[发明专利]用于半导体衬底的临界尺寸测量的基于深度学习的自适应关注区域

说明书

本发明揭示一种计量系统。在一个实施例中，所述系统包含经配置以获取样本的一或多个图像的特性化子系统。在另一实施例中，所述系统包含控制器，其经配置以：从所述特性化子系统接收样本的一或多个训练图像；在所述一或多个训练图像内接收一或多个训练关注区域ROI选择；基于所述一或多个训练图像及所述一或多个训练ROI选择来产生机器学习分类器；从所述特性化子系统接收样本的一或多个产品图像；使用所述机器学习分类器来产生一或多个经分类关注区域；及在所述一或多个经分类关注区域内确定所述样本的一或多个测量。

相关申请案的交叉参考

本申请案依据35 U.S.C.§119(e)主张名叫阿皮特·亚蒂(Arpit Yati)的发明者在2018年11月21日申请的题为“用于半导体衬底的临界尺寸测量的基于深度学习的自适应关注区域(DEEP LEARNING BASED ADAPTIVE REGIONS OF INTEREST FOR CRITICALDIMENSION MEASUREMENTS OF SEMICONDUCTOR SUBSTRATES)”的序列号为62/770,712的美国临时申请案的权益，所述案的全部内容以引用的方式并入本文中。本申请案还主张名叫阿皮特·亚蒂的发明者在2018年8月10日申请的题为“用于半导体结构的临界尺寸测量的基于深度学习的自适应关注区域(DEEP LEARNING BASED ADAPTIVE REGIONS OF INTERESTFOR CRITICAL DIMENSION MEASUREMENTS OF SEMICONDUCTOR STRUCTURES)”的第201841037993号印度临时专利申请案的优先权，所述案的全部内容以引用的方式并入本文中。

技术领域

本发明大体上涉及样本特性化及计量领域，且更特定来说，本发明涉及一种用于使用机器学习技术来自适应关注区域选择的系统及方法。

背景技术

对具有越来越小占据面积及特征的电子逻辑及存储器装置的需求面临超出所要尺度的制造的各种制造挑战。越来越复杂结构导致必须被监测及控制以维持装置完整性的参数数目增加。半导体制造领域中的重要特性是装置特征的临界尺寸均匀性(CDU)及临界尺寸(CD)。监测CDU可有助于监测工艺变化且识别需要修复的过程工具漂移。

传统上，监测关注特征(例如CDU)涉及：界定关注图案(POI)；相对于POI界定其内将进行测量(例如CDU测量)的关注区域(ROI)；检测ROI的边缘；及执行测量。然而，由于当前技术涉及使POI与扫描电子显微镜(SEM)图像对准及基于POI位置来放置ROI，所以ROI放置的准确性取决于SEM与SEM对准，其可能不可靠。此外，由于每一图像内所界定的POI结构大小可能变动很大，所以对准准确性通常较低。归因于此未对准，ROI可能被错放以借此无法包含特定关注测量所需的整个区域。

另外，当前技术无法校正会影响对准准确性的工艺变化及/或结构变动。因此，归因于样本本身内的结构变动，SEM图像内的POI对准及因此ROI对准可能失败。例如，目标结构大小变动可导致POI及ROI对准失败以借此妨碍关注测量的高效率监测。

因此，期望提供一种解决上文所识别的先前方法的不足的系统及方法。

发明内容

根据本发明的一或多个实施例，揭示一种系统。在一个实施例中，所述系统包含特性化子系统，其经配置以获取样本的一或多个图像。在另一实施例中，所述系统包含控制器，其包含经配置以执行存储于存储器中的程序指令集的一或多个处理器，所述程序指令集经配置以引起所述一或多个处理器：从所述特性化子系统接收样本的一或多个训练图像；在所述一或多个训练图像内接收一或多个训练关注区域(ROI)选择；基于所述一或多个训练图像及所述一或多个训练ROI选择来产生机器学习分类器；从所述特性化子系统接收样本的一或多个产品图像；使用所述机器学习分类器来产生一或多个经分类关注区域；及在所述一或多个经分类关注区域内确定所述样本的一或多个测量。