用于确定晶片缺陷的设备和方法技术

本申请涉及用于确定晶片缺陷的设备和方法。一种用于确定半导体制造中的晶片缺陷的检查系统可以包含：图像捕获装置，用于捕获晶片图像；和分类卷积神经网络CNN，用于从多个类别中确定所捕获的图像的分类。多个类别中的每个指示晶片中缺陷的类型。所述系统还可以包含：编码器，用于编码以将训练图像转换为特征向量；聚类系统，用于对特征向量进行聚类，以生成用于训练图像的软标签；以及解码器，用于将特征向量解码为重新生成的图像。所述系统还可以包含分类系统，所述分类系统用于从多个类别中确定训练图像的分类。编码器和解码器可以由CNN自动编码器形成。分类CNN和CNN自动编码器可以各自是深度神经网络。可以各自是深度神经网络。可以各自是深度神经网络。

【技术实现步骤摘要】
用于确定晶片缺陷的设备和方法


[0001]本公开涉及半导体
，并且具体地涉及用于确定晶片缺陷的设备和方法。

技术介绍

[0002]半导体制造通常需要确定晶片级半导体装置的缺陷，以评估所述半导体装置是否可被接受使用。进一步，确定晶片中缺陷的类型可以提供缺陷原因的指示，所述信息可以用于改善半导体制造系统、设备或工艺。
[0003]常规晶片缺陷检测通常使用图像分类方法，所述图像分类方法从晶片图像中预先确定某些特征，并且使用预先确定的特征来设计图像分类器。通常，需要训练过程来使用多个训练图像来训练分类器。聚类方法也可以用于基于图像的相似性对图像进行分组。但是，由于大规模数据集的高维数据和高计算复杂性，这些方法通常在性能上受影响。

技术实现思路

[0004]在一个方面，本公开涉及一种系统，所述系统包括：图像捕获装置，被配置为捕获晶片的图像；和检查系统，包括分类系统，所述分类系统被配置为使用包括多个卷积层的分类卷积神经网络(CNN)从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。
[0005]在另一方面，本公开涉及一或多种计算机可读非暂时性存储介质，所述介质编码有用于执行操作的指令，所述操作包括：捕获晶片的图像；以及使用包括多个卷积层的分类卷积神经网络(CNN)从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。
[0006]在另一方面，本公开涉及一种系统，所述系统包括：处理器；和非暂时性计算机可读介质，含有编程指令，所述编程指令在被执行时使所述处理器：将多个训练图像编码为多个特征向量中的相应的特征向量；将所述多个特征向量解码为多个重新生成的图像中的相应的重新生成的图像；将所述多个特征向量聚类为多个群集中的相应群集；从多个类别中确定所述多个训练图像的相应分类；以及通过在一或多次迭代中重复编码、聚类、解码和确定所述相应分类来确定可配置用于检测晶片图像的缺陷的分类卷积神经网络(CNN)的权重来训练所述分类CNN。
[0007]在另一方面，本公开涉及一种方法，所述方法包括：将多个训练图像编码为多个特征向量中的相应的特征向量；将所述多个特征向量解码为多个重新生成的图像中的相应的重新生成的图像；将所述多个特征向量聚类为多个群集中的相应群集；从多个类别中确定所述多个训练图像的相应分类；以及通过在一或多次迭代中重复编码、聚类、解码和确定所述相应分类来确定可配置用于检测晶片图像的缺陷的分类卷积神经网络(CNN)的权重来训练所述分类CNN。
附图说明
[0008]图1是根据本公开中描述的一些示例的用于确定晶片缺陷的系统的图。
[0009]图2是根据本公开中描述的一些示例的检查系统的框图。
[0010]图3是根据本公开中描述的一些示例的分类卷积神经网络的图。
[0011]图4是根据本公开中描述的一些示例的实现编码器和解码器的示例卷积神经网络。
[0012]图5示出了根据本公开中描述的一些示例的晶片中的各种类型的缺陷。
[0013]图6是根据本公开中描述的一些示例的确定晶片中的缺陷的示例过程。
[0014]图7是根据本公开中描述的一些示例的训练用于确定晶片缺陷的检查系统的示例过程。
[0015]图8是可以用于实现本文描述的各种系统和方法的计算装置的示例图。
具体实施方式
[0016]在本公开的一些实施例中，一种用于确定半导体制造中的晶片缺陷的检查系统可以包含：图像捕获装置，用于捕获晶片图像；和分类卷积神经网络(CNN)，用于从多个类别中确定所捕获的图像的分类。多个类别中的每个指示晶片中缺陷的类型。所述系统还可以包含训练系统，所述训练系统用于使用多个训练晶片图像来训练分类CNN。训练系统还可以包含：编码器，被配置为将训练图像编码为特征向量；和解码器，被配置为将特征向量解码为重新生成的图像。训练系统还可以包含聚类系统，所述聚类系统用于将来自编码器的特征向量聚类在训练图像上，以生成用于训练分类CNN的软标签。编码器和解码器可以由CNN形成。所述系统可以使用多个训练图像来训练编码器、解码器和分类CNN。
[0017]图1是根据本公开中描述的一些示例的用于确定晶片缺陷的系统100的图。用于确定晶片缺陷的系统可以包含被配置为捕获晶片104的图像的图像捕获装置102。在一些示例中，图像捕获装置102还可以被配置为例如以不同的角度或距离捕获晶片的多个图像，每个图像来自不同的视角。在一些示例中，图像捕获装置102还可以被配置为捕获多个晶片的一或多个图像。例如，图像捕获装置102可以被配置为捕获沿着检查线移动的一或多个晶片的图像。
[0018]系统100可以进一步包含检查系统106，所述检查系统耦合到图像捕获装置102并且被配置为确定所捕获的图像中的每个的分类。分类可以是多个分类中的一个，每个分类指示晶片中缺陷的类型。在一些示例中，系统100可以进一步包含显示器108，所述显示器被配置为输出由检查系统106提供的分类结果。在一些示例中，检查系统106可以使用分类CNN对所捕获的图像中的每个进行分类，其中，分类CNN可以包含多个卷积层。检查系统106还可以包含训练系统，所述训练系统用于训练分类CNN，例如以获得分类CNN的权重。将在本公开中参考图2描述分类CNN和训练网络的细节。
[0019]图2是根据本公开中描述的一些示例的检查系统的框图。检查系统可以包含分类系统220和训练系统200。在一些示例中，分类系统220和/或训练系统200可以在检查系统106(在图1中)中实现。在一些示例中，分类系统220可以包含被配置为接收晶片图像222并确定晶片图像的分类的分类CNN 228，其中，所述分类指示晶片中缺陷的类型。这在图3中进一步描述。
[0020]图3是根据本公开中描述的一些示例的分类CNN 300的图。分类CNN 300可以用Z＝W*X表示，其中，X表示输入图像，Z表示分类CNN的输出，W表示分类CNN的权重，并且“*”表示卷积运算。因此，输出Z可以由对输入图像的一或多个卷积运算来表示，其中，卷积运算由分类CNN的权重W定义。在一些示例中，输入X可以包含多个通道，例如x1，x2，
…
，x
n
，而输出Z也可以包含多个元素，例如z1，z2，
…
，z
k
，每个元素对应于晶片中缺陷的类型。W可以包含多个权重。
[0021]在非限制性示例中，分类CNN可以包含深层神经网络，例如VGG-16网络。在VGG-16网络中，CNN可以包含多个卷积层。例如，VGG-16中的多个卷积层可以包含多组卷积层，例如五组卷积层，分别含有两个(第1层和第2层)卷积层、两个(第3层和第4层)卷积层、三个(第5层至第7层)卷积层、三个(第8层至第10层)卷积层和三个(第11层至第13层)卷积层。在VGG-16中，可以将最大池化层放置在相邻组卷积层之间。例如，最大池化层放置在第一组中的最后一个卷积层(例如，第2层)本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种系统，包括：图像捕获装置，被配置为捕获晶片的图像；和检查系统，包括分类系统，所述分类系统被配置为使用包括多个卷积层的分类卷积神经网络CNN从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。2.根据权利要求1所述的系统，进一步包括训练系统，所述训练系统包括：编码器，被配置为将多个训练图像中的训练图像编码为特征向量；解码器，被配置为将所述特征向量解码为重新生成的图像；以及聚类系统，被配置为将所述特征向量聚类为多个群集中的群集；分类训练系统，被配置为从所述多个类别中确定所述训练图像的分类；其中，所述编码器、所述聚类系统、所述解码器和所述分类训练系统被配置为通过在一或多次迭代中重复操作以确定所述分类CNN的权重来训练所述分类CNN。3.根据权利要求2所述的系统，其中，所述编码器由CNN的第一部分形成，所述第一部分包括多个卷积层并且被配置为基于所述训练图像来生成所述特征向量。4.根据权利要求3所述的系统，其中，所述解码器由所述CNN的第二部分形成，所述第二部分包括多个解卷积层并且被配置为基于所述特征向量来生成所述重新生成的图像。5.根据权利要求1所述的系统，进一步包括验证系统，所述验证系统被配置为通过确定所述分类中的主导概率值是否高于阈值来验证所述所捕获的图像的所述分类，其中，所述分类包括所述所捕获的图像所属的所述多个类别中的每个的概率。6.根据权利要求5所述的系统，其中，所述训练系统被进一步配置为在验证所述分类失败时，通过至少部分地基于所述所捕获的图像来更新所述分类CNN的所述权重来重新训练所述分类CNN。7.一或多种计算机可读非暂时性存储介质，所述介质编码有用于执行操作的指令，所述操作包括：捕获晶片的图像；以及使用包括多个卷积层的分类卷积神经网络CNN从多个类别中确定所捕获的图像的分类，其中，所述多个类别中的每个指示所述晶片中缺陷的类型。8.根据权利要求7所述的介质，其中，所述操作进一步包括：将多个训练图像中的训练图像编码为特征向量；将所述特征向量解码为重新生成的图像；将所述特征向量聚类为多个群集中的群集；从所述多个类别中确定所述训练图像的分类；以及通过在一或多次迭代中重复所述编码、所述聚类、所述解码和所述确定分类以确定所述分类CNN的权重来训练所述分类CNN。9.根据权利要求8所述的介质，其中，对所述训练图像进行编码包括基于所述训练图像使用CNN的第一部分来生成所述特征向量，所述第一部分CNN包括被配置为形成编码器的多个卷积层。10.根据权利要求9所述的介质，其中，对所述特征向量进行解码包括基于所述特征向量使用所述CNN的耦合到所述CNN的所述第一部分的第二部分来生成所述重新生成的图像，
所述CNN的所述第二部分包括被配置为形成解码器的多个解卷积层。11.根据权利要求10所述的介质，其中，所述操作进一步包括：至少基于多个训练图像中的一个与从所述CNN的所述第一部分通过所述CNN的所述第二部分的对应的重新生成的图像之间的差使用所述多个训练图像来训练所述CNN；以及至少基于所述多个训练图像中的每个的所确定的分类与基础事实之间的差使用所述多个训练图像来训练所述分类CNN。12.根据权利要求8所述的介质，其中，所述操作进一步包括：通过确定所述分类中的主导概率值是否高于阈值来验证所述所捕获的图像的所述分类，其中，所述分类包括所述所捕获的图像所属的所述多个类别中的每个的概率；以及在确定验证所述分类失败时，用所述所捕获的图像重复所述分类CNN。13.一种系统，包括：处理器；和非暂时性计算机可读介质，含有编程指令，所述编程指令在被执行时使所述处理器：将多个训练图像编码为多个特征向量中的相应的特征向量；将所述多个特征向量解码为多个重新生成的图像中的相应的重新生成的图像...

【专利技术属性】
技术研发人员：Y，
申请(专利权)人：美光科技公司，
类型：发明
国别省市：