用于基于半导体的应用的深度学习图像去除噪声的制作方法

1.本发明大体上涉及用于确定样品的信息的方法及系统。某些实施例涉及一种经配置用于对用于确定样品的信息的所述样品的图像去除噪声的深度学习模型。


背景技术：

2.以下描述及实例并未因其包含于此章节中而被承认为是现有技术。
3.制造半导体装置(例如逻辑及存储器装置)通常包含使用大量半导体制造工艺处理衬底(例如半导体晶片)以形成所述半导体装置的各种特征及多个层级。例如，光刻是半导体制造工艺，其涉及将图案从光罩转印到布置于半导体晶片上的光致抗蚀剂。半导体制造工艺的额外实例包含(但不限于)化学机械抛光(cmp)、蚀刻、沉积及离子植入。多个半导体装置可制造于单个半导体晶片上的布置中且接着分离成个别半导体装置。
4.在半导体制造工艺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工艺中的更高良率及因此更高利润。检验始终是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变得甚至更为重要，这是因为较小缺陷可引起装置故障。
5.存在许多不同方式来处理由如上文所描述般配置的工具产生的图像、输出等以从其确定信息。通常在检验的情况下，比较测试图像与参考图像，使得可识别所述测试图像与所述参考图像之间的任何差异且将所述差异用于检测样品上的缺陷。无关于如何确定信息，减轻图像中的噪声对经确定的信息的影响可为具有挑战性的，且已执行大量研究及开发以克服图像噪声带来的障碍。
6.一些当前使用的缺陷检测算法经设计用于减少工具上的噪声。例如，一些当前使用的算法使用来自晶片上的多个裸片的参考帧的线性组合来运算参考帧，使得参考图像具有较少噪声。另一方法是使用差分滤波器，所述差分滤波器通常是在与不同图像进行卷积时预期改进缺陷的信噪比(snr)的矩阵。对于其中在晶片上印刷光罩且检验所述晶片以检测所述光罩上的缺陷的情况，可堆叠来自一或两行的裸片或光罩以减少随机噪声并改进用于检测重复缺陷的snr。用于减少噪声的影响的另一方法是使用深度学习来学习滤波器，所述滤波器在检测后应用以提取用于扰乱点事件过滤(nef)的新属性。
7.上文描述的噪声减轻策略存在若干缺点。例如，发明人不知道现今对测试图像执行去除噪声的用于减少噪声的任何方法。在一个此实例中，运算相似噪声实现的线性组合的方法仅对参考图像执行此操作。另外，即使在上文描述的经设计用于噪声减轻的参考产生之后，在使用参考产生的差分图像中仍可能存在残余噪声。在许多情况下，可能需要进一步噪声减少以实现经确定信息的所需准确度。在另一实例中，差分图像滤波器是标准内核且并不适应不同噪声分布。定义客制差分图像滤波器需要特殊的专业知识。此外，经产生以与最佳(golden)数据库参考进行比较的堆叠裸片或光罩解决特定使用情况(如使用印刷有光罩的晶片执行的光罩检验)且无法应用于检测非重复缺陷。
8.因此，开发用于确定样品的信息的不具有上述缺点中的一或多者的系统及方法将
为有利的。


技术实现要素：

9.各个实施例的以下描述不应以任何方式被理解为限制所附权利要求书的主题。
10.一个实施例涉及一种经配置以确定样品的信息的系统。所述系统包含计算机子系统及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对由成像子系统产生的样品的图像去除噪声的深度学习模型。所述计算机子系统经配置用于从所述去除噪声的图像确定所述样品的信息。所述系统可如本文中描述般进一步配置。
11.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。所述方法包含通过将由成像子系统产生的样品的图像输入到经配置用于执行去除噪声的深度学习模型中来对所述图像去除噪声。所述深度学习模型包含于由计算机子系统执行的一或多个组件中。所述方法还包含从所述去除噪声的图像确定所述样品的信息。所述输入及确定由所述计算机子系统执行。
12.所述方法的步骤中的每一者可如本文中进一步描述般进一步执行。所述方法可包含本文中描述的任何其它方法的任何其它步骤。所述方法可由本文中描述的系统中的任一者执行。
13.另一实施例涉及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，用于执行用于确定样品的信息的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。所述计算机可读媒体可如本文中描述般进一步配置。所述计算机实施方法的步骤可如本文中进一步描述般执行。另外，程序指令可针对其执行的计算机实施方法可包含本文中描述的任何其它方法的任何其它步骤。
附图说明
14.所属领域的技术人员在获益于优选实施例的以下详细描述的情况下并在参考附图之后将变得明白本发明的进一步优点，其中：
15.图1及1a是说明如本文中描述般配置的系统的实施例的侧视图的示意图；
16.图2是说明可由本文中描述的实施例执行的用于训练深度学习模型的步骤的流程图；
17.图3是说明可由本文中描述的实施例执行的用于产生去除噪声的图像的步骤的流程图；
18.图4是说明可由本文中描述的实施例执行的用于从一或多个去除噪声的图像确定样品的信息的步骤的流程图；及
19.图5是说明存储用于引起计算机系统执行本文中描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。
20.虽然本发明易有各种修改及替代形式，但本发明的特定实施例在图式中通过实例展示且在本文中详细描述。图式可能未按比例。然而，应理解，图式及其详细描述并不希望将本发明限于所公开的特定形式，恰相反，本发明将涵盖落在如由所附权利要求书定义的本发明的精神及范围内的全部修改、等效物及替代物。
具体实施方式
[0021]“扰乱点”(其有时可与“扰乱点缺陷”或“扰乱点事件”互换使用)在所述术语在本文中使用时被大体上定义为用户不关心的缺陷及/或在样品上检测到但并非是所述样品上的真正实际缺陷的事件。由于样品上的非缺陷噪声源(例如，所述样品上的金属线中的晶粒、来自样品上的底层或材料的信号、线边缘粗糙度(ler)、经图案化特征中的相对较小临界尺寸(cd)变动、厚度变动等)及/或由于检验系统自身或其用于检验的配置中的边缘性，可能将实际上并非缺陷的扰乱点检测为事件。
[0022]
如本文中使用的术语“所关注缺陷(doi)”被定义为在样品上检测到且是所述样品上的实际缺陷的缺陷。因此，doi受用户关注，这是因为用户通常关心经检验的样品上有多少及什么种类的实际缺陷。在一些背景下，术语“doi”是用于指样品上的所有实际缺陷的子集，其仅包含用户关心的实际缺陷。例如，在任何给定样品上可能存在多种类型的doi，且其中的一或多种类型可比一或多种其它类型更受用户关注。然而，在本文中描述的实施例的背景下，术语“doi”是用于指样品上的任何及所有真实缺陷。
[0023]
现参考图式，应注意，图未按比例绘制。特定来说，极大地夸大图的一些元件的比例以突显所述元件的特性。还应注意，图未按相同比例绘制。已使用相同元件符号指示在多于一个图中展示的可能类似地配置的元件。除非本文中另有提及，否则所描述及展示的任何元件可包含任何合适市售元件。
[0024]
一般来说，本文中描述的实施例是用于确定样品的信息的系统及方法。更明确来说，本文中描述的实施例经配置用于针对例如光学缺陷检测的应用对图像去除噪声。
[0025]
本文中描述的实施例的一个特别有用的应用是使用卷积神经网络(cnn)对宽带等离子体(bbp)图块图像去除噪声。bbp工具是晶片厂中最灵敏的光学检验工具。对良率关键缺陷及间隙缺陷的灵敏度是来自工具用户的主要期望且因此是这些工具创新的动力。随着设计节点及缺陷大小的缩小，尽管在这些工具上使用最佳光学检验模式，但检测关键doi已变得极具挑战性。因此，强烈需要算法来增强灵敏度。实际上，灵敏度转化为给定doi类型的信噪比(snr)。改进snr可通过增强信号或减少噪声来进行。本文中描述的实施例可有利地用于使用cnn或本文中描述的其它深度学习(dl)模型来减少bbp(或其它)图像中的噪声，且视需要运算新的属性以提高灵敏度。
[0026]
在一些实施例中，样品是晶片。所述晶片可包含半导体领域中已知的任何晶片。尽管本文中可关于一或多个晶片来描述一些实施例，但实施例并不限于可使用其的样品。例如，本文中描述的实施例可用于例如光罩、平坦面板、个人计算机(pc)板及其它半导体样品的样品。
[0027]
图1中展示经配置用于确定样品的信息的系统的一个实施例。在一些实施例中，所述系统包含成像子系统(例如成像子系统100)。所述成像子系统包含及/或耦合到计算机子系统(例如，计算机子系统36)及/或一或多个计算机系统102。
[0028]
一般来说，本文中描述的成像子系统包含至少一能量源、检测器及扫描子系统。所述能量源经配置以产生通过成像子系统引导到样品的能量。检测器经配置以检测来自样品的能量且响应于所述经检测能量产生输出。扫描子系统经配置以改变样品上能量被引导到且检测到能量的位置。在一个实施例中，如图1中所展示，成像子系统经配置为基于光的成像子系统。以此方式，本文中描述的样品图像可由基于光的成像子系统产生。
[0029]
在本文中描述的基于光的成像子系统中，引导到样品的能量包含光，且从样品检测的能量包含光。例如，在图1中展示的系统的实施例中，成像子系统包含经配置以将光引导到样品14的照明子系统。所述照明子系统包含至少一个光源。例如，如图1中所展示，照明子系统包含光源16。照明子系统经配置以依一或多个入射角(其可包含一或多个倾斜角及/或一或多个法线角)将光引导到样品。例如，如图1中所展示，依倾斜入射角将来自光源16的光引导通过光学元件18且接着通过透镜20到样品14。倾斜入射角可包含可取决于(例如)样品的特性及在样品上执行的过程而改变的任何合适倾斜入射角。
[0030]
照明子系统可经配置以在不同时间依不同入射角将光引导到样品。例如，成像子系统可经配置以更改照明子系统的一或多个元件的一或多个特性，使得可依不同于图1中所展示的入射角的入射角将光引导到样品。在一个此实例中，成像子系统可经配置以使光源16、光学元件18及透镜20移动，使得依不同倾斜入射角或法线(或近法线)入射角将光引导到样品。
[0031]
在一些例子中，成像子系统可经配置以同时依多于一个入射角将光引导到样品。例如，照明子系统可包含多于一个照明通道，所述照明通道中的一者可包含如图1中所展示的光源16、光学元件18及透镜20，且所述照明通道的另一者(未展示)可包含可不同地或相同地配置的类似元件，或可包含至少一光源及可能一或多个其它组件，例如本文中进一步描述的组件。如果将此光与其它光同时引导到样品，那么依不同入射角引导到样品的光的一或多个特性(例如，波长、偏光等)可不同，使得由依不同入射角照明样品产生的光可在检测器处彼此区别。
[0032]
在另一例子中，照明子系统可包含仅一个光源(例如，图1中所展示的源16)且来自光源的光可通过照明子系统的一或多个光学元件(未展示)(例如，基于波长、偏光等)分离到不同光学路径中。接着，可将所述不同光学路径中的每一者中的光引导到样品。多个照明通道可经配置以同时或在不同时间(例如，当使用不同照明通道来循序地照明样品时)将光引导到样品。在另一例子中，相同照明通道可经配置以在不同时间将具有不同特性的光引导到样品。例如，光学元件18可经配置为光谱滤波器，且所述光谱滤波器的性质可以多种不同方式改变(例如，通过用另一个光谱滤波器换出一个光谱滤波器)，使得可在不同时间将不同波长的光引导到样品。照明子系统可具有所属领域中已知的用于以不同或相同入射角循序地或同时地将具有不同或相同特性的光引导到样品的任何其它合适配置。
[0033]
光源16可包含bbp光源。以此方式，通过所述光源产生且引导到样品的光可包含宽带光。然而，所述光源可包含任何其它合适光源，例如所属领域中已知的经配置以产生任何合适波长的光的任何合适激光。激光可经配置以产生单色或近单色的光。以此方式，激光可为窄频激光。光源还可包含产生多个离散波长或波带的光的多色光源。
[0034]
可通过透镜20将来自光学元件18的光聚焦到样品14上。尽管透镜20在图1中被展示为单个折射光学元件，但实际上，透镜20可包含组合地将来自光学元件的光聚焦到样品的若干折射及/或反射光学元件。在图1中展示及本文中描述的照明子系统可包含任何其它合适光学元件(未展示)。此类光学元件的实例包含(但不限于)：偏光组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、光束分离器、孔径及类似者，其可包含所属领域中已知的任何此类合适光学元件。另外，子系统可经配置以基于待用于成像的照明类型而更改照明子系统的元件中的一或多者。
[0035]
成像子系统还可包含经配置以改变样品上光被引导到且检测到光的位置且可能引起光扫描遍及样品的扫描子系统。例如，成像子系统可包含载物台22，在成像期间将样品14安置于所述载物台22上。扫描子系统可包含任何合适机械及/或机器人组合件(其包含载物台22)，其可经配置以使样品移动，使得光可被引导到样品上的不同位置及从样品上的不同位置检测。另外或替代性地，成像子系统可经配置使得成像子系统的一或多个光学元件执行光遍及样品的某一扫描，使得光可被引导到样品上的不同位置及从样品上的不同位置检测。在其中光扫描遍及样品的例子中，可使光以任何合适方式(例如以蛇形路径或以螺旋路径)扫描遍及样品。
[0036]
成像子系统进一步包含一或多个检测通道。所述测通道中的至少一者包含检测器，所述检测器经配置以检测由于通过成像子系统对样品的照明而来自所述样品的光，且响应于所述经检测光产生输出。例如，图1中所展示的成像子系统包含两个检测通道，一个检测通道由集光器24、元件26及检测器28形成，且另一检测通道由集光器30、元件32及检测器34形成。如图1中所展示，两个检测通道经配置以依不同收集角收集及检测光。在一些例子中，两个检测通道经配置以检测散射光，且所述检测通道经配置以检测依不同角度从样品散射的光。然而，检测通道中的一或多者可经配置以检测来自样品的另一类型的光(例如，反射光)。
[0037]
如图1中进一步展示，两个检测通道经展示为定位于纸平面中且照明子系统也经展示为定位于纸平面中。因此，在此实施例中，两个检测通道定位(例如，居中)于入射平面中。然而，检测通道中的一或多者可定位于入射平面外。例如，由集光器30、元件32及检测器34形成的检测通道可经配置以收集及检测从入射平面散射出的光。因此，此检测通道可被统称为“侧”通道，且此侧通道可居中于基本上垂直于入射平面的平面中。
[0038]
尽管图1展示包含两个检测通道的成像子系统的实施例，但成像子系统可包含不同数目个检测通道(例如，仅一个检测通道或两个或更多个检测通道)。在一个此例子中，由集光器30、元件32及检测器34形成的检测通道可形成如上所述的一个侧通道，且成像子系统可包含形成为定位于入射平面的相对侧上的另一侧通道的额外检测通道(未展示)。因此，成像子系统可包含检测通道，所述检测通道包含集光器24、元件26及检测器28且居中于入射平面中且经配置以收集及检测依法向或接近法向于样品表面的散射角的光。因此，此检测通道可被统称为“顶部”通道，且成像子系统还可包含如上所述般配置的两个或更多个侧通道。因而，成像子系统可包含至少三个通道(即，一个顶部通道及两个侧通道)，且所述至少三个通道中的每一者具有其自身集光器，所述集光器中的每一者经配置以收集依不同于其它集光器中的每一者的散射角的光。
[0039]
如上文进一步描述，包含于成像子系统中的检测通道中的每一者可经配置以检测散射光。因此，图1中所展示的成像子系统可经配置用于样品的暗场(df)成像。然而，成像子系统还可或替代性地包含经配置用于样品的明场(bf)成像的检测通道。换句话说，成像子系统可包含经配置以检测从样品镜面反射的光的至少一个检测通道。因此，本文中描述的成像子系统可经配置仅用于df成像、仅用于bf成像或用于df成像及bf成像两者。尽管在图1中将集光器中的每一者展示为单个折射光学元件，但集光器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。
[0040]
一或多个检测通道可包含所属领域中已知的任何合适检测器，例如光电倍增管
(pmt)、电荷耦合装置(ccd)及时延积分(tdi)相机。所述检测器还可包含非成像检测器或成像检测器。如果检测器是非成像检测器，那么所述检测器中的每一者可经配置以检测散射光的特定特性(例如强度)但可未经配置以检测依据在成像平面内的位置而变化的此类特性。因而，通过包含于成像子系统的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据而非图像信号或图像数据。在此类例子中，计算机子系统(例如计算机子系统36)可经配置以从检测器的非成像输出产生样品的图像。然而，在其它例子中，检测器可经配置为经配置以产生成像信号或图像数据的成像检测器。因此，成像子系统可经配置以依若干方式产生图像。
[0041]
应注意，本文中提供图1以大体上说明可包含于本文中描述的系统实施例中的成像子系统的配置。显然，可更改本文中描述的成像子系统配置以优化如正常在设计商业成像系统时执行的成像子系统的性能。另外，可使用例如商业上可购自加利福尼亚州米尔皮塔斯市的科磊公司(kla corp,milpitas,calif)的29xx/39xx系列的工具的现有系统(例如，通过将本文中描述的功能性添加到现有检验系统)来实施本文中描述的系统。对于一些此类系统，可将本文中描述的方法提供为系统的选用功能性(例如，除系统的其它功能性之外)。替代性地，本文中描述的系统可“从头开始”设计以提供全新系统。
[0042]
计算机子系统36可以任何合适方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到成像子系统的检测器，使得计算机子系统可接收由检测器产生的输出。计算机子系统36可经配置以执行使用或不使用检测器的输出的若干功能(包含本文中进一步描述的步骤及功能)。因而，本文中描述的步骤可由耦合到成像子系统或作为成像子系统的部分的计算机子系统“在工具上”执行。另外或替代性地，计算机系统102可执行本文中描述的步骤中的一或多者。因此，本文中描述的步骤中的一或多者可由未直接耦合到成像子系统的计算机系统“在工具外”执行。计算机子系统36及计算机系统102可如本文中描述般进一步配置。
[0043]
计算机子系统36(以及本文中描述的其它计算机子系统)在本文中还可被称为计算机系统。本文中描述的计算机子系统或系统中的每一者可采取各种形式，包含个人计算机系统、图像计算机、大型计算机系统、工作站、网络器具、因特网器具或其它装置。一般来说，术语“计算机系统”可被广泛定义为涵盖具有执行来自存储器媒体的指令的一或多个处理器的任何装置。计算机子系统或系统还可包含所属领域中已知的任何合适处理器，例如并行处理器。另外，计算机子系统或系统可包含具有高速处理及软件的计算机平台作为独立工具或联网工具。
[0044]
如果系统包含多于一个计算机子系统，那么不同计算机子系统可彼此耦合，使得可在计算机子系统之间发送图像、数据、信息、指令等。例如，计算机子系统36可通过任何合适传输媒体(其可包含所属领域中已知的任何合适有线及/或无线传输媒体)耦合到计算机系统102(如通过图1中的虚线所展示)。此类计算机子系统中的两个或更多者还可通过共享计算机可读存储媒体(未展示)有效地耦合。
[0045]
尽管上文将成像子系统描述为基于光学或光的成像子系统，但在另一实施例中，成像子系统配置为基于电子的成像子系统。以此方式，本文中描述的样品图像可由基于电子的成像子系统产生。在电子束成像子系统中，被引导到样品的能量包含电子，且从样品检测的能量包含电子。在图1a中所展示的一个此实施例中，成像子系统包含电子柱122，且系
统包含耦合到成像子系统的计算机子系统124。计算机子系统124可如上文描述般配置。另外，此成像子系统可以与上文描述且图1中展示相同的方式耦合到另外一或多个计算机系统。
[0046]
同样如图1a中所展示，电子柱包含电子束源126，所述电子束源126经配置以产生通过一或多个元件130聚焦到样品128的电子。电子束源可包含(例如)阴极源或发射器尖端，且一或多个元件130可包含(例如)枪透镜、阳极、限束孔径、闸阀、束电流选择孔径、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类合适元件。
[0047]
从样品返回的电子(例如，二次电子)可通过一或多个元件132聚焦到检测器134。一或多个元件132可包含(例如)扫描子系统，所述扫描子系统可为包含于元件130中的相同扫描子系统。
[0048]
电子柱可包含所属领域中已知的任何其它合适组件。另外，电子柱可如以下项中所描述般进一步配置：2014年4月4日颁予江(jiang)等人的第8,664,594号美国专利；2014年4月8日颁予柯吉马(kojima)等人的第8,692,204号美国专利；2014年4月15日颁予葛本思(gubbens)等人的第8,698,093号美国专利；及2014年5月6日颁予麦克唐纳(macdonald)等人的第8,716,662号美国专利，所述美国专利以引用方式宛如全文阐述般并入本文中。
[0049]
尽管图1a中将电子柱展示为经配置使得电子依倾斜入射角被引导到样品且依另一倾斜角从样品散射，但电子束可依任何合适角度被引导到样品及从样品散射。另外，电子束成像子系统可经配置以如本文中进一步描述般使用多个模式来产生样品的输出(例如，运用不同照明角、收集角等)。电子束成像子系统的多个模式可在成像子系统的任何输出产生参数方面不同。
[0050]
计算机子系统124可如上文描述般耦合到检测器134。检测器可检测从样品的表面返回的电子，借此形成样品的电子束图像(或其它输出)。电子束图像可包含任何合适电子束图像。计算机子系统124可经配置以使用由检测器134产生的输出来检测样品上的事件，此可如本文中进一步描述般执行。计算机子系统124可经配置以执行本文中描述的任何额外步骤。包含图1a中展示的成像子系统的系统可如本文中描述般进一步配置。
[0051]
应注意，本文中提供图1a以大体上说明可被包含于本文中描述的实施例中的电子束成像子系统的配置。如同上文描述的光学成像子系统，可更改本文中描述的电子束成像子系统配置以优化如正常在设计商业系统时所执行的成像子系统的性能。另外，可使用例如商业上可购自kla的工具的现有系统(例如，通过将本文中描述的功能性添加到现有系统)来实施本文中描述的系统。对于一些此类系统，可将本文中描述的方法提供为系统的选用功能性(例如，除系统的其它功能性之外)。替代性地，本文中描述的系统可“从头开始”设计以提供全新系统。
[0052]
尽管上文将成像子系统描述为光或电子束成像子系统，但成像子系统可为离子束成像子系统。此成像子系统可如图1a中所展示般配置，例外之处是电子束源可由所属领域中已知的任何合适离子束源取代。另外，成像子系统可包含任何其它合适离子束成像系统，例如包含于市售聚焦离子束(fib)系统、氦离子显微镜(him)系统及二次离子质谱仪(sims)系统中的离子束成像系统。
[0053]
如上文进一步提及，成像子系统可经配置以具有多个模式。一般来说，“模式”是通过用于产生样品的输出的成像子系统的参数的值定义。因此，不同的模式可在成像子系统
的成像参数(除样品上的产生输出的位置之外)中的至少一者的值上不同。例如，对于基于光的成像子系统，不同模式可使用不同波长的光。模式可如本文中进一步描述般在被引导到样品的光的波长上不同(例如，通过针对不同模式使用不同光源、不同光谱滤波器等)。在另一实施例中，不同模式可使用不同照明通道。例如，如上文所提及，成像子系统可包含多于一个照明通道。因而，不同照明通道可用于不同模式。
[0054]
多个模式还可在照明及/或收集/检测方面不同。例如，如上文进一步描述，成像子系统可包含多个检测器。因此，检测器中的一者可用于一个模式且检测器中的另一者可用于另一模式。此外，模式可以本文中描述的多于一种方式彼此不同(例如，不同模式可具有一或多个不同照明参数及一或多个不同检测参数)。另外，多个模式可在视角上不同，意味着具有可如上文进一步描述般实现的不同入射角及收集角中的任一者或两者。成像子系统可经配置以在相同扫描或不同扫描中以不同模式扫描样品，例如，此取决于使用多个模式来同时扫描样品的能力。
[0055]
在一些例子中，本文中描述的系统可经配置为检验系统。然而，本文中描述的系统可经配置为另一类型的半导体相关质量控制类型系统(例如缺陷检视系统及计量系统)。例如，本文中描述及图1及1a中展示的成像子系统的实施例可取决于其将用于的应用而在一或多个参数上进行修改以提供不同成像能力。在一个实施例中，成像子系统经配置为电子束缺陷检视子系统。例如，图1a中展示的成像子系统可经配置以在其待用于缺陷检视或计量而非用于检验的情况下具有较高分辨率。换句话说，图1及1a中展示的成像子系统的实施例描述用于成像子系统的一些一般配置及各种配置，所述配置可以对于所属领域的技术人员将显而易见的若干方式定制以产生具有或多或少适于不同应用的不同成像能力的成像子系统。
[0056]
如上文提及，成像子系统可经配置用于将能量(例如，光、电子)引导到样品的物理版本及/或使能量扫描遍及样品的所述物理版本，从而产生样品的物理版本的实际图像。以此方式，成像子系统可经配置为“实际”成像系统而非“虚拟”系统。然而，存储媒体(未展示)及图1中展示的计算机子系统102可经配置为“虚拟”系统。特定来说，存储媒体及计算机子系统并非成像子系统100的部分且并不具有处置样品的物理版本的任何能力，而可经配置为使用经存储检测器输出的执行类检验功能的虚拟检验器、执行类计量功能的虚拟计量系统、执行类缺陷检视功能的虚拟缺陷检视工具等。经配置为“虚拟”系统的系统及方法描述于2012年2月28日颁予巴斯卡尔(bhaskar)等人的共同让与的第8,126,255号美国专利、2015年12月29日颁予杜飞(duffy)等人的第9,222,895号美国专利及2017年11月14日颁予杜飞(duffy)等人的第9,816,939号美国专利中，所述美国专利以引用方式宛如全文阐述般并入本文中。本文中描述的实施例可如在这些专利中描述般进一步配置。例如，本文中描述的计算机子系统可如在这些专利中描述般进一步配置。
[0057]
系统包含：计算机子系统，其可包含上文描述的计算机子系统或系统中的任一者的任何配置；及一或多个组件，其由所述计算机子系统执行。例如，如图1中所展示，系统可包含计算机子系统36及由计算机子系统执行的一或多个组件104。所述一或多个组件可如本文中进一步描述般或以所属领域中已知的任何其它合适方式由计算机子系统执行。执行一或多个组件的至少部分可包含将一或多个输入(例如图像、数据等)输入到一或多个组件中。计算机子系统可经配置以依任何合适方式将任何图像、数据等输入到一或多个组件中。
[0058]
一或多个组件包含经配置用于对由成像子系统产生的样品的图像去除噪声的深度学习(dl)模型106。图像可包含由本文中描述的成像子系统中的任一者产生的本文中描述的图像中的任一者。尽管本文中将一些实施例描述为对图像去除噪声，但本文中描述的dl模型可用于对由成像子系统产生的一或多个样品的任何数目个图像去除噪声。成像子系统可包含本文中描述的成像子系统中的任一者。
[0059]
一般来说，“深度学习”(也被称为深度结构化学习、阶层式学习或深度机器学习)是基于试图模型化数据中的高阶抽象的一组算法的机器学习的分支。在简单情况中，可能存在两组神经元：接收输入信号的一组神经元及发送输出信号的一组神经元。当输入层接收到输入时，其将所述输入的经修改版本传递到下一层。在基于深度学习的模型中，在输入与输出之间存在许多层(且所述层并非由神经元构成但可帮助以那样的方式对其进行思考)，从而允许算法使用由多个线性及/或非线性变换组成的多个处理层。
[0060]
由本文中描述的实施例使用的dl模型可被分类为生成模型。“生成”模型可被大体上定义为本质上为概率性的模型。换句话说，“生成”模型并非是执行正向模拟或基于规则的方法的模型。代替性地，生成模型可基于合适训练数据集而学习(因为其参数可被学习)。在一个实施例中，dl模型经配置为深度生成模型。例如，dl模型可经配置以具有dl架构，因为dl模型可包含执行若干算法或变换的多个层。
[0061]
在一个实施例中，dl模型经配置为卷积神经网络(cnn)。cnn通常包含卷积层及汇集层的堆叠以提取局部特征。卷积层可具有所属领域中已知的任何合适配置且通常经配置以通过使用一或多个滤波器将卷积函数应用于输入图像而确定依据跨图像的位置而变化的所述图像的特征(即，特征图)。一或多个汇集层还可具有所属领域中已知的任何合适配置(例如，最大汇集层)且通常经配置用于减少通过一或多个卷积层产生的特征图的维度同时保留最重要特征。dl模型可具有所属领域中已知的任何合适cnn配置或架构。
[0062]“去除噪声”在所述术语在本文中使用时并非指可通过出于其它目的变换图像(例如将图像从一个空间(或图像类型)变换为另一空间(或图像类型)或通过改变图像的分辨率来变换所述图像)而发生的任何噪声减少。换句话说，本文中描述的“去除噪声”并不希望更改除图像的噪声特性外的图像的任何特性。去除噪声未将任何图像从一种相对具噪声的类型的图像(如样品图像)变换为相对安静类型的图像(如设计图像)，此需要图像类型的改变。去除噪声也未将任何图像从低分辨率图像变换为高分辨率图像，此需要除噪声外的至少一个图像特性(分辨率)的改变。以此方式，尽管一些图像变换算法或方法(其可基于或可不基于dl)可产生可被视为比原始图像噪声更少的图像，但那些图像变换算法及方法未保留除噪声外的所有原始图像特性。在一个此实例中，由本文中描述的实施例去除噪声的图像可为由bbp工具产生的具有一个分辨率及像素大小的光学检验图像，且所得去除噪声的图像还可为具有相同分辨率及像素大小但具有少于原始图像的噪声的光学检验图像。
[0063]
虽然例如上文描述的那些的图像变换(例如，将图像从一种类型改变到另一类型或从一个分辨率改变到另一分辨率)对于许多应用可为有用的，但此类变换并非本文中描述的去除噪声的目标。另一方面，重要的是应注意，不存在本文中描述的去除噪声无法与其它此类图像变换组合的原因。例如，如本文中描述般去除噪声的图像，在被输入到将去除噪声的图像变换为不同类型的图像或具有不同分辨率的图像的模型时，可提供比将原始图像被输入到变换的情况更佳质量的经变换图像。以此方式，如本文中描述般执行的去除噪声
可在其它图像变换过程的上游执行，其中去除噪声的图像用作那些过程的输入。本文中描述的去除噪声及信息确定步骤还可以不同方式与其它图像变换步骤一起使用。例如，本文中描述的去除噪声的图像可用于扰乱点过滤，且接着可对在使用去除噪声的图像或原始图像进行扰乱点过滤之后剩余的缺陷执行其它图像变换。以此方式，本文中描述的去除噪声及信息确定步骤可以多种方式集成到检验或其它质量控制类型过程中。
[0064]
本文中描述的实施例可具有两个步骤：训练及推理。在一个实施例中，计算机子系统经配置用于用包含相同图像的多个具噪声实现及平均损失函数的训练集来训练dl模型。例如，可使用cnn模型对来自层a(即，将被检验的样品层)的bbp热扫描的经取样数据进行训练。可通过在cnn网络中映像相同图像的多个具噪声实现来完成训练。测试图像及参考图像(其类似于测试图像)可用作相同图像的具噪声实现。这些图像可使用或不使用缺陷检测。换句话说，这些图像可为其中经由缺陷检测算法检测到缺陷的图像或其中由于尚未对图像执行缺陷检测而不知道是否存在缺陷的图像。一般来说，在样品上的相同设计位置的两个或更多个(例如，三个)例子处产生的两个或更多个(例如，三个)图像可用作训练输入，且这些图像中的每一者的训练输出可(例如)经由扰动、平均化或已知具有足够图像噪声减少能力的某一其它图像噪声减少技术从输入图像产生。以此方式，可使用已知用于提供至少一些噪声减少能力的方法从训练输入产生训练输出，或训练输入的去除噪声的版本。当与平均损失函数一起使用时，cnn模型收敛到平均行为，因此学习去除噪声函数。
[0065]
出于训练目的，还可跨样品对适当样本大小的相对较低信号事件进行取样。在此背景下，“相对较低信号事件”可被大体上定义为主要是噪声而非主要是缺陷的图像。换句话说，图像主要由相对较低信号噪声组成，而非图像由可为大得多的缺陷信号主导。此取样可以多种方式执行，包含通过本文中描述的计算机子系统使用基于图像中的信号的滤波或取样方法。
[0066]
图2展示可在训练流程中执行的步骤的一个实施例。如步骤200中所展示，系统可执行样品的热扫描。一般来说，热扫描涉及扫描样品且接着对在扫描期间产生的输出应用热阈值。以此方式引用热阈值，这是因为其处于、接近扫描输出的噪声底限(floor)或甚至在扫描输出的噪声底限内。以此方式，热扫描将检测许多事件，所述事件中的大多数可并非为缺陷而取而代之为噪声或扰乱点。因此，热扫描通常不针对其中过程被很好地理解且仅特定已知类型的缺陷受关注的生产目的而执行。代替性地，热扫描通常用于发现什么种类的缺陷是在层上及/或产生可用于设置检验过程的大量数据。在此情况下，热扫描可产生相对具噪声且因此适于训练本文中描述的dl模型的许多图像。另外，由热扫描保存的许多图像可并非为其中缺陷信号相对较强的图像(这是因为由此热扫描检测的事件可包含许多相对较低信号事件)。可含有缺陷但通常低信号缺陷的此类图像可尤其适于本文中所描述的训练。
[0067]
尽管热扫描是一种产生本文中描述的实施例的训练图像的特别容易及有利的方式，但其同样并非必需的。例如，如果经由生产类型扫描产生足够合适的图像(主要由噪声组成的图像)，那么所述扫描可用于针对去除噪声dl模型产生训练图像。另外，本文中描述的实施例不一定必须产生训练图像，而是可从存储媒体获取所述训练图像，所述训练图像先前通过成像子系统或不同系统或方法存储于所述存储媒体中。此外，训练图像不一定必须为在用于训练之前对其执行检测的图像。此外，可能优选的是，使用将用于其中将产生去
除噪声的图像且接着使用所述去除噪声的图像来确定样品的信息的过程的相同成像子系统参数来产生训练图像，但其同样并非必需的。
[0068]
训练图像还可使用将针对其使用通过经训练dl模型去除噪声的图像来确定信息的样品而产生，但如本文中进一步描述，针对具有形成于其上的一个层的一个样品训练的去除噪声dl模型在一些例子中还可用于对可具有或可不具有形成于其上的相同层的不同样品的图像去除噪声。以此方式，训练图像可通过或可不通过扫描其图像将由dl模型去除噪声的物理样品来产生。
[0069]
也可在不具有成像子系统的情况下产生用于训练的至少一些图像。例如，通过用成像子系统扫描样品产生的实际图像可用于产生人工图像，所述人工图像可用于与实际图像一起或代替实际图像进行训练。产生人工图像可包含扰动实际图像或用滤波器、函数等修改实际图像以对图像添加人工或不同噪声或改变实际图像的其它噪声特性。以此方式，尽管热扫描可为针对本文中描述的去除噪声dl模型产生训练图像的快速、简单且可靠的方式，但热扫描绝非可产生训练集的唯一方式。
[0070]
如步骤202中所展示，计算机子系统可对通过在步骤200执行的热扫描检测的缺陷进行取样以进行训练。经取样以用于训练的缺陷数目可很大程度上改变且可取决于dl模型的配置及训练其通常所需的训练样本的数目。经取样缺陷图像还可分成用于训练的不同阶段(例如训练、测试及验证)的不同子集。通常，训练dl模型需要大量训练样本，且使用热扫描来产生训练图像的一个优点在于，热扫描几乎保证产生可用于训练的足够数目个样本。
[0071]
如上文所描述，相同图像的多个具噪声实现优选用于训练。以此方式，训练样本可包含在样品上的对应位置(例如样品上的多个裸片、场等中的相同位置)处产生的多个图像。“相同图像的多个具噪声实现”在所述术语在本文中使用时被大体上定义为在印刷相同设计部分的样品上的多个位置(即，对应设计坐标)处(或针对所述多个位置)产生的至少两个图像，且所述至少两个图像是“具噪声的”，因为其表示将在对样品执行任何去除噪声类型功能之前在样品上执行的过程中产生的图像。以此方式，相同图像的多个具噪声实现可在样品的热扫描或样品的正常生产扫描中产生。多个具噪声实现还可包含一或多个测试图像及/或一或多个参考图像，其中所述测试图像及参考图像是由使用图像对样品执行的过程定义，无论所述过程是其中测试及参考图像来自样品上的不同相邻裸片的裸片到裸片类型检验或本文中描述的另一类型的检验或质量控制类型过程。
[0072]
尽管可使用相同图像的多个具噪声实现来执行训练，但其并不意味着可仅针对样品的一个图像执行训练。例如，可使用在第一设计坐标处产生的第一图像的多个具噪声实现、在第二设计坐标处产生的第二图像的多个具噪声实现等来执行训练。以此方式，dl模型可学习对在样品的设计中的不同位置处产生的图像去除噪声。
[0073]
如在步骤204中所展示，计算机子系统可使用两个或更多个类似具噪声实现来训练dl模型，此可如本文中进一步描述般执行。在此步骤，计算机子系统训练dl模型以学习接着将应用于其它图像的去除噪声功能，所述其它图像可包含相同样品的图像及视需要其它样品的图像(如本文中进一步描述，其可具有或可不具有相同类型)。因此，在步骤204执行的训练的结果是经训练去除噪声模型206，经训练去除噪声模型206接着可由计算机子系统使用以如上文描述般对图像去除噪声。换句话说，在使用相同图像的多个类似具噪声实现完成训练之后，计算机子系统可将其它样品图像输入到dl模型中，所述dl模型将对那些输
入图像去除噪声，此可用于如本文中进一步描述般确定信息。
[0074]
dl模型可通过或可不通过计算机子系统及/或由计算机子系统执行的组件中的一者来训练。例如，另一方法或系统可训练dl模型，接着可存储所述dl模型用作由计算机子系统执行的组件。在任一情况下，训练可包含将训练输入输入到dl模型中及更改dl模型的一或多个参数直到dl模型收敛到平均行为。训练可包含变更dl模型的任一或多个可训练参数。dl模型的经训练的一或多个参数可包含具有可训练权重的dl模型的任何层的一或多个权重。在一个此实例中，权重可包含卷积层的权重而非汇集层的权重。
[0075]
一旦如上文描述般训练模型，所述模型便可应用于将针对其产生图像的样品上的层的其余缺陷或由相同层的不同样品的热扫描产生的图像。换句话说，一旦训练去除噪声模型，便不仅可将所述去除噪声模型用于其图像用于训练模型的样品，而且可用于其上已形成相同层且通过成像子系统成像的其它样品。在一个此实施例中，针对额外样品产生相同图像的多个具噪声实现，且样品及所述额外样品具有形成于其上的不同层。例如，由本发明人产生的初步数据支持以下可能性：在具有形成于其上的(例如)层a的样品的图像上训练的模型也可在具有形成于其上的(例如)层b的样品的图像上起作用(即，充分去除噪声)。换句话说，即使两个样品的设计是不同的，使得层a与层b是不同的，但设计及层之间可能存在足够相似性(例如形成于层a及层b上的经图案化特征的材料及尺寸)，使得在层a的图像上训练的去除噪声模型可用于对层b的图像去除噪声。另外，基于由本发明人产生的初步结果，在单层数据上训练的去除噪声模型在无任何额外训练的情况下在应用于不同层数据时展示经改进灵敏度。针对任何算法使用从一个层到另一层的去除噪声模型被认为是其在光学检验中的第一种检验(例如bbp检验)。即使结果表明针对一个层训练的去除噪声模型无法对另一层的图像充分地去除噪声，但针对层a训练的去除噪声模型可用作在一种主网络或转移学习使用中针对层b重新训练的初始dl模型配置。
[0076]
在另一实施例中，图像是其中在去除噪声之前检测到缺陷的测试图像。以此方式，实施例可在检测后对图像去除噪声。相比来说，在由检验工具当前使用的流程中，不存在对图像去除噪声的检测后步骤。在一个此实施例中，通过样品的热扫描检测缺陷，此可如上文描述般执行。出于多种原因，对其中在样品的热扫描中检测到缺陷的图像去除噪声可尤其有用。例如，由于上文描述的原因(即，用于检测的基本上低阈值)，热扫描通常产生难以置信的大量经检测缺陷。因此，在大多数例子中，必须处理通过热扫描产生的缺陷群体以从实际缺陷滤除非缺陷(扰乱点或噪声)(用于缺陷发现或检验过程设置)。通过将其中通过此扫描检测到缺陷的图像输入到本文中描述的去除噪声dl模型中，由dl模型产生的去除噪声的图像可产生多得多有用的图像用于将缺陷与噪声或扰乱点分离或确定经检测缺陷的额外信息，此可如本文中进一步描述般执行。尽管通过本文中描述的实施例去除噪声的图像可包含其中通过热扫描检测到缺陷的图像，但此并非必需的。例如，可将其中检测到缺陷的任何图像(无关于如何检测到缺陷)输入到本文中描述的dl模型进行去除噪声。
[0077]
图3展示可通过本文中描述的实施例在推理流程中执行的步骤的一个实施例。在此实施例中，系统可执行热扫描，如步骤300所展示，但可针对在任何类型的样品扫描中产生的任何图像执行此图中所展示的推理流程。热扫描的输出可包含在图3中分别展示为测试图像302及参考图像304的测试图像及参考图像。测试图像及参考图像两者可被输入到去除噪声(推理)步骤。例如，如图3中所展示，可将测试图像302输入到去除噪声步骤306，且可
将参考图像304输入到去除噪声步骤308。尽管测试及参考图像去除噪声在图3中被展示为不同步骤，但这些步骤可由如本文中描述般配置的相同dl模型执行。测试及参考图像可被同时输入到dl模型，如在多个输入通道中，或取决于dl模型的配置在逐图像基础上循序地输入到dl模型。去除噪声步骤306的输出是去除噪声的测试图像310，且去除噪声步骤308的输出是去除噪声的参考图像312。计算机子系统接着可从去除噪声的测试图像减去去除噪声的参考图像，如步骤314所展示，从而产生去除噪声的差分图像316。以此方式，在一些实施例中，通过推理产生的输出是使用去除噪声测试、参考及差分图像的热扫描。
[0078]
如图3中所展示，可通过从去除噪声的测试图像减去去除噪声的参考图像来产生去除噪声的差分图像。在一些例子中，也可或替代性地适于将通过从未去除噪声的测试图像减去未去除噪声的参考图像而产生的差分图像输入到dl模型中用于去除噪声。换句话说，从原始图像产生的差分图像也可或替代性地被输入到去除噪声dl模型且用于如上文描述般确定信息。
[0079]
在一些实施例中，计算机子系统经配置用于基于由成像子系统产生的样品的测试图像来检测样品上的缺陷且用于将测试图像输入到dl模型中用于去除噪声，且通过计算机子系统输入到dl模型的测试图像仅包含其中检测到缺陷中的一或多者的测试图像。以此方式，输入到dl模型用于去除噪声的图像可不包含通过扫描产生的所有图像。代替性地，经去除噪声的图像可仅包含其中检测到至少一个缺陷的测试图像。在此类例子中，经去除噪声的图像还可包含那些测试图像的参考及(可能)差分图像，而非其中未检测到缺陷的任何测试图像的参考或差分图像。通过在缺陷检测之后执行去除噪声，可能显著减少经去除噪声的图像的数目，此可减小去除噪声的运算时间及支出。此实施例的步骤可如本文中描述般以其它方式执行。
[0080]
在另外的实施例中，在使用图像执行的缺陷检测之前执行去除噪声。例如，与本文中描述的在检测后对图块图像去除噪声的一些实施例相反，使用本文中描述的实施例的去除噪声可在检测之前对帧数据进行。以此方式，可通过将通过样品的扫描产生的图像(且可能所有图像)输入到如本文中描述般配置的dl模型中来执行去除噪声。还应注意，尽管可在不同时间(检测前或检测后)执行推理去除噪声，但这些并不相互排斥。在一个此实例中，既可在缺陷检测之前也可在缺陷检测之后对图像去除噪声，取决于额外运算时间/支出是否被认为值得，此在一些例子中可能是有利的。
[0081]
在一些实施例中，图像是样品的测试图像，且dl模型经配置用于对对应于测试图像的参考去除噪声。例如，如图3中所展示，可将测试图像及参考图像两者输入到去除噪声步骤。这些图像接着可用于产生如图3中所展示的去除噪声的差分图像及/或以本文中描述的任何其它方式使用。本发明人认为，本文中描述的实施例是对测试图像及参考图像两者去除噪声的首个已知方法。例如，存在对参考图像去除噪声的各种当前使用方法，其通常出于尝试针对缺陷检测产生最佳参考的目的(或作为其副产物)而产生。然而，由于担心无意地减少或消除缺陷信号(此可导致遗漏缺陷及不准确的检验结果)，通常尤其在缺陷检测之前未对测试图像去除噪声。因此，本文中描述的实施例的一个新颖特征据信是其提供用以对由光学检验工具产生的测试图像去除噪声的方法或算法。例如，一些当前使用方法使用类似于测试图像的图像的线性组合运算参考图像，从而产生与经线性组合的每一图像相比具有更少噪声的参考图像。相比来说，本文中描述的实施例提出使用能够学习非线性关系
的深度学习的解决方案。因此，本文中描述的实施例可针对测试图像及参考图像两者产生优选去除噪声的图像。
[0082]
在一个此实施例中，参考是由成像子系统在对应于产生测试图像的样品上的位置的样品上的位置处产生的样品的额外图像。例如，在许多检验过程中，比较测试图像与在样品上的对应位置处产生的另一图像。所述另一图像接着可用作检验(例如裸片到裸片检验、单元到单元检验等)中的参考图像。不同于不是从样品产生的其它参考图像(例如，从数据库产生的参考)，从样品产生的参考图像可具有与测试图像相同的许多噪声特性或可含有足够噪声(除非去除噪声可引起检测问题)。这是为何已创建用于产生参考图像的许多不同方式。通常，此当前使用的参考图像产生需要在样品上的相同设计位置的多个例子处获取的图像。对于参考图像产生需要多个图像显然可引起问题，如图像获取的时间增加、用于产生参考的运算时间、参考存储及可重用性问题，及由于如图像对准不准确性、样品变动等的事项引起的参考图像质量问题。
[0083]
不同于这些当前使用方法，本文中描述的实施例可有利地仅从在对应于产生测试图像的位置的位置处获取的单个图像产生合适参考图像。例如，可将来自与其中产生测试图像的裸片、单元等相邻的裸片、单元等的图像输入到本文中描述的dl模型，所述dl模型当被适当训练时，可产生基本上无噪声的参考图像。因此，本文中描述的实施例可能够比当前使用的方法及系统更快得多及更迅速得多地产生用于检验及其它质量控制类型过程的合适参考图像。另外，由于本文中描述的dl模型可经训练以减少任何及所有类型的噪声而无关于其特性(线性、非线性等)，因此本文中描述的实施例可能够产生显著无噪声的参考图像，而无关于原始图像的噪声特性，从而提供比用于参考图像产生的当前使用的方法及系统可能更大的灵活性及稳健性。
[0084]
计算机子系统经配置用于从去除噪声的图像确定样品的信息。经确定的信息及将去除噪声的图像用于信息确定的方式可取决于对样品执行的过程而改变。确定信息步骤可通过计算机子系统使用算法执行，所述算法可为由计算机子系统执行的一或多个组件的部分或可与那些组件分开。
[0085]
在另一此实施例中，确定信息包含从去除噪声的测试图像减去去除噪声的参考，从而产生差分图像并基于所述差分图像检测样品上的缺陷。以此方式，可基于如图3中所展示从对应去除噪声的测试及参考图像产生的差分图像来执行缺陷检测。因此，直到已对测试及参考图像去除噪声之后，才可执行此缺陷检测。因而，在此实施例中，可在缺陷检测之前及针对尚未被检查缺陷的图像执行去除噪声。对去除噪声的图像执行缺陷检测可比在缺陷检测之后执行去除噪声(其中仅针对其中已检测到至少一个缺陷的图像执行去除噪声)更运算密集。然而，以某种方式，运算可被抵消，这是因为使用去除噪声的图像检测的缺陷群体可比使用预去除噪声的图像将检测的缺陷群体小得多。例如，如果对去除噪声的图像而非原始图像执行缺陷检测，那么输入到例如扰乱点过滤及属性提取(其两者可如本文中描述般执行)的其它步骤的经检测缺陷群体可小得多，从而使那些步骤较不运算密集。
[0086]
一般来说，去除噪声的图像可以与任何其它图像相同的方式用于缺陷检测。换句话说，去除噪声的图像并非缺陷检测算法或方法特定的，且使用去除噪声的图像检测缺陷可使用所属领域中已知的任何合适缺陷检测算法或方法来执行。在一个此实例中，缺陷检测可包含产生如上文所描述的差分图像并对差分图像应用阈值。差分图像中的具有高于阈
值的值的任何像素可被识别为缺陷，且所有其它像素可不被识别为缺陷。当然，此可能是其中可执行缺陷检测的最简单方式且仅作为非限制性实例包含于本文中。
[0087]
因此，在一些实施例中，针对样品确定的信息可包含在样品上检测的缺陷的信息。在此类例子中，信息可包含(例如)经检测的缺陷的类型、经检测缺陷相对于样品图像、样品、成像子系统及样品的设计中的一或多者的位置，及通过缺陷检测方法或算法针对缺陷产生的任何其它信息。如本文中进一步描述，可通过计算机子系统输出及/或存储此信息。
[0088]
在另外的此类实施例中，在去除噪声之前在测试图像中检测缺陷，且确定信息包含从去除噪声的测试图像减去去除噪声的参考，从而产生参考图像并基于所述参考图像确定缺陷的信息。例如，即使已基于未去除噪声的图像执行缺陷检测，还可如图3中所展示产生去除噪声的测试及参考图像并使用其产生差分图像。此去除噪声的差分图像接着可用于确定缺陷的信息，例如缺陷是否是扰乱点或实际缺陷、缺陷的一或多个属性等，此可如本文中进一步描述般执行。以此方式，未去除噪声的差分图像可用于缺陷检测且接着去除噪声的差分图像可用于额外缺陷功能(如过滤、分类、属性提取等)。当使用去除噪声的差分图像执行缺陷检测时，还可以这些方式使用去除噪声的差分图像。
[0089]
在另一实施例中，针对样品确定的信息包含在图像或去除噪声的图像中检测到的缺陷的一或多个属性。例如，在推理(去除噪声)后，可从去除噪声的测试、参考及差分图像中的至少一者(或所有者)计算一组预定属性。在当前检验缺陷检测流程中，训练、推理及属性计算中的每一者可在工具或分析站上在检测后或脱机发生。换句话说，训练dl模型用于去除噪声，执行去除噪声及从去除噪声的图像中的至少一者计算属性可各自在检测前或检测后以及在工具上或工具外执行。所有三个步骤可一起发生或按上述循序顺序分开发生。因此，本文中描述的实施例可运算去除噪声的图像上的可能已改进信噪比(snr)的属性。缺陷属性可包含可从本文中描述的去除噪声的图像及/或其与样品的其它信息(例如设计数据)的对准中的一或多者确定的任何合适缺陷属性，例如，分类、大小、形状等(除所报告的缺陷位置外)。可通过计算机子系统使用所属领域中已知的任何合适方法或算法来确定缺陷属性。这些属性可被写入到批次结果且可添加到或覆写现有属性。
[0090]
在一些实施例中，在图像或去除噪声的图像中检测缺陷，且确定样品的信息包含从去除噪声的图像确定缺陷的属性的第一部分及从图像确定缺陷的属性的第二部分。换句话说，如下文进一步描述的图4中所展示，针对在样品上检测的任一或多个缺陷执行的属性提取或计算步骤可从可包含针对任一缺陷产生的去除噪声的图像中的任一者的去除噪声的图像计算所有经确定缺陷属性的仅一预定子集。例如，一些缺陷属性可对噪声相对不灵敏，此意味着存在于图像中的噪声未不利地影响图像确定的那些缺陷属性的准确度，或对相同图像但具有不同噪声特性的不同例子执行的属性计算将产生相同属性结果。然而，其它缺陷属性可对噪声更灵敏，此意味着那些缺陷属性的确定随着图像中的噪声的差异而变化。因此，取决于缺陷属性对噪声的灵敏程度，计算机子系统或用户可选择使用哪一(些)图像(无论是否去除噪声)来确定所述缺陷属性。因此，本文中进一步描述的用于从去除噪声的图像进行缺陷属性提取的经提出流程可与在使用原始图像执行检测之后的属性提取的当前流程并行执行。
[0091]
图4展示可针对属性计算执行的步骤的一个实施例。在此流程中，可将去除噪声的测试图像400、去除噪声的参考图像402及去除噪声的差分图像404(其全部可如本文中描述
般产生)输入到属性提取步骤406，其中仅计算所有可能缺陷属性的预定子集。缺陷属性的预定子集可仅包含可受图像噪声影响的那些属性。其它缺陷属性可如其正常般从未去除噪声的图像计算。此步骤的结果可包含去除噪声的背景属性408及去除噪声的信号属性410，其可为可从去除噪声的图像确定的任何所关注背景或信号属性，包含在当前使用的检验过程中确定的那些背景或信号属性的任一者。
[0092]
尽管图4展示将去除噪声的测试、参考及差分图像输入到针对在样品上检测到的任一个缺陷的属性提取步骤，但并非所有这些图像需要被输入。例如，仅去除噪声的测试图像或仅去除噪声的差分图像可被输入到属性提取步骤。在其它例子中，尤其当属性提取步骤包含确定多于一个缺陷属性且每一属性确定可需要不同输入图像时，将所有可用图像输入到图4中展示的属性提取步骤可为最方便的。
[0093]
在额外实施例中，确定样品的信息包含确定在图像中检测到的缺陷是否是扰乱点。确定在图像中检测到的缺陷是否是扰乱点可使用经确定的属性及/或如本文中描述般产生的去除噪声的图像中的任一者来执行。例如，如本文中所描述从任何去除噪声的图像确定的属性(可能结合从原始图像确定的属性)可以与任何其它缺陷属性相同的方式输入到扰乱点事件过滤器(nef)。以此方式，如本文中描述般确定的任何属性可与任何当前使用的nef一起使用。由本发明人执行的初步研究表明，相较于仅从尚未如本文中描述般去除噪声的图像确定的属性，当使用如本文中描述般确定的属性来执行扰乱点过滤时，扰乱点抑制得以改进。另外，初步数据表明，本文中描述的实施例在扰乱点抑制方面优于现有算法。
[0094]
一般来说，确定信息可包含针对样品产生一或多个类检验结果。因此，本质上，确定信息步骤可具有各自针对不同类型的信息的多个输出通道。来自多个通道的输出接着可组合成用于样品的单个检验结果文件(例如，通过一些kla检验工具产生的klarf文件)。以此方式，对于样品上的任一个位置，检验结果文件中可能存在多种类型的信息。
[0095]
尽管图2到4描述及展示可针对检验应用执行的步骤，但这些相同步骤可以类似方式针对本文中描述的其它应用(如计量及缺陷检视)执行。在此类例子中，输入图像可不同于图2到4中展示的那些且可由通过另一成像子系统(例如包含于计量或缺陷检视工具中的成像子系统)产生的合适图像取代。另外，从去除噪声的图像确定的信息可为不同的且可取决于对样品执行的过程而改变。例如，代替如图4中展示般确定缺陷属性，计算机子系统可经配置以从去除噪声的测试图像执行计量(如经图案化结构属性计算)或用于执行计量的步骤(如经图案化结构识别)。
[0096]
一般来说，即使计量及缺陷检视工具产生比通过检验工具产生的图像少得多噪声的图像，也可存在其中计量及缺陷检视过程产生比平常更具噪声的图像(例如，由于意外的样品变动或工具漂移)的例子。以此方式，即使本文中描述的去除噪声可能不常用于此类过程，但当图像比预期更具噪声时其也可用作备用方法且甚至有助于理解为何图像比平常更具噪声(例如，经由随后去除噪声的图像的检查)。
[0097]
不同于检验过程，缺陷检视过程通常重新访查(revisit)已检测到缺陷的样品上的离散位置。经配置用于缺陷检视的成像子系统可如本文中描述般产生样品图像，所述样品图像可被输入到如本文中描述的dl模型用于去除噪声。dl模型可经训练且经配置用于图像去除噪声，如本文中进一步描述。对于缺陷检视应用，计算机子系统还可经配置用于使用在任何合适缺陷检视工具上使用的任何合适缺陷检视方法或算法以从去除噪声的图像确
定缺陷或样品的信息，可能结合通过缺陷检视过程或从去除噪声的图像确定的任何其它信息。虽然相较于检验，各种输入及输出针对缺陷检视使用情况可为不同的，但相同dl模型可用于缺陷检视及检验两者(在应用适合的训练之后)。dl模型可如上文描述般以其它方式训练及配置。
[0098]
如上文所描述，在一些实施例中，成像子系统可经配置用于样品的计量。在一个此实施例中，确定信息包含确定输入图像中的样品结构的一或多个特性。例如，本文中描述的dl模型可经配置用于对通过计量工具产生的样品的图像去除噪声，所述图像接着可用于确定所述样品的计量信息。计量信息可包含任何所关注计量信息，其可取决于样品上的结构而改变。此计量信息的实例包含(但不限于)临界尺寸(cd)，例如线宽及样品结构的其它尺寸。样品图像可包含通过任何计量工具产生的任何图像，所述计量工具可具有例如本文中描述的配置或所属领域中已知的任何其它合适配置的配置。以此方式，本文中描述的实施例可有利地使用通过计量工具产生且如本文中描述般去除噪声的样品图像，用于预测样品及包含于样品图像中的任一或多个样品结构的计量信息。对于计量应用，计算机子系统还可经配置用于使用在任何合适计量工具上使用的任何合适计量方法或算法，以从去除噪声的图像确定样品的信息，可能结合通过计量过程或从去除噪声的图像确定的任何其它信息。虽然相较于检验，各种输入及输出针对计量使用情况可为不同的，但相同dl模型可用于计量及检验两者(在应用适合的训练之后)。dl模型可如上文描述般以其它方式训练及配置。
[0099]
计算机子系统还可经配置用于产生包含经确定信息的结果，所述结果可包含本文中描述的结果或信息中的任一者。确定信息的结果可由计算机子系统以任何合适方式产生。本文中描述的所有实施例可经配置用于将实施例的一或多个步骤的结果存储于计算机可读存储媒体中。结果可包含本文中描述的结果中的任一者且可以所属领域中已知的任何方式存储。包含经确定信息的结果可具有任何合适形式或格式(例如标准文件类型)。存储媒体可包含本文中描述的任何存储媒体或所属领域中已知的任何其它合适存储媒体。
[0100]
在已存储结果之后，结果可在存储媒体中存取且由本文中描述的方法或系统实施例中的任一者使用，经格式化用于显示给用户，由另一软件模块、方法或系统等使用以针对样品或相同类型的另一样品执行一或多个功能。例如，通过计算机子系统产生的结果可包含在样品上检测到的任何缺陷的信息，例如经检测缺陷的定界框的位置等、检测分数、关于缺陷分类的信息(例如类别标记或id)、从图像中的任一者确定的任何缺陷属性等、经预测样品结构量测、尺寸、形状等，或所属领域中已知的任何此合适信息。所述信息可由计算机子系统或另一系统或方法使用，以针对样品及/或经检测缺陷执行额外功能，例如对缺陷进行取样以用于缺陷检视或其它分析，确定缺陷的根本原因等。
[0101]
此类功能还包含(但不限于)以反馈或前馈方式更改已或将对样品执行的过程(例如制造工艺或步骤)等。例如，计算机子系统可经配置以基于经确定信息确定对已对样品执行的过程及/或将对样品执行的过程的一或多个改变。过程的改变可包含对过程的一或多个参数的任何合适改变。在一个此实例中，计算机子系统优选地确定那些改变，使得可在对其执行经修改过程的其它样品上减少或防止缺陷，可在对样品执行的另一过程中在样品上校正或消除缺陷，可在对样品执行的另一过程中补偿缺陷等。计算机子系统可以所属领域中已知的任何合适方式确定此类改变。
[0102]
接着可将那些改变发送到半导体制造系统(未展示)或可供计算机子系统及所述半导体制造系统两者存取的存储媒体(未展示)。半导体制造系统可为或可不为本文中描述的系统实施例的部分。例如，本文中描述的成像子系统及/或计算机子系统可(例如)经由一或多个共同元件(例如外壳、电源供应器、样品处置装置或机构等)耦合到半导体制造系统。半导体制造系统可包含所属领域中已知的任何半导体制造系统，例如光刻工具、蚀刻工具、化学机械抛光(cmp)工具、沉积工具及类似者。
[0103]
上文描述的系统中的每一者的实施例中的每一者可一起组合成单个实施例。
[0104]
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。所述方法包含通过将由成像子系统产生的样品的图像输入到经配置用于执行去除噪声的dl模型中来对所述图像去除噪声。所述dl模型包含于由计算机子系统执行的一或多个组件中。所述方法亦包含从所述去除噪声的图像确定所述样品的信息。所述输入及确定步骤由所述计算机子系统执行。
[0105]
所述方法的步骤中的每一者可如本文中进一步描述般执行。所述方法还可包含可通过本文中描述的系统、计算机子系统、组件及/或dl模型执行的任何其它步骤。计算机子系统可根据本文中描述的实施例中的任一者(例如计算机子系统36)配置。一或多个组件及dl模型还可根据本文中描述的实施例中的任一者配置。方法可由本文中描述的系统实施例中的任一者执行。
[0106]
额外实施例涉及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，用于执行用于确定样品的信息的计算机实施方法。一个此实施例展示于图5中。特定来说，如图5中所展示，非暂时性计算机可读媒体500包含可在计算机系统504上执行的程序指令502。计算机实施方法可包含本文中描述的任何方法的任何步骤。
[0107]
实施例如本文中描述的方法的方法的程序指令502可存储于计算机可读媒体500上。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带或所属领域中已知的任何其它合适非暂时性计算机可读媒体。
[0108]
程序指令可以各种方式中的任一者实施，包含基于过程的技术、基于组件的技术及/或面向对象的技术等。例如，程序指令可视需要使用activex控件、c++对象、javabeans、微软基础类别(“mfc”)、sse(串流simd扩展)或其它技术或方法论实施。
[0109]
计算机系统504可根据本文中描述的实施例中的任一者配置。
[0110]
鉴于此描述，所属领域的技术人员将明白本发明的各个方面的进一步修改及替代实施例。例如，提供用于确定样品的信息的方法及系统。因此，此描述应仅被理解为阐释性的且用于教示所属领域的技术人员实行本发明的一般方式的目的。应了解，在本文中展示及描述的本发明的形式应被视为当前优选实施例。如所属领域的技术人员在受益于本发明的此描述之后将明白，元件及材料可替换本文中所说明及描述的元件及材料，部件及过程可颠倒，且可独立地利用本发明的某些特征。在不脱离如在所附权利要求书中描述的本发明的精神及范围的情况下，可对本文中描述的元件作出改变。

技术特征：
1.一种经配置以确定样品的信息的系统，其包括：计算机子系统；及一或多个组件，其由所述计算机子系统执行；其中所述一或多个组件包括经配置用于对由成像子系统产生的样品的图像去除噪声的深度学习模型；且其中所述计算机子系统经配置用于从所述去除噪声的图像确定所述样品的信息。2.根据权利要求1所述的系统，其中深度学习模型进一步经配置为卷积神经网络。3.根据权利要求1所述的系统，其中所述图像是其中在所述去除噪声之前检测到缺陷的测试图像。4.根据权利要求3所述的系统，其中所述缺陷是通过所述样品的热扫描检测。5.根据权利要求1所述的系统，其中所述去除噪声是在使用所述图像执行的缺陷检测之前执行。6.根据权利要求1所述的系统，其中所述图像是所述样品的测试图像，且其中所述深度学习模型进一步经配置用于对对应于所述测试图像的参考去除噪声。7.根据权利要求6所述的系统，其中所述参考是由所述成像子系统在对应于所述样品上产生所述测试图像的位置的所述样品上的位置处产生的所述样品的额外图像。8.根据权利要求6所述的系统，其中确定所述信息包括从所述去除噪声的测试图像减去所述去除噪声的参考，从而产生差分图像并基于所述差分图像检测所述样品上的缺陷。9.根据权利要求6所述的系统，其中缺陷是在所述去除噪声之前在所述测试图像中检测，且其中确定所述信息包括从所述去除噪声的测试图像减去所述去除噪声的参考，从而产生差分图像并基于所述差分图像确定所述缺陷的信息。10.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基于由所述成像子系统产生的所述样品的测试图像检测所述样品上的缺陷及用于将所述测试图像输入到所述深度学习模型中用于所述去除噪声，且其中通过所述计算机子系统输入到所述深度学习模型的所述测试图像仅包括其中检测到所述缺陷中的一或多者的所述测试图像。11.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在所述图像或所述去除噪声的图像中检测到的缺陷的一或多个属性。12.根据权利要求1所述的系统，其中缺陷是在所述图像或所述去除噪声的图像中检测，且其中确定所述样品的所述信息包括从所述去除噪声的图像确定所述缺陷的属性的第一部分及从所述图像确定所述缺陷的所述属性的第二部分。13.根据权利要求1所述的系统，其中确定所述样品的所述信息包括确定在所述图像中检测到的缺陷是否是扰乱点。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使用包括所述相同图像的多个具噪声实现及平均损失函数的训练集来训练所述深度学习模型。15.根据权利要求14所述的系统，其中所述相同图像的所述多个具噪声实现是针对额外样品产生，且其中所述样品及所述额外样品具有形成于其上的不同层。16.根据权利要求1所述的系统，其中所述成像子系统是基于光的成像子系统。17.根据权利要求1所述的系统，其中所述成像子系统是基于电子的成像子系统。18.根据权利要求1所述的系统，其中所述样品是晶片。
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，用于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：通过将由成像子系统产生的样品的图像输入到经配置用于执行去除噪声的深度学习模型中来对所述图像去除噪声，其中所述深度学习模型包含于由所述计算机系统执行的一或多个组件中；及从所述去除噪声的图像确定所述样品的信息。20.一种用于确定样品的信息的计算机实施方法，其包括：通过将由成像子系统产生的样品的图像输入到经配置用于执行去除噪声的深度学习模型中来对所述图像去除噪声，其中所述深度学习模型包含于由计算机子系统执行的一或多个组件中；及从所述去除噪声的图像确定所述样品的信息，其中所述输入及确定由所述计算机子系统执行。

技术总结
提供用于确定样品的信息的方法及系统。一种系统包含计算机子系统及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对由成像子系统产生的样品的图像去除噪声的深度学习模型。所述计算机子系统经配置用于从所述去除噪声的图像确定所述样品的信息。的信息。的信息。


技术研发人员：A
受保护的技术使用者：科磊股份有限公司
技术研发日：2022.05.31
技术公布日：2023/10/20