用于基于半导体的应用的使用全局纹理特性的机器学习的制作方法

本发明大体上涉及用于确定样品的信息的方法及系统。某些实施例涉及使用全局纹理特性对半导体相关的样品上检测的缺陷进行分类及/或预测半导体相关的样品上的结构的一或多个特性。

背景技术：

1、以下描述及实例不能因其包含于本章节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。多个半导体装置可依布置制造于单个半导体晶片上且接着分离成个别半导体装置。

3、在半导体制程期间的各种步骤中使用检验过程来检测样品上的缺陷以驱动制程中的较高良率且因此驱动较高利润。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，检验对于成功制造可接受半导体装置而言变得更加重要，因为更小缺陷会引起装置失效。

4、缺陷检视通常涉及重新检测如此通过检验过程中检测到的缺陷且使用高倍率光学系统或扫描电子显微镜(sem)以更高分辨率产生关于缺陷的额外信息。因此，在其中已通过检验检测到缺陷的样品上的离散位置处执行缺陷检视。由缺陷检视产生的缺陷的更高分辨率数据更适合于确定缺陷的属性(例如分布、粗糙度、更准确的大小信息等)。与检验相比，基于由缺陷检视确定的信息，通常可更准确地将缺陷分类为缺陷类型。

5、在半导体制程期间，度量过程也用于各种步骤以监测及控制过程。度量过程与检验过程的不同之处在于：不同于其中在样品上检测到缺陷的检验过程，度量过程用于测量无法使用当前所使用的检验工具确定的样品的一或多个特性。例如，度量过程用于测量样品的一或多个特性，例如在过程期间形成于样品上的特征的尺寸(例如线宽、厚度等)，使得可从所述一或多个特性确定过程的性能。另外，如果样品的一或多个特性不可接受(例如超出所述特性的预定范围)，那么样品的一或多个特性的测量可用于更改过程的一或多个参数使得由所述过程制造的额外样品具有可接受特性。

6、度量过程与缺陷检视过程的不同之处还在于：不同于其中通过检验检测到的缺陷在缺陷检视中被再次访问的缺陷检视过程，度量过程可在尚未检测到缺陷的位置执行。换句话说，不同于缺陷检视，对样品执行度量过程的位置可独立于对样品执行检验过程的结果。特定来说，执行度量过程的位置可独立于检验结果进行选择。另外，由于可独立于检验结果选择执行度量的样品上的位置，因此不同于其中待执行缺陷检视的样品上的位置无法确定直到产生样品的检验结果且可供使用的缺陷检视，在已对样品执行检验过程之前，可确定执行度量过程的位置。

7、深度学习的进步已使得深度学习成为用于分类的具有吸引力的框架。使用深度学习框架进行分类的一些当前使用的方法涉及仅在主成分(局部图案)上训练神经网络，而不使用纹理特征(全局化信号)。尽管此类方法可最擅长捕获图像的局部特征，但其也无法解释全局图案(例如纹理)。通过几乎仅聚焦于局部化区域的图案，当前使用的方法忽略如发明者已发现且本文进一步描述可改进分类性能的其它关键信号。

8、因此，将有利地开发不具有上文所描述的缺点中的一或多者的用于确定样品的信息的系统及方法。

技术实现思路

1、各种实施例的以下描述绝不应被解释为限制所附权利要求书的目标。

2、一个实施例涉及一种经配置以确定样品的信息的系统。所述系统包含经配置用于确定样品的图像的全局纹理特性及所述图像中的局部化区域的一或多个局部特性的计算机子系统。所述系统还包含由所述计算机子系统执行的一或多个组件，所述一或多个组件包含经配置用于基于所述全局纹理特性及所述一或多个局部特性来确定所述样品的信息的机器学习模型。所述计算机子系统还经配置以产生包含所述确定信息的结果。所述系统可如本文所描述般进一步配置。

3、另一实施例涉及一种用于确定样品的信息的计算机实施方法。所述方法包含确定样品的图像的全局纹理特性及所述图像中的局部化区域的一或多个局部特性。所述方法还包含通过将所述全局纹理特性及所述一或多个局部特性输入到包含于由计算机子系统执行的一或多个组件中的机器学习模型中来确定所述样品的信息。另外，所述方法包含产生包含所述确定信息的结果。确定所述全局纹理特性及所述一或多个局部特性步骤及输入及产生步骤由所述计算机子系统执行。上述方法的步骤中的每一者可如本文所进一步描述般执行。上述方法的实施例可包含本文所描述的任何其它方法的任何其它步骤。上述方法可由本文所描述的系统中的任何者执行。

4、另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行的用于执行用于确定样品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文所描述的方法的步骤。所述计算机可读媒体可如本文所描述般进一步配置。所述计算机实施方法的步骤可如本文所进一步描述般执行。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所描述的任何其它方法的任何其它步骤。

技术特征：

1.一种经配置以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，其中确定所述全局纹理特性包括计算所述图像的自相关纹理。

3.根据权利要求1所述的系统，其中确定所述全局纹理特性包括使用格拉姆矩阵计算所述图像的自相关纹理、平坦化所述自相关纹理及通过主成分分析(pca)降低所述平坦化自相关纹理的维数。

4.根据权利要求1所述的系统，其中所述全局纹理特性包括边缘约束、量值相关性约束或跨尺度相位约束。

5.根据权利要求1所述的系统，其中所述机器学习模型包括多层感知器(mlp)。

6.根据权利要求1所述的系统，其中所述机器学习模型包括仅包括两个隐藏层的多层感知器(mlp)。

7.根据权利要求1所述的系统，其中所述机器学习模型包括仅包括第一及第二隐藏层的多层感知器(mlp)，且其中所述第一隐藏层包括约为所述第二隐藏层的四倍的节点。

8.根据权利要求1所述的系统，其中所述机器学习模型包括卷积神经网络。

9.根据权利要求1所述的系统，其中确定所述图像中的所述局部化区域的所述一或多个局部特性包括所述图像的主成分分析(pca)。

10.根据权利要求1所述的系统，其中所述图像中的所述局部化区域的所述一或多个局部特性包括从所述图像的所述局部化区域确定的用户选择的特征。

11.根据权利要求1所述的系统，其中在所述图像中检测到缺陷，且其中确定所述信息包括对所述检测缺陷进行分类。

12.根据权利要求1所述的系统，其中在所述图像中检测到缺陷，且其中所述一或多个局部特性包括从所述图像确定的用户选择的特征、与所述图像一起用于检测所述缺陷的额外图像、由检测所述缺陷的方法从所述图像及所述额外图像产生的进一步图像或其组合。

13.根据权利要求1所述的系统，其中在所述图像中检测到缺陷，其中所述计算机子系统经进一步配置用于确定与所述图像一起用于检测所述缺陷的额外图像的额外全局纹理特性，且其中确定所述信息包括基于所述全局纹理特性、所述一或多个局部特性及所述额外全局纹理特性对所述检测缺陷进行分类。

14.根据权利要求13所述的系统，其中所述分类是在所述样品的检验期间执行以确定所述检测缺陷是实际缺陷还是所述图像与所述额外图像之间的背景或基线差异。

15.根据权利要求14所述的系统，其中所述图像在用于检测所述缺陷之前未正规化为所述额外图像。

16.根据权利要求1的系统，其中所述计算机子系统经进一步配置用于使用所述样品或与所述样品具有同一类型的另一样品的标记图像对所述机器学习模型进行监督训练。

17.根据权利要求1所述的系统，其中在所述图像中检测到缺陷，其中确定所述信息包括对所述检测缺陷进行分类，且其中对所述检测缺陷进行分类包括确定对应于所述检测缺陷的所述图像的部分是局部化缺陷信号还是局部化噪声。

18.根据权利要求1所述的系统，其中所述图像由经配置用于所述样品的检验的成像子系统产生。

19.根据权利要求1所述的系统，其中确定所述信息包括基于所述全局纹理特性及所述一或多个局部特性确定所述图像中的样品结构的一或多个特性。

20.根据权利要求1所述的系统，其中所述计算机子系统经进一步配置用于确定与所述图像一起用于对所述样品执行度量的额外图像的额外全局纹理特性，且其中确定所述信息包括基于所述全局纹理特性、所述一或多个局部特性及所述额外全局纹理特性确定所述图像中的样品结构的一或多个特性。

21.根据权利要求20所述的系统，其中在所述样品的所述度量期间执行确定所述样品结构的所述一或多个特性以确定所述样品结构是否为实际缺陷或所述样品结构的所述一或多个特性是否为所述图像与所述额外图像之间的背景或基线差异。

22.根据权利要求21的系统，其中所述图像在用于执行所述度量之前未正规化为所述额外图像。

23.根据权利要求1所述的系统，其中所述图像由经配置用于所述样品的度量的成像子系统产生。

24.根据权利要求1所述的系统，其中所述图像由经配置以使用光产生所述图像的成像子系统产生。

25.根据权利要求1所述的系统，其中所述图像是低分辨率图像。

26.一种非暂时性计算机可读媒体，其存储可在计算机系统上执行的用于执行用于确定样品的信息的计算机实施方法的程序指令，其中所述计算机实施方法包括：

27.一种用于确定样品的信息的计算机实施方法，其包括：

技术总结
提供用于确定样品的信息的方法及系统。一个系统包含经配置用于确定样品的图像的全局纹理特性及所述图像中的局部化区域的一或多个局部特性的计算机子系统。所述系统还包含由所述计算机子系统执行的一或多个组件。所述组件包含经配置用于基于所述全局纹理特性及所述一或多个局部特性来确定所述样品的信息的机器学习模型。所述计算机子系统还经配置用于产生包含所述确定信息的结果。所述方法及系统可用于度量(其中所述确定信息包含形成于所述样品上的结构的一或多个特性)或检验(其中所述确定信息包含在所述样品上检测到的缺陷的分类)。

技术研发人员：D·库切尔,S·萨洛蒙,V·拉马钱德兰
受保护的技术使用者：科磊股份有限公司
技术研发日：
技术公布日：2024/2/19