JP6575954B2 - ダイ対データベースのフォトマスク検査のための自動的な較正サンプルの選択 - Google Patents

Description

本発明は、一般にフォトマスク検査、より詳細にはダイ対データベースのフォトマスク検査、さらにより詳細にはダイ対データベースのフォトマスク検査のための自動的な較正サンプルの選択に関する。

関連出願の相互参照
本出願は、２０１４年５月６日に出願された、米国仮特許出願第６１／９８８，９０８号の利益を主張するものであり、その出願全体を本願に引用して援用する。

フォトマスクは、一般に、集積回路の設計と実際のウェーハそのものとの間の中間工程において使用される。フォトマスクは、半導体材料上に像を印刷するための原版として働く。過去は、マスクからウェーハへの像の１：１転写が慣例であった。１：１転写は、マスク像を、ウェーハ面を横切って何回もステップさせて露光する縮小レンズ系を利用する「ステップアンドリピート」システムへ移行した。ステップアンドリピートシステムでは、結果としてフォトマスク上での像面サイズがより大きくなる。倍率がもはや１：１ではないため、フォトマスクは、レチクルと呼ばれることがある。

典型的には、設計者が集積回路の回路パターンを完全に電子的に記述することを可能にするコンピュータ支援設計（ＣＡＤ）システムが使用される。その電子設計データは、パターン発生器が所望のマスクフィーチャを使用し、そのマスクフィーチャをフォトマスク上に印刷するための一組の命令を生成する。次いで、一般に、マスクは、様々なプロセスにさらされ、このプロセスには、フォトマスクにパターンをエッチングすることが含まれ、その後フォトマスクは品質保証検査を行えるようになる。

品質保証検査には、例えば、マスクフィーチャが確実に適正な大きさで印刷されるように限界寸法を測定することが含まれる場合がある。また、半導体デバイスは、層ごとに構築されるため、各層に使用されるフォトマスクの像面は、各層がある公差内で確実に互いに「積み重なる」ように検査される場合がある。要するに、欠陥検査は、所定の大きさよりも大きなレチクル欠陥を確実になくすために行われる。欠陥が見つかった場合は、それらの欠陥を修復するか、またはそれらの欠陥が印刷に必要な仕様内にあることを判断しなければならない。

ダイ対ダイおよびダイ対データベースは、業界で知られ、使用されている２つのパターン欠陥レチクル検査方法である。ダイ対ダイ検査方法では、どのような不一致も検出するように隣接ユニットのパターンが比較される。したがって、同一のレチクル上の一方のダイをもう一方のダイに対して比較するには、両方のダイが同一の設計を有することが必要となる。検査システムは、検査される領域を走査し、像を収集し、ダイ間の差異を識別するために像を処理する。所定のしきい値を超える差異は、欠陥として検出される。ダイ対ダイ検査が機能するためには全く同一の設計を有する２つ以上のダイが必要であるため、単一ダイのレチクルは、この方法では検査することができない。

ダイ対データベースの検査方法では、検査システムは、レチクルから収集された像をデータベースに記憶された描画像と比較する。この方法がうまくいくためには、描画像は、レチクル上の処理されるフィーチャにできるだけ似ていなければならない。したがって、記憶される像は、検査されるレチクルを書くために使用される設計データから描画される。

ダイ対データベース検査は、それ自体の性質上、データ描画、画像処理の両方および不良検出に高度なアルゴリズムを必要とするより複雑なプロセスである。また、このダイ対データベース検査は、より多くの処理能力を必要とする。しかしながら、ダイ対データベースの大きな利点の１つは、単一ダイのレチクル、一般にはどのようなレチクルレイアウトに関しても１００％検査することができることである。単一ダイのレチクルは、新しいリソグラフィプロセスおよび技法の開発およびデバッグのためのレチクル、複数製品シャトル用レチクル、とりわけサーバチップＭＰＵ用レチクルを含む多くの目的に使用される。

ダイ対データベースのフォトマスク検査は、基準画像が描画される基となるパラメータを較正するための較正ステップを必要とする。像描画モデルの高い非線形性により、効果的な較正サンプルの選択は、検査の成功にとってきわめて重要である。ダイ対データベースのフォトマスク検査の初回の成功率もきわめて重要である。検査手順の繰返しは、数時間かかることがあるため、初回の失敗は、顧客の製品のスループットに厳しい影響を与える可能性がある。

ダイ対データベース検査の失敗の主要因の１つは、準最適な較正結果である。最適な較正結果の実現は、しばしば較正サンプルの選択に大きく依存し、この選択は、典型的には、オペレータによって手動で行われ、オペレータは、選択を適切に行うために相当の実務経験および／または像描画モデルについての深い理解を有していなければならない。一般に、膨大なデータのために、すべてのサンプルの目視検査は実際的ではなく、したがって、オペレータは、典型的には、ａ）フォトマスクの全板から、小さな一組のサンプル、例えば数１０個のサンプルを無作為に選ぶこと、およびｂ）ステップａ）で選ばれたサンプルから、様々な要因に基づいてさらにより小さな一組のサンプル、通常１５個未満を選択することによって較正サンプルを選択する。様々な要因には、全板のサンプルの代表性、サンプルパターンの独自性、サンプルパターンの像描画の難しさ、および他の主観的なオペレータの経験が含まれる。

オペレータの知識にもかかわらず、プロセスの科学的な評価がないために、較正サンプルは、通常主観的および経験的な方法で選択されている。このことは、検査の失敗につながる較正の失敗を予測不能に引き起こすことがある。さらに、選択は、不完全となる可能性が高い。オペレータは、数１００万個の候補から数１０個のサンプルを無作為に選び、これによって、オペレータが較正に大きな影響を及ぼす重要なサンプルを見逃しやすくなる。経験の浅いオペレータまたは見慣れないタイプのフォトマスクの場合、較正サンプルの選択は、時間を要し、困難であることがある。

米国特許出願公開第２０１３／０２３６０８３号

したがって、初回の成功率を向上させる、フォトマスク設計データから効果的な較正サンプルを選択するための改善された方法が長年にわたり必要とされている。また、選択を行うために必要な実務経験の量を減らすために手作業の一部に取って代わる自動化された選択方法が長年にわたり必要とされている。さらに、安定したやり方で効果的な較正サンプルを選択する選択方法が長年にわたり必要とされている。

本発明は、ダイ対データベースのレチクル検査方法で使用される基準画像が描画される基となるパラメータを較正するために、レチクルの設計データパターンのサンプルを選択する方法を含み、本法は、複数の設計データサンプルに局所的な２値パターン（ＬＢＰ：ｌｏｃａｌ ｂｉｎａｒｙ ｐａｔｔｅｒｎ）分析を適用して、複数のサンプルのそれぞれに対してｐ次元のベクトル出力を得るステップと、ベクトル出力のデータ点の組をＭ個のグループにクラスタ化するステップと、クラスタ化されたグループそれぞれから１つのサンプルを選択するステップと、選択されたサンプルに対する評価スコアを計算するステップと、代表性スコアおよび多様性スコアに基づいてＭ個のサンプルの一部を選択するステップと、を含む。

また、本発明は、複数のコンピュータ可読命令を記憶するように構成されたメモリ素子と、複数のコンピュータ可読命令を実行して、複数のサンプルに対して局所的な２値パターン（ＬＢＰ）分析を適用し、複数のサンプルのそれぞれに対してｐ次元のベクトル出力を得、ｑ−Ｄのデータ点をＭ個のグループにクラスタ化し、クラスタ化されたグループそれぞれから１つのサンプルを選択し、選択されたサンプルに対して評価スコアを計算し、代表性スコアおよび多様性スコアに基づいてＭ個のサンプルの一部を選択するように構成されたプロセッサと、を有するコンピュータベースの装置を備える。

本発明は、コンピュータービジョンおよび画像処理分野の一連の技法を使用して、効果的な較正サンプルを自動的に選択するためのプロセスを構築する。本プロセスは、ＬＢＰ分析、抽象的で簡潔な仕方で各サンプルのパターン特徴を効率的に記述する特徴記述方法を含む。ＬＢＰ分析結果およびさらなる任意選択的な分析に基づいて、本方法は、較正サンプルの選択をすぐに終了し、いかなる中断もなしに較正に入るか、または、各サンプルに対する対応する評価スコアと共に小さな組の較正サンプル候補を提供し、それに続いて手動による選択を行うかのいずれも行う。

本発明は、選択プロセス手順を自動化し、オペレータの知識に対する必要条件を最小化し、較正サンプルの選択の完全性および有効性を著しく改善する。これによって、標準化された評価スコアが、主観的で不安定な手作業に取って代わることができ、それによって、製品の堅牢性が改善される。本発明の方法によって検査時間が増加する可能は低く、その結果、検査の初回の成功率が著しく改善される可能性がある。

本発明のこれらおよび他の目的、利点ならびに特徴は、図面を考慮して本発明の以下の詳細な説明を考慮することで当業者には一層よく理解されるであろう。

本発明の実施形態についてのよりよい理解のために、および本発明の実施形態が実行されるやり方を示すために、次いで添付の図面が純粋に例として参照される。図面では、全体を通して同様の数字が対応する要素または部分を指定する。

本発明の例示的な実施形態による、ダイ対データベース計測方法の高レベルの概略流れ図である。 例示的なフォトマスクパターンである。 例示的なフォトマスクパターンである。 例示的なフォトマスクパターンである。 例示的なフォトマスクパターンである。 図２Ａのフォトマスクパターンの局所的な２値パターン分析によるヒストグラムである。 図２Ｂのフォトマスクパターンの局所的な２値パターン分析によるヒストグラムである。 図２Ｃのフォトマスクパターンの局所的な２値パターン分析によるヒストグラムである。 図２Ｄのフォトマスクパターンの局所的な２値パターン分析によるヒストグラムである。

初めに、異なる図面の同様の参照文字は、本発明の同一の、または機能的に同様の構造要素を識別することを認識されたい。本発明は、好ましい態様であると現在考えられているものに関して記載されているが、特許請求される本発明は、開示された態様に限定されないことを理解されたい。本発明は、添付の特許請求の範囲の趣旨および範囲内で様々な変形および等価な構成を含むことが意図されている。

さらに、本発明は、記載される特定の方法、材料および変形に限定されず、それゆえ様々であってもよいことはもちろんである。また、本願で使用される術語は、特定の態様のみを記載することを目的としており、本発明の範囲を限定することは意図されておらず、本発明は、添付の特許請求の範囲によってのみ限定されることが理解される。

別段の規定がない限り、本願で使用される技術的および科学的用語はすべて、本発明が属する当業者に通常理解されるものと同一の意味を有する。本願に記載されるものと同様のもしくは等価のいかなる方法、デバイス、または材料も、本発明の実行またはテストにおいて使用することができるが、好ましい方法、デバイス、および材料について次に記載する。

下記の記載では、実施形態は、本発明の例または実施態様である。「一実施形態」、「実施形態」、「ある実施形態」または「一部の実施形態」の様々な出現は、必ずしもすべてが同一の実施形態を指すとは限らない。

図１は、本発明の一部の実施形態による、ダイ対データベース方法１００の高レベルの概略流れ図である。

方法１００は、ステップ１０２を含み、このステップ１０２は、典型的な２値フォトマスク設計データ全体で利用可能な数１００万個のサンプルから大きな組のＮ個のサンプルを無作為に選ぶステップを含む。（利用可能なサンプルは「数１００万個のサンプル」よりも少ない場合もあることは明らかである。）ステップ１０２は、検査の立上げ中に実行されても、またはオフラインのデータベース準備段階中に実行されてもよい。選択がオフラインのデータベース準備段階中に起きる場合は、方法１００によって全データベースを処理することができるため、ステップ１０２は、任意選択的である。選択が検査立上げ中に起きる場合は、ステップ１０２は、必須である可能性があり、無作為のサンプル数Ｎは、数１０万にもなり得る。オフラインのデータベース準備中に、２値のフォトマスク設計データの全板で利用可能なＮ個のサンプルはすべて、自動選択プロセスに入力される。

図２Ａ〜図２Ｄは、ステップ１０２でＮ個のサンプルとして選ばれた例示的なフォトマスクを示す。図２Ａは、暗い領域２０２および明るい領域２０４を有するフォトマスク２００を示し、図２Ｂは、暗い領域２１２および明るい領域２１４を有するフォトマスク２１０を示し、図２Ｃは、暗い領域２２２および明るい領域２２４を有するフォトマスク２２０を示し、図２Ｄは、暗い領域２３２および明るい領域２３４を有するフォトマスク２３０を示す。

方法１００のステップ１０４は、ステップ１０２で選ばれたＮ個のサンプルすべてにＬＢＰ分析を適用し、各サンプルに対して１つのｐ次元のベクトル出力を得るステップである。ＬＢＰは、テクスチャパタン認識に使用され、局所的な画素値の変化の分布によって画像のパターン特徴を簡潔に表現する。ＬＢＰ演算子は、各画素の近傍をしきい値処理することによって画像の画素にラベル付けし、その結果を２進数と考える。次いで、これらの２^８＝２５６の異なるラベルのヒストグラムがテクスチャ記述子として使用され得る。

ＬＢＰ演算子は、表記ＬＢＰ_Ｐ、Ｒ ^ｕ２を有する。下付き添字は、（Ｐ，Ｒ）近傍において演算子を使用することを表す。上付き添え字ｕ２は、均一なパターンのみを使用すること、および残りのパターンすべてに単一のラベルでラベル付けすることを表わす。ＬＢＰラベル付けされた画像ｆ_ｌ（ｘ，ｙ）が得られた後、ＬＢＰヒストグラムは、
と規定され得て、ここでＮは、ＬＢＰ演算子によって生成された異なるラベルの数であり、Ｉ｛Ａ｝は、Ａが真の場合に１、Ａが偽の場合に０である。ヒストグラムが比較されることになる画像パッチが異なる大きさを有する場合、ヒストグラムは、一貫性のある記述を得るために正規化されなければならない。すなわち、

例示的な実施形態では、ＬＢＰ演算子は、（８，１）近傍において使用される。例示的な実施形態では、ＬＢＰ演算子は、（１６，２）近傍において使用される。どちらの近傍を使用するかは、計算と性能間のトレードオフを秤にかけることによって決定される。ＬＢＰ分析における何らかの組み込まれた次元削減によって、ステップ１０４での出力ベクトルの次元（すなわち、ｐ）は、（８，１）および（１６，２）近傍に対して、それぞれおよそ６０または２５０となる。

図３Ａ〜図３Ｄは、それぞれ、ヒストグラムが対応する図２Ａ〜２Ｄのフォトマスクのヒストグラムである。具体的には、図３Ａは、図２Ａに示すフォトマスク２００に対するＬＢＰヒストグラム３００を示し、図３Ｂは、図２Ｂに示すフォトマスク２１０に対するＬＢＰヒストグラム３１０を示し、図３Ｃは、図２Ｃに示すフォトマスク２２０に対するヒストグラム３２０を示し、図３Ｄは、図２Ｄのフォトマスク２３０に対するヒストグラム３３０を示す。

例示的な実施形態では、ＬＢＰ演算子は、スーパーコンピュータにおいてＮ個のサンプルに対して並列に適用され、Ｎ個のｐ次元ベクトル（ｐは、およそ６０であってもよい）を生成する。

また、方法１００は、ステップ１０６を含み、このステップ１０６は、重要でないサンプルまたは無用のサンプルを排除するために第１の丸めスクリーニングを適用することである。空のサンプル、ほぼ空のサンプル、および／または大きな平坦領域を有するサンプルをスクリーニング除去することによって、ベクトルが残る、合計Ｎ’個のサンプルを残す。

ステップ１０６は、ＬＢＰ値、すなわち正規化されたヒストグラムが［ｘ_１，０，．．．，０，ｘ_ｐ］に近い値を有するサンプルを排除することによって、重要でないサンプルをスクリーン除去し、ここでｘ_１＋ｘ_ｐ＝１である。これらのＬＢＰ値は、それらの対応するサンプル画像が、ほぼ、平坦で暗い領域または平坦で明るい領域のみを有することを正確に示している。そのようなサンプルは、較正においてそれほど重要ではなく、排除される必要がある。

任意選択で、後続のステップにおいてより高速に計算するために、ステップ１０８を実施することによってデータの次元を削減することができる。ステップ１０８は、すべてのサンプルにおいてゼロのみを含む次元を除去し、任意選択で主成分分析（ＰＣＡ：ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ）を適用して最上位次元を抽出することを含む。要するに、ステップ１０８は、データセットをｑ次元ベクトルに削減する。ＰＣＡの適用は、計算を著しく低減させることができるが、時々全体の性能に影響することがある。したがって、計算が厳しい問題でない場合は、ＰＣＡは、必要ない。

ＰＣＡは、変化を強調し、データセット中の強いパターンを引き出すために使用される技法である。ＰＣＡは、データのある投影によって最も大きな分散が第１の座標（第１主成分と呼ばれる）上に、２番目に大きな分散が第２の座標上に来るなどのように、データを新しい座標系に変換する直交線形変換である。各主成分は、変数を有する相関行列の固有ベクトルの線形結合をとることによって計算される。

ステップ１０８をまとめると、Ｎ’個のｐ−Ｄ、すなわち、ｐ次元のベクトルの未使用の次元が削減され、Ｎ’個のｑ−Ｄ、すなわち、ｑ次元のベクトルを残す。ここでｑは、最上位次元を含む。

ステップ１１０は、平均値シフトクラスタリングを使用して、ｑ−ＤのデータをＭ個のグループにクラスタ化することである。次いで、Ｍ個のクラスタ中心それぞれの周囲で１つのデータポイントを選択する。ｑ−Ｄベクトルを平均値シフトクラスタリングする１つの利点は、１つのパラメータ、すなわちｑ−Ｄ空間におけるクラスタの半径のみがあり、したがって、Ｍ個のグループが自動的に決定されるということである。クラスタリング半径は、Ｍがある適度な範囲内になるように繰返し調整される。例示的な実施形態では、Ｍは、およそ４０〜５０である。

ステップ１１２は、ステップ１１０から生じるＭ個のサンプルに対する代表性スコアを計算することである。例示的な実施形態では、上位５個の代表性スコアを有するサンプルが最初に選択される。次に、ｑ−Ｄ空間においてＭ個のサンプルの中心までの残りのＭ−５個のサンプルの距離を計算する。次いで、中心から最長の距離を有する１５個のサンプルを選択し、１０個のサンプルの組に対する組合せをすべて生成する。次いで、５個の最も代表的なサンプルを１０個のサンプルの組すべてに加えて、多様性スコアがすべての組に対して計算される。最後に、最も高い多様性スコアを有する組が選択される。この１５個のサンプルが較正において使用される。

方法１００は、較正サンプルの選択をすぐに終了し、較正を出力するか、または、各サンプルに対する対応する評価スコアと共に小さな組の較正サンプル候補を出力し、それに続いて手動による選択を行うかのいずれも行うことができる。

本発明は、これらの図または対応する記載に限定されない。例えば、流れは、図示されたそれぞれの囲い枠または状態を通って、あるいは図示され記載された順番の通りに進む必要はない。

したがって、本発明の目的は、効果的に得られるが、本発明に対する変形および変更は、当業者には容易に明らかなはずであり、それらの変形は、特許請求される本発明の趣旨および範囲内であることが意図されていることがわかる。前述の記載は、本発明を例示しており、限定していると見なされるべきでないことも理解される。したがって、特許請求される本発明の趣旨および範囲から逸脱せずに、本発明の他の実施形態が可能である。

Claims (20)

1. ダイ対データベースのレチクル検査方法で使用される基準画像が描画される基となるパラメータを較正するためにレチクルの設計データパターンのサンプルを選択する方法であって、
   複数の設計データパターンのサンプルに局所的な２値パターン（ＬＢＰ）分析を適用して、前記複数の設計データパターンのサンプルのそれぞれに対してｐ次元のベクトル出力を得るステップと、
   ベクトル出力のデータ点の組をＭ個のグループにクラスタ化するステップと、
   クラスタ化されたグループそれぞれから１つのサンプルを選択するステップと、
   前記各グループから選択された１つのサンプルのそれぞれに対して評価スコアとして代表性スコア及び多様性スコアを計算するステップと、
   前記代表性スコアおよび前記多様性スコアに基づいて前記Ｍ個のサンプルの一部を選択するステップと、
   を含むことを特徴とする方法。
2. 請求項１に記載の方法であって、前記複数の設計データパターンのサンプルを無作為に選択するステップをさらに含むことを特徴とする方法。
3. 請求項１に記載の方法であって、
   前記設計データパターンのサンプルにおいてゼロのみを含む次元を除去するステップと、
   より高速な計算のためにデータ次元を削減するために、主成分分析（ＰＣＡ）を適用して最上位次元を抽出するステップと、をさらに含み、
   前記除去ステップおよび適用ステップによってｑ次元のベクトル出力が生じ、Ｍ個のグループにクラスタ化されるベクトル出力のデータ点が前記ｑ次元のベクトル出力である、
   ことを特徴とする方法。
4. 請求項１に記載の方法であって、前記局所的な２値パターン分析が、合計８個の画素に対して１画素半径の近傍に関して行われることを特徴とする方法。
5. 請求項１に記載の方法であって、前記局所的な２値パターン分析が、合計１６個の画素に対して２画素半径の近傍に関して行われることを特徴とする方法。
6. 請求項１に記載の方法であって、
   第１の丸めスクリーニングを適用することによって重要でないサンプルを排除するステップ、
   をさらに含むことを特徴とする方法。
7. 請求項１に記載の方法であって、前記局所的な２値パターン分析が全ての前記設計データパターンのサンプルに適用されることを特徴とする方法。
8. 請求項１に記載の方法であって、前記局所的な２値パターン分析が、コンピュータアルゴリズムによって無作為に選択された一組のサンプルの前記設計データパターンに適用されることを特徴とする方法。
9. 請求項１に記載の方法であって、前記クラスタ化ステップが平均値シフトクラスタリングを使用することを特徴とする方法。
10. 請求項１に記載の方法であって、前記評価スコアが、前記クラスタ化ステップで分析されたｑ−Ｄ空間におけるサンプルの局所的な密度に基づいた各サンプルに対する前記代表性スコアであることを特徴とする方法。
11. 請求項１に記載の方法であって、前記評価スコアが、前記クラスタ化ステップで分析されたｑ−Ｄ空間におけるサンプルの座標の分散に基づいた各組のサンプルに対する前記多様性スコアであることを特徴とする方法。
12. 複数のコンピュータ可読命令および設計データのデータベースを記憶するように構成されたメモリ素子と、プロセッサと、を備え、前記複数のコンピュータ可読命令は、前記プロセッサに、
    前記データベースから取得された複数の較正サンプルに局所的な２値パターン（ＬＢＰ）分析を適用して前記複数の較正サンプルのそれぞれに対してｐ次元のベクトル出力を得させ、
    前記ｐ次元のデータ点をＭ個のグループにクラスタ化させ、
    クラスタ化されたグループそれぞれから１つのサンプルを選択させ、
    前記選択されたサンプルに対する評価スコアとして代表性スコア及び多様性スコアを計算させ、および
    前記代表性スコアおよび前記多様性スコアに基づいて前記Ｍ個のサンプルの一部を選択させる
    ことによって、ダイ対データベースのレチクル検査方法において使用される基準画像が描画される基となるパラメータを較正するために、前記データベースのレチクルの設計データパターンのサンプルを選択させる、
    ことを特徴とするコンピュータベースの装置。
13. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、
    前記サンプルにおいてゼロのみを含む次元を除去させ、
    より高速な計算のためにデータ次元を低減するために、主成分分析（ＰＣＡ）を適用して最上位次元を抽出させる
    ことを特徴とするコンピュータベースの装置。
14. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、
    合計８個の画素に対して１画素半径の近傍に関して前記局所的な２値パターン分析を行わせる
    ことを特徴とするコンピュータベースの装置。
15. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、
    合計１６個の画素に対して２画素半径の近傍に関して前記局所的な２値パターン分析を行わせる
    ことを特徴とするコンピュータベースの装置。
16. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、
    全ての前記較正サンプルに前記局所的な２値パターン分析を適用させる
    ことを特徴とするコンピュータベースの装置。
17. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、一組の無作為に選択されたサンプルの前記設計データに前記局所的な２値パターン分析を適用させることを特徴とするコンピュータベースの装置。
18. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、平均値シフトクラスタリングを使用してデータクラスタ化させることを特徴とするコンピュータベースの装置。
19. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、前記クラスタ化ステップで分析されたｑ次元空間におけるサンプルの局所的な密度に基づいた各サンプルに対する前記代表性スコアを前記評価スコアとして出力させることを特徴とするコンピュータベースの装置。
20. 請求項１２に記載のコンピュータベースの装置であって、
    前記プロセッサに、前記クラスタ化ステップで分析されたｑ次元空間におけるサンプルの座標の分散に基づいた各組のサンプルに対する前記多様性スコアを前記評価スコアとして出力させることを特徴とするコンピュータベースの装置。