺陷数据充分性分数。13.根据权利要求12所述的方法，其中所述基于N个群组的至少所述第一群组的经产生准确度分数和所述N个群组的至少一个额外群组的至少一个额外经产生准确度分数而针对至少所述第一缺陷类型产生缺陷数据充分性分数包括：基于针对用于至少所述第一缺陷类型的所述系列分类器中的每一者确定的所述准确度值产生N个群组的至少所述第一群组的准确度分数；基于针对用于至少所述第一缺陷类型的一系列额外分类器中的每一者确定的所述准确度值产生N个群组的至少额外群组的准确度分数；和基于N个群组的至少所述第一群组的所述经产生准确度分数和所述N个群组的所述至少一个额外群组的所述至少一个额外经产生准确度分数而针对至少所述第一缺陷类型产生缺陷数据充分性分数。14.根据权利要求12所述的方法，其进一步包括：基于N个群组的至少所述第一群组的经产生准确度分数和所述N个群组的至少一个额外群组的至少一个额外经产生准确度分数而针对至少额外缺陷类型产生缺陷数据充分性分数。15.根据权利要求12所述的方法，其中将训练数据的所述N-1个群组汇总成单个数据群组。16.根据权利要求12所述的方法，其中基于所述N-1个群组中含有的所述训练缺陷数据递增地产生一系列分类器包括：基于所述N-1个群组中含有的所述训练缺陷数据递增地产生一系列整体学习分类器。17.根据权利要求16所述的方法，其中基于所述N-1个群组中含有的所述训练缺陷数据递增地产生一系列分类器包括：基于所述N-1个群组中含有的所述训...

【专利技术属性】
技术研发人员：贺力，亚当·简辉·陈，桑卡·梵卡泰若曼，约翰·R·约尔丹三世，应华俊，哈什·辛哈，
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