JP7216822B2 - 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用 - Google Patents

Description

本件開示は欠陥検出及び分類に関する。

（関連出願への相互参照）
本願では、２０１８年１１月１５日付印国特許出願第２０１８４１０４２９１９号に基づく優先権を主張するので、その開示内容を参照により本願に繰り入れるものとする。

半導体製造業の発展に伴い、より多大な要請が歩留まり管理、特に計量及び検査システムでのそれに課されつつある。限界寸法が間断なく縮小されるだけでなく、業界では、高歩留まり高付加価値生産達成所要時間の短縮が求められている。歩留まり問題を察知してからそれを正すまでの合計時間を縮めることが、半導体製造業者にとり投資収益率の決め手となっている。

半導体デバイス例えば論理デバイス及び記憶デバイスを製造する際には、通常、多数の製造プロセスを用い半導体ウェハを処理することで、それら半導体デバイスの様々なフィーチャ（外形特徴）及び複数個の階層が形成される。例えばリソグラフィなる半導体製造プロセスでは、半導体ウェハ上に配置されたフォトレジストにレティクルからパターンが転写される。半導体製造プロセスの別例には、これに限られるものではないが化学機械研磨（ＣＭＰ）、エッチング、堆積及びイオンインプランテーションがある。複数個の半導体デバイスを１枚の半導体ウェハ上に配列をなし作成した後、個別の半導体デバイスへと分けるようにするとよい。

検査プロセスを半導体製造中の諸工程にて用いウェハ側の欠陥を検出することで、その製造プロセスにおける歩留まりの向上、ひいては利益の増進を図ることができる。検査は常に半導体デバイス、例えば集積回路（ＩＣ）の製造の重要部分とされてきた。しかしながら、半導体デバイスの寸法が小さくなるにつれ、小さめの欠陥でもデバイスが不調になりうることから、許容しうる半導体デバイスを上首尾に製造する上で検査がより一層重要になってきている。例えば、半導体デバイスの寸法が小さくなるにつれ、割合に小さな欠陥でもそれら半導体デバイスに不要逸脱が引き起こされることから、サイズが小さくなってきている欠陥の検出が必要になってきている。

しかしながら、デザインルールが縮小されるにつれ、半導体製造プロセスが、それらプロセスの性能限界のより近くで稼働することとなりうる。加えて、デザインルールが収縮されるにつれ、小さめな欠陥でもそのデバイスの電気的パラメタに影響を及ぼしうるようになり、より繊細な検査へと駆り立てられている。デザインルールが縮小されるにつれ、検査により検出される潜在的な歩留まり関連欠陥の集団が劇的に成長し、検査により検出されるヌーサンス欠陥の集団も劇的に肥大する。従って、より多くの欠陥がそれらウェハ上で検出されるであろうから、それらプロセスを補正してそれら欠陥全てをなくすことが困難で費用のかかることになろう。それら欠陥のうち何れがそれらデバイスの電気的パラメタ及び歩留まりに実際に影響するのかを判別することで、それら欠陥に注目しつつもその他を概ね無視するプロセス制御方法に、することができよう。更に、小さめなデザインルールでは、場合にもよるが、プロセス誘起性不調が系統的になりがちである。即ち、そのデザイン内でしばしば多数回反復される所定のデザインパターンにて、プロセス誘起性不調により不調が生じがちである。空間系統的電気関連欠陥をなくすことが、歩留まりに影響を及ぼしうる。

欠陥レビューでは、通常、高倍率光学システムか走査型電子顕微鏡（ＳＥＭ）を用いる検査プロセスにより欠陥がフラグ付けされ、それら欠陥の高分解能撮像及び分類が行われる。欠陥レビューは、通常、試料上にあり検査により欠陥が検出されているとびとびの個所にて実行される。欠陥レビューにより生成される欠陥関連データは分解能が高めであり、それら欠陥の属性例えばプロファイル、粗さ或いはより正確なサイズ情報を判別するのに、より適している。

製造中における半導体ウェハの光学検査は、総じて低速なマニュアルプロセスである。半導体製造プラント（ファブ）所在の欠陥チームは、いつもは光学ツールを用いウェハ検査を行うのであるが、確認の際には欠陥のＳＥＭレビューを実行するのが普通である。即ち、光学検査ツール上で検査された層毎に、欠陥の標本化集団をＳＥＭツール上でレビューする。レビューした欠陥のマニュアル分類は退屈であり時間がかかる。ファブにて自動検出及び分類方式を用いることで、欠陥分類に関わる時間及び労力を節約することができる。しかしながら、それら自動検出及び分類方式には限界があり、人的分類の代替にはならない。自動検出及び分類方式では、多大な情報処理労力が必要なだけでなく、ヌーサンス、即ち複数個の非重要欠陥事例が見出されやすい。最適な半導体層向け検査レシピであるには、実質的に低いヌーサンス率を維持しつつ、極力多くの注目欠陥（ＤＯＩ）を検出できねばならない。

以前は、欠陥の画素レベル定量に、エッジ検出及び情報処理或いはグレーレベル差ベースアルゴリズムが用いられていた。これらの技術は、注目構造におけるプロセス変動誘起性変化に関して柔軟でない。撮像アーチファクトにより引き起こされるグレーレベル変化が、その情報処理に際し誤差源を誘発させることが判明している。見掛けが似た想定・プロセス誘起性ランダム欠陥モード間の区別は難題であろうし、不可能にさえなりうる。

米国特許第６２９２５８２号

そのため、欠陥検出及び分類技術及びシステムにおける改良が必要とされている。

第１実施形態ではシステムが提供される。本システムは、電子ビームを生成する電子ビーム源と、その電子ビームの経路上でウェハを保持するよう構成されたステージと、そのウェハから返される電子ビームを受け取るよう構成された検出器と、その検出器と電子通信するプロセッサとを備える。そのプロセッサが、画像における欠陥候補のヒートマップを各画素に対応する欠陥確率指数の行列として表現し、その画像内にある画素のうちその行列にて対応する閾値を上回るものの個数を定量するよう、構成される。その画像は、検出器から受け取ったデータから生成される。

本システムは、更に、上記プロセッサにより稼働される深層学習モジュールを有するものとすることができる。その深層学習モジュールを、上記画像を受け取り、その画像を対象にして欠陥検出を実行し、且つその画像を対象にして欠陥分類を実行するよう、構成することができる。

ある例では、上記プロセッサが、更に、上記ヒートマップを決定するよう構成される。

上記画素の一員に対応する閾値を、上記画像上で、当該一員の画素と同じ個所に所在させることができる。

上記定量を画素レベル画像定量にて用いることができる。

上記欠陥候補はＥＵＶストキャスティクスや限界寸法欠陥でありうる。

上記画像は走査型電子顕微鏡画像でありうる。

第２実施形態では方法が提供される。本方法では、画像における欠陥候補のヒートマップを、プロセッサを用い、各画素に対応する欠陥確率指数の行列として表現し、且つその画像内にある画素のうちその行列にて対応する閾値を上回るものの個数を、そのプロセッサを用い定量する。その画像は、検出器から受け取ったデータから生成される。

本方法は、更に、上記プロセッサにて上記画像を受け取り、そのプロセッサに備わる深層学習モジュールを用い、その画像を対象にして欠陥検出を実行し、且つそのプロセッサに備わる深層学習モジュールを用い、その画像を対象にして欠陥分類を実行するものと、することができる。

ある例では、本方法にて、更に、上記プロセッサを用い上記ヒートマップが決定される。

上記画素の一員に対応する閾値を、上記画像上で、当該一員の画素と同じ個所に所在させることができる。

上記定量を画素レベル画像定量にて用いることができる。

上記欠陥候補はＥＵＶストキャスティクス又は限界寸法欠陥でありうる。

上記画像は走査型電子顕微鏡画像でありうる。

ある例では、本方法にて、更に、電子ビームをウェハに差し向け、そのウェハから返される電子を検出器で以て集め、且つ上記プロセッサを用い、そのウェハの画像を生成する。

プログラムを格納する非一時的コンピュータ可読媒体を、第２実施形態の方法を実行せよとプロセッサに命令するよう、構成することができる。

本件開示の性質及び目的についてのより遺漏なき理解のためには、後掲の詳細記述と併せ、以下の添付図面を参照すべきである。

本件開示に係る方法の一実施形態のフローチャートである。 ＳＥＭ画像例を示す図である。 ２個の下部ブリッジを伴う別のＳＥＭ画像例（左）、従来アルゴリズムの結果（中央）及びＳＭＡＲＴＳ（商標）アルゴリズムの結果（右）を示す図である。 ウェハヒートマップ例を示す図である。 図４の太枠付領域のうち値が１６．７の領域に関し、１×１μｍＳＥＭ視野の平均直径に対する個別コンタクトホール直径の百分率偏差（左上）、閾値判別により欠陥と判定された画素群を示す二値画像（右上）、１０×１０コンタクトホール行列の１×１μｍＳＥＭ画像（右下）、並びに結果（左下）を示す図である。 図４の太枠付領域のうち値が１９．４の領域に関し、１×１μｍＳＥＭ視野の平均直径に対する個別コンタクトホール直径の百分率偏差（左上）、閾値判別により欠陥と判定された画素群を示す二値画像（右上）、１０×１０コンタクトホール行列の１×１μｍＳＥＭ画像（右下）、並びに結果（左下）を示す図である。 図４の太枠付領域のうち値が１５．７の領域に関し、１×１μｍＳＥＭ視野の平均直径に対する個別コンタクトホール直径の百分率偏差（左上）、閾値判別により欠陥と判定された画素群を示す二値画像（右上）、１０×１０コンタクトホール行列の１×１μｍＳＥＭ画像（右下）、並びに結果（左下）を示す図である。 図４の太枠付領域のうち値が１７．１の領域に関し、１×１μｍＳＥＭ視野の平均直径に対する個別コンタクトホール直径の百分率偏差（左上）、閾値判別により欠陥と判定された画素群を示す二値画像（右上）、１０×１０コンタクトホール行列の１×１μｍＳＥＭ画像（右下）、並びに結果（左下）を示す図である。 図５のＳＥＭ画像におけるコンタクトホールの限界寸法直径を示す図である。 図６のＳＥＭ画像におけるコンタクトホールの限界寸法直径を示す図である。 図７のＳＥＭ画像におけるコンタクトホールの限界寸法直径を示す図である。 図８のＳＥＭ画像におけるコンタクトホールの限界寸法直径を示す図である。 図５～図８の画像に係る結果表を示す図である。 本件開示に係るシステムのブロック図である。

特定の諸実施形態により特許請求の範囲記載の主題につき記述するが、本件開示の技術的範囲内には、本願中で説明される諸利益及び諸特徴が全ては提供されない諸実施形態を含め、他の諸実施形態も存在している。本件開示の技術的範囲から離隔することなく様々な構造的、論理的、処理ステップ的及び電子的変更を施すことができる。従って、本件開示の技術的範囲は専ら別項の特許請求の範囲への参照によって定まる。

本願開示の諸実施形態では、画素レベル画像定量に深層学習式欠陥検出及び／又は分類ネットワークを用いる。例えばＳＥＭ画像の画素レベル定量に深層学習を用いることができる。これは、極端紫外（ＥＵＶ）ストキャスティクス率定量、限界寸法（ＣＤ）計測／比較等の用途にて用いることができる。本願開示の諸実施形態を、既存のレビューツール又は検査ツール向け欠陥検出又は分類方式に統合することができる。

深層学習式欠陥検出及び分類アルゴリズムにより、画素レベルＳＥＭ画像定量を行うことができる。画像の画素レベル定量は半導体製造業者にて必須となりうるものである。例えば、構造に備わる２個のエッジ又はコーナ間の画素数を定量することによって、その構造の特定の幾何パラメタ、例えばパターン幅、ギャップ、距離又は直径を計測する際に、画素レベル定量を限界寸法計測と併用することができる。画素レベル定量をＥＵＶストキャスティクスと併用することもできる。ＥＵＶストキャスティクス適用の目的は、所与ＳＥＭ画像内の欠陥画素のうち、特定の欠陥モード群を起こすものの個数を、定量することにある。そうした欠陥画素は、ハードリピータでもないし、プロセス欠陥のように完全にランダムでもない。これらの用途その他の用途では、所望の結果を得る上で、画素レベル正確度にて諸画像（例．ＳＥＭ画像）を定量することが必要となろう。不調画素及び良好画素の個数を計数するので、画素レベル正確度が必要になりうるのである。例えばストキャスティクスは、パターニングプロセスにおける分子レベル不正確性に起因しうるものであり、そのウェハ上における画素レベル、更にはサブ画素レベルの不調につながっている。深層学習式欠陥検出及び分類アルゴリズムであれば、画素レベル正確度にてＳＥＭ画像の定量を行うことができる。

本願開示の諸実施形態では、画素定量のため深層学習式欠陥検出及び分類（ＫＬＡ－Ｔｅｎｃｏｒ Ｃｏｒｐｏｒａｔｉｏｎ発のＳＭＡＲＴＳ（商標）等）を用いる。これは、深層学習アルゴリズムによりＤＯＩのみがフラグ付けされる一方、構造的又はモルフォロジ的にＤＯＩに似ていたとしてもランダムなプロセス誘起性欠陥にはフラグ付けされないよう、特定の画像セットを適切なやり方で訓練することによって、達成される。

深層学習式欠陥検出及び分類の結果は定量することができる。図１は一実施形態の方法１００のフローチャートである。

１０１では、画像例えばＳＥＭ画像における欠陥候補のヒートマップが、各画素に対応する欠陥確率指数からなる行列として表現される。欠陥候補たりうるものには、ＥＵＶストキャスティクス、限界寸法欠陥、ブリッジ、ライン破断、出っ張り、コンタクト欠落、コンタクト合体、コンタクト収縮その他の種類の欠陥がある。画像は検出器、例えばＳＥＭ内検出器から受け取ったデータをもとに生成される。

画像はグレーレベル画像とすることができ、また白黒画像とすることができる。行列は０及び１で構成されうる。０を欠陥に対応させればよい。グレーレベル画像では、差分が人為的に誘起されること（例．アーチファクト）やプロセス変動であることがある。そうした差分は欠陥でありえない。

１０２では、その画像内の画素のうち、その行列にて対応する閾値を上回るものの個数が定量される。それら画素の一員に対応する閾値を、その画像上で、当該一員の画素と同じ個所に所在させることができる。即ち、各画素に閾値を持たせ、画像の一部分に閾値を持たせ、或いは画像全体に閾値を持たせることができる。ステップ１０２では、画像又は画像の一部分における不調画素の個数を定量することができる。その定量結果を、個数として或いは全画素に占める百分率として、表現することができる。この例では、閾値未満の画素が欠陥ではないと判定される一方、その閾値以上の画素が欠陥と判定されるが、別の例であれば閾値以下の画素が欠陥と判定されることもある。

その検出閾値パラメタを用い、ヌーサンス率を所要レベルに調整することができる。即ち、用途や所要感度を踏まえ閾値を調整することができる。

画素の定量に、画素レベル画像定量を用い又は組み込むことができる。

ステップ１０１及び１０２は、欠陥検出及び欠陥分類中に実時間実行することができる。ステップ１０１及び１０２をプロセッサ上で実行してもよい。本方法１００を非一時的コンピュータ可読媒体上、例えば図１４中の電子データ格納ユニット２０９上に格納してもよい。

例えば、画像をプロセッサにて受け取る。その画像を対象とした欠陥検出及び欠陥分類を、そのプロセッサに備わる深層学習モジュールを用い実行する。ヒートマップを、そのプロセッサにて生成することができる。その深層学習モジュールを、例えば欠陥コード付きの画像例で以て訓練することができる。例えば、コンタクトホール画像を用い深層学習モジュールを訓練することができる。コンタクトホールの理想サイズに比したコンタクトホールサイズを用い、欠陥を識別することができる。

欠陥検出及び分類により定量的出力を提供することができる。その定量的出力を定量に用いることができる。非定量的出力を定量計算に用いることは、より難しいであろう。

深層学習式画素定量では、ランダムなプロセス誘起性変動を上首尾に無視しつつ実際のＤＯＩを感知することができる。本願開示の諸実施形態によれば、訓練セットからの限界寸法予測にて±２％正確度に至る正確さとすること、即ち既存技術における誤差バジェットに比べかなり小値の正確度とすることができる。本願開示の諸実施形態を用いる例にあっては、想定されており又はランダムなプロセス誘起性限界寸法変調を越え、限界寸法予測にて±１％正確度に至る感度を実現することができる。

本願開示の諸実施形態を既存の検出プラットフォーム又は分類プラットフォーム内に統合することができ、またそれら実施形態にて最適化のため既存のパラメタ空間を用いることができる。

一例として、ＥＵＶコンタクトホール（ＣＨ）アレイ現像後検査（ＡＤＩ）工程（ポストリソグラフィ）の供試層を用いた。とはいえ、本願開示の諸技術は何れの非ＡＤＩ工程に関しても有効である。その供試セットでは、０．５μｍ視野でのＳＥＭ画像を用いている。ＳＥＭ画像は、図２に示したそれのように１００個のコンタクトホールを有するものとすることも、他の個数のコンタクトホールを有するものとすることもできる。

本例では、個別視野の平均限界寸法に比べ１０％超小さなサイズを有するコンタクトホールが、欠陥と判定される。しかしながら、製造条件を踏まえつつどのような限界値でも適用することができる。

深層学習式欠陥検出アルゴリズムを訓練し用いることで、確認セットの画像群内のコンタクトホール群のうち、特定画像内の残りのコンタクトホール群に比べある特定の割合だけ小さなものを、識別することができる。深層学習法により欠陥コンタクトホールを識別できたら、それを用い、画像内欠陥画素の個数を定量することができる。画素レベル定量には、ＥＵＶストキャスティクス不調率の定量を初め、多くの用途がある。ＥＵＶストキャスティクス不調それ自体を、より小スケールなエリア群に亘る諸構造の限界寸法変動により、或いは画像内に欠落構造群（例．画素群）を設けることにより、提示することができる。

本例では、ＥＵＶリソグラフィにより露出されコンタクトホールアレイ群が備わる焦点露光行列（ＦＥＭ）ウェハを、供試素材として用いることができる。そのウェハ上のダイ毎に１個のＳＥＭ画像（０．５μｍ視野）を生成することができる。各ＳＥＭ画像内に１００個のコンタクトホールが存在しうる。

ヒートマップが生成された後は、そのヒートマップが、各画素が欠陥である確率を（例０～１００のスケールで）表す確率指数群の行列へと変換される。適用される閾値を踏まえつつ、ある特定の指数値を上回る確率指数を有する画素が欠陥と判定される。所与ＳＥＭ画像又は光路におけるそうした画素の総和が、不調画素の総数として与えられる。それを、その画像内の画素の総数を分母にして正規化し、そのデータにおけるストキャスティクス不調率として提示することができる。

訓練セットを、例えば、平均限界寸法（例．直径）が変動する画像群を斟酌して更に最適化することで、ヌーサンスを更に低減することができる。Ｄ２ＤＢ対応型訓練、例えばデザインクリップ群を基準とするものでも、画素レベル定量にてヌーサンス低減をかなえることができる。Ｄ２ＤＢは、半導体又はデバイスデザインを基準として用いる陥検出技術である。ＳＥＭ画像又は光路が特定個所のデザインクリップと比較され、そのデザインに係る諸画像内のあらゆる異常が欠陥画素としてフラグ付けされる。

深層学習アルゴリズムは小さな限界寸法に対し敏感たりうるので、それを用い局所的限界寸法変動を構造横断的に評価することができる。欠陥を定量する途が提供されるだけではなく、定量の判別を実施して画素レベル欠陥検出用アルゴリズムの性能を改善することができる。

図３～図１３には、検出閾値パラメタを用いた、所要レベルへのヌーサンス率調整が描かれている。一集団をなすコンタクトホール群の平均ＣＤを踏まえ、閾値（Ｔｈｒ）を違えることで、最適な検出結果を提供することができる。

図３に示されているのは、２個の下部ブリッジを伴うＳＥＭ画像例（左）、従来アルゴリズムの結果（中央）及びＳＭＡＲＴＳ（商標）アルゴリズムの結果（右）である。ＳＭＡＲＴＳ（商標）深層学習エンジンにより、ＳＥＭ画像内の欠陥を、従来アルゴリズムよりも良好に検出及び分類することができる。図３中の従来アルゴリズムは強いノイズを呈している。

図４は、各ダイから得られる１個のＳＥＭ画像における、１００個のコンタクトホールの平均直径（例．限界寸法）のウェハヒートマップ例である。本例ではＥＵＶストキャスティクスが提示されている。ＥＵＶストキャスティクスを、大量製造に際するＥＵＶ向けゲーティングファクタとすることができる。本例では、ＥＵＶリソグラフィ（１３．５ｎｍ光）をスケーリングイネーブラとすることができる（７ｎｍ未満ノード）。ストキャスティクスはランダムな（例．局所及び／又は大域的）構造的変動たりうる。その根本原因たりうるのは素材、スキャナパラメタ又は構造依存性である。

図４のヒートマップにて太く黒い境界線内にある３個のダイのＳＥＭ画像（平均直径が１６．７、１７．２及び１７．２）では、対応する画像から得られた１００個のコンタクトホールの平均限界寸法に比べ１０％超小さな個別コンタクトホール全てを用い、それらが欠陥として識別されるよう深層学習モデルを訓練した。その深層学習モデルを用いつつ、太い境界線でマーキングされている３個の個別ダイから得られたＳＥＭ画像（平均直径が１５．７、１７．１及び１９．４）を確認画像として用い、その深層学習モデルの欠陥コンタクトホール識別性能を評価した。

図５～図８中の右下画像は、コンタクトホール行列の１×１μｍＳＥＭ画像を表している。これは１０×１０行列であり１００個のコンタクトを有している。図５～図８中の左上画像には、１×１μｍＳＥＭ視野の平均直径に対する個別コンタクトホール直径の百分率偏差が示されている。図５～図８中の右上画像は、閾値判別により欠陥と判定された画素群を示す二値画像を表している。欠落画素が収縮コンタクトホール上にもし存在していたとしたら、それらコンタクトの直径はそのＳＥＭ視野の平均直径に近いものであったろう。そのことを利用し不調画素の個数を計算することができる。図５～図８中の左下画像には、そのＳＥＭ視野の平均直径よりも１０％超小さなコンタクトホール群が、－１なるタグ付きで示されている。０なるタグが付されたコンタクト群は、そのＳＥＭ視野の平均に対し、１０％超は収縮していない。図５は、図４の太枠付領域のうち値が１６．７の領域に相当する。図６は、図４の太枠付領域のうち値が１９．４の領域に相当する。図７は、図４の太枠付領域のうち値が１５．７の領域に相当する。図８は、図４の太枠付領域のうち値が１７．１の領域に相当する。

図５～図８中のラベルＡ～Ｆは以下のことを表している。Ａは実欠陥捕捉（ＣＨ収縮＞１０％）を表している。Ｂは許容しうるヌーサンス（ＣＨ収縮＝８～１０％）を表している。Ｃはグロスヌーサンス（ＣＨ収縮≦≦１０％）を表している。Ｄは許容しうる欠落（ＣＨ収縮＝８～１０％）を表している。Ｅは注釈無しの欠陥種別を表している。Ｆはグロス欠落（ＣＨ収縮＞＞１０％）を表している。これらのラベルは図１３にも示されている。

図９は、図５のＳＥＭ画像におけるコンタクトホール群の限界寸法直径を示す図である。図１０は、図６のＳＥＭ画像におけるコンタクトホール群の限界寸法直径を示す図である。図１１は、図７のＳＥＭ画像におけるコンタクトホール群の限界寸法直径を示す図である。図１２は、図８のＳＥＭ画像におけるコンタクトホール群の限界寸法直径を示す図である。

図５におけるＳＦＲは４．７×１０^－３／Ｔｈｒ＝６０である。図６におけるＳＦＲは７．６×１０^－４／Ｔｈｒ＝５０である。図７におけるＳＦＲは８．２×１０^－３／Ｔｈｒ＝６５である。図８におけるＳＦＲは３．３×１０^－３／Ｔｈｒ＝６０である。

図１３は図５～図８の画像に係る結果表である。それら結果に見られる通り、ＳＭＡＲＴＳ（商標）であれば、訓練セットから約２％正確度でＣＤ変化を感知することができる。これらの結果が表している通り、深層学習型検出アルゴリズムにより、ＥＵＶストキャスティクス率その他の画素レベル定量を上首尾に定量することができる。期待される通り、ライン／スペース構造に関する同様の訓練であり、ブリッジ、出っ張り又は空き地により引き起こされた欠陥画素の個数を定量するためのそれを、上首尾に行うことができよう。訓練（例．Ｄ２ＤＢ訓練）により更に最適化しヌーサンスを低減することができる。

図１４はシステム２００のブロック図である。本システム２００は、ウェハ２０４の画像を生成するよう構成された（電子カラム２０１を有する）ウェハ検査ツールを有している。本システム２００は、検査ツールに代えレビューツールとして構成することもできる。

このウェハ検査ツールは出力獲得サブシステムを有しており、またそれが少なくともエネルギ源及び検出器を有している。この出力獲得サブシステムを電子ビーム式出力獲得サブシステムとしてもよい。例えばある実施形態では、ウェハ２０４に向かうエネルギが電子、そのウェハ２０４から検出されるエネルギが電子の態とされる。この要領で、エネルギ源を電子ビーム源とすればよい。図１４に示したのはその種の実施形態の一つであり、出力獲得サブシステムが電子カラム２０１を有し、それがコンピュータサブシステム２０２に結合されている。ステージ２１０によりウェハ２０４を保持することができる。

同じく図１４に示すように、電子カラム２０１は、電子を生成するよう構成された電子ビーム源２０３を有しており、それら電子が１個又は複数個の素子２０５によりウェハ２０４へと集束されている。電子ビーム源２０３の例としてはカソード型電子源やエミッタチップがあろう。当該１個又は複数個の素子２０５の例としてはガンレンズ、アノード、ビーム制限アパーチャ、ゲートバルブ、ビーム流選択アパーチャ、対物レンズ及び走査サブシステムがあり、それらの何れにも、本件技術分野で既知なあらゆる好適素子が含まれうる。

ウェハ２０４から返される電子（例．二次電子）を、１個又は複数個の素子２０６により検出器２０７へと集束させることができる。１個又は複数個の素子２０６の例としては走査サブシステムがあり、これは素子２０５に含まれる走査サブシステムと同じものとすることができる。

電子カラム２０１には、この他にも本件技術分野にて既知なあらゆる好適素子を設けることができる。

図１４に示した電子カラム２０１は、電子がある斜め入射角にてウェハ２０４へと差し向けられ、別の斜め角にてそのウェハ２０４から散乱されるよう構成されているが、電子ビームがウェハ２０４に向かう角度及びそこから散乱される角度は、好適であれば何れの角度でもよい。加えて、この電子ビーム式出力獲得サブシステムを、複数通りのモードを用い（例．別々の照明角、収集角等々で以て）ウェハ２０４の画像を生成するよう構成してもよい。その電子ビーム式出力獲得サブシステムに備わる複数通りのモード間の違いは、その出力獲得サブシステムにおける何れかの画像生成パラメタの違いとすることができる。

コンピュータサブシステム２０２は上述の検出器２０７に結合させることができる。その検出器２０７にて、ウェハ２０４の表面から返された電子を検出することで、そのウェハ２０４の電子ビーム画像を生成すればよい。それら電子ビーム画像には、あらゆる好適な電子ビーム画像が含まれうる。コンピュータサブシステム２０２は、本願記載の機能のうち何れかを、検出器２０７の出力及び／又は電子ビーム画像を用い実行するよう、構成することができる。コンピュータサブシステム２０２は、本願記載の何れの付加的ステップ（群）を実行するようにも構成することができる。図１４に示した出力獲得サブシステムを有するシステム２００を、本願記載の如く更に構成することができる。

なお、本願に図１４を設けたのは、本願記載の諸実施形態にて用いうる電子ビーム式出力獲得サブシステムの構成を大まかに描出するためである。商用の出力獲得システムを設計する際に通常行われている通り、本願記載の構成を有する電子ビーム式出力獲得サブシステムを改変することで、その出力獲得サブシステムの性能を最適化してもよい。加えて、本願記載の諸システムを、既存システムを用い（例．既存システムに本願記載の機能を付加することで）実施してもよい。そうした類のシステムにて、本願記載の諸方法を、（例．そのシステムの他の機能に加え）そのシステムのオプション的機能として提供してもよい。これに代え、本願記載のシステムを完全に新規なシステムとして設計してもよい。

上述した出力獲得サブシステムは電子ビーム式出力獲得サブシステムであるが、出力獲得サブシステムをイオンビーム式出力獲得サブシステムとしてもよい。そうした出力獲得サブシステムは、電子ビーム源が本件技術分野にて既知な何らかの好適イオンビーム源で以て置換される点を除き、図１４に示した如く構成することができる。加えて、その出力獲得サブシステムを、他の何らかの好適なイオンビーム式出力獲得サブシステム、例えば商業的に入手可能な集束イオンビーム（ＦＩＢ）システム、ヘリウムイオン顕微（ＨＩＭ）システム及び二次イオン質量分析（ＳＩＭＳ）システムに組み込まれているそれとすることができる。

コンピュータサブシステム２０２はプロセッサ２０８及び電子データ格納ユニット２０９を有している。プロセッサ２０８にはマイクロプロセッサ、マイクロコントローラその他のデバイスが含まれうる。

コンピュータサブシステム２０２は、そのプロセッサ２０８にて出力を受け取れるよう、何らかの好適な要領にて（例．１個又は複数個の伝送媒体、例えば有線及び／又は無線伝送媒体を含むそれを介し）システム２００の諸部材に結合させればよい。プロセッサ２０８は、その出力を用い多数の機能を実行するよう構成すればよい。ウェハ検査ツールでは、そのプロセッサ２０８から命令その他の情報を受け取ることができる。プロセッサ２０８及び／又は電子データ格納ユニット２０９では、必須ではないが、別のウェハ検査ツール、ウェハ計量ツール又はウェハレビューツール（図示せず）と電子通信することで、付加的な情報を受け取り又は命令を送ることができる。

プロセッサ２０８はウェハ検査ツール、例えば検出器２０７と電子通信する。プロセッサ２０８は、検出器２０７での計測結果を用い生成された画像を処理し、その画像内の画素のうち上記行列にて対応する閾値を上回るものの個数を定量するよう、構成することができる。例えば、プロセッサにて方法１００の諸実施形態を実行することができる。

コンピュータサブシステム２０２、その他のシステム（群）又はその他のサブシステム（群）であり本願記載のものを、パーソナルコンピュータシステム、イメージコンピュータ、メインフレームコンピュータシステム、ワークステーション、ネットワーク機器、インターネット機器その他のデバイスを初め、様々なシステムの一部分としてもよい。その又はそれらのサブシステム又はシステムは、本件技術分野にて既知な何れの好適プロセッサを有していてもよく、例えば並列プロセッサを有していてもよい。加えて、その又はそれらのサブシステム又はシステムを、スタンドアロンかネットワーク接続ツールかを問わず、高速処理プラットフォーム及びソフトウェアを有するものとしてもよい。

プロセッサ２０８及び電子データ格納ユニット２０９を、その内部に配置する等、システム２００その他のデバイスの一部分としてもよい。例えば、プロセッサ２０８及び電子データ格納ユニット２０９を、スタンドアロン制御ユニットの一部とし又は集中品質制御ユニット内のものとすることができる。複数個のプロセッサ２０８又は電子データ格納ユニット２０９を用いてもよい。

プロセッサ２０８を、ハードウェア、ソフトウェア及びファームウェアのどのような組合せで実施してもよい。また、それらの機能であり本願記載のものを、単一ユニットで実行しても複数個の異なる部材間で分かち合ってもよいし、それら部材それぞれが翻ってハードウェア、ソフトウェア及びファームウェアのどのような組合せで実施されていてもよい。プロセッサ２０８に様々な方法及び機能を実行・実施させるためのプログラムコード又は命令は可読格納媒体内、例えば電子データ格納ユニット２０９内にあるメモリやその他のメモリ内に格納すればよい。

本システム２００に複数個のコンピュータサブシステム２０２を設ける場合、それらサブシステム間で画像、データ、情報、命令等々を送れるよう、相異なるサブシステム同士を結合させてもよい。例えば、あるサブシステムを別のサブシステム（群）に何れの好適伝送媒体により結合させてもよく、その媒体のなかに本件技術分野で既知な何れの好適有線及び／又は無線伝送媒体を含めてもよい。そうしたサブシステムのうち２個以上を、共有型コンピュータ可読格納媒体（図示せず）により実質結合させてもよい。

プロセッサ２０８は、システム２００の出力その他の出力を用い多数の機能を実行するよう構成することができる。例えば、電子データ格納ユニット２０９その他の格納媒体に出力を送るようプロセッサ２０８を構成することができる。プロセッサ２０８は、本願記載の如く更に構成することができる。

プロセッサ２０８やコンピュータサブシステム２０２は、欠陥レビューシステム、検査システム、計量システム、或いは他の何らかの種類のシステムの一部分とすることができる。即ち、本願開示の諸実施形態にて記載されている幾つかの構成は、相異なる用途に大なり小なり適した相異なる能力を有するシステム向けに、多様な要領で仕立てることができる。

プロセッサ２０８は、本願記載の諸実施形態のうち何れに従い構成してもよい。プロセッサ２０８を、本システム２００の出力を用い或いは他の源泉からの画像又はデータを用い他の諸機能又は付加的ステップ群を実行するよう構成してもよい。

例えば、プロセッサ２０８を検出器２０７と電子通信させる。プロセッサ２０８を、各画素に対応する欠陥確率指数の行列として画像内欠陥候補のヒートマップを表すよう、構成する。その画像を、検出器から受け取ったデータから生成されたものとする。プロセッサ２０８を、更に、その画像内の画素のうち上記行列にて対応する閾値を上回るものの個数を定量するよう、構成する。その画素群の一員に対応する閾値をその画素と同じ個所におく。プロセッサ２０８を、ヒートマップを決定するように構成することもできる。

画像を受け取り、その画像を対象にして欠陥検出を実行し、且つその画像を対象にして欠陥分類を実行するよう構成された深層学習モジュールを、プロセッサ２０８により稼働させることができる。その深層学習モジュールを、ニューラルネットワーク例えば畳み込みニューラルネットワークや、他の何らかの種類の深層学習システムとすることができる。

プロセッサ２０８は、システム２００に備わる様々な部材又はサブシステムの何れに対しても、本件技術分野で既知な何れかの要領で、可通信結合させればよい。更に、伝送媒体例えば有線及び／又は無線区間を有するそれによって他の諸システムからのデータ又は情報（例．検査システム例えばレビューツールからの検査結果、リモートデータベース内のデザインデータ等）を受け取り及び／又は獲得するよう、プロセッサ２０８を構成することができる。この要領で、プロセッサ２０８と、本システム２００の他のサブシステム群或いはシステム２００外のシステム群との間のデータリンクとして、その伝送媒体を働かせればよい。

本願開示のシステム２００及び諸方法の様々なステップ、機能及び／又は及び動作は、電子回路、論理ゲート、マルチプレクサ、プログラマブル論理デバイス、ＡＳＩＣ、アナログ若しくはディジタルコントローラ／スイッチ、マイクロコントローラ又は情報処理システムのうち１個又は複数個により実行される。諸方法例えば本願記載のそれを実施するプログラム命令群を、キャリア媒体上で伝送させ又はそれに格納することができる。キャリア媒体には、リードオンリメモリ、ランダムアクセスメモリ、磁気若しくは光ディスク、不揮発性メモリ、固体メモリ、磁気テープ等の格納媒体が含まれうる。キャリア媒体には、ワイヤ、ケーブル又は無線伝送リンク等の伝送媒体が含まれうる。例えば、本件開示の随所に記載の諸ステップを、単一のプロセッサ２０８（又はコンピュータサブシステム２０２）により実行してもよいし、それに代え複数個のプロセッサ２０８（又は複数個のコンピュータサブシステム２０２）により実行してもよい。更に、本システム２００の様々なサブシステムに１個又は複数個の情報処理又は論理システムを組み込んでもよい。このように、上掲の記述は、本件開示に対する限定事項としてではなく、単なる例証として解されるべきである。

本方法の各ステップは本願記載の如く実行されうる。それら方法には、本願記載のプロセッサ及び／又はコンピュータサブシステム（群）若しくはシステム（群）により実行可能であれば、他のどのようなステップ（群）でも含めうる。それらステップは１個又は複数個のコンピュータシステムにより実行することができ、そのコンピュータシステムを本願記載の諸実施形態のうち何れに従い構成することもできる。加えて、上述の諸方法を、本願記載のシステム実施形態のうち何れにより実行してもよい。

１個又は複数個の具体的実施形態を基準にして本件開示につき記述してきたが、理解し得るように、本件開示の技術的範囲から離隔することなく本件開示の他の諸実施形態をなすこともできる。即ち、本件開示は、添付する特許請求の範囲及びその合理的解釈によってのみ限定される。

Claims (18)

1. 電子ビームを生成する電子ビーム源と、
   その電子ビームの経路上でウェハを保持するよう構成されたステージと、
   そのウェハから返される電子ビームを受け取るよう構成された検出器と、
   その検出器と電子通信するプロセッサと、
   上記プロセッサにより稼働される深層学習モジュールと、
   を備え、その深層学習モジュールが、
   上記検出器から受け取ったデータから生成された画像を受け取り、
   その画像を対象にして欠陥検出及び欠陥分類を実行し、これにより欠陥候補を決定し、
   上記プロセッサは、上記画像の上記深層学習モジュールからの上記欠陥候補のヒートマップを欠陥確率指数の行列として表現し、上記ヒートマップは少なくともいくつかのウェハを含み、上記画像内のフィーチャの測定に基づいており、
   上記画像内の画素のうち上記行列内で対応する閾値を上回る画素の個数を定量するよう
   構成されているシステム。
2. 請求項１に記載のシステムであって、上記プロセッサが、更に、上記ヒートマップを決定するよう構成されているシステム。
3. 請求項１に記載のシステムであって、上記画素の一つに対応する閾値が、上記画像上で、当該一つの画素と同じ個所にあるシステム。
4. 請求項１に記載のシステムであって、上記定量が画素レベル画像定量にて用いられるシステム。
5. 請求項１に記載のシステムであって、上記欠陥候補がＥＵＶストキャスティクスであるシステム。
6. 請求項１に記載のシステムであって、上記欠陥候補が限界寸法欠陥であるシステム。
7. 請求項１に記載のシステムであって、上記画像が走査型電子顕微鏡画像であるシステム。
8. プロセッサで画像を受け取り、
   上記プロセッサの深層学習モジュールを用いて上記画像の欠陥検出と欠陥分類を実行し、これにより欠陥候補を決定し、
   検出器から受け取ったデータから生成された上記画像の上記深層学習モジュールからの上記欠陥候補のヒートマップを、上記プロセッサを用い、各画素に対応する欠陥確率指数の行列として表現し、上記ヒートマップは、少なくともいくつかのウェハを含み、上記画像内のフィーチャの測定に基づいており、且つ
   上記画像内の画素のうち上記行列内で対応する閾値を上回るものの個数を、そのプロセッサを用い定量する方法。
9. 請求項８に記載の方法であって、更に、上記プロセッサを用い上記ヒートマップを決定する方法。
10. 請求項８に記載の方法であって、上記画素の一つに対応する閾値が、上記画像上で、当該一つの画素と同じ個所にある方法。
11. 請求項８に記載の方法であって、上記定量が画素レベル画像定量にて用いられる方法。
12. 請求項８に記載の方法であって、上記欠陥候補がＥＵＶストキャスティクスである方法。
13. 請求項８に記載の方法であって、上記欠陥候補が限界寸法欠陥である方法。
14. 請求項８に記載の方法であって、上記画像が走査型電子顕微鏡画像である方法。
15. 請求項８に記載の方法であって、更に、
    電子ビームをウェハに差し向け、
    そのウェハから返される電子を検出器で以て集め、且つ
    上記プロセッサを用いそのウェハの画像を生成する方法。
16. 請求項８に記載の方法を実行することをプロセッサに命令するよう構成されたプログラムが格納されている非一時的コンピュータ可読媒体。
17. 請求項１に記載にシステムであって、上記ヒートマップは、平均直径を表示するシステム。
18. 請求項８に記載の方法であって、上記ヒートマップは、平均直径を表示する方法。

Images