[發(fā)明專利]用于缺陷分類器訓練的主動學習有效
| 申請?zhí)枺?/td> | 201980037055.0 | 申請日： | 2019-06-04 |
| 公開（公告）號： | CN112219270B | 公開（公告）日： | 2021-09-14 |
| 發(fā)明（設(shè)計）人： | 張晶;董宇杰;B·達菲;R·威靈福德;M·達伊諾;K·巴哈斯卡爾 | 申請（專利權(quán)）人： | 科磊股份有限公司 |
| 主分類號： | H01L21/67 | 分類號： | H01L21/67;H01L21/66;G03F7/20 |
| 代理公司： | 北京律盟知識產(chǎn)權(quán)代理有限責任公司 11287 | 代理人： | 劉麗楠 |
| 地址： | 美國加利*** | 國省代碼： | 暫無信息 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 用于 缺陷 分類 訓練 主動 學習 | ||
1.一種經(jīng)配置以執(zhí)行用于訓練缺陷分類器的主動學習的系統(tǒng)，其包括：
成像子系統(tǒng)，其包括至少一能量源及檢測器，其中所述能量源經(jīng)配置以生成被引導到樣品的能量，且其中所述檢測器經(jīng)配置以檢測來自所述樣品的能量且響應于所檢測的所述能量而生成圖像；及
一或多個計算機子系統(tǒng)，其經(jīng)配置用于執(zhí)行用于訓練缺陷分類器的主動學習，其中所述主動學習包括：
將采集函數(shù)應用于所述樣品的數(shù)據(jù)點，其中所述采集函數(shù)基于與所述數(shù)據(jù)點相關(guān)聯(lián)的不確定性估計而選擇所述數(shù)據(jù)點中的一或多者，其中所述采集函數(shù)所應用于的所述樣品的所述數(shù)據(jù)點包含針對任一缺陷類型及未標記數(shù)據(jù)的少于十個標準真值數(shù)據(jù)點的組合；
獲取所選擇的所述一或多個數(shù)據(jù)點的標記；及
生成包括所選擇的所述一或多個數(shù)據(jù)點及所獲取的所述標記的標記數(shù)據(jù)集；且
其中所述一或多個計算機子系統(tǒng)進一步經(jīng)配置用于使用所述標記數(shù)據(jù)集來訓練所述缺陷分類器，且其中所述缺陷分類器經(jīng)配置用于使用由所述成像子系統(tǒng)生成的所述圖像對所述樣品上檢測到的缺陷進行分類。
2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述主動學習進一步包括重復至少一次包括所述應用、所述獲取及所述生成步驟的步驟序列，且其中所述步驟序列中執(zhí)行的所述生成步驟包括將針對在所述步驟序列中執(zhí)行的所述應用步驟中選擇的所述一或多個數(shù)據(jù)點獲取的所述標記附加到所述標記數(shù)據(jù)集。
3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為無監(jiān)督取樣方法。
4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為監(jiān)督取樣方法。
5.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為半監(jiān)督取樣方法。
6.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為監(jiān)督及無監(jiān)督取樣方法的組合。
7.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為基于最大熵的取樣方法。
8.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為基于貝葉斯主動學習的取樣方法。
9.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為誤差減小方法。
10.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為變異數(shù)減小方法。
11.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為深度學習模型。
12.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中所述采集函數(shù)被定義為機器學習模型。
13.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中應用所述采集函數(shù)包括通過使用貝葉斯學習模型評估一或多個概率分布而估計所述采集函數(shù)。
14.根據(jù)權(quán)利要求13所述的系統(tǒng)，其中所述貝葉斯學習模型是貝葉斯深度學習模型。
15.根據(jù)權(quán)利要求13所述的系統(tǒng)，其中所述貝葉斯學習模型是貝葉斯機器學習模型。
16.根據(jù)權(quán)利要求13所述的系統(tǒng)，其中所述一或多個概率分布包括由所述成像子系統(tǒng)生成的所述圖像中的一或多者的樣本概率的無監(jiān)督估計。
17.根據(jù)權(quán)利要求13所述的系統(tǒng)，其中所述一或多個概率分布包括模型后驗的監(jiān)督或半監(jiān)督估計及其導出的不確定性分布。
18.根據(jù)權(quán)利要求1所述的系統(tǒng)，其中獲取所述標記包括使用標準真值方法對所選擇的所述一或多個數(shù)據(jù)點進行分類。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于科磊股份有限公司，未經(jīng)科磊股份有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201980037055.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
H01L 半導體器件；其他類目中不包括的電固體器件
H01L21-00 專門適用于制造或處理半導體或固體器件或其部件的方法或設(shè)備
H01L21-02 .半導體器件或其部件的制造或處理
H01L21-64 .非專門適用于包含在H01L 31/00至H01L 51/00各組的單個器件所使用的除半導體器件之外的固體器件或其部件的制造或處理
H01L21-66 .在制造或處理過程中的測試或測量
H01L21-67 .專門適用于在制造或處理過程中處理半導體或電固體器件的裝置；專門適合于在半導體或電固體器件或部件的制造或處理過程中處理晶片的裝置
H01L21-70 .由在一共用基片內(nèi)或其上形成的多個固態(tài)組件或集成電路組成的器件或其部件的制造或處理；集成電路器件或其特殊部件的制造
