【技术实现步骤摘要】
当前公开的主题总体上涉及样本检查领域，并且更具体地涉及检查方案的优化。
技术介绍
1、当前对与所制造器件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、以及改善的可靠性。随着半导体工艺进展，诸如线宽之类的图案尺寸和其他类型的关键尺寸持续收缩。这类需求需要形成具有高精度和均匀性的器件特征，这继而有必要小心监控制造工艺，包括在器件仍处于半导体晶片的形式时自动检查器件。
2、作为非限制性示例，运行时检查可以采用两阶段过程，例如，检验样本接着审查潜在缺陷的取样位置。检查总体上涉及通过将光或电子引导至晶片并检测来自晶片的光或电子来产生针对样本的某个输出(例如，图像、信号等)。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。缺陷检测通常通过将缺陷检测算法应用于检验输出来执行。产生缺陷图以示出具有高缺陷概率的样本上的可疑位置。最经常地，检验的目的是提供对检测感兴趣的缺陷的高敏感度，同时抑制对晶片上噪扰(nuisance)和噪声的检测。在第二阶段期间，以相对高的分辨率更透彻地分析可疑位置中的至少一些可疑位置。在一些情况下，两个阶段都可以由相同检验工具来实现，并且在一些其他情况下，这两个阶段由不同的检验工具来实现。
3、检查工艺可以包括多个检查步骤。在制造工艺期间，例如，在制造或处理某些层之后等，检查步骤可以执行多次。附加地或替代地，例如针对不同的晶片位置或针对具有不同检查设置的相同晶片位置，每个检查步骤可以重复多次。
4、检查工艺在半导体制造期间的各个步骤处使用来检测和分
技术实现思路
1、根据当前公开的主题的某些方面，提供了一种可用于检查半导体样本的检查方案的自动优化的计算机化系统，所述系统包括：存储单元，所述存储单元经配置为存储：i)一个或多个检验图像，每个检验图像表示半导体样本的至少一部分，一个或多个检验图像指示使用包括在检查方案中的第一分类器从缺陷图中选择的相应缺陷候选；ii)标签数据，所述标签数据分别与一个或多个检验图像相关联并且提供相应缺陷候选的类型的信息；以及处理和存储器电路系统(pmc)，所述处理和存储器电路系统(pmc)操作地连接到存储单元并且被配置为：提取表征一个或多个检验图像的检验特征；使用检验特征和标签数据重新训练第一分类器，从而产生第二分类器；以及通过用第二分类器替换第一分类器来优化检查方案；其中经优化的检查方案可用于检查后续的半导体样本。
2、除了以上特征之外，根据当前公开的主题的这个方面的系统可以包括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(xiv)中的一个或多个：
3、(i).缺陷图可以由检验工具生成并且可指示半导体样本上的缺陷候选分布。
4、(ii).标签数据可以由审查工具生成，包括：在相应缺陷候选的位置处捕获一个或多个审查图像，并且审查一个或多个审查图像以获得与其相关联的标签数据。
5、(iii).相应缺陷候选的类型中的每一者指示以下各项中的至少一项：感兴趣的缺陷(doi)、噪扰和相应缺陷候选的类别。
6、(iv).检验特征包括由使用一组训练检验图像预先训练以提取所述一组训练检验图像的代表性特征的无监督模型提取的第一特征。
7、(v).第一分类器使用具有相应关联的标签数据的一组训练检验图像中的一个或多个训练检验图像来预先训练。
8、(vi).检验特征可以进一步包括由监督模型提取的第二特征，所述监督模型使用具有相应关联的标签数据的一组训练检验图像中的一个或多个训练检验图像来预先训练以确定缺陷候选的类型。
9、(vii).第二特征包括以下各项中的至少一项：i)表征一个或多个检验图像的特征向量，以及ii)指示检验图像上的每个给定缺陷候选属于特定类型的概率的标签预测特征。
10、(viii).pmc可以经配置为除了检验特征和标签数据之外，还使用包括以下各项中的至少一项的第三特征来重新训练第一分类器：工具特征、缺陷特征和样本特征。
11、(ix).pmc可以进一步经配置为在重新训练第一分类器之前使用一个或多个检验图像和标签数据来重新训练无监督模型和/或监督模型。
12、(x).pmc可以进一步经配置为基于一个或多个参数来确定是否优化检查方案，并且响应于肯定的确定来执行优化和使用。
13、(xi).一个或多个参数可以包括方案更新频率、方案性能历史、客户策略和情况分析。
14、(xii).检查方案进一步包括至少附加的第一分类器，并且pmc进一步经配置为执行获得、提取和重新训练以用于生成对应于至少附加的第一分类器的至少附加的第二分类器，并且用第二分类器和至少附加的第二分类器优化检查方案。
15、(xiii).存储单元可以存储由多个检验工具捕获的多个检验图像，并且第一分类器的重新训练根据基于多个性能参数选择的工作点，所述多个性能参数包括指示多个检验工具之间的变化的工具间差异参数。
16、(xiv).样本可以包括多个层，并且pmc经配置为对每个层执行检查方案的提取、重新训练和优化，并且pmc进一步经配置为基于来自多个层的训练数据来训练通用分类器，其中通用分类器可用于对一个或多个新的层执行分类。
17、根据当前公开的主题的其他方面，提供了一种可用于检查半导体样本的检查方案的自动优化的方法，所述方法包括：获得一个或多个检验图像，每个检验图像表示半导体样本的至少一部分，一个或多个检验图像指示使用包括在检查方案中的第一分类器从缺陷图中选择的相应缺陷候选；获得分别与一个或多个检验图像相关联并且提供相应缺陷候选的类型的信息的标签数据；提取表征一个或多个检验图像的检验特征；使用第一特征和标签数据重新训练第一分类器，从而产生第二分类器；以及通过用第二分类器替换第一分类器来优化检查方案；其中经优化的检查方案可用于检查后续的半导体样本。
18、所公开的主题的这方面可以包括以技术上可能的任何期望组合或排列的加以必要修改的上文关于所述系统列出的特征(i)至(xiv)中的一个或多个。
19、根据当前公开的主题的其他方面，提供了一种包括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可用于检查半导体样本的检查方案的自动优化的方法，所述方法包括：获得一个或多个检验图像，每个检验图像表示半导体样本的至少一部分，一个或多个检验图像指示使用包括在检查方案中的第一分类器从缺陷图选择的相应缺陷候选；获得分别与一个或多个检验图像相关联并且提供相应缺陷候选的类型的信息的标签数据；提取表征一个或多个检验图像的检验特征；使用第一特征和标签数据重新训练第一分类器，从而产生第二分类器；以及通过用第二分类器替换第一分类器来优化检查方案；其中经优化本文档来自技高网...
【技术保护点】
1.一种用于检查半导体样本的计算机化系统，所述系统包括处理和存储器电路系统(PMC)，所述处理和存储器电路系统(PMC)被配置为：
2.如权利要求1所述的计算机化系统，其中所述GPC可用于执行对来自一个或多个新的层的检验数据的分类，而无需使用关于所述一个或多个新的层的训练数据进行重新训练。
3.如权利要求1所述的计算机化系统，其中所述PMC被配置为，对于新的层，使用所述GPC来执行对所述新的层的检验数据的分类，并且基于所述分类的性能来确定是否训练层特定分类器以便改进所述分类的所述性能。
4.如权利要求3所述的计算机化系统，其中所述性能可以基于以下性能测量参数中的至少一个性能测量参数来测量：错误警报率(FAR)、捕获率(CR)、过滤率、准确度、纯度、以及拒绝率。
5.如权利要求1所述的计算机化系统，其中所述训练数据中的所述检验特征包括由无监督模型从所述多个层提取的一组第一特征，所述无监督模型先前使用一组训练检验图像训练以提取所述一组训练检验图像的代表性特征。
6.如权利要求1所述的计算机化系统，其中所述训练数据中的所述检验
7.如权利要求1所述的计算机化系统，其中所述训练数据进一步包括一组第三特征，所述一组第三特征除了所述检验特征之外还包括以下各项中的至少一项：一个或多个工具特征、一个或多个缺陷特征、以及一个或多个样本特征。
8.如权利要求1所述的计算机化系统，其中所述PMC被配置为使用无监督模型或监督模型中的至少一者来提取表征所述多个检验图像的所述检验特征。
9.如权利要求1所述的计算机化系统，其中所述GPC被进一步配置为将所述缺陷候选的列表分类成不同类型的DOI。
10.如权利要求1所述的计算机化系统，其中所述PMC被进一步配置为将所述缺陷候选的列表提供给审查工具，并且其中所述审查工具被配置为在所述缺陷候选的列表的位置处捕获审查图像，并且审查所述审查图像以确定所述列表中的缺陷候选是DOI还是噪扰。
11.一种用于检查半导体样本的计算机化方法，所述方法包括：
12.如权利要求11所述的计算机化方法，其中所述GPC可用于执行对来自一个或多个新的层的检验数据的分类，而无需使用关于所述一个或多个新的层的训练数据进行重新训练。
13.如权利要求11所述的计算机化方法，进一步包括：对于新的层，使用所述GPC来执行对所述新的层的检验数据的分类，并且基于所述分类的性能来确定是否训练层特定分类器以便改进所述分类的所述性能。
14.如权利要求13所述的计算机化方法，其中所述性能可以基于以下性能测量参数中的至少一个性能测量参数来测量：错误警报率(FAR)、捕获率(CR)、过滤率、准确度、纯度、以及拒绝率。
15.如权利要求11所述的计算机化方法，其中所述训练数据中的所述检验特征包括由无监督模型从所述多个层提取的一组第一特征，所述无监督模型先前使用一组训练检验图像训练以提取所述一组训练检验图像的代表性特征。
16.如权利要求11所述的计算机化方法，其中所述训练数据中的所述检验特征包括由监督模型从所述多个层提取的一组第二特征，所述监督模型先前使用一个或多个训练检验图像与相应的相关联的标签数据来训练以确定所述一个或多个训练检验图像的缺陷候选的类型。
17.如权利要求11所述的计算机化方法，其中所述训练数据进一步包括一组第三特征，所述一组第三特征除了所述检验特征之外还包括以下各项中的至少一项：一个或多个工具特征、一个或多个缺陷特征、以及一个或多个样本特征。
18.如权利要求11所述的计算机化方法，其中表征所述多个检验图像的所述检验特征是使用无监督模型或监督模型中的至少一者来提取的。
19.如权利要求11所述的计算机化方法，其中所述GPC被进一步配置为将所述缺陷候选的列表分类成不同类型的DOI。
20.一种非暂时性计算机可读存储介质，所述非暂时性计算机可读存储介质有形地体现指令程序，所述指令程序在由计算机执行时使所述计算机执行用于检查半导体样本的方法，所述方法包括：
...【技术特征摘要】
1.一种用于检查半导体样本的计算机化系统，所述系统包括处理和存储器电路系统(pmc)，所述处理和存储器电路系统(pmc)被配置为：
2.如权利要求1所述的计算机化系统，其中所述gpc可用于执行对来自一个或多个新的层的检验数据的分类，而无需使用关于所述一个或多个新的层的训练数据进行重新训练。
3.如权利要求1所述的计算机化系统，其中所述pmc被配置为，对于新的层，使用所述gpc来执行对所述新的层的检验数据的分类，并且基于所述分类的性能来确定是否训练层特定分类器以便改进所述分类的所述性能。
4.如权利要求3所述的计算机化系统，其中所述性能可以基于以下性能测量参数中的至少一个性能测量参数来测量：错误警报率(far)、捕获率(cr)、过滤率、准确度、纯度、以及拒绝率。
5.如权利要求1所述的计算机化系统，其中所述训练数据中的所述检验特征包括由无监督模型从所述多个层提取的一组第一特征，所述无监督模型先前使用一组训练检验图像训练以提取所述一组训练检验图像的代表性特征。
6.如权利要求1所述的计算机化系统，其中所述训练数据中的所述检验特征包括由监督模型从所述多个层提取的一组第二特征，所述监督模型先前使用一个或多个训练检验图像与相应的相关联的标签数据来训练以确定所述一个或多个训练检验图像的缺陷候选的类型。
7.如权利要求1所述的计算机化系统，其中所述训练数据进一步包括一组第三特征，所述一组第三特征除了所述检验特征之外还包括以下各项中的至少一项：一个或多个工具特征、一个或多个缺陷特征、以及一个或多个样本特征。
8.如权利要求1所述的计算机化系统，其中所述pmc被配置为使用无监督模型或监督模型中的至少一者来提取表征所述多个检验图像的所述检验特征。
9.如权利要求1所述的计算机化系统，其中所述gpc被进一步配置为将所述缺陷候选的列表分类成不同类型的doi。
10.如权利要求1所述的计算机化系统，其中所述pmc被进一步配置为将所述缺陷候选的列表提供给审查工具，并且其中所述审查工具被配置为在所述缺陷候选的列表的位置处捕获审查图像，并且审...
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。