用于半导体试样的基于机器学习的缺陷检查的制作方法

本公开内容的主题总体涉及半导体试样的检查的领域，并且更具体地，本公开内容的主题涉及基于机器学习的缺陷检查。

背景技术：

1、目前对与所制造的器件的超大规模集成相关联的高密度和高性能的需求需要亚微米特征结构，并且需要提高晶体管和电路速度，以及增强可靠性。随着半导体工艺的进步，诸如线宽之类的图案尺寸和其它类型的临界尺寸不断缩小。这样的需求需要形成具有高精度和高均匀性的器件特征结构，这继而需要仔细地监测制造工艺，包括在器件仍为半导体晶片形式时对器件进行自动检查。

2、在制造待检查的试样期间或之后可以通过使用非破坏性检查工具来进行检查。检查通常涉及通过将光或电子引导到晶片并从晶片检测光或电子来生成试样的某些输出(例如，图像、信号等)。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。

3、检查工艺可以包括多个检查步骤。半导体器件的制造工艺可以包括各种工序，诸如蚀刻、沉积、平面化、诸如外延生长之类的生长、注入等。可以例如在某些工艺工序之后和/或在制造某些层之后等多次执行检查步骤。附加地或替代地，例如对于不同的晶片位置，或对于具有不同的检查设置的相同的晶片位置，每个检查步骤可以重复多次。

4、出于工艺控制的目的，在半导体制造期间的各个步骤中使用检查工艺，例如，与缺陷相关的操作以及与计量相关的操作。可以通过诸如例如缺陷检测、自动缺陷分类(adc)、自动缺陷审查(adr)、图像分割、自动计量相关操作等之类的(一个或多个)工艺的自动化来提高检查的有效性。

5、自动检查系统确保制造的零部件达到预期的质量标准，并且根据标识的缺陷类型提供关于制造工具、装备和/或组成物可能需要的调整的有用信息。在一些情况下，可以使用机器学习技术来辅助自动检查工艺，以便促进性能的提高。

技术实现思路

1、根据本公开内容的主题的某些方面，提供了一种检查半导体试样的计算机化系统，该系统包括处理和存储器电路系统(pmc)，所述pmc被配置为：获得由检查工具获取的半导体试样的运行时图像；使用第一机器学习(ml)模型来处理运行时图像，以提取表示运行时图像中的图像块集的运行时特征集，其中第一ml模型在先前进行训练并可用于特征提取；以及将所述运行时特征集与一组参考特征比较，从而产生指示运行时图像中的一个或多个有缺陷的图像块的异常图，其中根据匹配度量，一个或多个有缺陷的图像块的一个或多个对应的运行时特征在所述一组参考特征中不匹配，其中所述一组参考特征通过以下操作在先前生成：基于从一个或多个试样获取的多个实际图像来获得由第二ml模型生成的多个合成参考图像，其中第二ml模型在先前进行训练以用于参考图像模拟；以及由第一ml模型处理多个合成参考图像，以针对每个合成参考图像提取表示每个合成参考图像的参考特征集，从而产生表示合成参考图像集的所述一组参考特征。

2、除了以上特征之外，根据本公开内容的主题的该方面的系统可以以技术上可能的任何期望的组合或排列包括以下列出的特征(i)至(x)中的一个或多个：

3、(i)处理多个合成参考图像可以进一步包括使用核心集来对参考特征集进行二次采样，以及将每个合成参考图像的经二次采样的参考特征集存储在存储体中，从而构成所述一组参考特征。

4、(ii)比较可以包括：针对相应图像块的每个运行时特征，在所述一组参考特征集中搜索参考特征，以及使用运行时特征与参考特征之间的匹配度量来计算相应图像块的异常得分，其中，每个图像块的异常得分构成对应于输入图像的异常图。

5、(iii)可以根据预定网格将运行时图像划分为图像块集，并且每个运行时特征被表示为对应于相应图像块的特征向量。

6、(iv)第一ml模型可以是使用图像的训练集在先前进行训练以学习训练集的代表性特征的表示模型。

7、(v)第二ml模型可以是基于一个或多个训练试样的标称图像的训练集来使用无监督学习在先前进行训练的生成模型。

8、(vi)第二ml模型可以是基于训练集来使用监督学习在先前进行训练的生成模型，所述训练集包括训练试样的一对或多对训练图像，每一对包括有缺陷的图像和对应的参考图像。

9、(vii)第二ml模型可以包括编码器网络和解码器网络，并且在训练第二ml模型时，使用第二ml模型的编码器网络来实现第一ml模型。

10、(viii)在异常图中标识的有缺陷的图像块可以用作有缺陷的训练样本，以形成用于训练用于缺陷检查的ml模型的训练集的部分。

11、(ix)在有缺陷的图像块被用作训练集的部分之前，可以由人工注释器审查在异常图中标识的有缺陷的图像块。

12、(x)与使用实际标称图像集相比，通过使用合成参考图像集可提高异常图中表示的缺陷检测性能。

13、根据本公开内容的主题的其它方面，提供了一种检查半导体试样的方法，实施方法由处理器和存储器电路系统(pmc)执行并且包括：获得由检查工具获取的半导体试样的运行时图像；使用第一机器学习(ml)模型来处理运行时图像，以提取表示运行时图像中的图像块集的运行时特征集，其中第一ml模型在先前进行训练并可用于特征提取；以及将运行时特征集与一组参考特征比较，从而产生指示运行时图像中的一个或多个有缺陷的图像块的异常图，其中根据匹配度量，一个或多个有缺陷的图像块的一个或多个对应的运行时特征在所述一组参考特征中不匹配，其中所述一组参考特征通过以下操作在先前生成：基于从一个或多个试样获取的多个实际图像来获得由第二ml模型生成的多个合成参考图像，其中第二ml模型在先前进行训练以用于参考图像模拟；以及由第一ml模型处理多个合成参考图像，以针对每个合成参考图像提取表示每个合成参考图像的参考特征集，从而产生表示合成参考图像集的所述一组参考特征。

14、经必要的修正，所公开的主题的这些方面可以以技术上可能的任何期望的组合或排列包括以上相对于系统列出的特征(i)至(x)中的一个或多个。

15、根据本公开内容的主题的其它方面，提供了一种包括指令的非暂态计算机可读介质，这些指令在由计算机执行时使计算机执行检查半导体试样的方法，所述方法包括：获得由检查工具获取的半导体试样的运行时图像；使用第一机器学习(ml)模型来处理运行时图像，以提取表示运行时图像中的图像块集的运行时特征集，其中第一ml模型在先前进行训练并可用于特征提取；以及将运行时特征集与一组参考特征比较，从而产生指示运行时图像中的一个或多个有缺陷的图像块的异常图，其中根据匹配度量，一个或多个有缺陷的图像块的一个或多个对应的运行时特征在所述一组参考特征中不匹配，其中所述一组参考特征通过以下操作在先前生成：基于从一个或多个试样获取的多个实际图像来获得由第二ml模型生成的多个合成参考图像，其中第二ml模型在先前进行训练以用于参考图像模拟；以及由第一ml模型处理多个合成参考图像，以针对每个合成参考图像提取表示每个合成参考图像的参考特征集，从而产生表示合成参考图像集的所述一组参考特征。

16、经必要的修正，所公开的主题的这些方面可以以技术上可能的任何期望的组合或排列包括以上相对于系统列出的特征(i)至(x)中的一个或多个。