具体实施方式

已相对于某些实施例及其特定特征来特别展示及描述本发明。本文中所陈述的实施例被视作说明而非限制。所属领域的一般技术人员应易于明白，可在不背离本发明的精神及范围的情况下对形式及细节作出各种改变及修改。

现将详细参考附图中所说明的揭示标的物。

在此应注意，监测关注特征(包含临界尺寸均匀性(CDU))是在半导体制造期间监测工艺变化的重要步骤。传统上，监测关注特征(例如CDU)是基于常规图像处理程序且涉及以下步骤：(1)界定关注图案(POI)；(2)相对于POI界定其内将进行测量(例如CDU测量)的关注区域(ROI)；(3)界定将进行哪一测量(例如CDU测量、图案宽度、接触及其类似者)；(4)检测每一ROI的边缘；及(5)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可能被错放且借此无法包含特定关注测量所需的整个区域。

另外，基于常规图像处理程序的当前ROI放置技术无法校正会影响对准准确性的工艺变化。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，本发明的实施例致力于解决上文所识别的先前方法的一或多个缺点。本发明的实施例是针对一种用于使用机器学习技术来产生自适应关注区域(ROI)的系统及方法。更特定来说，本发明的实施例是针对使用机器学习技术来产生自适应ROI以更有效监测关注特征。

可参考图1到4B来进一步理解基于常规图像处理程序的先前方法的各种不足及本发明的实施例的重要性。在此可预期，传统方法的简要论述可用作可与本发明的优点比较的基准。

图1说明样本上的关注图案(POI)及关注区域(ROI)对准。

如本文先前所提及，在使用常规图像处理程序的传统关注特征监测的第一步骤中，在样本的控制图像100上界定/选择POI 102，如图1中可见。可在包含样本的设计图像、光学图像、SEM图像及其类似者的任何控制图像100上绘制POI 102。POI 102界定将在其内进行测量的样本的区域，且用作ROI 104放置的定锚点。POI 102可包含唯一图案、重复结构的单元或其类似者。在POI 102选择之后，在由POI 102界定的区域内在样本的控制图像100上选择ROI 104。ROI 104界定其内将进行测量的样本的区域。实际上，可在样本的设计图像(例如控制图像100)上实施图1中所展示的POI 102及ROI 104选择。

在POI 102及ROI 104选择之后，取得样本的产品图像，且在产品图像中识别及对准第一步骤中所界定的POI 102。第二步骤中所取得的产品图像是不同于其中界定POI 102及ROI 104的控制图像100的图像，且可包含产品样本的图像。产品图像可包含所属领域中已知的任何图像，其包含(但不限于)光学图像、SEM图像及其类似者。在产品图像中对准POI102之后，根据POI 102的放置将ROI 104放置于产品图像内。在此方面，POI 102的对准准确性可直接影响ROI 104的对准准确性。因此，ROI 104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 102结构大小可能变动很大，所以对准准确性通常较低以借此引起ROI 104错放。

在产品图像中的POI 102及ROI 104对准之后，可界定测量类型。此可参考图2来进一步理解。

图2说明包含目标位点的关注图案(POI 102)。待测量的目标位点可包含经界定为D4的关注测量。测量D4可包含临界尺寸(CD)测量，且可由表达式界定。

在此应注意，使用常规图像处理程序的传统ROI放置技术可遭受可归因于样本制造过程期间的工艺变化的对准误差。随着设计规则不断缩小，即使小工艺变化还可导致样本的大结构变动。此又可导致对准不准确及对准失败以借此引起图像内ROI的不准确放置。在半导体制造的快速发展周期期间，这些工艺变化及所得对准不准确特别成问题。在快速发展期间，结构的形状、大小、定向及其类似者可能变动很大。此又可导致控制图像与产品图像之间的POI/ROI放置的对准不准确。

图3A到3B说明产品图像101的关注区域(ROI 104b)与控制图像100的关注区域(ROI 104a)之间的对准误差。

使用基于常规图像处理程序的传统POI/ROI放置技术，用户可期望对图3A中所说明的左“瓣”内的产品样本执行一或多个测量，且可借此将左瓣界定为讨论中的目标位点。在此方面，目标位点可包含一或多个“关注测量”，其可包含可被测量的任何参数(包含(但不限于)临界尺寸(CD)测量)。使用传统技术，用户可在控制图像100内界定ROI 104a，其中ROI 104a位于POI 102a内且包含目标位点，目标位点包含一或多个关注测量。随后，可取得产品图像101，如图3B中所展示。

如图3B中所展示，包含目标位点的层中的一或多个工艺变化可导致扩大目标位点(例如扩大左瓣)。产品图像101的目标位点与控制图像100的目标位点之间的此结构变动可导致对准不准确及不正确ROI 104b放置。例如，产品图像101的POI 102b可与控制图像100的POI 102a对准，且可根据POI 102b在产品图像101内的放置来放置产品图像101的ROI104b。如图3B中可见，ROI 104b的放置可能不准确，因为其无法涵盖目标位点(例如左瓣)。归因于ROI 104b不包含整个目标位点的事实，可能无法获取目标位点内所要的关注测量。因此，在传统方法下，常规图像处理程序及对准技术无法解释导致结构变动(例如扩大左瓣)的工艺变化。

图4A到4B说明产品图像101的关注区域(ROI 104b)与控制图像100的关注区域(ROI 104a)之间的对准误差的额外实例。

类似于先前实例，用户可期望对图4A中所说明的左“瓣”内的产品样本执行一或多个测量，且可借此将左瓣界定为讨论中的目标位点。使用传统技术，用户可在一控制图像100内界定ROI 104a，其中ROI 104a位于POI 102a内且包含目标位点。随后，可取得产品图像101，如图4B中所展示。

如图4B中所展示，包含目标位点的层中的一或多个工艺变化可导致薄及/或移位目标位点(例如左瓣)。产品图像101的目标位点与控制图像100的目标位点之间的此结构变动可导致对准不准确及不正确ROI 104b放置。例如，产品图像101的POI 102b可与控制图像100的POI 102a对准，且可根据POI 102b在产品图像101内的放置来放置产品图像101的ROI104b。如图3B中可见，ROI 104b的放置可能不准确，因为其无法涵盖包含关注测量的目标位点(例如左瓣)。因此，依赖对准技术的常规图像处理程序可能无法将ROI 104b准确放置于产品图像101中。此可导致无法执行目标位点的所要测量。

如本文先前所提及，本发明的实施例是针对一种用于使用机器学习技术来产生自适应关注区域(ROI)的系统及方法。更特定来说，本发明的实施例是针对使用机器学习技术来产生自适应ROI以更有效监测关注特征。在此可预期，尽管存在过程及/或结构变动，但本发明的实施例可允许准确放置ROI。

图5说明根据本发明的一或多个实施例的用于自适应关注区域(ROI)选择的系统200。系统200可包含(但不限于)一或多个特性化子系统202。另外，系统200可包含(但不限于)控制器204(其包含一或多个处理器206及存储器208)及用户接口210。

特性化子系统202可包含所属领域中已知的任何特性化子系统202，其包含(但不限于)基于光学的特性化系统、基于带电粒子的特性化系统及其类似者。例如，特性化子系统202可包含扫描电子显微镜(SEM)特性化系统。在一个实施例中，控制器204通信地耦合到一或多个特性化子系统202。在此方面，控制器204的一或多个处理器206可经配置以产生一或多个控制信号，所述一或多个控制信号经配置以调整特性化子系统202的一或多个特性。

图6A说明根据本发明的一或多个实施例的用于自适应关注区域(ROI)选择的系统200。特定来说，图6A说明包含光学特性化子系统202a的系统200。

光学特性化子系统202a可包含所属领域中已知的任何基于光学的特性化系统，其包含(但不限于)基于图像的计量工具。例如，特性化子系统202a可包含光学临界尺寸计量工具。光学特性化子系统202a可包含(但不限于)照明源212、照明臂211、集光臂213及检测器组合件226。

在一个实施例中，光学特性化子系统202a经配置以检验及/或测量安置于载台组合件222上的样本220。照明源212可包含用于产生照明201的所属领域中已知的任何照明源，其包含(但不限于)宽带辐射源。在另一实施例中，光学特性化子系统202a可包含经配置以将照明201导引到样本220的照明臂211。应注意，光学特性化子系统202a的照明源212可依所属领域中已知的任何定向(其包含(但不限于)暗场定向、亮场定向及其类似者)配置。

样本220可包含所属领域中已知的任何样本，其包含(但不限于)晶片、分划板、光掩模及其类似者。在一个实施例中，样本220安置于载台组合件222上以促进样本220移动。在另一实施例中，载台组合件222是可致动载台。例如，载台组合件222可包含(但不限于)适合于沿一或多个线性方向(例如x方向、y方向及/或z方向)可选择性地平移样本220的一或多个平移载台。通过另一实例，载台组合件222可包含(但不限于)适合于沿旋转方向选择性旋转样本220的一或多个旋转载台。通过另一实例，载台组合件222可包含(但不限于)适合于沿线性方向可选择性地平移样本220及/或沿旋转方向旋转样本220的旋转载台及平移载台。在此应注意，系统200可依所属领域中已知的任何扫描模式操作。

照明臂211可包含所属领域中已知的任何数目及类型的光学组件。在一个实施例中，照明臂211包含一或多个光学元件214、分束器216及物镜218。在此方面，照明臂211可经配置以将来自照明源212的照明201聚焦到样本220的表面上。一或多个光学元件214可包含所属领域中已知的任何光学元件，其包含(但不限于)一或多个反射镜、一或多个透镜、一或多个偏光器、一或多个分束器及其类似者。

在另一实施例中，光学特性化子系统202a包含经配置以收集从样本220反射或散射的照明的集光臂213。在另一实施例中，集光臂213可经由一或多个光学元件224将反射及散射光导引及/或聚焦到检测器组合件226的一或多个传感器。一或多个光学元件224可包含所属领域中已知的任何光学元件，其包含(但不限于)一或多个反射镜、一或多个透镜、一或多个偏光器、一或多个分束器及其类似者。应注意，检测器组合件226可包含用于检测从样本220反射或散射的照明的所属领域中已知的任何传感器及检测器组合件。

在另一实施例中，光学特性化子系统202的检测器组合件226经配置以基于从样本220反射或散射的照明来收集样本220的计量数据。在另一实施例中，检测器组合件226经配置以将所收集/获取的图像及/或计量数据传输到控制器204。

如本文先前所提及，系统200的控制器204可包含一或多个处理器206及存储器208。存储器208可包含经配置以引起一或多个处理器206执行本发明的各个步骤的程序指令。在一个实施例中，程序指令经配置以引起一或多个处理器206调整光学特性化子系统202的一或多个特性以执行样本220的一或多个测量。

在额外及/或替代实施例中，特性化子系统202可包含基于带电粒子的特性化子系统202。例如，特性化子系统202可包含SEM特性化子系统，如图6B中所说明。

图6B说明根据本发明的一或多个实施例的用于自适应关注区域(ROI)选择的系统200。特定来说，图6B说明包含SEM特性化子系统202b的系统200。

在一个实施例中，SEM特性化子系统202b经配置以对样本220执行一或多个测量。在此方面，SEM特性化子系统202b可经配置以获取样本220的一或多个图像。SEM特性化子系统202b可包含(但不限于)电子束源228、一或多个电子光学元件230、一或多个电子光学元件232及电子检测器组合件234，电子检测器组合件234包含一或多个电子传感器236。

在一个实施例中，电子束源228经配置以将一或多个电子束229导引到样本220。电子束源228可形成电子光学柱。在另一实施例中，电子束源228包含经配置以将一或多个电子束229聚焦及/或导引到样本220的表面的一或多个额外及/或替代电子光学元件230。在另一实施例中，SEM特性化子系统202b包含经配置以响应于一或多个电子束229而收集从样本220的表面发出的次级及/或反向散射电子231的一或多个电子光学元件232。在此应注意，一或多个电子光学元件230及一或多个电子光学元件232可包含经配置以导引、聚焦及/或收集电子的任何电子光学元件，其包含(但不限于)一或多个偏转器、一或多个电子光学透镜、一或多个聚光透镜(例如磁聚光透镜)、一或多个物镜(例如磁聚光透镜)及其类似者。

应注意，SEM特性化子系统202b的电子光学组合件不限于为图6B中所描绘的电子光学元件，其仅供说明。应进一步注意，系统200可包含将一或多个电子束229导引/聚焦到样本220上且响应性收集及成像所发出的次级及/或反向散射电子231到电子检测器组合件234上所需的任何数目及类型的电子光学元件。

例如，系统200可包含一或多个电子束扫描元件(未展示)。例如，一或多个电子束扫描元件可包含(但不限于)适合于控制一或多个电子束229相对于样本220的表面的位置的一或多个电磁扫描线圈或静电偏转器。此外，一或多个扫描元件可用于使一或多个电子束229以所选择的模式扫描整个样本220。

在另一实施例中，将次级及/或反向散射电子231导引到电子检测器组合件234的一或多个传感器236。SEM特性化子系统202的电子检测器组合件234可包含适合于检测从样本220的表面发出的反向散射及/或次级电子231的所属领域中已知的任何电子检测器组合件。在一个实施例中，电子检测器组合件234包含电子检测器阵列。在此方面，电子检测器组合件234可包含电子检测部分的阵列。此外，电子检测器组合件234的检测器阵列的每一电子检测部分可经定位以从样本220检测与一或多个入射电子束229中的一者相关联的电子信号。在此方面，电子检测器组合件234的每一通道可对应于一或多个电子束229的电子束229。电子检测器组合件234可包含所属领域中已知的任何类型的电子检测器。例如，电子检测器组合件234可包含微通道板(MCP)、PIN或p-n结检测器阵列，例如(但不限于)二极管阵列或突崩光二极管(APD)。通过另一实例，电子检测器组合件234可包含高速闪烁器/PMT检测器。

尽管图6B将SEM特性化子系统202b说明为包含仅包括次级电子检测器组合件的电子检测器组合件234，但此不应被视作本发明的限制。在此方面，应注意，电子检测器组合件234可包含(但不限于)次级电子检测器、反向散射电子检测器及/或初级电子检测器(例如柱内电子检测器)。在另一实施例中，SEM特性化子系统202可包含多个电子检测器组合件234。例如，系统200可包含次级电子检测器组合件234a、反向散射电子检测器组合件234b及柱内电子检测器组合件234c。

在一个实施例中，一或多个处理器206经配置以分析检测器组合件226/电子检测器组合件234的输出。在一个实施例中，程序指令集经配置以引起一或多个处理器206基于从检测器组合件226/电子检测器组合件234接收的图像来分析样本220的一或多个特性。在另一实施例中，程序指令集经配置以引起一或多个处理器206修改系统200的一或多个特性以维持聚焦于样本220及/或检测器组合件226/电子检测器组合件234上。例如，一或多个处理器206可经配置以调整照明源212/电子束源228及/或系统200的其他元件的一或多个特性以将照明201及/或一或多个电子束229聚焦到样本220的表面上。通过另一实例，一或多个处理器206可经配置以调整系统200的一或多个元件以从样本220的表面收集照明及/或次级电子231且将所收集的照明聚焦于检测器组合件226/电子检测器组合件234上。通过另一实例，一或多个处理器206可经配置以调整施加到电子束源228的一或多个静电偏转器的一或多个聚焦电压以独立调整一或多个电子束229的位置或对准且使电子束229扫描整个样本220。

在一个实施例中，一或多个处理器206可通信地耦合到存储器208，其中一或多个处理器206经配置以执行存储于存储器208上的程序指令集，程序指令集经配置以引起一或多个处理器206实施本发明的各种功能及步骤。

在另一实施例中，如图5及图6A到6B中所展示，系统200包含通信地耦合到控制器204的用户接口210。在另一实施例中，用户接口210包含用户输入装置及显示器。用户接口210的用户输入装置可经配置以从用户接收一或多个输入命令，一或多个输入命令经配置以将数据输入到系统200中及/或调整系统200的一或多个特性。例如，如本文将进一步详细描述，用户接口210的用户输入装置可经配置以从用户接收一或多个POI及/或ROI选择。在另一实施例中，用户接口210的显示器可经配置以向用户显示系统200的数据。

如本文先前所提及，一或多个处理器206可通信地耦合到存储器208，其中一或多个处理器206经配置以执行存储于存储器208上的程序指令集，程序指令集经配置以引起一或多个处理器206实施本发明的各种功能及步骤。在此方面，控制器204可经配置以：从特性化子系统202接收样本220的一或多个训练图像；在一或多个训练图像内接收一或多个训练关注区域(ROI)选择；基于一或多个训练图像及一或多个训练ROI选择来产生机器学习分类器；从特性化子系统202接收样本220的一或多个产品图像；使用机器学习分类器来产生一或多个经分类关注区域；及在一或多个经分类关注区域内确定样本220的一或多个测量。将依次叙述这些步骤中的每一者。

在一个实施例中，系统200的控制器204经配置以从特性化子系统202接收样本220的一或多个训练图像225。为了本发明，术语“训练图像”可被视作将用作训练机器学习分类器的输入的图像。图7A说明根据本发明的一或多个实施例的用于训练机器学习分类器的训练图像225。例如，如图6A中所展示，控制器204可经配置以从光学特性化子系统202a接收样本220的一或多个光学训练图像225。通过另一实例，如图6B中所展示，控制器204可经配置以从SEM特性化子系统202b接收样本220的一或多个SEM训练图像225。在此方面，图7A中所描绘的训练图像225可包含光学训练图像225、SEM训练图像225及其类似者。在额外及/或替代实施例中，控制器204可经配置以从源而非一或多个特性化子系统202接收一或多个训练图像225。例如，控制器204可经配置以从外部存储装置接收样本220的一或多个训练图像225。在另一实施例中，控制器可经进一步配置以将所接收的训练图像225存储于存储器208中。

在另一实施例中，控制器204经配置以在一或多个训练图像225内接收一或多个训练关注区域(ROI)选择。图7B说明包含训练ROI选择302的训练图像225。在一个实施例中，一或多个所接收的训练ROI选择302可包含一或多个关注测量。例如，如图7B中所展示，训练ROI选择302可包含指示左瓣的长度的第一关注测量(MOI 304a)及指示左瓣的高度的第二关注测量(MOI 304b)。这些关注测量(MOI 304a、MOI 304b)可包含临界尺寸，可期望在整个制造过程中监测临界尺寸以确保临界尺寸均匀性(CDU)。一或多个训练ROI选择302内的关注测量(MOI 304)可包含可在图案、结构或其类似者上测量的任何特征。

可使用所属领域中已知的任何技术来接收一或多个训练ROI选择302。例如，存储于存储器208中的程序指令可经配置以自动选择一或多个训练ROI选择302。通过另一实例，可经由用户接口210接收一或多个训练ROI选择302。例如，用户接口210的显示器装置可向用户显示一或多个训练图像235。接着，用户可经由用户接口210的用户输入装置来输入指示一或多个训练ROI选择302的一或多个输入命令。在此方面，在一些实施例中，用户可经由用户接口210手动绘制/选择训练图像225内的一或多个训练ROI选择302。在另一实施例中，控制器204经配置以将一或多个训练ROI选择302存储于存储器208中。

在另一实施例中，控制器204经配置以基于一或多个训练图像225及一或多个训练ROI选择302来产生机器学习分类器。机器学习分类器可包含所属领域中已知的任何类型的机器学习算法/分类器及/或深度学习技术或分类器，其包含(但不限于)卷积神经网络(CNN)(例如GoogleNet、AlexNet及其类似者)、集成学习分类器、随机森林分类器、人工神经网络(ANN)及其类似者。

训练机器学习分类器可包含：教示机器学习分类器基于所接收的训练图像225及训练ROI选择302来识别一或多个关注测量(MOI 304a、304b)及/或待测量的关注特征。如本文中所使用，术语“关注测量”(MOI 304a、304b)可被视作是指可期望对样本220执行的任何测量。在此方面，机器学习分类器可经训练/产生使得其经配置以基于所接收的训练图像225及所接收的训练ROI选择302来识别第一关注测量(MOI 304a)及/或第二关注测量(MOI304b)。

控制器204可经配置以经由监督式学习及/或无监督式学习来产生机器学习分类器。在此应注意，机器学习分类器可包含经配置以预测及/或识别一或多个关注测量的任何算法或预测模型。

在另一实施例中，控制器204可经配置以从特性化子系统202接收样本220的一或多个产品图像235。图8A说明根据本发明的一或多个实施例的产品图像235。如图6A中所展示，控制器204可经配置以从光学特性化子系统202a接收样本220的一或多个光学产品图像235。通过另一实例，如图6B中所展示，控制器204可经配置以从SEM特性化子系统202b接收样本220的一或多个SEM产品图像235。在此方面，图8A中所描绘的产品图像235可包含光学产品图像235、SEM产品图像235及其类似者。在额外及/或替代实施例中，控制器204可经配置以从源而非一或多个特性化子系统202接收一或多个产品图像235。例如，控制器204可经配置以从外部存储装置接收样本220的一或多个产品图像235。在另一实施例中，控制器204可经进一步配置以将所接收的产品图像235存储于存储器208中。

术语“产品图像”在本文中用于描述包含一或多个关注测量(MOI 304)的样本220的图像。在此方面，一或多个产品图像235可包含将通过测量一或多个关注测量(MOI 304)来监测的产品晶片(例如产品样本220)的一或多个图像。此可经实施以确保临界尺寸均匀性(CDU)，如本文先前所描述。

在另一实施例中，控制器204经配置以使用机器学习分类器来产生一或多个经分类关注区域。例如，图8B说明根据本发明的一或多个实施例的包含经分类ROI 306的产品图像235。

在一个实施例中，控制器204经配置以使用机器学习分类器在一或多个产品图像235内产生一或多个经分类ROI 306。在另一实施例中，机器学习分类器可经配置以在产品图像235内产生一或多个经分类ROI 306，使得经分类ROI 306包含一或多个经识别的关注测量(MOI 304a、304b)。例如，如图8B中所展示，机器学习分类器可经配置以产生经分类ROI306，使得经分类ROI 306含有第一经识别的关注测量(MOI 304a)及/或第二经识别的关注测量(MOI 304b)。

在此可预期，基于机器学习算法来产生ROI(例如经分类ROI 306)可增加ROI将被正确放置使得其包含预期关注测量的可能性。在此可进一步预期，经由机器学习算法来产生经分类ROI 306可提供相较于先前方法的诸多优点，先前方法基于常规图像处理对准程序来放置ROI(例如图3B及4B中的ROI 104b)。此可通过比较经由常规图像处理对准程序来放置图3B中的ROI 104b与经由机器学习分类器来放置图8B中的经分类ROI 306来说明。如图3B中所展示，常规图像处理技术可能无法解释过程及结构变动，其接着可导致ROI 104b的错放及无法实施所要测量。比较来说，如图8B中所展示，在此可预期，机器学习分类器可经配置以识别关注测量(MOI 304a、304b)，使得机器学习分类器可产生可被更准确放置以包含经识别的关注测量(MOI 304a、304b)的自适应经分类ROI 306。特定来说，可根据样本220的相关结构(例如左瓣)的特性(例如形状、大小、定向)来修改由机器学习分类器产生的经分类ROI 306的特性(例如形状、大小、定向)。在此方面，通过产生能够在大小、形状、定向及其类似者方面变动的自适应经分类ROI 306，本发明的实施例可提供更准确及可靠ROI放置。

在另一实施例中，控制器经配置以通过使用机器学习分类器自适应修改一或多个产品ROI选择的一或多个特性来产生一或多个经分类ROI 306。在此方面，使用机器学习分类器来产生一或多个经分类ROI 306可包含：在一或多个产品图像235内接收一或多个产品ROI选择305；及使用机器学习分类器来自适应修改一或多个产品ROI选择305的一或多个特性以产生一或多个经分类ROI 306。此可参考图8C来进一步理解。

图8C说明根据本发明的一或多个实施例的包含产品ROI选择305及经分类ROI 306的产品图像235。在此实例中，控制器204可接收指示产品图像235的区域的产品ROI选择305。例如，用户可经由用户接口210来输入产品ROI选择305。继续相同实例，控制器204可经配置以使用机器学习分类器来自适应修改产品ROI选择305的一或多个特性以产生经分类ROI 306。可由机器学习分类器自适应修改以产生经分类ROI 306的产品ROI选择305的特性可包含(但不限于)大小、形状、定向及其类似者。

在此可预期，通过修改所接收的产品ROI选择305来产生经分类ROI 306可允许机器学习分类器充当根据需要激活的校正工具。例如，在一些实施例中，当所接收的产品ROI选择305被不正确放置(例如，经放置使得其无法包含一或多个MOI 304a、304b)时，机器学习分类器可通过自适应修改产品ROI选择305来仅产生经分类ROI 306，如图8C中所展示。

在一个实施例中，机器学习分类器可基于一或多个产品图像235内的结构的一或多个特性来自适应修改一或多个产品ROI选择305的一或多个特性。例如，如图8C中所展示，机器学习分类器可基于左瓣的结构变动来自适应修改产品ROI选择305。在另一实施例中，机器学习分类器可响应于一或多个工艺变化来自适应修改一或多个产品ROI选择305的一或多个特性。在此方面，机器学习分类器可自适应修改产品ROI选择305以校正一或多个工艺变化。

类似地，在另一实施例中，可通过接收一或多个产品POI选择(未展示)来辅助经分类ROI 306的产生。例如，类似于传统方法，控制器204可在产品图像235内接收产品POI选择，且接着至少部分基于一或多个所接收的POI选择来产生一或多个经分类ROI 306。

图9A说明根据本发明的一或多个实施例的产品图像235。图9B说明根据本发明的一或多个实施例的包含经分类关注区域(ROI)306的产品图像235。在一个实施例中，机器学习分类器可产生一或多个经分类ROI 306，使得一或多个经分类ROI 306包含一或多个经识别MOI 304a、304b。比较图4B中ROI 104b的放置与图9B中经分类ROI 306的放置，可看出，经由机器学习分类器的ROI放置可提供相较于常规图像处理对准程序的改进ROI放置。因此，在此可预期，本发明的实施例可提供不易受及/或不受结构/工艺变化影响的更准确及可靠ROI放置。特定来说，在此可预期，在半导体制造快速发展的上下文下，经分类ROI 306的增强自适应性是特别有益的。

图9C说明根据本发明的一或多个实施例的包含角形经分类关注区域(ROI)306的产品图像235。

在一个实施例中，如图9C中所展示，机器学习分类器可经配置以产生一或多个角形经分类ROI 306。术语“角形”在本文中可用于描述以相对于特定参考系或参考物的偏斜角307(由θ界定)定向的经分类ROI 306。例如，角形经分类ROI 306可相对于产品ROI选择305旋转，使得角形经分类ROI 306以相对于产品ROI选择305的偏斜角307安置。通过另一实例，如图9C中所展示，角形经分类ROI 306可经旋转使得角形经分类ROI 306以相对于产品图像235的边缘或边界的偏斜角307安置，如图9C中所展示。

在此应注意，使用常规图像处理程序来产生角形ROI 104可能极其困难或甚至不可能。例如，当已旋转结构的仅一部分(例如在图9C中)时，常规图像处理程序可能无法产生且准确对准角形ROI 104。另外，即使可由常规图像处理程序潜在地产生角形ROI 104，但程序可能运算昂贵以致其不可行且效率低。因此，在此可预期，使用机器学习分类器来产生角形经分类ROI 306的能力可提供变动结构的更准确ROI放置且实现更复杂交错的临界尺寸测量。

在另一实施例中，控制器204可经配置以在一或多个经分类ROI 306内确定样本220的一或多个测量。例如，如图8B中所展示，控制器204可经配置以测量由第一关注测量(MOI 304a)指示的第一临界尺寸及由第二关注测量(MOI 304b)指示的第二临界尺寸。一或多个经分类ROI 306内所进行的一或多个测量可包含所属领域中已知的任何测量，其包含(但不限于)临界尺寸(CD)测量。

在此应注意，系统200的一或多个组件可依所属领域中已知的任何方式通信地耦合到系统200的各种其他组件。例如，一或多个处理器206可经由有线连接(例如铜线、光纤电缆及其类似者)或无线连接(例如RF耦合、IR耦合、WiMax、蓝牙、3G、4G、4G LTE、5G及其类似者)来彼此通信耦合及通信地耦合到其他组件。通过另一实例，控制器204可经由所属领域中已知的任何有线或无线连接来通信地耦合到特性化子系统202的一或多个组件。

在一个实施例中，一或多个处理器206可包含所属领域中已知的任何一或多个处理元件。在此意义上，一或多个处理器206可包含经配置以执行软件算法及/或指令的任何微处理器型装置。在一个实施例中，一或多个处理器206可由以下各者组成：桌面计算机、大型计算机系统、工作站、图像计算机、并行处理器或经配置以执行经配置以操作系统200的程序的其他计算机系统(例如网络计算机)，如本发明中所描述。应认识到，本发明中所描述的步骤可由单个计算机系统或替代地，多个计算机系统实施。此外，应认识到，本发明中所描述的步骤可实施于一或多个处理器206中的任何一或多者上。一般来说，术语“处理器”可广义界定为涵盖具有一或多个处理元件的任何装置，处理元件执行来自存储器208的程序指令。此外，系统200的不同子系统(例如照明源212、电子束源228、检测器组合件226、电子检测器组合件234、控制器204、用户接口210及其类似者)可包含适合于实施本发明中所描述的步骤的至少一部分的处理器或逻辑元件。因此，以上描述不应被解译为对本发明的限制，而是仅为说明。

存储器208可包含适合于存储可由相关联的一或多个处理器206执行的程序指令及从特性化子系统202接收的数据的所属领域中已知的任何存储媒体。例如，存储器208可包含非暂时性存储器媒体。例如，存储器208可包含(但不限于)只读存储器(ROM)、随机存取存储器(RAM)、磁性或光学存储器装置(例如磁盘)、磁带、固态驱动及其类似者。应进一步注意，存储器208可与一或多个处理器206一起收容于共同控制器外壳中。在替代实施例中，存储器208可相对于处理器206、控制器204及其类似者的物理位置远程定位。在另一实施例中，存储器208保存用于引起一或多个处理器206实施本发明中所描述的各个步骤的程序指令。

在一个实施例中，用户接口210通信地耦合到控制器204。在一个实施例中，用户接口210可包含(但不限于)一或多个桌面计算机、平板计算机、智能手机、智能型手表或其类似者。在另一实施例中，用户接口210包含用于向用户显示系统200的数据的显示器。用户接口210的显示器可包含所属领域中已知的任何显示器。例如，显示器可包含(但不限于)液晶显示器(LCD)、基于有机发光二极管(OLED)的显示器或CRT显示器。所属领域的技术人员应认识到，能够与用户接口210集成的任何显示器装置适合于实施于本发明中。在另一实施例中，用户可经由用户接口210的用户输入装置来输入响应于向用户显示的数据的选择及/或指令。

图10说明根据本发明的一或多个实施例的用于自适应关注区域(ROI)选择的方法400的流程图。在此应注意，方法400的步骤可完全或部分由系统200实施。然而，应进一步认识到别，方法400不受限于系统100，因为额外或替代系统级实施例可实施方法400的全部或部分步骤。

在步骤402中，使用特性化子系统来获取样本的一或多个训练图像。例如，如图6A到6B中所展示，光学特性化子系统202a及/或SEM特性化子系统202b可经配置以获取样本220的一或多个训练图像225且将一或多个所获取的训练图像225传输到控制器204。

在步骤404中，接收一或多个训练ROS选择。例如，如图7A到7B中所展示，控制器204可在一或多个训练图像225内接收一或多个训练ROI选择302。一或多个训练ROI选择302可包含一或多个关注测量(MOI 304a、304b)。可使用所属领域中已知的任何技术来接收一或多个训练ROI选择302。例如，存储于存储器208中的程序指令可经配置以自动选择一或多个训练ROI选择302。通过另一实例，可经由用户接口210来接收一或多个训练ROI选择302。例如，用户接口210的显示器装置可向用户显示一或多个训练图像235。接着，用户可经由用户接口210的用户输入装置来输入指示一或多个训练ROI选择302的一或多个输入命令。

在步骤406中，基于一或多个训练图像及一或多个训练ROI选择来产生机器学习分类器。训练机器学习分类器可包含教示机器学习分类器基于所接收的训练图像225及训练ROI选择302来识别一或多个关注测量(MOI 304a、304b)及/或待测量的关注特征。机器学习分类器可包含所属领域中已知的任何类型的机器学习算法/分类器及/或深度学习技术或分类器，其包含(但不限于)深度学习分类器、卷积神经网络(CNN)(例如GoogleNet、AlexNet及其类似者)、集成学习分类器、随机森林分类器、人工神经网络(ANN)及其类似者。

在步骤408中，使用特性化子系统来获取样本的一或多个产品图像。例如，如图6A到6B中所展示，光学特性化子系统202a及/或SEM特性化子系统202b可经配置以获取样本220的一或多个产品图像235且将一或多个所获取的产品图像235传输到控制器204。一或多个产品图像235可包含将通过测量一或多个关注测量(MOI 304)来监测的产品晶片(例如产品样本220)的一或多个图像。此可经实施以确保临界尺寸均匀性(CDU)，如本文先前所描述。

在步骤410中，使用机器学习分类器来产生一或多个经分类ROI。例如，如图8B及9B中所展示，机器学习分类器可经配置以产生经分类ROI 306，使得经分类ROI 306包含第一经识别的关注测量(MOI 304a)及/或第二经识别的关注测量(MOI 304b)。

在步骤412中，在一或多个经分类关注区域内确定样本的一或多个测量。例如，如图8B中所展示，控制器204可经配置以测量由第一关注测量(MOI 304a)指示的第一临界尺寸及由第二关注测量(MOI 304b)指示的第二临界尺寸。一或多个经分类ROI 306内所进行的一或多个测量可包含所属领域中已知的任何测量，其包含(但不限于)临界尺寸(CD)测量。

所属领域的技术人员应认识到，本文中所描述的组件(例如操作)、装置、对象及其伴随论述用作使概念清楚的实例且可考虑各种配置修改。因此，如本文中所使用，所陈述的特定范例及随附论述希望表示其更一般类别。一般来说，使用任何特定范例希望表示其类别，且不包含特定组件(例如操作)、装置及对象不应被视作限制。

所属领域的技术人员应了解，存在本文中所描述的过程及/或系统及/或其他技术可通过其来实现的各种载具(例如硬件、软件及/或固件)，且优选载具将随其中部署过程及/或系统及/或其他技术的上下文而变动。例如，如果实施者确定速度及准确性最重要，那么实施者可选择以硬件及/或固件为主的载具；替代地，如果灵活性最重要，那么实施者可选择以软件为主的实施方案；或替代地，实施者可选择硬件、软件及/或固件的某一组合。因此，存在本文中所描述的过程及/或装置及/或其他技术可通过其来实现的若干可行载具，任何载具不天生优于其他载具，因为待利用的任何载具是取决于其中将部署载具的上下文及实施者的特定关注(例如速度、灵活性或可预测性)(其任何者可变动)的一选择。

呈现以上描述以使所属领域的一般技术人员能够制造及使用本发明，如特定应用及其要求的上下文中所提供。如本文中所使用，方向术语(例如“顶部”、“底部”、“在…上方”、“在…下方”、“上”、“向上”、“下”、“在…下面”及“向下”)希望提供相对位置来便于描述，且不希望指定绝对参考系。所属领域的技术人员将明白所描述实施例的各种修改，且可将本文中所界定的一般原理应用于其他实施例。因此，本发明不希望受限于所展示及描述的特定实施例，而是应被给予与本文中所揭示的原理及新颖特征一致的最广范围。

关于本文中所使用的基本上任何复数及/或单数术语，所属领域的技术人员可根据上下文及/或应用来适当从复数转化成单数及/或从单数转化成复数。为清楚起见，本文中未明确陈述各种单数/复数排列。

本文中所描述的所有方法可包含将方法实施例的一或多个步骤的结果存储于存储器中。结果可包含本文中所描述的任何结果且可依所属领域中已知的任何方式存储。存储器可包含本文中所描述的任何存储器或所属领域中已知的任何其他适合存储媒体。在存储结果之后，结果可存取于存储器中且由本文中所描述的方法或系统实施例的任何者使用、经格式化以向用户显示、由另一软件模块、方法或系统使用及其类似者。此外，可“永久”、“半永久”、“暂时”或在某一时段存储器储结果。例如，存储器可为随机存取存储器(RAM)，且结果未必无限期存留于存储器中。

可进一步预期，上述方法的每一实施例可包含本文中所描述的任何其他方法的任何其他步骤。另外，可由本文中所描述的任何系统执行上述方法的每一实施例。

本文中所描述的标的物有时说明含于其他组件内或与其他组件连接的不同组件。应了解，此类所描绘的架构仅的示范性的，且事实上，可实施实现相同功能性的诸多其他架构。就概念意义而言，实现相同功能性的组件的任何布置经有效“相关联”使得实现所要功能性。因此，本文中经组合以实现特定功能性的任何两个组件可被视为彼此“相关联”，使得实现所要功能性，不管架构或中间组件如何。同样地，如此相关联的任何两个组件还可被视为彼此“连接”或“耦合”以实现所要功能性，且能够如此相关联的任何两个组件还可被视为彼此“可耦合”以实现所要功能性。“可耦合”的特定实例包含(但不限于)可物理配合及/或物理互动组件及/或可无线互动及/或无线互动组件及/或逻辑互动及/或可逻辑互动组件。

此外，应理解，本发明由随附权利要求书界定。所属领域的技术人员应理解，一般来说，本文中且尤其是随附权利要求书(例如随附权利要求书的主体)中所使用的术语一般希望为“开放式”术语(例如，术语“包含”应被解译为“包含(但不限于)”，术语“具有”应被解译为“至少具有”，等等)。所属领域的技术人员应进一步理解，如果希望引入权利要求叙述的特定数目，那么此意图将明确叙述于权利要求中，且如果缺乏此叙述，那么不存在此意图。例如，为辅助理解，以下随附权利要求书可含有使用引入词组“至少一”及“一或多个”来引入权利要求叙述。然而，这些词组的使用不应被解释为隐含由不定冠词“一”引入权利要求叙述将含有此引入权利要求叙述的任何特定权利要求限制为仅含有此叙述的发明，即使相同权利要求包含引入词组“一或多个”或“至少一”及例如“一”的不定冠词(例如，“一”通常应被解译为意味着“至少一”或“一或多个”)；以上内容同样适用于用于引入权利要求叙述的定冠词的使用。另外，即使明确叙述引入权利要求叙述的特定数目，但所属领域的技术人员应认识到，此叙述通常应被解译为意味着至少所述叙述数目(例如，无其他修饰语的纯叙述“两个叙述”通常意指至少两个叙述或两个或更多个叙述)。此外，在其中使用类似于“A、B及C中的至少一者及其类似者”的惯例的例子中，此构造一般意指所属领域的技术人员通常所理解的含义(例如，“具有A、B及C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统及其类似者)。在其中使用类似于“A、B或C中的至少一者及其类似者”的惯例的例子中，此构造一般意指所属领域的技术人员通常所理解的含义(例如，“具有A、B或C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统及其类似者)。所属领域的技术人员应进一步了解，无论在[具体实施方式]、权利要求书或图式中，呈现两个或更多个替代项的几乎任何转折用语及/或词组应被理解为涵盖包含所述两项中的一者、所述两项中的任一者或两项的可能性。例如，词组“A或B”将被理解为包含“A”或“B”或“A及B”的可能性。

可认为，通过以上描述来理解本发明及其诸多伴随优点，且应明白，可在不背离所揭示的标的物或不牺牲所有其材料优点的情况下对组件的形式、构造及布置作出各种改变。所描述的形式仅供解释，且随附权利要求书希望涵盖及包含此类改变。此外，应理解，本发明由随附权利要求书界定。