提供用于确定样本的信息的方法及系统。本文中所描述的实施例经配置以训练用于从由检验子系统产生的样本的图像产生所述样本的较高分辨率图像的机器学习(ML)模型。所述训练包含仅使用模拟图像执行的预训练步骤及使用测试样本的实际图像执行的重新训练步骤。由所述经训练ML模型从较低分辨率检验图像中产生的所述较高分辨率图像可用于包含扰乱点过滤及缺陷分类在内的应用。缺陷分类在内的应用。缺陷分类在内的应用。
【技术实现步骤摘要】
【国外来华专利技术】训练机器学习模型以从检验图像产生较高分辨率图像
[0001]本专利技术大体上涉及用于确定使用经训练机器学习模型的样本的信息的方法及系统。
技术介绍
[0002]以下描述及实例由于包含于本节中而不被承认为现有技术。
[0003]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半导体制程来处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。例如，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蚀剂的半导体制程。半导体制程的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可以布置制造于单半导体晶片上且接着被分离成个别半导体装置。
[0004]半导体制程期间的各种步骤中使用检验过程来检测样本上的缺陷以驱使制程中的较高良率，且因此驱使较高利润。检验总是制造半导体装置的重要部分。然而，随着半导体装置的尺寸减小，针对成功制造可接受的半导体装置，检验变得甚至更重要，因为较小缺陷可引起装置失效。
[0005]缺陷检视通常涉及重新检测例如由检验过程所检测的缺陷，且使用高倍光学系统或扫描电子显微镜(SEM)以较高分辨率产生关于缺陷的额外信息。因此，在由检验检测到缺陷的样本上的离散位置处执行缺陷检视。由缺陷检视产生的用于缺陷的较高分辨率数据更适合于确定缺陷的属性(例如轮廓、粗糙度、更准确大小信息等等)。
[0006]半导体制程期间的各种步骤中还使用度量过程来监测及控制过程。度量过程与检验过程的不同之处在于，与在样本上检测缺陷的检验过程不同，度量过程用于测量样本的无法使用当前所使用的检验工具确定的一或多个特性。例如，度量过程用于测量样本的一或多个特性，例如在过程期间形成于样本上的特征的尺寸(例如线宽、厚度等等)，使得可从一或多个特性确定过程的性能。另外，如果样本的一或多个特性不可接受(例如超出特性的预定范围)，那么样本的一或多个特性的测量可用于改变过程的一或多个参数，使得由过程制造的额外样本具有可接受的特性。
[0007]度量过程还与缺陷检视过程的不同之处在于，与在缺陷检视中再次造访由检验所检测缺陷的缺陷检视过程不同，度量过程可执行于未检测到缺陷的位置处。换句话说，与缺陷检视不同，对样本执行度量过程的位置可独立于对样本执行检验过程的结果。特定来说，可独立于检验结果来选择执行度量过程的位置。
[0008]如上文所描述，因此，归因于执行检验(光学及有时电子束检验)的有限分辨率，一般需要样本产生额外较高分辨率图像以对样本上检测到的缺陷进行缺陷检视，其可包含验证检测缺陷、分类检测缺陷及确定缺陷的特性中的一或多者。另外，一般需要较高分辨率图像来确定形成于样本上的图案化特征的信息，如在度量学中一样，不管在图案化特征中是否已检测到缺陷。因此，缺陷检视及度量可为需要使用物理样本本身及产生较高分辨率图像所需的工具的耗时过程。
[0009]然而，无法简单消除缺陷检视及度量以节省时间及金钱的过程。例如，归因于执行检验过程的分辨率，检验过程一般不产生图像信号或数据，此类图像信号或数据可用于确定足以分类缺陷的检测缺陷及/或确定缺陷的根本原因的信息。另外，归因于执行检验过程的分辨率，检验过程一般不产生图像信号或数据，此类图像信号或数据可用于使用足够准确度及/或精度确定形成于样本上的图案化特征的信息。
[0010]存在先前用于经由基于计算机的后处理来提高光学图像的分辨率的两类方法。第一类是使用相同位置的多个视图的超分辨率方法。此处，使用多个光学模式、焦点偏移及/或透视来获取较低分辨率的图像。较高分辨率图像使用光学模型或具有深度学习(DL)模型的学习方法来重建。第二类是仅使用光学图像重建较高分辨率图像的DL模型。其依靠学习较高分辨率图像的特征(如纹理、边缘及物体的形状模型)的基本分布。
[0011]然而，当前用于提高光学图像分辨率的基于计算机的方法存在若干缺点。例如，超分辨率方法对光学工具的产出量有显著影响。检验减慢的因子与高分辨率重建所需的视图数目成比例。当以检验工具一般以其操作的奈奎斯特(Nyquist)速率取样时，由于光学图像中的信息受限，基于模型的方法易于产生假影。
[0012]因此，开发用于确定不具有上述一或多个缺点的样本的信息的系统及方法将是有利的。
技术实现思路
[0013]各种实施例的以下描述不以任何方式解释为限制所附权利要求书的标的物。
[0014]一个实施例涉及一种经配置以确定样本的信息的系统。所述系统包含检验子系统，其经配置以产生样本的图像。所述系统还包含一或多个计算机子系统及一或多个组件，所述一或多个组件由所述一或多个计算机子系统执行。所述一或多个组件包含经训练机器学习(ML)模型，其经配置以将由所述检验子系统产生的所述样本的所述图像变换为所述样本的较高分辨率图像。
[0015]所述一或多个计算机子系统经配置以使用预训练集预训练初始ML模型，借此产生预训练ML模型。所述预训练集包含指定为预训练输入的测试样本的模拟检验图像及指定为预训练输出的所述测试样本的对应模拟较高分辨率图像。
[0016]所述一或多个计算机子系统还经配置以使用训练集重新训练所述经预训练ML模型，借此产生所述经训练ML模型。所述训练集包含指定为训练输入的由所述检验子系统针对所述测试样本产生的图像及指定为训练输出的由高分辨率成像系统产生的所述测试样本的对应较高分辨率图像。
[0017]所述一或多个计算机子系统进一步经配置以将由所述检验子系统在检验期间针对所述样本产生的所述图像输入到所述经训练ML模型中以借此产生所述样本的所述较高分辨率图像。另外，所述一或多个计算机子系统经配置以从所述所产生的较高分辨率图像确定所述样本的信息。所述系统可如本文中所描述那样进一步配置。
[0018]另一实施例涉及一种用于确定样本的信息的计算机实施方法。所述方法包含由一或多个计算机系统执行的上述预训练、重新训练、输入及确定步骤。一或多个组件由所述一或多个计算机系统执行。所述一或多个组件包含所述经训练ML模型，所述经训练ML模型经配置以将由所述检验子系统产生的样本的图像变换为所述样本的较高分辨率图像。
[0019]所述方法的所述步骤中的每一者可如本文中进一步描述那样执行。所述方法可包含本文中所描述的任何其它方法的任何其它步骤。所述方法可由本文中所描述的所述系统中的任何者执行。
[0020]另一实施例涉及一种非暂时性计算机可读媒体，其存储可在一或多个计算机系统上执行用于确定样本的信息的计算机实施方法的程序指令。所述计算机实施方法包含上述方法的所述步骤。所述计算机可读媒体可如本文中所描述那样进一步配置。所述计算机实施方法的所述步骤可如本文中进一步描述那样执行。另外，所述程序指令可执行的所述计算机实施方法可包含本文中所描述的任何其它方法的任何其它步骤。
附图说明
[0021]所属领域的技术人员将从优选实施例的以下详细描述及在参考附图之后明白本专利技术的进一步优点，其中：
[0022]图1及1a是说明如本文中所描述那样配置的系统的本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种经配置以确定样本的信息的系统，其包括：检验子系统，其经配置以产生样本的图像；一或多个计算机子系统；及一或多个组件，其由所述一或多个计算机子系统执行，其中所述一或多个组件包括经配置以将由所述检验子系统产生的所述样本的所述图像变换为所述样本的较高分辨率图像的经训练机器学习模型；其中所述一或多个计算机子系统经配置以：使用预训练集预训练初始机器学习模型，借此产生预训练机器学习模型，其中所述预训练集包括指定为预训练输入的测试样本的模拟检验图像及指定为预训练输出的所述测试样本的对应模拟较高分辨率图像；使用训练集重新训练所述经预训练机器学习模型，借此产生所述经训练机器学习模型，其中所述训练集包括指定为训练输入的由所述检验子系统针对所述测试样本产生的图像及指定为训练输出的由高分辨率成像系统产生的所述测试样本的对应较高分辨率图像；将由所述检验子系统在检验期间针对所述样本产生的所述图像输入到所述经训练机器学习模型中以借此产生所述样本的所述较高分辨率图像；及从所述所产生的较高分辨率图像确定所述样本的信息。2.根据权利要求1所述的系统，其中所述训练集中的所述图像的数目小于所述预训练集中的所述模拟检验图像的数目，且其中所述训练集中的所述较高分辨率图像的数目小于所述预训练集中的所述模拟较高分辨率图像的数目。3.根据权利要求1所述的系统，其中所述一或多个计算机子系统进一步经配置以从所述测试样本的设计产生所述模拟检验图像及所述模拟较高分辨率图像。4.根据权利要求3所述的系统，其中产生所述模拟检验图像及所述模拟较高分辨率图像包括：通过将代表预期过程变化的扰动应用于所述设计以借此产生扰动设计来模拟形成于所述测试样本上的所述设计的过程变化。5.根据权利要求4所述的系统，其中使用高斯(Gaussian)过程模型来执行将所述扰动应用于所述设计。6.根据权利要求4所述的系统，其中产生所述模拟检验图像进一步包括：将所述扰动设计变换为图像域。7.根据权利要求6所述的系统，其中使用部分相干模型来执行将所述扰动设计变换为所述图像域。8.根据权利要求1所述的系统，其中所述模拟检验图像、所述模拟较高分辨率图像、针对所述测试样本产生的所述图像及所述测试样本的所述较高分辨率图像仅包括光学图像。9.根据权利要求1所述的系统，其中所述模拟检验图像及针对所述测试样本产生的所述图像仅包括光学图像，且其中所述模拟较高分辨率图像及所述测试样本的所述较高分辨率图像仅包括电子束图像。10.根据权利要求1所述的系统，其中所述模拟检验图像、所述模拟较高分辨率图像、针对所述测试样本产生的所述图像及所述测试样本的所述较高分辨率图像仅包括电子束图像。11.根据权利要求1所述的系统，其中所述训练集进一步包括所述样本的设计。
12.根据权利要求1所述的系统，其中所述初始机器学习模型是生成网络。13.根据权利要求1所述的系统，其中所述初始机器学习模型是生成对抗网络。1...
【专利技术属性】
技术研发人员：K，
申请(专利权)人：科磊股份有限公司，
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。