用于在具有深堆叠层的芯片中训练且应用缺陷分类器的系统、方法与流程

本申请案主张2017年1月10日提出申请的美国临时专利申请案第62/444,690号的权益，所述美国临时专利申请案的全部内容以引用的方式并入本文中。

本发明涉及检测晶片上的缺陷，且更特定来说涉及对从晶片检测到的缺陷进行分类。

背景技术：

在半导体制造过程期间在各种步骤处使用检验系统过程来检测晶片上的缺陷。此外，随着半导体装置的尺寸减小，检验对可接受半导体装置的成功制造变得甚至更加重要，因为较小缺陷可导致装置不合格。

通常，检验系统(即，工具)捕获晶片的图像，且从所述图像检测缺陷。图像还可称为因检验晶片而产生的信号。然而，通常还在检验系统过程期间产生超出简单缺陷检测的信息，具体包含此类缺陷的分类。举例来说，所检测缺陷中的每一者可被分类为所关注缺陷(doi)或滋扰(即，并非实际缺陷或者用户不关注且因此并非doi的缺陷)。所检测缺陷或doi中的每一者通常进一步被分类到不同群组(即，缺陷类型)中。在一个此实例中，在发现缺陷之后，可基于缺陷的特性(例如大小、量值及/或位置)而将缺陷分类到不同群组中。可接着将缺陷分类回馈到检验系统，以用于调谐检验系统的目的。可执行所述调谐以便使得可利用检验系统来检测缺陷。举例来说，调谐检验系统可包含变更检验系统的一或多个光学参数及/或检验系统的一或多个缺陷检测(输出处理)参数。

仅基于由检验系统产生的图像或信息无法多次执行缺陷分类。在这些实例中，可使用额外再检测系统来产生额外信息，且接着基于额外信息而确定缺陷分类。在一些此类实例中，可使用高分辨率扫描电子显微镜(sem)再检测工具来再检测由检验系统发现的缺陷。传统上，收集相对大数目个sem图像(例如，信号)，且进一步可在计算机荧幕上显示这些图像中的每一者以使用户确定图像中是否存在可见缺陷。如果眼睛检测到缺陷，那么接着用户可取决于所述缺陷的形状、大小、位置或其它属性而将所述缺陷分类到数个类别中的一者中。

已开发一些再检测系统来使缺陷分类自动化，举例来说，如颁予简a.劳伯(jana.lauber)的标题为“使用对应电子束图像的自动化分类进行缺陷发现及检验灵敏度优化(defectdiscoveryandinspectionsensitivityoptimizationusingautomatedclassificationofcorrespondingelectronbeamimages)”的美国专利第9,293,298号中所揭示。尽管这些自动化再检测系统已改进先前需要进行易发生人为误差的手动分类的系统，但这些自动化再检测系统仍展现若干限制。特定来说，缺陷再检测系统(例如上文所描述的缺陷再检测系统)已不能够对具有堆叠层的晶片(例如三维(3d)nand晶片)中的缺陷(在所述缺陷位于晶片的顶部层下面时)进行分类。这是因为现有缺陷再检测系统无法获得晶片的下伏层的图像。替代地，为获得任何下伏层的所需图像，将需要物理上移除上面层，因此会破坏晶片。

因此，需要解决与现有技术相关联的这些及/或其它问题。

技术实现要素：

提供一种用于在具有深堆叠层的晶片中训练及应用缺陷分类器的系统、方法及非暂时性计算机可读媒体。在使用中，获取多个图像，所述多个图像是由检验系统针对由所述检验系统在晶片上检测到的缺陷的位置而产生。所述晶片上的所述位置由多个堆叠层组成，且所述多个图像中的每一图像是由所述检验系统使用不同聚焦设定在所述位置处产生的。此外，利用所述多个图像来确定所述缺陷的分类。

附图说明

图1a展示图解说明非暂时性计算机可读媒体的一个实施例的框图，所述非暂时性计算机可读媒体包含可在计算机系统上执行以用于执行本文中所描述的计算机实施方法中的一或多者的程序指令。

图1b是图解说明经配置以检测所制作装置上的缺陷的检验系统的一个实施例的侧视图的示意图。

图2展示根据一个实施例用于对具有堆叠层的晶片中的缺陷进行分类的方法。

图3图解说明根据一个实施例的用于分类器训练的方法。

图4图解说明根据一个实施例的无监督式分级(binning)方法。

图5图解说明根据一个实施例的监督式分级方法。

具体实施方式

以下说明揭示一种用于对具有堆叠层的晶片中的缺陷进行分类的系统、方法及非暂时性计算机可读媒体。应注意，可在例如下文参考图1a到1b所描述的任何整合式及/或单独计算机及检验系统(例如，晶片检验、倍缩光罩检验、激光扫描检验系统等)的上下文中实施包含下文所描述的各种实施例的此系统、方法及非暂时性计算机可读媒体。

额外实施例涉及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以执行用于对具有堆叠层的晶片中的缺陷进行分类的计算机实施方法。在图1a中展示一个此实施例。特定来说，如图1a中所展示，计算机可读媒体100包含可在计算机系统104上执行的程序指令102。计算机实施方法包含下文参考图2所描述的方法的步骤。针对其而可执行程序指令的计算机实施方法可包含本文中所描述的任何其它操作。

实施例如本文中所描述的那些方法的方法的程序指令102可存储于计算机可读媒体100上。所述计算机可读媒体可为例如磁盘或光盘或磁带的存储媒体，或者此项技术中已知的任何其它适合非暂时性计算机可读媒体。作为选项，计算机可读媒体100可位于计算机系统104内。

可以包含基于程序步骤的技术、基于组件的技术及/或面向对象的技术以及其它技术的各种方式中的任一者来实施程序指令。举例来说，可视需要使用activex控制项、c++对象、javabeans、微软基础类别(“mfc”)或者其它技术或方法来实施所述程序指令。

计算机系统104可采取各种形式，包含个人计算机系统、图像计算机、主机计算机系统、工作站、网络器具、因特网器具或其它装置。一般来说，术语“计算机系统”可广泛定义为囊括具有一或多个处理器的执行来自存储器媒体的指令的任何装置。计算机系统104还可包含此项技术中已知的任何适合处理器，例如平行处理器。另外，计算机系统104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化工具。

额外实施例涉及一种经配置以用于对具有堆叠层的晶片中的缺陷进行分类的系统。在图1b中展示此系统的一个实施例。所述系统包含经配置以产生针对制作于晶片(或其它装置)上的组件的输出的检验系统105，所述检验系统在此实施例中如本文中进一步所描述而配置。所述系统还包含经配置以用于执行下文参考图2所描述的操作的一或多个计算机系统。一或多个计算机系统可经配置以根据本文中所描述的实施例中的任一者执行这些操作。计算机系统及所述系统可经配置以执行本文中所描述的任何其它操作且可如本文中所描述而进一步配置。

在图1b中所展示的实施例中，计算机系统中的一者为电子设计自动化(ead)工具的一部分，且检验系统以及计算机系统中的另一者并非ead工具的一部分。举例来说，这些计算机系统可包含上文参考图1a所描述的计算机系统104。举例来说，如图1b中所展示，计算机系统中的一者可为包含于ead工具106中的计算机系统108。ead工具106及包含于此工具中的计算机系统108可包含任何市售ead工具。

检验系统105可经配置以通过用光扫描晶片且在扫描期间从晶片检测光而产生针对所述晶片上的组件的输出。举例来说，如图1b中所展示，检验系统105包含光源120，光源120可包含此项技术中已知的任何适合光源。来自光源的光可被引导到分束器118，分束器118可经配置以将光从光源引导到晶片122。光源120可耦合到例如一或多个聚光透镜、准直透镜、中继透镜、物镜、光圈、光谱滤波器、偏光组件及类似者的任何其它适合元件(未展示)。如图1b中所展示，可以法向入射角将光引导到晶片122。然而，可以包含近乎法向及倾斜入射的任何适合入射角将光引导到晶片122。另外，可以一个以上入射角依序或同时将光或多个光束引导到晶片122。检验系统105可经配置而以任何适合方式使光在晶片122上进行扫描。

来自晶片122的光可在扫描期间由检验系统105的一或多个通道收集并检测。举例来说，以相对接近于法向的角度从晶片122反射的光(即，在入射为法向时的镜面反射的光)可通过分束器118到达透镜114。透镜114可包含折射光学元件，如图1b中所展示。另外，透镜114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。由透镜114收集的光可聚焦到检测器112。检测器112可包含此项技术中已知的任何适合检测器，例如电荷耦合装置(ccd)或另一类型的成像检测器。检测器112经配置以产生回应于由透镜114收集的反射光的输出。因此，透镜114及检测器112形成检验系统105的一个通道。检验系统105的此通道可包含此项技术中已知的任何其它适合光学组件(未展示)。

由于图1b中所展示的检验系统经配置以检测从晶片122镜面反射的光，因此检验系统105被配置为(亮场)bf检验系统。然而，此检验系统105还可经配置以用于其它类型的晶片检验。举例来说，图1b中所展示的检验系统还可包含一或多个其它通道(未展示)。其它通道可包含配置为散射光通道的本文中所描述的光学组件(例如透镜及检测器)中的任一者。透镜及检测器可如本文中所描述而进一步配置。以此方式，检验系统105还可经配置以用于(暗场)df检验。

检验系统105还可包含经配置以执行本文中所描述的方法的一或多个步骤的计算机系统110。举例来说，上文所描述的光学元件可形成检验子系统105的光学子系统111，检验子系统105还可包含耦合到光学子系统111的计算机系统110。以此方式，由检测器在扫描期间产生的输出可被提供到计算机系统110。举例来说，计算机系统110可耦合到检测器112(例如，通过图1b中的虚线所展示的一或多个传输媒体，其可包含此项技术中已知的任何适合传输媒体)，使得计算机系统110可接收由检测器产生的输出。

检验系统105的计算机系统110可经配置以执行本文中所描述的任何操作。举例来说，计算机系统110可经配置以用于对从所制作组件识别的图案缺陷进行系统及随机表征，如本文中所描述。另外，计算机系统110可经配置以执行本文中所描述的任何其它步骤。此外，虽然本文中所描述的操作中的一些操作可由不同计算机系统执行，但方法的所有操作可由单个计算机系统(例如检验系统105的计算机系统)或独立计算机系统执行。另外，计算机系统中的一或多者可配置为虚拟检验器，例如2012年2月28日颁予bhaskar等人的美国专利第8,126,255号中所描述的虚拟检验器，所述美国专利如同全面陈述于本文中一般以引用的方式并入。

检验系统105的计算机系统110还可耦合到并非检验系统的一部分的另一计算机系统(例如计算机系统108)，所述另一计算机系统可包含于另一工具(例如上文所描述的ead工具106)中，使得计算机系统110可接收由计算机系统108产生的输出，所述输出可包含由彼计算机系统108产生的设计。举例来说，两个计算机系统可由共享计算机可读存储媒体(例如晶片厂数据库)有效地耦合或可由传输媒体(例如上文所描述的传输媒体)耦合，使得可在两个计算机系统之间传输信息。

应注意，本文中提供图1b以大体上图解说明可包含于本文中所描述的系统实施例中的检验系统的配置。显然，本文中所描述的检验系统配置可经变更以优化检验系统的性能，如通常在设计商业检验系统时所执行。另外，可使用现有检验系统(例如可从科磊商业购得的29xx/28xx系列工具)(例如，通过将本文中所描述的功能性添加到现有检验系统)来实施本文中所描述的系统。针对一些此类系统，可将本文中所描述的方法作为系统的任选功能性(例如，除系统的其它功能性以外)而提供。或者，可“从零开始”设计本文中所描述的系统以提供全新系统。

在另一实施例中，检验系统105可直接或间接耦合到再检测系统(未展示)，例如美国专利第9,293,298号中所揭示的sem再检测系统。sem再检测系统可操作以再检测由检验系统105检测到的缺陷以对所述缺陷进行分类，此继而可用于对检验系统105进行训练以实现较佳缺陷检测。应注意，可在上文所描述的再检测系统的上下文中实施下文所描述的实施例。

图2展示根据一个实施例的用于对具有堆叠层的晶片中的缺陷进行分类的方法200。方法200可由与例如上文所描述的检验系统及再检测系统进行通信的任何计算机系统执行。此外，方法200可由包含检验系统及/或再检测系统的计算机系统执行。此外，尽管在本文中描述仅一个缺陷，但应注意，方法200可类似地应用于晶片中的任何数目个不同缺陷。

如操作202中所展示，获取多个图像，其中由检验系统针对由所述检验系统在晶片上检测到的缺陷的位置而产生所述图像。在当前实施例的上下文中，晶片上的位置由多个深堆叠层组成。举例来说，可通过分层过程来制作晶片，其中多个层至少在由检验系统检测到缺陷的位置处垂直地堆叠。在一个示范性实施例中，晶片可为三维(3d)nand晶片。

尽管参考其中由检验系统检测到缺陷的位置而描述操作202，但应注意，所述位置可具有或可不具有实际缺陷。举例来说，所检测缺陷可实际上为滋扰或其它非缺陷。在其它实施例中，缺陷可为实际缺陷，且可位于堆叠层内的任何地方、在由检验系统识别的位置处。举例来说，缺陷可位于堆叠层的顶部层上，或位于堆叠层的下伏层中。在任何情形中，检验系统获取晶片上的其中由检验系统检测到缺陷的位置处的图像，以用于对缺陷进行分类，如下文更详细地描述。

在当前实施例的上下文中，由检验系统使用不同聚焦设定在所述位置处产生的多个图像中的每一图像(例如，信号)。换句话说，检验系统可使用第一聚焦设定来产生晶片上的位置的第一图像、使用第二聚焦设定来产生晶片上的位置的第二图像、使用第三聚焦设定来产生晶片上的位置的第三图像，以此类推。不同聚焦设定中的每一者可在所述位置处以不同深度将光聚焦到晶片中。以此方式，由检验系统获得的图像可不同。可预配置所获取的图像的数目以及特定聚焦设定。

此外，如操作204中所展示，利用多个图像来确定缺陷的分类。在此操作204中执行的分类可能是指标记训练集中的缺陷。此可直接从在操作202中获取的图像或从基于在操作202中获取的图像所确定的跨焦(through-focus)(tf)信号分布型而实现。在一个实施例中，分类可指示缺陷为实际缺陷(例如，所关注缺陷(doi))还是非缺陷(例如，滋扰)。在另一实施例中，缺陷的分类可指示缺陷存在于堆叠层中的哪一者(例如，顶部层还是下伏层)中。

如上文所述，可依据tf信号分布型确定缺陷的分类。可通过针对一或多个属性来识别跨越多个图像的改变而确定这些分布型，所述多个图像为针对由检验系统检测到缺陷的位置而获取。因此，可基于针对所述一或多个属性所识别的改变而确定缺陷的分类。这些属性可包含可跨越所获取图像而区分的亮度、量值及/或任何其它属性。在此实施例中，可通过使用晶片的设计、实际缺陷的预定义属性或其组合来处理上文所描述的所识别改变信息而确定分类。

为此，可使用从检验系统获取的图像或从所述检验系统产生的tf信号分布型来对由检验系统检测到的缺陷进行分类，其中所述图像是使用不同聚焦设定而产生的。上文所描述的此跨焦检验方法可提供关于缺陷的深度的信息，所述信息在由现有检验系统所使用的现有单聚焦偏移检验方法中缺失。此可允许对从具有堆叠层的晶片检测到的缺陷进行分类。相反，在现有技术系统中，存在于晶片上的堆叠层内(即，在顶部层下面)的任何缺陷均不可经由检验系统而充分可见。这是因为现有技术检验系统并非经配置以使用不同聚焦设定来获取缺陷的位置处的图像。

作为另一选项，可使用上文所提及的训练集来调谐检验系统。此可包含使用训练集来对检验系统的分类器进行训练，因而调谐分类器的性能，所述分类器当在检验期间对所有缺陷进行分类时对缺陷属性进行操作。因此，分类器可被视为机器学习分类器。由机器学习分类器产生的分类可为将缺陷群体分离成不同类别(分级箱(bin))，且因此还可称为分级或在一些情形中还称为滋扰滤波，此可为最终检验结果。

tf图征可指示缺陷的位置、缺陷的分类、缺陷的属性等。在又一实施例中，可使用针对缺陷所产生的tf图征来调谐检验系统。

可在晶片映图上标绘在同一分级箱中的缺陷以针对所述分级箱产生空间图征。接着可使用针对所述分级箱所产生的空间图征来进一步调谐检验系统。

现在将依据用户的期望来陈述关于其中可实施或不可实施前述方法的各种任选架构及使用的更多说明性信息。应注意，以下信息是出于说明性目的而陈述且不应解释为以任何方式进行限制。在排除或不排除所描述的其它特征的情况下，可视情况并入以下特征中的任一者。

举例来说，根据下文所描述实施例，可通过组合tf、光学贴片与空间缺陷分布而提供对具有堆叠层的晶片的检验。这些实施例可提供用于获得、修改及减少用于训练分类器的训练集的高效方法，可通过考虑tf信号及空间缺陷分布的相似性及相异性而实现分级箱的分裂或合并，且可使用相关分级箱的空间图征及所述分级箱中的缺陷的tf信号分布型来提供用于评估分类纯度的快速验证方法。

图3图解说明根据一个实施例的用于分类器训练的方法300。作为选项，可在任何先前及/或后续图及/或其说明中所陈述的实施例中的任何一或多者的上下文中执行方法300。然而，将了解，可在任何所要环境的上下文中执行方法300。

如操作302中所展示，运行跨焦扫描。跨焦(tf)扫描可由检验系统运行。举例来说，tf扫描可产生晶片上的缺陷的位置的图像。在当前实施例中，晶片上的位置包含多个堆叠层，且每一扫描使用不同聚焦设定来获得所述位置处的图像。

另外，如操作304中所展示，使用在跨焦扫描期间产生的图像来创建tf信号分布型。这些tf信号分布型可各自为一维(1d)直方图，所述1d直方图在x轴上具有聚焦设定且在y轴上具有信号(图像)属性。所述属性可为亮度、量值等。接着将缺陷添加到训练集，如操作305中所展示。因此，训练集可为缺陷的样本。

此外，如操作306中所展示，使用tf信号分布型将训练集中的n个缺陷分类为预期平面内缺陷或平面外缺陷。在一个实施例中，n可为由检验系统检测到的所有缺陷的样本的预定义数目。此外，平面内缺陷可为依据tf信号分布型被识别为跨越晶片的单个平面(层)而存在的缺陷，且平面外缺陷可为依据tf信号分布型被识别为跨越晶片的多个平面(层)而存在的缺陷。

如操作308中所展示，运行机器学习算法。举例来说，可使用与预计算特征一起工作的许多不同机器学习算法中的任一者。在任何情形中，对经分类n个缺陷运行机器学习算法以产生经训练分类器。

此外，在操作310中，基于经训练分类器而分析晶片图征。接着基于操作310的分析而在决策312中确定是否发现预期图征。如果并未发现预期图征，那么方法300返回到操作305。然而，如果发现预期图征，那么分析训练数据的纯度及准确度，如操作314中所展示。接着在决策316中确定结果是否为收敛的。

如果确定结果并非收敛的，那么方法300返回到操作305。然而，如果确定结果为收敛的，那么如操作318中所展示，确定滋扰滤波模型是准备就绪的(例如，以供由检验系统使用)。

图4图解说明根据一个实施例的无监督式分级方法400。无监督式方法400用于发现典型缺陷图征及空间图征且揭露其间的相关性，使得所述关系连同分类器的质测量量一起将帮助识别doi分级箱。作为选项，可在任何先前及/或后续图及/或其说明中所陈述的实施例中的任何一或多者的上下文中执行方法400。然而，将了解，可在任何所要环境的上下文中执行方法400。

如操作401中所展示，运行tf扫描。接着，在操作402中，建立tf信号分布型。此外，如操作403中所展示，将缺陷添加到训练集。举例来说，选择由检验系统检测且具有多样tf信号分布型及图像的缺陷。接着，在操作404中，使用tf信号分布型将训练集中的n个缺陷分类到不同缺陷类型中。

另外，如操作406中所展示，使用经分类缺陷作为训练集来对分类器进行训练。分类器可对所有缺陷特征(例如，光学、设计等)进行操作，或属性选择可按需要排除设计属性或其它属性。此外，如操作408中所展示，将训练过程应用于与每一分类器分级箱相关联的空间图征。特定来说，此可能是指分类器的训练，其中检验(即，通过人类专家或机器学习算法)通过来自分类器分级箱中的一者的缺陷而形成于晶片上的空间图征以识别具有类似空间图征的分级箱。接着，在操作410中，通过合并分级箱而合并类似空间图征同时分析经合并分级箱中的tf信号分布型的纯度/准确度。

接着在决策412中确定结果是否为收敛的。如果确定结果并非收敛的，那么方法400返回到操作403。重复操作403可允许使训练集增强。然而，如果确定结果为收敛的，那么如操作414中所展示，确定分类器模型是准备就绪的(例如，以供由检验系统使用)。作为选项，可使用混淆矩阵、分类置信度、就信号分布型来说的分级箱纯度及在收敛时的空间图征来量化分类器的质量。

图5图解说明根据一个实施例的监督式分级方法500。当tf图征及doi空间图征两者为已知时，使用监督式方法500。作为选项，可在任何先前及/或后续图及/或其说明中所陈述的实施例中的任何一或多者的上下文中执行方法500。然而，将了解，可在任何所要环境的上下文中执行方法500。

如操作502中所展示，将缺陷添加到训练集。举例来说，针对训练集而选择由检验系统检测且具有多样tf信号分布型及图像的缺陷。接着，在操作504中，对具有已知tf信号分布型及图像的doi进行分类。此操作504将这些doi与其余缺陷分离。

另外，在操作506中，使用经分类缺陷作为训练集来对分类器进行训练。分类器可对所有缺陷特征(例如，光学、设计等)或其选定子集进行操作。此外，如操作508中所展示，检验与doi分级箱相关联的空间图征。接着，在操作510中，验证分级箱纯度及晶片层级图征外观。

接着在决策512中确定结果是否为收敛的。如果确定结果并非收敛的，那么方法500返回到操作502。重复操作502可允许使训练集增强。然而，如果确定结果为收敛的，那么如操作514中所展示，确定分类器模型是准备就绪的(例如，以供由检验系统使用)。作为选项，可使用混淆矩阵、分类置信度、就信号分布型来说的分级箱纯度及在收敛时的空间图征匹配得分来量化分类器的质量。

上文参考图3到5所描述的实施例揭示一种用于训练缺陷分类器及滋扰滤波器的方法，包含何时仅可以低置信度及/或以间接方式确定训练缺陷的类型，但何时可通过组合数个不同的不相关doi特性而以较高置信度获得认定实况(groundtruth)。众多特性的实例为tf信号及与具有此tf信号分布型的缺陷相关联的晶片层级(空间)缺陷分布。具体来说，方法适用于由堆叠层组成的晶片，例如3dnand光学检验，其中在层堆叠深处的埋入式缺陷在sem再检测工具上是不可见的，所述sem再检测工具通常用于确立训练集中的缺陷类型。

由于tf检验每聚焦设定含有数十个属性及特征，因此如果在检验期间存在用于收集图像的10个聚焦设定，那么存在用以创建滋扰滤波器或分级器(binner)的数百个属性。在此情形中，用户将发现手动地创建分类器是乏味烦人的。然而，上文参考图3到5所描述的实施例唯一地达成基于焦平面(预期doi来自所述焦平面)的机器学习分类器。

可使用具有使用tf图像(即，处于不同聚焦设定的图像)或tf信号分布型进行分类的缺陷的训练集来提供经机器训练分类器。可以两种方式中的一者来完成针对所述训练集的此缺陷分类：

(1)如果doi的tf信号分布型是已知的，那么基于tf信号分布型而对缺陷进行分类。参见图5的监督式方法以获得额外相关说明。

(2)直接使用tf图像来对缺陷进行分类。参见图4的无监督式方法以获得额外相关说明。

针对以上(1)及(2)两者，可以以下方式执行分类：

(a)手动方式(即，专家决定分类)，或

(b)自动方式，其是通过模拟tf图像或tf信号分布型对于每一缺陷类型及对于滋扰应看起来如何，且接着将训练集中的缺陷指派到其模拟值与训练缺陷最“相似”的类型。

可通过使用训练晶片上的所有光学及其它相关缺陷特征基于近似“认定实况”(即，所识别缺陷类型)而训练分类器来进一步提供经机器训练分类器。因此，尽管上文基于认定实况的知识层级而揭示监督式及无监督式操作两者，但还可在分类器训练期间存在介于监督式与无监督式之间的可能性范围，包含：

(a)针对一或多个缺陷类型的tf信号分布型及空间图征可为已知的，使用完全监督式操作；

(b)一或多个缺陷类型的仅tf信号分布型可为已知的，且空间图征是未知的；

(c)一或多个缺陷类型的仅空间图征可为已知的，但tf信号分布型并非已知的；

(d)以上信息中的任一者均非充分已知的，因此使用完全无监督式操作。

此外，可提供对分类器分级箱中的信号分布型纯度以及相关分级箱的晶片层级图征相对于已知特性的质量的同时调谐。可提供训练集的迭代积累直到收敛为止，且可使用混淆矩阵、分类的置信度、相关doi分级箱的纯度及由doi分级箱形成的空间图征的准确度来另外提供对分级箱的分级相关性的评估。

尽管上文已描述各种实施例，但应理解，所述实施例仅以实例方式而非限制方式呈现。因此，优选实施例的广度及范围不应受上文所描述的示范性实施例中的任一者限制，而应仅根据随附权利要求书及其等效内容来界定。