JP7204911B2 - 基板検査装置、基板検査システム及び基板検査方法 - Google Patents

基板検査装置、基板検査システム及び基板検査方法 Download PDF

Info

Publication number
JP7204911B2
JP7204911B2 JP2021524803A JP2021524803A JP7204911B2 JP 7204911 B2 JP7204911 B2 JP 7204911B2 JP 2021524803 A JP2021524803 A JP 2021524803A JP 2021524803 A JP2021524803 A JP 2021524803A JP 7204911 B2 JP7204911 B2 JP 7204911B2
Authority
JP
Japan
Prior art keywords
substrate
image
captured image
processing
inspected
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
Application number
JP2021524803A
Other languages
English (en)
Other versions
JPWO2020246366A1 (ja
JPWO2020246366A5 (ja
Inventor
修児 岩永
直 西山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of JPWO2020246366A1 publication Critical patent/JPWO2020246366A1/ja
Publication of JPWO2020246366A5 publication Critical patent/JPWO2020246366A5/ja
Priority to JP2022211579A priority Critical patent/JP7471387B2/ja
Application granted granted Critical
Publication of JP7204911B2 publication Critical patent/JP7204911B2/ja
Priority to JP2024062566A priority patent/JP2024096135A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/20—Exposure; Apparatus therefor
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/027—Making masks on semiconductor bodies for further photolithographic processing not provided for in group H01L21/18 or H01L21/34
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Description

本開示は、基板検査装置、基板検査システム及び基板検査方法に関する。
特許文献１には、ウェハに処理を施す複数の処理装置を備えた基板処理システムにおける、ウェハの検査方法が開示されている。この検査方法では、処理装置で処理される前のウェハの表面が撮像され第１の基板画像が取得され、第１の基板画像から特徴量が抽出される。次いで、それぞれ異なる範囲の特徴量に対応して設定された、欠陥検査の基準となる基準画像が複数記憶された記憶部から、第１の基板画像から抽出された特徴量に対応する基準画像が選択される。そして、処理装置で処理された後の基板の表面が撮像され第２の基板画像が取得され、選択された基準画像と第２の基板画像とに基づいて、ウェハの欠陥の有無が判定される。
特開２０１６－２１２００８号公報
本開示にかかる技術は、検査対象基板を撮像した撮像画像に基づく欠陥検査における欠陥検出精度をさらに向上させる。
本開示の一態様は、基板にレジスト膜を形成し、当該基板を露光装置に搬送し、その後、当該露光装置で露光された基板に対し現像処理を行う、塗布、現像装置であって、露光前または露光後の基板を処理する処理モジュールが設けられた処理ブロックと、前記処理ブロックと前記露光装置とを幅方向に連結する中継ブロックと、を備え、前記中継ブロックは、前記露光装置に基板を搬入出する搬入出機構が設けられ、前記処理ブロックは、上下方向に多層化されており、それぞれが基板を搬送する複数の搬送機構が、上下方向に沿って、複数の搬送領域の各搬送領域内に設けられ、前記搬送領域それぞれは前記幅方向に延びており、前記処理ブロックにおける、前記中継ブロックの前記搬入出機構がアクセス可能な高さ位置の層は、前記中継ブロック側端に、両ブロック間で基板を受け渡す際に当該基板が載置される受渡部が設けられ、前記幅方向と直交する奥行き方向において前記搬送領域を間に挟む２つの領域の少なくとも一方に、露光前の基板を収容する露光前収容部が、前記幅方向に沿って複数設けられ、前記２つの領域内の前記露光前収容部が設けられてない部分に、基板に対し状態変化をもたらさない非処理ユニットが設けられている。
本開示によれば、検査対象基板を撮像した撮像画像に基づく欠陥検査における欠陥検出精度をさらに向上させることができる。
本実施形態にかかる基板検査システムの構成の概略を模式的に示す図である。 各基板処理システムの構成の概略を模式的に示す平面図である。 各基板処理システムの内部構成の概略を模式的に示す正面図である。 各基板処理システムの内部構成の概略を模式的に示す背面図である。 検査用撮像装置の構成の概略を示す縦断面図である。 検査用撮像装置の構成の概略を示す横断面図である。 撮像制御装置及び全体制御装置の基板検査に関する構成の概略を模式的に示すブロック図である。 従来の欠陥検査の一例を説明するための概念図である。 本実施形態にかかる欠陥検査の一例を説明するための概念図である。 実際の撮像画像の画素値と推定画像の画素値との関係を、画像の部分毎に示す図であり、ウェハ全体について示している。 実際の撮像画像の画素値と推定画像の画素値との関係を、画像の部分毎に示す図であり、ウェハ中央部についてのみ示している。 実際の撮像画像の画素値と他の推定画像の画素値との関係を、画像の部分毎に示す図であり、ウェハ全体について示している。 実際の撮像画像の画素値と他の推定画像の画素値との関係を、画像の部分毎に示す図であり、ウェハ中央部についてのみ示している。 全体制御装置の他の例の概略を示すブロック図である。 画素値の平面分布をゼルニケ多項式を用いて複数の画素値の面内傾向成分に分解した状態を示す説明図である。 ウェハ面内の各ピクセル値の画素値を表した説明図である。 ウェハ面内の各ピクセル値をウェハ面内の高さ方向に表した説明図である。 選択部によるモデル作成用の撮像画像セットの選択処理の流れを示す図である。 マハラノビス距離を説明するための図である。 異常度の算出方法を概念的に示す図である。全体制御装置の他の例の概略を示すブロック図である。 マハラノビス距離の算出方法の他の例を説明する図である。
半導体デバイス等の製造工程では、半導体ウェハ（以下、「ウェハ」という。）上にレジスト液を塗布してレジスト膜を形成するレジスト塗布処理、レジスト膜を露光する露光処理、露光されたレジスト膜を現像する現像処理等が順次行われ、ウェハ上にレジストパターンが形成される。そして、レジストパターンの形成処理後に、このレジストパターンをマスクとしたエッチング対象層のエッチング等が行われ、当該エッチング対象層に予め定められたパターンが形成される。なお、レジストパターンの形成の際に、レジスト膜の下層に、レジスト膜以外の膜を形成することもある。
また、上述のようにレジストパターンを形成する際や、レジストパターンを用いてエッチングする際に、各種処理後のウェハに対して欠陥検査が行われることがある。この欠陥検査では、例えば、レジストパターンが適切に形成されているか否かや、ウェハへ異物の付着があるか否か等が検査される。近年では、この欠陥検査に、処理後の検査対象のウェハの表面を撮像した撮像画像が用いられる場合がある。この場合、検査対象のウェハの撮像画像と検査の基準になる基準画像とを比較することで、欠陥検査が行われる。
しかし、処理後の検査対象のウェハの撮像画像には、処理前の検査対象のウェハの表面の状態、つまりは、検査対象のウェハの下地表面の状態等の影響を受け、ムラが生じている。また、処理環境がウェハ間で不均一であるため、上述のムラの状態は、ウェハ毎に異なり、例えば、同じ処理条件でウェハの反射防止膜上にレジスト膜を正常に形成したとしても、レジスト膜形成後のウェハの撮像画像に生じるムラはウェハ毎に異なる。このムラを欠陥と誤判定しないようにする必要がある。
特許文献１には、それぞれ異なる範囲の特徴量に対応して設定され記憶部に記憶された、複数の欠陥の検査の基準となる基板画像から、処理前のウェハの表面が撮像され取得された第１の基板画像から抽出された特徴量に対応する基板画像を選択することが開示されている。特許文献１では、選択された基板画像と、処理後の基板の表面が撮像され取得された第２の基板画像とに基づいて、ウェハの欠陥の有無が判定される。
上記ムラが有る場合において、特許文献１のようにして選択された基板画像を用いた欠陥検査より、さらに高い欠陥検出精度が求められることがある。
そこで、本開示にかかる技術は、検査対象基板を撮像した撮像画像に基づく欠陥検査における欠陥検出精度をさらに向上させる。
以下、本実施形態にかかる基板検査装置、基板検査システム及び基板検査方法を、図面を参照して説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する要素については、同一の符号を付することにより重複説明を省略する。
図１は、本実施形態にかかる基板検査システムの構成の概略を模式的に示す図である。
図示するように、基板検査システム１は、複数の基板処理システム１０と、全体制御装置２０とを有している。なお、基板検査システム１が有する基板処理システム１０の台数は１つであってもよい。
各基板処理システム１０は、基板としてのウェハを処理するものであり、本例では、ウェハ上にレジストパターンを形成するための処理等をウェハに対し行う。
図２は、各基板処理システム１０の構成の概略を模式的に示す平面図である。図３及び図４は、各基板処理システム１０の内部構成の概略を模式的に示す、各々正面図と背面図である。
各基板処理システム１０は、図２に示すように、複数枚のウェハＷを収容したカセットＣが搬入出されるカセットステーション１００と、ウェハＷに予め定められた処理を施す複数の処理装置を有する処理ステーション１０１と、を有する。各基板処理システム１０は、カセットステーション１００と、処理ステーション１０１と、処理ステーション１０１に隣接する露光装置１０２との間でウェハＷの受け渡しを行うインターフェイスステーション１０３と、を一体に接続した構成を有している。
カセットステーション１００には、カセット載置台１１０が設けられている。カセット載置台１１０には、基板処理システム１０の外部に対してカセットＣを搬入出する際に、カセットＣを載置するカセット載置板１１１が複数設けられている。
カセットステーション１００には、Ｘ方向に延びる搬送路１１２上を移動自在なウェハ搬送装置１１３が設けられている。ウェハ搬送装置１１３は、上下方向及び鉛直軸周り（θ方向）にも移動自在であり、各カセット載置板１１１上のカセットＣと、後述する処理ステーション１０１の第３のブロックＧ３の受け渡し装置との間でウェハＷを搬送できる。
処理ステーション１０１には、各種装置を備えた複数例えば４つのブロック、すなわち第１のブロックＧ１～第４のブロックＧ４が設けられている。例えば処理ステーション１０１の正面側（図２のＸ方向負方向側）には、第１のブロックＧ１が設けられ、処理ステーション１０１の背面側（図２のＸ方向正方向側、図面の上側）には、第２のブロックＧ２が設けられている。また、処理ステーション１０１のカセットステーション１００側（図２のＹ方向負方向側）には、第３のブロックＧ３が設けられ、処理ステーション１０１のインターフェイスステーション１０３側（図２のＹ方向正方向側）には、第４のブロックＧ４が設けられている。
第１のブロックＧ１には、処理液を用いてウェハＷを処理する基板処理装置である液処理装置が配列されている。具体的には、第１のブロックＧ１には、液処理装置として、図３に示すように、例えば現像処理装置１２０、下層膜形成装置１２１、中間層膜形成装置１２２、レジスト塗布装置１２３が下からこの順に配置されている。
現像処理装置１２０は、ウェハＷを現像処理する。具体的には、現像処理装置１２０は、ウェハＷのレジスト膜上に現像液を供給し、レジストパターンを形成する。
下層膜形成装置１２１は、ウェハＷのレジスト膜の下地膜である下層膜を形成する。具体的には、下層膜形成装置１２１は、下層膜を形成するための材料となる下層膜材料をウェハＷ上に塗布し、下層膜を形成する。下層膜は例えばＳＯＣ（スピンオンカーボン）膜である。
中間層膜形成装置１２２は、ウェハＷの下層膜上であってレジスト膜の下方の位置に中間層膜を形成する。具体的には、中間層膜形成装置１２２は、ウェハＷの下層膜上に、中間層膜を形成するための材料となる中間層膜材料を塗布し、中間層膜を形成する。中間層膜は例えばＳＯＧ（スピンオングラス）膜である。
レジスト塗布装置１２３は、ウェハＷにレジスト液を塗布してレジスト膜を形成する。具体的には、レジスト塗布装置１２３は、ウェハＷの中間層膜の上に、レジスト液を塗布し、レジスト膜を形成する。
例えば現像処理装置１２０、下層膜形成装置１２１、中間層膜形成装置１２２、レジスト塗布装置１２３は、それぞれ水平方向に３つ並べて配置されている。なお、これら現像処理装置１２０、下層膜形成装置１２１、中間層膜形成装置１２２、レジスト塗布装置１２３の数や配置は、任意に選択できる。
これら現像処理装置１２０、下層膜形成装置１２１、中間層膜形成装置１２２、レジスト塗布装置１２３では、例えば、スピン塗布法により、予め定められた処理液がウェハＷ上に塗布される。スピン塗布法では、例えば塗布ノズルからウェハＷ上に処理液を吐出すると共に、ウェハＷを回転させて、処理液をウェハＷの表面に拡散させる。
第２のブロックＧ２には、ウェハＷが載置される熱板や冷却板を用いてウェハＷの加熱や冷却といった熱処理を行う基板処理装置である熱処理装置１３０が上下方向と水平方向に並べて設けられている。これら熱処理装置１３０の数や配置は、任意に選択できる。また、熱処理装置１３０には、それぞれ公知の装置を用いることができる。
第３のブロックＧ３には、複数の受け渡し装置１４０、１４１、１４２、１４３、１４４が下から順に設けられ、その上に検査用撮像装置１４５、１４６、１４７が下から順に設けられている。また、第４のブロックＧ４には、複数の受け渡し装置１５０、１５１、１５２が下から順に設けられ、その上に検査用撮像装置１５３、１５４が設けられている。
ここで、検査用撮像装置１４５の構成について説明する。
図５及び図６はそれぞれ、検査用撮像装置１４５の構成の概略を示す縦断面図及び横断面図である。
検査用撮像装置１４５は、図５及び図６に示すように、ケーシング２００を有している。ケーシング２００内には、ウェハＷが載置される載置台２０１が設けられている。この載置台２０１は、モータ等の回転駆動部２０２によって、回転、停止が自在である。ケーシング２００の底面には、ケーシング２００内の一端側（図６中のＸ方向負方向側）から他端側（図６中のＸ方向正方向側）まで延伸するガイドレール２０３が設けられている。載置台２０１と回転駆動部２０２は、ガイドレール２０３上に設けられ、駆動装置２０４によってガイドレール２０３に沿って移動できる。
ケーシング２００内の他端側（図６のＸ方向正方向側）の側面には、撮像部２１０が設けられている。撮像部２１０には、例えば広角型のＣＣＤカメラが用いられている。
ケーシング２００の上部中央付近には、ハーフミラー２１１が設けられている。ハーフミラー２１１は、撮像部２１０と対向する位置に、鏡面が鉛直下方を向いた状態から撮像部２１０の方向に向けて４５度上方に傾斜した状態で設けられている。ハーフミラー２１１の上方には、照明装置２１２が設けられている。ハーフミラー２１１と照明装置２１２は、ケーシング２００内部の上面に固定されている。照明装置２１２からの照明は、ハーフミラー２１１を通過して下方に向けて照らされる。したがって、照明装置２１２の下方にある物体によって反射した光は、ハーフミラー２１１でさらに反射して、撮像部２１０に取り込まれる。すなわち、撮像部２１０は、照明装置２１２による照射領域にある物体を撮像することができる。そして、撮像部２１０による撮像結果は、後述の撮像制御装置２５１に入力される。
なお、検査用撮像装置１４６、１４７、１５３、１５４の構成は、上述の検査用撮像装置１４５の構成と同様である。
図２～図４を用いた各基板処理システム１０の説明に戻る。
図２に示すように第１のブロックＧ１～第４のブロックＧ４に囲まれた領域には、ウェハ搬送領域Ｄが形成されている。ウェハ搬送領域Ｄには、例えばＹ方向、Ｘ方向、θ方向及び上下方向に移動自在な搬送アーム１６０ａを有する、ウェハ搬送装置１６０が複数配置されている。ウェハ搬送装置１６０は、ウェハ搬送領域Ｄ内を移動し、周囲の第１のブロックＧ１、第２のブロックＧ２、第３のブロックＧ３及び第４のブロックＧ４内の所望の装置にウェハＷを搬送できる。
また、ウェハ搬送領域Ｄには、図４に示すように、第３のブロックＧ３と第４のブロックＧ４との間で直線的にウェハＷを搬送するシャトル搬送装置１７０が設けられている。
シャトル搬送装置１７０は、例えば図４のＹ方向に直線的に移動自在になっている。シャトル搬送装置１７０は、ウェハＷを支持した状態でＹ方向に移動し、第３のブロックＧ３の受け渡し装置１４２と第４のブロックＧ４の受け渡し装置１５２との間でウェハＷを搬送できる。
図２に示すように第３のブロックＧ３のＸ方向正方向側の隣には、ウェハ搬送装置１８０が設けられている。ウェハ搬送装置１８０は、例えばＸ方向、θ方向及び上下方向に移動自在な搬送アーム１８０ａを有している。ウェハ搬送装置１８０は、ウェハＷを支持した状態で上下に移動して、第３のブロックＧ３内の各受け渡し装置にウェハＷを搬送できる。
インターフェイスステーション１０３には、ウェハ搬送装置１９０と受け渡し装置１９１が設けられている。ウェハ搬送装置１９０は、例えばＹ方向、θ方向及び上下方向に移動自在な搬送アーム１９０ａを有している。ウェハ搬送装置１９０は、例えば搬送アーム１９０ａにウェハＷを支持して、第４のブロックＧ４内の各受け渡し装置、受け渡し装置１９１及び露光装置１０２との間でウェハＷを搬送できる。
また、基板処理システム１０には、搬送・プロセス制御装置２５０と、基板検査装置としての撮像制御装置２５１とが設けられている。
搬送・プロセス制御装置２５０（以下、「主制御装置２５０」ということがある。）は、例えばＣＰＵやメモリ等を備えたコンピュータであり、プログラム格納部（図示せず）を有している。このプログラム格納部には、上述の各種処理装置や搬送装置等の駆動系の動作を制御して、ウェハＷに対して各種処理を行うためのプログラムが格納されている。なお、上記プログラムは、コンピュータに読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から主制御装置２５０にインストールされたものであってもよい。プログラムの一部または全ては専用ハードウェア（回路基板）で実現してもよい。
撮像制御装置２５１は、主制御装置２５０と同様、例えばＣＰＵやメモリ等を備えたコンピュータであり、プログラム格納部（図示せず）を有している。このプログラム格納部には、各検査用撮像装置の撮像部や駆動系の動作を制御して、基板検査に関する処理を制御するプログラムが格納されている。なお、上記プログラムは、コンピュータに読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から撮像制御装置２５１にインストールされたものであってもよい。プログラムの一部または全ては専用ハードウェア（回路基板）で実現してもよい。
図１を用いた基板検査システム１の説明に戻る。
基板検査システム１は、前述のように、全体制御装置２０を有する。
全体制御装置２０は、例えばＣＰＵやメモリ等を備えたコンピュータであり、プログラム格納部（図示せず）を有している。このプログラム格納部には、後述の画像推定モデルを作成するためのプログラムが格納されている。なお、上記プログラムは、コンピュータで読み取り可能な記憶媒体に記録されていたものであって、当該記憶媒体から全体制御装置２０にインストールされたものであってもよい。プログラムの一部または全ては専用ハードウェア（回路基板）で実現してもよい。
図７は、基板検査に関する、撮像制御装置２５１及び全体制御装置２０の構成の概略を模式的に示すブロック図である。
全体制御装置２０は、図示するように、記憶部３０１と、モデル作成部３０２とを有する。
記憶部３０１は、各種情報を記憶する。この記憶部３０１には、各基板処理システム１０においてウェハＷを検査用撮像装置の撮像部２１０で撮像した結果から取得されるウェハＷの撮像画像が蓄積される。なお、以下では、理解を容易にするために、特に示されない限り、撮像画像や後述の推定画像は、グレースケール画像であるものとする。ただし、これらの画像は、Ｒ成分、Ｇ成分及びＢ成分の少なくともいずれか１つの画像であってもよい。各撮像画像には、撮像されたウェハＷの識別情報や、撮像されたウェハＷの処理に用いられた処理装置の識別情報等が紐付けられている。
モデル作成部３０２は、複数のウェハＷそれぞれについての、基板処理システム１０での所望の処理前の撮像画像及び上記所望の処理後の撮像画像（以下、「基板処理システム１０での処理前後の撮像画像セット」ということがある。）を用い、機械学習により画像推定モデルを作成する。画像推定モデルは、基板処理システム１０での所望の処理前の検査対象ウェハＷの撮像画像から基板処理システム１０での所望の処理後の検査対象ウェハＷの撮像画像を推定するモデルである。言い換えると、画像推定モデルは、上記処理前の検査対象ウェハＷの撮像画像から上記処理後の検査対象ウェハＷの推定画像を生成するモデルである。
画像推定モデルの作成に用いられる機械学習は、例えば、条件付き敵対的生成ネットワーク（Conditional GAN(Generative Adversarial Networks)）による機械学習であり、より具体的には、ｐｉｘ２ｐｉｘである。
また、画像推定モデルは、例えば、条件付き敵対的生成ネットワークやｐｉｘ２ｐｉｘにおいて、入力された任意の画像を変換して偽物画像を生成する生成ネットワーク（Generator）である。
条件付き敵対的生成ネットワークやｐｉｘ２ｐｉｘでは、ニューラルネットワークとして、上記生成ネットワークの他に識別ネットワーク（Discriminator）が用いられる。識別ネットワークは、任意の画像と共に当該任意の画像に対応する本物画像または当該任意の画像に基づいて生成ネットワークによって生成された偽物画像が入力され、当該任意の画像と共に入力された画像が本物画像であるか偽物画像であるかの識別を行う。
そして、条件付き敵対的生成ネットワークによる機械学習やｐｉｘ２ｐｉｘでは、識別ネットワークについて、上記識別が正確に行われるよう識別方法が学習され、また、生成ネットワークについて、識別ネットワークにおいて偽物画像が本物画像であると認識されるよう画像の変換方法が学習される。
モデル作成部３０２では、識別ネットワークに入力される上記任意の画像と当該任意の画像に対応する本物画像との画像セットとして、基板処理システム１０での処理前後の撮像画像セットが用いられる。
モデル作成部３０２で作成された画像推定モデルは、基板処理システム１０の撮像制御装置２５１に送られる。
撮像制御装置２５１は、記憶部３１１と、撮像画像取得部３１２と、推定画像取得部３１３と、判定部３１４と、を有する。
記憶部３１１は、各種情報を記憶する。この記憶部３１１には、例えば、全体制御装置２０のモデル作成部３０２で作成された画像推定モデルが記憶される。
撮像画像取得部３１２は、検査用撮像装置１４５、１４６、１４７、１５３、１５４の撮像部２１０でのウェハＷの撮像結果に基づいて、ウェハＷの撮像画像を取得する。具体的には、撮像画像取得部３１２は、撮像部２１０で撮像された画像に対して必要な画像処理を施し、これにより、ウェハＷの撮像画像として、当該ウェハＷの表面全体の状態を示す画像を生成する。
この撮像画像取得部３１２は、基板処理システム１０での所望の処理前及び上記所望の処理後の検査対象ウェハＷの撮像画像を取得し、また、上記所望の処理前及び所望の処理後の検査対象ウェハＷの撮像画像であって画像推定モデルの作成に用いられる撮像画像を取得する。
推定画像取得部３１３は、撮像画像取得部３１２で取得された、基板処理システム１０での所望の処理前の検査対象ウェハＷの撮像画像と、記憶部３１１に記憶の画像推定モデルとに基づいて、上記所望の処理後の検査対象ウェハＷの推定画像を生成し、取得する。なお、全体制御装置２０で画像推定モデルを用いて上記所望の処理後の検査対象ウェハＷの推定画像を生成するようにし、この生成された推定画像を推定画像取得部３１３が取得するようにしてもよい。
判定部３１４は、撮像画像取得部３１２で取得された、基板処理システム１０での所望の処理後の検査対象ウェハＷの撮像画像に基づいて、当該検査対象ウェハＷの欠陥の有無を判定する。特に、判定部３１４は、撮像画像取得部３１２で取得された上記所望の処理後の検査対象ウェハＷの撮像画像と、推定画像取得部３１３で取得された、上記所望の処理後の検査対象ウェハＷの推定画像とに基づいて、当該検査対象ウェハＷの欠陥の有無を判定する。具体的には、判定部３１４は、上記所望の処理後の検査対象ウェハＷの撮像画像と、上記所望の処理後の検査対象ウェハＷの推定画像とを比較し、比較結果に基づいて、当該検査対象ウェハＷの欠陥の有無を判定する。より具体的には、判定部３１４は、上記所望の処理後の検査対象ウェハＷの撮像画像と、上記所望の処理後の検査対象ウェハＷの推定画像との差分に基づいて、当該検査対象ウェハＷの欠陥の有無を判定する。
続いて、以上のように構成された各基板処理システム１０で行われるウェハＷの処理方法及びウェハＷの検査方法について説明する。なお、以下の説明では、３以上のタイミングでウェハＷの撮像を行っているが、ウェハＷの撮像画像に基づく欠陥検査は、レジストパターン形成後のウェハＷの撮像画像に基づく欠陥検査のみ行うものとする。また、以下のウェハＷに対する処理やウェハＷの検査に先立って、上記欠陥検査に用いられる、レジストパターン形成後のウェハＷについての画像推定モデルの機械学習が完了しているものとする。当該画像推定モデルは、例えば、各基板処理システム１０での、ウェハＷのレジスト膜形成後（すなわちレジストパターン形成前）のウェハＷの撮像画像と、レジストパターン形成後のウェハＷとに基づいて、作成される。
まず、複数のウェハＷを収納したカセットＣが、カセットステーション１００に搬入される。そして、主制御装置２５０の制御の下、カセットＣ内のウェハＷが、第３のブロックＧ３の検査用撮像装置１４５に搬送される。そして、撮像制御装置２５１の制御の下、下層膜等の各種膜を形成する前の、すなわち、初期状態のウェハＷの撮像部２１０による撮像が行われ、撮像画像取得部３１２により、当該初期状態のウェハＷの撮像画像が取得される。
次いで、主制御装置２５０の制御の下、ウェハＷが、第１のブロックＧ１の下層膜形成装置１２１に搬送され、ウェハＷ上に下層膜が形成される。
続いて、ウェハＷが、第２のブロックＧ２の下層膜用の熱処理装置１３０に搬送され、下層膜の加熱処理が行われる。
その後、ウェハＷが、検査用撮像装置１５３へ搬送される。そして、撮像制御装置２５１の制御の下、撮像部２１０による下層膜形成後のウェハＷの撮像が行われ、当該下層膜形成後のウェハＷの撮像画像が取得される。
次いで、主制御装置２５０の制御の下、ウェハＷが、第１のブロックＧ１の中間層膜形成装置１２２に搬送され、ウェハＷの下層膜上に中間層膜が形成される。
続いて、ウェハＷが、第２のブロックＧ２の中間層用の熱処理装置１３０に搬送され、中間層膜の加熱処理が行われる。
その後、ウェハＷが、検査用撮像装置１４６へ搬送される。そして、撮像制御装置２５１の制御の下、撮像部２１０による中間層膜形成後のウェハＷの撮像が行われ、撮像画像取得部３１２により、当該中間層膜形成後のウェハＷの撮像画像が取得される。
次いで、主制御装置２５０の制御の下、ウェハＷが、第１のブロックＧ１のレジスト塗布装置１２３に搬送され、ウェハＷの中間層膜上にレジスト膜が形成される。
続いて、ウェハＷが、第２のブロックＧ２のＰＡＢ処理用の熱処理装置１３０に搬送され、ＰＡＢ処理が行われる。
その後、ウェハＷが、検査用撮像装置１５３へ搬送される。そして、撮像制御装置２５１の制御の下、撮像部２１０によるレジスト膜形成後のウェハＷの撮像が行われ、撮像画像取得部３１２により、当該レジスト膜形成後のウェハＷの撮像画像が取得される。
次いで、ウェハＷが、主制御装置２５０の制御の下、露光装置１０２に搬送され、所望のパターンに露光される。
続いて、ウェハＷが、第２のブロックＧ２のＰＥＢ処理用の熱処理装置１３０に搬送され、ＰＥＢ処理が行われる。
次に、ウェハが、第１のブロックＧ１の現像処理装置１２０に搬送され、現像処理が行われ、当該ウェハＷ上にレジストパターンが形成される。
その後、ウェハＷが検査用撮像装置１４７に搬送される。そして、撮像制御装置２５１の制御の下、撮像部によるレジストパターン形成後のウェハＷの撮像が行われ、撮像画像取得部３１２により、当該レジストパターン形成後のウェハＷの撮像画像が取得される。
次いで、撮像画像取得部３１２で取得されたレジストパターン形成後のウェハＷの撮像画像に基づいて、レジストパターン形成後のウェハの欠陥の有無が判定される。具体的には、レジスト膜形成後（すなわちレジストパターン形成前）のウェハＷの撮像画像と、予め作成されたレジストパターン形成後のウェハＷについての画像推定モデルとに基づいて、レジストパターン形成後のウェハＷの推定画像が推定画像取得部３１３により生成される。そして、判定部３１４により、レジストパターン形成後のウェハＷの撮像画像と上記推定画像とに基づいて、レジストパターン形成後のウェハＷ（すなわち検査対象ウェハＷ）の欠陥の有無が判定される。
この欠陥の有無の判定では、例えば、レジストパターン形成後のウェハＷについて、撮像画像と推定画像とが比較され、両画像の画素値に閾値以上の差がある部分は、欠陥が存在する部分と判定され、それ以外の部分は、欠陥がない部分と判定される。
なお、上述の判定の際、レジストパターン形成後のウェハＷについての画像推定モデルの作成が完了してなければ、従来と同様にして、当該ウェハＷの欠陥の有無が判定される。また、上記推定モデルの作成が完了していなければ、当該ウェハＷについての、レジスト膜形成後の撮像画像とレジストパターン形成後の撮像画像が、全体制御装置２０のモデル作成部３０２に入力され、上記モデルの機械学習が進められる。
上記判定が終了すると、すなわち、欠陥検査が終了すると、ウェハＷが、主制御装置２５０の制御の下、カセットＣに戻され、当該ウェハＷに対する処理が完了する。そして、上述の処理が、他のウェハＷについても行われる。
以上のように、本実施形態では、複数のウェハＷそれぞれについての、基板処理システム１０での所望の処理前の撮像画像及び上記所望の処理後の撮像画像を用い、機械学習により作成された画像推定モデルが使用される。この画像推定モデルは、基板処理システム１０での所望の処理前のウェハＷの撮像画像から上記所望の処理後のウェハＷの推定画像を作成するモデルである。本実施形態では、上記画像推定モデルと、上記所望の処理前の検査対象ウェハＷの撮像画像とに基づいて、上記所望の処理後の検査対象ウェハＷの推定画像が生成され取得される。そして、上記所望の処理後の検査対象ウェハＷについて実際に取得された撮像画像と、上記推定画像とに基づいて、当該検査対象ウェハＷの欠陥の有無の判定が行われる。つまり、検査対象ウェハＷ毎に適した、欠陥検査の基準となる基準画像に基づいて、検査対象ウェハの欠陥の有無の判定が行われる。そのため、欠陥検出精度を向上させることができる。具体的には、欠陥検査の基準となる基準画像が、上記画像推定モデルに基づいて生成された推定画像であるため、所望の処理後の検査対象ウェハＷについての、撮像画像と推定画像すなわち基準画像とでムラが略同じになる。したがって、ムラが欠陥として検出される可能性が低いため、欠陥検出精度を向上させることができる。つまり、欠陥の有無の判定の際に、所望の処理後の検査対象ウェハＷについて、前述のように、撮像画像と推定画像とを比較する場合、ムラを欠陥として誤検知するおそれがないため、前述の閾値を小さくすることができる。そのため、閾値が大きい場合に検出することができないような欠陥を検知することができる。
図８及び図９を用いて、本実施形態にかかる欠陥検査の効果についてさらに具体的に説明する。
図８は、従来の欠陥検査の一例を説明するための概念図であり、図９は、本実施形態にかかる欠陥検査の一例を説明するための概念図である。図８及び図９において、横軸は、ウェハ上のある方向に沿った各部分の当該方向に関する座標を示し、縦軸は、上記各部分の画素値等の値を示す。図８（Ａ）には、検査対象ウェハＷの撮像画像Ｉｐと後述の平均画像Ｉａの関係の一例が示され、図８（Ｂ）には、検査対象ウェハＷの撮像画像Ｉｐと後述の平均画像Ｉａとの差分が示され、図８（Ｃ）には、従来の欠陥検査にかかる後述の欠陥判定値Ｖｃの一例が示されている。図９（Ａ）には、検査対象ウェハＷの撮像画像Ｉｐと対応する推定画像Ｉｅの関係の一例が示され、図９（Ｂ）には、本実施形態にかかる後述の欠陥判定値Ｖの一例が示されている。
従来の欠陥検査では、例えば、所望の処理後の複数枚のウェハＷについて、撮像画像を取得し、当該複数のウェハＷの撮像画像から平均画像Ｉａと標準偏差画像Ｉｓとが取得される。平均画像Ｉａは、上記複数のウェハＷの撮像画像における各画素の平均値を、各画素の画素値とする画像であり、例えば、検査対象ウェハＷの撮像画像Ｉｐと図８（Ａ）に示すような関係にある。また、標準偏差画像Ｉｓは、上記複数のウェハＷの撮像画像における各画素の標準偏差を、各画素の画素値とする画像である。
そして、従来の欠陥検査では、検査対象ウェハＷの撮像画像Ｉｐと上記平均画像Ｉａとの差分が算出される。上記差分において有意な値を有する部分には、図８（Ｂ）に示すように、欠陥部分だけでなく、ムラに起因する部分も含まれる。そのため、ムラを除去するためのバリエーションフィルタとして上記標準偏差画像Ｉｓが適用され、欠陥判定値Ｖｃが生成される。具体的には、上記差分の画素値の絶対値が上記標準偏差画像Ｉｓの画素値の絶対値を超える画素において、画素毎に、上記差分の画素値から標準偏差画像Ｉｓの画素値が差し引かれ、図８（Ｃ）に示すような欠陥判定値Ｖｃが生成される。従来の欠陥検査では、この欠陥判定値において、閾値Ｔｃを超える部分が欠陥と判定される。
しかし、ムラを除去するためのバリエーションフィルタとしての上記標準偏差画像Ｉｓは、ウェハＷ毎に固有のものではなくムラを正確に現したものではない。そのため、図８（Ｃ）に示すように、欠陥判定値において有意な値を有する部分に、欠陥Ｋ１、Ｋ２、Ｋ３に起因する部分だけでなく、ムラＵに起因する部分も含まれる。このムラＵの部分が欠陥として検出されるのを防ぐため、従来の欠陥検査方法では、欠陥判定値に対する上記閾値Ｔｃが大きく設定されている。つまり、検出感度が低く設定されている。そのため、欠陥判定値Ｖｃにおいて大きな値を示す欠陥Ｋ１、Ｋ２だけ検出され、欠陥判定値Ｖｃにおいて小さな値を示す、検出すべき欠陥Ｋ３を検出することができないことがある。
それに対し、本実施形態では、所望の処理後の検査対象ウェハＷの撮像画像Ｉｐと、欠陥検査の基準画像となる推定画像Ｉｅが、例えば、図９（Ａ）に示すような関係にある。そして、例えば、所望の処理後の検査対象ウェハＷの撮像画像Ｉｐと推定画像Ｉｅとの各画素における差分が欠陥判定値Ｖとされ、この欠陥判定値Ｖにおいて、閾値Ｔを超える部分が欠陥と判定される。本実施形態の欠陥判定に用いられる、推定画像Ｉｅは、前述のように、機械学習により作成された画像推定モデルに基づいて作成され、ウェハＷ毎に固有であり、所望の処理前の検査対象ウェハＷの状態が反映されている。したがって、所望の処理後の検査対象ウェハＷの撮像画像Ｉｐと推定画像Ｉｅとでは、ムラが略同一であり、図９（Ｂ）に示すように、欠陥判定値Ｖにおいて有意な値を示す部分には、ムラに起因する部分が含まれず、欠陥Ｋ１、Ｋ２、Ｋ３に起因する部分のみが含まれる。したがって、上記欠陥判定値Ｖに対する上記閾値Ｔを小さくしても、ムラの部分が欠陥として検出されることがないため、上記閾値Ｔを小さく設定し、すなわち検出感度を高く設定し、欠陥判定値Ｖにおいて小さな値を示す欠陥Ｋ３も正確に検出することができる。
本発明者らは、レジスト膜形成後のウェハＷの撮像画像とレジストパターン形成後のウェハＷの撮像画像とを用いて実際に機械学習により画像推定モデルを作成した。そして、ある検査対象ウェハＷのレジスト膜形成後の撮像画像と、作成した画像推定モデルから、当該検査対象ウェハＷのレジストパターン形成後の推定画像を生成し、当該検査対象ウェハＷのレジストパターン形成後の実際の撮像画像と比較した。その結果を、図１０及び図１１に示す。図１０及び図１１は、上記実際の撮像画像の画素値と上記推定画像の画素値との関係を、画像の部分毎に示す図である。図１０は、ウェハ全体についてのものを示し、図１１は、ウェハ中央部のみについてのものを示している。
図１０及び図１１に示すように、画像の各部分において、上記実際の撮像画像の画素値と、上記推定画像の画素値は、近い値を示していた。特に、図１１に示すように、ウェハ中央部では、上記実際の撮像画像の画素値と上記推定画像の画素値とは略同一であった。
なお、図１０及び図１１は、Ｒ成分の画素値についてのものであるが、Ｇ成分、Ｂ成分においても、Ｒ成分と同様の傾向を示すことが、本発明者らによって確認されている。
以上の説明では、レジスト膜形成後のウェハＷの撮像画像、レジストパターン形成後のウェハＷの撮像画像と、に基づいて、レジストパターン形成後の検査対象ウェハＷについての画像推定モデルを作成していた。これに代えて、下層膜形成前の初期状態のウェハＷの撮像画像と、レジストパターン形成後のウェハＷの撮像画像と、に基づいて、レジストパターン形成後の検査対象ウェハＷについての画像推定モデルを作成してもよい。そして、当該画像推定モデルと、上記初期状態の検査対象ウェハＷの撮像画像とに基づいて、レジストパターン形成後の検査対象ウェハＷの推定画像を推定し、この推定画像に基づき、レジストパターン形成後の検査対象ウェハＷの欠陥検査を行ってもよい。
本発明者らは、上記初期状態のウェハＷの撮像画像とレジストパターン形成後のウェハＷの撮像画像とを用いて実際に機械学習により画像推定モデルを作成した。そして、ある検査対象ウェハＷの上記初期状態の撮像画像と、作成した画像推定モデルから、当該検査対象ウェハＷのレジストパターン形成後の推定画像を生成し、当該検査対象ウェハＷのレジストパターン形成後の実際の撮像画像と比較した。その結果を、図１２及び図１３に示す。図１２及び図１３は、上記実際の撮像画像の画素値と上記推定画像の画素値との関係を、画像の部分毎に示す図である。図１２は、ウェハ全体についてのものを示し、図１３は、ウェハ中央部のみについてのものを示している。
図１２及び図１３に示すように、画像の各部分において、上記実際の撮像画像の画素値と、上記推定画像の画素値は、近い値を示していた。特に、図１３に示すように、ウェハ中央部では、上記実際の撮像画像の画素値と上記推定画像の画素値とは略同一であった。
なお、図１２及び図１３は、Ｒ成分の画素値についてのものであるが、Ｇ成分、Ｂ成分においても、Ｒ成分と同様の傾向を示すことが、本発明者らによって確認されている。
また、下層膜形成後のウェハＷの撮像画像や中間層膜形成後のウェハＷの撮像画像と、レジストパターン形成後のウェハＷの撮像画像と、に基づいて、レジストパターン形成後の検査対象ウェハＷについての画像推定モデルを作成してもよい。そして、当該画像推定モデルと、上記下層膜形成後の検査対象ウェハＷの撮像画像や、中間層膜形成後のウェハとに基づいて、レジストパターン形成後の検査対象ウェハＷの推定画像を推定し、この推定画像に基づき、レジストパターン形成後の検査対象ウェハＷの欠陥検査を行ってもよい。つまり、ｎ種類の処理が行われ各種類の処理前後で検査対象ウェハＷの撮像画像が取得される場合、ｍ（ｍ≦ｎ）種目の処理後の検査対象ウェハＷについての欠陥検査及び画像推定モデルの生成には、以下の撮像画像を用いてもよい。すなわち、ｍ種目の処理直前（言い換えると（ｍ－１）種目の処理後）のウェハＷの撮像画像だけでなく、（ｍ－１）種目の処理直前（言い換えると（ｍ－２）種目の処理後）のウェハＷの撮像画像を用いてもよい。
さらに、本実施形態では、図１１及び図１３の結果を踏まえ、基板処理システム１０での所望の処理後の検査対象ウェハＷの撮像画像と推定画像における、ウェハ中央部のみの画像に基づいて、欠陥検査を行うようにしてもよい。これにより、ムラを欠陥として誤検知する可能性をさらに低下させることができ、より正確に欠陥検出を行うことができる。この場合、欠陥検査に際し、例えば、ウェハＷの周縁部を除外するエッジフィルタが適用される。
なお、画像推定モデルについては、例えば、基板検査システム１が有する複数の基板処理システム１０で取得された撮像画像を用いて、基板処理システム間で共通のものが作成される。
これに代えて、ある基板処理システム１０についての画像推定モデルは、当該基板処理システムで取得された撮像画像のみを用いて作成してもよい。これにより、当該基板処理システム１０の特性を反映した画像推定モデルを作成することができる。
また、画像推定モデルの作成に用いるウェハＷの撮像画像から、欠陥検査で欠陥ありと判定されたウェハＷについての撮像画像を除去するようにしてもよい。これにより、より正確な画像推定モデルを作成することができる。
なお、基板処理システム１０では、複数種類の成膜処理（レジスト膜形成処理後のレジストパターン形成処理を含む）が行われているが、本実施形態にかかる基板検査方法は、単一の成膜処理を行う場合にも適用することができる。また、本実施形態にかかる基板検査方法は、成膜処理以外の処理（例えばエッチング処理等）を行う場合にも適用することができる。
図１４は、全体制御装置の他の例の概略を示すブロック図であり、基板検査に関する構成を示している。
図１４の全体制御装置２０ａは、図７の全体制御装置２０と同様、記憶部３０１とモデル作成部３０２とを有する。そして、全体制御装置２０ａはさらに、多数の撮像画像セットの中から、モデル作成部３０２での画像推定モデルの作成に用いられる撮像画像セット、すなわち、モデル作成用の撮像画像セットを複数選択する選択部４００を有する。なお、撮像画像セットとは、あるウェハＷについての基板処理システム１０による処理前の撮像画像と処理後の撮像画像との組み合わせからなる画像セットである。
選択部４００は、撮像画像セット毎に異常度を決定し、その異常度に基づいて、モデル作成用の撮像画像セットを選択する。上記異常度は、基板処理システム１０での所望の処理前のウェハＷの撮像画像（以下、「ＩＮ画像」ということがある。）における画素値の面内傾向と、基板処理システム１０での処理後のウェハＷの撮像画像（以下、「ＯＵＴ画像」ということがある）における画素値の面内傾向との相関分布を用いて決定される。
選択部４００は、例えば、候補取得部４０１と、係数算出部４０２と、距離算出部４０３と、抽出部４０４と、を有する。
候補取得部４０１は、モデル作成用の撮像画像セットの候補として、複数の撮像画像セットを記憶部３０１から取得する。
係数算出部４０２は、候補取得部４０１が取得した撮像画像セットに含まれるウェハＷの撮像画像毎に、当該撮像画像内の画素値の平面分布を、ゼルニケ（Zernike）多項式を用いて複数の画素値の面内傾向成分にそれぞれ分解し、各面内傾向成分のゼルニケ係数をそれぞれ算出する。
なお、ウェハＷの撮像画像は一般的にＲＧＢ（Ｒｅｄ、Ｇｒｅｅｎ、Ｂｌｕｅ）の３原色で構成されている。そのため各原色Ｒ、Ｇ、Ｂごとに画素値の面内傾向成分Ｚｉを求めることができるが、Ｒ、Ｇ、Ｂ間において画像処理の手法に相違はない。したがって、以下では、特に明記しない場合であっても、全ての原色Ｒ、Ｇ、Ｂについて並行して処理を行っているものとする。
係数算出部４０２では、候補取得部４０１が取得した撮像画像セットに含まれるウェハＷの撮像画像毎に、当該撮像画像の色を、先ずウェハＷの全面にわたって例えばピクセル単位で画素値として数値化する。これによりウェハ面内の画素値の平面分布を求める。そして、係数算出部４０２では、このウェハ面内の画素値の平面分布を複数の画素値の面内傾向成分Ｚｉ（ｉは１以上の整数）に分解する。この複数の画素値の面内傾向成分Ｚｉは、図１５に示すように、ゼルニケ多項式を用いて、ウェハ面内の画素値の平面分布Ｚを複数の成分に分解して表したものである。
ここでゼルニケ多項式について説明する。ゼルニケ多項式は、主に光学分野で用いられる複素関数であり、二つの次数（ｎ，ｍ）を有している。また、半径が１の単位円上の関数でもあり、極座標の引数（ｒ，θ）を有している。このゼルニケ多項式は、光学分野では例えばレンズの収差成分を解析するために使用されており、波面収差をゼルニケ多項式を用いて分解することで各々独立した波面、例えば山型、鞍型等の形状に基づく収差成分を知ることができる。
次に、本実施の形態における、ゼルニケ多項式を用いた画素値の面内傾向成分Ｚｉの求め方について、図１６及び図１７を用いて説明する。図１６は、ウェハＷの面内における各ピクセルＰの画素値の平面分布Ｚを表したものであり、各ピクセルＰの内側に記載されている数値は当該ピクセルＰの画素値を示している。なお、説明を容易にするために、図１６及び図１７においては、Ｘ軸方向に沿った一列のピクセルＰについてのみ記載している。そして、図１６に示す画素値の平面分布Ｚに対してゼルニケ多項式を適用するにあたっては、例えば図１７に示すように、各ピクセルＰの画素値をウェハＷ面上の高さ方向（図１７のＺ方向正方向）に表す。その結果、各ピクセルＰの画素値の平面分布を、３次元に描かれる所定の形状の曲線として捉えることができる。そして、ウェハＷ面内全てのピクセルＰの画素値について、同様にウェハＷ面上の高さ方向に表すことで、ウェハＷ面内の画素値の分布を、３次元の円形の波面として捉えることができる。このように３次元の波面として捉えることでゼルニケ多項式が適用可能となり、ゼルニケ多項式を用いてウェハ面内の画素値の平面分布Ｚを、例えばウェハ面内の上下左右方向の傾き成分、凸状或いは凹状に湾曲する湾曲成分などの複数の画素値の面内傾向成分Ｚｉに分解できる。画素値の面内傾向成分Ｚｉそれぞれの大きさは、ゼルニケ係数により表すことができる。
画素値の面内傾向成分Ｚｉを表すゼルニケ係数は、具体的に極座標の引数（ｒ，θ）及び次数（ｎ，ｍ）を用いて表せられる。以下に一例として１項～９項までのゼルニケ係数を示す。
Ｚ１，ｎ＝０，ｍ＝０ （１）
Ｚ２，ｎ＝１，ｍ＝１ （ｒ・ｃｏｓθ）
Ｚ３，ｎ＝０，ｍ＝－１ （ｒ・ｓｉｎθ）
Ｚ４，ｎ＝２，ｍ＝０ （２ｒ２－１）
Ｚ５，ｎ＝２，ｍ＝２ （ｒ２・ｃｏｓ２θ）
Ｚ６，ｎ＝２，ｍ＝－２ （ｒ２・ｓｉｎ２θ）
Ｚ７，ｎ＝３，ｍ＝１ （（３ｒ３－２ｒ）・ｃｏｓθ）
Ｚ８，ｎ＝３，ｍ＝－１ （（３ｒ３－２ｒ）・ｓｉｎθ）
Ｚ９，ｎ＝４，ｍ＝０ （６ｒ４－６ｒ２＋１）
・
・
・
例えば１項目のゼルニケ係数であるゼルニケ係数Ｚ１はウェハ面内の画素値の平均値を意味し、２番目のゼルニケ係数Ｚ２はウェハ面内における画素値の左右方向の傾き成分、３番目のゼルニケ係数Ｚ３はウェハ面内の画素値の前後方向（ゼルニケ係数Ｚ２の傾きの方向と直交する方向）の傾き成分、４番目のゼルニケ係数はウェハの中心を原点とし周方向については均一であり径方向については次第に増加する画素値の湾曲成分を意味している。
図１４の説明に戻る。
係数算出部４０２では、ウェハ面内の画素値の平面分布Ｚを上述のように分解して得られた、画素値の面内傾向成分Ｚｉそれぞれの値を算出する。具体的には、画素値の面内傾向成分Ｚｉの大きさは上述のとおりゼルニケ係数により表されるので、各ゼルニケ係数の値を求めることで画素値の面内傾向成分Ｚｉそれぞれの値を算出する。
距離算出部４０３は、ゼルニケ多項式における各項毎（次数毎）に、ＩＮ画像でのゼルニケ係数と、ＯＵＴ画像でのゼルニケ係数との相関分布に基づいて、候補取得部４０１が取得した撮像画像セットそれぞれについてマハラノビス距離を算出する。距離算出部４０３は、候補取得部４０１が取得した撮像画像セットそれぞれについて、ゼルニケ多項式における各項毎に、上記相関分布が属する空間（すなわち、ＩＮ画像でのゼルニケ係数とＯＵＴ画像でのゼルニケ係数とからなる分布空間）における、当該撮像画像セットを示す点と、上記相関分布との間のマハラノビス距離ＭＤ（後述の図１９参照）を算出する。
抽出部４０４は、候補取得部４０１が取得した撮像画像セットそれぞれについて、距離算出部４０３で算出したマハラノビス距離に基づいて異常度を決定する。そして、抽出部４０４は、決定した異常度に基づいて、候補取得部４０１が取得した撮像画像セットの中から、モデル作成用の撮像画像セットを抽出し、選択する。
続いて、選択部４００によるモデル作成用の撮像画像セットの選択処理について説明する。図１８は、選択部４００によるモデル作成用の撮像画像セットの選択処理の流れを示す図である。図１９は、マハラノビス距離を説明するための図である。図２０は、異常度の算出方法を概念的に示す図である。
まず、選択部４００の候補取得部４０１が、図示するように、モデル作成用の撮像画像セットの候補として、複数の撮像画像セットを記憶部３０１から取得する（ステップＳ１）。その際、候補取得部４０１は、欠陥検査で「欠陥あり」と判定されたウェハＷについての撮像画像セットは、モデル作成用の撮像画像セットの候補から除外する。候補取得部４０１は、ＩＮ画像に基づく欠陥検査で「欠陥あり」と判定された場合も、ＯＵＴ画像に基づく欠陥検査で「欠陥あり」と判定された場合も、「欠陥あり」と判定されたウェハＷについての撮像画像セットは除外する。
続いて、係数算出部４０２が、候補取得部４０１が取得した撮像画像セットに含まれる撮像画像（すなわちＩＮ画像及びＯＵＴ画像）それぞれに対して、強調処理を行う（ステップＳ２）。上記強調処理は、例えば、各撮像画像におけるコントラストを強調する処理である。これにより、塗布膜が形成されたウェハについての撮像画像であれば、潜在的な塗布ムラを顕在化させることができる。
次いで、係数算出部４０２が、強調処理されたウェハＷの撮像画像毎に、当該撮像画像内の画素値の平面分布を、ゼルニケ多項式を用いて複数の画素値の面内傾向成分Ｚｉに分解し、各面内傾向成分のゼルニケ係数をそれぞれ算出する（ステップＳ３）。言い換えると、係数算出部４０２が、強調処理されたウェハＷの撮像画像毎に（すなわち強調処理されたＩＮ画像及びＯＵＴ画像それぞれについて）、当該画像内の画素値の平面分布を、ゼルニケ多項式を用いて近似し、近似式における各項の係数すなわちゼルニケ係数をそれぞれ算出する。係数算出部４０２は、例えば、ゼルニケ多項式における第１項から第１６項までの、ゼルニケ係数を算出する。係数算出部４０２による上述のようなゼルニケ係数の算出は例えばＲＧＢそれぞれについて行われる。
次に、距離算出部４０３が、候補取得部４０１が取得した撮像画像セットそれぞれについて、ゼルニケ多項式における各項毎に、マハラノビス距離ＭＤを算出する（ステップＳ４）。図１９に示すように、ここで算出される、ゼルニケ多項式における各項毎のマハラノビス距離ＭＤは、ＩＮ画像－ＯＵＴ画像間のゼルニケ係数の分布空間Ｋにおける、算出対象の撮像画像セットを示す点Ｐと、ＩＮ画像でのゼルニケ係数とＯＵＴ画像でのゼルニケ係数との相関分布Ｃとの間のマハラノビス距離である。
なお、マハラノビス距離は、標本点と分布の間の尺度を表すものである。ベクトルｙから平均μ及び共分散Σを持つ分布までのマハラノビス距離ＭＤは以下の式で算出することができる。
Figure 0007204911000001
距離算出部４０３は、ゼルニケ多項式における第１項から第１６項までの各項について、候補取得部４０１が取得した撮像画像セットそれぞれのマハラノビス距離ＭＤを算出する。
また、ゼルニケ多項式における各項毎のマハラノビス距離の算出は、例えばＲＧＢそれぞれについて行われる。
さらに、ゼルニケ多項式における各項毎に算出したマハラノビス距離に対して、該当する項における平均値で除算する規格化処理を行ってもよい。
続いて、抽出部４０４が、距離算出部４０３が撮像画像セットそれぞれについてゼルニケ多項式における各項毎に算出したマハラノビス距離に基づいて、撮像画像セットそれぞれの異常度Ａｂを決定する（ステップＳ５）。例えば、抽出部４０４は、撮像画像セットそれぞれについて、距離算出部４０３がゼルニケ多項式における各項毎に算出したマハラノビス距離ＭＤを足し合わせて、異常度Ａｂを決定する。
より具体的には、抽出部４０４は、例えば、図２０に示すように、距離算出部４０３がゼルニケ多項式における第１～１６項までの各項毎に算出した、Ｒについてのマハラノビス距離ＭＤを、撮像画像セット毎に全て足し合わせる。そして、抽出部４０４は、足し合わせた結果を（すなわち上記マハラノビス距離ＭＤの総和を）、各撮像画像セットのＲについての異常度Ａｂｒに決定する。同様に、抽出部４０４は、例えば、距離算出部４０３がゼルニケ多項式における第１項から第１６項までの各項毎に算出したＧについてのマハラノビス距離ＭＤを、撮像画像セット毎に全て足し合わせ、各撮像画像セットのＧについての異常度Ａｂｇに決定する。また、抽出部４０４は、例えば、距離算出部４０３がゼルニケ多項式における第１項から第１６項までの各項毎に算出したＢについてのマハラノビス距離ＭＤを、撮像画像セット毎に全て足し合わせ、各撮像画像セットのＢについての異常度Ａｂｂに決定する。つまり、抽出部４０４は、ゼルニケ多項式における第１～１６項までの各項毎に且つＲＧＢの各色毎に算出されたマハラノビス距離ＭＤを、ＲＧＢの各色毎に且つ撮像画像セット毎に全て足し合わせる。
なお、撮像画像セットそれぞれについて、距離算出部４０３がゼルニケ多項式における各項毎に算出したマハラノビス距離ＭＤを足し合わせる際、ゼルニケ多項式における各項毎に重みづけを行うようにしてもよい。また、撮像画像セットそれぞれについて、距離算出部４０３がゼルニケ多項式における各項毎に且つＲＧＢの各色毎に算出したマハラノビス距離を足し合わせる際、色毎に重みづけを行うようにしてもよい。
次いで、抽出部４０４は、当該抽出部４０４が決定した異常度Ａｂに対して、異常判定の閾値Ｔｈを設定する（ステップＳ６）。例えば、抽出部４０４は、以下の式に基づいて、閾値Ｔｈｃを算出する。なお、以下の式において、ＡｂＡｖｅは抽出部４０４が決定した異常度Ａｂの平均値を示し、ＡｂＳｔｄは抽出部４０４が決定した異常度Ａｂの標準偏差を示し、ｃは例えば１～３の整数である。
Ｔｈｃ＝ＡｂＡｖｅ＋ｃ×ＡｂＳｔｄ
抽出部４０４は、算出した閾値Ｔｈｃを、異常判定の閾値Ｔｈとして設定する。なお、算出し設定した閾値Ｔｈｃが小さすぎると、後述のステップＳ７のモデル作成用の画像撮像画像セット抽出工程において、必要以上の撮像画像セットがモデル作成用の撮像画像セットから除外される場合もある。したがって、異常判定の閾値Ｔｈの下限値を設けておき、上記式に基づいて算出された閾値Ｔｈｃが上記下限値を下回る場合に、上記下限値を異常判定の閾値Ｔｈとしてもよい。これら、上記式に基づく閾値Ｔｈｃの算出及び異常判定の閾値Ｔｈの設定はＲＧＢそれぞれについて行われる。なお、以下では、Ｒ、Ｇ、Ｂそれぞれについての異常判定の閾値ＴｈをＴｈｒ、Ｔｈｇ、Ｔｈｂとする。
そして、抽出部４０４は、当該抽出部４０４が決定した撮像画像セットそれぞれの異常度Ａｂと、当該抽出部４０４が設定した閾値Ｔｈとに基づいて、モデル作成用の撮像画像セットを抽出し、選択する（ステップＳ７）。具体的には、抽出部４０４は、候補取得部４０１が取得した撮像画像セットのうち、マハラノビス距離ＭＤを足し合わせた異常度Ａｂが異常判定の閾値Ｔｈを超えないものを、モデル作成用の撮像画像セットとして抽出する。より具体的には、抽出部４０４は、以下の条件（ｘ１）～（ｘ３）を全て満たす撮像画像セットをモデル作成用に抽出する。
（ｘ１）Ｒについての異常度Ａｂｒ≧Ｒについての異常判定の閾値Ｔｈｒ
（ｘ２）Ｇについての異常度Ａｂｇ≧Ｇについての異常判定の閾値Ｔｈｇ
（ｘ３）Ｂについての異常度Ａｂｂ≧Ｂについての異常判定の閾値Ｔｈｂ
以上のようにして、大量の撮像画像セットの中から画像推定モデルの学習に最適な画像セットを自動選択することで、画像推定モデルの品質を担保することができ、さらに、この画像推定モデルを用いた欠陥検出の精度を高めることができる。
抽出部４０４による、マハラノビス距離に基づく、モデル作成用の撮像画像セットの抽出方法は上述の例に限られない。例えば、以下のようにしてもよい。
すなわち、抽出部４０４は、例えば、撮像画像セットそれぞれについて、ゼルニケ多項式における各項毎に、距離算出部４０３が算出したマハラノビス距離ＭＤを、異常度Ａｂに設定する。より具体的には、抽出部４０４は、例えば、距離算出部４０３がゼルニケ多項式における第１～１６項までの各項毎に算出した、Ｒについてのマハラノビス距離ＭＤを、各撮像画像セットのＲについての異常度Ａｂｒ１～Ａｂｒ１６に設定する。同様に、抽出部４０４は、例えば、距離算出部４０３がゼルニケ多項式における第１項から第１６項までの各項毎に算出した、Ｇについてのマハラノビス距離ＭＤを、各撮像画像セットのＧについての異常度Ａｂｇ１～Ａｂｇ１６に設定する。また、抽出部４０４は、例えば、距離算出部４０３がゼルニケ多項式における第１項から第１６項までの各項毎に算出した、Ｂについてのマハラノビス距離ＭＤを、各撮像画像セットのＢについての異常度Ａｂｂ１～Ａｂｂ１６に設定する。
そして、抽出部４０４が、該抽出部４０４が設定した異常度Ａｂに対して、ゼルニケ多項式における各項毎に、異常判定の閾値Ｔｈを設定する。例えば、抽出部４０４は、ゼルニケ多項式における第１～第１６項の各項について、閾値Ｔｈｃを算出する。この場合の算出式には例えば前述と同様な式を用いることができる。
抽出部４０４は、ゼルニケ多項式における第１～第１６項の各項について、算出した閾値Ｔｈｃを、異常判定の閾値Ｔｈとして設定する。この例の場合も、前述と同様に、異常判定の閾値Ｔｈの下限値を設けておいてもよい。これら閾値Ｔｈｃの算出及び異常判定の閾値Ｔｈの設定はＲＧＢそれぞれについて行われる。なお、以下では、ゼルニケ多項式における第１～第１６項の各項にかかる、Ｒについての異常判定の閾値Ｔｈを、Ｔｈｒ１～Ｔｈｒ１６とし、Ｇについての異常判定の閾値Ｔｈを、Ｔｈｇ１～Ｔｈｇ１６とし、Ｂについての異常判定の閾値Ｔｈを、Ｔｈｂ１～Ｔｈｂ１６とする。
そして、抽出部４０４は、候補取得部４０１が取得した撮像画像セットのうち、異常度Ａｂが異常判定の閾値Ｔｈを超えるゼルニケ多項式における項（次数）を有さない撮像画像セットを、モデル作成用の撮像画像セットとして抽出する。より具体的には、抽出部４０４は、ｎが１～１６の整数である場合において、以下の条件（ｙ１）～（ｙ３）を全て満たす撮像画像セットをモデル作成用に抽出する。
（ｙ１）ゼルニケ多項式における第ｎ項について異常度Ａｂｒｎ≧閾値Ｔｈｒｎである。
（ｙ２）ゼルニケ多項式における第ｎ項について異常度Ａｂｇｎ≧閾値Ｔｈｇｎである。
（ｙ３）ゼルニケ多項式における第ｎ項について異常度Ａｂｂｎ≧閾値Ｔｈｂｎである。
以上の例では、全ての色、及び、全てのゼルニケ多項式における全項について、マハラノビス距離の算出等を行っていたが、一部の色、一部の項については、マハラノビス距離の算出等を省略するようにしてもよい。マハラノビス距離の算出等を省略する色や上記項の情報は予め記憶部３０１に記憶される。
図２１は、マハラノビス距離の算出方法の他の例を説明する図である。
図２１に示すように、ＩＮ画像でのゼルニケ係数とＯＵＴ画像でのゼルニケ係数との相関分布Ｃが一纏まりとならず、適切なマハラノビス距離を算出することができなくなり、モデル作成用の撮像画像セットを適切に選択できない場合がある。この場合は、相関分布Ｃを複数のサブ相関分布に分割してもよい。例えば、相関分布Ｃを図２１のように２つのサブ相関分布Ｃ１、Ｃ２に分割してもよい。そして、距離算出部４０３が撮像画像セットのマハラノビス距離を算出する際は、当該撮像画像セットが属するサブ相関分布と、当該撮像画像セットを示す点との間のマハラノビス距離を算出するようにしてもよい。
相関分布Ｃのサブ相関分布への分割単位は、例えばウェハＷのロット毎、装置毎、搬送ルート毎すなわち通過モジュール毎である。
今回開示された実施形態はすべての点で例示であって制限的なものではないと考えられるべきである。上記の実施形態は、添付の請求の範囲及びその主旨を逸脱することなく、様々な形態で省略、置換、変更されてもよい。
なお、以下のような構成も本開示の技術的範囲に属する。
（１）基板を検査する基板検査装置であって、
複数の基板それぞれについての基板処理装置による処理前の撮像画像及び処理後の撮像画像を用いて機械学習により作成された画像推定モデルと、前記基板処理装置による処理前の検査対象基板の撮像画像と、に基づく、前記基板処理装置による処理後の前記検査対象基板の推定画像を取得する取得部と、
前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像とに基づいて、当該検査対象基板の欠陥の有無を判定する判定部と、を有する、基板検査装置。
前記（１）では、複数の基板についての処理前後の撮像画像を用いて機械学習により作成された画像推定モデルが使用され欠陥検査の基準となる基準画像が生成され、検査対象基板の欠陥の有無の判定が行われる。欠陥検査の基準となる基準画像が、上記画像推定モデルに基づいて生成された推定画像であるため、処理後の検査対象基板についての、撮像画像と基準画像とでムラが略同じになる。したがって、ムラが欠陥として検出される可能性が低いため、欠陥検出精度を向上させることができる。
（２）前記取得部は、前記基板処理装置による処理後の前記検査対象基板の推定画像を生成する、前記（１）に記載の基板検査装置。
（３）前記判定部は、前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像との差分に基づいて、当該検査対象基板の欠陥の有無を判定する、前記（１）または（２）に記載の基板検査装置。
（４）前記判定部は、前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像における基板中央部の画像に基づいて、当該検査対象基板の欠陥の有無を判定する、前記（１）～（３）のいずれか１に記載の基板検査装置。
前記（４）によれば、より正確に欠陥検査を行うことができる。
（５）前記画像推定モデルは、条件付き敵対的生成ネットワークにおいて、入力された任意の画像を変換して偽物画像を生成する生成ネットワークであり、
前記条件付き敵対的生成ネットワークにおける、任意の画像と共に当該任意の画像に対応する本物画像または当該任意の画像に基づいて生成された前記偽物画像が入力され、当該任意の画像と共に入力された画像が前記本物画像であるか前記偽物画像であるかの識別を行う識別ネットワークについて、前記識別が正確に行われるよう識別方法が機械学習され、
前記生成ネットワークについて、前記識別ネットワークにおいて前記偽物画像が前記本物画像であると認識されるよう画像の変換方法が機械学習される、前記（２）～（５）のいずれか１に記載の基板検査装置。
（６）基板を検査する基板検査システムであって、
基板を処理する基板処理装置と、
制御装置と、を備え、
前記制御装置は、
複数の基板それぞれについての前記基板処理装置による処理前の撮像画像及び処理後の撮像画像を用い、機械学習により画像推定モデルを作成する作成部と、
前記基板処理装置による処理前の検査対象基板の撮像画像と、前記画像推定モデルとに基づいて、前記基板処理装置による処理後の前記検査対象基板の推定画像を生成する生成部と、
前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像とに基づいて、当該検査対象基板の欠陥の有無を判定する判定部と、を有する、基板検査システム。
（７）前記画像推定モデルは、条件付き敵対的生成ネットワークにおいて、入力された任意の画像を変換して偽物画像を生成する生成ネットワークであり、
前記条件付き敵対的生成ネットワークにおける、任意の画像と共に当該任意の画像に対応する本物画像または当該任意の画像に基づいて生成された前記偽物画像が入力され、当該任意の画像と共に入力された画像が前記本物画像であるか前記偽物画像であるかの識別を行う識別ネットワークについて、前記識別が正確に行われるよう識別方法が機械学習され、
前記生成ネットワークについて、前記識別ネットワークにおいて前記偽物画像が前記本物画像であると認識されるよう画像の変換方法が機械学習される、前記（６）に記載の基板検査システム。
（８）前記処理前の基板の撮像画像と前記処理後の基板の撮像画像との組み合わせからなる撮像画像セットであってモデル作成用の画像セットを選択する選択部をさらに備え、
前記選択部は、前記処理前の基板の撮像画像における画素値の面内傾向と、前記処理後の基板の撮像画像における画素値の面内傾向との相関分布を用いて決定される異常度に基づいて、モデル作成用の前記撮像画像セットを選択する、前記（６）または（７）に記載の基板検査システム。
（９）前記選択部は、
モデル作成用の前記撮像画像セットの候補として、複数の前記撮像画像セットを取得する候補取得部と、
取得された前記撮像画像セットに含まれる前記基板の撮像画像毎に、当該撮像画像内の画素値の平面分布を、ゼルニケ多項式を用いて複数の画素値の面内傾向成分にそれぞれ分解し、各面内傾向成分のゼルニケ係数をそれぞれ算出する係数算出部と、
ゼルニケ多項式における各項毎に、前記処理前の前記基板の撮像画像におけるゼルニケ係数と、前記処理後の前記基板の撮像画像におけるゼルニケ係数との相関分布に基づいて、前記撮像画像セットそれぞれのマハラノビス距離を算出する距離算出部と、
前記撮像画像セットそれぞれについて、前記マハラノビス距離に基づいて、異常度を決定すると共に、前記異常度に基づいて、前記候補取得部が取得した前記撮像画像セットの中から、前記モデル作成用の前記撮像画像セットを抽出する抽出部と、を有する、前記（８）に記載の基板検査システム。
（１０）前記抽出部は、
前記撮像画像セットそれぞれについて、前記距離算出部がゼルニケ多項式における各項毎に算出した前記マハラノビス距離を足し合わせて、前記異常度を決定し、
前記取得部が取得した前記撮像画像セットのうち、マハラノビス距離を足し合わせた前記異常度が閾値を超えないものを、前記モデル作成用の前記撮像画像セットとして抽出する、前記（９）に記載の基板検査システム。
（１１）前記異常度は、前記距離算出部がゼルニケ多項式における各項毎に算出したマハラノビス距離であり、
前記抽出部は、前記撮像画像セットのうち、前記異常度が閾値を超えるゼルニケ多項式における項を有さない撮像画像セットを、前記モデル作成用の前記撮像画像セットとして抽出する、前記（９）に記載の基板検査システム。
（１２）基板を検査する基板検査方法であって、
基板処理装置による処理前の検査対象基板の撮像画像を取得する工程と、
基板処理装置による処理後の前記検査対象基板の撮像画像を取得する工程と、
複数の基板それぞれについての前記基板処理装置による処理前の撮像画像及び処理後の撮像画像を用いて機械学習により作成された画像推定モデルと、前記基板処理装置による処理前の検査対象基板の撮像画像と、に基づく、前記基板処理装置による処理後の前記検査対象基板の推定画像を取得する工程と、
前記基板処理装置による処理後の前記検査対象基板の撮像画像と、前記推定画像とに基づいて、当該検査対象基板の欠陥の有無を判定する工程と、を有する、基板検査方法。
（１３）前記画像推定モデルは、条件付き敵対的生成ネットワークにおいて、入力された任意の画像を変換して偽物画像を生成する生成ネットワークであり、
前記条件付き敵対的生成ネットワークにおける、任意の画像と共に当該任意の画像に対応する本物画像または当該任意の画像に基づいて生成された前記偽物画像が入力され、当該任意の画像と共に入力された画像が前記本物画像であるか前記偽物画像であるかの識別を行う識別ネットワークについて、前記識別が正確に行われるよう識別方法が機械学習され、
前記生成ネットワークについて、前記識別ネットワークにおいて前記偽物画像が前記本物画像であると認識されるよう画像の変換方法が機械学習される、前記（１２）に記載の基板検査方法。
（１４）基板を検査する際に用いられる、基板の撮像画像の推定モデルであって、
当該推定モデルは、
基板処理装置による処理前の検査対象基板の撮像画像から、前記基板処理装置による処理後の前記検査対象基板の撮像画像を推定するようにコンピュータを機能させるものであり、
複数の基板それぞれについての前記基板処理装置による処理前の撮像画像及び処理後の撮像画像を用いて、条件付き敵対的生成ネットワークによる機械学習によって作成され、
前記条件付き敵対的生成ネットワークにおいて、入力された任意の画像を変換して偽物画像を生成する生成ネットワークであり、
前記条件付き敵対的生成ネットワークによる機械学習では、任意の画像と共に当該任意の画像に対応する本物画像または当該任意の画像に基づいて生成された前記偽物画像が入力され、当該任意の画像と共に入力された画像が前記本物画像であるか前記偽物画像であるかの識別を行う識別ネットワークについて、前記識別が正確に行われるよう識別方法が学習され、且つ、前記生成ネットワークについて、前記識別ネットワークにおいて前記偽物画像が前記本物画像であると認識されるよう画像の変換方法が学習される、推定モデル。
１ 基板検査システム
２０ 全体制御装置
１２０ 現像処理装置
１２１ 下層膜形成装置
１２２ 中間層膜形成装置
１２３ レジスト塗布装置
１３０ 熱処理装置
２５１ 撮像制御装置
３０２ モデル作成部
３１３ 推定画像取得部
３１４ 判定部
Ｉｅ 推定画像
Ｉｐ 撮像画像
Ｋ１、Ｋ２、Ｋ３ 欠陥
Ｗ ウェハ

Claims (20)

  1. 基板を検査する基板検査装置であって、
    複数の基板それぞれについての基板処理装置による処理前の撮像画像及び処理後の撮像画像を用いて機械学習により作成された画像推定モデルと、前記基板処理装置による処理前の検査対象基板の撮像画像と、に基づく、前記基板処理装置による処理後の前記検査対象基板の推定画像を取得する取得部と、
    前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像とに基づいて、当該検査対象基板の欠陥の有無を判定する判定部と、を有する、基板検査装置。
  2. 前記画像推定モデルは、前記基板処理装置による処理後の前記検査対象基板の推定画像を生成する、請求項１に記載の基板検査装置。
  3. 前記判定部は、前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像との差分に基づいて、当該検査対象基板の欠陥の有無を判定する、請求項１または２に記載の基板検査装置。
  4. 前記判定部は、前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像における基板中央部の画像に基づいて、当該検査対象基板の欠陥の有無を判定する、請求項１～３のいずれか１項に記載の基板検査装置。
  5. 前記画像推定モデルは、条件付き敵対的生成ネットワークにおいて、入力された任意の画像を変換して推定画像を生成する生成ネットワークであり、
    前記条件付き敵対的生成ネットワークにおける、任意の画像と共に当該任意の画像に対応する基板処理後に撮影して得られた撮像画像または当該任意の画像に基づいて生成された前記推定画像が入力され、当該任意の画像と共に入力された画像が前記撮像画像であるか前記推定画像であるかの識別を行う識別ネットワークについて、前記識別が正確に行われるよう識別方法が機械学習され、
    前記生成ネットワークについて、前記識別ネットワークにおいて前記推定画像が前記撮像画像であると認識されるよう画像の変換方法が機械学習される、請求項１～４のいずれか１項に記載の基板検査装置。
  6. 複数の基板それぞれについての前記基板処理装置による処理前の撮像画像及び処理後の撮像画像を用い、機械学習により画像推定モデルを作成する作成部をさらに有する、請求項１～５のいずれか１項に記載の基板検査装置。
  7. 前記処理前の基板の撮像画像と前記処理後の基板の撮像画像との組み合わせからなる撮像画像セットであってモデル作成用の画像セットを選択する選択部をさらに備え、
    前記選択部は、前記処理前の基板の撮像画像における画素値の面内傾向と、前記処理後の基板の撮像画像における画素値の面内傾向との相関分布を用いて決定される異常度に基づいて、モデル作成用の前記撮像画像セットを選択する、請求項６に記載の基板検査装置。
  8. 前記選択部は、
    モデル作成用の前記撮像画像セットの候補として、複数の前記撮像画像セットを取得する候補取得部と、
    取得された前記撮像画像セットに含まれる前記基板の撮像画像毎に、当該撮像画像内の画素値の平面分布を、ゼルニケ多項式を用いて複数の画素値の面内傾向成分にそれぞれ分解し、各面内傾向成分のゼルニケ係数をそれぞれ算出する係数算出部と、
    ゼルニケ多項式における各項毎に、前記処理前の前記基板の撮像画像におけるゼルニケ係数と、前記処理後の前記基板の撮像画像におけるゼルニケ係数との相関分布に基づいて、前記撮像画像セットそれぞれのマハラノビス距離を算出する距離算出部と、
    前記撮像画像セットそれぞれについて、前記マハラノビス距離に基づいて、異常度を決定すると共に、前記異常度に基づいて、前記候補取得部が取得した前記撮像画像セットの中から、前記モデル作成用の前記撮像画像セットを抽出する抽出部と、を有する、請求項７に記載の基板検査装置。
  9. 前記抽出部は、
    前記撮像画像セットそれぞれについて、前記距離算出部がゼルニケ多項式における各項毎に算出した前記マハラノビス距離を足し合わせて、前記異常度を決定し、
    前記候補取得部が取得した前記撮像画像セットのうち、マハラノビス距離を足し合わせた前記異常度が閾値を超えないものを、前記モデル作成用の前記撮像画像セットとして抽出する、請求項８に記載の基板検査装置。
  10. 前記異常度は、前記距離算出部がゼルニケ多項式における各項毎に算出したマハラノビス距離であり、
    前記抽出部は、前記撮像画像セットのうち、前記異常度が閾値を超えるゼルニケ多項式における項を有さない撮像画像セットを、前記モデル作成用の前記撮像画像セットとして抽出する、請求項８に記載の基板検査装置。
  11. 請求項１～１０のいずれか１項に記載の基板検査装置と、
    基板を処理する基板処理装置と、を有する、基板検査システム。
  12. 基板を検査する基板検査方法であって、
    複数の基板それぞれについての基板処理装置による処理前の撮像画像及び処理後の撮像画像を用いて機械学習により作成された画像推定モデルと、前記基板処理装置による処理前の検査対象基板の撮像画像と、に基づく、前記基板処理装置による処理後の前記検査対象基板の推定画像を取得する工程と、
    前記基板処理装置による処理後の前記検査対象基板の撮像画像と、前記推定画像とに基づいて、当該検査対象基板の欠陥の有無を判定する工程と、を有する、基板検査方法。
  13. 前記画像推定モデルは、前記基板処理装置による処理後の前記検査対象基板の推定画像を生成する、請求項１２に記載の基板検査方法。
  14. 前記判定する工程は、前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像との差分に基づいて、当該検査対象基板の欠陥の有無を判定する、請求項１２または１３に記載の基板検査方法。
  15. 前記判定する工程は、前記基板処理装置による処理後の前記検査対象基板の撮像画像と前記推定画像における基板中央部の画像に基づいて、当該検査対象基板の欠陥の有無を判定する、請求項１２～１４のいずれか１項に記載の基板検査方法。
  16. 複数の基板それぞれについての前記基板処理装置による処理前の撮像画像及び処理後の撮像画像を用い、機械学習により画像推定モデルを作成する工程をさらに有する、請求項１２～１５のいずれか１項に記載の基板検査方法。
  17. 前記処理前の基板の撮像画像と前記処理後の基板の撮像画像との組み合わせからなる撮像画像セットであってモデル作成用の画像セットを選択する工程をさらに有し、
    前記選択する工程は、前記処理前の基板の撮像画像における画素値の面内傾向と、前記処理後の基板の撮像画像における画素値の面内傾向との相関分布を用いて決定される異常度に基づいて、モデル作成用の前記撮像画像セットを選択する、請求項１６に記載の基板検査方法。
  18. 前記選択する工程は、
    モデル作成用の前記撮像画像セットの候補として、複数の前記撮像画像セットを取得する工程と、
    取得された前記撮像画像セットに含まれる前記基板の撮像画像毎に、当該撮像画像内の画素値の平面分布を、ゼルニケ多項式を用いて複数の画素値の面内傾向成分にそれぞれ分解し、各面内傾向成分のゼルニケ係数をそれぞれ算出する工程と、
    ゼルニケ多項式における各項毎に、前記処理前の前記基板の撮像画像におけるゼルニケ係数と、前記処理後の前記基板の撮像画像におけるゼルニケ係数との相関分布に基づいて、前記撮像画像セットそれぞれのマハラノビス距離を算出する工程と、
    前記撮像画像セットそれぞれについて、前記マハラノビス距離に基づいて、異常度を決定すると共に、前記異常度に基づいて、取得した前記撮像画像セットの中から、前記モデル作成用の前記撮像画像セットを抽出する工程と、を有する、請求項１７に記載の基板検査方法。
  19. 基板検査処理をコンピュータにより実行させるためのコンピュータプログラムであって、
    前記基板検査処理は、
    複数の基板それぞれについての基板処理装置による処理前の撮像画像及び処理後の撮像画像を用いて機械学習により作成された画像推定モデルと、前記基板処理装置による処理前の検査対象基板の撮像画像と、に基づく、前記基板処理装置による処理後の前記検査対象基板の推定画像を取得し、
    前記基板処理装置による処理後の前記検査対象基板の撮像画像と、前記推定画像とに基づいて、当該検査対象基板の欠陥の有無を判定する、処理を含むコンピュータプログラム。
  20. 基板を検査する際に用いられる、基板の撮像画像の推定モデルであって、
    当該推定モデルは、
    基板処理装置による処理前の検査対象基板の撮像画像から、前記基板処理装置による処理後の前記検査対象基板の撮像画像を推定するようにコンピュータを機能させるものであり、
    複数の基板それぞれについての前記基板処理装置による処理前の撮像画像及び処理後の撮像画像を用いて、条件付き敵対的生成ネットワークによる機械学習によって作成され、
    前記条件付き敵対的生成ネットワークにおいて、入力された任意の画像を変換して推定画像を生成する生成ネットワークであり、
    前記条件付き敵対的生成ネットワークによる機械学習では、任意の画像と共に当該任意の画像に対応する基板処理後に撮影して得られた撮像画像または当該任意の画像に基づいて生成された前記推定画像が入力され、当該任意の画像と共に入力された画像が前記撮像画像であるか前記推定画像であるかの識別を行う識別ネットワークについて、前記識別が正確に行われるよう識別方法が学習され、且つ、前記生成ネットワークについて、前記識別ネットワークにおいて前記推定画像が前記撮像画像であると認識されるよう画像の変換方法が学習される、推定モデル。
JP2021524803A 2019-06-06 2020-05-28 基板検査装置、基板検査システム及び基板検査方法 Active JP7204911B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022211579A JP7471387B2 (ja) 2019-06-06 2022-12-28 モデル作成装置、モデル作成方法及びコンピュータプログラム
JP2024062566A JP2024096135A (ja) 2019-06-06 2024-04-09 基板検査装置

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2019106292 2019-06-06
JP2019106292 2019-06-06
JP2020074213 2020-04-17
JP2020074213 2020-04-17
PCT/JP2020/021160 WO2020246366A1 (ja) 2019-06-06 2020-05-28 基板検査装置、基板検査システム及び基板検査方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2022211579A Division JP7471387B2 (ja) 2019-06-06 2022-12-28 モデル作成装置、モデル作成方法及びコンピュータプログラム

Publications (3)

Publication Number Publication Date
JPWO2020246366A1 JPWO2020246366A1 (ja) 2020-12-10
JPWO2020246366A5 JPWO2020246366A5 (ja) 2022-02-21
JP7204911B2 true JP7204911B2 (ja) 2023-01-16

Family

ID=73652946

Family Applications (3)

Application Number Title Priority Date Filing Date
JP2021524803A Active JP7204911B2 (ja) 2019-06-06 2020-05-28 基板検査装置、基板検査システム及び基板検査方法
JP2022211579A Active JP7471387B2 (ja) 2019-06-06 2022-12-28 モデル作成装置、モデル作成方法及びコンピュータプログラム
JP2024062566A Pending JP2024096135A (ja) 2019-06-06 2024-04-09 基板検査装置

Family Applications After (2)

Application Number Title Priority Date Filing Date
JP2022211579A Active JP7471387B2 (ja) 2019-06-06 2022-12-28 モデル作成装置、モデル作成方法及びコンピュータプログラム
JP2024062566A Pending JP2024096135A (ja) 2019-06-06 2024-04-09 基板検査装置

Country Status (6)

Country Link
US (1) US20220237770A1 (ja)
JP (3) JP7204911B2 (ja)
KR (1) KR20220019717A (ja)
CN (1) CN113994255A (ja)
TW (1) TWI845690B (ja)
WO (1) WO2020246366A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12106468B2 (en) * 2019-10-02 2024-10-01 Prospection Solutions, LLC Foreign material inspection system
JP7431694B2 (ja) * 2020-07-28 2024-02-15 キヤノン株式会社 情報処理装置、膜形成装置、物品の製造方法、およびプログラム
WO2023106157A1 (ja) * 2021-12-10 2023-06-15 東京エレクトロン株式会社 基板検査方法、基板検査プログラム、及び基板検査装置
WO2023120189A1 (ja) * 2021-12-21 2023-06-29 東京エレクトロン株式会社 情報処理方法、情報処理装置及び記憶媒体
US20230274986A1 (en) * 2022-02-25 2023-08-31 Globalwafers Co., Ltd. Systems and methods for generating post-polishing topography for enhanced wafer manufacturing

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018211891A1 (ja) 2017-05-18 2018-11-22 住友電気工業株式会社 異変検出装置及び異変検出方法
JP2020050072A (ja) 2018-09-26 2020-04-02 しげる工業株式会社 車両用ドアトリムのアームレスト取付構造

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7860675B2 (en) 2004-11-05 2010-12-28 Nec Corporation Pattern inspection apparatus, pattern inspection method, and pattern inspection program
JP2008002935A (ja) 2006-06-22 2008-01-10 Tokyo Seimitsu Co Ltd 外観検査方法及び外観検査装置
JP4448181B2 (ja) 2008-03-18 2010-04-07 アドバンスド・マスク・インスペクション・テクノロジー株式会社 パターン検査方法、パターン検査装置及びプログラム
NL2003716A (en) * 2008-11-24 2010-05-26 Brion Tech Inc Harmonic resist model for use in a lithographic apparatus and a device manufacturing method.
JP6004956B2 (ja) 2013-01-29 2016-10-12 株式会社日立ハイテクノロジーズ パターン評価装置、及び、パターン評価装置を備えた外観検査装置
SG11201606207WA (en) * 2014-02-12 2016-09-29 Asml Netherlands Bv Method of optimizing a process window
JP6251647B2 (ja) 2014-07-15 2017-12-20 株式会社ニューフレアテクノロジー マスク検査装置及びマスク検査方法
US10514614B2 (en) * 2015-02-13 2019-12-24 Asml Netherlands B.V. Process variability aware adaptive inspection and metrology
JP6244329B2 (ja) 2015-05-12 2017-12-06 東京エレクトロン株式会社 基板の検査方法、基板処理システム及びコンピュータ記憶媒体
US9915625B2 (en) * 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
US10043261B2 (en) 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
JP6423064B2 (ja) * 2017-11-13 2018-11-14 東京エレクトロン株式会社 基板処理システム
JP7002949B2 (ja) * 2018-01-22 2022-01-20 株式会社日立ハイテク 画像評価方法及び画像評価装置
JP7190495B2 (ja) * 2018-09-03 2022-12-15 株式会社Preferred Networks 推論方法、推論装置、モデルの生成方法及び学習装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018211891A1 (ja) 2017-05-18 2018-11-22 住友電気工業株式会社 異変検出装置及び異変検出方法
JP2020050072A (ja) 2018-09-26 2020-04-02 しげる工業株式会社 車両用ドアトリムのアームレスト取付構造

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
篠崎 隆志，深層学習周辺の最新動向，人工知能 第３３巻 第２号，日本，一般社団法人人工知能学会 JSAI(The Japanese Societ，2018年03月01日，181-188

Also Published As

Publication number Publication date
KR20220019717A (ko) 2022-02-17
JP2023052161A (ja) 2023-04-11
JP2024096135A (ja) 2024-07-12
US20220237770A1 (en) 2022-07-28
WO2020246366A1 (ja) 2020-12-10
JPWO2020246366A1 (ja) 2020-12-10
CN113994255A (zh) 2022-01-28
TWI845690B (zh) 2024-06-21
JP7471387B2 (ja) 2024-04-19
TW202115390A (zh) 2021-04-16

Similar Documents

Publication Publication Date Title
JP7204911B2 (ja) 基板検査装置、基板検査システム及び基板検査方法
US20220101517A1 (en) Substrate defect inspection apparatus, substrate defect inspection method, and storage medium
US11513081B2 (en) Substrate inspection method, substrate treatment system, and computer storage medium
KR101922347B1 (ko) 검사 장치 및 기판 처리 장치
US9146479B2 (en) Substrate reference image creation method, substrate defect inspection method, substrate reference image creation apparatus, substrate defect inspection unit and non-transitory computer storage medium
KR101396907B1 (ko) 결함 분류 방법, 컴퓨터 기억 매체 및 결함 분류 장치
JP7157580B2 (ja) 基板検査方法及び基板検査装置
KR20200140201A (ko) 기판 검사 방법, 기판 검사 시스템 및 제어 장치
TW202434878A (zh) 模型作成裝置、模型作成方法及電腦程式
JP2021097218A (ja) 基板処理方法及び基板処理システム
WO2024101186A1 (ja) 基板検査方法、基板検査装置、及び基板検査プログラム
JP2022189284A (ja) 基板検査装置、基板検査方法及び記憶媒体
JP7425700B2 (ja) 形状特性値推定装置、形状特性値推定方法、及び記憶媒体
TW202345210A (zh) 資訊處理方法、資訊處理裝置及記憶媒體
TW202431460A (zh) 基板檢查方法、基板檢查裝置及基板檢查程式

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20211124

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211124

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: 20221206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221228

R150 Certificate of patent or registration of utility model

Ref document number: 7204911

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150