JP5342606B2 - 欠陥分類方法及びその装置 - Google Patents

Description

本発明は、半導体ウェハ、ＴＦＴ、ホトマスクなどの薄膜デバイスを対象とした、ラン
プ光もしくはレーザ光、或いは電子線などを用いて得られた被検査対象物の画像に基づい
て微細なパターン欠陥や異物等の欠陥分類を行う欠陥分類検査方法およびその装置に関す
る。特に半導体ウェハの欠陥検査を行うのに好適な欠陥検査方法およびその装置に関する
。

半導体ウェハ、液晶ディスプレイ、ハードディスク磁気ヘッドなどの薄膜デバイスは多
数の加工工程を経て製造される。このような薄膜デバイスの製造においては、歩留まり向
上及び安定化を目的として、いくつかの一連の工程毎に外観検査が実施される。外観検査
では本来同一形状となるように形成された２つのパターンの対応する領域を、ランプ光、
レーザ光または電子線などを用いて得られた参照画像と検査画像を元に、パターン欠陥あ
るいは異物などの欠陥を検出する。すなわち、参照画像と検査画像の位置合せを行った上
で差を算出し、別途定めたしきい値と比較して差が大きくなる部分を欠陥あるいは異物と
して検出する。同時に、欠陥部の画像から輝度、サイズなどの欠陥の特徴量を算出し、そ
れらに基づいて欠陥を分類する場合もある。

例えば、特開２００２−２５７５３３公報（特許文献１）には、落射照明と斜方照明に
よる散乱光強度の違いに応じて凸欠陥である異物と凹欠陥であるスクラッチを分類する検
査装置が開示されている。このような欠陥分類機能を有する検査装置の欠陥分類条件を決
める際にはレビューによって分類すべきクラスを教示し、特徴量とクラスの関係を導く必
要がある。上記の例では分類すべきクラスとは異物あるいはスクラッチのいずれかであり
、落射照明時の散乱光強度、斜方照明時の散乱光強度を特徴量とし、２次元の散布図をも
とに弁別線を手動で設定している。

その他、分類手法には教示型とルールベース型がある。教示型は、正解クラスと対応付
けられた特徴量データの教示によって、自動的に分類器を構成するものである。特徴量空
間上での距離がもっとも近い教示済み欠陥のクラスへ分類する方法や、教示データに基づ
いて各欠陥クラスの特徴量分布を推定しておき、分類しようとする欠陥の特徴量の生起確
率が最も高いクラスへ分類する方法などが教示型の分類である。ルールベース型とは、if
-then-elseで記述されるルールに従って分類する方法である。ルールは特徴量に対するし
きい値で表現されることが多い。特許文献１に記載の分類方法もこのルールベース型の一
種である。

また、特開２００４−４７９３９号公報（特許文献２）には、任意の試料上の欠陥サン
プル群を少なくとも任意の欠陥検査装置により検査してサンプル検査情報を取得する検査
情報取得ステップと、画面上において該検査情報取得ステップにより取得されたサンプル
検査情報を基に前記任意の試料上における欠陥サンプル群の欠陥属性分布の状態を表示す
る表示ステップと画面上において該表示された欠陥属性分布の状態に基づき、欠陥サンプ
ル群の分類クラス要素を分岐要素を介して階層的に展開する決定木における各分岐要素毎
に個別の分類ルールを設定する分類ルール設定ステップとを含む決定木設定ステップとを
有する欠陥分類器の生成方法が記載されている。

特開２００２−２５７５３３公報 特開２００４−４７９３９号公報

ルールベース型の欠陥分類は、理論と経験に基づいてユーザの意図を反映させた分類条
件設定が可能であり、使用者にとって理解しやすいという利点がある。しかしながら、特
徴量の種類や、欠陥クラスの種類が多くなってくると、全てを手動で設定するのは困難で
ある課題を有していた。

一方、教示型の欠陥分類はデータを入力すると自動的に分類条件が設定されるが、ブラ
ックボックスであるため、ユーザの意図を反映させることができず、分類条件の解釈もで
きないという課題を有していた。ユーザの意図とは、例えば重要欠陥のピュリティまたは
アキュラシーまたはその両方が目標値以上になるように調整する、ある特徴量を意図的に
使用しないようにする、あるいは知識に基づいて使用する特徴量を決める、などである。

本発明の目的は、上記課題を解決すべく、ユーザの意図を反映可能な分類条件設定機能
を有する二分木構造又は教示型の分類器を用いて欠陥を分類することを可能にした欠陥分
類方法及びその装置並びに欠陥検査装置を提供することである。

上記目的を達成するため、本発明は、欠陥検査装置から取得される検出信号を基に抽出
される欠陥の特徴量に基づいて一つ以上の教示型の分類器（教示型の分類アルゴリズム）
を用いて欠陥を分類する欠陥分類方法及びその装置であって、予め欠陥クラス毎並びに全
体および最悪のピュリティおよびアキュラシーの各項目の目標分類性能について優先順位をつけて指定しておく優先順位指定過程と、予め欠陥クラスと対応付けられた特徴量データとの教示に基づいて、予め指定された学習アルゴリズムと学習パラメータを用いた学習により分類条件を設定することにより前記教示型の分類器を構築する分類器構築過程とを有し、該分類器構築過程において前記設定された分類条件による分類性能を評価して前記指定した各項目の目標分類性能をユーザの意図として満足するか否かを前記項目毎に表示することを特徴とする。

また、本発明は、欠陥検査装置から取得される検出信号を基に抽出される欠陥の特徴量
に基づいて一つ以上の教示型の分類器（教示型の分類アルゴリズム）を用いて欠陥を分類
する欠陥分類方法及びその装置であって、予め欠陥クラス毎並びに全体および最悪のピュ
リティおよびアキュラシーの各項目の目標分類性能について優先順位をつけて指定しておく優先順位指定過程と、予め欠陥クラスと対応付けられた特徴量データとの教示に基づいて、前記教示型の分類器の学習アルゴリズムと学習パラメータを網羅的に変更しながら、前記指定した各項目の目標分類性能をユーザの意図として満足するか否かを前記項目毎に評価し、該項目毎に評価した評価結果の良い前記学習アルゴリズムと学習パラメータを探索し、該探索された学習アルゴリズムと学習パラメータを用いた学習により分類条件を設定することにより前記教示型の分類器を構築する分類器構築過程とを有することを特徴とする。

また、本発明は、前記分類器を用いて欠陥を分類するための前記欠陥の特徴量は、前記
欠陥検査装置において複数の異なる条件下の各々の検査によって取得された検出信号を基
に抽出される欠陥の特徴量を、欠陥座標の突合せを行った上で統合したものであることを
特徴とする。

本発明によれば、二分木構造の分類器の構築（生成）において、二分木構造の分類器の
各分岐点の条件設定を自動で行った後、選択した分岐点以下のみ手動設定することにより
、全てを手動設定する手間をかけずに、重要欠陥のピュリティまたはアキュラシーまたは
その両方が目標値以上になるように調整する、ある特徴量を意図的に使用しないようにす
る、あるいは知識に基づいて使用する特徴量を決める、などのユーザの意図を反映させた
分類条件が設定可能となる。

また、本発明によれば、教示型の分類器の構築（生成）において、ユーザの意図を反映
させた分類条件が設定可能となる。

また、本発明によれば、二分木構造または教示型の分類器の構築（生成）において、ユ
ーザの意図として優先順位をつけて指定し、ユーザの意図の満足度を評価することにより
ユーザの意図を反映させた分類条件が設定可能となる。

本発明に係る欠陥検査装置（外観検査装置）の一実施例を示す概略構成図である。 本発明に係る被検査対象となる半導体ウェハの平面図である。 本発明に係る二分木構造の分類器の構造の一実施例を説明するための図である。 本発明に係る分類器構築手段を構成する分類条件設定部のデータの流れの一実施例を説明するための図である。 本発明に係る分類器構築手段を構成する分類条件設定用ＧＵＩの第１の実施の形態を示す図である。 本発明に係る分類条件の自動設定画面の一実施例を示す図である。 本発明に係る分類器構築手段を構成する分類条件設定部における分岐条件設定のフローの一実施例を示す図である。 本発明に係る分類条件設定を開始する時のＧＵＩの表示状態を示す図である。 本発明に係る判別基準を手動設定するためのＧＵＩの一実施例を示す図である。 本発明に係る二分木構造の分類器を構築（生成）するための分類条件を設定する途中の木構造の表示の一実施例を示す図である。 本発明に係る二分木構造の分類器を構築（生成）するために選択した分岐点以下の分岐条件を自動設定する処理のフローの一実施例を示す図である。 本発明に係る二分木構造の分類器を構築（生成）するための分岐条件を自動設定するアルゴリズムを説明するための図である。 本発明に係る分類器構築手段を構成する分類条件設定部において欠陥クラスを教示するためのＧＵＩの一実施例を示す図である。 本発明に係る欠陥検査装置（外観検査装置）の検出部の別の実施例を示す図である。 本発明に係る欠陥検査装置（外観検査装置）の別の実施例を示す概略構成図である。 本発明に係る分類器構築手段を構成する分類条件設定部においてユーザの意図について優先順位をつけて指定するためのＧＵＩの第２の実施の形態を示す図である。 本発明に係る二分木構造以外の教示型の分類器（分類アルゴリズム）を構築（生成）するための分類条件設定フローの一実施例を示す図である。 本発明に係る教示型の分類器（分類アルゴリズム）を構築（生成）するための分類条件設定においてユーザの意図の満足度評価結果を表示するＧＵＩの第２の実施の形態を示す図である。 本発明に係る二分木構造の分類器を構築（生成）するための分類条件設定フローの一実施例を示す図である。 本発明に係る二分木構造の分類器を構築（生成）するための分類条件設定においてユーザの意図の満足度評価結果を表示するＧＵＩの第２の実施の形態を示す図である。 本発明に係る二分木の分岐条件の修正方法の一実施例を説明するための図である。 本発明に係る教示型の分類器（分類アルゴリズム）を構築（生成）するための分類条件設定においてアルゴリズム選択、パラメータ設定を自動で網羅的に行いながらユーザの意図の満足度を評価し、これが最も高くなるアルゴリズムおよびパラメータを探索するフローの一実施例を示す図である。

本発明に係るユーザの意図を反映可能な分類条件設定機能を有する欠陥分類方法及びそ
の装置並びに欠陥検査方法及びその装置の実施の形態について図面を用いて説明する。

［第１の実施の形態］
本発明に係る分類条件設定機能によって構築（生成）される分類器を用いて欠陥を分類
する欠陥分類方法及びその装置並びに欠陥検査方法及びその装置の第１の実施の形態につ
いて図１乃至図１５を用いて詳細に説明する。

第１の実施の形態としては、半導体ウェハを対象とした光学式欠陥検査装置（光学式外
観検査装置）の場合について説明する。図１は光学式欠陥検査装置の構成の一実施例を示
したものである。なお、第１の実施の形態としては、光学式欠陥検査装置に限定されるも
のではなく、電子線式欠陥検査装置等にも適用可能である。１１は半導体ウェハなどの被
検査物、１２は被検査物１１を搭載し、移動させるステージ、１３は検出部で、被検査物
１１を照射するための光源１０１、光源１０１から出射した光を集光する照明光学系１０
２、照明光学系１０２で集光された照明光で被検査物１１を照明し、反射して得られる光
学像を結像させる対物レンズ１０３、結像された光学像を明るさに応じて画像信号に変換
するイメージセンサ１０４により構成される。１４は画像処理部で、検出部１３で検出さ
れた画像により試料であるウェハ上の欠陥候補を検出する。ここで、光源１０１は、例え
ばランプ光源やレーザ光源であり、イメージセンサ１０４は、例えばＣＣＤリニアセンサ
やＴＤＩセンサ、あるいはフォトマルなどである。

画像処理部１４は、検出部１３のイメージセンサ１０４からの入力信号をデジタル信号
に変換するＡＤ変換部１０５と、ＡＤ変換されたデジタル信号に対してシェーディング補
正、暗レベル補正等の画像補正を行う前処理部１０６と、隣接するダイの対応する位置か
ら検出された参照画像と検出画像との比較を行い、差の値が別途設定されたしきい値より
大きい部分を欠陥として出力する欠陥判定部１０７と、検出欠陥の位置を中心とし、予め
定められたサイズで検出画像と参照画像とを切出す画像切出部１０８と、切出した画像か
ら欠陥の特徴量を抽出（算出）する特徴量抽出部１０９と、該抽出（算出）した欠陥の特
徴量に基づいて二分木構造の分類器または教示型の分類器を用いて欠陥を分類する欠陥分
類部１１０とから構成される。なお、上記抽出した欠陥の特徴量は、上記欠陥検査装置に
おいて複数の異なる条件（光学条件や画像処理条件等が含まれる。）下の各々の検査によ
って取得された検出信号を基に抽出される欠陥の特徴量を、欠陥座標の突合せを行った上
で統合したものであっても良い。また、上記欠陥の特徴量に基づいて二分木構造の分類器
または教示型の分類器を用いて欠陥を分類する際、上記欠陥検査装置において複数の異な
る条件（光学条件や画像処理条件等が含まれる。）下の各々の検査によって取得された検
出信号を基に抽出される欠陥の特徴量を個別に用いて、上記分類器に対して設定された複
数の欠陥分類条件に従って個別に欠陥分類判定を行い、該個別に欠陥分類判定を行った結
果について信頼度の重み付投票によって統合することにより欠陥クラスを決定することも
可能である。

１５は全体制御部で、検出された欠陥の座標、特徴量、画像などを記憶する記憶装置１
１２と、ユーザからの検査パラメータの変更を受け付けたり、検出された欠陥情報を表示
したりするユーザインターフェース部１１３と、各種制御を行うＣＰＵとで構成される。
１１４は全体制御部からの制御指令に基づいてステージ１２を駆動するメカニカルコント
ローラである。なお、図示していないが、画像処理部１４、検出部１３等も全体制御部１
５からの指令により駆動される。１１１は分類条件設定部であり、欠陥の特徴量に基づき
欠陥クラスを決定する分類条件を設定する。

１６はレビュー装置であり、検査装置にはふくまれないが、データの授受が可能なよう
になっている。

このようにレビュー装置１６も含めて分類条件設定部１１１及びユーザインターフェー
ス部１１３を用いたＧＵＩ等は、二分木構造の分類器または教示型の分類器を構築（生成
）する分類器構築手段を構成することになる。

次に、図１に示す欠陥検査装置（外観検査装置）等による欠陥検出方法の一実施の形態
について説明する。

被検査物である半導体ウェハ１１は、図２に示すように同一であるはずのパターンのダ
イ２１が多数、規則的に並んでいる。画像処理部１４の欠陥判定部１０７等において、隣
接する２つのダイの同じ位置、例えば図２の領域２２とそれに隣接するチップの領域２３
との間で画像を比較し、両者の間に差異がある部分を欠陥として検出する。

その作用を説明すると、全体制御部１５では、被検査物である半導体ウェハ１１をステ
ージ１２により、例えば図２に示すスキャンＡの方向と反対の方向へ連続的に移動させる
。このステージ１２の連続的な移動に同期して、検出部１３のイメージセンサ１０４でス
キャンＡの方向に順次被検査物１１の光学像が検出されて、チップの像が検出部１３より
取り込まれる。検出部１３のイメージセンサ１０４は入力された信号を画像処理部１４に
出力する。画像処理部１４では、まず入力されたアナログ信号をＡＤ変換部１０５でデジ
タル信号に変換し、前処理部１０６にてシェーディング補正、暗レベル補正などを行う。
欠陥判定部１０７では後述する方法により、欠陥判定を行う。画像切出部１０８では、欠
陥判定部１０７等で検出された欠陥の位置を中心として予め定められたサイズで検出画像
、参照画像およびしきい値画像を切出す。

特徴量抽出部１０９では、複数の欠陥候補各々について、切出した検出画像および参照画像に基づいて欠陥のサイズを表す特徴量、欠陥の明るさ（諧調値）を表す特徴量、欠陥の形状を表す特徴量、背景の情報を表す特徴量などの欠陥分類向けの特徴量を算出する。欠陥分類部１１０では、予め分類条件設定部１１１等の分類器構築手段で構築された分類方法（二分木構造の分類器または教示型の分類器）を用いて分類を行い各欠陥のクラス情報を出力する。第１の分類方法としては、図３に示すように、欠陥を二つに分けることを繰り返して最終的に各クラスに分類する二分木構造の分類器を用いる。ただし、公知の識別手法を併せ持ち、選択可能にしておいてもよい。画像切出部１０８から出力される画像情報（欠陥の位置を中心として予め定められたサイズで切出された検出画像、参照画像およびしきい値画像等）、特徴量抽出部１０９から出力される欠陥の特徴量（欠陥のサイズを表す特徴量、欠陥の明るさ（諧調値）を表す特徴量、欠陥の形状を表す特徴量、背景の情報を表す特徴量などの欠陥分類向けの特徴量）および欠陥分類部１１０から出力される欠陥クラス情報は、記憶装置１１２に保存される。また、ユーザインターフェース部１１３を介して、ユーザに提示される。

次に、本発明に係る欠陥分類部１１０における動作について図３を用いて詳細に説明す
る。図３は、二分木構造の分類器の構造を模式的に表したものである。ルートノード３０
１には全ての欠陥クラスが含まれている。分岐点３０２では、予め決められた分岐条件に
基づいて欠陥を左側（Ｌ）と右側（Ｒ）の２つのノード３０３ａ、３０４に分ける。この
ような分岐を繰り返して最終的に各々の欠陥クラス３０３ａ〜３０３ｄに分類する。分類
条件は、分岐点毎に設定される。もっともシンプルなケースでは、特徴量１個を選択して
しきい値を設定し、しきい値未満ならば左側のグループ、しきい値以上ならば右側のグル
ープと定める。複数の特徴量を選択してそれぞれにしきい値を設定し、論理式で条件を設
定してもよい。２つのグループに分類する方法として、サポートベクターマシンなどの公
知の２クラス識別手法を採用してもよい。

次に、本発明に係る分類器構築手段を構成する分類条件設定部１１１における動作につ
いて図４〜図８を用いて説明する。

図４は分類条件設定部１１１のデータの流れを示したものである。検査装置の画像処理
部１４からは、検出した欠陥の座標、特徴量および検出画像を出力する。レビュー装置１
６は欠陥の座標を元に、レビュー、分類を行い欠陥のクラスおよびレビュー画像を出力す
る。分類条件設定部１１１は画像処理部１４から出力される欠陥の特徴量とレビュー装置
１６から出力される欠陥クラスとを対応付けたものを教示データとして、これに基づき分
類条件を設定し、該設定された分類条件を出力する。

図５は、分類条件設定部１１１におけるユーザインターフェース部１１３を用いた分類
条件設定用ＧＵＩの実施例である。木構造表示ウィンドウ５０１には図３で示した二分木
構造が表示される。小さい四角で示す分岐点のダブルクリックにより、その分岐点が選択
され、選択された分岐点は異なる色で表示される。登録ボタン５０２は設定済みの木構造
と各分岐点における分岐条件を分類レシピとして登録するためのボタンである。欠陥クラ
スリスト５０３には、木構造で表示される記号Ａ〜Ｄとレビュー装置１６から入力される
欠陥クラスコードと欠陥クラス名との対応付けが表示される。

分岐条件表示ウィンドウ５０４には、木構造表示ウィンドウ５０１で選択された分岐点の分岐条件に関する情報が表示される。欠陥クラス選択ウィンドウ５０５は、選択分岐点の左側、右側に属するクラスをチェックマークで表している。手動によるチェックの変更が可能である。特徴量分布表示ウィンドウ５０６には、各種の特徴量毎にクラス別ヒストグラムが表示される。クラスの凡例は欠陥クラス選択ウィンドウ５０５の記号ＡＢ…の横に示される。ヒストグラムの上には欠陥の特徴量名が表示され、その前のチェックボックスはその特徴量を使用しているか否かを示している。手動によるチェックの変更が可能である。

判別基準表示ウィンドウ５０７には、「ルールベース」など分類手法を表すキーワードが表示される。詳細ボタン５０８の押下により、例えば、“Ｉｎｔｅｎｓｉｔｙ＞５０⇒Ｌ”など具体的な判別基準が表示される。また、手動で判別基準を設定するためのＧＵＩが表示される。評価ウィンドウ５０９には、設定されている分岐条件によって左側グループＬと右側グループＲに分けたときの正解率が表示される。上からＬに含まれるクラス全体、Ｌに含まれる各クラス、Ｒに含まれるクラス全体、Ｒに含まれる各クラスについて、設定された判別基準によってＬに分類される欠陥数、Ｒに分類される欠陥数、正解率（アキュラシー（Accuracy））が表示される。

最下段にはピュリティ（Purity）、すなわち設定された判別基準によってＬに分類される欠陥のうちの、欠陥クラス選択ウィンドウ５０５においてＬにチェックされたクラスの欠陥数の割合（６５％＝１３／２０，８８％＝３８／４３）が表示される。右下コーナーには全体の正解率（８１．０％＝５１／６３）が表示される。自動設定ボタン５１０は、図６に示す、自動設定モード設定ウィンドウ６０１を表示し、設定されたモードに従い自動設定を実行するためのボタンである。元に戻すボタン５１１は、分岐条件表示ウィンドウ５０４上で手動および自動で変更された部分を全て元に戻すためのボタンである。登録ボタン５１２は、分岐条件表示ウィンドウ５０４上で手動および自動で変更された部分を登録するためのボタンである。

図６についてもう少し詳細に説明する。アルゴリズム選択リスト６０２は、前述のしき
い値との比較による分類手法である「ルールベース」のほか、各種分類手法の中から分類
手法を選択するためのものである。実行モード選択リスト６０３は、自動設定を行う範囲
を指定するためのものである。実行モードには、「１．以下全て」「２．選択分岐点のみ
欠陥クラス選択から」「３．選択分岐点のみ特徴量選択から」「４．選択分岐点のみ判別
基準設定から」の４つがある。以下の説明では番号を用いてモード１〜４で表す。モード
１は、選択中の分岐点以下の木構造も含めて全ての分岐条件を自動設定するモードである
。モード２〜４は選択中の分岐点のみ自動設定するモードである。これらの違いを図７を
用いて説明する。

図７は、分類条件設定部１１１における分岐条件を設定するフローを示す図である。左側と右側のグループに属する欠陥を選択するステップ（Ｓ７１）、分岐に使用する特徴量を選択するステップ（Ｓ７２）、判別基準を決定するステップ（Ｓ７３）からなる。モード２はステップＳ７１〜Ｓ７３を自動設定するモード、モード３はステップＳ７１を手動で行いステップＳ７２〜Ｓ７３を自動設定するモード、モード４はステップＳ７１、Ｓ７２を手動で行いステップＳ７３を自動設定するモード、である。パラメータボタン６０４は、選択されたアルゴリズムに対応したパラメータを設定するためのボタンであり、押下によりパラメータ設定画面が表示され、編集ができる。ＯＫボタン６０５は、選択アルゴリズムと実行モードに応じた自動設定を実行して終了するためのボタンである。キャンセルボタン６０６は自動設定を実行しないで終了するためのボタンである。

次に、図５に示すＧＵＩを用いて分類条件設定を行う手順について説明する。図８は、
分類条件設定を開始する時のＧＵＩの表示状態を示す。このとき分類条件設定部１１１に
は、欠陥特徴量データと欠陥クラス情報とが対応付けされて、教示データとして入力され
ているものとする。木構造表示ウィンドウ５０１には、ルートノードと最初の分岐点が選
択状態で表示されている。欠陥クラスリスト５０３には、入力情報から読み取れる全ての
欠陥クラスのクラスコードとクラス名が表示される。ルートノードにはすべての欠陥クラ
スに対応する記号（ＡＢＣＤ）が表示される。欠陥クラス選択ウィンドウ５０５には、す
べての欠陥クラスに対応する記号が表示されているが、チェックはどこにもされていない
状態である。特徴量分布表示ウィンドウ５０６には、欠陥特徴量データと欠陥クラス情報
とに基づき全ての特徴量についてクラス別ヒストグラムが計算され、表示されている。チ
ェックはどこにもされていない。判別基準表示ウィンドウ５０７および評価ウィンドウ５
０９にはなにも表示されていない。

ここから、手動で分類条件を設定する手順を説明する。まず、欠陥クラス選択ウィンド
ウ５０５のチェックによって、左側と右側のグループに属する欠陥クラスを選択する（ス
テップＳ７１）。ＬとＲの両方にチェックすることも可能である。選択結果にしたがって
、木構造表示ウィンドウ５０１の選択分岐点の左右のノードに欠陥クラスの記号が表示さ
れる。次に、特徴量分布表示ウィンドウ５０６の欠陥特徴量名の左のチェックにより、使
用する欠陥特徴量を選択する（ステップＳ７２）。次に、詳細ボタン５０８の押下により
表示される判別基準設定用ＧＵＩを用いて判別基準を設定する（ステップＳ７３）。

図９はユーザインターフェース部１１３を用いた判別基準設定用ＧＵＩの実施例を示す
図である。９０１は、しきい値設定ウィンドウであり、選択されている欠陥特徴量のクラ
ス別ヒストグラム９０２が表示されている。ヒストグラム９０２の上には欠陥特徴量名に
１〜Ｎの通し番号を付加して表示される。ここでＮは選択された欠陥特徴量の数である。
ライン９０３はしきい値を表しており、ウィンドウ９０４に表示される値と連動している
。ウィンドウ９０４ではスピンボタンによりヒストグラムの区間単位で値を変更すること
が可能である。ウィンドウ９０５ではしきい値未満としきい値以上とのどちらかを選択す
る。以上により特徴量１個に関する条件が設定される。この実施例では“Ｉｎｔｅｎｓｉ
ｔｙ”が５０未満ならば通し番号１の条件は真（True）となる。ウィンドウ９０６ではＬ
かＲのどちらかを選択する。ウィンドウ９０７ではウィンドウ９０６で選んだグループに
分類する条件を表す論理式を記述する。数値は選択特徴量の通し番号に対応しており、“
＊”は論理積を表す。論理和を表す“＋”やかっこも使用可能である。ＯＫボタン９０８
の押下により、入力に従って判別基準を設定し、もとの画面に戻る。キャンセルボタン９
０９の押下により、何も変更しないでもとの画面に戻る。

以上により選択中の分岐点について、分岐条件を設定することができた。評価ウィンド
ウ５０９には、欠陥クラスの選択と判別基準の設定に従って、正解率等が計算され、表示
される。登録ボタン５１２の押下により、この分岐条件が登録される。ここで、木構造表
示ウィンドウ５０１の表示は、複数の欠陥クラスが属するノードの下に新しい分岐点が表
示され、例えば図１０に示すようなものになる。この状態では、登録ボタン５０２は押下
できないようになっており、未完成の分類条件が登録されることを防ぐ。したがって新し
く追加された分岐点を選択し、同様の手順に従って分岐条件を設定する必要がある。２番
目以降の分岐点が選択されている場合、欠陥クラス選択ウィンドウ５０５は、真上のノー
ドに属さない欠陥クラスはＬＲともにチェックできないようになっている。また、特徴量
分布表示ウィンドウ５０６に表示されるヒストグラムは、真上のノードに属さない欠陥ク
ラスの欠陥および分岐条件により真上のノードに分類されない欠陥を除いて計算される。
評価ウィンドウ５０９に表示される内容も同様に、真上のノードに属さない欠陥クラスの
欠陥および分岐条件により真上のノードに分類されない欠陥を除いて計算される。分岐点
が追加されなくなるまで、すなわち全ての末端のノードに欠陥クラスが１個だけ属するよ
うに木構造を構成するまで、上記の分岐条件設定を繰り返し、登録ボタン５１２の押下に
より、木構造と各分岐点の分岐条件を分類条件として登録する。

上記手順において、選択された分岐点あるいは選択された分岐点以下の全ての分岐点に
ついて、分岐条件の自動設定が可能である。自動設定ボタン５１０はどの状態でも押下可
能である。実行モード１はいつでも選択可能である。モード１選択時の処理については後
で説明する。実行モード２もいつでも選択可能である。ステップＳ７１〜Ｓ７３を全て自
動で実行する。実行モード３は、欠陥クラス選択ウィンドウ５０５のチェックによって、
Ｌ、Ｒに属する欠陥クラスの選択が行われている場合、選択可能である。実行モード４は
、さらに特徴量分布表示ウィンドウ５０６のチェックによって特徴量の選択が行われてい
る場合、選択可能である。

図１１は、分類条件設定部１１１におけるモード１選択時の処理の流れを説明する図で
ある。まず、選択された分岐点の真上のノードに含まれる欠陥について、左側と右側のグ
ループに分岐する分岐条件を設定する（Ｓ１１１）。これはステップＳ７１〜Ｓ７３を自
動的に実行することに相当する。左側のグループに属する欠陥クラスが２種類以上であれ
ば（Ｓ１１２）、左側ノードの下に分岐点を追加し、分岐条件を設定する（Ｓ１１３）。
これはステップＳ１１１からステップＳ１１６までを再帰的に実行することに相当する。
ステップＳ１１２で左側のグループに属する欠陥クラスが１種類であればステップＳ１１
３を跳ばす。次に、ステップＳ１１４において右側のグループに属する欠陥クラスが２種
類以上であれば、右側ノードの下に分岐点を追加し、分岐条件を設定する（Ｓ１１５）。
該ステップＳ１１５の処理は、ステップＳ１１３と同様の処理である。ステップＳ１１４
で左側のグループに属する欠陥クラスが１種類であればステップＳ１１５を跳ばす。以上
で終了とする（Ｓ１１６）。図示はしていないが、上記方法で二分木を構築したあとに、
公知の方法で枝狩りを行っても良い。

ステップＳ７１〜Ｓ７３を自動実行するアルゴリズムについて図１２を用いて説明する
。図１２はアルゴリズムとして「ルールベース」を選択したときの実施例である。まず，
存在する欠陥クラスをＬとＲに分ける全組合せ、全特徴量について、分離度の評価を行い
、もっとも分離度の高い欠陥クラスの分け方（ステップＳ７１）および特徴量を選択する
（ステップＳ７２）。

図１２には縦軸をＬとＲの分け方、横軸を特徴量として、ＬＲ別の
特徴量のヒストグラムとそれに基づいて計算される分離度を示している。分離度の評価に
は、例えば特徴量観測前後のエントロピーの差を用いる。エントロピーは分割すべきグル
ープが混在する状態では高く、分離された状態では低くなるものである。分離度の評価に
マハラノビス距離、エントロピーのゲイン比、ＧＩＮＩインデックス、カルバック情報量
などを用いてもよい。次に、選択した欠陥クラスの分け方と特徴量についてカイ２乗統計
量が最大となるしきい値を求める。Ｌがしきい値未満なのかしきい値以上なのかを調べ、
判別基準とする（ステップＳ７３）。クラス別に正解率（アキュラシー（Accuracy））を
計算し、正解率が予めパラメータ設定された基準値より低い場合は、ＬとＲの両方に属す
るようにしてもよい。アルゴリズムとして、「ＦＶ（ファジーボーティング）」を選ぶ場
合もステップＳ７２までは上記と同様である。同じ欠陥クラスの分け方の中で、分離度の
２番目、３番目・・・と複数の欠陥特徴量を選んでもよい。ステップＳ７３ではヒストグ
ラムに基づいて選択した欠陥特徴量毎にクラス別の尤度関数を求め、判別基準とする。こ
のほか、サポートベクターマシン（ＳＶＭ）や線形判別法など２クラスに適した識別手法
を適用してもよい。その際、特徴量の選択は特にしないで全てを用いてもよい。分離度の
評価については、分類器の学習をして正解率を評価した結果を用いてもよい。選択対象と
なるアルゴリズムに応じて予め決めておくかパラメータで設定可能にしておけば、どのよ
うな方法でもよい。

自動設定の実行モード２を選択した場は、上記と同様の手法を用いてステップＳ７１〜
Ｓ７３を１回だけ実行する。実行モード３を選択した場合はステップＳ７２から実行する
が、分離度の評価を指定された分け方についてのみ行い、分離度最大となる欠陥特徴量を
選択することとする。ただし、ＬとＲの両方にチェックされている欠陥クラスについては
分離度の計算から除外しておく。実行モード４を選択した場合は、ステップＳ７３のみ自
動で実行する。

本発明に係る分類条件設定用ＧＵＩを用いれば、自動設定を行った後に手動でしきい値
を変更することが可能である。また、自動設定を行った後に、分岐点を追加することも可
能である。ピュリティ（Purity）が低いときに目標に近づけるための手段となる。その方
法について、説明する。

まず、図９に示す分類条件設定開始時に自動設定ボタン５１０を選択し、自動設定モード設定ウィンドウ６０１で実行モード１を選択して全ての木構造と分岐条件を自動で設定する。すると、図５に示すような木構造と評価結果が表示される。ここで、Ｌのピュリティが低い場合、Ｌに含まれる欠陥クラスを多くする。たとえば、クラスＣのＬにもチェックを入れる。すると、左側のノードにＡとＣが表示され、その下に新しい分岐点が追加される。追加された分岐点を選択して、自動設定または手動設定により、ＡとＣを分ける分岐条件を設定する。逆にＬのアキュラシーが不十分と判断した場合は、クラスＡのＲにもチェックを入れる。右側のノードはクラスＡＢＣＤ全てが表示される。その下の分岐点以下は自動または手動で設定し直す。

このように、本発明によれば、重要欠陥のピュリティまたはアキュラシーまたはその両方が目標値以上になるように調整する、ある特徴量を意図的に使用しないようにする、あるいは知識に基づいて使用する特徴量を決める、などのユーザの意図を反映させた分類条件を設定可能となる。

以上の説明において、特徴量分布表示ウィンドウ５０６に表示する欠陥特徴量データは
、特徴量抽出部１０９の出力をそのまま使うこととしていたが、欠陥特徴量毎にｘ＝（ｘ
−μ）／σの式により標準化しておくとよい。ここでｘは欠陥特徴量の値、μは平均、σ
は標準偏差である。欠陥特徴量が非負の場合、１以下の０でない実数λを用いて欠陥特徴
量の値をλ乗してスケールを変換してから標準化を行うと、正解率が向上する場合がある
。あるいは、さらに主成分分析等を用いて軸変換を施したものを用いるとよい場合もある
。また、欠陥特徴量間の比をとるなど、なんらかの演算を行って新しい欠陥特徴量を追加
したものを用いてもよい。

このような欠陥特徴量の変換、追加は、分類条件設定用ＧＵＩを用いた分類条件設定の
前に行っておくとよい。あるいは、図示していないが、特徴量分布表示ウィンドウ５０６
上の操作により、スケール変換、軸変換が可能な構成としてもよい。

以上の説明では、欠陥クラスの情報はレビュー装置１６の出力としていたが、図４に括
弧つきで示した、欠陥座標、検査画像、レビュー画像を分類条件設定部１１１に集めて、
目視分類によって教示データを作成する構成としてもよい。

図１３は、分類条件設定部１１１において、検査画像およびレビュー画像を表示して目
視分類するためのユーザインターフェース部１１３を用いた欠陥教示ＧＵＩの実施例であ
る。ウェハマップ表示ウィンドウ１３０１、ダイマップ表示ウィンドウ１３０２にはそれ
ぞれウェハ上またはダイ上の欠陥位置を表すマップを表示される。検査画像表示ウィンド
ウ１３０３には、欠陥クラス毎に欠陥ＩＤ順に検査画像が表示される。全ての欠陥が重複
なくいずれかのクラスの欄または未分類の欄に表示される。画像のドラッグアンドドロッ
プによって、対応する欠陥の欠陥クラスを教示することができる。検査情報詳細表示ウィ
ンドウ１３０４には、選択された欠陥の検査装置による欠陥画像１３０５、参照画像１３
０６、レビュー装置による欠陥画像１３０７、参照画像１３０８、特徴量一覧１３０９が
表示される。欠陥の選択は、ウェハマップ上での欠陥点のクリック、ダイマップ上での欠
陥点のクリック、検査画像表示ウィンドウ１３０３上での検査画像のクリックのいずれか
によってなされる。この方法によれば、レビューしていない欠陥についても検査画像に基
づいて欠陥クラスを教示することが可能である。判別できなければ、未分類の欄に残して
おけばよい。したがって教示サンプル数を増やすことができ、その結果正しい分類条件設
定が可能となる。このように目視分類した結果は、クラス情報付特徴量データとして記憶
装置１１２に記憶しておくとよい。

また、本実施例では最初に教示された欠陥クラスコードにそれぞれ異なる記号を割り当
てているが、欠陥クラスリスト５０３の編集機能を設け、複数の欠陥クラスを１個の欠陥
クラスとして扱えるようにすることも考えられる。本機能を使えば、分離の難しい複数の
クラスを１個のクラスとすることにより、分類正解率の向上が期待できる。

本発明に係る外観検査方法およびその装置は、本実施例における外観検査装置に限定す
るものではない。例えば、検出系１３を暗視野式あるいはＳＥＭ式とした場合にも同様の
構成として、分類条件設定が可能である。検出系１３を斜方から光を照射して対象物から
の散乱光を上方で検出する暗視野光学系とした場合の構成の実施例について、図１４を用
いて説明する。

レーザ光源１４０１から射出された光を凹レンズ１４０２と凸レンズ１４０３により構成されるビーム拡大光学系と円錐曲面レンズ（シリンドリカルレンズを光軸に対して傾けた擬似円錐曲面レンズも含む）１４０４、ミラー１４０５によってスリット状に形成し、斜方からウェハ１１に照射する。照射光をスリット状にするのは、高速に検査するためである。ウェハ１１表面上の散乱光を検出する検出光学系は、フーリエ変換レンズ１４０６、空間フィルタ１４０７、逆フーリエ変換レンズ１４０８、ＮＤフィルタ１４０９、偏光板等の光学フィルタ１４１０、イメージセンサ１０４から構成される。空間フィルタ１４０７はフーリエ変換面に置かれ、ウェハ上の繰り返しパターンからの回折光を遮光する。一方欠陥からの散乱光はフーリエ変換面で不規則に広がるため大部分が遮光されることなくイメージセンサ１０４に受光される。したがってＳ／Ｎが向上し、高感度で欠陥検出することが可能となる。イメージセンサ１０４で検出された信号は、画像処理部１４の入力となり、前述した方法と同様の方法で欠陥検出、画像切り出し、特徴量算出、欠陥分類を行う。分類条件設定部１１１の動作も同様である。

本実施例では画像検出するセンサ１０４は１個の構成としたが、異なる角度から検出する検出光学系を設け、２センサまたはそれ以上で画像検出し、それぞれに欠陥検出、画像切り出し、特徴抽出して得られる特徴量データを、併せて用いて欠陥分類する構成としてもよい。また、２回またはそれ以上の検査を異なる光学条件で行い、検出された欠陥の座標突合せを行った上で、得られる特徴量データを併せて欠陥分類する構成としてもよい。また、それぞれの検査条件で得られた特徴量データを用いて個別に分類条件を設定する構成としてもよい。即ち、得られる特徴量データとしては検査条件（光学条件も含む）を変えた場合も含むものである。

検査実行時には、検査条件に対応する分類条件に従って分類を行い、欠陥クラスととも
にその信頼度、例えばその欠陥クラスのピュリティなど（分類条件設定時に算出しておく
）の情報を付加しておき、検出された各欠陥について、複数の検査で付加された欠陥クラ
スの多数決あるいは信頼度重み付多数決で欠陥クラスを決定する構成とする。

また、これまで同一の形状となるパターンが形成されたウェハの比較による外観検査を
例にとって説明してきたが、本発明の分類条件設定方法は、パターンなしウェハの検査に
も適用可能である。

次に、パターンなしウェハを対象とした欠陥検査装置（外観検査装置）の構成の一実施
例について図１５を用いて説明する。即ち、被検査物である半導体ウェハ１１は回転ステ
ージ１５０１に保持されている。照明光学系１５０２は、レーザ光源１５０３、ビームエ
キスパンダー１５０４、ミラー１５０５、１５０６、集光レンズ１５０７から構成される
。検出光学系２００８は、集光レンズ１５０９ａ、１５０９ｂ、光電変換素子１５１０ａ
、１５１０ｂから構成される。信号処理系１５１１はしきい値処理部１５１２ａ、１５１
２ｂ、欠陥判別部１５１３、領域別しきい値設定部１５１４からなる。

次に、図１５に示す検査装置による、検査方法について説明する。レーザ光源１５０３から射出されたレーザビーム光はビームエキスパンダー１５０４でビーム径を拡大されたあと、ミラー１５０５、１５０６を介し、集光レンズ１５０７によってビーム径を絞られ、ウェハ１１上に照射される。ウェハ１１表面のビーム照射位置に異物などの欠陥が存在すると、強い散乱光が発生する。この散乱光を集光レンズ１５０９ａで光電変換素子１５１０ａの受光面に集光し、光電変換素子１５１０ａにより光電変換する。異なる角度に配置した集光レンズ１５０９ｂと光電変換素子１５１０ｂにより同様に散乱光を検出する。欠陥の大きさ、形状によって強い散乱光が発生する方向が異なるため、このように複数の角度から検出することにより感度向上を図れる。さらに検出系を増やし、全方位をカバーするように構成するとなおよい。

光電変換素子１５０９ａ、１５０９ｂの出力は、それぞれしきい値処理部１５１２ａ、１５１２ｂにおいてしきい値と比較され、しきい値より大きい場合は欠陥として検出する。両者の検出信号は欠陥判別部１５１３に入力され、それぞれの信号の大きさと比率に基づいて欠陥分類がなされる。ウェハ１１全面の検査を行うために、レーザビームの照射位置をウェハ１１に対して相対的に走査させる必要がある。回転ステージ１５０１によりウェハ１１を回転しながら回転軸を照射位置に近づくよう直進移動させることにより、スパイラル状の走査が可能となる。図示していないがレーザビームをウェハ１１の半径方向に走査することを組み合わせると、一回転の間にレーザビームの走査幅分直進移動させられるため、ウェハ全面検査する時間を短縮できる。レーザビームを走査するかわりに、図示していないがシリンドリカルレンズや円錐曲面レンズを用いてウェハ１１の半径方向に長いスリット状のビームを形成して照射してもよい。複数の検出器で検出された信号の大きさと比率を特徴量データとして、上記の方法で分類条件を設定することができる。

［第２の実施の形態］
本発明に係る分類条件設定機能によって構築（生成）される分類器を用いて欠陥を分類
する欠陥分類方法及びその装置並びに欠陥検査方法及びその装置の第２の実施の形態につ
いて図１６乃至図２２を用いて詳細に説明する。

本発明に係る第２の実施の形態において、上記第１の実施の形態と相違する点は、ユー
ザの意図（予め欠陥クラス毎並びに全体および最悪のピュリティおよびアキュラシーの目
標性能）について優先順位をつけて指定する機能と、設定された分類条件による分類性能
を評価し、前記指定した目標性能を満足するか否かをユーザの意図する各項目毎に表示す
る機能とを有する点にある。

第２の実施の形態における欠陥検査装置（外観検査装置）の構成は第１の実施の形態と
同様である。なお、本発明に係る欠陥分類部１１０では、予め分類条件設定部１１１で設
定された分類条件を用いて分類を行い各欠陥のクラス情報を出力する。

また、第２の実施の形態においては、欠陥分類部１１０において、第１の実施の形態で
説明した欠陥の特徴量に基づいて二分木構造の分類器を用いて欠陥を分類する場合と、欠
陥の特徴量に基づいて教示型の分類器を用いて欠陥を分類する場合が考えられる。二分木
構造の分類器を用いる場合には、分類条件設定部１１１において、指定した分岐点につい
て、ユーザの意図の各項目を満足したか否かを表示する構成とする。ここで、ユーザの意
図とは、特定の欠陥についてアキュラシーあるいはピュリティが高くなることを全体の正
解率より優先したい、というようなことである。

また、教示型の分類器を用いる場合には、学習アルゴリズム（教示型分類アルゴリズム
）であれば、なんでもよい。さらに、複数の学習アルゴリズムを備え、選択可能となって
いるとなおよい。

図１６は、分類条件設定部１１１において、ユーザの意図について優先順位をつけて指
定するためのユーザインターフェース部１１３を用いたＧＵＩの実施例を示す。優先順位
指定ウィンドウ１６０１では，優先順位に対応づけて欠陥クラス，アキュラシーまたはピ
ュリティの選択、目標分類性能を指定する。欠陥クラスは欠陥クラス選択リスト１６０２
から選択して指定する。リストには、教示データに含まれる全種類のクラスコードおよび
クラス名と“ａｌｌ”、“ｍｉｎｉｍｕｍ”が含まれている。“ａｌｌ”は全欠陥の正解率、“ｍｉｎｉｍｕｍ”は各クラスのアキュラシーまたはピュリティの最悪値とする。アキュラシー・ピュリティ選択リスト１６０３によりどちらかを選択し、目標設定ウィンドウ１６０４への数値入力により、目標性能を設定する。設定は基本的に優先順位の上位から順に行うため、設定済みの項目のすぐ下の欄にのみ新しい項目が入力できるようになっている。

設定後に優先順位変更ボタン１６０５ａ、１６０５ｂを用いて優先順位を変更することができる。“ｕｐ”を押すとすぐ上の項目と入れ替わり、“ｄｏｗｎ”を押すとすぐ下の項目と入れ替わる。新しい項目を挿入したい場合は、一番下の欄に入力したのち“ｕｐ”ボタンにより挿入したい箇所に移動させる。ＯＫボタン１６０６の押下により、入力された設定が記憶され、終了する。キャンセルボタン１６０７の押下により、入力された設定は破棄され、終了する。

次に、本発明に係る第２の実施の形態である二分木構造以外の教示型分類アルゴリズム
（教示型の分類器）を用いる場合の分類条件設定フローについて図１７を用いて説明する
。まず、図１６に示すＧＵＩを用いて項目別の目標分類性能について優先順位を付けて指
定する（Ｓ１７１）。次に、予め欠陥クラスと対応付けられた欠陥特徴量データとの教示
に基づいて、教示型の分類器の分類条件を、予めステップＳ１７２において指定（選択）
された学習アルゴリズムと学習パラメータを用いた学習により設定する（Ｓ１７３）。次
に、該設定された分類条件による分類性能の評価を行う（Ｓ１７４）が、評価方法は１個
をテストサンプルとし、残りを教示サンプルとする評価を欠陥数分繰り返す、リーブワン
アウト法（一つ抜き法ともいう）が望ましい。評価結果は上記ＧＵＩで指定されたユーザ
の意図の満足度とともに表示される（Ｓ１７４）。

図１８には、上記ユーザの意図の満足度を表示するユーザインターフェース部１１３を
用いたＧＵＩの実施例を示す。評価結果表示ウィンドウ１７０１には満足度評価結果表示
ウィンドウ１７０２とコンフュージョンマトリクス１７０３が表示される。両者は同じ結
果を異なる視点で表示したものである。満足度評価結果ウィンドウ１７０２には、優先順
位順に欠陥クラス，アキュラシーまたはピュリティの選択、目標性能、性能評価結果、目
標との差、判定を表示する。コンフュージョンマトリクス１７０３は教示した正解欠陥ク
ラスに対して学習した分類条件でどの欠陥クラスに分類されるかを集計したものである。
最右列にはアキュラシー、すなわち学習された分類条件による欠陥クラス別の正解率が表
示される。最下段にはピュリティ、すなわち学習された分類条件によってある欠陥クラス
に分類される欠陥のうちの、正しく分類された欠陥数の割合が表示される。右下コーナー
には全体の正解率が表示される。

目標分類性能を指定された項目について、アキュラシーの右あるいはピュリティの下に優先順位と判定（○又は×で表す）を表示する。コンフュージョンマトリクスを表示することにより、どの欠陥クラスで誤りやすいかといった情報を得ることができる。評価結果に基づき、ＯＫと判断した場合（Ｓ１７５）は登録ボタン１７０４押下により、教示データ全てを用いて学習により分類条件を設定し（Ｓ１７６）、記憶装置１１２に登録して終了する（Ｓ１７７）。ＮＧと判断した場合はステップＳ１７２に戻るか、終了ボタン１７０５の押下により何もしないで終了する。

次に、本発明に係る第２の実施の形態である二分木構造の分類器を用いる場合の分類条
件設定フローについて図１９を用いて説明する。まず、図１６に示すＧＵＩを用いて項目
別の目標分類性能について優先順位を付けて指定する（Ｓ１７１）。次に、図５に示すＧ
ＵＩの木構造表示ウィンドウ５０１上で、最初の分岐点を選択する（Ｓ１８１）。選択し
た分岐点について図５に示すＧＵＩを用いて分岐条件を設定する（Ｓ１８２）。次に評価
を行い、結果を表示する（Ｓ１８３）。即ち、予め欠陥クラス毎並びに全体及び最悪のピ
ュリティ及びアキュラシーの目標性能について優先順位をつけて指定しておき（Ｓ１７１
）、分岐条件を設定した後に、上記指定した目標分類性能を満足するか否かを項目毎に評
価し、結果を表示する（Ｓ１８３）。

図２０には、指定した分岐点について各項目を満足したか否かを表示するＧＵＩの実施
例を示す。図５と異なる部分は、ウィンドウ１８０１に項目別の目標分類性能が表示され
ることと、評価ウィンドウ５０９に上流の分岐点で反対側のグループに属する“Ｏｐｐ”（O
ppositeの略）の欄を設けたことである。図中では最初の分岐点が選択されているので、
“Ｏｐｐ”に属する欠陥クラスはなく、“Ｏｐｐ”に分類される欠陥もない。また、図１８と同
じように、目標分類性能を指定された項目について、アキュラシーの右あるいはピュリテ
ィの下に優先順位（四角で囲んだ数字で表す）と判定（○または×で表す）を表示する。
ただし、例えば欠陥ＣやＤのピュリティなど評価できない項目は表示しない。他のウィン
ドウおよびボタンは図示していないが、適当に配置されているものとする。

ここで、評価結果に基づきＯＫか否か判断し（Ｓ１８４）、ＮＧの場合はステップＳ１
８２に戻る。評価結果を見ると欠陥Ｃのアキュラシー（優先順位２位）は目標を満足しな
いことがわかる。この情報をもとに分岐条件を修正する実施例を図２１に示す。まず、図
２１（ａ）に示すように、Ｌに属する欠陥クラスとして欠陥Ｃを追加し、ＡＣとＢＣＤに
分けるよう変更する。すると、評価結果は図のように変化する。欠陥ＣはＬとＲ両方に属
するので、どちらに分類されてもよく、アキュラシーは１００％となる。この時点でＮＧ
（×）の項目がなくなるので、図２１（ｂ）に示すように次の分岐点を選択し、手動また
は自動で分岐条件を決定して評価ウィンドウ５０９の表示内容を更新する。Ｌ列は欠陥Ａ
に分類された欠陥を示しており、ピュリティを評価することができる。ただし、目標性能
は指定されていないので表示はない。Ｒ列は欠陥Ｃに分類された欠陥を示している。この
とき、選択された分岐点の分岐条件の良し悪しの判断が容易になるよう、“Ｏｐｐ”に属す
る欠陥は完璧に分類できると仮定して、計算を行う。つまり最良ケースの評価を行う。例
えば、欠陥Ｃは“Ｏｐｐ”にも属するのでピュリティの計算時に、“Ｏｐｐ”側の欠陥Ｃはアキ
ュラシー、ピュリティとも１００％で分類できたものと仮定する。また、全体の正解率も
“Ｏｐｐ”に属する欠陥クラス（Ｂ、Ｃの一部、Ｄ）は１００％の正解率として計算する。
ここから、最良ケースでも欠陥Ｃのピュリティ（優先順位１位）は目標を満足しないこと
がわかる。目標を満足するために、ＡとＣの判別基準を変更するか、Ｒに属する欠陥クラ
スとしてＡを追加してさらに分岐点を増やすことが必要となる。

評価結果がＯＫと判断されれば（Ｓ１８４）、分類条件ができあがっているか、つまり木構造が完成しているかどうかをチェックし（Ｓ１８５）、完成していれば登録ボタン５１２の押下により、木構造と各分岐点の分岐条件を分類条件として登録し終了する（Ｓ１８６）。未完成ならば、次の分岐点を選択し（Ｓ１８７）、ステップＳ１８２に戻る。

このように、二分木構造の分類器を用いて分岐点毎に目標を満足したか否かを評価して
表示することにより、目標を満足するための修正を容易に行えるようになる。

以上により、分類器の分類条件であるアルゴリズム選択およびパラメータ設定をユーザ
が行った上で、ユーザの意図を満足するか否かおよび目標分類性能との乖離を表示するこ
とにより、最適なアルゴリズム選択およびパラメータ設定を支援する機能を提供すること
ができる。

ここで、学習アルゴリズム選択、学習パラメータ設定を自動で網羅的に行いながらユー
ザの意図の満足度を評価し、これが最も高くなるアルゴリズムおよびパラメータを探索す
る構成とすることも考えられる。図２２にフローを示す。上記と同様、図１６に示すＧＵ
Ｉを用いて項目別の目標分類性能について優先順位を付けて指定する（Ｓ１７１）。学習
アルゴリズム選択（Ｓ１７２１）、学習パラメータ設定（Ｓ１７２２）を行い、学習を実
行しユーザの意図の満足度を評価する（Ｓ１７３、Ｓ１７４）。パラメータを網羅してい
ない場合（Ｓ１７２３）およびアルゴリズムを網羅していない場合（Ｓ１７２４）には、
ステップＳ１７２２またはＳ１７２１に戻る。

ユーザの意図の満足度は、まず優先順位の上位から取りこぼしなく目標分類性能を満足した項目数で評価する。つまり、優先順位１〜５まで指定してあって、２〜５まで満足しているよりも１だけ満足している方が高いとみなす。これが同数の場合、次は目標分類性能を満足した項目数で評価する。これも同数の場合、次は、全体の正解率で評価する。あるいは、優先順位一位の項目の性能で評価する、全欠陥クラスについてのアキュラシー、ピュリティの最悪値で評価するなどいろいろ考えられるが、予め決めておくならば、どのような評価でもよい。評価の観点をいくつか用意し、それぞれの観点でもっともよいと判定された結果を表示し、ユーザに選択させるようにしてもよい。

最良のアルゴリズムおよびパラメータを選択し（Ｓ１７２５）、教示データ全てを用いて学習により分類条件を設定し（Ｓ１７６）、記憶装置１１２に登録して終了する（Ｓ１７７）。即ち、欠陥の特徴量に基づいて教示型の分類器を用いて欠陥を分類する場合において、予め欠陥クラス毎並びに全体及び最悪のピュリティ及びアキュラシーの目標性能について優先順位をつけて指定しておき（Ｓ１７１）、予め欠陥クラスと対応付けられた欠陥特徴量データの教示に基づいて、教示型の分類器の学習アルゴリズムと学習パラメータを網羅的に変更しながら、上記指定した目標分類性能を満足するか否かを項目毎に評価し、評価結果の良い上記学習アルゴリズムと学習パラメータを検索し（Ｓ１７２１〜Ｓ１７２５，Ｓ１７４）、該検索された学習アルゴリズムと学習パラメータを用いた学習により上記分類器の分類条件を設定する（Ｓ１７３，Ｓ１７６）。

本発明は、半導体ウェハ、ＴＦＴ、ホトマスクなどの薄膜デバイスを対象とした、外観
検査装置に適用可能である。

１１…被検査物（半導体ウェハ）、１２…ステージ、１３…検出部、１４…画像処理部
（欠陥分類装置）、１５…制御部、１６…レビュー装置、１０１…光源、１０２…照明光
学系、１０３…対物レンズ、１０４…イメージセンサ、１０５…ＡＤ変換部、１０６…前
処理部、１０７…欠陥判定部、１０８…画像切出部、１０９…特徴量抽出部、１１１…欠
陥分類部、１１１…分類条件設定部（分類器構築手段）、１１２…記憶装置、１１３…ユ
ーザインターフェース部、１１４…メカニカルコントローラ、１１５…領域別感度設定部
、１４０１…レーザ光源、１４０２…凹レンズ、１４０３…凸レンズ、１４０４…円錐曲
面レンズ、１４０５…ミラー、１４０６…フーリエ変換レンズ、１４０７…空間フィルタ
、１４０８…逆フーリエ変換レンズ、１４０９…ＮＤフィルタ、１４１０…光学フィルタ
、１５０１…回転ステージ、１５０２…照明光学系、１５０３…レーザ光源、１５０４…
ビームエキスパンダー、１５０５，１５０６…ミラー、１５０７…集光レンズ、１５０８
…検出光学系、１５０９ａ、１５０９ｂ…集光レンズ、１５１０ａ、１５１０ｂ…光電変
換素子、１５１１ａ、１５１１ｂ…信号処理系、１５１２ａ、１５１２ｂ…しきい値処理
部、１５１３…欠陥判別部、１５１４…領域別しきい値設定部。

Claims (5)

1. 欠陥検査装置から取得される検出信号を基に抽出される欠陥の特徴量に基づいて教示型
   の分類器を用いて欠陥を分類する欠陥分類方法であって、
   予め欠陥クラス毎並びに全体および最悪のピュリティおよびアキュラシーの各項目の目標分類性能について優先順位をつけて指定しておく優先順位指定過程と、
   予め欠陥クラスと対応付けられた特徴量データとの教示に基づいて、予め指定された学
   習アルゴリズムと学習パラメータを用いた学習により分類条件を設定することにより前記
   教示型の分類器を構築する分類器構築過程とを有し、
   該分類器構築過程において前記設定された分類条件による分類性能を評価して前記指定
   した各項目の目標分類性能を満足するか否かを前記項目毎に表示することを特徴とする欠陥分類方法。
2. 欠陥検査装置から取得される検出信号を基に抽出される欠陥の特徴量に基づいて教示型
   の分類器を用いて欠陥を分類する欠陥分類方法であって、
   予め欠陥クラス毎並びに全体および最悪のピュリティおよびアキュラシーの各項目の目標分類性能について優先順位をつけて指定しておく優先順位指定過程と、
   予め欠陥クラスと対応付けられた特徴量データとの教示に基づいて、前記教示型の分類
   器の学習アルゴリズムと学習パラメータを網羅的に変更しながら、前記指定した各項目の目標分類性能を満足するか否かを前記項目毎に評価し、該項目毎に評価した評価結果の良い前記学習アルゴリズムと学習パラメータを探索し、該探索された学習アルゴリズムと学習パラメータを用いた学習により分類条件を設定することにより前記教示型の分類器を構築する分類器構築過程とを有することを特徴とする欠陥分類方法。
3. 欠陥検査装置から取得される検出信号を基に抽出される欠陥の特徴量に基づいて教示型
   の分類器を用いて欠陥を分類する欠陥分類装置であって、
   予め欠陥クラス毎並びに全体および最悪のピュリティおよびアキュラシーの各項目の目標分類性能について優先順位をつけて指定しておく優先順位指定手段と、
   予め欠陥クラスと対応付けられた特徴量データとの教示に基づいて、予め指定された学
   習アルゴリズムと学習パラメータを用いた学習により分類条件を設定することにより前記
   教示型の分類器を構築する分類器構築手段とを備え、
   該分類器構築手段において前記設定された分類条件による分類性能を評価して前記指定
   した各項目の目標分類性能を満足するか否かを前記項目毎に表示することを特徴とする欠陥分類装置。
4. 欠陥検査装置から取得される検出信号を基に抽出される欠陥の特徴量に基づいて教示型
   の分類器を用いて欠陥を分類する欠陥分類装置であって、
   予め欠陥クラス毎並びに全体および最悪のピュリティおよびアキュラシーの各項目の目標分類性能について優先順位をつけて指定しておく優先順位指定手段と、
   予め欠陥クラスと対応付けられた特徴量データとの教示に基づいて、前記教示型の分類
   器の学習アルゴリズムと学習パラメータを網羅的に変更しながら、前記指定した各項目の目標分類性能を満足するか否かを前記項目毎に評価し、該項目毎に評価した評価結果の良い前記学習アルゴリズムと学習パラメータを探索し、該探索された学習アルゴリズムと学習パラメータを用いた学習により分類条件を設定することにより前記教示型の分類器を構築する分類器構築手段とを備えたことを特徴とする欠陥分類装置。
5. 前記分類器を用いて欠陥を分類するための前記欠陥の特徴量は、前記欠陥検査装置にお
   いて複数の異なる条件下の各々の検査によって取得された検出信号を基に抽出される欠陥
   の特徴量であることを特徴とする請求項３又は４に記載の欠陥分類装置。

Images