JP2017122580A - 検査装置及び検査条件決定方法 - Google Patents

Abstract

【課題】本発明の目的は、検査条件の決定を支援することが可能な検査装置及び検査条件決定方法を提供することにある。【解決手段】検査装置は、散乱光分布から光学定数及びマイクロラフネスに関する情報を推定するためのモデルを格納する記憶装置と、複数の検出系から得られた散乱光分布を前記モデルに当てはめ、前記光学定数及び前記マイクロラフネスに関する情報を推定する推定部と、前記推定された前記光学定数及び前記マイクロラフネスに関する情報、または、前記推定された前記光学定数及び前記マイクロラフネスに関する情報を元に計算された情報を用いて検査条件を決定する検査条件決定部と、を備える。【選択図】図２Ａ

Description

本発明は、表面の形状の情報を得るための検査装置、及びその検査装置における検査条件決定方法に関する。

半導体デバイスの微細化に伴い、ベアウェハや膜付ウェハの表面のマイクロラフネスが電気特性に大きな影響を与えるようになってきた。マイクロラフネスは、研磨、洗浄、成膜、熱処理、平坦化などのプロセスで発生するので、デバイスの高性能化及び歩留り向上のためには、それぞれのプロセスごとにマイクロラフネスを計測し、プロセス装置の状態やプロセス条件を適正に管理する必要がある。特許文献１には、基板表面のマイクロラフネスの異方性に関する特徴量を得る技術が開示されている。

国際公開第２０１３／１１８５４３号

ところで、半導体デバイスの微細化に伴い、ベアウェハや膜付ウェハの表面において、欠陥に対する検出感度の向上が要求されている。したがって、半導体ウェハの欠陥検査において、対象のウェハに最適な検査条件を作成することが必要である。

従来では、ウェハの表面状態をある程度簡単に検査できる所定の検査条件を決めておき、まず、その検査条件でウェハに対してプレスキャンを行う。その後、プレスキャンの結果を元に、ユーザが経験則によって検査条件を決定し、本検査を行う。

従来では、検査条件の決定はユーザの経験則によるため、ウェハの表面状態に対して最適な検査条件で検査を行えていない場合があった。また、特定の箇所を詳細に検査するために、ユーザが検査条件のパラメータを変更しながら最適な条件を探す場合もあり、検査条件の決定は容易ではなかった。上記の通り、経験を積んだユーザであっても最適な検査条件を決定するためには時間がかかり、検査条件の設定作業の容易化が望まれている。

本発明の目的は、検査条件の決定を支援することが可能な検査装置及び検査条件決定方法を提供することにある。

上記課題を解決する為に、例えば特許請求の範囲に記載の構成を採用する。本願は上記課題を解決する手段を複数含んでいるが、その一例をあげるならば、試料を搭載するステージと、前記試料に光を照射する照明光学系と、前記光の照射によって前記試料から発生した光を検出する複数の検出系と、を備える検査装置であって、散乱光分布から光学定数及びマイクロラフネスに関する情報を推定するためのモデルを格納する記憶装置と、前記複数の検出系から得られた散乱光分布を前記モデルに当てはめ、前記光学定数及び前記マイクロラフネスに関する情報を推定する推定部と、前記推定された前記光学定数及び前記マイクロラフネスに関する情報、または、前記推定された前記光学定数及び前記マイクロラフネスに関する情報を元に計算された情報を用いて検査条件を決定する検査条件決定部と、を備える検査装置が提供される。

また、他の例によれば、試料を搭載するステージと、前記試料に光を照射する照明光学系と、前記光の照射によって前記試料から発生した光を検出する複数の検出系と、を備える検査装置における検査条件決定方法が提供される。当該検査条件決定方法は、前記複数の検出系によって散乱光分布を測定する測定ステップと、計算機によって、散乱光分布から光学定数及びマイクロラフネスに関する情報を推定するためのモデルに、前記複数の検出系から得られた散乱光分布を当てはめ、前記光学定数及び前記マイクロラフネスに関する情報を推定する推定ステップと、前記計算機によって、前記推定された前記光学定数及び前記マイクロラフネスに関する情報、または、前記推定された前記光学定数及び前記マイクロラフネスに関する情報を元に計算された情報を用いて検査条件を決定する決定ステップと、を含む。

本発明によれば、表面の形状の情報を得るための検査装置において容易に検査条件を決定することができる。
本発明に関連する更なる特徴は、本明細書の記述、添付図面から明らかになるものである。また、上記した以外の、課題、構成及び効果は、以下の実施例の説明により明らかにされる。

検査装置の概略構成を示す図である。 複数の検出系の配置を示す図である。 検出系の構成例を示す図である。 ビームスポットの走査方法を示す図である。 各検出系からの出力信号を説明する図である。 計算機の構成の一例である。 測定した散乱光分布から光学定数とマイクロラフネスを推定し、最適な検査条件を出力するフローである。 ＰＳＤ関数の第１の例である。 ＰＳＤ関数の第２の例である。 ＰＳＤ関数の第３の例である。 測定した散乱光分布から光学定数とマイクロラフネスを推定するための機械学習法を説明する図である。 機械学習法により光学定数とＰＳＤ関数に対応する散乱光分布を表すモデルを作成するフローである。 フーリエ変換光学系の構成例を示す図である。 散乱光分布のデータをビームスポット毎に管理する例である。 ウェハの領域を複数の領域に分割し、分割した領域毎に散乱光分布のデータを管理する第１の例である。 ウェハの領域を複数の領域に分割し、分割した領域毎に散乱光分布のデータを管理する第２の例である。 ウェハの領域の任意の領域で散乱光分布のデータを管理する例である。 半導体ウェハの製造ラインでの各装置とその接続構成の一例である。 第３実施例における計算機の処理部の構成である。 第３実施例におけるプロセスモニタのフローである。 プロセスモニタにおける異常の判定の第１の例である。 プロセスモニタにおける異常の判定の第２の例である。 プロセスモニタにおける異常の判定の第３の例である。 プロセスモニタにおける異常の判定の第４の例である。

以下、添付図面を参照して本発明の実施例について説明する。なお、添付図面は本発明の原理に則った具体的な実施例を示しているが、これらは本発明の理解のためのものであり、決して本発明を限定的に解釈するために用いられるものではない。

以下で説明する実施例は、例えば、光散乱法を用いる表面形状の測定を行う検査装置に関するものであり、検査装置は、特に、半導体デバイス製造工程におけるウェハ表面の光学定数やマイクロラフネスの計測を行う。また、以下では、光学定数とマイクロラフネスを考慮して、欠陥検査に最適な検査条件を決定する技術を開示する。

ここで、検査条件とは、欠陥を検査するための条件であり、検査条件には、光学系の条件、ステージなどの駆動系の条件、及び検出系の条件の少なくとも１つが含まれる。光学系の条件としては、照射する光のパワー、偏光の条件など挙げられる。駆動系の条件としては、回転ステージの回転速度などが挙げられる。検出系の条件としては、検出器の感度（適切な感度の決定）、偏光の条件などが挙げられる。

また、ウェハ表面の光学定数としては、屈折率（ｎ：屈折率、ｋ：消衰係数）、膜厚、及び、膜屈折率（ｎ：屈折率、ｋ：消衰係数）が挙げられる。

［第１実施例］
本実施例では、装置構成と最適な検査条件作成の原理を説明する。図１Ａは、検査装置の概略構成を示す。検査装置は、主な構成要素として、試料（ウェハ）を搭載するステージと、試料に光を照射する照明光学系と、光の照射によって試料から発生した光を検出する複数の検出系と、を備える。

詳細には、図１Ａに示すように、検査装置は、ウェハ１０１を吸着するチャック１０２と、チャック１０２が装備された回転ステージ１０３と、回転ステージ１０３を搭載した直進ステージ１０４と、光源１０５と、レンズやミラー等を有する照明光学系１０６と、レンズやミラー等を有する複数の検出系１８１〜１８６と、信号処理系１０７と、装置内の各種構成要素を制御する制御系１０８と、操作系１０９と、計算機１１１とを備える。

計算機１１１は、ワークステーションやパーソナルコンピュータなどの情報処理装置によって構成されている。計算機１１１は、中央演算処理装置と、メモリと、外部記憶装置とを少なくとも備える。例えば、中央演算処理装置は、ＣＰＵ（Central Processing Unit）などのプロセッサ（又は演算部ともいう）で構成されている。また、外部記憶装置は、例えばハードディスクである。操作系１０９は、キーボードやポインティングデバイス（マウスなど）などの入力装置と、ディスプレイなどの出力装置を備える。

図１Ｂは、検出系１８１〜１８６の配置を示す。照明光学系１０６から供給される照明光が集束することで、ウェハ１０１の表面にはビームスポット１２１が形成される。ビームスポット１２１から発生した散乱光は複数の検出系１８１〜１８６によって検出される。検出系１８１〜１８６は、同一の仰角で、異なる方位角をもって配置される。

図１Ｃは、検出系１８３の構成例を示す（他の検出系についても同様である）。検出系１８３は、光軸１９３を有する検出光学系１９１と、光電変換素子１９２とを有する。ウェハ１０１に供給された照明光によってウェハ１０１上にビームスポット１２１が形成され、ビームスポット１２１から各仰角及び各方位角で光は散乱する。散乱光は、ある開口数を持つ検出光学系１９１によって集光される。検出光学系１９１は、複数のレンズ（レンズ群）を含んでおり、いわゆる集光光学系、又は結像光学系を構成する。集光された散乱光は、空間フィルタや偏光フィルタによって望ましくない光を遮光された上で、光電変換素子１９２によって光電変換される。光電変換された信号は、電流あるいは電圧として得られるので、その信号は、ＡＤ変換され、その後、信号処理系１０７によって処理される。なお、光電変換素子１９２の例としては、光電子増倍管、アバランシェホトダイオードアレイ、マルチピクセルホトンカウンタが挙げられる。

図１Ｄは、ビームスポット１２１の走査方法を示す。ウェハ１０１は、直進ステージ１０４により矢印１３２の方向に直進しながら、回転ステージ１０３により矢印１３１のように回転する。この直進動作、及び回転動作によってビームスポット１２１はウェハ１０１の全面を走査することになり、その軌跡は同心円状または螺旋状となる。ビームスポット１２１の座標は、中心からの距離と回転角度（いわゆる極座標系）で管理できる。回転角度は、ウェハ１０１上に仮想した基準線１３５（例えば、ノッチ１３４とウェハ中心とを通る半直線）を基準に表現できる。

図１Ｅは、各検出系１８１〜１８６からの出力信号を説明する図である。横軸１４１は時間またはステージの回転方向１３１と同じ方向の座標であり、縦軸１４２は出力信号の大きさである。ウェハ１０１のマイクロラフネスを始め、光学定数（屈折率、膜厚、及び膜の屈折率）に起因する散乱光が検出系１８１〜１８６に入射し、検出系１８１〜１８６それぞれに１４３に示す波形が得られる。これをヘイズ信号という。このヘイズ信号の値と座標を、検出系１８１〜１８６ごとに保存する。なお、複数の検出系１８１〜１８６からの出力信号は、ビームスポット１２１から発生した散乱光の空間的な分布を表すものであり、これら検出系１８１〜１８６からの出力信号の情報を以下では、散乱光分布と呼ぶ。

また、ビームスポット１２１が欠陥等を横切ると、特に大きな信号１４４が検出される。この欠陥信号１４４は、信号処理系１０７において、例えば高域通過フィルタ（ＨＰＦ）によってヘイズ信号１４３と分離され、欠陥としてその値と座標が保存される。

ヘイズ信号１４３と欠陥信号１４４の取扱いについて述べる。ヘイズ信号１４３から欠陥信号１４４を除くためには、先に述べた周波数領域での分離の他に、信号の大きさで判定することも可能である。つまり、ある大きさ（閾値）以下であれば、取得された信号はヘイズ信号であるとする。この閾値は、予め固定値として設定する他、ヘイズ信号であると明らかに判断できる信号から、リアルタイムに設定することも可能である。

また、ヘイズ信号を取得する方法として、ヘイズ信号１４３から欠陥信号１４４を分離しない方法もある。例えば、ある時間またはウェハ領域において、検出系１８１〜１８６からの信号を平均化（マージ）する方法である。平均化の方法としては、６個の検出系１８１〜１８６を、複数の集団に分割して、分割した集団毎に平均化を行う方法が挙げられる。より具体的には、検出系１８１と検出系１８６とを第１集団、検出系１８２と検出系１８５とを第２集団、検出系１８３と検出系１８４とを第３集団として、集団毎に平均化を行うという方法が考えられる。いずれの検出系を組み合わせるかは作業者が任意に設定可能であるが、マイクロラフネスに起因する変化を鋭敏に捕捉できる組み合わせとなることが望ましい。散乱光によるセンサ出力の取得間隔が十分細かいとき、取得信号に対する欠陥信号の頻度は非常に小さい。そのため、欠陥信号１４４の強度がヘイズ信号１４３の強度より大きくとも、平均化後の欠陥信号はヘイズ信号と同視して取り扱えるであろうということである。また、平均化を行うと、信号処理系１０７の処理負荷を小さくできるという利点も有する。以上、ウェハ全面における各検出系に入射する散乱光分布の測定方法を述べた。

次に、測定した散乱光分布から最適な検査条件を求めるための構成及び手順を説明する。検査条件を求める手順は、（１）散乱光分布からマイクロラフネスに関する情報と光学定数を推定する手順と、（２）マイクロラフネスに関する情報と光学定数から最適な検査条件を求める手順に大別される。

マイクロラフネスの表現方法であるＰＳＤ関数について説明する。表面形状を３次元座標（Ｘ， Ｙ， Ｚ）で表現するとき、高さＺを（Ｘ， Ｙ）に関して２次元フーリエ変換し、その振幅を二乗したものを空間周波数スペクトルと表現することができる。空間周波数スペクトルは（Ｘ， Ｙ）の逆数である（ｆｘ， ｆｙ）を変数とする関数Ｐ（ｆｘ， ｆｙ）となる。このＰをｆｒ＝√（ｆｘ×ｆｘ＋ｆｙ×ｆｙ）を用いて表したＰ（ｆｒ）がパワースペクトル密度（Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ Ｄｅｎｓｉｔｙ： ＰＳＤ）関数である。ＰＳＤ関数は、表面粗さの大きさと周期の情報を持つ。つまり、ＰＳＤ関数を得るということは表面形状、つまりマイクロラフネスの情報を得ることと実質的に等価であると表現することもできる。以降、マイクロラフネスに関する情報をＰＳＤ関数と表現する。

次に図３Ａ〜図３Ｃを用いて、本実施例で推定するＰＳＤ関数について説明する。横軸３０１は前述したｆ＝ｆｒ、縦軸３０２は空間周波数スペクトルの大きさであり、両対数グラフとしている。

図３Ａは第１のＰＳＤ関数であり、以降、ＡＢＣモデルと称する。ＡＢＣモデルは、表面粗さの空間周波数ｆに対して、パラメータＡ， Ｂ， Ｃを用いてＰＳＤ（ｆ）＝Ａ／（１＋Ｂｆ^２）^Ｃ／２で表せる。低周波数側でＰＳＤが一定の値をとり、高周波数側でＰＳＤが小さくなる。低周波数側の一定値をＡ、高周波数側の傾きを−Ｃ／２、分岐点の空間周波数を１／Ｂとなる。

図３Ｂは第２のＰＳＤ関数であり、以降、Ｆｒａｃｔａｌ ＡＢＣモデルと称する。パラメータＡ， Ｂ， Ｃ， Ｋ， Ｍを用いてＰＳＤ（ｆ）＝Ａ／（１＋Ｂｆ^２）^Ｃ／２＋Ｋ／ｆ^Ｍで表せる。Ｆｒａｃｔａｌ ＡＢＣモデルは、ＡＢＣモデルに対して低周波数側が切片Ｋ、傾き−Ｍで大きくなることを特徴とする。

図３Ｃは第３のＰＳＤ関数であり、以降、Ｄｏｕｂｌｅ ＡＢＣモデルと称する。パラメータＡ１， Ｂ１， Ｃ１， Ａ２， Ｂ２， Ｃ２を用いてＰＳＤ（ｆ）＝Ａ_１／（１＋Ｂ_１ｆ^２）^Ｃ１／２＋Ａ_２／（１＋Ｂ_２ｆ^２）^Ｃ２／２で表せる。異なる２つのＡＢＣモデルの加算となっている。以上、ＰＳＤ関数について説明したが、ＰＳＤ関数はこれらに限定されず、異なる波形のＰＳＤ関数を定義できる。図３Ａ〜図３Ｃに示す通り、ＰＳＤ関数は連続的な滑らかな関数となる。

次に、検査条件を求めるための構成について説明する。図２Ａは、計算機１１１の構成の一例である。計算機１１１は、検査条件を求めるための各種処理部を備える。計算機１１１の各種処理部は、それぞれの機能を実現するプログラムにより実現されてもよい。すなわち、計算機１１１の処理部は、プログラムコードとしてメモリに格納され、プロセッサが各プログラムコードを実行することによって実現されてもよい。

計算機１１１は、散乱光分布入力部２０１と、画面入力部２０２と、推定部２０３と、検査条件決定部２０４と、散乱光計算部２０５と、散乱光分布計算部２０６と、機械学習部２０７とを備える。計算機１１１の記憶装置は、モデル格納部２０８と、検査条件データベース２０９とを含む。

散乱光分布入力部２０１は、例えば記憶装置に格納されている検出系１８１〜１８６の測定結果（散乱光分布）を取得し、散乱光分布を推定部２０３に入力する。画面入力部２０２は、操作系１０９のディスプレイなどにインタフェースを表示し、ユーザからの入力情報を受付ける。ユーザからの入力情報としては、対象となるウェハ１０１の材料や膜厚の概算値、検査条件に対するユーザの要求の情報などが含まれる。

推定部２０３は、上記の散乱光分布をモデル格納部２０８に格納されているモデルに当てはめ、光学定数（屈折率、膜厚、及び、膜屈折率）及びＰＳＤ関数を出力する。検査条件決定部２０４は、推定部２０３によって出力された光学定数及びＰＳＤ関数を用いて検査条件を決定する。

検査条件の決定方法の第１の例として、検査条件決定部２０４は、推定部２０３によって出力された光学定数及びＰＳＤ関数を用いて検査条件データベース２０９を参照し、検査条件を出力する。検査条件データベース２０９は、光学定数及びＰＳＤ関数の組み合わせと検査条件とが関連付けられたテーブルを備える。したがって、検査条件決定部２０４は、検査条件データベース２０９を用いて、推定された光学定数及びＰＳＤ関数の組み合わせから、対応する検査条件を出力することができる。

検査条件の決定方法の第２の例として、検査条件決定部２０４は、推定部２０３によって出力された光学定数及びＰＳＤ関数を元に計算された情報（以下で説明する欠陥の散乱光に関する情報）をディスプレイなどに表示する。検査条件決定部２０４は、ユーザからの入力情報を受付け、これにより、検査条件を決定する。

散乱光計算部２０５は、推定部２０３によって出力された光学定数及びＰＳＤ関数を元に、欠陥の散乱光に関する情報を計算する。欠陥の散乱光に関する情報としては、光の強度、光の空間分布、光の偏光状態を表す情報などが挙げられる。欠陥の散乱光に関する情報は、光の反射モデルを用いることで計算できる。一例として、欠陥の散乱光に関する情報は、ＢＲＤＦ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｒｅｆｌｅｃｔａｎｃｅ Ｄｉｓｔｒｉｂｕｔｉｏｎ Ｆｕｎｃｔｉｏｎ）を用いて計算することができる。

散乱光分布計算部２０６は、光学定数及びＰＳＤ関数の組み合わせの数種類のセットから散乱光分布を計算し、計算された散乱光分布を機械学習部２０７に入力する。機械学習部２０７は、数種類の光学定数及びＰＳＤ関数の組み合わせを元に、ＳＶＲ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）法を用いて、散乱光分布から光学定数及びＰＳＤ関数を推定するためのモデル（例えば、識別関数）を求める。求められたモデルは、記憶装置のモデル格納部２０８に格納される。

次に、図２Ｂを用いて、散乱光分布から光学定数とＰＳＤ関数を推定し、最適な検査条件の決定を支援する手順を説明する。まず、図１Ａ〜図１Ｅで説明した方法で、検出系１８１〜１８６により散乱光分布を測定する（２２１）。散乱光分布の測定は、例えば、ウェハ全面に対して行われ、ウェハ全面における散乱光分布は、例えば、信号処理系１０７あるいは計算機１１１の記憶装置に保存されていてもよい。次に、散乱光分布入力部２０１は、保存されている散乱光分布を取得し、散乱光分布の情報を推定部２０３に入力する（２２２）。

次に、画面入力部２０２は、操作系１０９のディスプレイなどにインタフェースを表示し、ユーザからの入力情報を受付ける（２２３）。ユーザからの入力情報としては、対象となるウェハ１０１の材料や膜厚の概算値である。ウェハ１０１の材料（シリコン、酸化膜）によって、屈折率が異なる。計算機１１１の記憶装置には、例えば、ウェハ１０１の材料と、その材料における屈折率の値（例えば、代表値）あるいはその範囲の情報とが関連付けられて格納されている。この情報は、後述する光学定数及びＰＳＤ関数のステップ（２２５）で用いてもよい。なお、以降の処理で概算値を使用しない場合は、ステップ２２３を省略することも可能である。

次に、推定部２０３は、モデル格納部２０８に格納されている機械学習法のモデルを取得し、そのモデルに上記の散乱光分布を当てはめ、光学定数（屈折率、膜厚、及び、膜屈折率）及びＰＳＤ関数を推定する（２２４）。その後、推定部２０３は、光学定数（屈折率、膜厚、及び、膜屈折率）及びＰＳＤ関数を出力する（２２５）。ここで、推定部２０３は、ステップ２２３で入力された情報を用いてもよい。例えば、異なる光学定数の場合でも、同じような散乱光分布が得られる可能性がある。つまり、ある散乱光分布が得られた場合、推定結果として光学定数及びＰＳＤ関数について複数の候補が得られる可能性がある。したがって、推定部２０３は、ステップ２２３で入力された入力情報から得られた情報（屈折率の代表値や膜厚の概算値）に基づいて、複数の候補から概算値に近い光学定数及びＰＳＤ関数を出力してもよい。概算値の情報を用いることで、推定部２０３での推定の精度をより向上させることができる。なお、複数の候補が得られた場合、それらの候補をそのまま以降のステップで使用してもよい。この場合、複数の候補に対して以降の処理を実施した後、複数の検査条件をディスプレイに出力し、ユーザに選択させるようにしてもよい。

次に、ユーザが、例えば操作系１０９を介して、データベースの参照を行うか、欠陥の散乱光分布を計算するかを選択する（２２６）。データベースの参照を行う場合、ステップ２２７へ進む。この場合、検査条件決定部２０４は、推定部２０３によって出力された光学定数及びＰＳＤ関数を用いて検査条件データベース２０９を参照し、対応する検査条件を出力する（２２７）。

次に、ユーザが、操作系１０９を介して検査条件に対するユーザの要求を入力する（２２８）。画面入力部２０２は、操作系１０９のディスプレイなどにインタフェースを表示し、検査条件に対するユーザの要求情報を受付ける。ユーザの要求条件としては、スループット、ウェハへのダメージ、検出器の感度に関する情報などである。スループットは、例えば、単位時間あたりにどれだけ検査できるかの情報であり、駆動系の検査条件（回転ステージ１０３の回転速度など）に関連する。ウェハへのダメージは、主に光学系の検査条件（例えば、照射する光のパワー）に関連する。検出器の感度は、検出系の検査条件に関連する。なお、ステップ２２８は、ステップ２２９より前の段階であれば、どの時点で行われてもよい。

また、ステップ２２８を省略することも可能である。例えば、ステップ２２７で出力された検査条件を操作系１０９のディスプレイなどに表示し、その後、ユーザに選択させる形式でもよい。

検査条件決定部２０４は、ステップ２２７で出力された検査条件及びユーザの要求条件に基づいて、最適な検査条件を出力する（２２９）。例えば、検査条件決定部２０４は、複数の検査条件の候補がある場合、ユーザの要求条件を満たす検査条件を出力してもよい。また、検査条件決定部２０４は、ステップ２２７で出力された検査条件がユーザの要求条件を満たすかを判定し、その判定結果も操作系１０９のディスプレイなどにインタフェースに表示するなどしてもよい。なお、検査条件決定部２０４は、ステップ２２７で出力された検査条件が１つであれば、その検査条件をそのまま出力してもよい。最後に、決定した検査条件を用いて欠陥検査を開始する（２３２）。

ステップ２２６において、欠陥の散乱光分布を計算することを選択した場合、ステップ２３０へ進む。ステップ２３０に進んだ場合、散乱光計算部２０５は、推定部２０３によって出力された光学定数及びＰＳＤ関数を元に、欠陥の散乱光に関する情報を計算する（２３０）。散乱光計算部２０５は、上述したＢＲＤＦを用いて、光の強度、光の空間分布、光の偏光状態を表す情報を出力する。次に、検査条件決定部２０４は、これらの情報を操作系１０９のディスプレイなどに表示し、ユーザからの検査条件の入力を受付け、これにより、検査条件を決定する（２３１）。最後に、決定した検査条件を用いて欠陥検査を開始する（２３２）。ユーザは、表示された欠陥の散乱光に関する情報を参考に、検査条件を決定することができる。従来では、ユーザの経験則で検査条件を決定していたが、これに対して、本実施例では、欠陥の散乱光に関する情報を参考にして検査条件を決定することができ、検査条件の決定が容易になる。

なお、本例では、欠陥の散乱光に関する情報を参考にユーザ自身が検査条件を決定しているが、別の方法によって検査条件を決定してもよい。例えば、計算機１１１の検査条件データベース２０９が、欠陥の散乱光に関する情報（光の強度、光の空間分布、光の偏光状態など）と検査条件とが関連付けられたテーブルを備えてもよい。この場合、散乱光計算部２０５は、当該テーブルを参照し、対応する検査条件を出力してもよい。

また、本例では、ステップ２２６において、データベースの参照を行うか、あるいは欠陥の散乱光分布を計算するかをユーザに選択させたが、この例に限定されない。例えば、検査条件データベース２０９の参照ステップを実行し、対応する検査条件が見つからない場合に、欠陥の散乱光に関する情報を計算するフローとしてもよい。この場合、検査条件データベース２０９に一致しない光学定数及びＰＳＤ関数の組み合わせに対しては、表示された欠陥の散乱光に関する情報を参考に、ユーザが検査条件を決定することができる。

次に、図４Ａを用いて散乱光分布から光学定数とＰＳＤ関数を推定する手段である機械学習法の一つ、ＳＶＲ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）法を説明する。これは、ある入力（ここでは光学定数とＰＳＤ関数）に対する出力（ここでは散乱光分布）が連続量となる場合に用いられる。

図４Ａでは、機械学習法から作成されるモデルの概念を分かり易くするために、１変数１出力（横軸を光学定数とし、縦軸を散乱光分布とする）の例で説明する。まず、光学定数及びＰＳＤ関数の数種類の組み合わせを用意する。光学定数及びＰＳＤ関数の数種類の組み合わせのそれぞれに対して散乱光分布を計算する。ここでは、図４Ａにおいて四角で示される複数の散乱光分布４０１が計算されたと仮定する。光学定数及びＰＳＤ関数の数種類の組み合わせと、それに対応する複数の散乱光分布４０１とをサンプル集合としてＳＶＲ法により学習し、光学定数とＰＳＤ関数に対応する散乱光分布を表すモデル４０２（点線で示す関数）を作成する。これにより、例えば、ある散乱光分布４０３が測定された場合に、モデル４０２を用いて、対応する光学定数を出力することが可能となる。なお、一般に、光学定数とＰＳＤ関数の変数は３〜１０以上、散乱光分布の測定値は３以上扱うことになる。

図４Ｂは、機械学習法により光学定数とＰＳＤ関数に対応する散乱光分布を表すモデルを作成するフローである。まず、光学定数及びＰＳＤ関数の組み合わせを複数用意する。散乱光分布計算部２０６は、数種類の光学定数とＰＳＤ関数に対する散乱光分布を計算する（４０４）。散乱光分布計算部２０６は、計算された散乱光分布を機械学習部２０７に入力する。次に、機械学習部２０７は、光学定数及びＰＳＤ関数の数種類の組み合わせと、それに対応する複数の散乱光分布とをサンプル集合としてＳＶＲ法により学習し、光学定数とＰＳＤ関数に対応する散乱光分布を表すモデルを作成する（４０５）。機械学習部２０７は、作成されたモデルを記憶装置のモデル格納部２０８に格納する。

したがって、本実施例では、テーブル参照法（すなわち、散乱光分布と光学定数及びＰＳＤ関数の組み合わせとを関連付けたテーブルを作成し、そのテーブルを参照するような手法）に比べて、ＳＶＲ法を用いることで実時間で光学定数とＰＳＤ関数の推定が可能となる。

なお、検出系１８１〜１８６は集光光学系及び結像光学系を含む例として説明したが、これに限定されない。図５は、検出系１８３の別の構成例を示す（他の検出系についても同様である）。検出系１８３はフーリエ変換光学系を含む。検出系１８３は、散乱光を光軸１９３と実質的に平行な平行光で送る検出光学系９０１と、その平行光を検出するセンサ９０２（例えば、ＣＣＤなど）とを備える。検出系１８３がフーリエ変換光学系である場合、ウェハ１０１からの散乱光は検出光学系９０１によってコリメートされ光軸１９３と実質的に平行な平行光となる。平行光は、複数の光電変換素子が配列されたセンサ９０２によって光電変換されることになる。検出系１８１〜１８６にフーリエ変換光学系を採用すれば、散乱光の空間分布をより高分解能で測定することが可能となり、光学定数及びＰＳＤ関数の推定精度が向上する。また、検出系の数を増やすことでも同様の効果が得られる。

上記の実施例によれば、表面の形状の情報を得るための検査装置において容易に検査条件を決定することができ、従来に比べて短い時間で最適な検査条件を決定することができる。特に、検査条件データベース２０９を参照する場合には、推定された光学定数とＰＳＤ関数に基づいて、対応する検査条件を自動的に出力することができる。また、上記の実施例によれば、出力された検査条件とユーザの要求条件とを考慮して、最適な検査条件を決定することもできる。また、推定された光学定数とＰＳＤ関数を元に欠陥の散乱光に関する情報を計算する場合には、ユーザが、欠陥の散乱光に関する情報を参考にして検査条件を決定することができ、検査条件の決定が容易になる。

［第２実施例］
第１実施例では、ウェハ上のビームスポット１点からの散乱光分布を測定し、光学定数とＰＳＤ関数を推定し、最適な検査条件を求める方法を説明した。本実施例では、ウェハ全面におけるデータの取り扱い方を説明する。

図６Ａは、各ビームスポット１０１２（１スポットの大きさは数μｍ^２）のデータ（散乱光分布、ＰＳＤ関数のパラメータなど）を全て管理する様子を示す。ここで管理とは、ある単位領域毎に得られたデータを信号処理系１０７あるいは計算機１１１に保存すること、ある単位領域毎に得られたデータを操作系１０９内のディスプレイ等に表示することが含まれる。

図６Ａに示すように、ウェハ面１００１を同心円または螺旋状に走査すると、半径方向に境界線１０１１を定義することができる。境界線１０１１の間隔はビームスポットの半径方向の長さに実質的に対応する。さらに２つの境界線１０１１の間の領域を周方向に複数に分割して、１ビームスポット１０１２ごとに値を管理する。つまり、図６Ａは実質的にビームスポット１０１２の面積毎に得られたデータを管理すると表現することができる。この例において、検査条件を求めるフローは図２Ｂと同様であり、ステップ２２２において散乱光分布入力部２０１が入力する散乱光分布のデータは、１ビームスポット１０１２ごとのデータとなる。この例では、１ビームスポット１０１２ごとの細かな領域で最適な検査条件を決定することができる。

次に、データをマージする領域について、図６Ｂ〜図６Ｄを用いて説明する。例えば、ビームスポットの大きさよりも大きな単位領域毎に得られたデータを管理することも可能である。図６Ｂは、ウェハを複数の領域に分割した第１の例である。この例では、ウェハの領域を、半径方向の境界線１０２１、１０２２と周方向の境界線１０２３、１０２４、１０２５で分割する。境界線１０２１、１０２２の間隔はビームスポットの半径方向の長さよりも長く、境界線１０２３、１０２４、１０２５の間隔はビームスポットの周方向の長さよりも長い。したがって、これらの境界線１０２１、１０２２、１０２３、１０２４、１０２５で定義される単位領域の面積はビームスポットの面積よりも大きくなる。この単位領域毎に、散乱光分布のデータを平均化して値を管理してもよい。

この例では、検査条件を求めるフローは図２Ｂと同様であるが、ステップ２２２での処理内容が異なる。ステップ２２２では、散乱光分布入力部２０１は、保存されている散乱光分布を取得し、図６Ｂで示す単位領域毎で散乱光分布のデータを平均化する。散乱光分布入力部２０１は、平均化された散乱光分布のデータを推定部２０３に入力する。この構成によれば、ビームスポット毎にデータを管理する場合に比べて、処理時間の短縮の効果がある。

図６Ｃは、ウェハを複数の領域に分割した第２の例である。図６Ｃに示すように、ウェハ上に形成されるべき所定のパタンの設計データ（例えば、ダイの分割パタン）に従ってデータを管理ことも可能である。この例では、ウェハ上に作製するダイのデータ（例えば、座標、寸法）を参照し、単位領域１０３１を決定する。この単位領域１０３１内でデータを平均化し、平均化された値を管理する。この設計データは、信号処理系１０７のメモリあるいは計算機１１１の記憶装置に予め保存しておいてもよいし、ネットワークを経由して外部の処理装置からダウンロードしてもよい。

この例では、検査条件を求めるフローは図２Ｂと同様であるが、ステップ２２２での処理内容が異なる。ステップ２２２では、散乱光分布入力部２０１は、保存されている散乱光分布及び設計データを取得し、図６Ｃで示す単位領域毎で散乱光分布のデータを平均化する。散乱光分布入力部２０１は、平均化された散乱光分布のデータを推定部２０３に入力する。この構成によれば、ダイの分割パタンに合わせて検査条件を決定することができる。

さらに、図６Ｄに示すように、ユーザが指定する任意領域においてデータを管理することも可能である。この例では、ユーザが、操作系１０９の入力装置を用いてマウスポインタ１０４１でウェハマップ上の任意形状の領域１０４２を指定し、この領域１０４２が単位領域となる。散乱光分布入力部２０１は、保存されている散乱光分布を取得し、図６Ｄで示す領域１０４２で散乱光分布のデータを平均化する。散乱光分布入力部２０１は、平均化された散乱光分布のデータを推定部２０３に入力する。この構成によれば、ユーザが指定した任意の領域毎で検査条件を決定することができる。

図６Ａ〜図６Ｄまでいずれの管理方法を採用するかは、ユーザが任意に決定すれば良い。図６Ｂ〜図６Ｄで示す領域毎に光学定数とＰＳＤ関数を管理することで、ウェハ全面の情報を効率よく管理することができる。また、各領域で最適な検査条件にすることで、ウェハ上の欠陥を高感度に検査するこができる。

［第３実施例］
第３実施例は、上述した実施例で開示される内容を、ウェハ処理工程の異常を監視するシステム（所謂プロセスモニタ）として応用する実施例である。

図７Ａは、半導体ウェハの製造ラインでの各装置とその接続構成の一例を示す。図７Ａに示すように、半導体製造装置７０２及び検査装置７０３が、データ管理サーバ７０１とネットワーク７０４によって相互に接続されている。半導体製造装置７０２は、研磨、洗浄、成膜、エッチングなどを行う半導体ウェハの製造装置である。検査装置７０３は、上述した図１Ａの検査装置に相当する。本例では、検査装置７０３は、データ管理サーバ７０１を介して半導体製造装置２へのフィードバックが可能な構成である。

図７Ｂは、本実施例における計算機１１１の処理部の構成である。図７Ｂにおいて、図２Ａの処理部と同じ構成については同じ符号を付し、これらの構成・動作は同じであるため説明を省略する。本実施例では、図２Ａの構成に対して異常判定部７０５が追加されている。異常判定部７０５は、推定部２０３によって出力された光学定数及びＰＳＤ関数を元に、半導体製造装置７０２での異常を判定する。また、異常判定部７０５は、決定された検査条件による検査によって抽出された異物検出結果を元に、半導体製造装置７０２での異常を判定する。

図８は、本実施例のプロセスモニタのフローを示す。まず、ウェハは半導体製造装置７０２へ搬送される（１４０１）。次に、搬送されたウェハに対して所定の処理が施される（１４０２）。ここで、処理には、ウェハに対する研磨、洗浄、成膜、エッチングが含まれる。

半導体製造装置７０２で所定の処理が行われたウェハが検査装置７０３に搬送され、検査装置７０３において上述した第１実施例あるいは第２実施例で開示した内容によって表面の計測が行われる（１４０３）。

ステップ１４０３の第１の例として、図２Ｂの２２１〜２２５のステップが実行される。ステップ２２５では、光学定数及びＰＳＤ関数が出力される。次に、異常判定部７０５が、出力された光学定数の情報に基づいて製造装置において異常があるかを判定する（１４０４）。

図９Ａは、ステップ１４０４での異常の判定の第１の例を説明する図である。例えば、異常判定部７０５は、時間軸に対して屈折率１４０９の値を記録する。屈折率について仕様の上限値及び下限値の少なくとも一方が設定されている。図９Ａでは、仕様の上限値及び下限値の両方が設定されている。異常判定部７０５は、光学定数の屈折率１４０９が仕様の上限値及び下限値から定められる範囲からはずれた場合に、異常があると判定してもよい。

図９Ｂは、ステップ１４０４での異常の判定の第２の例を説明する図である。例えば、異常判定部７０５は、時間軸に対して膜厚１４０８の値を記録する。図９Ｂでは、仕様の上限値及び下限値の両方が設定されている。異常判定部７０５は、光学定数の膜厚１４０８が仕様の上限値及び下限値から定められる範囲からはずれた場合に、異常があると判定してもよい。

図９Ｃは、ステップ１４０４での異常の判定の第３の例を説明する図例えば、異常判定部７０５は、時間軸に対して粗さ１４０７を表す値を記録する。粗さ１４０７は例えば、マイクロラフネスに関連する値を採用してもよい。図９Ｃでは、仕様の上限値及び下限値の両方が設定されている。異常判定部７０５は、粗さ１４０７を表す値が仕様の上限値及び下限値から定められる範囲からはずれた場合に、異常があると判定してもよい。

ステップ１４０３の第２の例として、図２Ｂの２２１〜２３２のステップが実行される。ステップ２３２の検査で発見された異物の数を記録する。次に、異常判定部７０５が、異物の検出数に基づいて製造装置において異常があるかを判定する（１４０４）。図９Ｄは、ステップ１４０４での異常の判定の第４の例を説明する図である。異常判定部７０５は、異物検出数１４０６が仕様の上限値からはずれた場合に、異常があると判定してもよい。

ステップ１４０４で異物があると判定された場合、異常判定部７０５は、その結果を半導体製造装置７０２へフィードバックする（１４０５）。フィードバックされる情報には、研磨条件の変更、洗浄条件の変更、成膜条件の変更、エッチング条件の変更が含まれる。異常がなければプロセスモニタリングは終了する。

本実施例によれば、検査装置で推定される光学定数やマイクロラフネスに関する情報、及び、異物の検出数の情報などをウェハ全面に対して管理し、かつ、時間軸とともに複数のウェハに対して管理することで、プロセス異常の早期発見、さらには異常の原因究明に活用できる。例えば、図９Ｂ及び図９Ｃに示すように、半導体製造装置７０２で異常が発生したとき、ある時間から数値が仕様範囲の境界部分に向かって上昇あるいは下降したり、あるいは、ある時点から仕様からはずれ続けるなどの傾向を示す場合がある。本実施例では、このような傾向をモニタすることにより、プロセス異常の早期発見が可能となる。

本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。上記実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることもできる。また、ある実施例の構成に他の実施例の構成を加えることもできる。また、各実施例の構成の一部について、他の構成を追加・削除・置換することもできる。

上記の計算機１１１の処理手段などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリやハードディスク、ＳＳＤ（Solid State Drive）などの記憶装置、または、ＩＣカード、ＳＤカード、ＤＶＤなどの記憶媒体に置くことができる。また、上記で説明した計算機１１１の処理手段などは、それらの一部あるいは全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。

また、図面における制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていてもよい。

１０１・・・ウェハ
１０２・・・チャック
１０３・・・回転ステージ
１０４・・・直進ステージ
１０５・・・光源
１０６・・・照明光学系
１０７・・・信号処理系
１０８・・・制御系
１０９・・・操作系
１１１・・・計算機
１８１・・・検出系
１８２・・・検出系
１８３・・・検出系
１８４・・・検出系
１８５・・・検出系
１８６・・・検出系
１９１・・・検出光学系
１９２・・・光電変換素子
１９３・・・光軸
２０１・・・散乱光分布入力部
２０２・・・画面入力部
２０３・・・推定部
２０４・・・検査条件決定部
２０５・・・散乱光計算部
２０６・・・散乱光分布計算部
２０７・・・機械学習部
２０８・・・モデル格納部
２０９・・・検査条件データベース
７０１・・・データ管理サーバ
７０２・・・半導体製造装置
７０３・・・検査装置
７０４・・・ネットワーク
７０５・・・異常判定部
９０１・・・検出光学系
９０２・・・センサ

Claims (23)

1. 試料を搭載するステージと、
   前記試料に光を照射する照明光学系と、
   前記光の照射によって前記試料から発生した光を検出する複数の検出系と、
   を備える検査装置において、
   散乱光分布から光学定数及びマイクロラフネスに関する情報を推定するためのモデルを格納する記憶装置と、
   前記複数の検出系から得られた散乱光分布を前記モデルに当てはめ、前記光学定数及び前記マイクロラフネスに関する情報を推定する推定部と、
   前記推定された前記光学定数及び前記マイクロラフネスに関する情報、または、前記推定された前記光学定数及び前記マイクロラフネスに関する情報を元に計算された情報を用いて検査条件を決定する検査条件決定部と、
   を備えることを特徴とする検査装置。
2. 請求項１に記載の検査装置において、
   前記記憶装置が、前記光学定数及び前記マイクロラフネスに関する情報と前記検査条件とが関連付けられて格納された検査条件データベースをさらに格納しており、
   前記検査条件決定部は、前記推定された前記光学定数及び前記マイクロラフネスに関する情報を用いて前記検査条件データベースを参照し、対応する検査条件を出力することを特徴とする検査装置。
3. 請求項１に記載の検査装置において、
   表示部と、
   前記推定された前記光学定数及び前記マイクロラフネスに関する情報を用いて、前記試料上の欠陥の散乱光に関する情報を計算する散乱光計算部と、をさらに備え、
   前記検査条件決定部は、前記欠陥の散乱光に関する情報を前記表示部に表示し、ユーザからの入力情報に基づいて前記検査条件を決定することを特徴とする検査装置。
4. 請求項１に記載の検査装置において、
   前記光学定数及び前記マイクロラフネスに関する情報の複数の組み合わせから散乱光分布を計算する散乱光分布計算部と、
   前記複数の組み合わせと、前記散乱光分布計算部によって計算された前記散乱光分布とをサンプル集合として学習し、前記モデルを作成する機械学習部と、
   をさらに備えることを特徴とする検査装置。
5. 請求項４に記載の検査装置において、
   前記機械学習部は、ＳＶＲ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）法を用いて前記モデルを作成することを特徴とする検査装置。
6. 請求項１に記載の検査装置において、
   前記マイクロラフネスに関する情報は、パワースペクトル密度（Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ Ｄｅｎｓｉｔｙ：ＰＳＤ）関数であることを特徴とする検査装置。
7. 請求項１に記載の検査装置において、
   前記光学定数は、屈折率、膜厚、及び、膜屈折率の少なくとも１つを含むことを特徴とする検査装置。
8. 請求項１に記載の検査装置において、
   前記検査条件は、前記照明光学系の条件、前記ステージの条件、及び前記検出系の条件の少なくとも１つを含むことを特徴とする検査装置。
9. 請求項１に記載の検査装置において、
   前記複数の検出系から得られた散乱光分布を単位領域毎で平均化し、当該平均化された散乱光分布を前記推定部に入力する散乱光分布入力部をさらに備えることを特徴とする検査装置。
10. 請求項１に記載の検査装置において、
    前記推定された前記光学定数及び前記マイクロラフネスに関する情報を用いて、前記試料の製造装置での異常を判定する異常判定部をさらに備えることを特徴とする検査装置。
11. 請求項１０に記載の検査装置において、
    前記異常判定部は、前記検査条件決定部で決定された前記検査条件での検査によって抽出された異物検出数を用いて前記製造装置での異常を判定することを特徴とする検査装置。
12. 請求項１に記載の検査装置において、
    前記検出系は、フーリエ変換光学系を含むことを特徴とする検査装置。
13. 試料を搭載するステージと、前記試料に光を照射する照明光学系と、前記光の照射によって前記試料から発生した光を検出する複数の検出系と、を備える検査装置における検査条件決定方法であって、
    前記複数の検出系によって散乱光分布を測定する測定ステップと、
    計算機によって、散乱光分布から光学定数及びマイクロラフネスに関する情報を推定するためのモデルに、前記複数の検出系から得られた散乱光分布を当てはめ、前記光学定数及び前記マイクロラフネスに関する情報を推定する推定ステップと、
    前記計算機によって、前記推定された前記光学定数及び前記マイクロラフネスに関する情報、または、前記推定された前記光学定数及び前記マイクロラフネスに関する情報を元に計算された情報を用いて検査条件を決定する決定ステップと、
    を含むことを特徴とする検査条件決定方法。
14. 請求項１３に記載の検査条件決定方法において、
    前記決定ステップは、
    前記推定された前記光学定数及び前記マイクロラフネスに関する情報を用いて、前記光学定数及び前記マイクロラフネスに関する情報と前記検査条件とが関連付けられて格納された検査条件データベースを参照し、対応する検査条件を出力することを含む、検査条件決定方法。
15. 請求項１３に記載の検査条件決定方法において、
    前記決定ステップは、
    前記推定された前記光学定数及び前記マイクロラフネスに関する情報を用いて、前記試料上の欠陥の散乱光に関する情報を計算することと、
    前記欠陥の散乱光に関する情報を表示部に表示し、ユーザからの入力情報に基づいて前記検査条件を決定することと、
    を含むことを特徴とする検査条件決定方法。
16. 請求項１３に記載の検査条件決定方法において、
    前記計算機によって、前記光学定数及び前記マイクロラフネスに関する情報の複数の組み合わせから散乱光分布を計算する計算ステップと、
    前記計算機によって、前記複数の組み合わせと、前記計算ステップによって計算された前記散乱光分布とをサンプル集合として学習し、前記モデルを作成する機械学習ステップと、
    をさらに含むことを特徴とする検査条件決定方法。
17. 請求項１６に記載の検査条件決定方法において、
    前記機械学習ステップは、ＳＶＲ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）法を用いて前記モデルを作成することを含むことを特徴とする検査条件決定方法。
18. 請求項１３に記載の検査条件決定方法において、
    前記マイクロラフネスに関する情報は、パワースペクトル密度（Ｐｏｗｅｒ Ｓｐｅｃｔｒａｌ Ｄｅｎｓｉｔｙ：ＰＳＤ）関数であることを特徴とする検査条件決定方法。
19. 請求項１３に記載の検査条件決定方法において、
    前記光学定数は、屈折率、膜厚、及び、膜屈折率の少なくとも１つを含むことを特徴とする検査条件決定方法。
20. 請求項１３に記載の検査条件決定方法において、
    前記検査条件は、前記照明光学系の条件、前記ステージの条件、及び前記検出系の条件の少なくとも１つを含むことを特徴とする検査条件決定方法。
21. 請求項１３に記載の検査条件決定方法において、
    前記計算機によって、前記複数の検出系から得られた散乱光分布を単位領域毎で平均化する平均化ステップをさらに含み、
    前記推定ステップは、当該平均化された散乱光分布を前記モデルに当てはめ、前記光学定数及び前記マイクロラフネスに関する情報を推定することを特徴とする検査条件決定方法。
22. 請求項１３に記載の検査条件決定方法において、
    前記計算機によって、前記推定された前記光学定数及び前記マイクロラフネスに関する情報を用いて、前記試料の製造装置での異常を判定する異常判定ステップをさらに含むことを特徴とする検査条件決定方法。
23. 請求項２２に記載の検査条件決定方法において、
    前記異常判定ステップは、前記決定ステップで決定された前記検査条件での検査によって抽出された異物検出数を用いて前記製造装置での異常を判定することさらに含むことを特徴とする検査条件決定方法。

Images