JP2015201055A - 欠陥箇所予測装置、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】欠陥箇所を効率よく修正できる欠陥箇所予測装置、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】信頼度算出部４３は、レイアウトパターンから欠陥箇所を識別する識別モデルの信頼度を算出する。修正優先度算出部４４は、識別モデルに基づいて検査対象のレイアウトパターンから識別された欠陥箇所について、信頼度算出部４３により算出された信頼度を用いて修正の優先度を算出する。【選択図】図１

Description

本発明は、欠陥箇所予測装置、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１９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１９の例では、図１９（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１９（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２０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２０（Ａ）は、図１９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２０（Ａ）では、ＯＰＣを施したことにより、図１９（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２０（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２０（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。そこで、レイアウトパターンから欠陥が発生する箇所を欠陥候補として抽出する技術が知られている。

特開２０１３−３１６２号公報 特開２０１３−１７５０１６号公報 特開２００７−１２６８７号公報

しかしながら、従来の技術で抽出される欠陥候補には、実際に欠陥が発生する真性エラーの箇所と、実際には欠陥が発生しない疑似エラーの箇所が含まれる。このため、設計者は、欠陥候補として抽出されたエラー箇所をどの程度信頼してよいかわからず、欠陥箇所の修正を効率よく行えない。

一側面では、欠陥箇所を効率よく修正できる欠陥箇所予測装置、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、信頼度算出部と、優先度算出部とを有する。信頼度算出部は、レイアウトパターンから欠陥箇所を識別する識別モデルの信頼度を算出する。優先度算出部は、識別モデルに基づいて検査対象のレイアウトパターンから識別された欠陥箇所について、信頼度算出部により算出された信頼度を用いて修正の優先度を算出する。

本発明の一側面によれば、欠陥箇所を効率よく修正できる。

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、エラー情報の一例を示す図である。 図６は、欠陥が発生したレイアウトパターンの一例を示す図である。 図７は、ドロネー三角分割の流れを説明する図である。 図８は、凸頂点と凹頂点の一例を示す図である。 図９は、特徴情報の一例を示す図である。 図１０は、識別モデルを用いた欠陥箇所の識別を模式的に示した図である。 図１１は、回路設計でのＯＰＣ検証の流れを模式的に示した図である。 図１２は、テストパターンの識別結果を分類した結果の一例を示す図である。 図１３は、識別結果を分類した結果の一例を示す図である。 図１４は、レイアウトパターン部分毎の修正の優先度を算出した結果の一例を示す図である。 図１５は、サンプルパターンの改善の優先度を算出した結果の一例を示す図である。 図１６は、欠陥箇所予測処理の手順の一例を示すフローチャートである。 図１７は、改善優先度算出処理の手順の一例を示すフローチャートである。 図１８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１９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２０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、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、エラー情報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、サンプルパターン毎に、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。図２の例では、サンプルパターン毎に、サンプルパターンを構成する各構成部品の頂点座標リストが記録されている。この頂点座標リストには、構成部品を示す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、サンプルパターンPATTERN1の頂点座標リストとして、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。

図１に戻り、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、後述する生成部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４１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のレイアウトパターンを少なくとも含む。

エラー情報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。エラー情報３４には、識別モデル情報３２に記憶された識別モデルを用いて後述する識別部４２により欠陥箇所の識別結果に関する情報が格納される。

図５は、エラー情報の一例を示す図である。図５の例では、検査対象のレイアウトパターンの欠陥箇所の識別を行ったレイアウトパターン部分毎に、識別結果が記録されている。検査対象のレイアウトパターンのレイアウトパターン部分には、それぞれ識別番号が付される。エラー情報には、識別番号毎に、識別結果が記録されている。図５の例では、レイアウトパターン部分には、それぞれ識別番号として１〜５のレコードが示され、レコード毎に識別結果として「１」または「０」が記録されている。識別結果「１」は、欠陥箇所が識別されたことを示す。識別結果「０」は、欠陥箇所が識別されなかったことを示す。

図１に戻り、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、生成部４１と、識別部４２と、信頼度算出部４３と、修正優先度算出部４４と、改善優先度算出部４５と、出力制御部４６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、欠陥箇所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、集積回路に発生する欠陥の例を説明する。図６は、欠陥が発生したレイアウトパターンの一例を示す図である。図６には、欠陥が発生したレイアウトパターンが示されている。図６の例では、設計されたレイアウトパターンが線により示されている。また、図６の例では、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。図６のレイアウトパターンには、配線パターンが太くなってショートが発生しやすい欠陥箇所６０が発生している。

生成部４１は、サンプルデータ３０からレイアウトパターンの欠陥箇所を識別する識別モデルを生成する。最初に、生成部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。

なお、生成部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をそれぞれデザインルールに基づいて正規化したレイアウトパターンから特徴を抽出してもよい。例えば、生成部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の欠陥箇所の周辺のレイアウトパターンを当該レイアウトパターンのデザインルールに基づいて正規化する。例えば、集積回路では、プロセステクノロジに応じて最小線幅や、最小間隔、ビアサイズなどがデザインルールとして定められる。生成部４１は、欠陥箇所の周辺のレイアウトパターンを、例えば、レイアウトパターンのデザインルールとされた最小線幅で正規化する。サンプルパターンのデザインルールは、サンプルデータ３０に記憶されていてもよく、別のデータとして記憶されていてもよい。

生成部４１は、レイアウトパターンから欠陥箇所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、生成部４１は、欠陥が発生する配線層のレイアウトパターンを求める。そして、生成部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、生成部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７は、ドロネー三角分割の流れを説明する図である。図７（Ａ）は、配線パターンの一例を示している。図７（Ｂ）は、図７（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７（Ｃ）は、図７（Ａ）に示す配線パターンもしくは図７（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７（Ａ）〜図７（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。

生成部４１は、図７（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７（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、生成部４１は、図７（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７（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。

生成部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、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、何れかの項目を除いてもよい。

生成部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、生成部４１は、特徴量として、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、全三角形での重心座標を求める。そして、生成部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。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、何れかの要素を除いてもよい。例えば、生成部４１は、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８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８は、凸頂点および凹頂点の一例を示す図である。また、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。例えば、生成部４１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る。そして、生成部４１は、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、中心に近い領域と中心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。半径ｒ_１、半径ｒ_２、半径ｒ_３の関係は、半径ｒ_１＜半径ｒ_２＜半径ｒ_３であるものとする。

なお、上述した例において、生成部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、生成部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。

また、生成部４１は、レイアウトパターンを中心位置のシフト、反転、回転の何れか一部または全部の変更を行って複数のレイアウトパターンを生成し、生成した複数のレイアウトパターンのそれぞれから上述のようにパターンの特徴を抽出してもよい。例えば、生成部４１は、サンプルパターンとして記憶された各レイアウトパターンについて、それぞれ９０度の回転および反転を行って複数のレイアウトパターンを生成する。また、生成部４１は、サンプルパターンとして記憶された各レイアウトパターンの中心位置を所定量シフトさせて複数のレイアウトパターンを生成する。そして、生成部４１は、生成した複数のレイアウトパターンのそれぞれから上述のようにパターンの特徴を抽出してもよい。

生成部４１は、レイアウトパターンの抽出した第１特徴ベクトルの所定の要素をレイアウトパターンの特徴とする。なお、生成部４１は、レイアウトパターンを正規化した場合、レイアウトパターンの抽出した第１特徴ベクトルと、レイアウトパターンの正規化に用いた正規化要素を含むデザインルールの所定の要素をレイアウトパターンの特徴とする。

生成部４１は、レイアウトパターンの特徴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。また、生成部４１は、中心位置のシフト、反転、回転の何れか一部または全部の変更を行って複数のレイアウトパターンを生成する場合、変更した変更要素の特徴量も特徴情報３１に含めさせる。例えば、生成部４１は、回転を行った場合、回転角度を特徴量として特徴情報３１に含める。

図９は、特徴情報の一例を示す図である。図９には、特徴情報３１に、レイアウトパターンの抽出した第１特徴ベクトルと、当該レイアウトパターンのデザインルールの特徴と、当該レイアウトパターンのホットスポット情報とを含めた場合を示している。図９の例では、第１特徴ベクトルの要素を（ｆ_ｐ１，ｆ_ｐ２，ｆ_ｐ３,・・・，ｆ_ｐ８）と８個の要素とし、デザインルールの要素を（ｆ_ｄ１，ｆ_ｄ２，ｆ_ｄ３）と３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_ｐ１，ｆ_ｐ２，ｆ_ｐ３,・・・，ｆ_ｐ８としては、上述したレイアウトパターンの特徴量が用いられる。特徴量ｆ_ｄ１，ｆ_ｄ２，ｆ_ｄ３としては、上述した正規化要素を含むデザインルールの所定の要素の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４１は、特徴情報３１に基づいて、レイアウトパターンから欠陥箇所を識別する識別モデルを生成する。例えば、生成部４１は、特徴ベクトルの各要素とされた特徴量およびデザインルールとされた最小線幅や、最小間隔、ビアサイズ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_ｐ１，ｆ_ｐ２，ｆ_ｐ３,・・・，ｆ_ｐｍ）とする。ｆ_ｐ１，ｆ_ｐ２，ｆ_ｐ３,・・・，ｆ_ｐｍは、それぞれ第１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８個の場合、「８」となる。また、デザインルールの要素の特徴量をｆ_ｄ１，ｆ_ｄ２，ｆ_ｄ３,・・・，ｆ_ｄｎとする。ｎは、デザインルールの要素とする特徴量の個数であり、例えば、最小線幅や、最小間隔、ビアサイズの３つを特徴量とする場合、「３」となる。

生成部４１は、以下の（１）式に示すように、特徴ベクトルの各要素ｆ_ｐｉにそれぞれの重み値Ｗ_ｉ、特徴ベクトルの各要素ｆ_ｄｊにそれぞれの重み値Ｗ_ｊ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。なお、（１）式に示す識別モデルは、一例であり、これに限定されるものではない。特徴情報３１にデザインルールの要素が含まれない場合、（１）式は、ザインルールの要素に関する項ｆ_ｄが無いものを用いる。また、欠陥度Ｇは、マイナスを含む範囲としてもよい。例えば、欠陥度Ｇは、−１〜１の範囲として、１に近いほど欠陥箇所がある可能性が高く、−１に近いほど欠陥箇所がある可能性が低いものとしてもよい。

生成部４１は、特徴情報３１の特徴ベクトルの各要素の特徴量ｆ_ｐｉおよびデザインルールの要素の特徴量ｆ_ｄｊ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４１は、各演算式の重み値Ｗ_ｉ、Ｗ_ｊ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、Ｗ_ｊの値を求める。生成部４１は、求めた重み値Ｗ_ｉ、Ｗ_ｊ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４１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。

識別部４２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、欠陥箇所を識別する。例えば、識別部４２は、識別モデルを生成した場合、生成した識別モデルの信頼度を算出するため、識別モデルを用いてテストパターンから欠陥箇所を識別する。例えば、識別部４２は、サンプルデータ３０に記憶されたレイアウトパターンをそれぞれテストパターンとして、テストパターンから識別モデルを用いて欠陥箇所を識別する。

また、例えば、識別部４２は、検査対象データ３３のレイアウトパターンに対して欠陥箇所の検査を行う場合、識別モデルを用いて検査対象データ３３のレイアウトパターンから欠陥箇所を識別する。例えば、識別部４２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。識別部４２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、識別部４２は、分割された各レイアウトパターンから、それぞれ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_ｐ１，ｆ_ｐ２，ｆ_ｐ３，・・・，ｆ_ｐｍを用いて欠陥度Ｇを算出する場合、識別部４２は、第２特徴ベクトルの要素として特徴量ｆ_ｐ１，ｆ_ｐ２，ｆ_ｐ３，・・・，ｆ_ｐｍを少なくとも抽出する。また、識別部４２は、検査対象データ３３とされた設計データのデザインルールから、識別モデルの演算に用いるデザインルールの要素の特徴量ｆ_ｄ１，ｆ_ｄ２，ｆ_ｄ３，・・・，ｆ_ｄｎを特定する。

識別部４２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特徴ベクトルの特徴量ｆ_ｐｉおよびデザインルールの特徴量ｆ_ｄｊ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。識別部４２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。例えば、識別部４２は、欠陥度Ｇが所定の閾値以上のレイアウトパターン部分については、欠陥箇所ありと識別し、欠陥度Ｇが所定の閾値未満のレイアウトパターン部分については、欠陥箇所なしと識別する。識別部４２は、レイアウトパターン部分毎の識別結果をエラー情報３４として記憶部２３に格納する。例えば、識別部４２は、欠陥度Ｇが所定の閾値以上のレイアウトパターン部分については、欠陥箇所ありと識別してエラー情報３４を記憶させ、欠陥度Ｇが所定の閾値未満のレイアウトパターン部分については、欠陥箇所なしと識別してエラー情報３４を記憶させる。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。識別部４２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ホットスポットの位置としてエラー情報３４に記録してもよい。

ここで、識別モデルにより識別された欠陥箇所には、実際に欠陥が発生する真性エラーの箇所と、実際には欠陥が発生しない疑似エラーの箇所が含まれる場合がある。図１０は、識別モデルを用いた欠陥箇所の識別を模式的に示した図である。識別モデルを求めることは、図１０に示すように、欠陥箇所があるエラーパターンと、欠陥箇所が無いエラー無しパターンとを分離する境界面ｆを決定することに相当する。なお、図１０の例は、特徴をｘ，ｙの２変数で表し、境界面ｆを直線に簡易化して示している。実際には、変数の数は任意であり、境界面は超平面となる。機械学習手法では、境界面ｆ近傍で分離ができないデータを誤差として許容している。このため、識別モデルによる演算結果が境界面ｆ近傍となるパターンには、欠陥箇所と識別されないが実際には欠陥が発生する場合と、欠陥箇所と識別されるが実際には欠陥が発生しない場合がある。図１０には、境界面ｆについて誤差を許容する範囲を破線により示している。識別モデルによる演算結果が境界面ｆから離れているパターンは、識別結果の信頼性が高い。一方、識別モデルによる演算結果が境界面ｆ近傍となるパターンは、識別結果の信頼性が低い。図１０に示すように、境界面ｆより右側にあるにも関わらず、エラーパターンもある。また、境界面ｆより左側にあるにも関わらず、エラー無しパターンもある。

図１１は、回路設計でのＯＰＣ検証の流れを模式的に示した図である。回路設計では、識別モデルを用いて欠陥箇所を識別するＯＰＣ検証を行い、ＯＰＣ検証の結果がＯＫの場合、例えば製造工程など次の工程へ移行する。一方、ＯＰＣ検証の結果がＮＧの場合、ＯＰＣ検証で欠陥箇所と識別された部分の修正を行い、再度ＯＰＣ検証を行うことを繰り返す。このＯＰＣ検証で欠陥箇所と識別された部分には、実際に欠陥が発生する真性エラーの箇所と、実際には欠陥が発生しない疑似エラーの箇所がある。しかし、設計者が、欠陥箇所と識別された部分を全て見直しするには時間がかかる。

図１に戻り、信頼度算出部４３は、識別モデルを生成した場合、生成した識別モデルの信頼度を算出する。例えば、信頼度算出部４３は、識別部４２によるテストパターンの識別結果から、識別モデルの信頼度を算出する。

例えば、信頼度算出部４３は、識別モデル毎に、テストパターンの識別結果が正しいか否かで分類する。例えば、信頼度算出部４３は、識別モデル毎に、実際に欠陥が発生する真性エラーのテストパターン又は欠陥が発生しない疑似エラーのテストパターンであるか、および、識別の結果、欠陥箇所が識別されたか否かに応じて識別結果を分類する。例えば、信頼度算出部４３は、識別結果を、真性エラーのテストパターンかつ欠陥箇所が識別されたＴＰ（True-Positive）、真性エラーのテストパターンかつ欠陥箇所が識別されないＦＮ（False-Negative）、疑似エラーのテストパターンかつ欠陥箇所が識別されたＦＰ（False-Positive）、疑似エラーのテストパターンかつ欠陥箇所が識別されないＴＮ（True-Negative）の何れかに分類する。そして、信頼度算出部４３は、それぞれに分類されたテストパターンの数をカウントする。

図１２は、テストパターンの識別結果を分類した結果の一例を示す図である。図１２の例は、真性エラーのテストパターン４８０個と、疑似エラーのテストパターン５２０個の総数１０００個のテストパターンについて欠陥箇所の識別を行い、識別結果を分類した結果を示している。図１２の例では、ＴＰが「３８０」、ＦＮが「１００」、ＦＰが「１２０」、ＴＮが「４００」と分類されている。このＴＰおよびＴＮは、識別結果が正解である。ＦＮおよびＦＰは、識別結果が不正解である。

そして、信頼度算出部４３は、識別モデル毎に、欠陥発生箇所を欠陥箇所と識別した正答率、欠陥発生箇所ではない箇所を欠陥箇所と識別した疑似エラー率、欠陥発生箇所を欠陥箇所と識別できなかった見逃し率を算出する。例えば、信頼度算出部４３は、識別モデル毎に、下記の（２）〜（４）式に示す演算を行って、正答率、疑似エラー率、見逃し率を算出する。

正答率＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＮ＋ＦＰ＋ＴＮ） （２）
擬似エラー率＝ＦＰ／（ＴＰ＋ＦＰ） （３）
見逃し率＝ＦＮ／（ＦＮ＋ＴＮ） （４）

そして、信頼度算出部４３は、算出された正答率、疑似エラー率および見逃し率の一部または全部を用いて信頼度を算出する。例えば、信頼度算出部４３は、下記の（５）〜（７）式の何れかの演算を行って識別モデルの信頼度を算出する。下記の（６）式は、信頼度として、見逃し率の低さを重視する場合に用いる。下記の（７）式は、信頼度として、見逃し率および擬似エラー率の低さを重視する場合に用いる。なお、信頼度を算出する演算式は、下記の（５）〜（７）式に限定されるものではない。

信頼度＝ａ×正答率＋ｂ×擬似エラー率＋ｃ×見逃し率＋ｄ （５）
信頼度＝（１−見逃し率）×正答率 （６）
信頼度＝（１−擬似エラー率）×（１−見逃し率）×正答率 （７）

ここで、ａ、ｂ、ｃ、ｄは、（５）式の重み係数を示すパラメータである。このパラメータａ、ｂ、ｃ、ｄは、どの項目を重要視するかにより値を調整して設定する。なお、パラメータａ、ｂ、ｃ、ｄは、外部から調整可能としてもよい。

例えば、分類の結果が図１２に示すようにＴＰが「３８０」、ＦＮが「１００」、ＦＰが「１２０」、ＴＮが「４００」である場合、正答率、疑似エラー率、見逃し率は、（２）〜（４）式から以下のように算出される。

正答率＝（ＴＰ＋ＴＮ）／（ＴＰ＋ＦＮ＋ＦＰ＋ＴＮ） （２）
＝（３８０＋４００）／１０００＝０．７８
擬似エラー率＝ＦＰ／（ＴＰ＋ＦＰ） （３）
＝１２０／（３８０＋１２０）＝０．２４
見逃し率＝ＦＮ／（ＦＮ＋ＴＮ） （４）
＝１００／(１００＋４００)＝０．２０

例えば、パラメータａ、ｂ、ｃ、ｄを、ａ＝０．８，ｂ＝０．０，ｃ＝−０．２，ｄ＝０．２とした場合、上記（５）式は、下記の（８）式のようになる。

信頼度＝ａ×正答率＋ｂ×擬似エラー率＋ｃ×見逃し率＋ｄ （５）
＝０．８×正答率＋０．０×擬似エラー率＋（−０．２）×見逃し率＋０．２ （８）

例えば、正答率を０．７８、擬似エラー率を０．２４、見逃し率を０．２０とすると、信頼度は、上記（８）式から以下のように算出される。

信頼度＝０．８×０．７８＋０．０×０．２４−０．２×０．２０＋０．２
＝０．７８４

また、例えば、テストパターンの識別結果が全て正解となり、正答率を１．００、擬似エラー率を０．０、見逃し率を０．０とすると、信頼度は、上記（８）式から以下のように算出される。

信頼度＝０．８×１．００＋０．０×０．０−０．２×０．０＋０．２
＝１．０

また、例えば、テストパターンの識別結果が全て不正解となり、正答率を０．０、擬似エラー率を１．０、見逃し率を１．０とすると、信頼度は、上記（８）式から以下のように算出される。

信頼度＝０．８×０．００＋０．０×１．０−０．２×１．０＋０．２
＝０．０

すなわち、パラメータａ、ｂ、ｃ、ｄを、ａ＝０．８,ｂ＝０．０,ｃ＝−０．２,ｄ＝０．２とした場合、信頼度は、０．０〜１．０の範囲で、擬似エラー率を考慮せず、見逃し率の高さがペナルティとなるように定めることができる。

また、例えば、パラメータａ、ｂ、ｃ、ｄを、ａ＝０．６,ｂ＝−０．２,ｃ＝−０．２,ｄ＝０．４とした場合、上記（５）式は、下記の（９）式ようになる。

信頼度＝ａ×正答率＋ｂ×擬似エラー率＋ｃ×見逃し率＋ｄ （５）
＝０．６×正答率−０．２×擬似エラー率＋
（−０．２）×見逃し率＋０．４ （９）

例えば、正答率を０．７８、擬似エラー率を０．２４、見逃し率を０．２０とすると、信頼度は、上記（９）式から以下のように算出される。

信頼度＝０．６×０．７８−０．２×０．２４−０．２×０．２０＋０．４
＝０．７８

また、例えば、テストパターンの識別結果が全て正解となり、正答率を１．００、擬似エラー率を０．０、見逃し率を０．０とすると、信頼度は、上記（９）式から以下のように算出される。

信頼度＝０．６×１．００−０．２×０．０−０．２×０．０＋０．４
＝１．０

また、例えば、テストパターンの識別結果が全て不正解となり、正答率を０．０、擬似エラー率を１．０、見逃し率を１．０とすると、信頼度は、上記（９）式から以下のように算出される。

信頼度＝０．６×０．００−０．２×１．０−０．２×１．０＋０．４
＝０．０

すなわち、パラメータａ、ｂ、ｃ、ｄを、ａ＝０．６,ｂ＝−０．２,ｃ＝−０．２,ｄ＝０．４とした場合、信頼度は、０．０〜１．０の範囲で、擬似エラー率および見逃し率の高さがペナルティとなるように定めることができる。

なお、本実施例では、サンプルデータ３０の全てのサンプルパターンを学習して識別モデルを生成し、サンプルデータ３０の全てのサンプルパターンを用いて識別モデルの信頼度を算出する場合を例に説明するが、これに限定されるものではない。例えば、複数のサンプルデータ３０を用いて、サンプルデータ３０毎に識別モデルを生成し、サンプルデータ３０毎に信頼度を算出してもよい。また、例えば、識別モデルの生成に用いるサンプルパターンと、識別モデルの信頼度の算出に用いるテストパターンを別なものとしてもよい。

ここで、サンプルデータ３０に記憶されたサンプルパターンの一部を用いて学習を行って識別モデルを生成し、サンプルパターンの残りを用いて識別モデルの信頼度を算出する例を説明する。

生成部４１は、サンプルデータ３０の複数のサンプルパターンを複数のグループに分割する。例えば、サンプルデータ３０には、真性エラーのサンプルパターン４８０個と、疑似エラーのサンプルパターン５２０個の総数１０００個のサンプルパターンが含まれるものする。この場合、例えば、生成部４１は、１０００個のサンプルパターンを５つのグループに分割する。分割方法は各グループのサンプル数が均等になるように分割する。あるいは、ランダムにＫ個のグループに分割する方法を用いてもよい。そして、生成部４１は、５つのグループのうち、１つのグループを選択して信頼度を算出するためのテストパターンとする。生成部４１は、５つのグループのうち、選択された以外の残りの４つのグループを用いて識別モデルを生成する。信頼度算出部４３は、選択されたグループをテストパターンとして、残りの４つのグループを用いて生成部４１により生成された識別モデルの信頼度を算出する。生成部４１および信頼度算出部４３は、テストパターンとするグループを替えて、識別モデルの生成および生成された識別モデルの信頼度の算出を繰り返す。例えば、生成部４１および信頼度算出部４３は、５つのグループを順に１つずつテストパターンのグループとして、識別モデルの生成および生成された識別モデルの信頼度の算出を５回繰り返す。

図１３は、識別結果を分類した結果の一例を示す図である。図１３の例は、上述の総数１０００個のサンプルパターンを２００個ずつの５つのグループに分割し、５つのグループを順に１つずつテストパターンのグループとして、識別モデルの生成および信頼度の算出を５回行った結果を示している。

図１３の例では、１回目について、ＴＰが「７６」、ＦＮが「２０」、ＦＰが「２０」、ＴＮが「８４」と分類されている。信頼度算出部４３は、識別モデル毎に、各回での正答率、疑似エラー率、見逃し率を算出する。図１３には、１回目〜５回目の正答率、疑似エラー率、見逃し率の算出結果も示されている。図１３の例では、１回目について、正答率が「０．８０」、疑似エラー率が「０．２１」、見逃し率が「０．１９」と算出されている。信頼度算出部４３は、識別モデル毎に、上述の（５）〜（７）式の何れかの演算を行って識別モデル毎の信頼度を算出する。

図１に戻り、修正優先度算出部４４は、検査対象データ３３のレイアウトパターンに対して欠陥箇所の検査を行った場合、検査対象データ３３のレイアウトパターンから識別部４２により識別された欠陥箇所についての修正の優先度を算出する。例えば、修正優先度算出部４４は、検査対象データ３３のレイアウトパターンの欠陥箇所について、欠陥箇所を識別した識別モデルの信頼度を用いて修正の優先度を算出する。最初に、修正優先度算出部４４は、識別モデルにより欠陥箇所の識別を行ったレイアウトパターン部分について、レイアウトパターン部分の欠陥度Ｇと、レイアウトパターン部分の識別を行った識別モデルの信頼度から、識別結果の信頼度を算出する。例えば、修正優先度算出部４４は、レイアウトパターン部分の欠陥度をＧとし、レイアウトパターン部分の識別を行った識別モデルの信頼度をＣ_Ｍとした場合、下記の（９）式に示す演算を行って、識別結果の信頼度Ｃ_Ｐを算出する。

Ｃ_Ｐ＝Ｃ_Ｍ×｜Ｇ｜ （９）

ここで、｜Ｇ｜は、Ｇの絶対値を示す。また、Ｇは、０〜１の実数であるものとする。｜Ｇ｜を用いた理由は、欠陥度をマイナスを含む範囲とした場合を考慮してためである。これにより、０〜１の範囲で識別結果の信頼度Ｃ_Ｐが算出される。なお、識別結果の信頼度Ｃ_Ｐを０〜Ｎの範囲で算出する場合は、下記の（１０）式に示す演算を行う。

Ｃ_Ｐ＝｜Ｃ_Ｍ×｜Ｇ｜×Ｎ｜ （１０）

なお、修正優先度算出部４４は、レイアウトパターン部分について複数の識別モデルを用いて識別を行った場合、識別モデル毎の識別結果の信頼度の平均値をレイアウトパターン部分に対する全体としての識別結果の信頼度Ｃ_Ｐとする。

そして、修正優先度算出部４４は、レイアウトパターン部分毎の識別結果の信頼度Ｃ_Ｐと、欠陥箇所の識別結果とに基づいて、レイアウトパターン部分毎に、修正の優先度を算出する。

図１４は、レイアウトパターン部分毎の修正の優先度を算出した結果の一例を示す図である。図１４の例は、部分ＩＤ、識別結果として、予測値、信頼度、優先度の各項目が示されている。部分ＩＤの項目は、レイアウトパターン部分を示す識別情報を記憶する領域である。レイアウトパターン部分には、それぞれを識別する識別情報としてパターンＩＤが付与される。部分ＩＤの項目には、レイアウトパターン部分に付与されたパターンＩＤが格納される。予測値の項目は、欠陥箇所と識別されたか否かを記憶する領域である。予測値の項目には、欠陥箇所と識別された場合、予測値としてＴ（Ｔｒｕｅ：「１」）が格納され、欠陥箇所と識別されていない場合、予測値としてＦ（Ｆａｌｓｅ：「０」）が格納される。信頼度の項目は、レイアウトパターン部分の識別結果の信頼度Ｃ_Ｐを記憶する領域である。優先度の項目は、修正の優先度を格納する領域である。

例えば、修正優先度算出部４４は、下記の（１１）式に示す演算を行って、修正の優先度を算出する。

修正の優先度＝予測値×信頼度Ｃ_Ｐ×ｐ＋｜予測値｜×(ｑ−信頼度Ｃ_Ｐ） （１１）

ここで、ｐ、ｑは、（１１）式の重み係数を示すパラメータである。このパラメータｐ、ｑは、どの項目を重要視するかにより値を調整して設定する。なお、パラメータｐ、ｑは、外部から調整可能としてもよい。また、（１１）式は、一例であり、これに限定されるものではない。例えば、（１１）式には、その他、信頼度Ｃ_Ｐに所定の重み値を乗算した項を加算してもよい。

例えば、（１１）式のパラメータｐ＝１とし、パラメータｑ＝５とした場合、例えば、図１４に示すように、部分ＩＤ「１」の修正の優先度は、１×５×１＋１×（５−５）＝５と算出される。

図１に戻り、改善優先度算出部４５は、識別モデルの生成に用いられた学習データの改善の優先度を算出する。例えば、改善優先度算出部４５は、学習データとして用いられたサンプルデータ３０の各サンプルパターンについて、識別モデルによりそれぞれ欠陥箇所の識別を行う。そして、改善優先度算出部４５は、学習データとして用いられたサンプルパターン毎に、識別モデルの信頼度Ｃ_Ｍと、サンプルパターンの欠陥度Ｇから上述の（９）式に示す演算を行って、サンプルパターンについての識別結果の信頼度Ｃ_Ｐを算出する。そして、改善優先度算出部４５は、サンプルパターン毎に、識別モデルの信頼度をＣ_Ｍと、欠陥箇所の予測値、実際の欠陥の有無に基づいて、学習データとして用いられたサンプルパターン毎に、改善の優先度を算出する。

図１５は、サンプルパターンの改善の優先度を算出した結果の一例を示す図である。図１５の例は、パターンＩＤ、識別結果として、予測値、信頼度、正解、優先度の各項目が示されている。パターンＩＤの項目は、学習データとして用いられたサンプルパターンを示す識別情報を記憶する領域である。サンプルパターンには、それぞれを識別する識別情報としてパターンＩＤが付与される。パターンＩＤの項目には、サンプルパターンに付与されたパターンＩＤが格納される。予測値の項目は、欠陥箇所と識別されたか否かを記憶する領域である。予測値の項目には、欠陥箇所と識別された場合、予測値としてＴ（Ｔｒｕｅ：「１」）が格納され、欠陥箇所と識別されていない場合、予測値としてＦ（Ｆａｌｓｅ：「０」）が格納される。信頼度の項目は、サンプルパターンに対する識別結果の信頼度Ｃ_Ｐを記憶する領域である。正解の項目は、サンプルパターンに実際に欠陥箇所があるか否かを記憶する領域である。正解の項目には、実際に欠陥箇所がある場合、正解としてＴ（Ｔｒｕｅ：「１」）が格納され、実際に欠陥箇所がない場合、不正解としてＦ（Ｆａｌｓｅ：「０」）が格納される。

例えば、改善優先度算出部４５は、下記の（１２）式に示す演算を行って、改善の優先度を算出する。

改善の優先度＝ｘ×｜（予測値）−（正解）｜×信頼度Ｃ_Ｐ＋
ｚ×（ｙ−信頼度Ｃ_Ｐ） （１２）

ここで、ｘ、ｙ、ｚは、（１２）式の重み係数を示すパラメータである。このパラメータｘ、ｙ、ｚは、どの項目を重要視するかにより値を調整して設定する。なお、パラメータｘ、ｙ、ｚは、外部から調整可能としてもよい。

例えば、（１２）式のパラメータｘ＝１とし、パラメータｙ＝５とし、パラメータｚ＝１とした場合、例えば、図１５に示すように、パターンＩＤ「１」の改善の優先度は、１×｜（１−（０））｜×５＋１×（５−５）＝５と算出される。

この改善の優先度は、予測された識別結果と正解が異なる場合に高くなる。すなわち、識別パターンで欠陥箇所を識別できないサンプルパターンに対して改善の優先度は、高い値となる。このような、改善の優先度が高いサンプルパターンについて学習データの強化を行うことにより、欠陥箇所を識別できないサンプルパターンについても正しく欠陥箇所を識別できる識別パターンを生成できるようになる。

出力制御部４６は、各種の結果の出力を制御する。例えば、出力制御部４６は、修正優先度算出部４４により算出された修正の優先度に基づき、欠陥箇所を出力する。例えば、出力制御部４６は、修正の優先度が高い順に、欠陥箇所を出力する。なお、出力制御部４６は、図１４を出力するものとしてもよい。これにより、設計者は、修正の優先度の高い欠陥箇所を把握でき、欠陥箇所を効率よく修正できる。また、改善の優先度を出力することにより、設計者が修正すべきエラー箇所の優先順位の指標となる。例えば、設計者が、工数の制約等から、エラー箇所数の２０％しか修正できない場合に、修正の優先度が高いものから順に修正することで、欠陥が発生しやすい箇所から効率よく修正できる。

また、例えば、出力制御部４６は、改善優先度算出部４５により算出された改善の優先度に基づき、サンプルパターンを出力する。例えば、出力制御部４６は、改善の優先度が高い順に、サンプルパターンを出力する。なお、出力制御部４６は、図１５を出力するものとしてもよい。これにより、例えば、設計者は、改善の優先度に基づいてサンプルデータ３０のサンプルパターンの見直しを行い、欠陥箇所をより精度良く識別できる学習データを補強する。これにより、補強されたサンプルデータ３０から生成された識別モデルは、欠陥箇所をより精度よく識別できるようになる。すなわち、改善の優先度を出力することにより、欠陥箇所の識別精度を向上させることができる。

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１６、図１７を参照しながら説明する。最初に、欠陥箇所予測装置１０が識別モデルを生成して欠陥箇所予測する欠陥箇所予測処理について説明する。図１６は、欠陥箇所予測処理の手順の一例を示すフローチャートである。

図１６に示すように、生成部４１は、サンプルデータ３０からレイアウトパターンの欠陥箇所を識別する識別モデルを生成する（Ｓ１０）。例えば、生成部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して特徴情報３１を生成する。そして、生成部４１は、特徴情報３１に基づいて、レイアウトパターンから欠陥箇所を識別する識別モデルを生成する。

識別部４２は、サンプルデータ３０に記憶されたレイアウトパターンをそれぞれテストパターンとして、テストパターンから識別モデルを用いて欠陥箇所を識別する（Ｓ１１）。信頼度算出部４３は、テストパターンの識別結果をＴＰ、ＦＮ、ＦＰ、ＴＮに分類し、ＴＰ、ＦＮ、ＦＰ、ＴＮに分類されたテストパターンの数から信頼度を算出する（Ｓ１２）。

識別部４２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から識別モデルを用いて欠陥箇所を識別する（Ｓ１３）。修正優先度算出部４４は、設計データのレイアウトパターンから識別された欠陥箇所について、識別モデルの信頼度を用いて修正の優先度を算出し（Ｓ１４）、処理を終了する。

次に、欠陥箇所予測装置１０が学習データの改善の優先度を算出する改善優先度算出処理について説明する。図１７は、改善優先度算出処理の手順の一例を示すフローチャートである。

図１７に示すように、改善優先度算出部４５は、学習データとして用いられたサンプルデータ３０の各サンプルパターンについて、識別モデルによりそれぞれ欠陥箇所の識別を行う（Ｓ２０）。改善優先度算出部４５は、サンプルパターン毎に、識別モデルの信頼度Ｃ_Ｍと、サンプルパターンの欠陥度Ｇからサンプルパターンについての識別結果の信頼度Ｃ_Ｐを算出する（Ｓ２１）。改善優先度算出部４５は、サンプルパターン毎に、識別モデルの信頼度Ｃ_Ｍと、欠陥箇所の予測値、実際の欠陥の有無に基づいて、改善の優先度を算出し（Ｓ２２）、処理を終了する。

このように、欠陥箇所予測装置１０は、レイアウトパターンから欠陥箇所を識別する識別モデルの信頼度を算出する。欠陥箇所予測装置１０は、識別モデルに基づいて検査対象のレイアウトパターンから識別された欠陥箇所について、算出された信頼度を用いて修正の優先度を算出する。このように、欠陥箇所予測装置１０は、欠陥箇所の修正の優先度を算出できるため、欠陥箇所を効率よく修正できる。

また、欠陥箇所予測装置１０は、欠陥が発生した欠陥発生箇所を有するレイアウトパターンを含んだ複数のテストパターンから識別モデルを用いて欠陥箇所を識別する。欠陥箇所予測装置１０は、識別結果から、欠陥発生箇所を欠陥箇所と識別した正答率、欠陥発生箇所ではない箇所を欠陥箇所と識別した疑似エラー率、欠陥発生箇所を欠陥箇所と識別できなかった見逃し率を算出する。欠陥箇所予測装置１０は、算出された正答率、疑似エラー率および見逃し率の一部または全部を用いて信頼度を算出する。これにより、欠陥箇所予測装置１０は、識別モデルの識別精度を示す信頼度を算出できる。

また、欠陥箇所予測装置１０は、信頼度の高い識別モデルにより欠陥箇所と識別された箇所、および、信頼度の低い識別モデルにより欠陥箇所ではないと識別された箇所の一方または両方の優先度を高く算出する。これにより、欠陥箇所予測装置１０は、欠陥が発生しやすい箇所の優先度を高く算出できる。

また、欠陥箇所予測装置１０は、信頼度を用いて、識別モデルの生成に用いられた学習データの改善の優先度を算出する。これにより、欠陥箇所予測装置１０は、改善の優先度の高い学習データが改善されることにより、欠陥箇所の識別精度を向上させることができる。

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。

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、生成部４１、識別部４２、信頼度算出部４３、修正優先度算出部４４、改善優先度算出部４５および出力制御部４６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１８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１８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、生成部４１、識別部４２、信頼度算出部４３、修正優先度算出部４４、改善優先度算出部４５および出力制御部４６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、生成部４１、識別部４２、信頼度算出部４３、修正優先度算出部４４、改善優先度算出部４５および出力制御部４６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
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 エラー情報
４０ 受付部
４１ 生成部
４２ 識別部
４３ 信頼度算出部
４４ 修正優先度算出部
４５ 改善優先度算出部
４６ 出力制御部

Claims (6)

1. レイアウトパターンから欠陥箇所を識別する識別モデルの信頼度を算出する信頼度算出部と、
   前記識別モデルに基づいて検査対象のレイアウトパターンから識別された欠陥箇所について、前記信頼度算出部により算出された信頼度を用いて修正の優先度を算出する優先度算出部と、
   を有することを特徴とする欠陥箇所予測装置。
2. 欠陥が発生した欠陥発生箇所を有するレイアウトパターンを含んだ複数のテストパターンから前記識別モデルを用いて欠陥箇所を識別する識別部をさらに有し、
   前記信頼度算出部は、前記識別部による識別結果から、前記欠陥発生箇所を欠陥箇所と識別した正答率、前記欠陥発生箇所ではない箇所を欠陥箇所と識別した疑似エラー率、前記欠陥発生箇所を欠陥箇所と識別できなかった見逃し率を算出し、算出された前記正答率、前記疑似エラー率および前記見逃し率の一部または全部を用いて信頼度を算出する
   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. 前記優先度算出部は、信頼度の高い識別モデルにより欠陥箇所と識別された箇所、および、信頼度の低い識別モデルにより欠陥箇所ではないと識別された箇所の一方または両方の優先度を高く算出する
   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. 前記信頼度算出部により算出された信頼度を用いて、前記識別モデルの生成に用いられた学習データの改善の優先度を算出する改善優先度算出部をさらに有することを特徴とする請求項１〜３の何れか１つに記載の欠陥箇所予測装置。
5. コンピュータに、
   レイアウトパターンから欠陥箇所を識別する識別モデルの信頼度を算出し、
   前記識別モデルに基づいて検査対象のレイアウトパターンから識別された欠陥箇所について、前記信頼度を用いて修正の優先度を算出する
   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。
6. メモリと、プロセッサとを含むコンピュータの前記プロセッサが、
   前記メモリに記憶されたレイアウトパターンから欠陥箇所を識別する識別モデルの信頼度を算出し、
   前記識別モデルに基づいて検査対象のレイアウトパターンから識別された欠陥箇所について、前記信頼度を用いて修正の優先度を算出する
   処理を実行することを特徴とする欠陥箇所予測方法。

Images