JP2000200356A

JP2000200356A - 欠陥分類方法およびその装置

Info

Publication number: JP2000200356A
Application number: JP11002574A
Authority: JP
Inventors: Atsushi Shimoda; 篤下田; Yuji Takagi; 裕治高木; Kenji Obara; 健二小原; Akira Nakagaki; 亮中垣; Shizushi Isogai; 静志磯貝; Yasuhiko Ozawa; 康彦小沢
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1999-01-08
Filing date: 1999-01-08
Publication date: 2000-07-18

Abstract

(57)【要約】【課題】本発明の課題は、欠陥部分の画像のみでは分類
が困難な欠陥を正確に分類する方法ならびに装置を提供
することである。【解決手段】上記課題は、欠陥画像の画像特徴量を抽出
する手段と、該画像に対応する欠陥の基板に設けられた
座標系における欠陥座標から座標特徴量を算出する手段
と、予め分類結果が判明している欠陥につき前記画像特
徴量および座標特徴量を学習する手段と、前記学習結果
に基づき未知の欠陥を分類する手段とを備えることによ
り解決される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、半導体ウェーハ等
の基板に形成された回路パターンのパターン検査で検出
された欠陥を撮像して得られた画像に基づいて欠陥種類
を分類する欠陥分類方法に関する。

【０００２】

【従来の技術】特開平８−２１８０３号公報には欠陥種
別判定装置が記載されている。これは、ニューロ処理ユ
ニットの入力として欠陥画像から抽出した欠陥情報を与
え、出力として欠陥種別を得る構成とし、欠陥種別に対
応した欠陥情報に対して、それぞれの欠陥種別が出現す
るように前記ニューロ処理ユニットを学習させておくも
のである。この結果、分類対象欠陥から抽出した欠陥情
報を前記ニューロ処理ユニットに入力して、その出力か
ら欠陥種別を判定するものである。欠陥情報としては、
画像処理により抽出された欠陥特徴が用いられる。

【０００３】

【発明が解決しようとする課題】前記従来技術では、欠
陥の画像特徴のみに基づき欠陥種別の判定が行われてい
る。この様に、画像特徴のみによる欠陥種別の判定は正
確さを欠く場合がある。例えば、半導体ウェーハの傷
を、欠陥画像のみから識別することは難しい。傷はミク
ロ的に見ると表面の削れであり、パターンが削れて欠落
して見える場合や、削れた「かす」が異物として多数付
着して見える場合がある。このため、狭い範囲を拡大し
て観察すると、場所により画像の様子が全く異なる。こ
のため、傷としての欠陥画像の特徴のまとまりが無く、
前記従来技術の様な学習型分類が困難となる。

【０００４】本発明の目的は、以上のような実情に鑑み
てなされたもので、学習型システムに基づく欠陥分類装
置において、欠陥の画像特徴量および座標特徴量を用い
ることにより、正確な分類手段を提供することにある。

【０００５】

【課題を解決するための手段】本発明は、上記目的を達
成するため、以下の手段を講じた。

【０００６】基板に形成された回路パターンのパターン
検査で検出された欠陥について該欠陥を撮像して得られ
た画像を欠陥種類毎に分類する欠陥分類方法において、
撮像した画像から欠陥の画像特徴量を算出する過程と、
該画像に対応する欠陥座標を用いて座標特徴量を算出す
る過程と、予め分類結果が判明している欠陥につき前記
画像特徴量および座標特徴量を学習する過程と、前記学
習結果に基づき未知の欠陥を分類することとした。

【０００７】ここで、前記座標特徴量は、前工程のパタ
ーン検査で検出された欠陥と座標が近接しているか否か
により付与されることとした。

【０００８】また前記座標特徴量は、基板内の欠陥を密
集部と非密集部に分類し、それぞれ密集部と非密集部の
欠陥に対して別々に付与されることとした。

【０００９】また前記座標特徴量は、欠陥座標の周期性
に基づく評価量であることとした。

【００１０】また前記座標特徴量は、予め回路パターン
をパターン寸法または回路機能が異なる複数の領域に分
割しておき、欠陥がどの領域に属するかを判定した判定
結果と、欠陥のサイズに基づき算出された致命性である
こととした。

【００１１】さらに、基板に形成された回路パターンの
パターン検査で検出された欠陥について該欠陥を撮像し
て得られた画像を欠陥種類毎に分類する欠陥分類装置に
おいて、撮像した画像から欠陥の画像特徴量を算出する
手段と、該画像に対応する欠陥座標を用いて座標特徴量
を算出する手段と、予め分類結果が判明している欠陥に
つき前記画像特徴量および座標特徴量を学習する手段
と、前記学習結果に基づき未知の欠陥を分類する手段と
を備えることとした。

【００１２】

【発明の実施の形態】以下、図面を用いて本発明の実施
例を説明する。

【００１３】図１は、本発明が対象とする欠陥分類装置
が半導体製造プロセスにおいて果たす役割を説明する図
である。半導体製造プロセスは数百ものプロセス１
（ｂ）を経て製造され完成までに約百日もの期間を要す
る場合がある。しかし、製品の良否が判明するのは全て
のプロセスが完了したプローブ検査１（ａ）である。こ
のため、歩留まりを向上するためには途中のプロセスの
良否を推定する手段が必須である。このために外観検査
装置２による外観検査が行われ、配線パターンの外観異
常からプロセスの良否を判定することが行われている。

【００１４】プロセスの異常が確認された場合、対策を
実施する必要があるが、このための情報収集手段として
欠陥分類装置３は重要な役割を果たしている。すなわ
ち、外観検査の結果４からは欠陥の場所と数は把握でき
るが、その中身についての情報は得られない。このた
め、欠陥の場所での画像５を基に欠陥の種類を分類し
て、不良モード別の発生頻度６を品質管理システム７で
表示させることにより、対策候補を絞り込む８（ａ）こ
とができる。

【００１５】図１の例では、パターン欠陥に比べ異物の
発生頻度が大きいため、異物発生防止対策を行えば良い
ことが判る。即ち、発生頻度が高い欠陥を優先的に原因
推定８（ｂ）、対策９することで、迅速に歩留まり向上
が図れる。欠陥分類装置３は、従来目視で行われていた
欠陥分類作業を自動化する装置であり、高い分類性能が
要求される。

【００１６】図２〜４により、欠陥分類装置ならびに分
類手順を説明する。図２は、本発明の１実施例である欠
陥分類装置の構成図である。図３は、欠陥分類装置で行
う分類手順の説明図である。図４は、学習の原理を説明
する図である。説明は図３の分類手順に従って図２を参
照して行う。該当する箇所で図４を参照する。

【００１７】分類手順は図３（ａ）学習課程と図３
（ｂ）分類過程に分かれる。学習課程では、教師データ
用の欠陥画像が収集される１０。このため、まず図２の
基板搬送装置１１により基板１２をステージ１３に搭載
する。一方、ネットワーク１４を経由して基板１２に対
応する欠陥座標情報をホストコンピュータ１５が上位シ
ステムから受け取る。ホストコンピュータ１５は欠陥座
標情報を参照してステージ制御部１６に指示を送り、ス
テージ１３を移動して欠陥を観察位置に移動する。欠陥
は光学系１７を介してＴＶカメラ１８で撮像され、画像
入力装置１９を介して画像記録装置２０に欠陥画像が記
録される。以上の処理を指定された欠陥について繰り返
し、欠陥画像が蓄積される。

【００１８】次に図３（ａ）教師データ作成２１がオペ
レータによって行われる。オペレータはキーボード２２
を操作して欠陥画像を画像記録装置２０から呼び出しモ
ニタ２３に表示させる。表示された欠陥画像を観察して
カテゴリを付与する。収集されたすべての欠陥について
処理が終わるまで繰り返す。ここで、カテゴリとは欠陥
種類に与えられる番号であり、欠陥種類に対応して決め
られる。例えば異物は１、パターン欠陥は２のようなも
のである。オペレータがキーボード２２を操作して入力
されたカテゴリはホストコンピュータ１５内で教師デー
タとして記録される。

【００１９】図３（ａ）特徴抽出過程２７では画像記録
装置２０から画像処理装置２０にデータを転送し、画像
処理を実施して画像の特徴量を抽出する。ここで、画像
特徴量とは欠陥の色情報、形状、サイズ等である。例え
ば、異物は暗く、円形に近いが、パターン欠陥は周辺パ
ターンと同一色で形状は複雑である、等の特徴がある。
予め決められた種類の特徴量（図４（ｃ）の例では５通
り２９）を計算してホストコンピュータ内１５で教師デ
ータとして欠陥番号に対応して記録する。

【００２０】図３（ａ）学習３０は教師データを基にホ
ストコンピュータ１５内で実施され、分類パラメータ３
１が記録される。図４（ａ），（ｂ）は学習の原理を説
明する図である。図４（ａ）は教師データを特徴量空間
にプロットした図である。ここで、×３２はカテゴリ１
であり、□３３はカテゴリ２であり、Ｘ１（３４）は特
徴量１、Ｘ２（３５）は特徴量２を示す軸である。学習
とはカテゴリ間の判別関数を計算することを意味し、前
記関数を本明細書では分類パラメータと呼ぶ。

【００２１】判別関数を図示すると、図４（ｂ）に示す
カテゴリ間の境界３６となる。判別関数の算出方法は多
くの手法が知られているが、本明細書では代表的手法で
ある判別分析を例に説明する。以後、判別分析を例に説
明を進めるが、本発明は他の手法においても同様に成り
立つ。

【００２２】図４（ｂ）により判別分析を説明する。同
図において、点３７はカテゴリ１の重心、点３８はカテ
ゴリ２の重心、楕円３９は重心からの距離が等しい点の
集まりを表す。ここで距離とは特徴空間におけるユーク
リッド距離を教師データの分散で基準化したものであり
マハラノビス距離と呼ばれる。境界線３６はカテゴリ１
およびカテゴリ２の重心から等距離にある点の集合であ
る。未知の点４０（欠陥に対応）に対する判別関数は次
式で与えられる。

【００２３】

【数１】Ｚ_1.2＝Ｄ₁ ²−Ｄ₂ ² 但し、Ｚ１.２：カテゴリ１と２の判別関数Ｄ₁ ²：カテゴリ１の重心とのマハラノビス平方距離Ｄ₂ ²：カテゴリ２の重心とのマハラノビス平方距離このため、Ｚ_1.2に基づく下記式により分類が可能であ
る。

【００２４】

【数２】Ｚ_1.2＜０ → カテゴリ１に属するＺ_1.2＞０ → カテゴリ２に属するここで、図４（ａ），（ｂ）では２つの特徴量を用いて
説明したが実際には多次元のベクトル空間が構成される
ことに注意を要する。

【００２５】図３（ｂ）分類過程では分類対象の欠陥画
像が同図（ａ）学習課程と同様の操作によって画像記録
装置２０に記録される。記録された画像は画像処理装置
２０で特徴量が計算され、ホストコンピュータ１５に記
録される（以後、分類データと呼ぶ）。そして、各欠陥
ごとに特徴量と先に計算した分類パラメータを用いてカ
テゴリ４５を推定する。推定されたカテゴリ４５はホス
トコンピュータ１５に記録される。記録された分類デー
タはネットワーク１４を経由して上位システムである品
質管理システム７に転送され、図１に示すような不良モ
ード表示画面６で解析が行われる。

【００２６】図５は、本発明による分類手順を示す説明
図である。図５の分類手順が（ａ）学習課程と（ｂ）分
類過程に分かれることは図３と同様であるが、図３と比
較して座標特徴抽出４２が付加されたことに特徴があ
る。以下、図２を参照しながら、処理の流れを説明す
る。学習課程では、教師データ用の欠陥画像が収集され
る１０。欠陥画像が収集される過程は図３と同様であ
る。欠陥画像が撮像された欠陥については欠陥座標情報
テーブルに記録され４１、欠陥画像と欠陥座標の対応付
けを可能とする。次に図５（ａ）教師データ作成２１、
画像特徴抽出２７が実施されるのは図３と同様である。
一方、座標特徴量についてはホストコンピュータ１５で
座標特徴抽出処理４２が実施され、画像特徴量と同じ
く、ホストコンピュータ内１５で教師データとして欠陥
番号に対応して記録される。この後、（ａ）学習３０が
ホストコンピュータ１５内で実施され、分類パラメータ
３１が記録されるのは図３と同様である。

【００２７】図５（ｂ）分類過程では分類対象の欠陥画
像が同図（ａ）学習課程と同様の操作によって画像記録
装置２０に記録される。また、欠陥画像に対応する欠陥
について欠陥座標情報テーブルに記録され４３、欠陥画
像と欠陥座標の対応付けを可能とする。欠陥画像は画像
処理装置２０で特徴量が計算され、欠陥座標はホストコ
ンピュータ１５で座標特徴量が計算され４４、共にホス
トコンピュータ１５に記録される（以後、分類データと
呼ぶ）。そして、各欠陥ごとに特徴量と先に計算した分
類パラメータを用いてカテゴリ４５を推定する。推定さ
れたカテゴリ４５はホストコンピュータ１５に記録され
る。記録された分類データはネットワーク１４を経由し
て上位システムである品質管理システム７に転送され、
図１に示すような不良モード表示画面６で解析が行われ
る。

【００２８】ここで、画像特徴と組み合わせるべき座標
特徴としては以下の様なものが考えられる。

【００２９】例えば、ある欠陥の座標と前工程のパター
ン検査で検出された欠陥と座標が近接しているか否かに
より付与される座標特徴量である。図６は本発明により
前工程欠陥が正確に分類できることを説明する説明図で
ある。図６（ａ）は欠陥画像である。画像には当工程配
線４６と前工程配線４７が撮像されている。前工程配線
４５に欠け４８が存在する。欠け４８が前工程で発生し
たものか当工程で発生したものかを識別することは重要
である。なぜなら、最も関心の高い当工程の欠陥を効率
的に解析できるからである。

【００３０】図６（ａ）の様な欠陥を画像特徴のみから
前工程欠陥と分類するためには複雑な画像処理が必要と
なる。例えば、画像内の配線をその色により前工程と当
工程に分離し、欠陥がどちらのパターンに存在するもの
かを解釈する必要がある。前記処理を多くの欠陥に対し
て安定に処理することは難しい。

【００３１】一方、図６（ｂ）に示す座標特徴を利用し
て画像分類を実行することも可能である。図６（ｂ）は
同一基板の前工程欠陥４９と当工程欠陥５０を同一座標
上で重ね表示したものである。欠陥６１は前工程欠陥と
重なっており、前工程で発生した可能性が高い。

【００３２】一方、欠陥５０は前工程欠陥と重ならない
ため、当工程で発生した可能性が高い。例えば、前工程
と当工程の欠陥座標誤差にあるしきい値を設定し、しき
い値を下回る欠陥は座標特徴量を「１」、その他の欠陥
の座標特徴を「０」とすることができる。

【００３３】更に、しきい値を設ける変わりに座標誤差
に基づくファジー関数を定義して、座標特徴量を連続量
として算出することも可能である。しかし、いずれにし
ろ座標処理では座標誤差が大きい場合には複数候補が存
在することとなり、必ずしも正確な判定は望めない。そ
こで、本発明によれば、欠陥画像特徴と座標特徴を共に
学習させることにより、両者の欠点を相補的に補うこと
が可能となる。

【００３４】座標特徴量の別の例として、基板内の欠陥
をクラスタ欠陥（傷の様な密集欠陥）とランダム欠陥
（非密集欠陥）に分類し、それぞれの欠陥に対して付与
される特徴量がある。図７は本発明により傷欠陥が正確
に分類できることを説明する説明図である。

【００３５】図７（ａ）は欠陥画像であり、傷の２ヵ所
（Ａ，Ｂ）の画像を示している。傷はミクロ的に見ると
表面の削れであり、狭い範囲を拡大して撮像すると場所
により画像の様子が全く異なる場合がある。例えば、Ａ
部では削れ「かす」５１が異物の様に散在して見えるの
に対して、Ｂ部ではパターンの削れ５２が散在してい
る。このため、欠陥の画像のみから傷を識別することは
難しい。

【００３６】一方、図７（ｂ）に示す座標特徴を利用し
て画像分類を実行することも可能である。図７（ｂ）は
欠陥を座標の密集度に応じてクラスタ欠陥５４とランダ
ム欠陥に分類した例である。クラスタリングは統計処理
として知られたており、種々のアルゴリズムがある。例
えば、あるパラメータの下にクラスタリングを実行し、
クラスタとして検出された欠陥の座標特徴量を「１」、
その他の欠陥の座標特徴を「０」とすることができる。

【００３７】しかし、欠陥の密集の度合いはウェーハ毎
にばらつくため、常に正確に密集欠陥のみをクラスタ化
することは難しい。図７（ｂ）の例では、欠陥６２はク
ラスタの境界にあり、クラスタ欠陥とランダム欠陥のど
ちらかに判別することが難しい。

【００３８】そこで、本発明によれば、欠陥画像特徴と
座標特徴を共に学習させることにより、両者の欠点を相
補的に補うことが可能となる。尚、欠陥の密集度を表す
座標特徴量としてクラスタリングの代わりにＺｏｎａｌ
ＤｅｆｅｃｔＲｅｃｏｇｎｉｔｉｏｎアルゴリズム
（ＭａｋｏｔｏＯｎｏｅｔａｌ．，”ＡｎＥｆ
ｆｅｃｔｉｖｅＭｅｔｈｏｄｆｏｒＹｉｅｌｄ
ＥｎｈａｎｃｅｍｅｎｔｕｓｉｎｇＺｏｎａｌＤ
ｅｆｅｃｔＲｅｃｏｇｎｉｔｉｏｎ”，ＩＳＳＭ’９
７（１９９７））を用いても良い。

【００３９】座標特徴量の別の例として、欠陥座標の周
期性に基づく評価量がある。図８は本発明によりコンタ
クトホール欠陥が正確に分類できることを説明する説明
図である。図８（ａ）は欠陥画像である。コンタクトホ
ール５５がショート５６すると、本来存在するはずの暗
いコンタクトホール５５が潰れて周囲の配線と同じ色に
なって見える。欠陥部と正常部との明るさの違いに着目
するとパターンの膨れやショートと同じ関係となり、両
者を区別するためには画像内の欠陥の位置や形状を正確
に計測する必要があり、多くの欠陥を安定に処理するの
は難しい。

【００４０】一方、図８（ｂ）は欠陥の座標をプロット
した図である。コンタクトホールは設計値に基づき周期
的に製造されているため、欠陥は周期的に出現する特徴
がある。そこで図８（ｂ）をＸ方向またはＹ方向に投影
した場合、欠陥存在位置の周期（５９，６０）とコンタ
クトホール周期の設計値（５７，５８）の比をとると、
比が１に近づく場合はコンタクトホールらしいと評価で
きる座標特徴量になる。しかし、欠陥が単独で存在する
場合には本特徴量によりコンタクトホール欠陥を識別す
ることは困難である。

【００４１】そこで、本発明によれば、欠陥画像特徴と
座標特徴量の両者を学習させ分類に用いることにより、
両者の欠点を相補的に補うことができ、正確な分類が可
能となる。尚、ここではコンタクトホールの周期性を例
に説明したが、欠陥がレチクル寸法単位で繰り返し発生
するレチクル欠陥の識別についても同様な座標特徴量が
利用できる。

【００４２】座標特徴量の別の例として、予め回路パタ
ーンをパターン寸法または回路機能が異なる複数の領域
に分割しておき、欠陥がどの領域に属するかを判定した
判定結果と、欠陥のサイズに基づき算出された致命性を
用いても良い。ＹａｓｕｈｉｒｏＹｏｓｈｉｔａｋｅ
ｅｔａｌ．，”ＤｅｆｅｃｔＣｏｎｔｒｏｌｕｓ
ｉｎｇａｎＡｕｔｏｍａｔｉｃＫｉｌｌｅｒＤ
ｅｆｅｃｔＳｅｌｅｃｔｉｏｎＭｅｔｈｏｄ”，Ｉ
ＷＳＭ’９８（１９９８）に致命性算出方法の記載があ
る。前記従来技術は欠陥の存在する領域と欠陥サイズを
基に欠陥の致命性特徴量を算出するものである。

【００４３】しかし、本従来技術では、領域データとし
て回路パターン寸法や回路機能が異なるマクロな領域を
用いているため、欠陥が致命となる事前確率は求まる
が、個々の欠陥の致命性を正確に分類することはできな
い。一方、欠陥画像のみを用いて欠陥の致命性を安定し
て判定することは難しい。

【００４４】そこで、本発明によれば、両者の欠点を相
補的に補うことができ、より正確な欠陥の致命性の分類
が可能となる。

【００４５】以上、本発明によれば、欠陥分類装置にお
いて、欠陥の画像特徴に加え、座標特徴を学習すること
により、画像特徴のみを学習する場合に比べて正確に欠
陥を分類できる特徴がある。

【００４６】

【発明の効果】本発明によれば、欠陥分類装置において
欠陥部分の画像特徴のみでは分類が困難な欠陥であって
も、欠陥の座標特徴を加味することにより正確な分類が
可能となる。この結果、欠陥画像の分類精度が向上し、
ひいては製造プロセスの異常原因を高精度に推定するこ
とが可能となり、製造プロセスの異常改善に効果を発揮
する。

【図面の簡単な説明】

【図１】本発明が対象とする欠陥分類装置が半導体製造
プロセスにおいて果たす役割を説明する図。

【図２】本発明の１実施例である欠陥分類装置の構成
図。

【図３】（ａ）及び（ｂ）は欠陥分類装置が行う処理手
順を説明するフローチャート。

【図４】（ａ）及び（ｂ）は学習の原理を説明する図。

【図５】（ａ）及び（ｂ）は本発明による分類手順を説
明するフローチャート。

【図６】（ａ）及び（ｂ）は本発明により前工程欠陥が
正確に分類できることを説明する画像図及び特性図。

【図７】（ａ）及び（ｂ）は本発明により傷欠陥が正確
に分類できることを説明する画像図及び特性図。

【図８】（ａ）及び（ｂ）は本発明によりコンタクトホ
ールショート欠陥が正確に分類する説明図及び特性図。

【符号の説明】

１（ａ）…プローブ検査、１（ｂ）…プロセス、２…外
観検査装置、３…欠陥分類装置、４…外観検査結果、５
…欠陥画像、６…不良モード別の発生頻度、７…品質管
理システム、８（ａ）…対策候補の絞り込み、８（ｂ）
…原因推定、９…対策、１０…欠陥画像収集、１１…基
板搬送装置、１２…基板、１３…ステージ、１４…ネッ
トワーク、１５…ホストコンピュータ、１６…ステージ
制御部、１７…光学系、１８…ＴＶカメラ、１９…画像
入力装置、２０…画像記録装置、２１…教師データ作
成、２２…キーボード、２３…モニタ、２７…特徴抽
出、３０…学習、３１…分類パラメータ、３２…×（カ
テゴリ１）、３３…□（カテゴリ２）、３４…Ｘ１、３
５…Ｘ２、３６…境界、３７…カテゴリ１の重心、３８
…カテゴリ２の重心、３９…楕円、４０…未知欠陥、４
１…該当位置記録、４２…座標特徴抽出、４３…該当位
置記録、４４…座標特徴抽出、４５…分類カテゴリ、４
６…前工程配線、４７…当工程配線、４８…欠け、４９
…前工程欠陥、５０…当工程欠陥、５１…削れかす、５
２…削れ、５３…傷、５４…欠陥密集部、５５…コンタ
クトホール、５６…ショート、５７…周期の設計値、５
８…周期の設計値、５９…欠陥座標の周期、６０…欠陥
座標の周期、６１…欠陥、６２…欠陥。

───────────────────────────────────────────────────── フロントページの続き (72)発明者小原健二神奈川県横浜市戸塚区吉田町292番地株式会社日立製作所生産技術研究所内 (72)発明者中垣亮神奈川県横浜市戸塚区吉田町292番地株式会社日立製作所生産技術研究所内 (72)発明者磯貝静志茨城県ひたちなか市市毛882番地株式会社日立製作所計測器事業部内 (72)発明者小沢康彦茨城県ひたちなか市市毛882番地株式会社日立製作所計測器事業部内Ｆターム(参考） 2G051 AA51 AB01 AB11 AB14 AB20 CA03 CA04 DA01 DA07 EA14 EB01 EB02 EC01 ED23 FA10 4M106 AA01 BA20 CA38 CA39 CA41 DB04 DB21 DJ14 DJ20 DJ21 DJ38 5B057 AA03 BA02 CA01 CA08 CA12 CA16 DA03 DB02 DB06 DB09 DC33 5L096 AA02 BA03 HA09 JA11 KA13 KA15

Claims

【特許請求の範囲】

【請求項１】基板に形成された回路パターンのパターン
検査で検出された欠陥について該欠陥を撮像して得られ
た画像を、欠陥種類毎に分類する欠陥分類方法であっ
て、撮像した画像から欠陥の画像特徴量を算出する過程
と、該画像に対応する欠陥座標を用いて座標特徴量を算
出する過程と、予め分類結果が判明している欠陥につき
前記画像特徴量および座標特徴量を学習する過程と、前
記学習結果に基づき未知の欠陥を分類することを特徴と
する欠陥分類方法。
【請求項２】前記座標特徴量は、前工程のパターン検査
で検出された欠陥と座標が近接しているか否かにより付
与されることを特徴とする請求項１記載の欠陥分類方
法。
【請求項３】前記座標特徴量は、基板内の欠陥を密集部
と非密集部に分類し、それぞれ密集部と非密集部の欠陥
に対して別々に付与されることを特徴とする請求項１記
載の欠陥分類方法。
【請求項４】前記座標特徴量は、欠陥座標の周期性に基
づく評価量であることを特徴とする請求項１記載の欠陥
分類方法。
【請求項５】前記座標特徴量は、予め回路パターンをパ
ターン寸法または回路機能が異なる複数の領域に分割し
ておき、欠陥がどの領域に属するかを判定した判定結果
と、欠陥のサイズに基づき算出された致命性であること
を特徴とする請求項１記載の欠陥分類方法。
【請求項６】基板に形成された回路パターンのパターン
検査で検出された欠陥について該欠陥を撮像して得られ
た画像を欠陥種類毎に分類する欠陥分類装置であって、
撮像した画像から欠陥の画像特徴量を算出する手段と、
該画像に対応する欠陥座標を用いて座標特徴量を算出す
る手段と、予め分類結果が判明している欠陥につき前記
画像特徴量および座標特徴量を学習する手段と、前記学
習結果に基づき未知の欠陥を分類する手段とを備えたこ
とを特徴とする欠陥分類装置。