[发明专利]使用统一神经网络进行缺陷检测及分类的方法及系统

说明书

本发明提供用于检测样品上的缺陷且对所述缺陷进行分类的方法及系统。一种系统包含由一或多个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神经网络，所述神经网络经配置以检测样品上的缺陷且对在所述样品上检测到的所述缺陷进行分类。所述神经网络包含第一部分，所述第一部分经配置以确定由成像子系统产生的所述样品的图像的特征。所述神经网络还包含第二部分，所述第二部分经配置以基于所述图像的所述经确定特征检测所述样品上的缺陷，且基于所述图像的所述经确定特征对在所述样品上检测到的所述缺陷进行分类。

技术领域

本发明大体上涉及经配置以使用统一神经网络进行缺陷检测及分类的方法及系统。

背景技术

以下描述及实例并不凭借其包含于此章节中而被认为是现有技术。

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工艺。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。

在半导体制造过程期间的各个步骤使用检验过程来检测样品上的缺陷以推动制造过程的较高良率及因此较高收益。检验始终为制造半导体装置的重要部分。然而，随着半导体装置尺寸的减小，检验对于可接受半导体装置的成功制造变得更加重要，这是因为较小缺陷可引起装置失效。

缺陷重检通常涉及使用高放大率光学系统或扫描电子显微镜(SEM)以较高分辨率再次检测本身由检验过程检测到的缺陷且产生关于所述缺陷的额外信息。因此，缺陷重检是在样品上已通过检验检测到缺陷之处的离散位置处执行。通过缺陷重检针对缺陷产生的较高分辨率数据更适于确定缺陷的属性，例如轮廓、粗糙度、更准确大小信息等。与检验相比，基于通过缺陷重检确定的信息通常可将缺陷更准确地分类成若干缺陷类型。

深度学习的进展已使深度学习成为用于缺陷检测及分类的有吸引力的框架。使用深度学习框架用于缺陷检测及分类的当前方法已独立地解决这些问题中的每一者。举例来说，针对分类，在训练时，用户可将图像级标签指派给缺陷图像。使用图像级标签及缺陷图像来训练卷积神经网络(CNN)。在生产期间(在训练之后)，在将缺陷图像作为到CNN的输入的情况下，CNN将输出图像分类及与图像分类相关联的置信度。另外，针对检测，用户可将像素级标签指派给缺陷图像(通常多个类别的缺陷图像)。使用像素级标签及缺陷图像来训练不同于经训练用于缺陷分类的CNN的检测CNN。换句话说，检测CNN及分类CNN相互排斥。可使用来自检测CNN的输出(斑块(blob))及斑块级标签来训练分类CNN。在生产期间(在训练检测CNN之后)，将缺陷图像输入到检测CNN，检测CNN输出斑块，且分类CNN按斑块输出分类及相关联置信度。

然而，上文描述的当前所使用方法及系统存在若干缺点。举例来说，当前所使用方法的易用性是不利的。特定来说，用户在像素级注释缺陷以供检测网络学习具有显著高负担。另外，归因于三个网络的大体上长训练时间及训练缺陷要求，存在大体上高训练成本。在另一实例中，当前所使用方法的缺乏知识共享是不利的。特定来说，在当前所使用方法中，难以使用现有知识。举例来说，用户需要注释大体上大量先前数据的像素以针对网络获得预训练权重。另外，当前所使用方法需要针对用于分类及检测的不同网络获得单独预训练权重。此外，当前所使用方法为最大性能并未针对检测取得在分类网络中学习的内容。在额外实例中，当前所使用框架将检测及分类作为单独问题处理，借此增加训练成本。在另一实例中，当前所使用方法难以随着全球深度学习路线图的发展而扩展到更新颖技术。在另一实例中，当前所使用方法的成本是不利的。特定来说，图像计算机成本归因于单独训练过程而大体上高。

因此，发展出不具有上述缺点中的一或多者的用于检测样品上的缺陷且对所述缺陷进行分类的系统及方法将为有利的。

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标的物。