【技术实现步骤摘要】
使用弱标记检测半导体试样中的缺陷
[0001]当前公开的主题总体上涉及晶片试样检查领域,并且更具体地涉及检测试样中的缺陷。
技术介绍
[0002]当前对与制造器件的超大规模集成相关的高密度和性能的需求要求亚微米特征、增加的晶体管和电路速度以及提高的可靠性。这些需求要求形成具有高精度和均匀性的器件特征,所述具有高精度和均匀性的器件特征继而需要对制造过程进行仔细监视,包括在器件仍为半导体晶片形式时自动检查器件。
[0003]作为非限制性示例,运行时检查可以采用两阶段程序,例如检视试样,然后审查潜在缺陷的采样位置。在第一阶段期间,以高速和相对较低分辨率检视试样的表面。在第一阶段中,产生缺陷图以显示试样上具有高缺陷概率的可疑位置。在第二阶段期间,以相对较高的分辨率更彻底地分析可疑位置中的至少一些可疑位置。在一些情况下,两个阶段可以通过相同的检视工具来实现,而在一些其他情况中,通过不同的检视工具来实现这两个阶段。
[0004]在半导体制造期间的各个步骤处使用检查过程来对试样上的缺陷进行检测和分类。可以通过一个或多个过程的自动化(例如自动缺陷分类(ADC)、自动缺陷审查(ADR)等)来提高检查的有效性。
技术实现思路
[0005]根据当前公开的主题的一个方面,提供了一种对半导体试样上的感兴趣图案(POI)进行分类的系统,所述系统包括处理器和存储器电路(PMC),所述处理器和存储器电路被配置为:
[0006]获得提供所述试样上的POI的高分辨率图像的信息的数据;
[0007]生成可用 ...
【技术保护点】
【技术特征摘要】
1.一种对半导体试样上的感兴趣图案(POI)进行分类的系统,所述系统包括处理器和存储器电路(PMC),所述处理器和存储器电路(PMC)被配置为:获得提供所述试样上的所述POI的高分辨率图像的信息的数据;以及生成可用于根据缺陷相关分类对所述POI进行分类的数据,其中所述生成利用已经根据至少多个训练样本训练的机器学习模型,每个训练样本包括:高分辨率训练图像,所述高分辨率训练图像是通过扫描试样上的相应训练图案捕获的,所述相应训练图案与所述POI相似,和标签,所述标签与所述图像相关联,所述标签是所述相应训练图案的低分辨率检视的衍生物。2.根据权利要求1所述的系统,其中所述多个训练样本中的每个训练样本的所述高分辨率训练图像是扫描电子显微镜(SEM)图像。3.根据权利要求1所述的系统,其中与所述多个训练样本中的每个训练样本相关联的相应标签是所述相应训练图案的光学检视的衍生物。4.根据权利要求1所述的系统,所述系统还包括:低分辨率检查工具,所述低分辨率检查工具被配置为捕获POI的低分辨率图像并利用所述低分辨率图像的光学检视来根据缺陷相关分类对所述POI进行分类;和高分辨率检查工具,所述高分辨率检查工具被配置为响应于所述低分辨率工具将所述POI分类为有缺陷而捕获所述POI的高分辨率图像。5.根据权利要求1所述的系统,其中所述机器学习模型包括神经网络,所述神经网络包括:第一系列的一个或多个神经网络层,所述第一系列的一个或多个神经网络层被配置为在给定提供POI的高分辨率图像的信息的输入数据的情况下输出特征图,和第二系列的神经网络层,所述第二系列的神经网络层被配置为在给定输入特征图的情况下生成指示至少一个每像素块分类得分的数据,其中每个每像素块分类得分属于由所述高分辨率图像的相应像素块的像素表示的所述POI的区域,所述每像素块分类得分指示所述相应区域的缺陷可能性,从而产生可用于根据缺陷相关分类对所述POI进行分类的数据;并且其中所述机器学习模型已经根据以下项进行了训练:a)将所述第一系列的神经网络层应用于所述多个训练样本中的第一训练样本的第一POI的第一高分辨率图像,所述第一POI与指示缺陷的标签相关联,从而根据所述神经网络的当前训练状态产生可疑特征图;b)将所述第二系列的神经网络层应用于所述可疑特征图,从而根据所述神经网络的所述当前训练状态产生指示至少一个可疑每像素块得分的数据,其中每个可疑每像素块得分属于由所述第一高分辨率图像的相应像素块的像素表示的所述第一POI的区域,所述可疑每像素块得分指示所述相应区域的缺陷可能性;c)将所述第一系列的神经网络层应用于所述多个训练样本中的第二训练样本的第二POI的第二高分辨率图像,所述第二POI与指示无缺陷的标签相关联,从而根据所述神经网络的所述当前训练状态产生参考特征图;
d)将所述第二系列的神经网络层应用于所述参考特征图,从而根据所述神经网络的所述当前训练状态产生指示至少一个参考每像素块得分的数据,其中每个参考每像素块得分属于由所述第二高分辨率图像的相应像素块的像素表示的所述第二POI的区域,所述参考每像素块得分指示所述相应区域的缺陷可能性;e)根据损失函数调整所述第一系列的神经网络层和所述第二系列的神经网络层中的至少一个层的至少一个权重,所述损失函数根据至少以下项:所述可疑特征图和所述参考特征图的距离度量衍生物、所述至少一个可疑每像素块得分、和所述至少一个参考每像素块得分;以及f)对所述多个训练样本中的一个或多个附加第一训练样本和附加第二训练样本重复a)
‑
e)。6.根据权利要求5所述的系统,其中所述神经网络层是卷积层。7.根据权利要求5所述的系统,其中所述PMC进一步被配置为:将所述至少一个每像素块分类得分中的每一个每像素块分类得分与缺陷阈值进行比较,从而产生所述POI是否有缺陷的指示。8.根据权利要求5所述的系统,其中所述PMC进一步被配置为:根据所述POI是否有缺陷的所述指示来警告操作员。9.一种根据半导体试样上的感兴趣图案(POI)的高分辨率图像对所述图案进行分类的方法,所述方法包括:由处理器接收提供所述试样上的POI的高分辨率图像的信息的数据;以及由所述处理器生成可用于根据缺陷相关分类对所述POI进行分类的数据,其中所述生成利用已经根据至少多个训练样本训练的机器学习模型,每个训练样本包括:高分辨率训练图像,所述高分辨率训练图像是通过扫描试样上的相应训练图案捕获的,所述训练图案与所述POI相似,其中所述相应训练图案与所述相应训练图案的低分辨率检视的标签衍生物相关联。10.根据权利要求9所述的方法,其中所述机器学习模型包括神经网络,所述神经网络包括:第一系列的一个或多个神经网络层,所述第一系列的一个或多个神经网络层被配置为在给定提供POI的高分辨率图像的信息的输入数据的情况下输出特征图,和第二系列的神经网络层,所述第二系列的神经网络层被配置为在给定输入特征图的情况下生成指示至少一个第一每像素块分类得分的数据,其中每一个每像素块分类得分属于由所述高分辨率图像的相应像素块的像素表示的所述POI的区域,所述每像素块分类得分指示所述相应区域的缺陷可能性,从而产生可用于根据缺陷相关分类对所述POI进行分类的数据;并且其中所述机器学习模型已经根据包括以下项的方法进行了训练:a)由处理器将所述第一系列的神经网络层应用于所述多个训练样本中的第一训练样本的第一POI的第一高分辨率图像,所述第一POI与指示缺陷的标签相关联,从而根据所述神经网络的当前训练状态产生可疑特征图;
b)由所述处理器将所...
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。