ACTIVE LEARNING-BASED DEFECT LOCATION IDENTIFICATION

• Main Authors: HASAN, Tanbir, MOIN, Nabeel, XU, Huina, LIN, Chenxi, ZOU, Yi, KOU, Ren-Jay, NAFISI, Kourosh
• Format: Patent
• Language: English; French
• Published: 19.05.2022
• Subjects: APPARATUS SPECIALLY ADAPTED THEREFOR; CINEMATOGRAPHY; ELECTROGRAPHY; HOLOGRAPHY; MATERIALS THEREFOR; ORIGINALS THEREFOR; PHOTOGRAPHY; PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES,e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTORDEVICES; PHYSICS

A method and apparatus for identifying locations to be inspected on a substrate is disclosed. A defect location prediction model is trained using a training dataset associated with other substrates to generate a prediction of defect or non-defect and a confidence score associated with the prediction for each of the locations based on process-related data associated with the substrates. Those of the locations determined by the defect location prediction model as having confidences scores satisfying a confidence threshold are added to a set of locations to be inspected by an inspection system. After the set of locations are inspected, the inspection results data is obtained, and the defect location prediction model is incrementally trained by using the inspection results data and process-related data for the set of locations as training data. Sont divulgués un procédé et un appareil d'identification d'emplacements à inspecter sur un substrat. Un modèle de prédiction d'emplacement de défaut est entraîné à l'aide d'un ensemble de données d'entraînement associé à d'autres substrats pour générer une prédiction de défaut ou de non-défaut et un score de confiance associé à la prédiction pour chacun des emplacements sur la base de données relatives au processus associées aux substrats. Les emplacements déterminés par le modèle de prédiction d'emplacement de défaut comme ayant des scores de confiance satisfaisant un seuil de confiance sont ajoutés à un ensemble d'emplacements à inspecter par un système d'inspection. Après l'inspection de l'ensemble d'emplacements, les données de résultats d'inspection sont obtenues et le modèle de prédiction d'emplacement de défaut est entraîné de manière incrémentielle à l'aide des données de résultats d'inspection et des données relatives au processus pour l'ensemble d'emplacements en tant que données d'entraînement.