晶圆图形提取方法及其提取系统
技术领域
[0001] 本
发明涉及
半导体生产领域，特别是涉及一种晶圆图形提取方法。本发明还涉及一种晶圆图形提取系统。
背景技术
[0002] 晶圆在
制造过程中由于不同的原因会产生不同的
缺陷图形(defect map)、芯片测试值分布图形(cp bin map,sp map)，对晶圆存在的空间分布图形(wafer spatial pattern)进行分类分析，可以对线上的程式(recipe)、工艺(process)和工具(tool)异常进行追溯排查，提高最终的产品良率。但是目前的晶圆存在的空间分布图形(wafer spatial pattern)的识别分类是靠工程师的人工判断，人工判断效率低，工程师负担重。
发明内容
[0003] 在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域
现有技术简化，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
[0004] 本发明要解决的技术问题是提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法。
[0005] 本发明要解决的另一技术问题是提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取系统。
[0006] 为解决上述技术问题，本发明提供用于将存在空间分布的晶圆图像(wafer spatial map)基于神经网络组合单一图形类型(single pattern type)分类器训练分类的晶圆图形提取方法，包括以下步骤：
[0007] S1，将晶圆图形调整为预设尺寸，并提取图像纹理特征；
[0008] S2，利用神经网络对图像纹理特征进行高阶特征提取,，训练后形成不同晶圆图形的单一图形分类器；单一图形分类器是晶圆单一图形(比如缺陷为划痕)的分类器；
[0009] S3，按单一图形分类器组合规则将S2中的单一图形分类器组合形成判断分类器；
[0010] S4，将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
[0011] 可选择的，进一步改进所述晶圆图形提取方法，步骤S1中，所述预设尺寸为M*M
像素，M＞1。
[0012] 可选择的，进一步改进所述晶圆图形提取方法，实施步骤S1时,采用局部二值模式提取图像纹理特征。
[0013] 局部二值模式(LBP，Local Binary Pattern)是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T.Ojala,M.和D.Harwood在1994年提出，用于纹理特征提取，提取的特征是图像的局部的纹理特征；
[0014] 原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为
阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的
位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码，共256种)，即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。
[0015] 可选择的，进一步改进所述晶圆图形提取方法，实施步骤S1时,局部二值模式采用3*3像素邻域，邻域中包含8个像素值。
[0016] 可选择的，进一步改进所述晶圆图形提取方法，实施步骤S2时,采用深度置信网络保留图像纹理特征的特点，同时降低图像纹理特征的维度，形成不同晶圆图形的单一图形分类器。
[0017]
深度学习的概念源于
人工神经网络的研究。含多隐层的多层
感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。Deep learning本身算是machine learning的一个分支，简单可以理解为neural network的发展。Deep learning与传统的神经网络之间有相同的地方也有很多不同。二者的相同在于deep learning采用了神经网络相似的分层结构，系统由包括
输入层、隐层(多层)、
输出层组成的多层网络，只有相邻层
节点之间有连接，同一层以及跨层节点之间相互无连接，每一层可以看作是一个logistic regression模型；这种分层结构，是比较接近人类大脑的结构的。
[0018] 深度置信网络(DBN，Deep Belief Nets)是一种生成模型，也是神经网络的一种，通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成
训练数据。不仅可以使用DBN来识别特征、分类数据，还可以用它来生成数据。从非
监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。而不论是监督学习还是非监督学习，DBN
算法本质都是Feature Learning的过程，即如何得到更好的特征表达。
[0019] DBN训练过程：DBN是由多层RBM组成的一个神经网络，它既可以被看作一个生成模型，也可以当作判别模型，其训练过程是：使用非监督贪婪逐层方法去预训练获得权值。
[0020] DBN训练过程如下：
[0021] 1)充分训练第一个RBM；
[0022] 2)固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量；
[0023] 3)充分训练第二个RBM后，将第二个RBM堆叠在第一个RBM的上方；
[0024] 4)重复以上1)～3)任意多次；
[0025] 5)如果训练集中的数据有标签，那么在顶层的RBM训练时，这个RBM的显层中除了显性神经元，还需要有代表分类标签的神经元，一起进行训练；
[0026] 6)DBN训练完成。
[0027] 可选择的，进一步改进所述晶圆图形提取方法，实施步骤S2时,深度置信网络设置为7层，输出层维度2，
隐藏层分别是500、500、200、100和50；除最后一层其他层之间的
基础结构是受限
玻尔兹曼机，最后一层基础结构是逻辑回归层，该模型通过单独训练前面的6层到最优化后，再通过最后一层执行调整操作。
[0028] 可选择的，进一步改进所述晶圆图形提取方法，所述调整操作采用自适应矩估计优化器(Adam)和梯度下降。
[0029] 可选择的，进一步改进所述晶圆图形提取方法，实施步骤S3时,采用直接并联单一图形分类器或多阈值筛选单一图形分类器的方式形成判断分类器。
[0030] 可选择的，进一步改进所述晶圆图形提取方法，直接并联单一图形分类器形成判断分类器时采用以下判断规则，判断输出该晶圆图像存在哪几类图形；
[0031] 对每个单一图形分类器设定相同的阈值，同时将一张晶圆图像输入到多个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’则认为存在该分类器负责识别的晶圆图形，最终输出晶圆图像存在哪几类图形。
[0032] 可选择的，进一步改进所述晶圆图形提取方法，多阈值筛选单一图形分类器形成判断分类器时采用以下判断规则，判断输出该晶圆图像存在哪几类图形；
[0033] S4.1，将所有单一图形分类器的阈值设定为设计最高值，将待测晶圆图像输入所述单一图形分类器，选出单一图形分类器输出为‘真’的图形；
[0034] S4.2，将步骤S4.1中输出为‘非真’的分类器阈值降低，再次让晶圆图像通过这些阈值降低后的单一图形分类器，选出单一图形分类器输出为‘真’的图形；
[0035] 重复上述步骤，直到阈值降为设计最低阈值，所有选出图形为该晶圆图像所出现的图形。
[0036] 本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统，包括：
[0037] 特征提取模
块，其适用于将晶圆图形调整为预设尺寸，并提取图像纹理特征；
[0038] 特征优化模块，其适用于对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
[0039] 单一图形分类器组合模块，其适用于按单一图形分类器组合规则单一图形分类器组合形成判断分类器；
[0040] 判断输出模块，其适用于将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
[0041] 可选择的，进一步改进所述晶圆缺陷图形提取系统，所述预设尺寸为M*M像素，M＞1。
[0042] 可选择的，进一步改进所述晶圆缺陷图形提取系统，特征提取模块采用局部二值模式提取图像纹理特征。
[0043] 可选择的，进一步改进所述晶圆缺陷图形提取系统，特征提取模块局部二值模式采用3*3像素邻域，邻域中包含8个像素值。
[0044] 可选择的，进一步改进所述晶圆缺陷图形提取系统，特征优化模块采用深度置信网络对图像纹理特征进行高阶特征的提取,训练后形成不同晶圆图形的单一图形分类器。
[0045] 可选择的，进一步改进所述晶圆缺陷图形提取系统，特征优化模块的深度置信网络设置为7层，输出层维度2，隐藏层分别是500、500、200、100和50；除最后一层其他层之间的基础结构是
受限玻尔兹曼机，最后一层基础结构是逻辑回归层，该模型通过单独训练前面的6层到最优化后，再通过最后一层执行调整操作。
[0046] 可选择的，进一步改进所述晶圆缺陷图形提取系统，所述调整操作采用自适应矩估计优化器(Adam)和梯度下降。
[0047] 可选择的，进一步改进所述晶圆缺陷图形提取系统，单一图形分类器组合模块采用直接并联单一图形分类器或多阈值筛选单一图形分类器的方式形成判断分类器。
[0048] 可选择的，进一步改进所述晶圆缺陷图形提取系统，单一图形分类器组合模块采用直接并联单一图形分类器形成判断分类器时，采用以下判断规则判断输出该晶圆图像存在哪几类图形；
[0049] 对每个单一图形分类器设定相同的阈值，同时将一张晶圆图像输入到多个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’则认为存在该分类器负责识别的晶圆图形，最终输出晶圆图像存在哪几类图形。
[0050] 可选择的，进一步改进所述晶圆缺陷图形提取系统，单一图形分类器组合模块采用多阈值筛选单一图形分类器形成判断分类器时，采用以下判断规则判断输出该晶圆图像存在哪几类图形；
[0051] 将所有单一图形分类器的阈值设定为设计最高值，将待测晶圆图像输入所述单一图形分类器，选出单一图形分类器输出为‘真’的图形；
[0052] 将输出为’非真’的分类器阈值降低，再次让晶圆图像通过这些阈值降低后的单一图形分类器，选出单一图形分类器输出为‘真’的图形；
[0053] 重复上述步骤，直到阈值降为设计最低阈值，所有选出图形为该晶圆图像所出现的图形。
[0054] 本发明利用局部二值模式LBP和深度置信网络DBN，基于大量晶圆图像训练基于神经网络的单一图形分类的分类器，利用多个单一图形分类器组合对混合型的(缺陷)晶圆图形能进行不同图形的提取及识别。混合型晶圆图形是指晶圆上存在大于一种缺陷的晶圆图形。
[0055] 本发明通过LBP+DBN算法对单一图形分类器进行训练，得到高准确率单一图形分类器，并对单一图形分类器进行组合形成判断分类器利用判断分类器对混合型的(缺陷)晶圆图形进行提取。本发明利用神经网络训练单一图形分类器，组合形成判断分类器，相对于人工晶圆图形识别分类效率更高，准确率更高，能减轻工程师的负担。
附图说明
[0056] 本发明附图旨在示出根据本发明的特定示例性
实施例中所使用的方法、结构和/或材料的一般特性，对
说明书中的描述进行补充。然而，本发明附图是未按比例绘制的示意图，因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点，本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明：
[0057] 图1是本发明晶圆图形提取方法第一实施例的流程示意图。
[0058] 图2是本发明晶圆图形提取方法第一实施例的判断原理示意图。
[0059] 图3是本发明晶圆图形提取方法第二实施例单一图形分类器组合判断原理示意图。
[0060] 图4是本发明晶圆图形提取方法第三实施例单一图形分类器组合判断原理示意图。
具体实施方式
[0061] 以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施，并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是，提供这些实施例是为了使得本发明的公开彻底且完整，并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。
[0062] 如图1、图2所示，本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法第一实施例，包括以下步骤：
[0063] S1，将晶圆图形调整为预设尺寸，并提取图像纹理特征；
[0064] S2，利用神经网络对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
[0065] S3，按单一图形分类器组合规则将S2中的单一图形分类器组合形成判断分类器；
[0066] S4，将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
[0067] 应当理解的是除非这里明确定义，否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思，而不以理想的或过于正式的含义加以解释。
[0068] 本发明提取方法第一实施例，基于神经网络通过对单一图形分类器进行训练，得到高准确率单一图形分类器，并对单一图形分类器进行组合形成判断分类器利用判断分类器对混合型的(缺陷)晶圆图形进行提取。本发明利用神经网络训练单一图形分类器，组合形成判断分类器，相对于人工晶圆图形识别分类效率更高，准确率更高，能减轻工程师的负担。
[0069] 本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法第二实施例，包括以下步骤：
[0070] S1，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
[0071] S2，采用深度置信网络DBN对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
[0072] 本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
[0073] RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯
采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu[0074] 逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
[0075] S3，对每个单一图形分类器设定相同的阈值(0.5-0.8)形成判断分类器；
[0076] S4，如图3所示，同时将一张图像输入到六个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’positive的则认为存在该分类器负责识别的图形pattern，最后总结该晶圆wafer存在哪几类图形pattern。以划痕和遮蔽环识别为例，第五和第六单一图形分类器识别出划痕scratch和partialring
[0077] 本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆图形提取方法第三实施例，包括以下步骤：
[0078] S1，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
[0079] S2，采用深度置信网络DBN对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
[0080] 本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
[0081] RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu[0082] 逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
[0083] S3，如图4所示，采用多阈值筛选形成判断分类器，对单一图形分类器的阈值进行从高到低(设计阈值0.8-0.6)设定；
[0084] S4，首先将六个分类器的阈值设定为最高值(0.8)，然后让待测图像通过这六个分类器，选出popup最后输出为‘真”P’的pattern；
[0085] 然后将上个步骤输出为‘非真’‘N’的分类器阈值降低(0.7)，再次让图像通过这些分类器，再次选出popup最后输出为‘真’‘P’的pattern；
[0086] 重复上述步骤，直到阈值降为0.6后，所有选出popup的所有图形pattern为该晶圆wafer所出现的pattern。
[0087] 本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统第一实施例，包括：
[0088] 特征提取模块，其适用于将晶圆图形调整为预设尺寸，并提取图像纹理特征；
[0089] 特征优化模块，其适用于对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
[0090] 单一图形分类器组合模块，其适用于按单一图形分类器组合规则单一图形分类器组合形成判断分类器；
[0091] 判断输出模块，其适用于将晶圆图像输入到判断分类器，判断分类器根据判断规则输出该晶圆图像存在哪几类图形。
[0092] 本发明提取系统第一实施例，基于神经网络通过对单一图形分类器进行训练，得到高准确率，并对单一图形分类器进行组合形成判断分类器利用判断分类器对混合型的(缺陷)晶圆图形进行提取。本发明利用神经网络训练单一图形分类器，组合形成判断分类器，相对于人工晶圆图形识别分类效率更高，准确率更高，能减轻工程师的负担。
[0093] 本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统第二实施例，包括：
[0094] 特征提取模块，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
[0095] 特征优化模块，采用深度置信网络DBN对图像纹理特征进行高阶特征提取，训练后形成不同晶圆图形的单一图形分类器；
[0096] 本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
[0097] RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu[0098] 逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
[0099] 单一图形分类器组合模块，对每个单一图形分类器设定相同的阈值(0.5-0.8)形成判断分类器；
[0100] 判断输出模块，同时将一张图像输入到六个单一图形分类器中，输出每个单一图形分类器的判断结果，判断为‘真’positive的则认为存在该分类器负责识别的图形pattern，最后总结该晶圆wafer存在哪几类图形pattern。
[0101] 本发明提供一种用于将存在空间分布的晶圆图像基于神经网络组合单一图形分类器训练分类的晶圆缺陷图形提取系统第三实施例，包括：
[0102] 特征提取模块，通过LBP算法将晶圆图形调整为28*28像素，局部二值模式采用3*3像素邻域，邻域中包含8个像素值,提取图像纹理特征；
[0103] 特征优化模块，采用深度置信网络DBN对图像纹理特征进行高阶特征的提取，训练后形成不同晶圆图形的单一图形分类器；
[0104] 本实施例，DBN算法一共7层，输入层维度784，输出层维度2，隐藏层分别是500,500,200,100，50。前面几层之间的基础结构是受限玻尔兹曼机(RBM)，最后一层是逻辑回归层，模型通过单独训练前面的6层到最优化后，再通过最后一层微调。
[0105] RBM采用的参数：学习率0.001-0.01,batch_size 64-256，吉布斯采样步数1-4，训练轮数epoch 100-500，损失函数是交叉熵函数/均方差函数，激活函数是sigmoid/relu[0106] 逻辑回归LR采用的参数：学习率采用的是固定学习率0.01和指数衰减exponential_decay学习率(指数衰减参数有：初始学习率0.1-0.5，decay_step＝10-20,decay_rate＝0.8-0.95)，batch_size 64-256，损失函数二元交叉熵函数，激活函数softmax和sigmoid，最后的输出阈值0.5-0.8，训练轮数100-500；微调参数采用：优化器Adam和梯度下降；
[0107] 单一图形分类器组合模块，采用多阈值筛选形成判断分类器，对单一图形分类器的阈值进行从高到低(设计阈值0.8-0.6)设定；
[0108] 判断输出模块，首先将六个分类器的阈值设定为最高值(0.8)，然后让待测图像通过这六个分类器，选出popup最后输出为‘真”P’的pattern；
[0109] 然后将上个步骤输出为‘非真’‘N’的分类器阈值降低(0.7)，再次让图像通过这些分类器，再次选出popup最后输出为‘真’‘P’的pattern；
[0110] 重复上述步骤，直到阈值降为0.6后，所有选出popup的所有图形pattern为该晶圆wafer所出现的pattern。
[0111] 以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多
变形和改进，这些也应视为本发明的保护范围。
