【技术实现步骤摘要】
本公开内容的主题一般涉及半导体样品的检查领域，更具体地说，涉及在样品上基于机器学习的缺陷检查。
技术介绍
1、当前对与制造的装置的超大规模集成相关的高密度和性能的需求需要亚微米特性、提高晶体管和电路速度以及提高可靠性。随着半导体工艺的发展，图案尺寸(如线宽)和其他类型的临界尺寸不断缩小。这样的需求需要形成具有高精度和均匀性的装置特征，这反过来又需要对制造工艺进行仔细监控，包括在装置仍处于半导体晶片形式时对其进行自动检查。
2、运行时检查通常可采用两阶段程序，例如，检验样品，然后审查潜在缺陷的采样位置。检查通常包括通过将光或电子引导到晶片并检测来自晶片的光或电子来产生样品的特定输出(例如，图像、信号等)。在第一阶段期间，以高速和相对较低的分辨率检验样品的表面。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。生成缺陷图(defect map)以显示样品上具有大概率为缺陷的可疑位置。在第二阶段期间，以相对高的分辨率对至少一些可疑位置进行更彻底的分析，以确定缺陷的不同参数，例如类别、厚度、粗糙度、尺寸等。
3、可在待检样品制造期间或之后使用无损检查工具进行检查。检查通常包括通过将光或电子引导到晶片并检测来自晶片的光或电子来产生样品的特定输出(例如，图像、信号等)。作为非限制性示例，各种无损检查工具包括扫描电子显微镜、原子力显微镜、光学检测工具等。
4、检查处理可包括多个检查步骤。半导体装置的制造陈处理可包括各种程序，例如蚀刻、沉积、平坦化、生长(诸如外延生长)、注入等。可多次执行检查步骤，例如在某
5、在半导体制造期间的各个步骤中使用检查处理来检测和分类样品上的缺陷，以及执行计量相关操作。检查的有效性可通过(多个)处理的自动化来提高，这些处理诸如是，举例而言，缺陷检测、自动缺陷分类(automatic defect classification,adc)、自动缺陷审查(automatic defect review,adr)、图像分割、自动化计量相关操作等。自动化检查系统确保制造的零件符合预期的质量标准，并根据识别的缺陷类型，提供可需要对制造工具、设备和/或成分进行调整的有用信息。
6、在一些情况下，可使用机器学习技术来辅助检查处理，以提高产量。例如，监督机器学习可用于实现基于充分注释的训练图像的自动化特定检查应用的准确和高效的方案。
技术实现思路
1、根据本公开的主题的某些方面，提供一种用于对半导体样品进行缺陷检查的计算机化系统，该系统包括处理器和存储器电路(pmc)，该pmc被配置为：获得半导体样品的原始图像，该原始图像具有被注释为包围缺陷特征的第一区域；在包含第一区域的原始图像中指定第二区域，从而在第一区域与第二区域之间产生背景区域(contextual region)；在所述半导体样品的目标图像中，根据匹配测量来识别与所述背景区域匹配的候选区域集合；从所述候选区域集合中选择一个或多个候选区域；和相对于一个或多个候选区域粘贴第一区域或第一区域的部分，从而产生可用于半导体样品上的缺陷检查的增强目标图像。
2、除了上述特征之外，根据本公开的主题的这一方面的系统可包括以技术上可能的任何期望的组合或排列的以下列出的特征(i)至(xi)中的一个或多个：
3、(i)pmc进一步被配置为从原始图像中提取表示缺陷特征的图像块。粘贴包括根据第一区域与第二区域之间的相对位置相对于所选择的候选区域来粘贴图像块。
4、(ii)图像块是通过从原始图像减去参考图像来提取的，该参考图像是与原始图像对应的无缺陷图像。
5、(iii)图像块是通过从第二区域减去参考区域来提取的，该参考区域是从一个或多个候选区域中选择的。
6、(iv)第二区域是基于以下一者来定义的：缺陷特征的背景图案(contextualpattern)、或指示第一区域和第二区域的轮廓之间的距离的预定参数。
7、(v)匹配测量是基于相关性的匹配，并且候选区域集合是通过在背景区域与目标图像之间执行互相关来识别的，并选择满足预定相关性阈值的候选区域集合。
8、(vi)匹配测量是基于特征的匹配，并且一个或多个候选区域是通过分别针对背景区域和目标图像识别对图案变化具有不变性质的一个或多个关键点、计算表征背景区域和目标图像的关键点的各自局部描述符、并且比较各自局部描述符以找到上下文区与目标图像之间的匹配关键点来识别的。
9、(vii)一个或多个候选区域是根据以下中的一者从候选区域集合中选择的：相对于背景区域的相似性水平、或随机选择。
10、(viii)pmc进一步被配置为在粘贴之前基于以下中的至少一者操纵第一区域或第一区域的部分的一个或多个图像特性：几何变换、灰度强度修改、过滤、风格转换和对比度修改。
11、(ix)pmc被配置为获得一组原始图像，这一组原始图像各自具有注释的各自的第一区域并包围各自的缺陷特征，并且pmc被配置成相对于目标图像针对每个原始图像执行指定、识别、选择和粘贴，从而产生对各自的缺陷特性进行了增强的增强目标图像。
12、(x)pmc进一步被配置为将缺陷标签与增强目标图像中的第一区域或所述第一区域部分相关联，将与缺陷标签相关联的增强目标图像包括在训练集中，并且使用训练集来训练机器学习(ml)模型。
13、(xi)pmc进一步被配置为使用检测算法对所述增强目标图像执行缺陷检测，并基于所述缺陷检测的结果来确定是否修改所述检测算法。
14、根据本公开的主题的其他方面，提供一种用于半导体样品缺陷检查的计算机化方法，该方法包括以下步骤：获得半导体样品的原始图像，该原始图像具有被注释为包围缺陷特征的第一区域；在包含第一区域的原始图像中指定第二区域，从而在所述第一区域与所述第二区域之间产生背景区域；在所述半导体样品的目标图像中，根据匹配测量来识别与所述背景区域匹配的候选区域集合；从所述候选区域集合中选择一个或多个候选区域；和相对于一个或多个候选区域粘贴第一区域或所述第一区域的部分，从而产生可用于半导体样品上的缺陷检查的增强目标图像。
15、所公开主题的这方面可包括以上关于系统列出的特征(i)至(xi)中的一个或多个，在技术上可能的任何期望的组合或排列中作必要的修改。
16、根据本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，当由计算机执行时，使计算机执行用于对半导体样品进行缺陷检查的计算机化方法，该方法包括以下步骤：获得半导体样品的原始图像，所述原始图像具有被注释为包围缺陷特征的第一区域；在包含第一区域的原始图像中指定第二区域，从而在第一区域与第二区域之间产生背景区域；在所述半导体样品的目标图像中，根据匹配测量来识别与所述背景区域匹配的候选区域集合；从候选区域集合中选择一个或本文档来自技高网...
【技术保护点】
1.一种用于对半导体样品进行缺陷检查的计算机化系统，所述系统包括处理器和存储器电路(PMC)，所述PMC被配置为：
2.根据权利要求1所述的计算机化系统，其中所述PMC进一步被配置为从所述原始图像中提取表示所述缺陷特征的图像块，并且其中所述粘贴包括根据所述第一区域与所述第二区域之间的相对位置来相对于所述一个或多个候选区域粘贴所述图像块。
3.根据权利要求2所述的计算机化系统，其中所述图像块是通过从所述原始图像减去参考图像来提取的，所述参考图像是与所述原始图像对应的无缺陷图像。
4.根据权利要求2所述的计算机化系统，其中所述图像块是通过从所述第二区域减去参考区域来提取的，所述参考区域是从所述一个或多个候选区域中选择的。
5.根据权利要求1所述的计算机化系统，其中所述第二区域是基于以下中的一者来指定的：所述缺陷特征的背景图案、或指示所述第一区域和所述第二区域的轮廓之间的距离的预定参数。
6.根据权利要求1所述的计算机化系统，其中所述匹配测量是基于相关性的匹配，并且所述候选区域集合是通过在所述背景区域与所述目标图像之间执行互相
7.根据权利要求1所述的计算机化系统，其中所述匹配测量是基于特征的匹配，并且所述一个或多个候选区域是通过分别针对所述背景区域和所述目标图像识别对图案变化具有不变性的一个或多个关键点、计算表征所述背景区域和所述目标图像的所述关键点的各自局部描述符、并且比较所述各自局部描述符以找到所述上下文区与所述目标图像之间的匹配关键点来识别的。
8.根据权利要求1所述的计算机化系统，其中所述一个或多个候选区域是根据以下中的一者来从所述候选区域集合中选择的：相对于所述背景区域的相似性水平、或随机选择。
9.根据权利要求1所述的计算机化系统，其中所述PMC进一步被配置为在所述粘贴之前基于以下中的至少一者操纵所述第一区域或所述第一区域的部分的一个或多个图像特性：几何变换、灰度强度修改、过滤、风格转换和对比度修改。
10.根据权利要求1所述的计算机化系统，其中所述PMC被配置为获得一组原始图像，所述一组原始图像各自具有注释的各自的第一区域并包围各自的缺陷特征，并且所述PMC被配置为相对于所述目标图像针对每个原始图像执行所述指定、所述识别、所述选择和所述粘贴，从而产生一组增强目标图像，每个增强目标图像具有至少一个缺陷特征。
11.根据权利要求1所述的计算机化系统，其中所述PMC进一步被配置为将缺陷标签与所述增强目标图像中的所述第一区域或所述第一区域的部分相关联，将与所述缺陷标签相关联的所述增强目标图像包括在训练集中，并且使用所述训练集来训练机器学习(ML)模型。
12.根据权利要求1所述的计算机化系统，其中所述PMC进一步被配置为使用检测算法对所述增强目标图像执行缺陷检测，并且基于所述缺陷检测的结果来确定是否修改所述检测算法。
13.一种用于半导体样品上的缺陷检查的计算机化方法，所述方法包括以下步骤：
14.根据权利要求13所述的计算机化方法，进一步包括：从所述原始图像中提取表示所述缺陷特征的图像块，并且其中所述粘贴包括根据所述第一区域与所述第二区域之间的相对位置相对于所选候选区域粘贴所述图像块。
15.根据权利要求14所述的计算机化方法，其中所述图像块是通过从所述原始图像减去参考图像来提取的，所述参考图像是与所述初始图像对应的无缺陷图像。
16.根据权利要求14所述的计算机化方法，其中所述图像块是通过从所述第二区域减去参考区域来提取的，所述参考区域是从所述一个或多个候选区域中选择的。
17.根据权利要求13所述的计算机化方法，其中所述第二区域是基于以下一者来定义的：所述缺陷特征的背景图案、或指示所述第一区域和所述第二区域的轮廓之间的距离的预定参数。
18.根据权利要求13所述的计算机化方法，其中所述匹配测量是基于特征的匹配，并且所述一个或多个候选区域是通过分别针对所述背景区域和所述目标图像识别对图案变化具有不变性的一个或多个关键点、计算表征所述背景区域和所述目标图像的关键点的各自局部描述符、并且比较所述各自局部描述符以找到所述上下文区与所述目标图像之间的匹配关键点来识别的。
19.根据权利要求13所述的计算机化方法，进一步包括：将缺陷标签与所述增强目标图像中的所述第一区域或所述第一区域的部分相关联，将与所述缺陷标签相关联的所述增强目标图像包括在训练集中，并且使用所述训练集来训练机器学习(ML)模型。
20.一种有形地体现指令程序的非暂时性计算机可读...
【技术特征摘要】
1.一种用于对半导体样品进行缺陷检查的计算机化系统，所述系统包括处理器和存储器电路(pmc)，所述pmc被配置为：
2.根据权利要求1所述的计算机化系统，其中所述pmc进一步被配置为从所述原始图像中提取表示所述缺陷特征的图像块，并且其中所述粘贴包括根据所述第一区域与所述第二区域之间的相对位置来相对于所述一个或多个候选区域粘贴所述图像块。
3.根据权利要求2所述的计算机化系统，其中所述图像块是通过从所述原始图像减去参考图像来提取的，所述参考图像是与所述原始图像对应的无缺陷图像。
4.根据权利要求2所述的计算机化系统，其中所述图像块是通过从所述第二区域减去参考区域来提取的，所述参考区域是从所述一个或多个候选区域中选择的。
5.根据权利要求1所述的计算机化系统，其中所述第二区域是基于以下中的一者来指定的：所述缺陷特征的背景图案、或指示所述第一区域和所述第二区域的轮廓之间的距离的预定参数。
6.根据权利要求1所述的计算机化系统，其中所述匹配测量是基于相关性的匹配，并且所述候选区域集合是通过在所述背景区域与所述目标图像之间执行互相关来识别的，并选择满足预定相关性阈值的所述候选区域集合。
7.根据权利要求1所述的计算机化系统，其中所述匹配测量是基于特征的匹配，并且所述一个或多个候选区域是通过分别针对所述背景区域和所述目标图像识别对图案变化具有不变性的一个或多个关键点、计算表征所述背景区域和所述目标图像的所述关键点的各自局部描述符、并且比较所述各自局部描述符以找到所述上下文区与所述目标图像之间的匹配关键点来识别的。
8.根据权利要求1所述的计算机化系统，其中所述一个或多个候选区域是根据以下中的一者来从所述候选区域集合中选择的：相对于所述背景区域的相似性水平、或随机选择。
9.根据权利要求1所述的计算机化系统，其中所述pmc进一步被配置为在所述粘贴之前基于以下中的至少一者操纵所述第一区域或所述第一区域的部分的一个或多个图像特性：几何变换、灰度强度修改、过滤、风格转换和对比度修改。
10.根据权利要求1所述的计算机化系统，其中所述pmc被配置为获得一组原始图像，所述一组原始图像各自具有注释的各自的第一区域并包围各自的缺陷特征，并且所述pmc被配置为相对于所述目标图像针对每个原始图像执行所述指定、所述识别、所述选择和所述粘贴，从...
【专利技术属性】
技术研发人员：鲍里斯·谢尔曼，鲍里斯·莱万特，冉·雅科比，博瑟·雷谢夫，托默·耶米尼，
申请(专利权)人：应用材料以色列公司，
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。