JP7298016B2 - 診断システム - Google Patents

診断システム Download PDF

Info

Publication number
JP7298016B2
JP7298016B2 JP2022512905A JP2022512905A JP7298016B2 JP 7298016 B2 JP7298016 B2 JP 7298016B2 JP 2022512905 A JP2022512905 A JP 2022512905A JP 2022512905 A JP2022512905 A JP 2022512905A JP 7298016 B2 JP7298016 B2 JP 7298016B2
Authority
JP
Japan
Prior art keywords
error
learning
inspection
sample
computer system
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
JP2022512905A
Other languages
English (en)
Other versions
JPWO2021199164A1 (ja
Inventor
二大 笹嶋
正幹 高野
和弘 植田
昌義 石川
泰浩 吉田
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.)
Hitachi High Tech Corp
Original Assignee
Hitachi High Tech Corp
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 Hitachi High Tech Corp filed Critical Hitachi High Tech Corp
Publication of JPWO2021199164A1 publication Critical patent/JPWO2021199164A1/ja
Application granted granted Critical
Publication of JP7298016B2 publication Critical patent/JP7298016B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/24—Circuit arrangements not adapted to a particular application of the tube and not otherwise provided for
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0264—Control of logging system, e.g. decision on which data to store; time-stamping measurements
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Selective Calling Equipment (AREA)
  • Air Bags (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Hardware Redundancy (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Description

本開示は、試料を検査する検査装置の状態を診断する診断システムに関する。
半導体デバイスの測定や検査に用いられる走査電子顕微鏡（Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ：ＳＥＭ）は、測定や検査条件が設定された制御プログラム（以下、レシピと称する場合もある）によって制御される。例えば走査電子顕微鏡の中でもＣＤ－ＳＥＭ（Ｃｒｉｔｉｃａｌ Ｄｉｍｅｎｓｉｏｎ－ＳＥＭ）は、量産によって製造される試料を定点観測的に計測し、その出来栄えを確認するために用いられている。
下記特許文献１には、試料の製造条件の変動等によって、レシピの設定条件が試料を計測するのに適さなくなり、エラーを発生した場合であっても、そのエラー発生要因を特定する技術を開示している。同文献は、パターンマッチングの一致度を示すスコア、パターンマッチング前後の座標のずれ、あるいはオートフォーカス前後のレンズの変動量の計時的な変化を表示するレシピの診断装置を開示している。
特開２０１０－８７０７０号公報（対応米国特許公開公報ＵＳ２０１１／０１４７５６７）
特許文献１の装置を用いて、パターンマッチングの一致度等の変動を評価し、適切なタイミングでレシピを調整することによって、ＣＤ－ＳＥＭ等の稼働率を高い状態に維持することができる。しかしエラー発生要因にはさまざまな理由が考えられるので、パターンマッチング等の一致度の推移を評価するたけでは、適切な調整を実施できない場合がある。また、エラーの発生要因は試料の製造条件の変動だけではなく、外部環境の変化やＣＤ－ＳＥＭ等の装置条件の変化なども考えられる。また、初期のレシピの設定条件自体が、計測に適さないものである場合も考えられる。
本開示は、以上のような課題に鑑みてなされたものであり、複数の要因、あるいは複数の複合要因が考えられるエラーであっても、適切に原因特定できる診断システムを提案するものである。
本開示に係る診断システムは、検査装置の動作を規定したレシピ、前記装置の状態を記述したログデータ、または前記試料の特性を記述した試料データのうち少なくともいずれかを、前記装置のエラーの種類と対応付けて学習する学習器を備え、前記学習器を用いて、前記エラーの原因を推定する。
本開示に係る診断システムによれば、検査装置のエラー要因として、複数の要因、あるいは複数の複合要因が考えられる場合であっても、適切に原因特定できる。
複数の画像取得ツールを含む計測システム１０の１例を示す図である。 図１に例示した計測システムを管理する診断システムの１例を示す図である。 試料上に形成されている計測対象パターンの例である。 図１に例示するコンピュータシステム１０３をより具体的に示す図である。 エラー要因の特定、生成された計測レシピの信頼度、エラーの予兆診断等を実施するシステムの学習工程を示すフローチャートである。 教師データを学習する様子を示す模式図である。 図５に例示した学習フェーズを経て構築された学習モデルを用いた推定フェーズを示すフローチャートである。 コンピュータシステム１０３がエラー要因を推定した結果を記述したレポートの例である。 レシピ実行しているときに発生するエラーをトリガにして、学習器を学習させる工程を示すフローチャートである。 エラー発生時の装置復旧と学習モデルの再学習の工程を示すフローチャートである。 予兆診断を実施する学習器の学習工程を示すフローチャートである。 図１１にしたがって学習された学習モデルを用いてエラーの予兆を診断する手順を説明するフローチャートである。 エラーが発生したときに、ＣＤ－ＳＥＭ等から出力されるエラーの種類情報と、ログデータを用いて学習器を学習させる学習条件を設定するＧＵＩ画面の１例を示す図である。 教師なし学習を実施し、当該教師なし学習に基づいて生成される学習済モデルを用いて、エラー要因の診断を実施する診断システムの１例を示す図である。 クラスタリングによって構築した学習モデルの模式図である。 教師なし学習によって学習モデルを学習させる工程を示すフローチャートである。 サーチアラウンドを実施する様子を示す模式図である。 Ｓ２００３で実行する異常判定の例を説明する図である。 本開示の実施形態３に係る装置４１００の構成図である。 ３台の装置（ＣＤ-ＳＥＭ）４１００（４１００－１、４１００－２、４１００－３）が、バスあるいはネットワークを介して、コンピュータシステム４１２０に接続された計測システムの１例を示す図である。 各装置におけるステージ位置精度の解析を実施する解析画面の１例である。 スキャンオーバーラップテスト画面の１例である。 スキャンオーバーラップテストの開始から終了までの一連の流れを示したフローチャートである。 Ｓ４５０８の詳細ステップを示したフローチャートである。 スキャンオーバーラップテストの実行結果を示した画面の１例である。
＜実施の形態１＞
以下に、計測あるいは検査装置（以下では単に検査装置と呼ぶ）が発生するエラーの要因を、検査装置の装置条件、検査装置の検査条件、などを入力することによって出力するシステムについて説明する。また、装置条件等の入力に基づいて、エラー発生の予兆を検知する診断システムについて説明する。
図１は、複数の画像取得ツールを含む計測システム１０の１例を示す図である。画像取得ツールは、例えば半導体ウエハ上に形成されたパターンに対し、電子ビームを走査することによって得らえる電子（２次電子や後方散乱電子等）を検出することによって画像を形成するＳＥＭである。本実施形態１ではＳＥＭの１例として、検出信号に基づいてパターンの寸法や形状を計測する計測装置の１種であるＣＤ－ＳＥＭを例にとって説明するが、これに限られることはなく、与えられた座標情報に基づいて、異物や欠陥を検査するレビューＳＥＭであってもよい。また、例えばイオンビームの走査に基づいて画像を生成する集束イオンビーム装置を画像生成ツールとすることも可能である。
図１のシステムには３台のＣＤ－ＳＥＭ１００、１０１、１０２が含まれている。さらに図１に例示するシステムには、これらＣＤ－ＳＥＭとバス、あるいはネットワークを介してコンピュータシステム１０３が接続されている。コンピュータシステム１０３には、コンピュータシステム１０３に対してデータを入出力する入出力装置１０４が接続されている。コンピュータシステム１０３は、ＣＤ－ＳＥＭの動作プログラムであるレシピが記憶された計測レシピ記憶媒体１０５、ＣＤ－ＳＥＭの現在までの装置状態が記憶されたログ情報記憶媒体１１３、ＣＤ－ＳＥＭの計測対象である試料情報が記憶された試料情報記憶媒体１０６、半導体デバイスの設計データが記憶された設計データ記憶媒体１１４へアクセスできる。
コンピュータシステム１０３は、１以上のコンピュータサブシステムによって構成されている。コンピュータシステム１０３には、コンピュータ可読媒体１０８と、コンピュータ可読媒体１０８に記憶されている各コンポーネント（モジュール）を実行する処理ユニット１０７が含まれている。コンピュータ可読媒体１０８には、上述したようなコンピュータシステム１０３にアクセス可能に接続されている記憶媒体に記憶された情報を解析する解析コンポーネント１０９が記憶されている。解析コンポーネント１０９には、レシピ解析コンポーネント１１０、サンプル解析コンポーネント１１１、装置解析コンポーネント１１２が含まれている。
計測レシピ記憶媒体１０５には、試料（例えば半導体ウエハ）の種類に応じて、計測点数、計測点（Ｅｖａｌｕａｔｉｏｎ Ｐｏｉｎｔ：ＥＰ）の座標情報、画像を撮像する際の撮像条件、撮像シーケンス等が記憶されている。また、計測点に併せて計測点を計測するための準備段階で取得される画像の座標や撮像条件などが記憶されている。
準備段階で取得される画像は、例えば正確な視野位置を特定するための低倍率（広い視野の）画像、計測対象パターン以外の位置でビームの光学条件を調整するための画像などである。低倍率画像は、計測対象パターンと既知の位置関係にあるユニークな形状のパターン（アドレッシングパターン：ＡＰ）を含むように撮像される画像である。低倍率画像は、低倍率画像上であらかじめ登録されたＡＰと同じ形状のパターンを含むテンプレート画像を用いたパターンマッチングを実施することによって、アドレッシングパターン位置を特定し、さらにアドレッシングパターンと既知の位置関係にある計測対象パターンを特定するために用いられる。光学条件を調整するための画像とは、例えば自動焦点（Ａｕｔｏ Ｆｏｃｕｓ（ＡＦ））調整、自動非点補正（Ａｕｔｏ Ａｓｔｉｇｍａｔｉｓｍ（ＡＳＴ））、自動輝度・コントラスト調整（Ａｕｔｏ Ｂｒｉｇｈｔｎｅｓｓ Ｃｏｎｔｒａｓｔ Ｃｏｎｔｒｏｌ：ＡＢＣＣ）用の画像である。
画像を撮像する際の撮像条件とは、ビームの加速電圧、視野（Ｆｉｅｌｄ Ｏｆ Ｖｉｅｗ：ＦＯＶ）サイズ、プローブ電流、レンズ条件、フレーム数（積算枚数）などである。これらの撮像条件と座標は、取得画像ごとに設定される。撮像シーケンスとは、例えば計測に至るまでのＣＤ－ＳＥＭの制御手順である。
計測レシピ記憶媒体１０５には上述の例以外にも種々の計測条件が記憶されており、コンピュータシステム１０３は、必要に応じて記憶情報を読み出すことができる。
ログ情報記憶媒体１１３には、現在に至るまでの装置情報が、レシピ、試料情報、あるいは装置情報を取得した時間等と関連付けて記憶されている。具体的には、アドレッシングパターンを用いた位置特定の際の低倍率画像内のアドレッシングパターンの位置情報（例えば所定位置からのずれなど）、ＡＦに要した時間、画像数、ＡＢＣＣを実行したときの検出器出力のゲインやバイアス、パターンの寸法情報、ピーク高さなどである。また、ＣＤ－ＳＥＭに設けられた各種センサ等の出力、電極、コイル、検出器等に供給する電圧値、電流値、ＤＡＣ値等の制御信号等も併せて記憶させるようにしてもよい。
試料情報記憶媒体１０６には、計測対象となる半導体ウエハの製造条件等が記憶されている。例えば計測対象がレジストパターンである場合、レジストパターンをパターニングするために用いられた露光機の種類、露光条件（ドーズ量、フォーカス値等）、レジスト材料の種類、膜厚、寸法値等がある。
設計データ記憶媒体１１４には、半導体パターンのレイアウトデータが記憶されている。
コンピュータシステム１０３は、ＣＤ－ＳＥＭの出力や上記記憶媒体に記憶された情報に基づいて、ＣＤ－ＳＥＭで発生したエラー要因の特定、生成された計測レシピの信頼度、エラーの予兆診断等を実施する。具体的な処理内容については後述する。
図２は、図１に例示した計測システムを管理する診断システムの１例を示す図である。診断システム２０６は、複数のＣＤ－ＳＥＭ１００、１０１、１０２、図１に例示するような種々の情報を記憶する記憶媒体２０１、入出力装置１０４、およびコンピュータシステム（サブシステム）１０３を含む複数の計測システム１０の出力に基づいて、エラー要因の特定、生成された計測レシピの信頼度、エラーの予兆診断等を実施する。具体的な処理内容は後述する。
図３は、試料上に形成されている計測対象パターンの例である。撮像シーケンスとしては、例えば計測対象パターン１５０２の上端の幅を計測する場合、まず、アドレッシング用の低倍率画像１５０１を取得し、テンプレート画像１５０３を用いたパターンマッチングによってアドレッシングパターン１５０４の位置を特定する。アドレッシングパターン１５０４と計測対象パターン１５０２との間の距離を、ＣＤ－ＳＥＭに内蔵されたビーム偏向器の偏向可能範囲内に設定しておくことによって、アドレッシングパターンの位置が特定できれば、その後はステージ移動を伴うことなく、ビーム偏向のみで計測用の視野１５０６にビームを照射することができる。
撮像シーケンスを設定する場合には、例えばアドレッシング、ＡＳＴを実行するためのパターン１５０５の所定位置への視野１５０６の位置付け、ＡＦを実施するための所定位置への視野１５０７の位置付け、ＡＢＣＣを実行するための所定位置への視野１５０８の位置付け、および計測を実施するための位置への視野１５０９の位置付けを実施するための手順を決め、そのような順序でＣＤ－ＳＥＭが制御されるように条件設定を実施する。さらに、視野１５０９に対するビーム走査によって得られる計測用高倍率画像１５１０上の測定基準を決定する計測カーソル１５１１の位置や大きさなども決定する。
図４は、図１に例示するコンピュータシステム１０３をより具体的に示す図である。図４に例示するように、コンピュータシステム１０３は、入力インターフェース４０４、教師データ生成部４０５、教師データ生成部４０５によって生成された教師データを格納する教師データ格納部４０６、学習部４０７、教師データに基づいて学習した学習モデルを格納する学習モデル格納部４０８を備えている。さらに、コンピュータシステム１０３は、学習モデル格納部４０８に格納された学習モデルに入力データを入力させることにより、結果を推定する推定部１（４０９）、推定部２（４１０）、推定部３（４１１）、推定部４（４１２）を備えている。これら推定部の出力（推定結果）は、出力インターフェース４１３を介して、入出力装置１０４の表示装置等に表示される。
入力インターフェース４０４を介して入力されるデータは、学習フェーズであれば、ラベル情報記憶媒体４０１からエラーの種類等の情報が入力され、学習用情報記憶媒体４０２からエラー発生時のレシピ情報、ＣＤ－ＳＥＭのログデータ、試料情報等が入力される。推定フェーズであれば、推定用情報記憶媒体４０３に記憶されたレシピ情報やログデータ等である。なお、コンピュータシステム１０３は、図示しないＣＰＵ、ＧＰＵ等を備えている。
教師データ生成部４０５は、入力インターフェース４０４を介してエラー種の情報とレシピ情報等が入力された場合に、教師データを生成する。学習部４０７は、教師データ格納部４０６に格納されている教師データを用いてエラー種推定のための学習モデルを生成する。学習部４０７は、入出力装置１０４から入力されるリクエストに応じて、教師データ格納部４０６に格納されているデータに基づく学習モデル（学習器）を生成し、生成された学習モデルを学習モデル格納部４０８に格納する。
推定部は、エラー種等を学習モデルに基づいて推定する。推定部１（４０９）は例えばレシピ情報の入力に基づいて、エラー種を推定する。推定部２（４１０）は例えばログデータの入力に基づいて、エラー種を推定する。推定部３（４１１）は例えば試料情報に基づいてエラー種を推定する。推定部４（４１２）は例えば３つの推定部の出力に基づいて、エラー種を推定する。エラー発生要因は１つの原因だけではなく、複数の要因が複合して発生する場合もあるので、図４に例示するシステムでは、推定部４（４１２）は、３つの推定器の出力に基づいて、エラーを発生する主要因、あるいは関連する要因を推定している。しかし推定手順はこれに限られることはなく、例えば１つの推定器を用いてエラー要因を推定するようにしてもよい。
推定部が推定した情報を新たな教師データとしてフィードバックすることもできる。一点鎖線で示された矢印のように、推定部において推定された情報と、オペレータの判断結果等を教師データとして、教師データ格納部４０６へ出力するようにしてもよい。図４の実線で示された矢印は、学習フェーズにおけるデータの流れを示し、破線は推定フェーズにおけるデータの流れを示している。
学習モデルは例えば、ニューラルネットワークにより構成される。ニューラルネットワークは、入力層に入力された情報が、中間層、出力層へと順に伝搬されることにより、出力層からエラー種情報等を出力する。中間層は、複数の中間ユニットから構成されている。入力層に入力された情報は、各入力ユニットと各中間ユニットとの間の結合係数によって重みづけされ、各中間ユニットに入力される。中間ユニットに対する入力が加算されることによりその中間ユニットの値となる。中間ユニットの値は入出力関数によって非線形変換される。中間ユニットの出力は、各中間ユニットと各出力ユニットとの間の結合係数によって重み付けされ、各出力ユニットに対して入力される。出力ユニットに対する入力が加算されることにより出力層の出力値となる。
学習を進めることにより、ユニット間の結合係数や、各ユニットの入出力関数を記述する係数などのパラメータ（定数、係数など）が、次第に最適化される。記憶部３０５は、ニューラルネットワークの学習結果として、それらの最適化した値を記憶する。学習器としてニューラルネットワーク以外を用いた場合も同様に、学習過程において最適化したパラメータを記憶部３０５が記憶する。以下の実施形態においても同様である。
図４に例示するシステムは、ＣＤ－ＳＥＭ等から出力される装置情報（例えばログデータとして記憶された装置情報）、ＣＤ－ＳＥＭの計測条件（レシピの設定条件等）の少なくとも１つと、検査装置のエラー発生要因、検査装置の装置調整条件、検査装置の検査条件の少なくとも１つを含む教師データを用いて学習させた学習モデルに基づいて推定する推定器（学習器）に、取得した装置情報、検査条件の少なくとも一方を入力して、検査装置のエラー発生要因、検査装置の装置調整条件、および検査装置の検査条件の少なくとも１つを出力するシステムである。
図５は、エラー要因の特定、生成された計測レシピの信頼度、エラーの予兆診断等を実施するシステムの学習工程を示すフローチャートである。本フローチャートは、コンピュータシステム１０３が実施する。以下、図４に例示するシステムの学習フェーズを、図５に例示するフローチャートを用いて説明する。
まず、ＣＤ－ＳＥＭの計測条件、装置条件を初期設定する（Ｓ３０１）。初期設定条件とは例えば、適正にレシピで設定された計測条件であり、かつレシピで設定された条件に応じた通常の装置条件である。
次に装置条件、および計測条件の少なくとも１つのパラメータを変更し（Ｓ３０２）、設定された条件でＣＤ－ＳＥＭを用いた計測処理を実行する、（Ｓ３０３）。例えばレシピで設定されている条件のうち、図３に例示した低倍率画像１５０１のＦＯＶサイズを変化させる場合を考える。ＦＯＶサイズを過度に小さくした場合、ステージの停止精度によっては、アドレッシングパターン１５０４が低倍率画像の枠から外れ、アドレッシングエラーが発生する可能性がある。一方でＦＯＶサイズを大きくし過ぎると、近接する他の計測パターンとの距離が近くなり、ビーム照射によって付着した帯電によって、他の計測パターンを計測する際のビームが偏向され、ビームドリフトによる計測誤差等が発生する可能性がある。レシピの設定条件によっては、エラー原因となる可能性がある。また、電源異常等により、ビームの試料への到達エネルギーが変わると、帯電状況や画像の見え方が異なり、アドレッシングエラーやフォーカスエラー等を誘引する可能性もある。
Ｓ３０２において装置条件や計測条件を変えることによって、エラーが発生し易い状態を作り出す。その状態で装置を運用したときのエラー発生の有無、エラーの種類を特定し、学習器のラベル情報とするとともに、変化させたパラメータの種類、変化の程度、変化させたパラメータと他のパラメータとの組み合わせ等とのデータセットから教師データを生成し（Ｓ３０４）、学習器を学習させることによって（Ｓ３０５）、エラーの種類の特定が可能な学習器を構築することができる。
パラメータの変更は、初期値に対して大きくする場合と小さくする場合の双方実施することが望ましく、また、複数段階に変更することが望ましい。さらに、異なる種類のパラメータ変動の複合条件でエラーが発生する場合もあるので、種々のパラメータ変更の組み合わせ毎に教師データを生成することが望ましい。
図６は、教師データを学習する様子を示す模式図である。図７に例示するように、装置の条件（エラー発生をもたらすパラメータ変動）とエラーの種類情報をデータセットとして、教師データを生成することによって、エラー要因の特定が可能な学習器を構築することができる。
エラーの種類だけではなく、変動量をパラメータの調整量として教師データを構築することも可能である。この場合、エラーの種類だけではなく、エラー復旧のためのレシピの調整条件をも推定することが可能となる。また、学習用データとして、レシピに登録された計測条件等とともに、あるいはこれに替えてエラー発生時に生成した画像データから教師データを生成するようにしてもよい。画像に現れた特徴とエラーとの間に相関がある場合は、学習データに基づいて教師データを生成することで、エラーの予兆診断を実施することが可能となる。
さらに、単なる静止画ではなく、動画、あるいは複数の連続像を教師データとすることも可能である。例えばオートフォーカス実行時に取得される複数の画像（連続像）、あるいはこれら複数の画像から生成される動画に基づいて教師データを生成するようにしてもよい。オートフォーカス実行時には基本的に同じＦＯＶを連続して走査することになるが、複数回の走査によって帯電が蓄積し、画像がドリフトを起こす場合がある。このような場合、静止画では現れないエラー固有の情報が動画等に含まれている場合がある。このような場合、動画や連続像に基づいて教師データを生成することによって、高精度にエラー推定を実施することが可能となる。
図７は、図５に例示した学習フェーズを経て構築された学習モデルを用いた推定フェーズを示すフローチャートである。コンピュータシステム１０３は、ＣＤ－ＳＥＭが出力するエラー信号を受信すると（Ｓ６０１）、エラー要因の推定処理を実行する。コンピュータシステム１０３は、エラー信号に応じた、評価対象として選択されたあるいは評価対象となる全てのパラメータ情報を、各記憶媒体あるいはＣＤ－ＳＥＭから収集する（Ｓ６０２）。エラーの種類によってはパラメータが特定できる場合があるので、その場合には学習器を用いた推定を実施する前処理として、パラメータを選択する。また、許容値をあらかじめ用意し、当該許容値を超えた変動が大きなパラメータだけを選択（Ｓ６０３）して推定を実施するようにしてもよい。
コンピュータシステム１０３は、以上のようにして選択、あるいは収集されたパラメータを学習器（推定部）に入力することによって（Ｓ６０４）、学習器の出力としてエラー要因等の推定結果を取得する（Ｓ６０５）。コンピュータシステム１０３は、推定したエラー要因を出力する（Ｓ６０６）。
図７のフローチャートでは、ＣＤ－ＳＥＭ等が出力するエラー信号を受信したとき、エラー要因を推定する工程を例示しているが、エラー信号ではなく、寸法測定結果、アドレッシング時のマッチングスコア低下、あるいはアドレッシングの検出位置の間違え等、エラーとして認識はされないものの、適切な計測や検査が行われていない可能性を示唆する情報の受信に基づいて、計測精度等の低下をもたらす現象が発生している状態を推定するようにしてもよい。例えばパターンの寸法測定結果が所定の許容範囲を逸脱しているような場合、パターン自体が変形している可能性もあるが、一方でフォーカスエラー等によって、エッジがぼけた結果、寸法測定結果が異常な状態を示している場合もある。よって、寸法測定結果等の変動をトリガとして（すなわち測定精度があらかじめ定めた許容範囲を逸脱したとき）推定処理を実施することによって、レシピ等の適正化や装置起因の異常状態発生のタイミングを特定することが可能となる。
図８は、コンピュータシステム１０３がエラー要因を推定した結果を記述したレポートの例である。レポートの出力情報には、ＣＤ－ＳＥＭが出力するエラー情報、および学習器によって推定された推定結果が含まれている。具体的にはＣＤ－ＳＥＭが出力するエラーの種類に基づいて、Ｅｒｒｏｒ Ｄｅｔａｉｌ欄にエラーの種類が表示あるいは印字される。ここでは例えばアドレッシングが適切に実施されなかった場合にはアドレッシングエラー、フォーカス調整が適正に実施されなかった場合にはフォーカスエラーが報告される。
例えば、アドレッシングエラーの場合、図３に例示するようなテンプレート画像１５０３を用いた画像認識ができない（例えば低倍率画像１５０１内でテンプレート画像１５０３を用いたパターンマッチングを実施したときに、所定の閾値以上の一致度を示す個所の探索に失敗、あるいは複数の候補が探索される等）場合、ＣＤ－ＳＥＭは、コンピュータシステム１０３にエラーの情報（種類、程度、エラーを評価する評価値等、本例の場合、アドレッシングエラー、パターンマッチングの一致度を示すスコア、スコアを評価する閾値等）を出力する。
コンピュータシステム１０３は、エラー信号を受信するとエラー要因を推定し、その結果をレポートする。図８に例示するように、コンピュータシステム１０３は、レシピ情報、試料情報、および装置情報（ログデータ）とともに、推定器による推定結果をエラースコアとして出力する。エラースコアは例えば、エラーの要因となった確度を出力する。スコアは例えば誤差逆伝搬法を用いて各ニューロンのパラメータがチューニングされたニューラルネットワークの出力である。また、レシピ情報に含まれるパラメータ毎にエラーに寄与する程度を係数化しておき、推定器の出力にこの値を乗算してエラースコアを算出するようにしてもよい。
図９は、レシピ実行しているときに発生するエラーをトリガにして、学習器を学習させる工程を示すフローチャートである。本フローチャートはコンピュータシステム１０３が実施する。コンピュータシステム１０３は、画像取得ツールを運用開始する前に学習処理を実施してもよいし、本フローチャートのようにレシピ実行中に実施してもよいし、これらを併用してもよい。
まず、エラー発生時にＣＤ－ＳＥＭから出力されるエラー情報、その際のレシピ情報、ログデータ、および試料情報の少なくとも１つを収集（Ｓ１３０１）し、これらのデータセットから教師データを生成する（Ｓ１３０２）。さらに、定期的にログデータ等を収集し、正常であることをラベルとする教師データを生成す（Ｓ１３０３）。正常状態とエラー状態の２つの状態を推定するように学習器を構成するとともに、その学習器を用いて計測状態を推定することによって、エラーの予兆を判定することが可能となる。
例えば、ログデータ等を定期的に収集し、正常状態評価推定器とエラー発生推定器の２つの推定器に対してログデータ等を入力することによって、各推定器から推定結果を得る。推定結果において、正常状態のスコアが低下しエラー状態のスコアが上昇する場合、その後、エラーが発生する可能性がある。２つの推定器の出力の評価によって、エラー発生の予兆診断を実施することが可能となる。
図１０は、エラー発生時の装置復旧と学習モデルの再学習の工程を示すフローチャートである。本フローチャートはコンピュータシステム１０３が実施する。コンピュータシステム１０３は、以上説明したフローチャートに加えて、本フローチャートが示すように、エラー発生時において復旧処理を実施した上でレシピを再実行し、その再実行の結果にしたがって再学習を実施してもよい。
レシピを実行（Ｓ１４０１）し計測処理を行っている際に、エラーが発生した場合、コンピュータシステム１０３は、図７のフローチャートにしたがってそのエラー要因を判定する（Ｓ１４０２）。Ｓ１４０２におけるエラー要因の判定は装置の扱いに慣れたオペレータが実施してもよい。エラー要因が既知（学習器の判定結果が所定のスコア以上、あるいはオペレータの判断が確からしい場合）である場合には、レシピの修正や装置の調整を実施する（Ｓ１４０３）。一方、エラー要因が不明である場合は、装置を停止した上でエラーの復旧作業を実施する（Ｓ１４０４）。
要因がわからない場合は、専門性を要求される作業を実施する必要がある。そこで、Ｓ１４０２までは使用者が保有する計測システム１０によって実施し、システムや使用者のエンジニアでは要因判断が困難である場合は、計測システム１０の管理システム（例えば図２の診断システム）に対してその旨を伝達してもよい。この場合は、複数の使用者から提供された教師データによって学習された上位の学習モデル、あるいは管理会社に属するエキスパートがエラー要因を判断し、復旧作業を実施する。
Ｓ１４０３～Ｓ１４０４における調整等を実施した後、レシピを再実行する（Ｓ１４０５）。再実行によってエラーが発生しなければ、Ｓ１４０３またはＳ１４０４における対処が正しかったことになる。そこでコンピュータシステム１０３は、エラー情報と、Ｓ１４０３またはＳ１４０４において実施した修正内容を記述した修正情報とをデータセットとして教師データを生成（Ｓ１４０６）し、これを用いて学習モデルの再学習を実施する（Ｓ１４０７）。
図１０のフローチャートが示す作業を実施することによって、発生するエラー種の入力に基づいて、適切な対応策を出力できる学習器を生成することが可能となる。
図１１は、予兆診断を実施する学習器の学習工程を示すフローチャートである。本フローチャートはコンピュータシステム１０３が実施する。コンピュータシステム１０３は、図９で説明したフローチャートに代えてまたはこれと併用して、本フローチャートの手順によって、予兆診断が可能な学習器を構築できる。
コンピュータシステム１０３は、エラー信号を受信（Ｓ８０１）した後、ログデータ等に記憶された過去データを読み出す（Ｓ８０２）。ここでいう過去データとは、過去レシピ、過去ログデータ、過去試料データ、などのことである。例えば、エラー発生時から所定時間遡って、アドレッシング時の視野移動量、フォーカス調整時の所要時間、寸法計測結果等を読み出す。過去データのうち、パラメータが急激に変化した特異点を選択的に読み出してもよい（Ｓ８０３）。具体的には、パラメータの変化を示す指標値や所定時間当たりの変化量、あるいは所定の許容値を超えたか否かの情報を選択的に読み出すようにしてもよい。これに代えて、所定のタイミングで取得したパラメータを全て取得するようにしてもよい。さらにはパラメータ自体ではなく、パラメータの変化率や特徴的な変動を指標値やフラグとして出力し、それを読み出すようにしてもよい。
コンピュータシステム１０３は、エラーの種類をラベルとし、エラーの種類に関する情報と、読み出されたあるいは抽出されたパラメータとから教師データを生成し（Ｓ８０４）、生成された教師データを用いて学習器を学習させる（Ｓ８０５）。
図１２は、図１１にしたがって学習された学習モデルを用いてエラーの予兆を診断する手順を説明するフローチャートである。本フローチャートはコンピュータシステム１０３が実施する。
コンピュータシステム１０３は、所定の時間単位でログデータを収集し（Ｓ１６０１）、図１１に例示した工程を経て学習された学習モデルに収集データを入力することによって、エラーの予兆診断を実施する（Ｓ１６０２）。学習器は、実際に発生し特定されたエラー種類の情報と、エラー発生前のログデータ等の情報より学習が施されているので、エラー発生前の事象とエラーとの間に相応の因果関係がある場合には、実際にエラーが発生する前にエラーの発生を推定することが可能となる。
コンピュータシステム１０３は、学習器が後のエラー発生を所定の確度で推定した場合に、予兆信号を発生（Ｓ１６０３）することによって、装置の使用者にメンテナンスや計測条件の変更など、対策を促すことができる。エラー発生前にログデータが特徴的な変化を示す場合、そのパラメータ状態に関する情報と、特徴的な変化からエラー発生までの時間、計測点数、ウエハ枚数、ロット数等の情報から教師データを生成し、学習器を学習させることによって、エラー発生までの時間等を出力する学習器とすることができる。
図１３は、エラーが発生したときに、ＣＤ－ＳＥＭ等から出力されるエラーの種類情報と、ログデータを用いて学習器を学習させる学習条件を設定するＧＵＩ画面の１例を示す図である。図１３に例示するＧＵＩ画面上には、ＣＤ－ＳＥＭ等から出力され、ログ情報記憶媒体１１３に記憶されている、ログデータの時間変化を表示するログデータ表示欄１７０１、ＣＤ－ＳＥＭ等から出力されるエラー情報の表示欄１７０２、および学習対象となるデータを設定する設定欄１７０３が設けられている。
ログデータ表示欄１７０１には、ログデータに記憶された複数のパラメータの推移と、エラーが発生したタイミングを示すバー１７０４が表示されている。さらにログデータ表示欄１７０１には、図示しないポインティングデバイス等で操作可能なポインター１７０５が表示され、さらにポインター１７０５によってグラフの横軸に沿って移動が可能な左側スライダー１７０６と、右側スライダー１７０７が表示されている。
左側スライダー１７０６と、右側スライダー１７０７による時間選択によって、その範囲のパラメータの変化情報を教師データとして選択することが可能となる。例えばエラーに関連して特定の時間で特異な振舞いを見せるパラメータを選択することによって、効率のよい学習を実施することができる。また、時間選択は例えば設定欄１７０３に設けられた時間設定欄１７０８への時間入力によっても実施することができる。
＜実施の形態２＞
実施形態１では、教師データを用いて学習器に学習させる構成例を説明した。これに代えて、正常時（非エラー発生時）のパラメータに基づいて、教師なし学習によって学習モデルを生成することも可能である。例えばコンピュータシステム１０３に格納された学習器は、定期的にあるいは他の処理と比較して相対的にエラーが発生し易い処理において、エラーが発生しなかったときのパラメータを保存して教師なし学習を実施する。教師なし学習によって学習された学習器は、エラーが発生しなかったときにおける処理の非エラー時スコアを生成し、出力する。また、学習器は教師なし学習により、エラー発生時におけるエラー時スコアを生成して出力する。
コンピュータシステム１０３は、学習器からの出力スコアを受け取って非エラー時スコアかエラー時スコアかを判定することにより、エラー発生の予兆を判定する。エラーはレシピの設定条件、装置条件、試料条件等の複合要因によって発生し、正確に要因を特定することは困難であることがあるが、機械学習を適用することによって相関関係を抽出することが可能となる。
教師なし学習によって生成された学習モデルに、レシピ設定条件、装置条件、試料条件等を入力し、入力によって学習器から得られたスコアが、非エラー時における学習モデルの非エラー時スコアと比較して異常なスコアであれば、そのことをもってエラー発生の予兆を検知することが可能となる。なお、学習後、エラーが発生したときのデータも学習器に入力しておき、その出力スコアと非エラー時のスコアを比較することにより、非エラー時のスコアの範囲を決めるようにしてもよい。この場合、コンピュータシステム１０３は、設定されたスコア範囲から外れた場合に、エラーの発生を告げる警報を発生する。
教師なし学習の場合、非エラー発生時のデータを選択的に入力して学習を実施することができる。半導体デバイスの量産工程ではエラーが頻発することは稀であり、エラー発生時のデータ（パラメータ）を用いた学習に要するデータを収集することが困難である場合がある。エラー発生時と比較して、非エラー発生時（エラーが発生していないとき）は多くのデータを得ることができるので、十分な学習量による学習を実施することが可能となる。
図１４は、教師なし学習を実施し、当該教師なし学習に基づいて生成される学習済モデルを用いて、エラー要因の診断を実施する診断システムの１例を示す図である。図１４に例示するシステムは、ＣＤ－ＳＥＭやＣＤ－ＳＥＭを管理する管理装置から出力される学習用情報に基づいて、学習部４０７の学習用データ１８０２を生成する前処理部１８０１を備えている。前処理部１８０１は、ＣＤ－ＳＥＭ等が正常に稼働している状態のデータを受け取り、学習用データ１８０２を生成する。
学習用データ１８０２には、対象処理に関する情報、計測条件に関する情報、および装置情報の少なくとも１つが含まれている。ＣＤ－ＳＥＭにおける対象処理とは、例えば電子顕微鏡の試料ステージの座標系と、電子顕微鏡が認識している座標系の合わせ込みを実施するＳＥＭアライメント、アドレッシング、ＡＦ調整、ＡＳＴ、ＡＢＣＣなどである。また、計測条件は例えば、アドレッシングの際に取得されるＦＯＶサイズ、ＡＦ調整時に取得する画像数、フレーム積算数、ＥＰ点とＡＦ調整パターンとの距離（あるいは偏向信号量）、方向、あるいは各種レンズ条件等である。また、計測したときの実際のＥＰ点とＡＦ調整パターンとの距離（偏向信号量）等であってもよい。装置情報とは、例えばコンピュータシステム１０３の管理対象であるＣＤ－ＳＥＭが複数台存在する場合、その装置の識別情報やその装置が置かれた環境に関する情報、などの装置属性についての情報である。
前処理部１８０１は、上記１以上のパラメータに基づいてデータセットを生成する。学習部４０７は、学習用データ１８０２に基づいて、上記複数のパラメータの複数の組み合わせについて、クラスタリングを実施し、クラスタリングによって各パラメータの組み合わせ毎に、１以上のクラスタを生成する。
図１５は、クラスタリングによって構築した学習モデルの模式図である。図１５に例示するように、複数のパラメータの組み合わせ（例えばパラメータＡとパラメータＢ）ごとに、１以上のクラスタ（例えば分類Ｉ、分類ＩＩ、分類ＩＩＩ）を生成することによって、学習モデル１９０１を生成する。学習モデル１９０１は、複数のパラメータの組み合わせごとに、複数のクラスタを含んでおり、推定部１８０３は、この学習モデルを用いた推定処理を実行する。
コンピュータシステム１０３は、前処理部１８０１から出力された評価対象データ１８０４に基づいて、評価対象データのエラー要因を判定する。具体的には、評価対象データに含まれる複数のパラメータの組み合わせごとの相関データが、学習モデルに含まれる１以上のクラスタに含まれるか否かを判定し、含まれない相関データに関するパラメータを異常と判定する。より具体的には、相関データ１の分類Ｉ、ＩＩ，ＩＩＩに定義された範囲に、評価対象データ１９０２が含まれるかを判定する。図１５の例では、相関１において範囲１９０４（分類Ｉのクラスタによって定義される範囲）内に評価対象データが含まれているので、正常と判定する。一方、相関２の評価対象データ１９０３は、相関２で定義された分類ＩＶ、Ｖ、ＶＩのいずれにも属していないので、このデータを異常と判定する。
以上のような教師なし学習が施された学習器を用いた推定を実施することによって、異常パラメータを特定することが可能となる。なお、複数の相関データに設定された分類の全て、あるいは所定の数以上の分類に、上記計測対象データが含まれないような場合は、学習モデルが適正に学習されていない可能性があるので、モデルの再作成等を実施することが望ましい。
半導体デバイスの製造工程は、研究開発段階を経て量産工程に達すると、エラーの発生頻度が低下し、エラー時に得られるデータを教師データとする学習モデルを作成することが難しい。一方で一旦エラーが発生し、その原因究明に時間を要してしまうと、半導体デバイスの製造効率を低下させる要因ともなる。したがって、低頻度とは言え速やかなる装置復旧が求められる。上述のような教師なし学習を経て生成される学習モデルは、エラー発生頻度が低い状態でも、適切な推定を実施することが可能となる。
図１６は、教師なし学習によって学習モデルを学習させる工程を示すフローチャートである。図１６に例示するフローチャートはＣＤ－ＳＥＭが正常に動作していない場合や、その可能性がある場合に、別の学習モデルを学習させる工程をも含んでいる。
まず、コンピュータシステム１０３は、ＣＤ－ＳＥＭ等から出力されるデータに基づいて、ＣＤ－ＳＥＭでエラーが発生していないことを判定し、その際の装置状態等を判定する（Ｓ２００１、Ｓ２００２）。装置状態は例えば評価対象データ１８０４を参照する。次に、所定の計測条件で計測できたか否かを判定し、できている場合は取得した画像が異常か否かを判定（Ｓ２００３）し、所定の計測条件ではない場合、リカバリ条件で計測ができたか否かを判定する。Ｓ２００３における異常判定手順については後述する。
Ｓ２００３の異常判定工程で異常ではないと判定された際の装置情報等に基づいて、正常データに基づく学習モデル（第１学習部）を学習、あるいは再学習する（Ｓ２００４）。図１６に例示するような工程を経て生成される学習データ（第１学習部用の学習データ）は、エラーが発生せず、かつ後述するようにエラーが発生するポテンシャルが低い状況で得られるものであるので、教師なし学習を経て、エラー要因判定に適したモデルを構築することが可能となる。すなわち、エラーがなくかつ正常な（ａ）対象処理の内容、（ｂ）計測条件、（ｃ）装置情報、をクラスタリングすることにより、そのクラスタに属するこれらパラメータを用いればエラーが生じないと推定できる。換言するとそのクラスタから外れるパラメータを用いればエラーが発生すると推定できる。
本フローチャートによれば、エラーにはならないものの、エラーになるポテンシャルのある状態の装置条件等に基づいて、発生し得るエラーやその要因を特定する学習モデルを構築することができる。Ｓ２００５で生成される第２学習モデル（第２学習部）は、リカバリ条件で計測されたときの装置条件等に基づいて生成される。リカバリとは、理想的な計測条件ではなく、エラー等を回避するためにあらかじめ用意しておいた処理を実行するための処理である。具体的な１例として、サーチアラウンドによる視野探しがある。図３に例示したように、計測対象パターン１５０２の位置を特定するために、アドレッシングが実施されることがあるが、アドレッシング用に取得した低倍率画像１５０１にアドレッシングパターンが含まれていない場合がある。テンプレートマッチングによって一致度の高いパターンが見つけられない（一致度が所定値以上の個所が存在しない）場合、サーチアラウンドを実施することにより、リカバリを実施できる。サーチアラウンドは、現在視野の周辺領域において視野を循環させることにより、適切な視野を探索する処理である。サーチアラウンドの例は後述の図１７で説明する。
一方で、サーチアラウンドを実行するということは、低倍率画像１５０１を適切に取得できなかったことを意味し、装置条件が適切に設定されていない状態、あるいは将来的にエラーとなる可能性が高い状態を示していると考えられる。そこでリカバリ処理を実行したときに選択的に装置条件等を収集し、それに基づくモデル（第２学習部）を生成することによって、エラーの予兆を推定するモデルを構築することが可能となる。
リカバリ処理はサーチアラウンドだけではなく例えば、（ａ）オートフォーカスを実行したときに、フォーカス評価値が所定値以上のレンズ条件を見つけられないような場合、レンズ条件の変動範囲を拡張してオートフォーカスを実行する、（ｂ）同じ処理を複数回繰り返す（リトライ）処理、などがある。リトライ処理は上記のものに限られるものではなく、何等かの不具合が生じたときに選択的に実行される処理全般を指す。
第２学習モデルは、エラーはないが（ａ）対象処理の内容、（ｂ）計測条件、（ｃ）装置情報、のうち少なくともいずれかが異常である場合において、さらにリカバリ処理を実施したときにおける（ａ）対象処理の内容、（ｂ）計測条件、（ｃ）装置情報、をクラスタリングする。これにより、そのクラスタに属するこれらパラメータを用いれば、エラーが生じないと推定できるとともに、仮にリカバリ処理を実施したのであればそのリカバリ処理によってリカバリ可能であるか否かを推定できる。
リカバリ処理によってリカバリできない場合についても同様に、これらパラメータをクラスタリングする第４学習モデル（第４学習部）を生成してもよい（Ｓ２００６）。これにより、そのクラスタに属するこれらパラメータを用いれば、エラーが生じないと推定できるとともに、仮にリカバリ処理を実施したのであればそのリカバリ処理によってリカバリ可能であるか否かを推定できる。例えば第３モデルの推定スコアと第４モデルの推定スコアを比較し、いずれが高いかによって、リカバリ可能か否かを推定できる。
Ｓ２００３で取得された画像等が異常と判断されたときの装置条件等を収集し、第３学習モデル（第３学習部）を構築するようにしてもよい（Ｓ２００６）。このようにして構築されたモデルによれば、エラーにはならないものの、適切な計測が実施されないような状態を判定することが可能となる。すなわち、エラーがなくかつ正常な計測条件であるが画像が異常となるような（ａ）対象処理の内容、（ｂ）計測条件、（ｃ）装置情報、をクラスタリングすることにより、そのクラスタに属するこれらパラメータを用いればエラーが生じないが画像は異常になると推定できる。
ＣＤ－ＳＥＭ等よりエラー信号を受信した場合は、コンピュータシステム１０３は、第４学習モデルを構築する（Ｓ２００７）。ＣＤ－ＳＥＭからエラー信号を受信し、エラーの種類が特定されているので、この場合、エラーの種類をラベルとした教師あり学習を実施するようにしてもよい。
図１７は、サーチアラウンドを実施する様子を示す模式図である。図１７に例示するように、最初の低倍率画像１５０１の周囲を囲むように視野を移動させて、それぞれの視野位置でパターンマッチングを実施するサーチアラウンドを実施することによって、アドレッシングパターン１５０４を発見することができる。
図１８は、Ｓ２００３で実行する異常判定の例を説明する図である。図１８上図は測定対象パターン２１０２の周囲画像２１０１を示している。アドレッシングによって、測定対象パターン２１０２を含む視野位置２１０５に視野位置を特定することによって、画像２１０７を取得することができる。一方でアドレッシングの失敗、帯電の影響、プロセス変動によるパターン変形等により、視野がずれ、視野位置２１０６の画像２１０８が取得され、パターン２１０３を測定してしまった場合、目的とは異なるパターンを測定することになる。この場合、装置上ではエラーにならないけれども、出力されるデータは異常データとなる。
そこで、このような異常が発生したか否かを検知すべく、例えば画像２１０７と同じ画像データ（テンプレート）をあらかじめ用意しておき、Ｓ２００３の異常判定の際にパターンマッチングの一致度を評価することによって、取得された画像が適切なものか（誤った位置の画像ではないか）を判定するようにしてもよい。正しい視野位置で取得された測長用の画像２１０７には、別のパターン２１０４が写りこんでおり、画像２１０８に対するテンプレートマッチングを実施する場合と比較して、一致度が高くなる。よって、所定の一致度を下回るような場合は、異常データが出力されたと判定するようにしてもよい。また、異常判定は画像の先鋭度や視野移動量等を評価対象として判定するようにしてもよい。
以上のような異常判定は、学習対象となるモデルを適切に選択するために実施するために、実際のレシピ実行時に実施するのではなく、データがある程度蓄積された後に実施するようにしてもよい。
学習モデルの学習は、ＣＤ－ＳＥＭ等の計測処理実行中にリアルタイムで実施するようにしてもよいし、オフラインである程度データが蓄積された段階で実施するようにしてもよい。さらに複数のＣＤ－ＳＥＭを管理するコンピュータシステムにおいて、特定の装置固有の異常がある場合には、同じレシピを用いた計測を実施している場合、装置のハードウェア起因の異常が発生していることが考えられる。そこで、ハードウェア起因のモデルを別に作成するようにしてもよいし、上記第１～第４学習モデルを作成する際に、装置の識別情報を学習データに含ませるようにしてもよい。
＜実施の形態３＞
図１９は、本開示の実施形態３に係る装置４１００の構成図である。装置４１００は１例として、ＣＤ－ＳＥＭとして構成されている。高真空に維持された筐体４１２４内に保持された電子源４１０１から放出された電子は、高圧電源４１２５により高圧電圧が印加された１次電子加速電極４１２６で加速される。電子ビーム４１０６（荷電粒子ビーム）は、収束用の電子レンズ４１２７で収束される。電子ビーム４１０６は絞り１８２８でビーム電流量を調節された後、走査コイル４１２９で偏向され、ウエハ４１０５上を２次元的に走査される。電子ビーム４１０６は試料である半導体ウエハ（以下、単にウエハ）４１０５の直上に配置された電子対物レンズ４１３０で絞られ焦点合わせがなされ、ウエハ４１０５に入射する。１次電子（電子ビーム１８０６）が入射した結果発生する２次電子４１３１は、２次電子検出器４１３２により検出される。検出される２次電子の量は、試料表面の形状を反映するので、２次電子の情報にもとづき表面の形状を画像化することができる。
ウエハ４１０５は静電チャック４１０７上に一定の平坦度を確保しながら保持されており、Ｘ－Ｙステージ４１０４上に固定されている。図１９では、筐体とその内部構造を横方向から見た断面図で記述している。したがって、ウエハ４１０５はＸ方向、Ｙ方向いずれも自由に動作可能であり、ウエハ面内の任意の位置を計測可能となっている。また、Ｘ－Ｙステージ４１０４には、ウエハ４１０５を静電チャック４１０７に対して着脱するため上下動作可能な弾性体が組み込まれたウエハ搬送用リフト機構４１３３が備えてあり、搬送ロボット４１３４との連携動作によりロード室（予備排気室）４１３５との間でウエハ４１０５の受け渡しを実施することができる。コンピュータシステム４１２０は、Ｘ－Ｙステージ４１０４の位置をリアルタイムで検出する位置検出器（例えば、レーザー変位計）からの検出信号と計測時刻に基づいて、Ｘ－Ｙステージ４１０４の位置決め制御を実施し、後述する記憶装置にＸ－Ｙステージ４１０４の移動位置に関するトラッキング情報（ログ情報、移動履歴情報）（時間と位置との関係）を記録する。
測定対象であるウエハ４１０５を静電チャック４１０７まで搬送する際の動作を説明する。まずウエハカセット４１３６にセットされたウエハをミニエン４１３７の搬送ロボット４１３８でロード室４１３５に搬入する。ロード室４１３５内は図示しない真空排気系により真空引きおよび大気解放することができ、バルブ（図示無し）の開閉と搬送ロボット４１３４の動作で筐体４１２４内の真空度を実用上問題ないレベルに維持しながらウエハ４１０５を静電チャック４１０７上に搬送する。筺体４１２４には表面電位計４１３９が取り付けられている。表面電位計４１３９は静電チャック４１０７またはウエハ４１０５の表面電位を非接触で測定することができるように、プローブ先端からの距離が適切になる高さ方向の位置に固定されている。
装置４１００の各構成要素は、汎用のコンピュータを用いて制御することができる。図１９では、制御系の構成をコンピュータシステム４１２０によって実現する例が示されている。コンピュータシステム４１２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などのプロセッサと、メモリなどの記憶部と、ハードディスク（画像保存部を含む）などの記憶装置を少なくとも備える。当該記憶装置は、図１で詳述した計測レシピ記憶媒体１０５、ログ情報記憶媒体１１３、試料情報記憶媒体１０６および設計データ記憶媒体１１４と同様の記憶媒体を含む構成であってもよく、各記憶媒体には図１と同様の情報が記録されるように構成されている。さらに、例えば、コンピュータシステム４１２０をマルチプロセッサシステムとして構成し、筐体４１２４内の電子光学系の各構成要素に係る制御をメインプロセッサで、Ｘ－Ｙステージ４１０４、搬送ロボット４１３４、４１３８、および表面電位計４１３９に係る制御、並びに２次電子検出器４１３２によって検出した信号に基づいてＳＥＭ像を生成するための画像処理について、それぞれサブプロセッサで構成してもよい。
コンピュータシステム４１２０には、入出力デバイス（ユーザインターフェース）４１４１が接続されている。入出力デバイス４１４１は、ユーザが指示等を入力するための入力デバイスと、これらを入力するためのＧＵＩ画面およびＳＥＭ画像などを表示する表示デバイスと、を有する。入力デバイスは、例えばマウス、キーボード、音声入力装置など、ユーザによりデータや指示を入力できるものであればよい。表示デバイスは、例えばディスプレイ装置である。このような入出力デバイス（ユーザインターフェース）は、データの入力および表示が可能なタッチパネルであってもよい。
半導体リソグラフィーのＡｒＦ露光技術等で使用されるフォトレジスト（以下「レジスト」とも称する）をＣＤ-ＳＥＭを用いて測長すると、電子ビームの照射によってレジストがシュリンクすることが知られている。シュリンク量を減らして微細なレジストパターンを高精度に測長するためには、レジストへの電子ビームの照射量は極力少ない方が望ましいため、このようなレジストの同一領域に電子ビームを何度も照射して測長を実施することは避ける必要がある。
ＣＤ-ＳＥＭ等において、レジストの同一領域に電子ビームを複数回照射することを避ける方法としては、実際に計測レシピ（ＣＤ-ＳＥＭ等に与えられる手順、処理方法やパラメータと指定するデータの集まり又はプログラム）を実行する前に、あらかじめ当該計測レシピの手順やパラメータ等の情報から電子ビームが照射（走査）される領域を割り出し、同一領域に電子ビームが繰り返し照射（走査）されないような計測レシピを作成することが考えられる。
図１９に示す装置（ＣＤ－ＳＥＭ）４１００のコンピュータシステム４１２０は、入出力デバイス（ユーザインターフェース）４１４１からの指示によって計測レシピの実行が開始されると、当該計測レシピで指定された手順等の情報に従ってＸ－Ｙステージ４１０４を制御し、被測定試料４１０５を所定の位置に移動させて、対象パターンの計測を実施する。一般に、半導体検査装置や半導体製造装置で採用されるステージには摺動機構が用いられることが多い。このような摺動機構の摺動面特性は、速度、加速度、インターバル、移動距離等の駆動条件に応じて摺動面の摩耗状態等が変化するので、経時変化することが知られている。したがって、Ｘ－Ｙステージ４１０４は、事前に位置決めの初期調整を実施したとしても、摺動面特性の経時変化（例えば、摺動面の摩耗によって部品間のギャップ（遊び）が大きくなる等）に応じて、ステージの稼働範囲（移動可能範囲）が微小に変化したり、停止位置精度（位置決め精度）が悪化したりする等の問題が発生する場合がある。そのため、上述した同一領域に電子ビームが繰り返し照射（走査）されないような計測レシピを作成するためには、このようなステージの停止位置精度の経時変化を踏まえた上で、必要な制御パラメータ等を設定していく必要がある。
ところで、同一機種のＣＤ－ＳＥＭが複数台存在する場合、同一の計測検査工程においては、同一の計測レシピを変更せずに使用できることが望ましい。同一の計測レシピが使用できず、個々に計測レシピのパラメータ設定等が必要である場合は、装置毎にパラメータを調整する時間が必要となるだけでなく、パラメータが共用化できない等、計測レシピの管理も煩雑になるからである。
しかしながら、同一の計測レシピを複数台の装置で使用するためには、上述した経時変化によるステージの稼働範囲（移動可能範囲）の微小変化や停止位置精度の変動が装置毎に異なる場合であっても、当該計測レシピが各装置に対して問題無く動作する必要がある。即ち、試料の同一領域に電子ビームが繰り返し照射（走査）されないような各装置共通の（同一の）計測レシピを作成するためには、装置毎に異なるステージの経時変化までを考慮した上で、計測レシピのパラメータ等を設定する必要がある。
図２０は、３台の装置（ＣＤ-ＳＥＭ）４１００（４１００－１、４１００－２、４１００－３）が、バスあるいはネットワークを介して、コンピュータシステム４１２０に接続された計測システムの１例を示す図である。コンピュータシステム４１２０は、バスあるいはネットワークを介して、ＣＤ－ＳＥＭの動作プログラムであるレシピが記憶された計測レシピ記憶媒体１０５、ＣＤ－ＳＥＭの現在までの装置状態が記憶されたログ情報記憶媒体１１３、ＣＤ－ＳＥＭの計測対象である試料情報が記憶された試料情報記憶媒体１０６、および半導体デバイスの設計データが記憶された設計データ記憶媒体１１４へのアクセスが可能となっている。また、コンピュータシステム４１２０には、コンピュータシステム４１２０に対してデータの入力、出力を可能とする入出力デバイス４１４１が接続されている。
コンピュータシステム４１２０は、１以上のコンピュータサブシステムによって構成されている。コンピュータシステム４１２０にはコンピュータ可読媒体４２０８と、当該コンピュータ可読媒体４２０８に記憶されている各コンポーネント（モジュール）を実行する処理ユニット１０７が含まれている。コンピュータ可読媒体４２０８には、上述したようなコンピュータシステム１０３にアクセス可能に接続されている記憶媒体に記憶された情報や、入出力デバイス（ユーザインターフェース）４１４１を介してユーザが指示した情報を処理する各種コンポーネント４２１４が記憶されている。各種コンポーネント４２１４には、装置４１００で処理を実施するウエハに関するウエハ情報やチップ内情報を処理するウエハ情報処理コンポーネント４２０９、測定の順番や各種アライメント情報等を処理するレシピ情報処理コンポーネント４２１０、ステージ移動位置を記録したログ情報を処理するステージ情報処理コンポーネント４２１１、スキャンオーバーラップテスト情報を処理するスキャンオーバーラップテストコンポーネント４２１２、スキャンオーバーラップテスト結果の情報を処理するスキャンオーバーラップテスト結果処理コンポーネント４２１３が含まれている。その他、図１と共通する各構成要素については、図１の説明と同様である。
図２１は、各装置におけるステージ位置精度の解析を実施する解析画面の１例である。当該画面に係る機能は、ステージ情報処理コンポーネント４２１１によって処理される。
ユーザは、Ｕｎｉｔメニュー４３０１を介して、ステージ位置精度の解析を実施する対象装置を指定する。ステージ情報処理コンポーネント４２１１は、ログ情報記憶媒体１１３あるいはコンピュータシステム４１２０内の記憶部や記憶装置から、当該指定された対象装置のステージ移動に関するトラッキング情報（ログ情報、移動履歴情報）を読み出して、ステージ位置精度情報表示部４３０４に表示する。また、ステージ情報処理コンポーネント４２１１は、ステージ軸の選択ボタン４３０３で選択された移動軸（Ｘ軸またはＹ軸）に応じたログ情報を、ステージ位置精度情報表示部４３０４に表示する。
ステージ位置精度情報表示部４３０４には、計測点／検査点の通し番号（ＭＰ／ＩＰ Ｎｏ．）を横軸、ステージ移動に関する目標位置と停止位置とのズレ量を縦軸として、過去のステージ移動に関するトラッキング情報が表示される。図４３のステージ位置精度情報表示部４３０４には、１例として、計測点／検査点の通し番号１～５のトラッキング情報４３０５、計測点／検査点の通し番号５０００１～５０００５のトラッキング情報４３０６が表示されている。各計測点／検査点のトラッキング情報は、ズレ量とギャップ量とで表示される。例えば、各計測点／検査点１のトラッキング情報は、ズレ量ｘ１とギャップ量Ｗｘ１とで表示され、各計測点／検査点５０００１のトラッキング情報は、ズレ量ｘ５０００１とギャップ量Ｗｘ５０００１とで表示されている。ここで、ギャップ量とは、ステージ移動に関する目標位置と停止位置とのズレ量の変動幅を指す。ギャップ量は、ステージを構成する摺動機構が必ず有している機械的な遊び（ギャップ）によって生じ得るズレ量の変動幅であり、例えば、Ｘ－Ｙステージ４１０４の位置をリアルタイムで検出する位置検出器（例えば、レーザー変位計）からの検出信号と計測時刻に基づいて算出することが可能である。あるいは、ギャップ量は、過去の複数回のステージ移動時における位置検出器からの検出信号と計測時刻に係るデータを統計処理（例えば、標準誤差や標準偏差、平均値の信頼区間等を用いる）することで求めることが可能である。また、ステージを構成する摺動機構の摺動面特性が経時変化すれば、ギャップ量も経時変化する。一般に、ステージの移動回数が増えれば、摺動面の摩耗によって部品間のギャップ（遊び）が大きくなるため、ギャップ量も初期の値と比較して大きくなる傾向にある。
ユーザが、ステージ偏差リミット設定部４３０８のトレランス４３１４に所望の数値を入力してＡｐｐｌｙボタンを押下すると、ステージ情報処理コンポーネント４２１１は、当該入力数値に基づいてトレランスの幅（バー）４３２０、４３２１を表示する。ここで設定されたトレランスの値は、後述する図２４のスキャンオーバーラップテスト実行フローの重複エリアチェックのステップにおける処理パラメータとして使用されることになる。
ユーザは、スキャンオーバーラップパラメータ設定部４３２２において、ログ情報統計処理設定部４３０９からのパタメータ設定と、予兆診断設定部４４１３からのパラメータ設定を実施する。これららの設定部で設定された各パラメータは、後述するスキャンオーバーラップテスト画面（図２２）のステージ位置精度ファクター設定部４４０９において、ログ情報統計処理４４１５または予兆診断４４１６が選択された場合の処理パラメータとして使用される。
ユーザは、ログ情報統計処理設定部４３０９において、トラッキング情報の統計処理を実施する計測点／検査点の対象範囲を、測点／検査点番号設定部４３１１から指定し、トラッキング情報の統計処理の方法（平均値または最大値）を、計処理設定部４３１０から指定する。統計処理においてギャップ量を考慮したい場合は、ギャップ情報適用チェックボックス４３１２にチェックマークを付けて指定する。
ユーザは、予兆診断設定部４３１３において、過去に取得したトラッキング情報に基づいて、将来の計測点／検査点におけるトラッキング情報を推測するためのパラメータ設定を実施する。ユーザが、計測点／検査点番号設定部４３１６に所望の数値（番号または範囲）を入力してＰｒｅｓｕｍｐｔｉｏｎボタンを押下すると、ステージ情報処理コンポーネント４２１１は、過去に取得したトラッキング情報に基づいて対象範囲の計測点／検査点のトラッキング情報を推測し、推測結果をステージ位置精度情報表示部４３０４に表示する。図２１では、１例として、計測点／検査点番号９０００１において推測したトラッキング情報４３０７（ズレ量ｘ9０００１、ギャップ量Ｗｘ9０００１）が表示されている。
ユーザが、各種スキャンオーバーラップパラメータを決定後にＳａｖｅボタン４３１８を押下すると、ステージ情報処理コンポーネント４２１１は、当該各種スキャンオーバーラップパラメータをログ情報記憶媒体１１３に保管する。
ユーザは、図２１のステージ位置精度解析画面を介して、各装置の各移動軸（Ｘ軸またはＹ軸）に対して、上述した操作と設定をする。
図２２は、スキャンオーバーラップテスト画面の１例である。当該画面に係る機能は、スキャンオーバーラップテストコンポーネント４２１２によって処理される。
ユーザは、Ｆｉｌｅメニュー４４１１を介して、測定の順番や各種アライメント情報を記述したＩＤＳファイルを指定する。また、ユーザは、ＩＤＷ Ｆｉｌｅ Ｌｏａｄボタンを介して、ウエハに関するウエハ情報やチップ内情報を記述したＩＤＷファイルを指定する。スキャンオーバーラップテストコンポーネント４２１２は、これらの指定に基づいて、ログ情報記憶媒体１１３あるいはコンピュータシステム４１２０内の記憶部や記憶装置から、当該指定されたＩＤＳファイルやＩＤＷファイルを読み出し、レシピ情報表示部４４０２に表示する。
ＩＤＳファイルやＩＤＷファイルは、別の設定画面（図示無し）を介して、ユーザが所望する条件やパラメータ設定を用いて作成または編集されるファイルであり、ログ情報記憶媒体１１３またはコンピュータシステム４１２０内の記憶部や記憶装置に記録されている。ＩＤＳファイルやＩＤＷファイルの作成や編集に係る機能は、ウエハ情報処理コンポーネント４２０９やレシピ情報処理コンポーネント４２１０によって処理される。
スキャンオーバーラップテスト画面上には、スキャンオーバーラップテストコンポーネント４２１２によって、ＩＤＳファイルの名称４４０１、ＩＤＷファイルの名称４４０３、アライメント点情報４４０５、計測点／検査点情報４４０４が表示される。アライメント点情報４４０５には、計測するためのアライメント点の情報（アライメントチップ、チップ内座標、アライメント条件、自動検出のための画像など）が含まれ、計測点／検査点情報４４０４には、計測点の情報（測長チップ、チップ内座標、測長条件など）が含まれる。
ユーザは、スキャンオーバーラップ設定部４４１７において、スキャンオーバーラップテストの対象とする装置設定４４０７と、ステージ位置精度ファクター設定部４４０９を設定する。
ユーザは、装置設定４４０７において、図２０に示すシステムに接続されている全ての装置（装置４１００－１～４１００－３）を指定する場合の「ＡＬＬ」と、特定の装置を指定する場合の「Ｓｅｌｅｃｔｅｄ」が選択できる。「Ｓｅｌｅｃｔｅｄ」を選択した場合は、Ｕｎｉｔボタンを介して、対象とする装置を指定する。
スキャンオーバーラップテストを実行するにあたって、図４３のステージ位置精度解析画面から決定したステージ位置精度ファクター（条件や設定パラメータ）を考慮する場合、ユーザは、ステージ位置精度ファクター設定部４４０９において、ログ情報統計処理４４１５あるいは予兆診断４４１６を選択する。ステージ位置精度ファクターを考慮しない場合は、「Ｎｏｎｅ」４４１４を選択する。
以上の設定を行い、Ｓｔａｒｔボタン４４１８を押下すると、スキャンオーバーラップテストが実行される。
図２３は、スキャンオーバーラップテストの開始から終了までの一連の流れを示したフローチャートである。ユーザはＩＤＷファイルやＩＤＳファイルを作成・編集する（Ｓ４５０１～Ｓ４５０２）。コンピュータシステム４１２０は、装置４１００のステージ位置精度を解析する（Ｓ４５０３）。ユーザは図２１の画面上でスキャンオーバーラップパラメータを設定する（Ｓ４５０４）。コンピュータシステム４１２０は、ＩＤＳファイルとＩＤＷファイルを読み込む（Ｓ４５０５）。ユーザは、Ｕｎｉｔメニュー４３０１において、スキャン位置のオーバラップをテストする装置を２台以上指定する（Ｓ４５０６）。ユーザは、スキャン位置のオーバラップをテストする際の各パラメータを指定する（Ｓ４５０７）。コンピュータシステム４１２０は、設定にしたがって、各装置４１００において同じレシピを用いた場合、スキャン位置が重なる箇所がいずれかの装置４１００において生じるか否かをテストする（Ｓ４５０８）。コンピュータシステム４１２０はテスト結果を表示し、ユーザはこれを確認する（Ｓ４５０９）。スキャン位置が重なる（すなわち同じ位置に対して不要にビーム照射を繰り返す）場所が存在する場合、Ｓ４５０１に戻って同様の処理を繰り返す。存在しない場合、コンピュータシステム４１２０は、各装置４１００のレシピその他関連パラメータを更新する（Ｓ４５１１）。
図２４は、Ｓ４５０８の詳細ステップを示したフローチャートである。コンピュータシステム４１２０は、指定された各装置４１００のログデータを読み出す（Ｓ４６０１）。コンピュータシステム４１２０は、指定された各装置４１００におけるステージ位置精度パラメータを算出する（Ｓ４６０２）。コンピュータシステム４１２０は、指定された各装置４１００におけるスキャンエリアを計算する（Ｓ４６０３）。コンピュータシステム４１２０は、スキャン位置が重なる箇所がいずれかの装置４１００において生じるか否かチェックする（Ｓ４６０４）。コンピュータシステム４１２０は、後述する図２５の画面において、チェック結果を提示する（Ｓ４６０５～Ｓ４６０６）。
図２５は、スキャンオーバーラップテストの実行結果を示した画面の１例である。当該画面に係る機能は、スキャンオーバーラップテスト結果処理コンポーネント４２１３によって処理される。
スキャン情報テーブル４７０１には、スキャンオーバーラップテスト画面から読みだしたＩＤＳファイルやＩＤＷファイルの設定情報に基づいて、各々のアライメント点情報４４０５や計測点／検査点情報４４０４におけるテスト結果が一行ごとに表示される。
ユーザが、スキャン情報テーブル４７０１からテスト結果の詳細を確認したい行をクリックして指定した後、Ｓｈｏｗボタン４７０５を押下すると、スキャンマップサムネイル表示部４７０９に、テスト詳細結果がサムネイル表示される。図４７では、スキャン情報テーブル４７０１においてＮｏ.００２とＮｏ．００３のテスト結果の２行を指定し、Ｓｈｏｗボタン４７０５を押下した結果、当該二つの点におけるテスト結果（スキャン領域のテスト結果）が表示されている。さらに、ユーザが、スキャンマップサムネイル表示部４７０９において、拡大して閲覧したいエリア４７１７を入出力デバイスから指定すると、スキャンマップ表示部４７３０に当該エリア４７１７の詳細が拡大表示される。
スキャンマップサムネイル表示部４７０９は、ズームバー４７１９を操作することによって、画面の拡大縮小が可能である。また、スキャンマップ表示部４７２０は、ズームバー４７１９の操作、或いは、倍率設定部４７１８から倍率を指定するによって、画面の拡大縮小が可能である。
ユーザは、閲覧操作部４７２３を介して、テスト結果に対する種々の閲覧操作が可能である。ユーザは、スキャン情報テーブル４７０１からテスト結果の所定の行をクリックして指定した後、Ｈｉｄｅボタン４７０６を押下すると、スキャンマップサムネイル表示部４７０９およびスキャンマップ表示部４７３０から、指定された行に対応するテスト結果が非表示となる。Ｊｕｍｐボタン４７０２を押下すると、通し番号４７２４の入力画面が起動し（図示無し）、入力した通し番号に対応したテスト結果の行を指定することができる。Ｂｒｉｎｇ ｔｏ Ｆｒｏｎｔボタン４７０３を押下すると、スキャン情報テーブル４７０１の先頭行が指定され、Ｓｅｎｄ ｔｏ Ｂａｃｋボタン４７０４を押下すると、スキャン情報テーブル４７０１の最終行が指定される。Ｎｅｘｔ Ｏｖｅｒｌａｐボタン４７０７を押下すると、スキャン情報テーブル４７０１、スキャンマップサムネイル表示部４７０９およびスキャンマップ表示部４７３０において、次のオーバーラップエリアの結果が指定、表示され、Ｐｒｅｖ． Ｏｖｅｒｌａｐボタン４７０８を押下すると、スキャン情報テーブル４７０１、スキャンマップサムネイル表示部４７０９およびスキャンマップ表示部４７３０において、前のオーバーラップエリアの結果が指定、表示される。
次に、テスト結果の内容について説明する。スキャン情報テーブル４７０１には、テスト結果の通し番号４７２４、スキャン情報４７２５（スキャンの起点となるアライメント点または計測点／検査点の詳細情報）、Ｘ方向倍率４７２６、Ｙ方向倍率４７２７が表示される。図２５の例では、Ｎｏ.００２の行は、アライメント点（アライメントパターン）４７１１におけるテスト結果に対応しており、Ｎｏ.００３の行は、アライメント点（アライメントパターン）４７１４におけるテスト結果に対応している。また、Ｎｏ.００２の行のテスト結果は、スキャンマップサムネイル表示部４７０９上では、スキャンエリア４７１０およびスキャンエリア４７１６として表示されており、Ｎｏ.００３の行のテスト結果は、スキャンマップサムネイル表示部４７０９上で、スキャンエリア４７１３およびスキャンエリア４７２４として表示されている。また、測長点（測長パターン）４７１２、４７１５は、各々、アライメント点（アライメントパターン）４７１１、４７１４にてアドレッシング後に、計測の対象となる測長点（測長パターン）を示している。
スキャンエリア４７１０、４７１３、４７１６、４７２４は、ステージ位置精度解析画面（図２１）で保存した各装置のスキャンオーバーラップパラメータを用いて算出される。即ち、スキャンオーバーラップテスト結果処理コンポーネント４２１３は、各装置におけるスキャンオーバーラップパラメータ設定部４３２２の各種パラメータ（図２１）と、スキャンオーバーラップテスト画面（図２２）のスキャンオーバーラップ設定部４４１７に従って、スキャンエリア４７１０、４７１３、４７１６、４７２４を計算し、スキャンオーバーラップテスト実行結果画面（図２５）上に当該計算結果を表示する。
実線で示したスキャンエリア４７１０、４７１３は、各装置においてＸ－Ｙステージ４１０４のズレ量が無い（ズレ量＝０）理想的な場合における最大のスキャンエリアを示しており、点線で示したスキャンエリア４７１６、４７２４は、各装置においてＸ－Ｙステージ４１０４のズレ量が存在し（ズレ量≠０）且つ経時変化する場合における最大のスキャンエリアを示している。図２５の例では、ズレ量が無い（ズレ量＝０）理想的な状態においては、Ｎｏ．００２のスキャンエリア４７１０とＮｏ．００３のスキャンエリア４７１３との間で、重複領域（オーバーラップエリア）は存在しない。一方で、ズレ量が存在し且つ経時変化する状態においては、Ｎｏ．００２のスキャンエリア４７１６とＮｏ．００３のスキャンエリア４７２４は互いに重複するエリアが存在する。このことは、同一機種の装置４２００－１～４２００－３において、同一の計測レシピ（ＩＤＳファイルおよびＩＤＷファイルで構成されるレシピ）を使用して測定を実施した場合は、装置毎にズレ量が存在し且つ経時変化する実際の状態において、スキャンの際にオーバーラップエリアが生じ得ることを示している。
ユーザが、スキャンオーバーラップパラメータ設定を変更したい場合は、スキャンオーバーラップテスト実行結果画面のステージ解析メニュー４７２２から、パラメータ設定を変更したい対象装置を指定する。当該指定によって、ステージ位置精度解析画面（図２１）が起動し、対象装置における所望のパラメータ設定を変更することが可能である。更に、パラメータ設定を変更した後に、再チェックメニュー４７２１から、再度、スキャンオーバーラップテストを実行することが可能である。
以上に示した実施例に係る開示においては、第１の検査用ビームを走査して第１の試料の複数の検査点を検査する第１の検査装置が、前記第１の試料の検査において前記第１の試料を移動させる第１の移動機構の移動軌跡を記録した第１のトラッキング情報と、第２の検査用ビームを走査して第２の試料の複数の検査点を検査する第２の検査装置が、前記第２の試料の検査において前記第２の試料を移動させる第２の移動機構の移動軌跡を記録した第２のトラッキング情報と、に基づいて、前記第１および第２の検査装置で共に使用する検査レシピの検査用ビーム走査領域を決定または調整するシステム、方法、プログラムが格納された非一時的コンピュータ可読媒体について説明した。
上述した実施例に係る本開示により、装置毎に異なるステージ位置精度のズレ量とその経時変化までを考慮した上で、計測レシピのパラメータを設定することが可能となるため、試料の同一領域に電子ビームが繰り返し照射（走査）されないような各装置共通の（同一の）計測レシピの作成が可能となる。即ち、同一機種のＣＤ-ＳＥＭが複数台存在する場合、同一の計測検査工程においては、同一の計測レシピを変更せずに使用することができる。また、当該作成した同一の計測レシピを複数台の装置で使用すれば、経時変化によるステージの稼働範囲（移動可能範囲）の微小変化や停止位置精度の変動が装置毎に異なる場合であっても、当該計測レシピが各装置に対して問題無く動作するという効果を奏する。
＜本開示の変形例について＞
本開示は、前述した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
例えば実施形態１において学習データとして説明した各データと、実施形態２において学習データとして説明した各データは、併用することができる。あるいは実施形態１～２において学習データとして説明した各データのうち一部のみを用いて学習を実施してもよい。
実施形態２において、４つの学習部を生成することを説明したが、これに代えて学習器を１つのみ生成し、その１つの学習器のなかで、第１学習部～第４学習部に対応する４つの分類いずれかへクラスタリングを実施するようにしてもよい。
１０：計測システム
１００～１０２：ＣＤ－ＳＥＭ
１０３：コンピュータシステム
１０５：計測レシピ記憶媒体
１０６：試料情報記憶媒体
１１３：ログ情報記憶媒体
１１４：設計データ記憶媒体
１９０１：学習モデル
４１００：装置
４１２０：コンピュータシステム

Claims (14)

  1. 試料を計測または検査する装置の状態を診断する診断システムであって、
    前記診断システムは、前記装置において生じたエラーの原因を推定するコンピュータシステムを備え、
    前記コンピュータシステムは、
    前記装置の動作を規定したレシピ、前記装置の状態を記述したログデータ、または前記試料の特性を記述した試料データのうち少なくともいずれかと、
    前記エラーの種類と、
    の間の対応関係を、機械学習によって学習する学習器を備え、
    前記コンピュータシステムは、前記学習器が前記機械学習を実施した後、前記装置において前記エラーが発生した場合、
    前記エラーが発生したとき前記装置が使用していた前記レシピ、前記エラーが発生したときにおける前記ログデータ、または前記エラーが発生したときにおける前記試料データのうち少なくともいずれか、
    を前記学習器に対して投入することにより、前記エラーの原因のうち、前記レシピ、前記装置の状態、または前記試料の特性の少なくともいずれかに起因するものについての推定結果を、前記学習器の出力として取得し、その推定結果を出力し、
    前記学習器はさらに、
    前記装置の動作を規定したレシピの変動分、前記装置の状態を記述したログデータの変動分、または前記試料の特性を記述した試料データの変動分のうち少なくともいずれかと、
    前記装置の検査精度の変動分と、
    の間の対応関係を学習し、
    前記コンピュータシステムは、
    新たな前記レシピ、新たな前記ログデータ、または新たな前記試料データのうち少なくともいずれか、
    を前記学習器に対して投入することにより、前記装置の検査精度の変動分についての推定結果を、前記学習器の出力として取得し、その推定結果を出力する
    ことを特徴とする診断システム。
  2. 試料を計測または検査する装置の状態を診断する診断システムであって、
    前記診断システムは、前記装置において生じたエラーの原因を推定するコンピュータシステムを備え、
    前記コンピュータシステムは、
    前記装置の動作を規定したレシピ、前記装置の状態を記述したログデータ、または前記試料の特性を記述した試料データのうち少なくともいずれかと、
    前記エラーの種類と、
    の間の対応関係を、機械学習によって学習する学習器を備え、
    前記コンピュータシステムは、前記学習器が前記機械学習を実施した後、前記装置において前記エラーが発生した場合、
    前記エラーが発生したとき前記装置が使用していた前記レシピ、前記エラーが発生したときにおける前記ログデータ、または前記エラーが発生したときにおける前記試料データのうち少なくともいずれか、
    を前記学習器に対して投入することにより、前記エラーの原因のうち、前記レシピ、前記装置の状態、または前記試料の特性の少なくともいずれかに起因するものについての推定結果を、前記学習器の出力として取得し、その推定結果を出力し、
    前記学習器は、
    前記レシピと前記エラーの種類との間の対応関係を学習する第１学習部、
    前記ログデータと前記エラーの種類との間の対応関係を学習する第２学習部、
    前記試料データと前記エラーの種類との間の対応関係を学習する第３学習部、
    前記第１学習部による推定結果、前記第２学習部による推定結果、前記第３学習部による推定結果、前記エラーの種類、の間の対応関係を学習する第４学習部、
    を備え、
    前記学習器は、前記第１学習部、前記第２学習部、前記第３学習部、前記第４学習部それぞれによる推定結果を、前記学習器の出力として出力する
    ことを特徴とする診断システム。
  3. 前記学習器はさらに、前記エラーが発生しなかったときにおける、
    前記レシピ、前記ログデータ、または前記試料データのうち少なくともいずれか、
    を前記エラーが発生しなかった旨とともに学習し、
    前記学習器はさらに、前記エラーの種類とともに前記エラーの発生確率を学習し、
    前記学習器はさらに、前記エラーが発生しなかった旨とともに前記エラーの不発生確率を学習し、
    前記コンピュータシステムは、前記学習器が前記機械学習を実施した後、
    前記レシピ、前記ログデータ、または前記試料データのうち少なくともいずれか、
    を前記学習器に対して投入することにより、前記発生確率と前記不発生確率を、前記学習器の出力として取得し、
    前記コンピュータシステムは、前記発生確率と前記不発生確率にしたがって、前記エラーが発生する予兆の程度を診断し、その診断結果を出力する
    ことを特徴とする請求項１または２記載の診断システム。
  4. 前記コンピュータシステムは、前記エラーの原因の推定結果が既知の原因によるものである場合は、前記レシピまたは前記装置の状態のうち少なくともいずれかを修正した上で、前記装置から再検査結果を取得し、
    前記コンピュータシステムは、前記再検査結果が正常である場合は、
    前記再検査結果を取得する際に前記装置が使用していた前記レシピ、前記再検査結果を取得する際における前記ログデータ、または前記再検査結果を取得する際における前記試料データのうち少なくともいずれか、
    を前記エラーが発生しなかった旨とともに再学習する
    ことを特徴とする請求項１または２記載の診断システム。
  5. 前記コンピュータシステムは、前記再検査結果が前記エラーでありかつ前記エラーの原因の推定結果が既知の原因によるものでない場合は、エラー復旧処理を実施した上で、前記装置から前記再検査結果を改めて取得し、
    前記コンピュータシステムは、前記改めて取得した再検査結果が正常である場合は、前記再学習を前記学習器に実施させる
    ことを特徴とする請求項４記載の診断システム。
  6. 前記診断システムはさらに、前記レシピの経時変化、前記ログデータの経時変化、または前記試料データの経時変化のうち少なくともいずれかを記憶する記憶部を備え、
    前記学習器は、
    前記レシピの経時変化のうち経時変化量が閾値以上である部分、前記ログデータの経時変化のうち経時変化量が閾値以上である部分、または前記試料データの経時変化のうち経時変化量が閾値上である部分、の少なくともいずれかと、
    前記発生確率または前記不発生確率のうち少なくともいずれかと、
    の間の対応関係を学習し、
    前記コンピュータシステムは、
    前記レシピの経時変化、前記ログデータの経時変化、または前記試料データの経時変化のうち少なくともいずれか、
    を前記学習器に対して投入することにより、前記発生確率と前記不発生確率を、前記学習器の出力として取得する
    ことを特徴とする請求項３記載の診断システム。
  7. 前記装置は、前記試料の画像を取得する画像取得装置であり、
    前記学習器は、前記レシピとして、
    前記試料上の検査点の個数、前記検査点の前記試料上における座標、前記装置が前記試料を検査する前にあらかじめ取得した前記試料の画像、前記装置による検査条件、前記装置による検査シーケンス、
    のうち少なくともいずれかを学習し、
    前記学習器は、前記装置の状態として、
    前記検査点を特定する際の基準となるアドレッシングパターンの座標、オートフォーカスの所要時間、自動輝度コントラスト調整を実施するときのゲイン値およびバイアス値、前記試料上に形成されているパターンの形状とサイズ、前記装置が備えているセンサの出力値、前記装置が備える部品に対して供給する電圧値と電流値、ＤＡコンバータに対する制御信号、
    のうち少なくともいずれかを学習し、
    前記学習器は、前記試料の特性として、
    前記試料の製造条件、前記試料上のパターンを形成する際に用いたレジストパターンをパターニングするために用いた露光機の種類、前記露光機の露光条件、前記レジストパターンの材料、前記レジストパターンの膜厚、前記レジストパターンの形状とサイズ、
    のうち少なくともいずれかを学習する
    ことを特徴とする請求項１または２記載の診断システム。
  8. 試料を計測または検査する装置の状態を診断する診断システムであって、
    前記診断システムは、前記装置において生じたエラーの原因を推定するコンピュータシステムを備え、
    前記コンピュータシステムは、前記装置が実施する検査処理の内容を記述した処理内容データ、前記装置による検査条件、前記装置の属性を記述した属性データ、のうち１つ以上の組み合わせを機械学習によってクラスタリングする学習器を備え、
    前記コンピュータシステムは、前記学習器が前記機械学習を実施した後、前記装置において前記エラーが発生した場合、
    前記エラーが発生したとき前記装置が実施していた前記検査処理の内容を記述した前記処理内容データ、前記エラーが発生したときにおける前記検査条件、前記属性データ、のうち１つ以上の第１組み合わせ、
    を前記学習器に対して投入することにより、前記クラスタリングによって得られたクラスタのうちいずれかへ前記第１組み合わせを分類し、
    前記コンピュータシステムは、前記分類の結果にしたがって、前記エラーが生じるか否かについての推定結果を取得し、その推定結果を出力し、
    前記学習器はさらに、
    前記装置の動作を規定したレシピの変動分、前記装置の状態を記述したログデータの変動分、または前記試料の特性を記述した試料データの変動分のうち少なくともいずれかと、
    前記装置の検査精度の変動分と、
    の間の対応関係を学習し、
    前記コンピュータシステムは、
    新たな前記レシピ、新たな前記ログデータ、または新たな前記試料データのうち少なくともいずれか、
    を前記学習器に対して投入することにより、前記装置の検査精度の変動分についての推定結果を、前記学習器の出力として取得し、その推定結果を出力する
    ことを特徴とする診断システム。
  9. 試料を計測または検査する装置の状態を診断する診断システムであって、
    前記診断システムは、前記装置において生じたエラーの原因を推定するコンピュータシステムを備え、
    前記コンピュータシステムは、前記装置が実施する検査処理の内容を記述した処理内容データ、前記装置による検査条件、前記装置の属性を記述した属性データ、のうち１つ以上の組み合わせを機械学習によってクラスタリングする学習器を備え、
    前記コンピュータシステムは、前記学習器が前記機械学習を実施した後、前記装置において前記エラーが発生した場合、
    前記エラーが発生したとき前記装置が実施していた前記検査処理の内容を記述した前記処理内容データ、前記エラーが発生したときにおける前記検査条件、前記属性データ、のうち１つ以上の第１組み合わせ、
    を前記学習器に対して投入することにより、前記クラスタリングによって得られたクラスタのうちいずれかへ前記第１組み合わせを分類し、
    前記コンピュータシステムは、前記分類の結果にしたがって、前記エラーが生じるか否かについての推定結果を取得し、その推定結果を出力し、
    前記学習器は、
    前記装置の動作を規定したレシピと前記エラーの種類との間の対応関係を学習する第１学習部、
    前記装置の状態を記述したログデータと前記エラーの種類との間の対応関係を学習する第２学習部、
    前記試料の特性を記述した試料データと前記エラーの種類との間の対応関係を学習する第３学習部、
    前記第１学習部による推定結果、前記第２学習部による推定結果、前記第３学習部による推定結果、前記エラーの種類、の間の対応関係を学習する第４学習部、
    を備え、
    前記学習器は、前記第１学習部、前記第２学習部、前記第３学習部、前記第４学習部それぞれによる推定結果を、前記学習器の出力として出力する
    ことを特徴とする診断システム。
  10. 前記装置は、前記試料の画像を取得する画像取得装置であり、
    前記コンピュータシステムは、
    前記エラーが発生せず、前記第１組み合わせが前記分類のうちいずれかへクラスタリングされ、かつ前記画像が正常であるときにおける前記第１組み合わせ、
    を前記学習器に学習させることにより、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性がいずれも正常であり、かつ前記画像が正常である場合における前記第１組み合わせをクラスタリングする第１学習部を生成し、
    前記コンピュータシステムは、新たな前記第１組み合わせが前記第１学習部によるクラスタリング結果のうちいずれかに分類されるか否かにしたがって、新たな前記第１組み合わせを用いたとき、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性がいずれも正常であり、かつ前記画像が正常となるか否かの推定結果を、前記第１学習部から取得する
    ことを特徴とする請求項８または９記載の診断システム。
  11. 前記装置は、前記試料の画像を取得する画像取得装置であり、
    前記コンピュータシステムは、
    前記エラーが発生せず、前記第１組み合わせが前記分類のうちいずれかへクラスタリングされ、かつ前記画像が異常であるときにおける前記第１組み合わせ、
    を前記学習器に学習させることにより、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性がいずれも正常であり、かつ前記画像が異常である場合における前記第１組み合わせをクラスタリングする第３学習部を生成し、
    前記コンピュータシステムは、新たな前記第１組み合わせが前記第３学習部によるクラスタリング結果のうちいずれかに分類されるか否かにしたがって、新たな前記第１組み合わせを用いたとき、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性がいずれも正常であり、かつ前記画像が異常となるか否かの推定結果を、前記第３学習部から取得する
    ことを特徴とする請求項８または９記載の診断システム。
  12. 前記コンピュータシステムは、前記エラーが発生せず、前記第１組み合わせが前記分類のうちいずれへもクラスタリングされなかった場合は、前記エラーを回避するためにあらかじめ規定しているリカバリ処理を前記装置に実施させ、
    前記コンピュータシステムは、
    前記エラーが発生せず、前記第１組み合わせが前記分類のうちいずれへもクラスタリングされず、かつ前記リカバリ処理によって前記エラーを回避できたときにおける前記第１組み合わせ、
    を前記学習器に学習させることにより、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性のうち少なくともいずれかが異常であり、かつ前記リカバリ処理において用いた前記検査処理の内容と前記検査条件と前記属性が正常である場合における前記第１組み合わせをクラスタリングする第２学習部を生成し、
    前記コンピュータシステムは、新たな前記第１組み合わせが前記第２学習部によるクラスタリング結果のうちいずれかに分類されるか否かにしたがって、新たな前記第１組み合わせを用いたとき、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性のうち少なくともいずれかが異常であり、かつ前記リカバリ処理において用いた前記検査処理の内容と前記検査条件と前記属性が正常となるか否かの推定結果を、前記第２学習部から取得する
    ことを特徴とする請求項８または９記載の診断システム。
  13. 前記コンピュータシステムは、前記エラーが発生せず、前記第１組み合わせが前記分類のうちいずれへもクラスタリングされなかった場合は、前記エラーを回避するためにあらかじめ規定しているリカバリ処理を前記装置に実施させ、
    前記コンピュータシステムは、
    前記エラーが発生せず、前記第１組み合わせが前記分類のうちいずれへもクラスタリングされず、かつ前記リカバリ処理によって前記エラーを回避できなかったときにおける前記第１組み合わせ、
    を前記学習器に学習させることにより、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性のうち少なくともいずれかが異常であり、かつ前記リカバリ処理において用いた前記検査処理の内容と前記検査条件と前記属性のうち少なくともいずれかが異常である場合における前記第１組み合わせをクラスタリングする第４学習部を生成し、
    前記コンピュータシステムは、新たな前記第１組み合わせが前記第４学習部によるクラスタリング結果のうちいずれかに分類されるか否かにしたがって、新たな前記第１組み合わせを用いたとき、前記エラーが発生せず、前記検査処理の内容と前記検査条件と前記属性のうち少なくともいずれかが異常であり、かつ前記リカバリ処理において用いた前記検査処理の内容と前記検査条件と前記属性のうち少なくともいずれかが異常となるか否かの推定結果を、前記第４学習部から取得する
    ことを特徴とする請求項８または９記載の診断システム。
  14. 前記装置は、前記試料の画像を取得する画像取得装置であり、
    前記学習器は、前記検査処理の内容として、
    前記試料を載置するステージの座標系と前記装置の座標系を位置合わせするアライメント、前記試料上の検査点へ検査位置を移動させるアドレッシング、オートフォーカス機構の調整、自動非点補正、自動輝度コントラスト調整、
    のうち少なくともいずれかを学習し、
    前記学習器は、前記検査条件として、
    前記アドレッシングの際に取得する視野サイズ、前記オートフォーカス機構の調整時に取得する画像数、前記画像のフレーム積算数、前記オートフォーカス機構の調整時に用いる前記試料上の形状パターンと検査点との間の距離、前記オートフォーカス機構の調整時に用いる前記試料上の形状パターンと検査点との間の相対方向、レンズ条件、
    のうち少なくともいずれかを学習し、
    前記学習器は、前記装置の属性として、
    前記装置の識別子、前記装置が設置されている環境の特性、
    のうち少なくともいずれかを学習する
    ことを特徴とする請求項８または９記載の診断システム。
JP2022512905A 2020-03-30 2020-03-30 診断システム Active JP7298016B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/014580 WO2021199164A1 (ja) 2020-03-30 2020-03-30 診断システム

Publications (2)

Publication Number Publication Date
JPWO2021199164A1 JPWO2021199164A1 (ja) 2021-10-07
JP7298016B2 true JP7298016B2 (ja) 2023-06-26

Family

ID=77930203

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022512905A Active JP7298016B2 (ja) 2020-03-30 2020-03-30 診断システム

Country Status (6)

Country Link
US (1) US11899437B2 (ja)
JP (1) JP7298016B2 (ja)
KR (1) KR20220132604A (ja)
CN (1) CN115176327A (ja)
TW (2) TWI783368B (ja)
WO (1) WO2021199164A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230336470A1 (en) * 2022-04-14 2023-10-19 Ali Munir Methods and systems for predicting sudden changes in datacenter networks
JP2024035683A (ja) * 2022-09-02 2024-03-14 横河電機株式会社 情報処理装置、情報処理方法および情報処理プログラム
WO2024105811A1 (ja) * 2022-11-16 2024-05-23 株式会社日立ハイテク エラー要因解析装置、および、エラー要因解析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010087070A (ja) 2008-09-30 2010-04-15 Hitachi High-Technologies Corp 走査電子顕微鏡に用いられるレシピの診断装置
JP2010092632A (ja) 2008-10-06 2010-04-22 Hitachi High-Technologies Corp 荷電粒子線の調整方法、及び荷電粒子線装置
JP2020042398A (ja) 2018-09-07 2020-03-19 ルネサスエレクトロニクス株式会社 半導体装置及び解析システム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1116967A (ja) * 1997-06-26 1999-01-22 Hitachi Ltd 試料検査装置
JP2001165876A (ja) * 1999-12-14 2001-06-22 Mitsubishi Electric Corp 検査装置および検査方法
US7089075B2 (en) 2001-05-04 2006-08-08 Tokyo Electron Limited Systems and methods for metrology recipe and model generation
US7103505B2 (en) * 2002-11-12 2006-09-05 Fei Company Defect analyzer
JP5180428B2 (ja) * 2005-06-21 2013-04-10 株式会社日立ハイテクノロジーズ 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8078552B2 (en) 2008-03-08 2011-12-13 Tokyo Electron Limited Autonomous adaptive system and method for improving semiconductor manufacturing quality
JP5255953B2 (ja) * 2008-08-28 2013-08-07 株式会社日立ハイテクノロジーズ 欠陥検査方法及び装置
US9727049B2 (en) 2012-09-04 2017-08-08 Taiwan Semiconductor Manufacturing Company, Ltd. Qualitative fault detection and classification system for tool condition monitoring and associated methods
EP3475972A4 (en) * 2016-06-27 2020-02-26 KLA-Tencor Corporation APPARATUS AND METHOD FOR MEASURING PATTERN PLACEMENT AND PATTERN SIZE, AND CORRESPONDING COMPUTER PROGRAM
US10365617B2 (en) 2016-12-12 2019-07-30 Dmo Systems Limited Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow
US10565702B2 (en) * 2017-01-30 2020-02-18 Dongfang Jingyuan Electron Limited Dynamic updates for the inspection of integrated circuits
JP6731370B2 (ja) * 2017-03-27 2020-07-29 株式会社日立ハイテク 画像処理システム及び画像処理を行うためのコンピュータープログラム
US10360671B2 (en) 2017-07-11 2019-07-23 Kla-Tencor Corporation Tool health monitoring and matching
CN112074940A (zh) 2018-03-20 2020-12-11 东京毅力科创株式会社 结合有集成半导体加工模块的自感知校正异构平台及其使用方法
JP7144244B2 (ja) * 2018-08-31 2022-09-29 株式会社日立ハイテク パターン検査システム
WO2021044611A1 (ja) * 2019-09-06 2021-03-11 株式会社日立ハイテク レシピ情報提示システム、レシピエラー推定システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010087070A (ja) 2008-09-30 2010-04-15 Hitachi High-Technologies Corp 走査電子顕微鏡に用いられるレシピの診断装置
JP2010092632A (ja) 2008-10-06 2010-04-22 Hitachi High-Technologies Corp 荷電粒子線の調整方法、及び荷電粒子線装置
JP2020042398A (ja) 2018-09-07 2020-03-19 ルネサスエレクトロニクス株式会社 半導体装置及び解析システム

Also Published As

Publication number Publication date
TW202307894A (zh) 2023-02-16
JPWO2021199164A1 (ja) 2021-10-07
TWI783368B (zh) 2022-11-11
TW202137261A (zh) 2021-10-01
TWI822382B (zh) 2023-11-11
KR20220132604A (ko) 2022-09-30
US11899437B2 (en) 2024-02-13
US20230095532A1 (en) 2023-03-30
WO2021199164A1 (ja) 2021-10-07
CN115176327A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
JP7298016B2 (ja) 診断システム
US8547429B2 (en) Apparatus and method for monitoring semiconductor device manufacturing process
TWI475597B (zh) Pattern evaluation method and pattern evaluation device
US7732761B2 (en) Method for measuring a pattern dimension using a scanning electron microscope
JP5608575B2 (ja) 画像分類方法および画像分類装置
JP5525421B2 (ja) 画像撮像装置および画像撮像方法
JP5292043B2 (ja) 欠陥観察装置及び欠陥観察方法
JP5444092B2 (ja) 検査方法およびその装置
US20150146967A1 (en) Pattern evaluation device and pattern evaluation method
CN104903712A (zh) 缺陷观察方法以及缺陷观察装置
TW201725381A (zh) 於樣品上判定所關注圖案之一或多個特性
WO2014208257A1 (ja) 計測装置
KR100289271B1 (ko) 메모리 엘에스아이 용 특정 부분 검색방법 및 장치
JP2011155119A (ja) 検査装置及び検査方法
JP3715150B2 (ja) 画像自動収集装置およびその方法
KR101128558B1 (ko) 측정 시스템 및 방법
JP4287863B2 (ja) レビューｓｅｍ
JP4745380B2 (ja) レビューｓｅｍ
JP5036889B2 (ja) レビューｓｅｍ
CN113228222A (zh) 用于校准扫描带电粒子显微镜的方法
JP5583962B2 (ja) 荷電粒子線装置
JP5163731B2 (ja) 欠陥候補の画像表示方法
US20220334567A1 (en) Fabrication fingerprint for proactive yield management
JP2020204497A (ja) 検査装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220823

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230509

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230526

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: 20230606

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230614

R150 Certificate of patent or registration of utility model

Ref document number: 7298016

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150