CN113627457B 基于深度学习使用晶圆缺陷图像对晶圆内的缺陷进行分类的方法和系统 （坎泰克有限公司）

TW201935590A,2019.09.01ClassificationModel:AnAltArchitectureforHierarchClassification.Internationa2021.11.09基于深度学习使用晶圆缺陷图像对晶圆内本发明提供了基于深度学习网络的用于使用晶圆缺陷图像对晶圆中的缺陷进行分类的方法和系统100。本文的实施方案使用晶圆缺陷图像的多个模式之间的协同来进行分类决策。此2提供被配置为捕获图像的不同成像模式的一个或多个成提供来自多个机器学习模型的两个或更多个机器学习模型，所述两个或多个机器学习模型被训练以对一个或多个半导体晶圆中的一个或多个晶片上的一个或多向所述两个或更多个机器学习模型提供存储在所述数据库中的所述一个或多个半导配置来自所述两个或更多个机器学习模型的每个机器学习模型，在有向无环图架构中连接经训练的两个或更多个机器学习模型其中所述有向无环图架构包括至少第一路径和第二路径，其中所述有向无环图架构包括代表各自的机器学习模型的节通过以下检测位于半导体晶圆上包含的晶片接收来自所述一个或多个成像单元的至少一个图像，所述至少一基于所述有向无环图架构中的在前机器学习模型的输出，确定所述如果所述至少一个机器学习模型被跳过，则所述至少通过执行与所述终端节点相关联的后处理，生成所述一个缺陷的分2.根据权利要求1所述的方法，其中给所述两个或更多个机器学习模型提供属于所述3.根据权利要求1所述的方法，其中所述两个或更多个机器学习模型中的每个是以下3配置所述两个或更多个机器学习模型中的第一机器学习模配置所述两个或更多个机器学习模型中的第二机器学习模7.根据权利要求6所述的方法，其中所述第一组缺陷类别中的缺陷类别的数量大于所向所述两个或更多个机器学习模型中的第一机器学习模型提供所述多个标记图像中向所述两个或更多个机器学习模型中的第二机器学习模型提供所述多个标记图像中生成位于在所述半导体上包含的所述晶片上的第二缺二缺陷的所述分类决定包括通过利用包括在所述第二路径中的第二组机器学习模型对所相关的标签，其中所述多个标记图像是使用所述一个或多个半导体晶圆的历史图像生成两个或更多个机器学习模型，其中所述两个或更多个机器4向所述两个或更多个机器学习模型提供存储在数据库中的所述一个或多个半导体晶配置来自所述两个或更多个机器学习模型的每个机器学习模型，其中在有向无环图架构中连接经训练的两个或更多个机器学其中所述有向无环图架构包括至少第一路径和第二路径，其中所述有向无环图架构包括代表各自的机器学习模型的节接收来自所述一个或多个成像单元的至少一个图像，所述至少一基于所述有向无环图架构中的在前机器学习模型的输出，确定所述如果所述至少一个机器学习模型被跳过，则所述至少17.根据权利要求15所述的系统，其中所述多个标记图像包括与所述至少一个缺陷类19.根据权利要求15所述的系统，其中所述系统被配置为通过遵循所述有向无环图架56[0002]本申请要求于2020年4月24日递交的美国临时申请号63/015,101的权益和优先一种基于深度学习网络的使用晶圆缺陷图像对晶圆中的增加的特性及多层合并到半导体晶圆的较小表面积中。因此，光刻(photolithography/[0005]通常，可基于使用高倍率光学系统或扫描电子显微镜(SEM)中的至少一个来获得[0006]本发明提供了基于深度学习网络的使用晶圆缺陷图像对晶圆中的缺陷进行分类习模型的训练过程，其可显著减少标记图像的数量和深度学习模型收敛所需的训练时间[0007]本文中的实施方案可以使用有向无环图(DirectAcyclicGraph,DAG)作为深度7[0008]本发明中公开的特征有助于在制造期间通过分析晶圆缺陷图像的多个模式来准个ML模型配置为DAG架构中的根节点；所述多个ML模型配置为对所述半导体晶圆中的一个8个参考图像的对应参考图像将多个标记图像分类为一个或多个缺陷类融合技术或混合融合技术中的一种来组合从多个模式中提取的特征。进一步包括后处理，其中后处理包括使用来自多个ML模型中的每一个分类信息将多个图像准确地分类到一个一个或多个ML模型配置为DAG架构中的根节点，多个ML模型配置为被训练从而对半导体晶数据库中的半导体晶圆的多个标记图像和多个参考图像提供给来自多种ML模型的一个或单元使用来自多个ML模型中的每个的分类信息将多个图像精确地分类到一个或多个缺陷9[0022]图1示出了根据本发明的一些实施方案，基于深度学习网络的用于使用晶圆缺陷[0023]图2示出了根据本发明的一些实施方案的多模式后期融合深度学习模型的框图，所述模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模[0024]图3示出了根据本发明的一些实施方案的多模式混合融合深度学习模型的框图，所述模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模[0025]图4示出了根据本发明的一些实施方案的多模式早期融合深度学习模型的框图，所述模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深度学习模[0026]图5a示出了根据本发明的一些实施方案的使用一系列深度学习模型的DAG拓扑的[0027]图5b示出了根据本申请的一些实施方案，来自定义DAG中的流动路径的每个深度[0028]图6a是描述根据本发明的一些实施方案的基于深度学习网络使用晶圆缺陷图像[0033]图1示出了根据本发明的一些实施方案的用于基于深度学习网络使晶圆缺陷图像的晶圆缺陷图像对晶圆中的缺陷进行分类。所述的电子装置104还可以包括使用深度学习述模块和子模块可包括软件模块或硬件模块中的至少一获得的图像等。然后，所述电子装置104被配置为从外部数据库(未示出)或从与电子装置深度学习模型的架构中。训练过程中的参考图像可以通过向深度学习模块122提供关于所检查图像和参考图像之间的内部关系的信息以对深度学习内部参数的更快的调整或训练。为将包括相关目录和元数据结果(即缺陷元数据)的分类晶圆图像保存在于电子装置104相部数据库或存储单元116加载先前计算和存储的缺陷元数据。例如，元数据包括不同的特陷元数据的特征。然后，所述电子装置104可配置为向训练的深度学习模型提供检查的图装置104可配置用于将包括相关联的元数据结果(即缺陷元数据)的分类晶圆图像存储在与电子装置104相关联的存储单元116或外部像存储单元126)之前被标记。对于在存储在外部数据库(或图像存储单元126)中的图像中发现的每个缺陷，从缺陷图像提取的一组元数据特征被存储在外部数据库(或图像存储单[0042]本文的实施方案使用晶圆缺陷图像的集中模式之间的协同来进行分类决策。此供给每个模式图像的参考图像的优点是集中于缺陷本身，而不是缺陷图像的相关底层光的所述参考图像可以明显减少标记图像的数量和训练时间(即，当一个完整的数据集通过深度学习神经网络向前和向后传递时)需要进行深度学习[0043]图2示出了根据本发明的一些实施方案的多模式后期融合深度学习模型的框图，该模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深[0045]图3示出了根据本发明的一些实施方案的多模式混合融合深度学习模型的框图，该模型可用作使用晶圆缺陷图像对晶圆中的缺陷进行分类的深[0046]多模式CNN模型，例如多模式混合融合深度学习模型可以包括用于编码彩色图像[0047]图4示出的是根据本发明的一些实施方案的多模式早期融合深度学习模型的框[0048]多模式早期融合深度学习模型可以包括用于联合表示彩色缺陷图像和ICI缺陷图[0049]图5a示出了根据本发明的一些实施方案使用一系列深度学习模型的DAG拓扑的示输入图像的自动编码器和/或生成式对抗网络(GAN)深度学习模型。所述DAG可以包括唯一与该图像交互作用的深度学习模型的结果来[0052]图6a描述的是根据本申请的一些实施方案的基于深度学习网络的用于使用晶圆缺陷图像对晶圆中的缺陷进行分类的方法600a成像设备102(图1)存储在与所述成像设备102相关联的图像存储单元126(图1)中。在方框603，存储在与所述成像设备102相关联的图像存储单元126中的图像是由电子装置104(图ICI参考图像相对应的至少一个参考图像，该参考图像代表具有在晶圆中没有缺陷的被检查图像扫描的晶圆的相同区域。在方框605，电子装置104从电子装置104的深度学习模块(即缺陷元数据)的分类晶圆图像存储在电子装置104的外部数据库或存储[0054]图6b描述的是根据本申请的一些实施方案的电子装置104中没有存储晶圆缺陷图[0056]本文的实施方案可以利用有向无环图(DAG)作为深度学习模型的组合，并且每个深度学习可以使用缺陷晶圆图像来处理问题的不同方面或晶圆中缺陷的不同形式。此外，所述DAG可以创建具有任意数量的模型，每个深度学习模型的多个不同图像(例如，六图[0057]对于本文中基本上任何复数和/或单数术语的使用，本领域技术人员可根据上下 特定权利要求限制为仅包含一个这样的叙述的发明，即使同一权利要求包括介绍性短语用权利要求书的特定数量，本领域技术人员也将认识到，