CN115176327A - 诊断系统 - Google Patents
诊断系统 Download PDFInfo
- Publication number
- CN115176327A CN115176327A CN202080097490.5A CN202080097490A CN115176327A CN 115176327 A CN115176327 A CN 115176327A CN 202080097490 A CN202080097490 A CN 202080097490A CN 115176327 A CN115176327 A CN 115176327A
- Authority
- CN
- China
- Prior art keywords
- error
- sample
- inspection
- computer system
- learning
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/24—Circuit arrangements not adapted to a particular application of the tube and not otherwise provided for
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0264—Control of logging system, e.g. decision on which data to store; time-stamping measurements
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Selective Calling Equipment (AREA)
- Air Bags (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Hardware Redundancy (AREA)
Abstract
本公开提出一种诊断系统,即使是考虑了多个要因或多个复合要因的错误,也能合适地进行原因确定。本公开所涉及的诊断系统具备:学习器,其将规定检查装置的动作的配方、记述了所述装置的状态的日志数据或记述了所述样品的特性的样品数据当中的至少任一者与所述装置的错误的种类建立对应来进行学习,使用所述学习器来推定所述错误的原因(参考图4)。
Description
技术领域
本公开涉及对检查样品的检查装置的状态进行诊断的诊断系统。
背景技术
半导体器件的测定、检查中所用的扫描电子显微镜(Scanning ElectronMicroscope:SEM)由设定测定、检查条件的控制程序(以下也有称作配方的情况)控制。例如,在扫描电子显微镜中,CD-SEM(Critical Dimension-SEM,临界尺寸-SEM)也是为了定点观测地测量通过量产制造的样品并确认其完成状况而使用。
在下述专利文献1中,在由于样品的制造条件的变动等而配方的设定条件不再适合测量样品并产生了错误的情况下,也确定该错误产生要因。该文献公开了显示表示图案匹配的一致度的评分、图案匹配前后的坐标的偏离、或自动对焦前后的透镜的变动量的随时间的变化的配方的诊断装置。
现有技术文献
专利文献
专利文献1:JP特开2010-87070号公报(对应美国专利公开公报US2011/0147567)
发明内容
发明要解决的课题
通过使用专利文献1的装置评价图案匹配的一致度等的变动,在合适的定时调整配方,能将CD-SEM等的运转率维持在高的状态。但由于在错误产生要因中考虑各种各样的理由,因此仅凭借对图案匹配等的一致度的推移进行评价,有时不能实施合适的调整。此外,错误的产生要因不仅要考虑样品的制造条件的变动,还考虑外部环境的变化、CD-SEM等的装置条件的变化等。此外,还考虑初始的配方的设定条件自身就不适合测量的情况。
本公开鉴于以上那样的课题而提出,提出即使是考虑多个要因或多个复合要因的错误也能合适地进行原因确定的诊断系统。
用于解决课题的手段
本公开所涉及的诊断系统具备:学习器,其将规定检查装置的动作的配方、记述了所述装置的状态的日志数据或记述了所述样品的特性的样品数据当中的至少任一者与所述装置的错误的种类建立对应来进行学习,使用所述学习器来推定所述错误的原因。
发明的效果
根据本公开所涉及的诊断系统,即使是作为检查装置的错误要因而考虑多个要因或多个复合要因的情况,也能合适地进行原因确定。
附图说明
图1是表示包含多个图像取得工具的测量系统10的1例的图。
图2是表示管理图1例示的测量系统的诊断系统的1例的图。
图3是形成于样品上的测量对象图案的示例。
图4是更具体地表示图1例示的计算机系统103的图。
图5是表示实施错误要因的确定、所生成的测量配方的可靠度、错误的预兆诊断等的系统的学习工序的流程图。
图6是表示学习教师数据的样态的示意图。
图7是表示利用了经历图5例示的学习阶段而构建的学习模型的推定阶段的流程图。
图8是记述了计算机系统103推定了错误要因的结果的报告的示例。
图9是表示以配方执行时产生的错误为触发来使学习器学习的工序的流程图。
图10是表示错误产生时的装置修复和学习模型的再学习的工序的流程图。
图11是表示实施预兆诊断的学习器的学习工序的流程图。
图12是说明使用遵循图11学习的学习模型来诊断错误的预兆的过程的流程图。
图13是表示设定使用产生错误时从CD-SEM等输出的错误的种类信息和日志数据使学习器学习的学习条件的GUI画面的1例的图。
图14是表示实施无教师学习并使用基于该无教师学习生成的学习完毕模型来实施错误要因的诊断的诊断系统的1例的图。
图15是通过聚类而构建的学习模型的示意图。
图16是表示通过无教师学习使学习模型学习的工序的流程图。
图17是表示实施围绕搜索(search around)的样态的示意图。
图18是说明S2003中执行的异常判定的示例的图。
图19是本公开的实施方式3所涉及的装置4100的结构图。
图20是表示3台装置(CD-SEM)4100(4100-1、4100-2、4100-3)经由总线或网络与计算机系统4120连接的测量系统的1例的图。
图21是实施各装置中的载台位置精度的解析的解析画面的1例。
图22是扫描重叠测试画面的1例。
图23是表示扫描重叠测试的开始到结束的一系列的流程的流程图。
图24是表示S4508的详细步骤的流程图。
图25是表示扫描重叠测试的执行结果的画面的1例。
具体实施方式
<实施方式1>
以下说明通过输入检查装置的装置条件、检查装置的检查条件等来输出测量或检查装置(以下仅称作检查装置)产生的错误的要因的系统。此外,说明基于装置条件等的输入来探测错误产生的预兆的诊断系统。
图1是表示包含多个图像取得工具的测量系统10的1例的图。图像取得工具是通过检测对例如形成于半导体晶片上的图案扫描电子束而得到的电子(2次电子、后方散射电子等)来形成图像的SEM。在本实施方式1中,作为SEM的1例,以作为基于检测信号测量图案的尺寸、形状的测量装置的1种的CD-SEM为例来进行说明,但并不限于此,可以是基于所给出的坐标信息来检查异物、缺陷的复查(review)SEM。此外,例如还能将基于离子束的扫描来生成图像的会聚离子束装置作为图像生成工具。
图1的系统中包含3台CD-SEM100、101、102。进而,在图1例示的系统中,计算机系统103经由总线或网络与这些CD-SEM连接。在计算机系统103连接对计算机系统103输入输出数据的输入输出装置104。计算机系统103能访问存储作为CD-SEM的动作程序的配方的测量配方存储介质105、存储CD-SEM的到当前为止的装置状态的日志信息存储介质113、存储CD-SEM的测量对象即样品信息的样品信息存储介质106、存储半导体器件的设计数据的设计数据存储介质114。
计算机系统103由1个以上的计算机子系统构成。在计算机系统103中包含:计算机可读介质108;和执行存储于计算机可读介质108的各组件(模块)的处理单元107。在计算机可读介质108中存储解析组件109,其解析可访问地连接到上述那样的计算机系统103的存储介质中所存储的信息。在解析组件109中包含配方解析组件110、样品解析组件111、装置解析组件112。
在测量配方存储介质105中,对应于样品(例如半导体晶片)的种类存储测量点数、测量点(Evaluation Point,评估点:EP)的坐标信息、对图像摄像时的摄像条件、摄像序列等。此外,与测量点一并存储在用于测量测量点的准备阶段取得的图像的坐标、摄像条件等。
准备阶段中取得的图像例如是用于确定正确的视野位置的低倍率(宽的视野的)图像、用于在测量对象图案以外的位置调整射束的光学条件的图像等。低倍率图像是摄像为包含与测量对象图案处于已知的位置关系的唯一的形状的图案(寻址(Addressing)图案:AP)的图像。低倍率图像为了通过实施利用了包含与在低倍率图像上预先登记的AP相同形状的图案的模板图像的图案匹配来确定寻址图案位置而使用,进而为了确定与寻址图案处于已知的位置关系的测量对象图案而使用。所谓用于调整光学条件的图像,例如是自动对焦(Auto Focus(AF))调整、自动像散修正(Auto Astigmatism(AST))、自动亮度/对比度调整(Auto Brightness Contrast Control:ABCC)用的图像。
所谓对图像进行摄像时的摄像条件,是射束的加速电压、视野(Field Of View:FOV)尺寸、探头电流、透镜条件、帧数(累计张数)等。这些摄像条件和坐标按每个取得图像来设定。所谓摄像序列,例如是到测量为止的CD-SEM的控制过程。
在测量配方存储介质105中,除了上述的示例以外,还存储种种测量条件,计算机系统103能根据需要将存储信息读出。
在日志信息存储介质113中,到当前为止的装置信息与配方、样品信息或取得装置信息的时间等建立关联来存储。具体地,是利用了寻址图案的位置确定时的低倍率图像内的寻址图案的位置信息(例如从给定位置的偏离等)、AF所需的时间、图像数、执行ABCC时的检测器输出的增益、偏压、图案的尺寸信息、峰值高度等。此外,也可以还一并存储CD-SEM中所设的各种传感器等的输出、供给到电极、线圈、检测器等的电压值、电流值、DAC值等控制信号等。
在样品信息存储介质106中存储成为测量对象的半导体晶片的制造条件等。例如在测量对象为抗蚀剂图案的情况下,存在为了对抗蚀剂图案图案形成而用的曝光机的种类、曝光条件(剂量、对焦值等)、抗蚀剂材料的种类、膜厚、尺寸值等。
在设计数据存储介质114中存储半导体图案的布局数据。
计算机系统103基于CD-SEM的输出、存储于上述存储介质的信息来实施CD-SEM中产生的错误要因的确定、所生成的测量配方的可靠度、错误的预兆诊断。关于具体的处理内容,之后叙述。
图2是表示管理图1例示的测量系统的诊断系统的1例的图。诊断系统206基于包含多个CD-SEM100、101、102、存储图1中例示那样的种种信息的存储介质201、输入输出装置104以及计算机系统(子系统)103的多个测量系统10的输出,来实施错误要因的确定、所生成的测量配方的可靠度、错误的预兆诊断等。具体的处理内容之后叙述。
图3是形成于样品上的测量对象图案的示例。作为摄像序列,例如在对测量对象图案1502的上端的宽度进行测量的情况下,首先,取得寻址用的低倍率图像1501,通过利用了模板图像1503的图案匹配来确定寻址图案1504的位置。若能通过将寻址图案1504与测量对象图案1502之间的距离设定于内置于CD-SEM的射束偏转器的能偏转范围内来确定寻址图案的位置,则之后,就能不伴随载台移动而仅凭借射束偏转来对测量用的视野1506照射射束。
在设定摄像序列的情况下,决定用来实施视野1506向用于执行寻址、AST的图案1505的给定位置的定位、视野1507向用于实施AF的给定位置的定位、视野1508向用于执行ABCC的给定位置的定位、以及视野1509向用于实施测量的位置的定位的过程,实施条件设定,以使得以这样的顺序控制CD-SEM。进而,还决定测量光标1511的位置、大小等,其中该测量光标1511决定通过对视野1509的射束扫描而得到的测量用高倍率图像1510上的测定基准。
图4是更具体表示图1例示的计算机系统103的图。如图4例示的那样,计算机系统103具备输入接口404、教师数据生成部405、存放由教师数据生成部405生成的教师数据的教师数据存放部406、学习部407、存放基于教师数据学习的学习模型的学习模型存放部408。进而,计算机系统103具备:通过使输入数据输入到存放于学习模型存放部408的学习模型来推定结果的推定部1(409)、推定部2(410)、推定部3(411)、推定部4(412)。这些推定部的输出(推定结果)经由输出接口413显示于输入输出装置104的显示装置等。
关于经由输入接口404而输入的数据,若是学习阶段,则从标签信息存储介质401输入错误的种类等信息,从学习用信息存储介质402输入错误产生时的配方信息、CD-SEM的日志数据、样品信息等。若是推定阶段,则是存储于推定用信息存储介质403的配方信息、日志数据等。另外,计算机系统103具备未图示的CPU、GPU等。
教师数据生成部405在经由输入接口404被输入错误种类的信息和配方信息等的情况下,生成教师数据。学习部407使用存放于教师数据存放部406的教师数据来生成用于错误种类推定的学习模型。学习部407响应于从输入输出装置104输入的请求,来生成基于存放于教师数据存放部406的数据的学习模型(学习器),将所生成的学习模型存放在学习模型存放部408。
推定部基于学习模型来推定错误种类等。推定部1(409)例如基于配方信息的输入来推定错误种类。推定部2(410)例如基于日志数据的输入来推定错误种类。推定部3(411)例如基于样品信息来推定错误种类。推定部4(412)例如基于3个推定部的输出来推定错误种类。由于还有错误产生要因不仅是1个原因、而是复合了多个要因产生的情况,因此在图4例示的系统中,推定部4(412)基于3个推定器的输出来推定产生错误的主要因、或关联的要因。但推定过程并不限于此,例如也可以使用1个推定器来推定错误要因。
还能将推定部所推定的信息作为新的教师数据进行反馈。也可以如一点划线示出的箭头那样,也可以将推定部中推定的信息和操作人员的判断结果等作为教师数据向教师数据存放部406输出。图4的以实线示出的箭头表示学习阶段中的数据的流,虚线表示推定阶段中的数据的流。
学习模型例如由神经网络构成。神经网络通过将输入到输入层的信息向中间层、输出层依次传播,来从输出层输出错误种类信息等。中间层由多个中间单元构成。输入到输入层的信息通过各输入单元与各中间单元之间的耦合系数被加权,输入到各中间单元。对中间单元的输入通过相加而成为该中间单元的值。中间单元的值通过输入输出函数被非线性变换。中间单元的输出通过各中间单元与各输出单元之间的耦合系数被加权,对各输出单元输入。对输出单元的输入通过相加而成为输出层的输出值。
通过推进学习,单元间的耦合系数、记述各单元的输入输出函数的系数等参数(常数、系数等)逐渐被最佳化。存储部305存储这些最佳化的值,作为神经网络的学习结果。在作为学习器而使用神经网络以外的学习器的情况下也同样,存储部305存储学习过程中最佳化的参数。在以下的实施方式中也同样。
图4例示的系统是如下那样的系统:对基于学习模型进行推定的推定器(学习器)输入所取得的装置信息、检查条件的至少一方,输出检查装置的错误产生要因、检查装置的装置调整条件、以及检查装置的检查条件的至少1者,其中,该学习模型使用包含从CD-SEM等输出的装置信息(例如作为日志数据存储的装置信息)、CD-SEM的测量条件(配方的设定条件等)的至少1者、和检查装置的错误产生要因、检查装置的装置调整条件、检查装置的检查条件的至少1者的教师数据进行了学习。
图5是表示实施错误要因的确定、所生成的测量配方的可靠度、错误的预兆诊断等的系统的学习工序的流程图。本流程图由计算机系统103实施。以下使用图5例示的流程图来说明图4例示的系统的学习阶段。
首先,初始设定CD-SEM的测量条件、装置条件(S301)。所谓初始设定条件,例如是恰当地在配方中设定的测量条件,且是与在配方中设定的条件相应的通常的装置条件。
接下来,变更装置条件以及测量条件的至少1个参数(S302),在所设定的条件下执行利用了CD-SEM的测量处理(S303)。例如考虑使配方中设定的条件当中的图3例示的低倍率图像1501的FOV尺寸变化的情况。在使FOV尺寸过度小的情况下,根据载台的停止精度,存在寻址图案1504从低倍率图像的框超出从而产生寻址错误的可能性。另一方面,若使FOV尺寸过大,则与接近的其他测量图案的距离变近,由于通过射束照射而附着的带电,存在测量其他测量图案时的射束偏转从而产生射束漂移导致的测量误差等的可能性。根据配方的设定条件,存在成为错误原因的可能性。此外,若由于电源异常等而射束向样品的到达能量发生改变,则带电状况、图像的看到的样态不同,也存在引发寻址错误、对焦错误等的可能性。
通过在S302改变装置条件、测量条件,来做出易于产生错误的状态。确定在该状态下运用装置时的错误产生的有无、错误的种类,设为学习器的标签信息,并且根据变化的参数的种类、变化的程度、变化的参数与其他参数的组合等的数据集来生成教师数据(S304),使学习器进行学习(S305),由此能构建能确定错误的种类的学习器。
参数的变更期望实施相对于初始值变大的情况和变小的情况这双方,此外,期望多阶段变更。进而,由于还存在在不同种类的参数变动的复合条件下产生错误的情况,因此,期望按种种参数变更的每种组合来生成教师数据。
图6是表示学习教师数据的样态的示意图。如图7例示的那样,通过将装置的条件(导致错误产生的参数变动)和错误的种类信息作为数据集,来生成教师数据,能构建能确定错误要因的学习器。
还能不仅将错误的种类,还将变动量作为参数的调整量,来构建教师数据。在该情况下,能不仅推定错误的种类,还推定用于错误修复的配方的调整条件。此外,可以和配方中登记的测量条件等一起或取代其,根据错误产生时生成的图像数据来生成教师数据,作为学习用数据。在图像中出现的特征与错误之间存在相关的情况下,能基于学习数据生成教师数据,从而实施错误的预兆诊断。
进而,还能不是将单纯的静止图像,而是将动态图像或多个连续像设为教师数据。例如可以基于在自动对焦执行时取得的多个图像(连续像)、或从这多个图像生成的动态图像,来生成教师数据。在自动对焦执行时,基本连续扫描相同的FOV,但通过多次扫描,带电蓄积,存在图像发生漂移的情况。在这样的情况下,存在静止图像中未出现的错误固有的信息含在动态图像等中的情况。在这样的情况下,通过基于动态图像、连续像来生成教师数据,能高精度地实施错误推定。
图7是表示利用了经历图5例示的学习阶段而构建的学习模型的推定阶段的流程图。计算机系统103若接收到CD-SEM所输出的错误信号(S601),就执行错误要因的推定处理。计算机系统103从各存储介质或CD-SEM收集与错误信号相应的选择为评价对象或成为评价对象的全部参数信息(S602)。由于根据错误的种类,存在能确定参数的情况,因此在该情况下,作为实施利用了学习器的推定的前处理,选择参数。此外,也可以预先准备容许值,仅选择超过该容许值的变动大的参数(S603)来实施推定。
计算机系统103通过将以上那样选择或收集的参数输入到学习器(推定部)(S604),来取得错误要因等的推定结果,作为学习器的输出(S605)。计算机系统103输出所推定的错误要因(S606)。
在图7的流程图中,例示了在接收到CD-SEM等所输出的错误信号时规定错误要因的工序,但也可以不是基于错误信号,而是基于作为尺寸测定结果的寻址时的匹配评分降低或寻址的检测位置搞错等虽然未作为错误而辨识但却暗示为未进行合适的测量、检查的可能性的信息的接收,来推定产生带来测量精度等的降低的现象的状态。例如在图案的尺寸测定结果脱离给定的容许范围这样的情况下,虽然也存在图案自身变形的可能性,但另一方面,也存在由于对焦错误等而边缘模糊的结果,尺寸测定结果示出异常的状态的情况。因而,通过以尺寸测定结果等的变动为触发(即测定精度脱离预先确定的容许范围时)来实施推定处理,能确定配方等的恰当化、装置起因的异常状态产生的定时。
图8是记述了计算机系统103推定错误要因的结果的报告的示例。在报告的输出信息中包含CD-SEM所输出的错误信息以及通过学习器推定的推定结果。具体地,基于CD-SEM所输出的错误的种类,来在Error Detail栏显示或印上错误的种类。在此,例如在未合适地实施寻址的情况下,报告寻址错误,在未恰当地实施对焦调整的情况下,报告对焦错误。
例如,在寻址错误时,在不能进行利用了图3中例示那样的模板图像1503的图像辨识(例如在低倍率图像1501内实施利用了模板图像1503的图案匹配时,搜索表示给定的阈值以上的一致度的部位失败、或搜索到多个候补等)的情况下,CD-SEM对计算机系统103输出错误的信息(种类、程度、评价错误的评价值等,在本例的情况下,是寻址错误、表示图案匹配的一致度的评分、评价评分的阈值等)。
计算机系统103若接收到错误信号,就推定错误要因,报告其结果。如图8例示的那样,计算机系统103将推定器的推定结果和配方信息、样品信息以及装置信息(日志数据)一起输出,作为错误评分。错误评分例如输出成为错误的要因的准确度。评分例如是使用误差逆传播法调校了各神经元的参数的神经网络的输出。此外,也可以按配方信息中所含的每个参数将对错误做出贡献的程度系数化,在推定器的输出上乘以该值来算出错误评分。
图9是表示以配方执行时产生的错误为触发来使学习器学习的工序的流程图。本流程图由计算机系统103实施。计算机系统103可以在开始运用图像取得工具前实施学习处理,也可以如本流程图那样在配方执行中实施,还可以并用它们。
首先,收集错误产生时从CD-SEM输出的错误信息、这时的配方信息、日志数据以及样品信息的至少1者(S1301),根据这些数据集来生成教师数据(S1302)。进而,定期地收集日志数据等,生成以处于正常为标签的教师数据(S1303)。构成学习器,以使其推定正常状态和错误状态这2个状态,并且,使用该学习器来推定测量状态,由此能判定错误的预兆。
例如,定期地收集日志数据等,对正常状态评价推定器和错误产生推定器这2个推定器输入日志数据等,由此从各推定器得到推定结果。在推定结果中正常状态的评分降低而错误状态的评分上升的情况下,则之后存在产生错误的可能性。能通过2个推定器的输出的评价来实施错误产生的预兆诊断。
图10是表示错误产生时的装置修复和学习模型的再学习的工序的流程图。本流程图由计算机系统103实施。计算机系统103可以除了以上说明的流程图以外,还如本流程图所示那样,在错误产生时,在实施修复处理基础上再执行配方,遵循该再执行的结果来实施再学习。
在执行配方(S1401)并进行测量处理时,在产生错误的情况下,计算机系统103遵循图7的流程图来判定其错误要因(S1402)。S1402中的错误要因的判定可以由熟练处置装置的操作人员实施。在错误要因已知(学习器的判定结果为给定的评分以上、或操作人员的判断可靠的情况下)的情况下,实施配方的修正、装置的调整(S1403)。另一方面,在错误要因不明的情况下,在停止装置的基础上实施错误的修复作业(S1404)。
在不知道要因的情况下,需要实施要求专业性的作业。因此,到S1402为止,由使用者所保有的测量系统10实施,在凭借系统、使用者的工程师难以进行要因判断的情况下,可以对测量系统10的管理系统(例如图2的诊断系统)传达该意思。在该情况下,由通过从多个使用者提供的教师数据进行了学习的上位的学习模型、或属于管理公司的专家判断错误要因,实施修复作业。
在实施了S1403~S1404中的调整等后,再执行配方(S1405)。若通过再执行而未产生错误,S1403或S1404中的应对就是正确的。因此,计算机系统103将错误信息和记述了S1403或S1404实施的修正内容的修正信息作为数据集,来生成教师数据(S1406),使用其来实施学习模型的再学习(S1407)。
通过实施图10的流程图所表示的作业,能生成能基于所产生的错误种类的输入而输出合适的应对策略的学习器。
图11是表示实施预兆诊断的学习器的学习工序的流程图。本流程图由计算机系统103实施。计算机系统103能取代图9中说明的流程图或与其并用,通过本流程图的过程来构建能进行预兆诊断的学习器。
计算机系统103在接收到错误信号(S801)后,将存储于日志数据等的过去数据读出(S802)。这里说的过去数据,是过去配方、过去日志数据、过去样品数据等。例如,从错误产生时起回溯给定时间,来读出寻址时的视野移动量、对焦调整时的所需时间、尺寸测量结果等。也可以将过去数据当中的参数急剧变化的特异点选择性地读出(S803)。具体地,可以将表示参数的变化的指标值、每给定时间的变化量或是否超过给定的容许值的信息选择性地读出。也可以取而代之,将在给定的定时取得的参数全部取得。进而,也可以不是参数自身,而是将参数的变化率、特征性的变动作为指标值、标记输出,将其读出。
计算机系统103将错误的种类设为标签,根据与错误的种类相关的信息、和读出或提取出的参数来生成教师数据(S804),使用所生成的教师数据来使学习器学习(S805)。
图12是说明使用遵循图11进行过学习的学习模型来诊断错误的预兆的过程的流程图。本流程图由计算机系统103实施。
计算机系统103以给定的时间为单位收集日志数据(S1601),对经历图11例示的工序进行过学习的学习模型输入收集数据,由此实施错误的预兆诊断(S1602)。由于学习器通过实际产生并被确定的错误种类的信息和错误产生前的日志数据等信息来实施学习,因此,在错误产生前的事态与错误之间有相应的因果关系的情况下,能在实际产生错误前推定错误的产生。
计算机系统103在学习器以给定的准确度推定了之后的错误产生的情况下,能通过产生预兆信号(S1603),来促使装置的使用者进行维护、测量条件的变更等对策。在错误产生前日志数据示出特征性的变化的情况下,根据与该参数状态相关的信息、和从特征性的变化到错误产生为止的时间、测量点数、晶片片数、批数等信息,来生成教师数据,使学习器学习,由此做出输出到错误产生为止的时间等的学习器。
图13是表示设定使用产生错误时从CD-SEM等输出的错误的种类信息和日志数据使学习器学习的学习条件的GUI画面的1例的图。在图13例示的GUI画面上设有:显示从CD-SEM等输出并存储于日志信息存储介质113的日志数据的时间变化的日志数据显示栏1701;从CD-SEM等输出的错误信息的显示栏1702;以及设定成为学习对象的数据的设定栏1703。
在日志数据显示栏1701显示日志数据中存储的多个参数的推移和表示产生错误的定时的条1704。进而,在日志数据显示栏1701显示能用未图示的指向设备等操作的指向器1705,进而显示能通过指向器1705沿着图表的横轴移动的左侧滑块1706和右侧滑块1707。
通过左侧滑块1706和右侧滑块1707进行的时间选择,能将该范围的参数的变化信息选择为教师数据。例如,通过选择与错误关联地在特定的时间能看到特异的行为的参数,能实施效率良好的学习。此外,时间选择例如还能通过对设于设定栏1703的时间设定栏1708的时间输入来实施。
<实施方式2>
在实施方式1中,说明了使用教师数据来使学习器学习的结构例。但还能取而代之,基于正常时(非错误产生时)的参数,通过无教师学习来生成学习模型。例如,存放于计算机系统103的学习器定期地、或在与其他处理比较相对更易于产生错误的处理中保存未产生错误时的参数,来实施无教师学习。通过无教师学习进行过学习的学习器生成、输出未产生错误时的处理的非错误时评分。此外,学习器通过无教师学习来生成、输出错误产生时的错误时评分。
计算机系统103通过接受来自学习器的输出评分并判定是非错误时评分还是错误时评分,来判定错误产生的预兆。错误由于配方的设定条件、装置条件、样品条件等的复合要因而产生,有时难以正确地确定要因,但能通过运用机器学习来提取相关关系。
对通过无教师学习生成的学习模型输入配方设定条件、装置条件、样品条件等,若通过输入而从学习器得到的评分与非错误时的学习模型的非错误时评分比较是异常的评分,就能据此来探测错误产生的预兆。另外,也可以在学习后,将产生错误时的数据也输入到学习器,比较其输出评分和非错误时的评分,由此决定非错误时的评分的范围。在该情况下,计算机系统103在从所设定的评分范围超出的情况下,产生告知错误的产生的警报。
在无教师学习的情况下,能选择性地输入非错误产生时的数据来实施学习。在半导体器件的量产工序中,极少错误频发,存在难以收集利用了错误产生时的数据(参数)的学习所需的数据的情况。由于与错误产生时比较,在非错误产生时(未产生错误时)能得到更多的数据,因此能实施基于充分的学习量的学习。
图14是表示实施无教师学习并使用基于该无教师学习生成的学习完毕模型来实施错误要因的诊断的诊断系统的1例的图。图14例示的系统具备:前处理部1801,其基于从CD-SEM、管理CD-SEM的管理装置输出的学习用信息,来生成学习部407的学习用数据1802。前处理部1801接受CD-SEM等正常工作的状态的数据,生成学习用数据1802。
在学习用数据1802中包含与对象处理相关的信息、与测量条件相关的信息以及装置信息的至少1者。所谓CD-SEM中的对象处理,例如是实施电子显微镜的样品载台的坐标系和电子显微镜所辨识的坐标系的匹配的SEM对准、寻址、AF调整、AST、ABCC等。此外,测量条件例如是寻址时取得的FOV尺寸、AF调整时取得的图像数、帧累计数、EP点与AF调整图案的距离(或偏转信号量)、方向、或各种透镜条件等。此外,也可以是测量时的实际的EP点与AF调整图案的距离(偏转信号量)等。所谓装置信息,例如在作为计算机系统103的管理对象的CD-SEM存在多台的情况下,是该装置的识别信息、与放置该装置的环境相关的信息等关于装置属性的信息。
前处理部1801基于上述1个以上的参数来生成数据集。学习部407基于学习用数据1802对上述多个参数的多个组合实施聚类,通过聚类,按各参数的组合的每一者来生成1个以上的聚类。
图15是通过聚类构建的学习模型的示意图。如图15例示的那样,通过按多个参数的组合(例如参数A与参数B)的每一者生成1个以上的聚类(例如分类I、分类II、分类III),来生成学习模型1901。学习模型1901按多个参数的组合的每一者包含多个聚类,推定部1803执行利用了该学习模型的推定处理。
计算机系统103基于从前处理部1801输出的评价对象数据1804来判定评价对象数据的错误要因。具体地,判定评价对象数据中所含的多个参数的组合的每一者的相关数据是否包含在学习模型中所含的1个以上的聚类中,将与未包含的相关数据相关的参数判定为异常。更具体地,判定在对相关数据1的分类I、II、III定义的范围内是否包含评价对象数据1902。在图15的示例中,由于在相关1中,在范围1904(由分类I的聚类定义的范围)内包含评价对象数据,因此判定为正常。另一方面,相关2的评价对象数据1903不属于在相关2中定义的分类IV、V、VI的任一者,因此将该数据判定为异常。
通过实施利用了实施过以上那样的无教师学习的学习器的推定,能确定异常参数。另外,在对多个相关数据设定的分类的全部或给定的数以上的分类中不含上述测量对象数据这样的情况下,由于存在学习模型未恰当地学习的可能性,因此期望实施模型的再作成等。
半导体器件的制造工序若经过研究开发阶段到达量产工序,错误的产生频度就会降低,就难以作成以错误时得到的数据为教师数据的学习模型。另一方面,一旦产生错误,若在其原因查明需要时间,就也会成为使半导体器件的制造效率降低的要因。因此,虽说是低频度,但谋求迅速的装置修复。经过上述那样的无教师学习生成的学习模型即使是错误产生频度低的状态,也能实施合适的推定。
图16是表示通过无教师学习使学习模型学习的工序的流程图。图16例示的流程图还包含如下工序:在CD-SEM未正常动作的情况、有该可能性的情况下,使其他学习模型进行学习。
首先,计算机系统103基于从CD-SEM等输出的数据来判定在CD-SEM中未产生错误,判定这时的装置状态等(S2001、S2002)。装置状态例如参考评价对象数据1804。接下来,判定是否是在给定的测量条件下测量的,在是在给定的测量条件下测量的情况下,判定所取得的图像是否异常(S2003),在不是给定的测量条件的情况下,判定是否是在恢复(recovery)条件下测量的。关于S2003中的异常判定过程,之后叙述。
基于S2003的异常判定工序中判定为并非异常时的装置信息等,来对基于正常数据的学习模型(第1学习部)进行学习或再学习(S2004)。由于经过图16中例示那样的工序而生成的学习数据(第1学习部用的学习数据)是在不使错误产生且如后述那样产生错误的潜在性低的状况下得到的,因此,能经过无教师学习来构建适于错误要因判定的模型。即,通过将没有错误且正常的(a)对象处理的内容、(b)测量条件、(c)装置信息进行聚类,若使用属于该聚类的这些参数,就能推断为未产生错误。换言之,若使用超出该聚类的参数,就能推定未产生错误。
根据本流程图,能构建基于虽不成为错误但却有成为错误的潜在性的状态的装置条件等来确定会产生的错误、其要因的学习模型。S2005中生成的第2学习模型(第2学习部)基于恢复条件下测量时的装置条件等来生成。所谓恢复,不是理想的测量条件,而是用于执行为了避免错误等而预先准备的处理的处理。作为具体的1例,有基于围绕搜索的视野寻找。如图3例示的那样,为了确定测量对象图案1502的位置而实施寻址,但存在寻址图案未含在为了寻址而取得的低倍率图像1501中的情况。在通过模板匹配找不到一致度高的图案(不存在一致度为给定值以上的部位)的情况下,通过实施围绕搜索,能实施恢复。围绕搜索是通过在当前视野的周边区域使视野循环来搜索合适的视野的处理。围绕搜索的示例的在后述的图17中说明。
另一方面,执行围绕搜索被认为:意味着不能合适地取得低倍率图像1501,表示未合适地设定装置条件的状态、或将来成为错误的可能性高的状态。因此,在执行恢复处理时选择性地收集装置条件等,生成基于其的模型(第2学习部),由此能构建推定错误的预兆的模型。
恢复处理不仅有围绕搜索,例如还有:(a)在执行自动对焦时,在找不到对焦评价值为给定值以上的透镜条件这样的情况下,扩展透镜条件的变动范围来执行自动对焦;(b)多次重复(重试)相同处理的处理等。重试处理并不限于上述,是指产生某种不良状况时选择性地执行的处理总体。
第2学习模型在虽然没有错误但(a)对象处理的内容、(b)测量条件、(c)装置信息当中的至少任一者异常的情况下,将进一步实施了恢复处理时的(a)对象处理的内容、(b)测量条件、(c)装置信息进行聚类。由此,若使用属于该聚类的这些参数,就能推定为未产生错误,并且假如实施了恢复处理,就能推定是否能通过该恢复处理进行恢复。
关于不能通过恢复处理进行恢复的情况,也可以同样地生成将这些参数聚类的第4学习模型(第4学习部)(S2006)。由此,若使用属于该聚类的这些参数,就能推定为未产生错误,并且,假如实施了恢复处理,就能推定是否能通过该恢复处理进行恢复。例如能比较第3模型的推定评分和第4模型的推定评分,根据哪一者高,来推定是否能进行恢复。
也可以收集在S2003中判断为所取得的图像等异常时的装置条件等,构建第3学习模型(第3学习部)(S2006)。根据这样构建的模型,能判定虽然不成为错误但却未实施合适的测量这样的状态。即,通过将没有错误且是正常的测量条件但图像却变得异常这样的(a)对象处理的内容、(b)测量条件、(c)装置信息进行聚类,若使用属于该聚类的这些参数,就能推定为虽然未产生错误但图像却成为异常。
在由CD-SEM等接收到错误信号的情况下,计算机系统103构建第4学习模型(S2007)。由于从CD-SEM接收错误信号,确定错误的种类,因此,在该情况下,可以实施以错误的种类为标签的有教师学习。
图17是表示实施围绕搜索的样态的示意图。如图17例示的那样,通过使视野移动以包围最初的低倍率图像1501的周围,来实施在各个视野位置实施图案匹配的围绕搜索,从而能发现寻址图案1504。
图18是说明S2003中执行的异常判定的示例的图。图18的上图表示测定对象图案2102的周围图像2101。通过寻址来在包含测定对象图案2102的视野位置2105确定视野位置,能取得图像2107。另一方面,由于寻址的失败、带电的影响、工艺变动导致的图案变形等而视野偏离,取得视野位置2106的图像2108,在测定了图案2103的情况下,测定与目的不同的图案。在该情况下,即使在装置上不成为错误,所输出的数据也会成为异常数据。
因此,为了探测是否产生了这样的异常,例如可以预先准备与图像2107相同的图像数据(模板),在S2003的异常判定时评价图案匹配的一致度,由此判定所取得的图像是否合适(是否不是错误的位置的图像)。在正确的视野位置取得的测长用的图像2107中摄入其他图案2104,与实施针对图像2108的模板匹配的情况比,一致度变高。因而,也可以在低于给定的一致度这样的情况下,判定为输出了异常数据。此外,异常判定也可以将图像的锐度、视野移动量等作为评价对象来进行判定。
以上那样的异常判定为了合适地选择成为学习对象的模型而实施,也可以不是在实际的配方执行时实施,而是在数据蓄积某种程度后实施。
学习模型的学习可以在CD-SEM等的测量处理执行中实时实施,也可以在离线蓄积了某种程度数据的阶段实施。进而认为,在管理多个CD-SEM的计算机系统中,在有特定的装置固有的异常的情况下,在实施利用了相同配方的测量时,会产生起因于装置的硬件的异常。因此,可以分开作成起因于硬件的模型,也可以在作成上述第1~第4学习模型时,使学习数据中包含装置的识别信息。
<实施方式3>
图19是本公开的实施方式3所涉及的装置4100的结构图。装置4100作为1例构成为CD-SEM。从维持在高真空的外壳4124内所保持的电子源4101放出的电子被由高压电源4125施加了高压电压的1次电子加速电极4126加速。电子束4106(带电粒子束)在会聚用的电子透镜4127会聚。电子束4106在光圈1828被调节了射束电流量后,在扫描线圈4129偏转,对晶片4105上二维地进行扫描。电子束4106在配置于样品即半导体晶片(以下仅称作晶片)4105的正上方的电子物镜4130被聚集,并进行对焦,入射到晶片4105。作为1次电子(电子束1806)所入射的结果而产生的2次电子4131被2次电子检测器4132检测。由于检测到的2次电子的量反映了样品表面的形状,因此能基于2次电子的信息将表面的形状图像化。
将晶片4105在静电吸盘4107上确保一定的平坦度的同时进行保持,固定在X-Y载台4104上。在图19中,以从横向来看外壳和其内部构造的截面图进行记述。因此,晶片4105在X方向、Y方向的哪个方向上都能自由动作,能测量晶片面内的任意的位置。此外,在X-Y载台4104中具备晶片运送用升降机构4133,其为了将晶片4105相对于静电吸盘4107拆装而装入了能上下动作的弹性体,能通过与运送机器人4134的协作动作在与加载室(预备排气室)4135之间实施晶片4105的交接。计算机系统4120基于来自实时检测X-Y载台4104的位置的位置检测器(例如激光位移计)的检测信号和测量时刻,来实施X-Y载台4104的定位控制,在后述的存储装置中记录与X-Y载台4104的移动位置相关的追踪信息(日志信息、移动历史记录信息)(时间与位置的关系)。
说明将测定对象即晶片4105运送至静电吸盘4107时的动作。首先,将晶片盒4136中所放置的晶片用微环境4137的运送机器人4138运入到加载室4135。加载室4135内能通过未图示的真空排气系统来进行抽真空以及大气开放,通过阀(无图示)的开闭和运送机器人4134的动作,在将外壳4124内的真空度维持在实用上没有问题的水平的同时,将晶片4105运送到静电吸盘4107上。在外壳4124安装表面电位计4139。表面电位计4139固定于距探头前端的距离合适的高度方向的位置,以使得能非接触地测定静电吸盘4107或晶片4105的表面电位。
装置4100的各构成要素能使用通用的计算机来控制。在图19中,示出由计算机系统4120实现控制系统的结构的示例。计算机系统4120至少具备CPU(Central ProcessingUnit,中央处理器)等处理器、存储器等存储部、硬盘(包含图像保存部)等存储装置。该存储装置可以是包含与图1中详述的测量配方存储介质105、日志信息存储介质113、样品信息存储介质106以及设计数据存储介质114同样的存储介质的结构,也可以构成为在各存储介质中记录与图1同样的信息。进而,例如,也可以将计算机系统4120构成为多处理器系统,由主处理器构成外壳4124内的电子光学系统的各构成要素所涉及的控制,关于X-Y载台4104、运送机器人4134、4138以及表面电位计4139所涉及的控制、和用于基于由2次电子检测器4132检测到的信号生成SEM像的图像处理,分别由子处理器构成。
在计算机系统4120连接输入输出设备(用户接口)4141。输入输出设备4141具有:用于用户输入指示等的输入设备;和显示用于输入这些的GUI画面以及SEM图像等的显示设备。输入设备例如是鼠标、键盘、音声输入装置等能由用户输入数据、指示的设备即可。显示设备例如是显示器装置。这样的输入输出设备(用户接口)可以是能进行数据的输入以及显示的触控面板。
已知,若对半导体光刻的ArF曝光技术等中所用的光刻胶(以下也称作“抗蚀剂”)使用CD-SEM进行测长,则由于电子束的照射而抗蚀剂收缩。为了减少收缩量从而对微细的抗蚀剂图案高精度地进行测长,期望极力减少对抗蚀剂的电子束的照射量,因此需要避免对这样的抗蚀剂的相同区域多次照射电子束来实施测长。
在CD-SEM等中,作为避免对抗蚀剂的相同区域多次照射电子束的方法,考虑如下方法:在实际执行测量配方(供给到CD-SEM等的过程、处理方法、参数和所指定的数据的集合或程序)前,预先根据该测量配方的过程、参数等信息来分配照射(扫描)电子束的区域,作成不对相同区域重复照射(扫描)电子束这样的测量配方。
图19所示的装置(CD-SEM)4100的计算机系统4120若根据来自输入输出设备(用户接口)4141的指示而开始测量配方的执行,就遵循该测量配方中指定的过程等信息来控制X-Y载台4104,使被测定样品4105移动到给定的位置,来实施对象图案的测量。一般,半导体检查装置、半导体制造装置中采用的载台多使用滑动机构。已知,这样的滑动机构的滑动面特性由于对应于速度、加速度、间隔、移动距离等驱动条件而滑动面的磨耗状态等发生变化,进行随时间变化。因此,X-Y载台4104即使事前实施了定位的初始调整,也会存在产生如下等问题的情况:对应于滑动面特性的随时间变化(例如由于滑动面的磨耗而部件间的间隙(游隙)变大等)而载台的工作范围(移动可能范围)微小地发生变化;或者,停止位置精度(定位精度)变差。因此,为了作成不对上述的相同区域重复照射(扫描)电子束这样的测量配方,需要在依照这样的载台的停止位置精度的随时间变化的基础上不断设定所需的控制参数等。
然而,在相同机种的CD-SEM存在多台的情况下,期望在相同测量检查工序中不变更地使用相同测量配方。这是因为,在不能使用相同测量配方、需要各自进行测量配方的参数设定等的情况下,不仅需要按每个装置调整参数的时间,参数还不能共用化等,测量配方的管理也变得复杂。
但为了在多台装置中使用相同测量配方,即使是上述的随时间变化导致的载台的工作范围(移动可能范围)的微小变化、停止位置精度的变动在每个装置中不同的情况,也需要该测量配方相对于各装置没有问题地动作。即,为了作成不对样品的相同区域重复照射(扫描)电子束这样的各装置共通的(相同的)测量配方,需要在考虑到按每个装置不同的载台的随时间变化的基础上,设定测量配方的参数等。
图20是表示3台装置(CD-SEM)4100(4100-1、4100-2、4100-3)经由总线或网络与计算机系统4120连接的测量系统的1例的图。计算机系统4120能经由总线或网络来访问存储CD-SEM的动作程序即配方的测量配方存储介质105、存储CD-SEM的到当前为止的装置状态的日志信息存储介质113、存储CD-SEM的测量对象即样品信息的样品信息存储介质106以及存储半导体器件的设计数据的设计数据存储介质114。此外,在计算机系统4120连接有能对计算机系统4120进行数据的输入、输出的输入输出设备4141。
计算机系统4120由1个以上的计算机子系统构成。在计算机系统4120中包含:计算机可读介质4208;执行存储于该计算机可读介质4208的各组件(模块)的处理单元107。在计算机可读介质4208中存储对与上述那样的计算机系统103能访问地连接的存储介质中所存储的信息、用户经由输入输出设备(用户接口)4141指示的信息进行处理的各种组件4214。各种组件4214包括:对与装置4100中实施处理的晶片相关的晶片信息、芯片内信息进行处理的晶片信息处理组件4209;对测定的顺序、各种对准信息等进行处理的配方信息处理组件4210;对记录了载台移动位置的日志信息进行处理的载台信息处理组件4211;对扫描重叠测试信息进行处理的扫描重叠测试组件4212;对扫描重叠测试结果的信息进行处理的扫描重叠测试结果处理组件4213。此外,关于与图1共通的各构成要素,与图1的说明同样。
图21是实施各装置中的载台位置精度的解析的解析画面的1例。该画面所涉及的功能由载台信息处理组件4211来处理。
用户经由单元(Unit)菜单4301来指定实施载台位置精度的解析的对象装置。载台信息处理组件4211从日志信息存储介质113或计算机系统4120内的存储部、存储装置将与该指定的对象装置的载台移动相关的追踪信息(日志信息、移动历史记录信息)读出,显示于载台位置精度信息显示部4304。此外,载台信息处理组件4211将与以载台轴的选择按钮4303选择的移动轴(X轴或Y轴)相应的日志信息显示于载台位置精度信息显示部4304。
在载台位置精度信息显示部4304,以测量点/检查点的连续编号(MP/IP No.)为横轴,以与载台移动相关的目标位置与停止位置的偏离量为纵轴,来显示与过去的载台移动相关的追踪信息。在图43的载台位置精度信息显示部4304,作为1例,显示测量点/检查点的连续编号1~5的追踪信息4305、测量点/检查点的连续编号50001~50005的追踪信息4306。各测量点/检查点的追踪信息以偏离量和间隙量显示。例如,各测量点/检查点1的追踪信息以偏离量x1和间隙量Wx1显示,各测量点/检查点50001的追踪信息以偏离量x50001和间隙量Wx50001显示。在此,所谓间隙量,是指和载台移动相关的目标位置与停止位置的偏离量的变动幅度。间隙量是能通过构成载台的滑动机构必然具有的机械性游隙(间隙)产生的偏离量的变动幅度,例如能基于来自实时检测X-Y载台4104的位置的位置检测器(例如激光位移计)的检测信号和测量时刻来算出。或者,间隙量能通过对过去的多次的载台移动时的来自位置检测器的检测信号和测量时刻所涉及的数据进行统计处理(使用例如标准误差、标准偏差、平均值的可靠区间等)来求取。此外,若构成载台的滑动机构的滑动面特性随时间变化,则间隙量也随时间变化。一般,若载台的移动次数增加,则由于滑动面的磨耗而部件间的间隙(游隙)变大,因此间隙量也处于与初始的值比较而变大的倾向。
若用户在载台偏差限制设定部4308的容限4314输入所期望的数值并按下应用(Apply)按钮,则载台信息处理组件4211基于该输入数值显示容限的宽度(条)4320、4321。这里设定的容限的值作为后述的图24的扫描重叠测试执行流程的重复区域检查的步骤中的处理参数来使用。
用户在扫描重叠参数设定部4322实施来自日志信息统计处理设定部4309的参数设定和来自预兆诊断设定部4413的参数设定。这些设定部中设定的各参数作为在后述的扫描重叠测试画面(图22)的载台位置精度因子设定部4409中选择了日志信息统计处理4415或预兆诊断4416的情况的处理参数来使用。
用户在日志信息统计处理设定部4309,从测量点/检查点编号设定部4311指定实施追踪信息的统计处理的测量点/检查点的对象范围,从测量处理设定部4310指定追踪信息的统计处理的方法(平均值或最大值)。在希望在统计处理中考虑间隙量的情况下,在间隙信息运用复选框4312打勾选标志来进行指定。
用户在预兆诊断设定部4313,基于过去取得的追踪信息来实施用于推测将来的测量点/检查点处的追踪信息的参数设定。若用户在测量点/检查点编号设定部4316输入所期望的数值(编号或范围)并按下推定(Presumption)按钮,载台信息处理组件4211就基于过去取得的追踪信息来推测对象范围的测量点/检查点的追踪信息,将推测结果显示于载台位置精度信息显示部4304。在图21中,作为1例,显示在测量点/检查点编号90001中推测的追踪信息4307(偏离量x90001、间隙量Wx90001)。
若用户在决定各种扫描重叠参数后按下Save按钮4318,载台信息处理组件4211就将该各种扫描重叠参数保管在日志信息存储介质113中。
用户经由图21的载台位置精度解析画面来对各装置的各移动轴(X轴或Y轴)进行上述的操作和设定。
图22是扫描重叠测试画面的1例。该画面所涉及的功能由扫描重叠测试组件4212来处理。
用户经由文件(File)菜单4411来指定记述了测定的顺序、各种对准信息的IDS文件。此外,用户经由IDW文件载入(File Load)按钮来指定记述了与晶片相关的晶片信息、芯片内信息的IDW文件。扫描重叠测试组件4212基于这些指定来从日志信息存储介质113或计算机系统4120内的存储部、存储装置将该指定的IDS文件、IDW文件读出,并显示于配方信息显示部4402。
IDS文件、IDW文件是用户经由其他设定画面(无图示)使用所期望的条件、参数设定来作成或编辑的文件,记录于日志信息存储介质113或计算机系统4120内的存储部、存储装置中。IDS文件、IDW文件的作成、编辑所涉及的功能通过晶片信息处理组件4209、配方信息处理组件4210来处理。
在扫描重叠测试画面上,通过扫描重叠测试组件4212来显示IDS文件的名称4401、IDW文件的名称4403、对准点信息4405、测量点/检查点信息4404。在对准点信息4405中包含用于进行测量的对准点的信息(对准芯片、芯片内坐标、对准条件、用于自动检测的图像等),在测量点/检查点信息4404中包含测量点的信息(测长芯片、芯片内坐标、测长条件等)。
用户在扫描重叠设定部4417设定设为扫描重叠测试的对象的装置设定4407和载台位置精度因子设定部4409。
用户能在装置设定4407选择指定与图20所示的系统连接的全部装置(装置4100-1~4100-3)的情况的“全部(ALL)”和指定特定的装置的情况的“已选择(Selected)”。在选择“已选择”的情况下,经由单元按钮来指定设为对象的装置。
在执行扫描重叠测试时,在考虑从图43的载台位置精度解析画面决定的载台位置精度因子(条件、设定参数)的情况下,用户在载台位置精度因子设定部4409选择日志信息统计处理4415或预兆诊断4416。在不考虑载台位置精度因子的情况下,选择“没有(None)”4414。
进行以上的设定,若按下开始(Start)按钮4418,就执行扫描重叠测试。
图23是表示扫描重叠测试的从开始到结束的一系列的流程的流程图。用户作成、编辑IDW文件、IDS文件(S4501~S4502)。计算机系统4120对装置4100的载台位置精度进行解析(S4503)。用户在图21的画面上设定扫描重叠参数(S4504)。计算机系统4120将IDS文件和IDW文件读入(S4505)。用户在单元菜单4301指定2台以上的测试扫描位置的重叠的装置(S4506)。用户指定测试扫描位置的重叠时的各参数(S4507)。计算机系统4120在遵循设定而在各装置4100中使用相同配方的情况下,测试扫描位置重叠的部位是在哪个装置4100中产生的(S4508)。计算机系统4120显示测试结果,用户对其进行确认(S4509)。在存在扫描位置重叠的(即,对相同位置不需要地重复射束照射的)场所的情况下,返回S4501并重复同样的处理。在不存在的情况下,计算机系统4120将各装置4100的配方、其他关联参数更新(S4511)。
图24是表示S4508的详细步骤的流程图。计算机系统4120将所指定的各装置4100的日志数据读出(S4601)。计算机系统4120算出所指定的各装置4100中的载台位置精度参数(S4602)。计算机系统4120计算所指定的各装置4100中的扫描区(S4603)。计算机系统4120检查扫描位置重叠的部位是在哪个装置4100中产生的(S4604)。计算机系统4120在后述的图25的画面中提示检查结果(S4605~S4606)。
图25是表示扫描重叠测试的执行结果的画面的1例。该画面所涉及的功能由扫描重叠测试结果处理组件4213来处理。
在扫描信息表格4701,基于从扫描重叠测试画面读出的IDS文件、IDW文件的设定信息,按每一行来显示各个对准点信息4405、测量点/检查点信息4404中的测试结果。
用户若在从扫描信息表格4701点击指定了希望确认测试结果的细节的行后按下Show按钮4705,就在扫描图缩略图显示部4709缩略图显示测试详细结果。在图47中,作为在扫描信息表格4701中指定No.002和No.003的测试结果的2行,按下Show按钮4705的结果,显示该两个点处的测试结果(扫描区域的测试结果)。进而,用户若在扫描图缩略图显示部4709从输入输出设备指定了希望放大来阅览的区4717,就在扫描图显示部4730放大显示该区4717的细节。
扫描图缩略图显示部4709能通过操作缩放条4719来进行画面的放大缩小。此外,扫描图显示部4720能通过缩放条4719的操作、或从倍率设定部4718指定倍率,来进行画面的放大缩小。
用户能经由阅览操作部4723进行对测试结果的种种阅览操作。用户若在从扫描信息表格4701点击指定了测试结果的给定的行后按下隐藏(Hide)按钮4706,则从扫描图缩略图显示部4709以及扫描图显示部4730,与所指定的行对应的测试结果成为非显示。若按下跳转(Jump)按钮4702,就启动连续编号4724的输入画面(无图示),能指定与所输入的连续编号对应的测试结果的行。若按下置前(Bring to Front)按钮4703,就指定扫描信息表格4701的排头行,若按下置后(Send to Back)按钮4704,就指定扫描信息表格4701的最终行。若按下下一重叠(Next Overlap)按钮4707,就在扫描信息表格4701、扫描图缩略图显示部4709以及扫描图显示部4730中指定、显示下一重叠区的结果,若按下前一重叠(Prev.Overlap)按钮4708,就在扫描信息表格4701、扫描图缩略图显示部4709以及扫描图显示部4730指定、显示前一重叠区的结果。
接下来,说明测试结果的内容。在扫描信息表格4701中显示测试结果的连续编号4724、扫描信息4725(成为扫描的起点的对准点或测量点/检查点的详细信息)、X方向倍率4726、Y方向倍率4727。在图25的示例中,No.002的行与对准点(对准图案)4711中的测试结果对应,No.003的行与对准点(对准图案)4714中的测试结果对应。此外,No.002的行的测试结果在扫描图缩略图显示部4709上显示为扫描区4710以及扫描区4716,No.003的行的测试结果在扫描图缩略图显示部4709上显示为扫描区4713以及扫描区4724。此外,测长点(测长图案)4712、4715各自表示在用对准点(对准图案)4711、4714寻址后成为测量的对象的测长点(测长图案)。
扫描区4710、4713、4716、4724使用在载台位置精度解析画面(图21)中保存的各装置的扫描重叠参数来算出。即,扫描重叠测试结果处理组件4213遵循各装置中的扫描重叠参数设定部4322的各种参数(图21)和扫描重叠测试画面(图22)的扫描重叠设定部4417,来计算扫描区4710、4713、4716、4724,在扫描重叠测试执行结果画面(图25)上显示该计算结果。
以实线示出的扫描区4710、4713表示在各装置中没有X-Y载台4104的偏离量的(偏离量=0)理想的情况下的最大的扫描区,以点线示出的扫描区4716、4724表示在各装置中存在X-Y载台4104的偏离量(偏离量≠0)且随时间变化的情况下的最大的扫描区。在图25的示例中,在没有偏离量(偏离量=0)的理想的状态下,在No.002的扫描区4710与No.003的扫描区4713之间不存在重复区域(重叠区)。另一方面,在存在偏离量且随时间变化的状态下,No.002的扫描区4716和No.003的扫描区4724存在相互重复的区。这表示,在相同机种的装置4200-1~4200-3中,在使用相同测量配方(由IDS文件以及IDW文件构成的配方)来实施了测定的情况下,在每个装置中存在偏离量且进行随时间变化的实际的状态下,在扫描时会产生重叠区。
在用户希望变更扫描重叠参数设定的情况下,从扫描重叠测试执行结果画面的载台解析菜单4722指定希望变更参数设定的对象装置。通过该指定,载台位置精度解析画面(图21)启动,能变更对象装置中的所期望的参数设定。进而,在变更参数设定后,能从再检查菜单4721再度执行扫描重叠测试。
在以上所示的实施例所涉及的公开中,说明了如下那样的系统、方法、存放程序的非临时计算机可读介质:基于扫描第1检查用射束来检查第1样品的多个检查点的第1检查装置在所述第1样品的检查中记录使所述第1样品移动的第1移动机构的移动轨迹的第1追踪信息、和扫描第2检查用射束来检查第2样品的多个检查点的第2检查装置在所述第2样品的检查中记录使所述第2样品移动的第2移动机构的移动轨迹的第2追踪信息,来决定或调整在所述第1检查装置以及第2检查装置中都使用的检查配方的检查用射束扫描区域。
根据上述的实施例所涉及的本公开,由于能在考虑到按每个装置不同的载台位置精度的偏离量和其随时间变化的基础上,设定测量配方的参数,因此,能作成电子束不会重复照射(扫描)到样品的相同区域这样的各装置共通(相同)的测量配方。即,在存在多台相同机种的CD-SEM的情况下,在相同测量检查工序中,能不变更地使用相同测量配方。此外,若将该作成的相同测量配方在多台装置中使用,即使是随时间变化导致的载台的工作范围(移动可能范围)的微小变化、停止位置精度的变动在每个装置中不同的情况,也起到该测量配方对各装置没有问题地动作的效果。
<关于本公开的变形例>
本公开并不限定于前述的实施方式,包含种种变形例。例如,上述的实施方式为了易于理解地说明本发明而详细进行了说明,但不一定限定于具备说明的全部结构。此外,能将某实施方式的结构的一部分置换成其他实施方式的结构,此外,还能在某实施方式的结构中加进其他实施方式的结构。此外,能对各实施方式的结构的一部分进行其他结构的追加、删除、置换。
例如,实施方式1中作为学习数据而说明的各数据和实施方式2中作为学习数据而说明的各数据能并用。或者,也可以仅使用实施方式1~2中作为学习数据而说明的各数据当中的一部分来实施学习。
在实施方式2中,说明了生成4个学习部,但也可以取而代之仅生成1个学习器,在该1个学习器中,向与第1学习部~第4学习部对应的4个分类的任一者实施聚类。
附图标记的说明
10:测量系统
100~102:CD-SEM
103:计算机系统
105:测量配方存储介质
106:样品信息存储介质
113:日志信息存储介质
114:设计数据存储介质
1901:学习模型
4100:装置
4120:计算机系统。
Claims (18)
1.一种诊断系统,对测量或检查样品的装置的状态进行诊断,所述诊断系统的特征在于,
所述诊断系统具备:计算机系统,其推定在所述装置中产生的错误的原因,
所述计算机系统具备:
学习器,其通过机器学习来学习规定所述装置的动作的配方、记述了所述装置的状态的日志数据或记述了所述样品的特性的样品数据当中的至少任一者与所述错误的种类之间的对应关系,
所述计算机系统在所述学习器实施了所述机器学习后,在所述装置中产生了所述错误的情况下,通过将产生所述错误时所述装置所使用的所述配方、产生所述错误时的所述日志数据或产生所述错误时的所述样品数据当中的至少任一者对所述学习器投入,取得关于所述错误的原因当中的起因于所述配方、所述装置的状态或所述样品的特性的至少任一者的原因的推定结果,作为所述学习器的输出,输出该推定结果。
2.根据权利要求1所述的诊断系统,其特征在于,
所述学习器进一步学习规定所述装置的动作的配方的变动量、记述了所述装置的状态的日志数据的变动量或记述了所述样品的特性的样品数据的变动量当中的至少任一者与所述装置的检查精度的变动量之间的对应关系,
所述计算机系统通过将新的所述配方、新的所述日志数据或新的所述样品数据当中的至少任一者对所述学习器投入,来取得关于所述装置的检查精度的变动量的推定结果,作为所述学习器的输出,输出该推定结果。
3.根据权利要求1所述的诊断系统,其特征在于,
所述学习器进一步将未产生所述错误时的所述配方、所述日志数据或所述样品数据当中的至少任一者与表示未产生所述错误的意思一起学习,
所述学习器进一步将所述错误的产生概率与所述错误的种类一起学习,
所述学习器进一步将所述错误的不产生概率与表示未产生所述错误的意思一起学习,
所述计算机系统在所述学习器实施了所述机器学习后,通过将所述配方、所述日志数据或所述样品数据当中的至少任一者对所述学习器投入,来取得所述产生概率和所述不产生概率,作为所述学习器的输出,
所述计算机系统遵循所述产生概率和所述不产生概率来诊断产生所述错误的预兆的程度,输出其诊断结果。
4.根据权利要求1所述的诊断系统,其特征在于,
所述错误的原因的推定结果是缘于已知的原因的推定结果的情况下,所述计算机系统在修正了所述配方或所述装置的状态当中的至少任一者的基础上,从所述装置取得再检查结果,
在所述再检查结果正常的情况下,所述计算机系统将取得所述再检查结果时所述装置所使用的所述配方、取得所述再检查结果时的所述日志数据或取得所述再检查结果时的所述样品数据当中的至少任一者与表示未产生所述错误的意思一起再学习。
5.根据权利要求4所述的诊断系统,其特征在于,
在所述再检查结果为所述错误且所述错误的原因的推定结果不是缘于已知的原因的推定结果的情况下,所述计算机系统在实施了错误修复处理的基础上,从所述装置重新取得所述再检查结果,
在所重新取得的所述再检查结果正常的情况下,所述计算机系统使所述学习器实施所述再学习。
6.根据权利要求3所述的诊断系统,其特征在于,
所述诊断系统还具备:存储部,其存储所述配方的随时间变化、所述日志数据的随时间变化或所述样品数据的随时间变化当中的至少任一者,
所述学习器学习所述配方的随时间变化当中的随时间变化量为阈值以上的部分、所述日志数据的随时间变化当中的随时间变化量为阈值以上的部分、或所述样品数据的随时间变化当中的随时间变化量为阈值以上的部分的至少任一者、与所述产生概率或所述不产生概率当中的至少任一者之间的对应关系,
所述计算机系统通过将所述配方的随时间变化、所述日志数据的随时间变化或所述样品数据的随时间变化当中的至少任一者对所述学习器投入,来取得所述产生概率和所述不产生概率,作为所述学习器的输出。
7.根据权利要求1所述的诊断系统,其特征在于,
所述学习器具备:
第1学习部,其学习所述配方与所述错误的种类之间的对应关系;
第2学习部,其学习所述日志数据与所述错误的种类之间的对应关系;
第3学习部,其学习所述样品数据与所述错误的种类之间的对应关系;和
第4学习部,其学习所述第1学习部的推定结果、所述第2学习部的推定结果、所述第3学习部的推定结果、所述错误的种类之间的对应关系,
所述学习器输出所述第1学习部、所述第2学习部、所述第3学习部、所述第4学习部各自的推定结果,作为所述学习器的输出。
8.根据权利要求1所述的诊断系统,其特征在于,
所述装置是取得所述样品的图像的图像取得装置,
所述学习器学习所述样品上的检查点的个数、所述检查点的所述样品上的坐标、所述装置检查所述样品前预先取得的所述样品的图像、所述装置的检查条件、所述装置的检查序列当中的至少任一者,作为所述配方,
所述学习器学习成为确定所述检查点时的基准的寻址图案的坐标、自动对焦的所需时间、实施自动亮度对比度调整时的增益值以及偏压值、形成于所述样品上的图案的形状和尺寸、所述装置所具备的传感器的输出值、对所述装置所具备的部件供给的电压值和电流值、对DA转换器的控制信号当中的至少任一者,作为所述装置的状态,
所述学习器学习所述样品的制造条件、为了将形成所述样品上的图案时所用的抗蚀剂图案进行图案形成而使用的曝光机的种类、所述曝光机的曝光条件、所述抗蚀剂图案的材料、所述抗蚀剂图案的膜厚、所述抗蚀剂图案的形状和尺寸当中的至少任一者,作为所述样品的特性。
9.一种诊断系统,诊断测量或检查样品的装置的状态,所述诊断系统的特征在于,
所述诊断系统具备:计算机系统,其推定在所述装置中产生的错误的原因,
所述计算机系统具备:学习器,其将记述了所述装置所实施的检查处理的内容的处理内容数据、所述装置的检查条件、记述了所述装置的属性的属性数据当中的1者以上的组合通过机器学习进行聚类,
在所述学习器实施了所述机器学习后,在所述装置中产生了所述错误的情况下,所述计算机系统通过将记述了产生所述错误时所述装置所实施的所述检查处理的内容的所述处理内容数据、产生所述错误时的所述检查条件、所述属性数据当中的1者以上的第1组合对所述学习器投入,来将所述第1组合向通过进行所述聚类得到的聚类当中的任一者分类,
所述计算机系统遵循所述分类的结果来取得关于是否产生所述错误的推定结果,输出该推定结果。
10.根据权利要求9所述的诊断系统,其特征在于,
所述装置是取得所述样品的图像的图像取得装置,
所述计算机系统通过使所述学习器学习未产生所述错误并将所述第1组合向所述分类当中的任一者聚类、且所述图像正常时的所述第1组合,来生成第1学习部,该第1学习部将未产生所述错误而所述检查处理的内容、所述检查条件和所述属性均正常且所述图像正常的情况下的所述第1组合聚类,
所述计算机系统在遵循新的所述第1组合是否分类到所述第1学习部的聚类结果当中的任一者而使用了新的所述第1组合时,从所述第1学习部取得是否未产生所述错误而所述检查处理的内容、所述检查条件和所述属性均正常且所述图像成为正常的推定结果。
11.根据权利要求9所述的诊断系统,其特征在于,
所述装置是取得所述样品的图像的图像取得装置,
所述计算机系统通过使所述学习器学习未产生所述错误而所述第1组合向所述分类当中的任一者聚类且所述图像异常时的所述第1组合,来生成第3学习部,该第3学习部将未产生所述错误而所述检查处理的内容、所述检查条件和所述属性均正常且所述图像异常的情况下的所述第1组合聚类,
所述计算机系统在遵循新的所述第1组合是否分类到所述第3学习部的聚类结果当中的任一者而使用了新的所述第1组合时,从所述第3学习部取得是否未产生所述错误而所述检查处理的内容、所述检查条件和所述属性均正常且所述图像成为异常的推定结果。
12.根据权利要求9所述的诊断系统,其特征在于,
在未产生所述错误而所述第1组合向所述分类当中的哪一者都未聚类的情况下,所述计算机系统使所述装置实施为了避免所述错误而预先规定的恢复处理,
所述计算机系统通过使所述学习器学习未产生所述错误而所述第1组合向所述分类当中的哪一者都未聚类且通过所述恢复处理避免了所述错误时的所述第1组合,来生成第2学习部,该第2学习部将未产生所述错误而所述检查处理的内容、所述检查条件和所述属性当中的至少任一者异常且所述恢复处理中所用的所述检查处理的内容、所述检查条件和所述属性正常的情况下的所述第1组合聚类,
所述计算机系统在遵循新的所述第1组合是否分类到所述第2学习部的聚类结果当中的任一者而使用了新的所述第1组合时,从所述第2学习部取得是否未产生所述错误而所述检查处理的内容、所述检查条件和所述属性当中的至少任一者异常、且所述恢复处理中所用的所述检查处理的内容、所述检查条件的所述属性成为正常的推定结果。
13.根据权利要求9所述的诊断系统,其特征在于,
在未产生所述错误而所述第1组合向所述分类当中的哪一者都未聚类的情况下,所述计算机系统使所述装置实施为了避免所述错误而预先规定的恢复处理,
所述计算机系统通过使所述学习器学习未产生所述错误而所述第1组合向所述分类当中的哪一者都未聚类且未通过所述恢复处理避免所述错误时的所述第1组合,来生成第4学习部,该第4学习部将未产生所述错误而所述检查处理的内容、所述检查条件和所述属性当中的至少任一者异常且所述恢复处理中所用的所述检查处理的内容、所述检查条件和所述属性当中的至少任一者异常的情况下的所述第1组合聚类,
所述计算机系统在遵循新的所述第1组合是否分类到所述第4学习部的聚类结果当中的任一者而使用了新的所述第1组合时,从所述第4学习部取得是否未产生所述错误而所述检查处理的内容、所述检查条件和所述属性当中的至少任一者异常且所述恢复处理中所用的所述检查处理的内容、所述检查条件和所述属性当中的至少任一者成为异常的推定结果。
14.根据权利要求9所述的诊断系统,其特征在于,
所述装置是取得所述样品的图像的图像取得装置,
所述学习器学习将载置所述样品的载台的坐标系和所述装置的坐标系对位的对准、使检查位置向所述样品上的检查点移动的寻址、自动对焦机构的调整、自动像散修正、自动亮度对比度调整当中的至少任一者,作为所述检查处理的内容,
所述学习器学习所述寻址时取得的视野尺寸、所述自动对焦机构的调整时取得的图像数、所述图像的帧累计数、所述自动对焦机构的调整时所用的所述样品上的形状图案与检查点之间的距离、所述自动对焦机构的调整时所用的所述样品上的形状图案与检查点之间的相对方向、透镜条件当中的至少任一者,作为所述检查条件,
所述学习器学习所述装置的识别符、设置所述装置的环境的特性当中的至少任一者,作为所述装置的属性。
15.一种诊断系统,诊断对样品照射带电粒子束的带电粒子线装置,所述诊断系统的特征在于,具备:
计算机系统,其诊断所述带电粒子束是否对所述样品的相同位置重复照射,
所述计算机系统基于扫描第1带电粒子束检查第1样品的多个检查点的第1带电粒子线装置在所述第1样品的检查中记录了使所述第1样品移动的第1移动机构的移动轨迹的第1追踪信息、和扫描第2带电粒子束检查第2样品的多个检查点的第2带电粒子线装置在所述第2样品的检查中记录了使所述第2样品移动的第2移动机构的移动轨迹的第2追踪信息,来决定所述第1带电粒子线装置以及第2带电粒子线装置都使用的检查配方的检查用射束扫描区域。
16.根据权利要求15所述的诊断系统,其特征在于,
所述计算机系统从相同机种的多个所述带电粒子线装置分别取得记述了载置所述样品的载台的定位精度的变动幅度的追踪数据,
所述计算机系统遵循从各所述带电粒子线装置取得的所述追踪数据所记述的所述变动幅度,来判断各所述带电粒子线装置实施了相同动作时是否对所述样品上的相同位置重复照射容许次数以上的所述带电粒子束,
所述计算机系统输出所述判断的结果。
17.根据权利要求15所述的诊断系统,其特征在于,
所述第1追踪信息记述了所述第1移动机构将所述第1样品定位时的位置变动幅度的历史记录,
所述第2追踪信息记述了所述第2移动机构将所述第2样品定位时的位置变动幅度的历史记录,
所述计算机系统遵循所述第1追踪信息所记述的位置变动幅度的历史记录来计算所述第1移动机构的定位的最大变动幅度,作为第1变动幅度,
所述计算机系统遵循所述第2追踪信息所记述的位置变动幅度的历史记录来计算所述第2移动机构的定位的最大变动幅度,作为第2变动幅度,
所述计算机系统遵循所述第1变动幅度和所述第2变动幅度在所述样品上是否重叠,来判断所述第1带电粒子线装置和所述第2带电粒子线装置实施了相同动作时是否对所述样品上的相同位置重复照射容许次数以上的所述带电粒子束。
18.根据权利要求15所述的诊断系统,其特征在于,
所述第1追踪信息记述了所述第1移动机构的移动轨迹的随时间的变化,
所述第2追踪信息记述了所述第2移动机构的移动轨迹的随时间的变化,
所述计算机系统遵循所述第1追踪信息所记述的所述第1移动机构的移动轨迹的随时间的变化,来预测所述第1移动机构的移动轨迹的变化,
所述计算机系统遵循所述第2追踪信息所记述的所述第2移动机构的移动轨迹的随时间的变化,来预测所述第2移动机构的移动轨迹的变化,
所述计算机系统根据所预测的所述第1移动机构的移动轨迹的变化和所预测的所述第2移动机构的移动轨迹的变化在所述样品上是否重叠,来判断所述第1带电粒子线装置和所述第2带电粒子线装置实施了相同动作时是否对所述样品上的相同位置重复照射容许次数以上的所述带电粒子束。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/014580 WO2021199164A1 (ja) | 2020-03-30 | 2020-03-30 | 診断システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115176327A true CN115176327A (zh) | 2022-10-11 |
Family
ID=77930203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080097490.5A Pending CN115176327A (zh) | 2020-03-30 | 2020-03-30 | 诊断系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11899437B2 (zh) |
JP (1) | JP7298016B2 (zh) |
KR (1) | KR20220132604A (zh) |
CN (1) | CN115176327A (zh) |
TW (2) | TWI783368B (zh) |
WO (1) | WO2021199164A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230336470A1 (en) * | 2022-04-14 | 2023-10-19 | Ali Munir | Methods and systems for predicting sudden changes in datacenter networks |
JP2024035683A (ja) * | 2022-09-02 | 2024-03-14 | 横河電機株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
WO2024105811A1 (ja) * | 2022-11-16 | 2024-05-23 | 株式会社日立ハイテク | エラー要因解析装置、および、エラー要因解析方法 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1116967A (ja) * | 1997-06-26 | 1999-01-22 | Hitachi Ltd | 試料検査装置 |
JP2001165876A (ja) * | 1999-12-14 | 2001-06-22 | Mitsubishi Electric Corp | 検査装置および検査方法 |
US7089075B2 (en) | 2001-05-04 | 2006-08-08 | Tokyo Electron Limited | Systems and methods for metrology recipe and model generation |
AU2003290752A1 (en) * | 2002-11-12 | 2004-06-03 | Fei Company | Defect analyzer |
JP5180428B2 (ja) * | 2005-06-21 | 2013-04-10 | 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 |
US8078552B2 (en) | 2008-03-08 | 2011-12-13 | Tokyo Electron Limited | Autonomous adaptive system and method for improving semiconductor manufacturing quality |
US8396582B2 (en) * | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
JP5255953B2 (ja) * | 2008-08-28 | 2013-08-07 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及び装置 |
JP2010087070A (ja) | 2008-09-30 | 2010-04-15 | Hitachi High-Technologies Corp | 走査電子顕微鏡に用いられるレシピの診断装置 |
JP5205202B2 (ja) * | 2008-10-06 | 2013-06-05 | 株式会社日立ハイテクノロジーズ | 荷電粒子線の調整方法、及び荷電粒子線装置 |
US9727049B2 (en) | 2012-09-04 | 2017-08-08 | Taiwan Semiconductor Manufacturing Company, Ltd. | Qualitative fault detection and classification system for tool condition monitoring and associated methods |
JP6843160B2 (ja) * | 2016-06-27 | 2021-03-17 | ケーエルエー コーポレイション | パターン配置及びパターンサイズ計測装置及び方法、並びにそのためのコンピュータプログラム |
US10365617B2 (en) | 2016-12-12 | 2019-07-30 | Dmo Systems Limited | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow |
US10565702B2 (en) * | 2017-01-30 | 2020-02-18 | Dongfang Jingyuan Electron Limited | Dynamic updates for the inspection of integrated circuits |
JP6731370B2 (ja) * | 2017-03-27 | 2020-07-29 | 株式会社日立ハイテク | 画像処理システム及び画像処理を行うためのコンピュータープログラム |
US10360671B2 (en) | 2017-07-11 | 2019-07-23 | Kla-Tencor Corporation | Tool health monitoring and matching |
WO2019182913A1 (en) | 2018-03-20 | 2019-09-26 | Tokyo Electron Limited | Self-aware and correcting heterogenous platform incorporating integrated semiconductor processing modules and method for using same |
JP7144244B2 (ja) * | 2018-08-31 | 2022-09-29 | 株式会社日立ハイテク | パターン検査システム |
JP7236231B2 (ja) | 2018-09-07 | 2023-03-09 | ルネサスエレクトロニクス株式会社 | 半導体装置及び解析システム |
WO2021044611A1 (ja) * | 2019-09-06 | 2021-03-11 | 株式会社日立ハイテク | レシピ情報提示システム、レシピエラー推定システム |
-
2020
- 2020-03-30 KR KR1020227029393A patent/KR20220132604A/ko unknown
- 2020-03-30 CN CN202080097490.5A patent/CN115176327A/zh active Pending
- 2020-03-30 JP JP2022512905A patent/JP7298016B2/ja active Active
- 2020-03-30 US US17/907,921 patent/US11899437B2/en active Active
- 2020-03-30 WO PCT/JP2020/014580 patent/WO2021199164A1/ja active Application Filing
-
2021
- 2021-02-05 TW TW110104409A patent/TWI783368B/zh active
- 2021-02-05 TW TW111138146A patent/TWI822382B/zh active
Also Published As
Publication number | Publication date |
---|---|
US20230095532A1 (en) | 2023-03-30 |
US11899437B2 (en) | 2024-02-13 |
TWI822382B (zh) | 2023-11-11 |
JPWO2021199164A1 (zh) | 2021-10-07 |
WO2021199164A1 (ja) | 2021-10-07 |
JP7298016B2 (ja) | 2023-06-26 |
TWI783368B (zh) | 2022-11-11 |
KR20220132604A (ko) | 2022-09-30 |
TW202307894A (zh) | 2023-02-16 |
TW202137261A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI822382B (zh) | 診斷系統、診斷方法、及電腦程式 | |
US8547429B2 (en) | Apparatus and method for monitoring semiconductor device manufacturing process | |
US7598490B2 (en) | SEM-type reviewing apparatus and a method for reviewing defects using the same | |
US8036447B2 (en) | Inspection apparatus for inspecting patterns of a substrate | |
JP4065847B2 (ja) | 試料像形成方法及び荷電粒子線装置 | |
JP5608575B2 (ja) | 画像分類方法および画像分類装置 | |
JP5783953B2 (ja) | パターン評価装置およびパターン評価方法 | |
US20130082177A1 (en) | Circuit pattern inspection apparatus and circuit pattern inspection method | |
JP2012114202A (ja) | 画像撮像装置および画像撮像方法 | |
WO2010038369A1 (ja) | 走査電子顕微鏡に用いられるレシピの診断装置 | |
JP2006108123A (ja) | 荷電粒子線装置 | |
JP4832375B2 (ja) | 試料像形成方法及び荷電粒子線装置 | |
JP4298938B2 (ja) | 荷電粒子線装置 | |
JP4287863B2 (ja) | レビューsem | |
JP2010101907A (ja) | 試料像形成方法及び荷電粒子線装置 | |
JP5036889B2 (ja) | レビューsem | |
JP4745380B2 (ja) | レビューsem | |
JP4696097B2 (ja) | 試料像形成方法及び荷電粒子線装置 | |
JP5218683B2 (ja) | 荷電粒子線装置 | |
JP5163731B2 (ja) | 欠陥候補の画像表示方法 | |
JP5012756B2 (ja) | 荷電粒子線装置 | |
JP5583962B2 (ja) | 荷電粒子線装置 | |
JP5435120B2 (ja) | 荷電粒子線装置 | |
JP2020204497A (ja) | 検査装置 |
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 |