提供了一种生成用于训练可用于样本检查的深度神经网络的训练集的系统和方法。方法包括：针对组中的每个给定训练图像：i)生成第一批训练面片，包括：将给定训练图像裁剪成第一多个原始面片；以及扩充第一多个原始面片中的至少一部分以便模拟由样本的物理过程导致的变化；以及ii)生成第二批训练面片，包括：在给定训练图像上移位多个第一位置以获得第二多个原始面片，以及重复对第二多个原始面片进行扩充以生成第二多个扩充面片；以及将对应于每个给定训练图像的至少第一第二批训练面片包括在训练集中。括在训练集中。括在训练集中。
【技术实现步骤摘要】
生成可用于检查半导体样本的训练集
[0001]当前公开的主题总体上涉及样本检查领域，并且更具体地涉及使样本检查自动化。
技术介绍
[0002]当前对与所制造装置的超大规模集成相关联的高密度和性能的需求需要亚微米特征、增加的晶体管和电路速度、以及提高的可靠性。这类需求需要形成具有高精确度和均匀性的装置特征，这进而需要仔细监控制造过程，包括在装置仍处于半导体晶片的形式时自动检查所述装置。
[0003]在本说明书中使用的术语“样本”应当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、以及其它半导体制造的物品的任何种类的晶片、掩模和其它结构、及其组合和/或部分。
[0004]在本说明书中使用的术语“检查”应当被广泛地解释为涵盖任何种类的计量相关操作以及关于在样本制造期间检测和/或分类样本中的缺陷的操作。检查通过在制造待检查的样本期间或之后使用非破坏性检查工具来提供。作为非限制性示例，检查过程可以包括使用相同或不同的检验工具来进行运行时(runtime)扫描(以单次或多次扫描)、取样、审查、测量、分类和/或关于样本或样本的部分提供的其它操作。同样，检查可以在制造待检查的样本之前提供，并且可以包括例如产生(多个)检查配方和/或其它设置操作。应注意，除非另作具体声明，否则本说明书中使用的术语“检查”或其衍生词不关于检验区域的分辨率或大小而受限。作为非限制性示例，各种非破坏性检查工具包括扫描电子显微镜、原子力显微镜、光学检验工具等。
[0005]作为非限制性示例，运行时检查可以采用两阶段程序，例如，检验样本，随后审查潜在缺陷的取样位置。在第一阶段期间，以高速和相对低的分辨率检验样本的表面。在第一阶段中，生成缺陷图来示出样本上具有高缺陷可能性的疑似位置。在第二阶段期间，以相对高的分辨率更透彻地分析疑似位置中的至少一些疑似位置。在一些情况下，两个阶段皆可以由相同检验工具来实现，并且在一些其它情况下，这两个阶段由不同的检验工具来实现。
[0006]检查过程在半导体制造期间的各个步骤处用于检测和分类样本上的缺陷，以及执行计量相关的操作。检查的有效性可以通过(多个)过程的自动化来提高，所述(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。
技术实现思路
[0007]根据当前公开的主题的某些方面，提供了一种生成用于训练可用于样本检查的深度神经网络(DNN)的训练集的方法，所述方法由处理器和存储器电路系统(PMC)执行，所述方法包含：获得一组训练图像，每个训练图像表示样本的至少一部分；针对所述组中的每个给定训练图像：i)生成第一批训练面片(patch)，包括：根据给定训练图像上的多个第一位置，将给定训练图像裁剪成第一多个原始面片；以及扩充第一多个原始面片中的至少一部
分，以便模拟由样本的物理过程导致的变化，从而产生构成第一批训练面片的第一多个扩充面片；以及ii)生成第二批训练面片，包括：在所述给定训练图像上将所述多个第一位置移位到多个第二位置，从而获得对应于所述多个第二位置的第二多个原始面片，以及重复对所述第二多个原始面片进行扩充以生成第二多个扩充面片，从而产生第二批训练面片；以及将对应于每个给定训练图像的至少第一批训练面片和第二批训练面片包括到训练集。
[0008]除了以上特征之外，根据当前公开的主题的这个方面的方法可以包含以技术上可能的任何期望组合或排列的下文列出的特征(i)至(viii)中的一个或多个：
[0009](i).训练集可以用于训练DNN，所述DNN可用于从包含以下各项的组中选择的至少一个检查过程：基于运行时图像的自动缺陷检测、自动缺陷审查、自动缺陷分类、自动分段、以及自动计量。
[0010](ii).方法可以进一步包含重复生成第二批训练面片一次或多次，直到满足完成标准为止，产生一批或多批训练面片，并且将所述一批或多批包括在训练集中。
[0011](iii).方法可以进一步包含将第一多个原始面片和/或第二多个原始面片包括在训练集中。
[0012](iv).预定位置可以是根据网格的。
[0013](v).移位可以根据随机方向以随机偏移来执行。
[0014](vi).所模拟的变化可以包括过程变化和/或灰度级(gray level)变化。
[0015](vii).方法可以进一步包含将对应于每个训练图像的第一批训练面片包括在用于训练DNN的第一时期中，并且将对应于每个训练图像的第二批训练面片包括在用于训练DNN的第二时期中。
[0016](viii).训练图像可以是从审查工具获得的高分辨率图像。
[0017]根据当前公开的主题的其它方面，提供了一种生成用于训练可用于样本检查的深度神经网络(DNN)的训练集的系统，所述系统包含处理器和存储器电路系统(PMC)，所述处理器和存储器电路系统(PMC)被配置成用于：获得一组训练图像，每个训练图像表示样本的至少一部分；针对所述组中的每个给定训练图像：i)生成第一批训练面片，包括：根据给定训练图像上的多个第一位置，将给定训练图像裁剪成第一多个原始面片；以及扩充第一多个原始面片中的至少一部分，以便模拟由样本的物理过程导致的变化，从而产生构成第一批训练面片的第一多个扩充面片；以及ii)生成第二批训练面片，包括：在所述给定训练图像上将所述多个第一位置随机移位到多个第二位置，从而获得对应于所述多个第二位置的第二多个原始面片，以及重复对所述第二多个原始面片进行扩充以生成第二多个扩充面片，从而产生第二批训练面片；以及将对应于每个给定训练图像的至少第一批训练面片和第二批训练面片包括到训练集。
[0018]所公开的主题的这方面可以包含以技术上可能的任何期望组合或排列的上文关于所述方法列出的特征(i)至(viii)中的一个或多个，加上必要的修正。
[0019]根据当前公开的主题的其它方面，提供了一种包含指令的非暂时性计算机可读介质，所述指令在由计算机执行时使计算机执行生成用于训练可用于样本检查的深度神经网络(DNN)的训练集的方法，所述方法包括：获得一组训练图像，每个训练图像表示样本的至少一部分；针对所述组中的每个给定训练图像：i)生成第一批训练面片，包括：根据给定训练图像上的多个第一位置，将给定训练图像裁剪成第一多个原始面片；以及扩充第一多个
原始面片中的至少一部分，以便模拟由样本的物理过程导致的变化，从而产生构成第一批训练面片的第一多个扩充面片；以及ii)生成第二批训练面片，包括：在所述给定训练图像上将所述多个第一位置移位到多个第二位置，从而获得对应于所述多个第二位置的第二多个原始面片，以及重复对所述第二多个原始面片进行扩充以生成第二多个扩充面片，从而产生第二批训练面片；以及将对应于每个给定训练图像的至少第一批训练面片和第二批训练面片包括到训练集。
[0020]所公开的主题的这方面可以包含以技术上可能的任何期望组合或排列的上文关于所述方法列出的特征(i)至(viii)中的一个或多个，加上必要的修正。
附图说明
[0021]为了理本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种生成用于训练可用于样本检查的深度神经网络(DNN)的训练集的计算机化方法，所述方法由处理器和存储器电路系统(PMC)执行，所述方法包含：获得一组训练图像，每个训练图像表示样本的至少一部分；针对所述组中的每个给定训练图像：i)生成第一批训练面片(patch)，包括：根据所述给定训练图像上的多个第一位置，将所述给定训练图像裁剪成第一多个原始面片；以及扩充所述第一多个原始面片中的至少一部分，以便模拟由所述样本的物理过程导致的变化，从而产生构成所述第一批训练面片的第一多个扩充面片；以及ii)生成第二批训练面片，包括：在所述给定训练图像上将所述多个第一位置移位到多个第二位置，从而获得对应于所述多个第二位置的第二多个原始面片，以及重复对所述第二多个原始面片进行所述扩充以生成第二多个扩充面片，从而产生第二批训练面片；以及将对应于每个给定训练图像的至少所述第一批训练面片和所述第二批训练面片包括在所述训练集中。2.如权利要求1所述的计算机化方法，其中所述训练集用于训练DNN，所述DNN可用于从包含以下各项的组中选择的至少一个检查过程：基于运行时图像的自动缺陷检测、自动缺陷审查、自动缺陷分类、自动分段、以及自动计量。3.如权利要求1所述的计算机化方法，进一步包含重复所述生成第二批训练面片一次或多次直到满足完成标准为止，产生一批或多批训练面片，以及将所述一批或多批包括在所述训练集中。4.如权利要求1所述的计算机化方法，进一步包含将所述第一多个原始面片和/或所述第二多个原始面片包括在所述训练集中。5.如权利要求1所述的计算机化方法，其中所述第一位置是根据网格预定的。6.如权利要求1所述的计算机化方法，其中所述第一位置是通过随机移位多个预定位置来获得的。7.如权利要求1所述的计算机化方法，其中所述移位根据随机方向以随机偏移来执行。8.如权利要求1所述的计算机化方法，其中所模拟的变化从包含以下各项的组中选择：过程变化和灰度级变化。9.如权利要求1所述的计算机化方法，其中所述扩充所述第一多个原始面片中的至少一部分进一步包含根据概率函数来确定是否扩充所述第一多个原始面片中的每个原始面片，从而获得具有肯定性确定的所述第一多个原始面片中的所述至少一部分。10.如权利要求1所述的计算机化方法，其中所述第一多个原始面片中的所述至少一部分用基于概率函数确定的相应扩充强度来扩充。11.如权利要求1所述的计算机化方法，进一步包含将对应于每个训练图像的所述第一批训练面片包括在用于训练所述DNN的第一时期中，并且将对应于每个训练图像的所述第二批训练面片包括在用于训练所述DNN的第二时期中。12.一种生成用于训练可用于样本检查的深度神经网络(DNN)的训练集的计算机化系
统，所述系统包含处理器和存储器电路系统(PMC)，所述处理器和存储器电路系统(PMC)被配置成用于：获得一组训练图像，每个训练图像表示样本的至少一部分；针对所述组中的每个给...
【专利技术属性】
技术研发人员：E，
申请(专利权)人：应用材料以色列公司，
类型：发明
国别省市：
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。