CN113242956A - 图像匹配方法以及用于执行图像匹配处理的运算系统 - Google Patents

图像匹配方法以及用于执行图像匹配处理的运算系统 Download PDF

Info

Publication number
CN113242956A
CN113242956A CN201980082059.0A CN201980082059A CN113242956A CN 113242956 A CN113242956 A CN 113242956A CN 201980082059 A CN201980082059 A CN 201980082059A CN 113242956 A CN113242956 A CN 113242956A
Authority
CN
China
Prior art keywords
cad
image
pattern
model
patterns
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
CN201980082059.0A
Other languages
English (en)
Inventor
森泰平
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.)
Tasmit Inc
Original Assignee
Tasmit Inc
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
Application filed by Tasmit Inc filed Critical Tasmit Inc
Publication of CN113242956A publication Critical patent/CN113242956A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Abstract

本发明涉及用于进行设计数据上的图案与图像上的图案的对位的图像匹配处理，特别涉及使用通过机器学习构建的模型的图像匹配处理。本方法将设计数据上的指定的CAD图案转换为CAD图像(301)，将CAD图像(301)输入到通过机器学习构建的模型中，按照由模型定义的算法执行计算，由此从模型输出疑似图像(321)，从由图像生成装置(100)生成的图像上的多个图案中，确定具有与疑似图像(321)上的CAD图案(322)的形状最接近的形状的图案。

Description

图像匹配方法以及用于执行图像匹配处理的运算系统
技术领域
本发明涉及一种用于将设计数据上的图案与图像上的图案进行对位的图像匹配处理，特别涉及使用通过机器学习构建的模型的图像匹配处理。
背景技术
已知有使用裸片数据库(Die to Database)技术的半导体设备的图案检查方法(例如专利文献1)。代表性的图案检查方法是用扫描电子显微镜生成晶圆上的图案的图像，比较设计数据(也称为CAD数据)上的CAD图案和图像上的图案，来检测晶圆上的图案的缺陷。作为这样的图案检查方法的前处理，进行使设计数据上的CAD图案与图像上的图案对位的匹配处理。
图13是表示匹配处理的一例的示意图。匹配处理执行如下算法：将设计数据上的CAD图案501与图像上的某个区域内的多个图案505-1～505-N的一个一个进行比较，确定与CAD图案501的形状最接近的图案505-n。
现有技术文献
专利文献
专利文献1：日本专利特开2011-17705号公报
发明内容
发明要解决的问题
然而，上述匹配处理需要将CAD图案501与图像上的多个图案505-1～505-N进行比较，因此处理时间变长。而且，与CAD图案501对应的图像上的图案505-n会在晶圆上形成图案的阶段和/或对晶圆上的图案进行拍摄的阶段中变形。因此，如图14所示，CAD图案501和图案505-n有时在形状上存在很大的差异。结果，匹配处理有时会失败。
因此，本发明提供一种能够正确地进行设计数据上的CAD图案与图像上的对应的图案的匹配处理的方法及装置。
解决问题的技术手段
在一个方式中，提供一种方法，将设计数据上的指定的CAD图案转换为CAD图像，将所述CAD图像输入到通过机器学习构建的模型中，按照由所述模型定义的算法执行计算，由此从所述模型输出疑似图像，从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案。
在一个方式中，所述模型是使用训练数据通过机器学习而构建的模型，所述训练数据至少包含从设计数据上的多个CAD图案转换而成的多个CAD图像、和与所述多个CAD图像对应的由图像生成装置生成的多个图像。
在一个方式中，所述训练数据还包括训练用附加信息数据，所述训练用附加信息数据包括所述多个CAD图案的位置信息、从位于所述多个CAD图案的周边的多个CAD图案转换而成的多个周边图像、以及从位于所述多个CAD图案之上或之下的多个CAD图案转换而成的多个图层图像中的至少一个。
在一个方式中，除了所述CAD图像之外，还向所述模型输入附加信息数据，所述附加信息数据包含所述指定的CAD图案的位置信息、从位于所述指定的CAD图案的周边的CAD图案转换而成的周边图像、以及从位于所述指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。
在一个方式中，所述方法还包括以下工序：执行机器学习来调整所述模型的参数，使得从所述模型输出的疑似图像上的CAD图案与由所述图像生成装置生成的图像上的对应的图案在规定的允许范围内一致。
在一个方式中，提供了一种用于执行图像匹配处理的运算系统，该运算系统包括：存储装置，其存储有通过机器学习构建的模型和程序；以及处理装置，其按照所述程序执行运算，所述运算系统将设计数据上的指定CAD图案转换为CAD图像，将所述CAD图像输入到所述模型中，按照由所述模型定义的算法执行计算，从而从所述模型输出疑似图像，从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案。
在一个方式中，所述模型是使用训练数据通过机器学习而构建的模型，所述训练数据至少包含从设计数据上的多个CAD图案转换而成的多个CAD图像、和与所述多个CAD图像对应的由图像生成装置生成的多个图像。
在一个方式中，所述训练数据还包括训练用附加信息数据，所述训练用附加信息数据包括所述多个CAD图案的位置信息、从位于所述多个CAD图案的周边的多个CAD图案转换而成的多个周边图像、以及从位于所述多个CAD图案之上或之下的多个CAD图案转换而成的多个图层图像中的至少一个。
在一个方式中，除了所述CAD图像之外，还向所述模型输入附加信息数据，所述附加信息数据包含所述指定的CAD图案的位置信息、从位于所述指定的CAD图案的周边的CAD图案转换而成的周边图像、以及从位于所述指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。
在一个方式中，运算系统以执行机器学习来调整模型的参数的方式动作，使得从所述模型输出的疑似图像上的CAD图案与由所述图像生成装置生成的图像上的对应图案在规定的允许范围内一致。
在一个方式中，提供了一种用于执行图像匹配处理的运算系统，该运算系统包括：存储装置，其存储有通过机器学习构建的模型和程序；以及处理装置，其按照所述程序执行运算，所述程序包括使所述运算系统执行以下步骤的指令：将设计数据上的指定CAD图案转换为CAD图像的步骤；将所述CAD图像输入到所述模型的步骤；按照由所述模型定义的算法执行计算，从而从所述模型输出疑似图像的步骤；以及从由所述图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案的步骤。
发明的效果
根据本发明，通过深度学习等机器学习构建的模型能够根据设计数据上的CAD图案准确地预测实际图案。即，能够预想在从模型输出的疑似图像上出现的CAD图案具有与实际的图案接近的形状。因此，运算系统能够正确地进行疑似图像上的CAD图案和由图像生成装置生成的图像上的图案的对位(即图像匹配处理)。
附图说明
图1是表示摄像装置的一实施方式的示意图。
图2是说明通过机器学习构建模型的一实施方式的流程图。
图3是表示从CAD图案转换而成的CAD图像的一例的示意图。
图4是表示利用扫描电子显微镜生成的SEM图像的一例的示意图。
图5是表示机器学习所使用的模型的一例的示意图。
图6是说明使用通过机器学习构建的模型，进行CAD图案和SEM图像上的图案的对位(图像匹配处理)的方法的一实施方式的流程图。
图7是表示CAD图像、SEM图像以及疑似图像的例子的示意图。
图8是说明通过机器学习构建模型的另一实施方式的流程图。
图9是说明通过机器学习构建模型的另一实施方式的流程图。
图10是表示周边图像的一例的示意图。
图11是表示从与指定的CAD图案重叠的上下层的CAD图案转换而成的图层图像的一例的示意图。
图12是表示使用按照图9所示的流程图创建的模型，进行CAD图案和SEM图像上的图案的对位(图像匹配处理)的方法的一实施方式的流程图。
图13是表示匹配处理的一例的示意图。
图14是表示CAD图案和图像上的对应的图案的示意图。
具体实施方式
以下，参照附图对本发明的实施方式进行说明。
图1是表示摄像装置的一实施方式的示意图。如图1所示，摄像装置具备扫描电子显微镜50和运算系统150。扫描电子显微镜50是图像生成装置的一例。扫描电子显微镜50与运算系统150连接，扫描电子显微镜50的动作由运算系统150控制。
运算系统150具有存储数据库161和程序的存储装置162、以及按照程序执行运算的处理装置163。处理装置163包括按照存储在存储装置162中的程序进行运算的CPU(中央处理装置)或GPU(图形处理单元)等。存储装置162包括处理装置163能够访问的主存储装置(例如随机存取存储器)和存储数据和程序的辅助存储装置(例如硬盘驱动器或固态驱动器)。
运算系统150包括至少一台计算机。例如，运算系统150可以是通过通信线路连接到扫描电子显微镜50的边缘服务器、通过因特网等网络连接到扫描电子显微镜50的云服务器、或者设置在连接到扫描电子显微镜50的网络内的雾计算设备(网关、雾服务器、路由器等)。运算系统150也可以是多个服务器的组合。例如，运算系统150也可以是通过因特网等网络相互连接的边缘服务器和云服务器的组合。
扫描电子显微镜50具有发出由一次电子(带电粒子)构成的电子束的电子枪111、使从电子枪111发射的电子束聚焦的聚焦透镜112、使电子束向X方向偏转的X偏转器113、使电子束向Y方向偏转的Y偏转器114、和使电子束聚焦在作为试样的晶圆124上的物镜115。
聚焦透镜112和物镜115与透镜控制装置116连接，聚焦透镜112和物镜115的动作由透镜控制装置116控制。该透镜控制装置116与运算系统150连接。X偏转器113、Y偏转器114与偏转控制装置117连接，X偏转器113、Y偏转器114的偏转动作由偏转控制装置117控制。该偏转控制装置117也同样与运算系统150连接。二次电子检测器130和反射电子检测器131与图像获取装置118连接。图像获取装置118构成为将二次电子检测器130和反射电子检测器131的输出信号转换为图像。该图像获取装置118也同样与运算系统150连接。
配置在试样室120内的试样台121与台控制装置122连接，试样台121的位置由台控制装置122控制。该台控制装置122与运算系统150连接。用于将晶圆124载置在试样室120内的试样台121上的晶圆输送装置140也同样与运算系统150连接。
从电子枪111发射的电子束由聚焦透镜112聚焦后，由X偏转器113和Y偏转器114偏转，并由物镜115聚焦，从而照射到晶圆124的表面上。当电子束的一次电子照射晶圆124时，从晶圆124发射二次电子和反射电子。二次电子由二次电子检测器130检测，反射电子由反射电子检测器131检测。检测出的二次电子的信号和反射电子的信号被输入到图像获取装置118并被转换为图像。图像被发送到运算系统150。
晶圆124的设计数据预先存储在存储装置162中。晶圆124的设计数据包括在晶圆124上形成的图案的顶点的坐标、图案的位置、形状和大小、图案所属的层的编号等图案的设计信息。在存储装置162中构建有数据库161。晶圆124的设计数据预先存储在数据库161中。运算系统150能够从存储在存储装置162中的数据库161读入晶圆124的设计数据。
接着，对设计数据上的CAD图案与由扫描电子显微镜50生成的晶圆的图像上的图案的匹配处理进行说明。在以下的说明中，将由作为图像生成装置的扫描电子显微镜50生成的实际图像称为SEM图像。晶圆的图案根据设计数据(也称为CAD数据)形成。CAD是计算机辅助设计(computer-aided design)的缩写。匹配处理分为通过机器学习构建模型的工序和执行使用模型生成的疑似图像上的CAD图案与SEM图像上的图案的对位(即图像匹配处理)的工序。
模型的构建和图像匹配处理由运算系统150执行。运算系统150包括至少一个专用或通用计算机。在运算系统150具备包括第一计算机和第二计算机的多个计算机的情况下，第一计算机执行构建上述模型的工序，第二计算机使用上述模型执行疑似图像上的CAD图案和SEM图像上的图案的对位。由第一计算机创建的模型可以临时存储在USB闪存驱动器(也称为USB存储器)等半导体存储器中，然后从半导体存储器读取到第二计算机中。或者，由第一计算机创建的模型可以通过因特网或局域网等通信网络被发送到第二计算机。
图2是说明通过机器学习构建模型的一个实施方式的流程图。
在步骤1-1中，运算系统150指定设计数据上的CAD图案。设计数据是包括在晶圆上形成的图案的设计信息的数据，具体而言包括图案的顶点的坐标、图案的位置、形状和大小、图案所属的层的编号等图案的设计信息。设计数据上的CAD图案是由包含在设计数据中的图案的设计信息定义的虚拟图案。该步骤1-1是从设计数据中包含的多个CAD图案中确定某CAD图案的工序。在该步骤1-1中，可以指定多个CAD图案。
在步骤1-2中，运算系统150将指定的CAD图案转换为CAD图像。更具体地说，运算系统150根据包含在设计数据中的CAD图案的设计信息(例如，CAD图案的顶点坐标)，描绘如图3所示的CAD图案100，生成具有某面积的CAD图像101。运算系统150将生成的CAD图像101存储在运算系统150的存储装置162内。
在步骤1-3中，作为图像生成装置的扫描电子显微镜50根据在步骤1-1中指定的CAD图案，生成实际形成的晶圆上的图案的SEM图像。图4是表示由扫描电子显微镜50生成的SEM图像的一例的示意图。在图4中，符号104表示SEM图像，符号105表示出现在SEM图像104上的图案。图案105对应于上述指定的CAD图案，即，CAD图像101上的CAD图案100。运算系统150从扫描电子显微镜50获取SEM图像104，并将SEM图像104存储在存储装置162中。
在步骤1-4中，运算系统150生成包含在上述步骤1-2中生成的CAD图像和在上述步骤1-3中生成的SEM图像的训练数据。
在步骤1-5中，运算系统150使用包含CAD图像和SEM图像的训练数据，通过机器学习来决定模型的参数(加权因数等)。在机器学习中，训练数据中包含的CAD图像被用作说明变量，训练数据中包含的SEM图像被用作目的变量。
运算系统150和扫描电子显微镜50重复从上述步骤1-1到步骤1-5的工序预先设定的次数，并且通过机器学习来构建模型。即，使用从设计数据上的多个CAD图案转换而成的多个CAD图像和包含与这些CAD图像对应的多个SEM图像的训练数据，通过机器学习来构建模型。这样通过机器学习构建的模型也称为已学习模型。运算系统150将模型存储在存储装置162中。在重复步骤1-1至1-5的期间，可以使用相同的设计数据，或者可以使用多个设计数据。
图5是表示机器学习所使用的模型的一例的示意图。模型是具有输入层201、多个中间层(也称为隐藏层)202和输出层203的神经网络。CAD图像被输入到模型的输入层201。更具体地说，构成CAD图像的各像素的数值输入到输入层201。在一例中，在CAD图像是灰度图像的情况下，表示各像素的灰度级的数值被输入到模型的输入层201的各节点(神经元)。输出层203输出与构成输入到输入层201的CAD图像的像素分别对应的像素的数值。
作为机器学习的算法，深度学习是合适的。深度学习是基于具有多层中间层的神经网络的学习方法。在本说明书中，将使用由输入层、多个中间层(隐藏层)和输出层构成的神经网络的机器学习称为深度学习。使用深度学习构建的模型可以准确地预测可能由于各种因素而变形的图案的形状。
接着，参照图6所示的流程图说明使用由通过机器学习构建的神经网络构成的上述模型，进行CAD图案和SEM图像上的图案的对位(即图像匹配处理)的方法的一实施方式。
在步骤2-1中，运算系统150指定设计数据上的CAD图案。
在步骤2-2中，扫描电子显微镜50根据在步骤2-1中使用的设计数据，生成实际形成的晶圆上的图案的SEM图像(实际图像)。运算系统150从扫描电子显微镜50获取SEM图像，并将SEM图像存储在存储装置162中。
在步骤2-3中，运算系统150将在步骤2-1中指定的CAD图案转换为CAD图像。运算系统150将CAD图像存储在存储装置162中。
在步骤2-4中，运算系统150将在步骤2-3中获得的CAD图像输入到上述模型中。
在步骤2-5中，运算系统150按照由模型定义的算法执行计算，以从模型输出疑似图像。
在步骤2-6中，运算系统150从在步骤2-2中生成的SEM图像上的多个图案中，确定具有与疑似图像上的CAD图案的形状最接近的形状的图案。在判断SEM图像上的图案与疑似图像上的CAD图案之间的相似性时，可以使用相位限定相关法等公知的技术。
图7是表示CAD图像、SEM图像以及疑似图像的例子的示意图。由于CAD图像301上的CAD图案302是基于包含在设计数据中的CAD图案的各顶点的坐标而生成的，因此CAD图案302由直线线段构成。与此相对，SEM图像311上的实际的图案312由于制造工序上和/或拍摄工序上的理由，与CAD图案302相比发生变形。从模型输出的疑似图像321上的CAD图案322具有与SEM图像311上的实际图案312接近的形状。
根据本实施例，通过深度学习等机器学习构建的模型能够根据设计数据上的CAD图案准确地预测实际图案。即，能够预想在从模型输出的疑似图像上出现的CAD图案具有与实际的图案接近的形状。因此，运算系统150能够正确地进行疑似图像上的CAD图案和由图像生成装置生成的图像上的图案的对位(即图像匹配处理)。
运算系统150和扫描电子显微镜50按照存储装置162中存储的程序中包含的指令，执行上述步骤2-1～2-6。程序首先被记录在作为非临时有形物体的计算机可读记录介质中，然后通过记录介质被提供给运算系统150。或者，可以经由因特网或局域网等通信网络将程序提供给运算系统150。
在一实施方式中，运算系统150可使用疑似图像上的CAD图案与SEM图像上的图案之间的图案匹配结果来调整模型的参数(加权因数等)，以使模型能够输出具有更适合匹配的趋势的疑似图像。以下，参照图8对该实施方式进行说明。
运算系统150将从设计数据上的CAD图案转换而成的CAD图像301输入到模型中。接着，运算系统150执行从模型输出的疑似图像321上的CAD图案322和模型的构建所使用的训练数据中包含的SEM图像(实际图像)311上的图案312的图案匹配。用于该图案匹配的SEM图像311对应于输入到模型的CAD图像301。根据判定疑似图像321上的CAD图案322是否与SEM图像311上的图案312一致的已知算法来执行图案匹配。
运算系统150输出图案匹配的结果。即，如果从模型输出的疑似图像321上的CAD图案322与SEM图像311上的图案312在规定的允许范围内一致，则运算系统150输出表示图案匹配成功的第1数值(例如1)。另一方面，如果从模型输出的疑似图像321上的CAD图案322与SEM图像311上的图案312在规定的允许范围内不一致，则运算系统150输出表示图案匹配失败的第2数值(例如0)。
运算系统150在输出了第2数值的情况下，执行机器学习来调整模型的参数，以输出第1数值作为图案匹配的结果，并执行图案匹配。即，运算系统150执行机器学习来调整模型的参数，以使从模型输出的疑似图像321上的CAD图案322与SEM图像311上的图案312在规定的允许范围内一致。通过这样的动作，模型能够输出具有更适合匹配的趋势的疑似图像321。
图9是说明通过机器学习构建由神经网络构成的模型的另一实施方式的流程图。本实施方式的步骤3-1～3-3与图2所示的步骤1-1～1-3相同，因此省略其重复说明。
在本实施方式中，为了使疑似图像上的CAD图案的形状更接近晶圆上的实际的图案的形状，用于模型的构建的训练数据还包含训练用附加信息数据。
即，在步骤3-4中，运算系统150生成训练用附加信息数据，该训练用附加信息数据包括在步骤3-1中指定的CAD图案的位置信息、从位于在步骤3-1中指定的CAD图案的周边的CAD图案转换而成的周边图像、从位于在步骤3-1中指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。在一实施方式中，图层图像可以是从位于指定CAD图案之上和之下的CAD图案转换而成的图层图像。
CAD图案的位置信息包含在设计数据中。因此，运算系统150可以从设计数据获得指定的CAD图案的位置信息。周边图像由运算系统150生成。更具体地说，运算系统150根据在指定的CAD图案的周围存在的CAD图案的设计信息，描绘这些CAD图案，生成具有某面积的周边图像。
图10是表示周边图像的一例的示意图。在图10中，符号401表示在步骤3-1中指定的CAD图案，符号403表示在步骤3-2中生成的CAD图像，符号405表示存在于CAD图像403周围的CAD图案，符号406表示从CAD图案405转换而成的周边图像。
图层图像也由运算系统150生成。更具体地说，运算系统150根据存在于指定的CAD图案之上和/或之下的CAD图案的设计信息，描绘这些CAD图案，生成具有某面积的图层图像。
图11是表示从存在于所指定的CAD图案之上及之下的CAD图案转换而成的图层图像的一例的示意图。在图11中，符号501表示在步骤3-1中指定的CAD图案，符号503表示在步骤3-2中生成的CAD图像，符号505、506表示存在于与指定的CAD图案重叠的上下层内的CAD图案，符号508、509表示从上下层的CAD图案505、506转换而成的图层图像。
返回图9，在步骤3-5中，运算系统150生成包含在上述步骤3-2中生成的CAD图像、在上述步骤3-3中生成的SEM图像、在上述步骤3-4中生成的训练用附加信息数据的训练数据。
在步骤3-6中，运算系统150使用上述训练数据，通过机器学习来决定由神经网络构成的模型的参数(加权因数等)。本实施方式中使用的模型的结构与图5所示的模型基本相同，但不同之处在于，模型的输入层还具有输入训练用附加信息数据的节点(神经元)。
运算系统150和扫描电子显微镜50重复从步骤3-1到步骤3-6的处理预先设定的次数，并且通过机器学习来构建模型。即，使用从设计数据上的多个CAD图案转换而成的多个CAD图像、与这些CAD图像对应的多个SEM图像、和包含训练用附加信息数据的训练数据，通过机器学习来构建模型。训练附加信息数据包括通过重复步骤3-1获得的多个CAD图案的位置信息、从位于所述多个CAD图案的周边的多个CAD图案转换而成的多个周边图像、以及从位于所述多个CAD图案之上或之下的多个CAD图案转换而成的多个图层图像中的至少一个。在一实施方式中，多个图层图像可以是从位于所述多个CAD图案之上和之下的CAD图案转换而成的多个图层图像。
图12是表示使用按照图9所示的流程图生成的模型，进行CAD图案和SEM图像上的图案的对位(即图像匹配处理)的方法的一实施方式的流程图。
在步骤4-1中，运算系统150指定设计数据上的CAD图案。
在步骤4-2中，扫描电子显微镜50根据在步骤4-1中使用的设计数据，生成实际形成的晶圆上的图案的SEM图像(实际图像)。运算系统150从扫描电子显微镜50获取SEM图像，并将SEM图像存储在存储装置162中。
在步骤4-3中，运算系统150将在步骤4-1中指定的CAD图案转换为CAD图像。运算系统150将CAD图像存储在存储装置162中。
在步骤4-4中，运算系统150生成与在步骤4-1中指定的CAD图案相关联的附加信息数据。该附加信息数据包括在步骤4-1中指定的CAD图案的位置信息、从位于所述指定的CAD图案的周边的CAD图案转换而成的周边图像、以及从位于所述指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。在一实施方式中，图层图像可以是从位于指定CAD图案之上和之下的CAD图案转换而成的图层图像。
CAD图案的位置信息包含在设计数据中。因此，运算系统150可以从设计数据获得指定的CAD图案的位置信息。周边图像由运算系统150生成。更具体地说，运算系统150根据在指定的CAD图案的周围存在的CAD图案的设计信息(例如，CAD图案的顶点的坐标)，描绘这些CAD图案，生成具有某面积的周边图像。图层图像也由运算系统150生成。更具体而言，运算系统150基于存在于所指定的CAD图案之上和/或之下的CAD图案的设计信息(例如，CAD图案的顶点的坐标)，描绘这些CAD图案，生成具有某面积的图层图像。
包含在训练用附加信息数据中的周边图像和图层图像的上述说明、以及图10和图11也能够应用于包含在附加信息数据中的周边图像和图层图像，所以省略它们的图示。
在步骤4-5中，运算系统150将在步骤4-3中获得的CAD图像和在步骤4-4中生成的附加信息数据输入到上述模型中。
在步骤4-6中，运算系统150通过按照由模型定义的算法执行计算，以从模型输出疑似图像。
在步骤4-7中，运算系统150从在步骤4-2中生成的SEM图像上的多个图案中，确定具有与疑似图像上的CAD图案的形状最接近的形状的图案。
出现在SEM图像上的图案的变形趋势可以根据图案的位置、存在于图案周边的其它图案以及存在于图案之上和/或之下的其它图案等因素而变化。即，这些因素可能影响SEM图像上的图案的形状。根据本实施方式，使用训练用附加信息数据构建模型，并且将附加信息数据输入到模型，因此模型能够预测更接近CAD图案的形状的图案。因此，运算系统150能够更正确地进行疑似图像上的CAD图案与由扫描电子显微镜50生成的图像上的图案的对位(即图像匹配处理)。
参照图8说明的实施方式也能够应用于图9至图12所示的实施方式。
上述的实施方式是以具有本发明所属技术领域的普通知识的人能够实施本发明为目的而记载的。上述实施方式的各种变形例，只要是本领域技术人员当然就能够实现，本发明的技术思想也能够应用于其他实施方式。因此，本发明不限于所记载的实施方式，可以解释为按照由技术方案限定的技术思想的最宽的范围。
产业上的可利用性
本发明涉及用于进行设计数据上的图案和图像上的图案的对位的图像匹配处理，尤其能够用于使用了通过机器学习而构建的模型的图像匹配处理。
符号说明
100扫描电子显微镜
111电子枪
112聚焦透镜
113X偏转器
114Y偏转器
115物镜
116透镜控制装置
117偏转控制装置
118图像获取装置
120试样室
121试样台
122台控制装置
124晶圆
130二次电子检测器
131反射电子检测器
140晶圆输送装置
150运算系统
161数据库
162存储装置
163处理装置。
权利要求书(按照条约第19条的修改)
1.一种方法，其特征在于，
将设计数据上的指定的CAD图案转换为CAD图像，
将所述CAD图像输入到通过机器学习构建的模型中，
按照由所述模型定义的算法执行计算，由此从所述模型输出疑似图像，
从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案，
执行机器学习来调整所述模型的参数，以使得从所述模型输出的疑似图像上的CAD图案与由所述图像生成装置生成的图像上的对应的图案在规定的允许范围内一致。
2.一种方法，其特征在于，
将设计数据上的指定的CAD图案转换为CAD图像，
将所述CAD图像输入到通过机器学习构建的模型中，
按照由所述模型定义的算法执行计算，由此从所述模型输出疑似图像，
从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案，
所述模型是使用训练数据通过机器学习而构建的模型，所述训练数据至少包括从设计数据上的多个CAD图案转换而成的多个CAD图像和与所述多个CAD图像对应的由图像生成装置生成的多个图像，
所述训练数据还包括训练用附加信息数据，
所述训练附加信息数据包括所述多个CAD图案的位置信息、从位于所述多个CAD图案的周边的多个CAD图案转换而成的多个周边图像、以及从位于所述多个CAD图案之上或之下的多个CAD图案转换而成的多个图层图像中的至少一个。
3.根据权利要求2所述的方法，其特征在于，
除了所述CAD图像之外，还向所述模型输入附加信息数据，
所述附加信息数据包括所述指定的CAD图案的位置信息、从位于所述指定的CAD图案的周边的CAD图案转换而成的周边图像、以及从位于所述指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。
4.一种用于执行图像匹配处理的运算系统，其特征在于，包括：
存储装置，其存储有通过机器学习构建的模型和程序；以及
处理装置，其按照所述程序执行运算，
所述运算系统中，
将设计数据上的指定的CAD图案转换为CAD图像，
将所述CAD图像输入到所述模型中，
按照由所述模型定义的算法执行计算，由此从所述模型输出疑似图像，
从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案，
执行机器学习来调整所述模型的参数，以使得从所述模型输出的疑似图像上的CAD图案与由所述图像生成装置生成的图像上的对应的图案在规定的允许范围内一致。
5.一种用于执行图像匹配处理的运算系统，其特征在于，包括：
存储装置，其存储有通过机器学习构建的模型和程序；以及
处理装置，其按照所述程序执行运算，
所述运算系统中，
将设计数据上的指定的CAD图案转换为CAD图像，
将所述CAD图像输入到所述模型中，
按照由所述模型定义的算法执行计算，由此从所述模型输出疑似图像，
从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案，
所述模型是使用训练数据通过机器学习而构建的模型，所述训练数据至少包括从设计数据上的多个CAD图案转换而成的多个CAD图像和与所述多个CAD图像相对应的由图像生成装置生成的多个图像，
所述训练数据还包括训练用附加信息数据，
所述训练用附加信息数据包括所述多个CAD图案的位置信息、从位于所述多个CAD图案的周边的多个CAD图案转换而成的多个周边图像、以及从位于所述多个CAD图案之上或之下的多个CAD图案转换而成的多个图层图像中的至少一个。
6.根据权利要求5所述的运算系统，其特征在于，
除了所述CAD图像以外，所述运算系统还向所述模型输入附加信息数据，
所述附加信息数据包含所述指定的CAD图案的位置信息、从位于所述指定的CAD图案的周边的CAD图案转换而成的周边图像、以及从位于所述指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。

Claims (10)

1.一种方法，其特征在于，
将设计数据上的指定的CAD图案转换为CAD图像，
将所述CAD图像输入到通过机器学习构建的模型中，
按照由所述模型定义的算法执行计算，由此从所述模型输出疑似图像，
从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案。
2.根据权利要求1所述的方法，其特征在于，
所述模型是使用训练数据通过机器学习而构建的模型，所述训练数据至少包括从设计数据上的多个CAD图案转换而成的多个CAD图像和与所述多个CAD图像对应的由图像生成装置生成的多个图像。
3.根据权利要求2所述的方法，其特征在于，
所述训练数据还包括训练用附加信息数据，
所述训练附加信息数据包括所述多个CAD图案的位置信息、从位于所述多个CAD图案的周边的多个CAD图案转换而成的多个周边图像、以及从位于所述多个CAD图案之上或之下的多个CAD图案转换而成的多个图层图像中的至少一个。
4.根据权利要求3所述的方法，其特征在于，
除了所述CAD图像之外，还向所述模型输入附加信息数据，
所述附加信息数据包括所述指定的CAD图案的位置信息、从位于所述指定的CAD图案的周边的CAD图案转换而成的周边图像、以及从位于所述指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。
5.根据权利要求1至4中任一项所述的方法，其特征在于，
还包括以下工序：执行机器学习来调整所述模型的参数，以使得从所述模型输出的疑似图像上的CAD图案与由所述图像生成装置生成的图像上的对应的图案在规定的允许范围内一致。
6.一种用于执行图像匹配处理的运算系统，其特征在于，包括：
存储装置，其存储有通过机器学习构建的模型、和程序；以及
处理装置，其按照所述程序执行运算，
所述运算系统以如下方式进行动作，
将设计数据上的指定的CAD图案转换为CAD图像，
将所述CAD图像输入到所述模型中，
按照由所述模型定义的算法执行计算，由此从所述模型输出疑似图像，
从由图像生成装置生成的图像上的多个图案中，确定具有与所述疑似图像上的CAD图案的形状最接近的形状的图案。
7.根据权利要求6所述的运算系统，其特征在于，
所述模型是使用训练数据通过机器学习而构建的模型，所述训练数据至少包括从设计数据上的多个CAD图案转换而成的多个CAD图像和与所述多个CAD图像相对应的由图像生成装置生成的多个图像。
8.根据权利要求7所述的运算系统，其特征在于，
所述训练数据还包括训练用附加信息数据，
所述训练用附加信息数据包括所述多个CAD图案的位置信息、从位于所述多个CAD图案的周边的多个CAD图案转换而成的多个周边图像、以及从位于所述多个CAD图案之上或之下的多个CAD图案转换而成的多个图层图像中的至少一个。
9.根据权利要求8所述的运算系统，其特征在于，
除了所述CAD图像以外，所述运算系统还向所述模型输入附加信息数据，
所述附加信息数据包含所述指定的CAD图案的位置信息、从位于所述指定的CAD图案的周边的CAD图案转换而成的周边图像、以及从位于所述指定的CAD图案之上或之下的CAD图案转换而成的图层图像中的至少一个。
10.根据权利要求6至9中任一项所述的运算系统，其特征在于，
所述运算系统以执行机器学习来调整所述模型的参数的方式动作，以使得从所述模型输出的疑似图像上的CAD图案与由所述图像生成装置生成的图像上的对应的图案在规定的允许范围内一致。
CN201980082059.0A 2018-12-11 2019-11-18 图像匹配方法以及用于执行图像匹配处理的运算系统 Pending CN113242956A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018231749 2018-12-11
JP2018-231749 2018-12-11
PCT/JP2019/045087 WO2020121739A1 (ja) 2018-12-11 2019-11-18 画像マッチング方法、および画像マッチング処理を実行するための演算システム

Publications (1)

Publication Number Publication Date
CN113242956A true CN113242956A (zh) 2021-08-10

Family

ID=71076893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980082059.0A Pending CN113242956A (zh) 2018-12-11 2019-11-18 图像匹配方法以及用于执行图像匹配处理的运算系统

Country Status (6)

Country Link
US (1) US20220012404A1 (zh)
JP (1) JPWO2020121739A1 (zh)
KR (1) KR20210101271A (zh)
CN (1) CN113242956A (zh)
TW (1) TW202100951A (zh)
WO (1) WO2020121739A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023127081A1 (ja) * 2021-12-28 2023-07-06 株式会社日立ハイテク 画像検査装置、画像処理方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6868175B1 (en) 1999-08-26 2005-03-15 Nanogeometry Research Pattern inspection apparatus, pattern inspection method, and recording medium
JP4193760B2 (ja) * 2004-06-29 2008-12-10 日本電気株式会社 画像パターン補正方法、及びそれを適用した模擬画像生成方法、並びにパターン外観検査方法
JP4769025B2 (ja) * 2005-06-15 2011-09-07 株式会社日立ハイテクノロジーズ 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置
US9495736B2 (en) * 2014-02-03 2016-11-15 Prosper Creative Co., Ltd. Image inspecting apparatus and image inspecting program
JP6594033B2 (ja) * 2015-05-14 2019-10-23 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム
CN108475351B (zh) * 2015-12-31 2022-10-04 科磊股份有限公司 用于训练基于机器学习的模型的系统和计算机实施方法
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning

Also Published As

Publication number Publication date
TW202100951A (zh) 2021-01-01
US20220012404A1 (en) 2022-01-13
WO2020121739A1 (ja) 2020-06-18
JPWO2020121739A1 (ja) 2021-11-04
KR20210101271A (ko) 2021-08-18

Similar Documents

Publication Publication Date Title
US10937146B2 (en) Image evaluation method and image evaluation device
US11436736B2 (en) Pattern edge detection method
JP4658756B2 (ja) 画像処理装置、画像処理方法および走査型電子顕微鏡
TW490591B (en) Pattern inspection apparatus, pattern inspection method, and recording medium
TWI697849B (zh) 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統
JP2019008599A (ja) 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法
WO2011099490A1 (ja) パターン検査方法、パターン検査プログラム、電子デバイス検査システム
KR20220162121A (ko) 반도체 시편의 검사
CN113242956A (zh) 图像匹配方法以及用于执行图像匹配处理的运算系统
KR20210135416A (ko) 시편의 검사를 위한 알고리즘 모듈들의 자동 선택
KR20220062328A (ko) 웨이퍼 검사 방법 및 시스템
JP2020154977A (ja) パターンマッチング方法
WO2020158261A1 (ja) 画像マッチング判定方法、画像マッチング判定装置、および画像マッチング判定方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体
US20230005157A1 (en) Pattern-edge detection method, pattern-edge detection apparatus, and storage medium storing program for causing a computer to perform pattern-edge detection
CN115516613A (zh) 图案缺陷检测方法
JP2021129043A (ja) 検査装置、検査方法、及びプログラム
JP7459007B2 (ja) 欠陥検査装置及び欠陥検査方法
JP7438311B2 (ja) 画像処理システムおよび画像処理方法
WO2020195710A1 (ja) 画像生成方法
CN115704783A (zh) 检测sem设备的测量误差的方法及对准sem设备的方法
JP2023544502A (ja) 可解釈な深層学習ベース欠陥検出及び分類
KR20240004240A (ko) 반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬
JP2022094474A (ja) 画像処理装置、画像処理方法、及びプログラム
JP2020123034A (ja) 画像マッチング支援方法、画像マッチング支援装置、および画像マッチング支援方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体
CN116188973A (zh) 认知生成机制裂缝检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210810

WD01 Invention patent application deemed withdrawn after publication