用于基于半导体的应用的深度学习图像去除噪声的制作方法

本发明大体上涉及用于确定样品的信息的方法及系统。某些实施例涉及一种经配置用于对用于确定样品的信息的所述样品的图像去除噪声的深度学习模型。

背景技术：

1、以下描述及实例并未因其包含于此章节中而被承认为是现有技术。

2、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)以形成所述半导体装置的各种特征及多个层级。例如，光刻是半导体制造工艺，其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。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。

3、在半导体制造工艺期间的各个步骤使用检验过程来检测样品上的缺陷以驱动制造工艺中的更高良率及因此更高利润。检验始终是制造半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对于成功制造可接受半导体装置变得甚至更为重要，这是因为较小缺陷可引起装置故障。

4、存在许多不同方式来处理由如上文所描述般配置的工具产生的图像、输出等以从其确定信息。通常在检验的情况下，比较测试图像与参考图像，使得可识别所述测试图像与所述参考图像之间的任何差异且将所述差异用于检测样品上的缺陷。无关于如何确定信息，减轻图像中的噪声对经确定的信息的影响可为具有挑战性的，且已执行大量研究及开发以克服图像噪声带来的障碍。

5、一些当前使用的缺陷检测算法经设计用于减少工具上的噪声。例如，一些当前使用的算法使用来自晶片上的多个裸片的参考帧的线性组合来运算参考帧，使得参考图像具有较少噪声。另一方法是使用差分滤波器，所述差分滤波器通常是在与不同图像进行卷积时预期改进缺陷的信噪比(snr)的矩阵。对于其中在晶片上印刷光罩且检验所述晶片以检测所述光罩上的缺陷的情况，可堆叠来自一或两行的裸片或光罩以减少随机噪声并改进用于检测重复缺陷的snr。用于减少噪声的影响的另一方法是使用深度学习来学习滤波器，所述滤波器在检测后应用以提取用于扰乱点事件过滤(nef)的新属性。

6、上文描述的噪声减轻策略存在若干缺点。例如，发明人不知道现今对测试图像执行去除噪声的用于减少噪声的任何方法。在一个此实例中，运算相似噪声实现的线性组合的方法仅对参考图像执行此操作。另外，即使在上文描述的经设计用于噪声减轻的参考产生之后，在使用参考产生的差分图像中仍可能存在残余噪声。在许多情况下，可能需要进一步噪声减少以实现经确定信息的所需准确度。在另一实例中，差分图像滤波器是标准内核且并不适应不同噪声分布。定义客制差分图像滤波器需要特殊的专业知识。此外，经产生以与最佳(golden)数据库参考进行比较的堆叠裸片或光罩解决特定使用情况(如使用印刷有光罩的晶片执行的光罩检验)且无法应用于检测非重复缺陷。

7、因此，开发用于确定样品的信息的不具有上述缺点中的一或多者的系统及方法将为有利的。

技术实现思路

1、各个实施例的以下描述不应以任何方式被理解为限制所附权利要求书的主题。

2、一个实施例涉及一种经配置以确定样品的信息的系统。所述系统包含计算机子系统及由所述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经配置用于对由成像子系统产生的样品的图像去除噪声的深度学习模型。所述计算机子系统经配置用于从所述去除噪声的图像确定所述样品的信息。所述系统可如本文中描述般进一步配置。

3、另一实施例涉及一种用于确定样品的信息的计算机实施方法。所述方法包含通过将由成像子系统产生的样品的图像输入到经配置用于执行去除噪声的深度学习模型中来对所述图像去除噪声。所述深度学习模型包含于由计算机子系统执行的一或多个组件中。所述方法还包含从所述去除噪声的图像确定所述样品的信息。所述输入及确定由所述计算机子系统执行。

4、所述方法的步骤中的每一者可如本文中进一步描述般进一步执行。所述方法可包含本文中描述的任何其它方法的任何其它步骤。所述方法可由本文中描述的系统中的任一者执行。

5、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，所述程序指令可在计算机系统上执行，用于执行用于确定样品的信息的计算机实施方法。所述计算机实施方法包含上文描述的方法的步骤。所述计算机可读媒体可如本文中描述般进一步配置。所述计算机实施方法的步骤可如本文中进一步描述般执行。另外，程序指令可针对其执行的计算机实施方法可包含本文中描述的任何其它方法的任何其它步骤。

技术特征：

1.一种经配置以确定样品的信息的系统，其包括：

2.根据权利要求1所述的系统，其中深度学习模型进一步经配置为卷积神经网络。

3.根据权利要求1所述的系统，其中所述图像是其中在所述去除噪声之前检测到缺陷的测试图像。

4.根据权利要求3所述的系统，其中所述缺陷是通过所述样品的热扫描检测。

5.根据权利要求1所述的系统，其中所述去除噪声是在使用所述图像执行的缺陷检测之前执行。

6.根据权利要求1所述的系统，其中所述图像是所述样品的测试图像，且其中所述深度学习模型进一步经配置用于对对应于所述测试图像的参考去除噪声。

7.根据权利要求6所述的系统，其中所述参考是由所述成像子系统在对应于所述样品上产生所述测试图像的位置的所述样品上的位置处产生的所述样品的额外图像。

8.根据权利要求6所述的系统，其中确定所述信息包括从所述去除噪声的测试图像减去所述去除噪声的参考，从而产生差分图像并基于所述差分图像检测所述样品上的缺陷。

9.根据权利要求6所述的系统，其中缺陷是在所述去除噪声之前在所述测试图像中检测，且其中确定所述信息包括从所述去除噪声的测试图像减去所述去除噪声的参考，从而产生差分图像并基于所述差分图像确定所述缺陷的信息。

10.根据权利要求1所述的系统，其中所述计算机子系统进一步经配置用于基于由所述成像子系统产生的所述样品的测试图像检测所述样品上的缺陷及用于将所述测试图像输入到所述深度学习模型中用于所述去除噪声，且其中通过所述计算机子系统输入到所述深度学习模型的所述测试图像仅包括其中检测到所述缺陷中的一或多者的所述测试图像。

11.根据权利要求1所述的系统，其中针对所述样品确定的所述信息包括在所述图像或所述去除噪声的图像中检测到的缺陷的一或多个属性。

12.根据权利要求1所述的系统，其中缺陷是在所述图像或所述去除噪声的图像中检测，且其中确定所述样品的所述信息包括从所述去除噪声的图像确定所述缺陷的属性的第一部分及从所述图像确定所述缺陷的所述属性的第二部分。

13.根据权利要求1所述的系统，其中确定所述样品的所述信息包括确定在所述图像中检测到的缺陷是否是扰乱点。

14.根据权利要求1所述的系统，其中所述计算机子系统进一步经配置用于使用包括所述相同图像的多个具噪声实现及平均损失函数的训练集来训练所述深度学习模型。

15.根据权利要求14所述的系统，其中所述相同图像的所述多个具噪声实现是针对额外样品产生，且其中所述样品及所述额外样品具有形成于其上的不同层。

16.根据权利要求1所述的系统，其中所述成像子系统是基于光的成像子系统。

17.根据权利要求1所述的系统，其中所述成像子系统是基于电子的成像子系统。

18.根据权利要求1所述的系统，其中所述样品是晶片。

19.一种存储程序指令的非暂时性计算机可读媒体，所述程序指令可在计算机系统上执行，用于执行用于确定样品的信息的计算机实施方法，其中所述计算机实施方法包括：

20.一种用于确定样品的信息的计算机实施方法，其包括：

技术总结
提供用于确定样品的信息的方法及系统。一种系统包含计算机子系统及由所述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经配置用于对由成像子系统产生的样品的图像去除噪声的深度学习模型。所述计算机子系统经配置用于从所述去除噪声的图像确定所述样品的信息。

技术研发人员：A·古拉堤,R·科努鲁,N·拉克希米纳拉辛汉,S·帕拉马西万,M·普利哈尔,P·俄珀鲁里
受保护的技术使用者：科磊股份有限公司
技术研发日：
技术公布日：2024/1/15