JP6961846B1

JP6961846B1 - Ｅｕｖマスク検査装置、ｅｕｖマスク検査方法、ｅｕｖマスク検査プログラム及びｅｕｖマスク検査システム

Info

Publication number: JP6961846B1
Application number: JP2021001826A
Authority: JP
Inventors: 芳裕加藤; 寛和関
Original assignee: Lasertec Corp
Current assignee: Lasertec Corp
Priority date: 2021-01-08
Filing date: 2021-01-08
Publication date: 2021-11-05
Anticipated expiration: 2041-01-08
Also published as: JP2022107110A; US20220222804A1

Abstract

【課題】検査精度を向上させることができるＥＵＶマスク検査装置、ＥＵＶマスク検査方法、ＥＵＶマスク検査プログラム及びＥＵＶマスク検査システムを提供する。【解決手段】本発明の一態様にかかる検査装置１は、パターン１９が設けられたＥＵＶマスク１８を撮像する撮像部１０と、パターン１９の設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含むデータベース中間ファイルＤＢＩＦが記憶された記憶部２０と、撮像部１０でＥＵＶマスク１８を撮像した撮像画像に基づいて、ＥＵＶマスク１８を検査する処理部３０と、を備え、処理部３０は、学習用撮像画像と、学習用撮像画像に対応したグレー画像とを対応付けて、ディープラーニングにより学習する学習器３５で生成された変換モデル３６と、変換モデル３６を用いて、グレー画像から、参照画像を生成する参照画像生成部３２と、参照画像と、撮像画像とを比較する比較部３３と、を有する。【選択図】図１

Description

本発明は、ＥＵＶマスク検査装置、ＥＵＶマスク検査方法、ＥＵＶマスク検査プログラム及びＥＵＶマスク検査システムに関する。

例えば、半導体デバイス製造工程のフォトリソグラフィーに用いられるマスクの検査には、ダイツーダイ（ＤｉｅＴｏＤｉｅ）検査（以下、「ＤＤ検査」と呼ぶ。）、マスクツーマスク（ＭａｓｋＴｏＭａｓｋ）検査（以下、「ＭｔＭ検査」と呼ぶ。）、ダイツーデータベース（ＤｉｅＴｏＤａｔａｂａｓｅ）検査（以下、「ＤＤＢ検査」と呼ぶ。）がある。

ＤＤ検査では、マスク内の２つの同形状の回路パターンの各撮像画像を比較することで、マスクのパターンを検査する。

ＭｔＭ検査では、基準となる検査装置でマスクの撮像画像を取得し、その撮像画像を、ゴールデン画像と呼ばれるマスター画像とする。そして、他の検査装置で撮像された撮像画像とゴールデン画像とを比較することにより、マスクのパターンを検査する。この検査を行う場合には、検査装置間の差を厳密に管理した上で、それでも残る誤差を、ディープラーニング等を用いた変換モデルで吸収している。

ＤＤＢ検査では、マスクの設計データから検査装置毎及びマスク毎にキャリブレーションした参照画像を生成している。そして、生成した参照画像と撮像画像とを比較することにより、マスクのパターンを検査する。

国際公開第２０１９／２１６３０３号特開２０２０−５０１１５４号公報

マスクを製造する者（以下、マスクショップと呼ぶ。）は、マスクのパターンの設計データを有しているので、設計データから参照画像を生成することができる。設計データから参照画像を生成するためには、例えば、特許文献１に示すように、プロセスベースのシミュレーション及び光学ベースのシミュレーション等を行っている。

プロセスベースのシミュレーションは、ＥＵＶマスクを製造する際のプロセスにおいて生じる誤差を反映させている。例えば、プロセスベースのシミュレーションは、ＥＵＶマスクのパターンを形成する際のレジスト現像やエッチングによるLERや製造誤差、ＥＵＶマスクを使用する際のコンタミネーションによる反射率の変化、酸化によるパターン太り、洗浄によるパターンの細り等をシミュレーションする。

光学ベースのシミュレーションは、ＥＵＶマスクを撮像する際の光学系において生じる誤差を反映させている。例えば、光学ベースのシミュレーションは、光学系の収差、光学系の光学調整の変化、ミラーの曇り等をシミュレーションする。

マスクショップは、マスクショップが有する検査装置で撮像した撮像画像と、上述したプロセスベースのシミュレーション及び光学ベースのシミュレーションを用いて生成した参照画像とを比較することにより、ＤＤＢ検査をする。

一方、マスクを使用する者（以下、ＦＡＢと呼ぶ。）は、マスクの受け入れ時や、マスクの運用時において、マスクを検査する。マスクの運用時の検査とは、例えば、洗浄後の検査、露光に使用後の検査等である。洗浄後のマスクは、パターンが細る等、マスクに変化が生じる場合がある。また、露光に使用後のマスクは、ＥＵＶ光によるコンタミネーションがマスクに付着して反射率が低下する場合がある。

使用するマスクがシングルダイマスク等の理由により、ＤＤ検査が行えない場合には、ＦＡＢは、ＭｔＭ検査をする。ＦＡＢは、設計データを有していない。また、設計データから参照画像を生成するシステムは、複雑で高価である。よって、ＦＡＢにとって、検査装置毎にＤＤＢ検査を行うことは現実的でない。そこで、ＦＡＢは、ＭｔＭ検査において、ゴールデン画像を複数の検査装置で共有する「ゴールデンシェア」を行う。

ゴールデンシェアでは、例えば、マスクＭを検査装置ＫＡで撮像した撮像画像ＧＡをゴールデン画像とする。そして、露光等に使用したマスクＭを検査するために、検査装置ＫＢでマスクＭを撮像した撮像画像ＧＢと、ゴールデン画像ＧＡとを比較することにより、マスクＭの検査を行う。この場合には、露光等に使用したことによるマスクＭ自体の変動と、検査装置ＫＡ及びＫＢ間の機差を含むことになる。

したがって、ＭｔＭ検査では、検査装置ＫＡ及びＫＢ間の機差を極限まで小さい状態を保つ必要があり、それでも発生する微小な誤差を、ディープラーニング等を用いた変換モデルを用いて吸収する必要がある。しかしながら、ＥＵＶ（ＥｘｔｒｅｍｅＵｌｔｒａｖｉｏｌｅｔ）光を用いた検査装置は、解像度が非常に高く、各構成部品に求められる精度が非常に高いため、検査装置ＫＡ及びＫＢ間の機差を小さく保つことが非常に難しいという課題がある。

例えば、上述したように、マスクＭを使用したことによってマスクＭ自体に生じる変動を、プロセスベースのシミュレーションで対応することが考えられるが、ＥＵＶマスク検査装置の高解像度では、「ゴールデンシェア」によって吸収することは困難である。また、検査装置ＫＡ及びＫＢ間の機差を、光学ベースのシミュレーションで対応することが考えられるが、ＥＵＶマスク検査装置の高解像度では、「ゴールデンシェア」によって吸収することは困難である。

このように、例えば、ＥＵＶマスクの場合には、高解像のため、１．検査装置ＫＡ及びＫＢの装置間の機差、２．マスクＭ自体の変動というＭｔＭ検査に特有の課題を解決することが困難である。検査装置毎に検査精度を向上させることができる検査手法が所望されている。

本開示は、このような事情を背景としてなされたものであり、検査精度を向上させることができるＥＵＶマスク検査装置、ＥＵＶマスク検査方法、ＥＵＶマスク検査プログラム及びＥＵＶマスク検査システムを提供する。

本実施形態の一態様にかかるＥＵＶマスク検査装置は、パターンが設けられたＥＵＶマスクを撮像する撮像部と、前記パターンの設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含むデータベース中間ファイルが記憶された記憶部と、前記撮像部で前記ＥＵＶマスクを撮像した撮像画像に基づいて、前記ＥＵＶマスクを検査する処理部と、を備え、前記処理部は、前記撮像部で学習用サンプルを撮像した学習用撮像画像と、前記学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習する学習器で生成された変換モデルと、前記変換モデルを用いて、前記グレー画像から、参照画像を生成する参照画像生成部と、前記参照画像と、前記撮像画像とを比較する比較部と、を有する。

上記ＥＵＶマスク検査装置では、前記グレー画像は、前記ＥＵＶマスクを製造するマスクショップが前記パターンの設計データから形成したものでもよい。

上記ＥＵＶマスク検査装置では、前記学習器は、前記ＥＵＶマスクに設けられた露光用のパターンとは異なる学習専用パターンを、前記学習用サンプルとして学習してもよい。

上記ＥＵＶマスク検査装置では、前記学習器は、露光で使用した後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成してもよい。

上記ＥＵＶマスク検査装置では、前記学習器は、洗浄後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成してもよい。

本実施形態の一態様にかかるＥＵＶマスク検査方法は、パターンが設けられたＥＵＶマスクを撮像する撮像部を用いて前記ＥＵＶマスクを検査する検査方法であって、前記パターンの設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含むデータベース中間ファイルを取得するＤＢＩＦ取得ステップと、前記撮像部で学習用サンプルを撮像した学習用撮像画像と、前記学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習することによって、変換モデルを生成する学習ステップと、前記変換モデルを用いて、前記グレー画像から、参照画像を生成する参照画像生成ステップと、前記参照画像と、前記ＥＵＶマスクを撮像した撮像画像とを比較する比較ステップと、を有する。

上記ＥＵＶマスク検査方法では、前記ＤＢＩＦ取得ステップにおいて、前記グレー画像は、前記ＥＵＶマスクを製造するマスクショップが前記パターンの設計データから形成したものでもよい。

上記ＥＵＶマスク検査方法では、前記学習ステップにおいて、前記ＥＵＶマスクに設けられた露光用のパターンとは異なる学習専用パターンを、前記学習用サンプルとして学習してもよい。

上記ＥＵＶマスク検査方法では、前記学習ステップにおいて、露光で使用した後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成してもよい。

上記ＥＵＶマスク検査方法では、前記学習ステップにおいて、洗浄後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成してもよい。

本実施形態の一態様にかかるＥＵＶマスク検査プログラムは、パターンが設けられたＥＵＶマスクを撮像する撮像部を用いて前記ＥＵＶマスクを検査する検査プログラムであって、前記パターンの設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含むデータベース中間ファイルを取得させ、前記撮像部で学習用サンプルを撮像した学習用撮像画像と、前記学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習させることによって、変換モデルを生成させ、前記変換モデルを用いて、前記グレー画像から、参照画像を生成させ、前記参照画像と、前記ＥＵＶマスクを撮像した撮像画像とを比較させることをコンピュータに実行させる。

上記ＥＵＶマスク検査プログラムでは、前記データベース中間ファイルにおいて、前記グレー画像は、前記ＥＵＶマスクを製造するマスクショップが前記ＥＵＶマスクの設計データから形成したものでもよい。

上記ＥＵＶマスク検査プログラムでは、前記変換モデルを生成させる際に、前記ＥＵＶマスクに設けられた露光用のパターンとは異なる学習専用パターンを、前記学習用サンプルとして学習させることをコンピュータに実行させてもよい。

上記ＥＵＶマスク検査プログラムでは、前記変換モデルを生成させる際に、露光で使用した後の前記ＥＵＶマスクを、前記学習用サンプルとして学習させることにより前記変換モデルを生成させることをコンピュータに実行させてもよい。

上記ＥＵＶマスク検査プログラムでは、前記変換モデルを生成させる際に、洗浄後の前記ＥＵＶマスクを、前記学習用サンプルとして学習させることにより前記変換モデルを生成させることをコンピュータに実行させてもよい。

本実施形態の一態様にかかるＥＵＶマスク検査システムは、第１検査装置及び第２検査装置を備えた検査システムであって、前記第１検査装置は、パターンが設けられた第１ＥＵＶマスクを撮像する第１撮像部と、前記第１撮像部で前記第１ＥＵＶマスクを撮像した第１撮像画像に基づいて、前記第１ＥＵＶマスクを検査する第１処理部と、を有し、前記第２検査装置は、パターンが設けられた第２ＥＵＶマスクを撮像する第２撮像部と、前記第２撮像部で前記第２ＥＵＶマスクを撮像した第２撮像画像に基づいて、前記第２ＥＵＶマスクを検査する第２処理部と、を有し、前記第１検査装置及び前記第２検査装置は、前記パターンの設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含むデータベース中間ファイルが記憶された記憶部を共有し、前記第１処理部は、前記第１撮像部で第１学習用サンプルを撮像した第１学習用撮像画像と、前記第１学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習する第１学習器で生成された第１変換モデルと、前記第１変換モデルを用いて、前記グレー画像から、第１参照画像を生成する第１参照画像生成部と、前記第１参照画像と、前記第１撮像画像とを比較する第１比較部と、を有し、前記第２処理部は、前記第２撮像部で第２学習用サンプルを撮像した第２学習用撮像画像と、前記第２学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習する第２学習器で生成された第２変換モデルと、前記第２変換モデルを用いて、前記グレー画像から、第２参照画像を生成する第２参照画像生成部と、前記第２参照画像と、前記第２撮像画像とを比較する第２比較部と、を有する。

上記ＥＵＶマスク検査システムでは、前記第１学習器は、露光で使用した後の前記第１ＥＵＶマスクを、前記第１学習用サンプルとして学習することにより前記第１変換モデルを生成し、前記第２学習器は、露光で使用した後の前記第２ＥＵＶマスクを、前記第２学習用サンプルとして学習することにより前記第２変換モデルを生成してもよい。

上記ＥＵＶマスク検査システムでは、前記第１学習器は、洗浄後の前記第１ＥＵＶマスクを、前記第１学習用サンプルとして学習することにより前記第１変換モデルを生成し、前記第２学習器は、洗浄後の前記第２ＥＵＶマスクを、前記第２学習用サンプルとして学習することにより前記第２変換モデルを生成してもよい。

本開示によれば、検査精度を向上させることができるＥＵＶマスク検査装置、ＥＵＶマスク検査方法、ＥＵＶマスク検査プログラム及びＥＵＶマスク検査システムを提供することができる。

実施形態１に係る検査装置を例示した概略図である。実施形態１に係る検査装置において、撮像部を例示した構成図である。実施形態１に係る検査装置において、別の撮像部を例示した構成図である。実施形態１に係るパターンの設計データを例示した図である。実施形態１に係る２値化画像を例示した図である。実施形態１に係るグレー画像を例示した画像である。実施形態１に係る別の２値化画像を例示した図である。実施形態１に係る別のグレー画像を例示した画像である。実施形態１に係る検査装置において、処理部の構成を例示したブロック図である。実施形態１に係る検査方法を例示したフローチャート図である。実施形態１に係る検査方法において、ＤＢＩＦ取得ステップを例示したフローチャート図である。実施形態１に係る検査方法において、学習ステップを例示した図である。実施形態１に係る検査方法において、参照画像生成ステップ及び比較ステップを例示した図である。比較例１に係るＭｔＭ検査を例示した図である。比較例２に係るＤＤＢ検査を例示したフローチャート図である。実施形態２に係る検査システムを例示した概略図である。

以下、本実施形態の具体的構成について図面を参照して説明する。以下の説明は、本発明の好適な実施の形態を示すものであって、本発明の範囲が以下の実施の形態に限定されるものではない。以下の説明において、同一の符号が付されたものは実質的に同様の内容を示している。

（実施形態１）
実施形態１に係る検査装置を説明する。図１は、実施形態１に係る検査装置を例示した概略図である。図１に示すように、検査装置１は、撮像部１０、記憶部２０及び処理部３０を備えている。図１では、撮像部１０、記憶部２０及び処理部３０は、分離して示されているが、記憶部２０及び処理部３０は、撮像部１０に組み込まれて一体化してもよいし、いくつかの構成が単体でもよい。本実施形態の検査装置１は、検査対象を撮像した撮像画像に基づいて検査を行う。例えば、検査対象は、ＥＵＶ光を用いたリソグラフィーに用いられるＥＵＶマスクである。

以下では、一例として、検査対象をＥＵＶマスクとして説明する。その場合には、検査装置１は、ＥＵＶマスクを検査するＥＵＶマスク検査装置である。検査装置１は、パターンを含むＥＵＶマスクの撮像画像を撮像し、撮像画像と参照画像とを比較する。参照画像は、記憶部２０に記憶されたグレー画像４２に基づいて生成された画像である。以下で、＜撮像部＞、＜記憶部＞、＜処理部＞の各構成を説明する。その後、＜検査方法＞を説明する。

＜撮像装置＞
図２は、実施形態１に係る検査装置１において、撮像部１０を例示した構成図である。図３は、実施形態１に係る検査装置１において、別の撮像部１０ｄを例示した構成図である。図２に示すように、撮像部１０は、透過照明を用いてＥＵＶマスク１８を撮像してもよいし、図３に示すように、撮像部１０ｄは、反射照明を用いてＥＵＶマスク１８を撮像してもよい。図２に示すように、撮像部１０は、照明光源１１、照明光学系１２、レンズ１３、ステージ１４、レンズ１５、検出光学系１６、検出器１７を有している。

検査対象として、パターン１９が設けられたＥＵＶマスク１８を用いて説明するが、検査対象は、パターンが設けられていれば、ＥＵＶマスク１８に限らず、パターンが設けられたＥＵＶ光以外のリソグラフィーに用いられるマスクでもよいし、半導体装置等でもよい。検査対象がＥＵＶマスク１８の場合には、撮像部１０は、パターン１９が設けられたＥＵＶマスク１８を撮像する撮像装置として機能する。

照明光源１１は、ＥＵＶマスク１８を照明する照明光Ｌ１を生成する。照明光源１１からの照明光Ｌ１は、照明光学系１２に入射する。照明光学系１２は、リレーレンズやミラーなどの光学部品を備えており、照明光Ｌ１をレンズ１３に導く。また、照明光学系１２は光スキャナやオートフォーカス（ＡＦ）機能などを備えていてもよい。照明光Ｌ１は、レンズ１３で集光されて、ＥＵＶマスク１８に入射する。レンズ１３は、ＥＵＶマスク１８のパターン１９が形成されたパターン面に照明光Ｌ１を集光する。これにより、ＥＵＶマスク１８が照明される。

ＥＵＶマスク１８を透過した透過光は、透明なステージ１４を透過して、レンズ１５に入射する。レンズ１５は対物レンズであり、ＥＵＶマスク１８からの透過光を集光する。透過光は、レンズ１５を介して、検出光学系１６に入射する。検出光学系１６は、結像レンズやミラーなどの光学部品を備えており、照明光を検出器１７に導く。検出光学系１６は、ＥＵＶマスク１８の像を検出器１７の受光面に結像する。

検出器１７は、複数の画素を備えたＣＣＤ（ＣｈａｒｇｅｄＣｏｕｐｌｅｄＤｅｖｉｃｅ）やＣＭＯＳカメラ（ＣｏｍｐｌｅｍｅｎｔａｒｙＭｅｔａｌＯｘｉｄｅＳｅｍｉｃｏｎｄｕｃｔｏｒ）等のラインセンサや２次元アレイセンサである。検出器１７として、ＴＤＩ（ＴｉｍｅＤｅｌａｙＩｎｔｅｇｒａｔｉｏｎ）センサを用いることも可能である。したがって、検出器１７は、パターン１９が設けられたＥＵＶマスク１８を撮像する。パターン１９の有無に応じて、照明光Ｌ１に対する反射率が異なる。例えば、ＥＵＶマスクの場合には、パターン１９がある箇所では反射率が低くなり、ない箇所では反射率が高くなる。よって、パターン１９の有無に応じて、受光量が変化する。

ＥＵＶマスク１８は、ステージ１４の上に載置されている。ステージ１４は、ＸＹステージであり、ＥＵＶマスク１８をＸＹ方向に移動する。ステージ１４の移動座標は、処理部３０に入力されている。そして、ステージ１４がＥＵＶマスク１８を移動させている間、検出器１７がＥＵＶマスク１８を撮像する。こうすることで、ＥＵＶマスク１８の全体、あるいは所望の領域の撮像画像を得ることができる。パターン１９の有無に応じて、照明光Ｌ１に対する透過率が異なる。よって、パターン１９の有無に応じて、輝度値、すなわち、検出信号の強度が大きく異なる。

検出器１７は、受光量に応じた検出信号を処理部３０に出力する。これにより、撮像画像が処理部３０に入力される。撮像画像の各画素には、受光量に応じた階調値が設定されている。処理部３０は、検出信号に対して画像処理を行う。例えば、処理部３０は、プロセッサ、及びメモリなどを備えたコンピュータである。

なお、図３に示すように、反射照明を用いた撮像部１０ｄにより、ＥＵＶマスク１８を撮像してもよい。撮像部１０ｄは、照明光源１１ｄ、照明光学系１２ｄ、ミラー１３ｄ、ステージ１４、検出光学系１６ｄ、検出器１７を有している。

照明光源１１ｄは、ＥＵＶマスク１８を照明する照明光Ｌ２を生成する。照明光源１１ｄからの照明光Ｌ２は、照明光学系１２ｄに入射する。照明光学系１２ｄは、楕円反射鏡等の光学部品を備えており、照明光Ｌ２をミラー１３ｄに導く。また、照明光学系１２ｄは、光スキャナやＡＦ機能などを備えていてもよい。照明光Ｌ２は、ミラー１３ｄで反射されて、ＥＵＶマスク１８に入射する。ミラー１３ｄは、ＥＵＶマスク１８のパターン１９が形成されたパターン面に照明光Ｌ２を集光する。これにより、ＥＵＶマスク１８が照明される。

ＥＵＶマスク１８で反射した反射光は、検出光学系１６ｄに入射する。検出光学系１６ｄは、反射鏡等の光学部品を備えており、反射光を検出器１７に導く。検出光学系１６ｄは、ＥＵＶマスク１８の像を検出器１７の受光面に結像する。

＜記憶部＞
記憶部２０は、ＥＵＶマスク１８のパターン１９のデータベース中間ファイル（ＤａｔａＢａｓｅＩｎｔｅｒｍｅｄｉａｔｅＦｉｌｅ、以下では、ＤＢＩＦと呼ぶ。）を記憶する。記憶部２０は、ＥＵＶマスク１８のパターン１９のＤＢＩＦを記憶するハードディスクやメモリ等の記憶手段として機能する記憶装置である。

ＤＢＩＦは、パターン１９の設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含む。よって、記憶部２０には、グレー画像を含むＤＢＩＦが記憶されている。グレー画像は、ＥＵＶマスクを製造するマスクショップがパターン１９の設計データから形成したものでもよい。

図４は、実施形態１に係るパターン１９の設計データを例示した図である。図５は、実施形態１に係る２値化画像を例示した図である。図６は、実施形態１に係るグレー画像を例示した画像である。

図４に示すように、ＥＵＶマスク１８のパターン１９の設計データは、例えば、キャドデータである。設計データは、例えば、ＯＡＳＩＳ、ＭＡＳＫ等のリソグラフィー用のデータである。例えば、画素サイズは、検査に最適なサイズに設定されて形成されている。

図５に示すように、２値化画像は、ＥＵＶマスク１８のパターン１９の設計データに基づく画像であり、例えば、パターン１９の設計データからラスタ化したものである。２値化画像は、パターン１９の有無に応じた２値化画像となっている。パターン１９がある箇所は第１の値（例えば、０）、パターンがない箇所は第２の値（例えば、１）となっている。このように、２値化画像には、画素毎に０又は１の値が設定されている。

図６に示すように、例えば、グレー画像は、２値化画像を、ピクセル化したものである。グレー画像は、２値化画像を、複数のピクセルに分割させた場合に、各ピクセルに含まれた２値に応じて、グレースケール化されたものである。

図７は、実施形態１に係る別の２値化画像を例示した図である。図８は、実施形態１に係る別のグレー画像を例示した画像である。

図７に示すように、２値化画像をピクセル化した場合のピクセルＰＡは、第２の値（例えば、１）となっている。２値化画像をピクセル化した場合のピクセルＰＣは、第１の値（例えば、０）となっている。２値化画像をピクセル化した場合のピクセルＰＢは、第１の値と第２の値の境界部分となっている。

図８に示すように、第２の値となっているピクセルＰＡは、例えば、黒で示されている。第１の値となっているピクセルＰＣは、例えば、白で示されている。第１の値と第２の値の境界部分となっているピクセルＰＢは、例えば、ピクセルＰＡとピクセルＰＢとから補間したグレースケールで示されている。補間の方法は、直線補間等、適宜選択された方法でもよい。このようにして、グレー画像は、２値化画像からピクセル化される。

＜処理部＞
処理部３０は、コンピュータプログラムによって、検査を行うための処理を実施する処理手段としての機能を有する処理装置である。すなわち、処理部３０は、プログラムを格納するメモリ、及び、ＣＰＵなどのプロセッサ等を備えている。プロセッサがプログラムを実行することによって、以下に示す処理、及び、欠陥検出処理が行われてもよい。また、プログラムによって検査方法を実現する場合には、既存の検査装置の処理部３０にプログラムをインストールするようにしてもよい。

図９は、実施形態１に係る検査装置１において、処理部３０の構成を例示したブロック図である。図９に示すように、処理部３０は、撮像画像取得部３１と、参照画像生成部３２と、比較部３３と、学習用記憶部３４と、学習器３５と、を有している。

撮像画像取得部３１は、検出器１７からの検出信号に基づいて、撮像画像を取得する。撮像画像取得部３１は、ステージ１４の座標と検出信号の強度を対応付けることで、ＥＵＶマスク１８の２次元画像を取得する。グレー画像と撮像画像とは、リソグラフィー等のプロセス、撮像光学系などに起因する一定の対応関係を有している。

学習用記憶部３４は、ハードディスクやメモリ等の記憶手段を有している。学習用記憶部３４は、学習器３５での学習に用いられる学習画像を記憶している。学習画像は、撮像部１０で学習用サンプルを撮像することで得られた撮像画像（以下、「学習用撮像画像」と呼ぶ。）を含んでいる。学習用記憶部３４は、記憶部２０とは、物理的に単一な記憶装置であってもよく、異なる記憶装置であってもよい。

学習用記憶部３４は、学習用サンプルのグレー画像（以下、「学習用グレー画像」と呼ぶ。）と学習用撮像画像とを対応付けて記憶している。学習用記憶部３４は、学習用グレー画像と、該学習用グレー画像に対応する学習用撮像画像とを１セットのデータとして、複数セットのデータを記憶している。学習用記憶部３４は、様々な学習用サンプルの学習用撮像画像を、学習用グレー画像と対応付けて記憶している。学習のみに用いられるパターン基板を学習用サンプルとしてもよく、実際に検査が行われるＥＵＶマスク１８を学習用サンプルとしてもよい。学習用記憶部３４は、学習器３５での学習が終了した学習画像を順次消去してもよい。

学習用記憶部３４は、学習用撮像画像に、プロセス及び光学系の変動量を対応付けて記憶してもよい。変動量は、例えば、ＥＵＶマスク１８を露光、現像するためのリソグラフィープロセスにおける変動に応じた変動量であってもよい。また、変動量は、検査中に光学系の変動に応じた変動量であってもよい。具体的には、変動量は、パターン細り及び太り、フォーカスずれ量や、照明光の輝度変動などである。ここでは、検査中のフォーカスずれ量を変動量として説明する。

学習用記憶部３４は、フォーカスずれ量を変えて撮像された学習用撮像画像を学習画像として記憶してもよい。例えば、フォーカスずれ量を変えていって、検出器１７が学習用サンプルを撮像する。これにより、撮像画像取得部３１がフォーカスずれ量の異なる複数の学習用撮像画像を取得することができる。学習用記憶部３４は、フォーカスずれ量と学習用撮像画像と学習用グレー画像とを対応付けて記憶する。

学習用撮像画像は、ＥＵＶマスク１８におけるパターン面の全面の画像でもよいし、ＥＵＶマスク１８におけるパターン面の一部分でもよい。例えば、パターン面の異なる複数の部分を学習用撮像画像とし、パターン面の複数の各部分に対応するグレー画像の各部分を、学習用グレー画像としてもよい。そして、パターン面の各部分を含む学習用撮像画像と、それに対応する学習用グレー画像とを用いて学習させることにより、変換モデルを生成してもよい。

また、学習用撮像画像は、ＥＵＶマスク１８に設けられた露光用のパターンとは異なる学習専用パターンを撮像した撮像画像でもよい。そして、ＥＵＶマスク１８の学習用パターンを撮像した撮像画像と、学習用パターンに対応する学習用グレー画像とを用いて学習させることにより、変換モデルを生成してもよい。

学習器３５は、学習用撮像画像と、学習用撮像画像に対応する学習用グレー画像と、を対応付けてディープラーニングにより学習する。よって、学習器３５は、学習用記憶部３４に記憶された複数セットの学習画像を学習して、ＥＵＶマスク１８のグレー画像を参照画像に変換する変換関数を生成する。学習器３５は、ＥＵＶマスク１８に設けられた露光用のパターンとは異なる学習専用パターンを、学習用サンプルとして学習することにより、変換関数を生成してもよい。学習器３５は、生成した変換関数を変換モデルとして学習用記憶部３４に記憶する。よって、処理部３０は、学習器３５で生成された変換モデルを有する。

学習器３５は、学習用撮像画像と、該学習用撮像画像に対応するグレー画像と、該学習用撮像画像を撮像したときの変動量とを対応付けて学習してもよい。このようにすることで、プロセス変動及び光学系変動が生じた場合でも、参照画像生成部３２が適切に参照画像を生成することができる。

また、学習器３５は、学習用撮像画像と、該学習用撮像画像に対応するグレー画像と、該学習用撮像画像を撮像したときの検査装置間の機差とを対応付けて学習してもよい。例えば、対物レンズ、対物ミラー等の結像ＰＯＢ収差、熱等による光学部材の位置ずれ、反射鏡の反射率の低下、露光に使用したマスクにおけるコンタミネーションによる反射率の変化を含むように、変換モデルを生成してもよい。例えば、学習器３５は、露光で使用した後のＥＵＶマスク１８を、学習用サンプルとして学習することにより変換モデルを生成してもよい。また、学習器３５は、洗浄後のＥＵＶマスク１８を、学習用サンプルとして学習することにより変換モデルを生成してもよい。

学習器３５は、例えば、学習用撮像画像を教師画像（教師データ）として、教師有り学習を行う。変換関数は、ＥＵＶマスク１８のグレー画像を入力として、参照画像を出力とする関数である。変換関数は、多層のネットワークモデルによって構成されていてもよい。学習器３５は、与えられた特徴量に基づく機械学習により、変換関数を求めてもよい。あるいは、学習器３５が特徴量を決定するディープラーニングにより、変換関数を求めてもよい。

参照画像生成部３２は、学習器３５での学習結果に基づいて、参照画像を生成する。参照画像生成部３２は、学習器３５で生成された変換モデルを用いて、ＥＵＶマスク１８のグレー画像から、参照画像を生成する。具体的には、参照画像生成部３２は、記憶部２０のグレー画像に、変換モデルを適用することで、参照画像を生成する。参照画像は、欠陥がない良品サンプルを撮像した理想的な良品画像に相当する。参照画像生成部３２は、画像処理により、グレー画像を参照画像に変換する画像変換器となる。

比較部３３は、ＥＵＶマスク１８の撮像画像と、参照画像生成部３２で生成された参照画像とを比較する。例えば、比較部３３は、参照画像と撮像画像との階調値の差分値を求め、差分値を閾値と比較する。比較部３３は、差分値と閾値との比較結果によって、パターン異常や欠陥等を検出する。すなわち、パターン異常が発生した箇所は、例えば、異物が付着した箇所であり、差分値が閾値よりも大きくなる。比較部３３は、欠陥箇所と、その位置座標を対応付けて出力する。このようにして、処理部３０は、撮像部１０で撮像された撮像画像に基づいて、ＥＵＶマスク１８を検査する。

＜検査方法＞
次に、本実施形態の検査方法を説明する。本実施形態の検査方法は、撮像部１０と、記憶部２０と、処理部３０とを用いてＥＵＶマスク１８を検査する。図１０は、実施形態１に係る検査方法を例示したフローチャート図である。図１０に示すように、検査方法は、ＤＢＩＦを取得するＤＢＩＦ取得ステップＳ１０と、変換モデルを生成する学習ステップＳ２０と、参照画像を生成する参照画像生成ステップＳ３０と、参照画像と撮像画像とを比較する比較ステップＳ４０とを有している。以下で、各ステップを説明する。

＜ＤＢＩＦ取得ステップ＞
図１１は、実施形態１に係る検査方法において、ＤＢＩＦ取得ステップを例示したフローチャート図である。図１１のステップＳ１１に示すように、まず、設計データを取得する。次に、ステップＳ１２に示すように、設計データを２値化画像にラスタ化する。２値化画像は、ＥＵＶマスク１８のパターン１９の設計データに基づく画像である。次に、ステップＳ１３に示すように、グレー画像を含むＤＢＩＦを形成する。ＤＢＩＦは、パターンの設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含む。グレー画像は、２値化画像を、複数のピクセルに分割させた場合に、各ピクセルに含まれた２値に応じて、グレースケール化されたものである。ＤＢＩＦは、例えば、マスクを製造するマスクショップが形成してもよい。すなわち、グレー画像は、マスクショップがＥＵＶマスク１８のパターン１９の設計データから形成したものでもよい。ＦＡＢは、マスクショップからＤＢＩＦを取得してもよい。

＜学習ステップ＞
図１２は、実施形態１に係る検査方法において、学習ステップを例示した図である。図１２に示すように、学習器３５は、学習用サンプルのグレー画像４２と撮像画像４１とを対応付けて学習する。すなわち、グレー画像４２と、該グレー画像４２に対応する撮像画像４１とを１セットとして、学習器３５は、複数セットのデータをディープラーニングにより学習する。学習器３５は、ディープラーニングによる学習結果に基づいて、変換関数である変換モデル３６を生成する。このようにして、撮像部１０で学習用サンプルを撮像した学習用撮像画像と、該学習用撮像画像に対応するグレー画像とを対応付けて、ディープラーニングにより学習することによって、変換モデル３６を生成する。なお、学習する際に、ＥＵＶマスク１８に設けられた露光用のパターンとは異なる学習専用パターンを、学習用サンプルとして学習してもよい。

＜参照画像生成ステップ＞
図１３は、実施形態１に係る検査方法において、参照画像生成ステップ及び比較ステップを例示した図である。図１３に示すように、記憶部２０は、ＥＵＶマスク１８のグレー画像を含むファイルＤＢＩＦを記憶している。参照画像生成部３２は、グレー画像４２に基づいて、参照画像５２を生成して、比較部３３に出力する。具体的には、参照画像生成部３２は、変換モデル３６を用いて、ＥＵＶマスク１８のグレー画像４２から、参照画像５２を生成する。

＜比較ステップ＞
撮像部１０は、グレー画像４２に対応する撮像画像４１を取得するため、ＥＵＶマスク１８を撮像する。撮像部１０は、撮像画像４１を比較部３３に出力する。比較部３３は、参照画像５２と撮像画像４１とを比較することで、パターン検査を行う。比較部３３は、欠陥の位置座標を検査結果データとして出力する。

次に、本実施形態の効果を説明する前に、＜比較例１＞及び＜比較例２＞を説明する。その後、比較例１及び比較例２と対比させながら、本実施形態の効果を説明する。

＜比較例１＞
図１４は、比較例１に係るＭｔＭ検査を例示した図である。図１４に示すように、ＭｔＭ検査においては、理想的なマスク画像に対して、製造及び変動エラーを含むマスク画像を検査装置Ａで取得する。取得された画像は、未解像等の失われる情報、ＡＦ揺れ等のエラーや装置毎のエラーを含んでいる。

その後、検査装置Ａで取得された画像は、マスクの使用及び検査装置の装置間の差を含むように変換モデルで変換することにより、検査装置Ｂの基準画像とされる。このような基準画像は、不完全な情報をもとに不完全な変換モデルで変換されているので、装置毎のエラーを含む可能性がある。

一方、露光等の使用による劣化で変動したマスク画像を、検査装置Ｂで取得する。使用による劣化で変動したマスクは、反射率の低下やパターンの変化を含む。よって、検査装置Ｂで取得された画像は、検査装置Ａで取得された画像と同様に、未解像等の失われる情報、ＡＦ揺れ等のエラーや装置毎のエラーを含む。

したがって、基準画像と撮像画像とを比較することにより、パターンの検査を行った場合には、系の経路で様々なエラーが入ることになる（フォーカス条件。解像度）。例えば、エラーを含む検査装置Ａの像を、エラーを含む検査装置Ｂの像をもとにした変換モデルを生成することによる。また、そのモデルで変換していることによるエラーが含む可能性がある。さらに、マスクの変動は考慮されないことによる。このような場合でも、光学条件等の修正及び変換モデルにより、含有するエラーをある程度吸収することは可能である。しかしながら、特に、ＥＵＶ光等に用いられるマスクのように、微細なパターンを含む場合には、検査装置間の差異を、光学条件の修正及び変換モデルで吸収することができず、検査精度を向上させることが困難である。

＜比較例２＞
図１５は、比較例２に係るＤＤＢ検査を例示したフローチャート図である。図１５のステップＳ１０１に示すように、ＤＤＢ検査では、設計データを取得する。次に、ステップＳ１０２に示すように、設計データを２値化画像にラスタ化する。次に、ステップＳ１０３に示すように、変換モデルを生成する。ＤＤＢ検査では、学習用サンプルとして、例えば、設計データに基づいた２値化画像と、撮像画像とを対応付けて学習し、変換モデルを生成する。次に、ステップＳ１０４に示すように、参照画像を生成する。ＤＤＢ検査では、生成した変換モデルを用いて、ＥＵＶマスク１８の２値化画像から参照画像を生成する。次に、ステップＳ１０５に示すように、参照画像と撮像画像とを比較する。

ＤＤＢ検査では、設計データをラスタ化した２値化画像から参照画像を生成する。よって、参照画像を生成するために複雑で高価なシステムを必要とする。また、他の検査装置に適用させるためには、新たに、設計データから参照画像を生成させる必要があり、製造コストを低減することが困難である。

次に、本実施形態の効果を説明する。本実施形態では、ＤＢＩＦのグレー画像から検査装置毎に参照画像を生成することができる。ＤＢＩＦのグレー画像は、検査装置毎及び検査対象毎のキャリブレーション情報を含まない。つまり、検査装置間及び検査対象の差異を含まないＤＢＩＦを他の検査装置との間で共有することができる。よって、マスクの撮像画像の「ゴールデンシェア」を行うＭｔＭ検査のように、検査装置間の差異に影響されずに検査することができる。これにより、検査装置毎に検査精度を向上させることができる。

ＤＢＩＦのグレー画像は、検査装置毎のキャリブレーション情報を含まず、複数の検査装置で共有することができる。よって、検査に係るコストを低減することができる。これに対して、ＤＤＢ検査では、検査装置毎に、設計データに基づく２値化画像から変換モデルを生成し、参照画像を生成するので、複雑で高価なシステムを必要とする。よって、検査に係るコストを低減することが困難である。

また、ＤＢＩＦのグレー画像は、複数の検査装置で共有することができるので、シングルダイマスク等のＤＤ検査が行えないマスクを高精度で検査することができる。さらに、検査装置間の差異に影響されないので、ＥＵＶ光のような短波長の露光に用いられる微細なパターンを検査することできる。

学習器３５は、ディープラーニングにより学習している。よって、適切に参照画像を生成するための変換モデル３６を生成することができる。これにより、適切な参照画像５２を用いた比較検査が可能となり、精度の高い検査を行うことができる。例えば、本来欠陥ではない差分信号が疑似欠陥として検出される場合に、あらかじめ、疑似欠陥を学習させることにより、欠陥か疑似欠陥かを判別させ、本来の欠陥のみ検出させることができる。

（実施形態２）
次に、実施形態２に係る検査システムを説明する。図１６は、実施形態２に係る検査システムを例示した概略図である。図１６に示すように、検査システム１００は、複数の検査装置１Ａ〜１Ｃを備えている。検査装置１Ａは、撮像部１０Ａ、記憶部２０、処理部３０Ａを有している。検査装置１Ｂは、撮像部１０Ｂ、記憶部２０、処理部３０Ｂを有している。検査装置１Ｃは、撮像部１０Ｃ、記憶部２０、処理部３０Ｃを有している。各検査装置１Ａ〜１Ｃは、記憶部２０を共有している。よって、各検査装置１Ａ〜１Ｃは、ＤＢＩＦを共有することができる。

各検査装置１Ａ〜１Ｃは、記憶部２０に記憶されたＤＢＩＦを用いて、各検査装置１Ａ〜１Ｃに最適化された参照画像を生成する。そして、各検査装置１Ａ〜１Ｃは、各検査装置１Ａ〜１Ｃにおいて生成された参照画像と、撮像画像とを比較することにより、パターンを検査する。

本実施形態によれば、検査システム１００は、ＤＢＩＦを共有するので、設計データからＤＢＩＦを生成するコストを低減することができる。また、検査システム１００は、共有されたＤＢＩＦを基準にして検査装置毎に変換モデルを生成するため、検査装置間差の影響を低減することができる。それに加えて、マスク起因の変動を抑制することができる。また、検査装置毎に変換モデルを生成するため、検査装置１Ａ〜１Ｃ毎にＰＯＢ等の検査条件を設定することができ、各検査装置１Ａ〜１Ｃの性能をフルに発揮させることができる。これ以外の構成、効果は、実施形態１の記載に含まれている。

以上、本発明の実施形態１及び２を説明したが、本発明はその目的と利点を損なうことのない適宜の変形を含み、更に、上記の実施形態による限定は受けない。実施形態１及び２の各構成を組み合わせたものも実施形態に含まれる。また、検査方法をコンピュータに実行させる検査プログラムも実施形態の技術的思想の範囲である。

上記処理のうちの一部又は全部は、コンピュータプログラムによって実行されてもよい。上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（ｎｏｎ−ｔｒａｎｓｉｔｏｒｙｃｏｍｐｕｔｅｒｒｅａｄａｂｌｅｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（ｔａｎｇｉｂｌｅｓｔｏｒａｇｅｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（ＰｒｏｇｒａｍｍａｂｌｅＲＯＭ)、ＥＰＲＯＭ（ＥｒａｓａｂｌｅＰＲＯＭ)、フラッシュＲＯＭ、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（ｔｒａｎｓｉｔｏｒｙｃｏｍｐｕｔｅｒｒｅａｄａｂｌｅｍｅｄｉｕｍ)によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

１、１Ａ、１Ｂ、１Ｃ検査装置
１０、１０Ａ、１０Ｂ、１０Ｃ、１０ｄ撮像部
１１、１１ｄ照明光源
１２、１２ｄ照明光学系
１３レンズ
１３ｄミラー
１４ステージ
１５レンズ
１６、１６ｄ検出光学系
１７検出器
１８ＥＵＶマスク
１９パターン
２０記憶部
３０、３０Ａ、３０Ｂ、３０Ｃ処理部
３１撮像画像取得部
３２参照画像生成部
３３比較部
３４学習用記憶部
３５学習器
３６変換モデル
４１撮像画像
４２グレー画像
５２参照画像
１００検査システム
Ｌ１、Ｌ２照明光

Claims

パターンが設けられたＥＵＶマスクを撮像する撮像部と、
前記パターンの設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含むデータベース中間ファイルが記憶された記憶部と、
前記撮像部で前記ＥＵＶマスクを撮像した撮像画像に基づいて、前記ＥＵＶマスクを検査する処理部と、
を備え、
前記処理部は、
前記撮像部で学習用サンプルを撮像した学習用撮像画像と、前記学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習する学習器で生成された変換モデルと、
前記変換モデルを用いて、前記グレー画像から、参照画像を生成する参照画像生成部と、
前記参照画像と、前記撮像画像とを比較する比較部と、
を有し、
前記２値化画像は、前記ＥＵＶマスクの前記パターンの前記設計データに基き、前記パターンの有無に応じて、前記パターンがある箇所は第１の値、前記パターンがない箇所は第２の値とした画像であり、
前記グレー画像は、前記２値化画像を、複数のピクセルに分割させた場合に、各ピクセルに含まれた２値に応じて、グレースケール化されたものであり、前記第２の値となっている前記ピクセルを、黒で示し、前記第１の値となっている前記ピクセルを、白で示し、前記第１の値と前記第２の値の境界部分となっている前記ピクセルを、前記第１の値となっている前記ピクセルと前記第２の値となっている前記ピクセルとから補間したグレースケールで示された画像である、
ＥＵＶマスク検査装置。
前記グレー画像は、前記ＥＵＶマスクを製造するマスクショップが前記パターンの設計データから形成したものである、
請求項１に記載のＥＵＶマスク検査装置。
前記学習器は、前記ＥＵＶマスクに設けられた露光用のパターンとは異なる学習専用パターンを、前記学習用サンプルとして学習する、
請求項１または２に記載のＥＵＶマスク検査装置。
前記学習器は、露光で使用した後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成する、
請求項１〜３のいずれか１項に記載のＥＵＶマスク検査装置。
前記学習器は、洗浄後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成する、
請求項１〜３のいずれか１項に記載のＥＵＶマスク検査装置。
パターンが設けられたＥＵＶマスクを撮像する撮像部を用いて前記ＥＵＶマスクを検査する検査方法であって、
前記パターンの設計データからラスタ化した２値化画像をピクセル化したグレー画像が含まれたデータベース中間ファイルを取得するＤＢＩＦ取得ステップと、
前記撮像部で学習用サンプルを撮像した学習用撮像画像と、前記学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習することによって、変換モデルを生成する学習ステップと、
前記変換モデルを用いて、前記グレー画像から、参照画像を生成する参照画像生成ステップと、
前記参照画像と、前記ＥＵＶマスクを撮像した撮像画像とを比較する比較ステップと、
を有し、
前記２値化画像は、前記ＥＵＶマスクの前記パターンの前記設計データに基き、前記パターンの有無に応じて、前記パターンがある箇所は第１の値、前記パターンがない箇所は第２の値とした画像であり、
前記グレー画像は、前記２値化画像を、複数のピクセルに分割させた場合に、各ピクセルに含まれた２値に応じて、グレースケール化されたものであり、前記第２の値となっている前記ピクセルを、黒で示し、前記第１の値となっている前記ピクセルを、白で示し、前記第１の値と前記第２の値の境界部分となっている前記ピクセルを、前記第１の値となっている前記ピクセルと前記第２の値となっている前記ピクセルとから補間したグレースケールで示された画像である、
ＥＵＶマスク検査方法。
前記ＤＢＩＦ取得ステップにおいて、
前記グレー画像は、前記ＥＵＶマスクを製造するマスクショップが前記パターンの設計データから形成したものである、
請求項６に記載のＥＵＶマスク検査方法。
前記学習ステップにおいて、
前記ＥＵＶマスクに設けられた露光用のパターンとは異なる学習専用パターンを、前記学習用サンプルとして学習する、
請求項６または７に記載のＥＵＶマスク検査方法。
前記学習ステップにおいて、
露光で使用した後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成する、
請求項６〜８のいずれか１項に記載のＥＵＶマスク検査方法。
前記学習ステップにおいて、
洗浄後の前記ＥＵＶマスクを、前記学習用サンプルとして学習することにより前記変換モデルを生成する、
請求項６〜８のいずれか１項に記載のＥＵＶマスク検査方法。
パターンが設けられたＥＵＶマスクを撮像する撮像部を用いて前記ＥＵＶマスクを検査する検査プログラムであって、
前記パターンの設計データからラスタ化した２値化画像をピクセル化したグレー画像が含まれたデータベース中間ファイルを取得させ、
前記撮像部で学習用サンプルを撮像した学習用撮像画像と、前記学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習させることによって、変換モデルを生成させ、
前記変換モデルを用いて、前記グレー画像から、参照画像を生成させ、
前記参照画像と、前記ＥＵＶマスクを撮像した撮像画像とを比較させる、
ことをコンピュータに実行させ、
前記２値化画像は、前記ＥＵＶマスクの前記パターンの前記設計データに基き、前記パターンの有無に応じて、前記パターンがある箇所は第１の値、前記パターンがない箇所は第２の値とした画像であり、
前記グレー画像は、前記２値化画像を、複数のピクセルに分割させた場合に、各ピクセルに含まれた２値に応じて、グレースケール化されたものであり、前記第２の値となっている前記ピクセルを、黒で示し、前記第１の値となっている前記ピクセルを、白で示し、前記第１の値と前記第２の値の境界部分となっている前記ピクセルを、前記第１の値となっている前記ピクセルと前記第２の値となっている前記ピクセルとから補間したグレースケールで示された画像である、
ＥＵＶマスク検査プログラム。
前記データベース中間ファイルにおいて、
前記グレー画像は、前記ＥＵＶマスクを製造するマスクショップが前記ＥＵＶマスクの設計データから形成したものである、
請求項１１に記載のＥＵＶマスク検査プログラム。
前記変換モデルを生成させる際に、
前記ＥＵＶマスクに設けられた露光用のパターンとは異なる学習専用パターンを、前記学習用サンプルとして学習させる、
ことをコンピュータに実行させる請求項１１または１２に記載のＥＵＶマスク検査プログラム。
前記変換モデルを生成させる際に、
露光で使用した後の前記ＥＵＶマスクを、前記学習用サンプルとして学習させることにより前記変換モデルを生成させる、
ことをコンピュータに実行させる請求項１１〜１３のいずれか１項に記載のＥＵＶマスク検査プログラム。
前記変換モデルを生成させる際に、
洗浄後の前記ＥＵＶマスクを、前記学習用サンプルとして学習させることにより前記変換モデルを生成させる、
ことをコンピュータに実行させる請求項１１〜１３のいずれか１項に記載のＥＵＶマスク検査プログラム。
第１検査装置及び第２検査装置を備えた検査システムであって、
前記第１検査装置は、
パターンが設けられた第１ＥＵＶマスクを撮像する第１撮像部と、
前記第１撮像部で前記第１ＥＵＶマスクを撮像した第１撮像画像に基づいて、前記第１ＥＵＶマスクを検査する第１処理部と、
を有し、
前記第２検査装置は、
パターンが設けられた第２ＥＵＶマスクを撮像する第２撮像部と、
前記第２撮像部で前記第２ＥＵＶマスクを撮像した第２撮像画像に基づいて、前記第２ＥＵＶマスクを検査する第２処理部と、
を有し、
前記第１検査装置及び前記第２検査装置は、前記パターンの設計データからラスタ化した２値化画像を、ピクセル化したグレー画像を含むデータベース中間ファイルが記憶された記憶部を共有し、
前記第１処理部は、
前記第１撮像部で第１学習用サンプルを撮像した第１学習用撮像画像と、前記第１学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習する第１学習器で生成された第１変換モデルと、
前記第１変換モデルを用いて、前記グレー画像から、第１参照画像を生成する第１参照画像生成部と、
前記第１参照画像と、前記第１撮像画像とを比較する第１比較部と、
を有し、
前記第２処理部は、
前記第２撮像部で第２学習用サンプルを撮像した第２学習用撮像画像と、前記第２学習用撮像画像に対応した前記グレー画像とを対応付けて、ディープラーニングにより学習する第２学習器で生成された第２変換モデルと、
前記第２変換モデルを用いて、前記グレー画像から、第２参照画像を生成する第２参照画像生成部と、
前記第２参照画像と、前記第２撮像画像とを比較する第２比較部と、
を有し、
前記２値化画像は、前記第１ＥＵＶマスク及び前記第２ＥＵＶマスクの前記パターンの前記設計データに基き、前記パターンの有無に応じて、前記パターンがある箇所は第１の値、前記パターンがない箇所は第２の値とした画像であり、
前記グレー画像は、前記２値化画像を、複数のピクセルに分割させた場合に、各ピクセルに含まれた２値に応じて、グレースケール化されたものであり、前記第２の値となっている前記ピクセルを、黒で示し、前記第１の値となっている前記ピクセルを、白で示し、前記第１の値と前記第２の値の境界部分となっている前記ピクセルを、前記第１の値となっている前記ピクセルと前記第２の値となっている前記ピクセルとから補間したグレースケールで示された画像である、
ＥＵＶマスク検査システム。
前記第１学習器は、露光で使用した後の前記第１ＥＵＶマスクを、前記第１学習用サンプルとして学習することにより前記第１変換モデルを生成し、
前記第２学習器は、露光で使用した後の前記第２ＥＵＶマスクを、前記第２学習用サンプルとして学習することにより前記第２変換モデルを生成する、
請求項１６に記載のＥＵＶマスク検査システム。
前記第１学習器は、洗浄後の前記第１ＥＵＶマスクを、前記第１学習用サンプルとして学習することにより前記第１変換モデルを生成し、
前記第２学習器は、洗浄後の前記第２ＥＵＶマスクを、前記第２学習用サンプルとして学習することにより前記第２変換モデルを生成する、
請求項１６に記載のＥＵＶマスク検査システム。