[发明专利]用于以卷积神经网络为基础的缺陷检验的数据扩增

说明书

本发明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。

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。

技术领域

本发明涉及缺陷检验，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。

背景技术

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。