[发明专利]半导体样品的基于深度学习的检查的方法及其系统

说明书

本文提供了一种检查半导体样品的方法及其系统。所述方法包括：使用经训练的深度神经网络(DNN)来处理制造工艺(FP)样本，其中FP样本包括：从(多个)第一检查模态接收的(多个)第一FP图像和从(多个)第二检查模态接收的(多个)第二FP图像，所述(多个)第二检查模态与所述(多个)第一检查模态不同，并且其中所述经训练的DNN与所述(多个)第二FP图像分开地处理所述(多个)第一FP图像；且进一步地通过所述经训练的DNN来处理此种单独处理的结果以获得特定于给定的应用并表征经处理的所述FP图像中的至少一个FP图像的检查相关的数据。当FP样本进一步包括与所述(多个)FP图像相关联的数值数据时，所述方法进一步包括：通过所述经训练的DNN而与处理所述第一FP图像和所述第二FP图像分开地处理数值数据的至少部分。

技术领域

本发明公开的主题总的来说涉及样本的检查的领域，并且更具体来说涉及用于样本的检查的自动化的方法和系统。

背景技术

对于高密度和高性能的目前的需求(其与所制造的装置的超大规模集成相关联)要求次微米特征、增加的晶体管和电路速度，以及改进的可靠度。这些需求要求形成具有高精度和均匀性的器件特征，这些又使得制造工艺的仔细的监控(包括当装置仍然是半导体晶片的形式时自动地检查所述器件)成为必要。注意到制造工艺可包括：预制造操作、制造操作、和/或制造后操作。

在此说明书中使用的术语“样本(specimen)”应被广泛地解释为涵盖用于制造半导体集成电路、磁头、平板显示器、以及其他的半导体制造的制品的任何的种类的晶片、掩模、以及其他的结构、组合和/或其部分。

在此说明书中使用的术语“检查(examination)”应被广泛地解释为涵盖任何种类的计量相关的操作、以及与在样本的制造期间检测和/或分类所述样本中的缺陷相关的操作。在制造待检查的样本期间或在制造待检查的样本之后，通过使用非破坏性的检查工具来进行检查。作为非限制性的示例，检查工艺可包括：运行时间扫描(在单次或多次扫描中)、采样、检查、测量、分类、和/或使用相同的或不同的检查工具来关于样本或其部分提供的其他的操作。同样地，检查的至少一部分可在制造待检查的样本之前进行，并且可包括例如生成(多个)检查配方、训练相应的分类器、或其他的机器学习相关的工具和/或其他的设置操作。注意到，除非特别地且另外地声明，在此说明书中使用的术语“检查(examination)”或其衍生物不限于分辨率或检查区域的大小。各种非破坏性的检查工具包括(作为非限制性的示例)：扫描电子显微镜、原子力显微镜、光学检查工具等。

作为非限制性的示例，运行时间检查可采用两阶段的程序(例如，检查样本，然后检查潜在的缺陷的采样的位置)。在第一阶段期间，在高速下且利用相对低的分辨率来检查样本的表面。在第一阶段，生成缺陷图以显示被怀疑具有高的缺陷机率的样本上的位置。在第二阶段期间，这样的可疑的位置中的至少一些以相对高的分辨率被更彻底地分析。在某些情况下，两个阶段可通过相同的检查工具来实施，而在一些其他的情况中，这两个阶段是通过不同的检查工具来实施的。

在半导体制造期间的各个步骤中使用检查程序以检测和分类在样本上的缺陷。可通过程序中的至少部分的自动化(例如，通过使用自动的缺陷分类(ADC)、自动的缺陷检查(ADR)等等)来增加检查的有效性。

发明内容