用于使用基于物理的图像扰动确定缺陷的系统及方法技术方案

本发明专利技术公开一种用于特性化试样的系统。在一个实施例中，所述系统包含经配置以获取试样的一或多个图像的特性化子系统及通信地耦合到所述特性化子系统的控制器。所述控制器可经配置以：从所述特性化子系统接收训练试样的一或多个缺陷的一或多个训练图像；产生所述训练试样的所述一或多个缺陷的一或多个增强图像；基于所述训练试样的所述一或多个缺陷的所述一或多个增强图像产生机器学习分类器；从所述特性化子系统接收目标试样的一或多个目标特征的一或多个目标图像；及使用所述机器学习分类器确定所述一或多个目标特征的一或多个缺陷。陷。陷。

【技术实现步骤摘要】
【国外来华专利技术】用于使用基于物理的图像扰动确定缺陷的系统及方法
[0001]相关申请案的交叉参考
[0002]本申请案主张2019年7月26日申请的标题为使用基于物理的图像扰动的训练集增强(TRAINING SET AUGMENTATION USING PHYSICS
‑
BASED IMAGE PERTURBATIONS)的指定马丁
·
普利哈尔(Martin Plihal)、萨拉瓦南
·
帕拉马西瓦姆(Saravanan Paramasivam)、雅各布
·
乔治(Jacob George)、尼维迪莎
·
拉克什米
·
纳拉西姆汉(Niveditha Lakshmi Narasimhan)、赛拉姆
·
拉武(Sairam Ravu)、萨默什
·
查拉帕利(Somesh Challapalli)及帕桑蒂
·
乌帕鲁里(Prasanti Uppaluri)为专利技术者的以引用的方式完整并入本文中的第201941030213号印度临时专利申请案及2019年9月11日申请的标题为使用基于物理的图像扰动的训练集增强(TRAINING SET AUGMENTATION USING PHYSICS
‑
BASED IMAGE PERTURBATIONS)的指定马丁
·
普利哈尔(Martin Plihal)、萨拉瓦南
·
帕拉马西瓦姆(Saravanan Paramasivam)、雅各布
·
乔治(Jacob George)、尼维迪莎
·
拉克什米
·
纳拉西姆汉(Niveditha Lakshmi Narasimhan)、赛拉姆
·
拉武(Sairam Ravu)、萨默什
·
查拉帕利(Somesh Challapalli)及帕桑蒂
·
乌帕鲁里(Prasanti Uppaluri)为专利技术者的以引用的方式完整并入本文中的第62/898761号美国临时专利申请案的优先权。


[0003]本专利技术大体上涉及试样检验的领域，且更具体来说，涉及一种用于使用基于物理的图像扰动确定缺陷的系统及方法。

技术介绍

[0004]对于具有越来越小的占据面积及特征的电子逻辑及存储器装置的需求带来超出所要尺度的制造的广泛范围的制造挑战。在半导体制造的上下文中，从半导体装置识别、预测及移除缺陷是改进产量及良率的重要步骤。识别缺陷中的一个主要挑战是无法准确地确定缺陷。
[0005]用于确定缺陷的相对位置、类型及结构的传统技术涉及使用模拟及机器学习算法。例如，在其中工艺工程师知道可能缺陷的近似位置、类型及大致结构的情境中，可使用模拟来模拟缺陷的扫描电子显微镜(SEM)图像。类似地，可采用机器学习算法来处理晶片的一或多个图像且在晶片缺陷类型之间进行区分。但是，机器学习算法需要具有足以确保晶片缺陷的识别及确定对于用于制造配方调谐中可靠的量的数据。对于充分数据的需求提出使用机器学习算法来确定通常具有小数量的缺陷的晶片或其缺陷不频繁地发生的晶片的缺陷的机器学习算法的挑战。
[0006]因此，将期望提供一种解决上文识别的先前方法的一或多个缺点的系统及方法。

技术实现思路

[0007]本专利技术公开一种用于特性化试样的系统。在一个实施例中，所述系统包含具有经配置以执行存储于存储器中的一组程序指令的一或多个处理器的控制器。在一个实施例
中，所述组程序指令经配置以致使所述一或多个处理器：接收训练试样的一或多个缺陷的一或多个训练图像；产生所述训练试样的所述一或多个缺陷的一或多个增强图像；基于所述训练试样的所述一或多个缺陷的所述一或多个增强图像产生机器学习分类器；接收目标试样的一或多个目标特征的一或多个目标图像；及使用所述机器学习分类器确定所述一或多个目标特征的一或多个缺陷。
[0008]本专利技术公开一种用于特性化试样的系统。在一个实施例中，所述系统包含经配置以获取试样的一或多个图像的特性化子系统。在另一实施例中，所述系统包含具有经配置以执行存储于存储器中的一组程序指令的一或多个处理器的控制器。在一个实施例中，所述组程序指令经配置以致使所述一或多个处理器：从所述特性化子系统接收训练试样的一或多个缺陷的一或多个训练图像；产生所述训练试样的所述一或多个缺陷的一或多个增强图像；基于所述训练试样的所述一或多个缺陷的所述一或多个增强图像产生机器学习分类器；从所述特性化子系统接收目标试样的一或多个目标特征的一或多个目标图像；及使用所述机器学习分类器确定所述一或多个目标特征的一或多个缺陷。
[0009]本专利技术公开一种特性化试样的方法。在一个实施例中，所述方法包含接收训练试样的一或多个缺陷的一或多个训练图像。在另一实施例中，所述方法包含产生所述训练试样的所述一或多个缺陷的一或多个增强图像。在另一实施例中，所述方法包含基于所述训练试样的所述一或多个缺陷的所述一或多个增强图像产生机器学习分类器。在另一实施例中，所述方法包含接收目标试样的一或多个目标特征的一或多个目标图像。在另一方法中，所述方法包含使用所述机器学习分类器确定所述一或多个目标特征的一或多个缺陷。
[0010]应理解，前文一般描述及下文详细描述两者仅为示范性及说明性的且未必限制如主张的本专利技术。被并入本说明书中且构成本说明书的部分的附图说明本专利技术的实施例且与一般描述一起用于解释本专利技术的原理。
附图说明
[0011]所属领域的技术人员通过参考附图可更好地理解本公开的若干优点，其中：
[0012]图1说明根据本公开的一或多个实施例的用于使用基于物理的图像扰动确定缺陷的系统。
[0013]图2A说明根据本公开的一或多个实施例的用于使用基于物理的图像扰动确定缺陷的系统。
[0014]图2B说明根据本公开的一或多个实施例的用于使用基于物理的图像扰动确定缺陷的系统。
[0015]图3说明流程图，所述流程图说明根据本公开的一或多个实施例的使用基于物理的图像扰动确定缺陷的方法的步骤。
[0016]图4说明流程图，所述流程图说明根据本公开的一或多个实施例的使用基于物理的图像扰动确定缺陷的方法的步骤。
具体实施方式
[0017]已关于某些实施例及其特定特征特别展示及描述本公开。将本文中阐述的实施例视为说明性而非限制性。所属领域的技术人员将容易了解，在不脱离本公开的精神及范围
的情况下，可做出形式及细节上的各种改变及修改。
[0018]现将详细参考附图中说明的所公开标的物。
[0019]本公开的实施例涉及一种用于使用基于物理的图像扰动及机器学习技术(例如，深度学习预测模型)来确定缺陷的系统及方法。本公开的额外实施例涉及用于基于机器学习技术产生增强扫描电子显微镜(SEM)图像及/或增强光学图像的系统及方法。
[0020]本文中经考虑，本公开的实施例可实现遍本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种系统，其包括：控制器，其具有经配置以执行存储于存储器中的一组程序指令的一或多个处理器，所述组程序指令经配置以致使所述一或多个处理器：接收训练试样的一或多个缺陷的一或多个训练图像；产生所述训练试样的所述一或多个缺陷的一或多个增强图像；基于所述训练试样的所述一或多个缺陷的所述一或多个增强图像产生机器学习分类器；接收目标试样的一或多个目标特征的一或多个目标图像；及使用所述机器学习分类器确定所述一或多个目标特征的一或多个缺陷。2.根据权利要求1所述的系统，其中产生所述训练试样的所述一或多个缺陷的一或多个增强图像包括致使所述一或多个处理器：通过将一或多个物理扰动引入到所述一或多个训练图像而产生一或多个经扰动图像；基于所述一或多个经扰动图像确定指示所述一或多个缺陷的所述训练试样的一或多个特征；及提取指示所述试样的一或多个缺陷的所述一或多个特征以产生所述一或多个缺陷的一或多个复制品。3.根据权利要求2所述的系统，其中所述一或多个物理扰动包括噪声产生。4.根据权利要求1所述的系统，其中使用所述机器学习分类器确定所述一或多个目标特征的一或多个缺陷包括致使所述一或多个处理器：接收缺陷类型选择，其中所述缺陷类型选择指示所述机器学习分类器确定对应于所述缺陷类型选择的一或多个缺陷。5.根据权利要求4所述的系统，其中所述缺陷类型选择由用户经由用户接口提供。6.根据权利要求4所述的系统，其中所述缺陷类型选择由所述一或多个处理器基于一或多个缺陷类型优先级方案确定。7.根据权利要求4所述的系统，其中所述缺陷类型选择由所述机器学习分类器基于一或多个缺陷频率提供。8.根据权利要求1所述的系统，其中所述机器学习分类器包括深度学习分类器、卷积神经网络(CNN)、集成学习分类器、随机森林分类器或人工神经网络中的至少一者。9.根据权利要求1所述的系统，其中所述组程序指令进一步经配置以致使所述一或多个处理器：将一或多个控制信号提供到一或多个工艺工具。10.一种系统，其包括：特性化子系统，其经配置以获取试样的一或多个图像；及控制器，其包含经配置以执行存储于存储器中的一组程序指令的一或多个处理器，所述组程序指令经配置以致使所述一或多个处理器：从所述特性化子系统接收训练试样的一或多个缺陷的一或多个训练图像；产生所述训练试样的所述一或多个缺陷的一或多个增强图像；基于所述训练试样的所述一或多个缺陷的所述一或多个增强图像产生机器学习分类器；
从所述特性化子系统接收目标试样的一或多个目标特征的一或多个目标图像；及使用所述机器学习分类器确定所述一或多个目标特征的一或多个缺陷。11.根据权利要求10所述的系统，其中基于所述训练试样的所述一或多个缺陷产生一或多个增强图像包括：通过将一或多...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：科磊股份有限公司，
类型：发明
国别省市：