CN113994372A - 半导体检查装置及半导体检查方法 - Google Patents
半导体检查装置及半导体检查方法 Download PDFInfo
- Publication number
- CN113994372A CN113994372A CN202080041571.3A CN202080041571A CN113994372A CN 113994372 A CN113994372 A CN 113994372A CN 202080041571 A CN202080041571 A CN 202080041571A CN 113994372 A CN113994372 A CN 113994372A
- Authority
- CN
- China
- Prior art keywords
- image
- cad
- optical image
- optical
- semiconductor device
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- 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
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/32—Image data format
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明的观察系统(1)具备:检测器(3)、二维相机(5),它们检测来自半导体器件(S)的光并输出检测信号;光学装置(13),其将光导引至检测器(3)及二维相机(5);图像处理部(29),其基于检测信号,生成半导体器件(S)的第一光学图像,且受理第一CAD图像的输入;图像解析部(31),其将第一光学图像用作教学数据,通过机器学习来学习第一CAD图像的转换处理,通过基于该学习的结果的转换处理,而将第一CAD图像转换为与第一光学图像相似的第二CAD图像;及位置对准部,其基于第二光学图像与第二CAD图像进行位置对准。
Description
技术领域
本发明是关于一种检查半导体器件的半导体检查装置及半导体检查方法。
背景技术
自先前以来,将半导体器件作为检查对象器件(DUT:device under test,被测器件)并取得图像,基于该图像进行故障部位的分析等的各种分析(参照下述专利文献1及下述专利文献2)。例如,在下述专利文献1中曾公开,将LSM图像等的光学图像高分辨率化而生成重构图像,基于CAD数据的多个图层生成第二CAD图像,将重构图像相对于第二CAD图像进行对准。根据该方法,可进行光学图像的正确的对准。
现有技术文献
专利文献
专利文献1:美国专利2018/0293346号公报
专利文献2:国际公开2015/098342号公报
发明内容
发明想要解决的技术问题
近年来,应用各种工艺规则的半导体器件不断普及。在以应用各种工艺规则的半导体器件为对象,使用上述现有的方法进行检查的情况下,存在难以将光学图像相对于CAD图像高精度地进行位置对准的情况。
实施方式是鉴于上述的技术问题而完成的,技术问题在于提供一种可将以半导体器件为对象而取得的光学图像和与该半导体器件对应的CAD图像高精度地进行位置对准的半导体检查装置。
用于解决问题的技术手段
本发明的一个方式的半导体检查装置具备:光检测器,其检测来自半导体器件的光,并输出检测信号;光学系统,其将光导引至光检测器;图像生成部,其基于检测信号,生成半导体器件的光学图像即第一光学图像;受理部,其受理第一CAD图像的输入;图像转换部,其将光学图像用作教学数据,通过机器学习来学习第一CAD图像的转换处理,通过基于该学习的结果的转换处理,而将第一CAD图像转换为与光学图像相似的第二CAD图像;及位置对准部,其基于光学图像与第二CAD图像进行位置对准。
或者,本发明的另一方式的半导体检查方法具备:经由光学系统检测来自半导体器件的光并输出检测信号的步骤;基于检测信号,生成半导体器件的光学图像即第一光学图像的步骤;受理第一CAD图像的输入的步骤;将光学图像用作教学数据,通过机器学习来学习第一CAD图像的转换处理,通过基于该学习的结果的转换处理,而将第一CAD图像转换为与光学图像相似的第二CAD图像的步骤;及基于光学图像与第二CAD图像进行位置对准的步骤。
根据上述的一个方式或上述另一方式,取得反映来自半导体器件的光的光学图像及第一CAD图像,第一CAD图像通过基于机器学习的学习的结果的转换处理,而被转换为与光学图像相似的第二CAD图像,并将该第二CAD图像与光学图像进行位置对准。由此,在以应用各种工艺规则的半导体器件为检查对象的情况下,通过将CAD图像上的图案在以接近光学图像的方式进行转换后与光学图像进行位置对准,而可提高位置对准的精度。
本发明的另一方式的半导体检查装置具备:光检测器,其检测来自半导体器件的光,并输出检测信号;光学系统,其将光导引至光检测器;图像生成部,其基于检测信号,生成半导体器件的光学图像即第一光学图像;受理部,其受理第一CAD图像的输入;图像转换部,其将第一CAD图像用作教学数据,通过机器学习来学习第一光学图像的重构处理,通过基于该学习的结果的重构处理,而将第一光学图像重构为与第一CAD图像相似的第二光学图像;及位置对准部,其基于第二光学图像与第一CAD图像进行位置对准。
或者,本发明的另一方式的半导体检查方法具备:经由光学系统检测来自半导体器件的光并输出检测信号的步骤;基于检测信号,生成半导体器件的光学图像即第一光学图像的步骤;受理第一CAD图像的输入的步骤;将第一CAD图像用作教学数据,通过机器学习来学习第一光学图像的重构处理,通过基于该学习的结果的重构处理,而将第一光学图像重构为与第一CAD图像相似的第二光学图像的步骤;及基于第二光学图像与第一CAD图像进行位置对准的步骤。
根据上述的另一方式,取得反应来自半导体器件的光的光学图像及第一CAD图像,光学图像通过基于机器学习的学习的结果的重构处理,而被转换为与第一CAD图像相似的第二光学图像,并将该第二光学图像与第一CAD图像进行位置对准。由此,在以应用各种工艺规则的半导体器件为检查对象的情况下,通过将光学图像上的不鲜明的部分在以接近CAD图像的方式进行转换后与CAD图像进行位置对准,而可提高位置对准的精度。
发明的效果
根据实施方式,可将以半导体器件为对象而取得的光学图像和与该半导体器件对应的CAD图像高精度地进行位置对准。
附图说明
图1是实施方式的观察系统1的概略结构图。
图2中,(a)是显示重构处理的对象即第一光学图像的一例的图,(b)是显示通过(a)的第一光学图像为对象的重构处理而生成的第二光学图像一例的图,(c)是显示与(a)的第一光学图像对应的第一CAD图像的一例的图。
图3中,(a)是显示存储于图1的存储部27的第一光学图像的一例的图,(b)是显示存储于图1的存储部27的与(a)的第一光学图像对应的第一CAD图像的图。
图4是显示通过图1的图像解析部31,而通过以第一CAD图像GC1为对象的图案转换处理而生成的图像的影像的图。
图5是显示使用第一CAD图像GC1的由图像解析部31进行的图案转换处理的影像的图。
图6是显示生成由观察系统1执行的重构处理的学习模型的预先学习的处理的流程的流程图。
图7是显示生成由观察系统1执行的图案转换处理的学习模型的预先学习的处理的流程的流程图。
图8是显示由观察系统1执行的半导体器件S的解析处理的流程的流程图。
具体实施方式
以下,参照附图,针对本发明的实施方式详细地说明。此外,在说明中对同一要素或具有同一功能的要素使用同一符号,且重复的说明省略。
图1是显示实施方式的半导体检查装置即观察系统1的概略结构图。图1所示的观察系统1是为了检查逻辑LSI、内存等的IC(集成电路)、功率器件等的半导体器件,而取得并处理半导体器件的发热图等图像的光学系统。该观察系统1包含多个检测器3、二维相机5、照明装置7、内置双色镜9及半反射镜等的分束器11的光学装置(光学系统)13、物镜15、载台17、计算机(Personal Computer,个人计算机)19、测试器21、输入装置23、及显示装置25而构成。
多个检测器3中的各个是检测来自载置于载台17的半导体器件S的光的光检测器。例如,检测器3可为对红外波长具有敏感度的InGaAs(砷化镓铟)相机、InSb(锑化铟)相机等摄像装置。另外,检测器3可为通过一边将激光在半导体器件S上二维地进行扫描,一边检测反射光,而输出用于取得LSM(Laser Scanning Microscope,激光扫描显微镜)图像或EOFM(Electro Optical Frequency Mapping,光电频率映像)图像的检测信号的检测系统。多个检测器3中的各个对于光学装置13可切换地进行光学连接,经由物镜15及光学装置13内的双色镜9检测来自半导体器件S的光。
二维相机5是内置CCD(Charge Coupled Device,电荷耦合装置)影像传感器、CMOS(Complementary Metal-Oxide Semiconductor,互补式金属氧化物半导体)影像传感器等的相机,且是检测来自载置于载台17的半导体器件S的反射光,并输出半导体器件的二维图案像的检测信号的光检测器。该二维相机5经由物镜15、以及光学装置13内的双色镜9及分束器11检测半导体器件S的二维图案像。
物镜15与半导体器件S相对地设置,设定在多个检测器3及二维相机5成像的像的倍率。在该物镜15中包含多个倍率不同的内置透镜,具有将在检测器3或二维相机5成像的内置透镜,在高倍透镜与低倍透镜之间切换的功能。
双色镜9为了将半导体器件S的发光图、发热图、反射图等像导光至检测器3,而使特定波长范围的光透过,为了将半导体器件S的二维图案像导光至二维相机5,而使特定波长范围以外的波长的光反射。分束器11使由双色镜9反射的图案像朝向二维相机5透过,且通过使自照明装置7出射的二维图案像生成用的照明光朝向双色镜9反射,而将该照明光经由双色镜9及物镜15朝半导体器件S照射。
测试器21对半导体器件S施加特定的电信号的测试图案、特定的电压、或特定的电流。通过施加该测试图案,而生成起因于半导体器件S的故障的发光或发热。
计算机19是处理由检测器3及二维相机5取得的检测信号的图像处理装置(处理器)。详细而言,计算机19作为功能性构成要素,是由存储部27、图像处理部(受理部、图像生成部)29、图像解析部(图像转换部、位置对准部、输出部)31、及控制部33构成。另外,在计算机19附带用于对计算机19输入数据的鼠标、键盘等的输入装置23、及用于显示计算机19的图像处理结果的显示器装置等的显示装置(输出部)25。
图1所示的计算机19的各功能部是通过计算机19的CPU等的运算处理装置执行储存于计算机19的内置内存或硬盘驱动器等的存储媒体的计算机程序(图像处理程序)而实现的功能。计算机19的运算处理装置通过执行该计算机程序而使计算机19作为图1的各功能部发挥功能,并依次执行后述的半导体检查处理。该计算机程序的执行所需的各种数据、及通过该计算机程序的执行而生成的各种数据全部被储存于计算机19的ROM或RAM等的内置内存或硬盘驱动器等的存储媒体。
此处,针对计算机19的各功能部的功能进行说明。
存储部27存储由检测器3取得的检测到发光图、发热图等的测定图像、由检测器3或二维相机5取得的检测到半导体器件S的图案像的第一光学图像、及基于自外部取得的CAD数据而制作的显示半导体器件S的高分辨率的图案的第一CAD图像。第一光学图像是表示半导体器件S的二维图案的光学测定结果的图像,可为由二维相机5检测到的二维图案的图像,也可为基于由检测器3检测到的检测信号的LSM图像。图像处理部29基于自检测器3或二维相机5接收到的检测信号,依次生成测定图像及第一光学图像,并使该等测定图像及第一光学图像依次存储于存储部27。另外,图像处理部29自构建于外部的PC或服务器装置等的外部存储部35经由因特网NW受理CAD数据的输入,根据CAD数据生成第一CAD图像并存储于存储部27。该CAD数据是基于与半导体器件S的扩散层、金属层、栅极层、元件分离层等各层的配置相关的设计信息,由储存于外部的PC或服务器装置等被称为布局查看器的软件等生成。使用该CAD数据而作为表示半导体器件S的图案像的第一CAD图像。
控制部33控制计算机19的数据处理、及连接于计算机19的器件的处理。详细而言,控制部33控制照明装置7对照明光的出射、多个检测器3及二维相机5的摄像、多个检测器3对光学装置13的连接的切换、物镜15的倍率的切换、测试器21对测试图案的施加、及显示装置25对观察结果的显示等。
图像解析部31以依次存储于存储部27的各种图像为对象,施以重构处理、图案转换处理、及位置对准处理。以下针对图像解析部31的各处理的功能的细节进行描述。
图像解析部31基于记载于存储部27的第一光学图像,生成与第一CAD图像相似的第二光学图像(重构处理)。该重构处理以多个第一光学图像为训练数据,以与视为该等图像的对象的半导体器件S对应的第一CAD图像为教学数据,使用通过作为机器学习的一种的深度学习而预先进行学习的结果所获得的学习模型而执行。通过预先的学习而获得的学习模型的数据被存储于存储部27,在之后的重构处理时加以参照。例如,作为深度学习的学习模型,虽然使用CNN(Convolutional Neural Network,卷积类神经网络)、FCN(FullyConvolutional Networks,全卷积网络)、U-Net、ResNet(Residual Network,残差网络)等,但并不限定于特定的学习模型,学习模型的节点的数量、层的数量可任意地设定。
在图2中显示由图像解析部31处理的图像的一例,分别而言,(a)显示作为重构处理的对象的LSM图像即第一光学图像GA1,(b)显示由以(a)的第一光学图像GA1为对象的重构处理生成的第二光学图像GB1,(c)显示与(a)的第一光学图像对应的第一CAD图像GC1。如此,第一光学图像GA1的低分辨率且不鲜明的部分通过重构处理而以接近第一CAD图像GC1的方式进行转换,而生成整体上与第一CAD图像GC1相似的第二光学图像GB1。
另外,图像解析部31基于记载于存储部27的第一CAD图像,生成与第一光学图像相似的第二CAD光学图像(图案转换处理)。该图案转换处理以多个第一CAD图像为训练数据,以将与该等图像对应的半导体器件S作为对象而取得的第一光学图像为教学数据,使用通过深度学习而预先进行学习的结果所获得的学习模型而执行。在预先的学习中可使用多个下述图像的组合,即:切出半导体器件S上的任意的范围并施以放大处理的第一光学图像、及切出与该范围对应的位置并施以放大处理的第一CAD图像。通过该预先的学习而获得的学习模型的数据被存储于存储部27,在之后的图案转换处理时加以参照。与上述同样地,作为深度学习的学习模型,虽然使用CNN、FCN、U-Net、ResNet等,但并不限定于特定的学习模型,学习模型的节点的数量、层的数量可任意地设定。
在图3中,在(a)中显示存储于存储部27的LSM图像即第一光学图像GA1的一例,在(b)中显示表示与(a)的第一光学图像GA1对应的半导体器件S的图案像的第一CAD图像GC1。如此,在在第一光学图像GA1中所观察的像中,主要出现一部分的层(栅极层、或栅极层下的扩散层与元件分离层等)的图案,而非出现第一CAD图像GC1的全部图案。另外,在第一光学图像GA1中,也存在根据第一CAD图像GC1的图案的混合程度,在该图案的对应的部分出现灰度像的情况。
在图4中显示,通过图像解析部31,而通过以第一CAD图像GC1为对象的图案转换处理而生成的图像的影像。图像解析部31通过对第一CAD图像GC1施以预先的图案转换处理而生成第二CAD图像GC2,进一步对第二CAD图像GC2施以特定的图像修正处理、即高斯模糊及伽玛修正,而生成第三CAD图像GC3。另外,图像GC4是假设对第一CAD图像GC1直接施以特定的图像修正处理时的图像。如此,在施加了图案转换处理的第二CAD图像GC2中,以成为如接近第一光学图像GA1(图3的(a))的图像的方式,削除一部分的特定的图案。其结果为,对第二CAD图像GC2施加模糊处理等而生成的第三CAD图像GC3的整体的影像接近第一光学图像GA1的影像。另一方面,对第一CAD图像GC1直接施加模糊处理等的图像GC4转换为整体的对比度较低的图像,而与第一光学图像GA1的影像相差甚远。
在图5中显示使用第一CAD图像GC1的由图像解析部31进行的图案转换处理的影像。在来自半导体器件S的面的光的观察结果即第一光学图像中,一般而言反映栅极层的图案PG,但虚设的图案PD根据半导体器件S的工艺规则难以在第一光学图像GA1中显示。图像解析部31可通过预先的学习,将自第一CAD图像GC1提取该虚设的图案PD的处理构建为学习模型。由此,图像解析部31可通过削除第一CAD图像GC1上的虚设的图案PD,而转换为第二CAD图像GC2。
为了如上述那样将CAD像转换为与光学像类似的图像,而在通常的操作中需要特别的前处理。另一方面,通过应用机器学习,而自动执行该前处理。通过机器学习,而判断为,为了使如上述的虚设的图案PD与光学像相似而显示为明亮的部位,较为适当,且判断为,节距较细的其他的栅极图案为了与光学像相似而显示为较暗的部位,较为适当。另一方面,也存在根据器件规则,形成于栅极层的虚设图案光学地明亮显示并不适当,而较暗地显示较为适当的情况。通过使用半导体器件S的同一部位的CAD像与光学像进行机器学习,而可通过使两者对应而自动执行前处理,而不受限于器件规则。
此外,也有在近年的前端器件中,较栅极的图案,而配置于栅极的下的扩散层与元件分离层生成图案PG的对比度的情况。该情况下,成为与半导体器件的每一世代的构造的变化相应的包含不同的层的光图像。如此,由于也有在前端器件中因扩散层与元件分离层所致的差异成为光图像的图案对比度的要因的情况,因此必须在适当地提取进行机器学习的层的信息后,对CAD图像进行前处理。
进一步,图像解析部31基于由上述的重构处理生成的第二光学图像GB1、与由上述的图案转换处理生成的与第二光学图像GB1的半导体器件S上的范围对应的第三CAD图像GC3,通过图像间的图案匹配而执行与相互的图像位置相关的位置对准。然后,图像解析部31使用位置对准的结果,使通过测定与第一光学图像GA1相同的范围而检测到发光、发热等的测定图像、与第一CAD图像GC1重叠,而显示于显示装置25。
其次,针对由观察系统1执行的半导体检查方法的处理的程序,一边参照图6~图8一边进行说明。图6是显示生成重构处理的学习模型的预先学习的处理的流程的流程图,图7是显示生成图案转换处理的学习模型的预先学习的处理的流程的流程图,图8是显示生成半导体器件S的解析处理的流程的流程图。
首先,参照图6,当通过计算机19,在以用户的操作等任意的时刻开始重构处理的学习时,通过控制检测器3、二维相机5、照明装置7等,而获得多个训练数据即半导体器件S的第一光学图像,并保存于存储部27(步骤S01)。其次,通过计算机19,而自外部取得多个与第一光学图像对应的CAD数据,基于该等CAD数据取得成为教学数据的第一CAD图像,并保存于存储部27(步骤S02)。
之后,使用保存于存储部27的第一光学图像与第一CAD图像的多个组合,通过计算机19的图像解析部31,而通过深度学习,构建重构处理的学习模型(步骤S03)。其结果为,通过图像解析部31而取得的学习模型的数据被存储于存储部27(步骤S04)。
参照图7,当通过计算机19,而以用户的操作等任意的时刻开始图案转换处理的学习时,自外部取得多个与多种半导体器件S对应的CAD数据,基于该等CAD数据取得多个成为训练数据的第一CAD图像,并保存于存储部27(步骤S101)。其次,通过计算机19,控制检测器3、二维相机5、照明装置7等,由此取得多个与教学数据即第一CAD图像对应的第一光学图像,并保存于存储部27(步骤S102)。
之后,使用保存于存储部27的第一CAD图像与第一光学图像的多个组合,通过计算机19的图像解析部31,而通过深度学习,构建图案转换处理的学习模型(步骤S103)。其结果为,通过图像解析部31而取得的学习模型的数据被存储于存储部27(步骤S104)。
参照图8,说明重构处理的学习模型及图案转换处理的学习模型的构建后的半导体器件S的解析处理的程序。首先,通过计算机19,控制检测器3、二维相机5、照明装置7等,由此取得以半导体器件S为对象的第一光学图像及测定图像,并保存于存储部27(步骤S201、步骤S202)。然后,通过计算机19而取得半导体器件S的CAD数据,基于该CAD数据生成第一CAD图像,并保存于存储部27(步骤S203)。之后,相应于用户对计算机19的选择输入,而执行步骤S204~S205的处理、与步骤S206~S207的处理的任一处理。
即,通过计算机19的图像解析部31,而通过以第一CAD图像为对象,参照存储于存储部27的学习模型的数据,施以图案转换处理,而取得第二CAD图像(步骤S204)。之后,通过图像解析部31,而基于第一光学图像、及对第二CAD图像施加特定的图像修正处理的第三CAD图像,进行位置对准。最后,通过图像解析部31,而使用该位置对准的结果,使测定图像与第一CAD图像重叠而显示于显示装置25上(步骤S205)。
另外,通过图像解析部31,而通过以第一光学图像为对象,参照存储于存储部27的学习模型的数据,施以重构处理,而取得第二光学图像(步骤S206)。之后,通过图像解析部31,而基于第二光学图像与第一CAD图像进行位置对准。最后,通过图像解析部31,而使用该位置对准的结果,使测定图像与第一CAD图像重叠而显示于显示装置25上(步骤S207)。
根据以上所说明的本实施方式的观察系统1,取得反映来自半导体器件S的光的第一光学图像、及显示半导体器件S的图案像的第一CAD图像,第一CAD图像通过基于机器学习的学习的结果的转换处理,而被转换为与第一光学图像相似的第二CAD图像,并将该第二CAD图像与第一光学图像进行位置对准。由此,在以应用各种工艺规则的半导体器件S为检查对象的情况下,通过将CAD图像上的图案在以接近光学图像的方式进行转换后与光学图像进行位置对准,而可提高位置对准的精度。
另外,根据观察系统1,第一光学图像通过基于机器学习的学习的结果的重构处理,而被转换为与第一CAD图像相似的第二光学图像,并将该第二光学图像与第一CAD图像进行位置对准。由此,在以应用各种工艺规则的半导体器件S为检查对象的情况下,通过将光学图像上的不鲜明的部分在以接近CAD图像的方式进行转换后与CAD图像进行位置对准,而可提高位置对准的精度。
尤其是,在本实施方式中,作为机器学习,采用深度学习。该情况下,即便在以应用各种工艺规则的半导体器件S为检查对象的情况下,也可以将CAD图像与光学图像的任一者接近另一者方式有效地进行转换。
另外,在本实施方式中,通过计算机19的图像解析部31,而使用半导体器件S上的相互对应的位置的第一光学图像及第一CAD图像进行学习。通过该功能,而可有效率地构建用于使CAD图像与光学图像的任一者与另一者相似的转换处理或重构处理,可有效率地实现位置对准。
此处,在使用未应用机器学习的转换处理的情况下,通过自第一CAD图像以特定的图案提取虚设图案,而可生成第二CAD图像。例如,存在因根据半导体器件的世代或种类,在虚设图案与虚设以外的图案中图案的密度不同,而光学图像的对比度不同的情况。该情况下,必须通过使虚设图案的对比度相配,而将CAD图像以与光学图像相似的方式进行转换。另一方面,在如本实施方式那样应用机器学习的转换处理的情况下,由于通过学习如上述的虚设图案在光学上如何显示,而即便半导体的器件的世代或种类变化,也可实现用于接近光学图像的最佳的转换,因此通过执行该转换的图像解析部31,而可有效率地实现精度较高的位置对准。
另外,本实施方式的图像解析部31具有基于位置对准的结果,将与第一光学图像对应地获得的测定图像、与第一CAD图像重叠并输出的功能。通过该功能,而可以视觉上容易辨识测定图像的检查位置。
以上,针对本发明的各种实施方式进行了说明,但本发明并非限定于上述实施方式,可在不变更记载于各权利要求的要旨的范围内进行变形,或可为应用于其他实施方式。
例如,上述实施方式的图像解析部31使用位置对准的结果将测定图像与第一CAD图像重叠而显示,但可仅显示第一CAD图像、或成为第一CAD图像的基础的CAD数据。该情况下,计算机19可具有在所显示的第一CAD图像或CAD数据上,基于位置对准的结果设定照射光的解析位置的功能。另外,计算机19可具有使自半导体器件S检测到的发光信号等的信号,基于位置对准的结果重叠于CAD数据而显示的功能。通过如上述那样显示分辨率较高的CAD数据,而对用户而言容易辨识位置。
在上述实施方式中,可通过转换处理,而通过自第一CAD图像提取特定的图案而转换为第二CAD图像。如此,可以使CAD图像有效地与光学图像相似的方式进行转换,而可有效率地实现精度较高的位置对准。
此处,上述的特定的图案可为虚设图案。该情况下,可实现精度更高的位置对准。
在上述实施方式中,机器学习可为深度学习。该情况下,即便在应用各种工艺规则的半导体器件为检查对象的情况下,也可以将CAD图像与光学图像的任一者接近另一者的方式有效地转换图像。
另外,可使用半导体器件上的相互对应的位置的第一光学图像及第一CAD图像进行学习。若采用上述的构成,则可有效率地构建用于将CAD图像与光学图像的任一者与另一者相似的图像的转换处理,可有效率地实现位置对准。
另外,可进一步具备基于位置对准的结果,将与第一光学图像对应地获得的图像、与第一CAD图像重叠并输出的输出部或步骤。若具备上述的输出部或步骤,则可以视觉上容易辨识光学图像的检查位置。
产业上的可使用性
实施方式以检查半导体器件的半导体检查装置及半导体检查方法为使用用途,可将以半导体器件为对象而取得的光学图像和与该半导体器件对应的CAD图像高精度地进行位置对准。
符号说明
1……观察系统;3……检测器(光检测器);5……二维相机(光检测器);13……光学装置(光学系统);19……计算机;29……图像处理部(受理部、图像生成部);31……图像解析部(图像转换部、位置对准部);S……半导体器件。
Claims (14)
1.一种半导体检查装置,其中,
具备:
光检测器,其检测来自半导体器件的光,并输出检测信号;
光学系统,其将所述光导引至所述光检测器;
图像生成部,其基于所述检测信号,生成作为所述半导体器件的光学图像的第一光学图像;
受理部,其受理第一CAD图像的输入;
图像转换部,其将所述光学图像用作教学数据,通过机器学习来学习所述第一CAD图像的转换处理,通过基于该学习的结果的所述转换处理,而将所述第一CAD图像转换为与所述光学图像相似的第二CAD图像;及
位置对准部,其基于所述光学图像与所述第二CAD图像,进行位置对准。
2.如权利要求1所述的半导体检查装置,其中,
所述图像转换部通过所述转换处理,自所述第一CAD图像提取特定的图案,从而转换为所述第二CAD图像。
3.如权利要求2所述的半导体检查装置,其中,
所述特定的图案为虚设图案。
4.一种半导体检查装置,其中,
具备:
光检测器,其检测来自半导体器件的光,并输出检测信号;
光学系统,其将所述光导引至所述光检测器;
图像生成部,其基于所述检测信号,生成作为所述半导体器件的光学图像的第一光学图像;
受理部,其受理第一CAD图像的输入;
图像转换部,其将所述第一CAD图像用作教学数据,通过机器学习来学习所述第一光学图像的重构处理,通过基于该学习的结果的所述重构处理,而将所述第一光学图像重构为与所述第一CAD图像相似的第二光学图像;及
位置对准部,其基于所述第二光学图像与所述第一CAD图像,进行位置对准。
5.如权利要求1至4中任一项所述的半导体检查装置,其中,
所述机器学习为深度学习。
6.如权利要求1至5中任一项所述的半导体检查装置,其中,
所述图像转换部使用所述半导体器件上的相互对应的位置的所述第一光学图像及所述第一CAD图像进行学习。
7.如权利要求1至6中任一项所述的半导体检查装置,其中,
进一步具备:输出部,其基于所述位置对准的结果,将与所述第一光学图像对应地获得的图像、与所述第一CAD图像重叠并输出。
8.一种半导体检查方法,其中,
具备:
经由光学系统检测来自半导体器件的光并输出检测信号的步骤;
基于所述检测信号,生成作为所述半导体器件的光学图像的第一光学图像的步骤;
受理第一CAD图像的输入的步骤;
将所述光学图像用作教学数据,通过机器学习来学习所述第一CAD图像的转换处理,通过基于该学习的结果的所述转换处理,而将所述第一CAD图像转换为与所述光学图像相似的第二CAD图像的步骤;及
基于所述光学图像与所述第二CAD图像,进行位置对准的步骤。
9.如权利要求8所述的半导体检查方法,其中,
通过所述转换处理,自所述第一CAD图像提取特定的图案,从而转换为所述第二CAD图像。
10.如权利要求9所述的半导体检查方法,其中,
所述特定的图案为虚设图案。
11.一种半导体检查方法,其中,
具备:
经由光学系统检测来自半导体器件的光并输出检测信号的步骤;
基于所述检测信号,生成作为所述半导体器件的光学图像的第一光学图像的步骤;
受理第一CAD图像的输入的步骤;
将所述第一CAD图像用作教学数据,通过机器学习来学习所述第一光学图像的重构处理,通过基于该学习的结果的所述重构处理,而将所述第一光学图像重构为与所述第一CAD图像相似的第二光学图像的步骤;及
基于所述第二光学图像与所述第一CAD图像,进行位置对准的步骤。
12.如权利要求8至11中任一项所述的半导体检查方法,其中,所述机器学习为深度学习。
13.如权利要求8至12中任一项所述的半导体检查方法,其中,
使用所述半导体器件上的相互对应的位置的所述第一光学图像及所述第一CAD图像进行学习。
14.如权利要求8至13中任一项所述的半导体检查方法,其中,
进一步具备:基于所述位置对准的结果,将与所述第一光学图像对应地获得的图像、与所述第一CAD图像重叠并输出的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-103830 | 2019-06-03 | ||
JP2019103830 | 2019-06-03 | ||
PCT/JP2020/016739 WO2020246149A1 (ja) | 2019-06-03 | 2020-04-16 | 半導体検査装置及び半導体検査方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113994372A true CN113994372A (zh) | 2022-01-28 |
Family
ID=73652778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080041571.3A Pending CN113994372A (zh) | 2019-06-03 | 2020-04-16 | 半导体检查装置及半导体检查方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20220301197A1 (zh) |
EP (1) | EP3955208A4 (zh) |
JP (1) | JP7413375B2 (zh) |
KR (1) | KR20220016022A (zh) |
CN (1) | CN113994372A (zh) |
SG (1) | SG11202113170XA (zh) |
TW (1) | TW202114007A (zh) |
WO (1) | WO2020246149A1 (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009162718A (ja) | 2008-01-10 | 2009-07-23 | Olympus Corp | 基板検査装置および検査領域設定方法 |
JP2015098342A (ja) | 2013-11-19 | 2015-05-28 | 株式会社エンプラス | 密閉容器および密閉容器セット |
JP6456301B2 (ja) | 2013-12-26 | 2019-01-23 | 浜松ホトニクス株式会社 | 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体 |
US9965901B2 (en) * | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
US10648924B2 (en) * | 2016-01-04 | 2020-05-12 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
US10395356B2 (en) * | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
US10282510B2 (en) | 2017-04-07 | 2019-05-07 | Fei Company | Alignment of CAD data to images in high resolution optical fault analysis |
JP7002949B2 (ja) * | 2018-01-22 | 2022-01-20 | 株式会社日立ハイテク | 画像評価方法及び画像評価装置 |
-
2020
- 2020-04-16 KR KR1020217028489A patent/KR20220016022A/ko unknown
- 2020-04-16 CN CN202080041571.3A patent/CN113994372A/zh active Pending
- 2020-04-16 US US17/608,833 patent/US20220301197A1/en active Pending
- 2020-04-16 SG SG11202113170XA patent/SG11202113170XA/en unknown
- 2020-04-16 WO PCT/JP2020/016739 patent/WO2020246149A1/ja unknown
- 2020-04-16 JP JP2021524694A patent/JP7413375B2/ja active Active
- 2020-04-16 EP EP20818448.1A patent/EP3955208A4/en active Pending
- 2020-05-15 TW TW109116148A patent/TW202114007A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
SG11202113170XA (en) | 2021-12-30 |
TW202114007A (zh) | 2021-04-01 |
US20220301197A1 (en) | 2022-09-22 |
EP3955208A1 (en) | 2022-02-16 |
EP3955208A4 (en) | 2023-05-24 |
WO2020246149A1 (ja) | 2020-12-10 |
JPWO2020246149A1 (zh) | 2020-12-10 |
JP7413375B2 (ja) | 2024-01-15 |
KR20220016022A (ko) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7116106B2 (ja) | 多重モードを備えた検査システム及び方法 | |
JP6718534B2 (ja) | 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体 | |
TWI774863B (zh) | 用於獲得一對準晶粒對晶粒檢測影像之方法,用於半導體晶粒對晶粒檢測影像中之非暫時性電腦可讀儲存媒體,及半導體晶粒對晶粒檢測系統 | |
KR20180113572A (ko) | 결함 분류 장치 및 결함 분류 방법 | |
US10591539B2 (en) | Automated scan chain diagnostics using emission | |
FR2705479A1 (fr) | Procédé et appareil de reconnaissance de formes. | |
JP2018190329A (ja) | 画像処理装置、画像処理プログラム、画像処理システム | |
CN111902712A (zh) | 异常检查装置及异常检查方法 | |
JP2020197797A (ja) | 画像処理装置及び画像処理方法 | |
US20220067514A1 (en) | Inference apparatus, method, non-transitory computer readable medium and learning apparatus | |
US20220301135A1 (en) | Method for inspecting semiconductor and semiconductor inspecting device | |
JP2005317818A (ja) | パターン検査装置およびパターン検査方法 | |
US10983162B2 (en) | Semiconductor device inspection method and semiconductor device inspection device | |
Li et al. | 4D line-scan hyperspectral imaging | |
JP6961846B1 (ja) | Euvマスク検査装置、euvマスク検査方法、euvマスク検査プログラム及びeuvマスク検査システム | |
CN113994372A (zh) | 半导体检查装置及半导体检查方法 | |
US20240290080A1 (en) | Feature output model generation system, feature output model generation method, feature output model generation program, and feature output model | |
JP2020204880A (ja) | 学習方法、プログラム及び画像処理装置 | |
JP5076567B2 (ja) | テンプレートマッチング装置、テンプレートマッチング装置を備えたカメラ、テンプレートマッチングをコンピュータで行うためのプログラム | |
Aversa et al. | Data-centric AI workflow based on compressed raw images | |
US20230206422A1 (en) | Semiconductor inspecting method and semiconductor inspecting device | |
US20240160089A1 (en) | Focal position estimation system, focal position estimation method, focal position estimation program, semiconductor inspection system and biological observation system |
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 |