缺陷分类方法和缺陷检查系统与流程

本发明公开一般性地涉及晶片或中间掩模检查中的缺陷分类方法和缺陷检查系统。

背景技术：

晶片(wafer)或中间掩模(reticle)的缺陷检查系统有缺陷分类的功能，被广泛用于半导体制造。随着技术的发展进步，分辨率日渐变细(如20纳米以下)，缺陷数目可在各种系统条件下随之增加，如工艺变化及光学邻近修正(Optical Proximity Correction,OPC)技术。不断增加的系统性缺陷可能会导致性能下降。

机器学习技术可以用于缺陷分类。然而，不断增长的缺陷的数量和数据规模可能会引起性能的劣化，如更低的准确性或更长的处理时间。

技术实现要素：

为了达到上述目的，一方面，本发明实施例提出缺陷分类方法，该方法可以用于缺陷检查系统。该缺陷分类方法包括：

基于对一个目标试样的检查，接收一个第一缺陷记录，所述第一缺陷记录包括一个未知缺陷所关联的一个第一缺陷图像；

从所述第一缺陷图像中，用第一学习技术选择按重要性排序的第一组件，基于按重要性排序的所述第一组件，用第二学习技术判断所述第一缺陷图像是否关联于一个第一已知缺陷类型。

另一方面，本发明实施例提出一种存储一组指令的非易失性计算机可读媒介，所述指令在由一个计算机系统用第一处理单元执行时，可由所述第一处理单元操作以为一个缺陷检查系统分类缺陷，所述非易失性计算机可读媒介包括指令以：

基于对一个目标试样的检查，接收一个第一缺陷记录，所述第一缺陷记录包括一个未知缺陷所关联的一个第一缺陷图像；

从所述第一缺陷图像中，用第一学习技术选择按重要性排序的第一组件；

基于按重要性排序的所述第一组件，用第二学习技术判断所述第一缺陷图像是否关联于一个第一已知缺陷类型。

所述第一学习技术包括支持向量机技术，所述第二学习技术包括深度学习技术，所述深度学习技术包括一个卷积神经元网络模型，而按重要性排序的所述第一组件被用作所述卷积神经元网络模型的输入，以判断所述第一缺陷图像是否关联于所述第一已知缺陷类型。

所述用于选择按重要性排序的所述第一组件及判断所述第一缺陷图像是否关联于所述第一已知缺陷类型的指令，由所述计算机系统用所述第一处理单元和第二处理单元执行，且所述第一处理单元包括一个中央处理单元，所述第二处理单元包括一个图形处理单元。

另一方面，本发明实施例提出一个缺陷检查系统，包括：

第一处理单元，包括一个中央处理单元；

第二处理单元，包括一个图形处理单元；

一个对接到所述第一和第二处理单元的存储器，所述存储器经配置以储存一组指令集，所述指令集被所述第一和第二处理器执行时，可被所述第一和第二处理器操作，以：

基于对一个目标试样的检查，用所述第一处理单元接收一个第一缺陷记录，所述第一缺陷记录包括一个未知缺陷所关联的一个第一缺陷图像；

从所述第一缺陷图像中，用所述第一处理单元和/或第二处理单元，用第一学习技术选择按重要性排序的第一组件，所述第一学习技术包括支持向量机技术，

用所述第一处理单元和/或所述第二处理单元，基于按重要性排序的所述第一组件，用第二学习技术判断所述第一缺陷图像是否关联于一个第一已知缺陷类型，

其中，所述第二学习技术包括深度学习技术，所述深度学习技术包括一个卷积神经元网络模型，按重要性排序的所述第一组件被用作所述卷积神经元网络模型的输入以判断所述第一缺陷图像是否关联于所述第一已知缺陷类型。

本发明实施例的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明实施例的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明实施例的限制。在附图中：

图1是根据本公开的一些实施例示出的基于学习的缺陷分类的方法的流程图。

图2是根据本公开的一些实施例示出的基于学习的缺陷分类的方法的示例训练流程的流程图。

图3A是根据本公开的一些实施例示出的在图2所示训练流程中更新参数的示例图。

图3B是根据本公开的一些实施例示出的在图2所示训练流程中更新参数的另一个示例图。

图4是根据本公开的一些实施例示出的一个缺陷检查系统的示例图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明实施例，并不用于限定本发明实施例。

在半导体制造中，缺陷检查系统被用于检测和分类晶片或中间掩模的缺陷。例如，一个晶片缺陷检查系统可以检查晶片上的缺陷并获得缺陷的相关信息，如图像(“缺陷图像”)和缺陷的位置坐标。在缺陷分类中，在对一个缺陷相关的缺陷图像的特性进行分析之后，可给该缺陷分配一个标签。通过为检查到的缺陷分配正确的标签，可以快速实施预定的措施以处理生产线上的缺陷、晶片、或中间掩模。此外，基于分类的缺陷分析可用于指导补救措施，以提高工艺和产量的制定。

对晶片或中间掩模(“目标试样”)执行检查，可以生成缺陷记录。根据公开的一些实施例，在缺陷分类过程中，可以从缺陷检查系统获取目标并用作缺陷分类流程的输入。例如，所述目标可以包括缺陷记录，而其可以是基于目标试样(如晶片或中间掩模)的检查所接收到的任何数据。例如，缺陷记录可以包括缺陷的图像。

很多时候，用作缺陷分类流程输入的目标包括对分类流程不重要的部分或组件。对一个目标(如缺陷图像)而言，可以确定某些组件较其他组件具有更高的重要性，从而在分类流程中有更大的影响。例如，对探测和/或将缺陷图像分类成不同缺陷样式而言，缺陷图像的某些像素可以比其他像素更具决定性。根据公开的一些实施例，可以用机器学习技术(如支持向量机技术)，在组件选择阶段对目标的组件按重要性进行排序和选择，以作进一步处理。例如，使用深度学习(Deep Learning,DL)技术，所选组件可以用作缺陷分类系统训练流程的知识发展阶段的输入。知识发展阶段的输出可以被用来调校组件选择阶段和/或知识发展阶段的参数。

当知识发展阶段的累积知识满足测试要求时，缺陷检测系统检测到的缺陷可以用训练好的分类参数进行分类，而无需用户事先提取特征或选择样本。所述测试要求可以预定义好和/或基于先前的结果进行调整。例如，所述累积知识可以包括从知识发展阶段和/或组件选择阶段训练而得的参数。

在公开的一些实施例中，不同阶段选择了不同的(机器)学习技术，以减少计算时间和成本并提高准确度。可以加入额外的处理资源以帮助提高性能，如往往为图像处理优化过的图形处理单元(Graphics Processing Unit,GPU)。当有足够的缺陷记录可用于训练缺陷分类流程的知识库(如学习技术的参数)时，就可以灵活检测并分类各种类型的缺陷样式。以下先描述本发明用以实施的一个环境，再描述其他细节。

图1是根据本公开的一些实施例示出的基于学习的晶片或中间掩模缺陷分类系统的一个示例流程的流程图。图1中所示的流程100可以由计算机系统的处理器、硬件模块或两者组合所执行的软件模块(如指令或代码)来执行。例如，所述计算机系统可以包括一个或多个计算设备。例如，本发明公开所描述的一个或多个操作可以被整合到晶片或中间掩模检查的产品并供半导体制造商使用。

所述软件模块可以包括机器可读指令，而其可被存储在存储器中(如图4所示的存储器401)。所述机器可读指令可以由处理器来执行，如中央处理单元(Central Processing Unit,CPU)402或GPU 403，以使所述计算设备执行流程100。所述一个或多个计算设备可以实现为包含在缺陷检查系统里的装置，这将在图4进行讨论。流程100可以使用专门的硬件或固件来实现。某些计算设备可以有多个存储器、多个处理器或两者兼有。例如，流程100的操作可以用不同的处理器(如图4中的CPU 402和GPU 403)进行分布。术语“处理器”或“存储器”所指包括具有一个处理器或一个存储器的计算设备，以及具有多个处理器或多个存储器的设备，而它们都可以部分或全部执行所述操作。流程100也称为“分类流程”(不同于图2所示的“训练流程”)。为了简化说明，流程100以系列操作来描述。然而，依照本发明公开的各操作可以以各种顺序和/或同时进行。另外，依照本发明公开的各操作可以与其他本文未出现和描述的操作一起进行。此外，依照本发明公开的事项，方法的实现可能并不需要所有示出的操作。

在缺陷分类过程中，可以从缺陷检查系统获得目标并用作缺陷分类流程的输入。例如，所述目标可以包括缺陷记录，而其可以是基于目标试样(如晶片或中间掩模)的检查所接收到的任何数据。例如，缺陷记录可以包括缺陷的图像。流程100开始前，训练流程200可被执行以训练基于学习的缺陷分类系统(或组件)的知识库。训练流程200可包括建立模型和/或更新流程100所用的第一和第二学习技术的参数，以实现更准确的缺陷分类的结果。训练流程200将在图2和3A-3B中进一步讨论。

在步骤102中，基于对目标试样的检查，一个缺陷记录被接收，而其可包括一个关联于一个未知缺陷的缺陷图像。例如，所述目标试样可以包括一个晶片或一个中间掩模。可以对目标试样进行检查以产生缺陷记录。例如，所述检查可以包括光学或电子束检查。缺陷记录可以是检查报告的一部分，且可以包括一个或多个缺陷。例如，每个缺陷可以包括位置和图像信息。位置信息可以包括关于缺陷位置的数据，如层信息和坐标。缺陷图像和/或位置可从缺陷记录中提取。本文中“接收”可以指以接收、输入、获取、检索、获取、读取、访问、确定或任何方式取得数据(如缺陷记录)。

在一些实施例中，所述缺陷图像可以是检查所获的原始图像数据。如上所述，所述检查可以是光学检查或电子束检查。当所述检查是光学检查时，缺陷图像可以是缺陷的光学图像(光学检查所获)，这可类似于一个管芯到数据库(die-to-database)检查。当所述检查是电子束检查时，缺陷图像可以是缺陷的扫描电子显微镜(Scanning Electron Microscopy,SEM)图像(电子束检查所获)。

在步骤104(“组件选择阶段”)中，通过一个计算设备，按重要性排序的组件可以利用第一学习技术从所述缺陷图像来选择。例如，所述组件可以包括缺陷图像中可用于缺陷分类的数据，例如图像数据(如像素)。例如，组件可以包括像素、超像素(super-pixel)、像素组或像素区块等。所述组件还可以包括位置数据(如分区的坐标)或缺陷图像的局部(如边缘、角落、片段、分区或关键位置)，而它们也可以用于缺陷分类。

第一(机器)学习技术——如支持向量机(Support Vector Machine,SVM)技术——可被用于选择组件。例如，各组件可以根据一个用SVM技术确定的显著值(significance value)来进行排名。例如，可以选择所有经排名的组件的顶尖部分(如按加权显著性排名的前十个组件)。也可以用其他技术来选择组件。

重要性可以用数值(如显著值)来标定，且可以包括如相关性、重要性、或缺陷分类的组件的影响信息。例如，显著值可以基于缺陷在组件中发生的概率或统计频率。在一些实施例中，组件可被分配权重并基于加权显著值来选择。

各组件可以根据重要性(如相关性、显著性或影响)为缺陷分类而排序或分组。本文所用的“按……排序”或“排序”可以指从目标(如缺陷图像)的组件中基于重要性(如显着值)确定组件的一个子集。所选组件可以排序或不排序，只要组件的所述子集是基于对分类流程的某种重要性(如相关性、显著性或影响)被选出的。

剩余组件(未选择的)通常被认为是对缺陷分类不重要或非关键的，可被丢弃或忽略，以便为后续操作减少输入数据的大小。在无需显著牺牲对缺陷分类有用信息的前提下，分级效率和性能可以得到改善。

在一些实施例中，所述一个或多个计算设备可以包括第一处理单元和第二处理单元。本文中“处理单元”和“处理器”可以互换使用，指能够操纵或处理信息的任何类型的设备或多个设备。尽管本文所述的实施例可以用单一的处理器实施，使用多个处理单元可以在速度和效率上取得优势。处理单元可以分布在多台机器或设备上(每个机器或设备具有一个或多个处理器)，而这些机器或设备可以直接对接，或通过局域网或其他网络进行连接。例如，在一些实施例中，所述第一处理单元可以包括中央处理单元(CPU)，所述第二处理单元可以包括图形处理单元(GPU)。组件选择阶段(如步骤104和204)可以由第一处理单元(如CPU)、第二处理单元(如GPU)或两者来执行。使用多个处理单元时，利用附加的处理资源(如往往为图像处理优化过的GPU)可以达到更高的效率和更好的性能。

在步骤106中，基于步骤104中所选的按重要性排序的所述组件，通过所述计算设备，使用第二学习技术，缺陷图像被确定是否关联于一个已知缺陷类型。缺陷可被分类成缺陷组，如系统缺陷和随机缺陷。缺陷也可以按类型分类，如断路、跨接、空穴、不规则形状或超过一定的公差。如图2和3A-3B中的进一步所述，使用第二学习技术，所选组件可以用作一个训练好的、满足测试要求的知识库的输入。

在一些实施例中，所述第二学习技术可包括深度学习技术。深度学习技术，无论监督还是非监督模型，都可以接收一个或多个输入(如图像)并提供一个或多个输出(如标签)。进一步地，深度学习模型可以具有分类图像的能力，如对一个输入图像输出一个文本、数字或符号的标签。在深度学习模型的训练流程(参见图2)开始前，可以预先从一个预定的、有限的组中选定输出标签。多种深度学习模型可以用作图像分类器，如卷积神经网络(Convolutional Neural Networks,CNN)、深度置信网络(Deep Belief Networks，DBN)、堆栈降噪自动编码器(Stacked Denoising Auto-encoders,SDA)或深度波尔兹曼机(Deep Boltzmann Machines,DBM)。然而，第二学习技术的实现不限于深度学习技术。用于图像处理的其他技术也可以替代或结合深度学习技术来使用。

在一些实施例中，所述深度学习技术可以包括卷积神经网络模型。卷积神经网络模型是一个包括构成多个互连层的节点(如人工神经元)的深度学习模型。节点可以基于多个输入值输出一个值(如函数)；所述函数将各输入值关联到一个可更新的独立权重。卷积神经元网络的决策流程可以用于分类。例如，卷积神经元网络的底层可以接收初始输入数据(如图像或图像的组件)，而卷积神经元网络的顶层能够输出一个标签，代表卷积神经元网络为初始输入数据作出的决定，如所述图像的类别、所述图像是否有组件检测到缺陷，或者晶片或中间掩模的缺陷样式(如果检测到有缺陷)。

例如，卷积神经元网络模型的参数可以包括层的数量以及各层的参数的值。例如，在卷积神经元网络模型的监督训练方法中，一个数据集(如训练集)可以被用作卷积神经元网络模型的输入进行分类。输入的训练集可以预先分配一个预定的标签(绝对真实标签，ground truth label)，用以判断卷积神经元网络的分类是否正确。基于输出标签和绝对真实标签的比较，节点的权重可以更新优化。通过这种方法训练的卷积神经元网络模型，可被用作其他与所述训练集类型相同的输入数据的分类器。例如，按重要性排序的组件可以用作卷积神经元网络模型的输入，以确定缺陷图像是否关联于已知缺陷类型。

在一些实施例中，对步骤104和106，第一处理单元(如CPU)和第二处理单元(如GPU)可一起被所述计算设备用来确定按重要性排序的组件和/或判断缺陷图像是否关联于已知缺陷类型。如前所述，使用为图像处理优化过的附加(且往往是空闲)的处理资源(如GPU)，可帮助实现更好的性能。

此外，在一些实施例中，缺陷图像以外的图像或非图像数据(如图片、照片、文字、声音)可以用作使用上述方法进行缺陷分类的目标。

图2是根据公开的一些实施例示出的基于学习的缺陷分类的示例训练流程的流程图。训练流程200可以由计算机系统的处理器、硬件模块或两者组合所执行的软件模块(如指令或代码)来执行。例如，所述计算机系统可以包括一个或多个计算设备。例如，本发明公开所描述的一个或多个操作可以被整合到晶片或中间掩模检查的产品并供半导体制造商使用。

所述软件模块可以包括机器可读指令，而其可被存储在存储器中(如图4所示的存储器401)。所述机器可读指令可以由处理器来执行，如CPU402或GPU 403，以使所述计算设备执行流程200。所述一个或多个计算设备可以实现为包含在缺陷检查系统里的装置。训练流程200可以使用专门的硬件或固件来实现。某些计算设备可以有多个存储器、多个处理器或两者兼有。例如，训练流程200的操作可以用不同的处理器(如CPU 402和GPU 403)进行分布。为了简化说明，训练流程200以系列操作来描述。然而，依照本发明公开的各操作可以以各种顺序和/或同时进行。另外，依照本发明公开的各操作可以与其他本文未出现和描述的操作一起进行。此外，依照本发明公开的事项，方法的实现可能并不需要所有示出的操作。图2所示的训练流程200可以在图1所述的流程100之前或作为其一部分执行。

在一些实施例中，训练流程200可用于为缺陷分类系统积累缺陷检查的知识、为学习技术调校参数和/或为学习技术产生可复用的模型。例如，产生可复用模型可以包括确定模型的结构以及模型参数的数量、类型和值。训练过程200可以迭代实现，且流程200的迭代可以一直进行，直到满足某些条件(参见步骤208)。在一些实施例中，用于训练流程200的模型可以包括深度学习模型，如卷积神经元网络模型。

在步骤202中，已知缺陷类型所关联的缺陷图像被接收。例如，类似于步骤102，缺陷图像可以从一个缺陷记录获得，作为目标试样(如晶片或中间掩模)检查(如光学或电子束检查)的结果。缺陷图像可以从缺陷检查系统作为目标被接收，以用作训练流程的输入。缺陷图像所关联的缺陷类型可以是已知的缺陷类型(如由另一个分类流程预定或人工设定)。缺陷类型可以用作训练深度学习模型(如前述的卷积神经元网络模型)的标签。用于训练的数据可以称为“训练数据”。

在步骤204(“组件选择阶段”)中，通过一个计算设备，用第一学习技术，按重要性排序的组件从已知缺陷类型所关联的缺陷图像中被选出。类似于分类流程100的步骤104，步骤204可以从缺陷图像中选择最重要的组件。例如，在一些实施例中，所述第一学习技术可以是一个支持向量机模型。在一些实施例中，支持向量机模型可以包括可调整的参数，如要选的组件的数量。

在步骤206(“知识发展阶段”)中，通过所述计算设备，用第二学习技术，基于按重要性排序的组件，所述缺陷图像被判断是否正确关联于同一已知缺陷类型。使用第二学习技术(如深度学习技术)，基于步骤204中的按重要性排序的组件，可以确定缺陷图像的缺陷类型。类似于分类流程100的步骤106，步骤206可以使用按重要性排序的组件作为第二学习技术的输入，而其可以包括——例如——一个卷积神经元网络模型。例如，卷积神经元网络模型的参数可以包括层的数量和各层的参数的值。一经判断，基于按重要性排序的组件判定的缺陷类型可以与所述缺陷图像的已知缺陷类型进行比较。当基于按重要性排序的组件判定的缺陷类型与所述已知缺陷类型相匹配时，所述缺陷图像被正确地关联于所述同一已知缺陷类型。当基于按重要性排序的组件判定的缺陷类型与所述已知缺陷类型不匹配时，所述缺陷图像没有被正确地关联于所述同一已知缺陷类型。

在步骤208中，基于所述缺陷图像是否正确关联于同一已知缺陷类型，一个准确性要求被判断是否被满足。例如，大量缺陷图像可以用于训练流程200，而基于正确关联于步骤206的所述同一已知缺陷类型的缺陷图像的数目，一个准确度的百分率可被算出。所述准确度要求可以是一个对准确度情况的要求。例如，所述准确度情况可以是准确率，其可为一个比率，表示输入的缺陷图像被正确分类(如关联于已知缺陷类型)的数目比上输入的缺陷图像的总数。相应地，例如，所述准确度要求可以是超出所述准确率的一个阈值。在一些实施例中，对使用所述训练数据的训练流程200的每一次迭代，准确度要求是否满足都可在步骤208中判断。

在步骤210中，如果准确度要求没有得到满足，所述学习技术的相关参数可以被更新(如调整)，以使得在训练流程200的下一次迭代中，准确度情况预计会朝满足所述准确度要求的方向改变。基于反馈(如在训练流程200的迭代中，准确度要求失败达到一定次数)，学习技术的相关参数可以被自动更新，或被人手动更新。更新参数后，训练流程200可以返回到步骤202接收新的缺陷图像，作为下一次迭代的开始。

在步骤210中，如果准确度要求得到满足，训练流程200结束，且训练好的学习技术(如所述支持向量机模型和所述卷积神经元网络模型)备用就绪，以便在缺陷检查系统中用于自动分类不同晶片或中间掩模的缺陷样式，如用于图1的分类流程100。

在一些实施例中，如图3A中示例所示，所述第二学习技术的相关参数可以在步骤210被更新。例如，在一些实施例中，如果准确率低于阈值，第二学习技术(如卷积神经元网络模型)的参数可被更新，以便训练流程200在下一次迭代时，更新过参数的卷积神经元网络模型可被用于步骤210，而所述准确率预计可以增加，靠拢阈值。

在一些实施例中，如图3B所示，在更新第二学习技术的相关参数之前，第一学习技术的相关参数也可以被更新。例如，如果在流程200的迭代中，在更新第二学习技术的参数达到一定次数后准确度要求仍未达到，则可以更新或调节第一学习技术的参数。例如，在一些实施例中，如果第一学习技术是一个支持向量机模型，所述支持向量机模型可以通过诸如调整要从缺陷图像中选择的组件的数目来更新。第二学习技术的参数可以相应地调整或更新，以把调整后的选中组件的数目作为输入。又例如，在一些实施例中，可以调整或更新组件的权重，或更新重要性的级别。第二学习技术的参数可以相应地更新，以把调整后的选中组件的列表作为输入。更新第一学习技术的参数还可以用其他方式。

在一些实施例中，训练流程200可包括一个测试阶段。例如，在测试阶段，一组测试数据(“测试数据集”)可用于流程200的迭代而无需执行步骤210-212，以测试准确性要求是否满足；测试阶段之后，基于在测试阶段中确定的准确性要求的测试结果，学习技术的参数可以进行更新。为避免学习技术的过度训练或过度拟合，在一些实施例中，测试数据可以独立于训练数据。例如，测试数据可以包括从同一检查系统获取的、从未在步骤202中使用过的缺陷图像。已知缺陷类型所关联的测试数据集所包括的所述缺陷图像，可被用作标签。在一些实施例中，可以利用交叉验证来对已标记的数据进行分隔，以达到更好的预测性能。例如，用各种技术(如统计抽样)可以将已标记的数据划分成训练集(可用于训练)和测试集(可用于验证)。在一些实施例中，测试数据集可包括部分或全部训练数据。在一些实现例中，测试阶段可实施为训练流程200的一个中间阶段。例如，测试阶段可以周期性地或随机地插入流程200的迭代中。

图4是根据公开的一些实施例示出的可基于学习分类缺陷的一个缺陷检查系统400的示例图。系统400可以用于晶片或中间掩模检查。基于学习的缺陷分类可被实现为一个晶片或中间掩模缺陷检查系统(如系统400)的一个组成部分或一个单独的组件。系统400可以包括一个装置(如一个计算设备)，其可实现为一个或多个计算机的任意配置，如微型计算机、大型计算机、超级计算机、通用计算机、特殊用途/专用计算机、集成计算机、数据库计算机、远程服务器计算机、个人计算机，或计算服务提供商提供的计算服务(如网络主机或云服务提供商)。在一些实施例中，所述计算设备的实现形式可以是处于不同地理位置的、且可以或不可以通过如网络的方式彼此进行通信的多组计算机。虽然某些操作可以由多个计算机共享，在一些实施例中，不同的操作可被分配到不同的计算机。

所述计算设备可以有内部的硬件配置，包括第一处理单元4022、第二处理单元4024和存储器404。第一处理单元4022可以包括至少一个处理单元，例如中央处理单元(CPU)，或能够操纵或处理现存的或未来开发的信息的任何其它类型的单个或多个设备。第二处理单元4024可以包括至少一个图形处理单元(GPU)。尽管本文的实施例可以如图所示用单一的处理单元来实施，使用多个处理单元可以达成速度和效率上的优势。例如，第一处理单元4022和第二处理单元4024可以分布在多台机器或设备(每个机器或设备具有一个或多个处理单元)上，而它们可以直接连接或通过局域网或其他网络进行连接。存储器404可以是随机存取存储器(Random Access Memory,RAM)设备、只读存储器(Read Only Memory,ROM)设备、光盘、磁盘，或任何其它适合类型的存储设备。在一些实施例中，存储器404可分布在多台机器或设备上，如基于网络的存储器或在多台机器执行操作的存储器；而为了便于说明，本文可以将以上操作描述为使用单台计算机或计算设备执行。在一些实施例中，存储器404可以存储可被第一处理单元4022和第二处理单元4024通过总线访问的代码和数据。访问的代码和数据。例如，存储器404可以包括可被第一处理单元4022和第二处理单元4024通过总线412处理的数据4042。

存储器404还可以包括操作系统4046和安装的应用4044；应用4044包括程序，其允许第一处理单元4022和第二处理单元4024实现指令来产生控制信号，以便执行本文所述的系统400的基于学习分类缺陷的功能(如分类流程100和/或训练流程200)。系统400还可以包括次级的、附加的或外部的存储器406，如存储卡、闪存驱动器、外部硬盘驱动器、光盘驱动器，或任何其他形式的的计算机可读介质。在一些实施例中，应用4044可全部或部分地存储于外部存储器406，并根据处理的需要被加载到存储404。

系统400可以包括一个或多个输出设备，如输出408。输出408可以用不同方式实现；例如，它可以是对接到系统400并被配置为显示渲染的视频数据的显示器。输出408可以是任何向用户发送视觉、听觉或触觉信号的设备，如显示器、触敏设备(如触摸屏)、扬声器、耳机、发光二极管(Light-Emitting Diode,LED)指示器或者振动马达。例如，如果输出408是显示器，它可以是液晶显示器(Liquid-Crystal Display,LCD)、阴极射线管(Cathode-Ray Tube,CRT)，或能够为个人提供可见输出的任何其他输出设备。在某些情况下，输出设备也可作为输入设备——例如，配置为接收基于触摸的输入的触摸屏显示器。

输出408可以替代性地或额外地形成可以传输信号和/或数据的通信设备。例如，输出408可包括从系统400传输信号和/或数据到另一设备的有线手段。又例如，输出设备408可包括使用兼容于无线接收器的协议的无线传送器，用以从系统400向另一设备传输信号和/或数据。

系统400可以包括一个或多个输入设备，如输入410。输入410可以用不同方式实现，如键盘、数字键盘、鼠标、麦克风、触敏设备(如触摸屏)、传感器或手势输入设备。任何其他类型的输入设备都是可以的，包括不要求用户干预的输入设备。例如，输入410可以是通信设备，如根据任何无线协议操作来接收信号的无线接收器。输入410可以向系统400(如沿总线412)输出指示所述输入的信号或数据。

可选地，系统400可以用通信设备(如通信设备414)通过网络(如网络416)与另一设备进行通信。网络416可以是任意组合的任何适当类型的一个或多个通信网络，包括但不限于蓝牙通信、红外线通信、近场通信(Near Field Connections,NFC)、无线网络、有线网络、局域网(Local Area Networks,LAN)、广域网(Wide Area Networks,WAN)、虚拟专用网(Virtual Private Networks,VPN)、蜂窝数据网和因特网。通信设备414可以用不同方式实现，如发射应答器/收发器设备、调制解调器、路由器、网关、电路、芯片、有线网络适配器、无线网络适配器、蓝牙适配器、红外线适配器、近场通信适配器、蜂窝网络芯片，或任意组合的任何适当类型的用总线412对接到系统400中的设备，以提供与网络416通信的功能。

系统400可以与晶片或中间掩模检查设备进行通信。例如，系统400可以对接到一个或多个晶片或中间掩模检查设备，而其被配置用于生成晶片或中间掩模检查结果(如缺陷记录或报告)。

系统400(及存储其上和/或由其执行的算法、方法、指令等)可以在硬件上实现，包括例如知识产权(Intellectual Property,IP)核心、应用专用集成电路(Application-Specific Integrated Circuits,ASICs)、可编程逻辑阵列、光学处理器、可编程逻辑控制器、微代码、固件、微控制器、服务器、微处理器、数字信号处理器，或任何其它合适的电路。在权利要求中，术语“处理器”应被理解为包括单独或组合使用的任意前述装置。术语“信号”和“数据”可互换使用。此外，系统400的各部分不必以相同的方式来实现。

在一些实施例中，系统400可用带计算程序的通用计算机/处理器来实现；其在执行时，可实现任意在此描述的各方法、算法和/或指令。例如，可以额外地或可替代地使用专用计算机/处理器，其可包含专用硬件用于执行任意本文描述的方法、算法或指令。

本文的实施例可用功能块组件和各种处理步骤来描述。所公开的方法和顺序，可以单独或以任何组合来执行。功能块可以通过任何数量的执行指定功能的硬件和/或软件组件来实现。例如，所描述的实施例可以使用各种集成电路组件，如存储器元件、处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制设备的控制下执行多种功能。类似地，所描述的实施例的元件使用软件编程或软件元件实现时，本发明可以使用任何编程或脚本语言来实现，如C、C++、Java、汇编等；各种算法的实现可以结合任意组合的数据结构、对象、过程、例程或其他编程元素。功能方面可以用在一个或多个处理器上执行的算法来实现。此外，本发明的实施例可以采用任意数量的常规技术，用于电子学配置、信号处理和/或控制、数据处理等。术语“机制”和“元件”属广义使用，且不限于机械的或物理的实施例或方面，但可包括结合处理器等的软件例程。

上述公开内容的各方面或方面的一些部分可以以计算机程序产品的形式存在，而其可以从比如计算机可用或计算机可读介质中读写。计算机可用或计算机可读介质可以是任何设备；例如，其可以有形地包含、存储、通信或经任何处理器或通过连接到任何处理器传输程序或数据结构以供使用。例如，所述介质可以是电子、磁、光、电磁或半导体器件。其他合适的介质也可以使用。这样的计算机可用或计算机可读介质可以被称为非易失性存储器或介质，并且可以包括随机存取存储器或其他可能会随时间而改变的易失性存储器或存储设备。除非另有说明，本文中所描述的装置的存储器不必在物理上包含于该装置，但可以由装置远程访问，且不必与可能被物理包含于该装置的其他存储器邻近。

任何本文中描述的作为示例执行的单个或组合功能，可以用机器可读指令来实现，而其形式可以为任一或任意组合的前述计算硬件的操作代码。计算代码可以实现为一个或多个模块的形式，通过所述形式单个或组合功能可以作为计算工具来执行，而在本文所述的方法和系统的操作中，每个模块的输入和输出数据可被传递到/自一个或多个其他模块。

信息、数据和信号可以使用多种不同的技术和工艺来表示。例如，任何数据、指令、命令、信息、信号、位元、符号和本文引用的芯片，可以通过电压、电流、电磁波、磁场或磁性粒子、光场或光学粒子、其它物品或前述的任意组合来表示。

本文已经结合特定实施例和实现方式进行了描述，但是应当理解，本发明并不限于所公开的实施例；相反，其意在覆盖包括在所附权利要求的所述范围内的各种修改和等同布置，所述范围应被赋予最宽泛的解释，以包含所有依法允许的类似修改及等同结构。

本文引用的所有参考文献，包括出版物、专利申请和专利，在此通过引用以同等程度并入本文；每个参考文献视同被单独、明确地指明并通过引用并入本文且以其整体在此阐述。