CN112563101A - 带电粒子束装置 - Google Patents

带电粒子束装置 Download PDF

Info

Publication number
CN112563101A
CN112563101A CN202011007799.9A CN202011007799A CN112563101A CN 112563101 A CN112563101 A CN 112563101A CN 202011007799 A CN202011007799 A CN 202011007799A CN 112563101 A CN112563101 A CN 112563101A
Authority
CN
China
Prior art keywords
image
determination
sample
charged particle
particle beam
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011007799.9A
Other languages
English (en)
Inventor
村木礼奈
上本敦
麻畑达也
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi High Tech Science Corp
Original Assignee
Hitachi High Tech Science Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2020047470A external-priority patent/JP7391735B2/ja
Application filed by Hitachi High Tech Science Corp filed Critical Hitachi High Tech Science Corp
Publication of CN112563101A publication Critical patent/CN112563101A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02Details
    • H01J37/20Means for supporting or positioning the object or the material; Means for adjusting diaphragms or lenses associated with the support
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/304Controlling tubes by information coming from the objects or from the beam, e.g. correction signals
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00Sampling; Preparing specimens for investigation
    • G01N1/28Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02Details
    • H01J37/22Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222Image processing arrangements associated with the tube
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02Details
    • H01J37/244Detectors; Associated components or circuits therefor
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26Electron or ion microscopes; Electron or ion diffraction tubes
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/3002Details
    • H01J37/3005Observing the objects or the point of impact on the object
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/304Controlling tubes by information coming from the objects or from the beam, e.g. correction signals
    • H01J37/3045Object or beam position registration
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/31Electron-beam or ion-beam tubes for localised treatment of objects for cutting or drilling
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00Sampling; Preparing specimens for investigation
    • G01N1/28Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/286Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q involving mechanical work, e.g. chopping, disintegrating, compacting, homogenising
    • G01N2001/2873Cutting or cleaving
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/20Positioning, supporting, modifying or maintaining the physical state of objects being observed or treated
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/20Positioning, supporting, modifying or maintaining the physical state of objects being observed or treated
    • H01J2237/208Elements or methods for movement independent of sample stage for influencing or moving or contacting or transferring the sample or parts thereof, e.g. prober needles or transfer needles in FIB/SEM systems
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26Electron or ion microscopes
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26Electron or ion microscopes
    • H01J2237/28Scanning microscopes
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/30Electron or ion beam tubes for processing objects
    • H01J2237/304Controlling tubes
    • H01J2237/30405Details
    • H01J2237/30427Details using neural networks or fuzzy logic
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/30Electron or ion beam tubes for processing objects
    • H01J2237/317Processing objects on a microscale
    • H01J2237/3174Etching microareas
    • H01J2237/31745Etching microareas for preparing specimen to be viewed in microscopes or analyzed in microanalysers
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01JELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/30Electron or ion beam tubes for processing objects
    • H01J2237/317Processing objects on a microscale
    • H01J2237/31749Focused ion beam

Landscapes

  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提供带电粒子束装置,能够使自动MS稳定化。带电粒子束装置是从试样中自动地制作试样片的带电粒子束装置,具备:带电粒子束照射光学系统,其照射带电粒子束;试样载台,其载置试样而移动;试样片移设单元,其保持从试样中分离并摘出的试样片而进行输送;支架固定台,其保持用于移设试样片的试样片支架;以及计算机,其基于根据针对与对象物相关的位置的第1判定的结果而进行的针对位置的第2判定的结果、以及包括通过带电粒子束的照射而取得的图像在内的信息,进行位置的控制。

Description

带电粒子束装置
技术领域
本发明涉及带电粒子束装置。
背景技术
以往,已知有如下装置:摘出通过向试样照射由电子或离子构成的带电粒子束而制作出的试样片,将试样片加工成适于利用透射电子显微镜(TEM:Transmission ElectronMicroscpe)等进行的观察、分析及计测等各种工序的形状(专利文献1)。在专利文献1所记载的装置中,在通过透射电子显微镜进行观察的情况下,进行所谓的微采样(MS:Micro-sampling):在从作为观察对象物的试样中取出微细的薄膜试样片之后,将该薄膜试样片固定于试样支架而制作TEM试样。
在TEM观察用的薄片试样的制作中,已知有通过模板匹配来检测微探针前端、薄片试样的拾取位置、网架上的支柱端等对象物的带电粒子束装置(专利文献2)。在专利文献2所记载的带电粒子束装置中,根据基于通过带电粒子束的照射取得的对象物的图像而制作出的模板、以及从对象物的图像得到的位置信息,进行与对象物相关的位置控制。由此,在专利文献2所记载的带电粒子束装置中,能够自动地执行MS(自动MS)。
现有技术文献
专利文献
专利文献1:日本特开2019-102138号公报
专利文献2:日本特开2016-157671号公报
发明内容
发明要解决的问题
在专利文献2所记载的带电粒子束装置中,在通过带电粒子束的照射而取得的对象物的图像与模板图像之间对比度或焦点不同的情况下、在对象物的图像与模板图像之间对象物的(包括异物的附着)表面形状不同的情况下,有时模板匹配失败。在模板匹配失败的情况下,在专利文献2所记载的带电粒子束装置中,自动MS会停止。
这样,以往自动MS的稳定性不够,谋求使自动MS稳定化,提高生产量。
本发明是鉴于上述方面而完成的,提供一种能够使自动MS稳定化的带电粒子束装置。
用于解决问题的手段
为了解决上述问题,实现上述目的,本发明采用了以下的方案。
(1)本发明的一方案是从试样中自动地制作试样片的带电粒子束装置,其中,所述带电粒子束装置具备:带电粒子束照射光学系统,其照射带电粒子束;试样载台,其载置所述试样而移动;试样片移设单元,其保持从所述试样中分离并摘出的所述试样片而进行输送;支架固定台,其保持用于移设所述试样片的试样片支架;以及计算机,其基于根据针对与对象物相关的位置的第1判定的结果而进行的针对所述位置的第2判定的结果、以及包括通过所述带电粒子束的照射而取得的图像在内的信息,进行所述位置的控制。
在上述(1)所记载的方案的复合带电粒子束装置中,能够基于根据第1判定的结果而进行的第2判定的结果来检测对象物的位置,因此,能够使自动MS稳定化。
这里,以往在对象物的位置的检测失败而使自动MS停止的情况下,当自动MS每次停止时,用户必须进行应对,导致生产量的下降。在上述(1)所记载的方案的复合带电粒子束装置中,即便在第1判定失败的情况下,也能够基于第2判定的结果来检测对象物的位置,因此,能够提高位置检测的成功率、实现模板匹配失败时的恢复。
(2)在上述(1)所记载的带电粒子束装置的基础上,所述第1判定是基于使用了针对所述对象物的模板的模板匹配而进行的判定,所述第2判定是基于学习了包括第2对象物的第2图像在内的第2信息得到的机器学习的模型而进行的判定。
在上述(2)所记载的方案的复合带电粒子束装置中,能够根据基于模板匹配的判定的结果而进行的基于机器学习的模型的判定的结果来检测对象物的位置,因此,基于模板匹配和机器学习的模型,能够使自动MS稳定化。尤其是在上述(2)所记载的方案的复合带电粒子束装置中,即便在模板匹配失败的情况下,也能够基于机器学习的模型来检测对象物的位置。
(3)在上述(1)或(2)所记载的带电粒子束装置的基础上,所述计算机根据用于选择判定的种类的第3判定的结果,针对所述第1判定和所述第2判定中的至少一方来选择所述种类。
在上述(3)所记载的方案的复合带电粒子束装置中,能够选择用于判定对象物的位置的判定的种类(适当的图像处理算法),因此,能够提高对象物的位置的检测精度。
(4)在上述(1)至(3)中任一项所记载的带电粒子束装置的基础上,所述计算机根据基于所述第1判定的结果和所述第2判定的结果中的至少一方而选择的第4判定的结果、以及包括通过所述带电粒子束的照射而取得的图像在内的信息,进行所述位置的控制。
在上述(4)所记载的方案的复合带电粒子束装置中,能够根据基于第1判定的结果和第2判定的结果中的至少一方而选择的第4判定的结果来检测对象物的位置,因此,与基于第2判定的结果来检测对象物的位置的情况相比,能够使自动MS稳定化。
发明的效果
根据本发明,能够使自动微采样稳定化。
附图说明
图1是示出本发明的第1实施方式的带电粒子束装置和图像处理用计算机的结构的一例的图。
图2是示出本发明的第1实施方式的带电粒子束装置的结构的一例的图。
图3是示出本发明的第1实施方式的试样片的俯视图。
图4是本发明的第1实施方式的试样片支架的俯视图。
图5是本发明的第1实施方式的试样片支架的侧视图。
图6是示出本发明的第1实施方式的图像处理用计算机的结构的一例的图。
图7是示出本发明的第1实施方式的初始设定工序的一例的图。
图8是本发明的第1实施方式的柱状部的俯视图。
图9是本发明的第1实施方式的柱状部的侧视图。
图10是示出本发明的第1实施方式的柱状部的学习图像的一例的图。
图11是示出本发明的第1实施方式的支柱未成为阶梯构造的柱状部的一例的图。
图12是示出本发明的第1实施方式的支柱未成为阶梯构造的柱状部的学习图像的一例的图。
图13是示出本发明的第1实施方式的试样片拾取工序的一例的图。
图14是示出本发明的第1实施方式的针的移动处理的一例的图。
图15是示出本发明的第1实施方式的针前端位置判定处理的一例的图。
图16是示出本发明的第1实施方式的包含针的前端在内的SEM图像数据的一例的图。
图17是示出本发明的第1实施方式的包含针的前端在内的SIM图像数据的一例的图。
图18是示出本发明的第1实施方式的针的前端的一例的图。
图19是示出本发明的第1实施方式的针的学习图像的一例的图。
图20是示出在本发明的第1实施方式的针的前端附着的试样片的一例的图。
图21是示出本发明的第1实施方式的异常情况用的学习图像的一例的图
图22是示出本发明的第1实施方式的异物的去除的一例的图。
图23是示出本发明的第1实施方式的拾取位置判定处理的一例的图。
图24是示出本发明的第1实施方式的包含试样片在内的SIM图像数据的一例的图。
图25是示出本发明的第1实施方式的试样片的学习图像的一例的图。
图26是示出本发明的第1实施方式的学习图像的一例的图。
图27是示出本发明的第1实施方式的追加图像的一例的图。
图28是示出本发明的第1实施方式的判定出特征点的图像的一例的图。
图29是示出本发明的第1实施方式的判定出特征点的图像的一例的图。
图30是示出本发明的第1实施方式的SIM图像数据中的试样及试样片的支承部的切断加工位置的图。
图31是示出本发明的第1实施方式的试样片安装工序的一例的图。
图32是示出本发明的第2实施方式的图像处理用计算机的结构的一例的图。
图33是示出本发明的第2实施方式的裸件的一例的图。
图34是示出本发明的第2实施方式的图案图像的一例的图。
图35是示出本发明的第2实施方式的伪图像的一例的图。
图36是示出本发明的第2实施方式的拾取位置的检测处理的一例的图。
标号说明
10、10a…带电粒子束装置,S…试样,Q…试样片,14…会聚离子束照射光学系统(带电粒子束照射光学系统),15…电子束照射光学系统15(带电粒子束照射光学系统),12…试样载台,18…针(试样片移设单元),19…针驱动机构(试样片移设单元),P…试样片支架,12a…支架固定台,22…控制用计算机(计算机)
具体实施方式
(第1实施方式)
以下,参照附图对本发明的实施方式详细进行说明。图1是示出本实施方式的带电粒子束装置10和图像处理用计算机30的结构的一例的图。配置于带电粒子束装置10的控制用计算机22能够取得通过带电粒子束的照射而取得的图像数据。控制用计算机22与图像处理用计算机30进行数据的收发。图像处理用计算机30首先基于使用了模板T的模板匹配,来判定从控制用计算机22接收到的图像数据所包含的对象物。图像处理用计算机30在基于模板匹配的判定失败的情况下,基于机器学习模型M来判定该对象物。控制用计算机22基于图像处理用计算机30的判定结果,进行与对象物相关的位置的控制。
控制用计算机22是如下的计算机的一例,该计算机根据针对与对象物相关的位置的第1判定(模板匹配)的结果,进行针对对象物的位置的第2判定(基于机器学习模型M进行的判定),基于第2判定的结果和包括通过带电粒子束的照射而取得的图像的信息,进行与第2对象物相关的位置的控制。
另外,图像处理用计算机30也可以配置于带电粒子束装置10。
这里,参照图2对带电粒子束装置10的结构进行说明。(带电粒子束装置)
图2是示出实施方式的带电粒子束装置10的结构的一例的图。带电粒子束装置10具备试样室11、试样载台12、载台驱动机构13、会聚离子束照射光学系统14、电子束照射光学系统15、检测器16、气体供给部17、针18、针驱动机构19、吸收电流检测器20、显示装置21、控制用计算机22以及输入设备23。
试样室11将内部维持为真空状态。试样载台12在试样室11的内部固定试样S及试样片支架P。这里,试样载台12具备保持试样片支架P的支架固定台12a。该支架固定台12a也可以为能够搭载多个试样片支架P的构造。
载台驱动机构13驱动试样载台12。这里,载台驱动机构13在与试样载台12连接的状态下收容在试样室11的内部,根据从控制用计算机22输出的控制信号而使试样载台12相对于规定轴进行位移。载台驱动机构13具备移动机构13a,该移动机构13a使试样载台12至少沿着与水平面平行且相互正交的X轴及Y轴、以及与X轴及Y轴正交的铅垂方向的Z轴而平行地移动。载台驱动机构13具备使试样载台12绕X轴或Y轴倾斜的倾斜机构13b、以及使试样载台12绕Z轴旋转的旋转机构13c。
会聚离子束照射光学系统14向试样室11的内部的规定的照射区域(即扫描范围)内的照射对象照射会聚离子束(FIB)。这里,会聚离子束照射光学系统14向载置于试样载台12的试样S、试样片Q、以及存在于照射区域内的针18等照射对象,从铅垂方向上方朝向下方照射会聚离子束。
会聚离子束照射光学系统14具备产生离子的离子源14a、以及使从离子源14a引出的离子会聚及偏向的离子光学系统14b。根据从控制用计算机22输出的控制信号而控制离子源14a及离子光学系统14b,通过控制用计算机22而控制会聚离子束的照射位置及照射条件等。
电子束照射光学系统15向试样室11的内部的规定的照射区域内的照射对象照射电子束(EB)。这里,电子束照射光学系统15能够向固定于试样载台12的试样S、试样片Q及存在于照射区域内的针18等照射对象,从相对于铅垂方向倾斜了规定角度(例如60°)的倾斜方向的上方朝向下方照射电子束。
电子束照射光学系统15具备产生电子的电子源15a、以及使从电子源15a射出的电子会聚及偏向的电子光学系统15b。根据从控制用计算机22输出的控制信号而控制电子源15a及电子光学系统15b,通过控制用计算机22而控制电子束的照射位置及照射条件等。
另外,也可以调换电子束照射光学系统15和会聚离子束照射光学系统14的配置,将电子束照射光学系统15配置在铅垂方向上,将会聚离子束照射光学系统14配置在相对于铅垂方向倾斜了规定角度的倾斜方向上。
检测器16检测通过会聚离子束或电子束的照射而从照射对象产生的二次带电粒子(二次电子、二次离子)R。气体供给部17向照射对象的表面供给气体G。针18从固定于试样载台12的试样S中取出微小的试样片Q,保持着试样片Q而移设于试样片支架P。针驱动机构19对针18进行驱动而输送试样片Q。以下,也有时将针18和针驱动机构19合起来称为试样片移设单元。
吸收电流检测器20检测向针18流入的带电粒子束的流入电流(也称为吸收电流),将检测到的结果作为流入电流信号而向控制用计算机22输出。
控制用计算机22至少控制载台驱动机构13、会聚离子束照射光学系统14、电子束照射光学系统15、气体供给部17以及针驱动机构19。控制用计算机22配置在试样室11的外部,将显示装置21和输出与操作者的输入操作相应的信号的鼠标、键盘等输入设备23连接。控制用计算机22根据从输入设备23输出的信号或者通过预先设定的自动运转控制处理而生成的信号等,统一地控制带电粒子束装置10的动作。
这里,如上所述,控制用计算机22基于图像处理用计算机30的判定结果,进行与对象物相关的位置的控制。控制用计算机22具备用于与图像处理用计算机30进行通信的通信接口。
此外,控制用计算机22将从吸收电流检测器20输出的流入电流信号作为吸收电流图像数据而形成图像。这里,控制用计算机22将一边扫描带电粒子束的照射位置一边由检测器16检测的二次带电粒子R的检测量转换成与照射位置对应起来的亮度信号,根据二次带电粒子R的检测量的二维位置分布而生成表示照射对象的形状的吸收电流图像数据。在吸收电流图像模式中,控制用计算机22通过一边扫描带电粒子束的照射位置一边检测在针18中流动的吸收电流,根据吸收电流的二维位置分布(吸收电流图像)而生成表示针18的形状的吸收电流图像数据。控制用计算机22使生成的图像数据显示于显示装置21。
显示装置21显示基于由检测器16检测到的二次带电粒子R的图像数据等。
带电粒子束装置10通过在照射对象的表面上一边扫描会聚离子束一边进行照射,从而能够执行照射对象的图像化、基于溅射的各种加工(挖削、修整加工等)、沉积膜的形成等。
图3是示出在本发明的实施方式的带电粒子束装置10中,向试样S的表面(斜线部)照射会聚离子束而形成的从试样S摘出前的试样片Q的俯视图。标号F示出通过基于会聚离子束的加工框,即,会聚离子束的扫描范围,其内侧(白色部)示出通过会聚离子束照射进行溅射加工而挖削出的加工区域H。参考标记Ref是表示形成试样片Q(未挖削而保留)的位置的基准点。为了知晓试样片Q的概要位置而利用沉积膜,在精密的对位中利用微细孔。在试样S中。试样片Q被进行蚀刻加工,使得保留与试样S连接的支承部Qa,削入侧部侧及底部侧的周边部而将其去除,通过支承部Qa而悬臂支承于试样S。
接着,参照图4及图5对试样片支架P进行说明。
图4是试样片支架P的俯视图,图5是侧视图。试样片支架P具备具有切口部41的大致略半圆形板状的基部42、以及固定于切口部41的试样载台43。作为一例,基部42由圆形板状的金属形成。试样载台43为梳齿形状,具备分离配置且突出的多个用于移设试样片Q的柱状部(以下也称为支柱)44。
(图像处理用计算机)
接着,参照图6对图像处理用计算机30进行说明。图6是示出本实施方式的图像处理用计算机30的结构的一例的图。图像处理用计算机30具备控制部300和存储部305。
控制部300具备学习数据取得部301、学习部302、判定图像取得部303以及判定部304。
学习数据取得部301取得学习数据。学习数据是用于机器学习的学习的信息。学习数据是学习图像与表示该学习图像内的对象物的位置的信息的组。作为一例,学习图像内的对象物包括试样片、针、设置于试样片支架的柱状部等。这里,学习图像内的对象物的种类与判定图像内的对象物的种类相同。例如,在学习图像内的对象物的种类为试样片、针或柱状部的情况下,判定图像内的对象物的种类分别为试样片、针或柱状部。
这里,在本实施方式中,作为学习图像,使用通过向对象物照射带电粒子束而预先得到的SIM图像、SEM图像。从规定的方向朝对象物照射带电粒子束。在带电粒子束装置10中,带电粒子束照射系统的镜筒的方向被固定,因此,预先决定了向对象物照射带电粒子束的方向。
作为一例,表示学习图像内的对象物的位置的信息是表示该对象物的学习图像内的位置的坐标。表示该学习图像内的位置的坐标例如是二维的正交坐标、极坐标等。
学习图像包括对象物的SIM图像和SEM图像这两方。学习图像是从相对于试样载台12的铅垂方向倾斜了规定角度的倾斜方向观察对象物的情况下的SIM图像和从试样载台12的铅垂方向观察对象物的情况下的SEM图像这两方。即,学习图像包括从以试样载台12为基准的第1方向观察对象物的情况下的图像和从第2方向观察该对象物的情况下的图像。第2方向是与以试样载台12为基准的第1方向不同的方向。
学习部302基于学习数据取得部301取得的学习数据,执行机器学习。学习部302将学习到的结果作为机器学习模型M而存储于存储部305。作为一例,学习部302按照学习数据所包含的学习图像的对象物的每个种类而执行机器学习。因此,按照学习数据所包含的学习图像的对象物的每个种类而生成机器学习模型M。另外,学习部302也可以不按照对象物的每个种类来执行机器学习。即,也可以与对象物的种类无关地执行共同的机器学习。例如,根据向控制用计算机22输入的设定,在图像处理用计算机30中设定学习部302是否按照对象物的每个种类来执行机器学习。
此外,在机器学习模型M中包括多个模型。机器学习模型M所包含的多个模型不仅通过用于生成模型的学习数据的集合来区分,还通过机器学习的算法来区分。
另外,在以下的说明中,有时将图像中拍摄到的或描绘的对象物称为该图像的对象物。
这里,学习部302所执行的机器学习例如是使用了卷积神经网络(CNN:Convolutional Neural Network)等的深度学习。在该情况下,在机器学习模型M中,包括根据学习图像与该学习图像内的对象物的位置的对应而变更了节点间的权重的多层神经网络。该多层神经网络包括具有与图像的各像素对应的节点的输入层、以及具有与该图像内的各位置对应的节点的输出层,当向输入层输入SIM图像和SEM图像的各像素的亮度值时,从输出层输出表示该图像中的位置的值的组。
判定图像取得部303取得判定图像。判定图像是指从控制用计算机22输出的SIM图像和SEM图像。在判定图像中包括上述对象物的图像。在判定图像的对象物中,包括试样片Q、使用后的针18等与带电粒子束的照射相关的物体。
判定图像是从相对于试样载台12的铅垂方向倾斜了规定角度的倾斜方向观察对象物的情况下的SIM图像和从试样载台12的铅垂方向观察对象物的情况下的SEM图像这两方。即,判定图像包括从第1方向观察对象物的情况下的图像和从第2方向观察该对象物的情况下的图像。这里,第1方向是指以试样载台12为基准的方向,第2方向是指与以试样载台12为基准的第1方向不同的方向。
判定部304基于模板匹配,来判定由判定图像取得部303取得的判定图像所包含的对象物的位置。这里,判定部304在模板匹配中,使用针对对象物的模板T。模板T是基于通过带电粒子束的照射而取得的对象物的图像而预先制作的。作为一例,模板T被存储在存储部305中。
判定部304在模板匹配失败的情况下,基于通过学习部302执行了学习的机器学习模型M,来判定由判定图像取得部303取得的判定图像所包含的对象物的位置。
这里,判定图像所包含的对象物的位置例如包括SIM图像和SEM图像内的试样片的拾取位置、SIM图像和SEM图像内的针的前端的位置、SIM图像和SEM图像内的柱状部44的位置。作为判定图像所包含的对象物的位置,作为一例,判定部304判定图像内的对象物的坐标。
另外,在本实施方式中,作为一例,判定部304在对象物为试样片Q的情况下,基于模板匹配来判定试样片Q的拾取位置,在模板匹配失败的情况下,基于机器学习模型M来判定拾取位置。另一方面,判定部304在对象物为柱状部44或针18的情况下,基于机器学习模型M来判定柱状部44的位置或针18的前端的位置。判定部304即便在对象物为柱状部44或针18等试样片Q以外的情况下,也可以与试样片Q的情况同样,基于模板匹配进行判定,在判定失败的情况下,基于机器学习模型M来判定对象物的位置。
例如通过用户而预先设定在对象物的位置的判定中使用哪一种算法。
基于模板匹配的判定是第1判定的一例,基于机器学习模型M的判定是第2判定的一例。
另外,图像处理用计算机30例如也可以从外部的数据库取得模板T、学习完的机器学习模型。在该情况下,控制部300也可以不具备学习数据取得部301和学习部302。
以下,关于控制用计算机22执行的自动微采样(MS:Micro-sampling)的动作,即,将通过基于带电粒子束(会聚离子束)加工试样S而形成的试样片Q自动地移设到试样片支架P的动作,大致分为初始设定工序、试样片拾取工序、试样片安装工序而依次进行说明。(初始设定工序)
图7是示出本实施方式的初始设定工序的一例的图。步骤S10:控制用计算机22进行模式及加工条件的设定。模式的设定是指在自动时序开始时根据操作者的输入而进行的后述的姿势控制模式的有无等的设定。加工条件的设定是加工位置、尺寸、试样片Q的个数等的设定。
步骤S20:控制用计算机22登记柱状部44的位置。这里,控制用计算机22将作为对象物而包含柱状部44的SIM图像和SEM图像向图像处理用计算机30发送。
在本实施方式中,包含对象物的吸收电流图像数据是对象物的SIM图像和对象物的SEM图像的组。即,包含对象物的SIM图像和SEM图像是从相对于试样载台12的铅垂方向倾斜了规定角度的倾斜方向观察对象物的情况下的SIM图像和从试样载台12的铅垂方向观察对象物的情况下的SEM图像的组。
判定图像取得部303从图像处理用计算机30取得SIM图像和SEM图像作为判定图像。判定部304基于机器学习模型M,判定由判定图像取得部303取得的判定图像所包含的柱状部44的位置。判定部304将表示判定出的柱状部44的位置的位置信息向控制用计算机22输出。
这里,判定部304根据从相对于试样载台12的铅垂方向倾斜了规定角度的倾斜方向观察对象物的情况下的SIM图像,判定对象物的位置在试样载台12中的二维坐标。另一方面,判定部304根据从相对于试样载台12的铅垂方向倾斜了规定角度的倾斜方向观察对象物的情况下的SEM图像,判定对象物的位置在与该倾斜方向垂直的平面内的二维坐标。判定部304基于判定出的试样载台12中的二维坐标和与倾斜方向垂直的平面内的二维坐标,来判定对象物的位置作为三维坐标的值。
另外,判定部304将在带电粒子束装置10中配置电子束照射光学系统15和会聚离子束照射光学系统14配置的方向、两者间的角度的信息即方向信息用于三维坐标的值的计算。判定部304将方向信息预先存储于存储部305而读出,或者从控制用计算机22取得方向信息。
这里,在步骤S20中,对象物是指柱状部44。在以下的工序中,除了对象物为试样片Q的情况之外,判定部304判定对象物的位置的处理是相同的。
这里,参照图8至图12,对柱状部44和用于生成机器学习模型M的柱状部44的学习图像进行说明。
图8及图9是示出本实施方式的柱状部44的一例的图。图8及图9所示的柱状部A0是柱状部44的设计上的构造的一例。这里,图8是柱状部A0的俯视图,图9是柱状部A0的侧视图。柱状部A0具有在基部A02粘接有阶梯构造的支柱A01的构造。
图10是示出本实施方式的柱状部44的学习图像的一例的图。学习图像X11、学习图像X12、学习图像X13用于柱状部44的位置的学习。在学习图像X11、学习图像X12、学习图像X13中,以圆的形式示出表示柱状部的位置的信息。
在学习图像X11、学习图像X12、学习图像X13中,支柱A11、支柱A21、支柱31的形状分别不同。另一方面,在学习图像X11、学习图像X12、学习图像X13中,基部A12、基部A22、基部A32的形状相同。
另外,作为一例,学习图像X11、学习图像X12、学习图像X13是用于判定从试样载台12的水平方向观察柱状部44的情况下的SIM图像和SEM图像所包含的柱状部44的位置的学习图像。在图2中,会聚离子束照射光学系统14和电子束照射光学系统15未从试样载台12的水平方向面向试样载台12,但会聚离子束照射光学系统14和电子束照射光学系统15中的任意一方也可以从水平方向面向试样载台12,学习图像X11、学习图像X12、学习图像X13是用于判定该情况下的柱状部44的位置的学习图像。
图11是示出本实施方式的支柱未成为阶梯构造的柱状部44的一例的图。图11所示的柱状部A4是支柱未成为阶梯构造的柱状部44的设计上的构造的一例的侧视图。
图12是示出本实施方式的支柱未成为阶梯构造的柱状部44的学习图像的一例的图。作为一例,学习图像X21、学习图像X22、学习图像X23是用于判定从试样载台12的铅垂方向观察柱状部44的情况下的SEM图像所包含的柱状部44的位置的学习图像。
在学习图像X21、学习图像X22、学习图像X23中,支柱A51、支柱A61、支柱71的形状分别不同。另一方面,在学习图像X21、学习图像X22、学习图像X23中,基部A52、基部A62、基部A72的形状相同。
在以往的模板匹配中,在支柱的形状不同的情况下,有时无法判定柱状部的位置。另一方面,由于机器学习模型M是基于使用了包含柱状部44的基部的学习图像的机器学习而生成的,因此,在机器学习模型M中,例如,将基部的形状作为特征量来学习。因此,在带电粒子束装置10中,即便在支柱的形状不同的情况下,柱状部的判定的精度也提高。
学习图像的对象物体优选在多个学习图像的对象物体相互之间包括相同形状的部位。
返回图7继续进行初始设定工序的说明。
控制用计算机22基于表示由图像处理用计算机30判定出的柱状部44的位置的位置信息,来登记柱状部44的位置。
另外,在柱状部44的学习图像中,优选包括位于柱状部44中的试样载台43的两端的柱状部的图像。图像处理用计算机30基于使用包括该学习图像的学习数据而生成的机器学习模型M,将柱状部44中的试样载台43的两端的柱状部与两端以外的柱状部区分地进行检测。控制用计算机22也可以根据检测到的两端的柱状部的位置来计算试样片支架P的倾斜。控制用计算机22也可以基于计算出的倾斜,来校正对象物的位置的坐标值。
步骤S30:控制用计算机22对会聚离子束照射光学系统14进行控制来加工试样S。
(试样片拾取工序)
图13是示出本实施方式的试样片拾取工序的一例的图。这里,拾取是指,通过基于会聚离子束的加工或针,将试样片Q从试样S中分离、摘出。
步骤S40:控制用计算机22对试样的位置进行调整。这里,控制用计算机22为了使作为对象的试样片Q进入带电粒子束的视野而通过载台驱动机构13使试样载台12移动。这里,控制用计算机22使用参考标记Ref与试样片Q的相对位置关系。控制用计算机22在试样载台12移动后,进行试样片Q的对位。
步骤S50:控制用计算机22执行针18的移动。
这里,参照图14,对控制用计算机22所执行的针18的移动用的处理进行说明。图14是示出本实施方式的针18的移动处理的一例的图。图14的步骤S510至步骤540对应于图13的步骤S50。
步骤S510:控制用计算机22通过针驱动机构19而执行使针18移动的针移动(粗调整)。步骤S520:控制用计算机22对针18的前端进行检测。这里,控制用计算机22将包含针18作为对象物的吸收电流图像数据向图像处理用计算机30发送。
判定图像取得部303从图像处理用计算机30取得SIM图像和SEM图像作为判定图像。判定部304基于机器学习模型M,来判定由判定图像取得部303取得的判定图像所包含的针18的位置,作为对象物的位置。判定部304将表示判定出的针18的位置的位置信息向控制用计算机22输出。
接着,控制用计算机22基于表示由图像处理用计算机30判定出的针18的位置的位置信息,通过针驱动机构19而执行使针18移动的针移动(微调整)。
这里,参照图16至图19,针对针18、用于生成机器学习模型M的针18的学习图像进行说明。
图16是示出本实施方式的包含针18的前端在内的SEM图像数据的一例的图。图17是示出本实施方式的包含针18前端在内的SIM图像数据的一例的图。
图18是示出本实施方式的针18的前端的一例的图。在图18中,作为针18的一例,示出从相对于试样载台12的铅垂方向倾斜了规定角度的倾斜方向观察的情况下的针B1。
图19是示出本实施方式的针18的学习图像的一例的图。学习图像Y31、学习图像Y32、学习图像Y33用于针18的前端的位置的学习。在学习图像Y31、学习图像Y32、学习图像Y33中,以圆的形式示出表示针18的前端的位置的信息。在学习图像Y31、学习图像Y32、学习图像Y33中,针的前端的粗细度分别不同。另一方面,在学习图像Y31、学习图像Y32、学习图像Y33中,针的前端的形状相同。
实际的针18的前端的粗细度通过清洁而变化。在以往的模板匹配中,在针的前端的粗细度不同的情况下,有时无法判定针的前端的位置。另一方面,由于机器学习模型M是基于使用了包含针18的前端在内的学习图像的机器学习而生成的,因此,在机器学习模型M中,例如,将针的前端的形状作为特征量来学习。因此,在带电粒子束装置10中,即便在针的前端的粗细度不同的情况下,针的前端的判定的精度也提高。
这里,参照图15,对图像处理用计算机30判定针18的前端的位置的详细处理进行说明。图15是示出本实施方式的针前端位置判定处理的一例的图。图15所示的针前端位置判定处理在图14的步骤S520中被执行。
步骤S5210:判定部304基于机器学习模型M,来判定由判定图像取得部303取得的判定图像所包含的针18的前端的位置,作为对象物的位置。
步骤S5220:判定部304判定是否能够判定针18的前端的位置。判定部304在判定为能够判定针18的前端的位置的情况下(步骤S5220;是),将表示判定出的针18的前端的位置的位置信息向控制用计算机22输出,结束针前端位置判定处理。另一方面,判定部304在判定为无法判定针18的前端的位置的情况下(步骤S5220;否),执行步骤S5230的处理。
无法判定针18的前端的位置的情况例如是,在针18的前端附着有将试样片Q切断后的一部分而不能准确地判定针18的前端的位置的情况。图20是示出在本实施方式的针B2的前端附着的试样片Q2的一例的图。
以下,有时将无法判定针18的前端的位置的情况称为异常情况。
步骤S5230:判定部304在当前的拾取位置判定处理中,判定是否执行完异物检测。判定部304在判定为执行完异物检测的情况下(步骤S5230;是),执行步骤S5240的处理。另一方面,判定部304在判定为未执行完异物检测的情况下(步骤S5230;否),执行步骤S5250的处理。
步骤S5240:判定部304使控制用计算机22停止自动MS。这里,判定部304将用于使自动MS停止的停止信号向控制用计算机22输出。之后,判定部304结束针前端位置判定处理。
步骤S5250:判定部304基于机器学习模型M,判定由判定图像取得部303取得的判定图像所包含的异物。这里,异物是指在针18的前端附着了试样片Q的一部分。
这里,参照图21,对用于通过机器学习进行异常情况的判定的学习图像进行说明。图21是示出本实施方式的异常情况用的学习图像的一例的图。在学习图像Y41、学习图像Y42、学习图像Y43、学习图像Y44、学习图像Y45、学习图像Y46中,在针(针B41、针B42、针B43、针B44、针B45、针B46)的前端附着有试样片的一部分(试样片Q41、试样片Q42、试样片Q43、试样片Q44、试样片Q45、试样片Q46)。
步骤S5260:判定部304判定是否能够判定异物。判定部304在判定为能够判定异物的情况下(步骤S5260;是),执行步骤S5270的处理,另一方面,判定部304在判定为无法判定异物的情况下(步骤S5260;否),执行步骤S5240的处理。
步骤S5270:判定部304使控制用计算机22去除异物。这里判定部304将用于执行异物的去除的控制信号向控制用计算机22输出。之后,判定部304再次执行步骤S5210的处理。即,判定部304判定去除了异物的针18的前端的位置。
异物的去除是指,通过针18的清洁而去除附着于针18的前端的试样片Q的一部分。图22是示出本实施方式的异物的去除的一例的图。在图22所示的异物的去除中,设置有针18的清洁用的加工框FR6而将针B6的异物Q6去除。
返回图14而继续进行针18的移动处理的说明。步骤S530:控制用计算机22对试样片Q的拾取位置进行检测。这里,控制用计算机22将作为对象物而包含试样片Q的SIM图像和SEM图像向图像处理用计算机30发送。
这里,参照图23,对图像处理用计算机30的判定拾取位置的处理进行说明。
图23是示出本实施方式的拾取位置判定处理的一例的图。图23所示的步骤S5310至步骤S5370的各处理对应于图14的步骤S530的处理。
步骤S5310:判定部304基于模板匹配,来判定由判定图像取得部303取得的判定图像所包含的试样片Q的拾取位置。这里判定部304在模板匹配中,使用存储于存储部305的模板T。
步骤S5320:判定部304判定是否能够基于模板匹配判定试样片Q的拾取位置。判定部304在模板匹配的分数为规定的值以上的情况下,判定为能够判定拾取位置。
判定部304在判定为能够判定拾取位置的情况下(步骤S5320;是),将表示判定出的拾取位置的位置信息向控制用计算机22输出,结束拾取位置判定处理。另一方面,判定部304在判定为无法判定拾取位置的情况下(步骤S5320;否),执行步骤S5330的处理。
步骤S5330:判定部304选择用于判定拾取位置的机器学习模型M-j。这里,判定部304从机器学习模型M所包含的机器学习模型M-i(i=1、2、···、N:N为模型的数量)中选择1个用于判定拾取位置的机器学习模型M-j。在本实施方式中,作为一例,判定部304基于规定的顺序,选择机器学习模型M所包含的机器学习模型M-i(i=1、2、···、N:N为模型的数量)中的在当前的拾取位置判定处理中未选择的机器学习模型。规定的顺序例如是,机器学习模型M-i的指数i的上升顺序。
步骤S5340:判定部304基于选择出的机器学习模型M-j来判定拾取位置。该判定的处理与在上述的步骤S20等中的判定部304判定对象物的位置的处理相同。
步骤S5350:判定部304判定是否能够基于选择出的机器学习模型M-j判定试样片Q的拾取位置。
判定部304在判定为能够判定拾取位置的情况下(步骤S5350;是),将表示判定出的拾取位置的位置信息向控制用计算机22输出,结束拾取位置判定处理。另一方面,判定部304在判定为无法判定拾取位置的情况下(步骤S5350;否),执行步骤S5360的处理。
步骤S5360:判定部304判定是否使用了机器学习模型M所包含的所有机器学习模型M-i(i=1、2、···、N:N为模型的数量)。判定部304在判定为使用了所有机器学习模型的情况下(步骤S5360;是),执行步骤S5370的处理。另一方面,判定部304在判定为未使用所有机器学习模型的情况下(步骤S5360;否),再次执行步骤S5330的处理。
步骤S5370:判定部304使控制用计算机22停止自动MS。这里,判定部304将用于使自动MS停止的停止信号向控制用计算机22输出。之后,判定部304结束拾取位置判定处理。
这里,参照图24及图25,针对试样片Q、用于生成机器学习模型M的试样片Q的学习图像进行说明。
图24是示出包含本实施方式的试样片Q的SIM图像数据的一例的图。在图24中,作为试样片Q的一例,与表示拾取位置的圆一起示出试样片Q71。
图25是示出本实施方式的试样片Q的学习图像的一例的图。学习图像Z11、学习图像Z12、学习图像Z13用于试样片Q的前端的位置的学习。在学习图像Z11、学习图像Z12、学习图像Z13中,以圆的形式示出表示试样片Q的拾取位置的信息。在学习图像Z11、学习图像Z12、学习图像Z13中,试样片的尺寸、表面的形状分别不同。另一方面,在学习图像Z11、学习图像Z12、学习图像Z13中,试样片的拾取位置处的形状相同。
实际的试样片的表面的形状按照每个个体而不同。在以往的模板匹配中,在试样片的表面的形状不同的情况下,有时无法判定试样片的拾取位置。另一方面,由于机器学习模型M是基于使用了包含试样片Q的拾取位置的学习图像的机器学习而生成的,因此,在机器学习模型M中,例如,将试样片Q的拾取位置的形状作为特征量来学习。因此,在带电粒子束装置10中,即便在试样片的表面的形状不同的情况下,试样片Q的拾取位置的判定的精度也提高。
另外,在图23所示的步骤S5330中,也可以变更从机器学习模型M所包含的机器学习模型M-i(i=1、2、···、N:N为模型的数量)中选择1个用于判定对象物的机器学习模型M-j的处理中的顺序。例如,也可以在最初执行图像处理用计算机30判定对象物(在图23的一例中为拾取位置)的处理的情况下,设为上述的规定的顺序,在第2次以后的处理中,根据是否能够判定上次的对象物来变更该顺序。
例如,在判定上次的对象物的处理中能够基于机器学习模型M-k而判定对象物的情况下,判定部304也可以将该机器学习模型M-k的顺序在机器学习模型M所包含的机器学习模型M-i(i=1、2、···、N:N为模型的数量)中设为最初的顺序。或者,判定部304也可以将该机器学习模型M-k的顺序提前规定的顺位(例如1个)。此外,在判定上次的对象物的处理中无法基于机器学习模型M-m而判定对象物的情况下,判定部304也可以将该机器学习模型M-m的顺序设为最后的顺序。或者,判定部304也可以使该机器学习模型M-m的顺序后退规定的顺位(例如1个)。
此外,在图23所示的判定对象物的处理中,在使用了机器学习模型M所包含的所有机器学习模型M-i(i=1、2、···、N:N为模型的数量)之后无法判定对象物的情况下,学习部302也可以将无法判定对象物的判定图像包含于学习图像而重新执行机器学习,更新机器学习模型M。在该情况下,例如,学习部302将无法判定对象物的判定图像追加于学习数据,重新执行机器学习,更新机器学习模型M。追加于学习数据的无法判定对象物的判定图像的数量可以为多个。
更新机器学习模型M是指,向机器学习模型M追加在重新执行了学习的结果中得到的模型。或者,更新机器学习模型M也可以是指,利用在重新执行了学习的结果中得到的模型,置换机器学习模型M所包含的多个模型中的任意一个模型。
学习部302更新机器学习模型M的时期例如是每隔规定的日数的时期。学习部302例如每隔7天更新机器学习模型M。另外,学习部302也可以在图像处理用计算机30从带电粒子束装置10的用户受理到更新机器学习模型M的操作的情况下,更新机器学习模型M。
学习部302也可以在更新机器学习模型M之后,基于更新后的机器学习模型M来计算判定精度。在该情况下,例如,在存储部305中预先存储测试图像集。测试图像集是包括与判定图像所包含的对象物(在图23的例子中为拾取位置)相同种类的对象物的图像在内的多个图像。由于测试图像集被预先存储于存储部305,因此,也可以由带电粒子束装置10的用户变更。
例如学习部302基于更新前的机器学习模型M,使判定部304判定包含于测试图像集的图像所包含的对象物,基于判定结果来计算判定精度。接着,学习部302基于更新后的机器学习模型M,使判定部304判定包含于测试图像集的图像所包含的对象物,基于判定结果来计算判定精度。学习部302例如计算在对象物的判定中成功的图像相对于测试图像集所包含的图像的比例,作为判定精度。学习部302在更新后的机器学习模型M与更新前的机器学习模型M相比提高了判定精度的情况下,利用更新后的机器学习模型M来置换存储于存储部305的机器学习模型M。另一方面,学习部302在更新后的机器学习模型M与更新前的机器学习模型M相比未提高判定精度的情况下,废弃更新后的机器学习模型M。
此外,也可以由用户生成机器学习模型M。在该情况下,例如,用户对图像处理用计算机30进行操作而生成机器学习模型M。用户预先准备学习图像。学习数据取得部301取得由用户预先准备的学习图像。预先准备的学习图像例如通过使用带电粒子束装置对SIM图像、SEM图像进行拍摄而生成。这里,关于预先准备的学习图像,优选在与带电粒子束装置10实际生成SIM图像、SEM图像作为判定图像的情况相同程度的范围内使针对图像的参数变化而生成。针对图像的参数包括对比度、亮度、倍率、焦点、以及射束条件等。
在用户预先准备学习图像的情况下,在学习图像所包含的多个图像中,不优选确定种类的图像的比例变多。在用户预先准备学习图像的情况下,优选在学习图像中,以多个种类的图像的张数彼此均等的方式包括这多个图像。这里,例如通过上述的针对图像的参数来区分图像的种类。
另外,学习图像也可以包括后述的伪图像。
此外,在由用户生成机器学习模型M的情况下,通过用户来判定用于机器学习的学习图像的妥当性。在该情况下,用户在判定学习图像的妥当性的情况下,可以利用XAI(Explainable AI)。说明在XAI中机器学习的模型进行判定的过程。学习部302基于XAI,在机器学习模型M在包括对象物的图像中判定对象物的位置的过程中,判定在该图像中作为表示对象物的位置的特征点而使用的区域。学习部302例如使用Layerwise relevancepropagation(LRP)等方法作为XAI。用户通过目视来确认学习部302判定出的作为特征点而使用的区域,判定学习图像的妥当性。
这里,参照图26至图29,对基于XAI的学习图像的妥当性的判定进行说明。图26是示出本实施方式的学习图像Y5的一例的图。在学习图像Y5中,包括图像Y51至图像Y54。图像Y51至图像Y54也可以是SEM图像、SIM图像、或者后述的伪图像等中的任意图像。在图像Y51至图像Y54中,分别包括针B41至针B44。在基于学习图像Y5学习到的机器学习模型M5中,在图像Y51至图像Y54中,施加各个区域R41至区域R44是表示针的前端的区域这一条件来执行机器学习。在图26中,作为一例,区域R41至区域R44各自的形状是椭圆。
图27是示出本实施方式的追加图像I1的一例的图。追加图像I1是要向学习图像Y5追加的学习图像,是判定针对是否应设为学习图像Y5的妥当性的对象。作为一例,追加图像I1包括针的图像。追加图像I1也可以是SEM图像、SIM图像、或者后述的伪图像等中的任意图像。
图28及图29是示出本实施方式的判定出特征点的图像的一例的图。在图28中,示出图像O1,该图像O1示出在例如基于作为机器学习模型M的机器学习模型M1而判定出图27所示的追加图像I1所包含的针的前端的位置的情况下,机器学习模型M1作为特征点而使用的区域R1。在图29中示出图像O2,该图像O2示出在例如基于作为机器学习模型M的机器学习模型M2而判定出图27所示的追加图像I1所包含的针的前端的位置的情况下,机器学习模型M2作为特征点而使用的区域R21及区域R22。机器学习模型M1及机器学习模型M2分别是基于学习图像Y5执行机器学习而生成的。
根据图像O1,机器学习模型M1将区域R1用作特征点来进行判定。区域R1对应于针的前端的位置。如上所述,在图26所示的学习图像Y5中,示出表示针的前端的区域,因此,无需向机器学习模型M1追加追加图像I1。在该情况下,用户判定为向学习图像Y5追加追加图像I1是不妥当的。
根据图像O2,机器学习模型M2将区域R21及区域R22用作特征点来进行判定。区域R21对应于针的前端的位置。另一方面,区域R22对应于针的前端以外的位置。如果施加区域R22对应于针的前端以外的位置这一条件而将追加图像I1用于机器学习模型M2的学习,则期待抑制将区域R22所示的针的前端以外的位置判定为针的前端。在该情况下,用户判定为向学习图像Y5追加追加图像I1是妥当的。
此外,在图23所示的判定对象物的处理中,说明了如下情况下的一例:在步骤S5310中无法基于模板匹配来判定对象物的情况下,图像处理用计算机30从机器学习模型M所包含的机器学习模型M-i(i=1、2、···、N:N为模型的数量)中选择1个用于判定对象物的机器学习模型M-j,即,进行重试的情况下的一例,但不限于此。图像处理用计算机30也可以并行地执行基于模板匹配的判定和基于机器学习模型M的判定,选择判定为妥当的结果作为对象物的判定结果。
返回图14,继续进行针18的移动处理的说明。步骤S540:控制用计算机22使针18移动至检测到的拾取位置。
以上,控制用计算机22结束针18的移动处理。
返回图13,继续进行试样片拾取工序的说明。
步骤S60:控制用计算机22将针18与试样片Q连接。这里控制用计算机22使用沉积膜来进行连接。
步骤S70:控制用计算机22对试样S与试样片Q进行加工分离。这里,图30示出加工分离的情形,是示出本发明的实施方式的SIM图像数据中的试样S及试样片Q的支承部Qa的切断加工位置T1的图。
步骤S80:控制用计算机22使针18退避。这里,控制用计算机22与步骤S50的针18的移动处理同样地对针18的前端的位置进行检测,使针18移动而进行退避。
步骤S90:控制用计算机22使试样载台12移动。这里,控制用计算机22通过载台驱动机构13使试样载台12移动,使得在上述的步骤S20中登记的特定的柱状部44进入基于带电粒子束的观察视野区域内。
(试样片安装工序)
图31是示出本实施方式的试样片安装工序的一例的图。这里,试样片安装工序是指将摘出的试样片Q移设到试样片支架P的工序。步骤S100:控制用计算机22判定试样片Q的移设位置。这里,控制用计算机22将在上述的步骤S20中登记的特定的柱状部44判定为移设位置。
步骤S110:控制用计算机22检测针18的位置。这里,控制用计算机22与上述的步骤S520同样地检测针18的前端的位置。
步骤S120:控制用计算机22使针18移动。这里,控制用计算机22通过针驱动机构19,使针18移动到在步骤S100中判定出的试样片Q的移设位置。控制用计算机22使针18空出预先决定的空隙而停止在柱状部44与试样片Q之间。
步骤S130:控制用计算机22将与针18连接的试样片Q与柱状部44连接。步骤S140:控制用计算机22将针18与试样片Q分离。这里,控制用计算机22通过将连接针18与试样片Q的沉积膜DM2切断而进行分离。
步骤S150:控制用计算机22使针18退避。这里,控制用计算机22通过针驱动机构19使针18与试样片Q分离规定距离。
步骤S160:控制用计算机22判定是否执行下一个采样。这里,执行下一个采样是指,接着从相同的试样S的不同场所继续进行采样。应采样的个数的设定在步骤S10中被事先登记,因此,控制用计算机22确认该数据,判定是否执行下一个采样。在判定为执行下一个采样的情况下,控制用计算机22返回步骤S50,如上述那样继续进行后续的步骤,执行采样作业。另一方面,控制用计算机22在判定为不执行下一个采样的情况下,结束自动MS的一系列流程。
另外,在本实施方式中,说明了学习数据是学习图像与表示该学习图像内的对象物的位置的信息的组的情况的一例,但不限于此。在学习数据中,除了学习图像以外,也可以包括如下的参数信息,该参数信息是表示试样的种类、扫描参数(会聚离子束照射光学系统14、以及电子束照射光学系统15的加速电压等)、从执行针18的清洁开始的使用次数、在针18的前端是否附着有异物等的信息。
在该情况下,机器学习模型M1是基于学习图像和参数信息执行机器学习而生成的。此外,判定部304从控制用计算机22除了取得SIM图像、SEM图像的图像数据之外还取得参数信息,基于图像数据、参数信息、以及机器学习模型M1,判定对象物在图像内的位置。
此外,在参数信息中还可以包括上述的方向信息。在学习数据包括方向信息的情况下,学习对象物与观察该对象物的方向(以试样载台12为基准的方向)的关系,生成机器学习模型M1,因此,判定部304无需在对象物的位置的判定中使用方向信息。
另外,如上所述,计算机(在本实施方式中为控制用计算机22)根据由图像处理用计算机30基于机器学习的模型(在本实施方式中为机器学习模型M1)、以及包括第2图像(在本实施方式中为柱状部44、针18及试样片Q的SIM图像、SEM图像)的第2信息来判定与第2对象物(在本实施方式中为柱状部44、针18及试样片Q)相关的位置而得到的结果,进行与第2对象物(在本实施方式中为柱状部44、针18及试样片Q)相关的位置的控制。另外,图像处理用计算机30与控制用计算机22也可以以成为一体的方式配置于带电粒子束装置10。
(第2实施方式)
以下,参照附图对本发明的第2实施方式详细进行说明。
在本实施方式中,说明如下情况:作为学习图像,使用了根据对象物的种类而生成的伪图像,或者选择根据对象物的种类而使用的机器学习模型。
将本实施方式的带电粒子束装置10称为带电粒子束装置10a,将图像处理用计算机30称为图像处理用计算机30a。
图32是示出本实施方式的图像处理用计算机30a的结构的一例的图。当比较本实施方式的图像处理用计算机30a(图32)与第1实施方式的图像处理用计算机30(图6)时,学习图像生成部306a、分类部307a、机器学习模型M1a及分类用学习模型M2a不同。这里,其他结构要素所具有的功能与第1实施方式相同。省略与第1实施方式相同的功能的说明,在第2实施方式中,以与第1实施方式不同的部分为中心来进行说明。
控制部300a除了具备学习数据取得部301、学习部302、判定图像取得部303以及判定部304之外,还具备学习图像生成部306a和分类部307a。
学习图像生成部306a生成伪图像PI作为学习图像。在本实施方式中,伪图像PI是指,基于通过向对象物的带电粒子束的照射而预先得到的SIM图像和SEM图像而生成的图像。作为一例,学习图像生成部306a基于裸件(ベアウェア)BW和图案图像PT而生成伪图像PI。
裸件BW是从对象物去除了表面的图案而示出对象物的形状的图像。裸件BW优选是示出尺寸、对比度、焦点等不同的多个对象物的形状的多个图像。裸件BW是SIM图像与SEM图像不同且使用图像软件进行描绘而得到的图像。
图案图像PT是示出与对象物的内部构造相应的图案的图像。图案图像PT可以是通过带电粒子束的照射而得到的SIM图像、SEM图像,也可以是使用图像软件进行描绘而得到的图像。
学习图像生成部306a使用伪图像生成算法,对图案图像PT所示的与对象物的内部构造相应的图案施加随机噪声,通过与裸件BW重叠而生成伪图像PI。
在本实施方式中,作为一例,对学习图像生成部306a生成伪图像PI作为试样片Q的学习图像的情况的一例进行说明,但不限于此。学习图像生成部306a也可以生成伪图像PI作为针18、柱状部44的学习图像。此外,学习图像生成部306a也可以生成在针18的前端附着有试样片Q的一部分的情况下的伪图像PI作为上述的异常情况的学习图像。
另外,学习图像生成部306a也可以在学习图像中包含通过上述第1实施方式的向对象物的带电粒子束的照射而预先得到的SIM图像和SEM图像。即,学习图像生成部306a可以仅使用伪图像PI作为学习图像,也可以组合使用伪图像PI、SIM图像以及SEM图像作为学习图像。
学习部302在机器学习中,从学习图像生成部306a生成的学习图像中提取对象物的表面的形状、内部构造的图案作为特征量,生成机器学习模型M1a。
这里,参照图33至图35,对伪图像PI的生成方法进行说明。
图33是示出本实施方式的裸件BW的一例的图。在图33中,作为试样片Q的裸件BW而示出裸件BW1、裸件BW2、裸件BW3。裸件BW1、裸件BW2、裸件BW3是模仿了多个尺寸的试样片Q的形状的图像。另外,在裸件BW1、裸件BW2、裸件BW3中分别包含与针18对应的图像,作为表示拾取位置的信息。
图34是示出本实施方式的图案图像PT的一例的图。在图34中,作为图案图像PT,示出用户样本U1。用户样本U1是根据带电粒子束装置10a的用户要加工的试样片Q的种类而预先准备的图像。在用户样本U1中,针对由多个层构成的试样片,描绘出与构成该多个层的物质的种类相应的图案。
图35是示出本实施方式的伪图像PI的一例的图。在图35中,作为伪图像PI,示出图33的裸件BW1、裸件BW2、裸件BW3、以及基于图34的用户样本U1而生成的伪图像PI1、伪图像PI2、伪图像PI3。伪图像PI1、伪图像PI2、伪图像PI3在多个尺寸的试样片Q的形状上重叠有用户样本U1所示的内部构造的图案。
返回图32,继续进行图像处理用计算机30a的结构的说明。
分类部307a基于分类用学习模型M2a,对判定图像取得部303所取得的判定图像进行分类。分类用学习模型M2a是用于根据对象物的种类而从机器学习模型M1a所包含的多个模型中选择判定部304用于判定的模型的模型。这里,机器学习模型M1a所包含的多个模型不仅通过用于生成模型的学习数据的集合来区分,还通过机器学习的算法来区分。
分类用学习模型M2a例如将每个用户要加工的试样片Q的种类与机器学习模型M1a所包含的模型对应起来。分类用学习模型M2a基于机器学习被预先生成并存储在存储部305中。
接着,参照图36,来说明作为使用了分类用学习模型M2a的带电粒子束装置10a的自动MS的动作而对试样片Q的拾取位置进行检测的处理。
图36是示出本实施方式的拾取位置的检测处理的一例的图。
步骤S310:分类部307a基于分类用学习模型M2a,对判定图像取得部303所取得的判定图像进行分类。
步骤S320:分类部307a根据分类的结果,从机器学习模型M1a所包含的多个模型中选择判定部304用于判定的机器学习模型。另外,分类部307a也可以根据分类的结果,选择模板匹配,来作为判定部304用于判定的算法。
步骤S330:判定部304基于分类部307a选择出的机器学习模型,判定由判定图像取得部303取得的判定图像所包含的试样片Q的拾取位置。这里,判定部304在步骤S330中执行上述的图23的拾取位置判定处理。
这里,基于分类部307a的分类是用于选择判定的种类的第3判定的一例。也可以代替图23的步骤S5310的模板匹配,使用机器学习模型M1a所包含的多个模型中的任意一个模型来执行基于机器学习的判定。因此,分类部307a根据用于选择判定的种类(算法)的第3判定的结果,针对第1判定(作为一例,为步骤S5310中的判定)、第2判定(作为一例,为步骤S5340中的判定)中的至少一方来选择判定的种类(算法)。
步骤S340:判定部304判定是否能够判定试样片Q的拾取位置。判定部304在判定为能够判定拾取位置的情况下(步骤S340;是),将表示判定出的拾取位置的位置信息向控制用计算机22输出,结束拾取位置判定处理。另一方面,判定部304在判定为无法判定拾取位置的情况下(步骤S340;否),执行步骤S350的处理。
步骤S350:判定部304使控制用计算机22停止自动MS。这里,判定部304将用于使自动MS停止的停止信号向控制用计算机22输出。之后,判定部304结束拾取位置判定处理。
另外,在上述的实施方式中,说明了判定部304在对象物的位置的判定中在第1判定失败的情况下进行第2判定的情况的一例,但不限于此。判定部304也可以在第1判定成功的情况下也继续进行第2判定,基于第1判定的结果和第2判定的结果的两方来判定对象物的位置。
例如,判定部304也可以基于模板匹配来判定对象物的位置,接着基于机器学习来判定对象物的位置,在各个判定结果所示的位置一致的情况下,将判定结果所示的位置判定为对象物的位置。
另外,判定部304也可以根据基于第1判定的结果和第2判定的结果中的至少一方而选择出的第4判定的结果来进行对象物的位置的控制。以下说明该情况的具体例。
例如,判定部304针对对象物的位置的判定,也可以基于上次进行的判定的结果来选择下次的判定方法。在针对对象物的位置的判定,基于上次进行的判定的结果来选择下次的判定方法的情况下,例如,判定部304也可以基于上次进行的第1判定的结果和上次进行的第2判定的结果,在第1判定的精度比第2判定的精度低的情况下,在下次的判定中首先进行第2判定。
此外,判定部304也可以针对第1判定的种类、第2判定的种类,基于上次进行的判定的种类来选择下次使用的判定的种类。
此外,判定部304也可以基于根据上次的第1判定的结果而进行的第2判定的结果,来选择用于下次的判定的第1判定的种类。例如,判定部304也可以根据在模板匹配失败的情况下进行的基于机器学习的判定的精度,来选择在模板匹配中使用的模板的种类。
此外,判定部304也可以基于上次的第2判定的结果,来选择用于下次的判定的第2判定的种类。例如,判定部304也可以在下次以后的判定中继续使用第2判定的种类中的某个种类,直至第2判定的精度成为规定的值以下,在第2判定的精度成为规定的值以下的情况下,变更第2判定的种类。在该情况下,例如,判定部304也可以在下次以后的判定中继续使用机器学习的多个模型中的某个模型,直至基于该模型的判定的精度成为规定的值以下,在基于该模型的判定的精度成为规定的值以下的情况下,变更机器学习的模型。
这样,判定部304也可以根据基于第1判定的结果和第2判定的结果中的至少一方而选择的第4判定的结果、以及包括通过带电粒子束的照射而取得的图像在内的信息,来进行对象物的位置的控制。
另外,说明了如下情况的一例:在图36所示的拾取位置的检测处理中,在步骤S320中,根据将判定图像分类而得到的结果,从机器学习模型M1a所包含的多个模型中选择用于判定的机器学习模型的情况的一例,但不限于此。也可以基于针对将判定图像分类而得到的结果计算出的分数,选择用于判定的机器学习模型。
例如,分类部307a基于分类用学习模型M2a,对判定图像取得部303所取得的判定图像进行分类,之后,针对分类的结果而计算分数(称为分类分数)。分类部307a例如通过计算针对分类的结果的后验概率而计算分类分数。分类部307a将分类分数计算为在0点至100点等规定的范围内具有值的数值。分类部307a在计算出的分类分数为规定的值以上的情况下,根据分类的结果,从机器学习模型M1a所包含的多个模型中选择判定部304用于判定的机器学习模型。
另一方面,分类部307a在计算出的分类分数小于规定的值的情况下,从机器学习模型M1a所包含的多个模型中,除了选择与分类的结果相应的机器学习模型之外,还选择与和分类的结果类似的分类对应的机器学习模型。即,分类部307a从机器学习模型M1a所包含的多个模型中选择多个机器学习模型。判定部304基于分类部307a选择出的多个机器学习模型,按照多个机器学习模型的每一个来判定判定图像所包含的对象物的位置。判定部304在多个机器学习模型相互之间对判定的结果进行比较。判定部304例如针对判定出的结果而计算分数(称为位置判定分数),选择位置判定分数最高的结果作为对象物的位置的判定结果。位置判定分数是针对基于机器学习模型M而进行的对象物的位置的判定的分数。
另外,为了使判定部304进行对象物的位置的判定,也可以预先设定位置判定分数的阈值。在判定部304进行对象物的位置的判定前的时期,由带电粒子束装置10的用户预先设定位置判定分数的阈值。在该情况下,判定部304在判定是否能够判定对象物的位置的情况下,除了判定是否能够判定对象物的位置之外,还判定位置判定分数是否为阈值以上。判定部304在判定为能够判定对象物的位置且位置判定分数为阈值以上的情况下,判定为能够判定对象物的位置。判定部304即便在判定为能够判定对象物的位置的情况下,当位置判定分数不为阈值以上时,也判定为无法判定对象物的位置。
此外,在预先知晓对象物的位置包含于某一范围的情况下,也可以在对象物的位置的判定结果中,对表示对象物的位置的坐标的范围设置限制。在判定部304进行对象物的位置的判定前的时期,由带电粒子束装置10的用户预先设定坐标的范围。在该情况下,判定部304在判定是否能够判定对象物的位置的情况下,仅在判定为能够判定对象物的位置、且位置判定分数为阈值以上、并且表示对象物的位置的坐标位于预先设定的范围内时,判定为能够判定对象物的位置。判定部304即便在判定为能够判定对象物的位置的情况下,当位置判定分数小于阈值或者表示对象物的位置的坐标位于预先设定的范围外时,也判定为无法判定对象物的位置。
另外,在上述实施方式中,说明了带电粒子束装置10、10a具备会聚离子束照射光学系统14和电子束照射光学系统15这2个带电粒子束照射光学系统的情况的一例,但不限于此。带电粒子束装置也可以具备1个带电粒子束照射光学系统。在该情况下,优选在通过带电粒子束照射光学系统的带电粒子束照射而得到的判定图像中,例如除了映出对象物之外还映出该对象物的影子。此外,在该情况下,对象物是针18。
针18的影子是指,在从相对于试样载台12的铅垂方向倾斜了规定角度的倾斜方向观察时针18接近试样片Q的表面时,为了遮挡从针18附近的试样片Q的表面产生的2次电子(或者2次离子)到达检测器16而产生的现象,针18与试样片Q的表面的距离越近,该现象越变得显著。因此,针18与试样片Q的表面的距离越近,判定图像中的影子的亮度值越高。
图像处理用计算机30除了根据判定图像判定针18的前端的位置来作为判定图像中的二维坐标之外,还根据针18的影子的亮度值,计算针18的前端与试样片Q的表面的距离。由此,图像处理用计算机30根据判定图像判定针18的前端的位置来作为三维坐标的值。
另外,也可以通过计算机来实现上述实施方式中的控制用计算机22、图像处理用计算机30、30a的一部分,例如实现学习数据取得部301、学习部302、判定图像取得部303、判定部304、学习图像生成部306a、分类部307a。在该情况下,也可以通过将用于实现该控制功能的程序记录于计算机可读取的记录介质,使计算机系统读入并执行记录于该记录介质的程序来实现。另外,这里所说的“计算机系统”是内置于控制用计算机22、图像处理用计算机30、30a的计算机系统,包括OS、周边设备等硬件。此外,“计算机可读取的记录介质”是指软盘、光磁盘、ROM、CD-ROM等可移动介质、内置于计算机系统的硬盘等存储装置。此外,“计算机可读取的记录介质”也可以包括:如经由因特网等网络或电话线路等通信线路而发送程序的情况下的通信线那样短时间内动态地保持程序的记录介质;如成为该情况下的服务器或客户端的计算机系统内部的易失性存储器那样一定时间内保持程序的记录介质。此外,上述程序可以是用于实现上述功能的一部分的程序,还可以是能够通过与已经记录于计算机系统的程序的组合来实现上述功能的程序。
此外,也可以将上述实施方式中的控制用计算机22、图像处理用计算机30、30a的一部分或者全部作为LSI(Large Scale Integration)等集成电路来实现。控制用计算机22、图像处理用计算机30、30a的各功能块可以单独地形成处理器,也可以集成一部分或全部而形成处理器。此外,形成集成电路的方法不限于LSI,也可以通过专用电路或者通用处理器来实现。此外,在由于半导体技术的进步而出现了代替LSI的集成电路化的技术的情况下,也可以使用基于该技术的集成电路。
以上,参照附图对本发明的一个实施方式详细进行了说明,但具体结构不限于上述的结构,在不脱离本发明的主旨的范围内能够进行各种设计变更等。

Claims (4)

1.一种带电粒子束装置,其从试样中自动地制作试样片,其中,
所述带电粒子束装置具备:
带电粒子束照射光学系统,其照射带电粒子束;
试样载台,其载置所述试样而移动;
试样片移设单元,其保持从所述试样中分离并摘出的所述试样片而进行输送;
支架固定台,其保持用于移设所述试样片的试样片支架;以及
计算机,其基于根据针对与对象物相关的位置的第1判定的结果而进行的针对所述位置的第2判定的结果、以及包括通过所述带电粒子束的照射而取得的图像在内的信息,进行所述位置的控制。
2.根据权利要求1所述的带电粒子束装置,其中,
所述第1判定是基于使用了针对所述对象物的模板的模板匹配而进行的判定,
所述第2判定是基于学习包括第2对象物的第2图像在内的第2信息得到的机器学习的模型而进行的判定。
3.根据权利要求1或2所述的带电粒子束装置,其中,
所述计算机根据用于选择判定的种类的第3判定的结果,针对所述第1判定和所述第2判定中的至少一方而选择所述种类。
4.根据权利要求1至3中的任意一项所述的带电粒子束装置,其中,
所述计算机根据基于所述第1判定的结果和所述第2判定的结果中的至少一方而选择的第4判定的结果、以及包括通过所述带电粒子束的照射而取得的图像在内的信息,进行所述位置的控制。
CN202011007799.9A 2019-09-25 2020-09-23 带电粒子束装置 Pending CN112563101A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2019-173889 2019-09-25
JP2019173889 2019-09-25
JP2020047470A JP7391735B2 (ja) 2019-09-25 2020-03-18 荷電粒子ビーム装置
JP2020-047470 2020-03-18

Publications (1)

Publication Number Publication Date
CN112563101A true CN112563101A (zh) 2021-03-26

Family

ID=74846691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011007799.9A Pending CN112563101A (zh) 2019-09-25 2020-09-23 带电粒子束装置

Country Status (2)

Country Link
CN (1) CN112563101A (zh)
DE (1) DE102020212010A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105910855A (zh) * 2015-02-19 2016-08-31 日本株式会社日立高新技术科学 带电粒子束装置
CN108231512A (zh) * 2016-12-22 2018-06-29 日本株式会社日立高新技术科学 带电粒子束装置和控制方法
CN108335962A (zh) * 2017-01-19 2018-07-27 日本株式会社日立高新技术科学 带电粒子束装置
CN108335961A (zh) * 2017-01-19 2018-07-27 日本株式会社日立高新技术科学 带电粒子束装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105910855A (zh) * 2015-02-19 2016-08-31 日本株式会社日立高新技术科学 带电粒子束装置
CN108231512A (zh) * 2016-12-22 2018-06-29 日本株式会社日立高新技术科学 带电粒子束装置和控制方法
CN108335962A (zh) * 2017-01-19 2018-07-27 日本株式会社日立高新技术科学 带电粒子束装置
CN108335961A (zh) * 2017-01-19 2018-07-27 日本株式会社日立高新技术科学 带电粒子束装置

Also Published As

Publication number Publication date
DE102020212010A1 (de) 2021-03-25

Similar Documents

Publication Publication Date Title
JP7391735B2 (ja) 荷電粒子ビーム装置
TWI776163B (zh) 得到積體半導體樣本之立體影像之方法、電腦程式產品、及半導體檢測裝置
JP6051301B2 (ja) 重ね合わせ計測装置、重ね合わせ計測方法、及び重ね合わせ計測システム
KR101764658B1 (ko) 결함 해석 지원 장치, 결함 해석 지원 장치에 의해 실행되는 프로그램 및 결함 해석 시스템
CN108335962A (zh) 带电粒子束装置
TWI808133B (zh) 帶電粒子束裝置
TW201403488A (zh) 圖樣比對方法及裝置
US20100008563A1 (en) Section processing method and its apparatus
US8953894B2 (en) Pattern matching method and image processing device
CN105388048B (zh) 自动试样片制作装置
CN112563103A (zh) 带电粒子束装置
JP6105530B2 (ja) 自動試料片作製装置
JP5371928B2 (ja) 欠陥検査方法及びその装置
CN112563101A (zh) 带电粒子束装置
JP7413105B2 (ja) 荷電粒子ビーム装置
KR102479413B1 (ko) 화상 조정 방법 및 하전 입자 빔 시스템
CN115020174A (zh) 带电粒子束扫描成像设备实际像素尺寸的测量和监控方法
US11417499B2 (en) Imaging device capturing images of a sample including a plurality of sections
JP2000251824A (ja) 電子ビーム装置及びそのステージ移動位置合せ方法
JP5547942B2 (ja) 欠陥観察方法及びその装置
US20240055220A1 (en) Charged Particle Beam Device
WO2024157440A1 (ja) 荷電粒子ビーム装置
JP2023098300A (ja) 位置検出装置、位置決め装置、溶接装置、位置検出プログラムおよび位置検出方法
JP6629502B2 (ja) 自動試料片作製装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination