JP7284813B2 - 半導体基板の限界寸法測定のための深層学習ベースの適応関心領域 - Google Patents

Description

本発明は、一般に、試験体の特性化および計測学の分野に関し、特に、機械学習技術を用いた適応関心領域の選択のためのシステムおよび方法に関する。

（関連出願の引用）
本出願は、「半導体基板の限界寸法測定のための深層学習ベースの適応関心領域」と題されArpit Yatiを発明者として２０１８年１１月２１日に出願された米国仮特許出願第６２／７７０，７１２号についての米国特許法第１１９条（ｅ）に基づく利益を主張するものであり、本出願において、当該米国仮特許出願の全体を引用して援用する。本出願はさらに、「半導体基板の限界寸法測定のための深層学習ベースの適応関心領域」と題されArpit Yatiを発明者として２０１８年８月１０日に出願されたインド仮特許出願第２０１８４１０３７９９３号に基づく優先権を主張するものであり、本出願において、当該インド仮特許出願の全体を引用して援用する。

フットプリントおよび特徴部分がこれまでになく小さい電子ロジックおよびメモリデバイスに対する需要により、望ましい規模での製造という課題だけでなく、製造上の幅広い課題が提示されている。構造の複雑さが増すと、デバイスの完全性を維持するためにモニタリングおよび制御しなければならないパラメータの数が増える。半導体製造の分野における重要な特性の１つは、デバイスの特徴部分の限界寸法均一性（ＣＤＵ）および限界寸法（ＣＤ）である。ＣＤＵのモニタリングは、プロセス変動を監視することと、修正が必要なプロセスツールのドリフトを特定することとに役立つ場合がある。

従来、関心対象である特徴（たとえばＣＤＵ）のモニタリングには、注目パターン（ＰＯＩ）を特定することと、測定（たとえばＣＤＵ測定）が実施される関心領域（ＲＯＩ）をＰＯＩに関連して特定することと、ＲＯＩのエッジを検出することと、測定を実施することとが含まれる。しかし、現在の手法では、ＰＯＩを走査型電子顕微鏡（ＳＥＭ）の画像と位置合わせし、ＰＯＩの位置に基づいてＲＯＩを配置するため、ＲＯＩの配置の精度はＳＥＭ画像同士の位置合わせに依存し、その位置合わせは信頼性が低い場合がある。さらに、各画像内で特定されたＰＯＩ構造のサイズが大幅に異なる場合があるために、位置合わせの精度が低くなることが頻繁にある。この位置合わせ不良が原因で、ＲＯＩが誤配置され、それにより特定の注目測定値に必要な領域全体をＲＯＩに含めることができない可能性がある。

さらに、現在の手法では、位置合わせの精度に影響を及ぼす可能性のあるプロセスおよび／または構造のばらつきを補正することはできない。したがって、ＳＥＭ画像内でのＰＯＩの位置合わせ、ひいてはＲＯＩの位置合わせは、試験体自体の構造のばらつきに起因して失敗する場合がある。たとえば、ターゲット構造のサイズのばらつきにより、ＰＯＩおよびＲＯＩの位置合わせ不良が生じ、それにより注目測定値の効率的なモニタリングが妨げられる可能性がある。

米国特許出願公開第２０１６／０３７２３０３号 米国特許出願公開第２０１４／０１０５４８２号

したがって、上述の従前のアプローチの欠点を解消するシステムおよび方法を提供することが望ましいと思われる。

本開示の１つまたは複数の実施形態に係るシステムが開示される。一実施形態では、当該システムは、試験体の１つまたは複数の画像を取得するように構成された特性化サブシステムを備える。別の実施形態では、当該システムは、メモリに格納されたプログラム命令のセットを実行するように構成された１つまたは複数のプロセッサを含む制御部を備える。そのプログラム命令のセットは、試験体の１つまたは複数のトレーニング用画像を特性化サブシステムから受信することと、１つまたは複数のトレーニング用画像内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受信することと、１つまたは複数のトレーニング用画像および１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて機械学習分類器を生成することと、試験体の１つまたは複数の製品画像を特性化サブシステムから受信することと、機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することと、１つまたは複数の分類済み関心領域内で試験体についての１つまたは複数の測定値を検出することを、１つまたは複数のプロセッサに実施させるように構成されている。

本開示の１つまたは複数の実施形態に係るシステムが開示される。一実施形態では、当該システムは、メモリに格納されたプログラム命令のセットを実行するように構成された１つまたは複数のプロセッサを含む制御部を備える。そのプログラム命令のセットは、試験体の１つまたは複数のトレーニング用画像を受信することと、１つまたは複数のトレーニング用画像内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受信することと、１つまたは複数のトレーニング用画像および１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて機械学習分類器を生成することと、試験体の１つまたは複数の製品画像を受信することと、機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することと、１つまたは複数の分類済み関心領域内で試験体についての１つまたは複数の測定値を検出することを、１つまたは複数のプロセッサに実施させるように構成されている。

本開示の１つまたは複数の実施形態に係る方法が開示される。一実施形態では、当該方法は、特性化サブシステムを用いて試験体の１つまたは複数のトレーニング用画像を取得することと、１つまたは複数のトレーニング用画像内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受け取ることと、１つまたは複数のトレーニング用画像および１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて機械学習分類器を生成することと、特性化サブシステムを用いて試験体の１つまたは複数の製品画像を取得することと、機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することと、１つまたは複数の分類済み関心領域内で試験体についての１つまたは複数の測定値を検出することを含む。

上記の一般的な説明および以下の詳細な説明の両方が、例示的かつ説明的にすぎず、特許請求する発明を必ずしも限定するものではないと理解すべきである。本明細書に組み込まれてその一部を構成する添付の図面は、本発明の実施形態を例示し、一般的な説明とともに、本発明の原理を説明するのに役立つ。

添付の図面を参照することにより、本開示の多くの利点が、当業者によってよりよく理解され得る。

試験体上での注目パターン（ＰＯＩ）および関心領域（ＲＯＩ）の位置合わせを示す図である。 ターゲット部位を含む注目パターン（ＰＯＩ）を示す図である。 製品画像の関心領域（ＲＯＩ）と対照画像の関心領域（ＲＯＩ）との位置合わせエラーを示す図である。 製品画像の関心領域（ＲＯＩ）と対照画像の関心領域（ＲＯＩ）との位置合わせエラーを示す図である。 製品画像の関心領域（ＲＯＩ）と対照画像の関心領域（ＲＯＩ）との位置合わせエラーを示す図である。 製品画像の関心領域（ＲＯＩ）と対照画像の関心領域（ＲＯＩ）との位置合わせエラーを示す図である。 本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のためのシステムを示す図である。 本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のためのシステムを示す図である。 本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のためのシステムを示す図である。 本開示の１つまたは複数の実施形態による、機械学習分類器をトレーニングするためのトレーニング用画像を示す図である。 本開示の１つまたは複数の実施形態による、トレーニング用関心領域（ＲＯＩ）選択結果を含むトレーニング用画像を示す図である。 本開示の１つまたは複数の実施形態による製品画像を示す図である。 本開示の１つまたは複数の実施形態による、分類済み関心領域（ＲＯＩ）を含む製品画像を示す図である。 本開示の１つまたは複数の実施形態による、製品関心領域（ＲＯＩ）選択結果および分類済み関心領域を含む製品画像を示す図である。 本開示の１つまたは複数の実施形態による製品画像を示す図である。 本開示の１つまたは複数の実施形態による、分類済み関心領域（ＲＯＩ）を含む製品画像を示す図である。 本開示の１つまたは複数の実施形態による、角度付き分類済み関心領域（ＲＯＩ）を含む製品画像を示す図である。 本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のための方法を示すフローチャートである。

本開示は、特定の実施形態およびそれらの具体的な特徴との関連で詳しく示され説明されている。本明細書に記載の実施形態は、限定的ではなく例示的であると解釈されるべきである。本開示の趣旨および範囲から逸れることなく、形態および詳細部分において様々な変更および修正を実施可能であることが、当業者には容易に明らかになるはずである。

以下、添付の図面に示されている本開示の内容について詳細に言及する。

本明細書では、限界寸法均一性（ＣＤＵ）などを含む関心対象の特徴をモニタリングすることは、半導体製造中にプロセス変動を監視する際の重要なステップであることに注目している。従来、関心対象の特徴（たとえばＣＤＵ）のモニタリングは、従来の画像処理手順に基づいており、次のステップを含む：（１）注目パターン（ＰＯＩ）を特定すること、（２）測定（たとえばＣＤＵ測定）が実施される関心領域（ＲＯＩ）をＰＯＩに関連して特定すること、（３）どの測定を実施するか（たとえばＣＤＵ測定、パターン幅、コンタクトなど）を特定すること、（４）各ＲＯＩのエッジを検出すること、および（５）測定を実施すること。しかし、現在の手法では、ＰＯＩを走査型電子顕微鏡（ＳＥＭ）の画像と位置合わせし、ＰＯＩの位置に基づいてＲＯＩを配置するため、ＲＯＩの配置の精度はＳＥＭ画像同士の位置合わせに依存し、その位置合わせは信頼性が低い場合がある。さらに、各画像内で特定されたＰＯＩ構造のサイズが大幅に異なる場合があるために、位置合わせの精度が低くなることが頻繁にある。この位置合わせ不良が原因で、ＲＯＩが誤配置されて、それにより特定の注目測定値に必要な領域全体をＲＯＩに含めることができない可能性がある。

さらに、従来の画像処理手順に基づく現在のＲＯＩ配置技術では、位置合わせの精度に影響を及ぼす可能性のあるプロセス変動を補正することはできない。したがって、ＳＥＭ画像内でのＰＯＩの位置合わせ、ひいてはＲＯＩの位置合わせは、試験体自体の構造のばらつきに起因して失敗する場合がある。たとえば、ターゲット構造のサイズのばらつきにより、ＰＯＩおよびＲＯＩの位置合わせ不良が生じ、それにより注目測定値の効率的なモニタリングが妨げられる可能性がある。

よって、本開示の実施形態は、上述の従前のアプローチの１つまたは複数の欠点を解消することを目的としている。本開示の実施形態は、機械学習技術を用いて適応関心領域（ＲＯＩ）を生成するためのシステムおよび方法を提供する。より具体的には、本開示の実施形態は、関心対象の特徴をより効果的にモニタリングするために、機械学習技術を用いて適応ＲＯＩを生成することを対象としている。

従来の画像処理手順に基づく従前のアプローチの様々な欠点、および本開示の実施形態の重要性が、図１～図４Ｂを参照することでさらに理解され得る。従来のアプローチの簡単な説明は、本開示の利点を比較するためのベンチマークとして役立つ場合があると考えられる。

図１は、試験体上での注目パターン（ＰＯＩ）および関心領域（ＲＯＩ）の位置合わせを示す。

上述したように、従来の画像処理手順を用いる関心対象特徴の従来のモニタリングにおける第１のステップでは、図１に示すように、試験体の対照画像１００上でＰＯＩ１０２が特定／選択される。ＰＯＩ１０２は、試験体の設計画像、光学画像、ＳＥＭ画像などを含む任意の対照画像１００上に描かれることができる。ＰＯＩ１０２は、測定が実施される試験体の領域を特定し、ＲＯＩ１０４の配置のためのアンカーポイントとして機能する。ＰＯＩ１０２は、唯一のパターンや繰り返し構造単位などを含むことがある。ＰＯＩ１０２の選択に続いて、試験体の対照画像１００上で、ＰＯＩ１０２によって特定されたエリア内でＲＯＩ１０４が選択される。ＲＯＩ１０４は、測定が実施される試験体の領域を特定する。実際には、図１に示すＰＯ１１０２およびＲＯ１１０４の選択は、試験体のデザイン画像（たとえば対照画像１００）において実施される場合がある。

ＰＯＩ１０２およびＲＯＩ１０４の選択後、試験体の製品画像が撮影され、第１のステップで特定されたＰＯＩ１０２が識別されて製品画像内で位置合わせされる。第２のステップで撮影された製品画像は、ＰＯＩ１０２およびＲＯＩ１０４が特定された対照画像１００とは異なる画像であり、製品である試験体の画像を含む場合がある。製品画像は、当技術分野で知られている任意の画像を含むことができ、それには光学画像やＳＥＭ画像などが含まれるが、それらに限定されない。ＰＯＩ１０２が製品画像内で位置合わせされた後、ＲＯＩ１０４が、ＰＯＩ１０２の配置に従って製品画像内に配置される。この点に関して、ＰＯＩ１０２の位置合わせ精度が、ＲＯＩ１０４の位置合わせ精度に直接に影響を及ぼす可能性がある。このように、ＲＯＩ１０４の配置の精度はＳＥＭ画像同士の位置合わせに依存し、その位置合わせは信頼性が低い場合がある。さらに、各画像内で特定されたＰＯＩ１０２構造のサイズが大幅に異なる場合があるために、位置合わせの精度が低くなることが頻繁にあり、その結果、ＲＯＩが誤配置されてしまう。

製品画像でのＰＯＩ１０２およびＲＯＩ１０４の位置合わせに続いて、測定のタイプを特定することがある。それについては、図２を参照することでさらに理解できる。

図２は、ターゲット部位を含む注目パターン（ＰＯＩ１０２）を示す。測定されるターゲット部位には、Ｄ４として定義される注目測定値が含まれる場合がある。測定値Ｄ４には、限界寸法（ＣＤ）の測定値が含まれることがあり、式Ｄ４＝［Ｄ３－（Ｄ１＋Ｄ２）］／２で定義されることがある。

本明細書では、従来の画像処理手順を用いる従来のＲＯＩ配置技術は、試験体製造プロセス中のプロセス変動に起因する位置合わせエラーに悩まされる場合があることに注目している。設計ルールが微細化すると、プロセス変動がわずかであっても、試験体の構造のばらつきが大きくなる場合がある。このことが、位置合わせの不正確さおよび位置合わせの失敗につながり、それによって画像内のＲＯＩの配置が不正確になる可能性がある。このプロセス変動、および結果として生じる位置合わせの不正確さは、半導体製造プロセスの立ち上げ期間中に特に問題になる。立ち上げ期間中は、形状、サイズ、向きなどの点で構造が大幅にばらつく場合がある。それにより、対照画像と製品画像とのＰＯＩ／ＲＯＩ配置の位置合わせが不正確になる可能性がある。

図３Ａ～図３Ｂは、製品画像１０１の関心領域（ＲＯＩ１０４ｂ）と対照画像１００の関心領域（ＲＯＩ１０４ａ）との位置合わせエラーを示す。

ユーザは、従来の画像処理手順に基づく従来のＰＯＩ／ＲＯＩ配置技術を用いて、製品試験体に対して、図３Ａに示される左側の「ローブ部」内で１つまたは複数の測定を実施することを望む場合があり、したがって、左側のローブ部を対象のターゲット部位として特定することがある。この点に関して、ターゲット部位には、１つまたは複数の「注目測定値」が含まれる場合がある。注目測定値は、測定され得る任意のパラメータを含むことができ、それには限界寸法（ＣＤ）の測定値が含まれるが、それに限定されない。ユーザは、従来の技術を用いて、対照画像１００内でＲＯＩ１０４ａを特定する場合があり、ここでＲＯＩ１０４ａは、ＰＯＩ１０２ａ内に位置し、１つまたは複数の注目測定値を含むターゲット部位を含む。続いて、図３Ｂに示すように、製品画像１０１が撮影され得る。

図３Ｂに示すように、ターゲット部位を含む層における１つまたは複数のプロセス変動によって、拡大したターゲット部位（たとえば、拡大した左側のローブ部）がもたらされてしまう場合がある。製品画像１０１のターゲット部位と対照画像１００のターゲット部位との間の、この構造のばらつきは、位置合わせの不正確さおよびＲＯＩ１０４ｂの誤配置につながる可能性がある。たとえば、製品画像１０１のＰＯＩ１０２ｂは、対照画像１００のＰＯＩ１０２ａと位置合わせされることがあり、製品画像１０１のＲＯＩ１０４ｂは、製品画像１０１内のＰＯＩ１０２ｂの配置に従って配置されることがある。図３Ｂに示すように、ＲＯＩ１０４ｂの配置は、ＲＯＩ１０４ｂがターゲット部位（たとえば左側のローブ部）を包含し損ねている点で不正確である場合がある。ＲＯＩ１０４ｂがターゲット部位全体を含まないことが原因で、ターゲット部位内の所望の注目測定値を取得できないことがある。このように、従来のアプローチにおいて、従来の画像処理手順および位置合わせ技術は、構造のばらつき（たとえば、拡大した左側のローブ部）をもたらすプロセス変動に対処できない。

図４Ａ～図４Ｂは、製品画像１０１の関心領域（ＲＯＩ１０４ｂ）と対照画像１００の関心領域（ＲＯＩ１０４ａ）との位置合わせエラーの、追加の例を示す。

上述の例と同様に、ユーザは、製品試験体に対して、図４Ａに示される左側の「ローブ部」内で１つまたは複数の測定を実施することを望む場合があり、したがって、左側のローブ部を対象のターゲット部位として特定することがある。ユーザは、従来の技術を使用して、対照画像１００内でＲＯＩ１０４ａを特定する場合があり、ここでＲＯＩ１０４ａは、ＰＯＩ１０２ａ内に位置し、ターゲット部位を含む。続いて、図４Ｂに示すように、製品画像１０１が撮影され得る。

図４Ｂに示すように、ターゲット部位を含む層における１つまたは複数のプロセス変動によって、細くなった、および／またはシフトしたターゲット部位（たとえば左側のローブ部）がもたらされてしまう場合がある。製品画像１０１のターゲット部位と対照画像１００のターゲット部位との間の、この構造のばらつきは、位置合わせの不正確さおよびＲＯＩ１０４ｂの誤配置につながる可能性がある。たとえば、製品画像１０１のＰＯＩ１０２ｂは、対照画像１００のＰＯＩ１０２ａと位置合わせされることがあり、製品画像１０１のＲＯＩ１０４ｂは、製品画像１０１内のＰＯＩ１０２ｂの配置に従って配置されることがある。図４Ｂに示すように、ＲＯＩ１０４ｂの配置は、ＲＯＩ１０４ｂが、注目測定値を含むターゲット部位（たとえば左側のローブ部）を包含し損ねている点で、不正確である場合がある。このように、位置合わせ技術に依存する従来の画像処理手順は、製品画像１０１内にＲＯＩ１０４ｂを正確に配置できない場合がある。その結果、ターゲット部位の所望の測定を実施できなくなる可能性がある。

上述したように、本開示の実施形態は、機械学習技術を用いて適応関心領域（ＲＯＩ）を生成するためのシステムおよび方法を提供する。より具体的には、本開示の実施形態は、関心対象の特徴をより効果的にモニタリングするために、機械学習技術を用いて適応ＲＯＩを生成することを対象としている。本開示の実施形態は、プロセスおよび／または構造のばらつきが存在する場合でもＲＯＩの正確な配置を可能にし得ると考えられる。

図５は、本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のためのシステム２００を示す。システム２００は、１つまたは複数の特性化サブシステム２０２を含むことがあるが、それに限定されない。システム２００はさらに、１つまたは複数のプロセッサ２０６およびメモリ２０８を含む制御部２０４と、ユーザインタフェース２１０とを備える場合があるが、それらに限定されない。

特性化サブシステム２０２は、当技術分野で知られている任意の特性化サブシステム２０２を含むことができ、それには光学ベースの特性化システムや、荷電粒子ベースの特性化システムなどが含まれるが、それらに限定されない。たとえば、特性化サブシステム２０２は、走査型電子顕微鏡法（ＳＥＭ）式特性化システムを含む場合がある。一実施形態では、制御部２０４は、１つまたは複数の特性化サブシステム２０２に通信可能に接続されている。この点に関して、制御部２０４の１つまたは複数のプロセッサ２０６は、特性化サブシステム２０２の１つまたは複数の特性を調整するように構成された１つまたは複数の制御信号を生成するように構成され得る。

図６Ａは、本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のためのシステム２００を示す。具体的には、図６Ａは、光学式特性化サブシステム２０２ａを備えるシステム２００を示す。

光学式特性化サブシステム２０２ａは、当技術分野で知られている任意の光学ベースの特性化システムを含むことができ、それには画像ベースの計測ツールが含まれるが、それに限定されない。たとえば、特性化サブシステム２０２ａは、光学式限界寸法計測ツールを含む場合がある。光学式特性化サブシステム２０２ａは、照明源２１２と、照明側アーム２１１と、集光側アーム２１３と、検出器アセンブリ２２６とを備えることがあるが、それらに限定されない。

一実施形態では、光学式特性化サブシステム２０２ａは、ステージアセンブリ２２２上に設置された試験体２２０を検査および／または測定するように構成される。照明源２１２は、照明光２０１を生成するための、当技術分野で知られている任意の照明源を含むことができ、それには広帯域放射源が含まれるが、それに限定されない。別の実施形態では、光学式特性化サブシステム２０２ａは、照明光２０１を試験体２２０に誘導するように構成された照明側アーム２１１を備えることがある。なお、光学式特性化サブシステム２０２ａの照明源２１２は、当技術分野で知られている任意の配置で構成されることができ、それには暗視野の配置、明視野の配置などが含まれるが、それらに限定されない。

試験体２２０は、当技術分野で知られている任意の試験体を含むことができ、それにはウェハ、レチクル、フォトマスクなどが含まれるが、それらに限定されない。一実施形態では、試験体２２０は、ステージアセンブリ２２２上に設置され、試験体２２０の移動が容易になっている。別の実施形態では、ステージアセンブリ２２２は、作動ステージである。たとえば、ステージアセンブリ２２２は、１つまたは複数の直線方向（たとえばｘ方向、ｙ方向、および／またはｚ方向）に沿って試験体２２０を選択的に並進させるのに適した１つまたは複数の並進ステージを含むことがあるが、それに限定されない。別例として、ステージアセンブリ２２２は、回転方向に沿って試験体２２０を選択的に回転させるのに適した１つまたは複数の回転ステージを含むことがあるが、それに限定されない。別例として、ステージアセンブリ２２２は、直線方向に沿って試験体２２０を選択的に並進させること、および／または、回転方向に沿って試験体２２０を回転させることに適した、回転ステージおよび並進ステージを含むことがあるが、それらに限定されない。なお、システム２００は、当技術分野で知られている任意の走査モードで動作できる。

照明側アーム２１１は、当技術分野で知られている任意のタイプの光学部品を任意の数だけ含むことができる。一実施形態では、照明側アーム２１１は、１つまたは複数の光学素子２１４、ビームスプリッタ２１６、および対物レンズ２１８を備える。この点に関して、照明側アーム２１１は、照明源２１２からの照明光２０１を試験体２２０の表面に集束させるように構成されることがある。１つまたは複数の光学素子２１４は、当技術分野で知られている任意の光学素子を含むことができ、それには１つまたは複数のミラー、１つまたは複数のレンズ、１つまたは複数の偏光子、１つまたは複数のビームスプリッタなどが含まれるが、それらに限定されない。

別の実施形態では、光学式特性化サブシステム２０２ａは、試験体２２０から反射または散乱された照明光を集光するように構成された集光側アーム２１３を備える。別の実施形態では、集光側アーム２１３は、反射および散乱された光を、１つまたは複数の光学素子２２４を介して、検出器アセンブリ２２６の１つまたは複数のセンサに誘導および／または集束させる場合がある。１つまたは複数の光学素子２２４は、当技術分野で知られている任意の光学素子を含むことができ、それには１つまたは複数のミラー、１つまたは複数のレンズ、１つまたは複数の偏光子、１つまたは複数のビームスプリッタなどが含まれるが、それらに限定されない。なお、検出器アセンブリ２２６は、試験体２２０から反射または散乱された照明光を検出するための、当技術分野で知られている任意のセンサおよび検出器アセンブリを備えることができる。

別の実施形態では、光学式特性化サブシステム２０２の検出器アセンブリ２２６は、試験体２２０から反射または散乱された照明光に基づいて、試験体２２０の計測データを収集するように構成される。別の実施形態では、検出器アセンブリ２２６は、収集／取得された画像および／または計測データを制御部２０４に送信するように構成される。

上述したように、システム２００の制御部２０４は、１つまたは複数のプロセッサ２０６とメモリ２０８とを含むことがある。メモリ２０８は、１つまたは複数のプロセッサ２０６に本開示の様々なステップを実行させるように構成されたプログラム命令を含む場合がある。一実施形態では、プログラム命令は、試験体２２０についての１つまたは複数の測定を実施するために、１つまたは複数のプロセッサ２０６に光学式特性化サブシステム２０２の１つまたは複数の特性を調整させるように構成される。

追加および／または代替の実施形態では、特性化サブシステム２０２は、荷電粒子ベースの特性化サブシステム２０２を含むことがある。たとえば、特性化サブシステム２０２は、図６Ｂに示すように、ＳＥＭ式特性化サブシステムを含む場合がある。

図６Ｂは、本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のためのシステム２００を示す。具体的には、図６Ｂは、ＳＥＭ式特性化サブシステム２０２ｂを備えるシステム２００を示す。

一実施形態では、ＳＥＭ式特性化サブシステム２０２ｂは、試験体２２０に対して１つまたは複数の測定を実施するように構成される。この点に関して、ＳＥＭ式特性化サブシステム２０２ｂは、試験体２２０の１つまたは複数の画像を取得するように構成される場合がある。ＳＥＭ式特性化サブシステム２０２ｂは、電子ビーム源２２８、１つまたは複数の電子光学素子２３０、１つまたは複数の電子光学素子２３２、および、１つまたは複数の電子センサ２３６を含む電子検出器アセンブリ２３４を備えることがあるが、それらに限定されない。

一実施形態では、電子ビーム源２２８は、１つまたは複数の電子ビーム２２９を試験体２２０に向けるように構成される。電子ビーム源２２８は、電子光学カラムを形成していることがある。別の実施形態では、電子ビーム源２２８は、１つまたは複数の電子ビーム２２９を試験体２２０の表面に集束および／または誘導するように構成された１つまたは複数の追加および／または代替の電子光学素子２３０を含む。別の実施形態では、ＳＥＭ式特性化サブシステム２０２ｂは、１つまたは複数の電子ビーム２２９に応じて試験体２２０の表面から放出される二次電子および／または後方散乱電子２３１を収集するように構成された１つまたは複数の電子光学素子２３２を備える。なお、１つまたは複数の電子光学素子２３０および１つまたは複数の電子光学素子２３２は、電子を誘導、集束、および／または収集するように構成された任意の電子光学素子を含むことでき、それには１つまたは複数のデフレクタ、１つまたは複数の電子光学レンズ、１つまたは複数の集光レンズ（たとえば磁気集光レンズ）、１つまたは複数の対物レンズ（たとえば磁気集光レンズ）などが含まれるが、それらに限定されない。

なお、ＳＥＭ式特性化サブシステム２０２ｂの電子光学アセンブリは、図６Ｂに示される電子光学素子群に限定されない。それらの電子光学素子は、単に説明の目的で示されているだけである。さらなる留意点として、システム２００は、１つまたは複数の電子ビーム２２９を試験体２２０に誘導／集束させ、それに応じて、放出された二次電子および／または後方散乱電子２３１を電子検出器アセンブリ２３４上で収集および画像化するために必要な、任意のタイプの電子光学素子を任意の数だけ含むことができる。

たとえば、システム２００は、１つまたは複数の電子ビーム走査素子（図示せず）を備える場合がある。たとえば、１つまたは複数の電子ビーム走査素子は、試験体２２０の表面に対して１つまたは複数の電子ビーム２２９の位置を制御するのに適した１つまたは複数の電磁走査コイルまたは静電デフレクタを含むことがあるが、それらに限定されない。さらに、１つまたは複数の走査素子を利用して、選択されたパターンにて試験体２２０を横切るように１つまたは複数の電子ビーム２２９を走査する場合がある。

別の実施形態では、二次電子および／または後方散乱電子２３１は、電子検出器アセンブリ２３４の１つまたは複数のセンサ２３６に向けられる。ＳＥＭ式特性化サブシステム２０２ｂの電子検出器アセンブリ２３４は、試験体２２０の表面から放出される後方散乱電子および／または二次電子２３１を検出するのに適した、当技術分野で知られている任意の電子検出器アセンブリを含むことができる。一実施形態では、電子検出器アセンブリ２３４は、電子検出器アレイを含む。この点に関して、電子検出器アセンブリ２３４は、電子検出部のアレイを含む場合がある。さらに、電子検出器アセンブリ２３４の検出器アレイの各電子検出部は、入射する１つまたは複数の電子ビーム２２９のうちの１つの電子ビームに関連する試験体２２０からの電子信号を検出するように配置されることがある。この点に関して、電子検出器アセンブリ２３４の各チャネルは、１つまたは複数の電子ビーム２２９のうちの１つの電子ビーム２２９に対応することがある。電子検出器アセンブリ２３４は、当技術分野で知られている任意のタイプの電子検出器を含むことができる。たとえば、電子検出器アセンブリ２３４は、マイクロチャネルプレート（ＭＣＰ）や、ＰＩＮまたはｐ－ｎ接合型検出器アレイを含む場合があり、ＰＩＮまたはｐ－ｎ接合型検出器アレイは、たとえばダイオードアレイまたはアバランシェフォトダイオード（ＡＰＤ）などであるが、それらに限定されない。別例として、電子検出器アセンブリ２３４は、高速シンチレータ／ＰＭＴ検出器を含むことがある。

図６Ｂは、二次電子検出器アセンブリのみを含む電子検出器アセンブリ２３４を備えるものとしてＳＥＭ式特性化サブシステム２０２ｂを示すが、このことは、本開示の限定事項と見なされるべきでない。この点に関連する留意点として、電子検出器アセンブリ２３４は、二次電子検出器、後方散乱電子検出器、および／または一次電子検出器（たとえばインカラム電子検出器）を含む場合があるが、それらに限定されない。別の実施形態では、ＳＥＭ式特性化サブシステム２０２ｂは、複数の電子検出器アセンブリ２３４を含むことがある。たとえば、システム２００は、二次電子検出器アセンブリ２３４ａと、後方散乱電子検出器アセンブリ２３４ｂと、インカラム電子検出器アセンブリ２３４ｃとを含むことがある。

一実施形態では、１つまたは複数のプロセッサ２０６は、検出器アセンブリ２２６／電子検出器アセンブリ２３４の出力を分析するように構成される。一実施形態では、プログラム命令のセットは、１つまたは複数のプロセッサ２０６に、検出器アセンブリ２２６／電子検出器アセンブリ２３４から受信した画像に基づいて、試験体２２０の１つまたは複数の特性を分析させるように構成される。別の実施形態では、プログラム命令のセットは、試験体２２０、および／または、検出器アセンブリ２２６／電子検出器アセンブリ２３４上に焦点を維持するために、１つまたは複数のプロセッサ２０６にシステム２００の１つまたは複数の特性を変更させるように構成される。たとえば、１つまたは複数のプロセッサ２０６は、照明光２０１、および／または、１つまたは複数の電子ビーム２２９を試験体２２０の表面に集束させるために、照明源２１２／電子ビーム源２２８および／またはシステム２００の他の要素の１つまたは複数の特性を調整するように構成されることがある。別例として、１つまたは複数のプロセッサ２０６は、試験体２２０の表面からの照明光および／または二次電子２３１を収集し、収集された照明光を検出器アセンブリ２２６／電子検出器アセンブリ２３４に集束させるために、システム２００の１つまたは複数の要素を調整するように構成されることがある。別例として、１つまたは複数のプロセッサ２０６は、１つまたは複数の電子ビーム２２９の位置または位置合わせを独立して調整し、試験体２２０を横切るように電子ビーム２２９を走査するために、電子ビーム源２２８の１つまたは複数の静電デフレクタに印加される１つまたは複数の集束電圧を調整するように構成されることがある。

一実施形態では、１つまたは複数のプロセッサ２０６は、メモリ２０８に通信可能に接続されることがあり、その場合に、１つまたは複数のプロセッサ２０６は、メモリ２０８に格納されたプログラム命令のセットを実行するように構成され、プログラム命令のセットは、１つまたは複数のプロセッサ２０６に、本開示の様々な機能およびステップを実行させるように構成される。

別の実施形態では、システム２００は、図５および図６Ａ～図６Ｂに示すように、制御部２０４に通信可能に接続されたユーザインタフェース２１０を備える。別の実施形態では、ユーザインタフェース２１０は、ユーザ入力デバイスおよびディスプレイを含む。ユーザインタフェース２１０のユーザ入力デバイスは、ユーザから１つまたは複数の入力コマンドを受け取るように構成されることがあり、１つまたは複数の入力コマンドは、システム２００へのデータ入力、および／またはシステム２００の１つまたは複数の特性の調整を実施するように構成される。たとえば、以下でさらに詳細に説明するように、ユーザインタフェース２１０のユーザ入力デバイスは、ユーザから１つまたは複数のＰＯＩおよび／またはＲＯＩ選択結果を受け取るように構成される場合がある。別の実施形態では、ユーザインタフェース２１０のディスプレイは、システム２００のデータをユーザに対して表示するように構成され得る。

上述したように、１つまたは複数のプロセッサ２０６は、メモリ２０８に通信可能に接続されることがあり、その場合に、１つまたは複数のプロセッサ２０６は、メモリ２０８に格納されたプログラム命令のセットを実行するように構成され、プログラム命令のセットは、１つまたは複数のプロセッサ２０６に、本開示の様々な機能およびステップを実行させるように構成される。この点に関して、制御部２０４は、以下のことを実施するように構成される場合がある：特性化サブシステム２０２から試験体２２０の１つまたは複数のトレーニング用画像を受信すること、１つまたは複数のトレーニング用画像内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受信すること、１つまたは複数のトレーニング用画像および１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて機械学習分類器を生成すること、特性化サブシステム２０２から試験体２２０の１つまたは複数の製品画像を受信すること、機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成すること、ならびに、１つまたは複数の分類済み関心領域内で試験体についての１つまたは複数の測定値を検出すること。これらの各ステップについて、順番に説明する。

一実施形態では、システム２００の制御部２０４は、特性化サブシステム２０２から試験体２２０の１つまたは複数のトレーニング用画像２２５を受信するように構成される。本開示の目的において、「トレーニング用画像」という用語は、機械学習分類器をトレーニングするための入力として使用される画像であると見なすことができる。図７Ａは、本開示の１つまたは複数の実施形態による、機械学習分類器をトレーニングするためのトレーニング用画像２２５を示す。たとえば図６Ａに示すように、制御部２０４は、光学式特性化サブシステム２０２ａから、試験体２２０の１つまたは複数のトレーニング用光学画像２２５を受信するように構成されることがある。別例として、図６Ｂに示すように、制御部２０４は、ＳＥＭ式特性化サブシステム２０２ｂから、試験体２２０の１つまたは複数のトレーニング用ＳＥＭ画像２２５を受信するように構成されることがある。この点に関して、図７Ａに示すトレーニング用画像２２５は、トレーニング用光学画像２２５およびトレーニング用ＳＥＭ画像２２５などを含む場合がある。追加および／または代替の実施形態では、制御部２０４は、１つまたは複数の特性化サブシステム２０２以外のソースから、１つまたは複数のトレーニング用画像２２５を受信するように構成されることがある。たとえば、制御部２０４は、試験体２２０の１つまたは複数のトレーニング用画像２２５を、外部記憶装置から受信するように構成される場合がある。別の実施形態では、制御部２０４はさらに、受信したトレーニング用画像２２５をメモリ２０８に格納するように構成されることがある。

別の実施形態では、制御部２０４は、１つまたは複数のトレーニング用画像２２５内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受信するように構成される。図７Ｂは、トレーニング用ＲＯＩ選択結果３０２を含むトレーニング用画像２２５を示す。一実施形態では、１つまたは複数の受信されたトレーニング用ＲＯＩ選択結果３０２は、１つまたは複数の注目測定値を含むことがある。たとえば図７Ｂに示すように、トレーニング用ＲＯＩ選択結果３０２は、左側のローブ部の長さを表す第１の注目測定値（ＭＯＩ３０４ａ）、および、左側のローブ部の高さを表す第２の注目測定値（ＭＯＩ３０４ｂ）を含む場合がある。これらの注目測定値（ＭＯＩ３０４ａ、ＭＯＩ３０４ｂ）には、限界寸法が含まれることがあり、限界寸法は、限界寸法均一性（ＣＤＵ）を確保するために、製造プロセス全体にわたってモニタリングすることが望ましい場合があるものである。１つまたは複数のトレーニング用ＲＯＩ選択結果３０２内の注目測定値（ＭＯＩ３０４）は、パターンまたは構造などにおいて測定され得る任意の特徴部分を含むことができる。

１つまたは複数のトレーニング用ＲＯＩ選択結果３０２は、当技術分野で知られている任意の技術を使用して受け取ることができる。たとえば、メモリ２０８に格納されたプログラム命令は、１つまたは複数のトレーニング用ＲＯＩ選択結果３０２を自動的に選択するように構成され得る。別例として、１つまたは複数のトレーニング用ＲＯＩ選択結果３０２は、ユーザインタフェース２１０を介して受信される場合がある。たとえば、ユーザインタフェース２１０のディスプレイは、１つまたは複数のトレーニング用画像２２５をユーザに対して表示することがある。続いて、ユーザは、ユーザインタフェース２１０のユーザ入力デバイスを介して、１つまたは複数のトレーニング用ＲＯＩ選択結果３０２を表す１つまたは複数の入力コマンドを入力することがある。この点に関して、いくつかの実施形態では、ユーザは、ユーザインタフェース２１０を介して、トレーニング用画像２２５内において１つまたは複数のトレーニング用ＲＯＩ選択結果３０２を手動で描画／選択できる。別の実施形態では、制御部２０４は、１つまたは複数のトレーニング用ＲＯＩ選択結果３０２をメモリ２０８に格納するように構成される。

別の実施形態では、制御部２０４は、１つまたは複数のトレーニング用画像２２５および１つまたは複数のトレーニング用ＲＯＩ選択結果３０２に基づいて、機械学習分類器を生成するように構成される。機械学習分類器は、当技術分野で知られている任意のタイプの機械学習アルゴリズムまたは分類器、ならびに／もしくは、深層学習技術または分類器を含むことができ、それには畳み込みニューラルネットワーク（ＣＮＮ）（たとえばGoogleNet、AlexNetなど）、アンサンブル学習分類器、ランダムフォレスト分類器、人工ニューラルネットワーク（ＡＮＮ）などが含まれるが、それらに限定されない。

機械学習分類器のトレーニングには、受信したトレーニング用画像２２５およびトレーニング用ＲＯＩ選択結果３０２に基づいて１つまたは複数の注目測定値（ＭＯＩ３０４ａ、３０４ｂ）および／または測定すべき関心対象の特徴を識別するように、機械学習分類器を教えることが含まれる場合がある。本明細書では、「注目測定値」（ＭＯＩ３０４ａ、３０４ｂ）という用語は、試験体２２０に対して計測されることが望まれ得る任意の測定値を指すと見なすことができる。この点に関して、機械学習分類器は、受信したトレーニング用画像２２５および受信したトレーニング用ＲＯＩ選択結果３０２に基づいて第１の注目測定値（ＭＯＩ３０４ａ）および／または第２の注目測定値（３０４ｂ）を識別するように構成されるように、トレーニングまたは生成されることがある。

制御部２０４は、教師あり学習および／または教師なし学習によって機械学習分類器を生成するように構成され得る。なお、機械学習分類器は、１つまたは複数の注目測定値を予測および／または識別するように構成された任意のアルゴリズムまたは予測モデルを含むことができる。

別の実施形態では、制御部２０４は、特性化サブシステム２０２から、試験体２２０の１つまたは複数の製品画像２３５を受信するように構成される場合がある。図８Ａは、本開示の１つまたは複数の実施形態による製品画像２３５を示す。図６Ａに示すように、制御部２０４は、光学式特性化サブシステム２０２ａから、試験体２２０の１つまたは複数の光学製品画像２３５を受信するように構成されることがある。別例として、図６Ｂに示すように、制御部２０４は、ＳＥＭ式特性化サブシステム２０２ｂから、試験体２２０の１つまたは複数のＳＥＭ製品画像２３５を受信するように構成されることがある。この点に関して、図８Ａに示す製品画像２３５は、光学製品画像２３５およびＳＥＭ製品画像２３５などを含む場合がある。追加および／または代替の実施形態では、制御部２０４は、１つまたは複数の特性化サブシステム２０２以外のソースから、１つまたは複数の製品画像２３５を受信するように構成されることがある。たとえば、制御部２０４は、試験体２２０の１つまたは複数の製品画像２３５を、外部記憶装置から受信するように構成される場合がある。別の実施形態では、制御部２０４はさらに、受信した製品画像２３５をメモリ２０８に格納するように構成されることがある。

「製品画像」という用語は、本明細書では、１つまたは複数の注目測定値（ＭＯＩ３０４）を含む試験体２２０の画像を指すために使用される。この点に関して、１つまたは複数の製品画像２３５は、１つまたは複数の注目測定値（ＭＯＩ３０４）の計測を通じてモニタリングすべき製品ウェハ（たとえば製品試験体２２０）の１つまたは複数の画像を含む場合がある。このモニタリングは、上述したように、限界寸法均一性（ＣＤＵ）を確保するために実施され得る。

別の実施形態では、制御部２０４は、機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成するように構成される。たとえば、図８Ｂは、本開示の１つまたは複数の実施形態による、分類済みＲＯＩ３０６を含む製品画像２３５を示す。

一実施形態では、制御部２０４は、機械学習分類器を用いて、１つまたは複数の製品画像２３５内に１つまたは複数の分類済みＲＯＩ３０６を生成するように構成される。別の実施形態では、機械学習分類器は、１つまたは複数の識別された注目測定値（ＭＯＩ３０４ａ、３０４ｂ）が分類済みＲＯＩ３０６に含まれるように、製品画像２３５内に１つまたは複数の分類済みＲＯＩ３０６を生成するように構成されることがある。たとえば図８Ｂに示すように、機械学習分類器は、識別された第１の注目測定値（ＭＯＩ３０４ａ）および／または識別された第２の注目測定値（ＭＯＩ３０４ｂ）が分類済みＲＯＩ３０６に含まれるように、分類済みＲＯＩ３０６を生成するように構成される場合がある。

機械学習アルゴリズムに基づいてＲＯＩ（たとえば分類済みＲＯＩ３０６）を生成することにより、意図された注目測定値がＲＯＩに含まれるようにＲＯＩが正しく配置される確率が高められると考えられる。さらに、機械学習アルゴリズムを用いて分類済みＲＯＩ３０６を生成することにより、従来の画像処理による位置合わせ手順に基づいてＲＯＩ（たとえば図３Ｂおよび図４ＢのＲＯＩ１０４ｂ）を配置するものである従前のアプローチに勝る多くの利点が提供され得ると考えられる。このことは、従来の画像処理による位置合わせ手順を用いて得られた図３ＢのＲＯＩ１０４ｂの配置と、機械学習分類器を用いて得られた図８Ｂの分類済みＲＯＩ３０６の配置とを比較することによって説明できる。図３Ｂに示すように、従来の画像処理技術では、プロセスおよび構造のばらつきに対処できない可能性があり、そのことが、ＲＯＩ１０４ｂの誤配置につながり、所望の測定を実施できなくなる可能性がある。それに対して、図８Ｂに示すように、機械学習分類器は、注目測定値（ＭＯＩ３０４ａ、３０４ｂ）を識別することによって、識別された注目測定値（ＭＯＩ３０４ａ、３０４ｂ）を含むようにより正確に配置されることが可能な適応分類済みＲＯＩ３０６を生成できるように構成されることが企図される。具体的には、機械学習分類器によって生成される分類済みＲＯＩ３０６の特性（たとえば形状、サイズ、向き）は、試験体２２０の関連の構造（たとえば左側のローブ部）の特性（たとえば形状、サイズ、向き）に従って修正されることができる。この点に関して、サイズ、形状、向きなどについて多様な形態をとり得る適応分類済みＲＯＩ３０６を生成することで、本開示の実施形態は、より正確で信頼性の高いＲＯＩ配置を提供することができる。

別の実施形態では、制御部は、機械学習分類器を用いて１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することによって、１つまたは複数の分類済みＲＯＩ３０６を生成するように構成される。この点に関して、機械学習分類器を用いて１つまたは複数の分類済みＲＯＩ３０６を生成することには、１つまたは複数の製品画像２３５内において１つまたは複数の製品ＲＯＩ選択結果３０５を受信することと、機械学習分類器を用いて１つまたは複数の製品ＲＯＩ選択結果の３０５の１つまたは複数の特性を適応的に修正することによって、１つまたは複数の分類済みＲＯＩ３０６を生成することとが含まれる場合がある。このことは、図８Ｃを参照することでさらに理解され得る。

図８Ｃは、本開示の１つまたは複数の実施形態による、製品ＲＯＩ選択結果３０５および分類済みＲＯＩ３０６を含む製品画像２３５を示す。この例では、制御部２０４は、製品画像２３５の領域を表す製品ＲＯＩ選択結果３０５を受信する場合がある。たとえば、ユーザが、ユーザインタフェース２１０を介して、製品ＲＯＩ選択結果３０５を入力することがある。同じ例に関して続けると、制御部２０４は、機械学習分類器を用いて製品ＲＯＩ選択結果３０５の１つまたは複数の特性を適応的に修正して、分類済みＲＯＩ３０６を生成するように構成される場合がある。分類済みＲＯＩ３０６を生成するために機械学習分類器によって適応的に修正され得る製品ＲＯＩ選択結果３０５の特性には、サイズ、形状、向きなどが含まれることがあるが、それらに限定されない。

受信した製品ＲＯＩ選択結果３０５を修正することで分類済みＲＯＩ３０６を生成する構成により、機械学習分類器が、必要に応じてアクティブ化される修正ツールとして機能することができると考えられる。たとえば、いくつかの実施形態では、機械学習分類器は、図８Ｃに示すように、受信された製品ＲＯＩ選択結果３０５が誤配置された場合（たとえば、１つまたは複数のＭＯＩ３０４ａ、３０４ｂを含まないように配置された場合）にのみ、製品ＲＯＩ選択結果３０５を適応的に修正することで分類済みＲＯＩ３０６を生成し得る。

一実施形態では、機械学習分類器は、１つまたは複数の製品画像２３５内の構造の１つまたは複数の特性に基づいて、１つまたは複数の製品ＲＯＩ選択結果３０５の１つまたは複数の特性を適応的に修正することがある。たとえば図８Ｃに示すように、機械学習分類器は、左側のローブ部の構造的変化に基づいて、製品ＲＯＩ選択結果３０５を適応的に修正する場合がある。別の実施形態では、機械学習分類器は、１つまたは複数のプロセス変動に応じて、１つまたは複数の製品ＲＯＩ選択結果３０５の１つまたは複数の特性を適応的に修正する場合がある。この点に関して、機械学習分類器は、１つまたは複数のプロセス変動を補正するために、製品ＲＯＩ選択結果３０５を適応的に修正することがある。

同様に、別の実施形態では、１つまたは複数の製品ＰＯＩ選択結果（図示せず）を受け取ることによって、分類済みＲＯＩ３０６の生成がサポートされる場合がある。たとえば、従来のアプローチと同様に、制御部２０４は、製品画像２３５内における製品ＰＯＩ選択結果を受信した後、１つまたは複数の受信されたＰＯＩ選択結果に少なくとも部分的に基づいて、１つまたは複数の分類済みＲＯＩ３０６を生成することがある。

図９Ａは、本開示の１つまたは複数の実施形態による製品画像２３５を示す。図９Ｂは、本開示の１つまたは複数の実施形態による、分類済み関心領域（ＲＯＩ）３０６を含む製品画像２３５を示す。一実施形態では、機械学習分類器は、１つまたは複数の識別されたＭＯＩ３０４ａ、３０４ｂが１つまたは複数の分類済みＲＯＩ３０６に含まれるように、１つまたは複数の分類済みＲＯＩ３０６を生成することがある。図４ＢのＲＯＩ１０４ｂの配置を図９Ｂの分類済みＲＯＩ３０６と比較すると、機械学習分類器を用いたＲＯＩ配置により、従来の画像処理による位置合わせ手順よりも改善されたＲＯＩ配置が得られることがあると分かる。したがって、本開示の実施形態は、構造／プロセスの変動の影響を受けにくいこと、および／または、その影響に対して耐性があることを特徴とする、より正確で信頼性の高いＲＯＩ配置を提供し得ると考えられる。特に、分類済みＲＯＩ３０６の適応性の向上が、半導体製造の立ち上げの状況において特に有益な場合があると考えられる。

図９Ｃは、本開示の１つまたは複数の実施形態による、角度付き分類済み関心領域（ＲＯＩ）３０６を含む製品画像２３５を示す。

一実施形態では、図９Ｃに示すように、機械学習分類器は、１つまたは複数の角度付き分類済みＲＯＩ３０６を生成するように構成されることがある。「角度付き」という用語は、本明細書では、特定のフレームまたは参照オブジェクトに対してオフセット角度３０７（θで特定される）を成す向きに配置された分類済みＲＯＩ３０６を説明するために使用され得る。たとえば、角度付き分類済みＲＯＩ３０６は、製品ＲＯＩ選択結果３０５に対してオフセット角度３０７で配置されるように、製品ＲＯＩ選択結果３０５に対して回転される場合がある。別例として、図９Ｃに示すように、角度付き分類済みＲＯＩ３０６は、製品画像２３５のエッジまたは境界に対してオフセット角度３０７で配置されるように回転される場合がある。

本明細書では、従来の画像処理手順を用いて角度付きＲＯＩ１０４を生成することは、非常に困難であるか、または不可能ですらある場合があることに注目している。たとえば、図９Ｃのように構造の一部分のみが回転されている場合、従来の画像処理手順では、角度付きＲＯＩ１０４を生成して正確に位置合わせすることが不可能な場合がある。さらに、従来の画像処理手順によって角度付きＲＯＩ１０４を生成可能である場合であっても、そのプロセスが実行不可能かつ非効率的になるほど計算コストが高くなる可能性がある。したがって、機械学習分類器を用いて角度付き分類済みＲＯＩ３０６を生成する機能により、様々な構造に対してより正確なＲＯＩ配置が提供されることがあり、かつ、より複雑で入り組んだ限界寸法測定が可能になることがあると考えられる。

別の実施形態では、制御部２０４は、１つまたは複数の分類済みＲＯＩ３０６内で、試験体２２０の１つまたは複数の測定値を検出するように構成される場合がある。たとえば図８Ｂに示すように、制御部２０４は、第１の注目測定値（ＭＯＩ３０４ａ）によって表される第１の限界寸法と、第２の注目測定値（ＭＯＩ３０４ｂ）によって表される第２の限界寸法とを測定するように構成されることがある。１つまたは複数の分類済みＲＯＩ３０６内で実施される１つまたは複数の測定は、当技術分野で知られている任意の測定を含むことができ、それには限界寸法（ＣＤ）の測定が含まれるが、それに限定されない。

なお、システム２００の１つまたは複数の構成要素は、当技術分野で知られている任意の方法でシステム２００の他の様々な構成要素に通信可能に接続される場合がある。たとえば、１つまたは複数のプロセッサ２０６は、有線（たとえば銅線、光ファイバケーブルなど）または無線接続（たとえばＲＦカップリング、ＩＲカップリング、ＷｉＭａｘ、ブルートゥース（登録商標）、３Ｇ、４Ｇ、４ＧＬＴＥ、５Ｇなど）で、互いまたは他の構成要素に通信可能に接続されることがある。別例として、制御部２０４は、当技術分野で知られている任意の有線または無線接続を介して、特性化サブシステム２０２の１つまたは複数の構成要素に通信可能に接続され得る。

一実施形態では、１つまたは複数のプロセッサ２０６は、当技術分野で知られている任意の１つまたは複数の処理素子を含み得る。この意味で、１つまたは複数のプロセッサ２０６は、ソフトウェアのアルゴリズムおよび／または命令を実行するように構成された任意のマイクロプロセッサ型デバイスを含むことがある。一実施形態では、１つまたは複数のプロセッサ２０６は、本開示全体にわたって説明するとおりにシステム２００を動作させるように構成されたプログラムを実行するように構成されたデスクトップコンピュータ、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、イメージコンピュータ、並列プロセッサ、または他のコンピュータシステム（たとえばネットワーク化されたコンピュータ）から成る場合がある。本開示全体にわたって説明されるステップは、単一のコンピュータシステムまたは複数のコンピュータシステムによって実行されることがあると認識すべきである。さらに、本開示全体にわたって説明されるステップは、１つまたは複数のプロセッサ２０６のうちの任意の１つまたは複数で実施されることがあると認識すべきである。一般に、「プロセッサ」という用語は、メモリ２０８からのプログラム命令を実行する１つまたは複数の処理素子を有する任意のデバイスを包含するように、広く定義され得る。また、システム２００の様々なサブシステム（たとえば照明源２１２、電子ビーム源２２８、検出器アセンブリ２２６、電子検出器アセンブリ２３４、制御部２０４、ユーザインタフェース２１０など）は、本開示全体にわたって説明されるステップの少なくとも一部分を実施するのに適したプロセッサまたは論理素子を含む場合がある。したがって、上記説明は、本開示の限定事項としてではなく、単なる例示として解釈されるべきである。

メモリ２０８は、関連する１つまたは複数のプロセッサ２０６によって実行可能なプログラム命令と、特性化サブシステム２０２から受信したデータとを格納するのに適した、当技術分野で知られている任意の記憶媒体を含むことができる。たとえば、メモリ２０８は、非一時的なメモリ媒体を含む場合がある。メモリ２０８はたとえば、リードオンリーメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気または光メモリデバイス（たとえばディスク）、磁気テープ、ソリッドステートドライブなどを含む場合があるが、それらに限定されない。さらなる留意点として、メモリ２０８は、１つまたは複数のプロセッサ２０６と共に、共通の制御部ハウジングに収容されることがある。代替の実施形態では、メモリ２０８は、プロセッサ２０６および制御部２０４などの物理的位置に対して遠隔に配置されることがある。別の実施形態では、メモリ２０８は、本開示全体にわたって説明される様々なステップを１つまたは複数のプロセッサ２０６に実施させるためのプログラム命令を保持する。

一実施形態では、ユーザインタフェース２１０は、制御部２０４に通信可能に接続される。一実施形態では、ユーザインタフェース２１０は、１つまたは複数のデスクトップ、タブレット、スマートフォン、スマートウォッチなどを含む場合があるが、それらに限定されない。別の実施形態では、ユーザインタフェース２１０は、システム２００のデータをユーザに対して表示するために使用されるディスプレイを含む。ユーザインタフェース２１０のディスプレイは、当技術分野で知られている任意のディスプレイを含むことができる。ディスプレイはたとえば、液晶ディスプレイ（ＬＣＤ）、有機発光ダイオード（ＯＬＥＤ）ベースのディスプレイ、またはＣＲＴディスプレイを含むことがあるが、それらに限定されない。ユーザインタフェース２１０と一体化可能な任意のディスプレイ装置が、本開示の実施形態として適していると、当業者は認識すべきである。別の実施形態では、ユーザは、ユーザに対して表示されるデータに応じた選択結果および／または命令を、ユーザインタフェース２１０のユーザ入力デバイスを介して入力する場合がある。

図１０は、本開示の１つまたは複数の実施形態による、適応関心領域（ＲＯＩ）の選択のための方法４００のフローチャートを示す。なお、方法４００のステップは、全部または一部分をシステム２００によって実施することができる。ただし、さらなる留意点として、方法４００のステップの全部または一部分が、追加または代替のシステムレベルの実施形態によって実施され得るという点において、方法４００はシステム２００に限定されない。

ステップ４０２では、特性化サブシステムを用いて、試験体の１つまたは複数のトレーニング用画像を取得する。たとえば図６Ａ～図６Ｂに示すように、光学式特性化サブシステム２０２ａおよび／またはＳＥＭ式特性化サブシステム２０２ｂは、試験体２２０の１つまたは複数のトレーニング用画像２２５を取得し、取得された１つまたは複数のトレーニング用画像２２５を制御部２０４に送信するように構成されることがある。

ステップ４０４では、１つまたは複数のトレーニング用ＲＯＩ選択結果を受け取る。たとえば図７Ａ～図７Ｂに示すように、制御部２０４は、１つまたは複数のトレーニング用画像２２５内における１つまたは複数のトレーニング用ＲＯＩ選択結果３０２を受信することがある。１つまたは複数のトレーニング用ＲＯＩ選択結果３０２は、１つまたは複数の注目測定値（ＭＯＩ３０４ａ、３０４ｂ）を含む場合がある。１つまたは複数のトレーニング用ＲＯＩ選択結果３０２は、当技術分野で知られている任意の技術を使用して受け取ることができる。たとえば、メモリ２０８に格納されたプログラム命令は、１つまたは複数のトレーニング用ＲＯＩ選択結果３０２を自動的に選択するように構成され得る。別例として、１つまたは複数のトレーニング用ＲＯＩ選択結果３０２は、ユーザインタフェース２１０を介して受信される場合がある。たとえば、ユーザインタフェース２１０のディスプレイ装置において、１つまたは複数のトレーニング用画像２２５をユーザに対して表示することがある。続いて、ユーザが、ユーザインタフェース２１０のユーザ入力デバイスを介して、１つまたは複数のトレーニング用ＲＯＩ選択結果３０２を表す１つまたは複数の入力コマンドを入力することがある。

ステップ４０６では、１つまたは複数のトレーニング用画像および１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて、機械学習分類器を生成する。機械学習分類器のトレーニングには、受信したトレーニング用画像２２５およびトレーニング用ＲＯＩ選択結果３０２に基づいて、１つまたは複数の注目測定値（ＭＯＩ３０４ａ、３０４ｂ）および／または測定すべき関心対象の特徴を識別するように機械学習分類器を教えることが含まれる。機械学習分類器は、当技術分野で知られている任意のタイプの機械学習アルゴリズムまたは分類器、ならびに／もしくは、深層学習技術または分類器を含むことができ、それには深層学習分類器、畳み込みニューラルネットワーク（ＣＮＮ）（たとえばGoogleNet、AlexNetなど）、アンサンブル学習分類器、ランダムフォレスト分類器、人工ニューラルネットワーク（ＡＮＮ）などが含まれるが、それらに限定されない。

ステップ４０８では、特性化サブシステムを用いて、試験体の１つまたは複数の製品画像を取得する。たとえば図６Ａ～図６Ｂに示すように、光学式特性化サブシステム２０２ａおよび／またはＳＥＭ式特性化サブシステム２０２ｂは、試験体２２０の１つまたは複数の製品画像２３５を取得し、取得された１つまたは複数の製品画像２３５を制御部２０４に送信するように構成されることがある。１つまたは複数の製品画像２３５は、１つまたは複数の注目測定値（ＭＯＩ３０４）の計測を通じてモニタリングすべき製品ウェハ（たとえば製品試験体２２０）の１つまたは複数の画像を含む場合がある。このモニタリングは、上述したように、限界寸法均一性（ＣＤＵ）を確保するために実施され得る。

ステップ４１０では、機械学習分類器を用いて、１つまたは複数の分類済みＲＯＩを生成する。たとえば図８Ｂおよび図９Ｂに示すように、機械学習分類器は、識別された第１の注目測定値（ＭＯＩ３０４ａ）および／または識別された第２の注目測定値（ＭＯＩ３０４ｂ）が分類済みＲＯＩ３０６に含まれるように、分類済みＲＯＩ３０６を生成するように構成される場合がある。

ステップ４１２では、１つまたは複数の分類済み関心領域内で、試験体の１つまたは複数の測定値を検出する。たとえば図８Ｂに示すように、制御部２０４は、第１の注目測定値（ＭＯＩ３０４ａ）によって表される第１の限界寸法と、第２の注目測定値（ＭＯＩ３０４ｂ）によって表される第２の限界寸法とを測定するように構成される場合がある。１つまたは複数の分類済みＲＯＩ３０６内で実施される１つまたは複数の測定は、当技術分野で知られている任意の測定を含むことができ、それには限界寸法（ＣＤ）の測定が含まれるが、それに限定されない。

本明細書に記載された構成要素（たとえば動作）、デバイス、オブジェクト、およびそれらに付随する説明が、概念を明確化するための例として用いられており、様々な構成上の変更が考えられると、当業者は認識する。したがって、本明細書では、記載された特定の例および付随する説明は、それらのより一般的な部類のものの典型を示すことを意図している。一般に、特定の例を用いることは、その部類のものの典型を示すことを目的としており、具体的な構成要素（たとえば動作）、デバイス、およびオブジェクトを含まないことを、限定事項と理解すべきでない。

本明細書に記載のプロセスおよび／またはシステムおよび／または他の技術を実現できる様々な手段（たとえばハードウェア、ソフトウェア、および／またはファームウェア）があり、プロセスおよび／またはシステムおよび／または他の技術が展開される状況によって好ましい手段が異なると、当業者は理解する。たとえば、速度と精度が最重要であると実施者が判断した場合、実施者は、主にハードウェアおよび／またはファームウェアの手段を選択する可能性がある。あるいは、柔軟性が最重要である場合、実施者は、主にソフトウェアの実施形態を選択する可能性がある。またあるいは、実施者は、ハードウェア、ソフトウェア、および／またはファームウェアの組み合わせを選択する可能性がある。したがって、本明細書に記載のプロセスおよび／またはデバイスおよび／または他の技術を実現可能な手段はいくつかあり、手段が展開される状況および実施者の関心事（たとえば速度、柔軟性、または予測可能性）は変動する可能性があり、且つ、利用されるいずれの手段もそれらの状況および関心事に応じて選択されるものであるという点において、いずれの手段も他の手段より本質的に優れているものではない。

上述の説明は、当業者が、特定の用途およびその要件のもとで本発明を実施および使用できるようにするために提示されている。本明細書では、「上部」、「下部」、「・・・の上方」、「・・・の下方」、「上側」、「上向き」、「下側」、「下」、および「下向き」などの方向に関する用語は、説明の目的で相対的な位置を提示することを意図しており、絶対的な座標系を指定することは意図していない。説明された実施形態に対する様々な修正は、当業者にとって明らかであり、本明細書で特定された一般原理は、他の実施形態にも適用され得る。したがって、本発明は、説明された特定の実施形態に限定されることを意図しておらず、本明細書に開示された原理および新規の特徴と一貫性がある最も広い保護範囲を与えられるべきである。

本明細書における実質的に全ての複数形および／または単数形の用語の使用に関して、当業者は、文脈および／または用途において適切になるように、複数形から単数形へ、および／または単数形から複数形へと変換することができる。記載を明確にするために、様々な単数形／複数形の置換例は、本明細書では明示的に示していない。

本明細書に記載のすべての方法は、方法実施形態の１つまたは複数のステップからの結果をメモリに格納することを含むことができる。結果には、本明細書で説明される結果のうちのいずれかが含まれることがあり、当技術分野で知られている任意の方法で保存され得る。メモリは、本明細書で説明される任意のメモリ、または当技術分野で知られている任意の他の適切な記憶媒体を含み得る。結果は、保存された後、メモリ内でアクセスされることができ、本明細書に記載の方法またはシステムの実施形態のうちのいずれかによって使用されたり、ユーザに対して表示するためにフォーマットされたり、他のソフトウェアモジュール、方法、またはシステムによって使用されたりすることができる。さらに、結果は「永続的に」、「半永続的に」、「一時的に」、またはある期間にわたって保存されることがある。たとえば、メモリはランダムアクセスメモリ（ＲＡＭ）である場合があり、結果はメモリ内で必ずしも無期限に保持されるとは限らない。

また、上述の方法の各実施形態には、本明細書に記載の他のいずれかの方法の任意の他のステップが含まれることがあると考えられる。さらに、上述の方法の各実施形態は、本明細書に記載のシステムのいずれかによって実施され得る。

本明細書に記載の内容において、別の構成要素が他の構成要素に包含または接続されていると説明されることがある。そのように描写された構成は例示的にすぎず、実際に、同じ機能を実現する他の多くの構成が実施可能であると理解すべきである。概念的な意味において、同じ機能を実現するための複数の構成要素の配置はいずれも、所望の機能が実現されるように効果的に「関連付け」されている。したがって、特定の機能を実現するように組み合わされた任意の２つの構成要素は、構成または中間的構成要素にかかわらず、所望の機能が実現されるように互いに「関連付け」されていると見なすことができる。同様に、そのように関連付けされた任意の２つの構成要素は、所望の機能を実現するために互いに「接続」または「結合」されていると見なすこともでき、さらに、そのように関連付け可能な任意の２つの構成要素は、所望の機能を実現するために互いに「結合可能」であると見なすこともできる。結合可能の具体例としては、物理的に係合可能および/または物理的に相互作用する構成要素、無線で相互作用可能および／または無線で相互作用する構成要素、論理的に相互作用するおよび／または論理的に相互作用可能な構成要素などが挙げられるが、それらに限定されない。

また、本発明は、添付の特許請求の範囲によって定義されると理解すべきである。当業者は、本明細書、特に添付の特許請求の範囲（たとえば添付の請求項の後段部）で使用される用語が、一般に「オープン」な用語として意図されている（たとえば「含む」という用語は「含むがそれに限定されない」と解釈されるべきであり、「有する」という用語は「少なくとも・・・を有する」と解釈されるべきであり、「備える」という用語は「備えるがそれに限定されない」と解釈されるべきである、など）と理解する。さらに、提示されたクレーム記載における特定の数を意図する場合、そのような意図は請求項に明示的に記載され、そのような記載がない場合はそのような意図は存在しないと、当業者は理解する。たとえば、理解の一助として述べるが、以下の添付の特許請求の範囲では、導入句「少なくとも１つの」および「１つまたは複数の」を用いて請求項の記載を提示する場合がある。しかし、そのような句の使用は、不定冠詞「a」または「an」によるクレーム記載の提示によって、そのように提示されたクレーム記載を含む特定のクレームが、その記載事項を１つだけ含む発明に限定されること示唆すると解釈すべきでなく、それは、同じクレームに、「１つまたは複数の」または「少なくとも１つの」という導入句と、「a」または「an」などの不定冠詞とが含まれている場合であっても当てはまる（たとえば、「a」および／または「an」は通常、「少なくとも１つの」または「１つまたは複数の」を意味すると解釈すべきである）。さらに、クレーム記載の提示に用いられる定冠詞の使用についても、同じことが当てはまる。また、提示されたクレーム記載に特定の数が明示されている場合でも、そのような記載は通常、少なくとも記載された数を意味すると、当業者は解釈すべきである（たとえば、他の修飾語なしの「２つの記載」というそれだけの記載は通常、「少なくとも２つの記載」または「２つまたはそれ以上の記載」を意味する）。さらに、「Ａ、Ｂ、およびＣなどのうちの少なくとも１つ」に類似する慣用句が使用される場合、そのような構文は一般に、当業者がその慣用句を理解するという意味で意図されている（たとえば「Ａ、Ｂ、およびＣのうちの少なくとも１つを有するシステム」には、Ａのみ、Ｂのみ、Ｃのみ、ＡおよびＢを一緒に、ＡおよびＣを一緒に、ＢおよびＣを一緒に、ならびに／もしくはＡ、Ｂ、およびＣを一緒に有するシステムなどが含まれるが、それらに限定されない）。「Ａ、Ｂ、またはＣなどの少なくとも１つ」に類似する慣用句が使用される場合、そのような構文は一般的に、当業者がその慣用句を理解するという意味で意図されている（たとえば「Ａ、Ｂ、またはＣの少なくとも１つを有するシステム」には、Ａのみ、Ｂのみ、Ｃのみ、ＡおよびＢを一緒に、ＡおよびＣを一緒に、ＢおよびＣを一緒に、ならびに／もしくはＡ、Ｂ、およびＣを一緒に有するシステムなどが含まれるが、それらに限定されない）。また、明細書、特許請求の範囲、または図面のいずれにおいても、２つまたはそれ以上の選択項目を提示する事実上すべての選言的な語および／または句は、項目のうちの１つ、項目のうちの片方、または両項目を含む可能性が考えられると理解すべきであると、当業者は理解する。たとえば、「ＡまたはＢ」という句は、「Ａ」または「Ｂ」または「ＡおよびＢ」の可能性を含むと理解される。

本開示およびそれに付随する利点の多くは前述の説明によって理解され、開示された内容から逸れることなく、且つ、全ての重要な利点を犠牲にすることなく、構成要素の形態、構造、および配置に様々な変更を加えることができることが明らかになると考えられる。説明された形態は説明的にすぎず、以下の請求項は、そのような変更を網羅および包含することが意図される。さらに、本発明は、添付の特許請求の範囲によって定義されると理解すべきである。

Claims (16)

1. システムであって、
   試験体の１つまたは複数の画像を取得するように構成され、照明源と検出アセンブリを含む特性化サブシステムと、
   メモリに格納されたプログラム命令のセットを実行するように構成された１つまたは複数のプロセッサを含む制御部と、を備え、前記プログラム命令のセットは、
   試験体の１つまたは複数のトレーニング用画像を前記特性化サブシステムから受信することと、
   前記１つまたは複数のトレーニング用画像内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受信することと、
   前記１つまたは複数のトレーニング用画像および前記１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて機械学習分類器を生成することであり、前記機械学習分類器は、前記１つまたは複数のトレーニング用画像および前記１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて、試験体についての１つまたは複数の注目測定値を識別するように構成されており、
   試験体の１つまたは複数の製品画像を前記特性化サブシステムから受信することと、
   前記機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することと、
   前記１つまたは複数の分類済み関心領域内で前記試験体についての１つまたは複数の測定値を検出することを、前記１つまたは複数のプロセッサに実施させるように構成されており、
   前記機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することは、
   前記１つまたは複数の製品画像内における１つまたは複数の製品ＲＯＩ選択結果を受信することと、
   前記機械学習分類器を用いて前記１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することにより、前記１つまたは複数の分類済み関心領域を生成することを含む、
   システム。
2. 請求項１に記載のシステムであって、少なくとも１つの製品ＲＯＩ選択結果は、ユーザインタフェースを介して受信される、システム。
3. 請求項１に記載のシステムであって、前記機械学習分類器を用いて前記１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することは、
   前記機械学習分類器を用いて、少なくとも１つの製品ＲＯＩ選択結果のサイズおよび形状のうちの少なくとも１つを適応的に修正することを含む、システム。
4. 請求項１に記載のシステムであって、前記機械学習分類器を用いて前記１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することは、
   前記機械学習分類器を用いて少なくとも１つの製品ＲＯＩ選択結果の向きを適応的に修正することにより、前記少なくとも１つの製品ＲＯＩ選択結果に対して回転された分類済み関心領域を生成することを含む、システム。
5. 請求項１に記載のシステムであって、前記機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することは、
   前記１つまたは複数の製品画像内における１つまたは複数の製品注目パターン（ＰＯＩ）選択結果を受信することと、
   前記１つまたは複数の製品ＰＯＩ選択結果に基づいて前記１つまたは複数の分類済み関心領域を生成することを含む、システム。
6. 請求項１に記載のシステムであって、前記１つまたは複数の測定値は、前記１つまたは複数の分類済み関心領域内の限界寸法の測定値を含む、システム。
7. 請求項１に記載のシステムであって、前記特性化サブシステムは、走査型電子顕微鏡（ＳＥＭ）式サブシステムおよび光学式特性化サブシステムのうちの少なくとも１つを含む、システム。
8. 請求項１に記載のシステムであって、少なくとも１つのトレーニング用ＲＯＩ選択結果は、ユーザインタフェースを介して受信される、システム。
9. 請求項１に記載のシステムであって、前記機械学習分類器は、深層学習分類器、畳み込みニューラルネットワーク（ＣＮＮ）、アンサンブル学習分類器、ランダムフォレスト分類器、および人工ニューラルネットワークのうちの少なくとも１つを含む、システム。
10. システムであって、
    メモリに格納されたプログラム命令のセットを実行するように構成された１つまたは複数のプロセッサを含む制御部を備え、前記プログラム命令のセットは、
    試験体の１つまたは複数のトレーニング用画像を受信することと、
    前記１つまたは複数のトレーニング用画像内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受信することと、
    前記１つまたは複数のトレーニング用画像および前記１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて機械学習分類器を生成することであり、前記機械学習分類器は、前記１つまたは複数のトレーニング用画像および前記１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて、試験体についての１つまたは複数の注目測定値を識別するように構成されており、
    試験体の１つまたは複数の製品画像を受信することと、
    前記機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することと、
    前記１つまたは複数の分類済み関心領域内で前記試験体についての１つまたは複数の測定値を検出することを、前記１つまたは複数のプロセッサに実施させるように構成されており、
    前記機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することは、
    前記１つまたは複数の製品画像内における１つまたは複数の製品ＲＯＩ選択結果を受信することと、
    前記機械学習分類器を用いて前記１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することにより、１つまたは複数の分類済み関心領域を生成することを含む、システム。
11. 請求項１０に記載のシステムであって、前記機械学習分類器を用いて前記１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することは、
    前記機械学習分類器を用いて、少なくとも１つの製品ＲＯＩ選択結果のサイズおよび形状のうちの少なくとも１つを適応的に修正することを含む、システム。
12. 請求項１０に記載のシステムであって、前記機械学習分類器を用いて前記１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することにより１つまたは複数の分類済み関心領域を生成することは、
    前記機械学習分類器を用いて少なくとも１つの製品ＲＯＩ選択結果の向きを適応的に修正することにより、前記少なくとも１つの製品ＲＯＩ選択結果に対して回転された分類済み関心領域を生成することを含む、システム。
13. 請求項１０に記載のシステムであって、前記１つまたは複数の測定値は、前記１つまたは複数の分類済み関心領域内の限界寸法の測定値を含む、システム。
14. 請求項１０に記載のシステムであって、少なくとも１つのトレーニング用ＲＯＩ選択結果は、ユーザインタフェースのユーザ入力デバイスから受信される、システム。
15. 請求項１０に記載のシステムであって、前記機械学習分類器は、深層学習分類器、畳み込みニューラルネットワーク（ＣＮＮ）、アンサンブル学習分類器、ランダムフォレスト分類器、および人工ニューラルネットワークのうちの少なくとも１つを含む、システム。
16. 方法であって、
    特性化サブシステムを用いて試験体の１つまたは複数のトレーニング用画像を取得することと、
    前記１つまたは複数のトレーニング用画像内における１つまたは複数のトレーニング用関心領域（ＲＯＩ）選択結果を受け取ることと、
    前記１つまたは複数のトレーニング用画像および前記１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて機械学習分類器を生成することであり、前記機械学習分類器は、前記１つまたは複数のトレーニング用画像および前記１つまたは複数のトレーニング用ＲＯＩ選択結果に基づいて、試験体についての１つまたは複数の注目測定値を識別するように構成されており、
    前記特性化サブシステムを用いて試験体の１つまたは複数の製品画像を取得することと、
    前記機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することと、
    前記１つまたは複数の分類済み関心領域内で前記試験体についての１つまたは複数の測定値を検出すること、
    を含み、
    前記機械学習分類器を用いて１つまたは複数の分類済み関心領域を生成することは、
    前記１つまたは複数の製品画像内における１つまたは複数の製品ＲＯＩ選択結果を受信することと、
    前記機械学習分類器を用いて前記１つまたは複数の製品ＲＯＩ選択結果の１つまたは複数の特性を適応的に修正することにより、１つまたは複数の分類済み関心領域を生成することを含む、方法。
    

Images