半导体样品的基于深度学习的检查的方法及其系统技术方案

本文提供了一种检查半导体样品的方法及其系统。所述方法包括：使用经训练的深度神经网络(DNN)来处理制造工艺(FP)样本，其中FP样本包括：从(多个)第一检查模态接收的(多个)第一FP图像和从(多个)第二检查模态接收的(多个)第二FP图像，所述(多个)第二检查模态与所述(多个)第一检查模态不同，并且其中所述经训练的DNN与所述(多个)第二FP图像分开地处理所述(多个)第一FP图像；且进一步地通过所述经训练的DNN来处理此种单独处理的结果以获得特定于给定的应用并表征经处理的所述FP图像中的至少一个FP图像的检查相关的数据。当FP样本进一步包括与所述(多个)FP图像相关联的数值数据时，所述方法进一步包括：通过所述经训练的DNN而与处理所述第一FP图像和所述第二FP图像分开地处理数值数据的至少部分。

【技术实现步骤摘要】
【国外来华专利技术】半导体样品的基于深度学习的检查的方法及其系统
本专利技术公开的主题总的来说涉及样本的检查的领域，并且更具体来说涉及用于样本的检查的自动化的方法和系统。
技术介绍
对于高密度和高性能的目前的需求(其与所制造的装置的超大规模集成相关联)要求次微米特征、增加的晶体管和电路速度，以及改进的可靠度。这些需求要求形成具有高精度和均匀性的器件特征，这些又使得制造工艺的仔细的监控(包括当装置仍然是半导体晶片的形式时自动地检查所述器件)成为必要。注意到制造工艺可包括：预制造操作、制造操作、和/或制造后操作。在此说明书中使用的术语“样本(specimen)”应被广泛地解释为涵盖用于制造半导体集成电路、磁头、平板显示器、以及其他的半导体制造的制品的任何的种类的晶片、掩模、以及其他的结构、组合和/或其部分。在此说明书中使用的术语“检查(examination)”应被广泛地解释为涵盖任何种类的计量相关的操作、以及与在样本的制造期间检测和/或分类所述样本中的缺陷相关的操作。在制造待检查的样本期间或在制造待检查的样本之后，通过使用非破坏性的检查工具来进行检查。作为非限制性的示例，检查工艺可包括：运行时间扫描(在单次或多次扫描中)、采样、检查、测量、分类、和/或使用相同的或不同的检查工具来关于样本或其部分提供的其他的操作。同样地，检查的至少一部分可在制造待检查的样本之前进行，并且可包括例如生成(多个)检查配方、训练相应的分类器、或其他的机器学习相关的工具和/或其他的设置操作。注意到，除非特别地且另外地声明，在此说明书中使用的术语“检查(examination)”或其衍生物不限于分辨率或检查区域的大小。各种非破坏性的检查工具包括(作为非限制性的示例)：扫描电子显微镜、原子力显微镜、光学检查工具等。作为非限制性的示例，运行时间检查可采用两阶段的程序(例如，检查样本，然后检查潜在的缺陷的采样的位置)。在第一阶段期间，在高速下且利用相对低的分辨率来检查样本的表面。在第一阶段，生成缺陷图以显示被怀疑具有高的缺陷机率的样本上的位置。在第二阶段期间，这样的可疑的位置中的至少一些以相对高的分辨率被更彻底地分析。在某些情况下，两个阶段可通过相同的检查工具来实施，而在一些其他的情况中，这两个阶段是通过不同的检查工具来实施的。在半导体制造期间的各个步骤中使用检查程序以检测和分类在样本上的缺陷。可通过程序中的至少部分的自动化(例如，通过使用自动的缺陷分类(ADC)、自动的缺陷检查(ADR)等等)来增加检查的有效性。
技术实现思路
根据本专利技术公开的主题的某些方面，提供了一种检查半导体样品的方法，所述方法包括：在通过计算机获得在半导体制造工艺内针对给定的检查相关的应用来训练的深度神经网络(DNN)之后，使用经训练的所述DNN来处理制造工艺(FP)样本，其中所述FP样本包括：从一个或多个第一模态接收的一个或多个第一FP图像和从一个或多个第二模态接收的一个或多个第二FP图像，所述第二模态与所述第一模态不同，并且其中经训练的所述DNN与所述一个或多个第二FP图像分开地处理所述一个或多个第一FP图像；以及通过所述计算机，通过经训练的所述DNN来处理所述一个或多个第一FP图像和所述一个或多个第二FP图像的至少单独处理的结果以获得特定于给定的应用并且表征经处理的所述FP图像中的至少一个的检查相关的数据。作为非限制性的示例，一个或多个第一FP图像可为低分辨率图像，且一个或多个第二FP图像可为高分辨率图像。当FP样本进一步包括与在FP样本中的FP图像相关联的数值数据(例如，元数据、手工构建的属性等)时，所述方法可进一步包括：通过经训练的所述DNN来与处理所述一个或多个第一FP图像和处理所述一个或多个第二FP图像分开地处理数值数据的至少部分。特定于给定的应用的检查相关的数据可通过以下方式获得：通过经训练的所述DNN来处理所述一个或多个第一FP图像和所述一个或多个第二FP图像的单独处理的结果，以及处理数值数据的至少部分的处理结果。可替代地，获得特定于给定的应用的检查相关的数据可包括：通过经训练的所述DNN来汇聚所述一个或多个第一FP图像和所述一个或多个第二FP图像的单独处理的结果，从而产生汇聚的图像数据；以及进一步地处理汇聚的图像数据，以及单独处理数值数据的至少部分的结果。作为非限制性的示例，检查特定的应用可为：检测在所述半导体样品中的缺陷；对在所述半导体样品中的缺陷进行分类；在至少两个制造工艺(FP)图像之间进行配准；分割至少一个FP图像，所述至少一个FP图像是从包括所述半导体样品的高分辨率图像、所述半导体样品的低分辨率图像、以及所述半导体样品的基于设计数据的图像的群组中选出的；对与通过不同的检查模态获得的数据相对应的FP图像进行基于回归的重建，以及对图像性质进行基于回归的重建等等。作为非限制性的示例，一个或多个第一模态可通过以下项中的至少一个而与一个或多个第二模态有所不同：检查工具、相同的检查工具的通道、相同的检查工具和/或通道的操作参数、对应于相应的FP图像的半导体样品的层、获得FP图像的性质、以及应用于所捕获的图像的导出技术。根据本专利技术公开的主题的其他的方面，提供了一种可使用于根据上述的方法来检查半导体样品的系统。根据本专利技术公开的主题的其他的方面，提供了一种包括当由计算机执行时使得所述计算机进行上述的方法的指令的非瞬态计算机可读介质。附图说明为了要理解本专利技术并观察在实际中可以如何地实施本专利技术，现在将参照附图来描述实施例(仅作为非限制性的示例)，其中在附图中：图1示出根据本专利技术公开的主题的某些实施例的检查系统的功能框图。图2根据本专利技术公开的主题的某些实施例来示出使用深度神经网络(DNN)来基于制造工艺(FP)图像自动地确定检查相关的数据的一般性的流程图。图3示出根据本专利技术公开的主题的某些实施例来配置的DNN的一般性的功能图。图4a和图4b示出根据本专利技术公开的主题的某些实施例的对于缺陷进行分类的一般性的流程图；以及图5a至图5c示出根据本专利技术公开的主题的某些实施例的分类DNN网络的架构的非限制性的示例。具体实施方式在后续的具体实施方式中，阐述许多的特定的细节以为了提供对本专利技术的透彻理解。然而，将由本领域技术人员理解到，可以在没有这些特定的细节的情况下实践本专利技术公开的主题。在其他的实例中，公知的方法、程序、部件、及电路未被详细地描述，以为了不混淆本专利技术公开的主题。除非特别地且另外地声明(如同从后文的讨论中显而易见的)，应理解到，在说明书全文中，利用诸如为“处理(processing)”、“计算(computing)”、“代表(representing)”、“比较(comparing)”、“生成(generating)”、“训练(training)”、“分割(segmenting)”、“配准(registering)”等术语的讨论意指操纵数据和/或将数据转换为其他数据的计算机的(多个)动作和/或(多个)程序，所述数据被表示为物理(诸如：电子)量和本文档来自技高网...

【技术保护点】
1.一种检查半导体样品的方法，所述方法包括：/n在通过计算机获得在半导体制造工艺内针对给定的检查相关的应用来训练的深度神经网络(DNN)之后，使用经训练的所述DNN以处理制造工艺(FP)样本，其中所述FP样本包括：从一个或多个第一检查模态接收到的一个或多个第一FP图像和从一个或多个第二检查模态接收到的一个或多个第二FP图像，所述一个或多个第二检查模态与所述第一检查模态不同，并且其中经训练的所述DNN与所述一个或多个第二FP图像分开地处理所述一个或多个第一FP图像；以及/n通过所述计算机，来通过经训练的所述DNN来处理所述一个或多个第一FP图像和所述一个或多个第二FP图像的至少单独处理的结果以获得检查相关的数据，所述检查相关的数据特定于给定的应用并且表征经处理的所述FP图像中的至少一个。/n

【技术特征摘要】
【国外来华专利技术】20180207 US 62/627,6921.一种检查半导体样品的方法，所述方法包括：
在通过计算机获得在半导体制造工艺内针对给定的检查相关的应用来训练的深度神经网络(DNN)之后，使用经训练的所述DNN以处理制造工艺(FP)样本，其中所述FP样本包括：从一个或多个第一检查模态接收到的一个或多个第一FP图像和从一个或多个第二检查模态接收到的一个或多个第二FP图像，所述一个或多个第二检查模态与所述第一检查模态不同，并且其中经训练的所述DNN与所述一个或多个第二FP图像分开地处理所述一个或多个第一FP图像；以及
通过所述计算机，来通过经训练的所述DNN来处理所述一个或多个第一FP图像和所述一个或多个第二FP图像的至少单独处理的结果以获得检查相关的数据，所述检查相关的数据特定于给定的应用并且表征经处理的所述FP图像中的至少一个。


2.如权利要求1所述的方法，其中所述FP样本进一步包括与在所述FP样本中的所述FP图像相关联的数值数据，所述方法进一步包括：
通过经训练的所述DNN来与处理所述一个或多个第一FP图像和处理所述一个或多个第二FP图像分开地处理所述数值数据的至少部分；以及
经由通过经训练的所述DNN来处理所述一个或多个第一FP图像和所述一个或多个第二FP图像的单独处理的结果、以及对所述数值数据的至少部分进行处理的结果，来获得特定于所述给定的应用的所述检查相关的数据。


3.如权利要求1所述的方法，其中所述FP样本进一步包括与在所述FP样本中的所述FP图像相关联的数值数据，所述方法进一步包括：
通过经训练的所述DNN来与处理所述一个或多个第一FP图像与处理所述一个或多个第二FP图像分开地处理所述数值数据的至少部分；以及
通过经训练的所述DNN来汇聚所述一个或多个第一FP图像和所述一个或多个第二FP图像的单独处理的结果，从而产生汇聚的图像数据；以及
经由通过经训练的所述DNN来处理所述汇聚的图像数据、以及单独处理数值数据的至少部分的结果来获得特定于所述给定的应用的所述检查相关的数据。


4.如权利要求1所述的方法，其中所述检查特定的应用是从包括以下项的群组中选出的：检测在所述半导体样品中的缺陷；对于在所述半导体样品中的缺陷进行分类；在至少两个制造工艺(FP)图像之间进行配准；分割至少一个FP图像，所述至少一个FP图像是从包括所述半导体样品的高分辨率图像、所述半导体样品的低分辨率图像、以及所述半导体样品的基于设计数据的图像的所述群组中选出的；基于回归地重建与通过不同的检查模态获得的数据相对应的FP图像以及基于回归地重建图像特性。


5.如权利要求1所述的方法，其中所述一个或多个第一检查模态通过以下项中的至少一个而与所述一个或多个第二检查模态有所不同：检查工具、相同的检查工具的通道、相同的检查工具和/或通道的操作参数、与相应的FP图像相对应的所述半导体样品的层、获得所述FP图像的性质和应用至捕获到的图像的导出技术。


6.如权利要求1所述的方法，其中所述一个或多个第一FP图像是低分辨率图像，并且所述一个或多个第二FP图像是高分辨率图像。


7.如权利要求2所述的方法，其中所述数值数据包括元数据和/或手工构建的属性。


8.如权利要求1所述的方法，其中所述DNN是使用针对来自所有制造阶段的所有类型的层和产物所收集到的FAB数据来训练的。


9.如权利要求1所述的方法，其中所述DNN在与所述FAB数据不同的数据集上进行粗略的训练，并且进一步地在所述FAB数据的至少一部分上针对特定的检查相关的应用进行精细的训练。


10.如权利要求1所述的方法，其中所述检查特定的应用是对在所述半导体样品中的缺陷进行分类，并且其中特定于所述给定的应用的所述检查相关的数据是分类相关的属性和/或表征待分类的至少一个缺陷的分类标记。


11.一种能用于检查半导体样品的系统，所述系统包括可操作地连接至输入界面和输出界面的处理和存储器块(PMB)，其中：
所述输入界面经配置以接收一个或多个制造工艺(FP)图像；
所述PMB经配置以：
获...

【专利技术属性】
技术研发人员：O·肖比，D·苏哈诺夫，A·阿斯巴格，B·科恩，
申请(专利权)人：应用材料以色列公司，
类型：发明
国别省市：以色列;IL