JP2000511697A - 光学的パラメータを解析する方法と装置 - Google Patents

Abstract

(57)【要約】 薄膜積層の検査から複数の測定光学データを生成する光学検査デバイス。プロセッサは理論的データのモデルを発展させ、これらは測定データと比較され、その結果として「最適応」の解が与えられる。理論的データの各モデルは、「遺伝子」の配列リストである「遺伝子型」に応じて表される。各「遺伝子」は対象の選択された薄膜パラメータに対応する。多くのこのような個々の「遺伝子型」が形成されて、「遺伝子型」の母集団が形成され、これは「遺伝アルゴリズム」の使用により発展する。各「遺伝子型」は、それから導出された理論的データが測定データからどれくらい異なっているかに基づいて「遺伝子型」に関連した適応度を有する。個々の「遺伝子型」が適応度に基づいて選択され、次いで「遺伝子操作」が、選択された「遺伝子型」に実行されて、新たな「遺伝子型」を導くようにする。許容できる解が得られるまで、「遺伝子型」の多世代が発展する。

Description

【発明の詳細な説明】 光学的パラメータを解析する方法と装置 発明の分野 この発明は、光学的な方法を用いて半導体基板上の薄膜の形成を評価する方法 と、この方法を実施する装置とに関する。 発明の背景 被検体を測定する光学的方法は、特に半導体基板上の薄膜層の積層の形成を含 む半導体製造工程においてよく知られている。このような方法は、近代的な製造 設備の効率的な操業に欠くことができないと考えられる。光学的方法は、それら が非破壊であり、しかも結果的に生じる光学的データが、膜積層の多くの層に至 るまで、層パラメータ、例えば厚さ、屈折率、減衰係数、分散、散乱などに関す る情報を得るために使用することができるので、望ましい方法である。 一つの望ましい試みは、本願の譲受人であるカリフォルニア州フレモントのＴ ｈｅｒｍａ−Ｗａｖｅ、Ｉｎｃ．により製造販売されているＯＰＴＩＰＲＯＢＥ （商標名）の使用を含み、米国特許第４，９９９，０１４号、第５，０４２，９ ５１号、第５，１８１，０８０号および第５，４１２，４７３号の少なくとも一 つに部分的に開示されており、これらの特許は引用により本明細書に組み込まれ ている。 従来の光学的処理技術は、典型的に、薄膜積層の特定のパラメータを表す解を 持つ一組のデータ測定点へ測定データを適応させる非線形の最小の正方形アルゴ リズムを使用することに依っている。 光学的技術における改良は、常に増大する測定データ点を与えることができ、 それはより複雑な膜積層上に層パラメータを得る機会を与えることもできる。し かしながら、この機会は観察されたデータに基づいた解を開発することに対して 同じく一層に複雑な最適化問題を引き起こし、(最小の正方形アルゴリズムのよ うな)従来の処理技術が増加した複雑さを処理するために不充分であることが判 明している。 遺伝アルゴリズム(GA)が適応関数最適化の問題へ適用されている。 GAのための基本的な理論的枠組みは、HollandによりAdaptation in Natural and Artificial Systems(1975)に記載されている。Hollandにより使用されている用 語は遺伝学から借用されている。即ちコンピュータ類推において、ＧＡは選択さ れた問題に対する解の「母集団」を定義して、母集団の「個々」の要素、即ち個 別の解に作用する確率的な遺伝学的操作を使うことにより新たな母集団を発展さ せる方法である。母集団内の個体は複数の「遺伝子」を有しており、それは対象 の何らかの実際のパラメータを表している。例えば、対象のｘデータパラメータ があるならば、各個体はｘ「遺伝子」を持ち、ｘ「遺伝子」を持つ個体の母集団 がＧＡにより増殖されるであろう。 関数最適化のためのＧＡの使用は、Schaeferへの米国特許５，２２２，１９２ 号及び第５，２５５，３４５号に概説されている。更に、Winstonへの米国特許 第５，３９４，５０９号は生産工程から改善結果を調査するためのGAの適用につ いて概説している。また最近は、様々な型式の光学式フィルタの使用にGAの使用 が注目を集めている。Eisenhammer他、Optimization of Interference Filters with Genetic Algorithms Applied to Silver-Based Heat Mirrors，Applied Op tics，Vol.32、第６３１０−１５頁（１９９３）;Back & Schutz，Evolution St rategies for Mixed-Integer Optimization of Optical Multilayer Systems，P roceedings of the Fourth Annual Conference on Evolutionary Progra mming 第３３−５１頁（１９９５）を参照されたい。 しかしながら、これまでのところＧＡは半導体ウェハ上の薄膜の評価の問題に は適用されておらず、またその適用は望ましいことであろう。 発明の概要 半導体基板上の薄膜層の光学的検査を用いて薄膜層の物理的特性を評価する方 法が開示される。この方法によれば、光学的検査デバイスが膜積層の検査から複 数の測定された光学データを発生する。プロセ ッサは被検体の実際のパラメータの潜在的な解に対応する理論的パラメータの組 を発生する。 理論的パラメータの各々の候補モデルは、「遺伝子」が配列されたリストである 「遺伝子型」として表される。各々の「遺伝子」は対象の選択された薄膜パラメ ータに対応する。 このような多くの「遺伝子型」が形成されて、「遺伝アルゴリズム」の使用によ り展開される「遺伝子型」の「母集団」を形成する。伝統的なフレネルの式を用 いて、プロセッサは各々の「遺伝子型」を規定する理論的パラメータから理論的 データを得る。所定の「遺伝子型」について得られた理論的データは、適応関数 によって実際の測定データと比較される。適応関数は、得られた理論的データが 測定されたデータにどれだけ近似しているかについての測定を与える。次いで個 別の「遺伝子型」の一部が、この適応度比較に基づいて選択される。様々な異な った型式の「遺伝学操作」の一つが、新たな「遺伝子型」を生成するように、選 択された「遺伝子型」について実行される。「遺伝子型」の多数の世代が、許容で きる解が得られるまで展開される。測定されたデータに最も良好な「適応度」を 持つ理論的データに関連する基礎的な「遺伝子型」は、検査されている薄膜の最 も近いパラメータを定義するであろう。 本発明の特徴と利点のより良き理解は、以下の本発明の詳細な説明と、本発明 の原理が利用された説明的な実施例が記載された添付図面を参照することにより 得られるであろう。 図面の簡単な説明 図１は単純化された光学検査システムを示すブロックダイアグラムである。 図２は本発明の方法を示すフローチャートである。 図３ａおよび図３ｂは本発明に使用するためのメモリの配置を示すブロックダ イアグラムである。 図４ａ乃至図４ｃは異なる「遺伝子操作」の使用を示すフローチャ ート部分である。 本発明の詳細な詳細 図１は、少なくとも一つの薄膜層３２がその上に形成された半導体ウェハのよ うな被検体２８の光学的特性を測定する基本的光学検査システム２０のブロック ダイアグラムを示す。光源２２は、光２４のプローブビーム２４を発生し、この プローブビーム２４は、レンズ３０を通じてビームスプリッタ２６により反射さ れて、被検体２８に照射される。光源２２は任意の多数の波長を含むことが好ま しいことは明らかである。光のプローブビーム２４は被検体２８で反射してレン ズ３０およびビームスプリッタ２６を通じて戻り、光検出器５０へ入射する。光 検出器５０は複数の出力５１を発生し、これはプロセッサ５２へ与えられる。こ の出力は被検体の物理的特性、特に被検体の薄膜層の評価に使用される。 当業者には光学的検査システムのための様々な形態、例えば、引用により本明 細書の一部をなす米国特許第４，９９９，０１４号、第５，０４２，９５１号、 第５，１８１，０８０号および第５，４１２，４７３号に記載されたようなもの が可能であることが明白である。好適な光学的検査システムは、カリフォルニア 州フレモントのＴｈｅｒｍａ−Ｗａｖｅ、Ｉｎｃ．により製造販売されているＯ ＰＴＩＰＲＯＢＥ（商標名）を使用する。これらの特許は、同時または連続的の 何れかの多重波長および多重入射角で如何にして測定をなし得るかを説明してい る。しかしながら、本発明の目的のためには、半導体ウェハの検査からの多重光 学的データ測定値を発生する光学的検査システムを与えることで充分である。 光学的データ測定値は典型的には振幅情報の形態、例えば反射率対入射角、反 射率対波長を採るか、或いは例えば偏光解析法により与えられた偏光位相情報の 形態を採る。例えばＯＰＴＩＰＲＯＢＥ検出器は、これらの各技術を用いて一回 の走査で多数の測定をなして、反射率測定の各組について数十乃至数百のデータ 点から得られた測定デー タを測定解析に使用するために選別する。 良く知られたフレネルの式は、所定の厚さ、反射角および減衰係数を持つ既知 の層積層から予想される光学的測定値を予想またはモデル化するために用いるこ とができる。Born，Wolf共著Principles of Opticsを参照されたい。しかしなが ら、これらのモデルに関連したフレネルの式は、前述とは逆に多数の多重測定デ ータ点から薄膜積層の様々なパラメータを明確に定めるために用いるのは容易で ない。 この問題は、本発明においては、評価する積層の実際のパラメータに対応し得 る「理論的」パラメータの組を最初に生成させることにより扱われている。プロ セッサは、フレネルモデル化式を用いて、それらの理論的パラメータに基づいた 理論的データの組を得る。得られた理論的データは測定データと比較され、それ に妥当な対応関係が示されれば、生成された理論的パラメータが検査される薄膜 積層のパラメータを適正に説明すると見倣せる。 勿論、生成された理論的パラメータの最初の組とそれに関連して得られた理論 的データが実際の測定データに対して良好な整合を与えることは、とてもありそ うにないことである。本発明の実践においては、プロセッサは理論的パラメータ の何千何万もの組を生成する。本発明によれば、理論的パラメータの多重組を生 成する段階は、「遺伝アルゴリズム」を用いて実行される。 いま図２を参照すると、本発明の方法を実行する「遺伝アルゴリズム」(GA)の 一つの実施例をフローチャートで示しており、これは適宜にプログラミングされ たプロセッサ５２によって行われ得る。本発明の目的を逸脱することなく様々な 手法の変形例を使用し得ることは明らかである。プロセッサ５２は、反復処理を 実行するための適宜なコンピューティングリソースを有する一般的なコンピュー タとすることができる。例えば、発明者らは、図示されたフローチャートにより NEXTSTEP（次世代）オペレティングシステムを用いるPENTIUMプロセッサをプロ グラムして、多重積層の解釈を表すデータについての良好 な適応を得ている。 ステップ１００において、測定する薄膜パラメータの組が選択されて、「遺伝 子型」へ位置づけされる。即ち対象の物理的パラメータが数学的空間へ位置づけ される。「遺伝子型」は「遺伝子」の配列リストとして定義され、各々の「遺伝子 」は対象の異なる薄膜パラメータを表す。実際には、対象の各パラメータまたは 「遺伝子」は、個々のデータストアに位置づけされた範囲が指定され、その内容 が与えられるか、または変更されるか、或いは適当なプログラミングにより操作 される。測定値の組についての全ての対象のパラメータを記憶する個々のデータ ストアの収集は、個々の「遺伝子型」を形成する。 例えば、対象の三つのパラメータを有する単純な「遺伝子型」は、図３ａに示 すように位置づけられる、ここで厚さは「遺伝子」ｇ０に位置づけられ、屈折率 は「遺伝子」ｇ１に位置づけられ、減衰係数が「遺伝子」ｇ３に位置づけられる 。この段階では、製品明細書に指示された必要性に応じて、様々な異なる「遺伝 子型」が可能であり、形成されることに留意されたい。例えば、五つのパラメー タの「遺伝子型」が図３ｂに示され、これは次のように位置づけられる。第一の 膜層の厚さは「遺伝子」ｇ０に位置づけられ、第一の膜層の屈折率は「遺伝子」 ｇ１に位置づけられ、第一の膜層の減衰係数が「遺伝子」ｇ２に位置づけられ、 第一の膜層の厚さは「遺伝子」ｇ０に位置づけられ、第二の膜層の厚さは「遺伝 子」ｇ３に位置づけられ、第三の膜層の厚さは「遺伝子」ｇ４に位置づけられる 。適用に応じて異なる順序が好ましいことがあるけれども、一般的には、図示の ように、データストアに一緒に分類された同一の層に関するパラメータを持たせ ることが望ましい。「遺伝子型」は、何らかの適切な目的のためにそこに格納され た情報を操作する共通のデータ処理コマンドにより取り扱い得ることは都合の良 いことである。本発明はＧＡを採用し、このＧＡを、選択された「遺伝子」に作 用させて、一般に増大する適応度を有する付加的な「遺伝子型」を伝える。 段階１０１において、Ｍ個の個々の「遺伝子型」を含む初期母集団が、無作為 または任意手法の何れかで形成される。例えば初期母集団は、先行測定から得ら れた既存のデータにより初期化し得る。可変ＧＥＮは世代数を特定し、且つ零へ 初期化するように用いられる。 段階１０２においては、終了基準が検査され、基準が満足していれば、後述す るように段階１０３に好ましい解がもたらされ、ルーティーンを終了する。 終了基準が満足できなければ、現在の母集団における各「遺伝子型」の適応度 が評価されて、参照のために段階１０４で記憶される。適応度は、対象のパラメ ータに基づく適応関数Ｆにより定められる。最も一般的な例においては、適応度 Ｆは、Ｎ回の測定について、測定データ点ｘｉと理論的データ点ｙｉとの間の残 差値として定義され、例えば、次式で与えられる。 段階１０５において、カウンタｉは零にリセットされる。カウンタｉは、新た な母集団中に形成した遺伝子型の数を計数する。このルーティーンのこの部分で は、Ｍ個の「遺伝子型」の新たな母集団が増殖するので、カウンタｉは初期化さ れ、その後はこのルーティーンの末端部分で「遺伝的」に増殖する「遺伝子型」 の数を追尾するカウンタとして働く。 段階１０６において、カウンタｉはプリセット値Ｍと比較される。仮に等しけ れば、新たな母集団は完全であり、世代数ＧＥＮは段階１０７において１だけ増 加する。次いでルーティーンは段階１０２へ戻って終了するか、または次世代の 「遺伝子型」を構築するかの何れか である。一方、新たな母集団が不完全であれば、ルーティーンは段階１０８へ進 み、新世代についての少なくとも一つの新たな「遺伝子型」を発展させる。 段階１０８においては、「遺伝子操作」が選択されている。この選択は通常は蓋 然的になされるが、無作為または任意とすることもできる。図４に示されるよう に、三つの基本的な「遺伝子操作」、即ち「直接生殖」、「クロスオーバー」、および 「突然変異」があるが、本発明はこれらの意味に厳密に限定されるものではない 。これらの「遺伝子操作」の各々はデータの適切な任意の展開を与えるように或 る程度は使用されねばならないが、それが厳密に要求されるというわけではない 。 三つの可能な「遺伝子操作」の各々について、現在の母集団から一つかまたは 二つの「遺伝子型」が選択される。段階１０９において選択された「遺伝子型」 は、測定データに「適応」する「遺伝子型」に関連して、理論的データにどれだ け近似しているかということを統計的な基礎としている。選択は偶然であるが、 低い適応度を有する「遺伝子型」よりもむしろ、高い適応度Ｆを有する「遺伝子 型」が選択される可能性が大きい。好適実施例においては、この選択の見込みは 、適応度に直接に比例する。このダーウィン型式における「遺伝子型」の選択に より、母集団は、「遺伝子型」が漸進的に良好な適応度解へ向かって広がる方式で 発展させることができる。更に、加重法の使用によれば(但し、依然として任意 選択処理を用いて)、全母集団に亘って最も良好な適応度解を調査することが可 能である。これは調査のより広範な形態を与え、単に狭い調査戦略である非線形 最小二乗法の使用では達成できない。 「遺伝子操作」の選択形態は段階１１０で実行される。「遺伝子操作」により形 成された一つまたは複数の新たな「遺伝子型」は、次いで段階１１１において新 たな母集団に書き込まれ、カウンタｉは段階１１２において増加する。 段階１０９乃至１１２は、本発明の目的を逸脱することなく様々な 異なる方法で実行し得る。例えば、三つの基本的「遺伝子操作」が図４ａ−４ｃ に図示されている。段階１０８ａにおいて直接生殖法が選択されたなら、単独の 「遺伝子型」が段階１０９ａにおいて選択される。上述したように、この選択は 任意であるが、適応度に基づいた加重法である。段階１１０ａにおいて、選択さ れた「遺伝子型」の正確なコピーがコピーされて、新たな母集団に挿入される( 段階１１１ａ)。個々のカウンタｉは次いで段階１１２ａで増加し、ルーティー ンは段階１０６へ戻って新たな母集団が完全になるまで更なる「遺伝子型」を伝 える。代替的に、選択された「遺伝子型」の正確なコピーは、新たな母集団への コピーに先立って、段階１０９ｃへの点線接続線Ｂで示すように先遺伝的突然変 異を被り得る。 段階１０８ｂでクロスオーバーが選択されたならば、二つの「遺伝子型」が現 在の母集団（段階１０９ｂ）からそれらの適応度に基づいて任意に選択される。 次いでクロスオーバーが段階１１０ｂで実行され、選択された「遺伝子型」の各 々からの遺伝子が選択されて交換されるという結果を生じて、二つの新たな母集 団が形成され、これらが段階１１１ｂにおいて新たな母集団へ書き込まれる。ク ロスオーバーが選択されたならば、二つの「遺伝子型」が発展するので、段階１ １２ｂにおいて固体カウンタｉは２だけ増加する。ルーティーンは段階１０６へ 戻り、新たな母集団が完全になるまで更なる「遺伝子型」を増やす。代替的にク ロスオーバー「遺伝子型」は、段階１０９ｃへの接続点線Ｂに示されるように、 新たな母集団へコピーされる前に「遺伝子」突然変異を被り得る。 突然変異が選択されたならば、一つの「遺伝子型」が、その適応度に基づいて 段階１０９ｃにて現在の母集団から選択される。選択された「遺伝子型」から幾 つかの「遺伝子」が選択されて、段階１１０ｃにおいて突然変異され、段階１１ １ｃにおいて新たな「遺伝子型」が新たな母集団へ書き込まれる。固体カウンタ ｉは段階１１２において増加し、ルーティーンは段階１０６へ戻り、新たな母集 団が完全にな るまで更なる「遺伝子型」を増やす。 上述したように、「遺伝子操作」における使用のための「遺伝子型」の選択は、 適応度に比例して任意であるが、直接に干渉して強制的に選択することも可能で ある。また、操作される個々の「遺伝子」の選択は一般に任意である。 先述したように、ルーティーンは段階１０２で終了基準を満足するまで続く。 実際には、終了基準は、予め定められた世代数Ｍについて母集団を発展させるよ うに設計される。この場合、Ｍはプロセッサの処理速度が如何に速いかというこ とと、オペレータが結果がでるまで、どれだけの時間を待つことを厭わないかと いうことに基づいて選択できる。母集団が発展するのを長くすることが可能であ れば、おそらく良好な適合度が得られることも理解されたい。他の終了基準を確 立することも可能であり、例えば最後のＱ個の世代にわたって少なくとも或る選 択された量だけ母集団の良好な「遺伝子型」の適応度が改良されないときを終了 基準とすることができる。終了基準が満足するとき、良好な適合度を有する個々 の「遺伝子型」は、測定データについての良好な適合度、即ち測定された薄膜層 の物理的特性の最も代表的なものとして全ての母集団から選択することができる 。 本発明は上述した実施例の仕様に限定的に意図されたものではなく、むしろ添 付の請求の範囲により規定されることは明白である。

Claims (1)

1. 【特許請求の範囲】 １．被検体上の薄膜の少なくとも一つの層のパラメータを評価する方法であっ て、 評価する薄膜パラメータのグループを特定し、 「遺伝アルゴリズム」に従って理論的薄膜フィルムパラメータの複数のグルー プを生成して、それに対応する理論的データのグループを導出し、 薄膜積層を光学的に検査し、それから複数の測定データを発生し、 測定データを理論的データのグループと比較して、測定データに最も適合する 理論的データのグループを選択し、その選択されたグループが被検体の薄膜パラ メータを示す方法。 ２．理論的薄膜フィルムのグループの選択が、適合度関数に基づいており、こ こでは理論的パラメータの特定のグループが選択される見込みが、測定データに 整合するパラメータのグループに関連して、導出された理論的データにどれくら い近似しているかに比例している請求項１記載の方法。 ３．発展段階が、 各「遺伝子」が、測定される薄膜パラメータのグループの選択された一つに相 関する複数の「遺伝子」の集まりとして「遺伝子型」を規定する段階と、 「遺伝子型」の集まりとして母集団を規定する段階と、 理論的データにより現在の母集団を初期化する段階と、 複数の次の母集団を発展させる段階であって、 ａ．現在の世代から少なくとも一つの「遺伝子型」を選択する選択段階と、 ｂ．少なくとも一つの「遺伝子型」に「遺伝子操作」を実行して、少なくとも 一つの新たな「遺伝子型」を形成する実行段階と、 ｃ．少なくとも一つの遺伝子型」を次世代へ加える段階と、 ｄ．次世代が完了するまで、段階ｃを繰り返す段階と、 ｅ．現在の世代として次世代を規定する段階と、 ｆ．段階ａからｅを所望により繰り返す段階とを含む段階とを含む請求項１記 載の方法。 ４．比較する段階に基づいて各「遺伝子型」へ適応度を与える段階を更に含み、 少なくとも一つの「遺伝子型」における選択の段階が、前記適応度に基づいてい る請求項３記載の方法。 ５．前記適応度を与える段階が、理論的データと測定データとの間の差異の関数 として適応度を解析することを含む請求項４記載の方法。 ６．少なくとも一つの「遺伝子型」の選択の段階が、「遺伝子型」をその適応度 に比例して選択することを含む請求項４記載の方法。 ７．前記実行段階が、少なくとも一つの「遺伝子型」の同一のコピーを複製する ことを含む請求項３記載の方法。 ８．前記実行段階が、少なくとも一つの「遺伝子型」から「遺伝子」を選択し、 この「遺伝子」を突然変異させる選択段階を含む請求項３記載の方法。 ９．前記実行段階が、一対の「遺伝子」における対応する「遺伝子」を選択し、 この「遺伝子」を交換する対応「遺伝子」選択段階を含む請求項３記載の方法。 １０.前記選択段階が、「遺伝子」を任意に選択することを含む請求項８記載の 方法。 １１．前記対応する「遺伝子」を選択する段階が、任意に「遺伝子」を選択する ことを含む請求項９記載の方法。 １２．被検体上の薄膜の少なくとも一つの層のパラメータを評価する方法であっ て、 測定する薄膜パラメータのグループを特定する段階と、 薄膜パラメータを「遺伝子型」へ位置づけする段階であり、その遺伝子型は複 数の遺伝子を備え、その各「遺伝子」は測定する薄膜パラメータのグループの各 々の一つに相関する段階と、 遺伝アルゴリズムにより「遺伝子型」の母集団を発展させる発展段階と、 各「遺伝子型」におけるパラメータに基づいた理論的データを導出する段階と 、 薄膜積層を光学的に検査し、それから複数の測定データを発生する段階と、 各「遺伝子型」に関連する導出された理論的データを測定データと比較して、 その比較に基づいて各「遺伝子型」へ適応度を与える段階と、 測定データに最も適合する理論的データを選択し、選択された理論的データに 関連した「遺伝子型」が被検体の薄膜を表す段階とを含む方法。 １３．前記発展段階が、 現在の母集団から少なくとも一つの「遺伝子型」を選択する段階と、 少なくとも一つの新たな「遺伝子型」を形成するように少なくとも一つの「遺 伝子型」において「遺伝子操作」を実行する段階であり、その「遺伝子操作」は 、少なくとも一つの「遺伝子型」の同一のコピーを複製するか、少なくとも一つ の「遺伝子型」から「遺伝子」を選択して、この「遺伝子」を突然変異させるか 、または一対の「遺伝子型」内の対応する「遺伝子」を選択して、この遺伝子を 選択するかのうちの何れか一つから選択される段階と、 少なくとも一つの新たな「遺伝子型」を次世代へ加える段階とを含む請求項１ ２記載の方法。 １４．前記少なくとも一つの「遺伝子型」を選択することが、少なくとも一つの 遺伝子型をその適応度に比例して選択することを含む請求項１３記載の方法。 １５．前記「遺伝子」を選択することが、「遺伝子」を任意に選択することを含 む請求項１３記載の方法。 １６．前記対応する「遺伝子」を選択することが、「遺伝子」を任意に 選択することを含む請求項１３記載の方法。 １７．被検体上の薄膜積層の少なくとも一つの層のパラメータを評価するシステ ムであって、 積層を検査し、その検査から複数の測定データを生成する光学的手段と、 遺伝アルゴリズムを用いて理論的薄膜パラメータの複数のグループを生成し、 それに対応する理論的データのグループを導出するプロセッサ手段であり、この プロセッサ手段は、導出された理論的データを測定データと比較し、測定データ に最も整合する理論的データのグループの一つを選択し、その選択された理論的 データのグループが被検体に関連した薄膜パラメータを表すプロセッサ手段とを 備えるシステム。 １８．前記プロセッサ手段が、母集団を作り上げる複数のメモリストアを含み、 各母集団は複数の「遺伝子型」を有し、各「遺伝子型」は複数の「遺伝子」を有 し、各「遺伝子」は薄膜パラメータの各一つに相関した個々のメモリストアであ り、前記プロセッサ手段は、少なくとも一つの選択された「遺伝子型」において 「遺伝子操作」を実行することにより複数の母集団を発展させる機能をなす請求 項１７記載の方法。 １９.前記プロセッサ手段が、更に様々な操作を実行する機能をなし、その操作 は、前記少なくとも一つの「遺伝子型」の同一のコピーを複製することと、前記 少なくとも一つの「遺伝子型」から「遺伝子」を選択して、この「遺伝子」を突 然変異させることと、一対の「遺伝子型」内の対応する「遺伝子」を選択して、 この「遺伝子」を交換することとを含む請求項１８記載の方法。