基于缺陷与设计属性的缺陷检视取样和标准化的制作方法

本申请案主张2016年10月14日申请且指定为美国申请案第62/408,232号的临时专利申请案的优先权，所述申请案的揭示内容以引用的方式并入本文中。

本发明涉及缺陷检测和分类。

背景技术：

晶片检测系统通过检测在制造工艺期间出现的缺陷而帮助半导体制造商增大且维持集成电路(ic)芯片良率。检测系统的一个目的在于监测制造工艺是否满足规范。如果制造工艺在既定规范的范围外，那么检测系统指示问题及/或问题的来源，半导体制造商接着可解决所述问题及/或所述问题的来源。

半导体制造业的改革使得对良率管理及特定言之度量及检测系统的要求更高。临界尺寸正在缩小而晶片大小正在增大。经济性正在驱动半导体制造业缩短达成高良率、高价值生产的时间。因此，最小化从检测到良率问题到解决良率问题的总时间确定半导体制造商的投资报酬。

虽然更多地强调良率管理，但对半导体晶片的缺陷检测可为复杂且费时的。半导体制造商需要改进的技术来以更快速且更可靠的方式检测缺陷。

检视取样可涉及对来自晶片的缺陷进行取样且将其发送到检视系统。一旦将经对缺陷进行取样分类，便可使用标准化来估计所有缺陷的缺陷类型的分布。标准化是当给定数据集内的所有经检测数据的仅一个子集被指派类别码时，判断此数据中的缺陷类型表示的技术。标准化可协助理解不同缺陷类型对所有经检测数据的影响，尤其当缺陷计数相当大时。此可导致缺陷分类受限于样本集。标准化用于缺陷分析，例如缺陷类型柏拉图(pareto)、缺陷来源分析或统计过程控制(spc)监测。

传统检视取样基于随机选择对缺陷进行取样。但是，特定高灵敏度检测继承噪声，且因此，许多经检测缺陷被视为扰乱点(nuisance)。因此，对有噪声缺陷分布的随机取样将在检视期间产生高snv(sem不可视)或未找到缺陷结果。

传统技术容许基于相对于总缺陷计数的成比例或不成比例样本大小的标准化。这些技术使用算术公式来通过使用每一类别中的缺陷数量与经分类缺陷的总数量的比率而估计未经分类缺陷到缺陷类别的分布。结果展示数值而不是向个别未经分类缺陷指派类别码。这些先前技术的结果通常不准确的且并不表示缺陷类别的实际分布。在经标准化缺陷类型柏拉图的实例中，缺陷类别的不准确排序可导致错误动作。同样地，标准化结果因个别缺陷无法标准化，而无法用于缺陷水平(defect-level)良率预测。个别缺陷因标准化涉及使用经检视且经分类缺陷的比例百分比来估计总体群集的实际分布的算术计算，而无法标准化。

因此，需要改进的缺陷检视取样和标准化。

技术实现要素：

在第一实施例中，提供一种系统。所述系统包括缺陷检视系统和控制器。所述缺陷检视系统包含经配置以固持晶片的载台及经配置以产生所述晶片的图像的图像产生系统。所述控制器与所述缺陷检视系统电子通信且经配置以：使用决策树基于缺陷属性及设计属性将多个缺陷装到多个箱(bin)中；将一或多个类别码中的一者指派给所述箱中的每一者中的所述缺陷的至少一些；及对所述箱中的每一者执行标准化再分类，其中所述箱中的未经分类缺陷中的每一者被指派所述一或多个类别码中的一者。所述类别码中的每一者表示不同缺陷类型。

所述控制器可包含：处理器；电子数据存储单元，其与所述处理器电子通信；及通信端口，其与所述处理器和所述电子数据存储单元电子通信。

所述缺陷检视系统可为宽带等离子体工具。

所述图像产生系统可经配置以使用电子束、宽带等离子体或激光中的至少一者来产生所述晶片的所述图像。

在所述标准化再分类后，所述箱中的一者可包含所述类别码中的两者。在此例子中，所述控制器经进一步配置以：确定在所述标准化再分类后所述箱中的一者包含所述类别码中的两者；使用次决策树基于次缺陷属性及次设计属性将具有所述类别码中的两者的所述箱中的所述缺陷装到多个次箱中；将一或多个次类别码中的一者指派给所述次箱中的每一者中的所述缺陷的至少一些；及对所述次箱中的每一者执行标准化再分类，其中所述次箱中的未经分类缺陷中的每一者被指派所述一或多个次类别码中的一者。所述次类别码中的每一者表示不同缺陷类型。

所述缺陷属性可包含从图块图像(patchimage)处理算法提取的属性、检测器光学属性、检测器配方属性、晶片级签名属性、区带(zonal)属性、关注区域信息、度量属性、制造工艺条件、制造工艺设备及用户定义属性中的一或多者。所述设计属性可包含基于设计的类别、基于设计的分组、图案分组、热点分组、设计临界性指数、图案复杂度指数和受关注区中的一或多者。

在第二实施例中，提供一种方法。所述方法包括使用控制器，使用决策树基于缺陷属性和设计属性将来自半导体晶片的多个缺陷装到多个箱中。使用所述控制器，将一或多个类别码中的一者指派给所述箱中的每一者中的所述缺陷的至少一些。所述类别码中的每一者表示不同缺陷类型。使用所述控制器，对所述箱中的每一者执行标准化再分类，其中所述箱中的未经分类缺陷中的每一者被指派所述一或多个类别码中的一者。

所述缺陷属性可包含从图块图像处理算法提取的属性、检测器光学属性、检测器配方属性、晶片级签名属性、区带属性、关注区域信息、度量属性、制造工艺条件、制造工艺设备及用户定义属性中的一或多者。所述设计属性可包含基于设计的类别、基于设计的分组、图案分组、热点分组、设计临界性指数、图案复杂度指数及受关注区中的一或多者。

在装箱后，可按比例分布每个箱的所述缺陷的数量。

在所述标准化再分类后，所述箱中的一者包含所述类别码中的两者。在此例子中，使用所述控制器，确定在所述标准化再分类后，所述箱中的一者包含所述类别码中的两者。使用所述控制器，使用次决策树基于次缺陷属性及次设计属性将具有所述类别码中的两者的所述箱中的所述缺陷装到多个次箱中。使用所述控制器，将一或多个次类别码中的一者指派给所述次箱中的每一者中的所述缺陷的至少一些，其中所述次类别码中的每一者表示不同缺陷类型。使用所述控制器，对所述次箱中的每一者执行标准化再分类，其中所述次箱中的未经分类缺陷中的每一者被指派所述一或多个次类别码中的一者。

所述方法可进一步包括检测晶片的缺陷且将所述晶片上的所述多个缺陷传达到所述控制器以用于装箱。

在第三实施例中，提供一种非暂时性计算机可读存储媒体。所述非暂时性计算机可读存储媒体包括用于在一或多个计算装置上执行下列步骤的一或多个程序：使用决策树基于缺陷属性及设计属性将来自半导体晶片的多个缺陷装到多个箱中；将一或多个类别码中的一者指派给所述箱中的每一者中的所述缺陷的至少一些；及对所述箱中的每一者执行标准化再分类，其中所述箱中的未经分类缺陷中的每一者被指派所述一或多个类别码中的一者。所述类别码中的每一者表示不同缺陷类型。

在装箱后，可按比例分布每个箱的所述缺陷的数量。

所述缺陷属性可包含从图块图像处理算法提取的属性、检测器光学属性、检测器配方属性、晶片级签名属性、区带属性、关注区域信息、度量属性、制造工艺条件、制造工艺设备和用户定义属性中的一或多者。所述设计属性可包含基于设计的类别、基于设计的分组、图案分组、热点分组、设计临界性指数、图案复杂度指数及受关注区中的一或多者。

在所述标准化再分类后，所述箱中的一者可包含所述类别码中的两者。在此例子中，所述非暂时性计算机可读存储媒体包括用于在一或多个计算装置上执行下列步骤的一或多个程序：确定在所述标准化再分类后所述箱中的一者包含所述类别码中的两者；使用的次决策树基于次缺陷属性及次设计属性将具有所述类别码中的两者的所述箱中的所述缺陷装到多个次箱中；将一或多个次类别码中的一者指派给所述次箱中的每一者中的所述缺陷的至少一些；及对所述次箱中的每一者执行标准化再分类，其中所述次箱中的未经分类缺陷中的每一者被指派所述一或多个次类别码中的一者。所述次类别码中的每一者表示不同缺陷类型。

附图说明

为更完全理解本发明的性质和目的，应参考结合附图进行的以下具体实施方式，其中：

图1是根据本发明的方法的实施例的流程图；

图2是说明根据本发明的例示性决策树的图；

图3是说明根据本发明的基于图2的决策树的分类及标准化再分类的图；

图4是说明根据本发明的例示性次决策树的图；

图5是说明根据本发明的基于图4的次决策树的分类及标准化再分类的图；

图6是根据本发明的系统的实施例的框图；

图7是根据本发明的机器学习引擎的实施例的框图；及

图8是说明对晶片上的缺陷进行装箱的例示性决策树的图。

具体实施方式

尽管将针对特定实施例描述所主张的目标，但其它实施例(包含未提供本文提及的所有好处及特征的实施例)也在本发明的范围内。可在不脱离本发明的范围的情况下做出各种结构、逻辑、程序步骤及电子改变。因此，仅参考随附权利要求书界定本发明的范围。

本文揭示的实施例实现基于缺陷及设计属性的缺陷检视取样及标准化用于精确柏拉图排序及缺陷来源分析。缺陷检视取样及标准化可使用决策树基于缺陷及设计属性。使用本文揭示的系统及方法的缺陷检视可比传统标准化技术更精确。例如，可产生更精确的柏拉图分析，这是因为标准化再分类可比传统标准化技术更精确地将类别码指派给未经分类的缺陷。归因于装箱精确度增大，用户可着眼于解决最重要的缺陷，同时不会意外地对错误类型的缺陷采取行动。由于柏拉图分析更精确，所以用户也能够采取行动来解决缺陷来源。

本文揭示的实施例容许基于经检视且经分类的缺陷的晶片上缺陷类别分布的更精确表示。更精确的缺陷类型柏拉图分析可帮助用户对可能造成最大影响的经识别缺陷采取行动。可使用缺陷检视取样及标准化的结果来执行缺陷来源分析(dsa)及类型源柏拉图分析。另外，结合更精确的缺陷类别分布的良率预测将更精确预测良率限制因子。

图1是方法100的实施例的流程图。检测晶片的缺陷或获得晶片上的缺陷。例如，可将晶片上的多个缺陷传达(例如)到控制器以用于分类。在另一实例中，多个缺陷用数字表示且存储在电子存储装置(例如硬盘驱动器)上。多个缺陷可来源于一或多个晶片及一或多个设计。可通过处理器通过电子网络检索多个缺陷以用于分类。首先，使用决策树101对缺陷进行装箱。决策树可为基于缺陷及设计属性建构的阶层式结构。在一个实例中，装箱将晶片上检测到的缺陷有效地分为定位在形成在晶片上的装置中的不同受关注区中的缺陷群组。因此，定位在受关注区中的缺陷为潜在受关注缺陷(doi)。

第二，例如通过应用检视取样规则对缺陷进行检视且分类102。此可用于识别应经进一步检视的缺陷。此步骤也可包含通过对缺陷进行分类而确定潜在的doi实际上是否为doi。缺陷检视及分类102可为手动、自动或其组合。此步骤的结果可用于识别哪些受关注区展现图案相依缺陷。如此，此步骤的结果可用于识别装置设计中可能更有问题(例如，更易受系统性缺陷影响)的受关注区或若干受关注区。在例子中，缺陷及设计属性的选择及决策树的分割可基于用户的制造或其它技术知识。在另一例子中，缺陷及设计属性的选择及决策树的分割可基于机器学习引擎。例如，机器学习引擎可模型化包含缺陷及设计属性的所有历史缺陷信息且学习所述信息，此可帮助增加缺陷发现的精确度及速度。基于缺陷及设计属性值将经检测缺陷归类为若干个箱。可按比例分布每个箱的缺陷数量。例如，可基于对特定工具、程序、晶片或设计的先前分类而将经检测缺陷归类为若干个箱。在例子中，可基于对特定工具、程序、晶片或设计的已知柏拉图分析或已知结果而分布每个箱的缺陷数量。因此，先前知识可为应用于检测的基准。

一旦通过一或多个检视工具对至少一些样本缺陷进行检视且分类，便执行标准化再分类103，其可将类别码指派给箱中的每一未经分类缺陷。如果检视取样箱仅具有一种类别，那么未经分类缺陷的剩余部分将经再分类为所述类别。

如果检视取样箱具有多种类别，那么未经分类缺陷的剩余部分可被随机指派到一个类别。在例子中，可基于经分类缺陷的比例将未经分类缺陷指派到单个检视样本箱中的多个类别码。例如，在检视样本箱中的700个缺陷中的200个缺陷的缺陷检视将类别码b指派给150个缺陷且将类别码c指派给50个缺陷。剩余的500个未经分类缺陷接着被随机指派类别码b或c。在此实例中，375个未经分类缺陷被指派类别码b，且125个未经分类缺陷被指派类别码c。如此，在结果中可使缺陷的小部分被指派到一个类别。

如果在标准化再分类后，每个检视取样箱存在多个分类，那么检视取样箱可视情况运用次决策树(例如，详尽离析树)、缺陷检视及分类及标准化再分类103进一步离析为更精细的检视取样箱。此可纯化结果。次决策树可使用缺陷及设计属性，此可与主决策树相同或不同。步骤101、102及103可为了粒度更高的(moregranular)装箱而重复一或多次，此反映在可选步骤104中。

方法100可仅在每一箱仅具有单个缺陷类别时停止。被视为在相同分支中展现相同特性的未经分类缺陷可在决策树中分类为箱的缺陷类别。因此，在次决策树后可存在第三取样决策树、第四取样决策树等。具有子箱的箱为母箱，且子箱可与其母箱共享特性。在标准化再分类后，每一未经分类缺陷可具有基于标准化的缺陷类别。

图2是说明决策树的图。将缺陷发送到图2中所见的决策树以用于分类。每一缺陷基于属性(属性1、2、3、4)而被指派箱(圆1、2、3、4、n)。虽然说明四个属性及五个箱，但决策树可具有更多或更少的箱或属性。例如，决策树可具有10个、15个、20个、25个、50个或100个箱。决策树中的箱(或层级)数量可随应用而变动。虽然如本文揭示的决策树中的箱(或层级)数量无上限，但用户可尝试简化决策树。例如，可修剪决策树的分支以移除冗余箱。但是，更复杂的决策树可提供更精细的缺陷离析。

属性可为缺陷属性或设计属性。缺陷属性可包含从图块图像处理算法提取的属性、检测器光学属性、检测器配方属性、晶片级签名属性、区带属性、关注区域信息、度量属性、制造工艺条件、制造工艺设备及用户定义属性中的一或多者。设计属性可包含基于设计的类别、基于设计的分组、图案分组、热点分组、设计临界性指数、图案复杂度指数及受关注区中的一或多者。其它缺陷及设计属性是可能的且这些仅被列为实例。可通过机器学习、由用户或由其组合选择属性。

在实例中，属性1是缺陷来源分析。将添加项缺陷(例如，新添的缺陷)发送到属性2，且沿着引到箱n的路径发送共同缺陷(例如，多个检测所共同的缺陷)。属性2是缺陷是否跨晶片重复。将重复缺陷发送到箱1，且将不重复缺陷发送到属性3。属性3评估丛集。将丛集缺陷发送到箱2，且将随机缺陷发送到属性4。属性4是大小分析。将大缺陷发送到箱3，且将小缺陷发送到箱4。

图3是说明基于图2的决策树的分类及标准化再分类的图。每一箱(1、2、3、4)中的一些缺陷被指派类别码(a到g)，而剩余缺陷未经分类(u)。每一类别码可表示不同类型的缺陷。如在图3中所见，箱1仅具有单个类别码，而箱2、3及4具有两个类别码。每一箱中的通过检测分类的缺陷的百分比可因用户或应用而变动。

在至少一些缺陷被指派类别码后，对每一箱中的未经分类缺陷执行标准化再分类。箱中的未经分类缺陷中的每一者被指派类别码中的一者。在图3中，箱1中的100％的未经分类缺陷被指派类别码a。其它箱具有超过一个类别码，且使用标准化再分类在两个类别码之间划分未经分类缺陷。因此，在箱2中，y2％的未经分类缺陷被指派类别码b，且z2％的未经分类缺陷被指派类别码c，在箱3中，y3％的未经分类缺陷被指派类别码d，且z3％的未经分类缺陷被指派类别码e，且在箱4中，y4％的未经分类缺陷被指派类别码f，且z4％的未经分类缺陷被指派类别码g。在这些实例中，针对箱的yn％及zn％中的每一者可为从大于0％到小于100％，其中yn％与zn％的总和等于100％。未经分类缺陷在不同类别码之间的划分可与箱中的每一类别码的经分类缺陷的百分比成正比，其中未经分类缺陷被随机指派类别码。决策树中的额外层级可用于进一步纯化箱。

在另一实例中，箱具有超过两个类别码(例如，三个或四个类别码)。在此情况中，基于标准化再分类，未经分类缺陷被指派所述箱中的类别码中的一者。被指派到每一类别码的未经分类缺陷的百分比可在从大于0％到小于100％的范围中，但构成百分比中的每一者的总和等于100％。未经分类缺陷在不同类别码之间的划分可与箱中的每一类别码的经分类缺陷的百分比成正比，其中未经分类缺陷被随机指派类别码。决策树中的额外层级可用于进一步纯化箱。

图4是说明次决策树的图。如在图3中所见，在标准化再分类后，箱2具有类别码b及c。系统可确定在标准化再分类后，箱中的一者包含两个类别码。所以每一箱仅具有一个类别码，箱2中的缺陷基于图4的次决策树中的属性(属性5到8)被指派若干个箱(圆1'、2'、3'、4'、n')。虽然说明四个属性及五个箱，但次决策树可具有更多或更少的箱或属性。在标准化再分类后包含超过两个类别码的图3中的箱中的每一者可具有其自身的次决策树(例如，第三决策树)。

图5是说明基于图4的次决策树的分类及标准化再分类的图。箱中的未经分类缺陷中的每一者被指派类别码中的一者。在图5中，箱1'中的100％的未经分类缺陷被指派类别码a'，箱2'中的100％的未经分类缺陷被指派类别码b'且箱3'中的100％的未经分类缺陷被指派类别码c'。

在图5的次决策树中，箱4'包含超过一个类别码，且使用标准化再分类在两个类别码之间划分未经分类缺陷。因此，在箱4'中，y4％的未经分类缺陷被指派类别码d'，且z4％的未经分类缺陷被指派类别码e'。在此实例中，针对箱的yn％及zn％中的每一者可为从大于0％到小于100％，其中yn％与zn％的总和等于100％。未经分类缺陷在不同类别码之间的划分可与箱中的每一类别码的经分类缺陷的百分比成正比，其中未经分类缺陷被随机指派类别码。决策树中的额外层级可用于进一步纯化箱。

在标准化再分类后，箱4'包含两个类别码。所以每一箱仅具有一个类别码，第三决策树可搭配箱4'中的缺陷使用。第三决策树可类似于图4到5的次决策树操作。

一个可能的结果为在标准化再分类后，所有缺陷被指派类别码，且没有箱具有超过一个类别码。可视需要调整决策树中的属性。

或者，在标准化再分类后，一或多个箱可含有多个类别码。系统可自动添加另一层级到决策树以进一步纯化箱中的缺陷。系统或用户也可确定箱中的缺陷的纯度是足够的且无需特定箱中的缺陷的进一步离析。

可产生检视样本箱以容许基于针对每一缺陷类别的每一样本箱的不成比例标准化。

标准化再分类后的任何结果可经馈送到机器学习引擎，所述机器学习引擎可模型化缺陷信息且学习所述信息。此可帮助增大缺陷发现的精确度及速度。例如，机器学习引擎可用于展示缺陷及设计属性与snv分类之间的联系。

机器学习引擎可使用历史数据来建立预测模型或决策树。机器学习引擎可首先基于数据探勘技术建立模型。取决于技术，输出为预测模型或决策树。同样地，模型可展示关于缺陷信息的属性的重要性。在例子中，当新的检测到达时，模型或决策树可将每一缺陷指派到检视样本箱。机器学习引擎也可基于新数据随时间学习且改进。无论何时对新检测进行分类，数据都可存储回到历史数据集且可重新训练模型。

图7是机器学习引擎的实施例的框图。历史数据被馈入到机器学习引擎中，所述机器学习引擎包含模型建立及预测模型/决策树组件二者。新的检测被馈入到预测模型/决策树组件中。使用机器学习引擎将每一缺陷指派到检视样本箱。

当存在新的传入doi时，模型可对doi进行排序且确定优先级。如果特定doi具有展示在统计或数学意义上的明显差异的特征，那么可对doi进行取样以(例如)在电子束检视工具中检视。

机器学习也可用于基于bbp属性(包含用于良率预测或致命缺陷识别的设计属性)对缺陷进行再分类。例如，决策树可经配置以识别致命缺陷或用户或机器学习引擎可识别含有致命缺陷的箱。致命缺陷可造成半导体装置的故障或失效，而非致命缺陷并不实质上影响半导体装置的效能。例如，致命缺陷可：a)为次微米大小；b)使单个屏蔽层级(例如金属或门极堆栈导线(runner))的组件一起短路或在这些相同层级处产生开口；且c)可使用在线检测工具(例如检测sem)予以检测。

深入分析也可用于基于缺陷展示设计变异性与程序变异性之间的联系。故障检测及分类(fdc)数据可用于识别用于缺陷检测的潜在热点。

图8是说明对晶片上的缺陷进行装箱的例示性决策树的图。依属性1(其为dsa)检视缺陷。在此实例中，缺陷数量是例示性的且用来便于理解。一些缺陷(在此实例中为999)被列为共同的，所述缺陷经装箱或可进一步离析。接着依属性2(其为缺陷是否重复)离析添加项缺陷。51个缺陷重复且剩余缺陷不重复。属性3为签名。多个缺陷具有签名类别(13、15、98、n)，其中的每一者被指派类别码。属性4为缺陷是否与子裸片区有关。70个缺陷是非临界的，且剩余缺陷是临界的。依属性5(其为缺陷大小分析)评估临界缺陷。46个缺陷大于2μm且35个缺陷小于或等于2μm。可运用决策树的额外层级进一步离析具有多个类别码(例如，签名类别)的箱中的任一者。

图6是根据本发明的系统的框图。控制器205与缺陷检视系统200及/或服务器209电子通信。

缺陷检视系统200包含经配置以固持晶片203或其它工件的载台204。载台204可经配置以在一个、两个或三个轴上移动或旋转。缺陷检视系统200也包含经配置以产生晶片203的表面的图像的图像产生系统201。图像可针对晶片203的特定层或区。在此实例中，图像产生系统201产生宽带等离子体(bbp)202以产生晶片203的图像。其它图像产生系统201是可能的，例如使用电子束或激光扫描的所述系统。例如，可通过图像产生系统201执行暗场成像或亮场成像。缺陷检视系统200及/或图像产生系统201可产生晶片203的图像。

宽带等离子体光源可用于各种应用。运用气体混合物在壳体内侧产生等离子体。因等离子体放电而产生的辐射经光学耦合到定位在壳体外侧的晶片203。壳体可为放电灯的部分。

如本文使用，术语“晶片”一般是指由半导体或非半导体材料形成的衬底。此半导体或非半导体材料的实例包含但不限于单晶硅、氮化镓、砷化镓、磷化铟、蓝宝石及玻璃。此类衬底通常可在半导体制造厂中找到及/或处理。

晶片可包含在衬底上形成的一或多个层。例如，此类层可包含但不限于光阻剂、介电材料、导电材料及半导电材料。许多不同类型的此类层在技术中是已知的，且如本文使用的术语晶片意在涵盖包含所有类型的此类层的晶片。

形成在晶片上的一或多个层可经图案化或未图案化。例如，晶片可包含多个裸片，每一裸片具有可重复图案化特征或周期性结构。此类材料层的形成及处理可最终导致成品装置。许多不同类型的装置可形成在晶片上，且如本文使用的术语晶片意在涵盖其上制造技术已知的任何类型装置的晶片。

也可使用其它类型的晶片。例如，晶片可用于制造led、太阳能电池、磁盘、平板或抛光板。也可使用本文揭示的技术及系统对其它对象上的缺陷进行分类。

在特定实例中，缺陷检视系统200是bbp工具的部分或为bbp工具。通过运用bbp202扫描晶片203而产生晶片203的图像。

服务器209经配置以存储半导体晶片或其它工件的设计图像。服务器209也可连接到机器学习引擎或可包含机器学习引擎。

缺陷检视系统200及服务器209可与控制器205通信。例如，控制器205可与图像产生系统201或缺陷检视系统200的其它组件通信。控制器205可包含处理器206、与处理器206电子通信的电子数据存储单元207及与处理器206及电子数据存储单元207电子通信的通信端口208。应了解，在实践中，可通过硬件、软件及固件的任何组合实施控制器205。同样地，如本文描述的其功能可通过一个单元执行，或在不同组件间划分，所述组件中的每一者可继而通过硬件、软件及固件的任何组合实施。控制器205实施本文描述的各种方法及功能的程序代码或指令可存储在控制器可读存储媒体(例如电子数据存储单元207中的存储器)中、控制器205内、控制器205外部或其组合。

控制器205可以任何适当方式(例如，经由一或多个传输媒体，其可包含“有线”及/或“无线”传输媒体)耦合到缺陷检视系统200或服务器209的组件，使得控制器205可接收通过缺陷检视系统200产生的输出(例如来自成像装置201的输出或通过服务器209产生的输出)。控制器205可经配置以使用输出来执行数个功能。例如，控制器205可经配置以使用输出来检视且执行晶片203上的缺陷的标准化再分类。在另一实例中，控制器205可经配置以发送输出到电子数据存储单元207或另一存储媒体而不对输出执行缺陷检视或标准化再分类。控制器205可如本文描述般进一步配置例如以执行图1、2到5或8的实施例。控制器205也可经配置以发送指令到检视、检测或度量工具以用于取样、成像、检测或度量的目的。

本文描述的控制器205、(若干)其它系统或(若干)其它子系统可采用各种形式，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“控制器”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。(若干)子系统或(若干)系统也可包含技术中已知的任何适当处理器，例如并行处理器。另外，(若干)子系统或(若干)系统可包含作为单独或网络化工具的具有高速处理及软件的平台。

如果系统包含超过一个子系统，那么不同子系统可彼此耦合，使得可在子系统之间发送图像、数据、信息、指令等。例如，一个子系统可通过任何适当传输媒体耦合到(若干)额外子系统，所述传输媒体可包含技术中已知的任何适当有线及/或无线传输媒体。此类子系统中的两者或两者以上也可通过共享计算机可读存储媒体(未展示)有效耦合。

实施方法(例如本文描述的所述方法)的程序指令可存储在计算机可读媒体上，例如在电子数据存储单元207或其它存储媒体中。计算机可读媒体可为存储媒体，例如磁盘或光盘、磁带或技术中已知的任何其它适当非暂时性计算机可读媒体。

程序指令可以各种方式中的任一者实施，尤其包含基于程序的技术、基于组件的技术及/或面向对象技术。例如，可视需要使用activex控件、c++对象、javabeans、微软基础类别(“mfc”)、sse(串流simd扩展)或其它技术或方法实施程序指令。

控制器205可根据本文中描述的实施例中的任一者配置。例如，控制器205可经编程以执行图1的一些或所有步骤。

额外实施例涉及一种非暂时性计算机可读媒体，其存储可在控制器上执行以用于执行用于如本文揭示般对缺陷进行分类的计算机实施方法的程序指令。具体来说，如在图6中展示，电子数据存储单元207或其它存储媒体可含有包含可在控制器205上执行的程序指令的非暂时性计算机可读媒体。计算机实施方法可包含本文中描述的任何(若干)方法的任何(若干)步骤。

在例子中，非暂时性计算机可读存储媒体包括用于在一或多个计算装置上执行下列步骤的一或多个程序。使用决策树基于缺陷属性及设计属性将多个缺陷装到多个箱中。将一或多个类别码中的一者指派给箱中的每一者中的缺陷的至少一些。类别码中的每一者表示不同缺陷类型。对箱中的每一者执行标准化再分类。箱中的未经分类缺陷中的每一者被指派一或多个类别码中的一者。

如果在标准化再分类后，箱中的一者包含类别码中的两者，那么确定在标准化再分类后，箱中的一者包含类别码中的两者。使用次决策树基于次缺陷属性及次设计属性将具有类别码中的两者的箱中的缺陷装到多个次箱中。将一或多个次类别码中的一者指派给次箱中的每一者中的缺陷的至少一些。次类别码中的每一者表示不同缺陷类型。对次箱中的每一者执行标准化再分类。次箱中的未经分类缺陷中的每一者被指派一或多个次类别码中的一者。

虽然被揭示为缺陷检视系统的部分，但本文描述的控制器205可经配置以搭配检测系统使用。在另一实施例中，本文描述的控制器205可经配置以搭配度量系统使用。因此，如本文揭示的实施例描述用于分类的一些配置，其可针对具有更适用于或较不适用于不同应用的不同成像能力的系统以数个方式客制化。

可如本文中进一步描述般执行方法的步骤中的每一者。方法也可包含可通过本文描述的控制器及/或(若干)计算机子系统或(若干)系统执行的任何其它(若干)步骤。可通过一或多个计算机系统执行步骤，所述一或多个计算机系统可根据本文描述的实施例中的任一者配置。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。

尽管已参考一或多个特定实施例描述本发明，但将理解，可在不脱离本发明的范围的情况下制作本发明的其它实施例。因此，本发明被视为仅受随附权利要求书及其合理解释限制。