[发明专利]以合成图像训练机器学习模型

说明书

本发明提供用于使用合成缺陷图像训练机器学习模型的方法及系统。一种系统包含由一或多个计算机子系统执行的一或多个组件。所述一或多个组件包含图形用户接口GUI，所述GUI经配置用于将样品的一或多个图像及图像编辑工具显示给用户且用于从所述用户接收输入，所述输入包含使用所述图像编辑工具中的一或多者对所述图像中的至少一者进行的一或多个更改。所述组件还包含图像处理模块，所述图像处理模块经配置用于将所述更改应用于所述至少一个图像，借此产生至少一个经修改图像且将所述至少一个经修改图像存储于训练集中。所述计算机子系统经配置用于以其中存储所述至少一个经修改图像的所述训练集训练机器学习模型。

技术领域

本发明大体上涉及经配置用于使用一或多个合成图像训练机器学习模型的方法及系统。

背景技术

以下描述及实例不因其包含于此段落中而被承认是现有技术。

制作例如逻辑及存储器装置的半导体装置通常包含使用大量半导体制作过程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光致抗试剂的半导体制作过程。半导体制作过程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。多个半导体装置可以布置制作于单一半导体晶片上且接着被分成个别半导体装置。

在半导体制程期间的各个步骤使用检验过程来检测样品上的缺陷以驱使制程中的更高良率及因此更高利润。检验始终为制作半导体装置的重要部分。然而，随着半导体装置的尺寸减小，检验对于成功地制造可接受半导体装置变得更为重要，这是因为较小缺陷可能引起装置不合格。

缺陷检视通常涉及重新检测本身通过检验过程检测的缺陷及使用高放大率光学系统或扫描电子显微镜(SEM)以较高分辨率产生关于缺陷的额外信息。因此，在其中已通过检验检测到缺陷的样品上的离散位置处执行缺陷检视。通过缺陷检视产生的缺陷的较高分辨率数据更适用于确定例如轮廓、粗糙度、更准确大小信息等的缺陷的属性。相较于检验，基于通过缺陷检视确定的信息，一般可将缺陷更准确地分类为缺陷类型。

深度学习的进展已使深度学习成为用于缺陷检测及分类中的有吸引力的框架。为了分类，在训练中，用户可将卷标指派给缺陷图像。在生产期间(在训练之后)，运用缺陷图像作为到深度学习模型的输入，深度学习模型将输出图像分类及与图像分类相关联的可信度。为了检测，用户可将像素级卷标指派给缺陷图像(通常多个类别的缺陷图像)。像素级卷标及缺陷图像用于训练缺陷检测深度学习模型，所述缺陷检测深度学习模型可不同于经训练用于缺陷分类的深度学习模型。换句话说，检测深度学习模型及分类深度学习模型可为互斥的。来自检测深度学习模型的输出(斑点)及斑点级标签可用于训练分类深度学习模型。在生产期间(在训练检测深度学习模型之后)，将缺陷图像输入到检测深度学习模型，所述检测深度学习模型输出斑点，且分类深度学习模型输出每斑点的分类及相关联可信度。

然而，上文描述的当前使用方法及系统存在若干缺点。例如，目前，仅关于现有缺陷实例训练分类器。此训练具有至少三个显著缺点。首先，无法在无所关注缺陷(DOI)实例的情况下训练检测/分类模型。第二，即使用户收集对其进行训练的数个DOI实例，经训练模型正确捕获且分类DOI的能力仍完全取决于此先前发现实例集的大小、质量及变异数。因为此数据难以收集，所以训练集通常含有太少实例以训练良好模型。甚至在其中训练集含有给定缺陷的许多实例的情况中，实例仍可能未涵盖所述特定缺陷可具有的外观的整个范围且所得分类器将遗漏未表示变体。第三，编译训练集是不简单的且易有人为错误。晶片或其它样品的图像必须针对缺陷在视觉上梳理且以类别标签批注。由于缺陷通常是稀疏的，因此可能必须手动扫描以发现单一实例缺陷的图像的数目通常使此手动缺陷检测不切实际。

因此，发展出不具有上述缺点中的一或多者的用于训练机器学习模型的系统及方法将为有利的。

发明内容

各个实施例的以下描述绝不应理解为限制所附技术方案的标的物。