JP2021039022A - 欠陥分類方法及び欠陥分類システム並びにフォトマスクブランクの選別方法及び製造方法 - Google Patents

Abstract

【解決手段】検査対象物の表面に検査光を照射し、欠陥の部分を含む検査画像を撮像する検査装置を２以上設け、２以上の検査装置において検査画像の撮像を並行処理して、各々の検査装置において検査画像を収集し、収集された検査画像を記憶装置に格納し、記憶装置に格納されている未分類の２以上の検査画像を逐次取り出して、機械学習により検査画像の欠陥を分類する際、未分類の２以上の検査画像を、指定された処理順で取り出し、分類が既知の検査画像の画像データにより構築された学習モデル群から、検査対象種に応じた学習モデルを選択して、検査対象物又は検査対象物の表面部に存在する欠陥を分類する。
【効果】本発明によれば、２以上の検査装置から出力される検査画像から欠陥を分類する画像処理を、効率良く実施でき、また、新たに開発した膜の欠陥検査においても、機械学習による欠陥分類を効率的に実施できる。
【選択図】図４

Description

本発明は、検査対象物又は検査対象物の表面部に存在する欠陥、特に、半導体デバイス（半導体装置）などの製造において使用されるフォトマスク（転写用マスク）を製造するために用いるフォトマスクブランクの表面部に存在する欠陥を、２以上の検査装置を用いて検査して、欠陥を分類する際に好適な欠陥分類方法及び欠陥分類システムに関する。また、本発明は、この欠陥分類方法により、フォトマスクブランクの表面部に存在する欠陥を分類してフォトマスクブランクを選別する方法に関する。更に、本発明は、フォトマスクブランクの表面部に存在する欠陥をこの欠陥分類方法により分類するフォトマスクブランクの製造方法に関する。

半導体デバイス（半導体装置）の製造工程では、転写用マスクに露光光を照射し、マスクに形成されている回路パターンを、縮小投影光学系を介して半導体基板（半導体ウェハ）上に転写するフォトリソグラフィ技術が広く用いられている。露光光の波長はフッ化アルゴン（ＡｒＦ）エキシマレーザ光を用いた１９３ｎｍが主流となっており、露光プロセスや加工プロセスを複数回組み合わせるマルチパターニングというプロセスを採用することにより、最終的には露光波長と比べて十分に小さい寸法の回路パターンを形成することができる。

転写用マスクは、所定の光学膜（光学機能膜）が形成された基板（フォトマスクブランク）を準備し、光学膜を加工して回路パターンを形成することで製造される。このような光学膜は、一般に、遷移金属化合物を主成分とする膜や、遷移金属を含有するケイ素化合物を主成分とする薄膜であり、目的に応じ、遮光膜として機能する膜や位相シフト膜として機能する膜などが選択される。フォトマスクブランクは、更に、光学膜の高精度加工を目的としたハードマスク膜などの加工補助膜を含む場合もある。

転写用マスクは、回路パターンを有する半導体素子を製造するための原図が描かれており、回路パターン転写の原版として用いられるため、無欠陥であることが求められ、このことは当然に、フォトマスクブランクについても無欠陥であることを要求することとなる。このような状況から、フォトマスクやフォトマスクブランクの欠陥を検出する技術についての多くの検討がなされてきた。

フォトマスクブランクやガラス基板などの欠陥を検出する装置として、検査対象物の表面にレーザ光を照射して、欠陥による散乱光を光検出器により受光し、光検出器からの出力信号に基づいて欠陥の存在を検出する検査装置が知られている。例えば、特許文献１（特開２００１−２７６１１号公報）には、複数の光ビームを用いて試料表面を走査し、試料からの反射光を光検出器で検出することが記載されている。また、特許文献２（特開２００３−４６５４号公報）には、試料表面を光スポットにより走査し、試料表面からの反射光により試料の表面領域の情報を検出する検出光学系において、光スポットの走査方向と対応する方向の片側半分の光路を遮蔽する遮光板を光路中に配置して、光検出器からの出力信号の形状により凸状欠陥と凹状欠陥とを判別することが記載されている。

また、欠陥検査装置によって収集された情報から欠陥を含む２次元画像を生成し、画像処理によって欠陥の分類を行なうことも知られている。画像処理による欠陥分類法として、例えば、特許文献３（特開２０１３−７２７８８号公報）には、欠陥を分類する手法として、ルールベースの機械学習によって分類器を構築し、その分類器を基に、検査画像から欠陥を分類する方法が記載されている。更に、特許文献４（特開２０１７−２１５２７７号公報）には、機械学習による欠陥分類を行なうために算出する特徴量として、輝度平均や欠陥部の周囲長などの具体的なパラメータが記載されている。

特開２００１−２７６１１号公報 特開２００３−４６５４号公報 特開２０１３−７２７８８号公報 特開２０１７−２１５２７７号公報

フォトマスクブランクの種類は、フォトマスクブランクから作製されるフォトマスクに対する要求、例えば、露光光の波長に対する透過率（又は遮光率）や、光学膜が位相シフト膜の場合は位相差など、また、パターン検査光の波長に対する透過率や反射率などの要求により、極めて多岐にわたる。また、フォトマスクブランクの基板上には、多くの場合、種類の異なる２以上の膜が積層され、通常は、各々の膜を形成する毎に、欠陥検査が実施される。そのため、検査対象物である膜の種類が多く、欠陥検査の回数も増大するため、２以上の検査装置を用いて欠陥検査が行われる。この場合、多数のフォトマスクブランクの欠陥を検査して、その中から、欠陥が発見された検査画像のみが、欠陥の分類に供されるので、欠陥を分類する装置は、通常、２以上の検査装置（検査画像を撮像する装置）で共用される。

一方、検査装置で撮像された検査画像に対して、機械学習を用いた欠陥分類を実施するためには、分類が既知の検査画像の画像データを多数準備する必要がある。しかし、新たな種類の膜を有するフォトマスクブランクを作製し、その欠陥検査において機械学習を用いた欠陥分類を実施する場合にも、新たな種類の膜を有するフォトマスクブランクの欠陥の検査画像を予め多数準備して、それらの分類を定めておく必要があるが、このような準備には、多くの労力を要する。

本発明は、前記課題を解決するためになされたものであり、多種多様で、多数の検査対象物の欠陥検査を連続的に又は並行して実施する場合において、効率良く欠陥分類を実施できる方法、また、新たな種類の検査対象物の欠陥分類においても、機械学習による欠陥分類を簡便に実施できる方法を提供すること、更に、このような欠陥分類に好適な欠陥分類システムを提供することを目的とする。また、本発明は、この欠陥分類方法により、フォトマスクブランクの表面部に存在するピンホール等の凹形状を分類してフォトマスクブランクを選別する方法、及びフォトマスクブランクの表面部に存在する欠陥の分類において、この欠陥分類方法を適用したフォトマスクブランクの製造方法を提供することを目的とする。

本発明者らは、前記課題を解決するために鋭意検討を重ねた結果、複数、即ち、２以上の検査装置で撮像された、欠陥を含む検査画像の画像データから、２以上の検査装置で得られた検査画像に対して共通して用いられる１つの欠陥分類装置により、欠陥を分類するのに際して、２以上の検査画像から所定の処理順、好ましくは検査画像が属する検査対象種に基づく処理順で、特に、検査画像が属する検査対象種毎に異なる、欠陥の分類の後に続く処理の効率に影響する条件（例えば、処理時間、混雑度など）に応じて選択される処理順で、２以上の検査画像を順次、分類が既知の検査画像の画像データにより構築された学習モデル群から、検査対象種に応じた学習モデルを選択して、機械学習により分類することが有効であることを見出した。そして、機械学習においては、特に、検査対象種と同等の検査光学特性を有する検査対象物から撮像された検査画像の画像データにより構築された学習モデル、又は検査対象種と同等の検査光学特性を有する検査対象物の検査画像をシミュレーションで予測し、得られた仮想検査画像の画像データにより構築された学習モデルを適用すれば、新たな種類の検査対象物の欠陥分類においても機械学習による欠陥分類が、簡便に、かつ有効に実施できることを見出し、本発明をなすに至った。

従って、本発明は、以下の欠陥分類方法、フォトマスクブランクの選別方法及び製造方法、並びに欠陥分類システムを提供する。
１．検査対象物又は検査対象物の表面部に存在する欠陥を分類する方法であって、
（Ａ）前記検査対象物の表面に検査光を照射して、前記欠陥の部分を含む検査画像を撮像する検査装置であって、検査対象種が同一又は検査対象種が互いに異なる検査装置を２以上設けて、該２以上の検査装置において前記検査画像の撮像を並行処理して、各々の検査装置において検査画像を収集する工程と、
（Ｂ）収集された検査画像を記憶装置に格納する工程と、
（Ｃ）前記記憶装置に格納されている未分類の２以上の検査画像を逐次取り出して、機械学習により検査画像の欠陥を分類する工程
とを含み、
前記（Ｃ）工程において、前記未分類の２以上の検査画像を、指定された処理順で取り出し、かつ前記機械学習において、分類が既知の検査画像の画像データにより構築された学習モデル群から、検査対象種に応じた学習モデルを選択して欠陥を分類する欠陥分類方法。
２．前記（Ｃ）工程における前記指定された処理順が、前記記憶装置に格納された２以上の検査画像から、それらの検査画像が属する検査対象種に基づき順位付けられる優先度により定められる欠陥分類方法。
３．前記優先度が、欠陥分類後に必要に応じて実施される、前記検査画像が属する検査対象種毎に異なる、欠陥の分類の後に続く処理の処理時間及び／又は混雑度に応じて順位付けられる欠陥分類方法。
４．前記（Ｃ）工程において検査対象種に応じて選択される学習モデルが、前記検査対象種と同等の検査光学特性を有する検査対象物から撮像された検査画像の画像データにより構築された学習モデル、又は前記検査対象種と同一種の検査対象物若しくは前記検査対象種と同等の検査光学特性を有する検査対象物の検査画像をシミュレーションで予測し、得られた仮想検査画像の画像データにより構築された学習モデルである欠陥分類方法。
５．前記検査対象物が、フォトマスクブランクの基板上に形成された膜、フォトマスクブランクからフォトマスクを製造する際の中間品の基板上に形成された膜又は膜パターン、及びフォトマスクの基板上に形成された膜パターンから選ばれる欠陥分類方法。
６．前記検査対象物が、フォトマスクブランクの基板上に形成された膜であり、前記欠陥分類方法により凹欠陥と分類された欠陥を含まないフォトマスクブランクを選別するフォトマスクブランクの選別方法。
７．基板上に第１の膜を形成する工程と、
前記欠陥分類方法により、前記第１の膜の欠陥を分類する工程と、
前記第１の膜の前記基板から離間する側に接して第２の膜を形成する工程と、
前記欠陥分類方法により、前記第２の膜の欠陥を分類する工程
とを含むフォトマスクブランクの製造方法。
８．前記第１の膜が光学機能膜であり、前記第２の膜が前記光学機能膜の加工補助膜であり、該加工補助膜がハードマスク膜である製造方法。
９．検査対象物又は検査対象物の表面部に存在する欠陥を分類するシステムであって、
前記検査対象物の表面に検査光を照射して、前記欠陥の部分を含む検査画像を撮像する検査部であって、検査対象種が同一又は検査対象種が互いに異なる検査部を２以上と、
収集された検査画像を収納する検査画像収納部と、
欠陥の分類が既知の検査画像の画像データにより構築された学習モデル群を収納する学習モデル収納部と、
前記検査画像収納部に格納されている未分類の２以上の検査画像を逐次取り出し、前記学習モデル収納部に収納された前記学習モデル群から、検査対象種に応じた学習モデルを選択して、機械学習により検査画像の欠陥を分類するプログラムを実行する演算部と、
前記検査画像収納部に格納された未分類の２以上の検査画像を逐次取り出す処理において、指定された処理順で検査画像を取り出すように制御する制御部
とを備える欠陥分類システム。

本発明によれば、２以上の検査装置から出力される検査画像から欠陥を分類する画像処理を、効率良く実施することができる。また、新たに開発した膜を有するフォトマスクブランクの欠陥検査においても、機械学習による欠陥分類を効率的に実施することができる。更に、本発明により、特に、致命的な欠陥である凹欠陥を有するフォトマスクブランクを確実に排除することができ、致命的な欠陥を含まないフォトマスクブランクを、より低コスト、かつ高い歩留まりで提供することができる。

フォトマスクブランクに欠陥が存在する状態の例を示す断面図であり、（Ａ）は凹欠陥であるピンホール欠陥が存在するフォトマスクブランク、（Ｂ）は凸欠陥が存在するフォトマスクブランクを示す図である。 フォトマスクブランクに存在する欠陥の検査装置の構成の一例を示す概念図である。 欠陥検査工程を含むフォトマスクブランクの製造工程の概要の一例を示すフローチャートである。 ２以上の検査装置を用いて検査画像を収集し、欠陥分類を行なう欠陥分類システムの一例を示す概念図である。 欠陥の分類の概要の一例を示すフローチャートである。 光学機能膜に存在する欠陥のモデルとその検査画像のシミュレーションの一例を示し、（Ａ）は凹欠陥が存在するフォトマスクブランクの断面、（Ｂ）は（Ａ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果、（Ｃ）は凸欠陥が存在するフォトマスクブランクの断面、（Ｄ）は（Ｃ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。 光学機能膜に存在する欠陥のモデルとその検査画像のシミュレーションの他の例を示し、（Ａ）は凹欠陥が存在するフォトマスクブランクの断面、（Ｂ）は（Ａ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果、（Ｃ）は凸欠陥が存在するフォトマスクブランクの断面、（Ｄ）は（Ｃ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。 加工補助膜に存在する欠陥のモデルとその検査画像のシミュレーションの一例を示し、（Ａ）は凹欠陥が存在するフォトマスクブランクの断面、（Ｂ）は（Ａ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果、（Ｃ）は凸欠陥が存在するフォトマスクブランクの断面、（Ｄ）は（Ｃ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。 加工補助膜に存在する欠陥のモデルとその検査画像のシミュレーションの他の例を示し、（Ａ）は凹欠陥が存在するフォトマスクブランクの断面、（Ｂ）は（Ａ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果、（Ｃ）は凸欠陥が存在するフォトマスクブランクの断面、（Ｄ）は（Ｃ）の欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。

以下、本発明について更に詳しく説明する。
本発明の欠陥分類方法は、検査対象物又は検査対象物の表面部に存在する欠陥を分類する方法であり、検査対象物として、例えば、フォトマスクブランクを構成する透明基板などの基板や、基板上に形成される光学機能膜や加工補助膜などの膜（薄膜）を対象とすることができる。更に、フォトマスクブランクからフォトマスクを製造する際の中間品の基板上に形成された膜又は膜パターン、フォトマスクの基板上に形成された膜パターンなども、検査対象物とすることができる。

フォトマスクブランクの薄膜にピンホールなどの欠陥が存在すると、これを用いて作製したフォトマスクのマスクパターンの欠陥の原因となる。典型的なフォトマスクブランクの欠陥の例を図１に示す。図１（Ａ）は、透明基板１０１上に、ハーフトーン位相シフト膜として機能する、例えばケイ素系材料からなる光学機能膜１０２と、遮光膜として機能する、例えばＣｒ系材料からなる光学機能膜１０３と、光学機能膜１０３を高精度に加工するための加工補助膜１０４とが形成されているフォトマスクブランク（この場合、ハーフトーン位相シフトマスクブランク）１００を示す図である。この場合、加工補助膜１０４には、凹欠陥の典型的な例であるピンホール欠陥ＤＥＦ１が存在している。

このようなフォトマスクブランクから通常の製造工程によりフォトマスク（この場合、ハーフトーン位相シフトマスク）を製造すると、フォトマスクブランクに存在していた欠陥に由来する欠陥が、光学機能膜１０３、更には光学機能膜１０２に存在するフォトマスクとなってしまう。そして、この欠陥はフォトマスクを用いた露光において、パターン転写エラーを引き起こす原因となる致命的な欠陥である。そのため、フォトマスクブランクの凹欠陥は、フォトマスクブランクを加工する前の段階で検出して、凹欠陥を有するフォトマスクブランクを排除したり、欠陥の修正を施したりする必要がある。

一方、図１（Ｂ）はフォトマスクブランクに存在する凸欠陥の例を示す図である。このフォトマスクブランク１００も、透明基板１０１上に、ハーフトーン位相シフト膜として機能する、例えばケイ素系材料からなる光学機能膜１０２と、遮光膜として機能する、例えばＣｒ系材料からなる光学機能膜１０３と、光学機能膜１０３を高精度に加工するための加工補助膜１０４が形成されている。加工補助膜１０４の上に凸欠陥ＤＥＦ２が存在するフォトマスクブランクの場合、凸欠陥ＤＥＦ２は、パーティクルのような付着異物、加工補助膜１０４と一体化した欠陥などであるが、このような凸欠陥ＤＥＦ２が存在するフォトマスクブランクから通常の製造工程によりフォトマスクを製造しても、光学機能膜１０３、更には光学機能膜１０２に欠陥が形成されるとは限られず、このような凸欠陥ＤＥＦ２は致命的な欠陥とはならない場合もある。特に、付着異物による凸欠陥は、洗浄で除去可能であれば、致命的な欠陥とはならない。

このように、フォトマスクブランクに存在する欠陥は、その形状や態様により、欠陥の重大性が異なるので、まず、フォトマスクブランクの表面部に欠陥が存在するか否かを検査し、次に、欠陥が存在するときは、その欠陥の形状や態様、特に、欠陥が凹状であるか凸状であるかの判定が重要である。

本発明においては、検査対象物の表面に検査光を照射して、欠陥の部分を含む検査画像を撮像する検査装置を用いて検査画像を収集する（（Ａ）工程）。図２は、フォトマスクブランクの欠陥を検査し、欠陥が存在するときは欠陥を含む所定領域の検査画像を撮像する検査装置１５０の基本構成の一例を示す概念図である。ここで、主な構成要素は、検査光学系１５１と制御装置１５２である。制御装置１５２は、検査に関する制御プログラムを実行する演算装置（プロセッサ）１５３と欠陥情報を一次記憶するメモリ１５４を有し、検査装置１５０の全体を制御する。

検査光学系１５１は、共焦点光学系をベースとしており、検査光を発する光源ＩＬＳ、ビームスプリッタＢＳＰ、対物レンズＯＢＬ、フォトマスクブランクＭＢを載置して移動できるステージＳＴＧ及び光検出器ＳＥを備えている。光源ＩＬＳは、波長が２１０ｎｍ〜５５０ｎｍ程度の光を射出することができるように構成されており、この光源ＩＬＳから射出された検査光ＢＭ１は、アパーチャＡＰ１とレンズＬ１を通過後、ビームスプリッタＢＳＰで、矢印の方向に折り曲げられ、対物レンズＯＢＬを通して収束され、フォトマスクブランクＭＢの所定領域に照射される。フォトマスクブランクＭＢ表面からの反射光ＢＭ２は、対物レンズＯＢＬで集められると共に、ビームスプリッタＢＳＰ内を矢印の方向に直進し、光の一部を制御する空間フィルタＳＰＦ、レンズＬ２を透過して光検出器ＳＥの受光面に到達する。このとき、画像検出器ＳＥの受光面がフォトマスクブランクＭＢの表面と共役な位置になるように光検出器ＳＥの位置が調整されている。

フォトマスクブランクＭＢの表面に照明される検査光ＢＭ１は、図示しない走査手段で走査される。反射光ＢＭ２を受光する光検出器ＳＥは走査に伴って、逐次、輝度信号を出力し、輝度信号が所定量以上に変動したときに、欠陥として検出される。この場合、検査光ＢＭ１の走査と、走査方向に直交する方向に沿ったステージＳＴＧの移動との組み合わせで、欠陥の２次元位置情報を取得できると共に、光検出器ＳＥから出力された輝度信号から２次元の検査画像を生成することができる。生成した検査画像は、メモリ１５４に記憶される。

なお、図２では、検査光学系として、共焦点光学系を用いた例を示したが、検査光学系は、これに限られるものではない。例えば、フォトマスクブランク上への照明を面照射とし、拡大結像光学系を用いてフォトマスクブランク上の所定領域の拡大像を形成し、それを２次元光検出器（例えばＣＣＤカメラ）で一括して２次元検査画像を取得してもよい。

検査装置を用いる欠陥検査は、通常、フォトマスクブランク上に光学機能膜を形成する毎に実施される。図３は、欠陥検査工程を含むフォトマスクブランクの製造工程の概要の一例を示すフローチャートである。この場合、まず、基板を準備し（工程Ｓ１１）、この基板の表面の欠陥検査（工程Ｓ１２）を実施する。次に、第１の光学機能膜を成膜して、必要に応じて熱処理や洗浄を実施する第１の光学機能膜の形成プロセス（工程Ｓ１３）を経た後、第１の光学機能膜の欠陥検査（工程Ｓ１４）を実施する。その後、この場合は、同様に、第２の光学機能膜の形成プロセス（工程Ｓ１５）と、第２の光学機能膜の欠陥検査（工程Ｓ１６）とを実施し、更に、加工補助膜の形成プロセス（工程Ｓ１７）と、加工補助膜の欠陥検査（工程Ｓ１８）を実施する。

図３では、基板上の膜が２つの光学機能膜と１つの加工補助膜の合計３つの膜で構成された例を示したが、フォトマスクブランクの種類によっては、光学機能膜や加工補助膜などを合わせて、膜の数が２以下や４以上である場合もある。また、光学機能膜や加工補助膜が積層された上に、更にフォトレジスト膜を形成し、これを検査する場合もある。更に、同一の光学機能膜に対して、同一の欠陥検査を繰り返す又は２以上の異種の検査を実施する場合もある。

このように、１種のフォトマスクブランクを製造する場合でも、欠陥検査の工程は複数回あり、光学薄膜の種類が多くなれば、１枚のフォトマスクブランクに対する検査回数は増大し、また、量産時には、検査対象のフォトマスクブランクの数が多くなるので、欠陥検査の検査数は膨大となる。更に、フォトマスクブランクの種類が増えれば、検査対象となる基板や膜の種類（検査対象種）が増大することになり、フォトマスクブランクの膜構造も多岐にわたるため、検査対象種が同一又は検査対象種が互いに異なる検査装置を２以上設けて、２以上の検査装置を同時に稼働させ、２以上の検査装置において検査画像の撮像を並行処理して、各々の検査装置において検査画像を収集することがなされる。

本発明においては、収集された検査画像（一次記憶された検査画像）は、記憶装置に格納（二次記憶）される（（Ｂ）工程）。そして、収集された検査画像について、記憶装置に格納されている検査画像を逐次取り出して、機械学習により検査画像の欠陥を分類する（（Ｃ）工程）。図４は、検査対象物又は検査対象物の表面部に存在する欠陥を分類するシステムであり、２以上の検査装置を用いて検査画像を収集し、欠陥分類を行なう欠陥分類システム１７０の一例を示す概念図である。

ここで、欠陥を検出し検査画像を生成する第１の検査装置（検査部）１８０ａ、第２の検査装置（検査部）１８０ｂ及び第３の検査装置（検査部）１８０ｃは、データバス１７６を介して、コンピュータシステムである制御装置（制御部）１７１に結合されている。検査装置（検査部）は、検査対象物の表面に検査光を照射して、欠陥の部分を含む検査画像を撮像する。２以上の検査装置は、検査対象種が同一であっても、検査対象種が互いに異なっていてもよい。

図４に示されるように、検査以外の様々な工程を実施するプロセス装置１８１を、データバス１７６を介して、制御装置１７１に結合してもよい。また、後述する欠陥分類のための画像処理に必要な、収集された検査画像を収納する検査画像格納部１７３、欠陥の分類が既知の検査画像の画像データにより構築された学習モデル群を収納する学習モデル格納部１７４も、データバス１７６を介して、制御装置１７１に結合されている。一方、制御装置１７１は、システム制御プログラムに沿って、これらの結合された装置などを統括して制御する。更に、図４に示されるように、必要な制御情報の入力や演算処理結果の表示などを行なうための入出力インターフェース１７５を、データバス１７６を介して、制御装置１７１に結合して設けてもよい。また、入力情報を指定するための装置が接続される場合もある。

２以上の検査装置１８０ａ、１８０ｂ、１８０ｃは、制御装置１７１の指示に従って、それぞれ、多種多様な検査対象物の検査を実施し、欠陥の位置情報や検査画像などの欠陥情報を一旦、図２に示される検査装置のメモリ１５４に格納（一次記憶）する。その後、検査画像は、検査装置の情報や検査対象種の情報などと共に、検査画像格納部１７３に格納される。検査画像格納部１７３には、検査画像を検査装置毎に区別して収納することが好ましい。

一方、制御装置１７１は、検査画像格納部１７３に検査画像が格納されているかを監視し、新たな検査画像が格納されていれば、制御装置１７１に含まれている演算部（画像処理・欠陥分類プログラム）１７２を稼働させて、検査対象種の情報を参照して、学習モデル格納部１７４に格納されている学習モデルを選択し、学習モデルに沿って検査画像の分類処理を実行し、分類結果を検査画像格納部１７３に返送して格納する。ここで、検査画像の分類とは、具体的には、撮像された検査画像に含まれる欠陥が、例えば、凸欠陥か凹欠陥かを判断することである。また、欠陥は、スクラッチやシミ状欠陥も分類の対象となり得る。

ここで、学習モデルとは、検査画像が収集されている欠陥について、その形状を、原子間力顕微鏡（ＡＦＭ）や光学式測定器などの手法で解析し、欠陥の凹凸などの形状が分類できたものについて、その形状情報と、欠陥の検査画像とを対応させ、この操作を多数の欠陥に対して実施して対応情報を蓄積し、学習させて構築した分類基準である。学習モデルは、多種多様な検査対象物に対応して、多数存在し、これらが、学習モデル格納部１７４に格納されている。

本発明においては、（Ｂ）工程において、記憶装置（検査画像格納部１７３）に格納（二次記憶）された検査画像、即ち、未分類の検査画像が、２以上記憶装置に格納されているとき、（Ｃ）工程において、未分類の２以上の検査画像を、指定された処理順、例えば、特定の優先度（優先順位）で取り出し、機械学習において、分類が既知の検査画像の画像データにより構築された学習モデル群から、検査対象種に応じた学習モデルを選択して欠陥を分類する。

図５は、本発明における欠陥分類方法の概要の一例を示すフローチャートである。ここでは、まず、図４に示される制御装置１７１が、検査画像格納部１７３に、新たな検査画像（画像データ）が格納されているかを監視し、欠陥分類処理を待機している未分類の検査画像が収納されているか否かを確認する（工程Ｓ２１）。未分類の検査画像の有無の確認は、所定のタイミングで実施することができ、欠陥分類処理を連続的に実施しているときは、欠陥分類処理の対象とする検査画像を決定したタイミングとすることができる。また、欠陥分類処理の対象とする検査画像の最初の決定の後、所定の時間毎に未分類の検査画像の有無を確認するタイミングを設定するようにしてもよい。更に、検査画像格納部１７３を常時監視して、未分類の検査画像の有無を確認することもできる。

次に、欠陥分類処理を待機している検査画像の数の判断（工程Ｓ２２）において、待機画像が２以上存在するときは、制御装置１７１に設定されている優先度の基準に基づき、優先順位の高い検査画像を選択し（工程Ｓ２３）、検査対象種に応じた画像分類用の学習モデルを選択する（工程Ｓ２４）。次に、学習モデルに沿った検査画像の分類を行ない（工程Ｓ２５）、分類結果の情報を、図４に示される検査画像格納部１７３に格納（工程Ｓ２６）した後、再び工程Ｓ２１に戻り、欠陥分類処理を繰り返し実施する。なお、工程Ｓ２２で欠陥分類処理を待機している画像データの数が１又は０の場合は、工程Ｓ２７に進み、画像データの数が１のときは、工程Ｓ２３を実施することなく、学習モデルを選択する工程Ｓ２４を実施すればよく、画像データの数が０のとき（欠陥分類処理を待機している画像データが存在しない場合）は、分類作業を終了する。

図４に示される欠陥分類システム１７０においては、制御装置１７１に含まれている演算部（画像処理・欠陥分類プログラム１７２）が、検査画像収納部に格納されている未分類の２以上の検査画像を逐次取り出し、学習モデル収納部１７４に収納された学習モデル群から、検査対象種に応じた学習モデルを選択して、機械学習により検査画像の欠陥を分類するプログラムを実行する。また、この場合、制御装置１７１は、検査画像収納部に格納された未分類の２以上の検査画像を逐次取り出す処理において、指定された処理順で検査画像を取り出すように制御する制御部としての機能も有している。

ここで、優先順位は、例えば、記憶装置に格納された２以上の検査画像から、検査画像が属する検査対象種に基づき順位付けられる優先度により定めることができる。また、この優先度は、フォトマスクブランク製造において、欠陥分類前後に実施される工程の処理時間、混雑度など、特に、欠陥分類後に必要に応じて実施され、検査画像が属する検査対象種毎に異なる、欠陥の分類の後に続く処理の処理時間、混雑度などに応じて順位付けることができる。この混雑度は、多種多様なフォトマスクブランク製造において、各工程に要する時間や処理数などの様々な要因が関連するが、特に、製造全体の効率に鑑みて決定することが好ましい。また、混雑度は、特定のフォトマスクブランを製造することを優先する必要がある場合は、その緊急度にも影響される。優先順位の指定方法は、例えば、フォトマスクブランクの製造における他の工程を制御する装置から、優先順位を図４に示される制御装置１７１に取り込む方法や、オペレータが入出力インターフェース１７５を介して、制御装置１７１に直接入力する方法などが挙げられる。

学習モデルの選択（工程Ｓ２４）においては、学習モデル群に含まれる、検査対象種と同一種の検査対象物から撮像された検査画像の画像データ（画像情報）により構築された学習モデルを選択することができる。この場合、既存の学習モデルを利用することができ、また、検査画像を取得した欠陥について従来の手法で欠陥の凹凸形状を判定し、好ましくは欠陥の凹凸形状の判定結果を蓄積して、検査対象物から撮像された検査画像の画像データ（画像情報）により構築された学習モデルとすることができる。検査対象種と同一種の検査対象物について、欠陥を分類した結果がある場合、特に多数の結果が蓄積されている場合、この学習モデルを選択することが好ましい。また、本発明の欠陥分類方法における欠陥分類処理による結果を、学習モデルに逐次反映させて、学習モデルを更新することもできる。

一方、検査対象種と同等の検査光学特性を有する検査対象物から撮像された検査画像の画像データ（画像情報）により構築された学習モデルを選択して代用することもできる。検査対象種と同一種の検査対象物について、欠陥を分類した結果がない場合は、この方法が好ましい。検査光学特性は、例えば、シミュレーションを実施して対比することができる。反射検査の場合は、例えば、検査対象物毎に、検査光に対する反射率や反射光位相などの光学特性をシミュレーションにより求めて、検査光学特性が同等とできる検査対象物から撮像された検査画像の画像データ（画像情報）により構築された学習モデルを選択すればよい。

また、シミュレーションにより新たに構築した学習モデルを選択することもできる。この場合、検査対象種と同一種の検査対象物又は検査対象種と同等の検査光学特性を有する検査対象物の検査画像をシミュレーションで予測し、得られた仮想検査画像の画像データにより構築された学習モデルを選択すればよい。シミュレーションで必要なパラメータは、基板や光学機能膜の検査光に対する光学定数、欠陥形状、検査光学系の光学条件などである。検査対象物をモデル化して光学定数を付与し、表面部に様々なサイズの凹欠陥と凸欠陥を仮定すると、検査画像の光強度分布をシミュレーションにより求めることができる。そして、欠陥の凹凸形状の情報は、シミュレーションで仮定した情報に対応するので、その欠陥分類の情報と、シミュレーションで予測された仮想検査画像の画像データとにより学習モデルを構築することができる。シミュレーションにより新たに学習モデルを構築して欠陥分類処理に適用する方法は、検査画像（画像データ）において、ＳＮ比（信号成分とノイズ成分との比）が十分に得られる場合に、特に好適である。

以下、シミュレーションにより検査対象物の仮想検査画像を取得する具体的な例について説明する。図６は、光学機能膜に存在する欠陥のモデルとその検査画像のシミュレーションの一例を示す図である。図６（Ａ）は、透明基板２０１上に形成されたケイ素系材料からなる光学機能膜２０２に、幅Ｗの凹欠陥ＤＥＦ３が存在するフォトマスクブランク２００の断面を示し、図６（Ｂ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。欠陥検査装置としては、共焦点光学系を有するとともに検査光の一部を遮蔽する空間フィルタを備えた欠陥検査装置Ｍ８３５０（レーザーテック社製）を想定し、シミュレーションで求めた画像強度の断面プロファイルは、欠陥から十分に離れた領域の画像強度が１になるように規格化して表示されている。（以下のシミュレーションの具体例において同じ。）また、図６（Ｃ）は、透明基板２０１上に形成されたケイ素系材料からなる光学機能膜２０２上に、幅Ｗ、高さ４０ｎｍの凸欠陥ＤＥＦ４が存在するフォトマスクブランク２００の断面を示し、図６（Ｄ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。図６（Ｂ）及び（Ｄ）において、破線は欠陥幅Ｗ＝１００ｎｍの欠陥の場合、実線はＷ＝１６０ｎｍの欠陥の場合を示す。

この場合、凹欠陥の画像強度の断面プロファイルは、左側が暗部、右側が明部を示すプロファイルとなり、凸欠陥では、明暗の並びが凹欠陥の場合とは逆になることが、シミュレーションにより示される。このシミュレーションでは、検査光学系の中に、空間フィルタと呼ばれる部分的に光を遮蔽する光学素子が組み込まれている欠陥検査装置を設定しており、そのため、凹欠陥と凸欠陥との間で、前記のような検査画像の断面プロファイルの差が生じる（以下のシミュレーションの具体例において同じ。）。

図７は、光学機能膜に存在する欠陥のモデルとその検査画像のシミュレーションの他の例を示す図である。図７（Ａ）は、透明基板２１１上に形成された透過率が６％のハーフトーン位相シフト膜２１２に、幅Ｗの凹欠陥ＤＥＦ５が存在するフォトマスクブランク（ハーフトーン位相シフトマスクブランク）２１０の断面を示し、図７（Ｂ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。また、図７（Ｃ）は、透明基板２１１上に形成された透過率が６％のハーフトーン位相シフト膜２１２上に、幅Ｗ、高さ４０ｎｍの凸欠陥ＤＥＦ６が存在するフォトマスクブランク（ハーフトーン位相シフトマスクブランク）２１０の断面を示し、図７（Ｄ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。図７（Ｂ）及び（Ｄ）において、破線は欠陥幅Ｗ＝１００ｎｍの欠陥の場合、実線はＷ＝１６０ｎｍの欠陥の場合を示す。なお、図６（Ａ）及び（Ｃ）に示されるケイ素系材料からなる光学機能膜２０２と、図７（Ａ）及び（Ｃ）に示されるハーフトーン位相シフト膜２１２とは、組成が異なる。

この場合、凹欠陥の画像強度の断面プロファイルは、左側が暗部、右側が明部を示すプロファイルとなり、凸欠陥では、明暗の並びが凹欠陥の場合とは逆になることが、シミュレーションにより示される。

図８は、膜厚が１０ｎｍ程度の加工補助膜に存在する欠陥のモデルとその検査画像のシミュレーションの一例を示す図である。図８（Ａ）は、透明基板２２１上に、第１の光学機能膜であるハーフトーン位相シフト膜２２２、第２の光学機能膜であるクロムを主成分とする遮光膜２２３、及びケイ素と酸素を主成分とする加工補助膜２２４が順に積層され、加工補助膜２２４に、幅Ｗの凹欠陥ＤＥＦ７が存在するフォトマスクブランク（ハーフトーン位相シフトマスクブランク）２２０の断面を示し、図８（Ｂ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。また、図８（Ｃ）は、透明基板２２１上に、第１の光学機能膜であるハーフトーン位相シフト膜２２２、第２の光学機能膜であるクロムを主成分とする遮光膜２２３、及びケイ素と酸素を主成分とする加工補助膜２２４が順に積層され、加工補助膜２２４上に、幅Ｗ、高さ４０ｎｍの凸欠陥ＤＥＦ８が存在するフォトマスクブランク（ハーフトーン位相シフトマスクブランク）２２０の断面を示し、図８（Ｄ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。図８（Ｂ）及び（Ｄ）において、破線は欠陥幅Ｗ＝１００ｎｍの欠陥の場合、実線はＷ＝１６０ｎｍの欠陥の場合を示す。

この場合、凹欠陥の画像強度の断面プロファイルは、わずかに明部が現れるプロファイルとなり、凸欠陥では、欠陥部が暗部となるプロファイルとなることが、シミュレーションにより示される。

図９は、膜厚が１０ｎｍ程度の加工補助膜に存在する欠陥のモデルとその検査画像のシミュレーションの他の例を示す図である。図９（Ａ）は、透明基板２３１上に、第１の光学機能膜であるハーフトーン位相シフト膜２３２、第２の光学機能膜であるクロムを主成分とする遮光膜２３３、及びケイ素と酸素を主成分とする加工補助膜２３４が順に積層され、加工補助膜２３４に、幅Ｗの凹欠陥ＤＥＦ９が存在するフォトマスクブランク（ハーフトーン位相シフトマスクブランク）２３０の断面を示し、図９（Ｂ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。また、図９（Ｃ）は、透明基板２３１上に、第１の光学機能膜であるハーフトーン位相シフト膜２３２、第２の光学機能膜であるクロムを主成分とする遮光膜２３３、及びケイ素と酸素を主成分とする加工補助膜２３４が順に積層され、加工補助膜２３４上に、幅Ｗ、高さ４０ｎｍの凸欠陥ＤＥＦ１０が存在するフォトマスクブランク（ハーフトーン位相シフトマスクブランク）２３０の断面を示し、図９（Ｄ）は、その欠陥部を含む画像強度の断面プロファイルのシミュレーション結果を示す。図９（Ｂ）及び（Ｄ）において、破線は欠陥幅Ｗ＝１００ｎｍの欠陥の場合、実線はＷ＝１６０ｎｍの欠陥の場合を示す。なお、図８（Ａ）及び（Ｃ）に示される加工補助膜２２４と、図９（Ａ）及び（Ｃ）に示される加工補助膜２３４とは、組成がわずかに異なる。

この場合、凹欠陥の画像強度の断面プロファイルは、左側が暗部、右側が明部を示すプロファイルとなり、凸欠陥では、明暗の並びが凹欠陥の場合とは逆になることが、シミュレーションにより示される。

なお、これらの具体例では、いずれの場合も、２種類の欠陥幅Ｗについてのシミュレーション結果を示したが、欠陥幅や欠陥深さ／高さが異なっていても、画像強度の断面プロファイル（明暗の出現又は並び）は、凹欠陥及び凸欠陥いずれも同様となる。

検査対象種と同一種の検査対象物の欠陥を分類した結果がない場合は、直ちに機械学習による分類を行なうことはできない。そのため、通常は、検査画像が収集されている欠陥について、その形状を、原子間力顕微鏡（ＡＦＭ）や光学式測定器などの手法で解析し、欠陥の凹凸などの形状のデータを蓄積し、蓄積したデータに基づいて学習モデルを構築することになるが、前述したシミュレーションを実施すれば、シミュレーションにより新たに学習モデルを構築して欠陥分類処理に適用することができる。

また、検査対象種と同等の検査光学特性を有する検査対象物から撮像された検査画像の画像データ（画像情報）により構築された学習モデルを選択して代用する場合に、この学習モデルの適用の可否をシミュレーションで判断してもよい。

例えば、図６（Ａ）〜（Ｄ）に示される光学機能膜の欠陥の場合、図７（Ａ）〜（Ｄ）に示されるハーフトーン位相シフト膜と組成が異なり、画像強度は同一とはならないが、画像強度の断面プロファイル（明暗の並び）は、凹欠陥及び凸欠陥いずれも同じ傾向となる。従って、この場合は、例えば、図７（Ａ）〜（Ｄ）に示されるハーフトーン位相シフト膜の欠陥について、欠陥分類のための学習モデルが存在している場合に、欠陥を分類した結果がない図６（Ａ）〜（Ｄ）に示される光学機能膜の欠陥分類において、図７（Ａ）〜（Ｄ）に示されるハーフトーン位相シフト膜の欠陥の学習モデルを選択して代用することができると判断することができる。

一方、図８（Ａ）〜（Ｄ）に示されるケイ素と酸素を主成分とする加工補助膜の欠陥の場合、図９（Ａ）〜（Ｄ）に示されるケイ素と酸素を主成分とする加工補助膜と組成が若干異なるのみにもかかわらず、画像強度の断面プロファイル（明暗の出現又は並び）は、凹欠陥及び凸欠陥いずれも全く異なっている。従って、この場合は、例えば、図９（Ａ）〜（Ｄ）に示される加工補助膜の欠陥について、欠陥分類のための学習モデルが存在している場合であっても、欠陥を分類した結果がない図８（Ａ）〜（Ｄ）に示される光学機能膜の欠陥分類において、図９（Ａ）〜（Ｄ）に示される加工補助膜の欠陥の学習モデルを選択して代用することはできないと判断することができる。

本発明においては、例えば、フォトマスクブランクの基板上に形成された膜を検査対象物として、本発明の欠陥分類方法を実施し、凹欠陥と分類された欠陥を含まないフォトマスクブランクを選別することにより、致命的な欠陥である凹欠陥を含まないフォトマスクブランクを効率良く選別することができる。

また、本発明の欠陥分類方法は、フォトマスクブランクの製造における工程の一部として適用することができる。具体的には、例えば、透明基板などの基板上に、第１の膜を形成し、第１の膜の基板から離間する側に接して第２の膜を形成された膜構成を有するフォトマスクブランクの製造において、第１の膜及び第２の膜の欠陥の分類を、本発明の欠陥分類方法により実施することができる。この場合、第１の膜としては、光学機能膜、第２の膜としては、第１の膜の光学機能膜の加工補助膜を挙げることができる。この場合、加工補助膜は第１の膜のハードマスク膜として機能する膜であることが好ましい。

１００ フォトマスクブランク
１０１ 透明基板
１０２、１０３ 光学機能膜
１０４ 加工補助膜
１５０ 検査装置
１５１ 検査光学系
１５２ 制御装置
１５３ 演算装置（プロセッサ）
１５４ メモリ
１７０ 欠陥分類システム
１７１ 制御装置（制御部）
１７２ 演算部（画像処理・欠陥分類プログラム）
１７３ 検査画像格納部
１７４ 学習モデル格納部
１７５ 入出力インターフェース
１７６ データバス
１８０ａ、１８０ｂ、１８０ｃ 検査装置（検査部）
１８１ プロセス装置
２００、２１０、２２０、２３０ フォトマスクブランク
２０１、２１１、２２１、２３１ 透明基板
２０２ 光学機能膜
２１２、２２２、２３２ ハーフトーン位相シフト膜
２２３、２３３ 遮光膜
２２４、２３４ 加工補助膜
ＡＰ１ アパーチャ
ＢＭ１ 検査光
ＢＭ２ 反射光
ＢＳＰ ビームスプリッタ
ＤＥＦ１ ピンホール欠陥
ＤＥＦ２、ＤＥＦ４、ＤＥＦ６、ＤＥＦ８、ＤＥＦ１０ 凸欠陥
ＤＥＦ３、ＤＥＦ５、ＤＥＦ７、ＤＥＦ９ 凹欠陥
ＩＬＳ 光源
Ｌ１、Ｌ２ レンズ
ＭＢ フォトマスクブランク
ＯＢＬ 対物レンズ
ＳＰＦ 空間フィルタ
ＳＥ 光検出器
ＳＴＧ ステージ

Claims (9)

1. 検査対象物又は検査対象物の表面部に存在する欠陥を分類する方法であって、
   （Ａ）前記検査対象物の表面に検査光を照射して、前記欠陥の部分を含む検査画像を撮像する検査装置であって、検査対象種が同一又は検査対象種が互いに異なる検査装置を２以上設けて、該２以上の検査装置において前記検査画像の撮像を並行処理して、各々の検査装置において検査画像を収集する工程と、
   （Ｂ）収集された検査画像を記憶装置に格納する工程と、
   （Ｃ）前記記憶装置に格納されている未分類の２以上の検査画像を逐次取り出して、機械学習により検査画像の欠陥を分類する工程
   とを含み、
   前記（Ｃ）工程において、前記未分類の２以上の検査画像を、指定された処理順で取り出し、かつ前記機械学習において、分類が既知の検査画像の画像データにより構築された学習モデル群から、検査対象種に応じた学習モデルを選択して欠陥を分類することを特徴とする欠陥分類方法。
2. 前記（Ｃ）工程における前記指定された処理順が、前記記憶装置に格納された２以上の検査画像から、それらの検査画像が属する検査対象種に基づき順位付けられる優先度により定められることを特徴とする請求項１に記載の欠陥分類方法。
3. 前記優先度が、欠陥分類後に必要に応じて実施される、前記検査画像が属する検査対象種毎に異なる、欠陥の分類の後に続く処理の処理時間及び／又は混雑度に応じて順位付けられることを特徴とする請求項２に記載の欠陥分類方法。
4. 前記（Ｃ）工程において検査対象種に応じて選択される学習モデルが、前記検査対象種と同等の検査光学特性を有する検査対象物から撮像された検査画像の画像データにより構築された学習モデル、又は前記検査対象種と同一種の検査対象物若しくは前記検査対象種と同等の検査光学特性を有する検査対象物の検査画像をシミュレーションで予測し、得られた仮想検査画像の画像データにより構築された学習モデルであることを特徴とする請求項１乃至３のいずれか１項に記載の欠陥分類方法。
5. 前記検査対象物が、フォトマスクブランクの基板上に形成された膜、フォトマスクブランクからフォトマスクを製造する際の中間品の基板上に形成された膜又は膜パターン、及びフォトマスクの基板上に形成された膜パターンから選ばれることを特徴とする請求項１乃至４のいずれか１項に記載の欠陥分類方法。
6. 前記検査対象物が、フォトマスクブランクの基板上に形成された膜であり、請求項１乃至４のいずれか１項に記載の欠陥分類方法により凹欠陥と分類された欠陥を含まないフォトマスクブランクを選別することを特徴とするフォトマスクブランクの選別方法。
7. 基板上に第１の膜を形成する工程と、
   請求項１乃至４のいずれか１項に記載の欠陥分類方法により、前記第１の膜の欠陥を分類する工程と、
   前記第１の膜の前記基板から離間する側に接して第２の膜を形成する工程と、
   請求項１乃至４のいずれか１項に記載の欠陥分類方法により、前記第２の膜の欠陥を分類する工程
   とを含むことを特徴とするフォトマスクブランクの製造方法。
8. 前記第１の膜が光学機能膜であり、前記第２の膜が前記光学機能膜の加工補助膜であり、該加工補助膜がハードマスク膜であることを特徴とする請求項７記載の製造方法。
9. 検査対象物又は検査対象物の表面部に存在する欠陥を分類するシステムであって、
   前記検査対象物の表面に検査光を照射して、前記欠陥の部分を含む検査画像を撮像する検査部であって、検査対象種が同一又は検査対象種が互いに異なる検査部を２以上と、
   収集された検査画像を収納する検査画像収納部と、
   欠陥の分類が既知の検査画像の画像データにより構築された学習モデル群を収納する学習モデル収納部と、
   前記検査画像収納部に格納されている未分類の２以上の検査画像を逐次取り出し、前記学習モデル収納部に収納された前記学習モデル群から、検査対象種に応じた学習モデルを選択して、機械学習により検査画像の欠陥を分類するプログラムを実行する演算部と、
   前記検査画像収納部に格納された未分類の２以上の検査画像を逐次取り出す処理において、指定された処理順で検査画像を取り出すように制御する制御部
   とを備えることを特徴とする欠陥分類システム。

Images