基于设计的分级将来自设计数据的版图信息与检测到的每个缺陷的相对位置结合起来，利用这种方法可提高缺陷帕雷托质量。通过对系统缺陷和有害缺陷进行分级，可以改进SEM检测。
前沿工艺技术的亮场缺陷检测结果通常具有非常高的缺陷数目，一般由工艺或设计边际引起。从这些缺陷中取样（通常是随机选取）进行SEM检查。随机取样会带来两个显著的问题。首先，虚拟填充或非关键图形会出现缺陷，它们会降低成品率学习和浪费SEM资源。其次存在如下风险：SEM可能不能对工艺或设计边际导致的系统缺陷取样，或者不能以正确的比例对其取样。
有种方法可用来极大提高缺陷帕雷托的质量，即基于设计的分级（DBB）。DBB将来自设计数据的版图信息与检测到的每个缺陷的相对位置结合起来。1然后基于这些部分区域的设计特点的共性，对缺陷进行分级。DBB技术可以分成三大部分：基于设计的分组（DBG）、基于设计分类（DBC）和缺陷临界指数（DCI）。
这三大部分可简要解释如下：DBG基于设计属性自动将检测到的缺陷赋予相同小组。结果获得的是按照相似设计背景而不是缺陷特征分组的缺陷帕雷托。然后利用DBG分级创建DBC图库，用于以后的检测。这
种分级方法对于提前探测系统缺陷或设计弱点非常有效。此外，DBC可用于分辨虚拟填充区域和其它非关键芯片区域。最后，DCI利用数学模型将缺陷尺寸（由检测设备报告）和检测到的图案的最小特征尺寸结合起来。这个模型可得出一个0到1之间的数字，代表该缺陷的相对成品率风险。
DBB结果
在下面的研究中，利用KLA-Tencor 2800宽带亮场工具在浅槽隔离（STI）水平检测45 nm设计规则的晶圆。对IBM的记录工艺（POR）取样和利用DBB进行的改进取样进行了比较。
在晶圆上进行DBB分析的第一步是运行DBG。该算法首先提取检测到的每个缺陷周围的设计数据摘录。然后收集每个局部摘录的关键属性。图案属性的例子包括图案面积、顶点数目、最小线宽和线间距（L/S）等。随后，基于这些属性的相似性，对这些缺陷进行无监督分组。由于利用了无监督分组，因此没有用户干扰。图1中示出了典型的DBG帕雷托，和代表的设计局部图形。两种最常见的图案类型分别是系统桥连缺陷和虚拟填充图案上的缺陷。
DBC
利用DBG分级的结果创建DBC图库。将一个特定级别的图案局部图形添加至图库中，在第一次确定目标图案（POI）时，手动建立这些图库。随后对加工晶圆上检测到的缺陷按照相应的DBC图库进行实时分级。当待分类局部图形的封闭折线与图库中的一个或多个局部图形的封闭折线匹配时，就实现了分级。可以选择每个局部图形内部的部分或所有的封闭折线来优化这种模式匹配功能。
DBC bins的候选缺陷包括有害缺陷（如虚拟填充）和系统缺陷，如图2中所示的DBC帕拉托。此时，DBC图库已成功捕获所有的POI缺陷，这些缺陷最初由DBG所检测。
尽管DBC对于抓取POI和对有害缺陷进行分级非常有用，许多缺陷在本质上是随机分布而不是系统分布的。通常由DBG帕雷托的“尾巴”代表随机分布。DCI可以基于预期成品率的影响对缺陷进行排序,进一步调整SEM取样。DCI基于每个缺陷的报告尺寸和最小L/S、图案复杂性及其它因素，对每个缺陷应用一种模型。值为0或在0附近表明开路或短路的风险很小，而为1或在1附近表明下面电路的缺陷大小引起失效的可能性很大。图3示出典型的DBG帕雷托，而图4中示出缺陷示例及其对应的DCI值。
SEM取样比较
有多种可能的SEM检测策略。其中包括归一化（随机）取样和成品率影响取样。对于归一化取样，预期选择用来SEM检测的样本组来代表整块晶圆。但若存在系统缺陷，这个假定便失效了。例如，对于本文中分析的晶圆，POR随机样本预计有19%的缺陷来自图1中显示的系统桥连。不过根据DBG和DBC的检测结果，实际比例是49%。此外，这些系统缺陷的取样率可能是预先定义好的，因此它们不会被不必要的过采样。与POR取样相比，另一个大的提高在于消除了位于芯片非关键区域中的缺陷。在图5所示的例子中，POR样本中超过20%的缺陷落在了虚拟填充区域。用DBC消除这些缺陷，可更有效利用SEM资源。
DCI用于成品率影响取样的目的极其有效。用这种方法，SEM样本集中在那些对成品率影响较大的缺陷上。虽然这种取样不能对整块晶圆归一化，但可加速了解对成品率影响最大的因素。通常这样实施成品率影响取样战略：从顶级DBG分级中选择具有最高DCI的缺陷。
由于尖端工艺的缺陷检测常会产生很高的缺陷数目，而随机SEM样本可能对真正的缺陷总体不具代表性，因此需要更有效的SEM检测取样策略。DBG已证明是用于检测系统缺陷和精确报告缺陷数目的一种有效方法。此外，非关键区域如虚拟填充，可从SEM样