【技术实现步骤摘要】
当前公开的主题大体上涉及半导体样本检查领域，并且更具体地涉及用于半导体样本图像的图像去噪。
技术介绍
1、对与所制造器件的超大规模集成相关联的高密度和性能的当前需求需要亚微米特征、增加的晶体管和电路速度以及提高的可靠性。随着半导体工艺进展，诸如线宽之类的图案尺寸和其他类型的关键尺寸持续缩小。这类需求需要形成具有高精度和均匀性的器件特征，这进而有必要仔细监测制造工艺，包括在器件仍处于半导体晶片的形式时自动检查所述器件。
2、检查可以通过在制造要检查的样本期间或之后使用非破坏性检查工具来提供。检查大体上涉及通过将光或电子引导至晶片并检测来自晶片的光或电子来生成针对样本的某个输出(例如，图像、信号等)。通过非限制性示例的方式，各种非破坏性检查工具包括扫描电子显微镜、原子力显微镜、光学检验工具等。
3、检查工艺可以包括多个检查步骤。半导体器件的制造工艺可以包括各种过程，诸如蚀刻、沉积、平坦化、生长(诸如外延生长)、注入等。检查步骤可以执行多次，例如在某些工艺过程之后、和/或在制造某些层之后等。附加地或替代地，例如对于不同的晶片位置或对于具有不同检查设置的相同晶片位置，每个检查步骤可以重复多次。
4、检查工艺在半导体制造期间的各个步骤处使用来检测和分类样本上的缺陷、以及执行计量相关操作。检查的有效性可以通过(多个)工艺的自动化来提高，诸如例如缺陷检测、自动缺陷分类(adc)、自动缺陷审查(adr)、图像分割、自动化的计量相关操作等。自动化检查系统确保所制造的零件符合预期的质量标准，并取决于所识别的缺陷类
5、在一些情况下，机器学习技术可以用于辅助检查工艺，以便提供用于自动化具体的检查应用的准确且高效的解决方案，并且促进较高的良率。
技术实现思路
1、根据当前公开的主题的某些方面，提供了一种图像生成系统，所述系统包括处理和存储器电路系统(pmc)，所述pmc经配置为：获得具有低信噪比(snr)的半导体样本的运行时图像；以及使用机器学习(ml)模型处理运行时图像以获得具有相对于低snr相对较高的高snr的输出图像，其中ml模型在设置期间使用包括分别与相同的高snr图像相关联的多个低snr图像的训练集预先训练，所述多个低snr图像与由检查工具在扫描半导体样本的第一位点的多次运行中采集的多个帧序列相对应，所述高snr图像基于多个低snr图像生成；其中ml模型的训练包括对于每个低snr图像：由ml模型处理低snr图像以获得预测图像数据，并且基于预测图像数据和高snr图像优化ml模型。
2、除了以上特征之外，根据当前公开的主题的这方面的系统可以包括以技术上可能的任何期望组合或排列的下文列出的特征(i)至(x)中的一个或多个：
3、(i)多个低snr图像中的每个低snr图像是通过以下方式生成的：由检查工具在扫描第一位点的一次运行中采集帧序列；根据批次大小将帧序列划分为多个批次；配准多个批次；以及组合所配准的多个批次以获得低snr图像。
4、(ii)将批次大小具体地选择为使得所配准的多个批次之间的相关性满足预定阈值。
5、(iii)低snr图像是使用帧序列中的所有帧生成的，使得ml模型在经训练后能够针对给定的运行时图像生成具有提高精度的输出图像，从而考虑到由样本上的一种或多种物理效应导致的给定运行时图像中的一个或多个图像伪影。
6、(iv)高snr图像是通过以下方式生成的：归一化多个低snr图像以具有相似的图像统计量；配准归一化的多个低snr图像，从而产生所配准的多个低snr图像；以及组合所配准的多个低snr图像以获得高snr图像。
7、(v)pmc经配置为：在获得运行时图像后，将运行时图像归一化为具有与多个低snr图像相似的图像统计量，并且使用ml模型处理归一化运行时图像；以及在获得输出图像后，将输出图像归一化为具有与运行时图像相似的图像统计量，其中在训练期间计算并且存储多个低snr图像的图像统计量。
8、(vi)预测图像数据是预测的高snr图像和低snr图像之间的预测噪声。ml模型使用表示低snr图像和高snr图像之间的预测噪声和实际噪声之间的残差的损失函数来优化。
9、(vii)预测图像数据是预测的高snr图像，并且其中ml模型使用表示预测的高snr图像与高snr图像之间的差异的损失函数来优化。
10、(viii)多个低snr图像是从检查工具的第一检测视角采集的，并且训练集进一步包括从检查工具的第二检测视角采集的第二多个低snr图像、和基于第二多个低snr图像生成的第二高snr图像。经训练的ml模型能够处理从第一检测视角和第二检测视角采集的运行时图像。
11、(ix)训练集进一步包括第二多个低snr图像和第二高snr图像，所述第二多个低snr图像与由检查工具在扫描半导体样本的第二位点的第二多次运行中采集的第二多个帧序列相对应，所述第二高snr图像基于第二多个低snr图像生成。在训练之前，归一化第一多个低snr图像和第二多个低snr图像以具有相似的图像统计量，并且归一化第一高snr图像和第二高snr图像以具有相似的图像统计量。
12、(x)由ml模型生成的具有高snr的输出图像可用于获得具有提高精度的测量结果。
13、根据当前公开的主题的其他方面，提供了一种训练用于图像生成的机器学习(ml)模型的方法，所述方法包括：生成包括分别与相同的高snr图像相关联的多个低信噪比(snr)图像的训练集，所述多个低snr图像与由检查工具在扫描半导体样本的第一位点的多次运行中采集的多个帧序列相对应，所述高snr图像基于多个低snr图像生成；以及对于多个低snr图像中的每个低snr图像，由ml模型处理低snr图像以获得预测图像数据，并且基于预测图像数据和高snr图像优化ml模型；其中ml模型在经训练后可用于处理具有低snr的半导体样本的运行时图像，以获得具有相对于低snr相对较高的高snr的输出图像。
14、所公开的主题的这方面可以，在经必要修改后，包括以技术上可能的任何期望组合或排列的上文关于系统列出的特征(i)至(x)中的一个或多个。
15、根据当前公开的主题的其他方面，提供了一种包括指令的非暂时性计算机可读介质，所述指令在由计算机执行时使得计算机执行图像生成方法，所述方法包括：获得具有低信噪比(snr)的半导体样本的运行时图像；以及使用机器学习(ml)模型处理运行时图像以获得具有相对于低snr相对较高的高snr的输出图像，其中ml模型在设置期间使用包括分别与相同的高snr图像相关联的多个低snr图像的训练集预先训练，所述多个低snr图像与由检查工具在扫描半导体样本的第一位点的多次运行中采集的多个帧序列相对应，所述高snr图像基于多个低snr图像生成；其中ml模型的训练包括对于每个低snr图像：由ml模型处理低snr图像以获得预测图像数据，并且基于预测图像数据和高snr图本文档来自技高网...
【技术保护点】
1.一种图像生成系统，所述系统包括处理和存储器电路系统(PMC)，所述处理和存储器电路系统(PMC)经配置为：
2.根据权利要求1所述的图像生成系统，其中所述多个低SNR图像中的每个低SNR图像通过以下操作生成：
3.根据权利要求2所述的图像生成系统，其中将所述批次大小具体地选择为使得所述配准的多个批次之间的相关性满足预定阈值。
4.根据权利要求2所述的计算机化系统，其中所述低SNR图像是使用所述帧序列中的所有帧生成的，使得所述ML模型在经训练后能够针对给定运行时图像生成具有提高精度的输出图像，从而考虑到由所述样本上的一种或多种物理效应导致的所述给定运行时图像中的一个或多个图像伪影。
5.根据权利要求1所述的图像生成系统，其中所述高SNR图像通过以下操作生成：
6.根据权利要求5所述的图像生成系统，其中所述PMC经配置为：在获得所述运行时图像后，将所述运行时图像归一化为具有与所述多个低SNR图像相似的图像统计量，并且使用所述ML模型处理所述归一化运行时图像；以及
7.根据权利要求1所述的图像生成系统，其中所述
8.根据权利要求1所述的图像生成系统，其中所述预测图像数据是预测的高SNR图像，并且其中所述ML模型使用表示所述预测的高SNR图像与所述高SNR图像之间的差异的损失函数来优化。
9.根据权利要求1所述的图像生成系统，其中所述多个低SNR图像是从所述检查工具的第一检测视角采集的，并且所述训练集进一步包括从所述检查工具的第二检测视角采集的第二多个低SNR图像和基于所述第二多个低SNR图像生成的第二高SNR图像，并且其中所述经训练的ML模型能够处理从所述第一检测视角和所述第二检测视角采集的运行时图像。
10.根据权利要求1所述的图像生成系统，其中所述训练集进一步包括第二多个低SNR图像和第二高SNR图像，所述第二多个低SNR图像与由所述检查工具在扫描所述半导体样本的第二位点的第二多次运行中采集的第二多个帧序列相对应，所述第二高SNR图像基于所述第二多个低SNR图像生成；并且
11.一种训练用于图像生成的机器学习(ML)模型的方法，所述方法包括：
12.根据权利要求11所述的方法，其中所述多个低SNR图像中的每个低SNR图像通过以下操作生成：
13.根据权利要求12所述的方法，其中将所述批次大小具体地选择为使得所述配准的多个批次之间的相关性满足预定阈值。
14.根据权利要求12所述的方法，其中所述低SNR图像是使用所述帧序列中的所有帧生成的，使得所述ML模型在经训练后能够针对给定的运行时图像生成具有提高精度的输出图像，从而考虑到由所述样本上的一种或多种物理效应导致的所述给定运行时图像中的一个或多个图像伪影。
15.根据权利要求11所述的方法，其中所述高SNR图像通过以下操作生成：
16.根据权利要求11所述的方法，其中所述预测图像数据是在预测的高SNR图像和所述低SNR图像之间的预测噪声，并且其中所述ML模型使用表示所述低SNR图像和所述高SNR图像之间的所述预测噪声和实际噪声之间的残差的损失函数来优化。
17.根据权利要求11所述的方法，其中所述预测图像数据是预测的高SNR图像，并且其中所述ML模型使用表示所述预测的高SNR图像与所述高SNR图像之间的差异的损失函数来优化。
18.根据权利要求11所述的方法，其中所述多个低SNR图像是从所述检查工具的第一检测视角采集的，并且所述训练集进一步包括从所述检查工具的第二检测视角采集的第二多个低SNR图像、以及基于所述第二多个低SNR图像生成的第二高SNR图像，并且其中所述ML模型在经训练后能够处理从所述第一检测视角和所述第二检测视角采集的运行时图像。
19.根据权利要求11所述的方法，其中所述训练集进一步包括第二多个低SNR图像和第二高SNR图像，所述第二多个低SNR图像与由所述检查工具在扫描所述半导体样本的第二位点的第二多次运行中采集的第二多个帧序列相对应，所述第二高SNR图像基于所述第二多个低SNR图像生成；并且其中在所述训练之前，所述第一多个低SNR图像和所述第二多个低SNR图像被归一化为具有相似的图像统计量，并且所述第一高SNR图像和所述第二高SNR图像被归一化为具有相似的图像统计量；以及由所述ML模型生成的具有高SNR的所述输出图像可用于获得具有提高精度的测量结果。
...【技术特征摘要】
1.一种图像生成系统，所述系统包括处理和存储器电路系统(pmc)，所述处理和存储器电路系统(pmc)经配置为：
2.根据权利要求1所述的图像生成系统，其中所述多个低snr图像中的每个低snr图像通过以下操作生成：
3.根据权利要求2所述的图像生成系统，其中将所述批次大小具体地选择为使得所述配准的多个批次之间的相关性满足预定阈值。
4.根据权利要求2所述的计算机化系统，其中所述低snr图像是使用所述帧序列中的所有帧生成的，使得所述ml模型在经训练后能够针对给定运行时图像生成具有提高精度的输出图像，从而考虑到由所述样本上的一种或多种物理效应导致的所述给定运行时图像中的一个或多个图像伪影。
5.根据权利要求1所述的图像生成系统，其中所述高snr图像通过以下操作生成：
6.根据权利要求5所述的图像生成系统，其中所述pmc经配置为：在获得所述运行时图像后，将所述运行时图像归一化为具有与所述多个低snr图像相似的图像统计量，并且使用所述ml模型处理所述归一化运行时图像；以及
7.根据权利要求1所述的图像生成系统，其中所述预测图像数据是在预测的高snr图像和所述低snr图像之间的预测噪声，并且其中所述ml模型使用表示所述低snr图像和所述高snr图像之间的所述预测噪声和实际噪声之间的残差的损失函数来优化。
8.根据权利要求1所述的图像生成系统，其中所述预测图像数据是预测的高snr图像，并且其中所述ml模型使用表示所述预测的高snr图像与所述高snr图像之间的差异的损失函数来优化。
9.根据权利要求1所述的图像生成系统，其中所述多个低snr图像是从所述检查工具的第一检测视角采集的，并且所述训练集进一步包括从所述检查工具的第二检测视角采集的第二多个低snr图像和基于所述第二多个低snr图像生成的第二高snr图像，并且其中所述经训练的ml模型能够处理从所述第一检测视角和所述第二检测视角采集的运行时图像。
10.根据权利要求1所述的图像生成系统，其中所述训练集进一步包括第二多个低snr图像和第二高snr图像，所述第二多个低snr图像与由所述检查工具在扫描所述半导体样本的第二位点的第二多次运行中采集的第二多个帧序列相对应，所述第二高snr图像基于所述第二多个低snr图像生成；并且
11.一种训练用于图像生成的机器学习(ml)模型的方法，...
【专利技术属性】
技术研发人员：T·艾尼，D·阿尔蒙特，Y·佐哈尔，A·黎凡特，
申请(专利权)人：应用材料以色列公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。