[發明專利]生成可用于檢查半導體樣本的訓練數據

在審

• 申請號: 202110491730.6
• 申請日: 2021-05-06
• 公開（公告）號: CN114092387A
• 公開（公告）日: 2022-02-25
• 發明（設計）人: M·史戴曼;S·埃爾卡亞姆
• 申請（專利權）人: 應用材料以色列公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;G01R31/26
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 侯穎媖;張鑫

1.一種生成用于訓練可用于半導體樣本檢查的深度神經網絡的訓練數據(DNN訓練數據)的計算機化系統，所述系統包含處理器和存儲器電路(PMC)，被配置為：

獲得表示所述半導體樣本的至少一部分的第一訓練圖像、以及分別與在由用戶從所述第一訓練圖像識別的一個或多個區段的每一個中選擇的一組像素相關聯的第一標簽；

提取表征所述第一訓練圖像的特征集合，每個特征具有與所述第一訓練圖像中的像素相對應的特征值，所述特征集合包括提供在所述第一訓練圖像中的所述一個或多個區段之間的背景關系的信息的第一特征、和提供相對于每個區段中的所述一組像素的統計測量值的所述第一訓練圖像中的像素分布的信息的第二特征；

使用所述第一標簽、在與所述第一標簽相關聯的每個區段中選擇的所述一組像素的值、以及與在每個區段中的所述一組像素相對應的所述特征集合的每個特征的所述特征值來訓練機器學習(ML)模型；

使用所述訓練的ML模型處理所述第一訓練圖像以獲得第一分割圖，所述第一分割圖提供與所述第一訓練圖像中的相應像素相關聯的預測標簽的信息，每個預測標簽指示相應像素所屬于的區段；以及

確定在滿足標準時將包含所述第一訓練圖像和所述第一分割圖的第一訓練取樣包括到所述DNN訓練數據中，并且在不滿足所述標準時重復所述提取第二特征、所述訓練和所述處理。

2.如權利要求1所述的計算機化系統，其中所述訓練數據可用于針對從包含以下各項的群組中選擇的至少一個檢查工藝來訓練深度神經網絡(DNN)：基于運行時間圖像的自動分割、自動計量、自動缺陷檢測、自動缺陷復查、和自動缺陷分類。

3.如權利要求1所述的計算機化系統，其中所述標準基于關于所述第一分割圖的用戶反饋，并且所述PMC被配置為：在接收到關于所述第一分割圖上的否定的用戶反饋時獲得與至少一個所述區段中的額外組像素相關聯的額外第一標簽，所述第一標簽和所述額外第一標簽構成聚合的標簽數據；并且基于所述聚合的標簽數據重復所述提取第二特征、所述訓練和所述處理，直到接收到肯定的用戶反饋。

4.如權利要求3所述的計算機化系統，其中所述PMC被配置為在接收到關于所述第一分割圖的肯定的用戶反饋時將所述第一訓練取樣包括到所述訓練數據中。

5.如權利要求4所述的計算機化系統，其中所述PMC還被配置為：獲得分別與由用戶從所述第二訓練圖像識別的一個或多個區段的每一個中選擇的一組像素相關聯的第二訓練圖像和第二標簽，所述第二標簽被添加到所述聚合的標簽數據；提取表征所述第二訓練圖像并且包括所述第一特征和所述第二特征的特征集合；使用所述聚合的標簽數據、與所述聚合的標簽數據相關聯的像素值、以及與所述聚合的標簽數據相關聯的所述像素相對應的所述特征集合的每個特征的所述特征值訓練所述ML模型；并且基于所述第二訓練圖像執行所述處理和確定。

6.如權利要求1所述的計算機化系統，其中所述一個或多個區段中的至少一個與在所述第一訓練圖像中呈現的一個或多個結構元素相對應。

7.如權利要求1所述的計算機化系統，其中所述第一特征包括通過以下步驟提取的紋理特征：

用濾波器集合處理所述第一訓練圖像，從而產生各自包含與所述第一訓練圖像的相應像素相對應的特征響應值的特征響應集合，其中每個像素與特征向量相對應，該特征向量包括其特征響應值集合；

將與所述第一訓練圖像中的所述像素相對應的所述特征向量群集化為多個群集；

根據其特征向量所屬于的群集為每個像素分配特征值，從而產生包含與所述第一訓練圖像的像素相對應的特征值的特征圖，所述特征圖可分離為與相應特征值相對應的多個通道；以及

使用取樣濾波器對所述特征圖的每個通道進行取樣，從而產生具有多個取樣通道的特征圖。