[发明专利]优化用于设置检验相关算法的训练组

说明书

本发明提供用于训练检验相关算法的方法及系统。一个系统包含一或多个计算机子系统，所述一或多个计算机子系统经配置以使用标记缺陷组来执行检验相关算法的初始训练，借此产生所述检验相关算法的初始版本，且将所述检验相关算法的所述初始版本应用到未标记缺陷组。所述(若干)计算机子系统还经配置以基于所述应用的结果来变更所述标记缺陷组。接着，所述(若干)计算机子系统可迭代地再训练所述检验相关算法且变更所述标记缺陷组，直到所述算法的最新版本与先前版本所产生的结果之间的一或多个差达到一或多个标准。当所述一或多个差达到所述一或多个标准时，输出所述检验相关算法的所述最新版本作为经训练算法。

技术领域

本发明大体上涉及优化用于设置检验相关算法的训练组的方法及系统。

背景技术

在此节中，下列描述及实例不凭借其内含物而认为是现有技术。

在半导体制造过程期间，在各种步骤中使用检验过程以检测晶片上的缺陷，从而促进所述制造过程中的更高产量且因此促进更高利润。检验一直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，检验对可接受的半导体装置的成功制造变得更重要，这是因为较小缺陷可导致装置不合格。

当在样品(例如晶片)上检测到缺陷时，通常将某种类型的算法应用到所检测的缺陷以将其分成不同种类的缺陷(或将缺陷与非缺陷分离开)。完成这的一个方式是将缺陷分类器应用到所检测的缺陷，其将所检测的缺陷分成不同类型或等级的缺陷。缺陷分类器通常将缺陷及/或缺陷图像(例如，所述缺陷附近获取的通常叫作“补丁”图像或“补丁”的相对小图像)的一或多个属性用作输入以确定缺陷的类型或等级。接着，缺陷分类器将某种类型的识别符或ID分配给每一缺陷以表明所确定的类型或等级。分离所检测缺陷的另一方式是将实际缺陷与妨害或噪声分离开。“妨害”缺陷一般经界定为用户不在乎的缺陷及/或经检测为缺陷但实际上非缺陷的缺陷。这些算法通常称为缺陷过滤器及/或妨害过滤器。

光学检验工具上最广泛使用的分类器/妨害过滤器是基于人工建构的决策树。用于这些决策树的调整方法利用并入到用于树建构的最佳已知方法(BKM)中的经验及领域知识。这通常导致所述决策树最初使用BKM“模板”、缺陷群聚及实质上较粗糙的缺陷标记(使用补丁)建构而成。在已获得所述树的结构之后，接着使用多样性取样来对所述树进行多样化取样，其中跨所述树上的叶节点存在智能样本分布。接着，扫描式电子显微镜(SEM)对所取样缺陷进行检视、分类且将其用于最后调整决策切割线(分离不同类型的缺陷的边界)。如果给定训练组，那么基于机器学习算法的其它分类器(例如最近邻点型分类器)将自动找到决策边界，但当前不存在获得将最大化其性能的训练组的方法。

然而，当前所使用的用于设置及调整缺陷分类器的方法存在许多缺点。例如，现存方法为劳力密集型、需要大量专业知识且将产生依赖于人类专家的不一致结果。由人类专家建造分类器易于产生误差且昂贵且耗时。每一缺陷具有相对较大数目的特征，这使得几乎不可能适当可视化所述特征以便于分类。因此，因为缺乏关于潜在多维分布的知识，所以人类专家可能在建造所述分类边界时出现重大误差。即使不存在重大误差，人工创造次最佳分类器的可能性实质上很高。

据此，研发不具有上文所描述的缺点中的一或多者的用于优化用于设置检验相关算法的训练组的系统及/或方法将是有利的。

发明内容

各种实施例的下列描述不得以任何方式解释为限制所附权利要求书的目标。