热点缺陷检测方法及热点缺陷检测系统与流程

本发明的实施例是有关于一种缺陷检测方法及系统。

背景技术：

在现今的半导体器件的制造工艺中，操控各种材料及机器以创建最终产品。制造商致力于减少加工期间的颗粒污染以提高产品良率(productyield)。由于半导体器件的复杂度增大且由于超小型晶体管(ultra-smalltransistor)的开发，因此进一步需要进行缺陷检测及控制。

在制造期间使用光学检验工具频繁地对半制成产品执行检验来及时地找出缺陷。现有光学检验工具的灵敏度受到晶片噪声所限制。由于缺陷大小随着工艺的进步而持续减小，因此缺陷信号变得甚至比晶片噪声更微弱。作为结果，这些光学检验工具开始在检测各种类型的缺陷的过程中表现出越来越大的差距。

技术实现要素：

本发明的实施例提供一种检测热点缺陷的方法，所述方法适用于电子装置，其包括：从半导体产品的设计中提取多个热点以定义包括多个热点群组的热点图，其中将所述设计的同一上下文中生成同一图像内容的多个局部图案定义为同一热点群组；在运行时间期间获取通过由检验工具对使用所述设计制成的晶片执行热扫描而获得的多个缺陷图像，并将所述热点图与所述缺陷图像中的每一者对准，以确定所述缺陷图像中的每一缺陷图像中所述热点群组的位置；以及通过将位于所述缺陷图像中的每一缺陷图像中的所述热点群组动态地映射到多个阈值区，并对对应的所述阈值区中的每一热点群组的所述热点的像素值分别执行自动阈限来检测所述缺陷图像中的每一缺陷图像中的所述热点缺陷。

本发明的实施例提供一种检测热点缺陷的系统，其包括连接装置、存储媒体以及处理器。连接装置被配置成连接检验工具。存储介质被配置成存储由所述连接装置获取的图像。处理器耦接于所述连接装置及所述存储介质，且被配置成执行指令以实行以下步骤：从半导体产品的设计中提取多个热点以定义包括多个热点群组的热点图，其中将所述设计的同一上下文中生成同一图像内容的多个局部图案定义为同一热点群组；在运行时间期间获取通过由检验工具对使用所述设计制成的晶片执行热扫描而获得的多个缺陷图像，并将所述热点图与所述缺陷图像中的每一者对准，以确定所述缺陷图像中的每一缺陷图像中所述热点群组的位置；以及通过将位于所述缺陷图像中的每一缺陷图像中的所述热点群组动态地映射到多个阈值区，并对对应的所述阈值区中的每一热点群组的所述热点的像素值分别执行自动阈限来检测所述缺陷图像中的每一缺陷图像中的所述热点缺陷。

本发明的实施例提供一种检测热点缺陷的方法，所述方法适用于电子装置，其包括：获取通过由检验工具在多种光学模式下对使用半导体产品的设计制成的晶片执行热扫描而获得的所述多种光学模式的多个缺陷图像，并基于所述多种光学模式中的每一种光学模式的所述缺陷图像中缺陷与滋扰的可分离性，从所述多种光学模式中选择用于检测所述热点缺陷的最佳光学模式；使用所选择的所述最佳光学模式的所述缺陷图像来训练用于从所述滋扰中分类出所述缺陷的机器学习模型，以评估用于针对所述最佳光学模式来检测所述热点缺陷的最佳过滤器；以及在运行时间中获取通过由所述检验工具在所述最佳光学模式下对所述晶片执行热扫描而获得的多个缺陷图像，并将包括从所述设计提取出的多个热点群组的热点图与所述缺陷图像中的每一者对准，以确定所述缺陷图像中的每一缺陷图像中所述热点群组的位置；以及通过将位于所述缺陷图像中的每一缺陷图像中的所述热点群组动态地映射到多个阈值区、将所述最佳过滤器应用于对应的所述阈值区中的每一热点群组的所述热点的像素值、并对对应的所述阈值区中的每一热点群组的所述热点的像素值分别执行自动阈限来检测所述缺陷图像中的每一缺陷图像中的所述热点缺陷。

附图说明

结合附图阅读以下详细说明，会最好地理解本发明的各个方面。应注意，根据本行业中的标准惯例，各种特征并非按比例绘制。事实上，为论述清晰起见，可任意增大或减小各种特征的尺寸。

图1示出根据本发明实施例的热点缺陷检测系统的示意性方块图。

图2是示出根据本发明实施例的检测热点缺陷的方法的流程图。

图3a至图3d是根据本发明一个实施例的对热点进行提取及分组的实例。

图4是示出根据本发明实施例的检测热点缺陷的方法的示意图。

图5是示出根据本发明实施例的动态映射机制的示意图。

图6是示出根据本发明实施例的检测热点缺陷的方法的流程图。

图7是示出根据本发明实施例的选择最佳光学模式的方法的流程图。

图8是示出根据本发明实施例的产生最佳图像过滤器的方法的流程图。

图9是示出根据本发明实施例的产生最佳图像过滤器的实例。

符号的说明

1、2、3、5、6、7、8、9、10：阈值区

4、50：阈值区/热点群组

31、37：热点群组

32、34、36、38、92a、92b、94a、94b：图像

32a、34a、36a、38a、42a、44a：热点图像

42：图像/测试图像

44：图像/参考图像

46a、48a：直方图

52、54、imgs：缺陷图像

95、999：热点群组

96：热点群组/卷积神经网络

98：最佳过滤器

100：缺陷检测系统/热点缺陷检测系统

110：连接装置

120：存储介质

130：处理器

200：光学检验工具

diff、diff：差值图像

o1、o2：异常值

s22、s24、s26、s62、s64、s66、s68、s621、s622、s623、s624、s625、s641、s642、s643：步骤

t1、t2、t3、t4：阈值

具体实施方式

以下公开内容提供用于实施所提供主题的不同特征的许多不同的实施例或实例。以下阐述组件及排列的具体实例以简化本发明。当然，这些仅为实例而非旨在进行限制。举例来说，在以下说明中，将第一特征形成在第二特征之上或第二特征上可包括其中第一特征与第二特征被形成为直接接触的实施例，且也可包括其中第一特征与第二特征之间可形成有附加特征、从而使得第一特征与第二特征可不直接接触的实施例。另外，本发明可能在各种实例中重复使用参考编号及/或字母。此种重复使用是为了简明及清晰起见，且自身并不表示所讨论的各个实施例及/或配置之间的关系。

此外，为易于说明，本文中可能使用例如“在……之下”、“在……下方”、“下部”、“在……上方”、“上部”等空间相对性用语来阐述图中所示一个元件或特征与另一(其他)元件或特征的关系。除附图中所绘示的定向以外，所述空间相对性用语旨在囊括器件在使用或操作中的不同定向。装置可具有其他定向(旋转90度或处于其他定向)，且本文中所使用的空间相对性描述语可同样相应地作出解释。

相关缺陷(defectsofinterest，doi)是专门针对半导体产品的集成电路布局而言的缺陷，所述缺陷可能出现在特定区域处且在半导体产品的制造工艺期间形成局部图案。在本发明中，使用光学检验工具提前检测及识别doi，且根据半导体产品的设计，将其中可能实际上出现相关缺陷(doi)的集成电路的局部图案作为热点进行提取并分组成多个热点群组，其中将同一设计上下文(context)中生成同一图像内容的局部图案定义为同一群组，同时将不同设计上下文中可能造成不同图像内容的不同局部图案或同一局部图案拆分成分离的群组。对于通过前述方法而定义的数百个或数千个热点群组，在运行时间期间，采用动态映射机制将从检验工具获取的缺陷图像中的每一者中的热点群组映射到有限数目个阈值区，且因此所述方法可能不仅使工具检测缺陷的灵敏性最大化，而且能够使检验工具处置几乎无限数目个热点群组。

图1示出根据本发明实施例的热点缺陷检测系统的示意性方块图。参照图1，本实施例的热点缺陷检测系统100包括连接装置110、存储介质120及耦接于连接装置110及存储介质120的处理器130。

在一些实施例中，热点缺陷检测系统100在外部连接到至少一个检验工具(在本实施例中以光学检验工具200作为实例)且被配置成通过连接装置110从光学检验工具200获取缺陷图像imgs，其中光学检验工具200被配置成对至少一个晶片执行热扫描(hotscan)。热点缺陷检测系统100被配置成分析所获取的缺陷图像imgs来检测热点缺陷。

在一些实施例中，热点缺陷检测系统100可设置或嵌置在光学检验工具200中，本文中不对此加以限制。在以下说明中将详细阐述热点缺陷检测系统100。

连接装置110被配置成连接到光学检验工具200以从通过光学检验工具200而获得的多个检验图像中获取缺陷图像imgs。举例来说，连接装置110是例如通用串行总线(universalserialbus，usb)、火线(firewire)、雷电(thunderbolt)、通用异步接收器/发射器(universalasynchronousreceiver/transmitter，uart)、串行周边接口总线(serialperipheralinterfacebus，spi)、无线保真(wifi)或蓝牙等与光学检验工具200兼容的任何有线接口或无线接口，本文中不对此加以限制。

存储介质120被配置成存储通过连接装置110而获取的缺陷图像。来自光学检验工具200的缺陷图像占用大量记忆存储(memorystorage)，因此存储介质120是例如具有高存储容量的海量存储器件、独立磁盘冗余阵列(redundantarrayofindependentdisk，raid)、其他相似的存储器件或其组合，但本发明并非仅限于此。

处理器130被配置成执行指令以施行本发明实施例的热点缺陷检测方法。处理器130例如是中央处理器(centralprocessingunit，cpu)、其他可编程通用微处理器或可编程专用微处理器、数字信号处理器(digitalsignalprocessor，dsp)、可编程控制器、应用专用集成电路(applicationspecificintegratedcircuit，asic)、可编程逻辑器件(programmablelogicdevice，pld)、其他相似的器件或其组合，但本发明并非仅限于此。

热点缺陷检测系统100适用于施行根据本发明一些实施例的热点缺陷检测方法。详细来说，图2是示出根据本发明实施例的检测热点缺陷的方法的流程图。参照图1及图2，本实施例的方法适用于图1所示热点缺陷检测系统100，且以下参照图1所示热点缺陷检测系统100中的各种组件阐述本实施例的方法的详细步骤。

在步骤s22中，缺陷检测系统100的处理器130从半导体产品的设计提取多个热点以定义包括多个热点群组的热点图，其中将所述设计的同一上下文中生成同一图像内容的多个局部图案定义为同一热点群组。热点图例如存储在存储介质120中以供进一步使用。

在一些实施例中，使用光学检验工具200将其中可能出现缺陷的集成电路的各种布局图案预先识别并定义为其中可能出现所述缺陷的局部图案。因此，分析半导体产品的设计进而使得所述设计的集成电路的与预先定义的布局图案匹配的局部图案被提取作为热点。

在一些实施例中，对于给定类型的热点缺陷，可能存在可产生此种热点缺陷的多个设计上下文。在这些设计上下文中，其中可能实际出现缺陷的局部图案可能相当不同。不同的局部图案将在运行时间期间造成不同的图像内容(即，热点像素处的灰阶(graylevel)及噪声电平(noiselevel))。不同图像内容的混合体将造成更高的噪声电平变化，使得缺陷更深地埋入噪声云(noisecloud)中且因此更难以被检测或取样。基于以上内容，仅将设计中生成同一图像内容的局部图案视为属于同一群组。如果存在可产生同一类型的热点缺陷(即，具有同一图像内容)的多个设计上下文，则根据局部图案将所述多个设计上下文拆分成分离的群组。在一些实施例中，对于每一群组，每一热点的位置应集中在最可能出现对应缺陷的位置上且热点的大小应等于或小于一个检验像素大小。

举例来说，图3a到图3d是根据本发明一个实施例的对热点进行提取及分组的实例。参照图3a及图3b，图像32及34具有同一设计上下文且分别包括具有同一局部图案的热点图像32a及34a，且因此将如在热点图像32a及34a中示出的局部图案作为一个热点群组进行提取。参照图3a及图3c，图像36包括热点图像36a，热点图像36a具有与图像32中的热点图像32a的局部图案不同的局部图案，且因此将热点图像36a及热点图像32a拆分成分离的群组。参照图3a及图3d，图像38包括热点图像38a，热点图像38a具有与图像32中的热点图像32a的局部图案相同的局部图案，但在除热点图像38a以外的区域中具有不同的图像上下文(例如，图像38中的上导电线朝左延伸，而图像32中的上导电线朝上延伸)。

基于以上内容，将热点分组以使每一群组的噪声电平在检验期间为最小且使检测热点缺陷的灵敏性最大化。

回到图2中的流程，在运行时间(即，热点缺陷检测系统100对期望被检验的晶片执行缺陷检测的周期)期间，在步骤s24中，处理器130获取通过由检验工具对使用所述设计制成的晶片执行热扫描而获得的多个缺陷图像，并将所述热点图与所述缺陷图像中的每一者对准，以确定每一缺陷图像中热点群组的位置。

在一些实施例中，通过处理器130从存储介质120撷取包括缺陷图像中热点群组的位置的热点图并使用所述热点图与所述缺陷图像中的每一者进行对准，进而使得可确定每一缺陷图像中热点群组的位置。

在步骤s26中，处理器130通过将位于每一缺陷图像中的热点群组动态地映射到多个阈值区，并对对应的所述阈值区中的每一热点群组的热点的像素值分别执行自动阈限(automaticthresholding)来检测每一缺陷图像中的热点缺陷。在一些实施例中，阈值区指代用于对一个热点群组执行自动阈限的计算资源，所述计算资源包括由缺陷检测系统100提供的计算能力(computingpower)及存储，且缺陷检测系统100所可支援的阈值区的数目取决于处理器130的计算能力及存储介质120的存储容量。

图4是示出根据本发明实施例的检测热点缺陷的方法的示意图。在一些实施例中，将一组测试图像42与参考图像44进行比较以检测待检验晶片的对应区域上的缺陷(未示出)。参考图像44是例如通过由检验工具对晶片中的前一管芯(die)执行热扫描而获得的图像，其中所述前一管芯是在拍摄待检验管芯的图像(即，测试图像42)之前被光学检验工具拍摄图像(即，参考图像44)的管芯。所述对测试图像42与参考图像44进行比较以检测热点缺陷可以例如统计测试(statisticaltest)等各种方式实施。以下阐述一个示例性实施例，但不应将其理解为限制本实施例。

在一些实施例中，计算通过例如直方图均衡化(histogramequalizaiton)进行预处理的测试图像42与参考图像44的差值图像diff，其中差值图像diff中的每一像素的像素值是测试图像42与参考图像44的对应像素之间的像素值差。除与缺陷对应的像素以外，差值图像diff中的像素的大部分像素值应在零左右。在一些实施例中，计算差值图像diff的像素值的直方图46a，其中直方图46a的垂直轴线代表像素数目，且直方图46a的水平轴线代表像素值。通过使用统计方法(例如，使用有序数据点的下四分位数及上四分位数)评估至少一个阈值t1及t2以区分直方图46a中的各个数据点，确定偏离其他数据点的异常值(outlier)o1，且可将像素值与直方图46a的异常值o1对应的像素确定为缺陷。检验工具通常采用前述方法来检测测试图像42上的缺陷。

在一些实施例中，分别来说，通过将热点图与测试图像42对准来确定测试图像42中的热点图像42a的位置，通过将热点图与参考图像44对准来确定参考图像44中的热点图像44a的位置。计算热点图像42a与热点图像44a的差值图像diff，其中差值图像diff中的每一像素的像素值是热点图像42a与热点图像44a的对应像素之间的像素值差。除与缺陷对应的像素以外，差值图像diff中的像素的大部分像素值应在零左右。在一些实施例中，进一步计算差值图像diff的像素值的直方图48a，其中直方图48a的垂直轴线代表像素数目，且直方图48a的水平轴线代表像素值。通过使用统计方法(例如，使用有序数据点的下四分位数及上四分位数)评估至少一个阈值t3及t4以区分直方图48a中的各个数据点，确定偏离其他数据点的异常值o2，且可将像素值与直方图48a的异常值o2对应的像素确定为热点缺陷。与使用图像42及44的检测方法相比，本方法中的所述计算是专门针对热点图像42a及44a进行，以检测测试图像42上的热点缺陷。

在一些实施例中，由于计算能力的实际限制，检验工具(类比本实施例的热点缺陷检测系统100)被设计成具有有限数目个阈值区，所述数目为例如32个或256个。然而，如本实施例的步骤s22中所示的分组方法可潜在地造成超出检验工具的能力范围的数百个或数千个热点群组。因此，在一些实施例中，提供在运行时间期间将热点群组映射到有限数目个阈值区的动态映射机制。

图5是示出根据本发明实施例的动态映射机制的示意图。在一些实施例中，尽管定义数百个或数千个热点群组，然而这些热点群组通常不会在一个缺陷图像中同时出现。相反，每一缺陷图像中所实际出现的热点群组的数目有限，且因此可将每一缺陷图像中的热点群组动态地映射到阈值区50以进行后续自动阈限。

举例来说，在缺陷图像52中，通过将热点图与缺陷图像52对准，确定与编号为95、31、50及999的热点群组分别对应的热点图像的位置，且将热点群组95、31、50及999动态地映射到阈值区1到4。在阈值区1到4中的每一者中，基于每一热点群组的热点的像素的噪声电平确定阈值区的至少检测阈值，且将像素值偏离检测阈值的像素确定为热点缺陷。

相似地，在缺陷图像54中，通过将热点图与缺陷图像54对准，确定与编号为96、37及4的热点群组分别对应的热点图像的位置，且将热点群组96、37及4动态地映射到阈值区1到3。在阈值区1到3中的每一者中，基于每一热点群组的热点的像素的噪声电平确定阈值区的至少检测阈值，且将像素值偏离检测阈值的像素确定为热点缺陷。

将后续获取的缺陷图像依序映射到阈值区50以进行自动阈限，直到所有缺陷图像均得到处理为止。对于被检测出热点缺陷的阈值区，将所述阈值区的区数映射回热点群组，以确认在缺陷图像中出现的热点群组的类型。

基于以上内容，通过在运行时间期间将热点群组映射到有限数目个阈值区的动态映射机制，本实施例的方法能够使检验工具处置几乎无限数目个热点群组。

在一些实施例中，除对热点进行提取及分组并对热点群组进行动态映射的方法以外，进一步采用机器学习技术以找出检验工具的最佳运作模式及用于检测热点缺陷的最佳图像过滤器。

详细来说，图6是示出根据本发明实施例的检测热点缺陷的方法的流程图。参照图1及图6，本实施例的方法适用于图1所示热点缺陷检测系统100，且以下参照图1所示热点缺陷检测系统100的各种组件阐述本实施例的方法的详细步骤。

在步骤s62中，缺陷检测系统100的处理器130获取通过由检验工具在各种光学模式下对使用半导体产品的设计制成的晶片执行热扫描而获得的多种光学模式的多个缺陷图像，并基于每一光学模式的缺陷图像中缺陷与滋扰(nuisance)的可分离性，而从所述光学模式中选择用于检测热点缺陷的最佳光学模式。

在一些实施例中，在各种光学模式中，应用例如入射光的强度及波长、透镜孔径或曝光时间等不同参数来操作光学检验工具以找出用于检测热点缺陷的最佳模式。

图7是示出根据本发明实施例的选择最佳光学模式的方法的流程图。参照图7，本实施例的方法示出图6中的步骤s62的详细步骤。

在步骤s621中，处理器130从检验工具获取多种光学模式的多个缺陷图像。由处理器130从检验工具获取的缺陷图像可包括缺陷及/或滋扰。

在步骤s622中，处理器130将热点图与每一光学模式的缺陷图像对准以确定热点缺陷的位置。

在步骤s623中，处理器130计算每一光学模式的缺陷图像中的热点缺陷中的每一者的信号电平及噪声电平。

在步骤s624中，处理器130通过对热点缺陷的信号电平对噪声电平的比率进行汇总来计算每一光学模式的缺陷与滋扰的可分离性。

在步骤s625中，处理器130根据所计算出的可分离性对光学模式进行排序以选择最佳光学模式。

回到图6中的流程，在步骤s64中，处理器130使用所选择的最佳光学模式的缺陷图像来训练用于从滋扰中分类出缺陷的机器学习模型，以评估用于针对最佳光学模式来检测热点缺陷的最佳过滤器。

在一些实施例中，通过创建卷积神经网络(convolutionneuralnetwork，cnn)模型并使用缺陷图像及滋扰图像训练此cnn模型，以找出用于将缺陷与滋扰分类的最佳过滤器。

图8是示出根据本发明实施例的产生最佳图像过滤器的方法的流程图。参照图8，本实施例的方法示出图6中的步骤s64的详细步骤。

在步骤s641中，处理器130使用卷积过滤器创建机器学习模型来处理缺陷图像。

在步骤s642中，处理器130将包括所选择的光学模式的缺陷及/或滋扰的多个缺陷图像馈送到机器学习模型以训练所述机器学习模型从缺陷图像中的滋扰中分类出缺陷。

在步骤s643中，处理器130采用经过训练的机器学习模型的卷积过滤器作为用于检测热点缺陷的最佳过滤器。

举例来说，图9是示出根据本发明实施例的产生最佳图像过滤器的实例。参照图9，将多个缺陷图像(包括图像92a及92b)及多个滋扰图像(包括图像94a及94b)馈送到包括多个输入层、多个卷积层(在本实施例中以两个卷积层作为实例)及输出层的卷积神经网络96中，以训练卷积神经网络96从滋扰中分类出缺陷。采用从经过训练的卷积神经网络96的卷积层中创建的卷积过滤器作为最佳过滤器98来确定热点缺陷。

作为结果，产生被最佳化成从滋扰中分离出热点缺陷的图像过滤器，且所产生的图像过滤器被应用于对应的阈值区中的每一热点群组的热点的像素值，以从缺陷图像中过滤出滋扰图像。

回到图6中的流程，在步骤s66中，在运行时间中处理器130获取通过由检验工具在最佳光学模式下对晶片执行热扫描而获得的多个缺陷图像，并将包括从所述设计中提取出的多个热点群组的热点图与所述缺陷图像中的每一者对准，以确定每一缺陷图像中热点群组的位置。

在步骤s68中，处理器130通过将位于每一缺陷图像中的热点群组动态地映射到多个阈值区、对对应的阈值区中的每一热点群组的热点的像素值应用最佳过滤器、并对对应的所述阈值区中的每一热点群组的热点的像素值分别执行自动阈限来检测每一缺陷图像中的热点缺陷。

通过在执行自动阈限之前对热点的像素值应用最佳过滤器，可从缺陷图像中找出并过滤出滋扰，进而可增强检测热点缺陷的准确性。

通过所述方法，本发明提供以下优点中的一个或多个优点：(1)定义最有效的热点；(2)学习最佳光学模式及过滤参数；(3)在检验工具上高效地处理热点扫描数据；以及(4)能够使检验工具获得对超出当前能力范围的最小相关缺陷(doi)的灵敏性。

根据一些实施例，提供一种适用于电子装置的热点缺陷检测方法。在所述方法中，从半导体产品的设计中提取多个热点以定义包括多个热点群组的热点图，其中将所述设计的同一上下文中生成同一图像内容的多个局部图案定义为同一热点群组。在运行时间期间获取通过由检验工具对使用所述设计制成的晶片执行热扫描而获得的多个缺陷图像，并将所述热点图与所述缺陷图像中的每一者对准，以确定所述缺陷图像中的每一缺陷图像中所述热点群组的位置。通过将位于所述缺陷图像中的每一缺陷图像中的所述热点群组动态地映射到多个阈值区，并对对应的所述阈值区中的每一热点群组的所述热点的像素值分别执行自动阈限来检测所述缺陷图像中的每一缺陷图像中的所述热点缺陷。

根据一些实施例，所述方法还包括：获取通过由所述检验工具在多种光学模式下对使用所述设计制成的所述晶片执行热扫描而获得的所述多种光学模式的多个缺陷图像；以及基于所述多种光学模式中的每一种光学模式的所述缺陷图像中缺陷与滋扰的可分离性，从所述多种光学模式中选择用于检测所述热点缺陷的最佳光学模式，其中通过由所述检验工具在所选择的所述最佳光学模式下对使用所述设计制成的所述晶片执行热扫描而获得的所述缺陷图像被获取用于检测所述热点缺陷。

根据一些实施例，所述选择所述最佳光学模式的步骤包括将所述热点图与所述多种光学模式中的每一种光学模式的所述缺陷图像对准，以确定所述热点缺陷的位置；在所述多种光学模式中的每一种光学模式的所述缺陷图像中计算所述热点缺陷中的每一者的信号电平及噪声电平；通过对所述热点缺陷的所述信号电平对所述噪声电平的比率进行汇总来计算所述多种光学模式中的每一种光学模式的所述可分离性；以及根据所计算的所述可分离性对所述光学模式进行排序，以选择所述最佳光学模式。

根据一些实施例，所述方法还包括使用所选择的所述光学模式的所述缺陷图像来训练用于从所述滋扰中分类出所述缺陷的机器学习模型，以评估用于检测所述热点缺陷的最佳过滤器。

根据一些实施例，所述使用所选择的所述光学模式的所述缺陷图像来训练用于从所述滋扰中分类出所述缺陷的所述机器学习模型，以评估用于检测所述热点缺陷的所述最佳过滤器的步骤包括：使用卷积过滤器创建所述机器学习模型来处理所述缺陷图像；将所选择的所述光学模式的多个缺陷图像馈送到所述机器学习模型，以训练所述机器学习模型从所述缺陷图像中的所述滋扰分类出所述缺陷；以及采用经过训练的所述机器学习模型的所述卷积过滤器作为用于检测所述热点缺陷的所述最佳过滤器，其中在执行所述自动阈限之前，所述最佳过滤器被应用于对应的所述阈值区中的每一热点群组的所述热点的所述像素值。

根据一些实施例，所述对对应的所述阈值区中的每一热点群组的所述热点的像素值执行自动阈限的步骤包括：基于对应的所述阈值区中的每一热点群组的所述热点的像素的噪声电平，确定所述阈值区中的每一阈值区的至少检测阈值；以及将所述像素值偏离所述检测阈值的所述像素确定为所述热点缺陷。

根据一些实施例，在所述阈值区中的每一者中检测出的缺陷被作为所述缺陷图像中的所述热点缺陷映射到对应的所述热点群组。

根据一些实施例，一种检测热点缺陷的系统包括：连接装置，被配置成连接检验工具；存储介质，被配置成存储由所述连接装置获取的图像；以及处理器，耦合到所述连接装置及所述存储介质。所述处理器被配置成执行指令以执行以下步骤：从半导体产品的设计中提取多个热点以定义包括多个热点群组的热点图，其中将所述设计的同一上下文中生成同一图像内容的多个局部图案定义为同一热点群组；在运行时间期间获取通过由检验工具对使用所述设计制成的晶片执行热扫描而获得的多个缺陷图像，并将所述热点图与所述缺陷图像中的每一者对准，以确定所述缺陷图像中的每一缺陷图像中所述热点群组的位置；以及通过将位于所述缺陷图像中的每一缺陷图像中的所述热点群组动态地映射到多个阈值区，并对对应的所述阈值区中的每一热点群组的所述热点的像素值分别执行自动阈限来检测所述缺陷图像中的每一缺陷图像中的所述热点缺陷。

根据一些实施例，所述处理器还被配置成执行指令以执行以下步骤：获取通过由所述检验工具在多种光学模式下对使用所述设计制成的所述晶片执行热扫描而获得的所述多种光学模式的多个缺陷图像；以及基于所述多种光学模式中的每一种光学模式的所述缺陷图像中缺陷与滋扰的可分离性，从所述多种光学模式中选择用于检测所述热点缺陷的最佳光学模式，其中通过由所述检验工具在所选择的所述最佳光学模式下对使用所述设计制成的所述晶片执行热扫描而获得的所述缺陷图像被获取用于检测所述热点缺陷。

根据一些实施例，所述处理器还被配置成执行指令以执行以下步骤：将所述热点图与所述多种光学模式中的每一种光学模式的所述缺陷图像对准，以确定所述热点缺陷的位置；在所述多种光学模式中的每一种光学模式的所述缺陷图像中计算所述热点缺陷中的每一者的信号电平及噪声电平；通过对所述热点缺陷的所述信号电平对所述噪声电平的比率进行汇总来计算所述多种光学模式中的每一种光学模式的所述可分离性；以及根据所计算的所述可分离性对所述光学模式进行排序，以选择所述最佳光学模式。

根据一些实施例，所述处理器还被配置成执行指令以执行以下步骤：使用所选择的所述光学模式的所述缺陷图像来训练用于从所述滋扰中分类出所述缺陷的机器学习模型，以评估用于检测所述热点缺陷的最佳过滤器。

根据一些实施例，所述处理器还被配置成执行指令以执行以下步骤：使用卷积过滤器创建所述机器学习模型来处理所述缺陷图像；将所选择的所述光学模式的多个缺陷图像馈送到所述机器学习模型，以训练所述机器学习模型从所述缺陷图像中的所述滋扰分类出所述缺陷；以及采用经过训练的所述机器学习模型的所述卷积过滤器作为用于检测所述热点缺陷的所述最佳过滤器，其中在执行所述自动阈限之前，所述最佳过滤器被应用于对应的所述阈值区中的每一热点群组的所述热点的所述像素值。

根据一些实施例，所述处理器还被配置成执行指令以执行以下步骤：基于对应的所述阈值区中的每一热点群组的所述热点的像素的噪声电平，确定所述阈值区中的每一阈值区的至少检测阈值；以及将所述像素值超出所述检测阈值的所述像素确定为所述热点缺陷。

根据一些实施例，所述处理器将在所述阈值区中的每一者中检测出的缺陷作为所述缺陷图像中的所述热点缺陷映射到对应的所述热点群组。

根据一些实施例，提供一种适用于电子装置的热点缺陷检测方法。在所述方法中，获取通过由检验工具在多种光学模式下对使用半导体产品的设计制成的晶片执行热扫描而获得的所述多种光学模式的多个缺陷图像，并基于所述多种光学模式中的每一种光学模式的所述缺陷图像中缺陷与滋扰的可分离性，从所述多种光学模式中选择用于检测所述热点缺陷的最佳光学模式。使用所选择的所述最佳光学模式的所述缺陷图像来训练用于从所述滋扰中分类出所述缺陷的机器学习模型，以评估用于针对所述最佳光学模式来检测所述热点缺陷的最佳过滤器。在运行时间中获取通过由所述检验工具在所述最佳光学模式下对所述晶片执行热扫描而获得的多个缺陷图像，并将包括从所述设计提取出的多个热点群组的热点图与所述缺陷图像中的每一者对准，以确定所述缺陷图像中的每一缺陷图像中所述热点群组的位置。通过将位于所述缺陷图像中的每一缺陷图像中的所述热点群组动态地映射到多个阈值区、将所述最佳过滤器应用于对应的所述阈值区中的每一热点群组的所述热点的像素值、并对对应的所述阈值区中的每一热点群组的所述热点的像素值分别执行自动阈限来检测所述缺陷图像中的每一缺陷图像中的所述热点缺陷。

根据一些实施例，在提取所述多个热点过程中，将所述设计的同一上下文中生成同一图像内容的多个局部图案定义为同一群组的热点。

根据一些实施例，所述选择所述最佳光学模式的步骤包括：将所述热点图与所述多种光学模式中的每一种光学模式的所述缺陷图像对准，以确定所述热点缺陷的位置；在所述多种光学模式中的每一种光学模式的所述缺陷图像中计算所述热点缺陷中的每一者的信号电平及噪声电平；通过对所述热点缺陷的所述信号电平对所述噪声电平的比率进行汇总来计算所述多种光学模式中的每一种光学模式的所述可分离性；以及根据所计算的所述可分离性对所述光学模式进行排序，以选择所述最佳光学模式。

根据一些实施例，所述使用所选择的所述光学模式的所述缺陷图像来训练用于从所述滋扰中分类出所述缺陷的所述机器学习模型，以评估用于针对所述最佳光学模式检测所述热点缺陷的所述最佳过滤器的步骤包括：使用卷积过滤器创建所述机器学习模型来处理所述缺陷图像；将所选择的所述光学模式的多个缺陷图像馈送到所述机器学习模型，以训练所述机器学习模型从所述缺陷图像中的所述滋扰分类出所述缺陷；以及采用经过训练的所述机器学习模型的所述卷积过滤器作为用于检测所述热点缺陷的所述最佳过滤器，其中在执行所述自动阈限之前，所述最佳过滤器被应用于对应的所述阈值区中的每一热点群组的所述热点的所述像素值。

根据一些实施例，所述对对应的所述阈值区中的每一热点群组的所述热点的像素值执行自动阈限的步骤包括：基于对应的所述阈值区中的每一热点群组的所述热点的像素的噪声电平，确定所述阈值区中的每一阈值区的至少检测阈值；以及将所述像素值超出所述检测阈值的所述像素确定为所述热点缺陷。

根据一些实施例，在所述阈值区中的每一者中检测出的缺陷被作为所述缺陷图像中的所述热点缺陷映射到对应的所述热点群组。

以上概述了若干实施例的特征，以使所属领域中的技术人员可更好地理解本发明的各个方面。所属领域中的技术人员应理解，其可容易地使用本发明作为设计或修改其他工艺及结构的基础来施行与本文中所介绍的实施例相同的目的及/或实现与本文中所介绍的实施例相同的优点。所属领域中的技术人员还应认识到，这些等效构造并不背离本发明的精神及范围，而且他们可在不背离本发明的精神及范围的条件下对其作出各种改变、代替及变更。