基于轮廓的缺陷检测.pdf

(19)中华人民共和国国家知识产权局(12)发明专利(10)授权公告号CN110494894B(45)授权公告日2022.02.15(21)申请号201880023809.2L·卡尔森迪Y·卡蒙(22)申请日2018.03.30N·布基希U·达尼诺(65)同一申请的已公布的文献号(74)专利代理机构北京律盟知识产权代理有限申请公布号CN110494894A责任公司11287代理人刘丽楠(43)申请公布日2019.11.22(51)Int.Cl.(30)优先权数据G06T7/00(2017.01)62/483,2232017.04.07USG06T7/13(2017.01)15/896,0602018.02.14USG06N3/04(2006.01)(85)PCT国际申请进入国家阶段日G06N3/08(2006.01)2019.10.08G01N21/956(2006.01)(86)PCT国际申请的申请数据(56)对比文件PCT/US2018/0253072018.03.30CN106463428A,2017.02.22(87)PCT国际申请的公布数据US2009037134A1,2009.02.05WO2018/187170EN2018.10.11US2008130982A1,2008.06.05SainingXie等.Holistically-Nested(73)专利权人科磊股份有限公司EdgeDetection.《IEEE》.2015,地址美国加利福尼亚州审查员胡丽丽(72)发明人A·古普塔M·马哈德凡S·梵卡泰若曼海东·杨权利要求书3页说明书22页附图7页(54)发明名称基于轮廓的缺陷检测(57)摘要本发明提供用于检测形成于样品上的图案中的缺陷的方法及系统。一个系统包含通过一或多个计算机子系统执行的一或多个组件，且所述组件包含第一基于学习的模型及第二基于学习的模型。所述第一基于学习的模型基于所述样品的设计产生所述图案的仿真轮廓，且所述模拟轮廓是通过成像子系统产生的所述样品的图像中的所述图案的无缺陷版本的预期轮廓。所述第二基于学习的模型经配置用于产生形成于所述样品上的所述图案的至少一个所获取图像中的所述图案的实际轮廓。所述计算机子系统经配置用于比较所述实际轮廓与所述模拟轮廓且基于所述比较的结果检测形成于所述样品上的所述图CN110494894B案中的缺陷。CN110494894B权利要求书1/3页1.一种经配置以检测形成于样品上的图案中的缺陷的系统，其包括：成像子系统，其包括至少一个能量源及至少一个检测器，其中所述能量源经配置以产生引导到样品的能量，且其中所述检测器经配置以从所述样品检测能量且响应于所检测能量产生图像；及一或多个计算机子系统，其经配置用于获取形成于所述样品上的图案的所述图像；及一或多个组件，其通过所述一或多个计算机子系统执行，其中所述一或多个组件包括第一基于学习的模型及第二基于学习的模型，其中所述第一基于学习的模型及所述第二基于学习的模型是基于深度学习的模型，其中所述第一基于学习的模型经配置用于通过所述一或多个计算机子系统基于输入到所述第一基于学习的模型的所述样品的设计产生所述图案的模拟轮廓，其中所述模拟轮廓是通过所述成像子系统产生的所述样品的所述图像中的所述图案的无缺陷版本的预期轮廓，且其中所述第二基于学习的模型经配置用于通过所述一或多个计算机子系统产生输入到所述第二基于学习的模型的形成于所述样品上的所述图案的所获取图像中的至少一者中的所述图案的实际轮廓；且其中所述一或多个计算机子系统经进一步配置用于：比较所述实际轮廓与所述模拟轮廓；及基于所述比较的结果检测形成于所述样品上的所述图案中的缺陷。2.根据权利要求1所述的系统，其中所述比较的所述结果包括基于所述实际轮廓与所述模拟轮廓之间的差异所确定的所述设计中的所述图案中的第一者与形成于所述样品上的所述图案的所述所获取图像中的所述至少一者中的所述图案中的所述第一者的尺寸之间的量化差异，且其中检测所述缺陷包括将阈值应用到所述尺寸之间的所述量化差异。3.根据权利要求1所述的系统，其中所述比较的所述结果包括所述所获取图像中的所述至少一者中的所述图案中的每一者的像素中的每一者的所述实际轮廓与所述模拟轮廓之间的量化差异。4.根据权利要求1所述的系统，其中所述一或多个计算机子系统经进一步配置用于基于所检测缺陷检测所述设计中的热点。5.根据权利要求1所述的系统，其中输入到所述第一基于学习的模型的所述设计不包含不会印刷于所述样品上的所述设计的特征。6.根据权利要求1所述的系统，其中所述第一基于学习的模型及所述第二基于学习的模型可适应不同图案类型。7.根据权利要求1所述的系统，其中所述第一基于学习的模型及所述第二基于学习的模型可适应不同图案密度。8.根据权利要求1所述的系统，其