JP2022105284A - 原子顕微鏡で試料位置を認識するための方法及び装置 - Google Patents

Abstract

【課題】原子顕微鏡を駆動するために、自動的に測定位置を認識するための方法及び装置が提供される。【解決手段】原子顕微鏡で試料位置を認識するための方法は、ビジョン部１７０を通して対象試料１３２が含まれたビジョン映像を受信するステップ；ビジョン映像を入力として対象試料領域を出力するように構成された予測モデルを利用して、ビジョン映像内で対象試料領域を決定するステップ；対象試料領域に基づいて前記対象試料の位置を決定するステップを含む。【選択図】図１ａ

Description

本発明は、原子顕微鏡で試料位置を認識するための方法及び装置に関する。

一般に、走査プローブ顕微鏡（Ｓｃａｎｎｉｎｇ Ｐｒｏｂｅ Ｍｉｃｒｏｓｃｏｐｅ、ＳＰＭ）は、カンチレバー（ｃａｎｔｉｌｅｖｅｒ）とカンチレバーに付いたプローブを含むプローブ（ｐｒｏｂｅ）を通して対象試料である試料の表面をスキャン（ｓｃａｎ）して、プローブが試料の表面に近接するとき、試料とプローブとの間に相互作用する物理量を測定する装置を意味する。

このような走査プローブ顕微鏡は、走査トンネル顕微鏡（Ｓｃａｎｎｉｎｇ Ｔｕｎｎｅｌｉｎｇ Ｍｉｃｒｏｓｃｏｐｅ、ＳＴＭ）及び原子力顕微鏡（Ａｔｏｍｉｃ Ｆｏｒｃｅ Ｍｉｃｒｏｓｃｏｐｅ、ＡＦＭ）（以下、「原子顕微鏡」という）を含むことができる。

ここで、原子顕微鏡は、原子顕微鏡に備えられた光学部のレーザ光がカンチレバーのプローブに対応する位置に照射され、これによってカンチレバーが反るにつれプローブが試料の表面をスキャンすることで、試料の表面の形状（または屈曲）をイメージ化した試料映像を獲得することができる。

このように原子顕微鏡を駆動するために、ユーザは、マニュアルを利用して原子顕微鏡を駆動するための多様な設定値のうち一つで試料の測定位置が設定され得る。このとき、試料が変更されても同じフィーチャー（ｆｅａｔｕｒｅ）を繰り返して測定する場合が多いため、自動的に測定位置を認識することが必要である。

従って、原子顕微鏡で試料位置を正確に認識するための方法及び装置が要求される。

背景技術は、本発明に対する理解をより容易にするために作成された。背景技術に記載の事項が先行技術として存在すると認めるものと理解されてはならない。

本発明の発明者らは、ユーザが測定位置を手動で確認し、チップを移動させることが原子顕微鏡の使用性を低下させるという事実を認識した。

特に、本発明の発明者らは、原子顕微鏡のキャリブレーション（ｃａｌｉｂｒａｔｉｏｎ）ステップで自動でサンプルの位置を認識してキャリブレーションを遂行することが使用性の増大に役立つという点を認知することができた。

これを解決するための方案として、本発明の発明者らは、試料の位置を機械学習されたモデル、さらに識別因子を利用して正確に認識できる方法及び装置を発明した。

そこで、本発明が解決しようとする課題は、原子顕微鏡で試料位置を認識するための方法及び装置を提供することである。

本発明の課題は、以上において言及した課題に制限されず、言及されていないまた他の課題は、下記の記載から当業者に明確に理解され得るだろう。

前述したような課題を解決するために、原子顕微鏡で試料位置を認識するための方法及び装置が提供される。

本発明の実施例に係る原子顕微鏡で試料位置を認識するための方法は、原子顕微鏡の制御部によって遂行される試料位置を認識するための方法であり、ビジョン部を通して対象試料が含まれたビジョン映像を受信するステップ、ビジョン映像を入力として対象試料領域を出力するように構成された予測モデルを利用して、ビジョン映像内で対象試料領域を決定するステップ、対象試料領域に基づいて対象試料の位置を決定するステップを含む。

本発明の他の実施例に係る原子顕微鏡で試料位置を認識するための方法は、ビジョン部の撮影アングル内に識別因子を配置するステップ、識別因子と離隔された領域に対象試料を配置するステップ、ビジョン部を通して前記識別因子を認識するステップ、及び識別因子に基づいて前記対象試料の位置を決定するステップを含む。

本発明のまた他の実施例に係る原子顕微鏡で試料位置を認識するための装置は、ビジョン部を通して対象試料が含まれたビジョン映像を獲得するビジョン部、及びビジョン部と動作可能に連結された制御部を含む。このとき、制御部は、ビジョン映像を入力として対象試料領域を出力するように構成された予測モデルを利用して、ビジョン映像内で対象試料領域を決定し、対象試料領域に基づいて対象試料の位置を決定するように構成される。

その他の実施例の具体的な事項は、詳細な説明及び図面に含まれている。

本発明は、原子顕微鏡を駆動するためにユーザが試料の位置を別に設定する必要なく原子顕微鏡が試料位置を自動で認識して設定することができる。

また、本発明は、試料位置を認識するために人工神経網モデルを利用することで、試料位置を認識するための演算速度を速くして原子顕微鏡の認識性能を向上させることができる。

より具体的に、ビジョン映像の対照度、照度、彩度等の属性が変化するか試料のパターンの一部が変化してもパターン認識基盤の人工神経網モデルにより試料位置が高い正確度で決定され得る。

さらに、非常に小さな大きさの試料に対する正確な位置把握が可能であり得る。

即ち、試料位置認識方法及び装置の提供によって、ユーザは、試料の位置を正確に知らなくても人工神経網モデルにより試料の位置設定が可能であることで原子顕微鏡を容易に駆動させることができる。

特に、本発明は、試料の正確な位置設定が重要な原子顕微鏡のキャリブレーション（ｃａｌｉｂｒａｔｉｏｎ）ステップに適用され得る。そこで、ユーザは、容易に原子顕微鏡の駆動のためのキャリブレーションを遂行することができる。

本発明に係る効果は、以上において例示した内容により制限されず、さらに多様な効果が本明細書内に含まれている。

本発明の実施例に係る原子顕微鏡を説明するための概略図である。 本発明の実施例に係る原子顕微鏡を説明するための概略図である。 本発明の実施例に係る原子顕微鏡を説明するための概略図である。 本発明の実施例に係る電子装置の概略的なブロック図である。 本発明の一実施例によって対象試料のビジョン映像を利用して試料の位置を認識する方法を説明するための例示図である。 本発明の実施例に係る試料の位置を認識するために利用される予測モデルを利用した試料領域決定ステップを説明するための例示図である。 本発明の実施例に係る試料の位置を認識するために利用される予測モデルを利用した試料領域決定ステップを説明するための例示図である。 本発明の実施例に係る試料の位置を認識するために利用される予測モデルの学習データ及び評価結果を示したものである。 本発明の実施例に係る試料の位置を認識するために利用される予測モデルの学習データ及び評価結果を示したものである。 本発明の実施例に係る試料の位置を認識するために利用される予測モデルの学習データ及び評価結果を示したものである。 本発明の実施例に係る試料の位置を認識するために利用される予測モデルの学習データ及び評価結果を示したものである。 本発明の実施例に係る原子顕微鏡で試料の位置を認識するための方法を利用した原子顕微鏡のキャリブレーション手順を説明するための例示図である。 本発明の実施例に係る原子顕微鏡で試料の位置を認識するための方法を利用した原子顕微鏡のキャリブレーション手順を説明するための例示図である。 本発明の他の実施例に係る原子顕微鏡で試料の位置を認識するための方法の手順を説明するための例示図である。 本発明の他の実施例に係る原子顕微鏡で試料の位置を認識するための方法の手順を説明するための例示図である。

本発明の利点及び特徴、そして、それらを達成する方法は、添付の図面と共に詳細に後述されている実施例を参照すると、明確になるだろう。しかし、本発明は、以下において開示される実施例に限定されるものではなく、互いに異なる多様な形態に具現され、単に、本実施例は、本発明の開示が完全なものとなるようにし、本発明の属する技術の分野における通常の知識を有する者に発明の範疇を完全に知らせるために提供されるものであり、本発明は、請求項の範疇により定義されるだけである。図面の説明と関連して、類似した構成要素に対しては、類似した参照符号が使用され得る。

本文書において、「有する」、「有することができる」、「含む」、または「含むことができる」等の表現は、該当特徴（例：数値、機能、動作、または部品等の構成要素）の存在を指し、さらなる特徴の存在を排除しない。

本文書において、「ＡまたはＢ」、「Ａまたは／およびＢのうち少なくとも一つ」、または「Ａまたは／およびＢのうち一つまたはそれ以上」等の表現は、共に並べられた項目の全ての可能な組み合わせを含むことができる。例えば、「ＡまたはＢ」、「Ａ及びＢのうち少なくとも一つ」、または「ＡまたはＢのうち少なくとも一つ」は、（１）少なくとも一つのＡを含む、（２）少なくとも一つのＢを含む、または（３）少なくとも一つのＡ及び少なくとも一つのＢをいずれも含む場合を全て指すことができる。

本文書において使用された「第１」、「第２」、「一番目」、または「二番目」等の表現は、多様な構成要素を、順序および／または重要度に関係なく修飾でき、ある構成要素を他の構成要素と区分するために使用されるだけで該当構成要素を限定しない。例えば、第１ユーザ機器と第２ユーザ機器は、順序または重要度と関係なく、互いに異なるユーザ機器を示し得る。例えば、本文書に記載の権利範囲を外れずに第１構成要素は第２構成要素と命名され得、類似するように第２構成要素も第１構成要素に変えて命名され得る。

ある構成要素（例：第１構成要素）が他の構成要素（例：第２構成要素）に「（機能的または通信的に）連結されて（（ｏｐｅｒａｔｉｖｅｌｙ ｏｒ ｃｏｍｍｕｎｉｃａｔｉｖｅｌｙ）ｃｏｕｐｌｅｄ ｗｉｔｈ／ｔｏ）」いるとか「接続されて（ｃｏｎｎｅｃｔｅｄ ｔｏ）」いると言及された時には、前記ある構成要素が前記他の構成要素に直接的に連結されるか、他の構成要素（例：第３構成要素）を通して連結され得ると理解されるべきである。これに対して、ある構成要素（例：第１構成要素）が他の構成要素（例：第２構成要素）に「直接連結されて」いるとか「直接接続されて」いると言及された時には、前記ある構成要素と前記他の構成要素との間に他の構成要素（例：第３構成要素）が存在しないものと理解され得る。

本文書において使用された表現「～するように構成された（または設定された）（ｃｏｎｆｉｇｕｒｅｄ ｔｏ）」は、状況に応じて、例えば、「～に適した（ｓｕｉｔａｂｌｅ ｆｏｒ）」、「～する能力を有する（ｈａｖｉｎｇ ｔｈｅ ｃａｐａｃｉｔｙ ｔｏ）」、「～するように設計された（ｄｅｓｉｇｎｅｄ ｔｏ）」、「～するように変更された（ａｄａｐｔｅｄ ｔｏ）」、「～するように作られた（ｍａｄｅ ｔｏ）」、または「～ができる（ｃａｐａｂｌｅ ｏｆ）」と変えて使用され得る。用語「～するように構成された（または設定された）」は、ハードウェア的に「特に設計された（ｓｐｅｃｉｆｉｃａｌｌｙ ｄｅｓｉｇｎｅｄ ｔｏ）」ものだけを必ずしも意味しなくてよい。その代わりに、ある状況では、「～するように構成された装置」という表現は、その装置が他の装置または部品と共に「～できる」ことを意味し得る。例えば、文句「Ａ、Ｂ、及びＣを遂行するように構成された（または設定された）プロセッサ」は、該当動作を遂行するための専用プロセッサ（例：エンベデッドプロセッサ）、またはメモリ装置に格納された一つ以上のソフトウェアプログラムを実行することで、該当動作を遂行することのできる汎用プロセッサ（ｇｅｎｅｒｉｃ－ｐｕｒｐｏｓｅ ｐｒｏｃｅｓｓｏｒ）（例：ＣＰＵまたはａｐｐｌｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ）を意味し得る。

本文書において使用された用語は、単に、特定の実施例を説明するために使用されたものであり、他の実施例の範囲を限定しようとする意図でなくてよい。単数の表現は、文脈上明らかに異に意味しない限り、複数の表現を含むことができる。技術的または科学的な用語を含めてここで使用される用語は、本文書に記載の技術の分野における通常の知識を有する者により一般的に理解されるものと同じ意味を有し得る。本文書に使用された用語のうち一般的な辞書に定義された用語は、関連技術の文脈上有する意味と同一または類似した意味に解釈され得、本文書において明らかに定義されない限り、理想的または過度に形式的な意味に解釈されない。場合によって、本文書において定義された用語であっても本文書の実施例を排除するように解釈され得ない。

本発明の様々な実施例のそれぞれの特徴は、部分的または全体的に互いに結合または組み合わせ可能であり、当業者が十分に理解できるように技術的に多様な連動及び駆動が可能であり、各実施例が互いに対して独立して実施可能であってもよく、関連関係で共に実施可能であってもよい。

本明細書において、映像（ｉｍａｇｅ）は、静止画像（ｓｔｉｌｌ ｉｍａｇｅ）および／または動画（ｖｉｄｅｏ）であってよいが、これに限定されない。

以下、添付の図面を参照して、本発明の多様な実施例を詳細に説明する。

図１ａ、図１ｂ及び図１ｃは、本発明の実施例に係る原子顕微鏡を説明するための概略図である。提示された実施例においては、ＸＹスキャナとＺスキャナが分離された原子顕微鏡を説明する。

図１ａ及び図１ｂを参照すると、原子顕微鏡１００は、試料の表面的な特性を原子単位にイメージ化して分析及び観察できるようにするための顕微鏡装置であり、チップ（ｔｉｐ）とカンチレバー（ｃａｎｔｉｌｅｖｅｒ）を含むプローブ１１０、Ｚスキャナ１２２及びプローブアーム（ｐｒｏｂｅ ａｒｍ）１２４を含むヘッド１２０、レーザ光をプローブ１１０のカンチレバーの表面に照射する光学部１２６、カンチレバーの表面で反射したレーザ光の位置を検出する光学検出部１２８、試料１３２が取り付けられ、試料１３２を移動させるＸＹスキャナ１３０、試料１３２及びＸＹスキャナ１３０を移動させるＸＹステージ１４０、ヘッド１２０を移動させるＺステージ１５０、固定フレーム１６０、プローブ１１０および／または試料１３２の表面を示すビジョン部（ｖｉｓｉｏｎ ｕｎｉｔ）１７０及びこれらを制御する制御部１８０を含む。

まず、プローブ１１０は、チップとカンチレバーを備え、チップが試料１３２の表面に接触または非接触状態で沿うように構成され得る。プローブ１１０は、製造会社、モデル、および／またはバージョン等によって多様な形態のチップで構成され得るが、これに限定されない。

ヘッド１２０に含まれるＺスキャナ１２２は、プローブアーム１２４を通してプローブ１１０と連結され、プローブアーム１２４をＺ方向（例：上下）に変位させることで、プローブ１１０もまたＺ方向に移動させることができる。

Ｚスキャナ１２２の駆動は、例えば、圧電アクチュエータ（ｐｉｅｚｏｅｌｅｃｔｒｉｃ ａｃｔｕａｔｏｒ）により遂行され得るが、これに限定されず、ＸＹスキャナ１３０と分離された場合、積層された圧電駆動機（ｓｔａｃｅｄ ｐｉｅｚｏ）によって遂行され得る。多様な実施例において、プローブ１１０の高さを移動させるために、チューブスキャナ（ｔｕｂｅ ｓｃａｎｎｅｒ、図示しない）が利用されてもよい。

ヘッド１２０に含まれるプローブアーム１２４は、端部にプローブ１１０が固定される。

光学部１２６は、カンチレバーの上面でプローブ１１０に対応する目標位置にレーザ光を照射する。目標位置に照射されたレーザ光によりカンチレバーが反るかねじれるようになってプローブ１１０が対象試料の表面をスキャンするようになる。

カンチレバーから反射したレーザ光は、ＰＳＰＤ（Ｐｏｓｉｔｉｏｎ Ｓｅｎｓｉｔｉｖｅ Ｐｏｓｉｔｉｏｎ Ｄｅｔｅｃｔｏｒ）のような光学検出部１２８に結像するようになる。カンチレバーの反りまたはねじれによって光学検出部１２８に結像したレーザ光のスポット動きが検出され、これを通して試料１３２上に配置された試料に対する表面情報が獲得され得る。

ＸＹスキャナ１３０は、プローブ１１０が試料１３２の表面に対して少なくとも第１方向に相対移動するように、試料１３２を移動させることができる。具体的に、ＸＹスキャナ１３０は、試料１３２をＸＹ平面でＸ方向及びＹ方向にスキャンできる。

ＸＹステージ１４０は、試料１３２及びＸＹスキャナ１３０を相対的に大きな変位でＸ方向及びＹ方向に移動させることができる。このようなＸＹステージ１４０は、固定フレーム１６０が固定され得る。

Ｚステージ１５０は、ヘッド１２０を相対的に大きな変位でＺ方向に移動させることができる。

固定フレーム１６０は、ＸＹステージ１４０及びＺステージ１５０を固定させることができる。

ビジョン部１７０は、プローブ１１０または試料１３２を示すことができる。このようなビジョン部１７０は、鏡筒、対物レンズ、光供給装置及びＣＣＤカメラを含み、光供給装置から光の供給を受けて対物レンズにより拡大された画像がＣＣＤカメラに視認可能に変換されて別途の表示装置を通して表示され得る。ビジョン部１７０の具体的な構成は、公知の構成であるので、図示しないことに留意すべきである。

多様な実施例において、ビジョン部１７０は、試料１３２の表面の試料映像を撮影できるｏｎ Ａｘｉｓカメラであってよいが、これに制限されるものではない。例えば、ビジョン部１７０は、ｏｎ Ａｘｉｓカメラより低い倍率（または、視野）の映像を撮影できるｏｆｆ Ａｘｉｓカメラであってもよい。

多様な実施例において、ビジョン部１７０は、撮影アングル内に予め配置された識別因子を認識し、識別因子に基づいて、識別因子と離隔された領域に予め配置された対象試料に対するビジョン映像を獲得できる。

このとき、識別因子は、ＱＲコード（登録商標）、バーコード、ＮＦＣタグ、ＲＦＩＤタグ及びＯＣＲコードのうち少なくとも一つであってよいが、これに制限されるものではなく、文字、図形等の標識であってもよい。

多様な実施例において、ビジョン部１７０は、Ｚ軸に移動され得、これを通して試料１３２の表面を拡大させて示すことができる。このとき、ビジョン部１７０の焦点は、Ｚ軸に沿って変更され得る。

多様な実施例において、ビジョン部１７０は、固定フレーム１６０に固定され得るが、これに限定されず、他の部材に固定され得る。

制御部１８０は、ヘッド１２０、光学部１２６、光学検出部１２８、ＸＹスキャナ１３０、Ｚステージ１５０、及びビジョン部１７０と連結され、これらの駆動を制御できる。このような制御部１８０は、原子顕微鏡に備えられるか、別途の装置として具現され得るが、これに限定されず、上述した構成要素を制御するために多様に具現され得る。

具体的に、制御部１８０は、光学検出部１２８から得られた信号に基づいてカンチレバーの反りおよび／またはねじれ等の程度を決定できる。また、制御部１８０は、ＸＹスキャナ１３０が対象試料をＸＹ方向にスキャンするための駆動信号をＸＹスキャナ１３０に伝達できる。制御部１８０は、カンチレバーが一定程度の反りを維持するか、カンチレバーが一定の振幅で振動するようにＺスキャナ１２２を制御できる。制御部１８０は、Ｚスキャナ１２２の長さを測定するか、Ｚスキャナ１２２に使用されたアクチュエータに印加される電圧等を測定することで、対象試料の表面を形象化した対象試料データ（例：トポグラフィー（ｔｏｐｏｇｒａｐｈｙ））を獲得できる。

一方、原子顕微鏡１００を駆動するために、ユーザは、原子顕微鏡１００を駆動するための多様な設定値のうち一つで試料の測定位置を入力する必要がある。このような試料の測定位置は、原子顕微鏡を駆動して試料を測定するか、駆動前のキャリブレーションステップで正確に設定される必要がある。

試料１３２の表面上の対象試料の位置を正確に認識するために、制御部１８０は、ビジョン部１７０を通して対象試料に関するビジョン映像を獲得し、獲得されたビジョン映像を基盤に対象試料の領域を決定できる。より具体的に、制御部１８０は、ビジョン映像を入力として対象試料領域を出力するように構成された予測モデルを利用して、ビジョン映像内で対象試料領域を決定し、対象試料領域に基づいて対象試料の位置を決定するように構成され得る。

一実施例で、制御部１８０は、パターンを学習して対象試料の領域を出力するように学習された予測モデルを利用して、基板上の図形または文字の集合であるパターンを有する対象体と定義される対象試料の位置を決定できる。

このとき、制御部１８０は、予測モデルを利用して、パターンに対する特徴（ｆｅａｔｕｒｅ）を抽出し、特徴に基づいて対象試料の領域を決定できる。

より具体的に、制御部１８０は、試料１３２を多様な環境で撮影した複数の参照映像（または学習映像）に基づいて対象試料を認識するように学習された予測モデルを利用して試料の位置を認識できる。ここで、複数の参照映像は、対象試料周辺の照明強度および／またはビジョン部１７０の焦点距離（即ち、カメラおよび／または対物レンズの焦点距離）等を一定に変化させながら対象試料を撮影した映像であってよい。

このとき、対象試料は、基板上の図形または文字の集合であるパターンを有する対象体であって、ユーザがよく利用する試料、またはキャリブレーションのために予め決定されたパターンを有する試料であってよい。しかし、対象試料の種類は、これに制限されるものではない。

一方、予測モデルは、複数の参照映像を予め学習し、新たに入力されるビジョン映像から対象試料領域を認識するように構成された人工神経網モデルであってよい。多様な実施例において、予測モデルは、予め学習された合成積神経網（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であってよいが、これに限定されない。予め学習された合成積神経網は、入力された入力値に対して合成積（ｃｏｎｖｏｌｕｔｉｏｎ）演算を遂行する一つ以上の階層で構成され得、入力値から合成積演算を遂行して出力値を推論できる。例えば、予め学習された合成積神経網は、複数の人工神経網ステージで分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）動作、客体（即ち、対象試料）の境界を含むバウンディングボックス（ｂｏｕｎｄｉｎｇ ｂｏｘ）を設定（または調整）するための回帰（ｂｏｕｎｄｉｎｇ ｂｏｘ ｒｅｇｒｅｓｓｉｏｎ）動作、及び客体と客体でない背景を分割（ｓｅｇｍｅｎｔａｔｉｏｎ）するためのバイナリマスキング（ｂｉｎａｒｙ ｍａｓｋｉｎｇ）動作を並行するＭａｓｋ Ｒ－ＣＮＮ（Ｒｅｇｉｏｎｓ ｗｉｔｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）であってよいが、これに限定されず、ビジョン映像内で対象試料領域を分割できる多様な領域分割アルゴリズムに基づくことができる。例えば、予測モデルは、ＲｅｔｉｎａＮｅｔ基盤の人工神経網モデルまたはＦａｓｔｅｒ Ｒ－ＣＮＮ基盤の人工神経網モデルであってよい。

このような予測モデルは、一つのステージが分類動作及び回帰動作を遂行して分類結果を示す分類データ及びバウンディングボックスデータを出力し、他の一つのステージがバイナリマスキング動作を遂行して分割データを出力できる。

多様な実施例において、制御部１８０は、予測モデルを利用してキャリブレーション試料領域を認識し、これに基づいてキャリブレーション試料位置を決定し、試料位置が決定されると、原子顕微鏡１００をキャリブレーションすることができる。

即ち、ユーザがキャリブレーション試料を配置すると、制御部１８０により試料領域が認識され、試料の位置が決定されて、キャリブレーション試料の位置が設定される。その後、キャリブレーションが遂行され得る。

一方、制御部１８０は、予測モデルにより決定された対象試料領域の中心座標を算出し、これに基づいて対象試料の位置を決定できる。

多様な実施例において、制御部１８０は、ビジョン部１７０の撮影アングル内に予め配置された識別因子に基づいて対象試料の位置を決定できる。

より具体的に、ビジョン部１７０により識別因子が認識され、識別因子近くに配置された対象試料に対するビジョン映像が獲得されると、制御部１８０は、ビジョン映像を利用して試料の位置を決定できる。

図１ｃを参照すると、原子顕微鏡１００は、プローブ１１０、Ｚスキャナ１２２及びプローブアーム（ｐｒｏｂｅ ａｒｍ）１２４を含むヘッド１２０、光学部１２６、光学検出部１２８、試料１３２が取り付けられるＸＹスキャナ１３０、ＸＹステージ１４０、Ｚステージ１５０、固定フレーム１６０及びビジョン部１７０を含み、これらを制御するための電子装置２００が別に備えられ得る。

電子装置２００は、原子顕微鏡１００を制御し、試料の位置を認識するためのタブレットＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ノートパソコンおよび／またはＰＣ等のうち少なくとも一つを含むことができる。

このような電子装置２００は、原子顕微鏡１００からビジョン部１７０を通して獲得された試料１３２の表面上の対象試料に対するビジョン映像を受信し、受信されたビジョン映像を基盤に試料の領域を決定し、決定された対象試料領域に基づいて試料の位置を決定できる。

これを通して、本発明は、原子顕微鏡の試料位置を認識することで、ユーザが試料位置を設定せずに原子顕微鏡を駆動させることができる。

下記においては、図２を参照して、電子装置２００についてより具体的に説明する。

図２は、本発明の実施例に係る電子装置の概略的なブロック図である。

図２を参照すると、電子装置２００は、通信部２１０、表示部２２０、格納部２３０及び制御部２４０を含む。

通信部２１０は、電子装置２００が外部装置と通信が可能であるように連結する。通信部２１０は、有／無線通信を利用して原子顕微鏡１００と連結され、原子顕微鏡１００の駆動及び制御に関連した多様なデータを送受信できる。具体的に、通信部２１０は、原子顕微鏡１００の各構成要素の駆動及び制御のための指示を伝達するか、ビジョン部１７０を通して獲得されたビジョン映像を受信できる。

表示部２２０は、ユーザに各種のコンテンツ（例：テキスト、イメージ、ビデオ、アイコン、バナーまたはシンボル等）を表示できる。具体的に、表示部２２０は、原子顕微鏡１００から受信された対象試料データを表示できる。

多様な実施例において、表示部２２０は、タッチスクリーンを含むことができ、例えば、電子ペンまたはユーザの身体の一部を利用したタッチ（ｔｏｕｃｈ）、ジェスチャー（ｇｅｓｔｕｒｅ）、近接、ドラッグ（ｄｒａｇ）、スワイプ（ｓｗｉｐｅ）またはホバリング（ｈｏｖｅｒｉｎｇ）入力等を受信できる。

格納部２３０は、原子顕微鏡１００の駆動及び制御するために使用される多様なデータを格納できる。多様な実施例において、格納部２３０は、フラッシュメモリ（登録商標）タイプ（ｆｌａｓｈ（登録商標） ｍｅｍｏｒｙ ｔｙｐｅ）、ハードディスクタイプ（ｈａｒｄ ｄｉｓｋ ｔｙｐｅ）、マルチメディアカードマイクロタイプ（ｍｕｌｔｉｍｅｄｉａ ｃａｒｄ ｍｉｃｒｏ ｔｙｐｅ）、カードタイプのメモリ（例えばＳＤまたはＸＤメモリ等）、ラム（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ロム（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気メモリ、磁気ディスク、光ディスクのうち少なくとも一つのタイプの格納媒体を含むことができる。電子装置２００は、インターネット（ｉｎｔｅｒｎｅｔ）上で前記格納部２３０の格納機能を遂行するウェブストレージ（ｗｅｂ ｓｔｏｒａｇｅ）と関連して動作することもできる。

制御部２４０は、通信部２１０、表示部２２０、及び格納部２３０と動作可能に連結され、原子顕微鏡１００を制御し、試料の位置を認識するための多様な命令を遂行することができる。

制御部２４０は、中央処理装置（ＣＰＵ）、グラフィック処理装置（ＧＰＵ）、アプリケーションプロセッサ（ＡＰ）、デジタル信号処理装置（ＤＳＰ）、算術論理演算装置（ＡＬＵ）及び人工神経網プロセッサ（ＮＰＵ）２４５のうち少なくとも一つを含むように構成され得る。

具体的に、制御部２４０は、通信部２１０を通して原子顕微鏡１００から試料１３２に対するビジョン映像を受信し、受信されたビジョン映像を基盤に対象試料の領域を決定し、決定された対象試料領域に基づいて試料の位置を決定できる。これについての具体的な動作は、図１ａ及び図１ｂにおいて説明した制御部１８０の動作と同一であってよい。

多様な実施例において、対象試料を認識するための予測モデル、特に、対象試料のパターンを認識するための予測モデルのような人工神経網モデルは、外部のサーバに格納され得る。このような場合、制御部２４０は、通信部２１０を通して外部のサーバにビジョン映像を送信し、外部のサーバで算出された結果データ（即ち、試料の領域を認識した結果データ）を受信することもできる。

このように、人工神経網モデルを利用する動作は、ＮＰＵ２４５によって遂行され得、ＮＰＵ２４５は、図１ｂにおいて説明したＮＰＵ１８２と同じ動作を遂行することができる。

下記においては、対象試料のビジョン映像を利用して試料の位置を認識するための方法を、図３から図５を参照して具体的に説明する。

図３は、本発明の一実施例によって対象試料のビジョン映像を利用して試料の位置を認識する方法を説明するための例示図である。図４及び図５は、本発明の実施例に係る試料の位置を認識するために利用される予測モデルを利用した試料領域決定ステップを説明するための例示図である。後述する動作は、前述した図１ｂの制御部１８０または図２の制御部２４０によって遂行され得る。

まず、図３を参照すると、試料位置を認識するために、ビジョン部を通して対象試料が含まれたビジョン映像が受信され（Ｓ３１０）、予測モデルによりビジョン映像内で対象試料領域が決定され（Ｓ３２０）、対象試料領域に基づいて対象試料の位置が決定される（Ｓ３３０）。

本発明の一実施例によれば、ビジョン映像が受信されるステップ（Ｓ３１０）で、基板上の図形または文字の集合であるパターンを有する対象体である対象試料に対するビジョン映像が獲得され得る。

本発明の他の実施例によれば、ビジョン映像が受信されるステップ（Ｓ３１０）で、ｏｎ Ａｘｉｓカメラのビジョン部から獲得されたｏｎ Ａｘｉｓカメラ映像が受信され得る。

本発明のまた他の実施例によれば、ビジョン映像が受信されるステップ（Ｓ３１０）で、受信されるビジョン映像は、キャリブレーション試料に対する映像であってよい。また、ビジョン映像は、識別因子を含むこともできる。即ち、ビジョン部は、識別因子を認識して対象試料が含まれたビジョン映像を撮影できる。

このとき、識別因子は、対象試料に対する情報、例えば、ユーザにより予めマッピングされた対象試料の名称、さらにプローブの種類、スキャンパラメータ等の特徴を含むことができる。

次に、対象試料領域が決定されるステップ（Ｓ３２０）で、ビジョン映像を入力として対象試料領域を出力するように構成された人工神経網基盤の予測モデルにより試料領域が決定される。

例えば、図４を共に参照すると、対象試料領域が決定されるステップ（Ｓ３２０）で、ＲｅｔｉｎａＮｅｔ基盤の複数の人工神経網からなる予測モデル４００によりビジョン映像内で対象試料領域が決定される。このとき、提示された実施例において、予測モデル４００は、図１ａ及び図１ｂにおいて前述した予測モデルを意味し得る。

このとき、ＲｅｔｉｎａＮｅｔ基盤の予測モデル４００は、ビジョン映像４１０の入力を受けて深層特徴抽出（ｄｅｅｐ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ）を遂行するＲｅｓＮｅｔ４１５、入力された単一解像度のビジョン映像４１０に対する豊富な多重スケール特徴ピラミッド（ｍｕｌｔｉ－ｓｃａｌｅ ｆｅａｔｕｒｅ ｐｙｒａｍｉｄ）を構成する特徴ピラミッドネットワーク（ｆｅａｔｕｒｅ ｐｙｒａｍｉｄ ｎｅｔｗｏｒｋ、ＦＰＮ）４２０のバックボーン（ｂａｃｋｂｏｎｅ）を含む。このとき、ＲｅｓＮｅｔ４１５は、５０個のレイヤーからなるＲｅｓｎｅｔ５０であってよいが、これに制限されるものではない。さらに、特徴ピラミッドネットワーク４２０上にクラス分類（ｃｌａｓｓｉｆｉｃａｔｉｏｎ）及びボックス回帰（ｂｏｘ ｒｅｇｒｅｓｓｉｏｎ）をそれぞれ遂行する二つのサブネットワーク４２５が形成される。

より具体的に、対象試料領域が決定されるステップ（Ｓ３２０）で、パターンを有する対象試料が含まれたビジョン映像４１０がＲｅｓＮｅｔ４１５に入力されると、パターンに基づいて深層特徴が抽出される。その後、特徴ピラミッドネットワーク４２０の水平連結ネットワークにより豊富な多重スケール特徴ピラミッドが構築される。その後、サブネットワーク４２５のうちクラス分類サブネットワーク（ｃｌａｓｓ ｓｕｂｎｅｔ）により対象試料の領域によって決定されたアンカーボックス（ａｎｃｈｏｒ ｂｏｘ）のクラスが分類される。同時に、ボックス回帰サブネットワーク（ｂｏｘ ｓｕｂｎｅｔ）によりアンカーボックスと実際の対象試料の領域に対応するオブジェクトボックスの距離が予測される。最終的に、対象試料領域４３０が決定される。このとき、選択的にクラス分類確率、即ち、決定された対象試料領域に対する対象試料である確率が共に出力され得る。

一方、本発明の他の特徴によれば、対象試料領域が決定されるステップ（Ｓ３２０）で、Ｍａｓｋ Ｒ－ＣＮＮ基盤の予測モデルが利用され得る。

例えば、図５を共に参照すると、対象試料領域が決定されるステップ（Ｓ３２０）で、Ｍａｓｋ Ｒ－ＣＮＮ基盤の複数の人工神経網からなる予測モデル５００によりビジョン映像内で対象試料領域が決定される。このとき、提示された実施例において、予測モデル５００は、図１ａ及び図１ｂにおいて説明した予測モデルを意味し得る。

このとき、Ｍａｓｋ Ｒ－ＣＮＮ基盤の予測モデル５００は、合成積神経網５１５、領域提案神経網（Ｒｅｇｉｏｎ Ｐｒｏｐｏｓａｌ Ｎｅｔｗｏｒｋ）５２５、関心領域整列神経網（ＲＯＩ（Ｒｅｇｉｏｎ Ｏｆ Ｉｎｔｅｒｅｓｔ） Ａｌｉｇｎ Ｎｅｔｗｏｒｋ）５４０及び複数の全結合神経網（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｎｅｔｗｏｒｋ）５５０、５５５を含むことができる。ここで、複数の全結合神経網は、第１全結合神経網５５０及び第２全結合神経網５５５を含む。

より具体的に、対象試料領域が決定されるステップ（Ｓ３２０）で、ビジョン部を通して獲得された、パターンが形成された対象試料のビジョン映像５１０が予測モデル５００の入力値として入力されると、予測モデル５００は、ビジョン映像５１０から特徴を抽出するための合成積演算を遂行する合成積神経網５１５を通して特徴データ（Ｆｅａｔｕｒｅ Ｍａｐ）５２０を獲得できる。このとき、特徴データ５２０は、対象試料のパターンによって多様な値を有し得る。

このような特徴データ５２０は、対象試料が含まれると予想される候補領域を提案するための領域提案神経網５２５に入力される。予測モデル５００は、領域提案神経網５２５を通して特徴データ５２０で対象試料が含まれると予想される候補領域（Ｒｅｇｉｏｎ Ｐｒｏｐｏｓａｌ）及びこれに対する点数（ｏｂｊｅｃｔｎｅｓｓ ｓｃｏｒｅ）を含むデータ５３０を獲得できる。

合成積神経網５１５を通して出力された特徴データ５２０及び領域提案神経網５２５を通して出力されたデータ５３０を基盤に候補領域データ５３５が獲得され得る。ここで、候補領域データ５３５は、特徴データ５２０で試料ホルダー、特に試料ホルダー上の対象試料が含まれると予想される少なくとも一つの候補領域に対応して抽出されたデータであってよい。少なくとも一つの候補領域は、予測された客体の形態によって多様な大きさを有し得る。

このような候補領域データ５３５は、線形補間（ｌｉｎｅａｒ ｉｎｔｅｒｐｏｌａｔｉｏｎ）を利用して固定された大きさに変換させるための関心領域整列神経網５４０に入力される。ここで、固定された大きさは、ｎ ｘ ｎ形態であってよいが（ｎ＞０）、これに限定されない。

予測モデル５００は、関心領域整列神経網５４０を通してｎ ｘ ｎ形態の関心領域データ５４５を出力できる。このとき、関心領域データ５４５は、線形補間を利用して候補領域データ５３５を固定された大きさに整列させたデータであってよいが、これに限定されない。

このような関心領域データ５４５は、第１全結合神経網５５０及び第２全結合神経網５５５それぞれに入力される。ここで、第１全結合神経網５５０は、複数の全結合層（Ｆｕｌｌｙ Ｃｏｎｎｅｃｔｅｄ Ｌａｙｅｒ）を含むことができるが、これに限定されない。第２全結合神経網５５５は、オートエンコーダ（Ａｕｔｏ Ｅｎｃｏｄｅｒ）構造が追加されたマスクブランチネットワーク（ｍａｓｋ ｂｒａｎｃｈ ｎｅｔｗｏｒｋ）または少なくとも一つの全結合層（または合成積層）であってよいが、これに限定されない。ここで利用されたオートエンコーダは、入力データにノイズ（ｎｏｉｓｅ）を追加した後、ノイズのない原本入力を再構成して出力するように学習されたエンコーダであって、予測モデル５００の分割性能を向上させることができる。

予測モデル５００は、第１全結合神経網５５０を通して分類データ５６０及びバウンディングボックスデータ５６５を出力し、第２全結合神経網５５５を通して分割データ５７０を結果データとして出力できる。例えば、分類データ５６０は、対象試料領域に対するクラス分類結果（試料）を示す結果データであり、バウンディングボックスデータ５６５は、対象試料領域周囲に形成されたバウンディングボックス５７５を示す結果データであり、分割データ５７０は、対象試料領域５８０、及び対象試料領域でない背景を示す結果データであってよい。

多様な実施例において、人工神経網予測モデル５００の認識正確度を向上させるために、結果データの周辺をクラスタリング（ｃｌｕｓｔｅｒｉｎｇ）する後処理方式（ｐｏｓｔ ｐｒｏｃｅｓｓｉｎｇ）が利用され得る。例えば、クラスタリング方式は、ＣＲＦ（Ｃｏｎｄｉｔｉｏｎａｌ Ｒａｎｄｏｍ Ｆｉｅｌｄ）および／またはＣｈａｎ－Ｖｅｓｅアルゴリズム等が利用され得るが、これに限定されない。

このように出力された分類データ５６０及び分割データ５７０は、対象試料領域を決定するために利用され得る。

即ち、また図４を共に参照すると、対象試料領域が決定されるステップ（Ｓ３２０）の結果として、多様な領域分割アルゴリズム基盤の予測モデルにより対象試料領域が獲得され得る。

一方、対象試料領域が決定されるステップ（Ｓ３２０）で、予測モデルにより領域（または位置）が決定される対象試料は、予測モデルの学習データの種類によって多様に設定され得る。特定の実施例において、対象試料は、ユーザにより頻繁に利用されるパターンを有する試料であってよいが、これに制限されるものではない。

次に、対象試料の位置が決定されるステップ（Ｓ３３０）で、対象試料領域に基づいて対象試料の正確な位置が決定される。

本発明の一実施例によれば、対象試料の位置が決定されるステップ（Ｓ３３０）で、対象試料領域の中心座標が算出され、中心座標に基づいて対象試料の位置が決定される。

しかし、これに制限されるものではなく、対象試料の形状によって多様な算出方法により対象試料の位置が決定され得る。例えば、多角形の対象試料の場合、対象試料の各頂点に該当する座標に基づいて対象試料の位置が決定され得る。

このように、本発明は、人工神経網を利用して試料位置を認識することで、原子顕微鏡の試料位置を認識するための演算速度を速くして原子顕微鏡の認識性能を向上させることができる。

特に、本発明は、原子顕微鏡を駆動するためにユーザが頻繁に使用する試料の位置を別に設定する必要なく原子顕微鏡が試料位置を自動で認識して設定できる。

また、ビジョン映像の対照度、照度、彩度等の属性が変化するか試料のパターンの一部が変化してもパターン認識基盤の人工神経網モデルにより試料位置が高い正確度で決定され得る。

本発明の多様な実施例に係る試料の位置認識方法は、動作を遂行するために一つ以上のソフトウェアモジュールとして作動するように構成され得、その逆も同様である。

下記においては、図６ａから図６ｄを参照して、本発明の多様な実施例に係る予測モデルの学習及び検証を説明する。

図６ａから図６ｄは、本発明の実施例に係る試料の位置を認識するために利用される予測モデルの学習データ及び評価結果を示したものである。

まず、図６ａを参照すると、予測モデルの学習及び評価のために１００個の試料パターン映像が利用された。このとき、試料パターン映像は、それぞれ対照程度及びパターン状態、及び試料の位置が異なり得る。一方、予測モデルの学習及び評価に利用された試料は、ウエハ（ｗａｆｅｒ）上に素子がパターン化された試料であってよいが、これに制限されるものではない。例えば、対象試料は、多様なパターンを有し位置設定対象となる全ての試料を併せることができる。さらに、予測モデルは、ＲｅｔｉｎａＮｅｔ基盤の人工神経網モデル、またはＦａｓｔｅｒ Ｒ－ＣＮＮ基盤の人工神経網モデル、またはＭａｓｋ Ｒ－ＣＮＮ基盤の人工神経網モデルであってよいが、これに制限されるものではない。例えば、Ｒｅｓｎｅｔ５０、Ｒｅｓｎｅｔ－ｖ２、Ｒｅｓｎｅｔ１０１、Ｉｎｃｅｐｔｉｏｎ－ｖ３、またはＶＧＧ ｎｅｔ、Ｒ、ＤｅｎｓｅＮｅｔ及び、ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ ｓｔｒｕｃｔｕｒｅを有するＦＣＮ、ＳｅｇＮｅｔ、ＤｅｃｏｎｖＮｅｔ、ＤｅｅｐＬＡＢ Ｖ３＋、Ｕ－ｎｅｔのようなＤＮＮ（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、ＳｑｕｅｅｚｅＮｅｔ、Ａｌｅｘｎｅｔ、ＲｅｓＮｅｔ１８、ＭｏｂｉｌｅＮｅｔ－ｖ２、ＧｏｏｇＬｅＮｅｔのうち選択された少なくとも一つのアルゴリズムに基づくことができる。

このとき、図６ｂを参照すると、予測モデルの学習のためにパターンの実際の位置が正答としてラベリングされた。

図６ｃの（ａ）、（ｂ）及び（ｃ）、図６ｄの（ａ）、（ｂ）、（ｃ）及び（ｄ）を参照すると、予測モデルは、ビジョン映像の対照程度が変化するか、ビジョン映像内で試料の位置が変化するか、パターンの状態が変更されても正確に対象試料領域を認識するものと現れる。

即ち、本発明の予測モデル基盤の試料位置認識方法によって、対象試料領域が予測され、その位置が最終的に決定されることで、ユーザは、対象試料の位置を設定しなくても原子顕微鏡を駆動できる。

一方、本発明の多様な実施例に係る試料位置認識方法によって、原子顕微鏡のキャリブレーションが自動で遂行され得る。

図７及び図８は、本発明の実施例に係る原子顕微鏡で試料の位置を認識するための方法を利用した原子顕微鏡のキャリブレーション手順を説明するための例示図である。

まず、図７を参照すると、試料位置を認識するために、ビジョン部を通してキャリブレーション試料が含まれたビジョン映像が受信され（Ｓ７１０）、予測モデルによりビジョン映像内でキャリブレーション試料領域が決定され（Ｓ７２０）、キャリブレーション試料領域に基づいてキャリブレーション試料の位置が決定される（Ｓ７３０）。その後、キャリブレーション試料の位置に基づいて原子顕微鏡がキャリブレーションされる（Ｓ７４０）。

本発明の一実施例によれば、キャリブレーション試料に対するビジョン映像が受信されるステップ（Ｓ７１０）で、基板上の図形または文字の集合であるパターンを有する対象体であるキャリブレーション試料に対するビジョン映像が獲得され得る。

例えば、図８の（ａ）及び（ｂ）を参照すると、キャリブレーション試料は、特定位置（例えば、ディスクまたはウエハの特定領域）に配置され、明るい領域またはより暗い領域の明るさが異なる領域と、ライン形状またはドット形状のパターン形状が異なる複数のパターン領域からなり得る。しかし、キャリブレーション試料は、これに制限されるものではなく、単一パターンからなり得る。

本発明の他の実施例によれば、ビジョン映像が受信されるステップ（Ｓ７１０）で、ｏｎ Ａｘｉｓカメラのビジョン部から獲得されたキャリブレーション試料が含まれたｏｎ Ａｘｉｓカメラ映像が受信され得るが、これに制限されるものではない。

また図７を参照すると、キャリブレーション試料領域が決定されるステップ（Ｓ７２０）で、ビジョン映像を入力として対象試料領域を出力するように構成された人工神経網基盤の予測モデルによりキャリブレーション試料領域が決定される。

例えば、キャリブレーション試料領域が決定されるステップ（Ｓ７２０）で、図８の（ａ）及び（ｂ）において示されたキャリブレーション試料の４個のパターン領域が決定されるか、４個のパターン領域のうち一つのパターン領域が決定され得る。これは、予測モデルの学習データによって多様に設定され得る。

その後、キャリブレーション試料の位置が決定されるステップ（Ｓ７３０）で、キャリブレーション試料領域に基づいてキャリブレーション試料の正確な位置が決定される。

本発明の一実施例によれば、キャリブレーション試料の位置が決定されるステップ（Ｓ７３０）で、予測モデルにより決定されたキャリブレーション試料領域の中心座標が算出され、中心座標に基づいてキャリブレーション試料の位置が決定される。

しかし、これに制限されるものではなく、キャリブレーション試料の形状によって多様な算出方法によりキャリブレーション試料の位置が決定され得る。例えば、多角形のキャリブレーション試料の場合、キャリブレーション試料の各頂点に該当する座標に基づいてキャリブレーション試料の位置が決定され得る。

次に、原子顕微鏡がキャリブレーションされるステップ（Ｓ７４０）で、キャリブレーション試料の位置、例えば、複数のキャリブレーション試料パターンのうちユーザにより選択されたキャリブレーションパターンの位置に基づいて、原子顕微鏡のＺスキャナ１２２、ＸＹスキャナ１３０、ＸＹステージ１４０、Ｚステージ１５０の基準を合わせることができる。さらに、原子顕微鏡がキャリブレーションされるステップ（Ｓ７４０）で、対象試料の性質分析の基準を設定するためのより多様なキャリブレーションが遂行され得る。

即ち、本発明の多様な実施例に係る試料位置認識方法によって、ユーザがキャリブレーション試料をランダムに配置しても自動で試料の位置が決定され、より容易に原子顕微鏡に対するキャリブレーションが遂行され得る。

下記においては、図９及び図１０を参照して、識別因子に基づいた試料位置測定方法について具体的に説明する。

まず、図９を参照すると、試料の位置測定のために、ビジョン部の撮影アングル内に識別因子が配置され（Ｓ９１０）、識別因子と離隔された領域に測定試料が配置される（Ｓ９２０）。その後、ビジョン部により識別因子が認識され（Ｓ９３０）、最終的に測定試料の位置が決定される（Ｓ９４０）。

より具体的に、識別因子が配置されるステップ（Ｓ９１０）で、ＱＲコード、バーコード、ＮＦＣタグ、ＲＦＩＤタグ及びＯＣＲコードのうち少なくとも一つの識別因子がディスクまたは試料ホルダー上に配置され得る。このとき、識別因子は、前述したものに制限されるものではなく、特定の図形、または文字であってもよい。

その後、測定試料が配置されるステップ（Ｓ９２０）で、対象試料が識別因子近くの領域に配置され得る。

例えば、図１０を共に参照すると、識別因子が配置されるステップ（Ｓ９１０）でディスク上に複数のＱＲコードが配置され、測定試料が配置されるステップ（Ｓ９２０）で複数のＱＲコードの間に対象試料が配置され得る。

本発明の多様な実施例において、識別因子が配置されるステップ（Ｓ９１０）以後にＱＲコードのような識別因子と対象試料の名称がマッピングされ得る。

このとき、原子顕微鏡が駆動され、試料に対する性質分析が遂行された以後に、対象試料の位置、適用プローブの種類、スキャンパラメータ及び対象試料に対するビジョン映像情報等が識別因子にマッピングされ得る。

即ち、ビジョン部により識別因子が認識されるステップ（Ｓ９３０）で、既測定された対象試料に対して予め配置された識別因子がビジョン部を通して認識されると、識別因子を通してマッピングされた対象試料に対する情報が現れ得る。

さらに、本発明の多様な実施例において、測定試料の位置が決定されるステップ（Ｓ９４０）以後に、既測定された対象試料の位置が決定され、原子顕微鏡が駆動されて対象試料に対する追加分析が遂行され得る。その後、分析結果に基づいて、対象試料に対する情報が識別因子にアップデートされ得る。

そこで、識別因子に基づいた対象試料の位置認識方法によって、ユーザは、よく使用する対象試料に対してその位置を容易に認知することができる。さらに、ユーザは、識別因子を通して対象試料に対する情報を容易に確認することができる。

以上、添付の図面を参照して、本発明の実施例をさらに詳細に説明したが、本発明は、必ずしもこのような実施例に限定されるものではなく、本発明の技術思想を外れない範囲内で多様に変形実施され得る。従って、本発明に開示された実施例は、本発明の技術思想を限定するためのものではなく、説明するためのものであり、このような実施例によって本発明の技術思想の範囲が限定されるものではない。それゆえ、以上において記述した実施例は、全ての面で例示的なものであり、限定的ではないものと理解すべきである。本発明の保護範囲は、下記の特許請求の範囲によって解釈されるべきであり、それと同等な範囲内にある全ての技術思想は、本発明の権利範囲に含まれるものと解釈されるべきである。

１００：原子顕微鏡
１１０：プローブ
１２０：ヘッド
１２２：Ｚスキャナ
１２４：プローブアーム
１２６：光学部
１２８：光学検出部
１３０：ＸＹスキャナ
１３２：試料
１４０：ＸＹステージ
１５０：Ｚステージ
１６０：固定フレーム
１７０：ビジョン部
１８０：制御部

Claims (19)

1. 原子顕微鏡の制御部によって遂行される試料位置を認識するための方法において、
   ビジョン部を通して対象試料が含まれたビジョン映像を受信するステップ；
   前記ビジョン映像を入力として対象試料領域を出力するように構成された予測モデルを利用して、前記ビジョン映像内で前記対象試料領域を決定するステップ；及び
   前記対象試料領域に基づいて前記対象試料の位置を決定するステップを含む、原子顕微鏡の試料位置を認識するための方法。
2. 前記対象試料は、基板上の図形または文字の集合であるパターンを有する対象体と定義され、
   前記予測モデルは、前記パターンを学習して対象試料の領域を出力するように学習されたモデルである、請求項１に記載の原子顕微鏡の試料位置を認識するための方法。
3. 前記対象試料領域を決定するステップは、
   前記予測モデルを利用して、前記パターンに対する特徴（ｆｅａｔｕｒｅ）を抽出するステップ、及び
   前記特徴に基づいて前記対象試料の領域を決定するステップを含む、請求項２に記載の原子顕微鏡の試料位置を認識するための方法。
4. 前記対象試料は、
   前記原子顕微鏡のキャリブレーション（ｃａｌｉｂｒａｔｉｏｎ）のためのキャリブレーション試料であり、
   前記対象試料の位置を決定するステップ以後に、
   前記キャリブレーション試料の位置に基づいて前記原子顕微鏡をキャリブレーションするステップをさらに含む、請求項１から３のいずれか一項に記載の原子顕微鏡の試料位置を認識するための方法。
5. 前記位置を決定するステップは、
   前記対象試料領域の中心座標を算出するステップ、及び
   前記中心座標に基づいて前記対象試料の位置を決定するステップを含む、請求項１から４のいずれか一項に記載の原子顕微鏡の試料位置を認識するための方法。
6. 前記ビジョン部は、ｏｎ Ａｘｉｓカメラであり、
   前記ビジョン映像は、ｏｎ Ａｘｉｓカメラ映像である、請求項１から５のいずれか一項に記載の原子顕微鏡の試料位置を認識するための方法。
7. 前記受信するステップ以前に、
   前記ビジョン部の撮影アングル内に識別因子を配置するステップ；
   前記識別因子と離隔された領域に前記対象試料を配置するステップをさらに含み、
   前記ビジョン映像を受信するステップは、
   前記ビジョン部を通して前記識別因子を認識するステップ、及び
   前記識別因子に基づいて前記対象試料に対するビジョン映像を受信するステップを含む、請求項１から６のいずれか一項に記載の原子顕微鏡の試料位置を認識するための方法。
8. 前記識別因子は、前記対象試料に対する情報を含む、請求項７に記載の原子顕微鏡の試料位置を認識するための方法。
9. 前記識別因子は、ＱＲコード、バーコード、ＮＦＣタグ、ＲＦＩＤタグ及びＯＣＲコードのうち少なくとも一つである、請求項７に記載の原子顕微鏡の試料位置を認識するための方法。
10. ビジョン部の撮影アングル内に識別因子を配置するステップ；
    前記識別因子と離隔された領域に対象試料を配置するステップ；
    前記ビジョン部を通して前記識別因子を認識するステップ、及び
    前記識別因子に基づいて前記対象試料の位置を決定するステップを含む、原子顕微鏡の試料位置を認識するための方法。
11. 前記位置を決定するステップ以後に、
    前記対象試料の位置、予め決定されたプローブの種類、予め決定されたスキャンパラメータ及び前記対象試料の種類のうち少なくとも一つの前記対象試料の情報、及び前記識別因子をマッピングするステップをさらに含む、請求項１０に記載の原子顕微鏡の試料位置を認識するための方法。
12. 前記位置を決定するステップ以後に原子顕微鏡を駆動するステップ、
    前記対象試料に対する分析を遂行するステップ、及び
    分析結果に基づいて、前記対象試料の情報をアップデートするステップをさらに含む、請求項１０乃至１１に記載の原子顕微鏡の試料位置を認識するための方法。
13. ビジョン部を通して対象試料が含まれたビジョン映像を獲得するビジョン部、及び
    前記ビジョン部と動作可能に連結された制御部を含み、
    前記制御部は、
    前記ビジョン映像を入力として対象試料領域を出力するように構成された予測モデルを利用して、前記ビジョン映像内で前記対象試料領域を決定し、
    前記対象試料領域に基づいて前記対象試料の位置を決定するように構成された、原子顕微鏡の試料位置を認識するための装置。
14. 前記対象試料は、基板上の図形または文字の集合であるパターンを有する対象体と定義され、
    前記予測モデルは、前記パターンを学習して対象試料の領域を出力するように学習されたモデルである、請求項１３に記載の原子顕微鏡の試料位置を認識するための装置。
15. 前記制御部は、
    前記予測モデルを利用して、前記パターンに対する特徴（ｆｅａｔｕｒｅ）を抽出し、
    前記特徴に基づいて前記対象試料の領域を決定するように構成された、請求項１４に記載の原子顕微鏡の試料位置を認識するための装置。
16. 前記対象試料は、
    前記原子顕微鏡のキャリブレーション（ｃａｌｉｂｒａｔｉｏｎ）のためのキャリブレーション試料であり、
    前記制御部は、
    前記キャリブレーション試料の位置に基づいて前記原子顕微鏡をキャリブレーションするようにさらに構成された、請求項１３から１５のいずれか一項に記載の原子顕微鏡の試料位置を認識するための装置。
17. 前記制御部は、
    前記対象試料領域の中心座標を算出し、
    前記中心座標に基づいて前記対象試料の位置を決定するようにさらに構成された、請求項１３から１６のいずれか一項に記載の原子顕微鏡の試料位置を認識するための装置。
18. 前記ビジョン部は、ｏｎ Ａｘｉｓカメラであり、
    前記ビジョン映像は、ｏｎ Ａｘｉｓカメラ映像である、請求項１３から１７のいずれか一項に記載の原子顕微鏡の試料位置を認識するための装置。
19. 前記ビジョン部は、
    前記ビジョン部の撮影アングル内に予め配置された識別因子を認識し、
    前記識別因子に基づいて、前記識別因子と離隔された領域に予め配置された対象試料に対するビジョン映像を獲得するように構成された、請求項１３から１８のいずれか一項に記載の原子顕微鏡の試料位置を認識するための装置。

Images