扫描电子显微镜图像中的半监督异常检测制造技术

本申请涉及扫描电子显微镜图像中的半监督异常检测。基于自动编码器的半监督方法用于异常检测。可使用这些方法发现半导体晶片上的缺陷。模型可包含变分自动编码器，例如包含梯形网络的变分自动编码器。无缺陷或干净图像可用于训练所述模型，所述模型随后用于发现缺陷或其它异常。或其它异常。或其它异常。

【技术实现步骤摘要】
扫描电子显微镜图像中的半监督异常检测
[0001]本申请是申请日为2019年3月18日、申请号为201980017256.4、专利技术名称为“扫描电子显微镜图像中的半监督异常检测”的专利技术专利申请的分案申请。
[0002]相关申请案的交叉参考
[0003]本申请案主张2018年3月19日申请且指定为第62/644,962号美国申请案的临时专利申请案的优先权，所述申请案的揭示内容以引用的方式并入本文中。


[0004]本专利技术涉及图像中的异常检测，且更特定来说，涉及扫描半导体晶片的电子显微镜图像时的异常检测。

技术介绍

[0005]半导体制造行业的演进对良率管理及特定来说计量及检验系统提出越来越高的要求。临界尺寸不断缩小，而行业需要减少实现高良率、高价值生产的时间。最小化从检测到良率问题到解决它的总时间决定了半导体制造商的投资报酬率。
[0006]制造例如逻辑及存储器装置的半导体装置通常包含使用大量制造工艺处理半导体晶片以形成半导体装置的各种特征及多个层级。举例来说，光刻是涉及将图案从光罩转印到布置于半导体晶片上的光致抗试剂的半导体制造工艺。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。可在单个半导体晶片上的布置中制造多个半导体装置且接着将其分离为个别半导体装置。
[0007]在半导体制造期间的各个步骤使用检验过程来检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终是制造例如集成电路(IC)的半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对于成功制造可接受半导体装置变得甚至更为重要，这是因为较小缺陷可导致装置故障。例如，随着半导体装置的尺寸减小，缩小大小的缺陷的检测已变得必要，这是由于甚至相对小的缺陷也可导致半导体装置中的非所要像差。
[0008]然而，随着设计规则缩小，半导体制造工艺可更接近于工艺的性能能力的限制而操作。另外，随着设计规则缩小，较小缺陷可影响装置的电参数，此驱使更灵敏的检验。随着设计规则缩小，通过检验检测到的潜在良率相关缺陷的群体显著增长，且通过检验检测到的扰乱点(nuisance)缺陷的群体也显著增加。因此，可在晶片上检测到更多缺陷，且校正工艺以消除全部缺陷可能是困难且昂贵的。确定哪些缺陷实际上影响装置的电参数及良率可允许工艺控制方法专注于所述缺陷，同时大体上忽略其它缺陷。此外，在较小设计规则下，工艺引发的故障在一些情况中倾向于是系统性的。即，工艺引发的故障倾向于在通常在设计内重复许多次的预定设计图案下发生故障。空间系统性、电相关缺陷的消除可影响良率。
[0009]随着半导体装置的大小缩小，例如使用扫描电子显微镜(SEM)的检验变得更必要。在检验中使用的当前算法倾向于需要定制化特征。在系统中涉及学习，但其倾向于以特用方式且按高阶在通常涉及SEM重检的回路中发生，其中检验结果被视为真正缺陷、假警报、
扰乱点等。工艺相关原因与操作者观察效应的能力之间的关系如此复杂，使得常规方法不适合于集中在完全利用用于控制半导体制造工艺的检验设备的原始能力的配方上。
[0010]SEM图像中的异常检测(例如，缺陷检测)使用人工方法来执行。在使用电子束检验之前，操作者使用来自另一工具(例如光学检验工具)的关于缺陷群体的信息。接着，操作者依靠统计数据来找到异常图案的位置或仅通过重检SEM图像而视觉地搜索缺陷。这是人工技术，其是繁琐且易出错的。操作者的视觉重检可为耗时的。
[0011]SEM图像中的异常检测(例如，缺陷检测)还使用监督机器学习来执行。操作者标注SEM图像上的缺陷以产生训练集来训练机器学习模型。接着，此模型可用于检验。如同其它先前技术，这是一部分人工技术，其是繁琐且易出错的。由于缺陷的微小特性，标注过程倾向于是困难的。举例来说，不同操作者可对“异常”图案看起来是什么样子具有不同定义。此在异常检测期间产生意外错误行为。此外，与标称群体相比，异常群体通常是小的。操作者需要在标称图案的庞大群体中找到异常图案，此可为挑战性的。
[0012]因此，需要改进异常检测技术。

技术实现思路

[0013]在第一实施例中提供一种系统。所述系统包括晶片检验工具及与所述晶片检验工具电子通信的处理器。所述晶片检验工具经配置以产生晶片的图像，且包含电子束源及检测器。所述处理器操作经配置以找到所述图像中的一或多个异常的模型。仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。
[0014]所述晶片检验工具可为SEM。
[0015]所述模型可包含变分自动编码器(variational autoencoder)。所述变分自动编码器可包含梯形网络。
[0016]在第二实施例中提供一种方法。在处理器处接收晶片的图像。所述处理器操作经配置以找到所述图像中的一或多个异常的模型。仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。使用所述模型确定所述图像中一或多个异常的存在。
[0017]所述图像可为SEM图像。
[0018]所述训练可使用标称图案。
[0019]所述模型可包含变分自动编码器。所述变分自动编码器可包含梯形网络。
[0020]所述方法可进一步包含使用晶片检验工具获得所述图像。在例子中，所述晶片检验工具是SEM。
[0021]所述一或多个异常可各自为异常图块或异常区域中的一者。
[0022]所述方法可进一步包含使用所述处理器在特征空间中确定所述图像与所述无缺陷训练图像之间的距离且使用所述处理器基于所述距离而确定所述图像是否是离群值。
[0023]所述方法可进一步包含使用所述处理器使用以自动编码器作为产生器且以卷积神经网络作为鉴别器的产生性对抗式网络确定所述图像是否是离群值。
[0024]在第三实施例中提供一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体包括用于在一或多个运算装置上执行模型的一或多个程序。仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。所述模型经配置以接收晶片的图像且确定所述图像中一或多个异常的存在。
[0025]所述图像可为SEM图像。
[0026]可使用标称图案训练所述模型。
[0027]所述模型可包含变分自动编码器。所述变分自动编码器可包含梯形网络。
[0028]所述模型可经配置以执行离群值检测，借此检测异常。
附图说明
[0029]出于更完全理解本专利技术的性质及目的，应参考结合所附图式进行的以下详细描述，其中：
[0030]图1是根据本专利技术的方法的实施例的流程图；
[0031]图2说明使用自动编码器进行工作流程操作，包含在干净位点上训练自动编码器且对可含有缺陷的测试位点运行推理；
[0032]图3说明包含编码器及解码器的变分自动编码器的架构；
[0033]图4说明示范性深度卷积神经网络及梯形变分自动编码器架构；
[0034]图5说明使用自动编码器输入及重建异常SEM图块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种晶片检验系统，其包括：晶片检验工具，其经配置以产生晶片的图像，其中所述晶片检验工具包含电子束源及检测器；及处理器，其与所述晶片检验工具电子通信，其中所述处理器操作经配置以找到所述图像中的一或多个异常的模型，其中仅基于半导体装置的无缺陷训练图像使用半监督机器学习训练所述模型。2.根据权利要求1所述的系统，其中所述晶片检验工具是扫描电子显微镜。3.根据权利要求1所述的系统，其中所述模型包含变分自动编码器。4.根据权利要求3所述的系统，其中所述变分自动编码器包含梯形网络。5.一种晶片检验方法，其包括：在处理器处接收晶...

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