System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
【国外来华专利技术】
本专利技术大体上涉及用于确定样品的信息的方法及系统。某些实施例涉及一种深度学习模型,其在无经标记数据的情况下(例如,以无监督或自我监督方式)进行训练,且经配置以从包含至少一个样品图像或从样品图像产生的数据的一或多个输入产生样品的参考。
技术介绍
1、以下描述及实例不因其包含于此段落中而被承认为现有技术。
2、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造过程处理衬底(例如半导体晶片)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倍缩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造过程。半导体制造过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个半导体晶片上且接着被分成个别半导体装置。
3、在半导体制造过程期间的各个步骤使用检验过程来检测样品上的缺陷以驱动制造过程中的更高良率及因此更高利润。检验始终为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,检验对于可接受半导体装置的成功制造变得更为重要,这是因为较小缺陷可引起装置故障。
4、缺陷检视通常涉及重新检测本身由检验过程检测的缺陷及使用高放大率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,在样品上的已通过检验检测到缺陷的离散位置处执行缺陷检视。通过缺陷检视产生的缺陷的较高分辨率数据更适于确定缺陷的属性,例如轮廓、粗糙度、更准确大小信息等。相较于检验,通常可基于通过缺陷检视确定的信息更准确地将缺陷分类成缺陷类型。
...【技术保护点】
1.一种经配置用于确定样品的信息的系统,其包括:
2.根据权利要求1所述的系统,其中所述深度学习模型以无监督方式进一步训练。
3.根据权利要求1所述的系统,其中所述深度学习模型以自我监督方式进一步训练。
4.根据权利要求1所述的系统,其中当所述一或多个输入包括所述样品图像时,所述参考包括经学习参考图像。
5.根据权利要求1所述的系统,其中当所述一或多个输入包括从所述样品图像产生的所述数据且从所述样品图像产生的所述数据包括结构噪声时,所述参考包括经学习结构噪声。
6.根据权利要求1所述的系统,其中所述一或多个输入进一步包括所述样品的设计信息及至少所述样品图像或从所述样品图像产生的所述数据。
7.根据权利要求1所述的系统,其中所述一或多个输入进一步包括所述样品的设计信息及至少所述样品图像或从所述样品图像产生的所述数据,且其中所述一或多个输入、所述设计信息及从所述样品图像产生的所述数据不包括所述样品的关注区域信息。
8.根据权利要求1所述的系统,其中所述一或多个输入进一步包括所述样品的关注区域信息及至少
9.根据权利要求1所述的系统,其中所述样品图像是使用成像子系统的第一模式产生,其中所述深度学习模型进一步经配置以从至少包括使用所述成像子系统的第二模式产生的额外样品图像或从所述额外样品图像产生的数据的一或多个额外输入产生所述样品的额外参考,且其中所述计算机子系统进一步经配置用于从所述额外参考及至少所述额外样品图像或从所述额外样品图像产生的所述数据确定所述样品的额外信息。
10.根据权利要求9所述的系统,其中在不同时间将所述样品图像及所述额外样品图像或从所述样品图像产生的所述数据及从所述额外样品图像产生的所述数据单独输入到所述深度学习模型。
11.根据权利要求9所述的系统,其中将所述样品图像及所述额外样品图像或从所述样品图像产生的所述数据及从所述额外样品图像产生的所述数据联合输入到所述深度学习模型。
12.根据权利要求1所述的系统,其中所述计算机子系统未经配置用于从任何其它样品的参考确定信息。
13.根据权利要求1所述的系统,其中所述计算机子系统进一步经配置用于从所述参考及仅所述样品图像或从所述样品图像产生的所述数据确定所述样品的信息。
14.根据权利要求1所述的系统,其中所述计算机子系统进一步经配置用于通过将所述参考及至少所述样品图像或从所述样品图像产生的所述数据输入到监督式深度学习模型中而确定所述样品的所述信息。
15.根据权利要求1所述的系统,其中所述计算机子系统进一步经配置用于通过将所述参考及至少所述样品图像或从所述样品图像产生的所述数据输入到无监督式深度学习模型中而确定所述样品的所述信息。
16.根据权利要求1所述的系统,其中所述计算机子系统进一步经配置用于通过将所述参考及至少所述样品图像或从所述样品图像产生的所述数据输入到无监督式算法中而确定所述样品的所述信息。
17.根据权利要求1所述的系统,其中针对所述样品确定的所述信息包括所述样品上的经预测缺陷位置。
18.根据权利要求1所述的系统,其中所述样品图像由基于光的成像子系统产生。
19.一种存储程序指令的非暂时性计算机可读媒体,所述程序指令可在计算机系统上执行以执行用于确定样品的信息的计算机实施方法,其中所述计算机实施方法包括:
20.一种用于确定样品的信息的计算机实施方法,其包括:
...【技术特征摘要】
【国外来华专利技术】
1.一种经配置用于确定样品的信息的系统,其包括:
2.根据权利要求1所述的系统,其中所述深度学习模型以无监督方式进一步训练。
3.根据权利要求1所述的系统,其中所述深度学习模型以自我监督方式进一步训练。
4.根据权利要求1所述的系统,其中当所述一或多个输入包括所述样品图像时,所述参考包括经学习参考图像。
5.根据权利要求1所述的系统,其中当所述一或多个输入包括从所述样品图像产生的所述数据且从所述样品图像产生的所述数据包括结构噪声时,所述参考包括经学习结构噪声。
6.根据权利要求1所述的系统,其中所述一或多个输入进一步包括所述样品的设计信息及至少所述样品图像或从所述样品图像产生的所述数据。
7.根据权利要求1所述的系统,其中所述一或多个输入进一步包括所述样品的设计信息及至少所述样品图像或从所述样品图像产生的所述数据,且其中所述一或多个输入、所述设计信息及从所述样品图像产生的所述数据不包括所述样品的关注区域信息。
8.根据权利要求1所述的系统,其中所述一或多个输入进一步包括所述样品的关注区域信息及至少所述样品图像或从所述样品图像产生的所述数据。
9.根据权利要求1所述的系统,其中所述样品图像是使用成像子系统的第一模式产生,其中所述深度学习模型进一步经配置以从至少包括使用所述成像子系统的第二模式产生的额外样品图像或从所述额外样品图像产生的数据的一或多个额外输入产生所述样品的额外参考,且其中所述计算机子系统进一步经配置用于从所述额外参考及至少所述额外样品图像或从所述额外样品图像产生的所述数据确定所述样品的额外信息。
10.根据权利要求9所述的系统,其中在不同时间将所述样品图像及所述额外样品图像或从所述样品图...
【专利技术属性】
技术研发人员:张晶,R·塞阿加拉简,董宇杰,J·强·宋,K·巴哈斯卡尔,
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。