[发明专利]生成可用于检查半导体样本的训练集

说明书

提供了一种生成用于训练可用于样本检查的深度神经网络的训练集的系统和方法。方法包括：针对组中的每个给定训练图像：i)生成第一批训练面片，包括：将给定训练图像裁剪成第一多个原始面片；以及扩充第一多个原始面片中的至少一部分以便模拟由样本的物理过程导致的变化；以及ii)生成第二批训练面片，包括：在给定训练图像上移位多个第一位置以获得第二多个原始面片，以及重复对第二多个原始面片进行扩充以生成第二多个扩充面片；以及将对应于每个给定训练图像的至少第一第二批训练面片包括在训练集中。

技术领域

当前公开的主题总体上涉及样本检查领域，并且更具体地涉及使样本检查自动化。

背景技术

当前对与所制造装置的超大规模集成相关联的高密度和性能的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。这类需求需要形成具有高精确度和均匀性的装置特征，这进而需要仔细监控制造过程，包括在装置仍处于半导体晶片的形式时自动检查所述装置。

在本说明书中使用的术语“样本”应当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、以及其它半导体制造的物品的任何种类的晶片、掩模和其它结构、及其组合和/或部分。

在本说明书中使用的术语“检查”应当被广泛地解释为涵盖任何种类的计量相关操作以及关于在样本制造期间检测和/或分类样本中的缺陷的操作。检查通过在制造待检查的样本期间或之后使用非破坏性检查工具来提供。作为非限制性示例，检查过程可以包括使用相同或不同的检验工具来进行运行时(runtime)扫描(以单次或多次扫描)、取样、审查、测量、分类和/或关于样本或样本的部分提供的其它操作。同样，检查可以在制造待检查的样本之前提供，并且可以包括例如产生(多个)检查配方和/或其它设置操作。应注意，除非另作具体声明，否则本说明书中使用的术语“检查”或其衍生词不关于检验区域的分辨率或大小而受限。作为非限制性示例，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。

作为非限制性示例，运行时检查可以采用两阶段程序，例如，检验样本，随后审查潜在缺陷的取样位置。在第一阶段期间，以高速和相对低的分辨率检验样本的表面。在第一阶段中，生成缺陷图来示出样本上具有高缺陷可能性的疑似位置。在第二阶段期间，以相对高的分辨率更透彻地分析疑似位置中的至少一些疑似位置。在一些情况下，两个阶段皆可以由相同检验工具来实现，并且在一些其它情况下，这两个阶段由不同的检验工具来实现。

检查过程在半导体制造期间的各个步骤处用于检测和分类样本上的缺陷，以及执行计量相关的操作。检查的有效性可以通过(多个)过程的自动化来提高，所述(多个)过程的自动化例如，自动缺陷分类(ADC)、自动缺陷审查(ADR)等。

发明内容

根据当前公开的主题的某些方面，提供了一种生成用于训练可用于样本检查的深度神经网络(DNN)的训练集的方法，所述方法由处理器和存储器电路系统(PMC)执行，所述方法包含：获得一组训练图像，每个训练图像表示样本的至少一部分；针对所述组中的每个给定训练图像：i)生成第一批训练面片(patch)，包括：根据给定训练图像上的多个第一位置，将给定训练图像裁剪成第一多个原始面片；以及扩充第一多个原始面片中的至少一部分，以便模拟由样本的物理过程导致的变化，从而产生构成第一批训练面片的第一多个扩充面片；以及ii)生成第二批训练面片，包括：在所述给定训练图像上将所述多个第一位置移位到多个第二位置，从而获得对应于所述多个第二位置的第二多个原始面片，以及重复对所述第二多个原始面片进行扩充以生成第二多个扩充面片，从而产生第二批训练面片；以及将对应于每个给定训练图像的至少第一批训练面片和第二批训练面片包括到训练集。

除了以上特征之外，根据当前公开的主题的这个方面的方法可以包含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(viii)中的一个或多个：

(i).训练集可以用于训练DNN，所述DNN可用于从包含以下各项的组中选择的至少一个检查过程：基于运行时图像的自动缺陷检测、自动缺陷审查、自动缺陷分类、自动分段、以及自动计量。