用于以卷积神经网络为基础的缺陷检验的数据扩增制造技术

本发明专利技术揭示用于将增补输入数据提供到卷积神经网络CNN的系统及方法。在处理器处接收晶片图像。将所述晶片图像划分成各与所述晶片图像中的裸片相关联的多个参考图像。接收测试图像。通过差异化所述测试图像与所述参考图像而产生多个差异图像。将所述参考图像及所述差异图像汇集到用于所述CNN的所述增补输入数据中且提供到所述CNN。

Data Amplification for Defect Testing Based on Convolutional Neural Network

【技术实现步骤摘要】
【国外来华专利技术】用于以卷积神经网络为基础的缺陷检验的数据扩增相关申请案的交叉参考本申请案主张2016年12月7日申请的第62/430,925号美国临时申请案(现处于待审中)的优先权，所述案的揭示内容以引用的方式并入本文中。
本专利技术涉及缺陷检验，例如用于以卷积神经网络为基础的缺陷检验的数据扩增的系统及方法。
技术介绍
制造例如逻辑及存储器装置的半导体装置通常包含使用较大数目个半导体制造工艺处理例如半导体晶片的衬底以形成半导体装置的各种特征及多个层级。例如，光刻是涉及将图案从光罩转印到布置于半导体晶片上的抗蚀剂的半导体制造工艺。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。可在单个半导体晶片上的布置中制造多个半导体装置且接着将它们分离为个别半导体装置。在半导体制造工艺期间的各种步骤使用检验过程检测晶片上的缺陷以促进制造工艺中的更高良率及因此更高利润。检验始终是制造例如集成电路的半导体装置的重要部分。但是，随着半导体装置的尺寸减小，检验对于可接受半导体装置的成功制造变得更加重要，这是因为较小缺陷可导致装置故障。例如，随着半导体装置的尺寸减小，缩小大小的缺陷的检测已变得必要，这是由于甚至相对小的缺陷可导致半导体装置中的非所要像差。但是，随着设计规则收紧，半导体制造工艺可更接近于工艺的性能能力的限制而操作。另外，随着设计规则收紧，较小缺陷可影响装置的电参数，此驱使更灵敏的检验。因此，随着设计规则收紧，通过检验检测到的潜在良率相关缺陷的群体显著增长，且通过检验检测到的扰乱点缺陷的群体也显著增加。因此，可在晶片上检测到越来越多的缺陷，且校正工艺以消除所有缺陷可为困难且昂贵的。因而，确定哪些缺陷实际上影响装置的电参数及良率可允许工艺控制方法专注于所述缺陷，同时大体上忽略其它缺陷。此外，在减小设计规则下，工艺引发的故障可在一些情况中倾向于是系统性的。即，工艺引发的故障倾向于在通常在设计内重复许多次的预定设计图案下发生故障。空间系统性、电相关缺陷的消除是重要的，这是因为消除这些缺陷可对良率具有明显的总体影响。缺陷是否将影响装置参数及良率通常无法从上文描述的检验、重检及分析工艺确定，这是由于这些工艺可无法确定缺陷相对于电设计的位置。检测缺陷的一种方法是使用计算机视觉。在计算机视觉中，例如卷积神经网络(CNN)的模型可用于识别缺陷。CNN可具备来自晶片及一组已知缺陷的各种图像。最常见任务中的一者是将模型拟合到一组训练数据，其中目标是可靠预测未见测试数据。通常，我们最少需要每一者的几百个实例。经常，如此多数据是不可用的或收集此数据花费太长时间。另外，可过度拟合CNN。在过度拟合时，统计模型描述随机误差或噪声而非潜在关系。例如，图1说明展示相邻裸片的差异图像中的晶片噪声的多个图像10。在模型过度复杂(例如具有相对于若干观察的过多参数)时发生过度拟合。已过度拟合的模型具有不良预测性能，这是因为其对训练数据的小波动过度反应。同样地，在统计模型或机器学习算法无法捕获数据的潜在趋势时发生低度拟合。例如，在将线性模型拟合到非线性数据时将发生低度拟合。此模型将具有不良预测性能。过度拟合的可能性由于用于训练模型的准则不同于用于判定模型的效力的准则而存在。特定来说，通常通过最大化模型对某组训练数据的性能来训练所述模型。但是，未通过其对训练数据的性能而通过其对未见数据的良好性能的能力来确定其效力。在模型开始“记住”训练数据而非“学习”从趋势一般化时发生过度拟合。作为极端实例，如果参数数目与观察数目相同或大于观察数目，那么简单模型或学习过程可通过记住全部训练数据而完美预测训练数据，但此模型通常将在预测新数据或未见数据时彻底失败，这是因为简单模型完全没有学习一般化。过度拟合的可能性不仅取决于参数及数据的数目而且取决于模型结构与数据形状的一致性及相较于数据中的预期噪声或误差水平的模型误差量值。为避免过度拟合，有必要使用额外技术，例如数据扩增。数据扩增采用现有数据(例如现有晶片图像)且将数学函数应用到数据，以便产生新但类似的指示图像。例如，当前使用的数据扩增技术包含图像的旋转、平移、变焦、翻转及修剪。但是，这些技术无法容易地用于缺陷检验领域中。例如，旋转仅具有有限值，这是因为仅可在一或两个定向(0及90度)上检验晶片。变焦在检验过程期间恒定且因此也具有有限值。可使用图像的平移、翻转及修剪，但这些扩增尤其在使CNN对裸片到裸片或晶片到晶片工艺变动稳健时通常不足以产生足够扩增数据。此外，现有技术数据扩增技术在处置如在图1中的相邻裸片的差异图像100中说明的随机晶片噪声时尤其不足。使用有意义完全随机晶片噪声扩增输入数据集是困难的但应在处置随机工艺变动(其是最具挑战性的晶片噪声源中的一者)时纳入考虑。
技术实现思路
本专利技术的一个实施例可描述为一种用于将扩增输入数据提供到卷积神经网络(CNN)的方法。所述方法包括在处理器处接收晶片图像。所述方法进一步包括使用所述处理器将所述晶片图像划分成多个参考图像。每一参考图像可与所述晶片图像中的裸片相关联。所述方法进一步包括在所述处理器处接收一或多个测试图像。所述方法进一步包括通过使用所述处理器差异化(differencing)所述一或多个测试图像与所述多个参考图像中的一或多者而产生多个差异图像。在一个实施例中，产生多个差异图像的步骤包括差异化测试图像与中值裸片参考图像、黄金裸片(goldendie)参考图像、基于呈现设计的参考成像或来自与所述测试图像相同的裸片行、与所述测试图像相同的裸片列或所述晶片图像中的任何裸片的参考图像。所述方法进一步包括使用所述处理器将所述多个参考图像及所述多个差异图像汇集到用于所述CNN的所述扩增输入数据中。所述方法进一步包括将所述扩增输入数据提供到所述CNN。在另一实施例中，所述方法可进一步包括使用图像数据获取子系统执行晶片扫描。所述图像数据获取子系统将所述晶片扫描转换成晶片图像及一或多个测试图像。在一个实施例中，所述方法进一步包括通过差异化具有所关注缺陷(DOI)的一或多个测试图像与所述多个参考图像中的一或多者且合并差异图像与所述多个测试图像中的一或多者而产生多个DOI图像。将所述多个DOI图像汇集到用于所述CNN的所述扩增输入数据中。在另一实施例中，所述方法可进一步包括使用所述处理器通过相对于所接收一或多个测试图像转置所述多个参考图像及所述多个差异图像而产生多个转置图像。将所述多个转置图像汇集到用于所述CNN的所述扩增输入数据中。可使所述多个转置图像相对于所述所接收一或多个测试图像转置子像素偏移。在一个实施例中，所述方法可进一步包括使用所述处理器通过使所述多个参考图像及所述多个差异图像的像素值乘以常数或矩阵而产生多个放大图像。将所述多个放大图像汇集到用于所述CNN的所述扩增输入数据中。在另一实施例中，所述方法进一步包括使用所述处理器：产生所述晶片图像的电磁模拟；呈现所述电磁模拟；组合所述所呈现电磁模拟与所接收晶片图像以产生电磁图像；将所述电磁图像划分成多个电磁参考图像；及将所述多个电磁参考图像汇集到用于所述CNN的所述扩增输入数据中。每一电磁参考图像可与所述电磁图像中的一裸片相关联。在一个实施例中，所述方法进一步包括使用所述处理器通过使所述多个参考图像及所述多本文档来自技高网...

【技术保护点】
1.一种将扩增输入数据提供到卷积神经网络CNN的方法，其包括：在处理器处接收晶片图像；使用所述处理器将所述晶片图像划分成多个参考图像，每一参考图像与所述晶片图像中的裸片相关联；在所述处理器处接收一或多个测试图像；使用所述处理器通过差异化所述一或多个测试图像与所述多个参考图像中的一或多者而产生多个差异图像；使用所述处理器将所述多个参考图像及所述多个差异图像汇集到用于所述CNN的所述扩增输入数据中；及使用所述处理器将所述扩增输入数据提供到所述CNN。

【技术特征摘要】
【国外来华专利技术】2016.12.07 US 62/430,925;2017.09.29 US 15/720,2721.一种将扩增输入数据提供到卷积神经网络CNN的方法，其包括：在处理器处接收晶片图像；使用所述处理器将所述晶片图像划分成多个参考图像，每一参考图像与所述晶片图像中的裸片相关联；在所述处理器处接收一或多个测试图像；使用所述处理器通过差异化所述一或多个测试图像与所述多个参考图像中的一或多者而产生多个差异图像；使用所述处理器将所述多个参考图像及所述多个差异图像汇集到用于所述CNN的所述扩增输入数据中；及使用所述处理器将所述扩增输入数据提供到所述CNN。2.根据权利要求1所述的方法，其进一步包括：使用图像数据获取子系统来执行晶片扫描；使用图像数据获取子系统将所述晶片扫描转换成所述晶片图像；及使用所述图像数据获取子系统将所述晶片扫描转换成所述一或多个测试图像。3.根据权利要求1所述的方法，其进一步包括：使用所述处理器通过差异化具有所关注缺陷DOI的一或多个测试图像与所述多个参考图像中的一或多者且合并所述差异图像与所述多个测试图像中的一或多者而产生多个DOI图像；及使用所述处理器将所述多个DOI图像汇集到用于所述CNN的所述扩增输入数据中。4.根据权利要求1所述的方法，其进一步包括：使用所述处理器通过相对于所述所接收一或多个测试图像转置所述多个参考图像及所述多个差异图像而产生多个转置图像；及使用所述处理器将所述多个转置图像汇集到用于所述CNN的所述扩增输入数据中；其中使所述多个转置图像相对于所述所接收一或多个测试图像转置子像素位移。5.根据权利要求1所述的方法，其进一步包括：使用所述处理器通过使所述多个参考图像及所述多个差异图像的像素值乘以常数或矩阵而产生多个放大图像；及使用所述处理器将所述多个放大图像汇集到用于所述CNN的所述扩增输入数据中。6.根据权利要求1所述的方法，其进一步包括：使用所述处理器产生所述晶片图像的电磁模拟；使用所述处理器呈现所述电磁模拟；使用所述处理器组合所述所呈现电磁模拟与所述所接收晶片图像以产生电磁图像；使用所述处理器将所述电磁图像划分成多个电磁参考图像，每一电磁参考图像与所述电磁图像中的裸片相关联；及使用所述处理器将所述多个电磁参考图像汇集到用于所述CNN的所述扩增输入数据中。7.根据权利要求1所述的方法，其进一步包括：使用所述处理器通过使所述多个参考图像及所述多个差异图像失焦而产生多个失焦图像；及使用所述处理器将所述多个失焦图像汇集到用于所述CNN的所述扩增输入数据中。8.根据权利要求1所述的方法，其进一步包括：使用所述处理器通过改变所述多个参考图像及所述多个差异图像的照明值而产生多个照明图像；及使用所述处理器将所述多个照明图像汇集到用于所述CNN的所述扩增输入数据中。9.根据权利要求1所述的方法，其中产生多个差异图像的所述步骤包括：使用所述处理器差异化测试图像与中值裸片参考图像、黄金裸片参考图像、基于呈现设计的参考成像或来自与所述测试图像相同的裸片行、与所述测试图像相同的裸片列或所述晶片图像中的任何裸片的参考图像。10.一种用于将扩增输入数据提供到卷积神经网络CNN的系统，其包括：处理器，其经...

【专利技术属性】
技术研发人员：B·布拉尔，V·拉马钱德兰，R·威灵福德，S·A·永，
申请(专利权)人：科磊股份有限公司，
类型：发明
国别省市：美国,US