【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。