用于检测在晶片的成像数据集中的异常的计算机实施方法与使用此方法的系统技术方案

本发明专利技术关于一种用于检测异常(15)的计算机实施方法(10、10’)，该计算机实施方法包含：选择一晶片(120)的成像数据集(12)和一定义机器学习模型(16)用于异常检测的超参数值；通过计算一目标函数值来训练和评估该机器学习模型(16)；选择所述已训练机器学习模型中的一个并将其应用于检测异常(15)。本发明专利技术还关于一种用于检测晶片(120)的成像数据集(12)中异常(15)的计算机实施方法(10”)，该计算机实施方法包含：针对每个缺陷类别提供异常检测图像值分布的样本；针对异常定位通过训练一机器学习模型来校准该异常检测图像(20、26、26’)；将一临界值应用于已校准异常检测图像(98、108)，以检测异常(15)。

【技术实现步骤摘要】
【国外来华专利技术】

本专利技术关于用于检测晶片的成像数据集中异常的计算机实施方法。本专利技术还关于机器可读取硬件储存装置、关于一种用于控制半导体制造厂中晶片生产的系统、以及一种用于控制半导体制造厂中生产的晶片的质量的系统。本专利技术不限用于晶片的计算机实施方法，其可应用于任何其他制造对象。

技术介绍

1、质量控制(qc)用于迭代改善最终产品质量的生产制程。由于其核心角色，使得质量控制技术不仅需要通用、高效和灵活，而且能够调适不断变化的生产条件和用例。由于没有关于潜在缺陷的信息，使得这些信息可能会随着应用或时间推移而变化，因此qc系统必须基于广泛的假设以涵盖所有缺陷类型。因此，qc系统应该能够解决冷启动条件。

2、冷启动涉及学习型系统无法对尚未收集到足够信息的项目进行任何推论的问题。这个问题经常发生在半导体产业，因为制程和晶片类型不断被调适。因此，冷启动为涉及自动数据建模的机器学习系统中一常见问题，因为每当修改系统参数时，机器学习模型都必须从头开始重新训练。

3、无监督机器学习技术，例如自动编码器，成功解决了qc问题。在训练期间，此类技术学习大量可用的“本文档来自技高网...

【技术保护点】

1.一种用于异常(15)的检测的计算机实施方法(10、10’)，包含：

2.如权利要求1所述的方法，其中，该机器学习模型在以该成像数据集(12)的子集作为输入(14)呈现时受训练，以计算无异常(15)的该子集的重建(18)，并且基于该子集与重建的该子集之间的比较，来检测该子集内的异常(15)。

3.如权利要求2所述的方法，其中，该机器学习模型(16)包含自动编码器。

4.如前述权利要求中任一项所述的方法，其中，至少一个超参数(48)为设计超参数，其与该机器学习模型(16)的设计有关。

5.如前述权利要求中任一项所述的方法，其中，该至少一个超...

【技术特征摘要】
【国外来华专利技术】

1.一种用于异常(15)的检测的计算机实施方法(10、10’)，包含：

2.如权利要求1所述的方法，其中，该机器学习模型在以该成像数据集(12)的子集作为输入(14)呈现时受训练，以计算无异常(15)的该子集的重建(18)，并且基于该子集与重建的该子集之间的比较，来检测该子集内的异常(15)。

3.如权利要求2所述的方法，其中，该机器学习模型(16)包含自动编码器。

4.如前述权利要求中任一项所述的方法，其中，至少一个超参数(48)为设计超参数，其与该机器学习模型(16)的设计有关。

5.如前述权利要求中任一项所述的方法，其中，该至少一个超参数(48)的全部为设计超参数，其与该机器学习模型的设计有关。

6.如前述权利要求中任一项所述的方法，其中，该目标函数(46)包含至少两个不同的模型评估指标。

7.如权利要求6所述的方法，其中，所述模型评估指标中的至少一个测量所述异常检测的质量。

8.如权利要求6或7所述的方法，其中，所述模型评估指标中的一个包含在该机器学习模型(16)训练期间使用的损失函数。

9.如权利要求8所述的方法，其中，所述模型评估指标中的一个为在该机器学习模型(16)训练期间使用的损失函数。

10.如权利要求6至9中任一项所述的方法，其中，所述模型评估指标中的一个包含所述训练数据样本和相应的目标数据样本的lp-norm损失函数，其中p≥1。

11.如权利要求7至10中任一项所述的方法，其中，该训练数据包含对该成像数据集(12)的子集的异常(15)的专家注释(36)，并且所述模型评估指标中的一个包含评估所述异常(15)的所述专家注释(36)与已检测的所述异常(15)之间差异的判别损失函数。

12.如权利要求11所述的方法，其中，所述专家注释(36)仅将标记指派至该成像数据集(12)中存在的异常类型(15)的子集。

13.如权利要求7至12中任一项所述的方法，其中，所述模型评估指标中的一个包含该机器学习模型(16)的复杂性度量。

14.如前述权利要求中任一项所述的方法，其中，该训练数据包含对该成像数据集(12)的子集的异常(15)的专家注释(36)，并且该目标函数(46)包含所述训练数据样本和相应的目标数据样本的lp-norm损失函数以及评估所述异常(15)的所述专家注释(36)之间差异的判别损失函数的加权总和，其中p≥1。

15.如权利要求14所述的方法，其中，该目标函数(46)还包含该机器学习模型(16)的复杂性度量。

16.如权利要求13或15所述的方法，其中，该机器学习模型(16)的复杂性度量考虑该机器学习模型(16)的一个前向传递中的浮点运算的总数。

17.如前述权利要求中任一项所述的方法，其中，该目标函数(46)包含质量值，以评估已训练的该机器学习模型(16)的质量，其中用户界面(128)配置成向用户呈现关于已训练的该机器学习模型(16)的信息，并让该用户指出该质量值。

18.如前述权利要求中任一项所述的方法，其中，用于选择超参数值的数量的该取样策略包含通过优化从含有预期改善、最大改善概率、置信上限的群组中选择的一个标准，来考虑来自一个或多个先前迭代的该目标函数(46)的超参数值和对应值。

19.如前述权利要求中任一项所述的方法，其中，该取样策略包含提前停止标准。

20.如前述权利要求中任一项所述的方法，其中，至少一组超参数值与一概率分布有关联，该概率分布指出每个超参数值被该取样策略选择的可能性。

21.如权利要求20所述的方法，其中，该概率分布基于关于临界距离、临界尺寸或间距大小的先前应用知识而建模。

22.如前述权利要求中任一项所述的方法，其中，对于至少两次迭代，该取样策略不同。

23.如前述权利要求中任一项所述的方法，其中，已产生的该训练数据的该子集的大小随迭代次数的增加而增加。

24.一种用于在晶片(120)的成像数据集(12)中的...

【专利技术属性】
技术研发人员：A·阿尔佩罗维奇，T·科布，J·T·纽曼，A·斯利坎塔，
申请(专利权)人：卡尔蔡司SMT有限责任公司，
类型：发明
国别省市：