JP2018533748A - 単一画像検出 - Google Patents

Abstract

標本上の欠陥を検出する方法及びシステムを提供する。あるシステムは生成モデルを有する。その生成モデルは、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングするよう構成された非線形ネットワークを有する。それらラベルはそれらブロックの一通り又は複数通りの欠陥関連特性を示すものである。本システムでは単一のテスト画像がその生成モデルに入力され、その生成システムにより、当該単一のテスト画像内の画素ブロックに備わるフィーチャが判別され、マッピング結果に基づきそのブロックに係るラベルが判別される。本システムでは、判別されたラベルに基づき標本上の欠陥が検出される。

Description

本発明は、概略、単一画像検出により標本上の欠陥を検出する方法及びシステムに関する。

以下の記述及び諸例は、本欄中にあるとはいえ従来技術たるものとは認められない。

半導体デバイス例えば論理デバイス及び記憶デバイスの製造においては、通常、多数の半導体製造プロセスを用い基板例えば半導体ウェハを処理することで、それら半導体デバイスのフィーチャ（特徴）群及びレベル（階層）群が形成される。例えばリソグラフィは半導体製造プロセスの一つであり、レティクルから半導体ウェハ上にあるレジストへのパターン転写を伴っている。半導体製造プロセスの別例としては、これに限られるものではないが、化学機械研磨（ＣＭＰ）、エッチング、成膜及びイオン注入がある。複数個の半導体デバイスを単一の半導体ウェハ上に並べて製造し、そしてそれを分離させて個別の半導体デバイスにすることができる。

検査プロセスは半導体製造プロセスの諸工程にて用いられるプロセスであり、ウェハ上の欠陥を検出することでその製造プロセスにおける歩留まりを高めて利益を増やすためのものである。検査はこれまでも半導体デバイス製造例えばＩＣ製造の重要部分であり続けてきた。とはいえ、半導体デバイスの寸法が縮小されるにつれ、小さめの欠陥でもデバイスを故障させかねなくなったため、許容できる半導体デバイスの首尾よい製造にとり検査が更に重要になってきている。

標本例えばウェハ及びレティクル上の欠陥については幾通りかの現用検出方法が存在している。その一例たるダイトゥダイ画像比較では、参照画像及びターゲット画像が整列されその差分が求められる。次いで、その差分画素に大域しきい値が適用される。欠陥候補に対応する二値マップが生成される。別例たるセルトゥセル画像比較では、周期構造（例．記憶デバイス）の場合、ターゲット画像が１周期シフトされ自身と比較される。また、より先進的な方法を用い、様々な「相同」エリアへの画像のセグメント化を図ることや、特定のセグメント統計向けにスレショルディング法を最適化することができる。これは、米国カリフォルニア州ミルピタス所在のＫＬＡ−Ｔｅｎｃｏｒから購入可能な検査ツールに実装されている幾通りかの検出方法、例えばセグメント化自動スレショルディング（ＳＡＴ）、メディアンダイ自動スレショルディング（ＭＤＡＴ）、ＨＬＡＴ、コンテキストベース検査（ＣＢＩ）及びターゲットベース検査（ＴＢＩ）の背後にある原理的手法である。

上述した方法の変種が、ある種の市販電子ビーム検査ツールにて、走査型電子顕微鏡（ＳＥＭ）画像の文脈で用いられることがある。そのスレショルディング機構は二次元ヒストグラム表現（散布図）に基づくものである。この実現形態では、外れ値画素が、参照画像及びターゲット画像からなる結合ヒストグラムにより形成された主クラウドの外にある画素として識別される。この場合、参照画像の所与グレー値に係るターゲット画像の画素値分布を用い最適なしきい値を推定することができる。

米国特許第７５７０７９６号明細書 米国特許第７６７６０７７号明細書 米国特許第８６６４５９４号明細書 米国特許第８６９２２０４号明細書 米国特許第８６９８０９３号明細書 米国特許第８７１６６６２号明細書 米国特許第６８９１６２７号明細書 米国特許第８１２６２５５号明細書 米国特許第９２２２８９５号明細書 米国特許第６９０２８５５号明細書 米国特許第７４１８１２４号明細書 米国特許第７７６９２２５号明細書 米国特許第８０４１１０６号明細書 米国特許第８２１３７０４号明細書

しかしながら、上述の検査方法には幾つかの難点がある。例えばダイトゥダイ法では、最少でも２個の画像（参照及びテスト）の捕捉が必要であるため画像捕捉時間が倍加する。明確な検出を行うには少なくとも３個のダイ（２個は参照で１個はテスト）をイメージングしなければならない。加えて、比較に先立ちテスト画像と参照画像を整列させねばならない。分析できるのは重複エリアのみである。参照画像もまたその分析になにがしかのノイズをもたらす一因であり、これは必然的に信号対雑音比（ＳＮＲ）を劣化させる。別のモジュールが欠陥分類の役目を負うようにしてもよいが、欠陥所在特定問題があるため貧弱な結果につながるのが一般的である。更に、どういった比較式方法であれテスト画像・参照画像間定常差を被りうる。その一例がラインエッジ粗さ（ＬＥＲ）である。通常の比較方法では定常ＬＥＲが原因で感度が制約される。

更に、現用方法では、任意画像中に含まれておりなにがしかの関連性を有している情報を捉えうるよう、アルゴリズムチームがフィーチャ（「手作り」フィーチャ）を設計する必要がある。このチームには包括的な問い、例えば、ノイズに対する欠陥の違いとは何か、諸欠陥階級間の違いを何によって弁別できるか、といった問いに取り組むことが求められる。この包括的想定は読取データによって絶え間なく脅かされる。個別の層／欠陥種別に関する性能を向上させるため、このチームにはアルゴリズムを修正することが求められ、また新規ソフトウェアをリリースすることが求められる。

従って、標本上の欠陥を検出するシステム及び方法、特に上述した難点のうち１個又は複数個を有していないものを開発することが、有益であろう。

実施形態についての以下の記述は、添付する特許請求の範囲の主題を限定するものとして如何なるやり方でも解されてはならない。

実施形態の一つは、標本上の欠陥を検出するよう構成されたシステムに関するものである。本システムは、標本の画像を生成するよう構成されたイメージングサブシステムを備える。そのイメージングサブシステムは、標本にエネルギを差し向けるよう構成された少なくとも１個のエネルギ源と、その標本からのエネルギを検出するよう構成された少なくとも１個の検出器と、を有する。本システムは、更に、そのイメージングサブシステムに結合された１個又は複数個のコンピュータサブシステムを備える。当該１個又は複数個のコンピュータサブシステムは、その標本の構成部分に関しイメージングサブシステムにより生成された単一のテスト画像を捕捉するよう構成される。加えて、本システムは、当該１個又は複数個のコンピュータサブシステムにより実行される１個又は複数個のコンポーネントを有する。当該１個又は複数個のコンポーネントには生成モデルが含まれる。その生成モデルは、入力フィーチャマップボリュームを構成する画素のブロックをラベルにマッピングするよう構成された非線形ネットワークを有する。それらラベルはそれらブロックの一通り又は複数通りの欠陥関連特性を示すものとする。当該１個又は複数個のコンピュータサブシステムは、当該単一のテスト画像を生成モデルに入力するよう構成される。その生成モデルは、当該単一のテスト画像を複数個の画素ブロックに分割するよう構成される。生成モデルは、更に、当該複数個の画素ブロックのうち少なくとも１個に関し、それら複数個のブロックのうち当該少なくとも１個に属する画素のみに基づき、当該複数個のブロックのうち当該少なくとも１個に備わるフィーチャを判別するよう、構成される。加えて、生成モデルは、判別されたフィーチャと、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングした結果とに基づき、当該複数個のブロックのうち当該少なくとも１個に係るラベルのうち１個を選択するよう、構成される。当該１個又は複数個のコンピュータサブシステムは、更に、当該複数個のブロックのうち当該少なくとも１個に関し選択されたラベルに基づきその標本構成部分内の欠陥を検出するよう、構成される。本システムは、更に、本願記載の如く構成することができる。

もう一つの実施形態は、標本上の欠陥を検出するためのコンピュータ実施方法に関するものである。本方法においては、標本の構成部分に関しイメージングサブシステムによって生成された単一のテスト画像が複数個の画素ブロックに分割される。本方法においては、それら複数個の画素ブロックのうち少なくとも１個に関し、当該複数個のブロックのうち当該少なくとも１個に属する画素のみに基づき、当該複数個のブロックのうち当該少なくとも１個に備わるフィーチャが判別される。これら分割及び判別は、１個又は複数個のコンピュータサブシステムにより実行される１個又は複数個のコンポーネントに組み込まれた生成モデルによって実行される。その生成モデルは、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングするよう構成された非線形ネットワークを有する。それらラベルは、それらブロックの一通り又は複数通りの欠陥関連特性を示すものとする。本方法においては、更に、判別されたフィーチャと、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングした結果とに基づき、当該複数個のブロックのうち当該少なくとも１個に係るラベルのうち１個が選択される。加えて、本方法においては、当該複数個のブロックのうち当該少なくとも１個に関し選択されたラベルに基づきその標本構成部分内の欠陥が検出される。この検出は、当該１個又は複数個のコンピュータサブシステムにより実行される。

上述した方法の各ステップは、更に、本願詳述の如く実行することができる。加えて、上述した方法の実施形態には本願記載のどの他方法のどの他ステップをも含めうる。更に、上述の方法は本願記載のシステムのいずれでも実行することができる。

もう一つの実施形態は、標本上の欠陥を検出するためのコンピュータ実施方法を実行すべく、コンピュータシステム上で実行可能なプログラム命令が格納されている、非一時的コンピュータ可読媒体に関するものである。そのコンピュータ実施方法は上述した方法の諸ステップを有する。本コンピュータ可読媒体は、更に、本願記載の如く構成することができる。そのコンピュータ実施方法の諸ステップは本願後述の如く実行することができる。加えて、本コンピュータ実施方法はそれに係るプログラム命令を実行可能なものであり、本願記載のどの他方法のどの他ステップをも含めうる。

好適な実施形態についての後掲の詳細記述を踏まえ、また以下の如き添付図面を参照することで、本件技術分野に習熟した者（いわゆる当業者）には、本発明の更なる長所が明らかとなろう。

本願記載の如く構成されたシステムの実施形態の側面を示す模式図である。 本願記載の如く構成されたシステムの実施形態の側面を示す模式図である。 本願記載のシステム実施形態により実行されうる諸ステップの一実施形態を示すフローチャートである。 本願記載の実施形態により生成されうる訓練データセットの一実施形態を示す模式図である。 本願記載のコンピュータ実施方法をコンピュータシステムに実行させるためのプログラム命令が格納されている非一時的コンピュータ可読媒体の一実施形態を示すブロック図である。

本発明は様々な修正形態及び代替形態を採りうるので、その具体的実施形態を図面中に例示し本願中で詳述することにする。それら図面が均等縮尺であるとは限らない。それでもなおご理解頂きたいのは、それら図面及びそれについての詳述の意図が、特定の被開示形態に本発明を限定する点にあるのではなく、その逆に、その意図が、別項の特許請求の範囲により規定される本発明の技術的範囲及び神髄に収まるあらゆる修正物、等価物及び代替物をカバーする点にあることである。

語「デザイン」、「デザインデータ」及び「デザイン情報」は本願にて互換的に用いられており、大略、ＩＣの物理デザイン（レイアウト）のことや、複雑なシミュレーション又は単純な幾何演算及びブール演算を経てその物理デザインから導出されたデータのことを指している。加えて、レティクル検査システムで捕捉されたレティクル画像及び／又はその派生物を、デザインの「プロキシ」即ち「代わり」として用いることができる。そうしたレティクル画像又はその派生物は、本願記載の実施形態のうちデザインが用いられるもの全てでデザインレイアウトの代わりとして用いることができる。そのデザインには他のあらゆるデザインデータ又はデザインデータプロキシ、特に本願出願人を譲受人とする２００９年８月４日付特許文献１（発明者：Ｚａｆａｒ ｅｔ ａｌ．）及び２０１０年３月９日付特許文献２（発明者：Ｋｕｌｋａｒｎｉ ｅｔ ａｌ．）に記載のそれを含めうるので、この参照を以て両文献を全面説明があるかの如く繰り入れることにする。加えて、デザインデータたりうるものとしては、標準セルライブラリデータ、集積レイアウトデータ、単層又は複数層デザインデータ、そのデザインデータの派生物、フル又は部分チップデザインデータ等がある。

加えて、本願記載の「デザイン」、「デザインデータ」及び「デザイン情報」は、半導体デバイス設計者によって設計過程で生成される情報及びデータのことであるので、本願記載の実施形態での使用に備え、任意の有形標本例えばレティクル及びウェハ上へのデザインの印刷よりだいぶ前に入手することができる。

さて、図面に関しては、それら図面が均等縮尺で描かれていないことを注記すべきである。特に、図中の諸要素のうち幾つかのスケールが、それら要素の特性を強調すべく大きく誇張されている。それら図面が同一縮尺で描かれていないことも注記すべきである。諸要素のうち複数の図に現れていて同様に構成可能なものは、同じ参照符号を用い示してある。特記なき限り、記述及び図示されている要素は皆、任意の好適な市販要素を有するものとすることができる。

実施形態の一つは、標本上の欠陥を検出するよう構成されたシステムに関するものである。そうしたシステムの実施形態うち一つを図１に示す。本システムは１個又は複数個のコンピュータサブシステム（例．コンピュータサブシステム３６及び１０２）を備えており、当該１個又は複数個のコンピュータサブシステムにより実行される１個又は複数個のコンポーネント１００を有している。一実施形態に係る本システムはイメージングシステム（又はサブシステム）１０を備えている。概略、このイメージングサブシステムは、標本の画像を生成するよう構成される。例えば、本願にて詳述され図１及び図１ａに示されているイメージングサブシステムは、標本へとエネルギを差し向けるよう構成された少なくとも１個のエネルギ源と、その標本からのエネルギを検出するよう構成された少なくとも１個の検出器を備えている。イメージングサブシステムによって、実体標本上をエネルギ走査しつつその標本からエネルギを検出することでこれを行うことにより、その標本に係る画像を生成することができる。また、そのイメージングサブシステムを、複数モードでそれら走査及び検出を行うよう構成してもよい。

一実施形態に係る標本はウェハである。そのウェハには本件技術分野で既知なあらゆるウェハが包含されうる。また別の実施形態では標本がレティクルとされる。このレティクルには本件技術分野で既知なあらゆるレティクルが包含されうる。

一実施形態に係るイメージングサブシステムは光学式イメージングサブシステムである。例えば、標本に向かうエネルギが光を含み、その標本から検出されるエネルギが光を含むようにすることができる。その一例として、図１に示されている実施形態のシステムでは、イメージングサブシステム１０に備わる照明サブシステムが、標本１４に光を差し向けるよう構成されている。この照明サブシステムには少なくとも１個の光源を具備させるものとする。例えば、図１に示す照明サブシステムは光源１６を有している。ある実施形態によれば、一通り又は複数通りの斜行角及び／又は一通り又は複数通りの直交角を含め、一通り又は複数通りの入射角にて標本に光を差し向けうるよう、その照明サブシステムを構成することができる。例えば、図１では光が光源１６から光学素子１８、次いでレンズ２０を介し標本１４へと、ある斜行入射角で差し向けられている。この斜行入射角は、好適であればどのような斜行入射角でもよく、例えばその標本の特性によって変えることができる。

イメージングサブシステムは、別の時点では別の入射角にて標本に光を差し向けるよう構成することができる。例えば、照明サブシステムに備わる１個又は複数個の素子の一通り又は複数通りの特性を変更可能にイメージングサブシステムを構成することで、光が標本に向かう際の入射角を図１に示したそれとは異なるものにすることができる。一例としては、光源１６、光学素子１８及びレンズ２０を動かし、光が標本に向かう際の入射角を別の斜行入射角又は直交（又は近直交）入射角にすることができるよう、イメージングサブシステムを構成することができる。

場合によっては、イメージングサブシステムを、同時に複数通りの入射角にて標本に光を差し向けるよう構成してもよい。例えば、複数個の照明チャネルを照明サブシステムに具備させ、それら照明チャネルのうち一方を図１に示す如く光源１６、光学素子１８及びレンズ２０を有するものとした上で、もう一方の照明チャネル（図示せず）を同様の素子、例えば別様又は同様に構成されたそれか、或いは少なくとも１個の光源に加え恐らくは１個又は複数個の他部材例えば本願詳述のものを含むそれを、有するものとすればよい。光を他の光と同時に標本へと差し向けた場合、その光の一通り又は複数通りの特性（例．波長、偏向等々）が標本への入射角の違いにより異なってくるので、標本に対する異なる入射角での照明でもたらされた光を、検出器（群）にて互いに弁別することができる。

また、場合によっては、照明サブシステムに光源を１個だけ具備させ（例．図１に示した光源１６）、その照明サブシステムを構成する光学素子（図示せず）によって、その光源からの光を（例．波長、偏向等々に基づき）複数通りの光路に振り分けるようにしてもよい。その後は、それら複数通りの光路それぞれに沿い光を標本に差し向ければよい。複数個の照明チャネルを、光を標本に同時に差し向けるよう構成してもよいし、別時点で差し向けるよう構成してもよい（例．複数個の照明チャネルを用い標本を順次照明してもよい）。更に、場合によっては、同じ照明チャネルが別時点では別の特性にて光を標本に差し向けるように構成してもよい。例えば、場合にもよるが、光学素子１８をスペクトルフィルタとして構成し、そのスペクトルフィルタの特性を多々ある手法のうちいずれかで（例．スペクトルフィルタを換装することによって）変化させることで、別時点では別波長の光が標本に向かうようにすることができる。照明サブシステムは、別々又は同一の特性を有する光を別々又は同一の入射角で標本に順次又は同時に差し向けるのに適し、本件技術分野で知られている、他のどのような構成にすることもできる。

一実施形態に係る光源１６は例えば広帯域プラズマ（ＢＢＰ）光源を含むものである。こうすることで、光源により生成され標本に向かう光に、広帯域光が含まれるようにすることができる。とはいえ、光源には、レーザをはじめ、好適であれば他のどのような光源でも含めることができる。そのレーザには本件技術分野で既知で好適なあらゆるレーザを含めることができ、そうしたレーザであれば、本件技術分野で既知で好適なあらゆる波長又は波長群の光を生成するよう構成することができる。加えて、単色又は近単色光を生成するようレーザを構成することができる。即ち、レーザを狭帯域レーザとすることができる。光源には、更に、複数通りの離散波長又は波帯にて光を生成する多色光源を含めることができる。

光学素子１８からの光はレンズ２０により標本１４上に集束させることができる。図１ではレンズ２０が単体の屈折性光学素子として示されているが、ご理解頂けるように、実際には、協働してその光学素子から標本へと光を集束させる幾つかの屈折性及び／又は反射性光学素子により、レンズ２０を構成してもかまわない。図１に示した本願記載の照明サブシステムには、他にもあらゆる好適な光学素子（図示せず）を具備させることができる。そうした光学素子の例としては、これに限られるものではないが、偏向部材（群）、スペクトルフィルタ（群）、空間フィルタ（群）、反射性光学素子（群）、アポダイザ（群）、ビームスプリッタ（群）、アパーチャ（群）のほか、本件技術分野において既知で好適な同類の光学素子があろう。加えて、イメージングに用いられる照明の種類に基づき、照明サブシステム構成要素のうち１個又は複数個を改変することができるよう、イメージングシステムを構成してもよい。

標本上を光で走査するよう構成された走査サブシステムをイメージングサブシステムに具備させてもよい。例えば、検査中にウェハ１４が載置されるステージ２２をそのイメージングサブシステムに具備させてもよい。何らかの好適な機械式及び／又はロボット式アセンブリ（ステージ２２を有するそれ）であり、標本を動かしその標本を光で走査することができるよう構成可能なものを、その走査サブシステムに具備させてもよい。これに加え又は代え、イメージングサブシステムに備わる１個又は複数個の光学素子によってある種の光学的標本走査が実行されるよう、そのイメージングサブシステムを構成してもよい。その光学的標本走査は、蛇状路又は螺旋路に沿ったそれをはじめ、何らかの好適な形式で行えばよい。

イメージングサブシステムは、更に、１個又は複数個の検出チャネルを有している。当該１個又は複数個の検出チャネルのうち少なくとも１個には、標本からの光であり本システムによる標本の照明に起因するものを検出するよう、且つ検出した光に応じ出力を生成するよう構成された検出器が、備わっている。例えば、図１に示すイメージングサブシステムは２個の検出チャネルを有しており、一方は集光器２４、素子２６及び検出器２８により、もう一方は集光器３０、素子３２及び検出器３４により形成されている。図１に示すように、それら２個の検出チャネルは、別々の集光角にて光を集め検出するよう構成されている。場合によっては、散乱光を検出するよう両検出チャネルが構成され、またそれら検出チャネルが、標本から相異なる角度で散乱された光を検出するよう構成される。これとは違い、検出チャネルのうち１個又は複数個を、標本からの別種の光（例．反射光）を検出するよう構成してもよい。

やはり図１に示されているように、両検出チャネルは紙面内に位置しており、照明サブシステムもまたその紙面内に位置している。即ち、本実施形態では両検出チャネルが入射面内に位置している（例．心揃えされている）。とはいえ、それら検出チャネルのうち１個又は複数個が入射面外に位置していてもかまわない。例えば、集光器３０、素子３２及び検出器３４で形成されている検出チャネルを、入射面外に散乱された光を集め検出するよう構成してもよい。その種の検出チャネルは、従って「サイド」チャネルと通称することが可能であり、入射面に対しほぼ垂直な平面内でそのサイドチャネルを心揃えするようにしてもかまわない。

図１にはイメージングサブシステムの実施形態として２個の検出チャネルを有するものを示したが、イメージングサブシステムがそれ以外の個数の検出チャネル（例．単一の検出チャネル又は２個以上の検出チャネル）を有していてもよい。一例としては、集光器３０、素子３２及び検出器３４により形成された検出チャネルを以て上述のサイドチャネルを１個形成する一方、そのイメージングサブシステム内に更なるサイドチャネルとして更なる検出チャネル（図示せず）を形成し、後者を入射面を挟み逆側に配置してもよい。然るに、このイメージングサブシステムには、集光器２４、素子２６及び検出器２８を有し、入射面内で心揃えされていて、且つ標本表面に対し垂直又はほぼ垂直な散乱角の光を集め検出するよう構成されている検出チャネルを、具備させることができる。この検出チャネルは従って「トップ」チャネルと通称することが可能であり、また上述の如く構成された２個以上のサイドチャネルをそのイメージングサブシステムに設けることが可能である。その場合、そのイメージングサブシステムは少なくとも３個のチャネル（即ちトップチャネル１個とサイドチャネル２個）を有するものとなり、それら少なくとも３個のチャネルがめいめいに集光器を有し、各集光器が他のいずれの集光器とも異なる散乱角の光を集める構成となろう。

先に詳述した通り、イメージングサブシステム内の検出チャネルそれぞれを、散乱光を検出するよう構成することができる。従って、図１に示したイメージングサブシステムを、標本の暗視野（ＤＦ）イメージング向けに構成することができる。他方、それに加え又は代え、標本の明視野（ＢＦ）イメージング向けに構成された検出チャネル（群）をイメージングサブシステムに具備させることができる。言い換えれば、標本からの鏡面反射光を検出するよう構成された少なくとも１個の検出チャネルを、イメージングサブシステムに具備させることができる。従って、本願記載のイメージングサブシステムは、ＤＦ専用のもの、ＢＦ専用のもの、或いはＤＦ及びＢＦイメージング両用のものとして構成することができる。図１では各集光器を単体の屈折性光学素子として示したが、ご理解頂けるように、各集光器が、１個又は複数個の屈折性光学素子及び／又は１個又は複数個の反射性光学素子を有していてもよい。

上掲の１個又は複数個の検出チャネルには、本件技術分野で既知で好適ないずれの検出器を具備させてもよい。その検出器は、例えば、光電子増倍管（ＰＭＴ）、電荷結合デバイス（ＣＣＤ）、時間遅延積分（ＴＤＩ）カメラその他、本件技術分野にて既知で適切ないずれの検出器とすることもできる。検出器は非イメージング型検出器でもイメージング型検出器でもよい。これを踏まえ検出器を非イメージング型検出器とした場合、各検出器を適宜構成することで散乱光の特性のうち特定のもの、例えば強度を検出することが可能となるが、どのように構成したとしても、イメージング面内位置の関数としてその特性を検出することはできない。故に、イメージングサブシステムの各検出チャネル内に組み込まれている検出器それぞれにより生成される出力は、信号やデータとはなれ、画像信号や画像データとはなりえない。こうした場合には、コンピュータサブシステム例えばコンピュータサブシステム３６を、検出器の非イメージング出力から標本の画像を生成するよう構成すればよい。他方、場合によっては、検出器がイメージング型検出器、即ちイメージング信号又は画像データを生成する撮像検出器として構成されよう。このように、イメージングサブシステムは、様々な手法で、本願記載の画像を生成しうるように構成することができる。

なお、本願における図１の役割は、本願記載のシステム実施形態に具備させること或いは本願記載のシステム実施形態にて用いられる画像を生成することが可能なイメージングシステム又はサブシステムの構成を、大まかに描出することにある。自明な通り、商用イメージングシステム設計時に通常行われるそれに倣い、本願記載のイメージングサブシステムの構成を改変することで、そのイメージングサブシステムの性能を最適化することが可能である。加えて、本願記載のシステムを、米国カリフォルニア州ミルピタス所在のＫＬＡ−Ｔｅｎｃｏｒから購入可能な２９ｘｘ／２８ｘｘシリーズのツールをはじめ既存のシステムを用い（例．本願記載の機能を既存のシステムに付加することで）実現してもよい。その種のシステムによれば、本願記載の実施形態を、そのシステムのオプション的機能として（例．そのシステムの他の機能に加え）提供することができる。これに代え、本願記載のイメージングサブシステムを“ゼロから”設計して完全に新たなイメージングサブシステムを提供してもよい。

コンピュータサブシステム３６は、イメージングサブシステムの検出器に任意の好適な形態（例．１個又は複数個の伝送媒体例えば“有線”及び／又は“無線”伝送媒体を含むそれを介する形態）で結合させることができ、それにより、そのコンピュータサブシステムにて、標本の走査中に検出器により生成された出力を受け取ることが可能になる。そのことを踏まえコンピュータサブシステムがイメージングサブシステムに結合されている。加えて、このコンピュータサブシステムは、標本の構成部分に関しイメージングサブシステムにより生成された単一のテスト画像を捕捉するよう構成されている。例えば、このコンピュータサブシステムをはじめ本願記載のあらゆるコンピュータサブシステムを、検出器から及び／又は本願詳述の如くそうした単一のテスト画像を捕捉するよう構成することができる。コンピュータサブシステム３６は、検出器の出力及び／又は検出器により生成された画像を用い本願詳述の如く様々な機能を実行するよう構成することができる。

本願では、図１に示したコンピュータサブシステム（並びに本願記載の他のコンピュータサブシステム）のことを、コンピュータシステム（群）とも称している。本願記載のコンピュータサブシステム（群）又はコンピュータシステム（群）はそれぞれ多様な形態を採りうるものであり、その例としては、パーソナルコンピュータシステム、イメージコンピュータ、メインフレームコンピュータシステム、ワークステーション、ネットワーク機器、インターネット機器その他の装置がある。一般に、語「コンピュータシステム」は、記憶媒体上の命令を実行するプロセッサを１個又は複数個有するデバイス全てが包括されるよう、広く定義することが可能である。そのコンピュータサブシステム（群）又はシステム（群）には、また、本件技術分野にて既知で好適なあらゆるプロセッサ、例えば並列プロセッサを具備させうる。加えて、そのコンピュータサブシステム（群）又はシステム（群）には、スタンドアロン又はネットワーク接続型のツールとして、高速処理型コンピュータプラットフォーム及びソフトウェアを具備させうる。更に、そのコンピュータサブシステム（群）には１個又は複数個のグラフィクス処理ユニット（ＧＰＵ）及び／又は１個又は複数個の中央処理ユニット（ＣＰＵ）を具備させうる。

本システムに複数個のコンピュータサブシステムを具備させる場合、本願詳述の如くそれらコンピュータサブシステム間で画像、データ、情報、命令等々を送れるよう、別々のコンピュータサブシステム同士を結合させるとよい。例えば、図１中に破線で示す如くコンピュータサブシステム３６をコンピュータサブシステム（群）１０２に結合させればよく、またそれを任意の好適な伝送媒体例えば本件技術分野で既知で好適な任意の有線及び／又は無線伝送媒体を含むそれによって行うことができる。それらコンピュータサブシステムのうち２個以上を、共有のコンピュータ可読格納媒体（図示せず）によって実質的に結合させてもよい。

以上の記述ではイメージングサブシステムを光学式又は光式イメージングサブシステムとしているが、イメージングサブシステムを電子ビーム式イメージングサブシステムとしてもよい。その種の実施形態では、標本に差し向けられるエネルギが電子、その標本から検出されるエネルギが電子で構成される。この形態に係るイメージングサブシステムは、標本へと差し向けられる電子を生成するよう構成された少なくとも１個のエネルギ源と、その標本からの電子を検出するよう構成された少なくとも１個の検出器とを、有するものとすることができる。図１ａに示すその種の実施形態ではイメージングサブシステムに電子カラム１２２が備わり、その電子カラム１２２がコンピュータサブシステム１２４に結合されている。

同じく図１ａに示すように、その電子カラムは、電子を生成するよう構成された電子ビーム源１２６を有しており、それら電子が１個又は複数個の素子１３０によって標本１２８方向に集束されている。電子ビーム源の例としてはカソードソース（陰極型電子源）やエミッタチップ（放射器尖端部）が、また１個又は複数個の素子１３０の例としてはガンレンズ、アノード、ビーム制限アパーチャ、ゲートバルブ、ビーム流選択アパーチャ、対物レンズ及び走査サブシステムがあり、これらはいずれも、本件技術分野で既知で好適な同類の要素を以て構成することができる。

標本から返ってきた電子（例．二次電子）は、１個又は複数個の素子１３２によって検出器１３４へと集束させることができる。１個又は複数個の素子１３２の例としては走査サブシステム、例えば素子（群）１３０の一例たるそれと同じ走査サブシステムがある。

電子カラムには、このほか、本件技術分野で既知で好適なあらゆる要素を具備させうる。加えて、電子カラムは更に、２０１４年４月４日付特許文献３（発明者：Ｊｉａｎｇ ｅｔ ａｌ．）、２０１４年４月８日付特許文献４（発明者：Ｋｏｊｉｍａ ｅｔ ａｌ．）、２０１４年４月１５日付特許文献５（発明者：Ｇｕｂｂｅｎｓ ｅｔ ａｌ．）及び２０１４年５月６日付特許文献６（発明者：ＭａｃＤｏｎａｌｄ ｅｔ ａｌ．）に記載の如く構成しうるので、この参照を以て、それら文献を、全面説明があるかの如く繰り入れることにする。

図１ａに示した電子カラムは、電子がある斜行入射角にて標本に差し向けられその標本からまた別の斜行角にて散乱されるよう構成されているが、ご理解頂けるように、電子ビームが標本に差し向けられる角度及び標本から散乱される角度は、好適であればどのような角度でもよい。加えて、複数通りのモードを用い（例．別々の照射角、収集角等々で以て）本願詳述の如く標本の画像を生成するよう電子ビーム式イメージングサブシステムを構成してもよい。電子ビーム式イメージングサブシステムにおける複数通りのモードは、そのイメージングサブシステムの画像生成パラメタのうちいずれかが異なるものとなろう。

コンピュータサブシステム１２４は上述の如く検出器１３４に結合させればよい。標本の表面から返ってくる電子をその検出器で検出することにより、その標本の電子ビーム画像を形成することができる。この電子ビーム画像は、好適であればどのような電子ビーム画像を含むものでもよい。コンピュータサブシステム１２４は、本願にて詳述されている１個又は複数個の機能を、標本に関しまた検出器１３４の出力及び／又は検出器１３４により生成された画像を用い実行するよう、構成することができる。コンピュータサブシステム１２４は、本願記載のあらゆる付加的ステップ（群）を実行するよう構成することができる。図１ａに示すイメージングサブシステムを有するシステムを、更に、本願記載の如く構成することができる。

なお、本願における図１ａの役割は、本願記載の実施形態に具備させうる電子ビーム式イメージングサブシステムの構成を大まかに描出することである。上述した光学式イメージングサブシステムと同様、商用イメージングシステム設計時に通常行われるそれに倣い、本願記載の電子ビーム式イメージングサブシステムの構成を改変することで、イメージングサブシステムの性能を最適化することができる。加えて、本願記載の諸システムを、ＫＬＡ−Ｔｅｎｃｏｒから購入可能なｅＳｘｘｘ及びｅＤＲ−ｘｘｘｘシリーズのツールをはじめ既存のシステムを用い（例．本願記載の機能を既存のシステムに付加することで）実現することができる。その種のシステムによれば、本願記載の実施形態を、本システムのオプション的機能として（例．そのシステムの他の機能に加え）提供することができる。これに代え、本願記載のサブシステムを“ゼロから”設計して完全に新たなシステムを提供してもよい。

以上の記述ではイメージングサブシステムを光式又は電子ビーム式イメージングサブシステムとしているが、イメージングサブシステムをイオンビーム式イメージングサブシステムとしてもよい。そうしたイメージングサブシステムは、電子ビーム源が本件技術分野において既知で好適な何らかのイオンビーム源で以て置換されうる点を除き、図１ａに示した如く構成すればよい。加えて、そのイメージングサブシステムを、他の何らかの好適なイオンビーム式イメージングサブシステム、例えば市販の集束イオンビーム（ＦＩＢ）システム、ヘリウムイオン顕微鏡（ＨＩＭ）システム及び二次イオン質量分析（ＳＩＭＳ）システムに備わるそれとしてもよい。更に、場合によってはイメージングサブシステムをＸ線式イメージングサブシステムとして構成してもよい。こうすることで、標本に差し向けられるエネルギを、Ｘ線を含むものとすることができる。Ｘ線式イメージングサブシステムは、２００５年５月１０日付特許文献７（発明者：Ｌｅｖｙ ｅｔ ａｌ．）記載の如く構成しうるので、あたかもその全容が本願にて説明されているかの如くこの参照を以てその文献を繰り入れることにする。本願記載の実施形態は、更に、同特許文献に記載の如く構成することができる。

上述の通り、イメージングサブシステムは、有形標本にエネルギを差し向けることでその有形標本に係る実画像を生成するよう構成されている。これにより、イメージングサブシステムを、「仮想」システムではなく「実」イメージングシステムとして構成することができる。例えば、格納媒体（図示せず）及び図１に示したコンピュータサブシステム（群）１０２により、「仮想」システムを構成することもできる。ことに、これら格納媒体及びコンピュータサブシステム（群）はイメージングサブシステム１０の一部分ではなく、有形標本をレンダリングする能力を何ら有していない。言い換えれば、仮想システムとして構成されているシステムでは、実システムに備わる１個又は複数個の検出器により事前生成されその仮想システム内に格納された出力を以て、自システムの１個又は複数個の「検出器」の出力とすることができるので、「走査」中には、その既格納出力を返すことで、あたかもその標本を走査中であるように装うことができる。この形態における仮想システムでの標本走査は、見かけ上、実システムによる有形標本の走査と同様になりうるが、実のところ、この「走査」は標本走査と同じ態でその標本に係る出力を再生しているだけのことである。「仮想」検査システムとして構成されたシステム及び方法については、本願出願人を譲受人とする２０１２年２月２８日付特許文献８（発明者：Ｂｈａｓｋａｒ ｅｔ ａｌ．）及び２０１５年１２月２９日付特許文献９（発明者：Ｄｕｆｆｙ ｅｔ ａｌ．）に記載があるので、あたかもその全容が本願にて説明されているかの如くこの参照を以て両文献を繰り入れることにする。本願記載の実施形態は、更に、これら特許文献に記載の如く構成することができる。例えば、本願記載の１個又は複数個のコンピュータサブシステムを、更に、これら特許文献に記載の如く構成することができる。

同じく上述の通り、イメージングサブシステムは、複数通りのモードで以て標本の画像を生成するよう構成することができる。一般に、「モード」は、標本の画像を生成するのに用いられるイメージングサブシステムのパラメタの値、或いはその標本の画像を生成するのに用いられる出力により定義することができる。従って、モードが違えば、そのイメージングサブシステムのイメージングパラメタのうち少なくとも１個に係る値が異なることとなろう。例えば、標本を走査するためのエネルギが光、その標本から検出されるエネルギが光である実施形態のなかには、複数通りのモードのうち少なくとも一通りで用いられる少なくとも一通りの照明用光波長が、それら複数通りのモードのうち他の少なくとも一通りで用いられる少なくとも一通りの照明用光波長と、異なるものがある。諸モードに係る照明波長を（例．別々の光源、別々のスペクトラルフィルタ等々を用い）本願詳述の如く違えることで、それらモードを異ならせることができる。また別の実施形態では、複数通りのモードのうち少なくとも一通りで用いられるイメージングサブシステム内照明チャネルが、それら複数通りのモードのうち他の少なくとも一通りで用いられるイメージングサブシステム内照明チャネルと、異なるものとされる。例えば、上述の通りイメージングサブシステムに複数個の照明チャネルを具備させればよい。その上でモード毎に別々の照明チャネルを用いればよい。

一実施形態に係るイメージングサブシステムは検査サブシステムである。例えば、本願記載の光学式及び電子ビーム式イメージングサブシステムを検査サブシステムとして構成することができる。また別の実施形態ではイメージングサブシステムが欠陥レビューサブシステムとされる。例えば、本願記載の光学式及び電子ビーム式イメージングサブシステムを欠陥レビューサブシステムとして構成することができる。更なる実施形態に係るイメージングサブシステムは計量サブシステムである。例えば、本願記載の光学式及び電子ビーム式イメージングサブシステムを計量サブシステムとして構成することができる。とりわけ、図１及び図１ａに示した本願記載の実施形態に係るイメージングサブシステムでは、一通り又は複数通りのパラメタを修正することで、それらが用いられることとなる用途に応じ異なるイメージング能力を提供することができる。一例としては、高めの分解能を呈するよう図１に示したイメージングサブシステムを構成し、検査よりも欠陥レビュー又は計量での使用に適したものにすることができる。言い換えれば、図１及び図１ａに示した実施形態に係るイメージングサブシステムは、イメージングサブシステムに関し幾ばくかの概要と様々な構成とを述べるものであり、それをいわゆる当業者にとり自明であろう幾通りかの要領で仕立て上げることで、別のイメージング能力を有していて別の用途向けに大なり小なり適するイメージングサブシステムを提供することができる。

これら検査サブシステム、欠陥レビューサブシステム及び計量サブシステムは、更に、標本例えばウェハ及びレティクルの検査、欠陥レビュー及び計量向けに構成することができる。例えば、本願記載の実施形態を、マスク検査及びウェハ検査を目的にして生成モデルを用いるように、構成することができる。とりわけ、本願記載の生成モデル実施形態は、例えば広帯域プラズマインスペクタ、電子ビームインスペクタ又は欠陥レビューツール、マスクインスペクタ、仮想インスペクタ等々といったイメージングサブシステムの構成部材又は結合先たるコンピュータノード又はコンピュータクラスタ上に、実装することができる。こうすることで、本願記載の実施形態を、これに限られるものではないがウェハ検査、マスク検査、電子ビーム検査及びレビュー等々を含め様々な用途に用いることが可能となる。図１及び図１ａに示したイメージングサブシステムの特性は、それに関し実画像が生成されることとなる標本に基づき上述の如く修正することができる。

コンポーネント（群）例えば図１に示したコンポーネント（群）１００は、コンピュータサブシステム（群）例えばコンピュータサブシステム３６及び／又は１０２により実行されるものであり、これには生成モデル１０４が含まれている。「生成」モデルは、一般に、その性質上確率的なモデルとして定義することができる。言い換えれば、「生成」モデルはフォワードシミュレーション法やルールベース法を実行するものではない。そのため、生成モデルを用い本願詳述の如くシミュレーションを実行する際には、（それに関し模擬画像が生成される）実画像の生成に関わるプロセスの物理モデルが必要とされない。その代わりに、本願詳述の如く、その生成モデルの学習が相応な訓練データセットに基づき行われればよい（そのモデルのパラメタが学習されればよい）。本願詳述の如く、そうした生成モデルは本願記載の実施形態に係る幾つかの利点を呈する。

生成モデルは、入力フィーチャマップボリュームを構成する画素のブロックをラベルにマッピングするよう構成された非線形ネットワークを有するものであり、ブロックに備わる一通り又は複数通りの欠陥関連特性がそれらラベルにより表される。例えば畳み込みニューラルネットワーク（ＣＮＮ）は、入力フィーチャマップボリュームを構成する個々の所与ブロック（例．Ｍ×Ｎのそれ）をラベルへとマッピングする非線形ネットワークである。そのブロックは画素群で構成されるブロックであり、任意の相応なサイズにすることができる。非限定的な例を挙げれば、これらブロックのサイズを５０画素×５０画素とすることができる。画素ブロックは画像の分割で得られるものであり、その画像内の各画素を囲む（可能ならその画素を中心とする）ある程度のサイズのブロックとすることができる。こうすることで、画像内のある画素に係る１個のブロック内に、他の画素に係る他のブロックにも含まれる幾つかの画素が、含まれるようにすることができる。とはいえ、各ブロックに含まれる画素の集合が、他のいずれのブロックを構成する画素の集合とも同一でないこと（即ち画素空間内で２個のブロックが完全重複しないこと）が望ましかろう。加えて、場合によってはブロック同士が相互排他的なものとされることがある。例えば、あるブロック内の画素が、その画像の分割先たる他のブロックのいずれにも含まれないようにされることがある。そうした場合、それらブロックを画像内非重複タイルと見なすことができる。更に、それらブロック中に、１）その画像内の他のあらゆるブロックに対し相互排他的な幾つかのブロックと、２）他のブロックとある程度まで重なり合う幾つかのブロックとが、併存していてもよい。画像内の諸ブロックの拡がりがその画像全体に満たないようにしてもよい。こうすることで、幾つかの画像内画素がどのブロックにも含まれないようにすることができる。加えて、ある種の最適化法に従い、ラベリングをイメージングレベルではなく画素レベルに基づくものとすることで、データセットを画像数百万個から画像数十個へと縮小することができる。

一実施形態に係るラベルは、入力フィーチャマップボリューム内入力フィーチャが欠陥に係るものであるのか欠陥に係るものでないのかを指し示すものである。例えば、ラベルとして「無欠陥」ラベルと「欠陥」ラベルを設けるとよい。これに類する他の語句及び／又は数値をラベルとして用いることで、入力フィーチャが欠陥に係るものであるか否かを区別するようにしてもよい。これらラベルは、更に、本願記載の如く構成し割り当てることができる。

また別の実施形態では、ラベルが、入力フィーチャマップボリューム内入力フィーチャに係る欠陥の種別を示すものとされる。例えば、ラベルとして「Ｃｌａｓｓ ｘ」ラベル、「Ｃｌａｓｓ ｙ」ラベル等々を設け、ｘ及びｙをある種の語句及び／又は数値とすることで、個々の欠陥階級を他の欠陥階級から区別するようにするとよい。同じくこれらラベルもまた、本願記載の如く構成し割り当てることができる。

このように、本願記載の実施形態は新種のニューラルネットワークに依拠しており、それらは往々にして機械学習、深層学習、ＣＮＮ等々と呼ばれることがある。この種の手法は往々にしてエンドトゥエンド学習戦略と呼ばれる。例えば、一実施形態に係る生成モデルは深層生成モデルである。また別の実施形態では生成モデルが機械学習モデルとされる。例えば、深層学習アーキテクチャを有するものとなるよう、ひいては複数個の層を有しそれらにより多様なアルゴリズム又は変換を実行する生成モデルになるよう、生成モデルを構成することができる。生成モデルには、更に、１個又は複数個のエンコーダサイド層及び／又は１個又は複数個のデコーダサイド層を設けることができる。生成モデルの片側又は両側に設ける層の個数は可変であり一般には使用状況に依存する。これら深層生成モデル及び機械学習モデルは、上述の機能を実行するよう構成することができ本件技術分野において既知で好適なその種のモデルであれば、どのようなモデルで以て構成してもよい。

また別の実施形態では生成モデルがＣＮＮとされる。例えば、本願記載の実施形態では、ＣＮＮをはじめとする深層学習概念の長所を採り上げ、通常はその取り扱いが面倒な表現変換問題（例．レンダリング）を解決することができる。生成モデルには本件技術分野で既知なあらゆるＣＮＮ構成又はアーキテクチャを具有させることができる。総じて、多種多様なＣＮＮアーキテクチャが、採用可能であり且つ本件技術分野にて既知である。

本願記載の実施形態は、更に、様々な要領で修正することができる。例えば、本願記載の生成モデルに対する代替物を、（１）ピラミッドアップサンプリングを伴う敵対的生成ネットワーク（ＧＡＮ）、（２）デンシフィケーションを伴うＣＮＮ（即ちストライド＝１）、（３）変分オートエンコーダ（ＶＡＥ）付の再帰ニューラルネットワーク（ＲＮＮ）、或いは（４）コンボリューション層及びデコンボリューション層を有する深層ボルツマンマシンを媒介にして構築することができる。それら代替物の実装には、本件技術分野において既知で好適なあらゆるアーキテクチャを用いることができる。

上掲の１個又は複数個のコンピュータサブシステムは、単一のテスト画像を生成モデルに入力するよう構成されている。例えば、図２に示すように、単一のテスト画像２００を生成モデルに入力することができる。生成モデルへの単一のテスト画像の入力は、任意の好適な要領でそのコンピュータサブシステム（群）により行うことができる。

生成モデルは、単一のテスト画像を複数個の画素ブロックに分割するよう構成されている。例えば、図２に示すように、単一のテスト画像２００を分割して複数個の画素ブロック２０２にすることができる。生成モデルは、単一のテスト画像を本願にて詳述されているブロックのうちいずれへといずれの好適要領に従い分割するよう構成してもよい。特に、生成モデルによる単一テスト画像の分割先たる画素ブロックに、本願記載のブロック特性のうちいずれが備わるようにしてもよい。

生成モデルは、更に、複数個の画素ブロックのうち少なくとも１個に関し、当該複数個のブロックのうち当該少なくとも１個に属する画素のみに基づき、当該複数個のブロックのうち当該少なくとも１個に備わるフィーチャを判別するよう、構成されている。例えば、図２に示すように、複数個の画素ブロック２０２に関しブロック毎フィーチャ（群）２０４を判別するよう、生成モデルが構成されている。従って、フィーチャ（群）の判別は、それらブロック内の画素のみに基づき、且つ、その画像内にあるがフィーチャ（群）判別対象ブロック内にはない画素をはじめどういった付加的画素にも基づかないで、行われる。任意の個別ブロックに関し本願記載の如く１個又は複数個のフィーチャを判別することができ、また、任意の個別ブロックに関し判別されたフィーチャのうち全て、相当量又は一部を本願詳述の如く用いることができる。任意の個別のブロックに係る１個又は複数個のフィーチャの判別は、単一のテスト画像のみに基づき行ってもよいし、当該単一のテスト画像に加え、当該単一のテスト画像に係る複数個のパースペクティブのうち１個又は複数個、例えば本願記載の複数個のパースペクティブのうちいずれかを含むそれに基づき行ってもよい。例えば、単一のテスト画像内のある１個のブロックに関し、１個のフィーチャを、当該単一のテスト画像と、当該単一のテスト画像に係りコンピュータサブシステム（群）によって生成モデルに入力される複数個のパースペクティブそれぞれとを踏まえ、判別してもよい。

本願記載の実施形態のうちいずれでも、それらフィーチャにはスカラー値のベクトル、独立分布のベクトル、或いは結合分布が含まれうる。ある種の実施形態に係るフィーチャは独立分布のベクトルを含むものであり、当該独立分布のベクトルの例としてはベルヌーイ、二項式、多項式、ポアソン二項式、ベータ二項式、ベータ多項式、ボルツマン、ポアソン、コンウェイ・マクスウェル・ポアソン、ベータ、ガウシアン／正規、歪正規、レイリー、ラプラス、ガンマ、パレート又はスチューデントｔの諸分布がある。また別の実施形態に係るフィーチャは結合分布を含むものであり、その結合分布の例としては多変量ガウシアン／正規、多変量スチューデントｔ、ディリクレ、行列ガウシアン／正規又は行列ｔの諸分布がある。とはいえ、フィーチャには、本件技術分野において既知で好適なあらゆる他種フィーチャが含まれうる。諸種フィーチャの学習や推論は、本件技術分野において既知で好適な任意の要領で行えばよい。

生成モデルは、更に、判別されたフィーチャと、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングした結果とに基づき、複数個のブロックのうち少なくとも１個に係るラベルのうち１個を選択するよう、構成されている。例えば、図２に示すように、ブロック毎フィーチャ（群）２０４に基づきブロック毎ラベル（群）２０６を選択するよう、生成モデルが構成されている。特に、この生成モデルによれば、ブロック毎にフィーチャ（群）を判別しそれをマッピングに用いることで、どのラベルがそれらフィーチャに対応するのかを判別することができる。

上掲のコンピュータサブシステム（群）は、更に、複数個のブロックのうち少なくとも１個に関し選択されたラベルに基づきその標本構成部分内の欠陥を検出するよう、構成されている。例えば、図２に示すように、ラベル（群）に基づく欠陥検出２０８を行うようそのコンピュータサブシステム（群）が構成されている。特に、上述の通り、フィーチャが欠陥に係るものであるか否かの指示子にラベルをそれぞれ関連付けることができる。従って、そのコンピュータサブシステム（群）によって生成モデルに入力された画像内のブロックに関しその生成モデルにより出力されるラベルに依拠し、それらラベルに基づきそれらブロック内の欠陥を検出するようそのコンピュータサブシステム（群）を構成することができる。こうすることで、本願記載の実施形態により、単一の画像を用い欠陥を検出する（即ち「単一画像検出」（ＳＩＤ））インスペクタであり、標本の画像を入力、欠陥検出結果例えば欠陥に係る確率マップを出力とするものを、実現することができる。加えて、本願記載の実施形態は、ＣＮＮその他、本願記載の生成モデルに基づきＳＩＤを実行するよう構成される。本願記載の実施形態では、更に、ＳＩＤ用機械学習システムを、半導体アプリケーション（例．レティクル、マスク、光学インスペクタ並びにｅビーム及びＸ線インスペクタ）に係る（本願詳述の）デザイン情報と共に又はそれ抜きで用いることができる。

実施形態によっては、上掲のコンピュータサブシステム（群）が、複数個のブロックのうち少なくとも１個に関し選択されたラベルに基づき標本構成部分内の欠陥の種別を判別するよう、構成される。こうすることで、本願記載の実施形態により、単一のテスト画像を用い欠陥を分類する（即ち「単一画像分類」（ＳＩＣ））インスペクタを実現することができる。例えば、上述の通り、欠陥の種別又は階級にラベルをそれぞれ関連付けることができる。従って、そのコンピュータサブシステム（群）によって生成モデルに入力された画像内のブロックに関しその生成モデルによって出力されるラベルに依拠し、それらラベルに基づきそれらブロック内で検出された欠陥の種別又は階級を判別するよう、そのコンピュータサブシステム（群）を構成することができる。

場合によっては、単一のテスト画像を複数個のより小さなブロックに分割しブロック毎にフィーチャを判別するようにしてもよい。こうすることで、より大きな画像内のそれら小さなブロックに関し、生成モデルによりフィーチャ「マップ」を生成することができる（そのマップではフィーチャが当該単一のテスト画像内におけるブロック位置の関数として表される）。とはいえ、同様の場合にて、単一のテスト画像内のブロック毎に判別されたフィーチャそれぞれに基づき、画像全体に係る単一のラベルのみを出力するよう、生成モデルを構成することもできる。その際、フィーチャ（群）が複数個のブロックのうち複数個に関し判別されることもままあるが、それら複数個のブロックのうち少なくとも１個に係るラベルのうち１個の選択を、それら複数個のブロック（のうち複数個）の組合せ（例．単一のテスト画像内にある複数個のブロック全て）に係るラベルのうち１個のみの選択を伴う態で行えばよい。当該１個のラベルは例えば「欠陥」又は「無欠陥」ラベルとすることができる。一例としては、欠陥に対応するフィーチャ（群）及び／又はラベル（群）がいずれのブロックにも関連付けられていない場合に、生成モデルによって単一のテスト画像全体に関し「無欠陥」ラベルが出力されるようにすればよい。それに対し、欠陥に対応するフィーチャ（群）及び／又はラベル（群）がブロックのうち少なくとも１個に関連付けられている場合には、生成モデルによって単一のテスト画像全体に関し「欠陥」ラベルが出力されるようにすればよい。

このように、単一のテスト画像全体を大きな１個のブロックとして処理することが可能であり、また生成モデルの出力をラベル付マップではなくまさに単一の欠陥存在指示ラベル例えば「欠陥」又は「無欠陥」ラベルや単一の階級ラベルとすることが可能である。この情報を逆伝搬させること、例えば入力画像のどの部分（群）又はブロック（群）が最終決定に関わっていたのかを逆伝搬させることにより、実際の欠陥所在個所から空間情報を回収することができる。

従って、本願記載の如く生成モデルにより出力されるラベル（群）で、その画像内の１個又は複数個の画素ブロックではなく画像全体（即ち単一のテスト画像全体）における欠陥の有無を、指し示すことができる。加えて、それら個別ブロックが無欠陥でも（例．個別ブロックより大きな規模で画像を考えたときの）それらの配置が無効なことがありうる。例えば、複数個のブロックそれぞれに関し判別されたフィーチャ（群）が、それ自身、無欠陥なことを示すラベルにマッピングされることがありうる。しかしながら、２個のフィーチャ（例．第１ブロックに関し判別された第１フィーチャとその第１ブロックの隣にある第２ブロックに関し判別された第２フィーチャ）の間の空間的関係により、単一のテスト画像内の欠陥を指し示すことが可能である。これを踏まえ、ブロックサイズの複数倍に対応する複数個のフィーチャマップを生成モデルによって生成することができる。

また、本願記載の実施形態は多様な用途で役立つ。例えば、ＳＩＤ単体、自動欠陥分類（ＡＤＣ）併用ＳＩＤ、検出用ＣＡＤ併用ＳＩＤ、検出用ＣＡＤ及びＡＤＣを併用するＳＩＤ、並びに複数個の検出用パースペクティブ及びＡＤＣを併用するＳＩＤを実行しうるよう本願記載の実施形態を構成し用いることができる。このように、本願記載の実施形態を以て標準的なダイトゥダイアルゴリズムを置き換え、精度及び速度をより良好にすることができる。

フィーチャマップの入力ボリュームのみを修正するだけで、これらの用途全てをサポートすることができる。入力ボリュームとは、本質的には、（アルゴリズムフレームワーク内チャネルと通称される）多様な表現のことである。ＣＡＤ（又は本願記載の他のデザイン情報）併用ＳＩＤへの入力は、その標本の画像及びその標本に係るデザイン情報とすることができ、出力は欠陥検出結果例えば欠陥に係る確率マップとなる。加えて、ＳＩＤやＣＡＤ併用ＳＩＤを用いることで、欠陥なのかそれとも背景なのかという単純分類（検出）や欠陥種別及び背景間の分類（ＡＤＣ）を行うことができる。

また別の実施形態では、上掲の１個又は複数個のコンピュータサブシステムが、単一のテスト画像の複数個のパースペクティブを生成するよう構成され、当該単一のテスト画像として当該１個又は複数個のコンピュータサブシステムにより生成モデルに入力されるものが、当該単一のテスト画像の複数個のパースペクティブを含むものとされる。複数個のパースペクティブとは、本願記載の実施形態の文脈では、同じ生データについて画像処理を通じもたらされる様々な表現のことである。従って、本願記載の実施形態の文脈におけるＳＩＤが、イメージングサブシステムを用い有形標本から捕捉された単一のテスト画像のみを用いる欠陥検出を指すものであるところ、単一のテスト画像から生成された複数個の画像を用いそのＳＩＤを実行することもできる。従って、本願記載のコンピュータサブシステム（群）及び／又は生成モデルにより実行しうる任意の好適な画像処理を含むそれ等、画像処理によって上掲の複数個のパースペクティブを生成することができる。

本願記載の実施形態は、ＧＰＵ上で稼働するコンボリューション法を用いることで、効率的に実現することができる。とはいえ、本願記載の実施形態は、ＧＰＵの有無によらず（例．代わりに中央処理ユニット（ＣＰＵ）を用い）実現することができる。加えて、発明者が計測したところ、本願記載の欠陥検出では従来方法に比べかなり短い処理時間となった。本願記載の欠陥検出に係る性能を発明者による観測したところ、やはり、ＳＮＲ、分類精度双方の面で、２個の画像に依拠する従来方法に勝るものであった。

一実施形態に係る欠陥検出は、単一のテスト画像が他画像に対し整列されないものである。また別の実施形態では、欠陥検出が、単一のテスト画像が他画像と比較されないものとされる。例えば、画像とそれとは別の欠陥検出用参照画像との比較を伴う欠陥検出と異なり、本願記載の実施形態では欠陥検出に先立ち画像同士を整列させることが求められない。加えて、本願に記載されている欠陥検出その他の機能が同一且つ単一のテスト画像の複数個のパースペクティブを用いるものである場合も、それら複数個のパースペクティブの生成元が同一且つ単一のテスト画像であるため、整列誤差が単一のテスト画像とそれら複数個のパースペクティブのうち任意のものとの間に生じることはない。従って、他の欠陥検出方法及びシステムではつきものとなりがちな各種の誤整列不確定性及び／又は２画像間誤差が、本願記載の実施形態により実行される欠陥検出に悪影響を及ぼすことはない。加えて、欠陥検出が画像と他画像との比較を伴っていないので、本方法によれば、他の欠陥検出方法及びシステムに比べ、参照を発生源とするノイズ及び誤差が少なくなる。

更なる実施形態では、欠陥検出が、統計式欠陥検出を孕まないものとされる。例えば、本願詳述の如く、欠陥検出方法のなかには、単一のテスト画像及び統計分析を利用し、参照画像その他の無欠陥データに係るデータとの比較で散布図内の外れ値が判別されるものがある。これに対し、本願記載の実施形態では、その種の散布図をはじめ統計分析が何ら生成されない。その代わりに、生成モデルを本願詳述の如く訓練した後、その生成モデルのマッピングを用いることで、単一のテスト画像のフィーチャを、その画像内に欠陥が存在しているか否か及び恐らくはその種類を示すラベルへと、マッピングすることができる。

実施形態によっては、上掲の１個又は複数個のコンピュータサブシステムが、選択されたラベルと、その標本に係るデザイン情報と、の組合せに基づき欠陥を検出するよう構成される。例えば、本願詳述の如く、そのコンピュータサブシステム（群）により実行される欠陥検出にＣＡＤ併用ＳＩＤを組み込めばよい。ＣＡＤその他のデザイン情報は本願詳述の如く欠陥検出に用いることができる（例．デザインについての情報をマッピングに際しフィーチャとして用いることで欠陥の存否及び恐らくはその種類を判別することができる）。

また別の実施形態では、上掲の１個又は複数個のコンピュータサブシステムが、選択されたラベルに基づき且つその標本に係るデザイン情報無しで欠陥を検出するよう構成される。例えば、本願詳述の如く、ＣＡＤその他のデザイン情報抜きでのＳＩＤ向けに実施形態を構成することができる。こうすることで、欠陥検出及び恐らくは欠陥分類に用いられるフィーチャのみに、単一のテスト画像に関し判別されラベルへとマッピングされるフィーチャを含めることができる。

一実施形態に係るコンピュータサブシステム（群）は、生成モデル訓練用の訓練データセットを生成するよう、また標本に係るデザイン情報の構成部分とそのデザイン情報構成部分に関し生成された画像との対の集合がその訓練データセットに含まれることとなるよう、構成されたものである。このように、本願記載の実施形態はデータセット準備向けに構成することができる（多次元入力フィーチャマップ）。例えばそのデータセット準備中に一組の画像（例．欠陥があり又はないＳＥＭ画像）を集めてもよい。それら画像はＳＥＭ画像を含むものとしてもよいし、それに加え又は代え他の何らかの「グランドトゥルース」情報例えばＳＥＭ画像、光学画像、マスク検査画像、計量データ、前層光学データ等々を含むものとしてもよい。デザイン情報構成部分に関し生成される画像が、標本のイメージングで捕捉されたものでなくてもよい。例えば、計量システムを用い標本に対する計測を実行することで計量データを生成し、その計量データを処理することでその標本の画像を生成することで、訓練データセット中で対をなし用いられる画像を生成することができる。言い換えれば、場合によっては非画像データを用い標本の画像を生成してもよい。総じて、画像は全て同一種別でかまわない。それら画像が別々のイメージングモードを用い生成されていてもよい。更に、それら画像に生画像や処理画像が含まれていてもよい。

データセット準備中に、対応するデザインクリップをレンダリングし画像と整列させてもよい。そのデザイン情報が本願記載のどのデザイン情報を含んでいてもよい。例えば、一実施形態に係るデザイン情報はデザインデータ例えばＣＡＤデータである。ＣＡＤ又はＣＡＤデータ若しくは画像との関連で幾つかの実施形態を記述することが可能だが、ご理解頂けるように、本願記載の実施形態では本願記載の他のあらゆるデザイン情報を用いうる。別の例によれば、上掲のコンピュータサブシステム（群）を、その標本に係るデザインクリップを捕捉し、それらデザインクリップをレンダリングすることでデザイン情報、例えばその標本由来の画像に似た外観のものや似ていない外観のものを生成するよう、構成することができる。このレンダリングは、単純なレンダリング（二値画像）からより高度なレンダリング（標本データのミミッキング）まで多岐に亘りうる。このレンダリングは、更に、（シミュレーションとの関連で）本願記載の如く実行することができる。

従って、上掲のコンピュータサブシステム（群）により訓練データセットを準備することができる。その上にデザイン情報が発現している有形標本をイメージングすることで生成されるそれが「実」画像であるところ、このステップでは、ＣＡＤ及び実画像の整列及び画像クロッピングにより、ＣＡＤ及び実画像（例．ＳＥＭ又は光学画像）を整列させたものの対の集合を形成することで、訓練データセットを生成することができる。とりわけ、図３に示すように、様々なＣＡＤ構成部分３００及びそれに対応する実画像構成部分３０２を整列させクロッピングすることで、対応するＣＡＤ構成部分及び実画像の対３０４を生成することができる。

ＣＡＤは二値画像としてレンダリングすることができ、画素サイズの不均一性は整列に先立ち修復することができる。画素サイズを「不均一」化させうる原因としてはハードウェア由来の画像歪みがある。例えば電子ビーム画像では、所期画素サイズが１０．５ｎｍ×１０．５ｎｍであるところ、電子ビームの不安定性が原因で、標本上の第１個所に存する画素がその標本上の１０ｎｍ×１０ｎｍエリアを、またその標本上の第２個所（例えば第１個所に割合と近い個所）に存する画素がその標本上の１１ｎｍ×１１ｎｍエリアを代表する、といったことになりかねない。

対をなすデザイン情報構成部分及び画像は任意の好適なサイズとしうるものであり、その標本上にそのデザイン情報を発現させるのに用いられるプロセス（群）及び／又はそれら画像を生成するのに用いられるプロセス（群）の特性によって左右されうる。例えば、訓練に役立つ情報を画像に組み込むには、それら画像の有用サイズについての下限を、実画像の生成につきものの光学散乱効果（例．光学実画像の場合はリソグラフィツール及び／又は光学イメージングツールの点拡がり関数（ＰＳＦ）によるもの）に基づき定めればよい。ある種の例では、画像のサイズが画像フレーム（例．画素数千個）のオーダからパッチ画像（例．画素数十個）のオーダとされよう。

訓練データセットに含まれるデザイン情報構成部分・画像対の個数は任意の好適な個数としうるものであり、その用途によって左右されうる。例えば、訓練データセット内画像個数が数百〜数千になることがある。この訓練セット内画像個数を減らすには、各種データ補強手段例えばバッチランダム化、合成欠陥等々を採ればよい。合成欠陥については本願詳述の如くである。バッチランダム化の場合、訓練は画像のバッチ（例えば５０個）を単位として行われ、かなり多数の画像（例えば１０００個）に亘り反復される。ランダム化によって、バッチ毎に選択される５０個の画像中に十分な多様性を確ともたらし、訓練収束を確と円滑にすることができる。

実施形態の一つは、上掲の集合に属する対のうち少なくとも１個が、その標本上又は他標本上で検出された欠陥に関し生成されるものである。例えば、本願詳述の如く、上掲のコンピュータサブシステム（群）を、標本上の欠陥を検出し、訓練データセットに属する対の集合を当該検出された欠陥に基づき生成するよう、構成することができる。標本上での欠陥の検出は任意の好適な要領で行えばよい。検出された欠陥のうち、訓練データセットにて対を生成するのに用いられる欠陥が、他標本上で検出されたものである場合でも、当該他標本がその標本と同じ種別（例．デザインルール、層等々）のものであればよい。

また別の実施形態では、上掲の集合に属する対のうち少なくとも１個が合成欠陥に関し生成される。こうして合成欠陥を用いることでデータ訓練セットを補強することができる。一例としては、ＣＡＤを修正して欠陥（例．突起）を注入し、その上でネットワークを用いそれをレンダリングし訓練例として追加することで、ＳＥＭ、光学その他のシステム用の訓練データセットに合成欠陥を注入することができる。デザイン情報の修正は、そのデザイン情報中に合成欠陥を生成するのに適した何らかの要領で行えばよい。既修正のデザイン情報構成部分に関し実画像が生成されていない場合は、模擬画像（これは本願記載の如く生成モデルを用い生成することができる）を訓練データセット中でそのデザイン情報構成部分の画像として用いればよい。いずれのデザイン情報構成部分も多様な手法で修正することができ、それによりそのデザイン情報構成部分内に様々な合成欠陥を生成することができる。加えて、別々のデザイン情報構成部分を同様又は別様の手法で修正することで、それら別々のデザイン情報構成部分個々の内部に同様又は別様の合成欠陥を生成することができる。更に、上述の通り、既修正デザイン情報・画像対を未修正デザイン情報・画像対と組み合わせて訓練データセットを生成することが可能である。訓練データセット中で対をなす画像は、それらの実画像が利用できない場合を除き実画像（又は非模擬画像）であるのが望ましい。他のデザイン情報を本実施形態にて用いることもでき、それには本願記載のあらゆるデザイン情報が含まれうる。

また別の実施形態では、上掲の集合に属する対のうち少なくとも１個が模擬欠陥に関し生成される。例えば、模擬欠陥を用い訓練データセットを補強することができる。模擬欠陥には合成欠陥に当たるものとそうでないものとがある。例えば、一部の合成欠陥を用いることで、合成欠陥が注入されるデザイン情報に係る模擬画像を生成することができる。更に、模擬欠陥がデザイン構成部分中に注入された合成欠陥である必要はなく、他の源泉に由来する欠陥でありその欠陥に係る源泉候補（例．そのデザイン情報の欠陥に多くを負って引き起こされたのではなくその標本上にそのデザイン情報を発現させるのに用いられるプロセスでの変動によって引き起こされた欠陥群）に基づき模擬されたものであってもかまわない。

更なる実施形態では、上掲の集合に属する対のうち少なくとも１個が、プロセスウィンドウ検定（ＰＷＱ）によって検出された欠陥に関し生成される。こうすることで、ＰＷＱウェハから検出された欠陥を用い訓練データセットを補強することができる。ＰＷＱは、２００５年６月７日付特許文献１０（発明者：Ｐｅｔｅｒｓｏｎ ｅｔ ａｌ．）、２００８年８月２６日付特許文献１１（発明者：Ｐｅｔｅｒｓｏｎ ｅｔ ａｌ．）、２０１０年８月３日付特許文献１２（発明者：Ｋｅｋａｒｅ ｅｔ ａｌ．）、２０１１年１０月１８日付特許文献１３（発明者：Ｐａｋ ｅｔ ａｌ．）及び２０１２年７月３日付特許文献１４（発明者：Ｐｅｔｅｒｓｏｎ ｅｔ ａｌ．）に記載の如く実行すればよいので、あたかもその全容が本願中で説明されているかの如くこの参照を以てそれらを繰り入れることにする。ＰＷＱにより検出される欠陥の検出元はその標本上でも他標本上でもよい。デザイン情報構成部分及びそれに対応する画像は、ＰＷＱ検査の結果に基づき任意の好適な要領で生成すればよい。

実施形態によっては、そのデザイン情報が、デザインデータから生成された模擬画像を含むものとされる。デザインデータからの模擬画像の生成は、本願記載の機械学習システムを用い実行すればよい。こうすることで、本願記載の実施形態により、半導体関連アプリケーション向けＣＡＤレンダリングに機械学習システムを用いることができる。とりわけ、ＳＩＤの場合、訓練中の入力が標本の画像及び欠陥性画素のグランドトゥルースとされ、出力がそれら欠陥の確率マップとなる。ランタイムには入力が画像とされ、出力が欠陥の確率マップとなる。ＣＡＤレンダリングの場合、訓練中の入力が標本のＣＡＤクリップ及びグランドトゥルース（その標本の画像）とされる。ネットワークは、そのＣＡＤクリップをその標本の画像として表現するやり方を学習する。総体的概念は同様である（データ及びグランドトゥルースを以て訓練）。そのシミュレーションは、Ｚｈａｎｇ ｅｔ ａｌ．による２０１６年６月７日付米国特許出願第１５／１７６１３９号に記載の如くにも実行しうるので、あたかもその全容が本願中に記載されているかのようにこの参照を以て繰り入れることにする。本願記載の実施形態は、更に、この特許出願に記載の如く構成することができる。

また別の実施形態では、対をなす画像のうち少なくとも１個に、その標本又は他標本につきイメージングサブシステムにより生成された実画像を含める。例えば、その標本上又は他標本上で検出された欠陥に基づき対を生成すればよい。こうすることで、対をなす画像を、欠陥検出個所にてイメージングサブシステムにより生成された画像とすることができる。それらの個所に対応するデザイン構成部分は、その標本に係るデザイン情報から、（例．欠陥のウェハ空間内位置及び／又は欠陥のデザインデータ空間内位置に基づく）任意の好適な要領で抽出することができる。デザインデータ空間内欠陥個所識別の例が、上述の特許文献１及び２（発明者：Ｚａｆａｒ，Ｋｕｌｋａｒｎｉ）に記載されている。本実施形態は、更に、これら特許文献に記載の如く構成することができる。

更なる実施形態では、対をなす画像のうち少なくとも１個に、１）当該少なくとも１個の画像に係るデザイン情報、並びに２）他標本に関しイメージングサブシステムによって生成された他画像、に基づき生成された合成画像を含める。例えば、その標本のデザインに係る情報と、他標本に関し生成された画像とに基づき、別々の標本に係るデザイン情報間の類似性及び相違性についての情報や、当該他標本がイメージングサブシステムによってどのようにイメージングされたかを、導出することができる。これら類似性及び相違性についての情報によって生成モデル向けに十分な情報を提供すること、ひいてはイメージングサブシステムにより生成された画像中でその標本上のデザイン情報がどのような外見になりうるかにつき合成画像を生成することができる。例えば、別々の標本に係るデザイン情報とそれら標本のうち幾つかに係る画像との間の類似性についての情報を踏まえ、デザインにおける類似性に基づきそれら標本に係る画像を修正することにより、それら標本のうち他のものに係る画像を生成／推定することができる。

更なる実施形態では、対をなす画像のうち少なくとも１個に、１）当該少なくとも１個の画像に係るデザイン情報、並びに２）イメージングサブシステムの一通り又は複数通りの特性、に基づき生成された模擬画像を含める。例えば、標本構成部分に係るデザインに関する情報と、イメージングサブシステムのイメージング特性とに基づき、本願記載の実施形態によって、イメージングサブシステムにより生成された画像中でその標本構成部分がどのような外見になりうるかにつき模擬画像を生成することができ、またこれは、本願詳述の如く実行することができる。然る後、それら模擬画像を、それらに対応するデザイン情報構成部分と共に、訓練データセット中に組み込むことができる。

ある種の最適化法によれば、任意個所にて欠陥を生成するよう生成モデルに学習させることで（クロスレイヤ、クロスロケーション等々でのそれ）、注目欠陥（ＤＯＩ）についての爾後のデータ収集を不要化することができる。例えば、デザインクリップを用いるだけで欠陥付の画像（例えばＳＥＭデータのようなそれ）を「レンダリング」即ち生成することができるネットワークを用いればよい。どのような個所又は層にそのデザインクリップが属しているかは問題でない。この時点でレンダリングされている欠陥を用い検出／分類ネットワークを訓練することができる。

実施形態の一つは、上掲の１個又は複数個のコンピュータサブシステムを、上掲の集合に属する対をなす画像内の他欠陥を検出し、当該他欠陥の検出結果に対応する画像内画素にラベルを関連付けるよう、構成したものである。こうすることで、そのコンピュータサブシステム（群）によりラベルマップを生成することができる。例えば、ラベルマップによってその画像の各画素にラベルを割り当てることができる。本願詳述の如く、それらラベルにより、入力フィーチャマップボリューム内入力フィーチャが欠陥に係るものであるのか否かを指し示すことができる。例えば、それらラベルを、欠陥が存在していないことを示すラベル即ち「無欠陥」ラベルや、欠陥が存在していることを示すラベル「欠陥検出」ラベルとすることができる。加えて、本願詳述の如く、それらラベルにより、入力フィーチャマップボリューム内フィーチャに係る欠陥の種別を指し示すことができる。一例としては、それらラベルに階級、例えば「Ｃｌａｓｓ Ａ」、「Ｃｌａｓｓ Ｂ」、「Ｃｌａｓｓ ５４」、「Ｃｌａｓｓ １０２」等々を組み込むことができる。ラベルマップは、従来のダイトゥダイシステム実行等価タスク（トレーナ）を用い、上掲のコンピュータサブシステム（群）によって自動生成することができる。とはいえ、ラベルマップの生成には、欠陥検出（及び付加的には欠陥分類）の結果を別々の画像構成部分に関連付け、及び／又は、そのコンピュータサブシステム（群）が依拠する別々の画像構成部分に係る別々の既判別フィーチャに関連付けることによるものであれば、任意の好適な欠陥検出（及び付加的には欠陥分類）方法及びシステムを用いることができる。例えば、訓練データセット内画像を本願詳述の如くブロックへと分割し、それらブロックそれぞれ（又はそのうち少なくとも幾つか）に関し本願詳述の如く１個又は複数個のフィーチャを判別すればよい。別々の既判別画像構成部分に係るフィーチャには、本願記載のあらゆる種類のフィーチャが含まれうる。このように、上掲のコンピュータサブシステム（群）により、ブロックに係る既判別フィーチャをラベルと関連付けること、ひいては入力フィーチャマップボリュームを生成することができる。

そうした実施形態のうちあるものでは、上掲の１個又は複数個のコンピュータサブシステムが、対をなす画像に関し生成モデルによって判別されたフィーチャがそれら画像内の画素に係るラベルにマッピングされるに至るまでその生成モデルのパラメタを漸次修正することにより、その生成モデルの教師付訓練を実行するよう、構成される。その訓練（教師付訓練）の途上で、その非線形ネットワークが、正しいラベル（ラベルマップにて定義されるそれ）を予測しうるよう自分自身のパラメタ（荷重）を漸次修正していく。例えば、生成モデルの一通り又は複数通りのパラメタのうち本願記載の実施形態にて修正されるものに、訓練可能な荷重を有する生成モデルの任意の層に係る一通り又は複数通りの荷重を含めることができる。一例としては、それら荷重に、プーリング層ではなくコンボリューション層に係る荷重を含めることができる。様々な訓練方法を用い、比較的高速な収束を過剰適合無しで達成することができる。例えば、複数個のＧＰＵ及び事前訓練されたモデルの使用を通じ高速訓練を達成することができる。

訓練が済めば、その生成モデル及び更新されたパラメタ（モデル）は、（例．その標本上及び他標本上の欠陥を検出及び／又は分類すべく）配備可能となる。このように、非線形ネットワークにて学習された荷重により表現される学習済モデルを、標的システム例えば本願記載のシステムのうち１個に実装（インストール）することができる。即ち、ランタイム中にそのモデルが標的システム上に実装され、新たな画像がフォワードモード（推論モード）にて処理される。生成モデルによって、画像のコンテンツを正確に指し示すラベルマップが本願記載の如く生成される。

本願記載の実施形態によれば、時間的に先立って「手作りフィーチャ」を準備する必要がない。フィーチャは例（内部データ表現）から自動学習される。これら新規な実施形態は、データから学習する自然変動に対しロバストである。例を提示しシステムを再訓練することで、新たな層又は新たな欠陥種別へのサポートを、簡便且つ高速なものとすることができる。例えば、実施形態によっては、上掲の１個又は複数個のコンピュータサブシステムが、上掲の集合に新たな対を追加することで訓練データセットを修正し、当該新たな対に属する画像内の１個又は複数個の更なる欠陥を検出し、当該１個又は複数個の更なる欠陥の検出結果に対応する画像内画素に１個又は複数個の更なるラベルを関連付け、そして、上掲の対及び当該新たな対をなす画像に関し生成モデルによって判別されたフィーチャがそれらの対及び新たな対をなす画像内の画素に係るラベルにマッピングされるに至るまでそれらパラメタを漸次修正することにより教師付訓練を再実行するよう、構成される。こうすることで、新たな欠陥が発見、合成又は模擬されたときに新たな対で以て訓練データセットを更新することができ、その更新された訓練データセットを用い生成モデルを再訓練することができる。参照画像捕捉の必要性がないため時間が節約されるのに加え、本願記載の深層学習法（例．生成モデルの使用）に自己学習性があるためアルゴリズム開発の時間、労力及びコストが削減される。

本願記載の実施形態は、他の標本欠陥検出方法に比し幾つかの長所を有している。例えば、本願記載の実施形態は、従来用いられていた方法及びシステムに比べかなりロバストである。その一例は、本願記載の実施形態では時間的に先行して手作りフィーチャをデザインする必要がないことである。フィーチャは、手元にあるタスクに関し最適となるよう自動学習される。その別例は、データの自然変動に対するロバスト性が本願記載の実施形態により自動学習されることである。もう一つの例は、本願記載の実施形態ではレシピ改良サイクルが比較的短くなることである。更なる例は、そのデータがその訓練セット中に存在するとの想定で正規プロセス変動等の問題（例．ＬＥＲ）に対し自動対処されることである。

また、本願記載の実施形態は好適にも一般化可能である。例えば、同じニューラルネット法を多様なアプリケーション向けに用いることができる（例．ＳＩＤ、ＡＤＣ、ダイトゥデータベース等々）。加えて、本願記載の実施形態は好適にもスケーリング可能である。例えば、本願記載の実施形態の性能はデータが多いほど良好となり、またそれら実施形態は大量に並列化可能である。特に、本方法により解決可能な問題の個数は現用方法及びシステムよりも多い。一例としては、正しい訓練データを単に追加することにより、標本上のあらゆる種類の欠陥（プロセス又はパターン）の同じ方法論による検出及び分類向けに、同じ方法をスケーリングすることができる。

本願記載の実施形態の更なる長所としては、既存のブートストラップ方法を梃子入れできる点がある。例えば、本願詳述のそれをはじめ既存の欠陥検出アルゴリズムを梃子として用い訓練プロセスをブートストラップすることができる。加えて、比較的低速なシミュレーション法（例．マルコフ鎖）を本願記載のシミュレーションに用いることができる（例．欠陥種別例の生成）。

上述したシステムそれぞれの実施形態それぞれを組み合わせて単一の実施形態にすることができる。

もう一つの実施形態は、標本上の欠陥を検出するためのコンピュータ実施方法に関するものである。本方法では、標本の構成部分に関しイメージングサブシステムにより生成された単一のテスト画像が複数個の画素ブロックに分割され、またそれが例えば本願詳述の如く実行される。そのイメージングサブシステムは本願詳述の如く構成すればよい。本方法では、更に、それら複数個の画素ブロックのうち少なくとも１個に関し、当該複数個のブロックのうち当該少なくとも１個内の画素のみに基づき、当該複数個のブロックのうち当該少なくとも１個に備わるフィーチャが判別される。フィーチャの判別は本願詳述の如く実行すればよい。これら分割ステップ及び判別ステップは、１個又は複数個のコンピュータサブシステムにより実行される１個又は複数個のコンポーネントに含まれる生成モデルによって、実行される。

これら生成モデル、１個又は複数個のコンポーネント及び１個又は複数個のコンピュータサブシステムもやはり本願記載の如く構成すればよい。例えば、その生成モデルを、入力フィーチャマップボリュームを構成する画素のブロックをラベルにマッピングするよう構成された非線形ネットワークを有するものとし、それらラベルを、それらブロックの一通り又は複数通りの欠陥関連特性を示すものとする。

加えて、本方法においては、判別されたフィーチャと、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングした結果とに基づき、複数個のブロックのうち少なくとも１個に係るラベルのうち１個が選択される。ブロックに係るラベルの選択は本願記載の実施形態のうちいずれかに従い実行すればよい。本方法においては、更に、複数個のブロックのうち少なくとも１個に関し選択されたラベルに基づき標本構成部分内の欠陥が検出され、またそれが例えば本願記載の実施形態のうちいずれかに従い実行される。この検出は上掲の１個又は複数個のコンピュータサブシステムにより実行される。

本方法の各ステップは本願詳述の如く通り実行すればよい。本方法には、更に、本願記載のシステム、コンピュータサブシステム（群）及び／又はイメージングシステム又はサブシステムにより実行可能な他のあらゆるステップ（群）を組み込むことができる。加えて、上述の方法は、本願記載のシステム実施形態のうちいずれでも実行することができる。

もう一つの実施形態は、標本上の欠陥を検出するためのコンピュータ実施方法を実行すべく、コンピュータシステム上で実行可能なプログラム命令が格納されている非一時的コンピュータ可読媒体に、関するものである。そうした実施形態の一つを図４に示す。特に、図４に示す非一時的コンピュータ可読媒体４００内には、コンピュータシステム４０４上で実行可能なプログラム命令４０２が存している。このコンピュータ実施方法には、本願記載のどの方法（群）のどのステップ（群）をも組み込みうる。

プログラム命令４０２は方法、例えば本願記載のそれを実施するためのものであり、コンピュータ可読媒体４００上に格納することができる。そのコンピュータ可読媒体は格納媒体例えば磁気又は光ディスク、磁気テープの他、本件技術分野で既知で好適なあらゆる非一時的コンピュータ可読媒体とすることができる。

それらプログラム命令は、手続きベース技術、コンポーネントベース技術及び／又はオブジェクト指向技術をはじめ、様々な形態で実装することができる。例えば、それらプログラム命令の実装には、ＡｃｔｉｖｅＸ（登録商標）コントロール、Ｃ＋＋オブジェクト、ＪａｖａＢｅａｎｓ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）ＦｏｕｎｄａｔｉｏｎＣｌａｓｓｅｓ（“ＭＦＣ”）、ＳＳＥ（ストリーミングＳＩＭＤエクステンション）その他のテクノロジ又は方法論を、好き好きに用いることができる。

コンピュータシステム４０４は、本願記載の実施形態のいずれに従い構成してもよい。

いわゆる当業者なら、本明細書を参照することで、本発明の諸態様の更なる修正及び代替的実施形態を察することができよう。例えば、標本上の欠陥を検出する方法及びシステムが提示されている。従って、本明細書については専ら例証として、また本発明の総体的実行要領をいわゆる当業者に教示する目的のものとして解されるべきである。ご理解頂けるように、本願中で図示及び記述されている発明の諸形態は現下で好適な実施形態として把握されるべきである。要素及び素材を本願中で図示及び記述されているそれに置換可能なこと、部材及びプロセスの順序を入れ替えることが可能なこと、また本発明のある種の特徴を独立利用可能なことについては、いずれも、本発明に関しこの明細書を参照することでいわゆる当業者にはご理解頂けよう。本願記載の諸要素に対しては、別項の特許請求の範囲に記載されている発明の神髄及び技術的範囲から離隔することなく、改変することが可能である。

Claims (36)

1. 標本上の欠陥を検出するよう構成されたシステムであって、
   標本の画像を生成するよう構成されたイメージングサブシステムであり、その標本にエネルギを差し向けるよう構成された少なくとも１個のエネルギ源並びにその標本からのエネルギを検出するよう構成された少なくとも１個の検出器を有するイメージングサブシステムと、
   上記イメージングサブシステムに結合された１個又は複数個のコンピュータサブシステムであり、上記標本の構成部分に関しそのイメージングサブシステムにより生成された単一のテスト画像を捕捉するよう構成されている１個又は複数個のコンピュータサブシステムと、
   上記１個又は複数個のコンピュータサブシステムにより実行される１個又は複数個のコンポーネントと、
   を備え、
   上記１個又は複数個のコンポーネントが生成モデルを含み、その生成モデルが、入力フィーチャマップボリュームを構成する画素のブロックをラベルにマッピングするよう構成された非線形ネットワークを有し、それらラベルがそれらブロックの一通り又は複数通りの欠陥関連特性を示すものであり、
   上記１個又は複数個のコンピュータサブシステムが、更に、上記単一のテスト画像を上記生成モデルに入力するよう構成されており、
   上記生成モデルが、
   上記単一のテスト画像を複数個の画素ブロックに分割するよう、
   上記複数個の画素ブロックのうち少なくとも１個に関し、それら複数個のブロックのうち当該少なくとも１個に属する画素のみに基づき、当該複数個のブロックのうち当該少なくとも１個に備わるフィーチャを判別するよう、且つ
   判別されたフィーチャと、上記入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングした結果とに基づき、上記複数個のブロックのうち上記少なくとも１個に係るラベルのうち１個を選択するよう、
   構成されており、
   上記１個又は複数個のコンピュータサブシステムが、更に、上記複数個のブロックのうち上記少なくとも１個に関し選択されたラベルに基づき上記標本構成部分内の欠陥を検出するよう、構成されているシステム。
2. 請求項１に記載のシステムであって、上記生成モデルが深層生成モデルであるシステム。
3. 請求項１に記載のシステムであって、上記生成モデルが機械学習モデルであるシステム。
4. 請求項１に記載のシステムであって、上記生成モデルが畳み込みニューラルネットワークであるシステム。
5. 請求項１に記載のシステムであって、上記欠陥検出が他画像に対する上記単一のテスト画像の整列を含まないシステム。
6. 請求項１に記載のシステムであって、上記欠陥検出が他画像に対する上記単一のテスト画像の比較を含まないシステム。
7. 請求項１に記載のシステムであって、上記欠陥検出が統計式欠陥検出を含まないシステム。
8. 請求項１に記載のシステムであって、上記ラベルが、上記入力フィーチャマップボリューム内の入力フィーチャが欠陥に係るものであるのか欠陥に係るものでないのかを示すものであるシステム。
9. 請求項１に記載のシステムであって、上記ラベルが、上記入力フィーチャマップボリューム内の入力フィーチャに係る欠陥の種別を示すものであるシステム。
10. 請求項１に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、上記複数個のブロックのうち上記少なくとも１個に関し選択されたラベルに基づき上記標本構成部分内の欠陥の種別を判別するよう、構成されているシステム。
11. 請求項１に記載のシステムであって、上記複数個のブロックのうち上記少なくとも１個に係るラベルのうち１個の選択にて、それら複数個のブロックの組合せに係るラベルのうち１個のみの選択が行われるシステム。
12. 請求項１に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、生成モデル訓練用の訓練データセットを生成するよう構成されており、その訓練データセットが、上記標本に係るデザイン情報の構成部分と、そのデザイン情報構成部分に関し生成された画像と、の対の集合を含むシステム。
13. 請求項１２に記載のシステムであって、上記集合に属する対のうち少なくとも１個が、上記標本上又は他標本上で検出された欠陥に関し生成されるシステム。
14. 請求項１２に記載のシステムであって、上記集合に属する対のうち少なくとも１個が合成欠陥に関し生成されるシステム。
15. 請求項１２に記載のシステムであって、上記集合に属する対のうち少なくとも１個が模擬欠陥に関し生成されるシステム。
16. 請求項１２に記載のシステムであって、上記集合に属する対のうち少なくとも１個が、プロセスウィンドウ検定により検出された欠陥に関し生成されるシステム。
17. 請求項１２に記載のシステムであって、上記デザイン情報がデザインデータを含むシステム。
18. 請求項１２に記載のシステムであって、上記デザイン情報が、デザインデータから生成された模擬画像を含むシステム。
19. 請求項１２に記載のシステムであって、上記対をなす画像のうち少なくとも１個が、上記イメージングサブシステムにより上記標本又は他標本につき生成された実画像を含むシステム。
20. 請求項１２に記載のシステムであって、上記対をなす画像のうち少なくとも１個が、１）当該少なくとも１個の画像に係るデザイン情報、並びに２）他標本に関し上記イメージングサブシステムにより生成された他画像、に基づき生成された合成画像を含むシステム。
21. 請求項１２に記載のシステムであって、上記対をなす画像のうち少なくとも１個が、１）当該少なくとも１個の画像に係るデザイン情報、並びに２）上記イメージングサブシステムの一通り又は複数通りの特性、に基づき生成された模擬画像を含むシステム。
22. 請求項１２に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、上記集合において上記対をなす画像内の他欠陥を検出し、当該他欠陥の検出結果に対応する画像内画素にラベルを関連付けるよう、構成されているシステム。
23. 請求項２２に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、上記対をなす画像に関し上記生成モデルによって判別されたフィーチャがそれら画像内の画素に係るラベルにマッピングされるに至るまでその生成モデルのパラメタを漸次修正することにより、その生成モデルの教師付訓練を実行するよう、構成されているシステム。
24. 請求項２３に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、上記集合に新たな対を追加することで上記訓練データセットを修正し、当該新たな対をなす画像内の１個又は複数個の更なる欠陥を検出し、当該１個又は複数個の更なる欠陥の検出結果に対応する画像内画素に１個又は複数個の更なるラベルを関連付け、そして、上記対及び当該新たな対をなす画像に関し上記生成モデルによって判別されたフィーチャが当該対及び当該新たな対をなす画像内の画素に係るラベルにマッピングされるに至るまで上記パラメタを漸次修正することにより上記教師付訓練を再実行するよう、構成されているシステム。
25. 請求項１に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、上記単一のテスト画像の複数個のパースペクティブを生成するよう構成されており、当該単一のテスト画像として当該１個又は複数個のコンピュータサブシステムにより上記生成モデルに入力されるものに、当該単一のテスト画像の複数個のパースペクティブが含まれるシステム。
26. 請求項１に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、上記選択されたラベルに基づき且つ上記標本に係るデザイン情報を併用し欠陥を検出するよう構成されているシステム。
27. 請求項１に記載のシステムであって、上記１個又は複数個のコンピュータサブシステムが、更に、上記選択されたラベルに基づき且つ上記標本に係るデザイン情報無しで欠陥を検出するよう構成されているシステム。
28. 請求項１に記載のシステムであって、上記イメージングサブシステムが電子ビーム式イメージングサブシステムであるシステム。
29. 請求項１に記載のシステムであって、上記イメージングサブシステムが光学式イメージングサブシステムであるシステム。
30. 請求項１に記載のシステムであって、上記イメージングサブシステムが検査サブシステムであるシステム。
31. 請求項１に記載のシステムであって、上記イメージングサブシステムが欠陥レビューサブシステムであるシステム。
32. 請求項１に記載のシステムであって、上記イメージングサブシステムが計量サブシステムであるシステム。
33. 請求項１に記載のシステムであって、上記標本がウェハであるシステム。
34. 請求項１に記載のシステムであって、上記標本がレティクルであるシステム。
35. 標本上の欠陥を検出するためのコンピュータ実施方法を実行すべく、コンピュータシステム上で実行可能なプログラム命令が格納されている非一時的コンピュータ可読媒体であり、そのコンピュータ実施方法が、
    標本の構成部分に関しイメージングサブシステムによって生成された単一のテスト画像を複数個の画素ブロックに分割するステップと、
    上記複数個の画素ブロックのうち少なくとも１個に関し、それら複数個のブロックのうち当該少なくとも１個に属する画素のみに基づき、当該複数個のブロックのうち当該少なくとも１個に備わるフィーチャを判別するステップであり、上記分割とこの判別とが、１個又は複数個のコンピュータサブシステムにより実行される１個又は複数個のコンポーネントに組み込まれた生成モデルによって実行され、その生成モデルが、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングするよう構成された非線形ネットワークを有し、それらラベルがそれらブロックの一通り又は複数通りの欠陥関連特性を示すものであるステップと、
    判別されたフィーチャと、上記入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングした結果とに基づき、上記複数個のブロックのうち上記少なくとも１個に係るラベルのうち１個を選択するステップと、
    上記複数個のブロックのうち上記少なくとも１個に関し選択されたラベルに基づき上記標本構成部分内の欠陥を検出するステップであり、上記１個又は複数個のコンピュータサブシステムがその検出を実行するステップと、
    を有する非一時的コンピュータ可読媒体。
36. 標本上の欠陥を検出するためのコンピュータ実施方法であって、
    標本の構成部分に関しイメージングサブシステムによって生成された単一のテスト画像を複数個の画素ブロックに分割するステップと、
    上記複数個の画素ブロックのうち少なくとも１個に関し、それら複数個のブロックのうち当該少なくとも１個に属する画素のみに基づき、当該複数個のブロックのうち当該少なくとも１個に備わるフィーチャを判別するステップであり、上記分割とこの判別とが、１個又は複数個のコンピュータサブシステムにより実行される１個又は複数個のコンポーネントに組み込まれた生成モデルによって実行され、その生成モデルが、入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングするよう構成された非線形ネットワークを有し、それらラベルがそれらブロックの一通り又は複数通りの欠陥関連特性を示すものであるステップと、
    判別されたフィーチャと、上記入力フィーチャマップボリュームを構成する画素ブロックをラベルにマッピングした結果とに基づき、上記複数個のブロックのうち上記少なくとも１個に係るラベルのうち１個を選択するステップと、
    上記複数個のブロックのうち上記少なくとも１個に関し選択されたラベルに基づき上記標本構成部分内の欠陥を検出するステップであり、上記１個又は複数個のコンピュータサブシステムがその検出を実行するステップと、
    を有する方法。
    

Images