[发明专利]用于经配置用于半导体应用的深度学习模型的诊断系统及方法

说明书

本发明提供用于执行深度学习模型的诊断功能的方法及系统。一个系统包含由一或多个计算机子系统实行的一或多个组件。所述一或多个组件包含经配置用于从由成像工具针对样品产生的图像确定信息的深度学习模型。所述一或多个组件还包含诊断组件，所述诊断组件经配置用于确定导致所述信息被确定的所述图像的一或多个因果部分且用于基于所述图像的所述经确定一或多个因果部分执行一或多个功能。

技术领域

本发明大体上涉及用于经配置用于半导体应用的深度学习模型的诊断方法及系统。

背景技术

以下描述及实例不因其包含于此段落中而被承认是现有技术。

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造过程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。举例来说，光刻是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的半导体制造过程。半导体制造过程的额外实例包含(但不限于)化学机械抛光(CMP)、蚀刻、沉积及离子植入。多个半导体装置可以一布置制造于单一半导体晶片上且接着被分成个别半导体装置。

在半导体制造过程期间的各个步骤使用检验过程以检测样品上的缺陷以驱动制造过程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，检验对于可接受半导体装置的成功制造变得更为重要，这是因为较小缺陷可引起装置故障。

缺陷检视通常涉及重新检测本身由检验过程检测的缺陷，及使用高倍率光学系统或扫描电子显微镜(SEM)而以较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较高分辨率数据更适合于确定缺陷的属性，例如轮廓、粗糙度、更精确大小信息等。

深度学习的进展已使深度学习成为用于缺陷检测及分类中的有吸引力的架构。虽然此类架构已被证明可用于缺陷分类及其它功能，但架构自身还难以知道深度学习架构是否正确地操作。举例来说，在缺陷分类的情况中，用于对分类器执行质量保证的当前使用的方法包含机器学习中的经典度量，例如准确度、混淆矩阵及对脱机测试数据集及在线/现场评估的敏感度。另外，用于执行数据扩增的当前使用的方法包含使领域专家或算法专家导引有效及关键变换/扩增或基于物理定律及/或常识执行数据扩增。

然而，当前使用的质量保证及数据扩增方法及系统存在数个缺点。举例来说，上文描述的当前使用的质量保证方法无法识别其中分类器(尤其针对深度学习分类器)基于错误的因果特征做出正确预测的情境。在另一实例中，上文描述的当前使用的质量保证方法将机器学习及深度学习算法视为黑箱。在额外实例中，用于执行数据扩增的当前使用的方法无法用于直接改进/校正经不良训练的分类器。

因此，开发用于执行深度学习模型的诊断功能而无上文描述的一或多个缺点的系统及方法将是有利的。

发明内容

各种实施例的以下描述绝不应理解为限制所附权利要求书的目标。

一个实施例涉及一种经配置以执行深度学习模型的诊断功能的系统。所述系统包含一或多个计算机子系统及由所述一或多个计算机子系统实行的一或多个组件。所述一或多个组件包含深度学习模型，所述深度学习模型经配置用于从由成像工具针对样品产生的图像确定信息。所述一或多个组件还包含诊断组件，所述诊断组件经配置用于确定导致所述信息被确定的所述图像的一或多个因果部分且用于基于所述图像的所述经确定一或多个因果部分执行一或多个功能。可如本文中描述那样进一步配置所述系统。

额外实施例涉及经配置以执行深度学习模型的诊断功能的另一系统。如上文描述那样配置此系统。此系统还包含成像工具，所述成像工具经配置用于产生样品的图像。在此实施例中，计算机子系统经配置用于获取所述图像。可如本文中描述那样进一步配置所述系统的此实施例。