JP2014182219A - 欠陥箇所予測装置、識別モデル生成装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法 - Google Patents

Abstract

【課題】欠陥が発生する箇所を予測できる欠陥箇所予測装置、識別モデル生成装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法を提供する。
【解決手段】抽出部４１は、リソグラフィ工程において欠陥が発生する配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出する。生成部４２は、抽出部４１により抽出された特徴情報から欠陥箇所を識別する識別モデルを生成する。予測部４３は、生成部４２により生成された識別モデルを用いて、複数の配線層のレイアウトパターンを含む設計データの検査対象の配線層のレイアウトパターンから欠陥が発生する箇所を予測する。
【選択図】図１

Description

本発明は、欠陥箇所予測装置、識別モデル生成装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法に関する。

近年、ＬＳＩ（Large Scale Integration）等の集積回路は、微細化技術の進展により、トランジスタや配線の寸法が光の波長よりも小さくなっている。この影響により、リソグラフィ工程において、設計されたレイアウトパターンどおりに形成されたマスクにより露光を行っても、光近接効果（Optical Proximity Effect）により、レイアウトパターンどおりに露光できない箇所が集積回路に生じる場合がある。例えば、レイアウトパターンどおりに形成されたマスクによりウエハ上に配線パターンを露光しても、ウエハ上に形成される配線パターンが細くなって断線したり、逆に配線パターンが太くなってショートしたり、といった欠陥が発生する場合がある。

図２２は、レイアウトパターンおよび形成される配線パターンの一例を示す図である。図２２の例では、図２２（Ａ）に示すレイアウトパターンをウエハ上に露光した場合、光近接効果により、図２２（Ｂ）に示すように配線の一部が細くなって断線などの欠陥が発生している。

集積回路の設計では、欠陥の発生を抑止してレイアウトパターンを忠実にウエハ上に形成すべく、一般に、レイアウトパターンに対し、予め光近接効果による劣化を見込んだ補正、いわゆるＯＰＣ（Optical Proximity Correction）を施すことが行なわれる。図２３は、レイアウトパターンに対しＯＰＣを施した一例を示す図である。図２３（Ａ）は、図２２に示すレイアウトパターンに対しＯＰＣを施した例を示している。図２３（Ａ）では、ＯＰＣを施したことにより、図２２（Ｂ）で配線の一部が細くなる欠陥箇所の配線形状が一部細くなるように補正されている。図２３（Ａ）に示すレイアウトパターンをウエハ上に転写すると、ウエハ上には、図２３（Ｂ）に示すようなパターンが形成される。

ＯＰＣを行なうためには、製造前のレイアウトパターンにおいて、欠陥が発生する箇所を予測する必要がある。欠陥が発生する箇所を予測する技術としては、次のようなものがある。

例えば、レイアウトパターンによるリソグラフィ工程自体をシミュレートすることにより、欠陥が発生する箇所を予測する技術がある。このシミュレーションによる予測は、欠陥が発生する箇所を精度よく予測できるが、近年の集積回路の高集積化、大規模化により予測に多大な時間がかかる。例えば、シミュレーションによる欠陥箇所の予測には数週間かかる場合もある。

そこで、近年、パターン認識による手法が注目されている。例えば、このパターン認識による手法では、欠陥が発生した過去の設計データの欠陥が発生した配線層のレイアウトパターンから欠陥が発生した箇所の特徴を抽出する。そして、パターン認識による手法では、設計データの検査対象とする配線層に同じ特徴を有する箇所を欠陥候補として抽出する。

特開２０１０−２３７５９８号公報 特開２０００−３１４９５４号公報

しかしながら、近年の微細化に伴い、隣接する他の配線層の影響により検査対象の配線層に欠陥が発生する場合があり、従来のパターン認識による手法では、欠陥が発生する箇所を予測できない場合があった。

一側面では、欠陥が発生する箇所を予測できる欠陥箇所予測装置、識別モデル生成装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法を提供することを目的とする。

本発明の一側面によれば、欠陥箇所予測装置は、抽出部と、生成部と、予測部とを有する。抽出部は、リソグラフィ工程において欠陥が発生する配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出する。生成部は、前記抽出部により抽出された特徴情報から欠陥箇所を識別する識別モデルを生成する。予測部は、前記生成部により生成された識別モデルを用いて、複数の配線層のレイアウトパターンを含む設計データの検査対象の配線層のレイアウトパターンから欠陥が発生する箇所を予測する。

欠陥が発生する可能性の高い箇所を予測できる。

図１は、欠陥箇所予測装置の全体構成を示す図である。 図２は、サンプルデータに含まれるサンプルパターンの一例を示す図である。 図３は、露光を行うリソグラフィ装置の構成を模式的に示した図である。 図４は、ウエハ上に照射される光の強度分布の一例を示す図である。 図５は、複数の配線層により構成された集積回路の一例を示す図である。 図６は、複数の配線層により構成された集積回路の他の一例を示す図である。 図７は、レイアウトパターンの一例を示す図である。 図８は、ドロネー三角分割の流れを説明する図である。 図９は、ドロネー図の一例を示す図である。 図１０は、三角形の属性の一例を示す図である。 図１１は、凸頂点と凹頂点の一例を示す図である。 図１２は、サンプルパターンをパターン中心からの距離に応じて複数の領域に分けた一例を示す図である。 図１３は、特徴情報の一例を示す図である。 図１４は、ホットスポット位置情報の例を示す図である。 図１５は、レイアウトパターンおよび形成される配線パターンの一例を示す図である。 図１６は、識別モデルの生成の流れを説明する図である。 図１７は、識別モデルを生成して欠陥箇所を予測する全体的な処理の流れを概略的に示した図である。 図１８は、特徴ベクトル抽出処理の手順を示すフローチャートである。 図１９は、モデル生成処理の手順を示すフローチャートである。 図２０は、欠陥箇所予測処理の手順を示すフローチャートである。 図２１は、欠陥箇所予測プログラムを実行するコンピュータを示す図である。 図２２は、レイアウトパターンおよび形成される配線パターンの一例を示す図である。 図２３は、レイアウトパターンに対しＯＰＣを施した一例を示す図である。

以下に、本発明にかかる欠陥箇所予測装置、識別モデル生成装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。そして、各実施例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、以下では「欠陥箇所」を「ホットスポット」とも言う。

実施例１に係る欠陥箇所予測装置１０について説明する。図１は、欠陥箇所予測装置の全体構成を示す図である。欠陥箇所予測装置１０は、ＬＳＩ等の集積回路のパターン形成工程で生じる欠陥箇所の位置、特にリソグラフィ工程で光近接効果により生じる欠陥箇所を予測する装置である。欠陥箇所予測装置１０は、例えば、パーソナルコンピュータやサーバコンピュータなどのコンピュータなどである。欠陥箇所予測装置１０は、１台のコンピュータとして実装してもよく、また、複数台のコンピュータによるクラウドとして実装することもできる。なお、本実施例では、欠陥箇所予測装置１０を１台のコンピュータとした場合を例として説明する。欠陥箇所予測装置１０は、ＣＡＤ（Computer Aided Design）装置などの設計者による集積回路の設計を支援する回路設計ソフトウェアが動作する設計装置であってもよい。図１に示すように、欠陥箇所予測装置１０は、入力部２０と、表示部２１と、通信Ｉ／Ｆ（インタフェース）部２２と、記憶部２３と、制御部２４とを有する。

入力部２０は、各種の情報を入力する入力デバイスである。入力部２０としては、マウスやキーボードなどの操作の入力を受け付ける入力デバイスが挙げられる。入力部２０は、各種の情報の入力を受付ける。例えば、入力部２０は、欠陥箇所の予測に関する各種の操作の入力を受け付ける。入力部２０は、ユーザからの操作入力を受け付け、受け付けた操作内容を示す操作情報を制御部２４に入力する。

表示部２１は、各種情報を表示する表示デバイスである。表示部２１としては、ＬＣＤ（Liquid Crystal Display）やＣＲＴ（Cathode Ray Tube）などの表示デバイスが挙げられる。表示部２１は、各種情報を表示する。例えば、表示部２１は、登録画面や、操作画面、予測結果画面など各種の画面を表示する。

通信Ｉ／Ｆ部２２は、他の装置との間で通信制御を行うインタフェースである。通信Ｉ／Ｆ部２２は、不図示のネットワークを介して他の装置と各種情報を送受信する。例えば、通信Ｉ／Ｆ部２２は、他の装置から後述するサンプルデータ３０や検査対象データ３３として用いる設計データやレイアウトパターンのデータを受信する。通信Ｉ／Ｆ部２２としては、ＬＡＮカードなどのネットワークインタフェースカードを採用できる。なお、欠陥箇所予測装置１０は、メモリカードなどの記憶媒体を介してサンプルデータ３０および検査対象データ３３などの情報を取得してもよい。また、サンプルデータ３０および検査対象データ３３は、入力部２０から入力されてもよい。

記憶部２３は、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスクなどの記憶装置である。なお、記憶部２３は、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ＮＶＳＲＡＭ（Non Volatile Static Random Access Memory）などのデータを書き換え可能な半導体メモリであってもよい。

記憶部２３は、制御部２４で実行されるＯＳ（Operating System）や各種プログラムを記憶する。例えば、記憶部２３は、後述する欠陥箇所の予測に用いる各種のプログラムを記憶する。さらに、記憶部２３は、制御部２４で実行されるプログラムで用いられる各種データを記憶する。例えば、記憶部２３は、サンプルデータ３０と、特徴情報３１と、識別モデル情報３２と、検査対象データ３３と、ホットスポット情報３４とを記憶する。

サンプルデータ３０は、欠陥箇所を識別する識別モデルを生成するために用いる複数のサンプルパターンを記憶したデータである。サンプルデータ３０には、サンプルパターンとして用いる、欠陥の有無が既知であるレイアウトパターンが記憶されている。例えば、サンプルデータ３０には、サンプルパターンとして、リソグラフィ工程において欠陥が発生する配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンが記憶されている。また、サンプルデータ３０には、サンプルパターンとして、欠陥が発生するレイアウトパターンに類似するが、欠陥が発生していない配線層および当該配線層に隣接する隣接配線層のレイアウトパターンも記憶されている。このサンプルパターンとしては、集積回路の設計データを用いてもよい。例えば、サンプルパターンとしては、実際に集積回路の製造を行った結果、リソグラフィ工程において欠陥が発生した集積回路の設計データを用いてもよい。また、サンプルパターンとしては、シミュレーションにより欠陥の発生が予測された集積回路の設計データを用いてもよい。サンプルデータ３０は、サンプルパターンを構成する矩形や多角形の頂点座標リストと、欠陥の有無に関するホットスポット情報とを含む。

図２は、サンプルデータに含まれるサンプルパターンの一例を示す図である。頂点座標リストには、配線層毎に、サンプルパターンを構成する複数の図形のそれぞれの頂点座標が１行毎に記録されている。例えば、図２の例では、第１配線層（LAYER1）のパターンとして、矩形RECT1の４つの頂点座標や、多角形POLY2の７つの頂点座標が示されている。頂点座標リストとしては、ＧＤＳ（Graphic Data System）、ＯＡＳＩＳ（Open Artwork System Interchange Standard）等の既存の図形データフォーマットを利用してもよい。

ここで、サンプルパターンのサイズについて説明する。集積回路は、リソグラフィ工程において、レイアウトパターンどおりに形成されたマスクを用いて露光することにより配線パターンが形成される。図３は、露光を行うリソグラフィ装置の構成を模式的に示した図である。リソグラフィ装置５０では、光源５１から出射された光を、レンズ５２を介してマスク５３へ照射し、マスク５３を透過した光を投影レンズ５４により集光してウエハ５５上へ照射する。リソグラフィ装置５０は、レイアウトパターンを一定の範囲ずつ分けてウエハ５５上に露光する。図４は、ウエハ上に照射される光の強度分布の一例を示す図である。図４に示すグラフの横軸は、光軸の位置に対応するウエハ５５上の露光中心からの距離を示す。グラフの縦軸は、光の強度を示す。図４に示すように、ウエハ５５上に照射される光の強度は、露光中心からの距離が離れるほど低下する傾向がある。ウエハ５５上に１回の露光で露光する領域は、光の強度が一定以上の範囲とされている。例えば、リソグラフィ装置５０は、図４に示すように露光中心の次に極大となる光の強度が露光中心から最初に得られる距離Ｌを１辺の長さとした正方形領域ずつに分けてウエハ５５上にパターンを露光する。サンプルパターンは、欠陥の発生位置を略中心位置とした、一度に露光する領域と略同サイズのパターンとされている。例えば、サンプルパターンは、距離Ｌを１辺の長さとした正方形領域のパターンとされている。

特徴情報３１は、サンプルデータ３０の各サンプルパターンの特徴を記憶したデータである。特徴情報３１には、後述する抽出部４１により抽出されたサンプルパターンの特徴に関する情報が格納される。

識別モデル情報３２は、欠陥箇所を識別する識別モデルを記憶したデータである。識別モデル情報３２には、後述する生成部４２により生成された識別モデルに関する情報が格納される。

検査対象データ３３は、欠陥の発生箇所の検査を行う設計データである。検査対象データ３３は、欠陥の発生箇所を検査する配線層および当該配線層に隣接する隣接配線層のレイアウトパターンを少なくとも含む。

ホットスポット情報３４は、識別された欠陥箇所に関する情報を記憶したデータである。ホットスポット情報３４には、識別モデル情報３２に記憶された各識別モデルを用いて後述する予測部４３により予測された欠陥箇所の位置などの情報が格納される。

制御部２４は、欠陥箇所予測装置１０を制御するデバイスである。制御部２４としては、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等の電子回路や、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の集積回路を採用できる。制御部２４は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部２４は、各種のプログラムが動作することにより各種の処理部として機能する。例えば、制御部２４は、受付部４０と、抽出部４１と、生成部４２と、予測部４３と、出力部４４とを有する。

受付部４０は、各種の受付を行う。例えば、受付部４０は、サンプルデータ３０として用いるレイアウトパターンの登録を受付ける。また、受付部４０は、検査対象の設計データの登録を受付ける。例えば、受付部４０は、図示しない登録画面を表示させ、登録画面からサンプルデータ３０として用いるレイアウトパターンおよび検査対象の設計データの登録を受付ける。登録されたレイアウトパターンは、サンプルデータ３０として記憶される。登録された検査対象の設計データは、検査対象データ３３として記憶される。

また、受付部４０は、各種の操作指示を受け付ける。例えば、受付部４０は、図示しない操作画面を表示させ、ホットスポットの検証開始の指示を受け付ける。なお、受付部４０は、ネットワークを介して他の装置に各種の画面を表示させ、各種の受付けを行ってもよい。

ここで、隣接する他の配線層の影響により欠陥が発生する例を説明する。図５は、複数の配線層により構成された集積回路の一例を示す図である。図５の例は、レイアウトパターンが第１配線層から第３配線層のパターンとされており、第１配線層から第３配線層の各層パターンが線種を変えて示されている。また、図５の例では、第２配線層に形成される配線がドットのパターンにより示されている。また、図５の例では、第１配線層および第３配線層に形成されるビア（via）が斜線のパターンにより示されている。図５に示すように、第２配線層の配線には、第２配線層のレイアウトパターンどおりに配線が形成されていない欠陥箇所６０が発生している。

図６は、複数の配線層により構成された集積回路の他の一例を示す図である。図６の例でも、第１配線層から第３配線層までのレイアウトパターンが線種を変えて示されている。また、図６の例でも、第２配線層に形成された配線がドットのパターンにより示されている。また、図６の例でも、第１配線層に形成されたビアが斜線のパターンにより示されている。図６に示すように、第２配線層の配線には、配線が細くなる欠陥箇所６１が発生している。

このように、集積回路には、隣接する他の配線層の影響により検査対象の配線層に欠陥が発生する場合がある。特に、集積回路には、他の配線層にビアが配置された際に周辺で欠陥が発生する場合がある。

抽出部４１は、サンプルデータ３０に記憶された複数のサンプルパターンのそれぞれからパターンの特徴を抽出する。例えば、抽出部４１は、サンプルパターンとして記憶された、リソグラフィ工程において欠陥が発生する配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出する。この特徴情報は、パターンの特徴を示すものであれば何れでもよい。例えば、抽出部４１は、欠陥が発生する配線層の配線および当該配線層に隣接する隣接配線層のビアの配置のレイアウトパターンを求める。図７は、レイアウトパターンの一例を示す図である。図７に示すレイアウトパターンには、欠陥が発生する配線層の配線と共に、隣接配線層のビアの配置が含まれている。そして、抽出部４１は、特徴情報として、求めたレイアウトパターンから、レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を含む第１特徴ベクトルを抽出する。例えば、抽出部４１は、レイアウトパターンを構成する図形の頂点を結んでドロネー三角分割（Delaunay triangulation）を行って、図形の頂点を結んで得られる複数の三角形を求める。

図８は、ドロネー三角分割の流れを説明する図である。図８（Ａ）は、配線パターンの一例を示している。図８（Ｂ）は、図８（Ａ）に示す配線パターンに対し生成されるボロノイ図（Voronoi diagram）を示している。図８（Ｃ）は、図８（Ａ）に示す配線パターンもしくは図８（Ｂ）に示すボロノイ図に対し生成されるドロネー図（Delaunay diagram）である。なお、図８（Ａ）〜図８（Ｃ）において、ドットのパターン部分は、配線部分を示している。

抽出部４１は、図８（Ａ）に示すレイアウトパターンの配線部分の頂点座標を求め、求められた頂点座標から図８（Ｂ）に示すボロノイ図を生成する。ボロノイ図は、平面または空間上の点集合の各点について、どの点に最も近いかによって分割して生成される図である。そして、抽出部４１は、図８（Ｂ）に示すボロノイ図から、隣接する領域の母点（generatrix）どうしを結ぶことにより、図８（Ｃ）に示すドロネー図を生成する。このドロネー図は、各図形間の相対位置関係を表現する。

図９は、ドロネー図の一例を示す図である。図９の例は、図７に示したレイアウトパターンを構成する図形の各頂点を結んでドロネー三角分割を行ったドロネー図である。

抽出部４１は、ドロネー図から三角形毎に、三角形の属性を求める。この属性としては、頂点座標、頂点が属する配線層、面積、周囲長、三角形の各内角などが挙げられる。なお、属性には、他の項目を加えてもよく、いずれかの項目を除いてもよい。図１０は、三角形の属性の一例を示す図である。図１０の例では、三角形毎にレコードを分けて、属性として、三角形の頂点１〜３についての座標および配線層と、面積（area）、周囲長（peri）、三角形の内角１〜３（angle1〜angle3）が示されている。

抽出部４１は、各サンプルパターンについて各種の特徴量をそれぞれ求め、サンプルパターン毎に、各特徴量を要素とした第１特徴ベクトルを生成する。例えば、抽出部４１は、特徴量として、ビアの頂点を含まない三角形について、三角形の個数、三角形の平均面積、三角形の最小面積、三角形の最大面積、ビアの頂点を含まない全三角形での重心座標を求める。また、抽出部４１は、特徴量として、ビアの頂点を含む三角形について、三角形の個数、三角形の平均面積、三角形の最小面積、三角形の最大面積、ビアの頂点を含む全三角形での重心座標を求める。そして、抽出部４１は、求めた各特徴量を要素とした第１特徴ベクトルを生成する。図９には、レイアウトパターンの第１特徴ベクトルの一例が示されている。

なお、第１特徴ベクトルの要素については、上述のものに限定されるものではなく、他の要素を加えてもよく、いずれかの要素を除いてもよい。例えば、抽出部４１は、ビアの頂点を含まない三角形およびビアの頂点を含む三角形について、頂点の数、三角形の辺の数、面積の標準偏差、面積の小さい所定数の三角形の各重心とレイアウトパターンの中心との間の距離などを要素として求めてもよい。面積の小さい所定数の三角形の各重心とレイアウトパターンの中心との間の距離は、レイアウトパターンにおける細かい図形が、パターン中心に近い箇所に存在するか、パターン中心から遠い箇所に存在するかを示す指標となる。

また、頂点には、凸頂点と凹頂点がある。図１１は、凸頂点と凹頂点の一例を示す図である。頂点の数は、凸頂点の数と凹頂点の数を別に求めてよい。図１１は、凸頂点および凹頂点の一例を示す図である。

さらに、第１特徴ベクトルの要素は、サンプルパターンを複数の領域に分けて、それぞれの領域毎に求めた特徴としてもよい。例えば、第１特徴ベクトルの要素は、サンプルパターンをパターン中心からの距離に応じて複数の領域に分けて、それぞれの領域毎に求めてもよい。図１２は、サンプルパターンをパターン中心Ｘからの距離に応じて複数の領域に分けた一例を示す図である。図１２の例では、サンプルパターンを、中心Ｘからの半径ｒ_１、半径ｒ_２、半径ｒ_３により領域に分けている。例えば、抽出部４１は、半径ｒ_１、半径ｒ_２、半径ｒ_３それぞれ内の領域毎に、凸頂点の数、凹頂点の数、隣接上配線層のビア頂点数、隣接下配線層のビア頂点数を属性として第１特徴ベクトルを生成してもよい。このように、パターン中心からの距離に応じて複数の領域に分けて特徴を抽出することにより、各領域の特徴を個別に抽出できる。例えば、中心Ｘに近い領域と中心Ｘから離れた位置も含む領域の特徴を個別に抽出できる。これにより、欠陥に対するそれぞれの領域の影響を後述する識別モデルに反映させることができる。なお、領域は、重複させないように定めてよい。例えば、領域は、半径ｒ_１以内の領域、半径ｒ_１から半径ｒ_２以内の領域、半径ｒ_３よりも大きい領域と分けてもよい。

図１２の例では、サンプルパターンの属性は以下のようになる。
半径ｒ_１内の配線の凸頂点数：０
半径ｒ_１内の配線の凹頂点数：０
半径ｒ_１内の隣接上配線層のビア頂点数：６
半径ｒ_１内の隣接下配線層のビア頂点数：６
半径ｒ_２内の配線の凸頂点数：１０
半径ｒ_２内の配線の凹頂点数：０
半径ｒ_２内の隣接上配線層のビア頂点数：９
半径ｒ_２内の隣接下配線層のビア頂点数：２
半径ｒ_３内の配線の凸頂点数：３
半径ｒ_３内の配線の凹頂点数：１
半径ｒ_３内の隣接上配線層のビア頂点数：９
半径ｒ_３内の隣接下配線層のビア頂点数：６

この場合、図１２に示すサンプルパターンの第１特徴ベクトルは、例えば、以下のように求まる。
第１特徴ベクトル：（０，０，６，６，１０，０，９，２，３，１，９，６）

なお、上述した例において、抽出部４１は、ボロノイ図からドロネー図を生成しているが、例えば逐次添加法を用いることにより、ボロノイ図を生成することなく、配線パターンを成す各図形の頂点座標からドロネー図を生成することも可能である。

また、上述した例において、抽出部４１は、ドロネー図から特徴量を抽出しているが、レイアウトパターンを構成する図形の頂点に対し生成されるボロノイ図における多角形に基づき、相対位置関係に関する特徴量を抽出してもよい。

上述した特徴量は、図形間の相対位置関係に関する値であるため、各サンプルパターンの中心位置が多少ずれたとしても、大きく変動することがない。これにより、サンプルパターンと検出対象パターンの中心位置にズレがある場合でも欠陥箇所の有無を識別できる。

抽出部４１は、各サンプルパターンの抽出した第１特徴ベクトルを予め既知であるホットスポット情報とともに、特徴情報３１として記憶部２３に格納する。なお、ホットスポット情報は、前述した通り、対応パターンにホットスポットが有るか無いかを示す情報であり、ホットスポットが有る場合に“１”、ホットスポットが無い場合に“０”となる。

図１３は、特徴情報の一例を示す図である。図１３に示す特徴情報３１には、各行に１つのサンプルパターンから抽出された第１特徴ベクトルと、当該１個のパターンのホットスポット情報とが記録される。図１３の例では、第１特徴ベクトルの要素を（ｆ_１，ｆ_２，ｆ_３,・・・，ｆ_８）と８個の要素とした場合を示している。ここで、第１特徴ベクトルに含まれる特徴量ｆ_１，ｆ_２，ｆ_３,・・・，ｆ_８としては、上述した特徴量が用いられる。なお、特徴情報３１の行番号が、各特徴ベクトルの識別情報として用いられる。また、ホットスポット情報は、ホットスポットへのなりやすさを示すため、例えば、０〜１の範囲内の値を用いてもよい。

生成部４２は、抽出部４１により抽出された第１特徴ベクトルを含む特徴情報３１に基づき、ホットスポットの有無を識別する識別モデルを生成する。例えば、抽出部４１は、特徴ベクトルの各要素とされた特徴量に対して所定の演算を行って、欠陥が発生しているかを算出する演算式を識別モデルとして生成する。例えば、特徴ベクトルを（ｆ_１，ｆ_２，ｆ_３・・・，ｆ_ｍ）とする。ｆ_１，ｆ_２，ｆ_３・・・，ｆ_ｍは、それぞれ特徴ベクトルの要素とされた特徴量である。ｍは、要素とされた特徴量の個数であり、要素とされた特徴量が３個の場合、「３」となる。そして、抽出部４１は、以下の（１）式に示すように、特徴ベクトルの各要素ｆ_ｉにそれぞれの重み値Ｗ_ｉを乗算して合算した値を欠陥度Ｇとして算出する演算式を識別モデルとして生成するものとする。欠陥度Ｇは、例えば、０〜１の範囲で１に近いほど欠陥箇所がある可能性が高く、０に近いほど欠陥箇所がある可能性が低いものとする。

生成部４２は、特徴情報３１に記憶された特徴ベクトルの各要素の特徴量ｆ_１，ｆ_２，ｆ_３・・・，ｆ_ｍを上述の（１）式に代入し、欠陥が発生している場合、欠陥度Ｇを「１」とし、欠陥が発生していない場合、欠陥度Ｇを「０」とした演算式を求める。そして、生成部４２は、各演算式の重み値Ｗ_ｉをパラメータとし、例えば、最小二乗法、サポートベクタ回帰といった既知の回帰分析手法を用いた機械学習によりフィッティングを行い、各演算式の欠陥度Ｇに近い値が得られる重み値Ｗ_ｉの値を求める。生成部４２は、求めた重み値Ｗ_ｉの値を代入した（１）式を識別モデルとして生成する。そして、生成部４２は、生成した識別モデルを識別モデル情報３２として格納する。この識別モデルは、登録されたサンプルデータ３０毎に生成される。よって、サンプルデータ３０が複数登録された場合、記憶部２３には、識別モデルが複数格納される。

予測部４３は、識別モデル情報３２に記憶された各識別モデルを用いて、検査対象データ３３から欠陥が発生する箇所を予測する。例えば、予測部４３は、検査対象データ３３とされた設計データのレイアウトパターンを識別モデルのサンプルパターンに応じたサイズに分割する。予測部４３は、分割された各レイアウトパターンのそれぞれからパターンの特徴を抽出する。例えば、予測部４３は、検査対象の配線層および当該配線層に隣接する隣接配線層のレイアウトパターンから、レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を含む第２特徴ベクトルを抽出する。この第２特徴ベクトルの各要素は、識別モデルの演算に用いる各要素とする。すなわち、識別モデルが特徴量ｆ_１，ｆ_２，ｆ_３・・・，ｆ_ｍを用いて欠陥度Ｇを算出する場合、予測部４３は、第２特徴ベクトルの要素として特徴量ｆ_１，ｆ_２，ｆ_３・・・，ｆ_ｍを少なくとも抽出する。

予測部４３は、分割された各レイアウトパターンからそれぞれ抽出された第２特徴ベクトルの各要素の特徴量ｆ_１，ｆ_２，ｆ_３・・・，ｆ_ｍを識別モデルの式にそれぞれ代入して欠陥度Ｇをそれぞれ求める。予測部４３は、欠陥度Ｇが所定の閾値以上の分割されたレイアウトパターン部分について、欠陥が発生していると識別する。本実施例において、欠陥があると識別されたレイアウトパターン部分の中心位置は、ホットスポットの発生位置に対応する。したがって、予測部４３は、分割後のレイアウトパターンにホットスポットが有ると識別した場合、分割後のレイアウトパターンの中心位置を予測対象パターンにおけるホットスポットの位置として推定・予測する。予測部４３は、推定・予測したホットスポットの位置、つまりＸ座標値およびＹ座標値を、ホットスポット情報３４として記憶部２３に格納する。

図１４は、ホットスポット位置情報の例を示す図である。図１４に示す例では、各ホットスポットを識別する識別情報としてＩＤと、当該ＩＤによって特定されるホットスポットの位置を示すＸ座標値およびＹ座標値と、当該ＩＤによって特定されるホットスポットのスコアとが対応付けられて記録されている。スコアとしては、欠陥度Ｇを記録するが、例えば、ホットスポットの有無に対応して“１”または“０”を記録してもよい。

出力部４４は、予測結果を出力する。例えば、出力部４４は、ホットスポット情報３４に記憶されたホットスポットの位置を表示部２１に予測結果画面として表示させる。

次に、具体的な例を挙げて説明する。図１５は、レイアウトパターンおよび形成される配線パターンの一例を示す図である。図１５の例では、２つのレイアウトパターンＡ、Ｂが示されている。レイアウトパターンＡ、Ｂは、検査対象とする配線層に隣接する上下の隣接配線層にビアが形成されている。レイアウトパターンＡは、ウエハ上に露光した場合、光近接効果により、配線パターンが太くなる欠陥が発生する。一方、レイアウトパターンＢは、ウエハ上に露光しても、配線パターンに欠陥が発生しない。レイアウトパターンＡ、Ｂは、検査対象とする配線層のみのパターンで見た場合、共にパターンＣとなる。

図１６は、識別モデルの生成の流れを説明する図である。なお、以下では、説明を簡易化するため、特徴ベクトルとして抽出する項目が２つの場合を例にして説明する。図１６には、図１５に示した２つのレイアウトパターンＡ、Ｂが示されている。例えば、２つのレイアウトパターンＡ、Ｂをサンプルパターンとし、特徴量ｆ_１をパターン中心Ｘから半径ｒ２の円内に包含される三角形の数とし、特徴量ｆ_２をパターン中心Ｘから半径ｒ１の円内に包含される三角形の数として特徴ベクトルを求める。この場合、レイアウトパターンＡの特徴ベクトルｖａおよびレイアウトパターンＢの特徴ベクトルｖｂは、以下の（２）（３）式のようになる。

ｖａ：（１９，９） （２）
ｖｂ：（２０，６） （３）

それぞれの特徴ベクトルｖａ、ｖｂをそれぞれ上述の（１）式に代入すると、以下の（４）（５）式のようになる。なお、レイアウトパターンＡは、欠陥が発生するため欠陥度Ｇを「１」とする。レイアウトパターンＢは、欠陥が発生しないため欠陥度Ｇを「０」とする。

ｆ（ｖａ）＝１９×Ｗ_１＋９×Ｗ_２＝１ （４）
ｆ（ｖｂ）＝２０×Ｗ_１＋６×Ｗ_２＝０ （５）

この（４）（５）式から重み値Ｗ_１、Ｗ_２は、以下の（６）（７）式のように求まる。

Ｗ_１＝−０．９０９・・・ （６）
Ｗ_２＝０．３０３０・・・ （７）

欠陥箇所予測装置１０は、この重み値Ｗ_１、Ｗ_２の値を代入した（１）式を識別モデルとして欠陥の発生を予測することにより、レイアウトパターンＡ、Ｂについて欠陥が発生するか否かの予測が可能になる。

次に、本実施例に係る欠陥箇所予測装置１０が実行する処理の流れを図１７〜図２０を参照しながら説明する。図１７は、識別モデルを生成して欠陥箇所を予測する全体的な処理の流れを概略的に示した図である。

図１７に示すように、欠陥箇所予測装置１０による処理は、識別モデル生成処理と検出処理との二つに分けられる。識別モデル生成処理は、ホットスポットの有無が既知であるサンプルデータ３０に基づきホットスポット識別モデルを生成する処理である。識別モデル生成処理は、特徴ベクトル抽出処理（Ｓ１）とモデル生成処理（Ｓ２）とを含む。検出処理は、生成されたホットスポット識別モデルを用いて予測対象パターンにおけるホットスポットの位置を予測・検出する処理である。検出処理は、欠陥箇所予測処理（Ｓ３）を含む。識別モデル生成処理および検出処理は、操作画面からそれぞれ処理開始を指示する所定の操作が行われたタイミングで実行される。

欠陥箇所予測装置１０による処理を開始するに先立ち、記憶部２３には、サンプルデータ３０が予め記憶され、登録される。

欠陥箇所予測装置１０は、特徴ベクトル抽出処理（Ｓ１）により、各サンプルパターンを構成する図形間の相対位置関係に関する特徴量を含む第１特徴ベクトルを抽出する。抽出された第１特徴ベクトルは、各サンプルパターンのホットスポット情報とともに、特徴情報３１として記憶部２３に格納される。この特徴ベクトル抽出処理については、後述の図１８にて処理を詳細に説明する。

欠陥箇所予測装置１０は、特徴情報３１が得られると、モデル生成処理（Ｓ２）により、ホットスポットの有無を識別する識別モデルを生成する。生成された識別モデルは記憶部２３に格納される。このモデル生成処理については、後述の図１９にて処理を詳細に説明する。

欠陥箇所予測装置１０は、識別モデルが得られるとともに、ホットスポットの検出行う検査対象データ３３が設定されると、検査対象データ３３に対する欠陥箇所予測処理（Ｓ３）を実行する。この欠陥箇所予測処理については、後述の図２０にて処理を詳細に説明する。

欠陥箇所予測装置１０は、欠陥箇所予測処理（Ｓ３）により、検査対象データ３３のレイアウトパターンを分割して第２特徴ベクトルを抽出し、識別モデルに基づき、欠陥の有無を識別する。検出されたホットスポットの位置は、ホットスポット情報３４として記憶部２３に格納される。

次に、特徴ベクトル抽出処理について説明する。図１８は、特徴ベクトル抽出処理の手順を示すフローチャートである。

抽出部４１は、サンプルデータ３０に記憶されたサンプルパターンの中から未選択のサンプルパターンを選択する（Ｓ１０）。

抽出部４１は、選択したサンプルパターンから、レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を含む第１特徴ベクトルを抽出する（Ｓ１１）。例えば、抽出部４１は、レイアウトパターンを構成する図形の頂点を結んでドロネー三角分割を行って、図形の頂点を結んで得られる複数の三角形を求める。そして、抽出部４１は、複数の三角形から各種の特徴量を求め、各特徴量を要素とした第１特徴ベクトルを抽出する。

抽出部４１は、全てのサンプルパターンの選択が完了したか否かを判断する（Ｓ１２）。未選択のサンプルパターンが存在する場合（Ｓ１２否定）、抽出部４１は、Ｓ１０に移行して未選択のサンプルパターンからの第１特徴ベクトルを抽出する。一方、全てのサンプルパターンを選択した場合（Ｓ１２肯定）、処理を終了する。

以上の処理によって、サンプルデータ３０の各サンプルパターンからそれぞれ第１特徴ベクトルが取得される。取得された各第１特徴ベクトルは、各サンプルパターンのホットスポット情報とともに、特徴情報３１として記憶部２３に格納される。

次に、モデル生成処理について説明する。図１９は、モデル生成処理の手順を示すフローチャートである。

生成部４２は、特徴情報３１から欠陥が発生するレイアウトパターンおよび欠陥が発生していないレイアウトパターンについてそれぞれ第１特徴ベクトルを読み出す（Ｓ２０）。生成部４２は、それぞれの第１特徴ベクトルの各要素の特徴量を上述の（１）式に代入し、欠陥が発生する場合、欠陥度Ｇを「１」とし、欠陥が発生していない場合、欠陥度Ｇを「０」とした演算式を求める（Ｓ２１）。

そして、生成部４２は、機械学習によるフィッティングを行い、各演算式の欠陥度Ｇに近い値が得られる重み値の値を求める（Ｓ２２）。生成部４２は、求めた重み値の値を代入した識別モデルとして生成する（Ｓ２３）。そして、生成部４２は、生成した識別モデルを識別モデル情報３２に格納し（Ｓ２４）、処理を終了する。

以上の処理によって、識別モデル情報３２には、サンプルデータ３０から生成された識別モデルが記憶される。

次に、欠陥箇所予測処理について説明する。図２０は、欠陥箇所予測処理の手順を示すフローチャートである。

予測部４３は、識別モデル情報３２に記憶された識別モデルの中から未選択の識別モデルを選択する（Ｓ３０）。予測部４３は、検査対象データ３３とされた設計データのレイアウトパターンを、選択された識別モデルのサンプルパターンに応じたサイズに分割する（Ｓ３１）。

予測部４３は、分割された各レイアウトパターンの検査対象の配線層および当該配線層に隣接する隣接配線層のレイアウトパターンから、選択された識別モデルで用いる第２特徴ベクトルをそれぞれ抽出する（Ｓ３２）。そして、予測部４３は、分割されたレイアウトパターン毎に、第２特徴ベクトルの各要素の特徴量を、選択された識別モデルに代入して欠陥度Ｇをそれぞれ求める（Ｓ３３）。

予測部４３は、欠陥度Ｇが所定の閾値以上の分割されたレイアウトパターン部分について、欠陥が発生すると識別し、分割後のレイアウトパターンの中心位置をホットスポットの位置をホットスポット情報３４に格納する（Ｓ３４）。

予測部４３は、全ての識別モデルの選択が完了したか否かを判定する（Ｓ３５）。未選択の識別モデルが存在する場合（Ｓ３５否定）、予測部４３は、Ｓ３０に移行して未選択の識別モデルを選択して欠陥箇所の識別を行う。一方、全ての識別モデルを選択した場合（Ｓ３５肯定）、処理を終了する。

このように、欠陥箇所予測装置１０は、リソグラフィ工程において欠陥が発生する配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出する。欠陥箇所予測装置１０は、抽出された特徴情報から欠陥箇所を識別する識別モデルを生成する。欠陥箇所予測装置１０は、生成された識別モデルを用いて、複数の配線層のレイアウトパターンを含む設計データの検査対象の配線層のレイアウトパターンから欠陥が発生する箇所を予測する。これにより、欠陥箇所予測装置１０は、欠陥が発生する箇所を予測できる。

また、欠陥箇所予測装置１０は、欠陥が発生する配線層の配線および当該配線層に隣接する隣接配線層のビアの配置の特徴を示す特徴情報を抽出する。これにより、欠陥箇所予測装置１０は、隣接配線層のビアによって欠陥が発生する場合に、欠陥が発生する箇所を予測できる。

また、欠陥箇所予測装置１０は、欠陥が発生した配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンから、当該レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を含む第１特徴ベクトルを抽出する。欠陥箇所予測装置１０は、抽出された第１特徴ベクトルに基づき、欠陥箇所の有無を識別する識別モデルを生成する。欠陥箇所予測装置１０は、検査対象の配線層および当該配線層に隣接する隣接配線層のレイアウトパターンから、当該レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を含む第２特徴ベクトルを抽出する。欠陥箇所予測装置１０は、抽出された第２特徴ベクトルと、識別モデルとに基づき、欠陥が発生する箇所を予測する。このように、パターンを構成する図形間の相対位置関係に関する特徴量を用いることにより、パターンの基準位置のズレに伴う特徴ベクトルのばらつきが回避される。これにより、欠陥箇所予測装置１０は、サンプルデータ３０とされたレイアウトパターンと検査対象のレイアウトパターンの中心位置等にズレがあり、形状比較で類似度が低く判定される場合でも欠陥箇所の有無を識別できる。従って、ホットスポットの検出精度／予測精度が向上する。

また、欠陥箇所予測装置１０は、相対位置関係に関する特徴量を、レイアウトパターンを構成する図形の頂点を結んで得られる複数の三角形に基づき抽出する。これにより、欠陥箇所予測装置１０は、レイアウトパターンの中心位置のズレにかかわらず、構成する図形の特徴を抽出できる。

さて、これまで開示の装置に関する実施例について説明したが、開示の技術は上述した実施例以外にも、種々の異なる形態にて実施されてよいものである。そこで、以下では、本発明に含まれる他の実施例を説明する。

例えば、上記の実施例では、レイアウトパターンの特徴を抽出して識別モデルの生成と、識別モデルを用いた欠陥箇所の予測とを同じ１つの装置で行う場合について説明したが、開示の装置はこれに限定されない。例えば、レイアウトパターンの特徴を抽出して識別モデルの生成と、識別モデルを用いた欠陥箇所の予測とを別の装置で行ってもよい。例えば、１つの目のコンピュータがレイアウトパターンの特徴を抽出して識別モデルを生成し、２つの目のコンピュータが１つの目のコンピュータから識別モデルを取得し、取得した識別モデルを用いた欠陥箇所の予測を行ってもよい。この場合、１つの目のコンピュータが識別モデル生成装置に該当し、２つの目のコンピュータが欠陥箇所予測装置に該当する。

また、上記の実施例では、サンプルデータ３０から特徴情報としてレイアウトパターンの特徴を示す特徴ベクトルを抽出して識別モデルを生成する場合について説明したが、開示の装置はこれに限定されない。例えば、特徴情報としてレイアウトパターンから欠陥が発生する配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のパターンを抽出し、抽出したパターンを識別モデルとしても欠陥箇所の予測を行ってもよい。

また、上記の実施例では、レイアウトパターンを構成する図形の頂点を結んでドロネー三角分割を行って、レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を抽出する場合について説明したが、開示の装置はこれに限定されない。特徴量の抽出の手法は、何れでもあってよい。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的状態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、図１に示す受付部４０、抽出部４１、生成部４２、予測部４３および出力部４４の各処理部が適宜統合または分割されてもよい。また、各処理部にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

［欠陥箇所予測プログラム］
また、上記の実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータシステムで実行することによって実現することもできる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータシステムの一例を説明する。図２１は、欠陥箇所予測プログラムを実行するコンピュータを示す図である。

図２１に示すように、コンピュータ３００は、ＣＰＵ３１０、ＲＯＭ（Read Only Memory）３２０、ＨＤＤ（Hard Disk Drive）３３０、ＲＡＭ（Random Access Memory）３４０を有する。これら３１０〜３４０の各部は、バス４００を介して接続される。

ＲＯＭ３２０には上記実施例の各処理部と同様の機能を発揮する欠陥箇所予測プログラム３２０ａが予め記憶される。例えば、上記実施例の受付部４０、抽出部４１、生成部４２、予測部４３および出力部４４と同様の機能を発揮する欠陥箇所予測プログラム３２０ａを記憶させる。なお、欠陥箇所予測プログラム３２０ａについては、適宜分離しても良い。

ＨＤＤ３３０には、各種データを記憶する。例えば、ＨＤＤ３３０は、ＯＳや各種データを記憶する。

そして、ＣＰＵ３１０が、欠陥箇所予測プログラム３２０ａをＲＯＭ３２０から読み出して実行することで、実施例の各処理部と同様の動作を実行する。すなわち、欠陥箇所予測プログラム３２０ａは、実施例の受付部４０、抽出部４１、生成部４２、予測部４３および出力部４４と同様の動作を実行する。

なお、上記した欠陥箇所予測プログラム３２０ａについては、必ずしも最初からＲＯＭ３２０に記憶させることを要しない。欠陥箇所予測プログラム３２０ａはＨＤＤ３３０に記憶させてもよい。

例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、Compact Disk Read Only Memory（ＣＤ−ＲＯＭ）、Digital Versatile Disk（ＤＶＤ）、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」にプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

さらには、公衆回線、インターネット、ＬＡＮ、ＷＡＮなどを介してコンピュータ３００に接続される「他のコンピュータ（またはサーバ）」などにプログラムを記憶させておく。そして、コンピュータ３００がこれらからプログラムを読み出して実行するようにしてもよい。

１０ 欠陥箇所予測装置
２０ 入力部
２１ 表示部
２２ 通信Ｉ／Ｆ部
２３ 記憶部
２４ 制御部
３０ サンプルデータ
３１ 特徴情報
３２ 識別モデル情報
３３ 検査対象データ
３４ ホットスポット情報
４０ 受付部
４１ 抽出部
４２ 生成部
４３ 予測部
４４ 出力部

Claims (8)

1. リソグラフィ工程において欠陥が発生する配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出する抽出部と、
   前記抽出部により抽出された特徴情報から欠陥箇所を識別する識別モデルを生成する生成部と、
   前記生成部により生成された識別モデルを用いて、複数の配線層のレイアウトパターンを含む設計データの検査対象の配線層のレイアウトパターンから欠陥が発生する箇所を予測する予測部と、
   を有することを特徴とする欠陥箇所予測装置。
2. 前記抽出部は、前記欠陥が発生する配線層の配線および当該配線層に隣接する隣接配線層のビアの配置の特徴を示す特徴情報を抽出する
   ことを特徴とする請求項１に記載の欠陥箇所予測装置。
3. 前記抽出部は、前記欠陥が発生した配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンから、当該レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を含む第１特徴ベクトルを抽出し、
   前記生成部は、抽出された前記第１特徴ベクトルに基づき、前記欠陥箇所の有無を識別する識別モデルを生成し、
   前記予測部は、検査対象の配線層および当該配線層に隣接する隣接配線層のレイアウトパターンから、当該レイアウトパターンを構成する図形間の相対位置関係に関する特徴量を含む第２特徴ベクトルを抽出し、抽出された前記第２特徴ベクトルと、前記識別モデルとに基づき、欠陥が発生する箇所を予測する
   ことを特徴とする請求項１または２に記載の欠陥箇所予測装置。
4. 前記相対位置関係に関する特徴量は、レイアウトパターンを構成する図形の頂点を結んで得られる複数の三角形に基づき抽出される
   ことを特徴とする請求項３に記載の欠陥箇所予測装置。
5. リソグラフィ工程において欠陥が発生した配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報から生成された欠陥箇所を識別する識別モデルを記憶する記憶部と、
   前記記憶部に記憶された識別モデルを用いて、複数の配線層のレイアウトパターンを含む設計データの検査対象の配線層のレイアウトパターンから欠陥が発生する箇所を予測する予測部と、
   を有することを特徴とする欠陥箇所予測装置。
6. リソグラフィ工程において欠陥が発生した配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出する抽出部と、
   前記抽出部により抽出された特徴情報から欠陥箇所を識別する識別モデルを生成する生成部と、
   を有することを特徴とする識別モデル生成装置。
7. コンピュータに、
   リソグラフィ工程において欠陥が発生した配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出し、
   抽出された特徴情報から欠陥箇所を識別する識別モデルを生成し、
   生成された識別モデルを用いて、複数の配線層のレイアウトパターンを含む設計データの検査対象の配線層のレイアウトパターンから欠陥が発生する箇所を予測する
   処理を実行させることを特徴とする欠陥箇所予測プログラム。
8. コンピュータが、
   リソグラフィ工程において欠陥が発生した配線層および当該配線層に隣接する隣接配線層の欠陥箇所の周辺のレイアウトパターンの特徴を示す特徴情報を抽出し、
   抽出された特徴情報から欠陥箇所を識別する識別モデルを生成し、
   生成された識別モデルを用いて、複数の配線層のレイアウトパターンを含む設計データの検査対象の配線層のレイアウトパターンから欠陥が発生する箇所を予測する
   処理を実行することを特徴とする欠陥箇所予測方法。

Images