生成可用于检查半导体样本的训练数据的制作方法

本文公开的主题总的来说涉及半导体样本的检查的领域，并且更具体地涉及可用于检查样本的训练数据生成。

背景技术：

1、当前对与所制造装置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、和改善的可靠性。随着半导体工艺的发展，诸如线宽的图案尺寸和其它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装置特征，这继而需要仔细监控制造工艺，包括在装置仍处于半导体晶片的形式时自动检查所述装置。

2、作为非限制性示例，运行时间检查可以采用两阶段程序，例如，检验样本，接着复查潜在缺陷的取样位置。检查大体上涉及通过将光或电子引导至晶片并检测来自该晶片的光或电子来产生针对样本的某一输出(例如，图像、信号等等)。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件检测算法应用于检验输出来执行。产生缺陷图来图示怀疑具有高缺陷概率的样本上的位置。最经常地，检验的目的是提供对检测关注缺陷的高敏感度，同时抑制对晶片上噪扰和噪声的检测。在第二阶段期间，以相对高的分辨率更透彻地分析怀疑位置中的至少一些位置。在一些情况下，两个阶段皆可以由相同检验工具来实现，并且在一些其它情况下，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等，检查步骤可以执行多次。另外或替代地，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类样本上的缺陷、以及执行有关计量的操作。检查的有效性可以通过(多个)工艺的自动化来提高，这些工艺作为例如，缺陷检测、自动缺陷分类(adc)、自动缺陷复查(adr)、图像分割、自动的有关计量的操作等。

技术实现思路

1、根据本文公开的主题的某些方面，提供了一种生成用于训练深度神经网络的训练数据(dnn训练数据)的计算机化系统，所述深度神经网络可用于检查半导体样本，所述系统包含被配置为进行以下操作的处理器和存储器电路(pmc)：获得表示半导体样本的至少一部分的第一训练图像，和分别与在用户从第一训练图像识别的一个或多个区段的每一个中选择的一组像素相关联的第一标签；提取表征第一训练图像的特征集合，每个特征具有与第一训练图像中的像素相对应的特征值，所述特征集合包括提供在第一训练图像中的一个或多个区段之间的背景关系的信息的第一特征、和提供在第一训练图像中相对于每个区段中的一组像素的统计测量值的像素分布的信息的第二特征；使用第一标签、在与第一标签相关联的每个区段中选择的一组像素的值、以及与每个区段中的一组像素相对应的特征集合的每个特征的特征值来训练机器学习(ml)模型，其中训练ml模型来用于图像分割；使用训练的ml模型处理第一训练图像以获得提供与第一训练图像中的相应像素相关联的预测标签的信息的第一分割图，每个预测标签指示相应像素所属于的区段；以及确定在满足标准时将包含第一训练图像和第一分割图的第一训练取样包括到dnn训练数据中，并且在不满足标准时重复提取第二特征、训练和处理。

2、除了以上特征之外，根据本文公开的主题的此方面的系统可以包含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(xi)中的一或多个：

3、(i).训练数据可以用于训练深度神经网络(dnn)，所述dnn用于从包含以下各项的群组中选择的至少一个检查工艺：自动分割、自动计量、自动缺陷检测、自动缺陷复查、和基于运行时间图像的自动缺陷分类。

4、(ii).标准基于关于第一分割图的用户反馈，并且pmc被配置为在接收到关于第一分割图的否定的用户反馈时获得与至少一个区段中的额外组像素相关联的额外第一标签，第一标签和额外第一标签构成聚合的标签数据，并且基于聚合的标签数据重复提取第二特征、训练和处理，直到接收到肯定的用户反馈。

5、(iii).pmc被配置为在接收到关于第一分割图的肯定的用户反馈时将第一训练取样包括到训练数据中。

6、(iv).pmc还被配置为获得第二训练图像和分别与用户从第二训练图像识别的一个或多个区段的每一个中选择的一组像素相关联的第二标签，将第二标签添加到聚合的标签数据，提取表征第二训练图像并且包括第一特征和第二特征的特征集合，使用聚合的标签数据、与聚合的标签数据相关联的像素值、以及与聚合的标签数据相关联的像素相对应的特征集合的每个特征的特征值训练ml模型，并且基于第二训练图像执行处理和确定。

7、(v).一个或多个区段中的至少一个与在第一训练图像中呈现的一个或多个结构元素相对应。

8、(vi).第一特征包括通过以下操作提取的纹理特征：用滤波器集合处理第一训练图像，从而产生特征响应集合，每个特征响应包含与第一训练图像的相应像素相对应的特征响应值，其中每个像素与包括其特征响应值集合的特征向量相对应；将与第一训练图像中的像素相对应的特征向量群集化为多个群集；根据其特征向量所属于的群集为每个像素分配特征值，从而产生包含与第一训练图像的像素相对应的特征值的特征图，特征图可分离为与相应特征值相对应的多个通道；以及使用取样滤波器对特征图的每个通道进行取样，从而产生具有多个取样通道的特征图。

9、(vii).第一特征进一步包括通过以下操作提取的强度特征：将第一训练图像的像素值群集化为多个群集，根据像素值所属于的群集为每个像素分配特征值，从而产生可分离为与相应特征值相对应的多个通道的特征图，以及使用取样滤波器取样特征图的每个通道，从而产生具有多个取样通道的特征图。

10、(viii).滤波器集合包含下列中的一个或多个；导数滤波器、加博(gabor)滤波器和拉普拉斯滤波器。

11、(ix).第二特征通过以下操作提取：针对每个区段中的一组像素计算统计测量值，并且针对第一训练图像中的每个像素，将对应特征值计算为在像素值与每个区段的统计测量值之间的距离，从而产生各自包含特征值的一个或多个特征图，所述特征值与在像素值与相应区段的统计测量值之间的距离相对应。

12、(x).训练图像包含从不同视角捕获的多个通道，并且从所述多个通道提取特征集合。

13、(xi).pmc还被配置为使用dnn训练数据来训练dnn，并且使用图像的验证集合来验证训练的dnn。

14、根据本文公开的主题的其它方面，提供了一种用于生成训练可用于检查样本的深度神经网络的训练数据(dnn训练数据)的方法，所述方法由处理器和存储器电路(pmc)执行并且包含：获得表示半导体样本的至少一部分的第一训练图像，和分别与在用户从第一训练图像识别的一个或多个区段的每一个中选择的一组像素相关联的第一标签；提取表征第一训练图像的特征集合，每个特征具有与第一训练图像中的像素相对应的特征值，所述特征集合包括提供在第一训练图像中的一个或多个区段之间的背景关系的信息的第一特征、和提供在第一训练图像中相对于每个区段中的一组像素的统计测量值的像素分布的信息的第二特征；使用第一标签、在与第一标签相关联的每个区段中选择的一组像素的值、以及与每个区段中的一组像素相对应的特征集合的每个特征的特征值来训练机器学习(ml)模型，其中训练ml模型来用于图像分割；使用训练的ml模型处理第一训练图像以获得提供与第一训练图像中的相应像素相关联的预测标签的信息的第一分割图，每个预测标签指示相应像素所属于的区段；以及确定在满足标准时将包含第一训练图像和第一分割图的第一训练取样包括到dnn训练数据中，并且在不满足标准时重复提取第二特征、训练和处理。

15、所公开主题的这方面可以包含以技术上可能的任何期望组合或排列的上文关于所述系统列出的已作必要改动的特征(i)至(xi)中的一或多个。

16、根据本文公开的主题的其它方面，提供了一种包含指令的非暂时性计算机可读介质，当由计算机执行时所述指令使得计算机执行用于生成可用于检查样本的训练深度神经网络的训练数据(dnn训练数据)的方法，所述方法包含：获得表示半导体样本的至少一部分的第一训练图像，和分别与在用户从第一训练图像识别的一个或多个区段的每一个中选择的一组像素相关联的第一标签；提取表征第一训练图像的特征集合，每个特征具有与第一训练图像中的像素相对应的特征值，所述特征集合包括提供在第一训练图像中的一个或多个区段之间的背景关系的信息的第一特征、和提供在第一训练图像中相对于每个区段中的一组像素的统计测量值的像素分布的信息的第二特征；使用第一标签、在与第一标签相关联的每个区段中选择的一组像素的值、以及与每个区段中的一组像素相对应的特征集合的每个特征的特征值来训练机器学习(ml)模型，其中训练ml模型来用于图像分割；使用训练的ml模型处理第一训练图像以获得提供与第一训练图像中的相应像素相关联的预测标签的信息的第一分割图，每个预测标签指示相应像素所属于的区段；以及确定在满足标准时将包含第一训练图像和第一分割图的第一训练取样包括到dnn训练数据中，并且在不满足标准时重复提取第二特征、训练和处理。

17、所公开主题的这方面可以包含以技术上可能的任何期望组合或排列的上文关于所述方法列出的已作必要改动的特征(i)至(xi)中的一或多个。