[发明专利]基于机器学习的半导体样本中的缺陷分类

权利要求书

1.一种将半导体样本中的缺陷自动分类为多个类别的方法，所述方法包括通过处理和存储器电路系统(PMC)来：

获得提供一组缺陷的物理属性的信息的数据，所述一组缺陷的物理属性能用于区分所述多个类别中的不同类别的缺陷；以及

在训练第一机器学习模型以处理包括提供给定缺陷的信息的一个或多个图像的样品，以便针对所述给定缺陷生成提供来自所述一组物理属性中的所述物理属性的值的信息的多标签输出向量，从而针对所述给定缺陷生成多标签描述符之后，使用所述经训练的第一机器学习模型来生成所述样本中的所述缺陷的多标签描述符，所述描述符能用于分类。

2.如权利要求1所述的方法，进一步包括通过所述PMC来：

获得提供多标签数据集的信息的数据，每个数据集唯一地指示所述多个类别中的相应类别并且包括来自所述一组物理属性中的物理属性的唯一的一组值；以及

在训练第二机器学习模型以提供多标签分类之后，通过将分别生成的所述缺陷的多标签描述符与所述多标签数据集相匹配来使用所述经训练的第二机器学习模型对所述样本中的缺陷进行分类。

3.如权利要求1所述的方法，进一步包括通过所述PMC来：

获得提供多标签数据集的信息的数据，每个数据集唯一地指示所述多个类别中的相应类别并且包括来自所述一组物理属性中的物理属性的唯一的一组值；以及

分析所述样本中的所述缺陷的所述生成的多标签描述符，以识别新的重复多标签数据集，从而识别所述缺陷的新类别。

4.如权利要求1所述的方法，进一步包括：分析所述样本中的所述缺陷的所述生成的多标签描述符以识别一个或多个类别的多模态行为。

5.如权利要求2所述的方法，其中对缺陷进行分类包括：将确定性阈值定义为与给定类别相匹配的所述分别生成的多标签描述符中的值的数量以及指示所述给定类别的所述多标签数据集中的值的总数量之间的比率。

6.如权利要求5所述的方法，进一步包括：使用所述确定性阈值来启用以下各项中的至少一项：

a.优化缺陷分类的置信水平；

b.识别错误分类的缺陷；

c.针对每个类别和/或类别的群组分别设置纯度要求；

d.针对每个类别和/或类别的群组分别设置准确度要求；以及

e.针对每个类别和/或类别的群组分别设置提取要求。

7.如权利要求1所述的方法，其中所述一组缺陷的物理属性中的所述物理属性提供以下各项中的至少一项的信息：物理位置、形状、周长、侧壁角度、长宽比、取向、对称性、层、纹理、边缘和化学成分。

8.如权利要求1所述的方法，其中所述多个类别包括“粒子”类别和“桥”类别，并且其中所述一组缺陷的物理属性包括纹理的粗糙度、边缘的清晰度、相对于图案的顶部的位置、以及相对于两个图案的位置。

9.如权利要求2所述的方法，其中所述多标签描述符和所述多标签数据集中的所述物理属性的所述值是二进制的。

10.如权利要求2所述的方法，其中所述多标签描述符和所述多标签数据集中的所述物理属性的所述值对应于关于相关物理属性的“是”、“否”和“不相关”。