JP6826121B2 - 外れ値検出を通じた特徴選択及び自動処理窓監視 - Google Patents

Description

本件開示はウェハ製造プロセスの監視及び制御に関する。

（関連出願への相互参照）
本願は、２０１６年１月６日付米国暫定特許出願第６２／２７５７００号に基づく優先権を主張するものであるので、この参照を以て当該暫定特許出願の開示内容を本願に繰り入れることにする。

半導体デバイス例えば論理デバイス及び記憶デバイスは、通常、一連の処理工程を基板又はウェハに適用することで製造される。それら半導体デバイスの諸特徴及び構造階層群はそれら処理工程により形成される。例えばリソグラフィは、半導体ウェハ上でのパターン生成を孕む半導体製造プロセスある。半導体製造プロセスの別例としては、これに限られるものではないが化学機械研磨（ＣＭＰ）、エッチング、堆積及びイオンインプランテーションがある。複数個の半導体デバイスを１枚の半導体ウェハ上に作り込み、それを分離させて個別の半導体デバイスの態にするとよい。

検査プロセスは半導体製造プロセス中の諸工程にて用いられるプロセスであり、それによりウェハ側の欠陥を検出して歩留まり向上を促進することができる。デザインルール及び処理窓のサイズが縮小され続けているので、検査システムには、高いスループットを保ちながらウェハ表面上の物理的欠陥をより広範に捉えることが求められている。

ウェハ製造プロセス制御は、通常、低速だが敏感な検査ツールを用いた低速ウェハサンプリングに依拠して実行され、それに続き走査型電子顕微鏡（ＳＥＭ）を用いたレビューが行われる。場合によっては、保守が必要になるまでどの程度の時間に亘りその処理ツールを用いうるかをプロセスエンジニアが学ぶ学習依拠方法によって、プロセス監視及び制御が果たされる。このプロセスエンジニア依拠手法は、インラインフィードバックや旧式の自動クラシファイア（分類器）を欠いているため偶発故障を被りやすい。これらの従来技術のいずれでも、処理ツールの問題が早期に検出されない。問題が検出されるのは、処理ツールが問題含みになり、検査で観測可能な欠陥が発生したときだけである。加えて、これらの技術は低速であり、従ってウェハサンプリングが低速である。そうした技術は、例えば１日又は２日間の予防保守サイクルを有する処理ツールの場合、多大なオーバヘッドを発生させる。これらの技術では歩留まり低下も生じかねず、これは工場例えばデバイス当たり数ロットしか製造できない工場にとり悪影響となる。更に、正常クラスの方が被検査ウェハ上でより普通であるので、検出が困難となる。外れ値（アウトライア）はあまり頻繁でないのが普通で、それ自体、期待外の組合せで表出しうるものなのである。

現実の半導体プロセスは複数個のパラメタにより左右されるのが普通であり、またそれらパラメタが互いに相互依存性を呈することがある。従って、有効なプロセス最適化のためには、どのパラメタがプロセス歩留まりの決定上最重要かを識別した上で、パラメタ毎に最適値域（即ち「処理窓」）を判別することが必要である。更に、半導体製造プロセス中のできるだけ早期にこの判別を行うことが望ましい。

半導体製造における限界寸法は、１４ｎｍや７ｎｍのマイクロアーキテクチャがより一般的になるにつれ小さくなり続けている。とはいえ、λが撮像波長、ＮＡが数値開口であるときの分解能はいずれにせよλ／ＮＡである。分解能向上を果たすには、λを短くするか数値開口（ＮＡ）を大きくするかである。波長を短くするため極端紫外（ＥＵＶ）リソグラフィが推奨されているが、その経済的実現可能性が未だ樹立されていない。そのため、より良好な撮像を狙い高ＮＡレンズが用いられているが、焦点深度（ＤＯＦ）がＮＡ^２に反比例するためＤＯＦ低下を招いている。その結果として、半導体製造がプロセス変動に対しかなり敏感となっている。これは、焦点及び照射量に対する感度が高いと系統的パターニング欠陥が増えるため、歩留まりに影響する。処理窓制御におけるスキャナ精度は改善されつつあるけれども、他のプロセス制約が焦点及び露出に影響することがある。そのため、生産ウェハを対象とした処置窓監視用リアルタイムテクノロジの市場が存在している。言い換えれば、リソグラフィプロセスにおける処理窓は許容範囲内焦点及び露出の集まりであり、それにより電子回路を所望の仕様で以て製造しうるものである。

現在の半導体製造技術では、処理窓の最適化をいちどきに１個のパラメタについてしか行えず、変動結果間のトレードオフが十分には勘案されない。例えば限界寸法処理窓を最適化する際には酸化物厚処理窓をシフトさせる必要があろう。しかし、酸化物厚処理窓を最適化しようとすると限界寸法処理窓がシフトするであろう。これは総生産歩留まりに悪影響を及ぼしかねない。

処理窓監視テクノロジは、傾向的に、ツール性能及び安定性を監視することひいてはプロセス変動を捉えることが可能なものである。とはいえ、これらのテクノロジでは、生産されたウェハ上のプロセスふらつきのうち他プロセスの影響によるものを検出することができない。

米国特許出願公開第２０１４／０１１４５９７号

このように、従来は知られていなかったパターンに基づき非コンプライアンスを検出することが可能な高スループットプロセス監視及び制御を求める需要が存している。

第１実施形態ではクラシファイア生成方法が提供される。本方法は、一組のダイ画像を有するウェハ画像を少なくとも１枚受け取るステップと、プロセッサを用い、当該一組のダイ画像に基づきウェハのメディアン（中央値）ダイ及びそのウェハの標準偏差を生成するステップと、プロセッサを用い、そのウェハのメディアンダイに基づき且つ同ウェハの標準偏差に基づきセグメントマスクを生成するステップと、プロセッサを用い、そのセグメントマスクを各ダイ画像に適用することでダイ画像毎に複数枚のセグメント化ダイ画像を生成するステップと、プロセッサを用い各ダイを特徴値のベクトルで以て表現するステップと、プロセッサを用いそのベクトルに基づき各ダイ画像に係るダイ指標を計算するステップと、プロセッサを用い、ダイ指標、セグメントマスク及びウェハ画像の統計的に有意な一通り又は複数通りの組合せを識別することでクラシファイアを生成するステップと、を有する。

ダイ指標には、各セグメント化ダイ画像に係る平均及び標準偏差が含まれうる。ダイ指標には、ダイの勾配画像のセグメント化ダイ画像に係る平均及び標準偏差が含まれうる。各セグメント化ダイ画像に係る平均及び標準偏差には、Ｙ勾配及びＸ勾配のうち少なくとも一方が含まれうる。

クラシファイアは、１クラスマハラノビスクラシファイア又は１クラスサポートベクタマシン（ＳＶＭ）クラシファイアとされうる。

第２実施形態ではプロセス制御方法が提供される。本方法は、プロセス非コンプライアンスを検出可能でマスキング済ダイ画像の指標の組合せに立脚する所定のクラシファイアを受け取るステップと、一組のダイ画像を有するウェハ画像を受け取るステップと、セグメントマスクを用いウェハ画像をマスキングするステップと、プロセッサを用い一組のダイ画像中の各ダイを特徴値のベクトルで以て表現するステップと、プロセッサを用い各ダイに係るダイ指標を計算するステップと、プロセッサを用い、ウェハ画像の指標を、クラシファイアから得たダイ指標とセグメントマスクとの対応する組合せに基づき計算するステップと、プロセッサを用い、また計算された指標に基づきクラシファイアを用いプロセス状態を判別するステップと、を有する。

そのクラシファイアは、１クラスマハラノビスクラシファイア又は１クラスサポートベクタマシン（ＳＶＭ）クラシファイアとされうる。

ダイ指標には、セグメント化ダイ画像に係る平均及び標準偏差が含まれうる。ダイ指標には、ダイの勾配画像のセグメント化ダイ画像に係る平均及び標準偏差が含まれうる。その平均及び標準偏差には、Ｙ勾配及びＸ勾配のうち少なくとも一方が含まれうる。

本方法は、更に、プロセス状態で以て予測モデルを訓練するステップと、そのプロセス状態に基づき製造ツールの推定対象パラメタを計算するステップと、パラメタ推定結果を製造ツールに伝えるステップと、を有するものとされうる。

本方法は、更に、ダイ画像を用いオートエンコーダ（自動符号化器）を訓練するステップを有し、そのオートエンコーダが製造ツールの焦点及び露出スキュー（ゆがみ）を判別するよう構成された方法とされうる。

第３実施形態ではプロセス制御システムが提供される。本プロセス制御システムは、プロセッサと、そのプロセッサと電子通信する格納デバイスと、同プロセッサと電子通信する通信ポートと、を備える。そのプロセッサは、ウェハの画像でありそれぞれ複数個のダイを有するウェハ画像複数枚を通信ポートにて受け取り、各ウェハ画像をセグメントマスクを用いマスキングすることで一組のセグメント化ダイ画像を生成し、当該一組のセグメント化ダイ画像中の各ダイを特徴値のベクトルで以て表現し、各ダイに係るダイ指標を計算し、クラシファイアから得たダイ指標とセグメントマスクとの対応する組合せに基づき各ウェハ画像の指標を計算し、且つ計算された指標に基づきクラシファイアを用いプロセス状態を判別するよう、プログラミングされる。

そのクラシファイアは、１クラスマハラノビスクラシファイア及び１クラスサポートベクタマシン（ＳＶＭ）クラシファイアのうち一方とされうる。

ダイ指標には、各セグメント化ダイ画像から得た平均及び標準偏差が含まれうる。ダイ指標には、ダイの勾配画像のセグメント化ダイ画像に係る平均及び標準偏差が含まれうる。その平均及び標準偏差には、Ｙ勾配及びＸ勾配のうち少なくとも一方が含まれうる。

プロセッサは、更に、別のウェハに関し各プログラムステップを反復するよう、且つ各ウェハに係る統計的に有意な組合せに従いクラシファイアを精緻化するよう、プログラミングされうる。

本件開示の性質及び目的についてのより全面的な理解のため、以下の如き添付図面と併せ後掲の詳細記述を参照されたい。

本件開示の一実施形態に係るセグメント化の例を示すグラフィックである。 本件開示の一実施形態に係る指標計算の概要の例を示す図である。 本件開示の一実施形態に係るクラシファイア訓練のフローチャート例である。 本件開示の一実施形態に係り図３Ａのプロセスを踏まえた、新規データがプロセスオブレコードか否かの判別のフローチャート例である。 正、負及び正規の焦点ずれを有する様々な未見サンプルに係る正常クラス訓練例の重心からのマハラノビス距離の例を示す図である。 本件開示の一実施形態に係る距離計算のフローチャート例である。 本件開示の一実施形態に係り図５Ａのプロセスを踏まえた、新規データがプロセスオブレコードか否かの判別のフローチャート例である。 本件開示の一実施形態に係るクラシファイア生成方法を示すフローチャートである。 本件開示の一実施形態に係るプロセス制御方法を示すフローチャートである。 本件開示に係るプロセス制御システムのブロック図である。

特許請求の範囲に記載の主題をある種の実施形態によって記述するが、他の実施形態、例えば本願にて説明されている長所及び特徴が全ては提供されない実施形態もまた、本件開示の技術的範囲内にあるものとする。種々の構造的、論理的、処理ステップ的及び電子的変更を、本件開示の技術的範囲から離隔することなくなすことができる。このように、本件開示の技術的範囲は別項の特許請求の範囲への参照によってのみ定まるものである。

本願記載の諸実施形態は特徴抽出及び分類に立脚する処理窓監視技術を提供するものである。より有用なプロセス情報を担持する低頻度特徴からウェハレベル情報を抽出し、それを用いることで、ウェハのプロセス状態を判別することができる。開示されている手法の長所のうち一つは、焦点ずれを（場合によってはサブ１０ｎｍ精度で）検出し且つ照射量変調（即ち半導体デバイス製造中の最終画像が理想画像に近づくよう被制御形態でフォトマスク表現結果を修正するのに用いられたエネルギレベル（照射量））を検出する能力にある。

生産時には多くの（恐らくは大半の）ウェハが正規であり、多くのダイ／フィールド例で処理窓が不調になることはなかろう。従って、専ら正規データ（良好データ）から学習するクラシファイアを設け、新規データのプロセス状態を予測させることが有益である。

本願記載の諸実施形態では各ウェハの処理窓を定量することができる。従って、各ウェハから有用なプロセス情報を抽出することができる。これをなせるよう各ダイが特徴値のベクトルで以て表現される。セグメント化マスクをダイ又はフィールド毎に適用することで、それらを意味のある諸領域、即ち代表的特徴値を計算する際に一緒に考察しうる諸領域に分けることができる。セグメント化によりダイ／フィールドの表現を簡略化し、より意味がありより分析しやすい構造にすることができる。このセグメント化は無教師で自動的なものとすることができる。

ウェハレベル情報から異常を弁別しつつ正規クラスを記述する特徴を選択することは難儀な仕事である。正規クラス、正常クラス又はプロセスオブレファレンス（ＰＯＲ）は、いずれも、ダイ又はフィールドのうち許容可能な焦点、露出その他のパラメタを有するものを指している。ウェハレベル特徴の集合からの特徴の選択は、統計モーメント（即ち一組の点からなる形状の具体的量的物差し）に従い生特徴をランク付けし、それを踏まえ行うことや、大きな固有値を有する主成分を選び、卓越した独立成分分析（ＩＣＡ）を保持し、或いは他の技術を用いることで、行うことができる。線形変換の固有ベクトルは非ゼロベクトルであり、その変換を何かに適用しても方向は変わらない。その変換を固有ベクトルに適用しても、固有値と呼ばれるスカラー値λによりその固有ベクトルがスケーリングされるだけである。これらの技術は、ウェハレベル情報の集合からヌーサンス信号を除去しつつ関連特徴を選択するのに役立ちうる。例えば図３Ａ及び図３Ｂのフローチャートを参照されたい。

ウェハレベル特徴の集合からの特徴の選択は、それらの統計モーメント例えば標準偏差に従い生特徴をランク付けし、それを踏まえ行うこともできる。選択された特徴を用い任意の生成モデル、例えば１クラスマハラノビス距離クラシファイア又は１クラスサポートベクタマシン（ＳＶＭ）クラシファイアを訓練することができる。マハラノビス距離クラシファイアの稼働に際しては、まず、選択されている特徴空間にて正常クラスサンプルの重心を探索する。新規サンプルがその正常クラスに属するか否かを、重心からそこまでのマハラノビス距離を計測し、それを設定済しきい値と比較することで判別する。１クラスＳＶＭの稼働に際しては、正常事例のうちある百分率（例．正常事例のうち９９％）がそれらサポートベクトルにより囲まれるようなサポートベクトルを探索する。新規サンプルが正常であると見なされるのは、サポートベクトルにより定まる囲みの中にそれらが収まる場合である。さもなければそれらを外れ値と見なす。

ある例によれば、最大の固有値を有する主成分を選ぶことで、ウェハレベル特徴の集合から特徴を選択することができる。その上で、選択された特徴を用い１クラスマハラノビス又はＳＶＭクラシファイアを訓練することができる。

また、ある例では、卓越したＩＣＡを保持することでウェハレベル特徴の集合から特徴を選択する。その上で、選択された特徴を用い１クラスマハラノビス又はＳＶＭクラシファイアを訓練する。

更に、「深層学習」技術を用いることで、新規な記述的特徴を子細に定義し抽出することができる。「深層学習」アルゴリズムでは、ヒューリスティック（発見的）特徴を用いるのではなく、生の正規画像から特徴を抽出する。特徴選択にはスタック制限付きボルツマンマシン（ＲＢＭ）又はオートエンコーダ（例．深層学習オートエンコーダ）を用いることができる。従来のクラシファイアでは、事前知識に基づき設計されたヒューリスティック特徴が用いられていた。これに対し、深層学習によれば、関連特徴を自動学習して所望出力・実出力間差異を小さくし、ひいては最適化問題を解くことができる。深層学習によれば、正しい経験の探索に係る困難を排除することができる。例えば、照射量及び露出が不定な（未知の）複数個のダイ／フィールドに由来する事例を想定されたい。オートエンコーダには、全結合されている初層並びにその後段にありより小さな荷重（群）を有する隠れ層で以て、深層学習を組み込むことができる。そのオートエンコーダの最終層は、入力層のそれと同個数のノードを有するものとすることができる。そのオートエンコーダは、出力値Ｙが入力Ｘに極力近くなるよう訓練することができる。言い換えれば、オートエンコーダを訓練することで、それら自身の入力を最少損失で再構築することができる。訓練後は、その中間層出力を、入力のより低次元な表現と見ることができる。オートエンコーダを用いることで、主成分分析（ＰＣＡ）やＩＣＡと同じく特徴次元数を減らすことができる。

ある例によれば、アルゴリズムを正常画像により訓練することで、数個しか特徴がない層を経る原データを再生することができる。その層で生成される表現／特徴を用い１クラス外れ値検出器を訓練することができる。深層学習オートエンコーダは、様々な照射量及び露出を有するダイ及び／又はフィールドの無教師事例を用い訓練することができる。訓練後は、オートエンコーダ写像を用い、各入力画像をより低次元な特徴空間へとマッピングすることができる。その上で、それらの特徴値を用い任意の生成モデル、例えば１クラスＳＶＭクラシファイア又は１クラスマハラノビスクラシファイアを訓練することができる。

これをなすには各ダイを特徴値のベクトルで以て表現すればよい。セグメント化マスクをダイ又はフィールド毎に適用することで、そのダイ又はフィールドを意味のある諸領域、即ち代表的特徴値を計算する際に一緒に考察しうる諸領域に分けることができる。通常、ダイ／フィールドは、単一値で以て表現することができない幾種類かの構造で構成されている。この問題を克服するには、それらダイ／フィールドの様々な構造についての幾通りかの指標を、適切なセグメント化マスクを適用することで算出すればよい。セグメント化によりそのダイ／フィールドの表現を簡略化し、より意味がありより分析しやすい構造にすることができる。様々なダイ間で有効な比較をなすには、セグメントをそっくりなものにすればよい。適切なセグメント化マスクを定義することが、ウェハから値打ちのある情報を得る上で必要になりうる。ダイ／フィールド上のセグメントの諸例としては、そこにある様々な機能部材、例えばメモリ、論理回路、相互接続部材、再分配線、ファンアウト、バンプ等々がある。

セグメントは、幾つかの正規ダイ／フィールドを分析することで得ることができる。概念的には、それらのダイを互いに積み上げることで「ダイスタック」を生成することができる。そのダイスタックを対象にＰＣＡを実行することで固有ベクトルが得られ、それをしきい値判別することで、強い共分散を呈する画素からなるセグメントを得ることができる。これらはそのダイの機能部材に対応付けることができる。これに代え、そのダイスタックの画素毎統計を算出して平均、メディアン、分散画像等々を得ることもできる。それら統計画像には下地にあるプロセス変動が捉えられている。例えば、高い分散を呈する画素は、焦点変化によるライン幅のふらつきを示すものであろう。小さいメディアン値は露出問題を示すものであろう。それら統計画像をしきい値判別することで直にセグメントを得ることができ、或いは勾配及び強度特徴をそれら画像から抽出し用いることでセグメントへとクラスタ化することができる。図１に、セグメント化の仕方の一例を示す。

プロセス情報を定量するため、各ダイを特徴ベクトルで以て特徴付けることができる。ダイはセグメントに分ける。幾通りかの指標をセグメント毎に計算し鎖状につなぐことで、特徴ベクトルを形成することができる。その指標にはセグメント内画素の局所及び大域統計が含まれる。

ダイ指標を計算することで製品ウェハ１個当たり複数通りの表現、特にウェハから処理窓情報を抽出するのに必要とされうるそれを提供することができる。平均、ＳＴＤ、Ｘ勾配３×３−平均、Ｘ勾配３×３−ＳＴＤ、Ｙ勾配３×３−平均、Ｙ勾配３×３−ＳＴＤ、Ｘ勾配５×５−平均、Ｘ勾配５×５−ＳＴＤ、Ｙ勾配５×５−平均及びＹ勾配５×５−ＳＴＤなる諸属性のうち一通り又は複数通りを、ダイ／フィールドのセグメント毎に計算すればよい。

例えばＸ勾配３×３が意味しているのは、３×３マスクを適用することでそのダイ／フィールドのＸ方向勾配を検出できることである。指標計算の概要の一例を図２に示す。

多くのデータセットでは、一種類の観察値にしかアクセスすることができない。新規な観察値が既存種類のデータに属している（即ち観察値が内在値（インライア）である）のかそうでない（即ち観察値が外れ値である）のかは、例えば、そのダイ／フィールドのセグメント毎に計算しうる属性を用い判別することができる。

教師付学習手法を用い例外を検出することができる。その場合は、正常観察値及び外れ観察値の双方を含むデータセットを用いクラシファイアを訓練する。もう一つの分類手法は半教師付のもの、即ちそのアルゴリズムにより正常観察値のみがモデリングされるものである。このクラシファイアに従わない観察値は試験フェーズにて外れ値として分類される。最後の手法は教師無し学習を用いるもの、即ち訓練データセットにラベリングせずそのデータセットの小部分のみに外れ値（群）が含まれると仮定するものである。クラシファイアを得るため外れ値及び正常データが相違するものと仮定される。

多くの現実用途例えば処理窓監視では、教師無し学習手法が、ラベリング情報を利用できない場合に適切であるとされている。更に、処理窓監視では例外的レコードの性質が絶え間なく変転しうるため、例外を正確に記述する訓練データセットを得ることが、不可能でないにしても困難となる。そうした例外を引き起こしうるものの例としては、焦点ずれ、露出スキュー、ＣＭＰ厚の違い等々がある。

１クラスＳＶＭが挑むのは諸点・原点間最大分離を果たす判別境界の学習である。１クラスＳＶＭは、カーネルにより定義されたインプリシットな変換関数（即ち生表現のデータポイントの諸対に亘る相似関数）を利用することで、データをより高次元な空間へと写像する。このアルゴリズムは、次いで、大半のデータを原点から隔てる超平面を学習する（これは判別境界としても知られている）。データポイントのうち小部分だけが、その判別境界の向こう側に存在することが許される（即ち外れ値と見なされる）。この技術を用いることで、正規データを他のあらゆるデータから分離させることができる。この技術はひときわ有用なものであり、それは、何が間違いになるのかを予測するのは難しかろうが、やってくるデータが正規でないことが検出されれば、製造者があらゆる潜在的問題を早期段階で調査することができるからである。図３Ａ及び図３Ｂに外れ値検出クラシファイアの訓練及び適用を示す。クラシファイアは例えば１クラスＳＶＭクラシファイアでも他種クラシファイアでもかまわない。

合理的個数の関連特徴を多数のウェハレベルヒューリスティック特徴から選択することは、難儀な仕事であるかもしれない。ヌーサンス信号の抑制を試みつつ異常検出のため関連特徴を選択する、という系統的方法を適用することができる。

関連特徴は、特徴の集合からそれら特徴の統計分析により選択することができる。例えば、特徴をそれらの統計モーメント、例えばそれらの標準偏差に基づきランク付けすることができる。また例えば、ＰＣＡ及びＩＣＡを採用し、その信号を最もよく記述する卓越成分を識別することができる。その上で、選択された特徴を用い１クラスマハラノビス又はＳＶＭクラシファイアを訓練することができる。

そのアルゴリズムを正常画像により訓練することで、数個しか特徴がない層を経る原データを再生することができる。その層で生成される表現／特徴が、１クラス外れ値検出器の訓練に用いられる。「深層学習」アルゴリズムにより生の正規画像及びスタックから特徴を抽出することができ、またオートエンコーダ（深層学習オートエンコーダ）を特徴選択に用いることができる。

ＰＣＡを、正常クラスから得た生の特徴に適用することができる。例えば、正常クラス信号内変動のうち９０％に寄与している主成分を識別する。それら主成分を用い、全ての生特徴を高次元特徴空間からより低次元なＰＣＡ空間へと写像することができる。正常クラスのみから得た訓練データを用い、マハラノビス距離クラシファイアを訓練することができる。以後は、検査下新規サンプルを、それらからＰＣＡ空間における訓練クラスタの重心までのマハラノビス距離に基づき分類することができる。図４に、正、負及び正規の焦点ずれを有する様々な未見サンプルについて、正常クラス訓練事例の重心からのマハラノビス距離を示す。正及び負の焦点ずれサンプルは、正しいしきい値を用いることで識別することができる。図５Ａ及び図５Ｂは本願記載の方法の実施形態を概括したものである。

本方法の各ステップは本願中に子細に記載の如く実行すればよい。本方法には、本願記載の画像捕捉サブシステム及び／又はコンピュータサブシステム（群）若しくはシステム（群）により実行しうるものであれば、どのような他ステップを含めてもよい。それらのステップを実行する１個又は複数個のコンピュータシステムは、本願記載の諸実施形態のうちいずれかに従い構成すればよい。加えて、上述の諸方法を本願記載の諸システム実施形態のいずれにより実行してもよい。

本件開示は、図６に示すようにクラシファイア生成方法として実施することができる。本方法では少なくとも１枚のウェハ画像を受け取る（１００）。そのウェハ画像は、一組のダイ画像を有するものとすることができる。複数枚のウェハ画像を提供してもよい。各画像は同じ方式又は異なる方式、例えば明視野照明、暗視野照明、偏向光、赤色光、青色光、緑色光、白色光等々又はそれらの組合せを用い捉えることができる。

ウェハ毎にセグメントマスクを生成する（１０１）。これは、そのウェハのメディアンダイに基づき且つそのウェハの標準偏差に基づき行うことができる。セグメントマスクは例えば３×３マスクでも５×５マスクでもかまわない。

プロセッサを用い、そのセグメントマスクを各ダイ画像に適用する（１０２）。セグメントマスクにより各画像（ウェハ及び／又はダイ）をマスキングすることで、その画像のうち潜在的に有用な情報（即ち信号）を含む部分のみを表出させつつ、潜在的にほとんど有用でない情報（即ち雑音）をマスキングすることができる。注記すべきことに、ダイ内の諸構造は、程度の違いはあれプロセス情報を担持可能なものである。光学パラメタの組合せで以てそれらの構造が検査されるところ、一般にそのデータ中には顕著な量のプロセス情報が潜んでいる。この豊かなプロセス情報を、本願に記載されている種類の分析を適用することで抽出することができる。この分析の一側面は、様々な種類のダイ内構造を諸グループにセグメント化することである。各グループ内に信号を蓄積することで、信号対雑音比を更に向上させることができる。

各ダイを特徴値のベクトルで以て表現する（１０３）。ダイ指標をダイ毎に計算する（１０４）。ダイ指標には、そのダイの各セグメントから得た平均及び標準偏差を含めることができる。ダイ指標には、そのダイの勾配画像の各セグメントに係る平均及び標準偏差を含めることもできる。そのダイの勾配画像の各セグメントに、Ｙ勾配及びＸ勾配のうち少なくとも一方を含めることができる。

プロセッサを用い、ダイ指標、セグメントマスク及びウェハ画像の統計的に有意な一通り又は複数通りの組合せを識別する（１０５）ことで、クラシファイアを生成する。識別１０５はダイ検査結果に基づき行えばよい。

本件開示は、図７に示すようにプロセス制御方法として実施することができる。本方法では所定のクラシファイアを受け取る（２００）。例えば、このクラシファイアを図６のプロセスを用い樹立すればよい。クラシファイアは、マスキング済ダイ画像の指標の組合せに立脚するものとすればよい。一組のダイ画像を有するウェハ画像を受け取る（２０１）。そのウェハ画像を、セグメントマスクを用いマスキングする（２０２）。そのセグメントマスクは例えば３×３マスクでも５×５マスクでもかまわない。

一組のダイ画像中の各ダイを特徴値のベクトルで以て表現する（２０３）。ダイ指標をダイ毎に計算する（２０４）。ダイをセグメント化してもよい。ダイ指標には、そのダイの各セグメントから得た平均及び標準偏差を含めることができる。ダイ指標に、そのダイの勾配画像の各セグメントに係る平均及び標準偏差を含めることもできる。ダイの勾配画像の各セグメントに係る平均及び標準偏差には、Ｙ勾配及びＸ勾配のうち少なくとも一方を含めることができる。

ウェハ画像の指標を、クラシファイアから得たダイ指標とセグメントマスクとの対応する組合せに基づき計算する（２０５）。このウェハ画像がマスキングされた画像であってもよい。

プロセス状態を、計算された指標に基づきクラシファイアを用い求める（２０６）ことで、そのプロセスのコンプライアンス又は非コンプライアンス状態を検出する。そのクラシファイアはマハラノビスクラシファイア及びＳＶＭクラシファイアのうち一方とすることができる。他のクラシファイアも用いうる。

プロセス状態は、各ダイ又は各ウェハに関し単純に合格／不調の別を示すものでもよい。実施形態によっては、プロセス状態により合格か不調が示されるのに加え、一通り又は複数通りの不調理由も示されよう。例えばリソグラフィモジュール（リソグラフィ用生産ツール）の場合、アライメント（位置揃え）、フィデリティ（忠実性）、焦点、レティクル傾斜、限界寸法、オーバレイ（重なり合い）、粒子等々が原因でダイが不調になることがある。ＣＭＰモジュールでは研磨欠陥、汚染、スクラッチ（ひっかき傷）等々が原因で不調になることがある。堆積モジュールではアライメント、汚染、膜厚等々が原因で不調になることがある。他にも不調の種類が知られており勘案することが可能である。故に、本願記載の方法の諸実施形態を用い、複数個のクラスを有するクラシファイア（例．合格、位置揃え不調又はスクラッチの３クラスクラシファイア）を生成してもよい。一般に、このクラシファイアは、離散モデルを連続モデルで以て置換しうる回帰型とすることもできる。

ある例によれば、様々な照射量及び露出を有するダイ及び／又はフィールドの無教師事例を用い深層学習オートエンコーダを訓練することができ、更には、それらの特徴値を用い任意の生成モデル、例えば１クラスＳＶＭクラシファイア又は１クラスマハラノビスクラシファイアを訓練することができる。

本方法を用い諸問題をその発生後に検出してもよいし、本発明を用い諸問題の前兆をその発生前に検出してもよい。本方法はプロセス問題のうちいずれか単一のクラスに固有のものではない。本技術の諸実施形態には、半導体製造設備内のいずれか又は全ての処理モジュールに亘りその技術を適用しうるという普遍性がある。

ある例によれば、ダイ指標、プロセス状態その他の情報であり例えば図７の方法を用い生成されたものを用い、予測モデル例えば回帰、深層学習又はニューラルネットワークを訓練し、製造ツールの推定対象パラメタを計算可能なものにすることができる。例えば、予測モデルを訓練し、露出又は焦点ずれの実量を計算可能なものにすることができる。パラメタ推定結果を製造ツールに伝えることで、その製造ツールの性能を向上させることができる。

図６又は図７の方法の諸ステップを、別のウェハ画像を対象にして反復することで、クラシファイアを精緻化することができる。例えば、本方法にて先に用いられた画像方式とは異なる画像方式を有する別のウェハ画像を対象に、諸ステップを反復してもよい。こうすることで、得られるクラシファイアを改善し、統計的に有意な別の組合せが見つかるものにすることができる。また例えば、先に用いられた画像と同じ方式を有する別のウェハ画像を対象に、諸ステップを反復してもよい。別の画像とは、例えば、本方法でそれまで使用されていなかった別のウェハの画像のことである。こうして、得られるクラシファイアを、別のデータポイントの使用を通じ改善することができる。このようにすることで、製造環境に置かれ図６又は図７の方法が用いられる装置により、そのクラシファイアを持続的に改善することができる。

本願記載の諸実施形態を用い、アルゴリズムに従いウェハレベル画像をセグメント化することができる。このセグメント化を自動的なものとしてもよい。１個又は複数個のウェハ／ロットを組み合わせてロバスト性を得ることができる。外れ値検出アルゴリズムにより、制御下にある正規ウェハ又はロットから学習し、新規ウェハのプロセス状態を予測することができる。クラス（即ち正規クラス）を用い多々ある生の特徴から記述的特徴を自動選択することができる。焦点ずれ又は照射量スキューデータが必要でないこともある。その代わりに正規データだけが必要とされることがある。レティクル毎の局所処理窓マージンをマッピングすることができる。

本願記載の諸実施形態によれば、処理ツールによる諸問題の早期検出を、その処理ツールがもとでウェハ上に欠陥が生じ始める前にも行うことができる。これにより、ウェハ又は素材の損失無しでダウンタイムをスケジューリングすることが可能になる。

本願記載の諸実施形態は、高分解能欠陥検出モジュールと共に稼働させることができる。

処理窓監視では、通常、例外的レコードの性質が絶え間なく変転していく（例．焦点ずれ、露出スキュー、ＣＭＰ厚の違い）。プロセスオブレコード（ＰＯＲ）データを非ＰＯＲデータから仕分ける能力、例えば本願記載の諸実施形態を用いるそれは役に立つ。特定の信号例えば焦点ずれ又は露出スキューを自動検出することができる。自動外れ値検出を用い新規ウェハのプロセス状態を判別することができる。

往々にして、あるクラスの事例（例．良好／許容事例）が他のクラスの事例（例．異常）よりも多くなる。異常の度合及び発生源は変動しうるので、個々の潜在的変動から代表事例を収集できないかもしれない。本願記載の如く、正常クラス内変動を学習すること並びに許容規準を超える変動を検出することは、有益たりうる。

本願記載の諸実施形態は様々な製造アプリケーションに適用することができる。例えば、本願記載の諸実施形態をリソグラフィアプリケーションに係る焦点ずれ及び照射量に適用することや、ＣＭＰ及び成膜モジュールに係る膜厚監視に適用することができる。

ある例では、複数枚のウェハ上の個別ダイが検査される。この例における諸特徴、例えばワイヤその他の相互接続に基づくそれには、平均、標準偏差、コントラストその他の値を含めることができる。ダイ毎の特徴は多次元値である。ダイの標準偏差は球又は楕円体分布を呈しうる。この例では、大半の特徴が正常フィールド内に収まり、例えばデータのうち９９％が多次元球内に収まる。この分布を踏まえ、クラシファイア例えばＳＶＭクラシファイアが、何が正常であるかを学習する。クラシファイアは既存データに基づき構築することができる。クラシファイアでは、別のウェハをその正規分布と比較し、何が良好又は正常であるかを当該別のウェハを対象にして判別する。３Ｄ空間（即ち多次元球）内は正常であり、その３Ｄ空間外はそうでない。

図８はプロセス制御システム３００のブロック図である。このプロセス制御システム３００は、ＳＥＭ、電子ビームを用いる他の検査ツール、光ビームを用いる他の検査ツールその他、ウェハを検査しうるよう構成された装置としてもよいし、或いはそれを有するものとしてもよい。

プロセス制御システム３００は、ウェハ３０３をクランプするよう構成されたステージ３０４を有している。ステージ３０４は、１軸、２軸又は３軸にて移動又は回動するよう構成すればよい。

プロセス制御システム３００は、ウェハ３０３の表面の画像を生成するよう構成された撮像装置３０１をも有している。その画像はそのウェハ３０３の特定の層に係るものとなろう。この例によれば、撮像装置３０１からビーム３０２を供給し、それによりウェハ３０３の画像を生成することができる。ビーム３０２は例えば電子ビームでも光ビームでもよい。他の撮像装置３０１、例えば広帯域プラズマを用いるそれでもかまわない。

本願中の用語「ウェハ」は、大略、半導体又は非半導体素材で形成された基板のことを指している。そうした半導体又は非半導体素材の例としては、これに限られるものではないが、単結晶シリコン、窒化ガリウム、ヒ化ガリウム、燐化インジウム、サファイア及びガラスがある。そうした基板は半導体製造設備にてよく目にされ及び／又は処理されよう。

ウェハが基板上に形成された１個又は複数個の層を有することもある。そうした層の例としては、これに限られるものではないがフォトレジスト、誘電体、導電体及び半導体素材がある。本件技術分野ではそうした層について多様な種類が知られており、本願中の用語ウェハは、いずれの種類であれそうした層を有するウェハを包括する意図を有している。

ウェハ上に形成された１個又は複数個の層は、パターンを有していても有していなくてもよい。例えば、ウェハが複数個のダイを有し各ダイが可反復パターン化特徴又は周期構造を有するようにしてもよい。そうした素材層の形成及び処理によって、最終的にはデバイスの完成品が得られよう。多種類のデバイスをウェハ上に形成されうるところ、本願中の用語ウェハは、いずれの種類であれ本件技術分野で既知なデバイスがその上に作り込まれるウェハを包括する意図を有している。

プロセス制御システム３００はコントローラ３０５と通信する。例えば、コントローラ３０５が撮像装置３０１その他、プロセス制御システム３００の構成部材と通信することができる。コントローラ３０５は、プロセッサ３０６、そのプロセッサ３０６と電子通信する格納デバイス３０７、並びにプロセッサ３０６と電子通信する通信ポート３０８を、有するものとすることができる。察せられる通り、コントローラ３０５はハードウェア、ソフトウェア及びファームウェアのどのような組合せにより実施してもよい。例えば、通信ポート３０８をネットワークポート例えばＥｔｈｅｒｎｅｔポート又は無線Ｅｔｈｅｒｎｅｔポートとしてもよい。また、その諸機能のうち本願記載のものを単一ユニットで実行してもよいし、複数部材間で分かち合い各部材をやはりハードウェア、ソフトウェア及びファームウェアの任意な組合せにより実施してもよい。プログラムコード又は命令であり、コントローラ３０５が本願記載の諸方法及び機能を実行・実現するためのものは、コントローラ可読格納媒体例えばメモリ内、コントローラ３０５内、コントローラ３０５外或いはそれらの組合せに格納すればよい。

ある例によれば、通信ポート３０８が例えば撮像装置３０１に対するシリアルインタフェースとされよう。その撮像装置３０１は、撮像センサを有するものとすることができる。その撮像センサを、例えば電荷結合デバイス（ＣＣＤ）又は時間遅延積分（ＴＤＩ）センサとしてもよい。撮像装置３０１が更に照明源を備えていてもよい。その照明源を、本件技術分野で既知の如く明視野光源又は暗視野光源として構成してもよい。その照明源を広域スペクトラム光源例えば白色光源としてもよいし、より狭域なスペクトラム光源例えば赤色光源、青色光源又は緑色光源としてもよい。撮像装置３０１を、偏向光を用い像を捉えるよう構成してもよい。撮像装置３０１が複数個の照明源を備え、プロセス制御システム３００が様々な方式の画像を利用できるようにしてもよい。他の撮像方式及び構成の撮像装置３０１も知られており、本件開示に照らせばそれらは自明であろう。撮像装置３０１はウェハの像を捉えうるよう構成される。例えば、プロセス制御装置３００内でウェハを輸送しながらウェハ画像を捉えるようにしてもよい。

コントローラ３０５によりウェハ３０３上の異常を識別するようにしても、或いは製造プロセスのコンプライアンス／非コンプライアンスを検出するようにしてもよい。例えば、コントローラ３０５により図６又は図７の諸ステップを実行してもよい。コントローラ３０５により本願記載の他ステップ又は他技術を実行してもよい。

コントローラ３０５を何らかの好適な形態で（例．１個又は複数個の伝送媒体、例えば「有線」及び／又は「無線」伝送媒体を含むそれを介し）プロセス制御システム３００の検出器に結合させ、コントローラ３０５が検出器例えば撮像装置３０１内のそれらにより生成された出力を受け取れるようにするとよい。コントローラ３０５を、検出器の出力を用い多数の機能を実行するよう構成してもよい。例えば、検出器の出力を用いウェハ３０３側の欠陥を検出するようコントローラ３０５を構成してもよい。ウェハ３０３側の欠陥の検出は、ある種のプロセス制御若しくはコンプライアンスアルゴリズム及び／又は方法を、検出器により生成された出力に適用することで、コントローラ３０５が実行すればよい。そのアルゴリズム及び／又は方法には、本願記載の又は本件技術分野で既知な、いずれの好適アルゴリズム及び／又は方法を含めてもよい。例えば、コントローラ３０５が検出器の出力をしきい値と比較するようにしてもよい。そのしきい値を上回る値を有する出力全てを非コンプライアントなものとして識別する一方、そのしきい値を下回る値を有する出力全てをコンプライアントなものとして識別すればよい。また例えば、その出力を対象とした欠陥検出の実行抜きで、検出器の出力を格納デバイス３０７その他の格納媒体に送るよう、コントローラ３０５を構成してもよい。コントローラ３０５は本願記載の如く更に構成されよう。

コントローラ３０５や本願記載の他システム（群）又は他サブシステム（群）は、パーソナルコンピュータシステム、イメージコンピュータ、メインフレームコンピュータシステム、ワークステーション、ネットワーク機器、インターネット機器その他の装置を含め、様々な形態を採りうる。一般に、語「コントローラ」は、記憶媒体から得た命令を実行するプロセッサを１個又は複数個有するデバイス全てが包括されるよう、広く定義されうる。そのサブシステム（群）又はシステム（群）には、本件技術分野で既知なあらゆる好適プロセッサ例えばパラレルプロセッサをも含まれうる。加えて、そのサブシステム（群）又はシステム（群）は、スタントアロンかネットワークツールかを問わず、高速処理プラットフォーム及びソフトウェアを有するものとされうる。

そのシステムが複数個のサブシステムを有している場合、別々のサブシステム同士を結合させ、画像、データ、情報、命令等々がそれらサブシステム間で送られるようにしてもよい。例えば、あるサブシステムの他サブシステム（群）への結合はどのような好適伝送媒体によるものでもよく、それらには本件技術分野で既知なあらゆる好適有線及び／又は無線伝送媒体が含まれうる。そうしたサブシステムのうち２個以上を、コンピュータ可読な共有格納媒体（図示せず）により実効的に結合させてもよい。

更なる実施形態は、コントローラ上で実行可能なプログラム命令が格納される非一時的コンピュータ可読媒体に関し、本願記載の如くウェハ側の異常を識別し又はコンプライアンス／非コンプライアンスを検出するコンピュータ実行方法を実行するためのものである。具体的には、図８に示すように、格納デバイス３０７その他の格納媒体を、コントローラ３０５上で実行可能なプログラム命令が組み込まれた非一時的コンピュータ可読媒体を含むものとすればよい。そのコンピュータ実行方法には本願記載のあらゆる方法（群）のあらゆるステップ（群）が含まれうる。

諸方法例えば本願記載のそれを実行するためのプログラム命令はコンピュータ可読媒体、例えば格納デバイス３０７その他の格納媒体上に格納すればよい。そのコンピュータ可読媒体は格納媒体、例えば磁気又は光ディスク、磁気テープその他、本件技術分野で既知で好適なあらゆる非一時的コンピュータ可読媒体とされうる。

それらプログラム命令は、就中、手続きベース技術、要素ベース技術及び／又はオブジェクト指向技術を含め様々な形態のうちいずれかで実装すればよい。例えば、それらプログラム命令の実装に、ＡｃｔｉｖｅＸ（登録商標）コントロール、Ｃ＋＋オブジェクト、ＪａｖａＢｅａｎｓ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）ＦｏｕｎｄａｔｉｏｎＣｌａｓｓｅｓ（“ＭＦＣ”）、ＳＳＥ（ストリーミングＳＩＭＤエクステンション）その他のテクノロジ又は方法論を、望まれるところに従い用いればよい。

コントローラ３０５は本願記載の諸実施形態のうちいずれに従い構成してもよい。ある例では、プロセッサ３０６が、本願記載の方法のうち任意のものを実行するようプログラミングされる。ある例では、プロセッサ３０６が、少なくとも１枚のウェハ画像を受け取るようプログラミングされる。そのウェハ画像は、一組のダイ画像を有するものとすることができる。そのプロセッサ３０６は、一組のダイ画像に基づきウェハのメディアンダイ及びそのウェハの標準偏差を生成するようプログラミングされる。各ウェハに関し、そのプロセッサ３０６が、そのウェハのメディアンダイに基づき且つそのウェハの標準偏差に基づきセグメントマスクを生成するようプログラミングされる。プロセッサ３０６は、そのセグメントマスクを各ダイ画像に適用することで各ダイ画像に係るセグメント化ダイ画像を生成するようプログラミングされる。プロセッサ３０６は、各ダイを特徴値のベクトルで以て表現するようプログラミングされる。プロセッサ３０６は、各ダイに係るダイ指標をそのベクトルに基づき計算するようプログラミングされる。プロセッサ３０６は、ダイ指標、セグメントマスク及びウェハ画像の統計的に有意な一通り又は複数通りの組合せを識別することでクラシファイアを生成するようプログラミングされる。

また、ある例では、プロセッサ３０６が、プロセス非コンプライアンスを検出しうる所定のクラシファイアを受け取るようプログラミングされる。そのクラシファイアは、マスキング済ダイ画像の指標の組合せに立脚するものとされうる。プロセッサ３０６は、一組のダイ画像を有するウェハ画像を受け取るようプログラミングされる。プロセッサ３０６は、セグメントマスクを用いウェハ画像をマスキングするよう、且つ一組のダイ画像中の各ダイを特徴値のベクトルで以て表現するようプログラミングされる。プロセッサ３０６は、ダイ毎にダイ指標を計算するようプログラミングされる。プロセッサ３０６は、クラシファイアから得たダイ指標とセグメントマスクとの対応する組合せに基づきウェハ画像の指標を計算するようプログラミングされる。プロセッサ３０６は、計算された指標に基づきクラシファイアを用いプロセス状態を判別するようプログラミングされる。そのクラシファイアはマハラノビスクラシファイア及びＳＶＭクラシファイアのうち一方とされうる。他のクラシファイアとすることもできる。

また、ある例では、プロセッサ３０６が、ウェハについての複数枚のウェハ画像を受け取るようプログラミングされる。各ウェハ画像は複数個のダイを有する。プロセッサ３０６は、各ウェハ画像をセグメントマスクを用いマスキングすることで一組のセグメント化ダイ画像を生成し、当該一組のセグメント化ダイ画像中の各ダイを特徴値のベクトルで以て表現し、ダイ指標をダイ毎に計算し、クラシファイアから得たダイ指標とセグメントマスクとの対応する組合せに基づき各ウェハ画像の指標を計算し、そして、計算された指標に基づきクラシファイアを用いプロセス状態を判別するよう、プログラミングされる。

本願記載の技術をフィードバック機構として用い、処理ツール例えばＣＭＰツールを調整することや、処理ツールで保守が必要な旨の通知を発することができる。そのためには、プロセッサ３０６が通信ポート３０８を介し処理ツールへと命令を送ればよい。これに加え又は代え、プロセッサ３０６が通信ポート３０８その他の手段（例．警報装置等々）を介し保守通知信号を送ってもよい。ある種の実施形態に従い、プロセス制御システム３００に、リワーク又はスクラップ対象ウェハをルーティング可能な輸送機構を具備させてもよい。それらの実施形態においては、プロセッサ３０６を、リワーク又はスクラップ対象ウェハをルーティングしうるようプログラミングすればよい。

プロセス制御システムの一部として開示したが、本願記載のコントローラ３０５を、検査システムと併用しうるよう構成してもよい。また、ある実施形態に従い、本願記載のコントローラ３０５を、計量システムと併用しうるよう構成してもよい。即ち、本願記載の諸実施形態は、めいめいの用途に多少とも適する別々の撮像能力を有するシステム向けに、多様な形態で仕立てることが可能な、ある種の分類手段を示すものである。

本願記載の諸実施形態を、他標本例えばレティクルの検査、欠陥レビュー及び計量向けに構成してもよい。例えば、本願記載の諸実施形態を、マスク検査、ウェハ検査及びウェハ検査を目的にして構成してもよい。とりわけ、本願記載の諸実施形態を、例えば広帯域プラズマ検査機、電子ビーム検査機又は欠陥レビューツール、マスク検査機、仮想検査機等々といった出力捕捉サブシステムの構成部材又は結合先たるコンピュータノード又はコンピュータクラスタ上に、実装してもよい。こうすることで、本願記載の諸実施形態により、これに限られるものではないがウェハ検査、マスク検査、電子ビーム検査及びレビュー、計量等々を含め様々な用途に用いうる出力が、生成されよう。そのコントローラは、それに関し実出力が生成されることとなる標本に基づき上述の如く修正することができる。

本件開示に関し特定の１個又は複数個の実施形態との関連で記述してきたが、ご理解頂けるように、本件開示の技術的範囲から離隔することなく本件開示の他実施形態をなすことができる。即ち、本件開示は添付する特許請求の範囲及びその合理的な解釈のみにより限定されるものと認められる。

Claims (20)

1. クラシファイア生成方法であって、
   一組のダイ画像を有するウェハ画像を少なくとも１枚受け取るステップと、
   プロセッサを用い、上記一組のダイ画像に基づきウェハのメディアンダイ及びそのウェハの標準偏差を生成するステップと、
   プロセッサを用い、ウェハのメディアンダイに基づき且つそのウェハの標準偏差に基づきセグメントマスクを生成するステップと、
   プロセッサを用い、そのセグメントマスクを各ダイ画像に適用することで各ダイ画像に係る複数枚のセグメント化ダイ画像を生成するステップと、
   プロセッサを用い各ダイを特徴値のベクトルで以て表現するステップと、
   プロセッサを用い、そのベクトルに基づき各ダイ画像に係るダイ指標を計算するステップと、
   プロセッサを用い、ダイ指標、セグメントマスク及びウェハ画像の統計的に有意な一通り又は複数通りの組合せを識別することでクラシファイアを生成するステップと、
   を有する方法。
2. 請求項１に記載の方法であって、そのダイ指標が各セグメント化ダイ画像に係る平均及び標準偏差を含む方法。
3. 請求項１に記載の方法であって、そのダイ指標がダイの勾配画像のセグメント化ダイ画像に係る平均及び標準偏差を含む方法。
4. 請求項３に記載の方法であって、各セグメント化ダイ画像に係る平均及び標準偏差がＹ勾配及びＸ勾配のうち少なくとも一方を含む方法。
5. 請求項１に記載の方法であって、そのクラシファイアが１クラスマハラノビスクラシファイアである方法。
6. 請求項１に記載の方法であって、そのクラシファイアが１クラスサポートベクタマシン（ＳＶＭ）クラシファイアである方法。
7. プロセス制御方法であって、
   プロセス非コンプライアンスを検出可能でありマスキング済ダイ画像の指標の組合せに立脚する所定のクラシファイアを受け取るステップと、
   一組のダイ画像を有するウェハ画像を受け取るステップと、
   セグメントマスクを用いウェハ画像をマスキングするステップと、
   プロセッサを用い上記一組のダイ画像中の各ダイを特徴値のベクトルで以て表現するステップと、
   プロセッサを用い各ダイに係るダイ指標を計算するステップと、
   プロセッサを用い、ウェハ画像の指標を、クラシファイアから得たダイ指標とセグメントマスクとの対応する組合せに基づき計算するステップと、
   プロセッサを用い、また計算された指標に基づきクラシファイアを用いプロセス状態を判別するステップと、
   を有する方法。
8. 請求項７に記載の方法であって、そのクラシファイアが１クラスマハラノビスクラシファイアである方法。
9. 請求項７に記載の方法であって、そのクラシファイアが１クラスサポートベクタマシン（ＳＶＭ）クラシファイアである方法。
10. 請求項７に記載の方法であって、そのダイ指標がセグメント化ダイ画像に係る平均及び標準偏差を含む方法。
11. 請求項７に記載の方法であって、そのダイ指標がダイの勾配画像のセグメント化ダイ画像に係る平均及び標準偏差を含む方法。
12. 請求項１１に記載の方法であって、その平均及び標準偏差がＹ勾配及びＸ勾配のうち少なくとも一方を含む方法。
13. 請求項７に記載の方法であって、更に、
    プロセス状態で以て予測モデルを訓練するステップと、
    プロセス状態に基づき製造ツールの推定対象パラメタを計算するステップと、
    パラメタ推定結果をその製造ツールに伝えるステップと、
    を有する方法。
14. 請求項７に記載の方法であって、更に、ダイ画像を用いオートエンコーダを訓練するステップを有し、そのオートエンコーダが製造ツールの焦点及び露出スキューを判別するよう構成される方法。
15. プロセス制御システムであって、
    プロセッサと、
    そのプロセッサと電子通信する格納デバイスと、
    上記プロセッサと電子通信する通信ポートと、
    を備え、上記プロセッサが、
    ウェハの画像でありそれぞれ複数個のダイを有するウェハ画像複数枚を通信ポートにて受け取るよう、
    各ウェハ画像をセグメントマスクを用いマスキングすることで一組のセグメント化ダイ画像を生成するよう、
    上記一組のセグメント化ダイ画像中の各ダイを特徴値のベクトルで以て表現するよう、
    各ダイに係るダイ指標を計算するよう、
    各ウェハ画像の指標を、クラシファイアから得たダイ指標とセグメントマスクとの対応する組合せに基づき計算するよう、且つ
    計算された指標に基づきクラシファイアを用いプロセス状態を判別するよう、
    プログラミングされているプロセス制御システム。
16. 請求項１５に記載のプロセス制御システムであって、そのクラシファイアが１クラスマハラノビスクラシファイア及び１クラスサポートベクタマシン（ＳＶＭ）クラシファイアのうち一方であるプロセス制御システム。
17. 請求項１５に記載のプロセス制御システムであって、そのダイ指標が各セグメント化ダイ画像から得た平均及び標準偏差を含むプロセス制御システム。
18. 請求項１５に記載のプロセス制御システムであって、そのダイ指標がダイの勾配画像のセグメント化ダイ画像に係る平均及び標準偏差を含むプロセス制御システム。
19. 請求項１８に記載のプロセス制御システムであって、その平均及び標準偏差がＹ勾配及びＸ勾配のうち少なくとも一方を含むプロセス制御システム。
20. 請求項１５に記載のプロセス制御システムであって、そのプロセッサが、更に、
    別のウェハに関し各プログラムステップを反復するよう、且つ
    各ウェハに係る統計的に有意な組合せに従いクラシファイアを精緻化するよう、
    プログラミングされているプロセス制御システム。