基于轮廓的缺陷检测的制作方法

本发明大体上涉及用于检测形成于样品上的图案中的缺陷的方法及系统。

背景技术：

以下描述及实例不凭借其包含于此章节中而被认为是现有技术。

在半导体制造过程期间的各个步骤使用检验过程来检测晶片上的缺陷以驱动制造过程中的更高良率及因此更高利润。检验始终为制造半导体装置的重要部分。然而，随着半导体装置尺寸减小，检验对于成功制造可接受半导体装置变得更为重要，这是因为较小缺陷可引起装置故障。

缺陷重检通常涉及重新检测由检验过程检测为缺陷的缺陷且使用高放大率光学系统或扫描电子显微镜(sem)以较高分辨率产生关于缺陷的额外信息。因此，在晶片上的离散位置(其中已通过检验检测缺陷)处执行缺陷重检。通过缺陷重检产生的缺陷的较高分辨率数据更适用于确定缺陷的属性(例如轮廓、粗糙度、更准确大小信息等)。由于针对通过检验在晶片上检测的缺陷执行缺陷重检，因此可基于通过检验过程确定的缺陷属性确定用于经检测缺陷的位置处的缺陷重检的参数。

在半导体制造过程期间的各种步骤还使用计量过程来监测且控制工艺。计量过程与检验过程不同之处在于，不同于其中在晶片上检测缺陷的检验过程，计量过程用于测量无法使用当前所使用的检验工具确定的晶片的一或多个特性。例如，计量过程用于测量晶片的一或多个特性，例如在工艺期间形成于所述晶片上的特征的尺寸(例如，线宽、厚度等))，使得可从所述一或多个特性确定工艺的性能。另外，如果晶片的一或多个特性是不可接受的(例如，在所述特性的预定范围的外)，那么可使用所述晶片的一或多个特性的测量以更改工艺的一或多个参数，使得由所述工艺制造的额外晶片具有可接受特性。

计量过程与缺陷重检过程不同之处还在于，不同于其中在缺陷重检中重访通过检验检测的缺陷的缺陷重检过程，可在未检测到缺陷的位置处执行计量过程。换句话说，不同于缺陷重检，在晶片上执行计量过程的位置可独立于对晶片执行的检验过程的结果。特定来说，可独立于检验结果选择执行计量过程的位置。另外，由于可独立于检验结果选择在晶片上执行计量的位置，因此不同于其中无法确定晶片上待执行缺陷重检的位置直到晶片的检验结果产生且可用于使用的缺陷重检，可在已对晶片执行检验过程之前确定执行计量过程的位置。

测量“关键”结构的临界尺寸(cd)对监测当前及下一代节点(例如，7nm及5nm)的过程是至关重要的。“关键”的确定来自若干源，例如密度及接近性、模拟、经验及光学接近性校正(opc)等的已知规则。然而，sem图像能够在与这些先验无关的情况下看到图案保真度且可在明确无需这些先验的情况下帮助识别未知“热点”，这对于工艺控制可为极其有价值的且还潜在地开创用于图案保真度的新特性化方法。

用于cd-sem的当前使用的方法具有若干挑战，例如其是缓慢的、其需要仔细设置每一位点及了解待测量的位点且需要沿下线进一步解释其结果。大体上快速重检sem的使用得到普及以涵盖此保真度应用。另外，其允许消费者开发及使用其自身的算法解决方案，从而将这些平台简化为“图像接受者”。因此，明确需要克服这些挑战以实现用户的充分图案保真度监测。

典型cd测量应用包含数个模块。一个此模块是包含其中待进行cd测量的区域的识别及标记的所关注区(roi)定义。另一此模块包含任选设计呈现步骤，其包含从opc前设计产生预期sem轮廓。额外模块包含边缘提取，其包含从当前sem图像产生边缘及/或轮廓。进一步此模块包含测量算法，其包含比较经定义roi内的预期“边缘”与当前“边缘”。

先前已进行涵盖这些步骤的若干尝试。这些先前尝试的主要挑战在于轮廓的试探性确定，这可因复杂图案及图案交叉而失败。这些尝试还缺乏对成像条件的稳健性且需要对于噪声图像及软图像的参数调整。因此，如果我们将针对图案保真度大体上探索任何随机图案，那么任何方法都必须尽可能多地克服这些限制。

对于图案热点检测，当前使用的方法采用基于学习及非学习的方法(即，使用手动设计算法)两者。一些这些方法尝试使用仅将cad数据(无图像)作为输入的基于学习的算法且尝试预测/分类给定图案是否为热点而检测热点。其它方法使用cad及图像(sem或光学)数据两者且手动或使用手动设计特征或基于学习的特征来预测/分类经检测缺陷是否为热点。然而，这些方法都不通过报告基于用户定义的阈值精确确定热点所需的cd度量而量化这些热点。

用于热点检测的当前使用的方法具有数个缺点。例如，当前使用的方法不具有自动适应不同图案类型(即，存储器或逻辑)的灵活性。另外，当前使用的方法不具有对不同图像模态的一般化。在额外实例中，当前使用的方法需要图像模态的手动设计(试探)模型以特性化图案变化及偏差。在进一步实例中，当前使用的方法不提供定量图案特性化及热点检测。代替地，当前使用的方法报告来自单照测量的整个视场的cd或其它图案保真度度量。在另一实例中，当前使用的方法不提供自然地处置opc误差而无需试探性地处置各类opc误差的能力。

因此，开发不具有上述缺点中的一或多者的用于检测形成于样品上的图案中的缺陷的系统及方法将为有利的。

技术实现要素：

各种实施例的下列描述不应以任何方式解释为限制所附权利要求书的标的物。

一个实施例涉及一种经配置以检测形成于样品上的图案中的缺陷的系统。所述系统包含成像子系统，所述成像子系统包含至少能量源及检测器。所述能量源经配置以产生经引导到样品的能量。所述检测器经配置以从所述样品检测能量且响应于所述经检测能量而产生图像。所述系统还包含经配置用于获取形成于所述样品上的图案的图像的一或多个计算机子系统。另外，所述系统包含通过所述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第一基于学习的模型及第二基于学习的模型。所述第一基于学习的模型经配置用于通过所述一或多个计算机子系统基于输入到所述第一基于学习的模型的所述样品的设计而产生所述图案的模拟轮廓。所述模拟轮廓是通过所述成像子系统产生的所述样品的所述图像中的所述图案的无缺陷版本的预期轮廓。所述第二基于学习的模型经配置用于通过所述一或多个计算机子系统产生输入到所述第二基于学习的模型的形成于所述样品上的所述图案的所述所获取图像中的至少一者中的所述图案的实际轮廓。所述一或多个计算机子系统经配置用于比较所述实际轮廓与所述模拟轮廓且基于所述比较的结果检测形成于所述样品上的所述图案中的缺陷。可如本文中描述那样进一步配置所述系统。

另一实施例涉及一种用于检测形成于样品上的图案中的缺陷的计算机实施方法。所述方法包含通过具有一或多个计算机子系统的成像子系统获取形成于样品上的图案的图像。如上文描述那样配置所述成像子系统。所述方法还包含通过所述一或多个计算机子系统基于输入到第一基于学习的模型的所述样品的设计而产生所述图案的模拟轮廓。所述模拟轮廓是上文描述的模拟轮廓。另外，所述方法包含通过所述一或多个计算机子系统产生输入到第二基于学习的模型的形成于所述样品上的所述图案的所述所获取图像中的至少一者中的所述图案的实际轮廓。通过所述一或多个计算机子系统执行一或多个组件。所述一或多个组件包含所述第一基于学习的模型及所述第二基于学习的模型。所述方法还包含比较所述实际轮廓与所述模拟轮廓且基于所述比较的结果检测形成于所述样品上的所述图案中的缺陷。通过一或多个计算机系统执行所述方法的步骤。

可如本文中进一步描述那样进一步执行上文描述的方法的步骤中的每一者。另外，上文描述的方法的实施例可包含本文中描述的任何其它方法的任何其它步骤。此外，可通过本文中描述的所述系统中的任一者执行上文描述的方法。

另一实施例涉及一种非暂时性计算机可读媒体，其存储可在计算机系统上执行以执行用于检测形成于样品上的图案中的缺陷的计算机实施方法的程序指令。所述计算机实施方法包含上文描述的方法的步骤。可如本文中描述那样进一步配置所述计算机可读媒体。可如本文中进一步描述那样执行所述计算机实施方法的所述步骤。另外，所述计算机实施方法(可针对其执行所述程序指令)可包含本文中描述的任何其它方法的任何其它步骤。

附图说明

所属领域的技术人员在获益于优选实施例的以下详细描述的情况下且在参考所附图式之后将变得明白本发明的进一步优点，其中：

图1及2是说明如本文中描述那样配置的系统的实施例的侧视图的示意图；

图3到5及7是说明可通过本文中描述的各种实施例执行的步骤的实施例的流程图；

图6是说明针对在其上形成图案的样品产生的图像及通过本文中描述的实施例针对图像提取的轮廓的示意图；及

图8是说明存储用于引起计算机系统执行本文中描述的计算机实施方法的程序指令的非暂时性计算机可读媒体的一个实施例的框图。

虽然本发明易受各种修改及替代形式影响，但其特定实施例在图式中通过实例展示且将在本文中详细描述。图式可不按比例绘制。然而，应理解，图式及其实施方式并不希望将本发明限于所揭示的特定形式，而相反地，希望涵盖落于如通过所附权利要求书所界定的本发明的精神及范围内的所有修改、等效物及替代方案。

具体实施方式

如本文中使用的术语“设计”及“设计数据”通常是指ic的物理设计(布局)及通过复杂模拟或简单几何及布尔运算(booleanoperation)从物理设计导出的数据。物理设计可存储于数据结构中，例如图形数据流(gds)文件、任何其它标准机器可读文件、所属领域中已知的任何其它合适文件及设计数据库。gdsii文件是用于设计布局数据的表示的一类文件中的一者。此类文件的其它实例包含gl1及oasis文件及专属文件格式(例如rdf数据)，其专属于加利福尼亚州米尔皮塔斯市的科磊公司(kla-tencor,milpitas,calif)。另外，通过光罩检验系统获取的光罩的图像及/或其导出物可用作用于设计的“代理”或“若干代理”。此光罩图像或其导出物可在使用设计的本文中描述的任何实施例中充当对于设计布局的取代物。设计可包含2009年8月4日颁予扎法尔(zafar)等人的共同拥有的第7,570,796号美国专利及2010年3月9日颁予库尔卡尼(kulkarni)等人的共同拥有的第7,676,077号美国专利中描述的任何其它设计数据或设计数据代理，所述两个专利以宛如全文陈述引用的方式并入本文中。另外，设计数据可为标准单元库数据、集成布局数据、一或多个层的设计数据、设计数据的导出物及完全或部分芯片设计数据。

在一些例子中，来自晶片或光罩的模拟或获取图像可用作用于设计的代理。图像分析还可用作用于设计分析的代理。例如，可从印刷于晶片及/或光罩上的设计的图像提取设计中的多边形，假定以足够分辨率获取晶片及/或光罩的图像以使设计的多边形充分成像。另外，本文中描述的“设计”及“设计数据”是指由半导体装置设计者在设计过程中产生且因此可在将设计印刷于任何物理晶片上之前良好地用于本文中描述的实施例中的信息及数据。

优选地，如本文中使用的术语“设计”或“物理设计”是指如将理想地形成于晶片上的设计。以此方式，本文中描述的设计或物理设计优选将不包含将不印刷于晶片上的设计的特征(例如光学接近校正(opc)特征)，其经新增到设计以增强将特征印刷于晶片上而不实际印刷其自身。以此方式，在一些实施例中，用于本文中进一步描述的自动产生及自动确定步骤的样品的设计不包含不会印刷于样品上的设计的特征。

本文中描述的“设计”及“设计数据”可包含与形成于晶片上的装置的物理意图相关的数据及信息，其可包含上文描述的设计及设计数据的各种类型中的任一者。“设计”及“设计数据”还可或替代地包含与形成于晶片上的装置的电意图相关的数据及信息。此信息及数据可包含(例如)接线对照表及spice命名法及/或“注释布局”(例如，其中设计包含电接线对照表参数标记)。此数据及信息可用于确定布局或晶片图像的哪些部分在一或多个电子方面中是关键的。

现参考图式，应注意，图未按比例绘制。特定来说，在很大程度上放大图的一些元件的尺度以强调元件的特性。还应注意，所述图未按相同比例绘制。已使用相同元件符号指示可经类似配置的展示于一个以上图中的元件。除非本文中另有说明，否则所描述且展示的任何元件可包含任何合适市售元件。

一个实施例涉及一种经配置以检测形成于样品上的图案中的缺陷的系统。在一个实施例中，样品包含晶片。在另一实施例中，样品包含光罩。晶片及光罩可包含所属领域中已知的任何晶片及光罩。

一般来说，本文中描述的实施例能够使用深度学习进行稳健及一般化图案保真度测量。例如，如本文中进一步描述，本文中描述的实施例提供数据驱动方法以自动特性化印刷于半导体晶片及其它样品上的图案，同时忽略随机过程噪声。另外，本文中描述的实施例提供数据驱动、基于学习、一般化、定量图案特性化方法，其一般可应用于从包含光学、扫描电子显微镜(sem)等的不同种类的模态获取的半导体图像。用于当前及下一代节点的半导体工艺控制除了需要基于缺陷的工艺控制的常规模式以外还需要前所未有的图案保真度监测。虽然临界尺寸(cd)sem提供对特定类型的结构进行测量的能力，但其具有若干挑战：(1)其是相对缓慢的；(2)其需要仔细设置每一位点及了解待测量位点；及(3)需要下线进一步解释其结果。此外，在与sem图像协作时存在的其它挑战是散粒噪声、充电、尾影及可摆脱标准图像处理方法或可需要试探法处理其软边缘。

本文中描述的实施例至少部分基于基于深度学习的方法，其可使用设计作为参考或另一裸片作为参考而大体上分析sem图像且传回两条关键信息：(1)离群点位置；及(2)相对偏差。此方法还可提供opc误差中的定量反馈，其对于终端用户可为相当有用的。可预见，模型可跨层传输，借此减少设置负担(例如，由于不同模型无需针对不同样品或工艺层而产生)。实施例还可使用基于深度学习的分类模型以在具备opc前设计剪辑时学习opc后sem轮廓。深度学习模型还可经训练以从sem图像提取轮廓。此两个模型有利地实现各种应用的快速、稳健cd测量。此方法建立于其它深度学习应用上且可与其它深度学习应用结合使用，例如基于深度学习的设计轮廓呈现、基于深度学习的分类及基于深度学习的单个图像检测。

本文中描述的实施例提出一种可依靠接收用于特性化图案保真度的特定位置或更一般来说特性化所关注区域(如静态随机存取存储器(sram)区域等)的图案保真度的方法。本文中描述的实施例有利地克服试探及参数相依轮廓生成及与复杂图案及图案交叉相关联的挑战。本文中描述的实施例还有利地解决在对精度、稳健性及易用性至关重要的设计呈现步骤及边缘提取步骤期间观察到的典型挑战。

在图1中展示此系统的一个实施例。系统包含成像子系统，所述成像子系统包含至少能量源及检测器。能量源经配置以产生经引导到样品的能量。检测器经配置以从样品检测能量且响应于经检测能量而产生图像。

在一个实施例中，经引导到样品的能量包含光，且从样品检测的能量包含光。例如，在图1中展示的系统的实施例中，成像子系统10包含经配置以将光引导到样品14的照明子系统。照明子系统包含至少一个光源。例如，如图1中展示，照明子系统包含光源16。在一个实施例中，照明子系统经配置以按可包含一或多个倾斜角及/或一或多个法向角的一或多个入射角将光引导到样品。例如，如图1中展示，来自光源16的光被引导穿过光学元件18及接着穿过透镜20到光束分离器21，光束分离器21按法向入射角将光引导到样品14。入射角可包含任何适当入射角，其可取决于例如样品及待在样品上检测的缺陷的特性而变化。

照明子系统可经配置以在不同时间按不同入射角将光引导到样品。例如，成像子系统可经配置以更改照明子系统的一或多个元件的一或多个特性，使得光可按不同于图1中展示的入射角的入射角引导到样品。在一个此实例中，成像子系统可经配置以移动光源16、光学元件18及透镜20，使得光以不同入射角引导到样品。

在一些例子中，成像子系统可经配置以在相同时间按一个以上入射角将光引导到样品。例如，照明子系统可包含一个以上照明通道，所述照明通道中的一者可包含如图1中展示的光源16、光学元件18及透镜20，且所述照明通道中的另一者(未展示)可包含可不同或相同配置的类似元件，或可包含至少光源及可能一或多个其它组件(例如本文中进一步描述的组件)。如果在与其它光相同的时间将此光引导到样品，那么按不同入射角引导到样品的光的一或多个特性(例如，波长、偏光等等)可不同，使得可在检测器处将源自按不同入射角照明样品的光彼此区分。

在另一实例中，照明子系统可包含仅一个光源(例如，图1中展示的源16)且来自所述光源的光可通过照明子系统的一或多个光学元件(未展示)而分成不同光学路径(例如，基于波长、偏光等等)。接着，可将不同光学路径中的每一者中的光引导到样品。多个照明通道可经配置以在相同时间或不同时间(例如，当使用不同照明通道以循序地照明样品时)将光引导到样品。在另一例子中，相同照明通道可经配置以在不同时间将具有不同特性的光引导到样品。例如，在一些例子中，光学元件18可经配置为光谱滤光器且可以多种不同方式(例如，通过换掉光谱滤光器)改变光谱滤光器的性质使得可在不同时间将不同波长的光引导到样品。照明子系统可具有所属领域中已知的用于循序地或同时按不同或相同入射角将具有不同或相同特性的光引导到样品的任何其它合适配置。

在一个实施例中，光源16可包含宽带等离子体(bbp)光源。以此方式，由光源产生且引导到样品的光可包含宽带光。然而，光源可包含任何其它合适光源(例如激光)。激光可包含所属领域中已知的任何合适激光且可经配置以产生任何合适波长或所属领域中已知的波长的光。另外，激光可经配置以产生单色或近单色光。以此方式，激光可为窄带激光。光源还可包含产生多个离散波长或波带的光的多色光源。

来自光学元件18的光可通过透镜20聚焦到光束分离器21。虽然透镜20在图1中展示为单折射光学元件，但应理解，实际上，透镜20可包含将来自光学元件的光组合地聚焦到样品的若干折射及/或反射光学元件。图1中展示且本文中描述的照明子系统可包含任何其它合适光学元件(未展示)。此类光学元件的实例包含(但不限于)偏光组件、光谱滤光器、空间滤光器、反射光学元件、变迹器、光束分离器、孔径及可包含所属领域中已知的任何此类合适光学元件的类似者。另外，系统可经配置以基于用于成像的照明的类型而更改照明子系统的元件中的一或多者。

成像子系统还可包含经配置以引起光扫描遍及样品的扫描子系统。例如，成像子系统可包含在成像期间在其上安置样品14的载物台22。扫描子系统可包含可经配置以移动样品使得光可扫描遍及样品的任何合适机械及/或机器人组合件(包含载物台22)。另外或替代地，成像子系统可经配置使得成像子系统的一或多个光学元件执行光遍及样品的某一扫描。可以任何合适方式使光扫描遍及样品。

成像子系统进一步包含一或多个检测通道。一或多个检测通道中的至少一者包含检测器，所述检测器经配置以检测归因于通过成像子系统所产生样品的照明而来自样品的光且响应于所检测光产生输出。例如，图1中展示的成像子系统包含两个检测通道，检测通道由集光器24、元件26及检测器28形成且另一检测通道由集光器30、元件32及检测器34形成。如图1中展示，两个检测通道经配置以按不同收集角收集且检测光。在一些例子中，一个检测通道经配置以检测镜面反射光且另一检测通道经配置以检测并非从样品镜面反射(例如，散射、衍射等)的光。然而，两个或两个以上检测通道可经配置以从样品检测相同类型的光(例如，镜面反射光)。虽然图1展示包含两个检测通道的成像子系统的实施例，但成像子系统可包含不同数目个检测通道(例如，仅一个检测通道或两个或两个以上检测通道)。虽然在图1中将集光器中的每一者展示为单折射光学元件，但应理解，集光器中的每一者可包含一或多个折射光学元件及/或一或多个反射光学元件。

一或多个检测通道可包含所属领域中已知的任何合适检测器。例如，检测器可包含光电倍增管(pmt)、电荷耦合装置(ccd)及延时积分(tdi)相机。检测器还可包含所属领域中已知的任何其它合适检测器。检测器还可包含非成像检测器或成像检测器。以此方式，如果检测器是非成像检测器，那么检测器中的每一者可经配置以检测散射光的某些特性(例如强度)但不可经配置以检测依据成像平面内的位置而变化的此类特性。因而，由包含于测量系统的检测通道中的每一者中的检测器中的每一者产生的输出可为信号或数据，而非图像信号或图像数据。在此类例子中，计算机子系统(例如系统的计算机子系统36)可经配置以从检测器的非成像输出产生样品的图像。然而，在其它例子中，检测器可经配置为经配置以产生成像信号或图像数据的成像检测器。因此，系统可经配置以按数种方式产生本文中描述的图像。

应注意，本文中提供图1以大体上说明可包含于本文中描述的系统实施例中的成像子系统的配置。显然，可更改本文中描述的成像子系统布置以如在设计商业成像系统时通常执行那样优化系统的性能。另外，可使用例如商业上可购自科磊公司的spectrashape系列工具及archer系列工具的现有成像系统(例如，通过将本文中描述的功能性新增到现有成像系统)实施本文中描述的系统。对于一些此类系统，本文中描述的方法可提供为成像系统的任选功能性(例如，除了系统的其它功能性的外)。替代地，可“从头开始”设计本文中描述的成像子系统以提供全新系统。

系统的计算机子系统36可以任何合适方式(例如，经由一或多个传输媒体，所述一或多个传输媒体可包含“有线”及/或“无线”传输媒体)耦合到成像子系统的检测器使得计算机子系统可接收在样品的扫描期间由检测器产生的输出。计算机子系统36可经配置以使用如本文中描述的检测器的输出执行数个功能及本文中进一步描述的任何其它功能。可如本文中描述那样进一步配置此计算机子系统。

此计算机子系统(以及本文中描述的其它计算机子系统)在本文中还可被称为计算机系统。本文中描述的计算机子系统或系统中的每一者可采取各种形式，包含个人计算机系统、图像计算机、主计算机系统、工作站、网络设备、因特网设备或其它装置。一般来说，术语“计算机系统”可经广泛定义以涵盖具有执行来自存储器媒体的指令的一或多个处理器的任何装置。计算机子系统或系统还可包含所属领域中已知的任何合适处理器(例如平行处理器)。另外，计算机子系统或系统可包含具有高速处理及软件的计算机平台(作为独立工具或网络工具)。

如果系统包含一个以上计算机子系统，那么不同计算机子系统可彼此耦合，使得可如本文中进一步描述那样在所述计算机子系统之间发送图像、数据、信息、指令等。例如，计算机子系统36可通过可包含所属领域中已知的任何合适有线及/或无线传输媒体的任何合适传输媒体耦合到计算机子系统102(如由图1中的虚线所展示)。两个或两个以上此类计算机子系统还可通过共享计算机可读存储媒体(未展示)而有效耦合。

虽然成像子系统在上文描述为光学或基于光的成像子系统，但所述成像子系统可为基于电子束的成像子系统。例如，在一个实施例中，引导到样品的能量包含电子，且从样品检测的能量包含电子。以此方式，能量源可为电子束源。在图2中展示的一个此实施例中，成像子系统包含耦合到计算机子系统124的电子柱122。

也如图2中展示，电子柱包含经配置以产生由一或多个元件130聚焦到样品128的电子的电子束源126。电子束源可包含例如阴极源或发射极尖端，且一或多个元件130可包含(例如)枪透镜、阳极、限束孔径、闸阀、束电流选择孔径、物镜及扫描子系统，其全部可包含所属领域中已知的任何此类合适元件。

从样品返回的电子(例如，二次电子)可通过一或多个元件132聚焦到检测器134。一或多个元件132可包含例如扫描子系统，所述扫描子系统可为包含于元件130中的相同扫描子系统。

电子柱可包含所属领域中已知的任何其它合适元件。另外，可如2014年4月4日颁予蒋(jiang)等人的第8,664,594号美国专利、2014年4月8日颁予小岛(kojima)等人的第8,692,204号美国专利、2014年4月15日颁予顾本思(gubbens)等人的第8,698,093号美国专利及2014年5月6日颁予麦克唐纳(macdonald)等人的第8,716,662号美国专利中描述那样进一步配置电子柱，所述专利以宛如全文陈述引用的方式并入本文中。

虽然电子柱在图2中展示为经配置使得电子按倾斜入射角引导到样品且按另一倾斜角从样品散射，但应了解，电子束可以任何合适角引导到样品且从样品散射。另外，基于电子束的成像子系统可经配置以使用多个模式来产生样品的图像(例如，运用不同照明角、收集角等)。基于电子束的成像子系统的多个模式可在成像子系统的任何图像产生参数方面不同。

如上文描述，计算机子系统124可耦合到检测器134。检测器可检测从样品的表面返回的电子，借此形成所述样品的电子束图像。电子束图像可包含任何合适电子束图像。计算机子系统124可经配置以使用检测器的输出及/或电子束图像执行本文中描述的任何功能。计算机子系统124可经配置以执行本文中描述的任何额外步骤。可如本文中描述那样进一步配置包含图2中展示的成像子系统的系统。

应注意，本文中提供图2以大体上说明可包含于本文中描述的实施例中的基于电子束的成像子系统的配置。如同上文描述的光学成像子系统，可更改本文中描述的基于电子束的成像子系统布置以如在设计商业系统时通常执行那样优化成像子系统的性能。另外，可使用例如商业上可购自科磊公司的edr-xxxx系列的工具的现有计量或高分辨率缺陷再检验系统(例如，通过将本文中描述的功能性新增到现有系统)来实施本文中描述的系统。对于一些此类系统，本文中描述的方法可提供为系统的任选功能性(例如，除系统的其它功能性的外)。替代地，可“从头开始”设计本文中描述的系统以提供全新系统。

虽然成像子系统在上文描述为基于光或基于电子束的成像子系统，但所述成像子系统可为基于离子束的成像子系统。可如图2中展示那样配置此成像子系统，只是可使用所属领域中已知的任何合适离子束源替换电子束源除外。另外，成像子系统可为任何其它合适基于离子束的成像子系统，例如包含于市售聚焦离子束(fib)系统、氦离子显微镜(him)系统及二次离子质谱仪(sims)系统中的成像子系统。

如上文提及，成像子系统经配置用于使能量(例如，光或电子)扫描遍及样品的物理版本，借此产生样品的物理版本的实际图像。以此方式，成像子系统可配置为“实际”工具而非“虚拟”工具。例如，存储媒体(未展示)及图1中展示的计算机子系统102可配置为“虚拟”工具。特定来说，存储媒体及计算机子系统并非成像子系统10的部分且不具有处置样品的物理版本的任何能力。换句话说，在配置为虚拟工具的工具中，其一或多个“检测器”的输出可为先前由实际工具的一或多个检测器产生且存储于虚拟工具中的输出，且在“扫描”期间，虚拟工具可如同扫描晶片那样播放所存储输出。以此方式，使用虚拟工具扫描样品可看似相同于实际工具扫描物理样品，而实际上，“扫描”涉及以与可扫描样品相同的方式播放样品的输出。在共同受让的以下专利中描述配置为“虚拟”检验工具的系统及方法：在2012年2月28日颁予巴斯卡尔(bhaskar)等人的第8,126,255号美国专利及在2015年12月29日颁予达菲(duffy)等人的第9,222,895号美国专利，所述专利以宛如全文陈述引用的方式并入本文中。可如这些专利中描述那样进一步配置本文中描述的实施例。例如，可如这些专利中描述那样进一步配置本文中描述的一或多个计算机子系统。另外，可如上文引用的达菲的专利中描述那样执行将一或多个虚拟系统布置为中央计算及存储(ccs)系统。本文中描述的永久存储机构可具有分布式计算及存储架构(例如ccs架构)，但本文中描述的实施例不限于所述架构。

如上文进一步提及，成像子系统可经配置以使用多种模式产生样品的图像。一般来说，“模式”可通过用于产生样品的图像的成像子系统的参数值或用于产生样品的图像的输出定义。因此，不同的模式可在成像子系统的成像参数中的至少一者的值方面不同。例如，在基于光学的成像子系统的一个实施例中，多种模式中的至少一者使用用于照明的光的至少一个波长，其不同于用于多种模式中的至少其它者的照明的光的至少一个波长。所述模式在用于不同模式的如本文中进一步描述的照明波长上可不同(例如，通过使用不同光源、不同光谱滤波器等等)。在另一实施例中，多种模式中的至少一者使用成像子系统的照明通道，其不同于用于多种模式中的至少其它者的成像子系统的照明通道。例如，如上文提及，成像子系统可包含一个以上照明通道。因而，不同照明通道可用于不同模式。

在一个实施例中，系统布置为检验工具。例如，本文中描述的光学及电子束成像子系统可配置为检验工具。以此方式，在一些实施例中，通过检验工具产生本文中描述的深度学习模型的图像输入。在另一实施例中，系统布置为计量工具。例如，本文中描述的光学及电子束成像子系统可配置为计量工具。在进一步实施例中，系统布置为缺陷重检工具。例如，本文中描述的光学及电子束成像子系统可经配置用于缺陷重检应用。特定来说，在本文中描述且在图1及2中展示的成像子系统的实施例可取决于其将用于的应用而在一或多个参数上修改以提供不同成像能力。在一个此实例中，图1中展示的成像子系统可经配置以具有更高分辨率(如果其用于计量而非用于检验)。换句话说，图1及2中展示的成像子系统的实施例描述用于可以所属领域的技术人员将明白的数种方式定制的成像子系统的一些一般及各种配置以产生具有或多或少适合于不同应用的不同成像能力的成像子系统。

一或多个计算机子系统经配置用于获取通过本文中描述的成像子系统产生的形成于样品上的图案的图像。可使用本文中描述的成像子系统中的一者执行(例如，通过分别将光或电子束引导到样品且从样品检测光或电子束)获取图像。以此方式，可使用物理样品自身及某种成像硬件来执行获取图像。然而，获取图像不必包含使用成像硬件来使样品成像。例如，另一系统及/或方法可产生图像且可将所产生图像存储于一或多个存储媒体(例如如本文中描述的虚拟检验系统或本文中描述的另一存储媒体)中。因此，获取图像可包含从已存储图像的存储媒体获取图像。

形成于样品上的图案可包含可形成于本文中描述的任何样品(例如，光罩及晶片)上的任何图案。例如，尽管在本文中描述的图中展示形成于样品上的图案的图像的一些实例，但所述实例不意味着任何实际图案的限制性实例或特定实例。形成于样品上的图案可包含不同类型的图案，例如线、空间、规则及不规则多边形、接触件等。另外，形成于样品上的图案可形成于不同层类型(例如，金属层、互连层等)上。此外，形成于样品上的图案可在任何合适制造工艺中形成，例如光刻工艺、蚀刻工艺、化学机械抛光工艺等。换句话说，本文中描述的实施例不限于可针对其执行本文中描述的步骤的任何特定图案。

系统还包含通过一或多个计算机子系统执行的一或多个组件。通过计算机子系统(例如，计算机子系统36及/或计算机子系统102)执行的组件(例如，图1中展示的组件100)包含第一基于学习的模型104及第二基于学习的模型106。第一基于学习的模型经配置用于通过一或多个计算机子系统基于输入到第一基于学习的模型的样品的设计而产生图案的模拟轮廓，且模拟轮廓是通过成像子系统产生的样品的图像中的图案的无缺陷版本的预期轮廓。第二基于学习的模型经配置用于通过一或多个计算机子系统产生输入到第二基于学习的模型的形成于样品上的图案的所获取图像中的至少一者中的图案的实际轮廓。第一学习模型104及第二学习模型106可具有本文中进一步描述的配置中的一者且可经配置用于分别产生模拟轮廓及实际轮廓，如本文中描述。

模拟轮廓是“预期轮廓”，因为其针对在图案以标称或无缺陷方式形成于样品上的情况下轮廓预期将如何出现在通过本文中描述的成像子系统产生的样品的图像中而模拟。换句话说，如果输入到第一基于学习的模型的设计形成于样品上而在其中未形成任何缺陷且接着通过成像子系统成像，那么通过成像子系统产生的图像中的图案将具有“预期轮廓”。因此，“模拟轮廓”近似计算、模拟或估计轮廓将如何出现在设计以无缺陷方式形成于其上的样品的图像中。因而，产生模拟轮廓(如果其以试探或确定方式进行)将需要考虑在样品上形成图案化特征以及通过成像子系统所产生样品的成像两者。

由于数种原因，在设计中的图案化特征将出现在所述设计形成于其上的样品的图像中时针对图案化特征产生模拟轮廓并非简单及容易的任务。例如，归因于用于形成样品上的结构且接着使样品成像的工具、材料及工艺的固有限制，所述结构在其包含于设计中时未必出现在样品的图像中。在一个此实例中，代替具有尖锐90度隅角的图案，图案将具有至少某种程度修圆隅角。另外，结构中的任一者可具有尺寸(例如跨结构的各个点处的宽度)变化。例如，相较于跨图案的多个点处的图案的设计特性，图案可具有一些线宽变化。通常，制造工艺及成像过程对图案化特征的设计的效应归因于所涉及的许多变量及所述变量可随样品及/或时间漂移的方式以及可影响针对图案产生的图像的其它各种可能噪声源而难以模型化。然而，本文中描述的实施例提供用于产生模拟轮廓的更简单及/或更稳健方式，其可用于产生模拟轮廓的更精确估计。

如本文中使用的术语“实际轮廓”意在经定义为图案化特征在其出现于通过成像子系统产生的样品的图像中时的轮廓。以此方式，不同于“预期轮廓”，“实际轮廓”是在实际上形成于样品的物理版本上的图案化特征出现在使用样品的实际版本产生的实际图像中时针对所述图案化特征产生的轮廓。“实际轮廓”可因此在本文中还称为“经提取轮廓”，因为“实际轮廓”是从样品的物理版本的实际图像提取。

在一个实施例中，第一基于学习的模型及第二基于学习的模型是基于深度学习的模型。以此方式，本文中描述的实施例提供用于半导体检验、计量的新特征以及包含基于深度学习的设计轮廓呈现及从sem及其它图像的基于深度学习的轮廓提取的其它工具。一般来说，“深度学习”(还称为深度结构化学习、阶层式学习或深度机器学习)是基于尝试模型化数据中的高阶抽象的一组算法的机器学习的分支。在简单情况中，可存在两组神经元：接收输入信号的神经元及发送输出信号的神经元。当输入层接收输入时，其将输入的经修改版本传递到下一层。在深度网络中，输入与输出之间可存在许多层(且所述层并非由神经元制成但此有助于将所述层视为由神经元制成)，从而允许算法使用由多个线性及非线性变换构成的多个处理层。

深度学习是基于数据的学习表示的机器学习方法的更广泛族的部分。观察(例如，图像)可以许多方式(例如每个像素的强度值的向量)或以更抽象方式(如一组边缘、特定形状的区等)呈现。一些表示优于其它表示之处在于，简化学习任务(例如，面部辨识或面部表情辨识)。深度学习的一个承诺是使用有效算法来取代手动设计特征用于无监督或半监督式特征学习及阶层式特征提取。

在此领域中的研究尝试制成更好的表示且产生模型以从大规模未标记数据学习这些表示。一些表示受神经科学中的进展启发且松散地基于神经系统中的信息处理及通信模式的解释，例如尝试定义各种刺激与脑中的相关联神经元响应之间的关系的神经编码。

在另一实施例中，第一及/或第二基于学习的模型是机器学习模型。机器学习可大体上定义为对计算机提供在未经明确编程的情况下学习的能力的一种类型的人工智能(ai)。机器学习致力于开发可教示自身在暴露到新数据时生长及改变的计算机程序。换句话说，机器学习可定义为“赋予计算机在未经明确编程的情况下学习的能力”的计算机科学的子域。机器学习探索可从数据学习且对数据作出预测的算法的研究及构造-这些算法借助于通过从样品输入建立模型来作出数据驱动预测或决定而克服以下严格静态程序指令。

可如在杉山(sugiyama)、摩根·考夫曼(morgankaufmann)的“统计机器学习简介(introductiontostatisticalmachinelearning)”，2016年，534页；杰巴拉(jebara)的“判别性、生成性及模仿性学习(discriminative,generative,andimitativelearning)”，麻省理工学院论文(mitthesis)，2002年，212页；及汉德(hand)等人的“数据挖掘原理(自适应计算及机器学习)(principlesofdatamining(adaptivecomputationandmachinelearning))”，麻省理工学院出版社(mitpress)，2001年，578页中描述那样进一步执行本文中描述的机器学习，所述专利以宛如全文陈述引用的方式并入本文中。可如在这些参考案中描述那样进一步配置本文中描述的实施例。

在一些实施例中，第一及/或第二基于学习的模型经配置为生成模型。“生成”模型可大体上经定义为本质上概率性的模型。换句话说，“生成”模型并非执行前向模拟或基于规则的方法的模型。代替地，如本文中进一步描述，可基于合适训练数据集学习生成模型(其中可学习其参数)。在一个实施例中，第一及/或第二基于学习的模型经配置为深度生成模型。例如，模型可经配置以具有深度学习架构，其中模型可包含执行数个算法或变换的多个层。

在另一实施例中，第一及/或第二基于学习的模型经配置为神经网络。在进一步实施例中，第一及/或第二基于学习的模型经配置为各自具有一组权重的深度神经网络，所述权重根据已经馈送以训练模型的数据模型化世界。神经网络可大体上经定义为基于神经单元的相对大集合的计算方法，其松散地模型化生物脑使用通过轴突连接的生物神经元的相对大群集解决问题的方式。每一神经单元与许多其它神经单元连接，且链结可强制执行或抑制其对经连接神经单元的激发状态的效应。这些系统是自我学习且经训练而非明确编程且在解决方案或特征检测难以按传统计算机程序表达的领域中具有优势。

神经网络通常由多个层构成，且信号路径从前部横越到后部。神经网络的目标是以与人脑相同的方式解决问题，尽管若干神经网络远远更加抽象。当代神经网络项目通常使用数千到数百万神经单元及数百万连接工作。神经网络可具有所属领域中已知的任何合适架构及/或配置。

在一个实施例中，第一及/或第二基于学习的模型经配置为alexnet。例如，alexnet包含其后接着数个完全连接层(例如，3)的数个卷积层(例如，5)，其组合地经配置且经训练以对图像分类。在克里泽夫斯基(krizhevsky)等人的“具有深卷积神经网络的imagenet分类(imagenetclassificationwithdeepconvolutionalneuralnetworks)”，nips2012(其以宛如全文陈述引用的方式并入本文中)中描述配置为alexnet的神经网络的实例。可如在此参考中描述那样进一步配置本文中描述的模型。

在另一此实施例中，第一及/或第二基于学习的模型经配置为googlenet。例如，googlenet可包含例如卷积、池化池化及完全连接层的层，例如本文中进一步描述为经配置及训练以分类图像的层。虽然googlenet架构可包含相对高数目个层(尤其相较于本文中描述的一些其它神经网络)，但一些层可并行操作，且彼此并行运作的层群组通常被称为检验模块。其它层可循序操作。因此，googlenet与本文中描述的其它神经网络的不同之处在于并非所有层都布置成循序结构。在塞格德(szegedy)等人的“更深入卷积(goingdeeperwithconvolutions)”，cvpr2015(其以宛如全文陈述引用的方式并入本文中)中描述配置为googlenet的神经网络的实例。可如在此参考中描述那样进一步配置本文中描述的模型。

在进一步此实施例中，第二基于学习的模型具有vgg网络架构。例如，通过增大卷积层的数目同时固定架构的其它参数而产生vgg网络。通过在所有层中使用大体上小卷积滤波器可新增卷积层以增大深度。如同本文中描述的一些其它神经网络，产生且训练vgg网络以对图像分类。vgg网络还包含其后接着完全连接层的卷积层。在西蒙尼扬(simonyan)等人的“用于大规模图像辨识的非常深的卷积网络(verydeepconvolutionalnetworksforlarge-scaleimagerecognition)”，iclr2015年中描述经配置为vgg的神经网络的实例，所述案以宛如全文陈述引用的方式并入本文中。可如此参考案中描述那样进一步配置本文中描述的模型。

在另一实施例中，第二基于学习的模型经配置为整体嵌套边缘检测模型(holistically-nestededgedetectionmodel)。边缘提取是确定cd测量的精度及稳健性的至关重要的步骤。可在设置可针对稳健性及噪声处置调整的参数之后执行此步骤。当前使用的方法还努力处置复杂及交叉图案。在本文中描述的实施例中，称为整体嵌套边缘检测的基于深度学习的方法可用于预测样品图像所提供的轮廓。此深度学习方法可扩展到新层，且用户将仅需几个实例图像以“教示”模型何为新层上的轮廓。

以此方式，可使用整体嵌套边缘检测(hed)算法执行基于深度学习的sem图像轮廓生成以从sem图像提取轮廓。使用此算法预期克服当前使用的轮廓算法的挑战。在此算法中，在卷积层之后插入侧输出层。将深度监督施加于各侧输出层处，从而导引侧输出朝向具有所要特性的边缘预测。hed的输出是多尺度及多水平的，其中侧输出平面大小变小且接受域大小变大。新增一个加权融合层以自动学习如何组合来自多个尺度的输出。可用多个误差传播路径训练整个网络。hed算法已展示对可用于所属领域中的bsds500数据集的最先进边缘提取性能。还示范对sem数据的极好边缘提取性能。可如通过谢(xie)等人在“整体嵌套边缘检测(holisticallynestededgedetection)”，arxiv:1504.06375v2，2015年10月4日，10页(其以宛如全文陈述引用的方式并入本文中)中描述那样进一步配置本文中描述的整体嵌套边缘检测模型。可如在此公开案中描述那样进一步配置本文中描述的实施例。另外，第二基于学习的模型可经配置用于使用具有单个融合输出的vgg网络架构(其可如本文中进一步描述那样配置)之前5个级(1、2、4、8及16的步幅)的多尺度边缘检测。

在一些此类实施例中，第一及/或第二基于学习的模型经配置为深度残余网络。例如，如同本文中描述的一些其它网络，深度残余网络可包含其后接着完全连接层的卷积层，其组合地经配置且经训练用于图像分类。在深度残余网络中，层经配置以参考层输入学习残余功能而非学习未引用功能。特定来说，代替希望每一若干堆叠层直接拟合所要底层映射，明确允许这些层拟合残余映射，其由具有快捷方式连接的前馈神经网络实现。快捷方式连接是略过一或多个层的连接。可通过获取包含卷积层的普通神经网络结构且插入快捷方式连接而产生深度残余网，其借此获取普通神经网络且将其转变为其残余学习对应物。在何(he)等人的“用于图像辨识的深度残余学习(deepresiduallearningforimagerecognition)”，nips2015年中描述深度残余网的实例，所述案以宛如全文陈述引用的方式并入本文中。可如此参考案中描述那样进一步配置本文中描述的深度学习模型。

在进一步此实施例中，第一及/或第二基于学习的模型包含一或多个完全连接层。“完全连接层”可大体上定义为其中每一节点连接到先前层中的每一节点的一层。完全连接层可基于通过卷积层提取的特征执行分类，其可如本文中进一步描述那样配置。完全连接层经配置用于特征选择及分类。换句话说，完全连接层从特征图选择特征且接着基于选定特征对图像中的性质分类。选定特征可包含特征图中的所有特征(如果适当)或仅特征图中的一些特征。

在一些实施例中，通过第一及/或第二基于学习的模型确定的信息包含通过第一及/或第二基于学习的模型提取的图像的特征。在一个此实施例中，第一及/或第二基于学习的模型包含一或多个卷积层。卷积层可具有所属领域中已知的任何合适配置且通常经配置以通过使用一或多个滤波器将卷积函数应用到输入图像而确定依据跨图像(即，特征图)的位置而变化的图像的特征。在一个实施例中，第一基于学习的模型(或第一基于学习的模型的至少部分)经配置为卷积神经网络(cnn)。例如，第一基于学习的模型可经配置为用以提取局部特征的cnn，其通常是卷积层及池化层的堆叠。本文中描述的实施例可利用深度学习概念(例如cnn)以解决通常棘手的表示转换问题。第一基于学习的模型可具有所属领域中已知的任何cnn配置或架构。一或多个池化层还可具有所属领域中已知的任何合适配置(例如，最大池化层)且通常经配置用于减少通过一或多个卷积层产生的特征图的维数同时维持最重要特征。

在进一步实施例中，第一基于学习的模型经配置为使用变分自动编码器的深度生成模型。例如，本文中描述的实施例可使用使用变分自动编码器(vae)的深度生成模型而非其它设计呈现方法(其是辨别方法)。此第一基于学习的模型允许新增不确定性连同设计轮廓生成，此又将进一步改进对假阳性的稳健性。变分自动编码器是采用深度学习及变分推断的优点的组件且导致生成模型化的显著进展。另外或替代地，可如在曼札纳(makhzani)等人的“对抗性自动编码器(adversarialautoencoders)”，arxiv:1511.05644v2，2016年5月25日，16页(其以宛如全文陈述引用的方式并入本文中)中描述那样配置与生成对抗网络(gan)或深度生成对抗网络(dgan)组合的变分自动编码器(vae)。可如在此参考中描述那样进一步配置本文中描述的实施例。

通过第一及/或第二基于学习的模型确定的特征可包含本文中进一步描述或所属领域中已知的可从本文中描述的输入推断(且可能用于产生本文中进一步描述的其它输出)的任何合适特征。例如，特征可包含每像素强度值的向量。特征还可包含本文中描述的任何其它类型的特征，例如，标量值向量、独立分布向量、联合分布或所属领域中已知的任何其它合适特征类型。

可如在以下专利中描述那样进一步配置第一及第二基于学习的模型：张(zhang)等人在2017年5月25日发表的第2017/0148226号美国专利申请公开案；张等人发表的2017/0193680；巴斯卡尔等人在2017年7月6日发表的2017/0194126；巴斯卡尔等人在2017年7月13日发表的2017/0200260；巴斯卡尔等人在2017年7月13日发表的2017/0200265；张等人在2017年11月30日发表的2017/0345140；及张等人在2017年9月1日申请的第15/694,719号美国专利申请案及何等人在2017年9月6日申请的15/697,426，其以宛如全文陈述引用的方式并入本文中。可在这些公开案及专利申请案中描述那样进一步配置本文中描述的实施例。

在一个实施例中，输入到第一基于学习的模型的设计不包含不会印刷于样品上的设计的特征。换句话说，输入到第一基于学习的模型的设计的特征可为opc前特征及/或不包含影响特征如何印刷于样品上但自身未印刷于样品上的方式的设计的任何opc特征的设计。将opc前设计精确呈现为类sem轮廓可用复杂模拟执行但需要许多计算且需要使参数正确。代替地，如果用基于学习的回归模型(例如学习如何从opc前设计剪辑呈现设计轮廓的本文中进一步描述的模型中的一者)执行设计到sem呈现，那么结果是极好的且可按初始训练设置的相对低成本完成。呈现接着提供参考轮廓以用于识别图案保真度的离群点，此可如本文中进一步描述那样执行。

在一个实施例中，第一基于学习的模型及第二基于学习的模型可适应不同图案类型。在另一实施例中，第一基于学习的模型及第二基于学习的模型可适应不同图案密度。在额外实施例中，第一基于学习的模型及第二基于学习的模型可适应不同层类型中的图案。在进一步实施例中，第一基于学习的模型及第二基于学习的模型可适应通过成像子系统以一或多个不同成像参数产生的图像。例如，本文中描述的模型是稳健且一般化到各种图案类型、图案密度、层类型(存储器或逻辑)及图像模态(光学、sem、x射线等)。

不同图案类型可包含具有不同多边形形状的图案、对应于形成于样品上的装置的不同特征的图案等。不同图案密度可包含相对稀疏特征及相对密集特征且可通过给定区域中的特征的所计算密度定量地定义。不同层类型可包含相同样品上的不同层类型(例如，不同层叠置地形成于晶片上)及/或形成于不同样品上的不同层类型(例如，其中装置经制造于具有第一层类型的一个样品上及具有第二层类型的另一样品上)。一或多个不同成像参数可包含共同定义成像子系统的成像模式的本文中描述的成像参数中的任一者。另外，如上文描述，所述模型可适应不同图像模态。因此，一或多个不同成像参数可包含光学成像参数及电子束(或其它非光学)成像参数。

在一个此实例中，可通过本文中描述的基于学习的模型在学习光刻/蚀刻工艺之后大体上精确地呈现设计轮廓，接着可比较所述设计轮廓与图像轮廓以便标记如本文中进一步描述的潜在opc误差。可在标称图案(即，不具有opc误差的图案)的相对大数目个图像可用于训练第一基于学习的模型时训练所述第一基于学习的模型，使得其借此“学习”光刻/蚀刻工艺及成像过程。对于新层，可将新实例新增到用于训练第一基于学习的模型的训练集，且可执行使用来自现有模型的初始权重及/或其它参数从头开始重新训练第一基于学习的模型或精细调谐第一基于学习的模型。精细调谐意味着从预先存在经训练模型加载模型参数的初始值，且使用新训练图像重新训练模型参数。精细调谐通常有利地需要少于从头开始训练的图像。可执行类似步骤以针对不同图案类型、图案密度、成像参数等训练第一基于学习的模型。第二基于学习的模型可以类似方式适应此类变化。可如本文中进一步描述那样训练第一基于学习的模型及第二基于学习的模型。

一或多个计算机子系统经进一步配置用于比较实际轮廓与模拟轮廓且基于比较的结果检测形成于样品上的图案中的缺陷。例如，如图3中展示，一或多个计算机子系统可经配置用于轮廓的设计呈现(如步骤300中展示)，此可如本文中进一步描述那样执行。另外，如图3中展示，一或多个计算机子系统可经配置用于图像轮廓提取(如步骤302中展示)，此可如本文中进一步描述那样执行。此外，如图3中展示，计算机子系统可经配置用于比较从所呈现设计确定的轮廓与从图像提取的轮廓以用于在步骤304中进行图案保真度检测。

比较实际轮廓与模拟轮廓可包含将实际轮廓对准到模拟轮廓。例如，包含于所呈现设计及图像两者中的设计的一或多个特征可经识别为适合于对准(例如，基于其相对于其它附近/周围图案的独特性及基于使其适合于在x及/或y中对准的其特性)。接着可在特征出现在所呈现设计及图像中时使用所述特征对准所呈现设计及图像。接着可使用(1)经对准所呈现设计与图像；(2)针对所呈现设计确定的轮廓与所呈现设计；及(3)从图像提取的轮廓与图像自身之间的空间关系以将从所呈现设计确定的轮廓对准于从图像提取的轮廓。可针对每一图像帧或工作(将比较其轮廓与模拟轮廓)执行对准或可针对少于所有图像帧或工作执行对准(例如，当对准结果(例如针对一个图像帧或工作确定的对准偏移)可用于对准其它图像帧或工作时)。可如颁予库尔卡尼等人的专利(其以宛如全文陈述引用的方式并入本文中)中描述那样进一步执行对准所呈现设计与图像。可如在此专利中描述那样进一步配置本文中描述的实施例。

一旦对准轮廓，便可比较所述轮廓。在一个实施例中，比较的结果包含基于实际轮廓与模拟轮廓之间的差异所确定的设计中的图案中的第一者与形成于样品上的图案的所获取图像中的至少一者中的图案中的第一者的尺寸之间的定量差异，且检测缺陷包含将阈值应用到尺寸之间的定量差异。在一个此例子中，比较包含在逐像素基础上比较轮廓的位置且确定轮廓的位置的差异。所述差异接着可用于确定图案的尺寸之间的定量差异。检测缺陷接着可包含将阈值应用到定量差异。具有高于阈值差异的图案可经识别为缺陷，而不具有高于阈值的差异的图案可不被识别为缺陷。以此方式，通过计算机子系统检测到的缺陷可为图案保真度缺陷(即，相对于其它缺陷(例如外来微粒及污染、刮擦及其它标记等)的图案化特征自身中的缺陷)。

在另一实施例中，比较的结果包含所获取图像中的至少一者中的图案中的每一者的像素中的每一者的实际轮廓与模拟轮廓之间的定量差异。例如，半导体制造通常需要相对于预期设计的相对高保真度图案特性化测量。本文中描述的实施例能够在单照中执行相对大区域测量(极像检测算法)，只是其传回每一像素的定量测量除外。可针对像素中的每一者确定实际轮廓与模拟轮廓之间的定量差异，如本文中进一步描述。此外，由于本文中描述的实施例可确定图案中的每一者中的每一像素的轮廓之间的差异，因此实施例可用于自动标记可用作cd测量的目标区域的整个视场内的潜在缺陷(仅图案缺陷)位置(借此无需其中进行测量的预定所关注区)。

本文中描述的实施例还可经配置用于确定个别特征、特征的某部分、相同类型的特征的多个例子等的临界尺寸均匀性。可以所属领域中已知的任何合适方式确定cdu。另外，本文中描述的实施例可用于逻辑cdu使用案例。例如，逻辑cdu使用案例有时包含例如已知热点处的测量、区域检验-图案保真度测量及缺陷检测与测量的步骤。以此方式，本文中描述的实施例可用于区域检验-图案保真度测量步骤中。

以此方式，本文中描述的实施例提供用于半导体检验、计量的新特征，及包含基于轮廓的缺陷检测方法及系统的其它工具。基于轮廓的图案保真度检测不同于在用于图案保真度检测的其它方法中执行的其它比较。例如，在所呈现图像与目标图像的比较中，可比较从设计呈现的图像与从物理样品产生的图像，且比较的结果可用于图案保真度检测。在另一实例中，在设计与数据库类型的比较中，可比较设计剪辑与形成于物理样品上的对应于设计剪辑的设计的部分的图像，且比较的结果可用于图案保真度检测。

相比之下，在基于轮廓的图案保真度检测中，比较从设计呈现确定的轮廓与从针对物理样品产生的图像提取的轮廓，且比较的结果可用于图案保真度检测。因此，不同于上文描述的其它方法，基于轮廓的方法不涉及比较模拟图像与实际图像及/或比较设计剪辑与实际图像。代替地，本文中描述的实施例涉及比较从设计呈现确定的轮廓与从样品的图像确定的轮廓以借此检测形成于样品上的图案中的缺陷。此外，比较模拟图像与实际图像及比较设计的部分与实际图像涉及使图像彼此比较或比较设计与图像，此不同于其中使特性(即，图像中的图案的轮廓)彼此比较的本文中描述的比较。换句话说，在本文中描述的比较中，图像自身不彼此比较或不与设计比较。代替地，从图像导出的图案化特征的特性与设计彼此比较。基于轮廓的方法提供用于图案保真度检测的定量度量。另外，如本文中进一步描述，基于轮廓的方法可用于识别设计中的热点。

本文中描述的实施例还提供具有以下益处的单裸片测量解决方案。例如，由于设计呈现轮廓及因此设计被用作参考，所以本文中描述的实施例可检测硬重复项(即，发生在样品上的每一裸片中的重复项)。另外，本文中描述的实施例提供相较于用于提取参考轮廓的裸片对裸片方法的处理能力益处。此外，本文中描述的实施例无需参考轮廓的参考裸片。特定来说，凭借参考裸片方法，可能难以在一些高度缺陷晶片或具有零工艺窗的一些工艺窗限定(pwq)晶片上找到良好标称参考裸片。

在一些实施例中，一或多个计算机子系统经配置用于基于所检测缺陷检测设计中的热点。例如，本文中描述的实施例能够识别其中印刷图案显著不同于预期设计的“热点”。特定来说，本文中描述的实施例可比较sem与使用基于学习的模型确定的设计轮廓以供热点图案量化。本文中描述的实施例允许超出标准光刻热点的一般化热点发现方法。

“热点”可大体上经定义为当印刷于样品上时比设计中的其它位置更易具有缺陷的设计中的位置。例如，随着用于在样品上形成图案化特征的工艺的参数漂移远离标称值(即，朝向工艺窗的边缘)，缺陷可在出现在样品上的其它位置之前出现在样品上的“热点”的位置处。因此，识别设计中的热点使得更密切地监测样品上的对应位置的缺陷可为有利的，此可实现工艺问题的早期检测。在一些例子中，将热点识别为在形成于样品上的图案化特征中检测到的任何缺陷的任何位置可为有利的(例如，取决于用于检测缺陷的阈值及/或用以将设计印刷于样品上的工艺参数)。接着可在检验越来越多样品时修改热点(例如，在热点未一致展现缺陷时删除热点且在发现新热点时新增热点)。另外，由于可如本文中描述那样通过比较从样品图像提取的轮廓与从设计呈现的轮廓而识别热点，因此本文中描述的轮廓比较将不经受其中硬重复项因其发生在彼此比较的两个例子中而无法检测到(在相同裸片内位置中的每一者、相同光罩内位置中的每一者等处重复的缺陷)的裸片对裸片方法的缺点。还可通过将某阈值应用到缺陷而识别热点(例如，将大于某阈值的缺陷识别为热点)。

在一个实施例中，一或多个计算机子系统经配置用于使用训练数据集训练第一基于学习的模型，所述训练数据集包含用于至少一个训练样品的至少一个训练设计的不同部分及使用真实数据方法(groundtruthmethod)从至少一个训练样品的训练图像提取的对应轮廓信息。例如，在训练期间，样品的图像(例如，sem图像)可用图像中的特征的轮廓加以注释(例如，通过用户或真实数据方法)。注释可产生二进制真实数据图像。轮廓真实数据可来自用户或使用现有边缘提取算法或两者的组合。注释是手动标记真实数据或对使用现有边缘提取算法提取的边缘进行修整。所述注释图像及/或图像中的特征的真实数据轮廓信息可与用于其中训练设计呈现模型(即，第一基于学习的模型)的设计呈现训练的特征的对应设计信息结合使用。

训练数据集可包含至少一个训练设计的任何合适数目个部分。至少一个训练设计可包含多个类似设计(例如，用于相同层及相同装置类型的设计)或多个不同设计(例如，任何类型的设计)。至少一个训练设计还可包含将使用通过第一基于学习的模型产生的模拟轮廓检验的样品的设计。至少一个训练样品可为具有与将经检验的样品相同的层类型的样品，但其它样品类型还可用作训练样品。训练图像可使用本文中描述的成像子系统中的任一者获取且通常将包含通过成像子系统针对训练样品的物理版本产生的实际图像。

在一个此实例中，如图4中展示，设计呈现400可包含两个不同阶段：训练402及推断404。在训练402期间，可将设计406及图像轮廓真实数据408输入到未经训练的第一基于学习的模型410。可更改未经训练的第一基于学习的模型的一或多个参数直到通过未经训练的第一基于学习的模型针对设计406产生的模拟轮廓匹配图像轮廓真实数据408(其中“匹配”意味着已找到确切匹配或一旦已达到某停止准则便识别最佳可能“匹配”)。换句话说，可将设计406输入到未经训练的第一基于学习的模型410。未经训练的第一基于学习的模型可接着产生设计的模拟轮廓。可比较模拟轮廓与图像轮廓真实数据408，且如果模拟轮廓与图像轮廓真实数据408之间存在差异，那么可更改模型的一或多个参数且可重复上文描述的步骤直到模拟轮廓匹配图像轮廓真实数据。接着，在设计呈现400的推断阶段404期间，将设计412连同经训练的第一模型参数414(其在训练阶段期间确定)一起输入到经训练的第一基于学习的模型416。如上文描述那样训练经训练的第一基于学习的模型。可输入经训练参数与设计，使得经训练模型使用经训练参数414产生设计412的模拟轮廓。通过经训练模型产生的模拟轮廓可用于如本文中进一步描述的图案保真度检测。

在训练设计轮廓呈现模型(即，第一基于学习的模型)的另一实例中，第一步骤可为准备用于训练的真实数据。准备用于训练的真实数据可包含对标称图案的图像(即，无缺陷图案、用标称工艺参数形成的图案等)运行边缘检测算法(例如，canny检测器)以提供真实数据轮廓信息。例如，可将样品图像(例如sem图像)输入到sem轮廓提取步骤以借此产生真实数据sem轮廓。可将真实数据sem轮廓输入到图案/背景标签产生步骤以借此产生真实数据标签。可将opc前设计呈现为一般地呈现图像且作为输入提供到未经训练的第一基于学习的模型。例如，对于训练，可将设计剪辑输入到“呈现设计图像”步骤以借此产生计算机辅助设计(cad)图像。使用边缘检测器的输出作为目标图像。

接着使样品图像及设计剪辑彼此对准以确保输入及输出数据在相同坐标系统中。例如，可将sem图像及cad图像输入到cad到sem配准步骤以借此产生经对准cad图像。简单cnn可接着用于训练此模型。例如，cnn可包含其后接着数个完全连接层(例如，两个或两个以上完全连接层)的数个卷积层(例如，两个或两个以上卷积层)。cnn可产生具有图案及背景分数的输出以区分图案图像的区域与背景图像的区域。为简单起见，输入图像可下取样一半。可将经对准cad图像及真实数据标签输入到训练步骤以借此产生经训练的第一基于学习的模型。

在另一实施例中，一或多个计算机子系统经配置用于使用训练数据集训练第二基于学习的模型，所述训练数据集包含通过成像子系统针对至少一个训练设计形成于其上的至少一个训练样品产生的不同训练图像及使用真实数据方法从不同训练图像提取的对应轮廓信息。例如，在训练期间，样品的图像(例如，sem图像)可使用图像中的特征的轮廓加以注释(例如，通过用户或真实数据方法)。注释可产生二进制真实数据图像。所述注释图像及/或图像中的特征的真实数据轮廓信息可与用于其中训练图像轮廓提取模型的图像轮廓提取训练的图像结合使用。另外，二进制真实数据图像(或本文中描述的其它真实数据轮廓信息)可用于针对轮廓提取及设计呈现两者训练基于学习的模型且在训练之后输出模型参数。

此训练数据集可包含任何合适数目个不同训练图像。可从单个样品或多个类似设计(例如，用于相同层及相同装置类型的设计)或多个不同设计(例如，任何类型的设计)形成于其上的多个训练样品产生不同训练图像。可如上文进一步描述那样配置至少一个训练设计及至少一个训练样品。不同训练图像可使用本文中描述的成像子系统中的任一者获取且通常将包含通过成像子系统针对训练样品的物理版本产生的实际图像。

在一个此实例中，如图5中展示，图像轮廓提取500可包含两个不同阶段：训练502及推断504。在训练502期间，将图像506及图像轮廓真实数据508输入到未经训练的第二基于学习的模型510。可以任何合适方式获取图像轮廓真实数据。例如，所述方法及系统的用户可使用图像轮廓真实数据注释图像，此可包含绘制图像上的轮廓。以此方式，可更改未经训练的第二基于学习的模型的一或多个参数直到针对图像506产生的轮廓匹配图像轮廓真实数据508(其中以与上文描述相同的方式定义“匹配”)。换句话说，可将图像506输入到未经训练的第二基于学习的模型510。未经训练的第二基于学习的模型可接着产生图像的经提取轮廓。可比较经提取轮廓与图像轮廓真实数据508，且如果经提取轮廓与图像轮廓真实数据508之间存在差异，那么可更改模型的一或多个参数且可重复上文描述的步骤直到经提取轮廓“匹配”图像轮廓真实数据。

在图像轮廓提取500的推断阶段504期间，可将图像512连同经训练的第二模型参数514一起输入到经训练的第二基于学习的模型516。如上文描述那样训练经训练的第二基于学习的模型。可输入经训练参数与图像，使得经训练模型使用经训练参数514产生图像512的经提取轮廓。通过经训练模型产生的经提取轮廓可用于如本文中进一步描述的图案保真度检测。另外，基于深度学习的图像提取轮廓可用作大体上精确边缘定位的种子点(在相对小邻域内)，以便提取子像素轮廓/边缘位置(这对于其中精度要求大体上严格(即，其中1像素误差可为相当大)的一些测量使用案例可为重要的)。

图6说明可输入到本文中描述的第二基于学习的模型的图像及可针对这些图像产生的经提取轮廓的实例。例如，在此实例中，图像600是针对半导体晶片产生的sem图像。可将图像及如本文中描述的经训练参数输入到经训练的第二基于学习的模型，且经训练的第二基于学习的模型可输出经提取轮廓602。另外，可将图像604(其在此实例中还为针对半导体晶片产生的sem图像)及如本文中描述的经训练参数输入到经训练的第二基于学习的模型。经训练的第二基于学习的模型可接着输出经提取轮廓606。本文中不包含图6中展示的图像以展示形成于任何特定样品上的任何特定图像类型及/或任何特定设计或特征。代替地，此处包含这些图像及从其提取的轮廓以说明第二基于学习的模型针对图像中展示的各种图案化特征提取大体上精确轮廓的能力。另外，尽管经提取轮廓602及604在图6中展示为二进制图像，但经提取轮廓(以及设计呈现轮廓)可以任何其它合适方式表达。

在训练设计呈现模型及图像轮廓提取模型(即，第一基于学习的模型及第二基于学习的模型)两者之后，所述模型可用于如本文中进一步描述的运行时间推断。在图7中展示基于轮廓的离群点检测算法运行时间流程的一个此实施例。例如，可将设计输入到用于基于深度学习的设计轮廓呈现的设计呈现模型，借此产生所呈现设计轮廓。特定来说，如图7中展示，可将设计700及经训练的第一模型参数702输入到经训练的第一基于学习的模型704以借此产生模拟轮廓706。第一基于学习的模型可包含本文中描述的设计呈现网络中的任一者且模拟轮廓可充当用于本文中描述的额外步骤的所呈现标称设计轮廓。

在一个此实例中，在运行时间期间，模型可提供有一般呈现opc前设计剪辑以获得具有对应于图案的存在预测的分数的“热图”。“热图”可接着经定限以获得轮廓。更特定来说，可将第一基于学习的模型应用到测试设计剪辑以获得分数图。接着可使用例如0.5的阈值对分数图定阈值以借此产生图案及背景预测。接着可使用图案及背景预测来提取边界以借此产生预测轮廓。接着可将预测轮廓输入到一或多个后处理步骤以借此产生预测轮廓。

通过本文中描述的设计轮廓呈现产生的结果示范能够凭借大体上高精度有利地产生设计轮廓的本文中描述的实施例。例如，通过比较从opc前设计呈现的预测轮廓与从对应sem图像提取的边缘而测量预测轮廓的精度。多于90％的像素被发现在1.5个像素的误差内。

另外，可将样品的图像(例如，sem图像)输入到用于基于深度学习的轮廓提取的图像轮廓提取模型以借此产生图像轮廓。例如，如图7中展示，将图像708(其在此例子中展示为sem图像)及经训练的第二模型参数710输入到第二基于学习的模型712以借此产生经提取轮廓714。经训练的第二基于学习的模型可包含本文中描述的图像轮廓提取网络中的任一者。执行如本文中描述的边缘提取的结果展现对sem数据的极好边缘提取性能。

可在图像及设计轮廓比较步骤中比较所呈现设计轮廓与图像轮廓，所述步骤可经执行以检测设计中的潜在热点。例如，如图7中展示，可将所呈现轮廓706及经提取轮廓714输入到设计及图像轮廓比较步骤716，其中比较从设计呈现的轮廓与从图像提取的轮廓。接着可使用一或多个测量算法以在潜在热点的位置处执行cd测量。例如，设计轮廓呈现模块及sem轮廓提取模块可经组合以比较预测轮廓与经提取轮廓以在整个图像上测量cd。

在一些例子中，可通过使模拟轮廓与经提取轮廓叠加(如由叠加718展示)而比较模拟轮廓与经提取轮廓。可如本文中描述那样(例如，经由本文中描述的对准步骤)使模拟轮廓与经提取轮廓叠加。模拟轮廓与经提取轮廓的叠加可用于执行轮廓之间的差异的测量。例如，如由叠加的部分718a展示，在此部分中，模拟轮廓及经提取轮廓的部分彼此间隔。另外，如由叠加的部分718b展示，其它模拟轮廓及经提取轮廓的部分彼此间隔。彼此不同的模拟轮廓及经提取轮廓的部分由元件符号720展示。

在一些例子中，可通过比较非重叠轮廓(即，图案偏差)与用户定义阈值且标记超过用户定义阈值的任何偏差而识别部分718a及718b。以此方式，可识别且接着测量显著非标称图案偏差。可通过确定轮廓的隔开、非重叠部分之间的像素数目而在模拟轮廓及经提取轮廓的这些非重叠部分的位置处执行测量。基于(从用于产生图像的成像子系统的参数确定的)图像中的像素大小，可确定非重叠轮廓之间的距离，借此提供两个轮廓之间的距离的量度或测量。

在轮廓比较结果中，预期轮廓与经提取轮廓之间的不同欧几里德距离(euclideandistance)可以不同颜色标记。例如，相差超过3个像素的预期轮廓及经提取轮廓可用一种颜色标记，相差超过2个像素的预期轮廓及经提取轮廓可以不同颜色标记。可如本文中进一步描述那样执行这些步骤中的每一者。

因此，上文描述的实施例具有数个优点。例如，上文描述的实施例已示范稳健地且大体上允许特性化图案保真度的能力。欧几里德距离的定限允许按不同水平监测的灵活性。可能在早期研究及开发阶段，此阈值化可为宽松的且在高值产生阶段期间可为严格的。

在一些实施例中，一或多个计算机子系统经配置用于执行额外比较步骤(其中将形成于样品上的不同裸片中的相同图案的实际轮廓彼此比较)且基于额外比较步骤的结果检测相同图案中的缺陷。例如，本文中描述的实施例的一个优点是其可在裸片对裸片模式或裸片对设计模式中使用。在一个此实例中，比较设计呈现轮廓与图像提取轮廓是用于轮廓比较的本质上裸片对设计模式，这是因为比较来自样品的图像的轮廓与从设计呈现的轮廓。另外或替代地，本文中描述的实施例可经配置用于比较从由对应于设计的相同部分(例如，相同裸片内位置、相同光罩内位置等)的样品上的不同位置产生的不同图像提取的轮廓。以此方式，可比较从样品的一个图像提取的轮廓与从样品的另一图像提取的轮廓，其中使用如本文中描述的基于学习的模型提取所比较的所有轮廓。还可针对相同样品执行不同比较以检测不同类型的缺陷及/或确定关于缺陷的额外信息。以此方式，在裸片对裸片模式及裸片对设计模式中针对样品执行的缺陷检测的结果可经组合以产生样品的单组检验结果。

在一个实施例中，一或多个计算机子系统经配置用于对所检测缺陷分类。一或多个计算机子系统可经配置以使用所属领域中已知的任何合适分类算法及/或方法对所检测缺陷分类。在另一实施例中，一或多个计算机子系统经配置用于使用额外基于学习的模型对所检测缺陷分类。例如，本文中描述的实施例的优点是可将所检测事件的输出发送到分类网络，分类网络可视用户需要对所检测事件分类。可使用以宛如全文陈述引用的方式并入本文中的参考案、公开案及专利申请案中描述的基于学习的模式中的任一者而对在样品上检测到的缺陷分类。

除本文中进一步描述的优点以外，本文中描述的实施例还提供数个优点。例如，所述实施例使用基于端对端学习的算法提供1像素精度内的图案特性化及量化。另外，本文中描述的实施例提供用于达到一个像素的精度的图案特性化、量化及热点发现的数据驱动方法及基于学习的方法且对opc误差是稳健的。这对于计量及检验是日益重要的要求。

本文中描述的实施例还无需当前使用的方法所需的用于各种图案类型的任何试探法及/或手动设计算法。例如，本文中描述的基于深度学习的图像轮廓提取比基于非深度学习的轮廓提取算法稳健。特定来说，深度学习将基于训练实例中提供的真实数据轮廓自动学习稳健特征(而非提出可并非稳健的手动设计特征)。另外，本文中描述的实施例不具有当前使用的方法及系统的挑战，包含边缘像素并非始终连接、其需要参数的仔细手动调整及其在隅角及接面处并不稳健。

此外，本文中描述的实施例使用稳健且一般化到各种图案类型、图案密度、层类型(存储器或逻辑)及图像模态(例如，光学、sem、x射线等)的算法。例如，尽管本文中关于sem图像描述一些实施例，但实施例可应用到除电子束以外的图像模态(即，光学、x射线等)。本文中描述的实施例因此可广泛应用到许多计量、检验及其它工具平台。此外，本文中描述的实施例可利用用于图像轮廓提取及设计呈现两者的交替网络拓扑，其可产生相同或可能更好结果。

可如本文中描述那样进一步配置本文中描述的系统的实施例中的每一者(例如，一个以上实施例可共同组合成一个单个实施例)。

另一实施例涉及一种用于检测形成于样品上的图案中的缺陷的计算机实施方法。所述方法包含通过具有一或多个计算机子系统的成像子系统获取形成于样品上的图案的图像。如本文中进一步描述那样配置成像子系统。所述方法还包含通过一或多个计算机子系统基于输入到第一基于学习的模型的样品的设计而产生图案的模拟轮廓。模拟轮廓是通过成像子系统产生的样品的图像中的图案的无缺陷版本的预期轮廓。另外，所述方法包含通过一或多个计算机子系统产生输入到第二基于学习的模型的形成于样品上的图案的所获取图像中的至少一者中的图案的实际轮廓。通过一或多个计算机子系统执行一或多个组件。一或多个组件包含第一基于学习的模型及第二基于学习的模型。如本文中描述那样进一步配置一或多个计算机子系统及一或多个组件。所述方法进一步包含比较实际轮廓与模拟轮廓且基于比较的结果检测形成于样品上的图案中的缺陷。

可如本文中进一步描述那样执行所述方法的步骤中的每一者。所述方法还可包含可通过本文中描述的成像子系统、计算机子系统、组件、系统执行的任何其它步骤。可通过如本文中进一步描述且可根据本文中描述的实施例中的任一者配置的各种组件(例如，第一基于学习的模型及第二基于学习的模型)及/或一或多个计算机子系统执行所述方法的步骤。另外，可通过本文中描述的系统实施例中的任一者执行上文描述的方法。

额外实施例涉及一种非暂时性计算机可读媒体，其存储可在一或多个计算机子系统上执行以执行用于检测形成于样品上的图案中的缺陷的计算机实施方法的程序指令。在图8中展示一个此实施例。特定来说，如图8中展示，非暂时性计算机可读媒体800包含可在计算机子系统804上执行的程序指令802。计算机实施方法可包含本文中描述的任何方法的任何步骤。

实施例如本文中描述的方法的方法的程序指令802可存储于计算机可读媒体800上。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带，或所属领域中已知的任何其它合适非暂时性计算机可读媒体。

可以各种方式中的任一者实施程序指令，包含基于程序的技术、基于组件的技术及/或面向对象技术等。例如，如所需，可使用activex控件、c++对象、javabeans、微软基础类(“mfc”)、sse(流式simd扩展)或其它技术或方法来实施程序指令。

可根据本文中描述的实施例中的任一者配置计算机子系统804。

本文中描述的所有方法可包含将方法实施例的一或多个步骤的结果存储于计算机可读存储媒体中。结果可包含本文中描述的结果中的任一者且可以所属领域中已知的任何方式存储。存储媒体可包含本文中描述的任何存储媒体或所属领域中已知的任何其它合适存储媒体。在已存储结果之后，结果可存取于存储媒体中且由本文中描述的方法或系统实施例中的任一者使用、经格式化以显示给用户、由另一软件模块、方法或系统等使用。例如，在图案中检测到的缺陷可用于控制及/或更改用于在样品上形成图案的制造工艺以借此校正制造工艺且防止此类图案缺陷发生在其它样品上。在一个此实例中，在图案中检测到的缺陷的信息可由本文中描述的一或多个计算机子系统、另一系统(例如，制造系统)或另一方法(例如，制造方法)用以确定应如何更改制造工艺。确定应如何更改制造工艺可包含确定此工艺的一或多个参数，例如待执行工艺的区域、待执行工艺的时间长度、应在工艺中使用何种化学品或气体等。以此方式，经更改工艺可用于在制造工艺中将图案印刷于其它样品上。可如本文中进一步描述那样检验使用经更改制造工艺图案化的样品以确定是否已适当校正经更改制造工艺(即，经更改制造工艺不将图案缺陷印刷于样品上)及/或是否需要额外校正。

鉴于此描述，所属领域的技术人员将明白本发明的各种方面的进一步修改及替代实施例。例如，提供用于检测形成于样品上的图案中的缺陷的系统及方法。因此，此描述应仅解释为阐释性的且是出于教示所属领域的技术人员实行本发明的一般方式的目的。应了解，本文中展示及描述的本发明的形式应视为目前优选实施例。全部如所属领域的技术人员在获益于本发明的此描述之后将明白，元件及材料可取代本文中说明及描述的元件及材料，部分及过程可颠倒，且可独立利用本发明的特定特征。在不脱离如所附权利要求书中描述的本发明的精神及范围的情况下，可对本文中描述的元件进行改变。