JP7094594B2

JP7094594B2 - 処理条件推定装置、方法及びプログラム

Info

Publication number: JP7094594B2
Application number: JP2021553677A
Authority: JP
Inventors: 明夫石川; 秀一玉虫
Original assignee: Alitecs
Current assignee: Alitecs
Priority date: 2019-10-30
Filing date: 2020-10-29
Publication date: 2022-07-04
Anticipated expiration: 2040-10-29
Also published as: TW202117467A; US20220254009A1; WO2021085522A1; JPWO2021085522A1

Description

本発明の実施形態は、処理装置が処理した対象物の測定データから、対象物の形状などを制限することなく、処理条件を推定する技術に関する。

半導体デバイス製造では、微細化に伴い処理マージンがますます小さくなっているため、露光装置などの処理装置が処理した対象物が所定の範囲内で処理されていることを確認することが重要となっている。

一般的には、最適な露光条件は、走査型電子顕微鏡（ＣＤ－ＳＥＭ；ＣｒｉｔｉｃａｌＤｉｍｅｎｓｉｏｎ－ＳｃａｎｎｉｎｇＥｌｅｃｔｒｏｎＭｉｃｒｏｓｃｏｐｅ）などの形状測定装置で所定のレジストなどのパターン形状を測定して決定される。この場合、レジストパターン形状だけでなく、エッチング後のパターン形状の測定も行い、両方の確認が行われる。

特許文献１は、ＣＤ－ＳＥＭなどで求めた、レジストパターン形状の線幅と基準値とのずれ量から、露光装置の焦点及び露光量のオフセット量を求める技術を開示している。

特開２００７－２０８２４５号公報

しかしながら、レジストパターン形状のどこを基準とするかは、シミュレーションに委ねられ、固定されている。また、対象物とされるレジストパターンも直線パターンやコンタクトホールなど決められた形状しか扱えないという問題がある。

本発明は、このような課題に着目して鋭意研究され完成されたものであり、その目的は、対象物の形状などを制限することなく、処理条件を推定する技術を提供することにある。

上記課題を解決するために、第１の発明は、対象物を処理した処理条件を推定する処理条件推定装置であって、前記対象物の所定の位置で取得した測定データを入力する入力部と、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定する推定部と、を備える処理条件推定装置である。

第２の発明は、対象物を処理した処理条件を推定する処理条件推定方法であって、前記対象物の所定の位置で取得した測定データを入力し、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定する処理条件推定方法である。

第３の発明は、対象物を処理した処理条件を推定する処理条件推定プログラムであって、前記対象物の所定の位置で取得した測定データを入力するステップと、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記対象物を処理した処理条件を推定するステップと、をコンピュータに実行させる処理条件推定プログラムである。

本発明によれば、対象物の形状などを制限することなく、処理条件を推定する技術を提供することができる。

本発明の実施形態に係る処理条件推定装置を含む半導体製造システムの概略構成図である。本発明の実施形態に係る（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。本発明の実施形態に係る画像入力の一例を示す図である。本発明の実施形態に係る特徴量を算出するための点の一例を示す図である。本発明の実施形態に係る第１の次元削減方法を説明するための図である。本発明の実施形態に係る第２の次元削減方法を説明するための図である。本発明の他の実施形態に係る、ニューラルネットワークを用いた（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。本発明の他の実施形態に係る、次元削減を行うニューラルネットワークの構成の一例を説明するための図である。本発明の他の実施形態に係る、特徴量推定を行うニューラルネットワークの構成の一例を説明するための図である。焦点位置及び露光量から推定した値又は誤差を表示するグラフ（その１：再学習無し）である。焦点位置及び露光量から推定した値又は誤差を表示するグラフ（その２：再学習有り）である。

図面を参照しながら本発明の実施の形態を説明する。ここで、各図において共通する部分には同一の符号を付し、重複した説明は省略する。

［Ａ．本実施形態の概要］
図１は、本実施形態に係る処理条件推定装置を含む半導体製造システムの概略構成図である。半導体製造システム１００は、露光装置２００と、中央演算処理装置３００と、形状測定装置４００を備える。各装置は有線又は無線の通信ネットワークで接続されている。中央演算処理装置３００が、本実施形態に係る処理条件推定装置に相当する。なお、半導体製造システム１００は、本実施形態に係る処理条件推定装置が適用される一例である。本実施形態に係る処理条件推定装置は、例えば、マスク製造システムやＦＰＤ（ＦｌａｔＰａｎｅｌＤｉｓｐｌａｙ）製造システムやプリント基板製造システムなどにも適用可能である。

露光装置２００は、マスク上に形成されているパターンをウェハ上に塗布されたレジストに露光する露光装置である。露光装置２００が、本実施形態に係る対象物を処理する処理装置に相当する。

形状測定装置４００は、走査型電子顕微鏡（ＣＤ－ＳＥＭ）であり、マスクを介してウェハ上に塗布されたレジストを露光する露光装置２００を用いてウェハ上に形成されたレジストパターンの立体形状の情報を取得する。形状測定装置４００が、本実施形態に係る測定データを測定する測定装置に相当する。ここで、測定する対象物はレジストパターンとは限らず、エッチング後のパターンなどでもよいし、半導体製造に限らずマスク製造やＦＰＤ製造やプリント基板製造など対象物に処理を行うものであれば何でもよい。

ここでは、測定データとして対象物のＳＥＭ画像を用いるが、測定データとしては対象物の画像に限らず直線パターンの線幅やコンタクトホールの穴径などの測定値や光学画像や反射スペクトルなど対象物を測定して得られるデータを用いてもよい。

中央演算処理装置（以下「処理条件推定装置」という）３００は、対象物を処理した処理条件を推定する処理条件推定装置であって、入力部、特徴量算出部、推定部という機能ブロックを備える。入力部は、対象物の所定の位置で取得した測定データを入力する。特徴量算出部は、入力された対象物の測定データから特徴量を算出する。推定部は、測定データ及び特徴量の少なくとも一方を入力して処理条件の推定値を出力する処理条件推定関数に基づいて、入力された対象物の測定データ及び特徴量の少なくとも一方から、対象物を処理した処理条件を推定する。ここで、特徴量算出部と推定部の機能を分けて説明したが、機能を明確に分離する必要はなく、特徴量算出部と推定部を合わせて推定部として実装してもよい。

合せて実装する場合は、推定部は、測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、入力された対象物の測定データから、対象物を処理した処理条件を推定する。なお、処理条件推定装置３００は、推定した処理条件を表示する表示部をさらに備えてもよい。

処理条件推定装置３００は機能ブロックであり、ハードウェアでの実装に限られず、プログラム等のソフトウェアとしてコンピュータに実装されていてもよく、その実装形態は限定されない。例えば、パーソナルコンピュータ等のクライアント端末と有線又は無線の通信回線（インターネット回線など）に接続された専用サーバにインストールされて実装されていてもよいし、いわゆるクラウドサービスを利用して実装されていてもよい。

［Ｂ．処理条件推定方法］
図２は、本実施形態に係る（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。

（ｂ１．処理条件推定関数作成方法のフローチャートの説明）
図２（ａ）は、処理条件推定関数作成方法のフローチャートである。ここで、処理条件推定関数とは、測定装置で取得した対象物の測定データから対象物を処理した処理条件を推定する関数、入力が対象物の測定データで出力が対象物を処理した処理条件の推定値である関数のことである。本実施形態では、対象物を露光装置で処理した処理条件（焦点位置と露光量）を走査型電子顕微鏡で測定した画像から推定している。

Ｓ１１０では、異なる処理条件により予め作成された対象物の所定の位置の画像を入力する。

図３は、本実施形態に係る画像入力の一例を示す図である。この図の横軸は、露光装置２００の焦点位置を表し、縦軸は露光量を表す。そして、図に示す割合で予め測定した複数の画像が表示されている。ここで、焦点位置や露光量などの数を処理条件種類数という。図３の場合、処理条件種類数は２つ（焦点位置と露光量）である。また、露光量の条件を３通り（－８％、±０％、＋８％）に振り、焦点位置の条件を５通り（－６０ｎｍ、－３０ｎｍ、±０ｎｍ、＋３０ｎｍ、＋６０ｎｍ）に振っているため、全体の処理条件数は１５になる。ここで、画像には多種類のパターンや処理条件に敏感なパターンが多く含まれていることが望ましい。また、１処理条件の画像は、1枚ではなく対象物の複数箇所で取得した複数画像でもよい。

また、処理条件は、焦点位置と露光量の２種類に限られず、対象物の、または、対象物上に形成された薄膜の膜厚、エッチング条件などでもよい。また、処理条件が対象物上に形成された薄膜の膜厚やエッチング処理時間やエッチングガス流量やエッチングＲＦパワーなどウェハ内で変えられない条件である場合、複数のウェハを異なる処理条件で処理しそれぞれの処理条件に対する画像をそれぞれのウェハから取得してもよい。

Ｓ１２０では、入力した画像の特徴量を算出する。

図４は、本実施形態に係る特徴量を算出するための一例を示す図である。図４（ａ）は実際のパターン画像に印した実線の線幅を特徴量として測定する。この実線の部分は１７個あり、１７個の線幅を特徴量として算出したことになる。図４（ｂ）は、測定する線幅をわかりやすく表示するために、パターン画像の枠線だけを表示した図である。測定した線幅の部分を楕円形状で覆っている。ここで、測定した線幅は一例であり、これに限定されず、パターンのエッジ位置やエッジ傾斜や曲率や面積などでもよい。また、特徴量としてＳ１１０で入力した画像の各画素値（全画素値を含む）や各画素値から算出される値を用いてもよい。例えば、画像の特定部分の画素値を特徴量とする場合は、入力部は入力した画像データの特定部分（例えば、パターン領域やパターンエッジが変化している領域）を設定し、特定部分の大きさが幅Ｗ画素、高さＨ画素の矩形領域の場合はＷ×Ｈ個の画素値を測定データとして出力する。これは、後で行う第１の次元削減の入力次元数がＷ×Ｈ次元であることを意味する。また、特定部分の大きさが矩形ではない領域の場合は、特定部分に含まれる画素数個の画素値を測定データとして出力してもよい。このような場合、特定部分が、処理条件に依存して変化する領域を含むように設定してもよい。入力した画像データ全体の画素を用いるのではなく、特定部分の画素に限定することによって、特徴量算出部や推定部での計算処理量を低減することが可能である。

Ｓ１３０は、第１の次元削減方法の学習ステップである。Ｓ１２０で求めた特徴量の次元数（本実施形態では１７か所の線幅なので１７次元）を、対象物を処理した処理条件種類数の次元数（本実施形態では焦点位置と露光量の２種類なので２次元）との中間である３次元にまで次元削減し、このような第１の次元削減を行う第１の射影関数を学習生成する。ここでは、処理条件種類数に１加えた３次元に削減したが、これに限られず特徴量の次元数と処理条件種類の次元数の間であればよい。次元削減方法として、ここでは多様体学習法の一つであるＬＬＥ（ＬｏｃａｌｌｙＬｉｎｅａｒＥｍｂｅｄｄｉｎｇ）法などを用いる。なお、この処理条件種類が、本実施形態に係る処理条件推定装置が推定する処理条件である。

図５は、本実施形態に係る第１の次元削減方法を説明するための図である。第１の次元削減後の結果を３次元座標上に表示したものである。すなわち、１７次元の学習データが３次元上の曲面に投影されていることを意味する。また、１７次元を３次元にする第１の射影関数のため、各軸には物理的な意味は無い。ここで、第１の次元削減の結果が不十分な場合（処理条件間の次元削減後間隔が十分でない場合）は、対象物測定点の追加や特徴量の増減や次元削減条件・方法の変更を行ってもよい。また、対象物測定点は特徴量を補完して点数を増加させてもよい。

ここで、第１の次元削減の結果を評価する評価値を出力してもよい。例えば、次元削減後の各処理条件間の間隔を次元削減前の各処理条件間の間隔で補正して、その最小値を次元削減の評価値として出力してもよい。

Ｓ１４０は、第２の次元削減方法の学習ステップである。Ｓ１３０（第１の次元削減方法）で次元削減した結果（本実施形態では３次元）を、処理条件種類の次元数（本実施形態では２次元）にまで次元削減し、このような第２の次元削減を行う第２の射影関数を学習生成する。ここでは、次元削減方法として、ＬＬＥ（ＬｏｃａｌｌｙＬｉｎｅａｒＥｍｂｅｄｄｉｎｇ）法などを用いる。ここで、第２の次元削減の結果が不十分な場合（処理条件間の次元削減後間隔が十分でない場合）は、対象物測定点の追加や特徴量の増減や次元削減条件・方法の変更を行ってもよい。また、対象物測定点は特徴量を補完して点数を増加させてもよい。

図６は、本実施形態に係る第２の次元削減方法を説明するための図である。図６（ａ）は第２の次元削減後の結果を２次元座標上に表示したものである。３次元を２次元にする第２の射影関数のため、各軸には物理的な意味は無い。

Ｓ１５０では、マッピング関数を算出する。図６（ｂ）は、第２の次元削減後の２次元座標に投影した異なる処理条件で処理した対象物の測定データを、処理した焦点位置と露光量の２次元座標にマッピングする関数を説明するための図である。

マッピング関数は、処理条件種類数と同じ次元まで次元削減した結果を実際の処理条件値にマッピングする。具体的には、Ｓ１４０で求めた２次元座標値を処理した焦点位置と露光量に変換する関数を求める。これによって、変換後の値から焦点位置と露光量を算出することができる。

Ｓ１３０及びＳ１４０の学習ステップとＳ１５０のマッピング関数算出では、上述した次元削減方法やマッピング方法に限らず、他の機械学習法によって、処理条件を推定するための処理条件推定関数を作成してもよいし、また、ディープ・ラーニングを含むニューラルネットワークによって作成してもよい。

また、一部の特徴量を算出できない処理条件が存在する場合（例えば、パターン欠損や隣接パターンと結合している場合など）、全ての特徴量を算出可能な処理条件範囲で処理条件推定関数を作成し、算出できない特徴量を除いて全ての処理条件範囲で処理条件推定関数を作成するなど、複数の処理条件推定関数を作成してもよい。これは、処理条件が大きく外れている場合は少ない特徴量で処理条件推定を行い、処理条件が中心条件に近い場合は多くの特徴量でより正確な処理条件推定を行うためである。このように特徴量と処理条件推定関数との組合せは複数でもよい。

（ｂ２．処理条件推定方法のフローチャートの説明）
図２（ｂ）は、処理条件推定方法のフローチャートである。

Ｓ２１０では、Ｓ１１０と同様に、処理条件推定装置３００の入力部が、実際に処理条件を推定すべき対象物の画像を入力する。ここで、入力される画像は、Ｓ１１０で入力した画像と同様の方法を用いて、対象物の所定の位置で取得した画像である。対象物の所定の位置とは対象物内の同一座標とは限らず対象物の同様な構造を有する位置を含む。例えば、パターンがある場合は同じパターンの位置、パターンがない場合は同じ膜構成の位置を含む。

Ｓ２２０では、処理条件推定装置３００の特徴量算出部が、入力した画像の特徴量を算出する。Ｓ１２０と同様に、本実施形態では１７個の特徴量を算出する。

処理条件推定装置３００の推定部が、Ｓ２３０及びＳ２４０の次元削減を行う。Ｓ２３０では、Ｓ１３０で学習した第１の射影関数を用いて、Ｓ２２０で算出した特徴量（本実施形態では、１７次元）を、Ｓ１３０と同様に特徴量の次元数と処理条件種類数の中間である次元（本実施形態では、３次元）に第１の次元削減を行う。第１の次元削減を行った結果は図５の３次元座標上の１点となる。

Ｓ２４０では、処理条件推定装置３００の推定部が、Ｓ１４０で学習した第２の射影関数を用いて、Ｓ２３０（第１の次元削減方法）で次元削減した結果を、処理条件種類（本実施形態では焦点位置と露光量の２種類）の２次元にまで第２の次元削減を行う。第２の次元削減後の結果は、図６（ａ）の２次元座標上の１点となる。

Ｓ２５０では、処理条件推定装置３００の推定部が、Ｓ１５０で求めたマッピング関数によって、第２の次元削減後の結果を焦点位置と露光量の２次元座標にマッピングする。マッピングした結果は図６（ｂ）の２次元座標の１点となる。このようにして、本実施形態によれば、焦点位置と露光量の処理条件の推定値を算出することができる。

複数の特徴量と処理条件推定関数との組合せがある場合は、それぞれの結果を総合して処理条件推定値を算出してもよい。

また、本実施形態では、Ｓ２３０（第１の次元削減方法）とＳ２４０（第２の次元削減方法）の間に、処理条件推定値の確度を算出することができる。確度とは推定された処理条件の正確性を評価する値である。例えば、学習データと処理条件を推定したデータとの違いで、学習データとの違いが大きければ、推定した処理条件は誤差が大きい可能性があることを示している。これは、Ｓ２３０（第１の次元削減方法）が、特徴量の次元数と処理条件種類の次元数との中間の次元数に設定しているために、処理条件推定値の確度を算出することができる。例えば、Ｓ２３０（第１の次元削減方法）の後に、図５のように３次元に次元削減された点と学習画像から求められた曲面との距離を推定値の確度として出力する。この場合、確度（例えばＥｒｒｏｒＲａｔｅ）は０に近いほど確度が高い（すなわち、正確性が高くなる）ことになる。

（ｂ３．確度算出方法１：次元削減を２段階で行う場合）
図２（ｂ）で説明した２段階の次元削減（Ｓ２３０、Ｓ２４０）の場合の、確度算出（Ｓ２６０）方法について説明する。ｉ番目の学習画像から求めた第１の次元削減（Ｓ２３０）の結果をＰ_i,jとする。ここでは、ｊは第１の次元削減後の次元を表す。また、推定する対象物から求めた第１の次元削減結果をＳ_ｊとする。

確度Ａは、式（１）で表される。

ここで、σ_jは補正係数（定数）である。また、学習画像から求めた特徴量を補完して処理条件数を増やして高精度に行ってもよい。

（ｂ４．確度算出方法１：次元削減を１段階で行う場合）
次元削減は、２段階で行うことが必須ではなく、１段階で行ってもよい。２段階次元削減のように次元削減の中間結果が存在しない場合、処理条件推定後に、確度Ａを求めればよい。ここでは、推定する対象物から求めたj番目の特徴量をS_jとする。また、推定した処理条件に最も近い学習画像のj番目の特徴量をP_jとする。

確度Ａは、式（２）で表される。

ここで、σ_jは補正係数（定数）である。また、推定した処理条件に最も近い学習画像の特徴量は、補完により高精度に求めた特徴量を用いてもよい。

本実施形態では対象物の測定データとしてパターン形状の画像を用いたが、測定データとしては画像以外を用いることもできる。例えば、対象物の反射光スペクトルを測定データとして対象物上に形成された薄膜の処理条件（処理時間やガス流量や温度や圧力など）を推定してもよい。

［Ｃ．作用効果］
上述した通り、本実施形態によれば、対象物の形状などを制限することなく、処理条件を推定することができる。

［Ｄ．他の処理条件推定方法］
ここからは、他の処理条件推定方法について説明する。図７は、他の実施形態に係るニューラルネットワークを用いた（ａ）処理条件推定関数作成方法及び（ｂ）処理条件推定方法に関するフローチャートである。

（ｄ１．処理条件推定関数作成方法のフローチャートの説明）
図７（ａ）は、ニューラルネットワークを用いた処理条件推定関数作成方法のフローチャートである。処理条件推定関数などについては、図２などで説明しているため、重複した説明は省略する。

Ｓ３１０では、図２のＳ１１０と同様、異なる処理条件により予め作成された対象物の所定の位置の画像を入力する。Ｓ３１０の場合も、図３で説明した画像入力の一例を用いる。

Ｓ３２０では、入力した画像の特徴量を算出する。Ｓ３２０の場合も、図４で説明した特徴量を算出するための一例を用いる。

Ｓ３３０は、特徴量の次元削減方法の学習ステップである。Ｓ３２０で求めた特徴量の次元数（図４の場合、１７か所の線幅なので１７次元）を、対象物を処理した処理条件種類数の次元数（図３の場合、焦点位置と露光量の２種類なので２次元）にまで次元削減し、このような次元削減を行う射影関数を学習生成する。次元削減方法として、ニューラルネットワークなどを用いる。なお、この処理条件種類が、本実施形態に係る処理条件推定装置が推定する処理条件である。

図８は、他の実施形態に係る次元削減を行うニューラルネットワークの構成の一例を説明するための図である。ここでは、３層の隠れ層があり、１層目と２層目のノードは３２個、３層目のノードは１６個で構成されている。

ｘ_ｉはＳ３２０で算出した特徴量、ｙ_ｉはプロセス処理条件の推定値である。ここでは、特徴量は１７個、プロセス条件は焦点位置と露光量の２個である。すなわち、図８は、１７個の測定データ（ここでは１７個の画像の特徴量）を入力し、２個の処理条件（ここでは焦点位置と露光量）の推定値を出力する処理条件推定関数をニューラルネットワークで構成した例を表している。

また、ｘ_０やｚ_ｋ，０は定数１である。各層のノードは、数式（３）～（５）で計算される。

ここで、Ｗ_ｉ，ｊ ^ｋは実数であり、ｉは入力番号、ｊは各層のノード番号、ｋは隠れ層の番号である。ｆ_ｉ，ｊは活性化関数とよばれ、シグモイド関数や双曲線正接関数などが使用される。学習とは、特徴量を入力したときに処理条件が出力されるようにＷ_ｉ，ｊ ^ｋの値を最適化することである。この最適化には勾配降下法、準ニュートン法、モーメンタム法、Ａｄａｍ法、ＬＢＦＧＳ法（Limited-memory BFGS）、ＳＧＤ（Stochastic Gradient Descent）法などを用いる。入力する特徴量は入力前に前処理として所定の範囲内となるように正規化を行ってもよい。出力値のプロセス処理条件に正規化を行った場合、後処理として元のプロセス条件に戻す処理を行う。

ここでは、特徴量抽出部で抽出した特徴量を推定部への入力としたが、特徴量抽出部で抽出した特徴量ではなく、測定データ（ここでは画像データ）を直接推定部へ入力する場合は、ＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ）などを用いて処理条件推定関数を構成してもよい。また、計算処理量を削減するため、入力する画像データの特定部分としてパターン領域やパターンエッジが変化している領域のみを使用してもよい。

Ｓ３４０はプロセス処理条件からＳ３３０の入力とした特徴量を求める特徴量推定関数を求めるステップである。ここでは、Ｓ３３０と同様にニューラルネットワークを用いて特徴量を推定する場合を説明する。

図９は、他の実施形態に係る特徴量推定を行うニューラルネットワークの構成の一例を説明するための図である。ここでは、３層の隠れ層があり、１層目と２層目のノードは８個、３層目のノードは４個で構成されている。ｙ_ｉはプロセス処理条件、ｘ_ｉは特徴量の推定値である。ここでは、特徴量は１７個、プロセス条件は焦点位置と露光量の２個であるため、図９で示されるニューラルネットワークは１７個となる。各パラメータはＳ３３０と同様で、学習方法は同様な方法で行う。ここでは、特徴量推定関数をニューラルネットワークで構成したが、他の補間方法、例えばBi-Linear法やBi-Cubic法などを用いてもよい。なお、Ｓ３４０は確度算出や学習結果評価等を行わない場合、省略してもよい。

また、Ｓ３４０で推定した特徴量を用いてＳ３３０を再学習するなど繰り返して行うことにより、Ｓ３３０で求めた処理条件推定関数とＳ３４０で求めた特徴量推定関数の精度を向上させてもよい。

図１０及び図１１は、焦点位置及び露光量から推定した値又は誤差を表示するグラフである。図１０は、再学習が無い場合を、図１１は再学習が有る場合を示している。

各グラフの座標軸は、図１０（ａ）に一例を示す通り、ｘ軸が焦点位置、ｙ軸が露光量、ｚ軸が推定した値又は誤差である。図１０(a)のグラフは、x軸に焦点位置、y軸に露光量、z軸に推定した焦点位置をプロットしたものである。図１０（ｂ）は、x軸に焦点位置、y軸に露光量、z軸に推定した露光量をプロットしたものである。図１０（ｃ）は、x軸に焦点位置、y軸に露光量、z軸に焦点位置推定誤差をプロットしたものである。ここで、焦点位置推定誤差としては、焦点位置と焦点位置推定値との差の絶対値としている。図１０（ｄ）は、x軸に焦点位置、y軸に露光量、z軸に露光量推定誤差をプロットしたものである。ここで、露光量推定誤差としては、露光量と露光量推定値との差の絶対値としている。

図１０の各グラフで、三角印は、学習に用いた画像から抽出した特徴量からＳ３３０で学習したニューラルネットワークで推定した焦点位置推定値または露光量推定値を示す。黒丸印は、露光量と焦点位置からＳ３４０で学習したニューラルネットワークで推定した特徴量を、Ｓ３３０で学習したニューラルネットワークで推定した焦点位置推定値または露光量推定値である。図１０（ｃ）および（ｄ）から学習で用いた特徴量から推定した焦点位置推定誤差または露光量推定誤差（三角）は小さく、Ｓ３４０で学習したニューラルネットワークで露光量と推定値から推定した特徴量からＳ３３０で学習したニューラルネットワークで推定した焦点位置推定誤差または露光量推定誤差（黒丸）は大きくなっていることがわかる。ここでは、図１０（ｃ）、（ｄ）のように推定処理条件毎に分けてプロットしたが、各誤差に補正係数を掛けて和をとることにより、１つのプロットにまとめてもよい。

このようにＳ３３０で学習に用いた露光量と焦点位置に対しては推定精度が高いが、それ以外に対しては推定精度が悪くなっていることがわかる。学習に用いた画像からの推定値以外の処理条件に対する推定結果を求めることにより、Ｓ３３０で行った学習結果の評価を行うことができる。学習結果の評価は、多数の処理条件の異なるサンプルの対象位置の画像を用いても行うのが理想的であるが、そのためには多数のサンプル作成と測定が必要となる。

特に、半導体製造では多数の異なる処理条件のサンプルを作成すること、さらに多数のサンプルの対象位置のサンプル画像を取得することは、非常にコストが掛かり困難であるため、推定した特徴量を用いて処理条件推定学習結果の評価を行うことは有用である。

処理条件推定学習結果の評価で推定誤差が大きい場合など、Ｓ３３０で行った学習にＳ３４０で露光量と焦点位置から推定した特徴量を追加してＳ３３０の再学習を行ってもよい。図１１(a)、(b)、(c)、(d)は再学習したニューラルネットワークで推定した結果である。図１０(a)、(b)、(c) 、(d)と同様にx軸は焦点位置、y軸は露光量、z軸はそれぞれ、焦点位置推定値、露光量推定値、焦点位置推定誤差、露光量推定誤差である。再学習前（図１０）と比較してＳ３４０で推定した特徴量から推定した焦点位置推定誤差および露光量推定誤差（黒丸）が小さくなり、推定精度が向上していることがわかる。このように、Ｓ３４０で推定した特徴量によりＳ３３０を再学習することにより推定精度を向上させることができる。

また、推定誤差が大きい場合、ニューラルネットワークの構成を変更したり、特徴量の種類や抽出パターンを変更したり、学習画像に処理条件の異なる画像追加したり、同一処理条件の異なる位置の画像を追加してもよい。

また、Ｓ３３０及びＳ３４０で用いたニューラルネットワークはここで示されたものに限られるのではなく、層数やノード数や活性化関数など変更してもよい。

（ｄ２．処理条件推定方法のフローチャートの説明）
図７（ｂ）は、処理条件推定方法のフローチャートである。

Ｓ４１０では、Ｓ３１０と同様に、処理条件推定装置３００の入力部が、実際に処理条件を推定すべき対象物の画像を入力する。ここで、入力される画像は、Ｓ３１０で入力した画像と同様の方法を用いて、対象物の所定の位置で取得した画像である。対象物の所定の位置とは対象物内の同一座標とは限らず対象物の同様な構造を有する位置を含む。例えば、パターンがある場合は同一形状パターンの位置、パターンがない場合は同じ膜構成の位置を含む。

Ｓ４２０では、処理条件推定装置３００の特徴量算出部が、入力した画像の特徴量を算出する。Ｓ３２０と同様に、本実施形態では１７個の特徴量を算出する。

処理条件推定装置３００の推定部が、Ｓ４３０の次元削減を行う。Ｓ４３０では、Ｓ３３０で学習したニューラルネットワーク（学習済みのニューラルネットワーク）を用いて、Ｓ４２０で算出した特徴量（ここでは、１７次元）を、Ｓ３３０と同様に処理条件種類数である次元（ここでは、２次元）に次元削減を行う。このようにして、焦点位置と露光量の処理条件の推定値を算出することができる。

また、ニューラルネットワークの出力値として正規化した処理条件値を使用した場合は、後処理として正規化した値を処理条件値に戻す処理を行ってもよい。また、複数の特徴量と処理条件推定関数との組合せがある場合は、それぞれの結果を総合して処理条件推定値を算出してもよい。

また、Ｓ４４０とＳ４５０によって、処理条件推定値の確度を算出することができる。確度とは、推定された処理条件の正確性を評価する値である。例えば、学習データと処理条件を推定したデータとの違いで、学習データとの違いが大きければ、推定した処理条件は誤差が大きい可能性があることを示している。

Ｓ４４０では、Ｓ４３０で求めた処理条件推定値を入力としてＳ３４０で学習したニューラルネットワーク（学習済みのニューラルネットワーク）を用いて各特徴量を推定する。Ｓ４５０では、Ｓ４４０で推定された各特徴量とＳ４２０で算出された入力画像から求めた特徴量との差の２乗和を確度として出力する。この場合、確度は０に近いほど確度が高いことになる。

（ｄ３．確度算出方法：次元削減を行う場合）
次元削減をニューラルネットワークで行う場合、処理条件推定後に、式（２）で表される確度Ａを求めればよい。ここでは、推定する対象物から取得した画像から求めたj番目の特徴量をＳ_ｊとする。また、推定した処理条件からＳ４４０で推定したｊ番目の特徴量をＰ_ｊとする。なお、σ_ｊは補正係数（定数）である。

ここでは、対象物の測定データとしてパターン形状のＳＥＭ画像を用いたが、測定データとしてはＳＥＭ画像以外を用いることもできる。例えば、対象物の反射光スペクトルを測定データとして対象物上に形成された薄膜の処理条件（処理時間やガス流量や温度や圧力など）を推定してもよい。また、確度は上記に限らず処理条件推定精度を評価する値であればどのように求めてもよい。

（ｄ４．作用効果）
このように、他の実施形態も、対象物の形状などを制限することなく、処理条件を推定することができる。

以上、本発明の実施形態について説明してきたが、これらのうち、２つ以上の実施例を組み合わせて実施しても構わない。あるいは、これらのうち、１つの実施例を部分的に実施しても構わない。

また、本発明は、上記発明の実施形態の説明に何ら限定されるものではない。特許請求の範囲の記載を逸脱せず、当業者が容易に想到できる範囲で種々の変形態様もこの発明に含まれる。例えば、入力部は、入力された画像データに対して、ノイズ除去などのフィルタ処理を行ってもよい。また、異なる処理条件で作成された対象物の同一箇所の測定データを取得し、この画像から特徴量を抽出してもよい。また、ＬＬＥなどの多様体学習やニューラルネットワークに限られず、他の機械学習法を用いてもよい。

また、抽出された特徴量と処理条件との関係を解析し、関係ルールを生成してもよい。条件振りを行う処理条件が露光処理の焦点位置と露光量の片方だけであってもよい。また、条件振りを行う処理条件がエッチングや薄膜成長などの処理時間、ＲＦパワー、処理温度、処理圧力、ガス流量のいずれか、または、組み合わせであってもよい。特徴量が画素値、線幅、スペース幅、パターン・ピッチ、曲率、エッジ位置、傾斜、エッジ幅、パターン面積、スペース面積、反射光スペクトルなど対象物測定データと測定データから抽出されるデータのいずれか、または、組み合わせであってもよい。また、本実施形態に係る処理条件推定装置は、半導体ウェハに限らず、マスク（フォトマスク、ＥＵＶマスクなど）やＦＰＤやインターポーザやＴＳＶｓ（Ｔｈｒｏｕｇｈ－ＳｉｌｉｃｏｎＶｉａｓ）プリント基板にも適用可能である。

１００半導体製造システム
２００露光装置
３００中央演算処理装置（処理条件推定装置）
４００形状測定装置（ＣＤ－ＳＥＭ）

Claims

対象物を処理した処理条件を推定する処理条件推定装置であって、
処理後の前記対象物の所定の位置で取得した、前記処理条件の種類数よりも多い次元数である測定データを入力する入力部と、
測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記処理条件の種類数と同じ次元数まで前記測定データの次元削減を行うことによって、前記対象物を処理した１つの処理条件を推定する推定部と、
を備える処理条件推定装置。
前記処理条件の種類数は複数であり、前記対象物を処理した１つの処理条件は前記処理条件の種類数と同じ次元の座標空間の１点である請求項１に記載の処理条件推定装置。
前記推定部は、前記次元削減後の前記処理条件間の間隔を評価する請求項１に記載の処理条件推定装置。
前記推定部は、前記入力された測定データから特徴量を算出する請求項１に記載の処理条件推定装置。
前記推定部は、前記推定した処理条件の確度を算出する請求項１に記載の処理条件推定装置。
前記処理条件推定関数はニューラルネットワークで構成される請求項１に記載の処理条件推定装置。
前記入力部は、前記測定データの特定部分を設定し、
前記処理条件推定関数は、前記特定部分を入力して前記処理条件の推定値を出力する関数である、請求項１に記載の処理条件推定装置であって、
前記推定部は、前記処理条件推定関数に基づいて、前記特定部分から、前記処理条件を推定する請求項１に記載の処理条件推定装置。
前記特定部分は、前記処理条件に依存して変化する領域を含む請求項７に記載の処理条件推定装置。
前記処理条件推定関数を再学習する請求項１に記載の処理条件推定装置。
前記推定した処理条件を表示する表示部をさらに備える請求項１に記載の処理条件推定装置。
前記測定データが画像である請求項１に記載の処理条件推定装置。
前記処理条件は、露光装置の焦点位置及び露光量のいずれかまたは両方である請求項１に記載の処理条件推定装置。
前記処理条件は、前記対象物上に形成する薄膜の膜厚形成条件及びエッチング条件のいずれかまたは両方である請求項１に記載の処理条件推定装置。
対象物を処理した処理条件を推定する処理条件推定方法であって、
処理後の前記対象物の所定の位置で取得した、前記処理条件の種類数よりも多い次元数である測定データを入力し、
測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記処理条件の種類数と同じ次元数まで前記測定データの次元削減を行うことによって、前記対象物を処理した１つの処理条件を推定する処理条件推定方法。
対象物を処理した処理条件を推定する処理条件推定プログラムであって、
処理後の前記対象物の所定の位置で取得した、前記処理条件の種類数よりも多い次元数である測定データを入力するステップと、
測定データを入力して処理条件の推定値を出力する処理条件推定関数に基づいて、前記入力された測定データから、前記処理条件の種類数と同じ次元数まで前記測定データの次元削減を行うことによって、前記対象物を処理した１つの処理条件を推定するステップと、
をコンピュータに実行させる処理条件推定プログラム。