JP2019525450A - ニューラルネットワークと順物理モデルを半導体用途に組み込んだシステムおよび方法 - Google Patents

Abstract

ニューラルネットワークを訓練するための方法およびシステムが提供される。１つのシステムは、１つ以上のコンピュータサブシステムによって実施される１つ以上のコンポーネントを含む。１つ以上のコンポーネントは、ニューラルネットワークに入力された試料の訓練セットにおける入力イメージの逆フィーチャを決定するように構成されたニューラルネットワークと、逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成するように構成された順物理モデルと、訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定するように構成された残渣層を含む。１つ以上のコンピュータサブシステムは、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練するように構成される。

Description

本発明は一般にニューラルネットワークと順物理モデル（ｆｏｒｗａｒｄ ｐｈｙｓｉｃａｌ ｍｏｄｅｌ）を半導体用途に組み込んだ方法およびシステムに関する。

以下の説明と例は、本セクションに含まれるからといって先行技術とは認められない。

ロジックおよびメモリデバイスなどの半導体デバイスの製造には、通常、半導体デバイスのさまざまなフィーチャ（形状）および複数のレベルを形成するために多数の半導体製造プロセスを使用して半導体ウェハなどの基板を処理するプロセスが含まれる。例えば、リソグラフィは、半導体ウェハ上に配列されたレジストにレチクルからパターンを転写する作業を伴う半導体製造プロセスである。半導体製造プロセスの他の例として、限定はしないが、化学機械研磨（ＣＭＰ）、エッチング、堆積、イオン注入などが含まれる。多数の半導体デバイスを単一の半導体ウェハ上への配列として製造し、次に、個々の半導体デバイスに分離してもよい。

検査プロセスは半導体製造プロセス中の様々なステップにおいて、製造プロセスにおけるより高い歩留まりを推進し、よってより高い利益を推進するために、試料上の欠陥を検出するために用いられる。検査は常に、半導体デバイス製造の重要な部分であった。しかしながら、半導体デバイスの寸法が縮小するにつれ、より小さい欠陥がデバイスを故障させ得るため、検査は許容できる半導体デバイスの製造の成功のためにより一層重要になってきた。

欠陥レビューは一般に、欠陥であると検出された欠陥を検査プロセスによって再検出し、その欠陥に関する追加情報を、高倍率光学系または走査電子顕微鏡（ＳＥＭ）のいずれかを用いてより高い分解能で生成することを包含する。したがって欠陥レビューは、検査によって欠陥が検出された試料上の個別の位置で実行される。欠陥レビューによって生成された欠陥のより高分解能データは、プロファイル、粗さ、より正確なサイズ情報などの欠陥の属性を決定するためにより適切である。

半導体製造プロセス中の種々のステップにおいて、プロセスを監視し制御するために計測プロセスも用いられる。計測プロセスは、欠陥が試料上で検出される検査プロセスとは違って、現行の検査ツールを用いては判定され得ない試料の１つ以上の特徴を測定するために計測プロセスが用いられるという点において検査プロセスとは異なっている。例えば、計測プロセスは、プロセスの性能が１つ以上の特徴から判定され得るように、プロセス中に試料上に形成されたフィーチャの寸法（例えば、線幅、厚さなど）の試料の１つ以上の特徴を測定するために用いられる。さらに、試料の１つ以上の特徴が不良であれば（例えば、特徴（複数可）の所定範囲外である）、プロセスによって製造されるさらなる試料が優良な特徴（複数可）を有するように、試料の１つ以上の特徴の測定値を用いて、プロセスの１つ以上のパラメータを変更してもよい。

計測プロセスはさらに、検査によって検出された欠陥が欠陥レビューで再訪される欠陥レビュープロセスとは違って、計測プロセスは欠陥が全く計測されていない位置で実行され得るという点において、欠陥レビュープロセスとは異なっている。言い換えると、欠陥レビューとは違って、試料上で計測プロセスが実行される位置は、試料上に実行された検査プロセスの結果とは独立していてよい。特に、計測プロセスが実行される位置は、検査結果とは独立して選択されてよい。

設計ルールが縮小するにつれ、レチクルやウェハなどの、試料上に形成される設計は、最適な実行プロセスを用いて形成された場合でも、実際の設計とは大きく違って見えることがある。例えば、物理的試料上に設計を形成することに係る物理的プロセスの内在的制約により、物理的試料に形成された設計のフィーチャは一般に、設計の可能な限り最高なバージョンが試料上に形成された場合であっても、異なる形状（例えば、面取りおよびその他の近接効果によって）等の、設計とは幾分異なる特徴を有し、幾分異なる寸法を有する可能性がある（例えば、近接効果によって）。

時として、設計が、どのように試料上に表れるか、また、設計情報が形成されている、検査ツール、欠陥レビューツール、計測ツール等によって生成された試料のイメージに、設計がどのように表れるかを知ることは可能でない。しかしながら、設計が、試料上に、また、そのようなツールによって生成されるイメージにどのように表れるかを知ることは多くの場合、いくつかの理由で望ましい。１つの理由は、設計が試料上に優良な態様で形成されることを確実にするためである。別の理由は、設計がどのように試料上に形成されることになっているかを説明する、設計の基準を提供するためであり、それは、試料上に実行される１つ以上の機能のために用いられ得る。例えば、一般に、試料上に形成された設計と基準との間のあらゆる差が検出され、欠陥または潜在的欠陥として識別されるために、基準は欠陥検出に必要である。

故に、試料の１つのイメージを、試料の他のもう１つのイメージからシミュレートできる種々の方法およびシステムを開発するための多くの取り組みがなされてきた。従来の手法は一般に２つのステップを含む：（１）望ましくない光学的効果（例えば、回折、干渉、部分コヒーレンス等）を復元または逆転し、（２）復元／処理されたイメージングデータを入力として用いて特定用途ニューラルネットワークを訓練する。望ましくない光学的効果の復元または逆転は、（ａ）従来型イメージ処理または信号処理アルゴリズムのいずれか（例えば、ルーシー・リチャードソン（Ｌｕｃｙ−Ｒｉｃｈａｒｄｓｏｎ）デコンボリューションおよび正規化ルーシー・リチャードソン・デコンボリューション、ウイナーフィルタ（Ｗｉｅｎｅｒ ｆｉｌｔｅｒ）、ツール校正等）、（ｂ）第一原理光学素子シミュレーション、または（ｃ）訓練データセットがツール測定から、および／またはシミュレーションによって得られる場合、教師付き機械学習または深層学習アルゴリズムによって実行されてよい。

しかしながら、現行の方法にはいくつかの不都合がある。例えば、現行の復元／逆転アルゴリズム（例えば、ルーシー・リチャードソン・デコンボリューション、ウイナーフィルタ）は多くの場合、劣決定であり、雑音に敏感である。さらに、上記で説明した現行の復元／逆転アルゴリズムは計算集約的である（すなわち、それらはリアルタイムのオンツール用途に適していない）。上記で説明した現行の復元／逆転アルゴリズムはさらに、アルゴリズム的に逆転可能な光学的パラメータにのみ適用可能である（例えば、半導体光学的イメージに位相回復を行うことは依然として実質的に困難である）。さらに、上記で説明した現行の復元／逆転アルゴリズムは、厳密な（少なくとも良好な）推定光学的パラメータを入力として必要とする。その上、現行の、上記で説明した復元のための教師付き訓練アルゴリズムは、元の収集されたイメージのタプルの訓練データセットと、それらの対応する復元後イメージを必要とし、それは多くの場合、測定またはシミュレーションが不可能であるかまたは実質的に高額である。加えて、２ステップのアプローチは、数理的最適化の視点から役に立たない。

米国特許出願公開第２００５／００８９２１５号

したがって、上記で説明した不都合のうち１つ以上を有していないニューラルネットワークを訓練するためのシステムおよび方法を開発すると有利であろう。

種々の実施形態に関する以下の説明は、添付の請求項の主題を如何なる様式でも限定すると解釈されるものではない。

一実施形態は、ニューラルネットワークを訓練するように構成されたシステムに関する。システムは、１つ以上のコンピュータサブシステムと、その１つ以上のコンピュータサブシステムによって実施される１つ以上のコンポーネントを含む。１つ以上のコンポーネントは、ニューラルネットワークに入力された試料の訓練セットにおける入力イメージの逆フィーチャを決定するように構成されたニューラルネットワークを含む。１つ以上のコンポーネントはさらに、逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成するように構成された順物理モデルも含む。それに加えて、１つ以上のコンポーネントは、訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定するように構成された残渣層を含む。１つ以上のコンピュータサブシステムは、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練するように構成される。システムはさらに本明細書に記載されるように構成されてよい。

付加的な実施形態は、別のニューラルネットワークを訓練するように構成されたシステムに関する。このシステムは上記に説明したように構成される。このシステムは、試料のイメージを生成するように構成されたイメージングサブシステムも含む。コンピュータサブシステム（複数可）は、この実施形態において、イメージを取得し、取得したイメージから入力イメージの訓練セットを生成するように構成される。システムのこの実施形態は、本明細書に記載されるように更に構成されてもよい。

別の実施形態は、ニューラルネットワークを訓練するためのコンピュータ実装方法に関する。方法は、ニューラルネットワークに入力イメージの訓練セットを入力することによって、試料の訓練セット内の入力イメージの逆フィーチャを決定することを含む。方法はさらに、逆フィーチャを順物理モデルに入力することによって逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成することも含む。それに加えて、方法は、訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定することを含む。方法はさらに、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練することを含む。逆フィーチャの決定、入力イメージの再構築、差の決定、および１つ以上のパラメータの変更は、１つ以上のコンピュータシステムによって実行される。１つ以上のコンポーネントは１つ以上のコンピュータシステムによって実施され、１つ以上のコンポーネントはニューラルネットワークと順物理モデルを含む。

上記で説明した方法のステップそれぞれは、本明細書でさらに説明するように実行されてよい。それに加えて、上記で説明した方法の実施形態は、本明細書に記載されるあらゆる他の方法（複数可）のあらゆる他のステップ（複数可）を含んでよい。さらに、上記で説明した方法は、本明細書に記載のシステムのうちいずれによって実行されてもよい。

別の実施形態は、ニューラルネットワークを訓練するためのコンピュータ実装方法を実行するために１つ以上のコンピュータシステム上で実行可能なプログラム命令を記憶する非一時的コンピュータ可読媒体に関する。コンピュータ実装方法は、上記で説明した方法のステップを含む。コンピュータ可読媒体はさらに、本明細書に記載されるように構成されてよい。コンピュータ実装方法のステップは、本明細書にさらに説明するように実行されてよい。それに加えて、プログラム命令がそのために実行可能であるコンピュータ実装方法は、本明細書に記載されるあらゆる他の方法（複数可）のあらゆる他のステップ（複数可）を含んでよい。

本発明のさらなる利点は、好ましい実施形態に関する以下の詳細な説明の利益を有すれば、また、添付図面を参照すれば当業者には明らかとなろう。

本明細書に記載されるように構成されたシステムの実施形態の側面図を示す模式図である。 本明細書に記載されるように構成されたシステムの実施形態の側面図を示す模式図である。 ニューラルネットワークを訓練する一実施形態を示すフローチャートである。 訓練されたニューラルネットワークを配備した実施形態を示すフローチャートである。 訓練されたニューラルネットワークを配備した実施形態を示すフローチャートである。 １つ以上のコンピュータシステムに、本明細書に記載のコンピュータ実装方法を実行させるためのプログラム命令を記憶す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。

本発明は様々な変更および代替形態が可能であるが、その特定の実施形態が例として図面に示され、本明細書において詳細に説明される。図面は一定の縮尺でない場合がある。しかしながら、図面とその詳細な説明は、本発明を開示された特定の形態に限定する意図はなく、逆に、本発明は、添付の請求項によって定義される本発明の趣旨と範囲内の変更、等価物および代替物を網羅することを意図していることを理解されたい。

本明細書において互換的に用いられる用語「設計」、「設計データ」および「設計情報」は、複雑なシミュレーションまたは単純な幾何学的およびブール演算によって物理的設計から導出されたＩＣおよびデータの物理的設計（レイアウト）を一般に指す。それに加えて、レチクル検査システムによって取得されたレチクルのイメージおよび／またはその派生物は、設計の「プロキシ」または「複数のプロキシ」として用いられ得る。そのようなレチクルイメージまたはその派生物は、設計を使用する、本明細書に記載のあらゆる実施形態における設計レイアウトの代替物として働き得る。設計は、本明細書に参照によってあたかも完全に記載されたかのように組み込まれている、２００９年８月４日にザファ（Ｚａｆａｒ）他に発行された、所有者が共通する米国特許第７，５７０，７９６号、２０１０年３月９日にクルカルニ（Ｋｕｌｋａｒｎｉ）他に発行された米国特許第７，６７６，０７７号に記載されたあらゆる他の設計データまたは設計データプロキシを含んでよい。それに加えて、設計データは標準型セルライブラリデータでも、統合レイアウトデータであっても、１つ以上の層に関する設計データであっても、設計データの派生物であっても、完全または部分チップ設計データであってもよい。

さらに、本明細書に記載される「設計」、「設計データ」および「設計情報」は、設計プロセスにおいて半導体デバイスデザイナによって作成された情報およびデータを指し、したがって、レチクルおよびウェハなどのあらゆる物理的試料上への設計の印刷より十分先行して本明細書に記載の実施形態での使用が可能である。

ここで図面を参照すると、図は一定の縮尺で描かれていないことに留意されたい。特に、図の要素のうちいくつかの縮尺は、その要素の特徴を強調するために大きく強調されている。図は同じ縮尺で描かれていないことにも留意されたい。同様に構成され得る、２つ以上の図に示された要素は同じ参照符号を用いて示されている。本明細書で別段明記しない限り、説明され図示された要素のうちいずれも、適切な市販の要素を含んでよい。

一実施形態は、ニューラルネットワークを訓練するように構成されたシステムに関する。本明細書でさらに説明するように、実施形態は、本明細書に記載の検査、欠陥レビュー、計測およびその他等の半導体用途の逆問題（ｉｎｖｅｒｓｅ ｐｒｏｂｌｅｍ）を解決するためのインバージョンニューラルネットワーク（ＩＮＮ）を含んでよい。それに加えて、本明細書でさらに説明するように、実施形態は、半導体検査、計測、レビューおよび、光学的、電子ビームおよびイオンビームツールへの品質保証（ＱＡ）用途に関する従来の困難な逆問題を解決するために、微分可能な順物理モデルを訓練可能なニューラルネットワークに組み込むための包括的且つ系統的なアプローチを提供できる。

ニューラルネットワークを訓練するように構成されたシステムの一実施形態が図１に示されている。システムは、１つ以上の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およびコンピュータサブシステム（複数可）１０２）と、１つ以上のコンピュータサブシステムによって実施される１つ以上のコンポーネント１００を含む。いくつかの実施形態において、システムはイメージングシステム（またはサブシステム）１０を含む。図１の実施形態において、イメージングシステムは、試料の物理的バージョンにわたり光を走査または光を向けながら、同時に試料からの光を検出してそれによって試料のイメージを生成するように構成される。イメージングシステムはさらに、多重モードで走査（または指向）を実行し検出するように構成されてもよい。

一実施形態において、試料はウェハである。ウェハは、当技術分野で知られるあらゆるウェハを含んでよい。別の実施形態において、試料はレチクルである。レチクルは当技術分野で知られるあらゆるレチクルを含んでよい。

一実施形態において、イメージングシステムは光学ベースのイメージングシステムである。このように、いくつかの実施形態において、入力イメージは光学ベースのイメージングシステムによって生成される。そのような一例では、図１に示したシステムの実施形態において、光学ベースのイメージングシステム１０は、光を試料１４に向けるように構成された照明サブシステムを含む。照明サブシステムは少なくとも１つの光源を含む。例えば、図１に示すように、照明サブシステムは光源１６を含む。一実施形態において、照明サブシステムは、光を１つ以上の入射角で試料に向けるように構成され、入射角は、１つ以上の斜めの角度および／または１つ以上の垂直角度を含み得る。例えば、図１に示すように、光源１６からの光は光学素子１８を介し、次にレンズ２０を介して試料１４に斜めの入射角で向けられる。斜めの入射角は、例えば試料の特徴によって異なり得るあらゆる適切な斜めの入射角を含んでよい。

イメージングシステムは、異なる時点で異なる入射角で試料に光を向けるように構成されてよい。例えば、イメージングシステムは、光が試料に、図１に示したのとは異なる入射角で向けられ得るように、照明サブシステムの１つ以上の素子の１つ以上の特徴を変更するように構成されてよい。そのような例において、イメージングシステムは、光が異なる斜めの入射角または垂直（または垂直に近い）入射角で試料に向けられるように光源１６、光学素子１８およびレンズ２０を移動させるように構成されてよい。

いくつかの事例において、イメージングシステムは、光を同時に２つ以上の入射角で試料に向けるように構成されてよい。例えば、照明サブシステムは、２つ以上の照明チャネルを含んでよく、照明チャネルのうち１つは図１に示すような光源１６、光学素子１８およびレンズ２０を含んでよく、もう１つの照明チャネル（図示せず）は同様な素子を含んでよく、その素子は、異なって構成されてもよい、または同様に構成されてもよい、または、少なくとも１つの光源と、おそらくは本明細書でさらに説明されるもののような１つ以上の他のコンポーネントを含み得る。そのような光が他の光と同時に試料に向けられると、異なる入射角で試料に向けられた光の１つ以上の特徴（例えば、波長、偏光など）は異なっている可能性があり、その結果、異なる入射角で試料の照明から生じた光が、検出器（複数可）で互いから区別され得る。

別の事例において、照明サブシステムは１つのみの光源を含んでよく（例えば、図１に示す光源１６）、光源からの光は、照明サブシステムの１つ以上の光学素子（図示せず）によって異なる光路に分離されてよい（例えば、波長、偏光等に基づいて）。異なる光路それぞれにおける光は次に試料に向けられて良い。多重照明チャネルは、光を同じタイミングまたは異なるタイミングで試料に向けるように構成されてよい（例えば、異なる照明チャネルが試料を逐次照明するために用いられる場合）。別の事例では、同じ照明チャネルが、異なる特徴を有する試料に異なるタイミングで光を向けるように構成されてよい。例えば、いくつかの事例では、光学素子１８はスペクトルフィルタとして構成されてよく、スペクトルフィルタの特性は、光の異なる波長が試料に異なるタイミングで向けられ得るように、様々な異なる様式で（例えばスペクトルフィルタをスワップアウトすることによって）変更され得る。照明サブシステムは、異なる特徴または同じ特徴を有する光を異なる入射角または同じ入射角で逐次または同時に試料に向けるための当技術分野で知られるあらゆる他の適切な構成を有してよい。

一実施形態において、光源１６は広帯域プラズマ（ＢＢＰ）光源を含んでよい。このように、光源によって発生して試料に向けられる光は広帯域光を含んでよい。しかしながら、光源はレーザー等の任意の他の適切な光源を含んでよい。レーザーは、当技術分野で知られる任意の適切なレーザーを含んでよく、光を当技術分野で知られる任意の適切な波長または複数の波長で生成するように構成されてよい。さらに、レーザーは、単色またはほぼ単色である光を生成するように構成されてよい。このように、レーザーは狭帯域レーザーでよい。光源はさらに、光を多数の個別の波長または波帯で生成する多色光源を含んでもよい。

光学素子１８からの光はレンズ２０によって試料１４に集束されてよい。レンズ２０は図１では単一の屈折光学素子として示されているが、実際には、組み合わせて、光学素子からの光を試料に集束させるいくつかの屈折および／または反射型光学素子を含み得ることを理解されたい。図１に示され本明細書で説明される照明サブシステムは、任意の他の適切な光学素子（図示せず）を含んでよい。そのような光学素子の例は、限定はしないが、偏光素子（複数可）、スペクトルフィルタ（複数可）、空間フィルタ（複数可）、反射型光学素子（複数可）、アポダイザ（複数可）、ビームスプリッタ（複数可）、開口（複数可）、または、当技術分野で知られる任意のそのような適切な光学素子を含み得る同等物を含み得る。さらに、イメージングシステムは、照明サブシステムの素子のうち１つ以上を、イメージングに用いられる照明のタイプに基づいて変更するように構成されてよい。

イメージングシステムはさらに、光を試料の上で走査させるように構成された走査サブシステムを含んでよい。例えば、イメージングシステムは、検査中に試料１４がその上に配置されるステージ２２を含んでよい。走査サブシステムは、光が試料の上で走査されるように試料を移動させるように構成され得る（ステージ２２を含む）任意の適切な機械式および／またはロボットアセンブリを含んでよい。それに加えて、またはその代わりに、イメージングシステムは、イメージングシステムの１つ以上の光学素子が、試料上への光の何らかの走査を実行するように構成されてよい。光は、蛇行状経路または螺旋経路等の任意の適切な様式で試料上で走査されてよい。

イメージングシステムはさらに、１つ以上の検出チャネルを含む。１つ以上の検出チャネルのうち少なくとも１つは、システムによって試料の照明による試料からの光を検出し、検出光に応答して出力を生成するように構成された検出器を含む。例えば、図１に示されたイメージングシステムは２つの検出チャネルを含み、１つはコレクタ２４、素子２６および検出器２８によって形成され、別のものはコレクタ３０、素子３２および検出器３４によって形成される。図１に示すように、２つの検出チャネルは光を異なる集光角で収集し検出するように構成される。いくつかの事例では、両検出チャネルは散乱光を検出するように構成され、検出チャネルは、試料から異なる角度で散乱された光を検出するように構成される。しかしながら、検出チャネルのうち１つ以上は、試料から別のタイプの光（例えば、反射光）を検出するように構成されてよい。

図１にさらに示すように、両検出チャネルは紙面内に位置決めされて示されており、照明サブシステムも紙面内に位置決めされて示されている。したがって、この実施形態において、両検出チャネルは入射面内に位置決めされている（例えば、センタリングされて）。しかしながら、検出チャネルのうち１つ以上は入射面外に位置決めされてもよい。例えば、コレクタ３０、素子３２および検出器３４によって形成された検出チャネルは、入射面外に散乱された光を収集し検出するように構成されてよい。したがって、そのような検出チャネルは一般に「サイド」チャネルと呼ばれ、そのようなサイドチャネルは、入射面に対して実質的に垂直な面内にセンタリングされてよい。

図１は、２つの検出チャネルを含むイメージングシステムの実施形態を示しているが、イメージングシステムは異なる個数の検出チャネルを含んでよい（例えば、１つのみの検出チャネルまたは２つ以上の検出チャネル）。そのような１つの事例において、コレクタ３０、素子３２および検出器３４によって形成される検出チャネルは上記で説明したように１つのサイドチャネルを形成してよく、イメージングシステムは、入射面の対向側に位置決めされた別のサイドチャネルとして形成された付加的な検出チャネル（図示せず）を含んでよい。したがって、イメージングシステムは、コレクタ２４、素子２６および検出器２８を含み、入射面内にセンタリングされ、試料面に対して垂直またはほぼ垂直な散乱角（複数可）で光を収集し検出するように構成された検出チャネルを含み得る。したがってこの検出チャネルは一般に「トップ」チャネルと呼ばれてよく、イメージングシステムはさらに、上記で説明したように構成された２以上のサイドチャネルを含み得る。そのため、イメージングシステムは少なくとも３つのチャネルを含んでよく（例えば、１つのトップチャネルと２つのサイドチャネル）、少なくとも３つのチャネルのそれぞれは独自のコレクタを有し、それぞれが、他のコレクタそれぞれとは異なる散乱角で集光するように構成される。

上記でさらに説明したように、イメージングシステム内の検出チャネルそれぞれは、散乱光を検出するように構成されてよい。したがって、図１に示されたイメージングシステムは試料の暗視野（ＤＦ）イメージング向けに構成されてよい。しかしながら、イメージングシステムはさらに、または代替的に、試料の明視野（ＢＦ）イメージング向けに構成された検出チャネル（複数可）を含んでもよい。言い換えると、イメージングシステムは、試料から鏡面反射した光を検出するように構成された少なくとも１つの検出チャネルを含んでよい。したがって、本明細書に記載のイメージングシステムは、ＤＦのみ、ＢＦのみ、またはＤＦおよびＢＦ両方のイメージング向けに構成されてよい。各コレクタは図１に単一の屈折光学素子として示されているが、コレクタはそれぞれ１つ以上の屈折光学素子（複数可）および／または１つ以上の反射型光学素子（複数可）を含んでよいことを理解されたい。

１つ以上の検出チャネルは、当技術分野で知られる任意の適切な検出器を含んでよい。例えば、検出器は、光電子倍増管（ＰＭＴ）、電荷結合素子（ＣＣＤ）、時間遅延積分（ＴＤＩ）カメラ、および当技術分野で知られる任意の他の適切な検出器を含んでよい。検出器はさらに、非イメージング検出器を含んでも、イメージング検出器を含んでもよい。このように、検出器が非イメージング検出器である場合、検出器それぞれは、散乱光の、強度などの特定の特徴を検出するように構成されてよいが、そのような特徴をイメージング面内での位置の関数として検出するようには構成され得ない。そのため、イメージングシステムの検出チャネルそれぞれに含まれる検出器それぞれによって生成される出力は、信号またはデータであり得るが、イメージ信号またはイメージデータではあり得ない。そのような事例において、コンピュータサブシステム３６のようなコンピュータサブシステムは、検出器の非イメージング出力から試料のイメージを生成するように構成されてよい。しかしながら、別の事例では、検出器は、イメージ信号またはイメージデータを生成するように構成されたイメージング検出器として構成されてよい。したがって、イメージングシステムは本明細書に記載のイメージをいくつかの方式で生成するように構成されてよい。

図１は本明細書において、本明細書に記載のシステムの実施形態に含まれ得る、または本明細書に記載のシステムの実施形態によって使用されるイメージを生成し得るイメージングシステムまたはサブシステムの構成を一般に示すために提供されていることに留意されたい。明らかに、本明細書に記載のイメージングシステムの構成は、商用イメージングシステムを設計する場合に通常実行されるようなイメージングシステムの性能を最適化するために変更されてよい。それに加えて、本明細書に記載のシステムは、カリフォルニア州ミルピタスのＫＬＡ−Ｔｅｎｃｏｒから市販されている２９ｘｘ／３９ｘｘおよびＰｕｍａ９ｘｘｘシリーズツールのような既存のシステムを用いて（例えば、既存のシステムに本明細書に記載の機能性を追加することにより）実装されてよい。そのようなシステムに、本明細書に記載の実施形態は、システムのオプションの機能性として提供されてよい（例えば、システムの他の機能性に追加して）。あるいは、本明細書に記載のイメージングシステムは完全に新規のイメージングシステムを提供するために「最初から（ｆｒｏｍ ｓｃｒａｔｃｈ）」設計されてもよい。

イメージングシステムのコンピュータサブシステム３６は、試料の走査中に検出器によって生成される出力をコンピュータサブシステムが受信できるように、イメージングシステムの検出器に任意の適切な方式で（例えば、「有線」および／または「無線」伝送媒体を含み得る１つ以上の伝送媒体を介して）結合されてよい。コンピュータサブシステム３６は、本明細書でさらに説明されるいくつかの機能を、検出器の出力を用いて実行するように構成されてよい。

図１に示されたコンピュータサブシステム（並びに本明細書に記載の他のコンピュータサブシステム）はさらに、本明細書ではコンピュータシステム（複数可）とも呼ばれてよい。本明細書に記載のコンピュータサブシステム（複数可）またはシステム（複数可）はそれぞれ、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または他のデバイスを含む様々な形式を取ってよい。一般に、用語「コンピュータシステム」は、メモリ媒体からの命令を実行する１つ以上のプロセッサを有するあらゆるデバイスを包含するように広範に定義されてよい。コンピュータサブシステム（複数可）またはシステム（複数可）は、パラレルプロセッサのような、当技術分野で知られるあらゆる適切なプロセッサも含んでよい。それに加えて、コンピュータサブシステム（複数可）またはシステム（複数可）は、スタンドアローンまたはネットワークツールいずれかとして、高速処理およびソフトウェアを備えたコンピュータプラットフォームを含んでよい。

システムが２つ以上のコンピュータサブシステムを有する場合、イメージ、データ、情報、命令等が、本明細書でさらに説明するようにコンピュータサブシステム間で送信され得るように、異なるコンピュータサブシステムが互いに結合されてよい。例えば、コンピュータサブシステム３６は、図１で破線で示すように、当技術分野で知られるあらゆる適切な有線および／または無線伝送媒体を含み得るあらゆる適切な伝送媒体によってコンピュータサブシステム（複数可）１０２に結合され得る。２つ以上のそのようなコンピュータサブシステムは、１つの共有コンピュータ可読記憶媒体（図示せず）によって有効に結合されてもよい。

上記ではイメージングシステムは光学的または光ベースのイメージングシステムとして説明されているが、イメージングシステムは電子ビームベースのイメージングシステムであってもよい。このように、いくつかの実施形態において、入力イメージは電子ビームベースのイメージングシステムによって生成される。図１ａに示す１つのそのような実施形態において、イメージングシステムはコンピュータサブシステム１２４に結合された電子カラム１２２を含む。図１ａにさらに示すように、電子カラムは電子を生成するように構成された電子ビーム源１２６を含み、電子は１つ以上の素子１３０によって試料１２８上に集束される。電子ビーム源は、例えば、カソード源またはエミッタ先端を含んでよく、１つ以上の素子１３０は、例えば、銃レンズ、アノード、ビーム制限開口、ゲートバルブ、ビーム電流選択開口、対物レンズおよび走査サブシステムを含んでよく、それらはすべて、当技術分野で知られるいずれのそのような適切な素子をも含み得る。

試料から戻った電子（例えば、二次電子）は、１つ以上の素子１３２によって検出器１３４に集束されてよい。１つ以上の素子１３２は、例えば、素子（複数可）１３０に含まれるのと同じ走査サブシステムであってもよい走査サブシステムを含んでよい。

電子カラムは当技術分野で知られるいずれの他の適切な素子をも含んでよい。それに加えて、電子カラムはさらに、本明細書にあたかも完全に記載されたかのように参照によって組み込まれている、２０１４年４月４日にジャング（Ｊｉａｎｇ）他に発行された米国特許第８，６６４，５９４号、２０１４年４月８日にコジマ（Ｋｏｊｉｍａ）他に発行された米国特許第８，６９２，２０４号、２０１４年４月１５日にガバンズ（Ｇｕｂｂｅｎｓ）他に発行された米国特許第８，６９８，０９３号、２０１４年５月６日にマクドナルド（ＭａｃＤｏｎａｌｄ）他に発行された米国特許第８，７１６，６６２号に記載されるように構成されてよい。

電子カラムは図１ａでは、電子が試料に斜めの入射角で向けられて、試料から別の斜めの角度で散乱されるように構成されているように示されているが、電子ビームは任意の適切な角度で試料に向けられて試料から散乱されてもよいことを理解されたい。それに加えて、電子ビームベースのイメージングシステムは、多重モードを用いて、本明細書でさらに説明するように（例えば、異なる照明角度で、集束角度で、等）、試料のイメージを生成するように構成されてもよい。電子ビームベースのイメージングシステムの多重モードは、イメージングシステムのあらゆるイメージ生成パラメータにおいて異なってよい。

コンピュータサブシステム１２４は上記で説明したように検出器１３４に結合されてよい。検出器は試料の表面から戻った電子を検出して、それによって試料の電子ビームイメージを生成してよい。電子ビームイメージは任意の適切な電子ビームイメージを含んでよい。コンピュータサブシステム１２４は、検出器１３４によって生成された出力を用いて試料に、本明細書でさらに説明される１つ以上の機能を実行するように構成されてよい。コンピュータサブシステム１２４は、本明細書に記載のいずれの付加的なステップ（複数可）をも実行するように構成されてもよい。図１ａに示されたイメージングシステムを含むシステムは、さらに本明細書に記載されるように構成されてよい。

図１ａは、本明細書に記載の実施形態に含まれ得る電子ビームベースのイメージングシステムの１つの構成を全般的に図示するために本明細書で提供されることに留意されたい。上記で説明した光学ベースのイメージングシステムと同様に、本明細書に記載の電子ビームベースのイメージングシステム構成は、商用イメージングシステムを設計する場合に通常実施されるようなイメージングシステムの性能を最適化するために変更されてよい。それに加えて、本明細書に記載のシステムは、ＫＬＡ−Ｔｅｎｃｏｒから市販されているｅＳｘｘｘおよびｅＤＲ−ｘｘｘｘシリーズのような既存のシステムを用いて（例えば、既存のシステムに、本明細書に記載の機能性を追加することにより）実施されてよい。そのようなシステムに、本明細書に記載の実施形態は、システムのオプションの機能性として提供されてよい（例えば、システムの他の機能性に追加して）。あるいは、本明細書に記載のシステムは完全に新規のシステムを提供するために「最初から（ｆｒｏｍ ｓｃｒａｔｃｈ）」設計されてもよい。

上記ではイメージングシステムは光学ベースまたは電子ビームベースのイメージングシステムとして説明されているが、イメージングシステムは、イオンビームベースのイメージングシステムであってもよい。そのようなイメージングシステムは、電子ビーム源が、当技術分野で知られる任意の適切なイオンビーム源と置き換えられ得ることを除いて、図１ａに示したように構成されてよい。それに加えて、イメージングシステムは、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）システムおよび二次イオン質量分析（ＳＩＭＳ）システムに含まれるもののような任意の他の適切なイオンビームベースのイメージングシステムであってよい。

上記のように、イメージングシステムは、試料の物理的バージョンにわたりエネルギー（例えば光または電子）を走査して、それによって試料の物理的バージョンの実際のイメージを生成するように構成される。このように、イメージングシステムは「バーチャル」システムというよりは「実体」システムとして構成されてよい。例えば、記憶媒体（図示せず）と図１に示したコンピュータサブシステム（複数可）１０２は、「バーチャル」システムとして構成されてよい。特に、記憶媒体とコンピュータサブシステム（複数可）はイメージングシステム１０の一部ではなく、試料の物理的バージョンを処理する能力を有していない。言い換えると、バーチャルシステムとして構成されたシステムにおいて、その１つ以上の「検出器」の出力は、実際のシステムの１つ以上の検出器によって以前に出力されバーチャルシステムに記憶された出力であってよく、「走査」中にバーチャルシステムは、あたかも試料が走査されているかのように、記憶された出力を再生してよい。こうして、バーチャルシステムでの試料の走査は、あたかも物理的試料が実際のシステムで操作されているのと同じように見え得るが、実際には、「走査」は、試料が走査され得るのと同じ方式で試料の出力を単に再生することを包含する。「バーチャル」検査システムとして構成されたシステムおよび方法は、本明細書にあたかも完全に記載されたかのように参照によって組み込まれている、本発明の譲受人に譲渡された、２０１２年２月２８日にバスカー（Ｂｈａｓｋａｒ）他に発行された米国特許第８，１２６，２５５号および２０１５年１２月２９日にデュフィ（Ｄｕｆｆｙ）他に発行された米国特許第９，２２２，８９５号に記載されている。本明細書に記載の実施形態はさらに、これらの特許に記載されるように構成されてよい。例えば、本明細書に記載の１つ以上のコンピュータサブシステムはさらに、これらの特許に記載されるように構成されてよい。それに加えて、１つ以上のバーチャルシステムを中央計算および記憶（ＣＣＳ）システムとして構成することは、上記で参照したデュフィの特許に記載されるように実行されてよい。本明細書に記載の永久性記憶メカニズムは、ＣＣＳアーキテクチャなどの分散型計算および記憶装置を有してよいが、本明細書に記載の実施形態はそのアーキテクチャに限定されない。

上記でさらに示したように、イメージングシステムは試料のイメージを多重モードで生成するように構成されてよい。一般に、「モード」は試料のイメージを生成するために用いられるイメージングシステムのパラメータまたは試料のイメージを生成するために用いられる出力の値によって定義され得る。したがって、異なるモードは、イメージングシステムのイメージングパラメータのうち少なくとも１つの値において異なり得る。例えば、光学ベースのイメージングシステムの一実施形態において、多重モードのうち少なくとも１つは、多重モードのうち少なくとも１つの他の多重モードに用いられる照明の光の少なくとも１つの波長とは異なる照明の光の少なくとも１つの波長を用いる。モードは、異なるモードでは、本明細書でさらに説明するように照明波長において異なっていてよい（例えば、異なる光源、異なるスペクトルフィルタを用いるなどによって）。別の実施形態において、多重モードのうち少なくとも１つは、多重モードのうち少なくとも１つの他の多重モードに用いられるイメージングシステムの照明チャネルとは異なる、イメージングシステムの照明チャネルを用いる。例えば、上記のように、イメージングシステムは２つ以上の照明チャネルを含んでよい。したがって、異なるモードに異なる照明チャネルを用いてよい。

一実施形態において、入力イメージは検査システムによって生成される。例えば、本明細書に記載の光学的および電子ビームイメージングシステムは、検査システムとして構成されてよい。このように、いくつかの実施形態において、ニューラルネットワークへのイメージ入力は、検査システムによって生成される。別の実施形態において、イメージングシステムは欠陥レビューシステムである。例えば、本明細書に記載の光学的および電子ビームイメージングシステムは欠陥レビューシステムとして構成されてよい。さらに別の実施形態において、イメージングシステムは計測システムである。例えば、本明細書に記載の光学的および電子ビームイメージングシステムは計測システムとして構成されてよい。このように、いくつかの実施形態において、計測システムによって入力イメージが生成される。特に、本明細書で説明され図１および１ａで図示されるイメージングシステムの実施形態は、１つ以上のパラメータにおいて修正されて、使用されることになっている用途に応じて異なるイメージング能力を提供してもよい。そのような例において、図１に示されたイメージングシステムは、検査というよりも欠陥レビューまたは計測に用いられることになっている場合に、より高い分解能を有するように構成されてよい。言い換えると、図１および１ａで図示されたイメージングシステムの実施形態は、イメージングシステムのいくつかの一般的および様々な構成を説明しており、それは、異なる用途に多かれ少なかれ適した異なるイメージング能力を有するイメージングシステムを作成するために、当業者には自明であり得るいくつかの方式でカスタマイズできる。

１つ以上のコンピュータサブシステムは、本明細書に記載のイメージングサブシステムによって生成された試料のイメージを取得するように構成されてよい。イメージの取得は本明細書に記載のイメージングシステムのうち１つを用いて（例えば、光または電子ビームを試料に向け、試料からの光または電子ビームを検出する）実行されてよい。このように、イメージの取得は、物理的試料自体と、ある種のイメージングハードウェアを用いて実行されてよい。しかしながら、イメージの取得は、必ずしもイメージングハードウェアを用いて試料をイメージングすることを含まなくてもよい。例えば、本明細書に記載のバーチャル検査システムまたは本明細書に記載の別の記憶媒体などの、別のシステムおよび／または方法が、イメージを生成し、生成したイメージを１つ以上の記憶媒体に記憶してもよい。したがって、イメージの取得は、イメージが記憶されていた記憶媒体からイメージを取得することを含んでよい。

図１に示される、例えばコンピュータサブシステム３６および／またはコンピュータサブシステム（複数可）１０２などのコンピュータサブシステム（複数可）によって実施される、例えばコンポーネント（複数可）１００などのコンポーネント（複数可）は、ニューラルネットワーク１０４を含む。ニューラルネットワークは、ニューラルネットワークに入力された試料の訓練セットにおける入力イメージの逆フィーチャを決定するように構成される。例えば、図２に示すように、イメージ２００はニューラルネットワーク２０２に入力されてよく、ニューラルネットワーク２０２はイメージの逆フィーチャ２０４を決定する。このように、ニューラルネットワークは、逆関数ｆ^−１（）を近似するために用いられ、ニューラルネットワークは入力イメージから逆フィーチャを生成する。検査、計測および欠陥レビューなどの半導体用途の文脈において、本明細書に記載のニューラルネットワークはイメージング形成における逆問題（例えば、回折、干渉、部分コヒーレンス、ブレ（ｂｌｕｒｒｉｎｇ）等）を解決して、光学補正されたフィーチャを再生するために用いられ得る。本明細書において、「逆フィーチャ」（「逆」がインバージョンニューラルネットワークの文脈に関連する場合）は、一般に、物理プロセスを反転した後のフィーチャとして定義されるが、「フィーチャ」は、一般に、限定はしないが、強度、振幅、位相、エッジ、勾配等を含む測定可能な特性を指すものとして定義される。

一般に、ニューラルネットワークは、本明細書に記載される機能を実施するユニークなトポロジによって定義される必要はない。代わりに、ニューラルネットワークは特定用途向けであってよく、その層タイプと層の数は定義されていない。ニューラルネットワークは、試料に関するイメージの逆フィーチャを決定するように構成された２つ以上のエンコーダ層を含んでよい。用語「エンコーダ」は一般に、入力データの情報内容をよりコンパクトな表現に「符号化する」ニューラルネットワークまたはニューラルネットワークの一部を指す。符号化プロセスは有効に有損失であっても無損失であってもよい。それに加えて、符号化プロセスは人間が解釈できても、できなくてもよい。符号化表現はスカラー値のベクトルまたは分散であってもよい。

一実施形態において、ニューラルネットワークは深層学習モデルである。一般に、「深層学習」（深層構造学習、階層学習または深層機械学習としても知られる）は、データにおける高度の抽象化を試みる一組のアルゴリズムに基づいた機械学習の分岐である。単純な事例では、２組のニューロンが存在してよく、入力信号を受信するニューロンと、出力信号を送信するニューロンがある。入力層が入力を受け取ると、入力の変更バージョンを次の層に伝える。深層ネットワークにおいて、入力と出力の間に多くの層が存在し（これら層はニューロン製ではないが、それをそのように考慮することを補助できる）、アルゴリズムが、多数の線形および非線形変換で構成された多数の処理層を用いることを可能にする。

深層学習は、データの学習表現に基づく機械学習方法のより広範なファミリーの一部である。観察（例えば、イメージ）は、ピクセル毎の強度値のベクトル、または一組のエッジ、特定の形状の領域等としてのより抽象的な方式等の多くの方式で表現され得る。いくつかの表現は、他の表現よりも学習タスクの簡略化において勝っている（例えば、顔認識または顔表情認識において）。深層学習の保証の１つは、手作業で作られたフィーチャを、教師付きでない、または半教師付きのフィーチャ学習および階層フィーチャ抽出のための効率的なアルゴリズムと置き換えることである。

この分野における研究は、より良い表現を行い、大規模なラベル無しデータからこれらの表現を学習するためのモデルを作成することを試みている。表現のいくつかは神経科学の進化によって触発され、様々な刺激と、関連する脳内での神経応答との関係性を定義することを試みるニューラルコーディングなどの神経システムにおける情報処理およびコミュニケーションパターンの解釈に大まかに基づいている。

深層ニューラルネットワーク、畳み込み深層ニューラルネットワーク、深層信念ネットワークおよび再帰型ニューラルネットワークなどの様々な深層学習アーキテクチャは、コンピュータビジョン、自動音声認識、自然言語処理、音声認識（ａｕｄｉｏ ｒｅｃｏｇｎｉｔｉｏｎ）、生命情報科学等の分野に適用されており、そこで、様々なタスクに最先端の結果をもたらすことを示してきた。

別の実施形態において、ニューラルネットワークは機械学習モデルである。機械学習は一般に、コンピュータに、明示的にプログラムされずに学習能力を提供する１つのタイプの人工知能（ＡＩ）として定義され得る。機械学習は、コンピュータプログラムに、新規のデータに曝されたときに自身で成長し変化するように教えることができるコンピュータプログラムの開発に焦点を当てる。言い換えると、機械学習は「コンピュータに、明示的にプログラムされずに学習能力を与える」コンピュータサイエンスのサブフィールドとして定義され得る。機械学習はデータから学習し予測することができるアルゴリズムの研究と構築を探求し、そのようなアルゴリズムは、サンプル入力からモデルを構築することを介してデータ派生予測または判断をなすことによって、以下の厳密に静的なプログラム命令を克服する。

本明細書に記載の機械学習はさらに、本明細書にあたかも完全に記載された如くに参照として組み込まれている、スギヤマ（Ｓｕｇｉｙａｍａ）による「Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓｔａｔｉｓｔｉｃａｌ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ」、ＭｏｒＧＡＮ Ｋａｕｆｍａｎｎ，２０１６，５３４ｐａｇｅｓ、ジェバラ（Ｊｅｂａｒａ）による、「Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ，Ｇｅｎｅｒａｔｉｖｅ，ａｎｄ Ｉｍｉｔａｔｉｖｅ Ｌｅａｎｒｎｉｎｇ」ＭＩＴ Ｔｈｅｓｉｓ，２００２，２１２ｐａｇｅｓ、およびハンド（Ｈａｎｄ）他による、「Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｄａｔａ Ｍｉｎｉｎｇ（Ａｄａｐｔｉｖｅ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ）」，ＭＩＴ Ｐｒｅｓｓ，２００１，５７８ｐａｇｅｓに記載されるように実行されてもよい。本明細書に記載の実施形態はさらに、これらの参考文献に記載されるように構成されてよい。

いくつかの実施形態において、ニューラルネットワークは生成モデルである。「生成」モデルは、本質的に確率的であるモデルとして一般に定義され得る。言い換えると、「生成」モデルは、順シミュレーションまたはルールに基づく手法を実行するモデルではなく、そのため、実際のイメージ（シミュレートされたイメージがそれに関して生成される）を生成することに係るプロセスの物理のモデルは必要でない。その代わりに、本明細書でさらに説明するように、生成モデルは、データの適切な訓練セットに基づいて学習され得る（そのパラメータが学習され得るということにおいて）。

一実施形態において、ニューラルネットワークは深層生成モデルとして構成される。例えば、モデルは、いくつかのアルゴリズムまたは変換を実行する多数の層を含み得るという点において深層学習アーキテクチャを有するように構成されてよい。生成モデルのエンコーダ側の層数はユースケースに依存する。実用目的では、エンコーダ側の層の適切な範囲は二層乃至数十層である。

別の実施形態において、ニューラルネットワークは、訓練するために供給されたデータに基づいて世界をモデリングする一組の重みを備えた深層ニューラルネットワークであってよい。ニューラルネットワークは、軸策によって接続された生体ニューロンの比較的大規模なクラスタで生物脳が問題を解決する方式を大まかにモデリングするニューラルユニットの比較的大きな集合に基づく計算論的アプローチとして一般に定義され得る。各ニューラルユニットは、多くの他のニューラルユニットと接続され、リンクは、接続されたニューラルユニットの活性化状態へのそれらの効果を実施または禁止できる。これらのシステムは、明示的にプログラムされているというよりも、自己学習され訓練され、解決または特徴検出が、従来型コンピュータプログラムでは表現し難い領域において優れている。

ニューラルネットワークは典型的に多層からなり、信号経路は前から後ろに横切る。ニューラルネットワークの目的は、人間の脳が行うのと同じ方式で問題を解決することであるが、いくつかのニューラルネットワークはより一層抽象的である。現代のニューラルネットワークプロジェクトは典型的に、数千から数百万のニューラルユニットおよび数百万の接続で機能する。ニューラルネットワークは当技術分野で知られるあらゆる適切なアーキテクチャおよび／または構成を有してよい。

別の実施形態において、ニューラルネットワークは畳み込みニューラルネットワーク（ＣＮＮ）として構成される。例えば、ニューラルネットワークは、通常畳み込みのスタックであり、層をプールしてローカルフィーチャを抽出するＣＮＮとして構成されてよい。本明細書に記載の実施形態は、通常は処理しにくい表現逆転（ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｉｎｖｅｒｓｉｏｎ）問題を解決するためにＣＮＮ等の深層学習概念を利用できる。モデルは、当技術分野で知られるあらゆるＣＮＮ構成又はアーキテクチャを有してよい。別の実施形態において、ニューラルネットワークは完全畳み込みモデルとして構成される。別の実施形態において、ニューラルネットワークは、深層生成モデル、ＣＮＮ、生成敵対的ネット（ＧＡＮ）、条件付き生成敵対的ネット（ｃＧＡＮ）、ＧＡＮおよび変分オートエンコーダ（ＶＡＥ）および、一部としてＣＮＮを含むネットワーク（すなわち、ニューラルネットワークの一部がＣＮＮとして構成される）として構成されてよく、それらは全て、本明細書に記載されるように構成され得る。

本明細書に記載の実施形態に含まれるＧＡＮは、本明細書にあたかも完全に記載されたかの如く参照によって組み込まれる、グッドフェロー（Ｇｏｏｄｆｅｌｌｏｗ）他の「Ｇｅｎｅｒａｔｉｖｅ ＡｄｖｅｒｓａｒｉａｌＮｅｔｓ」，ａｒＸｉｖ：１４０６．２６６１、２０１４年６月１０日、９ｐａｇｅｓ、に記載されるように構成されてもよい。グッドフェロー他は、敵対的プロセスを介して生成モデルを推定するための新規のフレームワークについて記載しており、そのフレームワークにおいて、データ分布をキャプチャする生成モデルＧと、サンプルがＧ由来というより訓練データ由来である蓋然性を推定する識別モデルＤの、２つのモデルが同時に訓練される。Ｇの訓練手順は、Ｄが間違えているという蓋然性を最大化することである。このフレームワークは、ミニマックス２人ゲーム（ｔｗｏ ｐｌａｙｅｒ ｇａｍｅ）に対応する。任意関数ＧおよびＤの空間において唯一解が存在し、Ｇが訓練データ分布を復元し、Ｄは何処でも１／２に等しい。ＧとＤが多層パーセプトロンによって定義される場合、全体的システムはバックプロパゲーションで訓練され得る。サンプルの訓練中でも生成中でも、マルコフ連鎖または展開された近似的推論ネットワークの必要はない。実験では、生成されたサンプルの定性的および定量的評価によるフレームワークのポテンシャルを実証した。本明細書に記載の実施形態のニューラルネットワークはさらに、グッドフェロー他によって説明されるように構成されてよい。

本明細書に記載の実施形態に含まれるＣＧＡＮは、本明細書に、あたかも完全に記載されたかの如く参照によって組み込まれている、ミーズァ（Ｍｉｒｚａ）他による「Ｃｏｎｄｉｔｉｏｎａｌ Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｓ」ａｒＸｉｖ：１４１１．１７８４、２０１４年１１月６日、７ｐａｇｅｓ、に記載のように構成されてよい。生成敵対的ネットは、何らかの付加情報ｙにジェネレータとディスクリミネータの両方が条件付けられる場合、条件付きモデルに拡張され得る。ｙは、他のモダリティからのクラスラベルまたはデータなどの任意の種類の補助情報であってよい。条件付けは、ｙをディスクリミネータとジェネレータの両方に、追加入力層としてフィードすることによって実行され得る。ジェネレータにおいて、以前に入力されたノイズＰｚ（ｚ）およびｙが、合成隠れ表現（ｊｏｉｎｔ ｈｉｄｄｅｎ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）に合成され、敵対的訓練フレームワークは、この隠れ表現がどのように構築されるかにおいてかなりの融通性を可能にする。ディスクリミネータにおいて、ｘとｙは識別関数への入力として提示される（いくつかの事例において、多層パーセプトロン（ＭＬＰ）で具現化される）。すると、２プレーヤーミニマックスゲームの目的関数は

となる。本明細書に記載の実施形態に含まれるニューラルネットワークはさらに、ミーズァ他による上記の組み込まれた参考文献に記載されるように構成されてよい。

変分オートエンコーダは、深層学習と変分推定のメリットを採択して生成モデリングに顕著な進化をもたらすコンポーネントである。付加的にまたは代替的に、ＧＡＮまたは深層生成敵対的ネットワーク（ＤＧＡＮ）と組み合わせた変分オートエンコーダは、本明細書にあたかも完全に記載されたかの如く参照によって組み込まれている、マクザニ（Ｍａｋｈｚａｎｉ）他の「Ａｄｖｅｒｓａｒｉａｌ Ａｕｔｏｅｎｃｏｄｅｒｓ」、ａｒＸｉｖ：１５１１．０５６４４ｖ２、２０１６年５月２５日、１６ｐａｇｅｓ、に記載されるように構成されてもよい。本明細書に記載の実施形態はさらに、この文献に記載されるように構成されてよい。

ニューラルネットワークは、ニューラルネットワークに入力された試料の訓練セットにおける入力イメージの逆フィーチャを決定するように構成されてよい。ニューラルネットワークによって決定される逆フィーチャは、本明細書にさらに説明されるか、または、入力から推定されることができて本明細書にさらに説明する出力を生成するために用いられるあらゆる適切なフィーチャを含んでよい。例えば、フィーチャは、ピクセル毎の強度値のベクトルを含んでよい。フィーチャはさらに、本明細書に記載のあらゆる他のタイプのフィーチャも含んでよく、例えば、スカラー値のベクトル、個別分布のベクトル、合成分布、または、当技術分野で知られるあらゆる他の適切なフィーチャを含んでよい。

本明細書でさらに説明するように、コンピュータサブシステム（複数可）は、本明細書に記載のイメージングサブシステムまたはシステムから、および／または、イメージングサブシステムまたはシステムによってその中にイメージが記憶されていた記憶媒体から、訓練セットにおける入力イメージを取得するように構成されてよい。それに加えて、いくつかの事例では、本明細書でさらに説明するように、コンピュータサブシステム（複数可）は、より大規模なセットのイメージから訓練セットにおける入力イメージを選択する（それによってイメージの訓練セットを生成する）ように構成されてよい。いくつかの事例では、コンピュータサブシステム（複数可）はさらに、どのイメージングパラメータ（複数可）が入力イメージを生成するために用いられるか、または用いられることになるか、および／または、どの入力イメージが、選択されたイメージングパラメータに基づいて選択されるかを選択してもよい。例えば、コンピュータサブシステム（複数可）は、限定はしないが、照明バンド／波長、開口、偏光、ピクセルサイズおよび本明細書に記載のその他のイメージングパラメータを含む一群のイメージングパラメータから選択された１つ以上のイメージングパラメータを含み得る、イメージングサブシステムまたはシステムからのイメージデータを収集するために用いられるイメージングパラメータを選択してよい。それに加えて、コンピュータサブシステム（複数可）は、入力イメージに影響を与えるあらゆる他のイメージングパラメータを選択してよい。すると、比較的大量のイメージが、本明細書に記載のイメージングサブシステムまたはシステムに選択されたイメージングパラメータに基づいて収集され得る（例えば、実際のツール、バーチャルツール、検査ツール、レビューツール、計測ツール、光学的ツール、電子ビームツール、イオンビームツール等）。訓練セット内の入力イメージの個数は、任意の適切な個数の入力イメージであってよい。それに加えて、入力イメージのサイズ（例えば、ピクセル内の）は、任意の適切なサイズであってよい。

入力イメージの訓練セットはさらに、ニューラルネットワークがそのために訓練されるアプリケーションによって変動してよい。例えば、本明細書でさらに説明されるデコンボリューションユースケースでは、訓練サンプルは、ロケーションごとに収集された単一のイメージであり、訓練データセットは訓練サンプルの集合である。同様に本明細書でさらに説明される位相回復ユースケースでは、訓練サンプルはロケーションごとに様々な焦点オフセットで収集されたイメージのスタックであり、訓練データセットは訓練サンプルの集合である。レビューユースケースでは、訓練サンプルと訓練データセットは、デコンボリューションユースケースの場合と同じであり得る。それに加えて、ツール校正および光学素子／モード設計ユースケースでは、訓練サンプルと訓練データセットは定義されておらず、目標とするユースケースに依存してよい。

コンピュータサブシステム（複数可）はさらに、そのイメージが試料上のどこから収集されたかを判断してもよい。例えば、コンピュータサブシステム（複数可）は、試料に関する設計情報（例えば、ＣＡＤ情報）および／またはホットスポット情報を用いて実行され得る任意選択的な試料ロケーションサンプリングステップ向けに構成されてよい。

訓練セットにおける入力イメージをニューラルネットワークに入力する前に、コンピュータサブシステム（複数可）は、当技術分野で知られるあらゆる適切な前処理ステップを含み得る、訓練セットにおける入力イメージへの１つ以上のデータ前処理ステップを実行してよい。

上記で説明したニューラルネットワークの層それぞれは、重みＷ、バイアスＢなどの１つ以上のパラメータを有してよく、その値は、本明細書でさらに説明するように実行されてよい、ニューラルネットワーク訓練によって決定され得る。例えば、ニューラルネットワーク内に含まれるあらゆる層の重みとバイアスは、コスト関数を最小化することによって訓練中に決定され得る。コスト関数は、イメージに対して実行されている変換に応じて変動してよい。

１つ以上のコンポーネントはさらに、逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成するように構成された、図１に示す順物理モデル１０６も含む。このように、このコンポーネントの主要な機能は、物理モデルを抽出されたフィーチャに適用して入力を再生することである。例えば、図２に示すように、システムは、順変換モデル＝ｆ（）であってよい順物理モデル２０６を含んでよい。順変換モデルは、モデル変換されたフィーチャ２０８を再生するために逆フィーチャ２０４に適用されてよい。順物理モデルは、微分可能な第一原理物理または光学素子の法則（例えば、マックスウェルの方程式、フーリエ光学素子等）から導出され得る物理シミュレーション層として構成されてよい。

順物理モデルは、入力イメージおよび／またはランタイムイメージを生成するために用いられるパラメータに関する情報に基づいて生成または構成されてもよい。例えば、順物理モデルは、試料または他のもう１つの試料の、限定はしないが、光学的バンド／波長、光学的開口、偏光、ピクセルサイズ等を含み得るイメージデータを収集するために用いられる、または用いられることになっている物理（光学的）条件に基づいて構成されてよい。

一実施形態において、順物理モデルは微分可能な順物理モデルとして構成される。物理モデルは、特定の数学関数に基づいて表現され得る。このように、本明細書で用いられる「微分可能な」は、これらの数学関数が微分可能である、すなわち、これらの数学関数の勾配が計算可能であるということを意味する。物理モデルが微分可能でない場合、モデルはいくつかの微分可能なモデルまたは線形結合によって近似されることになる。微分可能な制約（ｄｉｆｆｅｒｅｎｔｉａｂｌｅ ｃｏｎｓｔｒａｉｎｔｓ）は、ニューラルネットワークを介した順物理モデルの実施を可能にし、これが、推定勾配降下または等価による統一されたモデルの訓練を可能にする。

このように、本明細書に記載の実施形態はインバージョンニューラルネットワーク（ＩＮＮｓ）と呼ばれてよい。本明細書で用いられる用語としての「ＩＮＮ」は一般に、イメージングにおける逆問題を解決するための一元化された訓練可能なモデルとして、ニューラルネットワーク（深層学習ニューラルネットワークなど）を順微分可能な第一原理物理モデルと一体に合成する包括的且つ系統的計算フレームワークとして定義され得る。一般に、順微分可能物理モデル（厳密でも、近似でも）が利用可能である限り、逆問題を解決するために、ＩＮＮが本明細書に記載されるように用いられ得る。本明細書に記載される用語「逆問題」は、結果から出発して次に原因を計算する故に逆問題と呼ばれることにおいて、その用語の一般に通用する定義を有することを意図していることに留意されたい。これは、原因から出発して結果を計算する順問題の逆である。

したがって、本明細書に記載の実施形態は、イメージング効果（例えば、回折、干渉、部分コヒーレンスなど）を逆転させて信号の原因を識別するために、統合された訓練可能なモデルとして、第一原理イメージング／物理モデル（すなわち、順物理モデル）をニューラルネットワーク（例えば、機械学習／深層学習モデル）と一体に合成する。本明細書に記載されるＩＮＮは、順シミュレーションのために順物理モデルのみを要する。言い換えると、第一原理から逆問題を解く必要がない。それに加えて、本明細書に記載の実施形態の構成は、光学的イメージから光学的位相情報を抽出する計算効率のよい手法を可能にする。さらに、本明細書に記載の実施形態は、訓練中に物理的に解釈可能なツールパラメータを学習することが可能である。

別の実施形態において、順物理モデルは追加ニューラルネットワークとして実施または近似される。例えば、順物理モデルは、実際にニューラルネットワークを形成してよくオリジナルのモデルが行うように厳密な数学的計算を実行してもよい深層学習ニューラル層によって実施されてよい。オリジナルのモデル数理が微分可能であるため、そのニューラルネットワークの実施は、訓練中にバックプロパゲーションが適用されることを可能にする。このように、順物理モデルをニューラルネットワークとして実施することは、物理モデルの数理を厳密にニューラルネットワークによって実行することを意味する。しかしながら、順物理モデルは、厳密な実施が可能でない状況、またはモデルが直接微分可能でない状況ではニューラルネットワークとして近似されてよい。

いくつかの実施形態において、順物理モデルは、試料の入力イメージを生成するために用いられるイメージングパラメータに対応するモデルパラメータを含む。例えば、順物理モデルは、限定はしないが、本明細書に記載のイメージングサブシステム（例えば、ウェハ検査ツール、マスクツールなど）のうちいずれかの、あらゆる可能なイメージング設定パラメータを含んでよい。

別の実施形態において、順物理モデルは、試料の入力イメージを生成することに係る物理パラメータに対応するモデルパラメータを含む。例えば、順物理モデルは、限定はしないが、第一原理物理からのあらゆる可能なイメージング／物理モデルパラメータを含んでよい。

一実施形態において、順物理モデルは、少なくとも１つの調整可能なモデルパラメータを含む。例えば、ユースケースに応じて、順物理モデルのパラメータのうちいくつかは訓練可能なパラメータとして訓練されてよい。いずれかのパラメータが訓練対象として選ばれた場合、それらの訓練の初期値は、（ａ）物理的有効値範囲からのランダム値、（ｂ）ハードウェア粗測定値、（ｃ）ハードウェア精密校正値、または（ｄ）ソフトウェア精密校正値、であり得る。１つの特定の例において、イメージは開口「Ａ」で検査ツールから取得されてよい。開口「Ａ」は既知のツールパラメータであり、開口「Ａ」は、ツールの粗点広がり関数（ＰＳＦ）を推定するために用いられ得る。しかしながら、精密（または厳密）ＰＳＦは未知である場合がある。したがって、精密（または厳密）ＰＳＦは訓練可能である。別の実施形態において、順物理モデルは少なくとも１つの固定モデルパラメータを含む。例えば、パラメータのうち全部または一部は、それらがハードウェア仕様または校正済みハードウェアパラメータを表している場合に、訓練中に固定されることが可能となる。さらに、順物理モデルは、少なくとも１つの調整可能なモデルパラメータと、少なくとも１つの固定されたモデルパラメータを含んでよい。言い換えると、順物理モデルのモデルパラメータのうちいくつかは固定されてよく、他は調整可能であってよい。このように、モデルパラメータのうちどれも訓練可能でない、またはモデルパラメータの一部または全部が訓練可能であり、また、モデルパラメータのどれも固定可能でない、またはモデルパラメータのうち一部または全部が固定可能である。

１つ以上のコンポーネントはさらに、図１に示した、訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定するように構成された残渣層１０８を含む。例えば、図２に示すように、システムは残渣層２１０を含んでよい。入力イメージ２００とモデル変換フィーチャ２０８が残渣層に入力されてよく、残渣層は入力イメージとそれらの対応するモデル変換フィーチャとの間の差を決定してよく、それは残渣イメージ２１２として出力されてよい。このように、残渣層は質のメトリックを決定してよい。例えば、オリジナルの変換フィーチャ（複数可）と、再生後の変換フィーチャ（複数可）との間の差が、訓練のメトリックとして計算されてよい。一般に、残渣層は、再変換されたデータ（すなわち、順物理モデルの出力）とオリジナルデータ（すなわち、ニューラルネットワークへの入力）との類似性を測定する。類似性尺度の可能なメトリックは、限定はしないが、種々の距離尺度（例えば、Ｌ１、Ｌ２、Ｌ＿ｉｎｆ、マンハッタンなど）、種々のクロス相関、相互情報などを含む。ニューラルネットワークや順物理モデルと違って、残渣層は一般に訓練可能なパラメータを有していない。

１つ以上のコンピュータサブシステムは、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練するように構成される。１つ以上のコンピュータサブシステムの訓練の目的は、残渣層出力を可能な限り少なくなるように極減することである。コンピュータサブシステム（複数可）によって差に基づいて変更されるニューラルネットワークのパラメータは、本明細書に記載の（例えば、ＣＮＮの訓練可能パラメータ）いずれのニューラルネットワークのいずれの訓練可能なパラメータを含んでもよい。それに加えて、コンピュータサブシステム（複数可）は、ニューラルネットワークを教師付きでない方式で訓練するように構成されてよく、それはすなわち、訓練が、ニューラルネットワークを訓練するために用いられる訓練セットにおける入力イメージのラベルを必要としない（また、一切の等価物も必要としない）ということである。入力イメージの訓練セットはさらに、任意のサイズのイメージの集合（光学的、電子ビームなど）を含んでよい。

コンピュータサブシステム（複数可）はさらに、ニューラルネットワークおよび順物理モデルの訓練向けに構成されてよい。両方のモデルのそのような訓練は同時に実行されてよい。訓練時、コンピュータサブシステム（複数可）は、選択された物理条件で収集されたイメージを用いてよく（ニューラルネットワークへの入力として用いられる）、それらはしたがって訓練セットにおける入力イメージであり、順物理モデルの物理パラメータ（ハイパーパラメータとして用いられる（訓練可能か、または固定式のいずれかとして））である。

本明細書に記載のニューラルネットワークは、特有の試料（例えば、特定のウェハまたはレチクル）、プロセスおよびイメージングパラメータに関して生成されてよい。言い換えると、本明細書に記載のニューラルネットワークは、試料特有、プロセス特有、およびイメージングパラメータ特有であってよい。例えば、一実施形態において、各ニューラルネットワークは特定の設計およびウェハ層に特有となるように訓練されてよい。訓練されたニューラルネットワークは次に、その層に関する予測を実行するためにのみ用いられることになる。このように、異なるウェハ層に関して異なるニューラルネットワークが生成されてよい。しかしながら、別の実施形態では、単一のニューラルネットワークが、異なる設計およびウェハタイプ層からのデータで訓練されてよい。結果として得られるニューラルネットワークは一般に、訓練データに含まれる全タイプの試料に関する予測を実行するために用いられてよい。一般に、ニューラルネットワークは、選択されたイメージングモードがツールにわたり反復可能である限り、ツールと独立していてよい。例えば、同じタイプのツールは同じ仕様を有してよい。したがって、訓練されたモデルは、訓練データが取得されたツールに紐付けされる必要はない。異なるニューラルネットワークそれぞれは、データの異なる訓練セットで生成されてよい。データの異なる訓練セットそれぞれは、任意の適切な方式で生成されてよい。

本明細書に記載の実施形態はさらに、様々な方式のニューラルネットワークの展開向けに構成されてよく、さらに、本明細書でさらに説明するように訓練された後で様々な出力を生成するために構成されてよい。例えば、図３に示すように、展開の一方式において、訓練されたニューラルネットワーク３０２は、それ自体で展開してよい（順物理モデルなしで、また、残渣層なしで）。このように、ランタイム中（または展開中）に、ランタイムイメージ３００は、コンピュータサブシステム（複数可）（図３には図示しないが、ニューラルネットワークを訓練したのと同じコンピュータサブシステム（複数可）であってよい、または、異なるコンピュータサブシステム（複数可）であってよい）によって、訓練されたニューラルネットワーク３０２に入力されてよく、それが逆フィーチャ３０４を生成し、それは、訓練されたニューラルネットワークの出力である。ランタイムイメージ３００は、ランタイムイメージを生成するために用いられたイメージングパラメータ（図３には図示せず）とともに、訓練されたニューラルネットワーク３０２に入力されてよい。ランタイムイメージ３００はさらに、任意のサイズを有してよい。本明細書で用いられる用語としての「ランタイム」イメージは単に、訓練されたニューラルネットワークに入力されるテストイメージを意味して用いられる。そのため、１つの展開状況において、ＩＮＮ（訓練されたニューラルネットワーク）の第１のモデルのみが展開され、それは、予測時間に逆フィーチャ（または逆イメージ）のみを生成することになる。

展開の異なる一方式において、図４に示すように、訓練されたニューラルネットワーク４０２は順物理モデル４０６および残渣層４１０で展開される。順物理モデル４０６は、本明細書に記載されるように訓練されても訓練されなくてもよい。このように、ランタイムイメージ４００が訓練されたニューラルネットワークに、展開中に入力され、それが逆フィーチャ４０４を生成する。そのため、ランタイム（または展開）中に、ランタイムイメージ４００が、コンピュータサブシステム（複数可）（図４には図示しないが、ニューラルネットワークを訓練したのと同じコンピュータサブシステム（複数可）であってよい、または、異なるコンピュータサブシステム（複数可）であってよい）によって、訓練されたニューラルネットワーク４０２に入力されてよく、それが逆フィーチャ４０４を生成し、それは、訓練されたニューラルネットワークの出力である。ランタイムイメージ４００は、ランタイムイメージを生成するために用いられたイメージングパラメータ（図４には図示せず）とともに訓練されたニューラルネットワーク４０２に入力されてよい。ランタイムイメージ４００はさらに、任意のサイズを有してよい。逆フィーチャ４０４が順物理モデル４０６に入力されてよく、それが、モデル変換フィーチャ４０８を生成する。次にモデル変換フィーチャがイメージ４００と結合して残渣層４１０に入力されてよく、それはそれらの入力を用いて残渣イメージ４１２を生成してよい。

そのため、別の展開状況では、全ＩＮＮ（訓練されたニューラルネットワーク、順物理モデル（訓練された、または訓練されない）および残渣層）が展開され、それは逆フィーチャ（または逆イメージ）と残渣イメージの両方を生成することになる。このように、逆フィーチャ／イメージはＩＮＮからの望ましい結果であり、「モデル変換された」は、ＩＮＮがどれだけうまく実行されるかを記述する中間データであり、「残渣イメージ」は、ＩＮＮの性能または「ウェルネス」の定量的尺度である。例えば、「残渣」イメージは、各ピクセルにおいてゼロ値に近いと期待される。残渣イメージ内のピクセル値はしたがって、ＩＮＮモデルのあらゆる破滅的な破綻を識別するために用いられ得る。つまり、「残渣」イメージが特定のピクセルで比較的大きな値を有している場合、それは、ＩＮＮモデルが逆イメージを生成するにあたりうまく機能していないことの指標である。したがって、生成された逆イメージはこれらのロケーションにおいてフィルタリングされ得る。

本明細書に記載の実施形態はいくつかの異なるタイプの変換（すなわち、入力イメージを逆フィーチャに変換する）を実行するように構成されてよい。例えば、逆イメージ／フィーチャは、各ユースケースに関して物理モデルが異なるため、異なるユースケースでは異なるものとなり得る。言い換えると、ニューラルネットワークの構成は訓練中に用いられる順物理モデルに依存することとなる。例えば、一実施形態において、１つ以上のコンピュータサブシステムは、試料または他のもう１つの試料のランタイムイメージを訓練されたニューラルネットワークに入力し、その結果、訓練されたニューラルネットワークがランタイムイメージの逆フィーチャを決定し、逆フィーチャが、ランタイムイメージの光学的に補正されたバージョンのフィーチャとなるように構成される。そのような構成はしたがって、入力イメージのデコンボリューションを実行してよい。このように、逆フィーチャは望ましい鮮明なイメージ（デコンボリューション向けの）であってよい。本明細書では用語「光学的に補正された」が用いられるが、「光学的に補正された」バージョンは、光学的および他のタイプ（例えば、電子ビームおよびイオンビーム）のイメージング効果に関して補正されてよい。言い換えると、ランタイムイメージの「光学的に補正された」バージョンは、入力イメージの光に基づくイメージング補正のみに限定されない。

ランタイムイメージの光学的に補正されたバージョンは、いくつかの異なる方式で補正されてよい。例えば、ランタイムイメージは、ぶれ、コントラスト、色、ノイズ、および、試料からランタイムイメージを生成したイメージングサブシステムもしくはシステムによって引き起こされた、または試料自体（または試料に対して実行された１つ以上のプロセス）から引き起こされたその他のイメージングの悪影響に関して光学的に補正されてよい。そのような例において、ランタイムイメージは、訓練されたニューラルネットワークに入力されるブレたイメージであってよく、それは、ブレたイメージに対する逆フィーチャ／イメージ、すなわち、鮮明なイメージを生成する。このように、デコンボリューションの場合、逆フィーチャ／イメージは、ランタイムイメージからブレを取り除くことによって生成された鮮明なイメージである。ＩＮＮが順物理モデルと残渣層で展開された場合、順物理モデル（この場合、光学的モデル）は、波長、ＰＳＦ等を与えられた光学的ブレモデルであってよい。順物理モデルはモデル変換フィーチャ／イメージ、すなわち、生成された「鮮明な」イメージに基づくシミュレートされたブレたイメージを生成する。残渣層は次に、ランタイムイメージから、シミュレートされたブレたイメージを差し引いて、（またはシミュレートされたブレたイメージからランタイムイメージを差し引いて）残渣イメージを生成してよい。

イメージの光学的に補正されたバージョンは、解像度の問題に関して、および／またはランタイムイメージの解像度を改善するために補正されてよい。例えば、いくつかの実施形態において、ニューラルネットワークは、１つの低解像度入力イメージから１つ以上の高解像度イメージを生成するように構成されてよい。したがって、本明細書に記載の実施形態は、解像度を増強するためにデコンボリューション向けに構成されてよく、それはそれによって、検査、計測およびレビューなどの用途向けに欠陥信号対雑音（ＳＮＲ）比を改善できる。それに加えて、本明細書に記載の実施形態は、電子ビームおよび／またはイオンビーム分解能を増強するためにデコンボリューション向けに構成されてよく、それはそれによって、検査、計測およびレビューなどの用途向けに欠陥ＳＮＲ比を改善できる。このように、ランタイムイメージの光学的に補正されたバージョンは、試料に関するより特定的な情報を含んでよく、それは次に欠陥検出、分類、レビュー等に用いられ得る。

別の実施形態において、１つ以上のコンピュータサブシステムは試料または他のもう１つの試料に関するランタイムイメージを訓練されたニューラルネットワークに入力するように構成され、その結果、訓練されたニューラルネットワークはランタイムイメージの逆フィーチャを決定し、順物理モデルは、ランタイムイメージに対して決定された逆フィーチャからランタイムイメージを再構築し、残渣層は、ランタイムイメージと再構築されたランタイムイメージとの間の差を判定し、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャであり、ランタイムイメージと再構築されたランタイムイメージとの間の差が残渣イメージのフィーチャである。したがって、一実施形態において、ロー（ｒａｗ）ランタイムイメージが、訓練の場合と同じイメージング条件下でイメージングサブシステムまたはシステムから収集されてよい。次に、ローランタイムイメージが訓練されたＩＮＮモデルに入力されて、デコンボリュートされたイメージ（すなわち、「逆」イメージ）と残渣イメージを生成してもよい。デコンボリュートされたイメージは、ローイメージよりも鮮明なイメージであり得、また、より高い解像度を有して、欠陥検出のためのＳＮＲを改良する。残渣イメージは、本明細書でさらに説明するように、ＩＮＮモデルの破滅的な破綻を識別するために用いられ得る。

本明細書で用いられる、試料の「低解像度イメージ」という用語は、イメージが生成された試料の領域内に形成されたパターン付きフィーチャ全てがイメージ内で解像されていないイメージとして一般に定義される。例えば、低解像度イメージが生成された試料の領域内のパターン付きフィーチャの一部は、それらのサイズが解像可能になるのに十分なほど大きい場合に、低解像度イメージ内において解像され得る。しかしながら、低解像度イメージは、イメージ内の全てのパターン付きフィーチャを解像可能にする解像度では生成されない。このように、本明細書で用いられる用語「低解像度イメージ」は、欠陥分類および／または検証および計測を含み得る欠陥レビューなどの用途に用いられる低解像度イメージに対して十分な試料上のパターン付きフィーチャに関する情報を包含しない。それに加えて、本明細書で用いられる用語「低解像度イメージ」は一般に、比較的高速のスループットを有するために比較的低めの解像度（例えば、欠陥レビューおよび／または計測システムより低い）を典型的に有する検査システムによって生成されたイメージを指す。

「低解像度イメージ」は、本明細書に記載される「高解像度イメージ」よりも低い解像度を有するという点でも「低解像度」であり得る。本明細書で用いられる用語「高解像度イメージ」は、試料の全てのパターン付きフィーチャが比較的高精度で解像されているイメージとして一般に定義される。このように、高解像度イメージが生成される試料の領域内の全てのパターン付きフィーチャは、それらのサイズに係りなく高解像度イメージに解像される。そのため、本明細書に記載される「高解像度イメージ」は、高解像度イメージが、欠陥分類および／または検証、計測を含み得る欠陥レビューなどの用途に用いられるのに十分な、試料のパターン付きフィーチャに関する情報を含む。それに加えて、本明細書に記載される「高解像度イメージ」は一般に、スループット増加のために解像度能力を犠牲にするように構成されたルーチン動作中に検査システムによって生成され得ないイメージを指す。

別の実施形態において、１つ以上のコンピュータサブシステムは、試料または他のもう１つの試料に関するランタイムイメージを訓練されたニューラルネットワークに入力するように構成され、その結果、訓練されたニューラルネットワークはランタイムイメージの逆フィーチャを決定し、逆フィーチャは、ランタイムイメージの振幅および位相バージョンのフィーチャである。例えば、ランタイムイメージは、訓練されたニューラルネットワークに入力された強度イメージであってよく、それはこの場合、逆フィーチャ／イメージ、すなわち、振幅および位相イメージ（位相回復の）を生成してよい。展開されたＩＮＮが順物理モデルおよび残渣層を含む場合、順物理モデル（例えば、光学的モデル）、すなわち、波長、ＰＳＦ、振幅伝達関数（ＡＴＭ）等を与えられたイメージ形成モデルが、モデル変換フィーチャ／イメージを、すなわち、生成された「振幅」および「位相」イメージを与えられた光学的モデルに基づいてシミュレートされた強度イメージを生成してよい。残渣層は、モデル変換フィーチャ／イメージから、逆フィーチャ／イメージを差し引いて、（または逆フィーチャ／イメージからモデル変換フィーチャ／イメージを差し引いて）、それによって残渣イメージを生成してよい。

したがって、本明細書に記載の実施形態は、本明細書に記載の実施形態がニューラルネットワーク（例えば、機械学習、深層学習など）をイメージングシミュレーション（すなわち、順物理モデル）と結合するため、現行の方法およびシステムとは基本的に異なっている。さらに、本明細書に記載の実施形態は、逆問題に関して（全ての問題に関してではなく）ニューラルネットワークと物理モデルを如何に結合するかに関して打開策を見出し、それを解決し実行する系統的方策を確立することによって創出された。対照的に、深層学習は、産業によって、特にイメージ分類および言語処理に関して広く採択されている。これまで、応用および研究の大部分は深層学習／機械学習をブラックボックスとして取り扱ってきた。それに加えて、これまで、深層学習（例えば、ニューラルネットワーク）を物理モデルと結合する明示的方法も、物理モデルを用いてニューラルネットワークの学習をガイドする明示的方法も存在していない。

コンピュータサイエンスおよびイメージ処理業界において、逆問題（すなわち、デコンボリューション）は、訓練に基づく手法が用いられなければならない場合に教師付き方式で解決されることが多かった。これらの応用は、主に、強烈なイメージング効果（散乱、干渉など）を有さない自然なイメージに焦点を当ててきた。したがって、物理／イメージングモデルのガイダンスなしにモデルを学習することが可能である。しかしながら、強烈な物理／イメージング相互作用を考慮しなければならない応用（例えばナノスケールのウェハ）に関しては、素朴な（総当り的な）訓練手法は、見えないデータに関して（過剰適合によって）実質的に低品質の一般化性能に至ることが多い。

過去数十年で、物理、化学およびコンピュータサイエンスの分野では、複雑な物理モデル（例えば、予測エネルギー）を学習するためにモデルを訓練するための機械学習（例えば、カーネルベースの手法）が用いられ得るかに関して探索するために膨大な労力が払われてきた。一般に、概念としては、従来型分析法を組み合わせる代わりに、機械学習を用いて従来型分析法を置き換えるということである。一般に、訓練されたモデルの低精度故に、大きなブレークスルーは存在しない。この３年間で深層学習は支持されつつあるが、科学界での主要な取り組みは依然として、深層学習をブラックボックスとして使用するか、または分析的物理モデルの代替策として取り扱うかということにある。

本明細書に記載の実施形態は、したがって、他の現行の方法およびシステムに勝るいくつかの利点を有する。例えば、本明細書に記載の実施形態はニューラルネットワーク（例えば、機械学習、深層学習等）をイメージングシミュレーション（すなわち、順物理モデル）と結合する。このように、本明細書に記載の実施形態は、第一原理光学素子または畳み込み最適化方法（例えば、デコンボリューション）では多くの場合不可能または非常に低速である、イメージング逆問題を解決することを可能にする。本明細書に記載の実施形態はさらに、現行のデコンボリューション方法およびシステムの劣決定問題も有さないが、それは、本明細書に記載の実施形態が、現行の方法のように「デコンボリュートされた出力」を最適化する代わりに、ニューラルネットワーク（比較的多数の訓練データセットが用いられる場合よく決められた（ｗｅｌｌ−ｃｏｎｓｔｒａｉｎｅｄ））を介してデコンボリューション変換を如何に実行するかを数理的に学習するためである。それに加えて、本明細書に記載の実施形態は、数式またはニューラルネットワークトポロジが逆プロセスの学習に制約を加えるため、現行のデコンボリューション方法およびシステムの劣決定問題がない。本明細書に記載の実施形態は、さらに、順物理モデルが第一原理からの制約を逆プロセスの学習に加えるため、現行のデコンボリューション方法およびシステムの劣決定問題がない。さらに、これらの制約は一般化を改善し過剰適合を防止することを補助する。それに加えて、第一原理イメージングに基づくイメージング層（複数可）（すなわち、順物理モデル）は、例えば汎用機械学習／深層学習モデルに比べてモデルパラメータの数を大幅に減少させる。さらに、本明細書に記載の実施形態は、イメージングツール設計をＩＮＮと結合して、デコンボリューションによってイメージング解像度を改善することを可能にする。

本明細書に記載の実施形態は一元化モデルとしても構成される。こうして、２ステップ手法の代わりに、ＩＮＮは訓練および予測のための一元化モデルである。本明細書に記載の実施形態は、複雑なイメージング効果を学習しそれらを第一原理イメージングから解釈することも可能である。この方法は、複雑で多様なイメージング効果（回折、干渉、部分コヒーレンス等）の学習が可能である。それに加えて、一般機械学習モデルとは違って、ＩＮＮで学習されたツールパラメータは明示的な物理的意味を有し、それがモデル設計を理解しガイドすることを補助する。

本明細書に記載の実施形態はさらに、ラベリングが不要であり、セットアップ時間が比較的速い。例えば、本明細書でさらに説明するように、ＩＮＮの訓練は教師付きでない。本明細書に記載の実施形態はさらに、比較的速い訓練時間と比較的速いランタイム向けに構成されている。例えば、パラメータと順物理モデルの数が少ないほど、汎用機械学習／深層学習モデルよりも訓練を速くする。それに加えて、本明細書に記載の実施形態は、ランタイムの生成においてより高速を提供する（すなわち、比較的迅速な予測を実行できる）。さらに、本明細書に記載の実施形態はツールのリアルタイム処理を可能にする。本明細書に記載の実施形態の文脈におけるリアルタイム処理は、ハードウェアのデータ収集時間と等しいまたはそれより速い、固定された計算ハードウェアでのアルゴリズムの処理時間を指す。したがって、ハードウェアは最大スループットで稼動できる。例えば、検査ツールからのイメージの収集に約１ｍｓかかる場合、アルゴリズムは少なくとも１ｍｓで稼動できる。このように、ＩＮＮの予測時間は、イメージングサブシステムまたはシステム（ハードウェア）のデータ収集速度に追随できるほど十分に速い。現行の方法において、良い結果をもたらすことができるものは多くの場合、反復的な非線形最適化を要し、それは「リアルタイム」の要求よりも桁違いに低い。

本明細書に記載の実施形態は、幾つかの異なる機能を、恐らくはランタイムイメージと結合させて逆イメージを用いて実行するように構成されてよい。これらの機能それぞれは本明細書でさらに説明するように実行されてよい。

一実施形態において、１つ以上のコンピュータサブシステムは、試料または他のもう１つの試料に関するランタイムイメージを、訓練されたニューラルネットワークに入力するように構成され、その結果、訓練されたニューラルネットワークはランタイムイメージの逆フィーチャを決定し、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャであり、１つ以上のコンピュータサブシステムは、ランタイムイメージまたはランタイムイメージの光学的に補正されたバージョン内で検出された欠陥を分類するように構成され、分類は、ランタイムイメージの光学的に補正されたバージョンに基づいて実行される。例えば、ランタイムイメージは、試料または他の試料の光学的イメージであってよく、ランタイムイメージの光学的に補正されたバージョンは、試料または他の試料の高位の解像度イメージを含んでよく、それは、電子ビームイメージングサブシステムによって生成され得るイメージおよび／または試料または他の試料の設計データまたは設計情報のイメージなどである。

光学的イメージからＳＥＭおよび／または設計への変換の１つの利点は、光学的検査が依然として半導体製造プロセスの大量生産歩留まりのためのキーであるということである。解像度の欠如により、光学的検査装置によって検出された欠陥は欠陥分類のためにＳＥＭレビューを必要とする。光学的からＳＥＭおよび／または設計に自動変換する方法は、歩留まり管理のためのＳＥＭレビュー要求を潜在的に減少させることができ、それによって総検査サイクルタイムを減らす。例えば、本明細書に記載の実施形態は、本明細書に記載のランタイムイメージの光学的に補正されたバージョンが、１）試料または他の試料なしで、また、イメージングハードウェアなしで取得され得るため、および２）欠陥分類などの欠陥レビュー用途に用いられ得るため、試料検査後に欠陥レビューシステム上でＳＥＭイメージを取得する必要を排除できる。

１つ以上のコンピュータサブシステムによって分類される欠陥は、本明細書に記載されるようにランタイムイメージおよび／またはランタイムイメージの光学的に補正されたバージョンにおいて検出されてよい。それに加えて、ランタイムイメージの光学的に補正されたバージョンに基づいて欠陥を分類することは、当技術分野で知られるあらゆる適切な方式で実行されてよい。例えば、ランタイムイメージの光学的に補正されたバージョンは、当技術分野で知られるあらゆる適切な欠陥分類方法および／またはアルゴリズムに対する入力として用いられてよい。言い換えると、ランタイムイメージの光学的に補正されたバージョンは、欠陥分類のあらゆる他のイメージとして用いられてよい。本明細書に記載の実施形態によって実行された欠陥分類の結果は、あらゆる適切なフォーマット（例えば、欠陥分類コード等）を有してよい。

別の実施形態において、１つ以上のコンピュータサブシステムは、試料または他のもう１つの試料に関するランタイムイメージを、訓練されたニューラルネットワークに入力するように構成され、その結果、訓練されたニューラルネットワークはランタイムイメージの逆フィーチャを決定し、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャであり、１つ以上のコンピュータサブシステムは、試料または他の試料上の欠陥を、ランタイムイメージの光学的に補正されたバージョンに基づいて検出するように構成される。コンピュータサブシステム（複数可）は、ランタイムイメージの光学的に補正されたバージョンを用いて試料または他の試料上の欠陥を、任意の適切な方式で検出するように構成されてよい。例えば、コンピュータサブシステム（複数可）は、当技術分野で知られるあらゆる適切な欠陥検出アルゴリズムおよび／または方法を含み得るランタイムイメージの光学的に補正されたバージョンに、１つ以上の欠陥検出アルゴリズムおよび／または方法を適用するように構成されてよい。そのような例において、コンピュータサブシステム（複数可）は、ランタイムイメージの光学的に補正されたバージョンを、試料または他の試料の基準と比較して、次に比較の結果に閾値を適用するように構成されてよい。閾値より上の比較結果を有するランタイムイメージの光学的に補正されたバージョンにおけるピクセルは欠陥として識別されるのに対し、閾値より下の比較結果を有するランタイムイメージの光学的に補正されたバージョンにおけるピクセルは、欠陥とは識別され得ない。

別の例において、コンピュータサブシステム（複数可）は、あたかも本明細書に完全に記載されたかのように参照によって組み込まれている、カーセンティ（Ｋａｒｓｅｎｔｉ）他により２０１６年１１月１６日に出願された米国特許出願シリアル番号１５／３５３，２１０号に記載されたような単一イメージ検出向けに構成されてよい。そのような１つの実施形態において、ニューラルネットワークによって入力イメージに関して決定された逆フィーチャが、ランタイムイメージの光学的に補正されたバージョンにおける欠陥を検出するために上記特許出願に記載のように用いられてよい。例えば、コンピュータサブシステム（複数可）は、入力イメージ内のピクセルまたはピクセルのブロックのラベルを、（１）逆フィーチャ、および（２）逆フィーチャマップボリュームのピクセルまたはピクセルのブロックの、ラベルへのマッピング、に基づいて選択するように構成されてよい。コンピュータサブシステムはさらに、試料または他の試料上の欠陥を、ピクセルまたはブロックに関して選択されたラベルに基づいて検出するように構成されてよい。

さらに、コンピュータサブシステム（複数可）は、試料または他の試料上の欠陥を、ランタイムイメージの光学的に補正されたバージョンと組み合わせてランタイムイメージを用いて検出するように構成されてよい。例えば、ランタイムイメージが低解像度イメージであり、ランタイムイメージの光学的に補正されたバージョンが高解像度イメージを含む場合、低解像度イメージ内で検出された欠陥の位置が、欠陥の設計コンテキストを決定するために高解像度イメージ内で識別されてよく、それは次に、欠陥がニューサンス欠陥（ｎｕｉｓａｎｃｅ ｄｅｆｅｃｔ）であるか実際の欠陥であるかを判断するために用いられ得る。それに加えて、低解像度イメージ内で検出された欠陥の位置を用いて高解像度イメージ内の欠陥の位置を識別することで、高解像度イメージ内に欠陥が存在するか（検出され得るか）を決定してもよい。欠陥が高解像度イメージ内で検出され得た場合、それは実際の欠陥として指定される。欠陥が高解像度イメージ内で検出され得ない場合、それはニューサンス欠陥として指定される。

別の実施形態において、１つ以上のコンピュータサブシステムは、試料または他のもう１つの試料に関するランタイムイメージを、訓練されたニューラルネットワークに入力するように構成され、その結果、訓練されたニューラルネットワークはランタイムイメージの逆フィーチャを決定し、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャであり、１つ以上のコンピュータサブシステムは、試料または他の試料上の１つ以上のフィーチャを、または、試料または他の試料上で検出された欠陥を、ランタイムイメージの光学的に補正されたバージョンに基づいて測定するように構成される。例えば、ニューラルネットワークは、ニューラルネットワークによって生成されるランタイムイメージの光学的に補正されたバージョンが、低解像度イメージであるランタイムイメージから生成された高解像度イメージとなるように構成されてよい。ランタイムイメージの光学的に補正されたバージョンはしたがって、ランタイムイメージよりも、試料または他の試料上に形成されたフィーチャ（例えば、ライン、スペース、接点等のパターン付きフィーチャならびに試料または他の試料上の欠陥）に関するより多くの詳細を含んでよい。次にコンピュータサブシステム（複数可）は、ランタイムイメージの光学的に補正されたバージョンを用いて試料または他の試料上のフィーチャの１つ以上の特徴を測定または決定してよい。

フィーチャの１つ以上の特徴はあらゆる適切な方式で決定されてよい。それに加えて、コンピュータサブシステム（複数可）によって決定または測定されるフィーチャの１つ以上の特徴は、寸法（例えば、線幅、接触径など）、形状、相対位置などの任意の適切な特徴を含んでよい。測定は、本明細書にあたかも完全に記載されたかのように参照によって組み込まれている、デュフィ（Ｄｕｆｆｙ）他による、２０１６年４月２８日に公開された米国特許出願公開第２０１６／０１１６４２０号、パーク（Ｐａｒｋ）他による、２０１６年１２月２２日に公開された米国特許出願公開第２０１６／０３７２３０３号およびグプタ（Ｇｕｐｔａ）他による２０１６年１２月２９日に公開された米国特許出願公開第２０１６／０３７７４２５号に記載されたコンピュータサブシステム（複数可）によってランタイムイメージの光学的に補正されたバージョンに実行されてよい。本明細書に記載の実施形態はさらに、これらの文献に記載のように構成されてよい。

いくつかの実施形態において、１つ以上のコンピュータサブシステムは、試料または他のもう１つの試料に関するランタイムイメージを、訓練されたニューラルネットワークに入力するように構成され、その結果、訓練されたニューラルネットワークはランタイムイメージのスタックの逆フィーチャを決定し、逆フィーチャは、ランタイムイメージのスタックの位相情報であり、１つ以上のコンピュータサブシステムは、試料または他の試料上の欠陥の選択可能性を、位相情報に基づいて増加させるように構成される。例えば、本明細書に記載の実施形態は、光学的イメージのスタックから位相情報を生成する光学的位相回復のために実行されることができ、それは次に欠陥選択性を増加させるために用いられ得る。特に、光学的位相回復ユースケースでは、ＩＮＮは、ＳＮＲ、検出などを補助するために用いられ得る位相情報を含む振幅と位相イメージである逆イメージを生成する。欠陥の選択性を位相情報に基づいて増加させることは、当技術分野で知られる任意の適切な方式で実行されてよい。

一実施形態において、１つ以上のコンピュータサブシステムは、入力イメージを生成するために用いられる１つ以上のパラメータの１つ以上の調整を、訓練の結果に基づいて決定するように構成される。例えば、本明細書に記載の実施形態は、実質的に正確なツール校正向けに構成されてよい。言い換えると、より良いツールパラメータは、ＩＮＮの訓練中に、粗測定初期ツールパラメータから最適化されてよく、最適化されたパラメータはより良い校正値である。１つの特定の例において、イメージは開口「Ａ」で検査ツールから取得されてよい。開口「Ａ」は既知のツールパラメータであり、開口「Ａ」は、ツールの粗点広がり関数（ＰＳＦ）を推定するために用いられ得る。しかしながら、精密（または厳密）ＰＳＦは未知である。したがって、精密（または厳密）ＰＳＦは訓練可能であり得る。次に、ＰＳＦのツール校正が、これらの結果に基づいて実行され得る。例えば、粗ＰＳＦが訓練の初期値として用いられる。訓練がなされた後で、最適化されたＰＳＦが精密校正ＰＳＦと見做される。

本明細書に記載の実施形態は、あたかも本明細書に完全に記載されたかのように参照によって組み込まれる、所有者が共通である、ザング（Ｚｈａｎｇ）他によって２０１６年６月７日に出願された米国特許出願シリアル番号第１５／１７６，１３９号、カーセンティ（Ｋａｒｓｅｎｔｉ）他によって２０１６年１１月１６日に出願された米国特許出願シリアル番号第１５／３５３，２１０号、バスカー（Ｂｈａｓｋａｒ）他によって２０１６年１２月２９日に出願された米国特許出願シリアル番号第１５／３９４，７９０号、バスカー他によって２０１６年１２月２９日に出願された米国特許出願シリアル番号第１５／３９４，７９２号、ザング（Ｚｈａｎｇ）他によって２０１７年１月２日に出願された米国特許出願シリアル番号第１５／３９６，８００号、バスカー他によって２０１７年１月９日に出願された米国特許出願シリアル番号第１５／４０２，０９４号、バスカー他によって２０１７年１月９日に出願された米国特許出願シリアル番号第１５／４０２，１６９号、パーク（Ｐａｒｋ）他によって２０１７年１月９日に出願された米国特許出願シリアル番号第１５／４０２，１９７号、およびザング他によって２０１７年５月２３日に出願された米国特許出願シリアル番号第１５／６０３，２４９号に記載されるような他の変換（入力イメージからシミュレートされたイメージへの）を実行するようにさらに構成されてよい。本明細書に記載の実施形態はさらに、これらの特許出願に記載のように構成されてよい。それに加えて、本明細書に記載の実施形態は、これらの特許出願に記載のいずれのステップを実行するように構成されてもよい。

ニューラルネットワークを訓練するように構成されたシステムの別の実施形態は、試料のイメージを生成するように構成されたイメージングサブシステムを含む。イメージングサブシステムは本明細書に記載のいずれの構成を有してもよい。システムはさらに、１つ以上のコンピュータサブシステム、例えば、イメージを取得し、取得したイメージから入力イメージの訓練セットを生成するように構成された、図１に示したコンピュータサブシステム（複数可）１０２も含んでよい。コンピュータサブシステム（複数可）は本明細書でさらに説明するように構成されてよい。システムはさらに、１つ以上のコンポーネント、例えば、本明細書に記載のコンポーネント（複数可）のいずれを含んでもよい１つ以上のコンピュータサブシステムによって実施されるコンポーネント（複数可）１００も含む。コンポーネント（複数可）は、ニューラルネットワーク１０４、順物理モデル１０６および残渣層１０８を含み、それらはそれぞれ本明細書に記載されるように構成されてよい。例えば、ニューラルネットワークは、ニューラルネットワークに入力された試料の訓練セットにおける入力イメージの逆フィーチャを決定するように構成される。順物理モデルは、逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成するように構成される。残渣層は、訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定するように構成される。コンピュータサブシステム（複数可）はさらに、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練するように構成される。このシステムの実施形態はさらに本明細書に記載されるように構成されてよい。

上記で説明したシステムそれぞれの実施形態それぞれは、１つの単一の実施形態に統合されてよい。

別の実施形態は、ニューラルネットワークを訓練するためのコンピュータ実装方法に関する。方法は、試料に関する訓練セットにおける入力イメージの逆フィーチャを、ニューラルネットワークに入力イメージの訓練セットを入力することによって決定することを含む。方法はさらに、逆フィーチャを順物理モデルに入力することによって、逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成することも含む。それに加えて、方法は、訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定することを含む。方法はさらに、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて決定し、それによってニューラルネットワークを訓練することを含む。逆フィーチャの決定、入力イメージの再構築、差の決定、および１つ以上のパラメータの変更は、１つ以上のコンピュータシステムによって実行される。１つ以上のコンポーネントは１つ以上のコンピュータシステムによって実施され、１つ以上のコンポーネントはニューラルネットワークと順物理モデルを含む。

方法のステップはそれぞれ、本明細書でさらに説明するように実行されてよい。方法はさらに、本明細書に記載のシステム、コンピュータサブシステム（複数可）および／またはイメージングシステムもしくはサブシステムによって実行され得るいずれの他のステップ（複数可）を含んでもよい。１つ以上のコンピュータシステム、１つ以上のコンポーネント、ニューラルネットワークおよび順物理モデルは、本明細書に記載の実施形態のいずれに従って構成されてもよく、例えば、コンピュータサブシステム（複数可）１０２、コンポーネント（複数可）１００、ニューラルネットワーク１０４および順物理モデル１０６のいずれに従って構成されてもよい。それに加えて、上記で説明した方法は、本明細書に記載のシステム実施形態のいずれによって実行されてもよい。

別の実施形態は、ニューラルネットワークを訓練するためのコンピュータ実装方法を実行するために１つ以上のコンピュータシステムで実行可能なプログラム命令を記憶する非一時的コンピュータ可読媒体に関する。１つのそのような実施形態が図５に示されている。特に、図５に示すように、非一時的コンピュータ可読媒体５００は、コンピュータシステム（複数可）５０４で実行可能なプログラム命令５０２を含む。コンピュータ実装方法は、本明細書に記載のいずれの方法（複数可）のいずれのステップ（複数可）を含んでもよい。

本明細書に記載の方法などの方法を実行するプログラム命令５０２は、コンピュータ可読媒体５００に記憶されてよい。コンピュータ可読媒体は、磁気もしくは光学ディスク、磁気テープまたは当技術分野で知られるいずれの他の適切な非一時的コンピュータ可読媒体などの記憶媒体であってもよい。

プログラム命令はとりわけ、手順に基づく技法、コンポーネントに基づく技法および／またはオブジェクト志向技法を含む様々な方式のうちいずれで実施されてもよい。例えば、プログラム命令は、アクティブＸコントロール、Ｃ＋＋オブジェクト、Ｊａｖａ(登録商標）ビーンズ、マイクロソフトファンデーションクラス（「ＭＦＣ」）、ＳＳＥ（ストリーミングＳＩＭＤ拡張命令）またはその他の技術もしくは方法を適宜用いて実施されてよい。

コンピュータシステム（複数可）５０４は、本明細書に記載の実施形態のうちいずれに従って構成されてもよい。

本発明の様々な態様のさらなる修正形態と代替実施形態は、この説明に鑑みて当業者に明白であろう。例えば、ニューラルネットワークを訓練するための方法およびシステムが提供される。したがって、この説明は、例示のみと解釈されなければならず、本発明を実行する一般的な形を当業者に教示するためのものである。図示され、本明細書で説明された本発明の形が、現在好ましい実施形態と解釈されなければならないことを理解されたい。本発明のこの説明の利益を有した後に当業者に明白であるように、要素や材料を、図示され本明細書で説明されたものと置換することができ、部分またはプロセスを逆転させることができ、本発明のあるフィーチャを、独立して利用することができる。以下の請求項に記載の本発明の趣旨と範囲から逸脱せずに、本明細書に記載の要素に変更を行ってもよい。

Claims (31)

1. ニューラルネットワークを訓練するように構成されたシステムであって、
   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つ以上のコンポーネントを備え、前記１つ以上のコンポーネントが、
   前記ニューラルネットワークに入力された試料の訓練セットにおける入力イメージの逆フィーチャを決定するように構成されたニューラルネットワークと、
   前記逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成するように構成された順物理モデルと、
   訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定するように構成された残渣層と、
   を備え、
   前記１つ以上のコンピュータサブシステムは、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練するように構成されているシステム。
2. 前記ニューラルネットワークは畳み込みニューラルネットワークとして構成される、請求項１に記載のシステム。
3. 前記ニューラルネットワークは完全畳み込みモデルとして構成される、請求項１に記載のシステム。
4. 前記ニューラルネットワークは深層生成モデルとして構成される、請求項１に記載のシステム。
5. 前記ニューラルネットワークは生成敵対的ネットとして構成される、請求項１に記載のシステム。
6. 前記ニューラルネットワークは条件付き生成敵対的ネットとして構成される、請求項１に記載のシステム。
7. 前記ニューラルネットワークは生成敵対的ネットワークおよび変分オートエンコーダとして構成される、請求項１に記載のシステム。
8. 前記ニューラルネットワークの一部は畳み込みニューラルネットワークとして構成される、請求項１に記載のシステム。
9. 前記順物理モデルは微分可能な順物理モデルとして構成される、請求項１に記載のシステム。
10. 前記順物理モデルは付加的なニューラルネットワークとして実施または近似される、請求項１に記載のシステム。
11. 前記順物理モデルは、試料の入力イメージを生成するために用いられるイメージングパラメータに対応するモデルパラメータを備える、請求項１に記載のシステム。
12. 前記順物理モデルは、試料の入力イメージを生成することに係る物理パラメータに対応するモデルパラメータを備える、請求項１に記載のシステム。
13. 前記順物理モデルは、少なくとも１つの調整可能なモデルパラメータを備える、請求項１に記載のシステム。
14. 前記順物理モデルは、少なくとも１つの固定されたモデルパラメータを備える、請求項１に記載のシステム。
15. 前記１つ以上のコンピュータサブシステムはさらに、試料または他のもう１つの試料のランタイムイメージを、訓練されたニューラルネットワークに入力して、その結果、訓練されたニューラルネットワークがランタイムイメージの逆フィーチャを決定するように構成され、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャである、請求項１に記載のシステム。
16. 前記１つ以上のコンピュータサブシステムはさらに、試料または他のもう１つの試料のランタイムイメージを、訓練されたニューラルネットワークに入力して、その結果、訓練されたニューラルネットワークがランタイムイメージの逆フィーチャを決定するように構成され、逆フィーチャは、ランタイムイメージの振幅および位相バージョンのフィーチャである、請求項１に記載のシステム。
17. 前記１つ以上のコンピュータサブシステムはさらに、試料または他のもう１つの試料のランタイムイメージを、訓練されたニューラルネットワークに入力して、その結果、
    訓練されたニューラルネットワークがランタイムイメージの逆フィーチャを決定し、
    順物理モデルが、ランタイムイメージに関して決定された逆フィーチャからランタイムイメージを再構築し、
    残渣層が、ランタイムイメージと再構築されたランタイムイメージとの間の差を決定するように構成され、逆フィーチャはランタイムイメージの光学的に補正されたバージョンのフィーチャであり、ランタイムイメージと再構築されたランタイムイメージとの間の差は残渣イメージのフィーチャである、請求項１に記載のシステム。
18. 前記入力イメージは電子ビームベースのイメージングシステムによって生成される、請求項１に記載のシステム。
19. 前記入力イメージは光学ベースのイメージングシステムによって生成される、請求項１に記載のシステム。
20. 前記入力イメージは検査システムによって生成される、請求項１に記載のシステム。
21. 前記入力イメージは計測システムによって再生される、請求項１に記載のシステム。
22. 前記試料がウェハである、請求項１に記載のシステム。
23. 前記試料がレチクルである、請求項１に記載のシステム。
24. 前記１つ以上のコンピュータサブシステムはさらに、試料または他のもう１つの試料のランタイムイメージを、訓練されたニューラルネットワークに入力して、その結果、訓練されたニューラルネットワークがランタイムイメージの逆フィーチャを決定するように構成され、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャであり、前記１つ以上のコンピュータサブシステムはさらに、試料または他の試料上の欠陥を、ランタイムイメージの光学的に補正されたバージョンに基づいて検出するように構成される、請求項１に記載のシステム。
25. 前記１つ以上のコンピュータサブシステムはさらに、試料または他のもう１つの試料のランタイムイメージを、訓練されたニューラルネットワークに入力して、その結果、訓練されたニューラルネットワークがランタイムイメージの逆フィーチャを決定するように構成され、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャであり、前記１つ以上のコンピュータサブシステムはさらに、前記ランタイムイメージまたは前記ランタイムイメージの光学的に補正されたバージョン内で検出された欠陥を分類するように構成され、前記分類は、前記ランタイムイメージの光学的に補正されたバージョンに基づいて実行される、請求項１に記載のシステム。
26. 前記１つ以上のコンピュータサブシステムはさらに、試料または他のもう１つの試料のランタイムイメージを、訓練されたニューラルネットワークに入力して、その結果、訓練されたニューラルネットワークがランタイムイメージの逆フィーチャを決定するように構成され、逆フィーチャは、ランタイムイメージの光学的に補正されたバージョンのフィーチャであり、前記１つ以上のコンピュータサブシステムはさらに、試料または他の試料の１つ以上のフィーチャまたは、試料または他の試料上で検出された欠陥を、ランタイムイメージの光学的に補正されたバージョンに基づいて測定するように構成される、請求項１に記載のシステム。
27. 前記１つ以上のコンピュータサブシステムはさらに、試料または他のもう１つの試料のランタイムイメージのスタックを、訓練されたニューラルネットワークに入力して、その結果、訓練されたニューラルネットワークがランタイムイメージのスタックの逆フィーチャを決定するように構成され、逆フィーチャは、ランタイムイメージのスタックの位相情報であり、前記１つ以上のコンピュータサブシステムはさらに、試料または他の試料上の欠陥の選択性を、位相情報に基づいて増加させるように構成される、請求項１に記載のシステム。
28. 前記１つ以上のコンピュータサブシステムはさらに、入力イメージを生成するために用いられる１つ以上のパラメータの１つ以上の調整を、訓練の結果に基づいて決定するように構成される、請求項１に記載のシステム。
29. ニューラルネットワークを訓練するように構成されたシステムであって、
    試料のイメージを生成するように構成されたイメージングサブシステムと、
    イメージを取得し、取得したイメージから入力イメージの訓練セットを生成するように構成された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施される１つ以上のコンポーネントを備え、前記１つ以上のコンポーネントが、
    前記ニューラルネットワークに入力された試料の訓練セットにおける入力イメージの逆フィーチャを決定するように構成されたニューラルネットワークと、
    逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成するように構成された順物理モデルと、
    訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定するように構成された残渣層と、
    を備え、
    前記１つ以上のコンピュータサブシステムは、ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練するように構成されているシステム。
30. ニューラルネットワークを訓練するためのコンピュータ実装方法を実行するために１つ以上のコンピュータシステム上で実行可能なプログラム命令を記憶する非一時的コンピュータ可読媒体であって、前記コンピュータ実装方法が、
    試料の訓練セット内の入力イメージの逆フィーチャを、ニューラルネットワークに入力イメージの訓練セットを入力することによって決定し、
    逆フィーチャを順物理モデルに入力することによって逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成し、
    訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定し、
    ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練し、前記逆フィーチャの決定、前記入力イメージの再構築、差の決定および１つ以上のパラメータの変更は、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つ以上のコンポーネントは１つ以上のコンピュータシステムによって実施され、前記１つ以上のコンポーネントはニューラルネットワークと順物理モデルを含む、非一時的コンピュータ可読媒体。
31. ニューラルネットワークを訓練するためのコンピュータ実装方法であって、
    試料の訓練セット内の入力イメージの逆フィーチャを、入力イメージの訓練セットをニューラルネットワークに入力することによって決定し、
    逆フィーチャを順物理モデルに入力することによって逆フィーチャから入力イメージを再構築し、それによって訓練セットにおける入力イメージに対応する出力イメージのセットを生成し、
    訓練セットにおける入力イメージと、セットにおけるそれらの対応する出力イメージとの差を決定し、
    ニューラルネットワークの１つ以上のパラメータを、決定された差に基づいて変更し、それによってニューラルネットワークを訓練し、前記逆フィーチャの決定、前記入力イメージの再構築、差の決定および１つ以上のパラメータの変更は、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つ以上のコンポーネントは１つ以上のコンピュータシステムによって実施され、前記１つ以上のコンポーネントはニューラルネットワークと順物理モデルを含む、コンピュータ実装方法。

Images