JP5342606B2 - 欠陥分類方法及びその装置 - Google Patents
欠陥分類方法及びその装置 Download PDFInfo
- Publication number
- JP5342606B2 JP5342606B2 JP2011141820A JP2011141820A JP5342606B2 JP 5342606 B2 JP5342606 B2 JP 5342606B2 JP 2011141820 A JP2011141820 A JP 2011141820A JP 2011141820 A JP2011141820 A JP 2011141820A JP 5342606 B2 JP5342606 B2 JP 5342606B2
- Authority
- JP
- Japan
- Prior art keywords
- defect
- classification
- classifier
- class
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Description
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
。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
させた分類条件が設定可能となる。
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。
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。
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。
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。
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。
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。
になっている。
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。
について説明する。
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。
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。
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。
いて図4〜図8を用いて説明する。
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。
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。
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。
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。
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。
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。
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。
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。
。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)。
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。
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。
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。
、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
)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。
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。
(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)。
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。
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)。
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。
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。
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。
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。
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。
検査装置に適用可能である。
(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)
- 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011141820A JP5342606B2 (ja) | 2011-06-27 | 2011-06-27 | 欠陥分類方法及びその装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2011141820A JP5342606B2 (ja) | 2011-06-27 | 2011-06-27 | 欠陥分類方法及びその装置 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006262083A Division JP4908995B2 (ja) | 2006-09-27 | 2006-09-27 | 欠陥分類方法及びその装置並びに欠陥検査装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011254084A JP2011254084A (ja) | 2011-12-15 |
JP5342606B2 true JP5342606B2 (ja) | 2013-11-13 |
Family
ID=45417735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2011141820A Expired - Fee Related JP5342606B2 (ja) | 2011-06-27 | 2011-06-27 | 欠陥分類方法及びその装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5342606B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049219A1 (en) * | 2015-09-18 | 2017-03-23 | Kla-Tencor Corporation | Adaptive automatic defect classification |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9489599B2 (en) * | 2013-11-03 | 2016-11-08 | Kla-Tencor Corp. | Decision tree construction for automatic classification of defects on semiconductor wafers |
US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
US10204290B2 (en) | 2016-10-14 | 2019-02-12 | Kla-Tencor Corporation | Defect review sampling and normalization based on defect and design attributes |
CN109690571B (zh) * | 2017-04-20 | 2020-09-18 | 北京嘀嘀无限科技发展有限公司 | 基于学习的组标记系统和方法 |
US10607119B2 (en) * | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
KR102182678B1 (ko) * | 2019-01-14 | 2020-11-24 | 인하대학교 산학협력단 | 반도체 제조 공정에서 특징 선택 기법에 따른 멀티 분류기를 활용한 불량 패턴 예측 장치 및 방법 |
JP7298333B2 (ja) * | 2019-06-25 | 2023-06-27 | オムロン株式会社 | 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム |
CN111079832B (zh) * | 2019-12-13 | 2023-04-18 | 辽宁科技大学 | 具有抗特征噪声性能的钢板表面缺陷分类方法 |
CN112308120B (zh) * | 2020-10-15 | 2023-09-29 | 国家电网公司华北分部 | 对继电保护装置缺陷进行定级的方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4118703B2 (ja) * | 2002-05-23 | 2008-07-16 | 株式会社日立ハイテクノロジーズ | 欠陥分類装置及び欠陥自動分類方法並びに欠陥検査方法及び処理装置 |
JP4443270B2 (ja) * | 2003-03-12 | 2010-03-31 | 株式会社日立ハイテクノロジーズ | 欠陥分類方法 |
JP3834041B2 (ja) * | 2004-03-31 | 2006-10-18 | オリンパス株式会社 | 学習型分類装置及び学習型分類方法 |
-
2011
- 2011-06-27 JP JP2011141820A patent/JP5342606B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017049219A1 (en) * | 2015-09-18 | 2017-03-23 | Kla-Tencor Corporation | Adaptive automatic defect classification |
Also Published As
Publication number | Publication date |
---|---|
JP2011254084A (ja) | 2011-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4908995B2 (ja) | 欠陥分類方法及びその装置並びに欠陥検査装置 | |
JP5342606B2 (ja) | 欠陥分類方法及びその装置 | |
KR102083706B1 (ko) | 반도체 검사 레시피 생성, 결함 리뷰 및 계측을 위한 적응적 샘플링 | |
CN111819583B (zh) | 用于使用合成缺陷图像训练机器学习模型的方法和系统 | |
JP4616864B2 (ja) | 外観検査方法及びその装置および画像処理評価システム | |
US6941009B2 (en) | Method for evaluating pattern defects on a water surface | |
US10964013B2 (en) | System, method for training and applying defect classifiers in wafers having deeply stacked layers | |
US9811897B2 (en) | Defect observation method and defect observation device | |
US7720275B2 (en) | Method and apparatus for detecting pattern defects | |
JP5022174B2 (ja) | 欠陥分類方法及びその装置 | |
US7873202B2 (en) | Method and apparatus for reviewing defects of semiconductor device | |
TWI791806B (zh) | 用於檢查之模式選擇 | |
JP5439543B2 (ja) | 欠陥分類方法及びその装置 | |
CN111985292A (zh) | 用于图像处理结果的显微镜方法、显微镜和具有验证算法的计算机程序 | |
JP2011214903A (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
CN112129768A (zh) | 外观检查管理系统、装置、方法以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130426 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130507 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130704 |
|
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: 20130723 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130809 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |