JP6909886B2 - 画像推定方法およびシステム - Google Patents
画像推定方法およびシステム Download PDFInfo
- Publication number
- JP6909886B2 JP6909886B2 JP2020029976A JP2020029976A JP6909886B2 JP 6909886 B2 JP6909886 B2 JP 6909886B2 JP 2020029976 A JP2020029976 A JP 2020029976A JP 2020029976 A JP2020029976 A JP 2020029976A JP 6909886 B2 JP6909886 B2 JP 6909886B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- learning
- estimation processing
- estimation
- microscope
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 102
- 238000012545 processing Methods 0.000 claims description 152
- 238000003384 imaging method Methods 0.000 claims description 127
- 238000003860 storage Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000007547 defect Effects 0.000 description 118
- 239000000523 sample Substances 0.000 description 103
- 235000012431 wafers Nutrition 0.000 description 44
- 238000010894 electron beam technology Methods 0.000 description 26
- 230000006866 deterioration Effects 0.000 description 13
- 239000002245 particle Substances 0.000 description 11
- 239000004065 semiconductor Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001678 irradiating effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
また、欠陥部位を撮像した画像1枚から欠陥を検出する方法が特開2007−40910号公報(特許文献2)に記載されている。
記憶部と演算部を有するシステムであって、
前記記憶部は、第1試料の第1領域の第1画像と、前記第1領域の第2画像と、を記憶し、
前記第1画像は、第1撮像条件を用いて顕微鏡で撮像され、
前記第2画像は、第1撮像条件より高品質な撮像が可能な第2撮像条件を用いて、前記顕微鏡で撮像され、
前記演算部は:
(1)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを推定し、
(2)前記第1試料又は第2試料の所望の領域について、前記第1撮像条件を用いて撮像された、第3画像を取得し、
(3)前記第3画像と前記推定処理パラメータとに基づいて、前記所望の領域に関する第4画像を推定し、
前記推定処理パラメータの推定の時、前記演算部は:
(1A)前記第1画像と学習中推定処理パラメータとに基づいて推定された学習中推定画像と、前記第2画像と、の差異を誤差として求め、
(1B)前記誤差を予め設定したしきい値と比較することで、前記学習中推定処理パラメータを、前記推定処理パラメータとする契機を判断する、システム、と構成した。
前記記憶部は、第1試料の第1領域の第1画像と、前記第1試料の第2領域の第2画像と、を記憶し、
前記第1画像は、第1撮像条件を用いて顕微鏡で撮像され、
前記第2画像は、第1撮像条件より高倍率な撮像が可能な第2撮像条件を用いて、前記顕微鏡で撮像され、
前記第2領域は、前記第1領域の一部であり、
前記演算部は:
(a)前記第1画像の前記第2領域に相当する部分を拡大した画像である、拡大画像を生成し、
(b)前記拡大画像と前記第2画像とに基づいて、推定処理パラメータを推定し、
(c)前記第1撮像条件を用いて撮像された、前記第1試料又は第2試料の所望の領域を含む第3画像を取得し、
(d)前記第3画像の前記所望の領域に対応する部分と、前記推定処理パラメータと、に基づいて、前記所望の領域に関する第4画像を推定する、システム、と構成した。
前記記憶部は:
第1顕微鏡で撮像した第1試料の第1画像と、
第2顕微鏡で撮像した前記第1試料の第2画像と、
を記憶し、
前記演算部は:
(i)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを推定し、
(ii)前記第1顕微鏡で撮像した第2試料の第3画像を取得し、
(iii)前記第3画像と前記推定処理パラメータとに基づいて、前記第2顕微鏡に関する第4画像を推定する、システム、と構成した。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
以下に、本発明の実施例を、図を用いて説明する。
まず、観察対象となる半導体ウェハ(試料ウェハ)108をステージ上にロードし(S301)、観察対象である試料ウェハ108に対応した撮像条件を画像撮像条件記憶部205から読み込む(S302)。
ここでは高スループット撮像条件下で生じる劣化を含む画像を取得するのが目的である。そのため、撮像条件として、加算フレーム数設定(S601)や画像解像度設定(S602)、電子ビームフォーカス高さ設定(S603)、ステージ停止制御後のスキャン開始待ち時間設定(S604)を、高スループット撮像条件と同等の条件になるように行った上で、試料ウェハ1をSEM101で撮像する(S605)。
また、撮像スループット向上のためには、SEM101の電子ビーム115のフォーカス位置を試料ウェハ1の表面に合せるためのフォーカス高さの自動調整(オートフォーカス)に係る時間を削減することが効果的である。しかし、自動調整を行うと、フォーカスはずれを起こす原因となる。
F2(Y)= max(0、W2*F1(Y)+B2) ・・・(数2)
F(Y)= W3*F2(Y)+B3 ・・・(数3)
また、畳み込みニューラルネットワーク以外の方法を用いても良い。例えば、特許文献3に記載されているように、劣化画像と高画質画像のペアで構成される学習用画像をパッチと呼ばれる小領域に分割し、その対応関係を用いて、入力された劣化画像パッチに対する高画質画像パッチを推定することにより高画質画像を生成しても良い。
これらは特に回路パターンの寸法を高精度に計測する際に問題になる。つまり、同一試料の同一箇所を複数の欠陥観察装置で計測した場合においても、それぞれの欠陥観察装置で取得される画像の像質の違いにより異なる寸法が計測されてしまう。
Claims (18)
- 記憶部と演算部を有するシステムであって、
前記記憶部は、第1試料の第1領域の第1画像と、前記第1領域の第2画像と、を記憶し、
前記第1画像は、第1撮像条件を用いて顕微鏡で撮像され、
前記第2画像は、第1撮像条件より高品質な撮像が可能な第2撮像条件を用いて、前記顕微鏡で撮像され、
前記演算部は:
(1)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを学習し、
(2)前記第1試料又は第2試料の所望の領域について、前記第1撮像条件を用いて撮像された、第3画像を取得し、
(3)前記第3画像と前記推定処理パラメータとに基づいて、前記所望の領域に関する第4画像を推定し、
前記推定処理パラメータの学習時、前記演算部は:
(1A)前記第1画像と学習中推定処理パラメータとに基づいて推定された学習中推定画像と、前記第2画像と、の差異を誤差として求め、
(1B)前記誤差を予め設定したしきい値と比較することで、前記学習中推定処理パラメータを、前記推定処理パラメータとする契機を判断し、
前記第1撮像条件と前記第2撮像条件とは、
加算フレーム数、
前記顕微鏡が有するステージの停止命令発行から、撮像するまでの時間、
の少なくとも1つが異なる、
システム。 - 請求項1記載のシステムであって、
前記推定処理パラメータの学習時、前記演算部は、(1A)の処理と、(1B)の処理と、前記誤差に基づいて前記学習中推定処理パラメータを更新する処理と、を予め設定した回数繰り返した後に、前記学習中推定処理パラメータを前記推定処理パラメータとする、
システム。 - 請求項1乃至2のいずれかの項に記載のシステムと、前記顕微鏡と、を有する試料観察装置。
- 記憶部と演算部を有するシステムであって、
前記記憶部は:
第1顕微鏡で撮像した第1試料の第1画像と、
第2顕微鏡で撮像した前記第1試料の第2画像と、
を記憶し、
前記演算部は:
(i)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを学習し、
(ii)前記第1顕微鏡で撮像した第2試料の第3画像を取得し、
(iii)前記第3画像と前記推定処理パラメータとに基づいて、前記第2顕微鏡に関する第4画像を推定する、
システム。 - 請求項4記載のシステムであって、前記第2顕微鏡はマスターの役割である、システム。
- 請求項5記載のシステムであって、前記第1顕微鏡は複数であり、
前記推定処理パラメータは、各々の前記第1顕微鏡に対応するよう複数備える、システム。 - 請求項4記載のシステムであって、
前記推定処理パラメータの学習時、前記演算部は:
(iA)前記第1画像と学習中推定処理パラメータとに基づいて推定された学習中推定画像と、前記第2画像と、の差異を誤差として求め、
(iB)前記誤差を予め設定したしきい値と比較することで、前記学習中推定処理パラメータを、前記推定処理パラメータとする契機を判断する、
システム。 - 請求項7記載のシステムであって、
前記推定処理パラメータの学習時、前記演算部は、(iA)の処理と、(iB)の処理と、前記誤差に基づいて前記学習中推定処理パラメータを更新する処理と、を予め設定した回数繰り返した後に、前記学習中推定処理パラメータを前記推定処理パラメータとする、
システム。 - 請求項4ないし6のいずれかの項に記載のシステムと、前記第1顕微鏡と、前記第2顕微鏡とを有する試料観察装置群。
- 記憶部を有するシステムの画像推定方法であって、
前記記憶部は、第1試料の第1領域の第1画像と、前記第1領域の第2画像と、を記憶し、
前記第1画像は、第1撮像条件を用いて顕微鏡で撮像され、
前記第2画像は、第1撮像条件より高品質な撮像が可能な第2撮像条件を用いて、前記顕微鏡で撮像され、
前記画像推定は、
(1)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを学習し、
(2)前記第1試料又は第2試料の所望の領域について、前記第1撮像条件を用いて撮像された、第3画像を取得し、
(3)前記第3画像と前記推定処理パラメータとに基づいて、前記所望の領域に関する第4画像を推定し、
前記推定処理パラメータの学習時、
(1A)前記第1画像と学習中推定処理パラメータとに基づいて推定された学習中推定画像と、前記第2画像と、の差異を誤差として求め、
(1B)前記誤差を予め設定したしきい値と比較することで、前記学習中推定処理パラメータを、前記推定処理パラメータとする契機を判断し、
前記第1撮像条件と前記第2撮像条件とは、
加算フレーム数、
前記顕微鏡が有するステージの停止命令発行から、撮像するまでの時間、
の少なくとも1つが異なる、
画像推定方法。 - 記憶部を有するシステムの画像推定方法であって、
前記記憶部は、第1顕微鏡で撮像した第1試料の第1画像と、第2顕微鏡で撮像した前記第1試料の第2画像と、を記憶し、
前記画像推定は、
(i)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを学習し、
(ii)前記第1顕微鏡で撮像した第2試料の第3画像を取得し、
(iii)前記第3画像と前記推定処理パラメータとに基づいて、前記第2顕微鏡に関する第4画像を推定する、
画像推定方法。 - 処理装置に画像推定を実行させるプログラムであって、
記憶部は、第1試料の第1領域の第1画像と、前記第1領域の第2画像と、を記憶し、
前記第1画像は、第1撮像条件を用いて顕微鏡で撮像され、
前記第2画像は、第1撮像条件より高品質な撮像が可能な第2撮像条件を用いて、前記顕微鏡で撮像され、
画像推定は、
(1)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを推定し、
(2)前記第1試料又は第2試料の所望の領域について、前記第1撮像条件を用いて撮像された、第3画像を取得し、
(3)前記第3画像と前記推定処理パラメータとに基づいて、前記所望の領域に関する第4画像を推定し、
前記推定処理パラメータの推定の時、
(1A)前記第1画像と学習中推定処理パラメータとに基づいて推定された学習中推定画像と、前記第2画像と、の差異を誤差として求め、
(1B)前記誤差を予め設定したしきい値と比較することで、前記学習中推定処理パラメータを、前記推定処理パラメータとする契機を判断し、
前記第1撮像条件と前記第2撮像条件とは、
加算フレーム数、
前記顕微鏡が有するステージの停止命令発行から、撮像するまでの時間、
の少なくとも1つが異なる、プログラム。 - 処理装置に画像推定を実行させるプログラムであって、
記憶部は、第1顕微鏡で撮像した第1試料の第1画像と、第2顕微鏡で撮像した前記第1試料の第2画像と、を記憶し、
画像推定は、
(i)前記第1画像と前記第2画像とに基づいて、推定処理パラメータを推定し、
(ii)前記第1顕微鏡で撮像した第2試料の第3画像を取得し、
(iii)前記第3画像と前記推定処理パラメータとに基づいて、前記第2顕微鏡に関する第4画像を推定するプログラム。 - 請求項13記載のプログラムであって、前記第2顕微鏡はマスターの役割である、プログラム。
- 請求項14記載のプログラムであって、前記第1顕微鏡は複数であり、
前記推定処理パラメータは、各々の前記第1顕微鏡に対応するよう複数存在する、プログラム。 - 請求項12記載のプログラムであって、
前記推定処理パラメータの学習時、(1A)の処理と、(1B)の処理と、前記誤差に基づいて前記学習中推定処理パラメータを更新する処理と、を予め設定した回数繰り返した後に、前記学習中推定処理パラメータを前記推定処理パラメータとする、
プログラム。 - 請求項13記載のプログラムであって、
前記推定処理パラメータの学習時は:
(iA)前記第1画像と学習中推定処理パラメータとに基づいて推定された学習中推定画像と、前記第2画像と、の差異を誤差として求め、
(iB)前記誤差を予め設定したしきい値と比較することで、前記学習中推定処理パラメータを、前記推定処理パラメータとする契機を判断する、
プログラム。 - 請求項17記載のプログラムであって、
前記推定処理パラメータの学習時、(iA)の処理と、(iB)の処理と、前記誤差に基づいて前記学習中推定処理パラメータを更新する処理と、を予め設定した回数繰り返した後に、前記学習中推定処理パラメータを前記推定処理パラメータとする、
プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020029976A JP6909886B2 (ja) | 2017-02-20 | 2020-02-26 | 画像推定方法およびシステム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017029011A JP6668278B2 (ja) | 2017-02-20 | 2017-02-20 | 試料観察装置および試料観察方法 |
JP2020029976A JP6909886B2 (ja) | 2017-02-20 | 2020-02-26 | 画像推定方法およびシステム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017029011A Division JP6668278B2 (ja) | 2017-02-20 | 2017-02-20 | 試料観察装置および試料観察方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020113769A JP2020113769A (ja) | 2020-07-27 |
JP6909886B2 true JP6909886B2 (ja) | 2021-07-28 |
Family
ID=71667765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020029976A Active JP6909886B2 (ja) | 2017-02-20 | 2020-02-26 | 画像推定方法およびシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6909886B2 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7391235B2 (ja) | 2020-09-29 | 2023-12-04 | 株式会社日立ハイテク | 画質改善システム及び画質改善方法 |
JPWO2023021540A1 (ja) * | 2021-08-16 | 2023-02-23 | ||
WO2023238384A1 (ja) * | 2022-06-10 | 2023-12-14 | 株式会社日立ハイテク | 試料観察装置および方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013021635A (ja) * | 2011-07-14 | 2013-01-31 | Sony Corp | 画像処理装置、画像処理方法、プログラム、及び記録媒体 |
JP6391170B2 (ja) * | 2015-09-03 | 2018-09-19 | 東芝メモリ株式会社 | 検査装置 |
-
2020
- 2020-02-26 JP JP2020029976A patent/JP6909886B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020113769A (ja) | 2020-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6668278B2 (ja) | 試料観察装置および試料観察方法 | |
JP6909886B2 (ja) | 画像推定方法およびシステム | |
JP4654093B2 (ja) | 回路パターン検査方法及びその装置 | |
JP5202071B2 (ja) | 荷電粒子顕微鏡装置及びそれを用いた画像処理方法 | |
TWI724827B (zh) | 缺陷觀察裝置 | |
JP5164754B2 (ja) | 走査型荷電粒子顕微鏡装置及び走査型荷電粒子顕微鏡装置で取得した画像の処理方法 | |
JP5069904B2 (ja) | 指定位置特定方法及び指定位置測定装置 | |
JP5320329B2 (ja) | Sem式欠陥観察装置および欠陥画像取得方法 | |
KR20180113572A (ko) | 결함 분류 장치 및 결함 분류 방법 | |
JP2008177064A (ja) | 走査型荷電粒子顕微鏡装置および走査型荷電粒子顕微鏡装置で取得した画像の処理方法 | |
US20090084953A1 (en) | Method and system for observing a specimen using a scanning electron microscope | |
JP5400882B2 (ja) | 半導体検査装置及びそれを用いた半導体検査方法 | |
US20130119250A1 (en) | Defect inspection method, and device thereof | |
KR20140044395A (ko) | 결함 관찰 방법 및 결함 관찰 장치 | |
JP6145133B2 (ja) | 荷電粒子線装置 | |
JP7404399B2 (ja) | 欠陥検査システムおよび欠陥検査方法 | |
JP2012142299A (ja) | 走査型荷電粒子顕微鏡装置および走査型荷電粒子顕微鏡装置で取得した画像の処理方法 | |
JP7262409B2 (ja) | 試料観察システム及び画像処理方法 | |
CN114628210A (zh) | 带电粒子束装置 | |
JP2006073286A (ja) | パターン検査装置 | |
KR20220027176A (ko) | 시료 관찰 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200226 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210119 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20210311 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210514 |
|
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: 20210608 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210705 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6909886 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |