CN115704783A - 检测sem设备的测量误差的方法及对准sem设备的方法 - Google Patents

检测sem设备的测量误差的方法及对准sem设备的方法 Download PDF

Info

Publication number
CN115704783A
CN115704783A CN202210645955.7A CN202210645955A CN115704783A CN 115704783 A CN115704783 A CN 115704783A CN 202210645955 A CN202210645955 A CN 202210645955A CN 115704783 A CN115704783 A CN 115704783A
Authority
CN
China
Prior art keywords
image
sem
training
design
design image
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
CN202210645955.7A
Other languages
English (en)
Inventor
郭鲁洪
金度年
南润炯
姜旻澈
金基贤
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.)
Samsung Electronics Co Ltd
SNU R&DB Foundation
Original Assignee
Samsung Electronics Co Ltd
SNU R&DB Foundation
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 Samsung Electronics Co Ltd, SNU R&DB Foundation filed Critical Samsung Electronics Co Ltd
Publication of CN115704783A publication Critical patent/CN115704783A/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
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
    • 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
    • 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
    • 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
    • G01N23/2206—Combination of two or more measurements, at least one measurement being that of secondary emission, e.g. combination of secondary electron [SE] measurement and back-scattered electron [BSE] measurement
    • 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
    • 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
    • H01J37/261—Details
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)

Abstract

提供一种通过将设计图像与SEM图像进行比较和对准来准确地检测SEM设备的测量误差的方法以及基于检测到的测量误差准确地对准SEM设备的方法。检测SEM设备的测量误差的方法包括：获取测量目标的SEM图像；对所述SEM图像以及与所述SEM图像对应的设计图像执行预处理；从所述SEM图像之中选择训练SEM图像；通过使用所述训练SEM图像以及训练设计图像执行训练，以生成所述SEM图像与所述设计图像之间的转换模型；通过使用所述转换模型将所述SEM图像转换为转换设计图像；通过将所述转换设计图像与所述设计图像进行比较和对准来提取对准坐标值；以及基于所述对准坐标值确定所述SEM设备的测量误差。

Description

检测SEM设备的测量误差的方法及对准SEM设备的方法
相关申请的交叉引用
本申请基于并要求于2021年8月4日在韩国知识产权局提交的韩国专利申请No.10-2021-0102668的优先权，该韩国专利申请的公开内容通过引用整体地并入本文。
技术领域
本发明构思涉及扫描电子显微镜(SEM)设备的误差，更具体地，涉及一种对准具有测量误差的SEM设备的方法。
背景技术
已知这样一种技术：用SEM设备对形成在诸如晶片的半导体衬底上的器件或布线图案进行拍摄，并使用通过拍摄获取的SEM图像来检查与初始设计图像的差异。然而，现有的检查方法可以测量图像之间的相似性，或者可以发现、比较和对准相同的特征，并且可能具有这样的局限性：图像之间的形状或矢量分量必须相似。因此，在检查异质图像(heterogeneous image)的方法的情况下，由于难以进行比较和对准，所以检查经常失败。当检查失败时，必须由人直接执行比较和对准，这个过程既费时又昂贵。
发明内容
本发明构思提供一种通过将设计图像与SEM图像精确地比较和对准来精确地检测扫描电子显微镜(SEM)设备的测量误差的方法、以及基于检测到的测量误差来精确地对准SEM设备的方法。
此外，本发明构思要实现的技术目标不限于上述技术目标，本领域普通技术人员可以通过以下描述清楚地理解其他技术目标。
根据本发明构思的一些实施例，提供一种检测扫描电子显微镜(SEM)设备的测量误差的方法，所述方法包括：使用所述SEM设备获取半导体衬底上的测量目标的SEM图像；对所述SEM图像以及与所述SEM图像对应的设计图像执行预处理；从所述SEM图像之中选择训练SEM图像；通过使用所述训练SEM图像以及与所述训练SEM图像对应的训练设计图像执行训练，以生成所述SEM图像与所述设计图像之间的转换模型；使用所述转换模型将所述SEM图像转换为转换设计图像；通过将所述转换设计图像和与所述转换设计图像对应的所述设计图像进行比较和对准，提取对准坐标值；以及基于所述对准坐标值确定所述SEM设备的测量误差。
根据本发明构思的一些实施例，提供一种对准SEM设备的方法，所述方法包括：通过使用所述SEM设备获取测量目标的SEM图像，所述测量目标包括半导体衬底上的器件或布线图案；对所述SEM图像以及与所述SEM图像对应的设计图像执行预处理；从所述SEM图像之中选择训练SEM图像；通过使用所述训练SEM图像以及与所述训练SEM图像对应的训练设计图像执行训练，以生成所述SEM图像与所述设计图像之间的转换模型；通过使用所述转换模型将所述SEM图像转换为转换设计图像；通过将所述转换设计图像和与所述转换设计图像对应的所述设计图像进行比较和对准，提取对准坐标值；基于所述对准坐标值确定所述SEM设备的测量误差；以及响应于确定所述SEM设备中有所述测量误差，向所述SEM设备发送所述对准坐标值，并且对准所述SEM设备中的测量坐标。
根据本发明构思的一些实施例，提供一种对准SEM设备的方法，所述SEM设备包括SEM测量装置和预处理电路，所述方法包括：由所述SEM测量装置获取半导体衬底上的测量目标的SEM图像；由所述预处理电路对所述SEM图像以及与所述SEM图像对应的设计图像执行预处理；从所述SEM图像之中选择训练SEM图像；通过使用所述训练SEM图像以及与所述训练SEM图像对应的训练设计图像执行训练，以生成所述SEM图像与所述设计图像之间的转换模型；通过使用所述转换模型将所述SEM图像转换为转换设计图像；通过将所述转换设计图像和与所述转换设计图像对应的所述设计图像进行比较和对准，提取对准坐标值；以及向所述SEM设备发送所述对准坐标值，并且对准所述SEM设备中的测量坐标。
附图说明
通过以下结合附图的详细描述，将更清楚地理解本发明构思的实施例，其中：
图1是根据本发明构思的一些实施例的检测扫描电子显微镜(SEM)设备的测量误差的方法的示意性流程图；
图2是示出图1的测量误差检测方法的概念图；
图3是示出在图1的测量误差检测方法中的生成转换模型的操作中通过使用生成对抗网络(GAN)算法来生成转换模型的过程的概念图；
图4A至图4C是具体示出图1的测量误差检测方法中的提取对准坐标值的操作的概念图；
图5是根据本发明构思的一些实施例的检测SEM设备的测量误差的方法的示意性流程图；
图6是根据本发明构思的一些实施例的对准SEM设备的方法的示意性流程图；
图7是示出图6中所示的对准SEM设备的方法的概念图；
图8是示出图6中所示的对准SEM设备的方法的效果的图；
图9是根据本发明构思的一些实施例的对准SEM设备的方法的示意性流程图；
图10A是根据本发明构思的一些实施例的SEM设备的框图；
图10B是图10A的SEM设备中的计算和对准服务器的框图。
具体实施方式
在下文中，将参照附图详细描述本发明构思的实施例。相同的附图标记用于附图中的相同组件，并且省略对其的重复描述。
图1是根据本发明构思的一些实施例的检测扫描电子显微镜(SEM)设备的测量误差的方法的示意性流程图。
参照图1，根据本实施例的检测SEM设备的测量误差的方法(以下简称为“测量误差检测方法”)包括：获取形成在半导体衬底(诸如，晶片)上的器件或布线图案的SEM图像(操作S110)。SEM图像可以通过SEM测量装置(参照图10A中的SEM测量装置110)来获取。作为参考，SEM测量装置使用透镜对从电子枪发射的电子进行聚焦以形成电子束，使用扫描线圈将电子束扫描在待检查样品上，并且通过检测从样品发射的二次电子(SEs)和背散射电子(BSEs)等来获取样品的图像。与光学透镜不同，每个透镜都是包括电磁体的磁性透镜(即，电磁透镜)。在SEM测量装置中，电子束直径越小，其分辨率越好，可以在高达几十万倍的放大倍率下观察到样品的图像，还可以获得样品的立体图像。下面将参照图10A更详细地描述SEM测量装置(即，SEM测量装置110)。
SEM图像可以具有位图文件格式。例如，SEM图像可以具有诸如BitMaP(BMP)、标记图像文件格式(TIFF)或联合图像专家组(JPEG)的位图文件格式。作为参考，图像文件通常可以分为位图文件格式和矢量文件格式。位图文件格式是指利用像素构成图像的方案，其中，像素是矩形元素(rectangular element)。因为可以针对每个像素表现不同的颜色，所以可以在整个图像中表现阴影或颜色的精细水平，并且可以丰富颜色的表现。此外，颜色更改、图像校正和合成工作比较容易。然而，因为一个图像的像素数是固定的，所以当调整图像大小或压缩图像时，可能会丢失图像的原始像素，而当图像被过度放大或缩小、或连续压缩和保存时，图像的质量可能会劣化。
另一方面，矢量文件格式是指通过使用连接点到点的线段的值来构成图像的方案，即，是指通过x坐标和y坐标，使用数学计算，基于点、线、面的坐标值和曲线值来表现准确的线和面的方案。因为通过数学计算而不是使用像素来重构图像，所以即使图像被放大很多，图像质量也没有明显降低，图像的原始质量也得以保持而不会损坏图像，并且图像大小调整和曲线变换是不受限制的，诸如变形操作和动画操作等的变换操作比较容易。然而，可能难以表现精细的图片或渐变的颜色变化，对图像应用效果时处理速度可能会较慢，并且可能难以与其他图像进行自然合成。
可以基于诸如计算机辅助设计(CAD)图像的设计图像通过光刻工艺，来形成半导体衬底上的器件或布线图案。CAD图像可以具有例如图形数据系统(GDS)或GDSII文件格式。GDS文件格式是用于集成电路(IC)或IC-布局工艺图(artwork)的数据交换的标准数据库文件格式，并且属于二进制文件格式。GDS文件格式可以包括关于平面几何形状、文本标签和分层形式的布局的各种信息。
在获取SEM图像之后，对SEM图像和与其对应的设计图像执行预处理(操作S120)。预处理可以指，例如，生成SEM图像的测量信息文件并且将设计图像转换为位图文件格式的过程。测量信息文件可以包括诸如测量坐标、视场(Field Of View，FOV)、像素大小和旋转等信息。如上所述，设计图像可以具有GDS文件格式，并且GDS文件格式可以通过预处理变为图像文件格式，例如，可移植网络图形(PNG)文件格式。这种预处理可以有助于稍后将SEM图像与设计图像进行比较和对准。
在预处理之后，选择训练SEM图像(操作S130)。可以预先从SEM图像之中选择训练SEM图像。例如，可以存在数千或数万个SEM图像，并且可以选择数十或数百个SEM图像作为训练SEM图像。为了提高通过训练生成的转换模型的精度，可以选择图案和空间明显不同的SEM图像作为训练SEM图像。
在选择了训练SEM图像之后，使用训练SEM图像和与其对应的训练设计图像来执行训练(操作S140)。可以执行训练以找到训练SEM图像和与其对应的训练设计图像之间的最佳转换模型。换言之，当A训练SEM图像对应于B训练设计图像时，训练可以理解为找到用于将A训练SEM图像转换为与B训练设计图像几乎相同的B'图像的转换模型的过程。可以使用人工智能(AI)学习算法(例如，生成对抗网络(GAN)算法)来执行训练。下面参照图3更详细地描述通过GAN算法的训练。
然后，作为训练的结果，生成SEM图像与设计图像之间的转换模型(操作S150)。转换模型可以对应于将α图像转换为β图像的一种图像转换程序，或图像转换算法。如上所述，通过转换模型转换SEM图像可以生成与对应于SEM图像的设计图像几乎相同的图像。以下，通过转换模型从SEM图像转换的图像被称为“转换设计图像”。
在生成了转换模型之后，通过使用转换模型将SEM图像转换为转换设计图像(操作S160)。换句话说，通过转换模型转换以前未用于训练的SEM图像，来生成转换设计图像。
在生成了转换设计图像之后，将转换设计图像和与其对应的设计图像进行比较和对准，以提取对准坐标值(操作S170)。对准坐标值可以对应于指示转换设计图像和与其对应的设计图像之间的偏差程度的标准。作为参考，每个转换设计图像可以是与其对应的SEM图像在半导体衬底上位于相同位置处的图案的图像。因此，转换设计图像和与其对应的SEM图像可以具有相同的坐标值。基于设计图像与转换设计图像之间的对应关系，当SEM设备没有误差时，转换设计图像与设计图像完全匹配。然而，当SEM设备中的测量坐标存在误差时，在SEM图像获取过程中可能无法测量半导体衬底上的位于正确位置的图案。因此，所获取的SEM图像可能对应于位置偏离原始预期位置的SEM图像，并且转换设计图像也可能是偏离位置的转换设计图像。结果，转换设计图像与设计图像不匹配并且与设计图像不对准。因此，需要将转换设计图像与设计图像进行对准匹配，通过这样的对准过程可以提取对准坐标值。下面参照图4A至图4C更详细地描述提取对准坐标值的过程。
在提取了对准坐标值之后，基于对准坐标值来确定SEM设备的测量误差(操作S180)。例如，当对准坐标值超过设置的允许值时，可以确定SEM设备存在测量误差，当对准坐标值小于或等于允许值时，可以确定SEM设备正常。当SEM设备存在测量误差时，之后可以执行对准SEM设备的过程。下面参照图6至图9更详细地描述SEM设备的对准过程。
在根据本实施例的测量误差检测方法中，可以通过使用AI学习算法(例如，GAN算法)来生成转换模型，并且可以通过转换模型将SEM图像转换为转换设计图像。此外，通过将转换设计图像与设计图像进行比较和对准，可以自动、快速、准确地提取对准坐标值。结果，根据本实施例的测量误差检测方法可以基于对准坐标值快速并准确地检测SEM设备的测量误差。
作为参考，在现有方法的情况下，为了检测SEM设备的测量误差，通过对SEM图像进行图像处理得到边界图像，并且通过使用边界图像计算与作为设计图像的CAD图像的相对距离来计算最佳距离。然而，在现有方法的情况下，i)当图案的边界不清楚时，ii)当图案与重复图案中的图案之间的空间和图案本身的形状彼此相似时，和/或iii)当薄图案的端部彼此相邻时，存在不能准确检测SEM设备的测量误差的限制。相比之下，在根据本实施例的测量误差检测方法中，可以通过基于AI学习算法生成的转换模型快速并准确地提取对准坐标值，从而快速并准确地检测SEM设备的测量误差。
图2是示出图1的测量误差检测方法的概念图。将简要给出或省略已经参照图1给出的描述。
参照图2，在根据本实施例的测量误差检测方法中，首先获取异质图像数据(操作S210)。操作S210可以对应于图1中获取SEM图像的操作S110和执行预处理的操作S120。例如，在图2中，“图像A”可以对应于SEM图像，“图像B”可以对应于设计图像。SEM图像和设计图像可以是具有不同文件格式的异质图像数据。例如，SEM图像可以具有BMP文件格式，设计图像可以具有GDS文件格式。“图像A”和“图像B”可以是已被预处理的图像。因此，“图像B”的文件格式可以从GDS文件格式变为图像文件格式，例如，PNG文件格式。
然后，提取训练数据(操作S220)。操作S220可以对应于图1中选择训练SEM图像的操作S130。例如，在图2中，“训练图像A”可以对应于从多个SEM图像选择的训练SEM图像。在操作220中，还提取了“训练图像B”。“训练图像B”可以对应于从多个设计图像选择的训练设计图像，和/或训练设计图像可以对应于训练SEM图像。可以选择与每个训练SEM图像对应的训练设计图像。
接下来，执行用于生成转换模型的训练(操作S230)。操作S230可以对应于图1中的执行训练的操作S140和生成转换模型的操作S150。可以使用作为AI学习算法的GAN算法执行训练。GAN算法是包括生成器模型和判别器(discriminator)模型的对抗性生成神经网络算法。下面参照图3描述GAN算法的详细操作。可以通过基于GAN算法的训练来生成转换模型。
然后，通过使用转换模型将“图像A”转换为“转换图像B”(操作S240)。操作S240可以对应于图1中的将SEM图像转换为转换设计图像的操作S160。“图像A”可以对应于SEM图像。此外，“转换图像B”可以是通过转换模型转换SEM图像获得的图像，并且可以具有与“图像B”相同或相似的文件格式。此外，“转换图像B”可以具有与对应于SEM图像的设计图像(即，“图像B”)对应的形状。然而，如上所述，当SEM设备存在测量误差时，“转换图像B”和“图像B”可能在位置上彼此不完全匹配。
接下来，将“转换图像B”与“图像B”进行比较和对准(操作S250)。操作S250可以对应于图1中的提取对准坐标值的操作S170。在这种情况下，比较可以对应于通过将特定的“转换图像B”与多个“图像B”进行比较来提取对应的“图像B”的过程。此外，对准可以对应于移动“转换图像B”使得“转换图像B”与“图像B”匹配的过程。例如，对准可以指将“转换图像B”在x轴上移动x位移(Δx)并且在y轴上移动y位移(Δy)，使得“转换图像B”与“图像B”匹配的过程。在该对准过程中，作为“转换图像B”移动的距离的x位移(Δx)和y位移(Δy)可以对应于对准坐标值。然后，可以通过将对准坐标值与允许值进行比较来确定SEM设备的测量误差。
在图2中的将“转换图像B”与“图像B”进行比较和对准的操作S250中，“转换图像B”被示出为小于“图像B”。这可能是因为通常获取的SEM图像的尺寸小于设计图像的尺寸，并且生成了与SEM图像对应的转换设计图像(即，“转换图像B”)。因此，可以生成与一个设计图像(即，“图像B”)对应的多个“转换图像B”。此外，“图像B”可以包括与不同位置处的多个“转换图像B”对应的图案。然而，“图像B”中的“转换图像B”的位置信息可能因SEM设备的测量误差而与实际生成的“转换图像B”的位置不同。根据一些实施例，可以生成与一个设计图像(即，“图像B”)对应的一个“转换图像B”。
图3是示出在图1的测量误差检测方法中的生成转换模型的操作中通过使用GAN算法来生成转换模型的过程的概念图。
参照图3，GAN算法是基于深度学习的生成算法，并且可以包括两个子模型。即，GAN算法可以包括生成器模型和判别器模型。生成器模型生成新实例，判别器模型确定生成的新实例是真数据还是生成器模型生成的假数据。
例如，生成器模型将真图像转换为转换设计图像，判别器模型将转换设计图像与真设计图像进行比较，并且确定转换设计图像是真设计图像还是由生成器模型生成的假设计图像。具体而言，在图3中，当半导体衬底上的真图案图像RPI被输入到生成器模型时，生成器模型生成转换设计图像CDI(操作S142)。此外，当转换设计图像CDI和真设计图像RDI被输入到判别器模型时，判别器模型确定转换设计图像CDI与真设计图像RDI是否相同，即，确定转换设计图像CDI是真设计图像RDI还是不同于真设计图像RDI的设计图像(即，假设计图像)(操作S144)。然后，根据确定结果，生成器模型和判别器模型被持续更新(操作S146)。如图3所示，当确定转换设计图像CDI是真设计图像RDI时，将该确定结果(真)作为反馈提供给判别器模型；当确定转换设计图像CDI是假设计图像时，将该确定结果(假)作为反馈提供给生成器模型。换句话说，提供给生成器模型的反馈与提供给判别器模型的反馈互补。通过反复地重复这个过程，当判别器模型达到判别器模型无法再区分转换设计图像CDI和真设计图像RDI的水平时，训练结束，此时的生成器模型被用作最终的生成模型或转换模型。当训练完成时，判别器模型被丢弃。
为了更好地理解GAN算法的操作，将使用一个类比，假设生成器模型类似于伪造者，而判别器模型类似于警察。伪造者必须制造与真币难以区分的假币，而警察必须区分假币和真币。因此，伪造者和警察将会相互竞争，从博弈论的角度来看，他们是对抗的，具有玩零和游戏(playing a zero-sum game)的效果。换言之，当警察成功区分假币和真币时，警察不需要更新用于区分的参数。相比之下，伪造者必须更新用于伪造的许多参数。反之，当伪造者成功制造假币使得警察无法区分假币和真币时，伪造者不需要更新用于伪造的参数。另一方面，警察必须更新很多参数以进行区分。当这个过程反复地重复时，伪造达到了警察不可再区分假币和真币的水平时，伪造方法可以成为最终的生成模型或转换模型。
图4A至图4C是具体示出图1的测量误差检测方法中的提取对准坐标值的操作的概念图。
参照图4A，左侧的“转换图像B”可以对应于由转换模型生成的与SEM图像对应的转换设计图像，并且“图像B”可以对应于与SEM图像对应的真设计图像。如上所述，与真设计图像对应的“图像B”可以大于由转换模型生成的“转换图像B”。然而，为了便于说明，“转换图像B”和“图像B”以基本相同的尺寸被示出。
如图4A所示，“转换图像B”的形状可以与“图像B”的形状基本相同。然而，由于SEM设备的测量误差，“转换图像B”的位置和“图像B”的位置可能彼此不同。
参照图4B，示出了“转换图像B”的位置和“图像B”的位置彼此不同。具体地，“转换图像B”和“图像B”可以具有x轴上的x-位移(Δx)的差异以及y轴上的y-位移(Δy)的差异。因此，为了将“转换图像B”与“图像B”对准，“转换图像B”必须在x轴上向右移动x-位移(Δx)并且在y轴上向上移动y-位移(Δy)。
图4C示出了“转换图像B”在x轴上向右移动x-位移(Δx)并且在y轴上向上移动y-位移(Δy)，以使“转换图像B”和“图像B”对准。对准过程可以不通过找到x-位移(Δx)和y-位移(Δy)并且将“转换图像B”移动所找到的位移的方法来执行，而是通过在移动“转换图像B”的同时找到“转换图像B”与“图像B”匹配时(即，“转换图像B”与“图像B”对准时)“转换图像B”被移动的位移的方法来执行。这是因为：由于SEM设备的测量误差而导致SEM图像存在位置误差，“转换图像B”是从具有位置误差的SEM图像生成的，因此，可能无法获知“转换图像B”的准确位置。可以使用峰值信噪比(PSNR)来确定是否实现了对准。例如，当未实现对准时，PSNR值会很低。换言之，“转换图像B”和“图像B”在对准之前可能包括大量噪声。然而，当实现对准时，PSNR值最高。即，噪声可以最小化。
图5是根据本发明构思的一些实施例的测量误差检测方法的示意性流程图。已经参照图1至图4C给出的描述被简要给出或省略。
参照图5，根据本实施例的测量误差检测方法与图1的测量误差检测方法的不同之处可以在于：根据本实施例的测量误差检测方法在提取对准坐标值的操作S170之前还包括：确定是否可以提取对准坐标值的操作S165。具体地，在根据本实施例的测量误差检测方法中，在将SEM图像转换为转换设计图像的操作S160之后，确定是否可以提取对准坐标值(操作S165)。在这种情况下，可以通过例如设置的PSNR值来确定提取对准坐标值的可能性。例如，当通过转换设计图像的移动而未达到设置的PSNR值时，确定不可以提取对准坐标值(否)，并且过程进行到选择训练SEM图像的操作S130。当通过转换设计图像的移动而达到了设置的PSNR值时，确定可以提取对准坐标值(是)，并且过程进行到提取对准坐标值的操作S170。
作为参考，当无法提取对准坐标值时，可能是由于训练SEM图像的不当选择导致生成了不完善的转换模型。例如，当图案与空间的区分不明确时，或者当选择了图案模糊的SEM图像作为训练SEM图像时，在训练过程中可能生成不准确的转换模型。当转换模型不准确时，会生成完全不同的“转换设计图像”，因此无法与对应的真设计图像对准。因此，需要舍弃现有的转换模型，重新选择训练SEM图像，并且通过训练过程生成新的转换模型。
图6是根据本发明构思的一些实施例的对准SEM设备的方法的示意性流程图。已经参照图1至图5给出的描述被简要给出或省略。
参照图6，在根据本实施例的对准SEM设备的方法中，顺序地执行获取SEM图像的操作S110至提取对准坐标值的操作S170。获取SEM图像的操作S110至提取对准坐标值的操作S170与参照图1描述的那些相同。
然后，基于对准坐标值，确定SEM设备是否存在测量误差(操作S180)。操作S180可以与图1中的确定SEM设备的测量误差的操作S180基本相同。然而，为了根据确定结果进行下一个操作，操作S180的块在图6中由菱形指示，以表示决策块。在操作S180中，如上所述，基于对准坐标值是否超过设置的允许值来确定SEM设备是否存在测量误差。
如果由于对准坐标值超过设置的允许值而确定SEM设备存在测量误差(是)，则将SEM设备中的测量坐标对准(操作S190)。可以基于先前获得的对准坐标值来执行SEM设备中的测量坐标的对准。例如，当获得的对准坐标值为第一x-位移(Δx1)和第一y-位移(Δy1)时，将SEM设备中的测量坐标校正到移动第一x-位移(Δx1)和第一y-位移(Δy1)的位置。SEM设备可以通过SEM设备中的测量坐标的校正来对准。即，通过SEM设备的对准，由SEM设备获取的SEM图像可以与对应于SEM图像的设计图像准确地对准。
图7是示出图6中所示的对准SEM设备的方法的概念图。
参照图7，顺序地执行获取异质图像数据的操作S210至将转换图像B与图像B对准的操作S250。获取异质图像数据的操作S210至将转换图像B与图像B对准的操作S250与参照图2描述的那些相同。如图7所示，在将转换图像B与图像B对准的操作S250中，可以提取对准坐标值，例如，x-位移(Δx)和y-位移(Δy)。然后，对准坐标值被作为反馈提供给SEM设备以对准SEM设备中的测量坐标(操作S260)。图7示出关于SEM设备中的测量坐标的对准的、作为SEM图像的图像A与作为与该SEM图像对应的设计图像的图像B之间的比较和对准过程。在这种情况下，图像A可以对应于在执行了SEM设备中的测量坐标的对准之后通过SEM设备获取的SEM图像。在图像A和图像B的比较和对准中，对准坐标值(即，x-位移(Δx)和y-位移(Δy))均为0，这指示SEM设备被正确地对准。
图8是示出图6中所示的对准SEM设备的方法的效果的图。在图中，x轴代表测量日期，y轴代表图像的对准精度，对准精度的单位是％。
参照图8，从图形可以看出，通过对准SEM设备的方法获得的图像的对准精度几乎为98％或更高。作为参考，在现有方法的情况下，图像的对准精度很低，大约为60％至70％。此外，现有方法包括人直接查看测量误差的过程，因此，对准时间会非常慢。例如，在现有方法的情况下，通过每人8小时检测约4000个点来执行SEM设备的测量误差确定和对准。然而，在根据本实施例的对准SEM设备的方法的情况下，因为通过图形处理单元(GPU)服务器自动执行计算，所以可以通过每台GPU服务器8小时检测约80,000个点来执行SEM设备的测量误差确定和对准。结果，根据本实施例的对准SEM设备的方法可以以比现有方法快20倍以上来执行SEM设备的对准。
具体地，在根据本实施例的对准SEM设备的方法中，SEM设备的SEM服务器130(参见图10A)可以花费大约10分钟来获取SEM图像的数据，计算和对准服务器150(参见图10A)可以花费大约10分钟对SEM图像以及与其对应的设计图像进行预处理并且选择训练SEM图像。此外，计算和对准服务器150可以花费大约20分钟来通过训练生成转换模型，将由转换模型生成的转换设计图像与真设计图像进行比较和对准，并且提取对准坐标值。此外，可以花费大约10分钟来将提取的对准坐标值作为反馈提供给SEM服务器130并且对准SEM设备。因此，SEM设备可以在总共大约50分钟内被对准。当对准坐标值不可提取时，需要重新选择新的训练SEM图像并且通过训练生成新的转换模型。因此，当对准坐标值不可提取时，可以再花费大约10分钟来选择新的训练SEM图像，随后再次执行如下处理：训练和生成转换模型、生成转换设计图像、通过比较和对准来提取对准坐标值、以及将提取的对准坐标值作为反馈提供给SEM服务器130。
图9是根据本发明构思的一些实施例的对准SEM设备的方法的示意性流程图。已经参照图1至图8给出的描述被简要给出或省略。
参照图9，根据本实施例的对准SEM设备的方法与图6所示的对准SEM设备的方法的不同之处可以在于：根据本实施例的方法还包括：确定是否可以提取对准坐标值的操作S165。具体地，在根据本实施例的对准SEM设备的方法中，在将SEM图像转换为转换设计图像的操作S160之后，确定是否可以提取对准坐标值(操作S165)。在这种情况下，可以通过例如设置的PSNR值来确定提取对准坐标值的可能性。基于PSNR值确定是否可以提取对准坐标值与图5的测量误差检测方法中描述的相同。
当可以提取对准坐标值时(是)，过程进行到提取对准坐标值的操作S170，并且提取对准坐标值。随后，基于对准坐标值确定SEM设备是否存在测量误差(操作S180)，并且基于确定的结果，执行对准SEM设备中的测量坐标的操作S190，或终止对准SEM设备的方法。当不可以提取对准坐标值时(否)，过程进行到选择训练SEM图像的操作S130，并且重复后续操作。
图10A是根据本发明构思的一些实施例的SEM设备100的框图，图10B是图10A的SEM设备100中的计算和对准服务器150的框图。参照图6以及图10A和图10B描述SEM设备100以及计算和对准服务器150，并且已经参照图1至图9给出的描述被简要给出或省略。
参照图10A和图10B，根据本实施例的SEM设备100可以包括SEM测量装置110、SEM服务器130以及计算和对准服务器150。SEM测量装置110可以指用于拍摄半导体衬底上的图案作为SEM图像的装置。
更具体地，SEM测量装置110可以包括电子枪、阳极(anode)、磁性透镜、扫描线圈、第一检测器、第二检测器、扫描器和载物台(stage)。电子枪可以是例如肖特基型(Schottky-type)或热场发射型电子枪。可以通过向电子枪施加加速电压来发射电子束。阳极是加速电极，通过施加在电子枪与阳极之间的电压来加速电子束。磁性透镜可以对电子束进行聚焦和加速。扫描线圈可以在待测量的半导体衬底(即，样品)上一维或二维地扫描电子束。第一检测器检测通过电子束照射从半导体衬底反向散射的电子，第二检测器检测通过电子束照射在半导体衬底中产生的二次电子。扫描器可以分析由第一检测器和第二检测器检测到的电子的检测信号，以生成半导体衬底上的图案的图像，即，SEM图像。载物台是布置半导体衬底的装置，半导体衬底可以放置于载物台的上表面上并由载物台支撑，并且可以随着载物台的移动而一起移动。SEM服务器130总体上控制SEM测量装置110，并且将由SEM测量装置110获取的SEM图像以及与SEM图像测量相关的数据发送到计算和对准服务器150。
例如，与SEM图像测量相关的数据可以包括关于测量坐标、FOV、像素大小、旋转等的数据。由SEM测量装置110获取的SEM图像可以基于存储在SEM服务器130中的测量坐标来获取。当存储在SEM服务器130中的测量坐标存在误差时，通过SEM测量装置110获取的SEM图像中可能出现位置误差，SEM图像可能偏离与其对应的设计图像。因此，SEM测量装置110或SEM设备100必须被对准，使得SEM测量装置110可以通过对存储在SEM服务器130中的测量坐标进行校正来获取正确测量坐标处的SEM图像。计算和对准服务器150可以执行诸如以下操作：SEM图像以及与其对应的设计图像的预处理、训练SEM图像的选择、使用GAN算法的训练和转换模型生成、转换设计图像生成、以及通过比较和对准来提取对准坐标值等。
在提取对准坐标值之后，对准坐标值被作为反馈被提供给SEM服务器130，因此可以校正存储在SEM服务器130中的测量坐标。参照图10B，计算和对准服务器150可以包括预处理器152、基于AI的转换模型生成器154、对准坐标值提取器156和误差确定器158。
预处理器152对SEM图像以及与其对应的设计图像执行预处理。SEM图像的预处理可以指例如生成测量信息文件。设计图像的预处理可以指例如转换文件格式。基于AI的转换模型生成器154选择训练SEM图像以及与其对应的训练真图像，并且通过使用GAN算法执行训练。此外，基于AI的转换模型生成器154生成转换模型作为训练的结果。对准坐标值提取器156通过使用转换模型将SEM图像转换为转换设计图像。此外，对准坐标值提取器156将转换设计图像和与其对应的设计图像进行比较以及对准，并且提取对准坐标值。误差确定器158将提取到的对准坐标值与设置的允许值进行比较，并且确定SEM设备是否存在测量误差。此外，当确定SEM设备存在测量误差时，误差确定器158将对准坐标值作为反馈提供给SEM服务器130。应当理解，框图和/或流程图示中的块、以及框图和/或流程图示中的块的组合可以通过由一个或更多个计算机电路执行的计算机程序指令来实现。这些计算机程序指令可以被提供给通用计算机电路、专用计算机电路和/或用于生产机器的其他可编程数据处理电路的处理器电路，使得经由计算机的处理器和/或其他可编程数据处理装置执行的指令转换和控制晶体管、存储在存储器位置中的值以及此类电路中的其他硬件组件，以实现框图和/或流程图块或块中指定的功能/动作，从而创建用于实现框图和/或一个或更多个流程图块中指定的功能/动作的装置(功能)和/或结构。例如，SEM服务器130、预处理器152、基于AI的转换模型生成器154、对准坐标值提取器156、误差确定器158可以是以硬件和/或软件实现的电路。因此，本公开的实施例可以以硬件和/或软件(包括固件、常驻软件、微代码等)来实现，软件在诸如数字信号处理器的处理器上运行，处理器可以统称为“电路”、“模块”或其变体。
虽然本发明构思已经参照其实施例进行了具体示出和描述，但是将理解，在不脱离所附权利要求的精神和范围的情况下，可以在其中进行形式和细节上的各种改变。

Claims (20)

1.一种检测SEM设备的测量误差的方法，所述SEM即扫描电子显微镜，所述方法包括：
使用所述SEM设备获取半导体衬底上的测量目标的SEM图像；
对所述SEM图像以及与所述SEM图像对应的设计图像执行预处理；
从所述SEM图像之中选择训练SEM图像；
使用所述训练SEM图像以及与所述训练SEM图像对应的训练设计图像执行训练，以生成所述SEM图像与所述设计图像之间的转换模型；
使用所述转换模型将所述SEM图像转换为转换设计图像；
通过将所述转换设计图像和与所述转换设计图像对应的所述设计图像进行比较和对准，提取对准坐标值；以及
基于所述对准坐标值确定所述SEM设备的所述测量误差。
2.根据权利要求1所述的方法，其中，所述转换模型是使用生成对抗网络算法即GAN算法生成的。
3.根据权利要求2所述的方法，
其中，所述GAN算法包括生成器模型和判别器模型，
其中，所述生成器模型针对所述训练SEM图像生成初始转换设计图像，
其中，所述判别器模型将所述初始转换设计图像与相应的所述设计图像进行比较，并且确定所述初始转换设计图像是否为假，并且
其中，提供给所述生成器模型的反馈与提供给所述判别器模型的反馈彼此互补，并且随后所述生成器模型和所述判别器模型生成所述转换模型。
4.根据权利要求1所述的方法，其中，所述的提取对准坐标值包括：
通过沿x轴和/或沿y轴移动所述转换设计图像来与所述设计图像的相应部分进行匹配，
其中，所述对准坐标值由Δx和Δy表示，所述Δx和所述Δy分别对应于所述转换设计图像沿所述x轴移动的距离和沿所述y轴移动的距离。
5.根据权利要求4所述的方法，其中，所述对准坐标值是使用所述转换设计图像和所述设计图像的峰值信噪比确定的。
6.根据权利要求1所述的方法，其中，所述的执行预处理包括：
生成所述SEM图像的测量信息文件；以及
将所述设计图像转换为位图文件格式。
7.根据权利要求1所述的方法，其中，所述的确定所述SEM设备的所述测量误差包括：
当所述对准坐标值在设置范围之外时，确定所述SEM设备存在所述测量误差；以及
将所述对准坐标值作为反馈提供给所述SEM设备。
8.根据权利要求1所述的方法，其中，所述方法还包括：在所述的提取对准坐标值之前，
确定是否能够提取所述对准坐标值；以及
当不能够提取所述对准坐标值时，从所述SEM图像之中选择新的训练SEM图像用于重复所述训练。
9.根据权利要求1所述的方法，其中，所述设计图像包括计算机辅助设计即CAD图像，并且具有图形数据系统即GDS格式。
10.一种对准SEM设备的方法，所述SEM即扫描电子显微镜，所述方法包括：
通过使用所述SEM设备获取半导体衬底上的测量目标的SEM图像，所述测量目标包括器件或布线图案；
对所述SEM图像以及与所述SEM图像对应的设计图像执行预处理；
从所述SEM图像之中选择训练SEM图像；
使用所述训练SEM图像以及与所述训练SEM图像对应的训练设计图像执行训练，以生成所述SEM图像与所述设计图像之间的转换模型；
使用所述转换模型将所述SEM图像转换为转换设计图像；
通过将所述转换设计图像和与所述转换设计图像对应的所述设计图像进行比较和对准，提取对准坐标值；
基于所述对准坐标值确定所述SEM设备的测量误差；以及
响应于确定所述SEM设备有所述测量误差，向所述SEM设备发送所述对准坐标值，并且对准所述SEM设备中的测量坐标。
11.根据权利要求10所述的方法，其中，所述转换模型是使用生成对抗网络算法即GAN算法生成的。
12.根据权利要求10所述的方法，其中，所述的提取对准坐标值包括：
通过沿x轴和/或沿y轴移动所述转换设计图像来与所述设计图像的相应部分进行匹配，
其中，所述对准坐标值由Δx和Δy表示，所述Δx和所述Δy分别对应于所述转换设计图像沿所述x轴移动的距离和沿所述y轴移动的距离，并且
其中，所述对准坐标值是使用所述转换设计图像和所述设计图像的峰值信噪比确定的。
13.根据权利要求10所述的方法，其中，所述的执行预处理包括：
生成所述SEM图像的测量信息文件；以及
将所述SEM图像转换为位图文件格式。
14.根据权利要求10所述的方法，其中，所述方法还包括：在所述的提取对准坐标值之前，
确定是否能够提取所述对准坐标值；以及
当不能够提取所述对准坐标值时，从所述SEM图像之中选择新的训练SEM图像，并且使用所述新的训练SEM图像执行所述训练。
15.根据权利要求10所述的方法，其中，所述设计图像包括计算机辅助设计即CAD图像，并且具有图形数据系统即GDS文件格式。
16.一种对准SEM设备的方法，所述SEM即扫描电子显微镜，所述SEM设备包括SEM测量装置和预处理电路，所述方法包括：
由所述SEM测量装置获取半导体衬底上的测量目标的SEM图像；
由所述预处理电路对所述SEM图像以及与所述SEM图像对应的设计图像执行预处理；
从所述SEM图像之中选择训练SEM图像；
使用所述训练SEM图像以及与所述训练SEM图像对应的训练设计图像执行训练，以生成所述SEM图像与所述设计图像之间的转换模型；
通过使用所述转换模型将所述SEM图像转换为转换设计图像；
通过将所述转换设计图像和与所述转换设计图像对应的所述设计图像进行比较和对准，提取对准坐标值；以及
向所述SEM设备发送所述对准坐标值，并且对准所述SEM设备中的测量坐标。
17.根据权利要求16所述的方法，其中，生成所述转换模型包括：
使用生成对抗网络算法即GAN算法生成所述转换模型，
其中，所述测量目标包括器件或布线图案。
18.根据权利要求16所述的方法，其中，所述的提取对准坐标值包括：
沿x轴和/或沿y轴移动所述转换设计图像，以与所述设计图像的相应部分进行匹配，
其中，所述对准坐标值由Δx和Δy表示，所述Δx和所述Δy分别对应于所述转换设计图像沿所述x轴移动的距离和沿所述y轴移动的距离，并且
其中，所述对准坐标值是使用所述转换设计图像和所述设计图像的峰值信噪比确定的。
19.根据权利要求16所述的方法，其中，所述的执行预处理包括：
生成所述SEM图像的测量信息文件；以及
将所述设计图像转换为位图文件格式，
其中，所述设计图像包括计算机辅助设计即CAD图像，并且具有图形数据系统即GDS格式。
20.根据权利要求16所述的方法，其中，所述方法还包括：在所述的提取对准坐标值之前，
确定是否能够提取所述对准坐标值；以及
当不能够提取所述对准坐标值时，从所述SEM图像之中选择新的训练SEM图像，并且使用所述新的训练SEM图像执行所述训练。
CN202210645955.7A 2021-08-04 2022-06-08 检测sem设备的测量误差的方法及对准sem设备的方法 Pending CN115704783A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0102668 2021-08-04
KR1020210102668A KR20230020818A (ko) 2021-08-04 2021-08-04 Sem 설비의 계측 오차 검출 방법, 및 정렬 방법

Publications (1)

Publication Number Publication Date
CN115704783A true CN115704783A (zh) 2023-02-17

Family

ID=85152853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210645955.7A Pending CN115704783A (zh) 2021-08-04 2022-06-08 检测sem设备的测量误差的方法及对准sem设备的方法

Country Status (3)

Country Link
US (1) US20230043003A1 (zh)
KR (1) KR20230020818A (zh)
CN (1) CN115704783A (zh)

Also Published As

Publication number Publication date
US20230043003A1 (en) 2023-02-09
KR20230020818A (ko) 2023-02-13

Similar Documents

Publication Publication Date Title
US10937146B2 (en) Image evaluation method and image evaluation device
US6539106B1 (en) Feature-based defect detection
US7590280B2 (en) Position detection apparatus and exposure apparatus
JP3566470B2 (ja) パターン検査方法及びその装置
JP3524853B2 (ja) パターン検査装置、パターン検査方法および記録媒体
US8295584B2 (en) Pattern measurement methods and pattern measurement equipment
JP5543872B2 (ja) パターン検査方法およびパターン検査装置
KR102185186B1 (ko) 패턴 검사 장치 및 패턴 검사 방법
US8953855B2 (en) Edge detection technique and charged particle radiation equipment
JP4067677B2 (ja) 走査電子顕微鏡の自動検出シーケンスファイル作成方法及び走査電子顕微鏡の自動測長シーケンス方法
US8953894B2 (en) Pattern matching method and image processing device
JP5806786B1 (ja) 画像認識装置
JP2009223414A (ja) 一致度計算装置及び方法、プログラム
JP2007086617A (ja) 試料検査装置、試料検査方法及びプログラム
JP2004163420A (ja) パターン検査装置および方法
JP2005317818A (ja) パターン検査装置およびパターン検査方法
KR20240004240A (ko) 반도체 애플리케이션을 위한 딥 생성 모델 기반 정렬
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
CN115704783A (zh) 检测sem设备的测量误差的方法及对准sem设备的方法
JP2004185019A (ja) パターン検査装置、パターン検査方法および記録媒体
TW202307421A (zh) 帶電粒子檢測中之影像失真校正
JP7273748B2 (ja) 検査装置、検査方法、及びプログラム
JPH11340115A (ja) パターンマッチング方法およびそれを用いた露光方法
JP2002245454A (ja) 画像マッチング方法、画像マッチング装置及びウェハ処理装置
CN114187294B (zh) 基于先验信息的规则晶片定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication