JP2023533586A - ノイズ除去モデルを生成するための装置及び方法 - Google Patents

Abstract

本明細書では、ノイズ除去モデルをトレーニングするための方法について説明する。この方法は、デザインパターンに基づいて第１の組のシミュレート像を得ることを含む。シミュレート像は、きれいな像である場合があり、これらのシミュレート像にノイズを加えて、ノイズのあるシミュレート像を生成することができる。きれいでノイズのあるシミュレート像は、ノイズ除去モデルを生成するためのトレーニングデータとして使用される。【選択図】 図２

Description

関連出願の相互参照
[0001] 本出願は、２０２０年７月１４日に出願された米国特許出願第６３／０５１，５００号の優先権を主張するものであり、その全体が参照により本明細書に組み込まれる。

[0002] 本明細書の説明は、概して、検査ツール又は測定ツールによって取得された像の処理に関し、より詳細には、機械学習を使用することによる像のノイズ除去に関する。

[0003] リソグラフィ投影装置は、例えば、集積回路（ＩＣ）の製造において使用され得る。このような場合、パターニングデバイス（例えば、マスク）は、ＩＣの個々の層に対応するパターン（「デザインレイアウト」）を含むこと、又は提供することができ、及びこのパターンは、パターニングデバイス上のパターンを通してターゲット部分を照射するなどの方法により、放射感応性材料（「レジスト」）の層でコートされた基板（例えば、シリコンウェーハ）上のターゲット部分（例えば、１つ又は複数のダイを含む）上に転写され得る。一般に、単一の基板は、パターンがリソグラフィ投影装置によって連続して転写される複数の隣接するターゲット部分（一度に１つのターゲット部分）を含む。あるタイプのリソグラフィ投影装置においては、パターニングデバイス全体上のパターンが、一度に１つのターゲット部分上に転写され、このような装置は、一般にステッパと呼ばれる。一般にステップアンドスキャン装置と呼ばれる代替装置では、投影ビームが、所与の基準方向（「スキャン」方向）にパターニングデバイスをスキャンすることに同期して、この基準方向に平行又は逆平行に基板を移動させる。パターニングデバイス上のパターンの異なる部分が、１つのターゲット部分に漸進的に転写される。一般に、リソグラフィ投影装置は、縮小率Ｍ（例えば、４）を有するので、基板を移動させる速度Ｆは、投影ビームがパターニングデバイスをスキャンする速度×１／Ｍとなる。本明細書に記載するようなリソグラフィデバイスに関する更なる情報は、例えば、本明細書に援用される米国特許第６，０４６，７９２号から学ぶことができる。

[0004] パターニングデバイスから基板にパターンを転写する前に、基板は、プライミング、レジストコーティング、及びソフトベークなどの様々なプロシージャを経てもよい。露光後に、基板は、ポストベーク（ＰＥＢ）、現像、ハードベーク、及び転写されたパターンの測定／インスペクションなどの他のプロシージャ（「露光後プロシージャ」）を受けてもよい。この多数のプロシージャは、デバイス、例えばＩＣの個々の層を作るための基礎として使用される。基板は、次に、エッチング、イオン注入（ドーピング）、メタライゼーション、酸化、化学機械研磨など（全て、デバイスの個々の層を仕上げることを意図したもの）の様々なプロセスを経てもよい。デバイスに幾つかの層が必要とされる場合、プロシージャ全体又はそれの異形が、各層に対して繰り返される。最終的に、基板上の各ターゲット部分にデバイスが存在する。これらのデバイスは、次に、ダイシング又はソーイングなどの技術によって互いに分離され、その結果、個々のデバイスがキャリア上に取り付けられること、ピンに接続されることなどが可能である。

[0005] したがって、半導体デバイスなどの製造デバイスは、一般的に、デバイスの様々なフィーチャ及び複数の層を形成するための多数の製作プロセスを用いて、基板（例えば半導体ウェーハ）を処理することを含む。このような層及びフィーチャは、一般的に、例えば、堆積、リソグラフィ、エッチング、化学機械研磨、及びイオン注入を用いて、製造及び処理される。複数のデバイスが、基板上の複数のダイ上で製作され、その後、個々のデバイスに分離されてもよい。このデバイス製造プロセスは、パターニングプロセスとみなすことができる。パターニングプロセスは、パターニングデバイス上のパターンを基板に転写するために、リソグラフィ装置においてパターニングデバイスを用いる光及び／又はナノインプリントリソグラフィなどのパターニングステップを含み、及び一般的に（但し任意選択的に）、現像装置によるレジスト現像、ベークツールを用いた基板のベーク、エッチング装置を用いたパターンを使用するエッチングなどの１つ又は複数の関連のパターン処理ステップを含む。

[0006] 一実施形態によれば、像を処理するための像ノイズ除去モデルをトレーニングするための方法が提供される。この方法は、デザインパターンを第１の組のシミュレート像に変換することと、第１の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることとを含む。トレーニング後に、ノイズ除去モデルは、入力像からノイズを除去するように動作可能であり、ノイズ除去像を生成する。

[0007] 一実施形態では、パターン付き基板の像を捕捉するように構成された電子ビーム光学系と、入力像のノイズ除去像を生成するように構成された１つ又は複数のプロセッサとを含むシステムが提供される。１つ又は複数のプロセッサは、基板のデザインパターンからシミュレート像を生成するように構成されたトレーニング済みモデルを実行するように構成される。一実施形態では、１つ又は複数のプロセッサは、捕捉像を入力として使用してノイズ除去モデルを実行してパターン付き基板のノイズ除去像を生成するように構成される。

[0008] 一実施形態では、ノイズ除去モデルを記憶するための１つ又は複数の非一時的なコンピュータ可読媒体が提供される。一実施形態では、１つ又は複数の非一時的なコンピュータ可読媒体は、記憶されたノイズ除去モデルによってノイズ除去像を生成するように構成される。特に、１つ又は複数の非一時的なコンピュータ可読媒体は、１つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供する命令を記憶する。一実施形態では、ノイズ除去モデルは、デザインパターンに基づいて第１の組のシミュレート像を得ること（例えば、トレーニング済みＧＡＮを使用してＧＤＳパターンをシミュレート像に変換することによって）と、第１の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第２の組のシミュレート像を得ることであって、第２の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、基準ノイズ除去像をフィードバックとして使用して、基準ノイズ除去モデルの１つ又は複数の構成を更新することであって、１つ又は複数の構成は、基準ノイズ除去像と第２の組のシミュレート像との比較に基づいて更新される、更新することのための命令を実行することによって生成される。

[0009] 幾つかの実施形態では、ＧＡＮは、ＧＤＳパターン像をきれいなシミュレートＳＥＭ像に変換するようにトレーニングされる。まず、スキャンＳＥＭ像からノイズフィーチャが抽出され、次いで、これらのきれいな像にノイズを加えて、ノイズのあるシミュレート像を生成する。きれいなシミュレート像及びノイズのある像は、スキャンＳＥＭ像と組み合わせて、ノイズ除去モデルをトレーニングするために使用される。ノイズ除去モデルはさらに、捕捉ＳＥＭ像を用いて微調整され得る。トレーニングされた時点で、ノイズ除去モデルは、入力ＳＥＭ像からノイズを除去してノイズ除去像を生成するように動作可能である。

[0010] 本開示の実施形態によれば、ノイズ除去モデルは、上記で説明したようにジェネレータモデルを通じてデザインパターンから変換されるシミュレート像を使用することによってトレーニングされる。このようなシミュレート像を含むトレーニングデータは、ＳＥＭで捕捉された像よりも著しく且つ十分に多くのパターンを集合的に網羅することができる。改善されたパターンカバレッジの結果として、トレーニングによって、有利には、ノイズ除去モデルの有効性及び精度を大幅に改善することができる。再トレーニングの必要性を大幅に低減するか、又はさらには排除することができる。

[0011] 上記の態様並びに他の態様及び特徴は、添付の図面と併せて特定の実施形態の以下の説明を検討することで、当業者に明らかになるであろう。

[0012]一実施形態による、リソグラフィシステムの様々なサブシステムのブロック図を示す。 [0013]ノイズ除去モデルをトレーニングするための方法である。一実施形態では、ノイズ除去モデルは、デザインパターンを変換するためにトレーニングされる。 [0014]一実施形態による、ノイズ除去モデルをトレーニングするための方法の変形形態についてのフローチャートである。 [0015]一実施形態による、モデルをトレーニングする例を示す。 [0016]一実施形態による、図４のトレーニング済みモデルを使用して第１の組のシミュレートＳＥＭ像を得る例を示す。 [0017]一実施形態による、図５のシミュレートＳＥＭ像にノイズを加える例を示す。 [0018]一実施形態による、ノイズ除去モデルをトレーニングする例を示す。 [0019]一実施形態による、ノイズ除去された入力ＳＥＭ像を生成するために使用されるトレーニング済みノイズ除去モデルの例を示す。 [0020]一実施形態による、走査電子顕微鏡（ＳＥＭ）の実施形態を模式的に描く。 [0021]一実施形態による、電子ビーム検査装置の実施形態を概略的に示す。 [0022]一実施形態による、例示的なコンピュータシステムのブロック図である。 [0023]一実施形態による、リソグラフィ投影装置の概略図である。 [0024]一実施形態による、別のリソグラフィ投影装置の概略図である。 [0025]一実施形態による、図１２の装置のより詳細な図である。 [0026]一実施形態による、図１３及び図１４の装置のソースコレクタモジュールＳＯのより詳細な図である。

[0027] 実施形態を詳細に説明する前に、実施形態が実施され得る例示的な環境を提示することが有益である。

[0028] 本書では、ＩＣの製造について具体的に言及する場合があるが、本明細書の説明は、多くの他の可能な適用例を有することが明示的に理解されるべきである。例えば、本明細書の説明は、集積光学システム、磁気ドメインメモリ用のガイダンス及び検出パターン、液晶ディスプレイパネル、薄膜磁気ヘッドなどの製造に用いられ得る。当業者であれば、そのような代替の用途という文脈において、本書での「レチクル」、「ウェーハ」、又は「ダイ」という用語の使用は、それぞれ、「マスク」、「基板」、及び「ターゲット部分」というより一般的な用語と交換可能であるとみなされるべきであることを理解するであろう。

[0029] 本文書では、「放射」及び「ビーム」という用語は、紫外線放射（例えば、３６５、２４８、１９３、１５７、又は１２６ｎｍの波長を有する）及びＥＵＶ（極端紫外線放射、例えば、約５～１００ｎｍの範囲内の波長を有する）を含む、全てのタイプの電磁放射を包含するように使用され得る。

[0030] パターニングデバイスは、１つ又は複数のデザインレイアウトを含むか又は形成することがある。デザインレイアウトは、ＣＡＤ（computer-aided design）プログラムを利用して生成することができ、このプロセスは、しばしば、ＥＤＡ（electronic design automation）と呼ばれる。ほとんどのＣＡＤプログラムは、機能的デザインレイアウト／パターニングデバイスを作製するために、一組の所定のデザインルールに従う。これらのルールは、処理及びデザイン上の制約によって設定される。例えば、デザインルールは、デバイス又は線が望ましくない態様で互いに相互作用しないことを確実にするように、デバイス間（ゲート、コンデンサ等）又は相互接続線間のスペース許容値を定義する。デザインルール制約のうちの１つ又は複数は、「クリティカルディメンジョン」（ＣＤ）と呼ばれることがある。デバイスのクリティカルディメンジョンは、線若しくは穴の最小の幅、又は２本の線若しくは２つの穴の間の最小のスペースとして定義されることがある。従って、ＣＤは、デザインされたデバイスの全体的なサイズ及び密度を決定する。当然ながら、デバイス製造の目標の１つは、（パターニングデバイスを介して）基板上に元のデザイン意図を忠実に再現することである。

[0031] パターンレイアウトデザインは、例として、光近接効果補正（ＯＰＣ）などの解像度向上技術の適用を含み得る。ＯＰＣは、基板に投影されるデザインレイアウトの像の最終的なサイズ及び配置が、パターニングデバイス上のデザインレイアウトのサイズ及び配置と同一にはならないか、又は単にパターニングデバイス上のデザインレイアウトのサイズ及び配置にのみ依存しない、という事実に対処する。「マスク」、「レチクル」、「パターニングデバイス」という用語は、本明細書では交換可能に利用されることに留意されたい。また、ＲＥＴの文脈では、物理的パターニングデバイスを表すために、必ずしも物理的パターニングデバイスが使用されるわけではなく、デザインレイアウトを使用できるので、当業者であれば、「マスク」、「パターニングデバイス」、及び「デザインレイアウト」という用語を交換可能に使用できることを認識するであろう。一部のデザインレイアウトに存在するフィーチャのサイズが小さく密度が高い場合、所与のフィーチャの特定のエッジの位置は、他の隣接するフィーチャの有無によって、一定程度影響を受ける。これらの近接効果は、あるフィーチャから別のフィーチャに結合される微量の放射から又は回折及び干渉などの非幾何学的な光学的効果から生じる。同様に、近接効果は、一般にリソグラフィに続く露光後ベーク（ＰＥＢ）、レジスト現像、及びエッチング中の拡散及び他の化学的効果から生じ得る。

[0032] デザインレイアウトの投影像が所与のターゲット回路デザインの要件に従う可能性を高めるために、高度な数値モデル、デザインレイアウトの補正又は予歪を使用して、近接効果が予測され補償され得る。論文“Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing IC Design”,C.Spence,Proc.SPIE,Vol.5751,pp1-14(2005)は、現在の「モデルベース」の光近接効果補正処理の概要を提供している。典型的なハイエンドのデザインでは、ターゲットデザインに対する投影像の高い忠実性を実現するために、デザインレイアウトのほとんど全てのフィーチャに、何らかの修正が加えられる。これらの修正には、エッジ位置又は線幅のシフト又はバイアス、並びに他のフィーチャの投影を支援するように意図された「アシスト」フィーチャの適用が含まれ得る。

[0033] アシストフィーチャは、パターニングデバイス上のフィーチャとデザインレイアウトにおけるフィーチャとの差とみなされ得る。「主要フィーチャ」及び「アシストフィーチャ」という用語は、パターニングデバイス上の特定のフィーチャをどちらか一方としてラベル付けしなくてはならない、ということを示唆するものではない。

[0034] 本明細書で用いられる「マスク」又は「パターニングデバイス」という用語は、入ってくる放射ビームに、基板のターゲット部分に生成されるパターンに対応したパターン付き断面を付与するために使用することができる一般的なパターニングデバイスを指すものと広く解釈することができ、「ライトバルブ」という用語も、この文脈で使用されることがある。従来のマスク（透過型又は反射型、バイナリ、位相シフト、ハイブリッドなど）に加えて、他のこのようなパターニングデバイスの例としては、以下が挙げられる：
－ プログラマブルミラーアレイ。このようなデバイスの一例は、粘弾性制御層及び反射面を有するマトリックスアドレス可能面である。このような装置の背後にある基本原理は、（例えば）反射面のアドレスエリアが、入射放射を回折放射として反射し、一方、非アドレスエリアが、入射放射を非回折放射として反射する、ということである。適切なフィルタを使用して、前述の非回折放射を反射ビームから除去し、回折放射のみを後に残すことができ、このようにして、ビームが、マトリックスアドレス可能面のアドレッシングパターンに従ってパターン付与される。必要とされるマトリックスアドレッシングは、適切な電子手段を使用して実施することができる。
－ プログラマブルＬＣＤアレイ。このような構造の一例が、本明細書に組み込まれる米国特許第５，２２９，８７２号によって与えられる。

[0035] 簡単な前置きとして、図１は例示的なリソグラフィ投影装置１０Ａを示す。主なコンポーネントは、深紫外線エキシマレーザ源、又は極端紫外線（ＥＵＶ）源を含む他のタイプのソースであり得る、放射源１２Ａ（本明細書で考察するように、リソグラフィ投影装置自体は、放射源を有する必要がない）と、部分コヒーレンス（シグマとして表す）を例えば定義する照明光学系であって、ソース１２Ａからの放射を整形する光学系１４Ａ、１６Ａａ、及び１６Ａｂを含み得る照明光学系と、パターニングデバイス１８Ａと、パターニングデバイスパターンの像を基板面２２Ａ上に投影する透過光学系１６Ａｃである。投影光学系の瞳面における調節可能フィルタ又はアパーチャ２０Ａは、基板面２２Ａに衝突するビーム角の範囲を制限することがあり、ここで、可能な最大角は、投影光学系の開口数ＮＡ＝ｎ ｓｉｎ（Θｍａｘ）を定義し、式中、ｎは、基板と投影光学系の最後の素子との間の媒体の屈折率であり、及びΘｍａｘは、まだ基板面２２Ａに衝突し得る投影光学系から出るビームの最大角である。

[0036] リソグラフィ投影装置では、ソースは、照明（すなわち、放射）をパターニングデバイスに提供し、並びに投影光学系は、パターニングデバイスを介して、基板上へと照明の誘導及び整形を行う。投影光学系は、コンポーネント１４Ａ、１６Ａａ、１６Ａｂ、及び１６Ａｃの少なくとも幾つかを含み得る。空間像（ＡＩ）は、基板レベルにおける放射強度分布である。基板上のレジスト層は、露光され、空間像は、潜在的な「レジスト像」（ＲＩ）としてレジスト層に転写される。レジスト像（ＲＩ）は、レジスト層中のレジストの溶解度の空間分布として定義することができる。レジストモデルを使用して空間像からレジスト像を計算することができ、その例は、米国特許出願公開第２００９／０１５７３６０号に見ることができ、その開示は参照によりその全体が本明細書に組み込まれる。レジストモデルは、レジスト層の特性（例えば、露光、ＰＥＢ、及び現像中に生じる化学プロセスの影響）のみに関係する。リソグラフィ投影装置の光学特性（例えば、ソース、パターニングデバイス、及び投影光学系の特性）は、空間像を決定付ける。リソグラフィ投影装置で使用されるパターニングデバイスを変更できるので、パターニングデバイスの光学特性を、少なくともソース及び投影光学系を含む、リソグラフィ投影装置の残りの部分の光学特性から切り離すことが望ましい場合がある。

[0037] 本書では、ＩＣの製造でのリソグラフィ装置の使用について言及する場合があるが、本明細書で説明するリソグラフィ装置は、例えば、集積光学システム、磁気ドメインメモリ用のガイダンス及び検出パターン、液晶ディスプレイパネル（ＬＣＤ）、薄膜磁気ヘッドの製造などの、他の用途を有し得ることが理解されるべきである。当業者であれば、そのような代替の用途という文脈において、本明細書での「ウェーハ」又は「ダイ」という用語の使用は、それぞれ、「基板」又は「ターゲット部分」というより一般的な用語と同義であるとみなされ得ることを理解するであろう。本明細書において言及される基板は、露光前若しくは露光後に、例えばトラック（例えば、通常、基板にレジスト層を塗布し、露光済みレジストを現像するツール）又は測定ツール若しくは検査ツールで処理され得る。適用可能な場合には、本明細書の開示は、そのような及び他の基板処理ツールに適用され得る。さらに、基板は、例えば多層ＩＣを作製するために、複数回処理されることがあり、本明細書で使用される基板という用語は、既に複数の処理済み層を含む基板も指すことがある。

[0038] 本明細書で使用される「放射」及び「ビーム」という用語は、紫外線（ＵＶ）放射（例えば、３６５、２４８、１９３、１５７、又は１２６ｎｍの波長を有する）及び極端紫外線（ＥＵＶ）放射（例えば、５～２０ｎｍの範囲の波長を有する）、並びにイオンビーム又は電子ビームなどの粒子ビームを含む、全てのタイプの電磁放射を包含する。

[0039] ノイズ除去モデルの既存のトレーニング方法は、トレーニングデータとしてパターン付き基板の多数の像（例えば、ＳＥＭ像）を必要とする。このようなトレーニング方法では、デザインレイアウトのパターンカバレッジは、ＳＥＭ像のパターンに限定されるものではない。一実施形態では、パターンカバレッジとは、デザインレイアウト内の固有のパターンの数を指す。通常、デザインレイアウトは、数億～数十億のパターンと数百万の固有のパターンを有し得る。パターン付き基板上の数百万のパターンをトレーニングの目的で測定することは、かなりの計測時間及びコンピューティングリソースがトレーニングのために必要となるので、現実的ではない。従って、例えば、ＳＥＭ像を含むトレーニングデータは通常、機械学習モデルをトレーニングするのに十分なデータよりもはるかに少ない。よって、新たなパターンを用いてトレーニング済みモデルをリアルタイムで再トレーニングする必要がある場合がある。

[0040] 本開示の方法には、幾つかの利点がある。例えば、デザインレイアウトのパターンカバレッジは、オフライントレーニング中に大幅に増やすことができる。限られたＳＥＭ像（例えば、１０～２０枚の実際のＳＥＭ像）のみを、トレーニング及び検証の目的で使用することができる。トレーニング後に、トレーニング済みモデルを使用して、実行時に、捕捉された計測像（例えば、ＳＥＭ像）のノイズを除去することができる。トレーニング中に比較的多数のパターンが網羅されているので、既存のモデルの再トレーニング量は、既存のモデルよりも著しく少なくなる。モデルの微調整は、例えば１０～２０枚の実際のＳＥＭ像を取得することによって、迅速に達成することができる。従って、既存のモデルと比較して、かなりの機械スキャン時間及びオンラインでのモデルトレーニングの時間を削減することができる。例えば、本方法では、スキャン時間は、数千枚のＳＥＭ像とは対照的に２０枚のＳＥＭ像に制限することができ、オンラインでのモデルトレーニングの時間は、４～８時間と比較して約０．５時間に制限することができる。

[0041] 図２は、本開示の実施形態による、ノイズ除去モデルをトレーニングする例示的な方法２００である。一実施形態では、トレーニング目的のために、別のモデルは、デザインパターン（例えば、ＧＤＳファイルデータにおけるデザインレイアウト）をきれいなシミュレートＳＥＭ像に変換する。さらに、これらのきれいな像にノイズが加えられ、ノイズのあるシミュレート像が生成され得る。きれいなシミュレート像及びノイズのある像は、スキャンＳＥＭ像と組み合わせて、ノイズ除去モデルをトレーニングするために使用される。一実施形態では、方法は、以下で詳細に考察するプロセスＰ２０１及びＰ２０３を含む。

[0042] プロセスＰ２０１は、デザインパターンを第１の組のシミュレート像２０１、例えばシミュレートＳＥＭ像に変換することを含む。一実施形態では、デザインパターンＤＰは、グラフィックデータ信号（ＧＤＳ）ファイルフォーマットである。例えば、数百万のデザインパターンを含むデザインレイアウトは、ＧＤＳデータファイルとして表される。

[0043] 一実施形態では、第１の組のシミュレート像２０１を得ることは、デザインパターンＤＰを入力として使用してトレーニング済みモデルＭＤ１を実行して、シミュレート像２０１を生成することを含む。一実施形態では、トレーニング済みモデルＭＤ１は、デザインパターンＤＰとパターン付き基板の捕捉像とに基づいてトレーニングされ、捕捉された各像は、デザインパターンと関連付けられる。一実施形態では、捕捉像は、走査電子顕微鏡（ＳＥＭ）（例えば、図１０～図１１）を介して取得されるＳＥＭ像である。

[0044] 一実施形態では、トレーニング済みモデルＭＤ１は、本明細書で考察するようにトレーニングデータを使用する既存のトレーニング方法を使用してトレーニングできる機械学習モデルなどの任意のモデルとすることができる。例えば、トレーニング済みモデルＭＤ１は、畳み込みニューラルネットワーク（ＣＮＮ）又は深層畳み込みニューラルネットワーク（ＤＣＮＮ）とすることができる。本開示は、特定のトレーニング方法又は特定のニューラルネットワークに限定されるものではない。例として、モデルＭＤ１は、敵対的生成ネットワーク（ＧＡＮ）などのトレーニング方法を使用してトレーニングされた第１の深層学習モデル（例えば、ＤＣＮＮ）であり得、このモデルでは、デザインパターンＤＰ及びＳＥＭ像がトレーニングデータとして使用される。この例では、トレーニング済みモデルＭＤ１（例えば、ＤＣＮＮ）は、所与のデザインパターン、例えばＧＤＳパターンからシミュレートＳＥＭ像を生成するように構成された生成モデルと称される。

[0045] 一実施形態では、敵対的生成ネットワーク（ＧＡＮ）は、特に互いに敵対して、一緒にトレーニングされる２つの深層学習モデル、すなわち生成モデル（例えば、ＣＮＮ又はＤＣＮＮ）及び識別器モデル（例えば、別のＣＮＮ又は別のＤＣＮＮ）を含む。ジェネレータモデルは、デザインパターンＤＰ及び捕捉像（例えば、ＳＥＭ像）を入力として受け取り、シミュレート像（例えば、シミュレートＳＥＭ像）を出力することができる。一実施形態では、出力されたシミュレート像は、偽像又は実像としてラベル付けされ得る。一例では、偽像は、これまで実際には存在しなかった特定のクラスの像（例えば、ＳＥＭ像のノイズ除去像）である。その一方で、基準（又はグラウンドトゥルース）として使用される実像は、ジェネレータモデル及び識別器モデルのトレーニング中に使用され得る以前に存在する像（例えば、プリント基板のＳＥＭ）である。トレーニングの目的は、ジェネレータモデルをトレーニングして、実像に酷似した偽像を生成することである。例えば、偽像のフィーチャは、実像（例えば、ノイズ除去ＳＥＭ像）のフィーチャと少なくとも９５％一致する。結果として、トレーニング済みジェネレータモデルは、高レベルの精度でリアルなシミュレーション像を生成することが可能である。

[0046] 一実施形態では、ジェネレータモデル（Ｇ）は、畳み込みニューラルネットワークであり得る。ジェネレータモデル（Ｇ）は、デザインパターン（ｚ）を入力として受け取り、像を生成する。一実施形態では、像は、偽像又はシミュレート像と称されることがある。偽像は、Ｘ_ｆａｋｅ＝Ｇ（ｚ）と表現することができる。ジェネレータモデル（Ｇ）は、第１の費用関数と関連付けられ得る。第１の費用関数は、費用関数が改善される（例えば、最大化又は最小化される）ようにジェネレータモデルのパラメータの調整を可能にする。一実施形態では、第１の費用関数は、入力ベクトルを所与としてシミュレート像が偽像である確率を決定する第１の対数尤度項を含む。

[0047]
第１の費用関数の例は、以下の式１で表現することができる。
Ｌ_Ｓ＝Ｅ［ｌｏｇＰ（Ｓ＝ｆａｋｅ｜Ｘ_ｆａｋｅ）］…（１）

[0048] 上記式１では、条件付き確率の対数尤度が計算される。この式では、Ｓは、識別器モデルによる偽物としてのソース割り当てを指し、Ｘ_ｆａｋｅは、ジェネレータモデルの出力、すなわち偽像である。従って、一実施形態では、トレーニング方法は、第１の費用関数（Ｌ）を最小化する。その結果、ジェネレータモデルは、識別器モデルが偽像を偽物と認識する条件付き確率が低くなるように、偽像（すなわち、シミュレート像）を生成する。換言すれば、ジェネレータモデルは、よりリアルな像又はパターンを徐々に生成する。

[0049] 図４は、プロセスＰ２０１において考察したようにモデル（例えば、ＭＤ１）をトレーニングする例示的なプロセスを示す。一実施形態では、トレーニング済みジェネレータモデルＭＤ１は、敵対的生成ネットワークを使用してトレーニングされる。敵対的生成ネットワークに基づくトレーニングは、ジェネレータモデルＧＭ１がより正確且つロバストな結果を徐々に生成するように一緒にトレーニングされる、２つの深層学習モデルＧＭ１及びＤＭ１を含む。

[0050] 一実施形態では、ジェネレータモデルＧＭ１は、例えば、デザインパターンＤＰ１及びＤＰ２と、デザインパターンＤＰ１、ＤＰ２に対応するＳＥＭ像ＳＥＭ１、ＳＥＭ２とを入力として受け取ることができる。ジェネレータモデルＧＭ１は、像ＤＮ１及びＤＮ２などのシミュレート像を出力する。

[0051] ＧＭ１のシミュレート像は、別のＣＮＮである、識別器モデルＤＭ１によって受け取られる。識別器モデルＤＭ１はまた、実像ＳＥＭ１及びＳＥＭ２（又は１組の実パターン）をピクセル化された像の形で受け取る。実像に基づいて、識別器モデルＤＭ１は、シミュレート像が偽物（例えば、ラベルＬ１）か本物（例えば、ラベルＬ２）かを判定し、それに応じてラベルを割り当てる。識別器モデルＤＭ１がシミュレート像を偽物として分類する場合、ＧＭ１及びＤＭ１のパラメータ（例えば、バイアス及び重み）は、費用関数（例えば、上記の第１の費用関数）に基づいて修正される。モデルＧＭ１及びＤＭ１は、ＧＭ１によって生成されたシミュレート像を識別器ＤＭ１が本物として一貫して分類するまで、繰り返し修正される。換言すれば、ジェネレータモデルＧＭ１は、任意の入力デザインパターンに対してリアルなＳＥＭ像を生成するように構成される。

[0052] 図５は、一実施形態による、図４のトレーニング済みジェネレータモデルＭＤ１を使用して第１の組のシミュレートＳＥＭ像を得る例を示す。一実施形態では、任意のデザインパターンＤＰ１１、ＤＰ１２、…ＤＰｎは、シミュレートＳＥＭ像Ｓ１、Ｓ２、…Ｓｎをそれぞれ生成するために、トレーニング済みジェネレータモデルＭＤ１に入力することができる。本開示はこれに限定されるものではないが、これらのシミュレートＳＥＭ像Ｓ１、Ｓ２、…Ｓｎは、典型的なノイズを含まない又は非常に低いノイズを含むきれいな像であり得る。

[0053] 幾つかの実施形態では、図２における第１の組のシミュレート像２０１を生成するために、像ノイズが加えられ得る。図６は、シミュレートＳＥＭ像Ｓ１、Ｓ２、…Ｓｎにノイズを加えて、ノイズ除去モデルをトレーニングするための第１の組のシミュレート像Ｓ１^＊、Ｓ２^＊、…Ｓｎ^＊を生成する例を示し、ノイズ除去モデルは、入力像のノイズを除去するように構成された別の機械学習モデルである。ノイズ除去モデルのトレーニングをプロセスＰ２０３に関して以下で考察する。

[0054] プロセスＰ２０３は、ノイズ除去モデルをトレーニングすることを含み、第１の組のシミュレート像２０１及び像ノイズをトレーニングデータとして使用する。一実施形態では、追加的に、パターン付き基板の捕捉像２０５は、トレーニングデータに含まれ得る。例えば、捕捉像２０５は、パターン付き基板のＳＥＭ像であり得る。

[0055] 一実施形態では、ノイズ除去モデルＭＤ２は、第２の機械学習モデルである。例えば、第２の機械学習モデルは、第２のＣＮＮ又は第２のＤＣＮＮであり得る。本開示は、特定の深層学習トレーニング方法又は機械学習トレーニング方法に限定されるものではない。一実施形態では、トレーニングは、第２の組のシミュレート像が、ノイズを加える前の第１の組のシミュレート像２０１（例えば、図５のシミュレートＳＥＭ像Ｓ１、Ｓ２、…Ｓｎ）又は基準像などのグラウンドトゥルースの指定の閾値内に収まるまで実施される反復プロセスである。一実施形態では、ノイズ除去モデルのトレーニングには、第１の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することが含まれます。

[0056] 一実施形態では、像ノイズは、パターン付き基板の捕捉像、例えば捕捉ＳＥＭ像から抽出される。例えば、ＳＥＭツールによって捕捉されたＳＥＭ像からノイズを抽出するために、ノイズフィルタが適用され得る。抽出ノイズは、像ノイズとして表すことができる。一実施形態では、像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである。一実施形態では、像ノイズは、ピクセルの強度値が統計的に互いに独立しているピクセルを含む。一実施形態では、ガウスノイズは、ガウス分布関数のパラメータを変化させることによって生成することができる。

[0057] 一実施形態では、図６を参照すると、ガウスノイズなどの像ノイズを、例えばシミュレート像Ｓ１、Ｓ２、…Ｓｎに加えて、Ｓ１^＊、Ｓ２^＊、…、Ｓｎ^＊などのノイズのある像を生成することができる。ノイズのある像は、ノイズ除去モデルをトレーニングするために使用される第１の組のシミュレート像２０１である。

[0058] 従来の方法で、ノイズ除去モデルは、捕捉ＳＥＭ像をトレーニング像として使用することによってトレーニングされる。ＳＥＭシステムの結像スループットによって、それゆえ、ＳＥＭで捕捉された像の量によって制限され、トレーニング像は、比較的少数のパターンしか集合的に網羅できず、これにより、トレーニング済みノイズ除去モデルが、多様なパターンを有し得る入力像のノイズを除去するのに役に立たないものになる。不所望なことに、トレーニング済みノイズ除去モデルは、新たなパターンで像を処理できるように再トレーニングされる必要がある。本開示の実施形態によれば、ノイズ除去モデルは、上記で説明したようにジェネレータモデルを通じてデザインパターンから変換されるシミュレート像を使用することによってトレーニングされる。シミュレート像を含むトレーニングデータは、ＳＥＭで捕捉された像よりも著しく且つ十分に多くのパターンを集合的に網羅することができる。改善されたパターンカバレッジの結果として、トレーニングによって、有利には、ノイズ除去モデルの有効性及び精度を大幅に改善することができる。再トレーニングの必要性を大幅に低減又はさらには排除することができる。

[0059] 図７は、本開示の実施形態による、ノイズ除去モデル（例えば、ＭＤ２）をトレーニングする例示的なプロセスを示す。

[0060] ノイズ除去モデルＭＤ２をトレーニングするためのトレーニングデータとしての第１のシミュレート像２０１、像ノイズ、及び／又は基準像ＲＥＦ。一実施形態では、追加的に、パターン付き基板の捕捉像７１０（例えば、ＳＥＭ像）は、トレーニングデータに含まれ得る。一実施形態では、捕捉像７１０の数は、シミュレート像２０１の数よりも相対的に少ない可能性がある。一実施形態では、捕捉像７１０は、トレーニング済みノイズ除去モデルＭＤ２を更新するために使用することができる。

[0061] 一実施形態では、モデルＭＤ２は、例えば、図６及び図７に関して考察したノイズのある像Ｓ１^＊、Ｓ２^＊、…、Ｓｎ^＊（例えば、モデルＭＤ１を使用して生成された）及び像ノイズを入力として受け取ることができる。モデルＭＤ２は、像ＤＮ１１、Ｄ１２、…ＤＮｎなどのノイズ除去像を出力する。トレーニングプロセス中に、モデルＭＤ２の１つ又は複数のモデルパラメータ（例えば、ＤＣＮＮの異なる層の重み及びバイアス）は、収束が達成されるか又はノイズ除去像が基準像ＲＥＦの指定の閾値内に収まるまで、修正され得る。一実施形態では、モデルパラメータ値の変更が以前のモデル出力と比較してモデル出力の大幅な改善をもたらさない場合に、収束が達成される。

[0062] 一実施形態では、方法２００は、計測ツールを介して、パターン付き基板のＳＥＭ像を取得することと、ＳＥＭ像を入力像として使用してトレーニング済みノイズ除去モデルＭＤ２を実行して、ノイズ除去されたＳＥＭ像を生成することとをさらに含む。

[0063] 一実施形態では、第２の機械学習モデルＭＤ２もまた、プロセスＰ２０３において考察した入力を使用して、上記で考察したように、ＧＡＮトレーニング方法を使用してトレーニングされ得る。例えば、第１のシミュレート像２０１と像ノイズと基準像ＲＥＦとをトレーニングデータとして使用する。一実施形態では、基準像ＲＥＦは、第１のシミュレート像２０１とすることができる。

[0064] 図８は、トレーニング済みノイズ除去モデルＭＤ２を使用してノイズ除去されたＳＥＭ像を生成する例示的なプロセスを示す。パターン付き基板の例示的なＳＥＭ像８０１及び８０２は、ＳＥＭツールを介して捕捉される。ＳＥＭ像８０１及び８０２は、トレーニングデータにおける像で使用されるパターンとは非常に異なる複雑なパターンを有することに留意されたい。トレーニング済みモデルＭＤ２は、デザインパターンに関係するシミュレート像に基づいてトレーニングされるので、有利には、多数のパターンを網羅することができる。従って、トレーニング済みモデルＭＤ２は、ＳＥＭ像８０１及び８０２の極めて正確なノイズ除去像８１１及び８１２をそれぞれ生成することができる。図８における結果は、トレーニング済みモデルＭＤ２が追加のトレーニングなしに新たなパターンを取り扱うことができることを示す。一実施形態では、ノイズ除去像の品質をさらに高めるために、新たに捕捉されたＳＥＭ像を使用して、ノイズ除去モデルＭＤ２のさらなる微調整を実施することができる。

[0065] 図３は、本開示の実施形態によるノイズ除去モデルを生成するための別の例示的な方法３００のフローチャートである。方法３００は、以下で考察するプロセスＰ３０１、Ｐ３０３、及びＰ３０５を含む。

[0066] プロセスＰ３０１は、デザインパターンに基づいて第１の組のシミュレート像３０１を取得することを含む。一実施形態では、シミュレート像３０１の第１の組の各像は、シミュレートＳＥＭ像と像ノイズとの組み合わせである（例えば、図６のＳ１^＊、Ｓ２^＊、…Ｓｎ^＊を参照）。

[0067] 一実施形態では、シミュレートＳＥＭ像を得ることは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレートＳＥＭ像を生成することを含む。例えば、図５に関して考察したように、トレーニング済みモデルＭＤ１を実行する。一実施形態では、トレーニング済みモデル（例えば、ＭＤ１）は、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、捕捉された各像は、デザインパターンと関連付けられる。一実施形態では、捕捉像は、走査電子顕微鏡（ＳＥＭ）を介して取得されたＳＥＭ像である。一実施形態では、像ノイズは、パターン付き基板の捕捉像から抽出されたノイズである。一実施形態では、像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである。

[0068] 一実施形態では、トレーニング済みモデル（例えば、ＭＤ１）は、第１の機械学習モデルである。一実施形態では、第１の機械学習モデルは、敵対的生成ネットワークを使用してトレーニングされたＣＮＮ又はＤＣＮＮである。一実施形態では、トレーニング済みモデルＭＤ１は、所与のデザインパターンについてのシミュレートＳＥＭ像を生成するように構成された生成モデルである。例えば、図５及び図６に関して考察したような、トレーニング済みモデルＭＤ１。一実施形態では、基準ノイズ除去像は、デザインパターンと関連付けられたシミュレートＳＥＭ像である。例えば、基準像は、図５のＭＤ１によって生成されたＳ１、Ｓ２、…Ｓｎとすることができる。

[0069] プロセスＰ３０３は、第１の組のシミュレート像３０１を入力として基本ノイズ除去モデルＢＭ１に提供して、初期の第２の組のシミュレート像を得ることであって、初期の第２の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることを含む。一実施形態では、基本モデルは、トレーニングされていないモデル又は微調整する必要があるトレーニング済みモデルとすることができる。一実施形態では、パターン付き基板の捕捉像は、ノイズ除去モデルをトレーニングするか又は微調整するために使用され得る。プロセスＰ３０５は、基準ノイズ除去像をフィードバックとして使用して基本ノイズ除去モデルＢＭ１の１つ又は複数の構成を更新することを含む。１つ又は複数の構成は、基準ノイズ除去像と第２の組のシミュレート像との比較に基づいて更新される。例えば、１つ又は複数の構成を更新することは、基本モデルのモデルパラメータを修正することを含む。トレーニングプロセスの終了時に、構成が更新された基本モデルがノイズ除去モデルになる。このようなノイズ除去モデルは、例えば、ＳＥＭ像を入力として使用して第２の組のシミュレート像を生成することができる。

[0070] 実施形態では、ノイズ除去モデルは、第２の機械学習モデルである。実施形態では、第２の深層学習モデルは、深層学習方法又は機械学習方法を使用してトレーニングされる。一実施形態では、ノイズ除去モデルはまた、敵対的生成ネットワークのトレーニング方法を使用してトレーニングされ得る。一実施形態では、ノイズ除去モデルは、畳み込みニューラルネットワーク又は他の機械学習モデルである。一実施形態では、ノイズ除去モデルは、図７に関して考察したように、ＭＤ２である。

[0071] 本明細書で考察するように、ノイズ除去モデルの例は、機械学習モデルである。教師なし機械学習モデルと教師あり機械学習モデルの両方は、パターン付き基板のＳＥＭなどの入力されたノイズのある像からノイズ除去像を生成するために使用され得る。本発明の範囲を限定することなく、教師あり機械学習アルゴリズムの適用について以下で説明する。

[0072] 教師あり学習は、ラベル付きトレーニングデータから関数を推測する機械学習タスクである。トレーニングデータは、１組のトレーニング例を含む。教師あり学習では、各例は、入力オブジェクト（典型的にはベクトル）と所望の出力値（監視信号とも呼ばれる）とを有するペアである。教師あり学習アルゴリズムは、トレーニングデータを分析し、新たな例をマッピングするために使用できる、推測された関数を生成する。最適なシナリオは、アルゴリズムが未見のインスタンスのクラスラベルを正しく決定することを可能にするであろう。これには、学習アルゴリズムが、トレーニングデータから「合理的な方法」で未見の状況に対して一般化することが必要である。

[0073] ｘ_ｉが、ｉ番目の例のフィーチャベクトルであり、及びｙ_ｉが、そのラベル（すなわち、クラス）であるような｛（ｘ_１，ｙ_１）、（ｘ_２，ｙ_２）、…、（ｘ_Ｎ，ｙ_Ｎ）｝の形の１組のＮ個のトレーニング例を所与として、学習アルゴリズムは、関数ｇ：Ｘ→Ｙを求め、ここで、Ｘは、入力空間であり、Ｙは、出力空間である。フィーチャベクトルは、あるオブジェクトを表す数値的フィーチャのｎ次元ベクトルである。機械学習における多くのアルゴリズムは、オブジェクトの数値的表現が、処理及び統計的分析を容易にするので、そのような表現を必要とする。像を表すときに、フィーチャ値は、像のピクセルに対応する可能性があり、テキストを表すときに、フィーチャ値は、おそらく項発生頻度に対応する可能性がある。これらのベクトルと関連付けられたベクトル空間は、多くの場合、フィーチャ空間と呼ばれる。関数ｇは、通常、仮説空間と呼ばれる、可能な関数Ｇのある空間の要素である。ｇが、最も高いスコア：

を与えるｙ値を返すと定義されるように、スコアリング関数

を使用してｇを表すことが便利なことがある。Ｆは、スコアリング関数の空間を示すものとする。

[0074] Ｇ及びＦは、関数の何れの空間でもよいが、多くの学習アルゴリズムは、ｇが、条件付き確率モデルｇ（ｘ）＝Ｐ（ｙ｜ｘ）の形を取り、又はｆが同時確率モデルｆ（ｘ，ｙ）＝Ｐ（ｘ，ｙ）の形を取る確率的モデルである。例えば、ナイーブベイズ及び線形識別分析は、同時確率モデルであり、ロジスティック回帰は、条件付き確率モデルである。

[0075] ｆ又はｇの選択に関する２つの基本的手法である、経験的リスク最小化及び構造的リスク最小化がある。経験的リスク最小化は、トレーニングデータに最も良くフィットする関数を求める。構造的リスク最小化は、バイアス／分散トレードオフを制御するペナルティ関数を含む。

[0076] 両方の場合において、トレーニングセットが、独立し及び同一の分布ペア（ｘ_ｉ，ｙ_ｉ）のサンプルを有すると仮定される。いかに良好に関数がトレーニングデータにフィットするかを測定するために、損失関数Ｌ：

が定義される。トレーニング例（ｘ_ｉ，ｙ_ｉ）の場合、値

を予測する損失は

である。

[0077] 関数ｇのリスクＲ（ｇ）は、ｇの期待損失として定義される。これは

としてトレーニングデータから推定することができる。

[0078] 教師あり学習の例示的なモデルは、決定木、アンサンブル方法（バギング、ブースティング、ランダムフォレスト）、ｋ－ＮＮ、線形回帰、ナイーブベイズ、ニューラルネットワーク、ロジスティック回帰、認知、サポートベクトルマシン（ＳＶＭ）、関連ベクトルマシン（ＲＶＭ）、及び深層学習を含む。

[0079] ＳＶＭは、データを分析し、パターンを認識し、並びに分類及び回帰分析に使用できる、教師あり学習モデルの一例である。それぞれが２つのカテゴリの一方に属するとマークが付けられた１組のトレーニング例を所与として、ＳＶＭトレーニングアルゴリズムは、新たな例を一方又は他方のカテゴリに割り当てるモデルを構築し、それを非確率的バイナリ線形分類子にする。ＳＶＭモデルは、別々のカテゴリの例が、可能な限り広い明白なギャップによって分割されるようにマッピングされた、空間中の点としての例の表現である。次いで、新たな例が、同じ空間にマッピングされ、それらがギャップのどちら側に位置するかに基づいて、カテゴリに属することが予測される。

[0080] 線形分類を行うことに加えて、ＳＶＭは、いわゆるカーネル法を使用して非線形分類を効率的に行い、それらの入力を高次元フィーチャ空間に陰的にマッピングすることができる。

[0081] カーネル法は、ユーザ指定カーネル、すなわち、生の表現におけるデータ点のペアに関する相似関数を必要とする。カーネル法の名称の由来は、カーネル関数の使用にあり、カーネル関数は、それらが、高次元陰フィーチャ空間で、その空間におけるデータの座標を一度も計算することなくというよりは、単に、フィーチャ空間におけるデータの全ペアの像間の内積を計算することによって、動作することを可能にする。この動作は、多くの場合、座標の明示的な計算よりも計算費用が安い。この手法は「カーネルトリック」と呼ばれる。

[0082] ＳＶＭの有効性は、カーネルの選択、カーネルのパラメータ、及びソフトマージンパラメータＣに依存する。一般的な選択は、単一のパラメータγを有する、ガウスカーネルである。Ｃ及びγの最良の組み合わせは、多くの場合、指数関数的に増加するＣ及びγのシーケンス（例えば、Ｃ∈｛２^－５、２^－４、…、２^１５、２^１６｝；γ∈｛２^－１５、２^－１４、…、２^４、２^５｝）を用いたグリッド検索（「パラメータスイープ」としても知られる）によって選択される。

[0083] グリッド検索は、学習アルゴリズムのハイパーパラメータ空間の手作業で指定されたサブセット中の徹底的な検索である。グリッド検索アルゴリズムは、一般的にトレーニングセットに対する相互検証又は提供された検証セットに対する評価によって測定される、ある性能測定基準によってガイドされる。

[0084] パラメータ選択の各組み合わせは、相互検証を用いてチェックされることがあり、最良の相互検証確度を有するパラメータが選ばれる。

[0085] ローテーション推定と呼ばれることがある相互検証は、どのように統計的分析の結果が独立データセットに一般化されるかを評価するモデル検証技術である。それは、目標が予測であり、及び予測モデルがどの程度正確に実際に動作するかを推定したい状況において主に使用される。予測問題において、モデルは通常、トレーニングが実行される既知のデータのデータセット（トレーニングデータセット）と、モデルがテストされる未知のデータ（又は初見データ）のデータセット（テストデータセット）とを与えられる。相互検証の目標は、オーバーフィッティングのような問題を制限し、どのようにモデルが独立データセット（すなわち、例えば実際の問題からの未知のデータセット）に一般化されるかに関する洞察を与えるなどのために、トレーニング段階においてモデルを「テストする」ためのデータセット（すなわち、検証データセット）を定義することである。１ラウンドの相互検証は、データサンプルを相補サブセットに区分化すること、一方のサブセット（トレーニングセットと呼ばれる）に対する分析を実施すること、及び他方のサブセット（検証セット又はテストセットと呼ばれる）に対する分析を検証することを伴う。ばらつきを減少させるために、異なる区分を用いて複数ラウンドの相互検証が実施され、それらのラウンドにわたる検証結果が平均化される。

[0086] 次いで、テストのため、及び新たなデータを分類するために使用できる最終モデルが、選択されたパラメータを使用してトレーニングセット全体に関してトレーニングされる。

[0087] 教師あり学習の別の例は回帰である。回帰は、１組の従属変数の値と対応する独立変数の値とから、従属変数と１つ又は複数の独立変数との関係を推測する。回帰は、独立変数を所与として従属変数の条件付き期待値を推定し得る。推測された関係は回帰関数と呼ばれることがある。推測された関係は確率的であり得る。

[0088] 一実施形態では、システムがパターン付き基板の像を捕捉した後にモデルＭＤ２を使用してノイズ除去像を生成できるシステムが提供される。一実施形態では、システムは、例えば、本明細書で考察するモデルＭＤ１及び／又はＭＤ２を含むように構成される図９のＳＥＭツール又は図１０の検査ツールとすることができる。例えば、計測ツールは、パターン付き基板の像を捕捉するための電子ビームジェネレータと、ＭＤ１及びＭＤ２モデルを含む１つ又は複数のプロセッサとを含む。１つ又は複数のプロセッサは、基板をパターニングするために使用されるデザインパターンに基づいてシミュレート像を生成するように構成されたトレーニング済みモデルを実行するように、及び捕捉像とシミュレート像とを入力として使用してノイズ除去モデルを実行してパターン付き基板のノイズ除去像を生成するように構成される。先に述べたように、ノイズ除去モデル（例えば、ＭＤ２）は、畳み込みニューラルネットワークである。

[0089] さらに、一実施形態では、１つ又は複数のプロセッサはさらに、パターン付き基板の捕捉像に基づいてノイズ除去モデルを更新するように構成される。一実施形態では、ノイズ除去モデルの更新は、捕捉像を使用してノイズ除去モデルを実行して、ノイズ除去像を生成することと、ノイズ除去像と基準ノイズ除去像との比較に基づいてノイズ除去モデルの１つ又は複数のパラメータを更新することとを含む。

[0090] 本開示は、ノイズ除去像を使用する用途に限定されるものではない。半導体産業では、ノイズ除去像は、例えば検査及び計測に使用することができる。一実施形態では、ノイズ除去像は、パターン付き基板のホットスポットを決定するために使用することができる。ホットスポットは、ノイズ除去像から測定された絶対ＣＤ値に基づいて決定される。代替的に、ホットスポットは、限定されるものではないが、ラインエンドプルバック、コーナの丸み、隣り合うフィーチャの近接度、パターンのネッキング又はピンチング、所望のパターンに対するパターン変形の他の測定基準を含む、デザインルールチェックシステムで使用されるルールなどの１組の所定のルールに基づいて決定され得る。

[0091] 一実施形態では、ノイズ除去像は、パターニングプロセスを改善するために使用することができる。例えば、ノイズ除去像は、例えば、レジスト及び／又はエッチングされた像におけるコンター、ＣＤ、エッジ配置（例えば、エッジ配置エラー）などを予測するために、パターニングプロセスのシミュレーションに使用することができる。シミュレーションの目的は、例えば、プリントされるパターンのエッジ配置、及び／又は空間像強度勾配、及び／又はＣＤなどを正確に予測することである。これらの値は、例えば、パターニングプロセスを補正したり、欠陥が発生すると予測される場所を特定したりするなどために、意図されたデザインと比較することができる。意図されたデザインは、一般的に、プリＯＰＣデザインレイアウトとして定義され、ＧＤＳＩＩ若しくはＯＡＳＩＳなどの標準デジタルファイルフォーマット又は他のファイルフォーマットで提供することができる。

[0092] 幾つかの実施形態では、検査装置又は計測装置は、基板上に露光又は転写された構造（例えば、デバイスの一部又は全ての構造）の像を得る走査電子顕微鏡（ＳＥＭ）であり得る。図９は、ＳＥＭツールの実施形態を描く。電子源ＥＳＯから放出された一次電子ビームＥＢＰは、コンデンサレンズＣＬによって集束され、次いで、ビーム偏向器ＥＢＤ１、Ｅ×Ｂ偏向器ＥＢＤ２、及び対物レンズＯＬを通過し、基板テーブルＳＴ上の基板ＰＳｕｂを焦点において照射する。

[0093] 基板ＰＳｕｂに電子ビームＥＢＰを照射すると、基板ＰＳｕｂから二次電子が発生する。二次電子は、Ｅ×Ｂ偏向器ＥＢＤ２によって偏向され、二次電子検出器ＳＥＤによって検出される。例えば、ビーム偏向器ＥＢＤ１による電子ビームの二次元スキャンと、又はＸ若しくはＹ方向での基板テーブルＳＴによる基板ＰＳｕｂの連続移動と一緒のＸ若しくはＹ方向の他方でのビーム偏向器ＥＢＤ１による電子ビームＥＢＰの反復スキャンと同期して、サンプルから発生した電子を検出することによって、二次元電子ビーム像を得ることができる。

[0094] 二次電子検出器ＳＥＤによって検出された信号は、アナログ／デジタル（Ａ／Ｄ）変換器ＡＤＣによってデジタル信号に変換され、デジタル信号は、画像処理システムＩＰＵに送信される。一実施形態では、画像処理システムＩＰＵは、処理ユニットＰＵによる処理のためにデジタル像の全て又は一部を記憶するためのメモリＭＥＭを有し得る。処理ユニットＰＵ（例えば、特別に設計されたハードウェア、又はハードウェアとソフトウェアとの組み合わせ）は、デジタル像を変換又は処理して、デジタル像を表すデータセットにするように構成される。さらに、画像処理システムＩＰＵは、デジタル像及び対応するデータセットを参照データベースに記憶するように構成された記憶媒体ＳＴＯＲを有し得る。ディスプレイデバイスＤＩＳは、画像処理システムＩＰＵと接続されることがあり、その結果、オペレータは、機器の必要な操作を、グラフィカルユーザインターフェースの助けを借りて行うことができる。

[0095] 上述のように、ＳＥＭ像は、像内の、デバイス構造を表す、オブジェクトのエッジを描くコンターを抽出するために処理され得る。これらのコンターは、ＣＤなどの測定基準を用いて定量化される。従って、通常、デバイス構造の像は、エッジ間距離（ＣＤ）又は像間の単純なピクセル差などの、単純な測定基準を用いて比較され定量化される。ＣＤを測定するために像内のオブジェクトのエッジを検出する典型的なコンターモデルは、像勾配を使用する。確かに、これらのモデルは、強い像勾配に依存している。しかし、実際には、像は通常、ノイズが多く、不連続な境界を有する。平滑化、適応的閾値処理、エッジ検出、侵食、及び拡張などの技術が、像勾配コンターモデルの結果を処理して、ノイズが多く不連続な像に対処するために使用され得るが、これらの技術は、最終的には、高解像度像の低解像度定量化につながる。従って、大抵の場合、ノイズを低減しエッジ検出を自動化するためのデバイス構造の像の数学的操作は、像の解像度の損失につながり、それにより、情報の損失につながる。それゆえ、その結果は、複雑で高解像度の構造の単純な表現になる、低解像度の定量化である。

[0096] そのため、例えば、構造が、潜在的なレジスト像内にあるか、現像されたレジスト像内にあるか、又は例えばエッチングにより、基板上の層であって、解像度を維持しながらさらには構造の一般的な形状を表すことができる基板上の層に転写されているかどうかにかかわらず、パターニングプロセスを使用して生成されるか又は生成されることが期待される構造（例えば、回路フィーチャ、アライメントマーク又は計測ターゲット部分（例えば、格子フィーチャ）など）の数学的な表現を有することが望ましい。リソグラフィ又は他のパターニングプロセスの文脈において、構造は、製造中のデバイス又はその一部であり得、像は、構造のＳＥＭ像であり得る。場合により、構造は、半導体デバイス、例えば集積回路のフィーチャであり得る。この場合、構造は、半導体デバイスの複数のフィーチャを含むパターン又は所望のパターンと称されることがある。場合により、構造は、オブジェクト（例えば、基板）と別のオブジェクト（例えば、パターニングデバイス）とのアライメントを決定するためにアライメント測定プロセスで使用される、アライメントマーク、若しくはその一部（例えば、アライメントマークの格子）であり得るか、又は、パターニングプロセスのパラメータ（例えば、オーバーレイ、焦点、ドーズ量など）を測定するために使用される、計測ターゲット、若しくはその一部（例えば、計測ターゲットの格子）であり得る。一実施形態では、計測ターゲットは、例えばオーバーレイを測定するために使用される回折格子である。

[0097] 図１０は、検査装置のさらなる実施形態を模式的に示す。システムは、サンプルステージ８８上のサンプル９０（基板など）を検査するために使用され、荷電粒子ビームジェネレータ８１と、コンデンサレンズモジュール８２と、プローブ形成対物レンズモジュール８３と、荷電粒子ビーム偏向モジュール８４と、二次荷電粒子検出器モジュール８５と、画像形成モジュール８６とを含む。

[0098] 荷電粒子ビームジェネレータ８１は、一次荷電粒子ビーム９１を発生させる。コンデンサレンズモジュール８２は、生成された一次荷電粒子ビーム９１を集光する。対物レンズモジュール８３を形成するプローブは、集光された一次荷電粒子ビームを荷電粒子ビームプローブ９２に集束させる。荷電粒子ビーム偏向モジュール８４は、形成された荷電粒子ビームプローブ９２を、サンプルステージ８８上に固定されたサンプル９０上の関心対象エリアの表面にわたってスキャンする。一実施形態では、荷電粒子ビームジェネレータ８１、コンデンサレンズモジュール８２、及びプローブ形成対物レンズモジュール８３、又はそれらの同等のデザイン、代替物、若しくはそれらの任意の組み合わせは、スキャン用の荷電粒子ビームプローブ９２を発生させる荷電粒子ビームプローブジェネレータを一緒になって形成する。

[0099] 二次荷電粒子検出器モジュール８５は、サンプル表面から放出された二次荷電粒子９３（サンプル表面から反射又は散乱された他の荷電粒子も伴う可能性がある）を検出して、荷電粒子ビームプローブ９２によって衝突された時点で、二次荷電粒子検出信号９４を生成する。画像形成モジュール８６（例えば、コンピュータデバイス）は、二次荷電粒子検出器モジュール８５と結合されて、二次荷電粒子検出器モジュール８５から、二次荷電粒子検出信号９４を受け取り、それに応じて、少なくとも１つのスキャン像を形成する。一実施形態では、二次荷電粒子検出器モジュール８５及び画像形成モジュール８６、又はそれらの同等のデザイン、代替物、若しくはそれらの任意の組み合わせは、荷電粒子ビームプローブ９２によって衝突されたサンプル９０から放出された、検出された二次荷電粒子からスキャン像を形成する画像形成装置を一緒になって形成する。

[00100] 一実施形態では、モニタリングモジュール８７は、画像形成モジュール８６から受け取ったサンプル９０のスキャン像を使用して、パターニングプロセスをモニタリングして制御するために及び／又はパターニングプロセスのデザイン、制御、モニタリングなどのためのパラメータを導出するために、画像形成装置の画像形成モジュール８６に結合される。そのため、一実施形態では、モニタリングモジュール８７は、本明細書で説明する方法を実行させるように構成又はプログラムされる。一実施形態では、モニタリングモジュール８７は、コンピュータデバイスを含む。一実施形態では、モニタリングモジュール８７は、本明細書における機能を提供するためのコンピュータプログラムであって、モニタリングモジュール８７を形成する又はその中に配置されたコンピュータ可読媒体上にエンコードされたコンピュータプログラムを含む。

[00101] 一実施形態では、プローブを使用して基板を検査する図９の電子ビーム検査ツールと同じように、図１０のシステム内の電子電流が、例えば図９に描かれているようなＣＤ－ＳＥＭに比べて著しく大きいので、プローブスポットが十分に大きく、その結果、検査速度が速い可能性がある。しかしながら、分解能は、大きなプローブスポットのため、ＣＤ－ＳＥＭに比べて高くない場合がある。一実施形態では、上記で考察した検査装置は、本開示の範囲を限定することなく、単一ビーム又はマルチビーム装置であり得る。

[00102] 例えば図９及び／又は図１０のシステムからのＳＥＭ像は、像内の、デバイス構造を表す、オブジェクトのエッジを描くコンターを抽出するために処理され得る。次いで、これらのコンターは通常、ユーザ定義の切断線において、ＣＤなどの測定基準を用いて定量化される。従って、通常、デバイス構造の像は、抽出されたコンター上で測定されたエッジ間距離（ＣＤ）又は像間の単純なピクセル差などの、測定基準を用いて比較され定量化される。

[00103] 一実施形態では、プロセス２００及び／又は３００の１つ若しくは複数の手順は、コンピュータシステムのプロセッサ（例えば、コンピュータシステム１００のプロセス１０４）における命令（例えば、プログラムコード）として実施することができる。一実施形態では、計算効率を高めるために、手順が複数のプロセッサに分散され得る（例えば、並列計算）。一実施形態では、非一時的なコンピュータ可読媒体を含むコンピュータプログラム製品は、非一時的なコンピュータ可読媒体上に記憶された命令を有し、命令は、コンピュータハードウェアシステムによって実行されたときに、本明細書で説明する方法を実施する。

[00104] 本開示によれば、開示した要素の組み合わせ及び下位の組み合わせは、別個の実施形態を構成する。例えば、第１の組み合わせは、デザインパターン及びノイズ像に関係するシミュレート像に基づいてノイズ除去モデルを決定することを含む。下位の組み合わせは、ノイズ除去モデルを使用してノイズ除去像を決定することを含み得る。別の組み合わせでは、ノイズ除去像は、モデルで生成された分散データに基づいてＯＰＣ又はＳＭＯを決定する、検査プロセスにおいて用いることができる。別の例では、組み合わせは、パターニングプロセスの歩留まりを改善するために、ノイズ除去像に基づく検査データに基づいて、リソグラフィプロセス、レジストプロセス、又はエッチングプロセスに対するプロセス調節を決定することを含む。

[00105] 図１１は、本明細書で開示する方法、フロー、又は装置の実装を支援することができるコンピュータシステム１００を示すブロック図である。コンピュータシステム１００は、バス１０２又は情報を通信するための他の通信機構と、情報を処理するためにバス１０２と結合されたプロセッサ１０４（又は複数のプロセッサ１０４及び１０５）とを含む。コンピュータシステム１００は、ランダムアクセスメモリ（ＲＡＭ）又は他の動的ストレージデバイスなどの、プロセッサ１０４によって実行される情報及び命令を保存するためにバス１０２に結合されたメインメモリ１０６も含む。メインメモリ１０６は、プロセッサ１０４によって実行される命令の実行中に、一時変数又は他の中間情報を保存するためにも使用されてもよい。コンピュータシステム１００は、リードオンリーメモリ（ＲＯＭ）１０８、又はプロセッサ１０４のための静的情報及び命令を保存するためにバス１０２に結合された他の静的ストレージデバイスをさらに含む。情報及び命令を保存するための磁気ディスク又は光ディスクなどのストレージデバイス１１０が設けられると共に、バス１０２に結合される。

[00106] コンピュータシステム１００は、バス１０２を介して、情報をコンピュータユーザに表示するための、陰極線管（ＣＲＴ）、フラットパネル、又はタッチパネルディスプレイなどのディスプレイ１１２に結合されてもよい。英数字及び他のキーを含む入力デバイス１１４が、情報及びコマンド選択をプロセッサ１０４に通信するためにバス１０２に結合される。別のタイプのユーザ入力デバイスは、プロセッサ１０４に方向情報及びコマンド選択を通信するため、及びディスプレイ１１２上でカーソルの移動を制御するための、マウス、トラックボール、又はカーソル方向キーなどのカーソル制御部１１６である。この入力デバイスは、一般的に、２つの軸（第１の軸（例えばｘ）及び第２の軸（例えばｙ））において、デバイスがある面内で位置を特定することを可能にする２つの自由度を有する。タッチパネル（スクリーン）ディスプレイが、入力デバイスとして使用されてもよい。

[00107] ある実施形態によれば、本明細書における１つ又は複数の方法の部分は、メインメモリ１０６に含まれる１つ又は複数の命令の１つ又は複数のシーケンスを実行するプロセッサ１０４に応答して、コンピュータシステム１００によって行われてもよい。このような命令は、ストレージデバイス１１０などの別のコンピュータ可読媒体からメインメモリ１０６に読み込まれてもよい。メインメモリ１０６に含まれる命令のシーケンスの実行は、プロセッサ１０４に本明細書に記載のプロセスステップを行わせる。メインメモリ１０６に含まれる命令のシーケンスを実行するために、多重処理構成の１つ又は複数のプロセッサが用いられてもよい。ある代替実施形態では、ソフトウェア命令の代わりに、又はソフトウェア命令と一緒に、ハードワイヤード回路が用いられてもよい。従って、本明細書の記載は、ハードウェア回路及びソフトウェアの特定の組み合わせに限定されない。

[00108] 本明細書で使用される「コンピュータ可読媒体」という用語は、実行のためにプロセッサ１０４に命令を提供することに関与するあらゆる媒体を指す。このような媒体は、限定されないが、不揮発性媒体、揮発性媒体、及び伝送媒体を含む、多くの形態をとり得る。不揮発性媒体は、例えば、ストレージデバイス１１０などの光又は磁気ディスクを含む。揮発性媒体は、メインメモリ１０６などの動的メモリを含む。伝送媒体は、同軸ケーブル、銅線及び光ファイバ（バス１０２を含むワイヤを含む）を含む。伝送媒体は、無線周波数（ＲＦ）及び赤外線（ＩＲ）データ通信中に生成されるものなどの、音波又は光波の形態もとり得る。コンピュータ可読媒体の一般的形態は、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、磁気テープ、その他の磁気媒体、ＣＤ－ＲＯＭ、ＤＶＤ、その他の光媒体、パンチカード、紙テープ、孔のパターンを有したその他の物理媒体、ＲＡＭ、ＰＲＯＭ、及びＥＰＲＯＭ、ＦＬＡＳＨ－ＥＰＲＯＭ、その他のメモリチップ又はカートリッジ、以下に記載されるような搬送波、又はコンピュータが読み取ることができるその他の媒体を含む。

[00109] コンピュータ可読媒体の様々な形態が、実行のためにプロセッサ１０４に１つ又は複数の命令の１つ又は複数のシーケンスを運ぶことに関与してもよい。例えば、命令は、最初は、リモートコンピュータの磁気ディスクにある場合がある。リモートコンピュータは、命令をそれの動的メモリにロードし、及びモデムを使用して電話回線上で命令を送ることができる。コンピュータシステム１００にローカルなモデムが、電話回線上のデータを受信し、及び赤外線送信機を用いてデータを赤外線信号に変換することができる。バス１０２に結合された赤外線検出器が、赤外線信号で搬送されたデータを受信し、及びそのデータをバス１０２にのせることができる。バス１０２は、データをメインメモリ１０６に搬送し、そこからプロセッサ１０４が、命令の読み出し及び実行を行う。メインメモリ１０６によって受信された命令は、任意選択的に、プロセッサ１０４による実行の前又は後に、ストレージデバイス１１０に保存されてもよい。

[00110] コンピュータシステム１００は、バス１０２に結合された通信インターフェース１１８も含み得る。通信インターフェース１１８は、ローカルネットワーク１２２に接続されたネットワークリンク１２０に結合する双方向データ通信も提供する。例えば、通信インターフェース１１８は、対応するタイプの電話回線にデータ通信接続を提供するデジタル総合サービス網（ＩＳＤＮ）カード又はモデムでもよい。別の例として、通信インターフェース１１８は、互換性のあるＬＡＮへのデータ通信接続を提供するローカルエリアネットワーク（ＬＡＮ）カードでもよい。ワイヤレスリンクが実施されてもよい。このような実施において、通信インターフェース１１８は、様々なタイプの情報を表すデジタルデータストリームを搬送する電気、電磁、又は光信号の送信及び受信を行う。

[00111] ネットワークリンク１２０は、一般的に、１つ又は複数のネットワークを通して、他のデータデバイスにデータ通信を提供する。例えば、ネットワークリンク１２０は、ローカルネットワーク１２２を通して、ホストコンピュータ１２４又はインターネットサービスプロバイダ（ＩＳＰ）１２６によって操作されるデータ機器への接続を提供することができる。ＩＳＰ１２６は、次に、ワールドワイドパケットデータ通信ネットワーク（現在、一般に「インターネット」１２８と呼ばれる）によるデータ通信サービスを提供する。ローカルネットワーク１２２及びインターネット１２８は共に、デジタルデータストリームを搬送する電気、電磁、又は光信号を使用する。コンピュータシステム１００に対して、及びコンピュータシステム１００からデジタルデータを搬送する、様々なネットワークを通る信号、及びネットワークリンク１２０上の、及び通信インターフェース１１８を通る信号は、情報を運ぶ搬送波の形態例である。

[00112] コンピュータシステム１００は、１つ又は複数のネットワーク、ネットワークリンク１２０、及び通信インターフェース１１８を通して、メッセージを送信すること、及びプログラムコードを含むデータを受信することができる。インターネット例では、サーバ１３０は、インターネット１２８、ＩＳＰ１２６、ローカルネットワーク１２２、及び通信インターフェース１１８を通して、アプリケーションプログラムの要求コードを送信する場合がある。そのようなダウンロードされたあるアプリケーションは、本明細書における方法の全て又は一部を提供することができる。受信されたコードは、受信された際にプロセッサ１０４によって実行されてもよく、及び／又は後で実行するためにストレージデバイス１１０又は他の不揮発性ストレージに保存されてもよい。このようにして、コンピュータシステム１００は、搬送波の形態のアプリケーションコードを取得してもよい。

[00113] 図１２は、本明細書に記載する技術と組み合わせて利用することができる例示的リソグラフィ投影装置を模式的に描く。この装置は、以下を含む：
－放射ビームＢを調節するための照明システムＩＬ。この特定のケースでは、照明システムは、放射源ＳＯも含む；
－パターニングデバイスＭＡ（例えば、レチクル）を保持するためのパターニングデバイスホルダを備え、且つアイテムＰＳに対してパターニングデバイスを正確に位置決めするための第１のポジショナに接続された第１のオブジェクトテーブル（例えば、パターニングデバイステーブル）ＭＴ；
－基板Ｗ（例えば、レジストコートシリコンウェーハ）を保持するための基板ホルダを備え、且つアイテムＰＳに対して基板を正確に位置決めするための第２のポジショナに接続された第２のオブジェクトテーブル（基板テーブル）ＷＴ；
－パターニングデバイスＭＡの照射部分を基板Ｗのターゲット部分Ｃ（例えば、１つ又は複数のダイを含む）上に結像する投影システム（「レンズ」）ＰＳ（例えば、屈折型、反射型、又は反射屈折型光学システム）。

[00114] 本明細書で描かれるように、本装置は、透過型（すなわち、透過型パターニングデバイスを有する）である。しかし一般に、それは、例えば反射型（反射型パターニングデバイスを有する）でもよい。本装置は、従来のマスクとは異なる種類のパターニングデバイスを用いてもよく、例には、プログラマブルミラーアレイ又はＬＣＤマトリックスが含まれる。

[00115] ソースＳＯ（例えば、水銀ランプ又はエキシマレーザ、ＬＰＰ（レーザ生成プラズマ）ＥＵＶソース）は、放射ビームを生成する。このビームは、照明システム（イルミネータ）ＩＬに対して、そのまま、又は例えばビームエキスパンダＥｘなどの調節手段を横断した後に、供給される。イルミネータＩＬは、ビームの強度分布の外側及び／又は内側半径範囲（一般的に、それぞれσ-outer及びσ-innerと呼ばれる）を設定するための調節手段ＡＤを含み得る。さらにそれは、一般に、インテグレータＩＮ及びコンデンサＣＯなどの様々な他のコンポーネントを含む。このようにして、パターニングデバイスＭＡに衝突するビームＢは、断面に所望の均一性及び強度分布を有する。

[00116] 図１２に関して、ソースＳＯは、リソグラフィ投影装置のハウジング内に位置してもよいが（大抵の場合、ソースＳＯが、例えば水銀ランプのとき）、リソグラフィ投影装置から離れた位置にあり、それが生成する放射ビームが装置内に導き入れられてもよい（例えば、適宜の誘導ミラーを用いて）ことに留意されたい。この後者のシナリオは、ソースＳＯがエキシマレーザ（例えば、ＫｒＦ、ＡｒＦ、又はＦ２レージングに基づく）であるケースが多い。

[00117] 続いて、ビームＰＢは、パターニングデバイステーブルＭＴ上に保持されるパターニングデバイスＭＡと交差する。ビームＢは、パターニングデバイスＭＡを横断した後、ビームＢの焦点を基板Ｗのターゲット部分Ｃに合わせるレンズＰＬを通過する。第２の位置決め手段（及び干渉測定手段ＩＦ）を用いて、例えば異なるターゲット部分ＣをビームＰＢのパス内に位置決めするように、基板テーブルＷＴを正確に移動させることができる。同様に、例えば、パターニングデバイスライブラリからのパターニングデバイスＭＡの機械検索後に、又はスキャン中に、第１の位置決め手段を用いて、ビームＢのパスに対してパターニングデバイスＭＡを正確に位置決めすることができる。一般に、オブジェクトテーブルＭＴ、ＷＴの移動は、図１２には明示的に描かれない、ロングストロークモジュール（粗動位置決め）及びショートストロークモジュール（微動位置決め）を用いて実現される。但しステッパの場合は（ステップアンドスキャンツールとは対照的に）、パターニングデバイステーブルＭＴは、ショートストロークアクチュエータのみに接続されてもよく、又は固定されてもよい。

[00118] 描かれたツールは、２つの異なるモードで使用され得る：
－ ステップモードでは、パターニングデバイステーブルＭＴは、基本的に静止したままであり、及びパターニングデバイス像全体が、一回（すなわち、単一の「フラッシュ」）でターゲット部分Ｃ上に投影される。次いで、異なるターゲット部分ＣがビームＰＢによって照射され得るように、基板テーブルＷＴが、ｘ及び／又はｙ方向にシフトされる；
－ スキャンモードでは、所与のターゲット部分Ｃが、単一の「フラッシュ」で露光されないことを除き、基本的に同じシナリオがあてはまる。代わりに、パターニングデバイステーブルＭＴは、投影ビームＢがパターニングデバイス像上をスキャンさせられるように、速度ｖで、所与の方向（いわゆる「スキャン方向」、例えば、ｙ方向）に移動可能である。並行して、基板テーブルＷＴが、速度Ｖ＝Ｍｖ（Ｍは、レンズＰＬの倍率である（一般的に、Ｍ＝１／４又は１／５））で、同じ又は反対方向に同時に移動される。このようにして、解像度を妥協する必要なしに、比較的大きなターゲット部分Ｃを露光させることができる。

[00119] 図１３は、本明細書に記載される技術と共に利用することができる別の例示的リソグラフィ投影装置ＬＡを模式的に示す。

[00120] リソグラフィ投影装置ＬＡは、以下を含む：
－ ソースコレクタモジュールＳＯ
－ 放射ビームＢ（例えば、ＥＵＶ放射）を調節するように構成された照明システム（イルミネータ）ＩＬ
－ パターニングデバイス（例えば、マスク又はレチクル）ＭＡを支持するように構築され、且つパターニングデバイスを正確に位置決めするように構成された第１のポジショナＰＭに接続されたサポート構造（例えば、パターニングデバイステーブル）ＭＴ
－ 基板（例えば、レジストコートウェーハ）Ｗを保持するように構築され、且つ基板を正確に位置決めするように構成された第２のポジショナＰＷに接続された基板テーブル（例えば、ウェーハテーブル）ＷＴ、及び
－ パターニングデバイスＭＡによって放射ビームＢに付与されたパターンを基板Ｗのターゲット部分Ｃ（例えば、１つ又は複数のダイを含む）上に投影するように構成された投影システム（例えば、反射型投影システム）ＰＳ。

[00121] ここに描かれているように、装置ＬＡは、反射型（例えば、反射型パターニングデバイスを用いる）である。ほとんどの材料が、ＥＵＶ波長範囲内で吸収性であるので、パターニングデバイスは、例えば、モリブデン及びシリコンのマルチスタックを含む多層リフレクタを有し得ることに留意されたい。一例では、マルチスタックリフレクタは、各層の厚さが４分の１波長である、モリブデン及びシリコンの４０層ペアを有する。さらに小さな波長が、Ｘ線リソグラフィを用いて生成され得る。ほとんどの材料が、ＥＵＶ及びｘ線波長で吸収性であるので、パターニングデバイストポグラフィ上の薄い一片のパターン付き吸収材料（例えば、多層リフレクタ上のＴａＮアブゾーバ）は、どこにフィーチャが印刷され（ポジ型レジスト）、又は印刷されないか（ネガ型レジスト）を定義する。

[00122] 図１３を参照すると、イルミネータＩＬが、ソースコレクタモジュールＳＯから極端紫外線放射（ＥＵＶ）ビームを受ける。ＥＵＶ放射を生成する方法は、必ずしも限定されないが、ＥＵＶ範囲において１つ又は複数の輝線を備えた少なくとも１つの元素（例えば、キセノン、リチウム、又はスズ）を有するプラズマ状態に材料を変換することを含む。レーザ生成プラズマ（「ＬＰＰ」）と呼ばれることが多い、そのような１つの方法では、プラズマは、線発光元素を有する材料の小滴、ストリーム、又はクラスタなどの燃料をレーザビームで照射することによって生成され得る。ソースコレクタモジュールＳＯは、燃料を励起するレーザビームを提供するレーザ（図１３では不図示）を含むＥＵＶ放射システムの一部でもよい。その結果生じるプラズマが、出力放射（例えば、ＥＵＶ放射）を放出し、これが、ソースコレクタモジュールに配置される放射コレクタを用いて収集される。レーザ及びソースコレクタモジュールは、例えば、燃料励起用のレーザビームを提供するためにＣＯ２レーザが使用される場合には、別個のエンティティでもよい。

[00123] このようなケースでは、レーザは、リソグラフィ装置の一部を形成するとはみなされず、及び放射ビームは、例えば、適宜の誘導ミラー及び／又はビームエキスパンダを含むビームデリバリシステムを用いて、レーザからソースコレクタモジュールへと渡される。他のケースでは、例えばソースが、ＤＰＰソースと呼ばれることが多い、放電生成プラズマＥＵＶジェネレータである場合、ソースは、ソースコレクタモジュールの一体化部分でもよい。

[00124] イルミネータＩＬは、放射ビームの角度強度分布を調節するためのアジャスタを含み得る。一般に、イルミネータの瞳面の強度分布の少なくとも外側及び／又は内側半径範囲（一般的に、それぞれσ-outer及びσ-innerと呼ばれる）が、調節され得る。さらに、イルミネータＩＬは、ファセットフィールド及び瞳ミラーデバイスなどの様々な他のコンポーネントを含み得る。イルミネータを使用して、断面に所望の均一性及び強度分布を有するように放射ビームを調整することができる。

[00125] 放射ビームＢは、サポート構造（例えば、パターニングデバイステーブル）ＭＴ上に保持されるパターニングデバイス（例えば、マスク）ＭＡに入射し、及びパターニングデバイスによってパターン付けされる。放射ビームＢは、パターニングデバイス（例えば、マスク）ＭＡから反射された後、ビームの焦点を基板Ｗのターゲット部分Ｃに合わせる投影システムＰＳを通過する。第２のポジショナＰＷ及び位置センサＰＳ２（例えば、干渉デバイス、リニアエンコーダ、又は静電容量センサ）を用いて、例えば異なるターゲット部分Ｃを放射ビームＢのパス内に位置決めするように、基板テーブルＷＴを正確に移動させることができる。同様に、第１のポジショナＰＭ及び別の位置センサＰＳ１を用いて、放射ビームＢのパスに対してパターニングデバイス（例えば、マスク）ＭＡを正確に位置決めすることができる。パターニングデバイス（例えば、マスク）ＭＡ及び基板Ｗは、パターニングデバイスアライメントマークＭ１、Ｍ２及び基板アライメントマークＰ１、Ｐ２を用いてアライメントされてもよい。

[00126] 描かれた装置ＬＡは、以下のモードの少なくとも１つで使用され得る：
１．ステップモードでは、放射ビームに付与されたパターン全体が、一回でターゲット部分Ｃ上に投影される間に、サポート構造（例えば、パターニングデバイステーブル）ＭＴ及び基板テーブルＷＴは、基本的に静止したままである（すなわち、単一静的露光）。次いで、異なるターゲット部分Ｃが露光され得るように、基板テーブルＷＴが、Ｘ及び／又はＹ方向にシフトされる。
２．スキャンモードでは、放射ビームに付与されたパターンが、ターゲット部分Ｃ上に投影される間に、サポート構造（例えば、パターニングデバイステーブル）ＭＴ及び基板テーブルＷＴは、同期してスキャンされる（すなわち、単一動的露光）。サポート構造（例えば、パターニングデバイステーブル）ＭＴに対する基板テーブルＷＴの速度及び方向は、投影システムＰＳの縮小及び像反転特性によって決定され得る。
３．別のモードでは、放射ビームに付与されたパターンが、ターゲット部分Ｃ上に投影される間に、サポート構造（例えば、パターニングデバイステーブル）ＭＴは、プログラマブルパターニングデバイスを保持して基本的に静止したままであり、且つ基板テーブルＷＴは、移動又はスキャンされる。このモードでは、一般にパルス放射源が用いられ、及びプログラマブルパターニングデバイスが、基板テーブルＷＴの各移動後に、又はスキャン中の連続する放射パルスの合間に、必要に応じて更新される。この動作モードは、上記で言及したようなタイプのプログラマブルミラーアレイなどのプログラマブルパターニングデバイスを利用するマスクレスリソグラフィに容易に適用することができる。

[00127] 図１４は、ソースコレクタモジュールＳＯ、照明システムＩＬ、及び投影システムＰＳを含む装置ＬＡをより詳細に示す。ソースコレクタモジュールＳＯは、ソースコレクタモジュールＳＯの閉鎖構造２２０内で真空環境が維持され得るように、構築及び配置される。ＥＵＶ放射放出プラズマ２１０は、放電生成プラズマ源によって形成され得る。ＥＵＶ放射は、ガス又は蒸気（例えば、電磁スペクトルのＥＵＶ範囲内の放射を放出するために、超高温プラズマ２１０が作られるＸｅガス、Ｌｉ蒸気、又はＳｎ蒸気）によって生成され得る。超高温プラズマ２１０は、例えば、少なくとも部分的にイオン化されたプラズマを生じさせる放電によって作られる。Ｘｅ、Ｌｉ、Ｓｎ蒸気又は任意のその他の適宜のガス若しくは蒸気の例えば１０Ｐａの分圧が、放射の効率的生成に必要とされ得る。ある実施形態では、励起スズ（Ｓｎ）のプラズマは、ＥＵＶ放射を生成するために提供される。

[00128] 高温プラズマ２１０によって放出された放射は、ソースチャンバ２１１から、ソースチャンバ２１１の開口内、又はその後ろに位置する任意選択的なガスバリア又は汚染物質トラップ２３０（場合によっては、汚染物質バリア又はフォイルトラップとも呼ばれる）を介して、コレクタチャンバ２１２内へと渡される。汚染物質トラップ２３０は、チャネル構造を含み得る。汚染物質トラップ２３０は、ガスバリア、又はガスバリア及びチャネル構造の組み合わせも含み得る。本明細書にさらに示される汚染物質トラップ又は汚染物質バリア２３０は、当該技術分野で知られているように、少なくともチャネル構造を含む。

[00129] コレクタチャンバ２１１は、いわゆる斜入射型コレクタでもよい放射コレクタＣＯを含み得る。放射コレクタＣＯは、上流放射コレクタ側２５１及び下流放射コレクタ側２５２を有する。コレクタＣＯを横断する放射は、格子スペクトルフィルタ２４０に反射して、一点鎖線「Ｏ」によって示される光軸に沿った仮想光源点ＩＦに焦点を合わせることができる。仮想光源点ＩＦは、一般的に中間焦点と呼ばれ、及びソースコレクタモジュールは、中間焦点ＩＦが、閉鎖構造２２０の開口２２１に、又はその付近に位置するように配置される。仮想光源点ＩＦは、放射放出プラズマ２１０の像である。

[00130] 続いて、放射は、パターニングデバイスＭＡにおいて放射ビーム２１の所望の角度分布、及びパターニングデバイスＭＡにおいて放射強度の所望の均一性を提供するように配置されたファセットフィールドミラーデバイス２２及びファセット瞳ミラーデバイス２４を包含し得る照明システムＩＬを横断する。サポート構造ＭＴによって保持されたパターニングデバイスＭＡにおける放射ビーム２１の反射時に、パターン付きビーム２６が形成され、及びパターン付きビーム２６は、投影システムＰＳによって、反射要素２８、３０を介して、基板テーブルＷＴによって保持される基板Ｗ上に結像される。

[00131] 一般に、図示されるよりも多くの要素が、照明光学系ユニットＩＬ及び投影システムＰＳ内に存在し得る。格子スペクトルフィルタ２４０が、リソグラフィ装置のタイプに応じて、任意選択的に存在してもよい。さらに、図面に示されるミラーよりも多くのミラーが存在してもよく、例えば、図１４に示されるよりも１～６個の追加の反射要素が、投影システムＰＳに存在してもよい。

[00132] 図１４に示されるようなコレクタ系ＣＯは、コレクタ（又はコレクタミラー）の単なる一例として、斜入射型リフレクタ２５３、２５４、及び２５５を備えた入れ子式コレクタとして描かれる。斜入射型リフレクタ２５３、２５４、及び２５５は、光軸Ｏに対して軸対称に配置され、及びこのタイプのコレクタ系ＣＯは、ＤＰＰソースと呼ばれることが多い、放電生成プラズマ源と組み合わせて使用され得る。

[00133] 代替的に、ソースコレクタモジュールＳＯは、図１５に示すように、ＬＰＰ放射システムの一部であってもよい。レーザＬＡは、レーザエネルギーをキセノン（Ｘｅ）、スズ（Ｓｎ）、又はリチウム（Ｌｉ）などの燃料に堆積させ、数十ｅＶの電子温度の高イオン化プラズマ２１０を生成するように配置される。脱励起及びこれらのイオンの再結合中に生成されるエネルギー放射は、プラズマから放出され、近法線入射コレクタ系ＣＯによって収集され、及び閉鎖構造２２０の開口２２１上に焦点が合わせられる。

[00134] 本明細書に開示する概念は、サブ波長フィーチャを結像するための一般的結像システムのシミュレーション又は数学的モデル化を行うことができ、及び特に、より短い波長を生成することが可能な新しい結像技術にとって有用となり得る。既に使用されている新しい技術には、ＡｒＦレーザを使用して１９３ｎｍの波長、及びフッ素レーザを使用して１５７ｎｍの波長さえ生成可能な、ＥＵＶ（極端紫外線）、ＤＵＶリソグラフィが含まれる。また、ＥＵＶリソグラフィは、２０～５ｎｍの範囲内で光子を生成するために、シンクロトロンを使用することによって、又は材料（固体又はプラズマ）に高エネルギー電子をぶつけることによって、この範囲内の波長を生成することが可能である。

[00135] 本開示の実施形態については、以下の条項によってさらに説明することができる。
１．ノイズ除去モデルを記憶するとともに、１つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供するノイズ除去モデル命令によってノイズ除去像を生成する、１つ又は複数の非一時的なコンピュータ可読媒体であって、ノイズ除去モデルは、
デザインパターンを第１の組のシミュレート像に変換することと、
第１の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第２の組のシミュレート像を得ることであって、第２の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、
基準ノイズ除去像をフィードバックとして使用して、基本ノイズ除去モデルの１つ又は複数の構成を更新することであって、１つ又は複数の構成は、基準ノイズ除去像と第２の組のシミュレート像との比較に基づいて更新される、更新することと
によって生成される、非一時的なコンピュータ可読媒体。
２．第１の組のシミュレート像の各像は、シミュレートＳＥＭ像と像ノイズとの組み合わせである、条項１に記載の媒体。
３．デザインパターンを変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレートＳＥＭ像を生成することを含む、条項２に記載の媒体。
４．トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、捕捉された各像は、デザインパターンと関連付けられる、条項３に記載の媒体。
５．捕捉像は、走査電子顕微鏡（ＳＥＭ）を介して取得されたＳＥＭ像である、条項４に記載の媒体。
６．像ノイズは、パターン付き基板の捕捉像から抽出されたノイズである、条項５に記載の媒体。
７．トレーニング済みモデルは、第１の機械学習モデルである、条項３～６のいずれか一項に記載の媒体。
８．トレーニング済みモデルは、敵対的生成ネットワークを使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項７に記載の媒体。
９．トレーニング済みモデルは、所与のデザインパターンについてのシミュレートＳＥＭ像を生成するように構成された生成モデルである、条項８に記載の媒体。
１０．像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項２～９のいずれか一項に記載の媒体。
１１．基準ノイズ除去像は、デザインパターンと関連付けられたシミュレートＳＥＭ像である、条項２～１０のいずれか一項に記載の媒体。
１２．ノイズ除去モデルは、第２の機械学習モデルである、条項１～１１のいずれか一項に記載の媒体。
１３．ノイズ除去モデルは、畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項１～１２のいずれか一項に記載の媒体。
１４．デザインパターンは、グラフィックデータ信号（ＧＤＳ）ファイルフォーマットである、条項１～１３のいずれか一項に記載の媒体。
１５．パターン付き基板の像を捕捉するように構成された電子ビーム光学系と、
捕捉像を入力として使用してノイズ除去モデルを実行してパターン付き基板のノイズ除去像を生成するように構成された１つ又は複数のプロセッサと
を含む、システム。
１６．ノイズ除去モデルは、畳み込みニューラルネットワークである、条項１５に記載のシステム。
１７．１つ又は複数のプロセッサはさらに、グラフィックデータ信号（ＧＤＳ）ファイルフォーマットで提供されるデザインパターンを使用してトレーニング済みモデルを実行して、シミュレート像を生成するように構成される、条項１５又は１６に記載のシステム。
１８．１つ又は複数のプロセッサはさらに、パターン付き基板の捕捉像に基づいてノイズ除去モデルを更新するように構成される、条項１５～１７のいずれか一項に記載のシステム。
１９．１つ又は複数のプロセッサはさらに、ノイズ除去像と基準ノイズ除去像との比較に基づいてノイズ除去モデルの１つ又は複数のパラメータを更新するように構成される、条項１５～１８のいずれか一項に記載のシステム。
２０．ノイズ除去モデルは、
デザインパターンを第１の組のシミュレート像に変換することと、
第１の組のシミュレート像を入力として基本ノイズ除去モデルに提供して、第２の組のシミュレート像を得ることであって、第２の組のシミュレート像は、デザインパターンと関連付けられたノイズ除去像である、得ることと、
基準ノイズ除去像をフィードバックとして使用して、基本ノイズ除去モデルの１つ又は複数の構成を更新することであって、１つ又は複数の構成は、基準ノイズ除去像と第２の組のシミュレート像との比較に基づいて更新される、更新することと
によって生成される、条項１５～１９のいずれか一項に記載のシステム。
２１．第１の組のシミュレート像の各像は、シミュレートＳＥＭ像と像ノイズとの組み合わせである、条項２０に記載のシステム。
２２．ノイズ除去モデルをトレーニングするための方法であって、
デザインパターンを第１の組のシミュレート像に変換することと、
第１の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることであって、ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、トレーニングすることと
を含む、方法。
２３．デザインパターンを第１の組のシミュレート像に変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレート像を生成することを含む、条項２２に記載の方法。
２４．トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、条項２３に記載の方法。
２５．捕捉像は、走査電子顕微鏡（ＳＥＭ）を介して取得されたＳＥＭ像である、条項２４に記載の方法。
２６．第１の組のシミュレート像に像ノイズを加えて第２の組のシミュレート像を生成することをさらに含み、像ノイズは、パターン付き基板の捕捉像から抽出される、条項２５に記載の方法。
２７．ノイズ除去モデルをトレーニングすることは、第１の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することを含む、条項２６に記載の方法。
２８．トレーニング済みモデルは、第１の機械学習モデルである、条項２３～２７のいずれか一項に記載の方法。
２９．トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項２８に記載の方法。
３０．トレーニング済みモデルは、所与のデザインパターンについてのシミュレートＳＥＭ像を生成するように構成された生成モデルである、条項２９に記載の方法。
３１．像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項２２～３０のいずれか一項に記載の方法。
３２．ノイズ除去モデルは、第２の機械学習モデルである、条項２３～３１のいずれか一項に記載の方法。
３３．ノイズ除去モデルは、畳み込みニューラルネットワークである、条項２２～３２のいずれか一項に記載の方法。
３４．デザインパターンは、グラフィックデータ信号（ＧＤＳ）ファイルフォーマットである、条項２２～３３のいずれか一項に記載の方法。
３５．計測ツールを介して、パターン付き基板のＳＥＭ像を得ることと、
ＳＥＭ像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去ＳＥＭ像を生成することと
をさらに含む、条項２２～２４のいずれか一項に記載の方法。
３６．ノイズ除去モデルを記憶するとともに、１つ又は複数のプロセッサによって実行されたときにノイズ除去モデルを提供するノイズ除去モデル命令によってノイズ除去像を生成する、１つ又は複数の非一時的なコンピュータ可読媒体であって、ノイズ除去モデルは、
デザインパターンを第１の組のシミュレート像に変換することと、
第１の組のシミュレート像と像ノイズとに基づいてノイズ除去モデルをトレーニングすることであって、ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、トレーニングすることと
によって生成される、非一時的なコンピュータ可読媒体。
３７．変換することは、デザインパターンを入力として使用してトレーニング済みモデルを実行して、シミュレート像を生成することを含む、条項３６に記載の媒体。
３８．トレーニング済みモデルは、デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、条項３７に記載の媒体。
３９．捕捉像は、走査電子顕微鏡（ＳＥＭ）を介して取得されたＳＥＭ像である、条項３８に記載の媒体。
４０．第１の組のシミュレート像に像ノイズを加えて第２の組のシミュレート像を生成することをさらに含み、像ノイズは、パターン付き基板の捕捉像から抽出される、条項３９に記載の媒体。
４１．トレーニング済みモデルは、第１の機械学習モデルである、条項３７～４０のいずれか一項に記載の媒体。
４２．トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークである、条項４１に記載の媒体。
４３．トレーニング済みモデルは、所与のデザインパターンについてのシミュレートＳＥＭ像を生成するように構成された生成モデルである、条項４２に記載の媒体。
４４．像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、条項３６～４３のいずれか一項に記載の媒体。
４５．ノイズ除去モデルは、第２の機械学習モデルである、条項３６～４４のいずれか一項に記載の媒体。
４６．ノイズ除去モデルをトレーニングすることは、第１の組のシミュレート像と像ノイズと捕捉像とをトレーニングデータとして使用することを含む、条項３８～４５のいずれか一項に記載の媒体。
４７．ノイズ除去モデルは、畳み込みニューラルネットワークである、条項３６～４６のいずれか一項に記載の媒体。
４８．デザインパターンは、グラフィックデータ信号（ＧＤＳ）ファイルフォーマットである、条項３６～４７のいずれか一項に記載の媒体。
４９．計測ツールを介して、パターン付き基板のＳＥＭ像を得ることと、
ＳＥＭ像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去ＳＥＭ像を生成することと
をさらに含む、条項３６～４８のいずれか一項に記載の媒体。

[00136] 本明細書に開示する概念は、シリコンウェーハなどの基板上の結像のために使用され得るが、開示した概念は、あらゆるタイプのリソグラフィ結像システム（例えば、シリコンウェーハ以外の基板上の結像に使用されるもの）に使用され得ることが理解されるものとする。

[00137] 上記の説明は、限定的ではなく、例示であるように意図されている。従って、以下に提示する特許請求の範囲から逸脱することなく、説明したように修正が加えられ得ることは、当業者には明らかであろう。

Claims (15)

1. ノイズ除去モデルをトレーニングするための方法であって、
   デザインパターンを第１の組のシミュレート像に変換することと、
   前記第１の組のシミュレート像と像ノイズとに基づいて前記ノイズ除去モデルをトレーニングすることであって、前記ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、前記トレーニングすることと
   を含む、方法。
2. 前記デザインパターンを前記第１の組のシミュレート像に前記変換することは、前記デザインパターンを入力として使用して前記シミュレート像を生成するように構成されたトレーニング済みモデルを実行することを含む、請求項１に記載の方法。
3. 前記トレーニング済みモデルは、前記デザインパターンとパターン付き基板の捕捉像とに基づいてトレーニングされ、各捕捉像は、デザインパターンと関連付けられる、請求項２に記載の方法。
4. 前記捕捉像は、走査電子顕微鏡（ＳＥＭ）を介して取得されたＳＥＭ像である、請求項３に記載の方法。
5. 前記第１の組のシミュレート像に前記像ノイズを加えて第２の組のシミュレート像を生成することをさらに含み、前記像ノイズは、前記パターン付き基板の前記捕捉像から抽出される、請求項４に記載の方法。
6. 前記ノイズ除去モデルを前記トレーニングすることは、前記第１の組のシミュレート像と前記像ノイズと前記捕捉像とをトレーニングデータとして使用することを含む、請求項５に記載の方法。
7. 前記トレーニング済みモデルは、第１の機械学習モデルを含む、請求項２に記載の方法。
8. 前記トレーニング済みモデルは、敵対的生成ネットワークトレーニング方法を使用してトレーニングされた畳み込みニューラルネットワーク又は深層畳み込みニューラルネットワークを含む、請求項７に記載の方法。
9. 前記トレーニング済みモデルは、所与のデザインパターンについてのシミュレートＳＥＭ像を生成するように構成された生成モデルである、請求項８に記載の方法。
10. 前記像ノイズは、ユーザ指定パラメータによって特徴付けられる、ガウスノイズ、ホワイトノイズ、ごま塩ノイズである、請求項１に記載の方法。
11. 前記ノイズ除去モデルは、第２の機械学習モデルを含む、請求項１に記載の方法。
12. 前記デザインパターンは、グラフィックデータ信号（ＧＤＳ）ファイルフォーマットである、請求項１に記載の方法。
13. パターン付き基板の捕捉ＳＥＭ像を得ることと、
    前記捕捉ＳＥＭ像を入力像として使用してトレーニング済みノイズ除去モデルを実行して、ノイズ除去ＳＥＭ像を生成することと
    をさらに含む、請求項１に記載の方法。
14. 前記パターン付き基板の捕捉像に基づいて前記ノイズ除去モデルを更新することをさらに含む、請求項１に記載の方法。
15. プロセッサによって実行されたときに、方法であって、
    デザインパターンを第１の組のシミュレート像に変換し、
    前記第１の組のシミュレート像と像ノイズとに基づいて前記ノイズ除去モデルをトレーニングし、前記ノイズ除去モデルは、入力像のノイズ除去像を生成するように動作可能である、前記方法を前記プロセッサに実施させる、命令を記憶する、１つ又は複数の非一時的なコンピュータ可読媒体。

Images