基于深度学习的缺陷检测的制作方法

1.本发明大体上涉及用于检测样本上的缺陷的方法及系统。


背景技术：

2.以下描述及实例并不由于其包含在本章节中而被认为是现有技术。
3.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来处理衬底(例如半导体晶片)以形成半导体装置的各种特征及多层级。例如，光刻是半导体制造工艺，其涉及将来自光罩的图案转移到布置于半导体晶片上的抗蚀剂。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。多个半导体装置可在单一半导体晶片上的布置中制造且接着分离成个别半导体装置。
4.在半导体制造工艺中的各个步骤处使用检验工艺来检测晶片上的缺陷，以推动制造工艺中的较高产量且因此推动较高利润。检验一直是制造半导体装置的重要部分。然而，随着半导体装置尺寸减小，检验对于成功制造可接受半导体装置变得更重要，因为较小缺陷可导致装置失效。
5.检验结果通常使用扫描电子显微镜(sem)图像来检视以进行缺陷分类。此操作的关键步骤中的一者是sem图像内的缺陷检测。当前用于检测sem检视图像中的缺陷的方法使用sem图像本身及可能使用参考sem图像。当使用机器学习算法时，还可包含设计图像以增强检测并提高性能。归因于例如图像噪声及缺陷图案相对于正常图案的精细度之类的因素，缺陷检测通常很困难。因此，当前使用的方法的一个缺点包含由图像噪声及图案噪声引起的问题，其可导致缺失缺陷或误报。sem参考图像减法可协助，但以额外扫描时间的成本为代价。
6.据此，开发不具有上文所描述的缺点中的一或多者的用于检测样本上的缺陷的系统及方法将是有利的。


技术实现要素：

7.各种实施例的以下描述不应以任何方式解释为限制所附权利要求书的主题。
8.一个实施例涉及一种经配置以检测样本上的缺陷的系统。所述系统包含一或多个计算机系统及由所述一或多个计算机系统执行的一或多个组件。所述一或多个组件包含经配置用于针对样本上的位置从在所述位置处产生的高分辨率图像产生灰阶模拟设计数据图像的深度学习模型，且所述高分辨率图像是由高分辨率成像系统在所述位置处产生。所述一或多个计算机系统经配置用于从所述灰阶模拟设计数据图像产生所述位置的模拟二进制设计数据图像。所述一或多个计算机系统还经配置用于通过从所述模拟二进制设计数据图像减去所述位置的设计数据来检测所述样本上所述位置处的缺陷。所述系统可进一步如本文中所描述那样配置。
9.另一实施例涉及一种用于检测样本上的缺陷的计算机实施方法。所述方法包含：对于样本上的位置，从在所述位置处产生的高分辨率图像产生灰阶模拟设计数据图像。所
述高分辨率图像是由高分辨率成像系统在所述位置处产生。产生所述灰阶模拟设计数据图像由包含于由一或多个计算机系统执行的一或多个组件中的深度学习模型执行。所述方法还包含：从所述灰阶模拟设计数据图像产生所述位置的模拟二进制设计数据图像。另外，所述方法包含：通过从所述模拟二进制设计数据图像减去所述位置的设计数据来检测所述样本上所述位置处的缺陷。产生所述模拟二进制设计数据图像及检测所述缺陷是由所述一或多个计算机系统执行。
10.上文所描述的方法的步骤中的每一者可进一步如本文中所描述那样执行。另外，上文所描述的方法的实施例可包含本文中所描述的任何其它方法的任何其它步骤。上文所描述的方法可由本文中所描述的系统中的任何者执行。
11.另一实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在一或多个计算机系统上执行用于执行用于检测样本上的缺陷的计算机实施方法。所述计算机实施方法包含上文所描述的方法的步骤。所述计算机可读媒体可进一步如本文中所描述那样配置。所述计算机实施方法的所述步骤可如本文中进一步所描述执行。另外，可执行所述程序指令的所述计算机实施方法可包含本文中所描述的任何其它方法的任何其它步骤。
附图说明
12.所属领域的技术人员将通过优选实施例的以下详细描述的优点且在参考附图后明白本发明的进一步优点，其中：
13.图1及1a是说明如本文中所描述般配置的系统的实施例的侧视图的示意图；
14.图2及3是说明可包含于本文中所描述的系统中的深度学习模型的实施例的框图；
15.图4是说明可由本文中所描述的实施例执行的步骤的流程图；及
16.图5是说明存储程序指令用于使计算机系统执行本文中所描述的计算机实施方法的非暂时性计算机可读媒体的一个实施例的框图。
17.尽管本发明易受各种修改及替代形式影响，但其特定实施例以实例方式在图式中展示且在本文中详细描述。图式可不按比例绘制。然而，应了解图式及其详细描述不希望将本发明限于所公开的特定形式，但相反，本发明涵盖落入如通过所附权利要求书所定义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
18.如本文中可互换使用的术语“设计”、“设计数据”及“设计信息”通常是指ic或其它半导体装置的物理设计(布局)及通过复杂模拟或简单几何形状及布尔(boolean)运算从物理设计导出的数据。另外，由光罩检验系统获取的光罩的图像及/或其衍生物可用作为用于所述设计的“代理”或“若干代理”。此光罩图像或其衍生物可充当本文中所描述的使用设计的任何实施例中的设计布局的替代。所述设计可包含在2009年8月4日授予扎法尔(zafar)等人的共同拥有的第7,570,796号美国专利及2010年3月9日授予库尔卡尼(kulkarni)等人的第7,676,077号美国专利中所描述的任何其它设计数据或设计数据代理，所述两个专利的内容以引用的方式并入，如在本文中完全阐述。另外，设计数据可为标准单元库数据、集成布局数据、一或多层的设计数据、设计数据的衍生物及全部或部分芯片设计数据。
19.另外，本文中所描述的“设计”、“设计数据”及“设计信息”是指由半导体装置设计者在设计过程中产生的信息及数据且因此可提前在任何物理样本(例如光罩及晶片)上印刷设计而很好地用于本文中所描述的实施例中。
[0020]“滋扰”(其有时可与“滋扰缺陷”互换使用)，因为本文中使用的所述术语通常经定义为用户不关心的缺陷及/或在样本上检测但并非样本上的真正实际缺陷的事件。归因于样本上的非缺陷噪声源(例如，样本上金属线中的颗粒、来自样本上底层或材料的信号、线边缘粗糙度(ler)、图案化特征中的相对较小临界尺寸(cd)变化、厚度变化等等)及/或归因于成像系统本身或其用于成像的配置的边缘性而使实际上并非缺陷的滋扰可经检测为事件。
[0021]
如本文中所使用的术语“所关注的缺陷(doi)”可定义为在样本上检测的缺陷且实际上是样本上的实际缺陷。因此，doi是用户所关注，因为用户通常关心被检验的样本上有多少及什么种类的实际缺陷。在一些上下文中，术语“doi”用于指样本上所有实际缺陷的子集，其仅包含用户关心的实际缺陷。例如，在任何给定样本上可能有多种类型的doi，且用户可能对doi中的一或多者比一或多种其它类型更关注。然而，在本文中所描述的实施例的上下文中，术语“doi”用于指样本上的任何及所有真实缺陷。
[0022]
现转到图式，应注意图不按比例绘制。特定来说，图的一些元件的比例被极大地夸大以强调元件的特性。还应注意图未按相同比例绘制。可相似地配置的多于一个图中展示的元件已使用相同元件符号指示。除非本文中另有规定，否则所描述及展示的元件中的任一者可包含任何合适市售元件。
[0023]
一个实施例涉及一种经配置以检测样本上的缺陷的系统。在一些实施例中，样本是晶片。晶片可包含半导体领域中已知的任何晶片。尽管本文中可关于一或多个晶片描述一些实施例，但实施例不限于其可用于的样本。例如，本文中所描述的实施例可用于例如光罩、平板、个人计算机(pc)板及其它半导体样本的样本。
[0024]
此系统的一个实施例展示于图1中。系统包含一或多个计算机子系统(例如计算机子系统36及102)及由一或多个计算机子系统执行的一或多个组件100。一或多个组件包含深度学习(dl)模型104，其如本文中进一步描述般配置。在图1中所展示的实施例中，系统包含工具10，其可包含高分辨率成像子系统及/或低分辨率成像子系统。在一些实施例中，工具经配置为光学(基于光的)检验工具。然而，工具可经配置为本文中进一步所描述的另一类型的检验或其它成像工具。
[0025]
如本文中所使用，术语“低分辨率”通常定义为无法解析样本上的所有图案化特征的分辨率。例如，如果样本上的一些图案化特征的大小足够大以使其可解析，那么可以“低”分辨率解析。然而，如本文中所使用的术语“低分辨率”是指不使本文中所描述的样本上的所有图案化特征可解析的分辨率。以此方式，如本文中所使用的术语的“低分辨率”不能用于产生关于样本上的图案化特征的足以用于例如缺陷检视(其可包含缺陷分类及/或验证)及计量学的应用的信息。另外，如本文中所使用的那些术语，“低分辨率”成像系统、子系统、工具等等通常是指具有相对较低分辨率(例如，低于缺陷检视及/或计量系统)的成像系统、子系统、工具等等以具有相对较快吞吐量。以此方式，“低分辨率图像”通常还可称为高吞吐量或ht图像。可针对低分辨率配置不同种类的成像系统。例如，为了以较高吞吐量产生图像，扫描电子显微镜(sem)的e/p及帧数可低于其能够达到的最高分辨率，借此导致较低质
量sem图像。
[0026]“低分辨率”还可因其低于本文中所描述的“高分辨率”而为“低分辨率”。如本文中所使用的术语“高分辨率”通常可定义为可以相对较高准确度解析样本的所有图案化特征的分辨率。以此方式，样本上的所有图案化特征可以高分辨率解析，而不管其大小。因而，如本文中所使用的术语“高分辨率”可用于产生关于样本的图案化特征的足以用于例如缺陷检视(其可包含缺陷分类及/或验证)及计量学的应用中的信息。另外，如本文中所使用的术语“高分辨率”是指在常规操作期间检验系统通常不使用的分辨率，所述检验系统经配置以牺牲分辨率能力以增加吞吐量。“高分辨率图像”在所属领域中还可称为“高灵敏度图像”，其是“高质量图像”的另一术语。可为高分辨率配置不同种类的成像系统。例如，为了产生高质量图像，可增加sem的e/p、帧等等，其产生高质量sem图像，但大大降低吞吐量。接着，这些图像是“高灵敏度”图像，因为其可用于高灵敏度缺陷检测。
[0027]
高及/或低分辨率成像子系统至少包含能量源及检测器。能量源经配置以产生经引导到样本的能量。检测器经配置以检测来自样本的能量且响应于所检测的能量产生输出(例如图像)。高及/或低分辨率成像子系统的各种配置在本文中进一步描述。
[0028]
一般来说，高分辨率成像子系统及低分辨率成像子系统可共享工具的一些图像形成元件或不共享工具的图像形成元件。例如，高分辨率成像子系统及低分辨率成像子系统可共享相同能量源及检测器，且可取决于高分辨率成像子系统或低分辨率成像子系统正在产生样本的图像而改变能量源、检测器及/或工具的其它图像形成元件的一或多个参数。在另一实例中，高分辨率成像子系统及低分辨率成像子系统可共享工具的一些图像形成元件(例如能量源)且可具有其它非共享图像形成元件(例如单独检测器)。在进一步实例中，高分辨率成像子系统及低分辨率成像子系统可不共享共同图像形成元件。在此实例中，高分辨率成像子系统及低分辨率成像子系统可各自具有其自身能量源、检测器及未由其它成像子系统使用或共享的任何其它图像形成元件。
[0029]
在图1中所展示的系统的实施例中，高分辨率成像子系统包含经配置以将光引导到样本12的照明子系统。照明子系统包含至少一个光源。例如，如图1中所展示，照明子系统包含光源14。照明子系统经配置以按一或多个入射角将光引导到样本，所述入射角可包含一或多个斜角及/或一或多个法线角。例如，如图1中所展示，来自光源14的光通过光学元件16引导到分束器18。分束器18将来自光学元件16的光引导到透镜20，透镜20将光以法线入射角聚焦到样本12。入射角可包含任何合适入射角，其可取决于(例如)样本的特性而变化。
[0030]
照明子系统可经配置以在不同时间以不同入射角将光引导到样本。例如，工具可经配置以改变照明子系统的一或多个元件的一或多个特性，使得光可以不同于图1中所展示的入射角的入射角引导到样本。在此实例中，工具可经配置以使用一或多个孔(未展示)来控制光从透镜20引导到样本的角度。
[0031]
在一个实施例中，光源14可包含宽带光源，例如宽带等离子体(bbp)光源。以此方式，由光源产生且引导到样本的光可包含宽带光。然而，光源可包含任何其它合适光源，例如激光器，其可包含所属领域中已知的任何合适激光器且可经配置以产生所属领域中已知的任何合适波长的光。另外，激光器可经配置以产生单色或接近单色的光。以此方式，激光器可为窄带激光器。光源还可包含产生多个离散波长或波段的光的多色光源。
[0032]
来自分束器18的光可由透镜20聚焦到样本12上。尽管透镜20在图1中展示为单一
折射光学元件，但应理解，实际上，透镜20可包含组合地将光聚焦到样本的数个折射及/或反射光学元件。高分辨率成像子系统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)偏振组件、光谱滤波器、空间滤波器、反射光学元件、变迹器、分束器、孔及其类似者，其可包含所属领域中已知的任何此类合适光学元件。另外，工具可经配置以基于用于成像的照明的类型来改变照明子系统的元件中的一或多者。
[0033]
尽管高分辨率成像子系统在上文经描述为在其照明子系统中包含一个光源及一个照明通道，但照明子系统可包含多于一个照明通道，照明通道中的一者可包含如图1中所展示的光源14、光学元件16及透镜20，且照明通道的另一者(未展示)可包含类似元件，所述元件可不同地或相同地配置，或可包含至少光源及可能一或多个其它组件，例如在本文中进一步描述的组件。如果来自不同照明通道的光同时引导到样本，那么由不同照明通道引导到样本的光的一或多个特性(例如，波长、偏振等等)可不同，使得由不同照明通道对样本的照明所致的光可在检测器处彼此区分。
[0034]
在另一例子中，照明子系统可仅包含一个光源(例如，图1中所展示的光源14)且来自光源的光可由照明子系统的一或多个光学元件(未展示)分离到不同路径中(例如，基于波长、偏振等等)。接着可将不同路径中的每一者中的光引导到样本。多个照明通道可经配置以同时或不同时(例如，当不同照明通道用于循序照明样本时)将光引导到样本。在另一例子中，相同照明通道可经配置以不同时将光引导到具有不同特性的样本。例如，在一些例子中，光学元件16可经配置为光谱滤波器且可以多种不同方式改变光谱滤波器的性质(例如，通过更换光谱滤波器)，使得不同波长的光可不同时引导到样本。照明子系统可具有所属领域中已知的用于将具有不同或相同特性的光以不同或相同入射角循序或同时引导到样本的任何其它合适配置。
[0035]
工具还可包含经配置以使光在样本上方扫描的扫描子系统。例如，工具可包含在成像期间样本12安置于其上的载物台22。扫描子系统可包含任何合适机械及/或机器人组合件(其包含载物台22)，其可经配置以移动样本，使得光可在样本上方扫描。另外或替代地，工具可经配置成使得高分辨率成像子系统的一或多个光学元件在样本上方执行光的一些扫描。光可以任何合适方式(例如以蛇形路径或以螺旋路径)在样本上方扫描。
[0036]
高分辨率成像子系统进一步包含一或多个检测通道。所述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由照明子系统对样本的照明而来自样本的光且响应于所检测的光产生输出。例如，图1中所展示的高分辨率成像子系统包含由透镜20、元件26及检测器28形成的检测通道。尽管高分辨率成像子系统在本文中描述为包含用于照明及收集/检测两者的共同透镜，但照明子系统及检测通道可包含单独透镜(未展示)用于在照明的情况下聚焦及在检测的情况下收集。检测通道可经配置以按不同收集角度收集及检测光。例如，可使用定位于来自样本的光的路径中的一或多个孔(未展示)来选择及/或改变由检测通道收集及检测的光的角度。由高分辨率成像子系统的检测通道检测的来自样本的光可包含镜面反射光及/或散射光。以此方式，图1中所展示的高分辨率成像子系统可经配置用于暗场(df)及/或明场(bf)成像。
[0037]
元件26可为光谱滤波器、孔或可用于控制由检测器28检测的光的任何其它合适元件或元件的组合。检测器28可包含所属领域中已知的任何合适检测器，例如光电倍增管(pmt)、电荷耦合装置(ccd)及延时积分(tdi)相机。检测器还可包含非成像检测器或成像检
测器。如果检测器是非成像检测器，那么检测器可经配置以检测光的特定特性(例如强度)，但可不经配置以检测此类特性作为成像平面内的位置的函数。因而，由检测器产生的输出可为信号或数据，而非图像信号或图像数据。计算机子系统(例如计算机子系统36)可经配置以从检测器的非成像输出产生样本的图像。然而，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，高分辨率成像子系统可经配置以按多种方式产生本文中所描述的图像。
[0038]
高分辨率成像子系统还可包含另一检测通道。例如，由透镜20收集的来自样本的光可引导通过分束器18到分束器24，分束器24可将光的一部分传输到光学元件26且将光的另一部分反射到光学元件30。光学元件30可为光谱滤波器、孔或可用于控制由检测器32检测的光的任何其它合适元件或元件的组合。检测器32可包含上文所描述的检测器中的任何者。高分辨率成像子系统的不同检测通道可经配置以产生样本的不同图像(例如，用具有不同特性(例如偏振、波长等等或其一些组合)的光产生的样本的图像)。
[0039]
在不同实施例中，由透镜20、光学元件30及检测器32形成的检测通道可为工具的低分辨率成像子系统的部分。在此情况下，低分辨率成像子系统可包含与上文详细描述的高分辨率成像子系统相同的照明子系统(例如，包含光源14、光学元件16及透镜20的照明子系统)。因此，高分辨率成像子系统及低分辨率成像子系统可共享共同照明子系统。然而，高分辨率成像子系统及低分辨率成像子系统可包含不同检测通道，其中的每一者经配置以检测归因于共享照明子系统的照明而来自样本的光。以此方式，高分辨率检测通道可包含透镜20、光学元件26及检测器28，且低分辨率检测通道可包含透镜20、光学元件30及检测器32。以此方式，高分辨率检测通道及低分辨率检测通道可共享共同光学元件(透镜20)但还具有非共享光学元件。
[0040]
高分辨率成像子系统及低分辨率成像子系统的检测通道可经配置以分别产生高分辨率样本图像及低分辨率样本图像，即使其共享照明子系统。例如，光学元件26及30可为分别控制由检测器28及32检测的光的部分的经不同配置的孔及/或光谱滤波器，以借此分别控制由检测器28及32产生的图像的分辨率。在不同的实例中，高分辨率成像子系统的检测器28可经选择以具有高于检测器32的分辨率。检测通道可以任何其它合适方式配置以具有不同分辨率能力。
[0041]
在另一实施例中，高分辨率成像子系统及低分辨率成像子系统可共享所有相同图像形成元件。例如，高分辨率成像子系统及低分辨率成像子系统两者可共享由光源14、光学元件16及透镜20形成的照明子系统。高分辨率成像子系统及低分辨率成像子系统还可共享相同检测通道或多个通道(例如，一者由透镜20、光学元件26及检测器28形成及/或另一者由透镜20、光学元件30及检测器32形成)。在此实施例中，可取决于针对样本产生高分辨率图像或低分辨率图像来改变这些图像形成元件中的任何者的一或多个参数或特性。例如，透镜20的数值孔径(na)可取决于针对样本形成高分辨率图像或低分辨率图像而改变。
[0042]
在进一步实施例中，高分辨率成像子系统及低分辨率成像子系统可不共享任何图像形成元件。例如，高分辨率成像子系统可包含上文所描述的图像形成元件，所述图像形成元件可不由低分辨率成像子系统共享。代替地，低分辨率成像子系统可包含其自身照明及检测子系统。在此实例中，如图1中所展示，低分辨率成像子系统可包含照明子系统，其包含光源38、光学元件40及透镜44。来自光源38的光穿过光学元件40且由分束器42反射到透镜
44，透镜44将光引导到样本12。这些图像形成元件中的每一者可如上文所描述那样配置。低分辨率成像子系统的照明子系统可进一步如本文中所描述那样配置。样本12可安置于载物台22上，所述载物台可如上文所描述经配置以在成像期间引起光在样本上方扫描。以此方式，即使高分辨率成像子系统及低分辨率成像子系统不共享任何图像形成元件，其还可共享工具的其它元件，例如载物台、扫描子系统、电源(未展示)、外壳(未展示)等等。
[0043]
低分辨率成像子系统还可包含由透镜44、光学元件46及检测器48形成的检测通道。归因于由照明子系统的照明而来自样本的光可由透镜44收集且经引导通过分束器42，分束器42将光传输到光学元件46。穿过光学元件46的光接着由检测器48检测。这些图像形成元件中的每一者可进一步如上文所描述那样配置。低分辨率成像子系统的检测通道及/或检测子系统可进一步如本文中所描述那样配置。
[0044]
应注意，本文提供图1以大体上说明可包含于工具中或可产生由本文中所描述的系统或方法使用的图像的高分辨率成像子系统及低分辨率成像子系统的配置。可改变本文中所描述的高分辨率成像子系统及低分辨率成像子系统的配置以优化高分辨率成像子系统及低分辨率成像子系统的性能，如在设计商业工具时通常执行那样。另外，本文中所描述的系统可使用现有系统(例如，通过将本文中所描述的功能添加到现有系统)来实施，现有系统例如为可从加利福尼亚州米尔皮塔斯的科磊公司(kla,milpitas,calif)购得的阿泰尔(altair)及29xx/39xx系列工具。对于一些此类系统，本文中所描述的实施例可作为系统的任选功能性提供(例如，除系统的其它功能之外)。替代地，本文中所描述的工具可“从头开始”设计以提供全新检验或其它工具。
[0045]
系统还包含一或多个计算机子系统，其经配置用于获取由高分辨率成像子系统及低分辨率成像子系统产生的样本的图像。例如，计算机子系统36可以任何合适方式(例如，经由一或多种传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到工具的检测器，使得计算机子系统可接收由检测器为样本产生的输出或图像。计算机子系统36可经配置以使用由检测器产生的输出或图像来执行本文中进一步所描述的数个功能。
[0046]
图1中所展示的计算机子系统(以及本文中所描述的其它计算机子系统)在本文中还可称为计算机系统。本文中所描述的计算机子系统或系统中的每一者可采用各种形式，包含个人计算机系统、图像计算机、大型计算机系统、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”可广义地定义为涵盖具有一或多个处理器的任何装置，其执行来自存储媒体的指令。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，例如并行处理器。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，作为独立或联网工具。
[0047]
如果系统包含多于一个计算机子系统，那么不同计算机子系统可彼此耦合，使得可在计算机子系统之间发送图像、数据、信息、指令等等。例如，计算机子系统36可由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，所述传输媒体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。两个或更多个此类计算机子系统还可由共享的计算机可读存储媒体(未展示)有效地耦合。
[0048]
尽管高分辨率成像子系统及低分辨率成像子系统在上文经描述为光学或基于光的成像子系统，但高分辨率成像子系统及低分辨率成像子系统还可或替代地包含经配置以产生样本的电子束图像的电子束成像子系统。在此实施例中，高分辨率成像系统经配置为
电子束成像系统。电子束成像系统可经配置以将电子引导到样本或扫描样本上方的电子且检测来自样本的电子。在图1a中所展示的此实施例中，电子束成像系统包含耦合到计算机子系统124的电子柱122。
[0049]
也如图1a中所展示，电子柱包含电子束源126，其经配置以产生由一或多个元件130聚焦到样本128的电子。电子束源可包含(例如)阴极源或射极尖端，且一或多个元件130可包含(例如)枪透镜、阳极、光束限制孔、闸阀、光束电流选择孔、物镜及扫描子系统，所有这些可包含所属领域中已知的任何此类合适元件。
[0050]
从样本返回的电子(例如二次电子)可由一或多个元件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，其可为包含于元件130中的相同扫描子系统。
[0051]
电子柱可包含所属领域中已知的任何其它合适元件。另外，电子柱可进一步如2014年4月4日授予江(jiang)等人的第8,664,594号美国专利、2014年4月8日授予小岛(kojima)等人的第8,692,204号美国专利、2014年4月15日授予顾本思(gubbens)等人的第8,698,093号美国专利及2014年5月6日授予麦克唐纳(macdonald)等人的第8,716,662号美国专利中所描述那样配置，所述专利以引用的方式并入，如同在本文中完全阐述。
[0052]
尽管电子柱在图1a中展示为经配置使得电子以倾斜入射角引导到样本且以另一倾斜角从样本返回，但应理解，电子束可以任何合适角度引导到样本及从样本检测。另外，电子束成像系统可经配置以使用多种模式来产生如本文中进一步所描述的样本的图像(例如，具有不同照明角度、收集角度等等)。电子束成像系统的多种模式可在任何图像产生参数上不同。图1a中所展示的电子柱还可经配置以按所属领域中已知的任何合适方式(例如，通过改变包含于电子柱中的一或多个元件的一或多个参数或特性，使得可为样本产生高分辨率图像或低分辨率图像)用作高分辨率成像子系统及低分辨率成像子系统。
[0053]
如上文所描述，计算机子系统124可耦合到检测器134。检测器可检测从样本的表面返回的电子，借此形成样本的电子束图像。电子束图像可包含任何合适电子束图像。计算机子系统124可经配置以使用由检测器134产生的输出为样本执行本文中进一步描述的一或多个功能。包含图1a中所展示的电子束成像系统的系统可进一步如本文中所描述那样配置。
[0054]
应注意，本文提供图1a以大体上说明可包含于本文中所描述的实施例中的电子束成像系统的配置。与上文所描述的光学成像子系统一样，本文中所描述的电子束成像系统配置可改变以优化成像系统的性能，如在设计商业成像系统时通常执行那样。另外，本文中所描述的系统可使用现有系统(例如，通过将本文中所描述的功能添加到现有系统中)(例如可从科磊公司购得的工具)来实施。对于一些此类系统，本文中所描述的实施例可作为系统的可选功能提供(例如，除系统的其它功能之外)。替代地，本文中所描述的系统可“从头开始”设计以提供全新系统。
[0055]
尽管成像系统在上文经描述为光或电子束成像系统，但成像系统可为离子束成像系统。此成像系统可如图1a中所展示那样配置，除了电子束源可用所属领域中已知的任何合适离子束源代替。另外，成像系统可为任何其它合适基于离子束的成像系统，例如包含于市售聚焦离子束(fib)系统、氦离子显微术(him)系统及二次离子质谱(sims)系统中的那些系统。
[0056]
尽管成像系统在上文经描述为包含基于光学、电子束或带电粒子束的高分辨率成
像子系统及低分辨率成像子系统，但高分辨率成像系统及低分辨率成像系统并不一定必须使用相同类型的能量。例如，高分辨率成像系统可为电子束型成像系统，而低分辨率成像系统可为基于光的光学型成像系统。可以所属领域中已知的任何合适方式将使用不同类型的能量的成像系统组合成单一工具。
[0057]
如上文所提及，成像系统可经配置用于将能量(例如，光、电子)引导到样本的物理版本及/或在样本的物理版本上方扫描能量，借此为样本的物理版本产生实际图像。以此方式，成像系统可经配置为“实际”成像系统，而非“虚拟”系统。然而，图1中所展示的存储媒体(未展示)及计算机子系统102可经配置为“虚拟”系统。经配置为“虚拟”检验系统的系统及方法描述于2012年2月28日授予巴斯卡尔(bhaskar)等人的共同转让第8,126,255号美国专利及2015年12月29日授予达菲(duffy)等人的第9,222,895号美国专利中，所述两个专利以引用的方式并入，如同在本文中完全阐述。本文中所描述的实施例可进一步如这些专利中所描述那样配置。
[0058]
如上文进一步提及，成像系统可经配置以按多种模式产生样本的图像。一般来说，“模式”可由用于产生样本的图像的成像系统的参数值或用于产生样本的图像的输出定义。因此，不同的模式可在成像系统的成像参数中的至少一者的值上不同。例如，在光学成像系统中，不同模式可使用不同波长的光以进行照明。对于不同模式，如本文中进一步描述的(例如，通过使用不同光源、不同光谱滤波器等等)，模式在照明波长上可不同。高分辨率成像系统及低分辨率成像系统两者可能够为具有不同模式的样本产生输出或图像。
[0059]
一般来说，如本文中进一步所描述，实施例可经配置用于使用从高分辨率图像(例如sem检视图像)产生的模拟设计数据图像(例如数据库图像)及来自检验(例如，来自光学检验员)的缺陷信息来进行缺陷检测。深度学习(dl)模型经配置用于针对样本上的位置，从在所述位置处产生的高分辨率图像产生灰阶模拟设计数据图像。所述高分辨率图像是由高分辨率成像系统在所述位置处产生。以此方式，本文中所描述的实施例经配置用于图像到图像变换以直接从有缺陷高分辨率图像(例如有缺陷sem图像)呈现模拟设计或数据库图像。
[0060]
在一些实施例中，所述位置选自样本上先前在其处检测一或多个缺陷的位置。例如，本文中所描述的实施例可用于缺陷检视，其中可使用由缺陷检视系统产生的高分辨率图像实际重新检测(而非简单地检测)先前在样本上检测的缺陷。特定来说，术语“检验”通常是指其中扫描样本上的区域以搜索可存在但在检验之前未询问其存在或不存在的任何缺陷的过程。因此，检验不是基于关于先前在正被检验样本的层上检测的任何缺陷的任何信息而执行。相比之下，“缺陷检视”作为所属领域中通常使用的术语是指其中重新访问样本上已检测缺陷的离散位置以收集更多信息(例如更高分辨率图像)的过程，使得可验证缺陷的存在且使得额外信息可用于确定关于缺陷的额外信息(如果经重新检测)，例如缺陷类型、缺陷特性等等。由于可针对两种缺陷检测执行本文中所描述的实施例(针对先前未执行检验的位置)或重新检测(针对先前检测缺陷的位置)，将检测或重新检测简称为检测。
[0061]
以此方式，本文中所描述的步骤可针对样本上检测到缺陷(例如，通过检验、另一缺陷检视过程等等)的一或多个位置单独且独立执行。然而，本文中所描述的步骤还可或替代地执行的位置可为先前没有检测到缺陷及/或尽管已对样本执行检验或因为尚未对样本执行检验而仍未知缺陷的存在的位置。以此方式，本文中所描述的实施例可用于检验型应
用，其中检查样本(先前未检验样本)的至少一部分的缺陷及/或搜索具有其它未知缺陷的位置中的缺陷。在此类实施例中，用于本文中所描述的步骤的高分辨率图像可为由高分辨率检验系统(例如经配置用于样本的高分辨率检验的电子束系统或用于检验的高分辨率模式中的另一系统)产生的高分辨率图像。在任何情况下，尽管本文中关于位置描述一些步骤及/或实施例，但可针对样本上的不同位置单独及独立执行本文中所描述的步骤。
[0062]
可以任何合适方式从所有缺陷位置选择执行本文中所描述的步骤的位置或多个位置。例如，可对检测到缺陷的所有位置执行本文中所描述的步骤。然而，归因于通常在样本上检测到的缺陷的数目，此方法可能不切实际。以此方式，执行本文中所描述的步骤的位置可选定为少于(且通常大体上少于)检测到缺陷的所有位置。可以任何合适方式(例如，随机地、基于缺陷的一或多个特性、基于缺陷位置、基于作为缺陷的特性的函数的位置的预定分布、缺陷位置或通过检验确定的任何其它信息)来选择(即采样)缺陷位置。本文中所描述的实施例可执行此类缺陷位置选择。然而，本文中所描述的实施例可从选择缺陷位置的另一方法或系统(例如未包含于系统中的检验工具)接收选定缺陷位置。
[0063]
执行本文中所描述的步骤的位置还可由本文中所描述的实施例确定及/或从另一系统或方法接收。例如，样本上已检测到缺陷的位置(及可能为缺陷及/或位置产生的任何信息)可由本文中所描述的实施例从确定位置的另一方法或系统(例如，通过检验或通过为本文中所描述的实施例产生采样计划)或其中位置已由另一方法或系统存储的存储媒体获得。然而，本文中所描述的实施例可确定位置(例如，如果本文中所描述的实施例执行样本的检验借此识别在样本上检测的缺陷的位置，或如果本文中所描述的实施例针对在样本上执行本文中所描述的步骤的位置产生采样计划)。
[0064]
在一个此实施例中，由基于光的检验系统在样本上的位置处检测一或多个缺陷。例如，执行本文中所描述的步骤的位置可为由对样本的基于光的检验检测到的缺陷的位置。本文中所描述的实施例可经配置或可不经配置以执行此检验。例如，图1中所展示及上文所描述的基于光的工具可用于检验模式(例如，使用低分辨率成像子系统执行的一或多种模式)中，其中基于光的工具在样本上方扫描光同时检测来自样本的光。图1中所展示的计算机系统可使用响应于所检测的光的输出来检测样本上的缺陷。在一个此实例中，计算机系统可将缺陷检测方法或算法应用于输出。在合适缺陷检测方法或算法的最简单版本中，可将输出与缺陷检测阈值进行比较。高于阈值的输出可经指定为缺陷(或潜在缺陷)，且不高于阈值的输出可不指定为缺陷。当然，计算机系统可使用由本文中所描述的工具中的任何者产生的输出以任何其它合适方式检测晶片上的缺陷。
[0065]
在另一此实施例中，一或多个缺陷由高分辨率成像系统在样本上的位置处检测。例如，高分辨率成像系统可用于检验类应用，其中归因于高分辨率成像系统相较于通常用于检验的系统的低得多的吞吐量，因此检验样本上小得多的区域的缺陷及/或检验仅在样本上的离散区域处执行。以此方式，高分辨率成像系统可用于扫描其中缺陷率未知的区域及确定缺陷是否位于所述区域中。以此方式，可在高分辨率成像模式下用高分辨率成像系统执行样本的检验。然而，如上文进一步所描述，本文中所描述的成像系统可经配置用于多种模式。例如，本文中所描述的光及电子束工具两者能够进行多模式成像，模式中的一者可为低分辨率模式且另一模式可为高分辨率模式。以此方式，高分辨率成像系统可使用低分辨率模式对样本执行检验类功能且接着可使用高分辨率模式来获取本文中所描述的步骤
将针对其执行的选定位置的高分辨率图像。
[0066]
在一些实施例中，高分辨率成像系统经配置为电子束成像系统。例如，电子束成像系统(例如图1a中所展示及上文所描述)可在样本上将执行本文中所描述的步骤的位置处产生高分辨率图像。
[0067]
在一些实施例中，系统包含高分辨率成像系统。例如，如图1及1a中所展示，系统的一或多个计算机系统可耦合到包含于系统中的高分辨率成像系统。以此方式，本文中所描述的步骤可由计算机系统在工具上执行(例如，在检验过程中检测样本上的缺陷的检验工具上及/或在缺陷检视过程中重新检测样本上的缺陷的缺陷检视工具上)。然而，本文中所描述的一或多个计算机系统无需包含于包含成像系统的系统中。例如，本文中所描述的计算机系统可从产生图像的高分辨率成像系统或从存储媒体(例如本文中进一步所描述)获取选定位置的高分辨率图像，其中高分辨率成像系统存储高分辨率图像。以此方式，计算机系统可为不具有或不需要具有样本处理能力的系统的部分。因而，计算机系统可经配置以按通常称为“工具外”的方式来执行本文中所描述的步骤，因为所述步骤不“在”成像工具上执行。
[0068]
dl模型可为具有基于用于训练其的数据而确定的一组权重的深度神经网络。神经网络通常可定义为计算方法，其基于相对较大神经单元集合，松散地模型化生物大脑使用由轴突连接的相对较大生物神经元集群来解决问题的方式。每一神经单元与许多其它神经单元连接，且链接可强制或抑制其对所连接的神经单元的激活状态的影响。这些系统是自学及经训练的，而非明确编程，且在解决方案或特征检测难以用传统计算机程序表达的领域表现出色。
[0069]
神经网络通常由多层组成，且信号路径从前到后遍历。多个层执行许多算法或转换。一般来说，层数并不重要且取决于用例。出于实用目的，合适层数范围是从2层到几十层。现代神经网络项目通常使用几千到几百万个神经单元及数百万个连接工作。神经网络的目标是以与人脑相同的方式解决问题，尽管若干神经网络抽象得多。
[0070]
本文中所描述的dl模型属于通常称为机器学习(ml)的一类计算。ml通常可定义为一种类型的人工智能(ai)，其为计算机提供学习能力，而无需明确编程。ml专注于计算机程序的开发，其可在接触新数据时自学成长及改变。换句话说，ml可经定义为计算机科学的子领域，其“赋予计算机学习的能力，而无需明确编程。”ml探索可从数据学习及预测的算法的研究及构建——此类算法通过从样本输入构建模型，通过做出数据驱动的预测或决策来克服严格遵守静态程序指令的问题。
[0071]
本文中所描述的dl模型可进一步配置为“统计机器学习导论(introduction to statistical machine learning)”，杉山(sugiyama)，摩根
·
考夫曼(morgan kaufmann)，2016年，534页；“辨别性、生成性及模仿性学习(discriminative,generative,and imitative learning)”，杰巴拉(jebara)，麻省理工学院论文(mit thesis)，2002年，212页；及“数据挖掘原理(自适应计算及机器学习)(principles of data mining(adaptive computation and machine learning))”汉德(hand)等人，麻省理工学院出版社(mit press)，2001年，578页中所描述；所述文献以引用的方式并入，如同在本文中完全阐述。本文中所描述的实施例可如这些参考文献中所描述般予以进一步配置。
[0072]
一般来说，“dl”(还称为深度结构化学习、分层学习或深度机器学习)是基于试图
模型化数据中的高级抽象的一组算法的ml的分支。在简单情况下，可存在两组神经元：一组接收输入信号及一组发送输出信号。当输入层接收输入时，其将输入的修改版本传递到下一层。在基于dl的模型中，输入与输出之间存在很多层(且所述层并非由神经元组成，但其可协助以那种方式思考)，允许算法使用由多个线性及非线性转换组成的多个处理层。
[0073]
在dl中，观察(例如图像)可以许多方式表示，例如每像素的强度值矢量，或以更抽象方式表示为一组边缘、特定形状的区域等等。一些表示在简化学习任务(例如，面部辨识或面部表情辨识)方面优于其它者。dl的前景之一是用有效算法替换手工制作的特征用于无监督或半监督的特征学习及分层特征提取。
[0074]
在一个实施例中，dl模型经配置为生成对抗网络。以此方式，本文中所描述的图像到图像转换可由生成性对抗网络(gan)执行。“生成性”模型通常可定义为具有概率性质的模型。换句话说，“生成性”模型并非执行前向模拟或基于规则的方法的模型，且因而，生成实际图像或输出所涉及的过程的物理的模型(针对其正生成模拟图像)并非必需。代替地，如本文中进一步所描述，可基于合适训练数据集来学习生成性模型(因为可学习其参数)。生成性模型可经配置以具有dl架构，其可包含执行数个算法或转换的多个层。
[0075]
gan最近在产生模拟现实图像方面取得成功。这些网络已经推广到允许像素到像素映射，其中输入图像经转换成与输入显著不同的输出图像。这些网络具有许多应用，包含从基元及着色的场景呈现。gan框架交替训练两个模型。产生器是编码器/解码器网络，其经训练以产生“假”图像，所述“假”图像无法由经馈送交替假图像及真图像用于分类的鉴别器网络将其与“真”图像进行区分。鉴别器网络又经训练以正确分类真实例及假实例。
[0076]
两个对抗性目标说明于图2中。特定来说，图2以输入(x)及真图像(y)说明gan产生器(g)及鉴别器(d)网络的训练目标。例如，如图2中所展示，输入图像200可输入到g 202，g 202可如本文中进一步所描述那样配置。在一个此实例中，g可包含具有任何合适配置及布置的数个卷积层及其它层。g 202的输出是假图像204，其与输入图像200一起输入到d 206。d 206还可包含具有任何合适配置及布置的数个卷积层及其它层。以类似方式，真图像210可与输入图像200一起输入到d 206。因而，不同图像元组(真，输入)及(虚假，输入)可在不同时间输入到鉴别器。d接着学习在真图像与假图像之间进行分类。例如，当假图像及输入图像输入到鉴别器时，d学习以产生分类：假208结果。另外，当真图像及输入图像输入到鉴别器时，d学习以产生分类：真结果212。目标函数按以下等式表示，其中gan产生器(g)尝试使用假图像最小化此函数(最大鉴别器不确定性)及鉴别器(d)尝试使用真图像及假图像最大化函数(最小不确定性)。
[0077]g*
＝argmingmaxdl
gan
(g，d)+λl
l
l(g)，其中
[0078]
l
gan
(g，d)
[0079]
＝e
x，y
[logd(x，y)]+e
x，z
[(1-d(x,g(x,z)))]
[0080]
应注意，鉴别器的输入以输入图像x为条件，且z是随机变量。最后，还教示产生器最小化假图像与真值(ground truth)(例如sem)图像之间的l1距离。
[0081]
鉴别器网络架构可为标准卷积神经网络分类器。产生器网络可为使用希望通过旁通编码器/解码器瓶颈来保留输出图像中的细节的跳跃连接的u-net架构。u-net架构的一个实施例展示于图3中。如图3中所展示，u-net架构可包含在图3中由层302及304整体展示的编码器堆叠及在图3中由层308及310整体展示的解码器堆叠。尽管编码器及解码器堆叠
在图3中展示为包含2层，但编码器及解码器堆叠可包含任何合适数目个层。输入图像x 300输入到层302，导致隐藏表示306(通常还称为瓶颈层)由层304或编码器堆叠中的最后一层产生。隐藏表示输入到层308或解码器堆叠的第一层，导致层310或解码器堆叠的最后一层产生输出图像y 312。
[0082]
此配置中的跳跃连接使架构成为u-net架构。特定来说，所述架构包含编码器及解码器堆叠中的镜像层之间的跳跃连接。例如，在图3中，在层302与其镜像层(图3中示意性地展示为镜像层314)之间存在跳跃连接。另外，层304与其镜像层(图3中示意性地展示为镜像层316)之间存在跳跃连接。跳跃连接经配置以将一个编码器层处的所有通道与在解码器堆叠中镜像的编码器层处的所有通道连接起来。以此方式，输入与输出之间共享的低级信息可经由跳跃连接直接跨网穿梭。
[0083]
本文中所描述的dl模型可进一步配置为古德费罗(goodfellow)等人的“生成性对抗网(generative adversarial nets)”，arxiv:1406.2661v1，2014年6月10日，第1到9页及伊索拉(isola)等人的“使用条件对抗网络的图像到图像转译(image-to-image translation with conditional adversarial networks)”，arxiv：1611.07004v2，2017年11月22日，17页，所述文献以引用的方式并入，如同在本文中完全阐述。本文中所描述的实施例可如这些参考文献中所描述般予以进一步配置。尽管在本文中所描述的一些实施例中，dl模型经描述为gan，但dl模型不限于gan且可使用任何合适图像到图像变换来构建，例如独立自动编码器或传统基于模型的方法(例如，对变换函数求解)。
[0084]
本文中所描述的gan执行反向功能。通常，gan从设计输入呈现“假”(即模拟)高分辨率(例如sem)图像。使用设计剪辑(多个设计层的二元或多灰阶)作为训练数据及对应于设计剪辑的高分辨率图像作为训练数据的标签(即“真值”)执行训练。接着，经训练的gan使用设计剪辑作为输入执行推理以输出gan“假”高分辨率图像。相比之下，在本文中所描述的实施例中，gan可为一个种类的“反向gan”，其从高分辨率图像输入呈现“假”设计图像。可使用参考高分辨率图像(例如，无缺陷sem图像)作为训练数据执行反向gan的训练，其中对应于参考高分辨率图像的设计剪辑作为训练数据的标签。以此方式，可使用一组无缺陷高分辨率图像及其对应设计图像作为真值标签来训练反向gan。反向gan训练可以其它方式如本文中进一步所描述或以所属领域中已知的任何其它方式执行。经训练的反向gan接着可使用高分辨率图像(例如，有缺陷高分辨率图像)作为输入来执行推理以借此输出gan“假”设计剪辑(例如，gan“假”有缺陷设计剪辑)。以此方式，一旦针对特定过程层级训练反向gan，那么通过在本文中所描述的位置处产生的高分辨率图像上运行经训练gan来执行推理。反向gan的输出是输入高分辨率图像的呈现设计图像的灰阶版本。例如，如图4中所展示，可将高分辨率图像400输入到反向gan(未展示于图4中)以借此产生灰阶模拟设计数据图像402。
[0085]
在一个实施例中，dl模型经配置以将高分辨率图像中的一或多个缺陷的假影转移到灰阶模拟设计数据图像。例如，dl模型未经训练来尝试使来自样本的高分辨率图像看起来像无缺陷设计数据图像。代替地，尽管dl模型将来自样本的高分辨率图像转移到灰阶模拟设计数据图像(例如，通过减少高分辨率图像中拐角的圆度，通过减少相对较小线边缘粗糙度等等)，但灰阶模拟设计数据图像将归因于样本上的任何缺陷而偏离设计者最初创建的设计数据且出现在高分辨率图像中。以此方式，从高分辨率样本图像(例如，有缺陷sem图像)产生的模拟数据库图像将含有高分辨率图像中的缺陷的假影(通常是设计图像中的缺
失图案或额外图案)。这些假影又可用于检测缺陷，如本文中进一步所描述，而非原始sem或其它高分辨率图像。因此，这些实施例的一个优点是大大降低图像复杂性(在模拟设计数据图像中与高分辨率图像相比)，产生简单得多的缺陷检测算法(当使用模拟设计数据图像代替高分辨率图像执行缺陷检测时)。
[0086]
一或多个计算机系统经配置用于从灰阶模拟设计数据图像产生所述位置的模拟二进制设计数据图像。例如，如图4中所展示，计算机系统可对灰阶模拟设计数据图像402执行二值化步骤404以借此产生模拟二进制设计数据图像406。尽管在本文中进一步描述用于产生模拟二进制设计数据图像的一个特别合适方式，但计算机系统可以所属领域中已知的任何其它合适方式产生模拟二进制设计数据图像。
[0087]
在一个实施例中，产生模拟二进制设计数据图像包含对灰阶模拟设计数据图像进行阈值化，以将灰阶模拟设计数据图像二值化且使灰阶模拟设计数据图像中的图案化特征的标称尺寸与样本的设计数据中的图案化特征的标称尺寸相匹配。例如，通常真值设计图像是二值或三值(取决于设计图像是仅用于样本上的一层或样本上的两层)，且由dl模型产生的呈现灰阶设计图像可具有对应于真值图像值的大体上大直方图峰值。为了使用由dl模型产生的呈现设计图像执行检测，计算机系统可将呈现设计图像阈值化成对应于真值的二值或三值。在一些此类例子中，计算机系统可在灰阶模拟设计数据图像中产生灰阶值的直方图且接着对直方图应用阈值以借此对图像进行二值化。选择阈值以匹配设计中特征的图案宽度(或其它尺寸)。以此方式，计算机系统可对模拟数据库图像阈值化以二值化及匹配标称真实设计图案宽度(或其它尺寸)且接着，如本文中进一步所描述，将其从真实设计图案减去。换句话说，为了使用反向gan图像以进行缺陷检测，计算机系统可对反向gan产生的设计剪辑阈值化以匹配高分辨率图像设计规则(dr)宽度。
[0088]
在另一实施例中，设计数据仅用于样本的一个层级上的图案化特征。当设计数据仅用于样本的一个层级(例如，晶片上的一层或光罩上的一层)时，模拟二进制设计数据图像可仅包含二进制值，一者用于层上的图案(用于预期图案及任何非预期图案两者(即图案的缺陷或有缺陷部分))，且另一者用于层的背景或未图案化区域。例如，如图4中所展示，在模拟二进制设计数据图像406中，图案化特征用一个二进制值(如由图像的白色部分指示)展示且未图案化区域用另一二进制值(如由图像的深灰色部分指示)展示。图案化特征或背景是由一个二进制值指示还是由另一二进制值指示与本文中所描述的实施例无区别。
[0089]
在进一步实施例中，设计数据用于样本的不同层级上的图案化特征，且模拟二进制设计数据图像包含样本的不同层级上的图案化特征的不同灰阶。例如，一些高分辨率成像工具可产生响应于样本不同层级上的图案特征的图像，其一个层级形成于层级中的另一者的下方。在一些例子中，在样本的不同层级上的成像图案化特征可有利。在其它例子中，其可能有问题(当在不同于检测缺陷的层级的层级上的图案化特征可以使缺陷检测变得更加困难的方式影响图像时)。无论如何，计算机系统可产生模拟二进制设计数据图像，使得样本的不同层级上的图案化特征以不同灰阶指示。以此方式，本文中所描述的模拟二进制设计数据图像可为三阶类型图像，其中除了二进制值之外，还使用另一灰阶来区分在样本的不同层级上形成的特征。
[0090]
在此类例子中，可在二值化步骤中使用关于样本的设计的信息或设计数据本身将多灰阶分配给不同层级上的图案化特征。例如，在样本的不同层级上形成的图案化特征可
具有一或多个不同特征，例如不同标称(或如设计的)尺寸、不同定向、不同形状、相同层级或不同层级上的图案化特征之间的不同空间关系等等，其可用于区分这些图案化特征。以此方式，使用灰阶模拟设计数据图像及设计信息或数据，计算机系统可识别样本的不同层级上的图案化特征且可在模拟二进制设计数据图像中为其分配不同灰阶。一旦已识别不同层级上的图案化特征，所述信息可用于识别样本的层级上的所关注区域(或关注区域)，针对其缺陷由在本文中所描述的实施例检测。
[0091]
一或多个计算机系统经配置用于通过从模拟二进制设计数据图像减去所述位置的设计数据来检测样本上所述位置处的缺陷。以此方式，可从真实设计减去已二值化的有缺陷反向gan设计图像(或反之亦然)用于缺陷检测。例如，如图4中所展示，计算机系统可经配置以执行减去步骤412，其中从模拟二进制设计数据图像406减去设计数据410。减去的结果可包含差值图像414，其说明设计数据与模拟二进制设计数据图像之间的任何差异。
[0092]
检测缺陷还可包含使用差异图像来检测样本上的缺陷。例如，计算机系统可将阈值应用于差异图像，且差异图像中具有高于阈值的值的任何像素可识别为缺陷或缺陷候选者。可以任何其它方式使用差异图像来检测样本上的缺陷。例如，使用差异图像来检测样本上的缺陷的任何缺陷检测方法或算法可应用于由本文中所描述的实施例产生的差异图像。
[0093]
另外或替代地，一或多个计算机系统可经配置用于通过单图像检测(sid)来检测模拟二进制设计数据图像中的样本上的缺陷。以此方式，检测缺陷可包含或可不包含从模拟二进制设计数据图像减去所述位置的设计数据。特定来说，在sid中，缺陷检测无需参考图像。代替地，仅将潜在缺陷位置图像(即“测试”图像)输入到sid方法或系统。sid可由本文中所描述的实施例执行，如卡尔桑迪(karsenti)等人2017年5月18日公开的第2017/0140524号美国专利申请公开案中所描述，所述案以引用的方式并入，如同在本文中完全阐述。本文中所描述的实施例可如此公开案中所描述般予以进一步配置。
[0094]
本文中所描述的实施例在模拟设计数据(数据库)空间中执行缺陷检测，而非使用样本获取的高分辨率图像本身用于缺陷检测。此缺陷检测的一个优点是降低用于检测的图像空间的复杂性。因而，可应用更简单检测及滋扰减少算法。本文中所描述的缺陷检测还可用作现有缺陷检测方法的替代或可用作额外缺陷检测方法以提高可检测性及滋扰抑制。作为全新缺陷检测方法，本文中所描述的实施例可用于扩展现有检验平台的权限及性能。另外，凭借通过算法(而非硬件)扩展权限，可扩展现有检验平台的路线图。
[0095]
在一些实施例中，从模拟的二进制设计数据图像减去的设计数据并非通过样本或高分辨率成像系统的模拟产生。例如，由于用于缺陷检测的样本信息是在设计数据空间中呈现的模拟图像，因此从所述图像减去的信息也是设计数据空间中的图像。以此方式，与许多检验方法不同(在这些检验方法中，从样本产生的图像用于检验，借此需要样本空间中的参考图像(例如，来自样本上的相邻区域(例如，裸片、单元、场等等)的图像或从设计模拟的图像(例如，基于样本的模拟特性及高分辨率成像系统)以在样本空间中呈现图像))，本文中所描述的实施例可使用设计数据用于缺陷检测中使用的参考且不必从样本上的另一区域获取参考图像或更改设计数据来创建参考图像。
[0096]
在一个实施例中，检测缺陷包含将减去的结果中的所关注区域限制为模拟二进制设计数据图像中的关注区域，且仅将检测区域阈值应用于所关注限制区域中的减去的结果。例如，可通过将所关注区域限制为关注区域及在关注区域内应用区域阈值来消除差异
图像中的滋扰像素。超过区域阈值的缺陷像素计数经标记为缺陷。在此实例中，如图4中所展示，模拟二进制设计数据图像406中的区域408可对应于样本的关注区域。关注区域可以任何合适方式确定且可具有任何合适配置。可使用本文中所描述的图像中的任何者以任何合适方式执行模拟二进制设计数据图像中关注区域的放置或识别(例如，通过将图像中的一或多者与样本的设计数据对准及使用关于关注区域在设计数据中的位置的信息以识别与设计数据对准的图像中的一或多者中的关注区域)。对应区域416可位于由减法步骤412产生的差异图像414中，且缺陷检测的所关注区域可限制于此对应区域。以此方式，可从真值设计图像减去呈现gan、二值化设计图像(或反之亦然)，且可将检测应用于所得差异图像的关注区域部分。因而，使用反向gan用于缺陷检测可包含使用基于区域的阈值用于检验关注区域区中的缺陷检测。
[0097]
在一些实施例中，dl模型经配置用于对于样本上已知无缺陷的额外位置，从在额外位置处产生的额外高分辨率图像产生额外灰阶模拟设计数据图像，且一或多个计算机系统经配置用于从额外灰阶模拟设计数据图像产生额外位置的额外模拟二进制设计数据图像。可以所属领域中已知的任何合适方式知道额外位置是无缺陷。例如，在对样本执行的检验过程中未检测到缺陷的一或多个位置可用作一或多个额外位置。在一些例子中，一或多个额外位置在用作额外位置之前可确认为无缺陷。此确认可以任何合适方式执行，例如在潜在额外位置处获取高分辨率图像及将图像显示给用户用于检视及作为额外位置接受或拒绝。产生额外灰阶模拟设计数据图像可以其它方式如本文中进一步所描述执行。另外，可如本文中所描述那样执行产生额外模拟二进制设计数据图像。如果对多于一个额外位置执行这些步骤，那么可针对每一额外位置单独且独立地执行所述步骤。在一些例子中，如果针对样本上对应于设计位置内的相同位置的多于一个额外位置执行所述步骤，那么额外模拟二进制设计数据图像可以某种方式组合(例如，通过平均、中值、平均值等等)以产生组合额外模拟二进制设计数据图像，其接着可以本文中所描述的额外方式使用。
[0098]
在一个此实施例中，从用于检测缺陷步骤的模拟二进制设计数据图像减去的设计数据包含额外模拟二进制设计数据图像。例如，gan产生的图像可具有若干应用来协助缺陷检视或检验，包含用于裸片到数据库类型减法的参考图像产生。在一些当前使用的gan应用中，设计剪辑用作gan的输入，且gan产生模拟高分辨率图像。然而，在本文中所描述的实施例中，gan经训练且用于执行反向功能，即，gan从高分辨率样本图像输入产生模拟设计数据图像。额外模拟二进制设计数据图像可用于如本文中进一步所描述的检测步骤。
[0099]
在另一此实施例中，检测缺陷包含使用额外模拟二进制设计数据图像将设计数据与为所述位置产生的模拟二进制设计数据图像对准。例如，gan产生的图像可具有若干应用来协助缺陷检视，包含对准图像产生。在一些当前使用的gan应用中，设计剪辑用作gan的输入，且gan产生假高分辨率图像。然而，在本文中所描述的实施例中，gan经训练且用于执行反向功能，即，gan从高分辨率样本图像输入产生模拟设计数据图像。额外模拟二进制设计数据图像可以所属领域中已知的任何合适方式(例如，经由图案匹配)与模拟二进制设计数据图像及/或设计数据对准。
[0100]
在额外此实施例中，一或多个计算机系统经配置用于使用额外模拟二进制设计数据图像训练缺陷分类器。例如，gan产生的图像可具有若干应用来协助缺陷检视，包含训练集增强用于训练基于高分辨率图像的缺陷分类器，其在大体上很少训练样本可用时尤其重
要。在一些当前使用的gan应用中，设计剪辑用作gan的输入，且gan产生假高分辨率图像。然而，在本文中所描述的实施例中，gan经训练且用于执行反向功能，即，gan从高分辨率样本图像输入产生模拟设计数据图像。在一些例子中，由于额外模拟二进制设计数据图像用于样本上已知无缺陷位置，计算机系统可经配置以增加具已知doi及/或已知滋扰的人工缺陷的额外模拟二进制设计数据图像，以借此创建有缺陷额外模拟二进制设计数据图像。可如莱利(riley)等人2019年9月26日公开的第2019/0294923号美国专利申请公开案及由巴斯卡尔等人2019年10月3日公开的第2019/0303717号美国专利申请公开案中所描述般执行修改无缺陷图像以包含缺陷图像，所述公开案以引用的方式并入，如同在本文中完全阐述。本文中所描述的实施例可如这些公开案中所描述般予以进一步配置。然而，额外模拟二进制设计数据图像还可在没有增强的情况下用作缺陷分类器训练的无缺陷图像，使得可训练缺陷分类器以区分含有缺陷的图像及无缺陷图像。
[0101]
在一些实施例中，一或多个计算机系统经配置用于使用灰阶模拟设计数据图像、模拟二进制设计数据图像、设计数据及减去的结果中的一或多者来训练缺陷分类器。例如，使用已知缺陷位置的图像堆叠训练缺陷分类器可为有利的，所述图像堆叠包含本文中针对所述缺陷位置描述的图像中的任何一或多者。在一些此类例子中，图像可由用户或使用另一经训练缺陷分类器用真值数据(在此情况下是缺陷分类)标记，所述另一经训练缺陷分类器可为或可不为相同于将训练的缺陷分类器的类型。例如，用于建立接着用于训练的缺陷分类的缺陷分类器可为非ml型缺陷分类器，而使用此数据训练的缺陷分类器可为ml型缺陷分类器。在使用本文中所描述的图像中的任何一或多者训练缺陷分类器之后，可在运行时将所述相同一或多种类型的图像输入到训练分类器。例如，如果使用灰阶模拟设计数据图像及模拟二进制设计数据图像执行训练，那么当使用缺陷分类器用于分类时，输入到缺陷分类器的图像可为灰阶模拟设计数据图像及经检测缺陷的模拟二进制设计数据图像。
[0102]
如上文所描述训练的缺陷分类器可包含所属领域中已知的任何合适缺陷分类器。缺陷分类器可如布罗埃(brauer)在2019年3月7日公开的第2019/0073566号美国专利申请公开案及何(he)等人2019年3月7日公开的第2019/0073568号美国专利申请公开案中所描述那样配置及训练，所述公开案以引用的方式并入，如同在本文中完全阐述。本文中所描述的实施例可如这些公开案中所描述般予以进一步配置。
[0103]
在一个实施例中，一或多个计算机系统经配置以使用检测的结果发现样本上先前未知的缺陷类型。例如，检验结果通常使用sem或其它高分辨率图像进行检视以用于缺陷分类。在缺陷发现期间，归因于样本上的未知缺陷，此尤其重要。缺陷发现可包含对经训练分类器不能分类的缺陷进行分类(意味着经训练分类器不能对缺陷进行分类)。此分类可使用本文中所描述的图像中的任何一或多者对无法分类的缺陷的位置且以所属领域中已知的任何合适方式执行。
[0104]
本文中所描述的实施例可进一步如以下专利申请公开案中所描述般配置：卡尔桑迪等人2017年5月18日公开的共同拥有的第2017/0140524号美国专利申请公开案、张(zhang)等人2017年5月25日公开的第2017/0148226号美国专利申请公开案、巴斯卡尔等人2017年7月6日公开的第2017/0193400号美国专利申请公开案、张等人2017年7月6日公开的第2017/0193680号美国专利申请公开案、巴斯卡尔等人2017年7月6日公开的第2017/0194126号美国专利申请公开案、巴斯卡尔等人2017年7月13日公开的第2017/0200260号美
国专利申请公开案、帕克(park)等人2017年7月13日公开的第2017/0200264号美国专利申请公开案、巴斯卡尔等人2017年7月13日公开的第2017/0200265号美国专利申请公开案、张等人2017年11月30日公开的第2017/0345140号美国专利申请公开案、布罗埃2019年3月7日公开的第2019/0073566号美国专利申请公开案及何等人2019年3月7日公开的第2019/0073568号美国专利申请公开案，所述公开案以引用的方式并入，如同在本文中完全阐述。另外，本文中所描述的实施例可经配置以执行这些公开案中所描述的任何步骤。
[0105]
本文中所描述的所有实施例可经配置用于将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。结果可包含本文中所描述的结果中的任何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所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。在结果已经存储之后，结果可存取于存储媒体中且由本文中所描述的方法或系统实施例中的任何者使用，经格式化用于显示给用户，由另一软件模块、方法或系统等等使用以为样本或另一样本执行一或多个功能。
[0106]
此类功能包含(但不限于)以反馈或前馈方式等等改变已经或将要在样本上执行的过程，例如制造工艺或步骤。例如，计算机系统可经配置以基于所检测的缺陷确定对样本执行的过程及/或将对样本执行的过程的一或多个改变。对过程的改变可包含对过程的一或多个参数的任何合适改变。计算机系统优选确定那些变化，使得可减少或防止对其执行修改过程的其它样本上的缺陷，可在对样本执行的另一过程中校正或消除样本上的缺陷，缺陷可在对样本执行的另一过程中予以补偿等等。计算机系统可以所属领域中已知的任何合适方式确定此类变化。
[0107]
接着可将那些改变发送到图1中所展示的半导体制造系统108或计算机系统及半导体制造系统两者可存取的存储媒体(未展示于图1中)。半导体制造系统可为或可不为本文中所描述的系统实施例的部分。例如，本文中所描述的高分辨率成像系统及计算机系统可耦合到半导体制造系统，例如，经由一或多个共同元件，例如外壳、电源、样本处置装置或机构等等。半导体制造系统可包含所属领域中已知的任何半导体制造系统，例如光刻工具、蚀刻工具、化学机械抛光(cmp)工具、沉积工具及其类似者。
[0108]
上文所描述的系统中的每一者的实施例中的每一者可组合在一起成为一个单一实施例。
[0109]
另一实施例涉及一种用于检测样本上的缺陷的计算机实施方法。所述方法包含：对于样本上的位置，从在所述位置处产生的高分辨率图像产生灰阶模拟设计数据图像。所述高分辨率图像是由高分辨率成像系统在所述位置处产生。产生所述灰阶模拟设计数据图像由包含于由一或多个计算机系统执行的一或多个组件中的dl模型执行，所有这些组件可如本文中进一步描述般予以配置。所述方法还包含：从所述灰阶模拟设计数据图像产生所述位置的模拟二进制设计数据图像。另外，所述方法包含：通过从所述模拟二进制设计数据图像减去所述位置的设计数据来检测所述样本上所述位置处的缺陷。产生所述模拟二进制设计数据图像及检测所述缺陷由所述一或多个计算机系统执行。
[0110]
方法的步骤中的每一者可如本文中进一步所描述执行。所述方法还可包含可由本文中所描述的系统、计算机系统、组件及/或dl模型执行的任何其它步骤。另外，上文所描述的方法可由本文中所描述的系统实施例中的任何者执行。
[0111]
额外实施例涉及一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可
在一或多个计算机系统上执行，以执行用于检测样本上的缺陷的计算机实施方法。一个此类实施例展示于图5中。特定来说，如图5中所展示，非暂时性计算机可读媒体500包含可在计算机系统504上执行的程序指令502。计算机实施方法可包含本文中所描述的任何方法的任何步骤。
[0112]
实施方法(例如本文中所描述的那些方法)的程序指令502可存储在计算机可读媒体500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。
[0113]
程序指令可以各种方式中的任何者实施，包含基于过程的技术、基于组件的技术及/或面向对象技术等。例如，程序指令可根据需要使用activex控件、c++对象、javabeans、microsoft基础类(“mfc”)、sse(串流simd扩展)或其它技术或方法实施。
[0114]
计算机系统504可根据本文中所描述的实施例中的任何者配置。
[0115]
鉴于此描述，所属领域的技术人员将明白本发明的各个方面的进一步修改及替代实施例。例如，提供用于检测样本上的缺陷的方法及系统。因此，此描述仅被解释为说明性且是为了教示所属领域的技术人员实施本发明的一般方式。应理解，本文中所展示及描述的本发明的形式将被视为当前优选实施例。元件及材料可代替本文中所说明及描述的那些元件及材料，零件及过程可倒置，且本发明的特定特征可独立使用，所有这些对于受益于本发明的描述的所属领域的技术人员将是显而易见的。在不脱离如所附权利要求书中所描述的本发明的精神及范围的情况下，可对本文中所描述的元件进行改变。