[发明专利]基于机器学习的图案分组方法

说明书

一种图案分组方法可以包括：接收第一图案的图像；使用应用于所接收到的图像的训练后的模型参数来生成第一固定维特征向量；以及为第一固定维特征向量分配第一桶ID。该方法还可以包括：响应于确定第一图案不属于与缺陷图案对应的多个桶中的一个来为所述第一固定维特征向量创建新的桶ID；或响应于确定所述第一图案属于与缺陷图案对应的多个桶中的一个，来将所述第一固定维特征向量映射到所述第一桶ID。

相关申请的交叉引用

本申请要求美国申请62/697,898的优先权，该案在2018年7月13日提交且以整体内容通过引用并入本文。

技术领域

本文中所提供的实施例涉及一种图案分组方法，并且更具体地，涉及一种基于机器学习的图案分组方法，该图案分组方法尤其可用于半导体制造操作过程中的缺陷复查。

背景技术

在集成电路(IC)的制造工艺中，未完成或已完成的电路部件被检查以确保它们是根据设计被制造的并且没有缺陷。可以采用利用光学显微镜或带电粒子(例如电子)束显微镜(诸如扫描电子显微镜(SEM))的检查系统。随着IC部件的物理尺寸不断缩减，缺陷检测的准确性和良率变得越来越重要。然而，检查工具的成像分辨率和产出难以跟上IC部件的不断减小的特征尺寸的步伐。

当技术节点减小到例如10nm时，一些检查工具可能会生成大量的有害缺陷(即误报)。例如，在一些检查系统中，90％的被识别出的缺陷可能被证明是有害的缺陷。因此，缺陷复查变得越来越关键。可以利用涉及重新确认晶片上的先前标识出的缺陷或可疑位置的缺陷复查。

为了满足高产量和高良率制造工艺的需求，操作者需要通过图形用户界面(GUI)来复查晶片、芯片或掩模并尽早标识图案缺陷，该图形用户界面在铸造装备的显示部分中显示被观察物体的各种图案。不幸地，标识图案缺陷可能会花费操作者大量时间，从而损害产量。

发明内容

在本公开的一些实施例中，提供了一种分组方法。方法可以包括：接收第一图案的图像；使用训练后的模型参数来生成第一固定维特征向量；以及为第一固定维特征向量分配第一桶标识(ID)。模型参数可以基于接收到的图像。例如，模型参数可以包括特征图案的数据，诸如检测到的缺陷的SEM图像数据或来自晶片设计计划的在对应于检测到缺陷的位置的位置处的图案数据。方法可以被用于半导体制造工艺的缺陷图案分组。

缺陷图案可以包括晶片的图像，该图像包括与一个或多个缺陷相关联的特征。缺陷图案可以包括各种类型的信息，包括扫描到的原始图像数据、处理后的图像、在缺陷检查中被标识出的成像特征、对应于成像特征的设计图案等。

可以通过例如获得具有分配后的桶ID的多个图案的多个图像和训练针对深度学习网络的模型参数来训练模型参数。训练还可以包括应用被定位于多个图像中的一个图像的中心中的单个多边形的参数。

附图说明

图1是图示根据本公开的实施例的示例性电子束检查(EBI)系统的示意图。

图2是图示与本公开的实施例一致的可以是图1的示例性电子束检查系统的一部分的示例性电子束工具的示意图。

图3是图示与本公开的实施例一致的示例性缺陷复查系统的框图。

图4是图示用于图案分组的示例性图案相似性测量方法的示意图。

图5是图示与本公开的实施例一致的用于基于机器学习的图案分组的示例性特征提取架构的示意图。

图6是图示与本公开的实施例一致的来自通过基于图5的机器学习的特征提取架构处理的图案图像的示例性固定维特征向量的示意图。

图7是图示与本公开的实施例一致的固定维特征向量、图案分组的3D表示以及缺陷图案图像的GDS信息的示例性相关性的示意图。