人工智能辨识的半导体影像量测方法技术

本发明专利技术公开了一种人工智能辨识的半导体影像量测方法，其包括以下步骤：提供半导体的原始影像；利用人工智能判断前述原始影像所属的类型和/或种类；导入前述原始影像所属的类型和/或种类所预定的尺寸量测模式，并依照前述预定的尺寸量测模式，扫描前述原始影像，以获得前述原始影像的测量信号；以及将所获得的特定位置的测量信号输出，并经由计算以获得前述半导体中特定的物理参数。述半导体中特定的物理参数。述半导体中特定的物理参数。

【技术实现步骤摘要】
人工智能辨识的半导体影像量测方法


[0001]本专利技术是关于半导体影像量测方法，且特别是关于一种人工智能辨识的半导体影像量测方法。

技术介绍

[0002]随着产品尺寸缩小化的趋势影响，半导体影像的尺寸量测的速度以及精准度已是目前样品分析从业者所面临的重大课题。目前，样品分析从业者对于半导体影像的尺寸量测大多仍采用人工进行尺寸量测，对于具有各式各样结构设计的半导体而言，利用人工进行尺寸量测，无法快速提供半导体影像尺寸量测服务。鉴于此，一种可提供快速且精准的人工智能辨识的半导体影像量测方法一直是本领域从业者所殷切期盼的。

技术实现思路

[0003]本专利技术揭示一种人工智能辨识的半导体影像量测方法，其包括以下步骤：提供半导体的原始影像；利用人工智能判断前述原始影像所属的类型和/或种类；导入前述原始影像所属的类型和/或种类所预定的尺寸量测模式，并依照前述预定的尺寸量测模式，扫描前述原始影像，以获得前述原始影像的测量信号；以及从前述原始影像中抽出特定位置的对象，通过对应于前述抽出特定位置的对象的测量信号强度的运算以获得前述半导体中特定的物理参数。
[0004]如上所述的人工智能辨识的半导体影像量测方法，前述半导体的原始影像是由扫描式电子显微镜(SEM)、穿透式电子显微镜(TEM)、原子力显微镜(AFM)、聚焦离子束显微镜(FIB)、以及X-光绕射结晶分析仪所构成族群其中之一所拍摄提供。
[0005]如上所述的人工智能辨识的半导体影像量测方法，前述特定位置为为前述原始影像中的指定结构处、指定高度、指定距离、指定50％高度、最小处、最大处、最底部、最顶部。
[0006]如上所述的人工智能辨识的半导体影像量测方法，前述特定的物理参数为前述半导体中特定层的厚度、宽度、厚度平均值、宽度平均值、厚度标准偏差、宽度标准偏差、厚度方均根、宽度方均根其中之一或其组合，和/或前述半导体中特定位置的长度、宽度、高度、间距、夹角、弧长其中之一或其组合。
[0007]如上所述的人工智能辨识的半导体影像量测方法，前述测量信号强度的运算为强度差运算、积分差运算或微分差运算。
[0008]如上所述的人工智能辨识的半导体影像量测方法，前述利用人工智能判断前述原始影像所属的类型和/或种类的步骤是由一类神经网络模块所执行。
[0009]如上所述的人工智能辨识的半导体影像量测方法，前述类神经网络模块为卷积神经网络(Convolutional Neural Networks,CNN)模块或递归神经网络(Recurrent Neural Networks,RNN)模块。
[0010]本专利技术还揭示另一种人工智能辨识的半导体影像量测方法，其包括以下步骤：提供半导体的原始影像；优化处理前述原始影像，以获得优化影像；利用人工智能判断前述优
化影像所属的类型和/或种类；导入前述优化影像所属的类型和/或种类所预定的尺寸量测模式，并依照前述预定的尺寸量测模式，扫描前述优化影像，以获得前述优化影像的测量信号；以及从前述优化影像中抽出特定位置的对象，通过对应于前述抽出特定位置的对象的测量信号强度的运算以获得前述半导体中特定的物理参数。
[0011]如上所述的另一种人工智能辨识的半导体影像量测方法，前述半导体的原始影像是由扫描式电子显微镜(SEM)、穿透式电子显微镜(TEM)、原子力显微镜(AFM)、聚焦离子束显微镜(FIB)、以及X-光绕射结晶分析仪所构成族群其中之一所拍摄提供。
[0012]如上所述的另一种人工智能辨识的半导体影像量测方法，前述优化处理前述原始影像的步骤所优化处理的为前述原始影像的亮度、和/或对比、和/或敏锐度、和/或饱和度、和/或伽马校正、和/或灰阶、和/或色相、和/或色差、和/或色温、和/或焦距、和/或分辨率、和/或噪声、和/或边缘平坦化。
[0013]如上所述的人工智能辨识的半导体影像量测方法，前述特定位置为前述优化影像中的指定结构处、指定高度、指定距离、指定50％高度、最小处、最大处、最底部、最顶部。
[0014]如上所述的另一种人工智能辨识的半导体影像量测方法，前述特定的物理参数为前述半导体中特定层的厚度、宽度、厚度平均值、宽度平均值、厚度标准偏差、宽度标准偏差、厚度方均根、宽度方均根其中之一或其组合，和/或前述半导体中特定位置的长度、宽度、高度、间距、夹角、弧长其中之一或其组合。
[0015]如上所述的另一种人工智能辨识的半导体影像量测方法，前述测量信号强度的运算为强度差运算、积分差运算或微分差运算。
[0016]如上所述的另一种人工智能辨识的半导体影像量测方法，前述利用人工智能判断前述优化影像所属的类型和/或种类的步骤是由一类神经网络模块所执行。
[0017]如上所述的另一种人工智能辨识的半导体影像量测方法，前述类神经网络模块为卷积神经网络(Convolutional Neural Networks,CNN)模块或递归神经网络(Recurrent Neural Networks,RNN)模块。
附图说明
[0018]图1为根据本专利技术一实施例所揭示的一种人工智能辨识的半导体影像量测方法的流程图。
[0019]图2为根据本专利技术另一实施例所揭示的另一种人工智能辨识的半导体影像量测方法的流程图。
[0020]图3为利用本专利技术一实施例所揭示的人工智能辨识的半导体影像量测方法所量测的一个鳍式场效晶体管样品的TEM原始影像剖视图。
[0021]图4为利用本专利技术一实施例所揭示的人工智能辨识的半导体影像量测方法所量测的另一个鳍式场效晶体管样品的TEM原始影像剖视图。
[0022]图5为利用本专利技术一实施例所揭示的人工智能辨识的半导体影像量测方法所量测的一个鳍式场效晶体管样品的TEM原始影像俯视图。
[0023]图6A为图3所示的鳍式场效晶体管样品的TEM原始影像剖视图的部分放大图，且从前述TEM原始影像中抽出特定位置的对象。
[0024]图6B为对应于图6A所示从前述TEM原始影像中抽出特定位置的对象的测量信号强
度分布图。
[0025]图7A为利用本专利技术另一实施例所揭示的人工智能辨识的半导体影像量测方法所量测的另一个鳍式场效晶体管样品的TEM原始影像剖视图。
[0026]图7B为图7A的优化影像。
[0027]图8A为利用本专利技术另一实施例所揭示的人工智能辨识的半导体影像量测方法所量测的另一个鳍式场效晶体管样品的TEM原始影像俯视图。
[0028]图8B为图8A的优化影像。
具体实施方式
[0029]为了使本专利技术公开内容的叙述更加详细与完备，下文针对本专利技术的实施方案与具体实施例进行了说明性的描述；但这并非是实施或运用本专利技术具体实施例的唯一形式。以下所揭露的各种实施例，在有益的情形下可相互组合或取代，也可在一种实施例中附加其他的实施例，而无需进一步的记载或说明。
[0030]实施例
[0031]实施例一
[0032]请参阅图1，其为根据本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能辨识的半导体影像量测方法，其特征在于，前述方法包括以下步骤：提供半导体的原始影像；利用人工智能判断前述原始影像所属的类型和/或种类；导入前述原始影像所属的类型和/或种类所预定的尺寸量测模式，并依照前述预定的尺寸量测模式，扫描前述原始影像，以获得前述原始影像的测量信号；以及从前述原始影像中抽出特定位置的对象，通过对应于前述抽出特定位置的对象的测量信号强度的运算以获得前述半导体中特定的物理参数。2.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述半导体的原始影像是由扫描式电子显微镜SEM、穿透式电子显微镜TEM、原子力显微镜AFM、聚焦离子束显微镜FIB、以及X-光绕射结晶分析仪所构成族群其中之一所拍摄提供。3.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述特定位置为前述原始影像中的指定结构处、指定高度、指定距离、指定50％高度、最小处、最大处、最底部、最顶部。4.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述特定的物理参数为前述半导体中特定层的厚度、宽度、厚度平均值、宽度平均值、厚度标准偏差、宽度标准偏差、厚度方均根、宽度方均根其中之一或其组合其中之一或其组合，和/或前述半导体中特定位置的长度、宽度、高度、间距、夹角、弧长其中之一或其组合其中之一或其组合。5.如权利要求1所述的人工智能辨识的半导体影像量测方法，其特征在于，前述测量信号强度的运算为强度差运算、积分差运算或微分差运算。6.如权利要求1至5中任一项所述的人工智能辨识的半导体影像量测方法，其特征在于，前述利用人工智能判断前述原始像所属的类型和/或种类的步骤是由一类神经网络模块所执行。7.如权利要求6所述的人工智能辨识的半导体影像量测方法，其特征在于，前述类神经网络模块为卷积神经网络CNN模块或递归神经网络RNN模块。8.一种人工智能辨识的半导体影像量测方法，其特征在于，其步骤包括：提供半导体的原始影像；优化处理前述原始影像，以获得优化影像；利用人工智能判断前述优化影像所属的类...

【专利技术属性】
技术研发人员：柳纪纶，陈荣钦，黄邦浩，陈朝炜，
申请(专利权)人：汎铨科技股份有限公司，
类型：发明
国别省市：