JP2019508789A - 半導体用途のための機械学習ベースのモデルの加速トレーニング - Google Patents
半導体用途のための機械学習ベースのモデルの加速トレーニング Download PDFInfo
- Publication number
- JP2019508789A JP2019508789A JP2018534670A JP2018534670A JP2019508789A JP 2019508789 A JP2019508789 A JP 2019508789A JP 2018534670 A JP2018534670 A JP 2018534670A JP 2018534670 A JP2018534670 A JP 2018534670A JP 2019508789 A JP2019508789 A JP 2019508789A
- Authority
- JP
- Japan
- Prior art keywords
- machine learning
- defect
- nominal
- information
- specimens
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 133
- 238000012549 training Methods 0.000 title claims abstract description 68
- 239000004065 semiconductor Substances 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 167
- 230000008569 process Effects 0.000 claims abstract description 81
- 238000004088 simulation Methods 0.000 claims abstract description 58
- 238000013526 transfer learning Methods 0.000 claims abstract description 32
- 230000007547 defect Effects 0.000 claims description 187
- 238000003384 imaging method Methods 0.000 claims description 138
- 238000013461 design Methods 0.000 claims description 96
- 230000003287 optical effect Effects 0.000 claims description 76
- 238000010894 electron beam technology Methods 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 34
- 238000004519 manufacturing process Methods 0.000 claims description 24
- 238000012552 review Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 239000002131 composite material Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013398 bayesian method Methods 0.000 claims description 3
- 238000013531 bayesian neural network Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 235000012431 wafers Nutrition 0.000 description 62
- 238000007689 inspection Methods 0.000 description 40
- 238000001514 detection method Methods 0.000 description 29
- 238000005286 illumination Methods 0.000 description 28
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000011960 computer-aided design Methods 0.000 description 9
- 230000001939 inductive effect Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000013400 design of experiment Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000002950 deficient Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000004626 scanning electron microscopy Methods 0.000 description 6
- 230000009897 systematic effect Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010884 ion-beam technique Methods 0.000 description 3
- 238000001459 lithography Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000399 optical microscopy Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000001308 synthesis method Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000001433 helium-ion microscopy Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001878 scanning electron micrograph Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010189 synthetic method Methods 0.000 description 2
- 235000006719 Cassia obtusifolia Nutrition 0.000 description 1
- 235000014552 Cassia tora Nutrition 0.000 description 1
- 244000201986 Cassia tora Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011066 ex-situ storage Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001004 secondary ion mass spectrometry Methods 0.000 description 1
- 238000005389 semiconductor device fabrication Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/9501—Semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Description
Claims (37)
- 機械学習ベースのモデルをトレーニングするように構成されているシステムであって、
1つ以上のコンピュータサブシステムと、
前記1つ以上のコンピュータサブシステムによって実行される1つ以上の構成要素とを備え、前記1つ以上の構成要素は、
標本のための1つ以上のシミュレーションを実施するように構成されている機械学習ベースのモデルであって、前記機械学習ベースのモデルは、前記標本のうちの1つ以上の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる、機械学習ベースのモデルを含み、
前記1つ以上のコンピュータサブシステムは、
前記標本のうちの1つ以上の標本の非名目上のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施される、取得することと、
前記機械学習ベースのモデルを前記標本のうちの前記1つ以上の標本の前記非名目上のインスタンスのための前記情報を用いて再トレーニングすることであって、それにより前記標本のうちの前記1つ以上の標本の前記非名目上のインスタンスのための前記情報の前記機械学習ベースのモデルへの転移学習を実施する、再トレーニングすることと、を行うように構成されているシステム。 - 請求項1に記載のシステムであって、前記1つ以上のシミュレーションを実施することは、前記標本のうちの1つについて1つ以上のシミュレーション画像を生成することを含み、前記1つ以上のシミュレーション画像は、前記標本のうちの前記1つが、撮像システムによって生成された前記標本のうちの前記1つの1つ以上の実画像内でどのように見えるかを例証するシステム。
- 請求項2に記載のシステムであって、前記撮像システムは光学ベースの撮像システムであるシステム。
- 請求項2に記載のシステムであって、前記撮像システムは電子ビームベースの撮像システムであるシステム。
- 請求項1に記載のシステムであって、前記1つ以上のシミュレーションを実施することは、前記標本のうちの1つについて1つ以上のシミュレーション測定値を生成することを含み、前記1つ以上のシミュレーション測定値は、計測システムによって前記標本のうちの前記1つについて生成された出力を表すシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含むシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記1つ以上の標本は、1つ以上の実際の標本を含み、その標本に対して、前記プロセスが、前記プロセスの1つ以上のパラメータの2つ以上の異なる値を用いて実施されるシステム。
- 請求項7に記載のシステムであって、前記プロセスは、プロセスウィンドウ認定法において前記プロセスの前記1つ以上のパラメータの前記2つ以上の異なる値を用いて実施されるシステム。
- 請求項7に記載のシステムであって、前記プロセスは、オーバーレイマージン決定のために設計されたプロセスウィンドウ認定法において前記プロセスの前記1つ以上のパラメータの前記2つ以上の異なる値を用いて実施されるシステム。
- 請求項7に記載のシステムであって、前記プロセスは、焦点露出マトリクス法において前記プロセスの前記1つ以上のパラメータの前記2つ以上の異なる値を用いて実施されるシステム。
- 請求項1に記載のシステムであって、取得した前記情報は、電子設計自動化ツールによって形成された前記1つ以上の標本のための合成設計データから生成されるシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記欠陥は、前記設計内に合成欠陥を作成するために前記1つ以上の標本のための設計を変更することによって生成された1つ以上の合成欠陥を含むシステム。
- 請求項12に記載のシステムであって、前記1つ以上の構成要素は、前記設計内に前記合成欠陥を作成するために前記設計を変更するように構成されたインセプションモジュールをさらに含むシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記欠陥は、前記設計内に前記合成欠陥を作成するために前記1つ以上の標本のための設計を変更することによって生成された1つ以上の合成欠陥を含み、前記非名目上のインスタンスのための前記情報は、前記合成欠陥がプリントされる前記1つ以上の標本のための撮像または計測システムによって生成された出力を含むシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記欠陥は、前記設計内に前記合成欠陥を作成するために前記1つ以上の標本のための設計を変更することによって生成された1つ以上の合成欠陥を含み、前記非名目上のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記1つ以上の標本を表すシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記欠陥は、前記設計内に前記合成欠陥を作成するために前記1つ以上の標本のための設計を変更することによって生成された1つ以上の合成欠陥を含み、前記非名目上のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記1つ以上の標本が撮像システムによって生成された標本の1つ以上の実画像内でどのように見えるかを例証するシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記欠陥は、前記設計内に前記合成欠陥を作成するために前記1つ以上の標本のための設計を変更することによって生成された1つ以上の合成欠陥を含み、前記非名目上のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記1つ以上の標本のための計測システムによって生成された出力を表すシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記欠陥は、前記設計内に前記合成欠陥を作成するために前記1つ以上の標本のための設計を変更することによって生成された1つ以上の合成欠陥を含み、前記非名目上のインスタンスのための前記情報は、他のモデルの出力を含み、前記他のモデルの前記出力は、前記合成欠陥がプリントされる前記1つ以上の標本のための別のシステムによって生成された出力を表し、前記他のモデルは深層生成的モデルであるシステム。
- 請求項1に記載のシステムであって、前記非名目上のインスタンスは、前記1つ以上の標本における欠陥のインスタンスを含み、前記欠陥は、前記設計内に合成欠陥を作成するために前記1つ以上の標本のための設計を変更することによって生成された1つ以上の合成欠陥を含み、前記非名目上のインスタンスのための前記情報は、変更された前記設計を含むシステム。
- 請求項1に記載のシステムであって、前記1つ以上の構成要素は、前記1つ以上の標本の前記名目上のインスタンスのための前記情報を作成するように構成された深層生成的モデルをさらに含むシステム。
- 請求項1に記載のシステムであって、前記1つ以上の標本の前記名目上のインスタンスは、自然情景画像を含むシステム。
- 請求項1に記載のシステムであって、前記1つ以上の標本の前記名目上のインスタンスは、2種類以上のデータを含むシステム。
- 請求項1に記載のシステムであって、前記機械学習ベースのモデルは、識別モデルであるシステム。
- 請求項1に記載のシステムであって、前記機械学習ベースのモデルは、ニューラルネットワークであるシステム。
- 請求項1に記載のシステムであって、前記機械学習ベースのモデルは、畳み込みおよび逆畳み込みニューラルネットワークであるシステム。
- 請求項1に記載のシステムであって、前記1つ以上の構成要素は、1つ以上の追加の構成要素をさらに含み、前記再トレーニングは、前記1つ以上の追加の構成要素を使用して実施され、前記1つ以上の追加の構成要素は、前記標本上のすべての層のための共通マザーネットワーク、前記標本上のすべての層のためのグランド共通マザーネットワーク、敵対的ネットワーク、深層敵対的生成ネットワーク、敵対的オートエンコーダ、ベイジアンニューラルネットワーク、変分型ベイジアン法のために構成された構成要素、はしごネットワーク、またはそれらのいくつかの組み合わせを含むシステム。
- 請求項1に記載のシステムであって、前記再トレーニングは、トレーニングされた前記機械学習ベースの方法の畳み込み層のすべての重みを転移すること、およびトレーニングされた前記機械学習ベースの方法の全結合層の重みをファインチューニングすることを含むシステム。
- 請求項1に記載のシステムであって、前記標本の電子ビーム画像を生成するように構成された電子ビームベースの撮像サブシステムをさらに備え、前記1つ以上のコンピュータサブシステムが、前記電子ビームベースの撮像サブシステムから前記電子ビーム画像を受信するようにさらに構成されているシステム。
- 請求項1に記載のシステムであって、前記標本の光学画像を生成するように構成された光学ベースの撮像サブシステムをさらに備え、前記1つ以上のコンピュータサブシステムが、前記光学ベースの撮像サブシステムから前記光学画像を受信するようにさらに構成されているシステム。
- 請求項1に記載のシステムであって、前記標本の出力を生成するように構成された検査サブシステムをさらに備え、前記1つ以上のコンピュータサブシステムが、前記検査サブシステムから前記出力を受信し、前記出力に基づいて前記標本における欠陥を検出するようにさらに構成されているシステム。
- 請求項1に記載のシステムであって、前記標本において検出された欠陥の出力を生成するように構成された欠陥レビューサブシステムをさらに備え、前記1つ以上のコンピュータサブシステムが、前記欠陥レビューサブシステムから前記出力を受信して、前記出力に基づいて前記標本において検出された前記欠陥の特性を決定するようにさらに構成されているシステム。
- 請求項1に記載のシステムであって、前記標本の出力を生成するように構成された計測サブシステムをさらに備え、前記1つ以上のコンピュータサブシステムが、前記計測サブシステムから前記出力を受信し、前記出力に基づいて前記標本の特性を決定するようにさらに構成されているシステム。
- 請求項1に記載のシステムであって、前記標本に対して1つ以上の製作プロセスを実施するように構成された半導体製作サブシステムをさらに備えるシステム。
- 請求項1に記載のシステムであって、前記標本は、ウェハを含むシステム。
- 請求項1に記載のシステムであって、前記標本は、レチクルを含むシステム。
- 機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法を実施するための1つ以上のコンピュータシステムに対して実行可能なプログラム命令を格納する非一時的なコンピュータ可読媒体であって、前記コンピュータ実装の方法は、
1つ以上の標本の非名目上のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施され、前記機械学習ベースのモデルは、前記標本のための1つ以上のシミュレーションを実施するように構成されており、前記機械学習ベースのモデルは、1つ以上の追加の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる、取得することと、
前記機械学習ベースのモデルを前記1つ以上の標本の非名目上のインスタンスのための前記情報を用いて再トレーニングすることであって、それにより前記1つ以上の標本の前記非名目上のインスタンスのための前記情報の前記機械学習ベースのモデルへの転移学習を実施し、前記取得することおよび前記再トレーニングすることは、前記1つ以上のコンピュータシステムによって実施され、1つ以上の構成要素は、前記1つ以上のコンピュータシステムによって実行され、前記1つ以上の構成要素は、前記機械学習ベースのモデルを含む、再トレーニングすることと、を含む非一時的なコンピュータ可読媒体。 - 機械学習ベースのモデルをトレーニングするためのコンピュータ実装の方法であって、
1つ以上の標本の非名目上のインスタンスのための情報を取得することであって、この情報に基づいてプロセスが実施され、前記機械学習ベースのモデルは、前記標本のための1つ以上のシミュレーションを実施するように構成されており、前記機械学習ベースのモデルは、1つ以上の追加の標本の名目上のインスタンスのための情報のみを用いてトレーニングされる、取得することと、
前記機械学習ベースのモデルを前記1つ以上の標本の非名目上のインスタンスのための前記情報を用いて再トレーニングすることであって、それにより前記1つ以上の標本の前記非名目上のインスタンスのための前記情報の前記機械学習ベースのモデルへの転移学習を実施し、前記取得することおよび前記再トレーニングすることは、前記1つ以上のコンピュータシステムによって実施され、1つ以上の構成要素は、前記1つ以上のコンピュータシステムによって実行され、前記1つ以上の構成要素は、前記機械学習ベースのモデルを含む、再トレーニングすることと、を含むコンピュータ実装の方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562273985P | 2015-12-31 | 2015-12-31 | |
US62/273,985 | 2015-12-31 | ||
US15/394,792 | 2016-12-29 | ||
US15/394,792 US9916965B2 (en) | 2015-12-31 | 2016-12-29 | Hybrid inspectors |
PCT/US2016/069580 WO2017117568A1 (en) | 2015-12-31 | 2016-12-30 | Accelerated training of a machine learning based model for semiconductor applications |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019508789A true JP2019508789A (ja) | 2019-03-28 |
JP2019508789A5 JP2019508789A5 (ja) | 2020-02-13 |
JP6941103B2 JP6941103B2 (ja) | 2021-09-29 |
Family
ID=59225974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018534670A Active JP6941103B2 (ja) | 2015-12-31 | 2016-12-30 | 半導体用途のための機械学習ベースのモデルの加速トレーニング |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP3398123A4 (ja) |
JP (1) | JP6941103B2 (ja) |
KR (1) | KR20180090385A (ja) |
CN (1) | CN108475351B (ja) |
IL (1) | IL259705B (ja) |
WO (1) | WO2017117568A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020510856A (ja) * | 2017-02-24 | 2020-04-09 | エーエスエムエル ネザーランズ ビー.ブイ. | 機械学習によるプロセスモデルの決定方法 |
WO2023223535A1 (ja) * | 2022-05-20 | 2023-11-23 | 株式会社日立ハイテク | 探索装置および探索方法並びに半導体装置製造システム |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102468979B1 (ko) * | 2018-03-05 | 2022-11-18 | 케이엘에이 코포레이션 | 3차원 반도체 구조의 시각화 |
US10677742B2 (en) | 2018-03-09 | 2020-06-09 | Kla-Tencor Corp. | Detecting die repeating programmed defects located in backgrounds with non-repeating features |
US10969773B2 (en) * | 2018-03-13 | 2021-04-06 | Applied Materials, Inc. | Machine learning systems for monitoring of semiconductor processing |
US10789703B2 (en) * | 2018-03-19 | 2020-09-29 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
DE102018207882A1 (de) | 2018-05-18 | 2019-11-21 | Carl Zeiss Smt Gmbh | Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells |
DE102018207880A1 (de) | 2018-05-18 | 2019-11-21 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses |
DE102018209562B3 (de) | 2018-06-14 | 2019-12-12 | Carl Zeiss Smt Gmbh | Vorrichtungen und Verfahren zur Untersuchung und/oder Bearbeitung eines Elements für die Photolithographie |
US10732130B2 (en) * | 2018-06-19 | 2020-08-04 | Kla-Tencor Corporation | Embedded particle depth binning based on multiple scattering signals |
DE102018211099B4 (de) | 2018-07-05 | 2020-06-18 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Bewerten eines statistisch verteilten Messwertes beim Untersuchen eines Elements eines Photolithographieprozesses |
CN112640037A (zh) * | 2018-09-03 | 2021-04-09 | 首选网络株式会社 | 学习装置、推理装置、学习模型的生成方法及推理方法 |
US10930531B2 (en) | 2018-10-09 | 2021-02-23 | Applied Materials, Inc. | Adaptive control of wafer-to-wafer variability in device performance in advanced semiconductor processes |
US10657214B2 (en) | 2018-10-09 | 2020-05-19 | Applied Materials, Inc. | Predictive spatial digital design of experiment for advanced semiconductor process optimization and control |
US10705514B2 (en) | 2018-10-09 | 2020-07-07 | Applied Materials, Inc. | Adaptive chamber matching in advanced semiconductor process control |
JPWO2020121739A1 (ja) * | 2018-12-11 | 2021-11-04 | Tasmit株式会社 | 画像マッチング方法、および画像マッチング処理を実行するための演算システム |
US11263737B2 (en) * | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US11947890B2 (en) | 2019-05-10 | 2024-04-02 | Sandisk Technologies Llc | Implementation of deep neural networks for testing and quality control in the production of memory devices |
MX2021013891A (es) * | 2019-05-14 | 2022-03-25 | Onesubsea Ip Uk Ltd | Técnicas de aprendizaje automático con sistema en bucle para sistemas de telemetría de petróleo y gas. |
WO2020234863A1 (en) * | 2019-05-22 | 2020-11-26 | Applied Materials Israel Ltd. | Machine learning-based classification of defects in a semiconductor specimen |
US20210064977A1 (en) * | 2019-08-29 | 2021-03-04 | Synopsys, Inc. | Neural network based mask synthesis for integrated circuits |
EP3796230B1 (en) * | 2019-09-17 | 2022-03-09 | Imec VZW | A method for determining process limits of a semiconductor process |
CN110648935A (zh) * | 2019-09-25 | 2020-01-03 | 上海众壹云计算科技有限公司 | 一种运用ai模型的半导体制造缺陷动态随机取样方法 |
US11816411B2 (en) * | 2020-01-29 | 2023-11-14 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method and system for semiconductor wafer defect review |
EP3910417A1 (en) * | 2020-05-13 | 2021-11-17 | ASML Netherlands B.V. | Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process |
CN115398345A (zh) | 2020-04-02 | 2022-11-25 | Asml荷兰有限公司 | 在半导体制造过程中用于确定对于一组衬底的检查策略的方法 |
JP2023523156A (ja) * | 2020-04-06 | 2023-06-02 | ノヴァ リミテッド | スペクトルに基づく測定およびプロセス制御のための機械学習および深層学習の方法 |
US20220024032A1 (en) * | 2020-07-21 | 2022-01-27 | UiPath, Inc. | Artificial intelligence / machine learning model drift detection and correction for robotic process automation |
US11289387B2 (en) | 2020-07-31 | 2022-03-29 | Applied Materials, Inc. | Methods and apparatus for backside via reveal processing |
US11328410B2 (en) * | 2020-08-03 | 2022-05-10 | KLA Corp. | Deep generative models for optical or other mode selection |
US11562476B2 (en) * | 2020-09-03 | 2023-01-24 | Applied Materials Israel Ltd. | Determination of a simulated image of a specimen |
JP7527902B2 (ja) | 2020-09-04 | 2024-08-05 | キオクシア株式会社 | 情報処理装置 |
IL308126A (en) * | 2021-05-06 | 2023-12-01 | Asml Netherlands Bv | A method for determining a stochastic index related to a lithographic process |
CN113344886A (zh) * | 2021-06-11 | 2021-09-03 | 长江存储科技有限责任公司 | 晶圆表面缺陷检测方法和设备 |
WO2023033884A1 (en) * | 2021-09-02 | 2023-03-09 | Sandisk Technologies Llc | Implementation of deep neural networks for testing and quality control in the production of memory devices |
US20230089092A1 (en) * | 2021-09-23 | 2023-03-23 | Applied Materials, Inc. | Machine learning platform for substrate processing |
WO2023083559A1 (en) * | 2021-11-12 | 2023-05-19 | Asml Netherlands B.V. | Method and system of image analysis and critical dimension matching for charged-particle inspection apparatus |
CN114664395A (zh) * | 2022-03-25 | 2022-06-24 | 上海交通大学 | 基于神经网络和贝叶斯优化的热辐射材料设计方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05250347A (ja) * | 1992-03-10 | 1993-09-28 | Fujitsu Ltd | ネットワーク構成データ処理装置の学習処理方法およびシステム |
JP2007528985A (ja) * | 2003-06-27 | 2007-10-18 | ティンバー テクノロジーズ,インコーポレイティド | 機械学習システムを用いた半導体ウェハ上に形成された構造の光学測定 |
US20150204799A1 (en) * | 2014-01-21 | 2015-07-23 | International Business Machines Corporation | Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5212765A (en) * | 1990-08-03 | 1993-05-18 | E. I. Du Pont De Nemours & Co., Inc. | On-line training neural network system for process control |
US7167583B1 (en) | 2000-06-28 | 2007-01-23 | Landrex Technologies Co., Ltd. | Image processing system for use with inspection systems |
US6891627B1 (en) | 2000-09-20 | 2005-05-10 | Kla-Tencor Technologies Corp. | Methods and systems for determining a critical dimension and overlay of a specimen |
US6902855B2 (en) | 2002-07-15 | 2005-06-07 | Kla-Tencor Technologies | Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns |
US7418124B2 (en) | 2002-07-15 | 2008-08-26 | Kla-Tencor Technologies Corp. | Qualifying patterns, patterning processes, or patterning apparatus in the fabrication of microlithographic patterns |
US7729529B2 (en) | 2004-12-07 | 2010-06-01 | Kla-Tencor Technologies Corp. | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle |
US7769225B2 (en) | 2005-08-02 | 2010-08-03 | Kla-Tencor Technologies Corp. | Methods and systems for detecting defects in a reticle design pattern |
US7570796B2 (en) | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US7676077B2 (en) | 2005-11-18 | 2010-03-09 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US8102408B2 (en) * | 2006-06-29 | 2012-01-24 | Kla-Tencor Technologies Corp. | Computer-implemented methods and systems for determining different process windows for a wafer printing process for different reticle designs |
US7792353B2 (en) * | 2006-10-31 | 2010-09-07 | Hewlett-Packard Development Company, L.P. | Retraining a machine-learning classifier using re-labeled training samples |
US8698093B1 (en) | 2007-01-19 | 2014-04-15 | Kla-Tencor Corporation | Objective lens with deflector plates immersed in electrostatic lens field |
US7483809B2 (en) * | 2007-04-12 | 2009-01-27 | Tokyo Electron Limited | Optical metrology using support vector machine with profile parameter inputs |
US8213704B2 (en) | 2007-05-09 | 2012-07-03 | Kla-Tencor Corp. | Methods and systems for detecting defects in a reticle design pattern |
US8126255B2 (en) | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
US8041106B2 (en) | 2008-12-05 | 2011-10-18 | Kla-Tencor Corp. | Methods and systems for detecting defects on a reticle |
US8533222B2 (en) * | 2011-01-26 | 2013-09-10 | Google Inc. | Updateable predictive analytical modeling |
US8664594B1 (en) | 2011-04-18 | 2014-03-04 | Kla-Tencor Corporation | Electron-optical system for high-speed and high-sensitivity inspections |
US8692204B2 (en) | 2011-04-26 | 2014-04-08 | Kla-Tencor Corporation | Apparatus and methods for electron beam detection |
US8468471B2 (en) * | 2011-09-23 | 2013-06-18 | Kla-Tencor Corp. | Process aware metrology |
US8570531B2 (en) * | 2011-12-11 | 2013-10-29 | Tokyo Electron Limited | Method of regenerating diffraction signals for optical metrology systems |
US8716662B1 (en) | 2012-07-16 | 2014-05-06 | Kla-Tencor Corporation | Methods and apparatus to review defects using scanning electron microscope with multiple electron beam configurations |
CN102937784A (zh) * | 2012-10-30 | 2013-02-20 | 中冶南方工程技术有限公司 | 基于人工神经网络的铸坯质量在线预报的控制方法 |
US9222895B2 (en) | 2013-02-25 | 2015-12-29 | Kla-Tencor Corp. | Generalized virtual inspector |
US10502694B2 (en) * | 2013-08-06 | 2019-12-10 | Kla-Tencor Corporation | Methods and apparatus for patterned wafer characterization |
CN111819583B (zh) * | 2018-03-21 | 2024-06-04 | 科磊股份有限公司 | 用于使用合成缺陷图像训练机器学习模型的方法和系统 |
-
2016
- 2016-12-30 CN CN201680075625.1A patent/CN108475351B/zh active Active
- 2016-12-30 EP EP16882778.0A patent/EP3398123A4/en active Pending
- 2016-12-30 WO PCT/US2016/069580 patent/WO2017117568A1/en active Application Filing
- 2016-12-30 KR KR1020187021817A patent/KR20180090385A/ko active Search and Examination
- 2016-12-30 JP JP2018534670A patent/JP6941103B2/ja active Active
-
2018
- 2018-05-30 IL IL259705A patent/IL259705B/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05250347A (ja) * | 1992-03-10 | 1993-09-28 | Fujitsu Ltd | ネットワーク構成データ処理装置の学習処理方法およびシステム |
JP2007528985A (ja) * | 2003-06-27 | 2007-10-18 | ティンバー テクノロジーズ,インコーポレイティド | 機械学習システムを用いた半導体ウェハ上に形成された構造の光学測定 |
US20150204799A1 (en) * | 2014-01-21 | 2015-07-23 | International Business Machines Corporation | Computer-based defect root cause and yield impact determination in layered device manufacturing for products and services |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020510856A (ja) * | 2017-02-24 | 2020-04-09 | エーエスエムエル ネザーランズ ビー.ブイ. | 機械学習によるプロセスモデルの決定方法 |
WO2023223535A1 (ja) * | 2022-05-20 | 2023-11-23 | 株式会社日立ハイテク | 探索装置および探索方法並びに半導体装置製造システム |
Also Published As
Publication number | Publication date |
---|---|
IL259705B (en) | 2021-07-29 |
CN108475351B (zh) | 2022-10-04 |
WO2017117568A1 (en) | 2017-07-06 |
KR20180090385A (ko) | 2018-08-10 |
IL259705A (en) | 2018-07-31 |
CN108475351A (zh) | 2018-08-31 |
EP3398123A1 (en) | 2018-11-07 |
EP3398123A4 (en) | 2019-08-28 |
JP6941103B2 (ja) | 2021-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6941103B2 (ja) | 半導体用途のための機械学習ベースのモデルの加速トレーニング | |
US11580375B2 (en) | Accelerated training of a machine learning based model for semiconductor applications | |
TWI773888B (zh) | 訓練用於低解析度影像中之缺陷偵測之神經網路 | |
JP6758418B2 (ja) | 半導体用途のための、入力画像からのシミュレーション画像の生成 | |
US9965901B2 (en) | Generating simulated images from design information | |
JP7049331B2 (ja) | 半導体用途向けに構成された深層学習モデルのための診断システムおよび方法 | |
US10186026B2 (en) | Single image detection | |
TW202105264A (zh) | 用於半導體應用之可學習缺陷偵測 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191223 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191223 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210126 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210422 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210824 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210903 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6941103 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |