JP2022172401A - パターン検査システム - Google Patents
パターン検査システム Download PDFInfo
- Publication number
- JP2022172401A JP2022172401A JP2022146655A JP2022146655A JP2022172401A JP 2022172401 A JP2022172401 A JP 2022172401A JP 2022146655 A JP2022146655 A JP 2022146655A JP 2022146655 A JP2022146655 A JP 2022146655A JP 2022172401 A JP2022172401 A JP 2022172401A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- image
- data
- inspection system
- learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 47
- 238000004458 analytical method Methods 0.000 claims description 31
- 238000003384 imaging method Methods 0.000 claims description 29
- 239000004065 semiconductor Substances 0.000 claims description 28
- 230000007547 defect Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 79
- 238000000034 method Methods 0.000 description 62
- 230000008569 process Effects 0.000 description 51
- 238000001878 scanning electron micrograph Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000013500 data storage Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 12
- 235000012431 wafers Nutrition 0.000 description 12
- 238000010894 electron beam technology Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 239000003086 colorant Substances 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000004904 shortening Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 3
- 238000010884 ion-beam technique Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000007261 regionalization Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001393 microlithography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
Description
しかしながら、CNNによる画像解析性能を向上させるためには解析対象のバリエーションを網羅的に学習する必要があり、半導体検査のように学習データの取得に手間を要するアプリケーションではその運用が難しいという問題がある。
(非特許文献2)。これは半導体の回路設計図が半導体製造装置を経てシリコンウエハ上に、どのように形成されるかをシミュレートする際に利用されるモデルであり、回路設計図と実際にウエハに製造されたSEM写真の関係を機械学習するものである。非特許文献2では、解析対象のバリエーションを広げるために、回路設計データを参照し、回路形状のバリエーションを分析して学習対象を決定する手法が提案されている。
そこで、本発明は、学習データの真値作成作業の手間を省き、学習データの少量化を図ることで、学習時間の短期間化を可能とするパターン検査システムを提供する。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
なお、本例では、SEMを制御する制御装置と、条件設定装置2403を別体のものとして、説明しているが、これに限られることはなく、条件設定装置2403にて装置の制御と測定処理を一括して行うようにしても良いし、各制御装置にて、SEMの制御と測定処理を併せて行うようにしても良い。
また、上記条件設定装置2403或いは制御装置には、測定処理を実行するためのプログラムが記憶されており、当該プログラムに従って測定、或いは演算が行われる。
また、条件設定装置2403は、SEMの動作を制御するプログラム(レシピ)を、半導体の設計データに基づいて作成する機能が備えられており、レシピ設定部として機能する。具体的には、設計データ、パターンの輪郭線データ、或いはシミュレーションが施された設計データ上で所望の測定点、オートフォーカス、オートスティグマ、アドレッシング点等のSEMにとって必要な処理を行うための位置等を設定し、当該設定に基づいて、SEMの試料ステージや偏向器等を自動制御するためのプログラムを作成する。
設計データ101とSEM撮影条件102を画像生成部1に入力し、学習用画像データが生成されて、学習用画像データ記憶部203に保存される。モデル生成部30は、学習用画像データを学習し、画像検査を行うためのモデル303を生成する。モデル評価部40は、モデル303を用いて評価用画像データ記憶部401から画像データを取り出して、評価を行い、評価結果402を生成する。図22に点線にて示すように、評価装置は、これら、設計データ101、SEM撮影条件102、画像生成部1、学習用画像データ記憶部203、モデル生成部30、モデル303、モデル評価部40、及び、評価用画像データ記憶部401にて構成されている。
そして、ステップS30では、学習データ選択部103が形状バリエーション学習データ選択処理を実行する。すなわち、ステップS20にて求めたパターンの形状やパターンの密度から得た指標を用いて学習データに適したパターンを1つ以上選択する。
ステップS50では、学習データ選択部103が位置バリエーション学習データ選択処理を実行する。すなわち、ステップS40にて求めた同形パターンの座標位置を用いて学習データに適したパターンを選択する。
そして、ステップS203では、学習データ選択部103がパターン密度分析処理を実行する。すなわち、設計データから作成した設計データ画像を用いてパターンの密度を算出する。パターン密度は、パターンの個数や面積などを用いることで算出できる。
ステップS2012では、ステップS2011にて検出した縦/横エッジ成分の画素数をカウントする縦/横エッジ画素数カウント処理を実行する。
ステップS2013では、ステップS2012にてカウントした縦/横エッジ画素から縦/横エッジの割合を算出する縦/横エッジ割合算出処理を実行する。
ステップS2032では、パターンが含まれるGridの数をカウントし、ステップS2033では、全Gridのパターン密度を算出する。
図9に示すように初めに、ステップS301では、学習データ選択部103が、形状クラスラリング処理を実行し、縦/横エッジの割合とパターン間隔、パターン密度の値を用いてクラスラリングし、1個以上のクラスに分ける。クラスラリングの手法は例えば、k-means法などの既知の技術で実現できる。続いて、ステップS302では、学習データ選択部103が、各クラスタからn個(n≧1)のサンプルを選択する。学習データに適したサンプルは、パターンの形状や密度について、偏りが無く網羅的になるように選択することが望ましい。そのため、サンプル間で縦/横エッジの割合、パターン間隔及びパターン密度の値の差分が大きくなるようにサンプルを選び、同様の傾向のサンプルに偏らないようにすれば良い。充分な数をサンプルとして選択できる場合はランダムに選択しても良い。例えば、枚数が少ない場合は、サンプル間で縦/横エッジの割合及びパターン間隔、パターン密度の値の差分が大きくなるようにサンプルを選び、選択するサンプル数が多量の場合はランダムに選択する等、サンプル枚数によって選択手法を切替えても良い。サンプル枚数はデフォルトで予め決めておいても良く、ユーザが設定しても良い。設計データのパターンバリエーション分析処理の縦/横エッジの割合、パターン間隔と密度の値を用いた統計処理や実験値に基づく変換テーブルを用いて求めても良い。
ステップS402では、学習データ選択部103が、集合Aからi番目のパターンPiを取り出し、ステップS403へ進む。
ステップS403では、学習データ選択部103は設計図(設計データ)からパターンPiに類似するパターンの位置を探索し、集合Biに記憶し、ステップS401へ戻り繰り返し処理を実行する。
本手法では、形状バリエーション分析処理(ステップS20)及び形状バリエーション学習データ選択処理(ステップS30)により、パターン形状に偏りを無くすことで汎化性能に寄与する学習に適したサンプルを取得することができる。また、位置バリエーション分析処理(ステップS40)及び位置バリエーション学習データ選択処理(ステップS50)により、実際に発生する形状変動に対してロバストな識別器の生成に寄与する学習データを作成することが可能となる。ここで、例えば、オーギュメンテーションでパターン形状を歪ませるなどの画像処理を施した学習データを加えて学習させて、形状変動にロバストな識別器を生成することが考えられるが、加える形状の歪の大きさが実際に発生する歪と異なっている場合は識別性能が劣化する可能性がある。
これに対して、本手法では実際に発生する形状の変動を学習データとして加えるため、安定して識別性能を向上できる。
また、輪郭線等の細かな教示データを作成する際はペンタブレットを用いて作成することが望ましい。複数層で各層毎にパターンの内側、外側、及び輪郭線で分けて色付けする際、それぞれの色を決める必要がある。学習に用いるデータセットの真値付けでは、上の層からの番号(何層目なのかを示す)、パターンの内側、パターンの外側、輪郭線等の属性に対応する色を決めて、全データを統一する必要がある。また、異なるデータセットであっても、後にそれらのデータセットを合わせて学習する可能性もあり、データセットに限らず、例えば、輪郭線を抽出する識別器を評価するデータセットは、全てのデータセットで属性と色の対応を合わせておくことが望ましい。その際、学習データのSEM画像に対応する設計データを用いることで、そのSEM画像の真値付けに必要となる属性の数、属性の種類(層の番号、パターンの内側、パターンの外側、パターンの輪郭線)を求めることができる。属性の数については、単層のパターンのSEM画像であれば、パターンの内側、パターンの外側、パターンの輪郭線の3つであり、2層パターンのSEM画像であれば、1層目と2層目のパターンの内側、パターンの外側、パターンの輪郭線で6つとなり、属性の数は層数×3となる。例えば、パターンの内側、外側の境界を輪郭線と考えて、パターンの内側、外側のみを真値付けするのであれば、属性の数は層数×2となる。属性の数に対応する色は、ユーザが任意で決めることも考えられるし、予め、属性の種類に応じて属性の数に対応した色を決めておくことが望ましい。その際、ランダムに決めても良く、それぞれの色が見えやすくなるように色空間上で鮮やかな色を選ぶことや、それぞれの色が色空間上で距離が均等になるように選ぶ、または、最も距離が離れるように色を決めても良い。また、設計データに基づいてパターンの内側(パターン領域)とパターンの外側(非パターン領域)と、その境界をパターンの輪郭線として、それぞれの属性に対応する色をつけた推定真値画像を作成することも考えられる。作成した推定真値画像を表示画面上に表示して、この推定真値画像を参考にユーザが真値付けすることも考えられる。
その際、推定真値画像の全属性の色のパレットを表示しておき、そのパレットの色を指定することで、例えば、ペンタブレットのペンの色が、そのパレットの色になるようにしても良い。
また、真値データ作成ではシミュレーションにより、設計データからSEM画像の輪郭線を推定して、それに基づいて真値付けすることも考えられる。
また、欠陥の識別器の生成では、画像内の欠陥領域をユーザが色分けして真値付けを行い、学習することで、画像内に含まれる欠陥の領域を検出する識別器を作成することも考えられる。その際、欠陥の領域又は正常の領域に色づけして真値付けしても良い。以上はRGBの24bit信号としてラベルを作成する例を示したが、ラベルについては識別器が認識できる情報であれば良いため、これに限定されるものではない。
また、SEM画像の撮影倍率や撮影のフレーム積算数によっても識別器のモデルを分けることが考えられる。その際は、SEM撮影条件情報を用いて、学習データセットを生成し、モデルを選択することが考えられる。
また、識別する画像データの設計データ、工程情報、SEM撮影条件情報とモデル管理表に基づいて、複数のモデルの中から最も適したモデルを探索して、識別を行うことも考えられる。
但し、この画像生成部1は既に撮影している画像データに対応した設計データ101とSEM撮影条件102が存在することを前提としている。入力は設計データ101とSEM撮影条件102であり、これらを入力として学習データ選択部103で学習データを選択し、それに対応する画像データを撮影済画像データ記憶部204から取り出し、学習用画像データ記憶部203に格納する。ここで用いる学習データ選択部103は上述の学習データ選択部103とほぼ同様の処理で実現できる。異なる点は、切り出す画像や分析するパターン形状、座標位置について、既に撮影した画像に対応した形状及び位置座標に限られる点である。例えば、図4のステップS10におけるFOV設計データ切り出し処理は、既に切り出された設計データ101があるため省略できる。以降は既に撮影した画像に対応した形状及び位置座標に限って行うことで実現できる。
以上の通り本実施例によれば、学習データの真値作成作業の手間を省き、学習データの少量化を図ることで、学習時間の短期間化を可能とするパターン検査システムを提供することが可能となる。
また、本実施例によれば、モデル303(図22)の精度を維持しつつ学習時間の短縮化が可能となる。
続いて、ステップS70では、学習データ選択部103が、プロセスばらつき学習データ選択処理を実行する。すなわち、ステップS60にて分析したプロセスばらつきの評価値に基づいて学習データを選択する。
ホワイトバンド幅はSEM画像に対してガウシアンフィルタ処理などでノイズ除去を行い、ホワイトバンドが白になるように設定した閾値2値化で、白領域の幅のばらつきを求めることで検出できる。
続いて、ステップS604では、学習データ選択部103がパターン外側輝度ばらつき検出処理を実行する。すなわち、パターン外側の領域の輝度値のばらつきを求める。
その際の撮影位置は異なる露光条件の画像が撮影できる撮影位置にして撮影することも考えられる。その際、撮影位置に対応する露光条件が判るので、プロセス変動の一つの要因である露光条件のばらつきを撮影位置に基づいて求めることができる。その際は、画像間で露光条件の差が大きくなるように画像を選択することが望ましい。
例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
20…画像撮影部
30…モデル生成部
40…モデル評価部
101…設計データ
102…SEM撮影条件
103…学習データ選択部
104…学習用画像座標リスト
201…レシピ作成部
202…撮影部
203…学習用画像データ記憶部
204…撮影済画像データ記憶部
301…教示データ作成部
302…学習部
303…モデル
401…評価用画像データ記憶部
402…評価結果
2501…電子源
2502…引出電極
2503…電子ビーム
2504…コンデンサレンズ
2505…走査偏向器
2506…対物レンズ
2507…チャンバ
2508…試料台
2509…試料
2510…電子
2511…二次電子
2512…変換電極
2513…検出器
2514…制御装置
Claims (10)
- 電子デバイスの検査対象パターンの画像と、前記検査対象パターンを製造するために使用するデータに基づき、機械学習により構成された識別器を用いて前記検査対象パターンの画像を検査するパターン検査システムであって、
前記電子デバイスの撮影に関する情報と前記電子デバイスのパターンを製造するために使用するパターンデータに基づき、機械学習に用いる学習用パターンを生成するために前記撮影の撮影位置の座標を選択するデータ選択部、を備えることを特徴とするパターン検査システム。 - 請求項1に記載のパターン検査システムにおいて、
前記データ選択部は、前記パターンデータを用いてパターンの形状を分析、及び/又は、半導体デバイス上のパターンの位置を分析することを特徴とするパターン検査システム。 - 請求項2に記載のパターン検査システムにおいて、
前記データ選択部は、前記パターンの形状を分析により検出された同じ形状を有する複数のパターンと前記電子デバイスの撮影に関する情報を用いて、同じパターンの形状が存在する前記パターンデータ上の位置を検出し、その検出した数と半導体チップ上の座標位置とウエハ上の座標位置とその検出した位置の間の距離情報のうち少なくとも1つを用いて統計処理を行うことを特徴とするパターン検査システム。 - 請求項3に記載のパターン検査システムにおいて、
前記データ選択部は、さらに前記電子デバイスの撮影によるパターン画像に対応するパターンデータから得られたパターンのエッジ情報に基づき、縦エッジ及び横エッジの画素数の統計処理を行い、同じ形状を導出することを特徴とするパターン検査システム。 - 請求項1に記載のパターン検査システムにおいて、
前記データ選択部は、前記パターンデータを前記電子デバイスの撮影に関する情報の撮像視野に対応する小領域に分割し、分割された各領域についてパターンの形状を分析し、分析されたパターンの形状と同じ形状となるパターンに基づき、電子デバイス上のパターンの位置を分析して撮影位置を特定することを特徴とするパターン検査システム。 - 請求項1に記載のパターン検査システムおいて、
前記データ選択部により選択された前記座標に基づき、撮影部のレシピを生成するレシピ作成部を備えることを特徴とするパターン検査システム。 - 請求項6項に記載のパターン検査システムにおいて、
前記レシピに基づいて撮影された学習用パターン画像とそれに対応する真値データに基づき機械学習を行い、前記識別器を生成する識別器生成部を有することを特徴とするパターン検査システム。 - 請求項7に記載のパターン検査システムにおいて、
前記検査対象パターンの画像から前記識別器により、少なくともパターンの輪郭形状及びパターン領域並びに非パターン領域のうち1つを抽出する領域抽出部を有することを特徴とするパターン検査システム。 - 請求項7に記載のパターン検査システムにおいて、
前記識別器は、前記検査対象パターンの画像に基づき欠陥を抽出することを特徴とするパターン検査システム。 - 請求項7に記載のパターン検査システムにおいて、
前記識別器による識別データと前記電子デバイスのパターンを製造するために使用するパターンデータを比較して検査することを特徴とするパターン検査システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022146655A JP7399235B2 (ja) | 2018-08-31 | 2022-09-15 | パターン検査システム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018162607A JP7144244B2 (ja) | 2018-08-31 | 2018-08-31 | パターン検査システム |
JP2022146655A JP7399235B2 (ja) | 2018-08-31 | 2022-09-15 | パターン検査システム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018162607A Division JP7144244B2 (ja) | 2018-08-31 | 2018-08-31 | パターン検査システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022172401A true JP2022172401A (ja) | 2022-11-15 |
JP7399235B2 JP7399235B2 (ja) | 2023-12-15 |
Family
ID=69641727
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018162607A Active JP7144244B2 (ja) | 2018-08-31 | 2018-08-31 | パターン検査システム |
JP2022146655A Active JP7399235B2 (ja) | 2018-08-31 | 2022-09-15 | パターン検査システム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018162607A Active JP7144244B2 (ja) | 2018-08-31 | 2018-08-31 | パターン検査システム |
Country Status (4)
Country | Link |
---|---|
US (2) | US11132788B2 (ja) |
JP (2) | JP7144244B2 (ja) |
KR (1) | KR102218364B1 (ja) |
TW (2) | TWI731396B (ja) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7144244B2 (ja) * | 2018-08-31 | 2022-09-29 | 株式会社日立ハイテク | パターン検査システム |
US10796068B2 (en) * | 2018-09-11 | 2020-10-06 | Samsung Electronics Co., Ltd. | Standard cell design system, standard cell design optimization method thereof, and semiconductor design system |
KR102592918B1 (ko) * | 2018-09-13 | 2023-10-23 | 삼성전자주식회사 | 웨이퍼 품질 검사 방법 및 장치와 그 방법을 포함한 반도체 소자 제조방법 |
CN112889087A (zh) * | 2018-10-15 | 2021-06-01 | 3M创新有限公司 | 对制膜中任意形状的片材部件的自动检查 |
JP7298016B2 (ja) * | 2020-03-30 | 2023-06-26 | 株式会社日立ハイテク | 診断システム |
WO2021209867A1 (ja) * | 2020-04-17 | 2021-10-21 | 株式会社半導体エネルギー研究所 | 分類装置、画像分類方法、およびパターン検査装置 |
EP3901902A1 (en) * | 2020-04-20 | 2021-10-27 | FEI Company | Method implemented by a data processing apparatus, and charged particle beam device for inspecting a specimen using such a method |
CN111626190B (zh) * | 2020-05-26 | 2023-07-07 | 浙江大学 | 基于聚类分区进行刻度识别的水位监测方法 |
KR20230004819A (ko) | 2020-06-16 | 2023-01-06 | 주식회사 히타치하이테크 | 화상 처리 방법, 형상 검사 방법, 화상 처리 시스템 및 형상 검사 시스템 |
JP7294275B2 (ja) * | 2020-08-25 | 2023-06-20 | トヨタ自動車株式会社 | 画像処理装置、画像処理プログラムおよび画像処理方法 |
US20230325413A1 (en) | 2020-09-17 | 2023-10-12 | Hitachi High-Tech Corporation | Error Factor Estimation Device and Error Factor Estimation Method |
KR20220051868A (ko) * | 2020-10-19 | 2022-04-27 | 삼성전자주식회사 | 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치 |
US11373343B2 (en) * | 2020-11-06 | 2022-06-28 | Salesforce, Inc. | Systems and methods of generating color palettes with a generative adversarial network |
JP7470016B2 (ja) | 2020-11-10 | 2024-04-17 | 株式会社日立製作所 | 機械学習を用いた物体検出用識別モデル生成装置およびプログラム |
JP7356962B2 (ja) | 2020-12-15 | 2023-10-05 | 株式会社神戸製鋼所 | 機械学習装置および該方法ならびに膜厚測定装置および該方法 |
CN112613380B (zh) * | 2020-12-17 | 2024-03-15 | 网联清算有限公司 | 一种机房巡检方法、装置及电子设备、存储介质 |
KR20220095472A (ko) * | 2020-12-30 | 2022-07-07 | 삼성전자주식회사 | 패턴 분석 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법 |
US20230377185A1 (en) * | 2021-02-10 | 2023-11-23 | Hitachi High-Tech Corporation | Contour analysis apparatus, processing condition determination system, shape estimation system, semiconductor device manufacturing system, search apparatus, and data structure used in them |
KR102378659B1 (ko) * | 2021-02-23 | 2022-03-25 | 주식회사 포스로직 | 패턴 이미지 검출 방법 및 패턴 이미지 검출 장치 |
KR20230016112A (ko) | 2021-07-23 | 2023-02-01 | 삼성전자주식회사 | 반도체 장치의 제조를 위한 전자 장치 및 전자 장치의 동작 방법 |
JP7036477B1 (ja) * | 2021-10-18 | 2022-03-15 | 株式会社Anamorphosis Networks | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
CN116664988B (zh) * | 2023-07-24 | 2023-11-21 | 广立微(上海)技术有限公司 | 图片自动标注方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007003212A (ja) * | 2005-06-21 | 2007-01-11 | Hitachi High-Technologies Corp | 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置 |
JP2016058465A (ja) * | 2014-09-08 | 2016-04-21 | 株式会社日立ハイテクノロジーズ | 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置 |
JP2016173615A (ja) * | 2013-06-24 | 2016-09-29 | 株式会社日立ハイテクノロジーズ | 計測装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7570796B2 (en) * | 2005-11-18 | 2009-08-04 | Kla-Tencor Technologies Corp. | Methods and systems for utilizing design data in combination with inspection data |
US20070106416A1 (en) * | 2006-06-05 | 2007-05-10 | Griffiths Joseph J | Method and system for adaptively controlling a laser-based material processing process and method and system for qualifying same |
JP5075111B2 (ja) | 2008-12-29 | 2012-11-14 | 株式会社日立ハイテクノロジーズ | 画像分類基準更新方法、プログラムおよび画像分類装置 |
US9430824B2 (en) * | 2013-05-14 | 2016-08-30 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
JP2015041164A (ja) * | 2013-08-20 | 2015-03-02 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
US9836839B2 (en) * | 2015-05-28 | 2017-12-05 | Tokitae Llc | Image analysis systems and related methods |
US20180174000A1 (en) * | 2015-06-04 | 2018-06-21 | Hitachi High-Technologies Corporation | Defect image classification device and defect image classification method |
KR102347057B1 (ko) | 2015-08-12 | 2022-01-03 | 케이엘에이 코포레이션 | 전자 빔 이미지에서의 결함 위치 결정 |
US10282509B2 (en) * | 2016-10-28 | 2019-05-07 | Toshiba Memory Corporation | Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus |
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
WO2019059011A1 (ja) * | 2017-09-19 | 2019-03-28 | 富士フイルム株式会社 | 教師データ作成方法及び装置並びに欠陥検査方法及び装置 |
JP7002949B2 (ja) * | 2018-01-22 | 2022-01-20 | 株式会社日立ハイテク | 画像評価方法及び画像評価装置 |
US10697900B2 (en) * | 2018-06-19 | 2020-06-30 | Kla-Tencor Corporation | Correlating SEM and optical images for wafer noise nuisance identification |
JP7144244B2 (ja) * | 2018-08-31 | 2022-09-29 | 株式会社日立ハイテク | パターン検査システム |
-
2018
- 2018-08-31 JP JP2018162607A patent/JP7144244B2/ja active Active
-
2019
- 2019-08-23 TW TW108130182A patent/TWI731396B/zh active
- 2019-08-23 TW TW110122981A patent/TWI801912B/zh active
- 2019-08-28 KR KR1020190105674A patent/KR102218364B1/ko active IP Right Grant
- 2019-08-30 US US16/557,175 patent/US11132788B2/en active Active
-
2021
- 2021-08-24 US US17/410,344 patent/US11587225B2/en active Active
-
2022
- 2022-09-15 JP JP2022146655A patent/JP7399235B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007003212A (ja) * | 2005-06-21 | 2007-01-11 | Hitachi High-Technologies Corp | 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置 |
JP2016173615A (ja) * | 2013-06-24 | 2016-09-29 | 株式会社日立ハイテクノロジーズ | 計測装置 |
JP2016058465A (ja) * | 2014-09-08 | 2016-04-21 | 株式会社日立ハイテクノロジーズ | 欠陥定量化方法、欠陥定量化装置、および欠陥評価値表示装置 |
Also Published As
Publication number | Publication date |
---|---|
US20200074611A1 (en) | 2020-03-05 |
TWI731396B (zh) | 2021-06-21 |
TW202011017A (zh) | 2020-03-16 |
KR20200026110A (ko) | 2020-03-10 |
JP7399235B2 (ja) | 2023-12-15 |
US11132788B2 (en) | 2021-09-28 |
TWI801912B (zh) | 2023-05-11 |
KR102218364B1 (ko) | 2021-02-22 |
TW202136760A (zh) | 2021-10-01 |
US20210383524A1 (en) | 2021-12-09 |
JP7144244B2 (ja) | 2022-09-29 |
US11587225B2 (en) | 2023-02-21 |
JP2020035282A (ja) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7144244B2 (ja) | パターン検査システム | |
US10937146B2 (en) | Image evaluation method and image evaluation device | |
US9401015B2 (en) | Defect classification method, and defect classification system | |
US8045789B2 (en) | Method and apparatus for inspecting defect of pattern formed on semiconductor device | |
JP5604067B2 (ja) | マッチング用テンプレートの作成方法、及びテンプレート作成装置 | |
JP6078234B2 (ja) | 荷電粒子線装置 | |
JP6043735B2 (ja) | 画像評価装置及びパターン形状評価装置 | |
JP2009206453A (ja) | 製造プロセスモニタリングシステム | |
TWI722599B (zh) | 圖像評價裝置及方法 | |
WO2011080873A1 (ja) | パターン計測条件設定装置 | |
JP7427744B2 (ja) | 画像処理プログラム、画像処理装置、画像処理方法および欠陥検出システム | |
TWI567789B (zh) | A pattern measuring condition setting means, and a pattern measuring means | |
WO2023112302A1 (ja) | 教師データ作成支援装置、教師データ作成支援方法 | |
TW202418220A (zh) | 圖像處理程式、圖像處理裝置、圖像處理方法及缺陷檢測系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220915 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230728 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230808 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230919 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231121 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231205 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7399235 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |