JP7462639B2 - システム応答のリアルタイム検出及び補正 - Google Patents

Description

本件開示は総じて半導体ウェハ計量の改良に関する。より具体的には、本件開示は総じて、電子ビーム計測における系統誤差を低減する方法及びシステムに関する。

（関連出願への相互参照）
本願では、２０１８年１２月１４日付米国仮特許出願第６２／７７９４８５号、２０１８年１２月１８日付米国仮特許出願第６２／７８１４１２号及び２０１８年１２月２６日付米国仮特許出願第６２／７８５１６４号に基づき優先権を主張するので、参照によりそれらの開示内容を本願に繰り入れることにする。

半導体製造業界の発展につれ歩留まり管理に対する要請、とりわけ計量及び検査システムに対する要請が強まっている。限界寸法が縮まり続けているだけでなく、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。

個別半導体層間オーバレイを計測することは、集積回路（ＩＣ）の機能を確保する上で重要である。構造サイズがスケールダウンするにつれ、走査型電子顕微鏡の原理に基づく電子ビーム（ＥＢ）システム、例えばＥＢ式の検査、レビュー及び計量システムが、その分解能力が高いことからますます魅力的となってきている。しかしながら、ＥＢシステムでは、難儀なことに、理論的に実現可能な正確さが系統誤差の影響で削がれ、計測結果が摂動することがある。

従来方法の一つに、内部ラテンシの個別オフライン計測及びそれらに関する補正に依拠するものがある。それらラテンシの変化は計測結果によりカバーされない。内部ラテンシがもととなり検出画像にシフトや非対称性が生じ、距離計測結果に誤差の影響が生じることとなりうる。短い時間スケールでのラテンシの変化は付加的ノイズ源として作用しうる。長い時間スケールでのラテンシの変化はドリフト様効果として現れうる。

二次電子（ＳＥ）を検出することは有益であり、何故なら、標本内でそれらが生じる個所が表面付近の小さな作用体積内であるため、高い空間分解能で以て精密計測が行われるからである。しかしながら、ＳＥ信号は他の電子源による摂動、主として広帯域エネルギ分布を有する後方散乱電子（ＢＳＥ）によるそれを受ける。現行のバンドパスエネルギフィルタでも、高エネルギなＢＳＥを弁別することができる。低エネルギ又は中庸エネルギのＢＳＥは、通常、そのバンドパスフィルタを通過するので、ＳＥ信号に付加的な背景信号が加算されることになる。従って、計測で得られる検出器信号は、ＳＥ信号と寄生的な低～中庸エネルギ後方散乱電子信号との組合せを、表すものとなる。こうした従来技術ソリューションでは、その寄生的ＢＳＥの影響がもとで画像がぼやけることがあり、それにより顕著な系統誤差がもたらされる。

従来方法のなかには、図１及び図２Ａ～図２Ｃに描かれている通り、特殊なターゲット構造又は特殊なセンサの画像対称性を整列させることで、光軸に対しビーム軸を静的に事前整列させることによるものがある。しかし、このビーム整列は、高さ違いの試料における距離又は位置の計測に直に影響する。加えて、試料の向きが負荷毎に僅かに変化するかもしれないので、ビームの再整列が必要になる。古い向きのままにすると傾斜誘起性誤差につながる。

特開２０１３－２５１２１２号公報

従って、ＥＢ計測における系統誤差を低減する方法及びシステムの改善が必要である。

本件開示の諸実施形態には以下の働きがある：（１）ツール内応答を判別、追跡及び補正することで高分解能ＥＢ計測における系統誤差を減らすこと、（２）二次電子（ＳＥ）検出方法を改善することで高分解能ＥＢ計測における系統誤差を減らすこと…諸実施形態はオーバレイ計測に限定されるものではなく、半導体の計量及び検査双方に用いることができる、並びに（３）試料の表面法線を基準としてビームの向きを計測し整列させることでＥＢ計測における系統誤差を減らすことである。

諸実施形態によれば、ビームパラメータ、検出器又はフィルタパラメータを変調すること、或いは非対称性検出を利用しビーム傾斜を補正することで、応答関数を補正することができる。

諸実施形態の方法及びシステムによれば、システムの応答のうちそのシステムの摂動によるものを検出し、その応答に対する補正指標を決定し、その補正指標を適用することができる。システム応答の検出に用いる計測デバイスは、計量、検査及びレビュー用の電子ビームツールとすることができる。摂動によるシステム応答は、そのシステムにより生来的に与えられるものとして定義し指標により検出すること、ビームパラメータの故意摂動により誘起すること、或いは外部源泉により誘起することができる。ビームパラメータの摂動には、所与特定周波数を有する周期的なものがある。摂動には生来的なもの、例えばビーム傾斜によるものがある。摂動には外的なもの、例えば磁界によるものがある。

諸実施形態のなかには、電子ビームツールの応答関数を補正する方法が含まれうる。本方法は、周波数を有する電子ビームパラメータを変調し、源泉位相を有する源泉波動関数とランディング角とにより記述される電子ビームをその電子ビームパラメータに基づき試料の方に放射してそこで電子を散乱させ、それら散乱電子のうち一部分を電子検出器にて検出し、それによって電子データであり電子位相を有する電子波動関数と電子ランディング角とを含むものを生成し、プロセッサを用い源泉位相・電子位相間位相遅延を判別し、それによってラテンシを求め、同プロセッサを用いまたそのラテンシと源泉波動関数・電子波動関数間差異とを用い、その電子ビームツールの応答関数を補正するものと、することができる。

前記散乱電子には後方散乱電子が含まれうる；本方法を、更に、その電子ビームツールで以て後方散乱電子のうち一部分を後方散乱電子検出器にて検出し、それによって後方散乱電子データを生成するものと、してもよい。

前記応答関数の補正に際し、前記電子データから前記後方散乱電子データを減じてもよい。

前記応答関数の補正に際し、前記プロセッサを用い前記後方散乱電子データのスペクトル分布を低エネルギ側に向かい外挿し、それによって外挿後方散乱電子データを生成し、同プロセッサを用い前記電子データからその外挿後方散乱電子データを減じてもよい。

前記応答関数の補正に際し、前記プロセッサを用い前記後方散乱電子データのエネルギ分布関数をモデル化し、それによってモデル化エネルギ分布関数を生成し、同プロセッサを用い、またその電子ビームツールを用い採取した一通り又は複数通りの計測結果を用い、そのモデル化エネルギ分布関数を校正してもよい。

前記応答関数の補正に際し、計測パラメータ及び試料特性であり前記後方散乱電子データに基づくものが、その後方散乱電子データと前記電子データとの総和に対し占める、相対的割合を判別してもよい。

前記相対的割合を電子データ格納ユニット上に格納してもよい。

前記応答関数の補正に際し機械学習モデルを用いてもよく、前記電子データ格納ユニット上に格納されている格納済相対的割合を用いその機械学習モデルを訓練してもよい。

本方法を、更に、前記電子ビームツールで以て後方散乱電子のうち第２部分を対照電子検出器にて検出し、それによって対照電子データを生成し、前記プロセッサを用い前記電子データとその対照電子データとを比較することで傾斜データを生成し、その傾斜データを用い前記電子ビームの傾斜を変化させるものとしてもよい。

諸実施形態には、電子ビームツールと、その電子ビームツールと電子通信するコントローラと、を備えるシステムが含まれうる。

前記電子ビームツールを、電子ビームエミッタ、ステージ及び電子検出器を有するものとすることができる。その電子ビームエミッタを、電子ビームの態で電子を放出するよう構成することができる。その電子ビームを、源泉位相を有する源泉波動関数とランディング角とにより記述することができる。前記ステージを、その電子ビームの経路上で試料を保持するよう構成することができる。前記電子検出器を、その電子ビームがその試料に衝突することで散乱された電子のうち一部分を検出し、それによって電子データであり電子位相を有する電子波動関数と電子ランディング角とを含むものを生成するよう、構成することができる。

前記コントローラを、プロセッサを有するものとしてもよい。そのコントローラを、前記電子ビームの電子ビームパラメータであり周波数を有する電子ビームパラメータを変調せよと前記電子ビームエミッタに命令し、源泉位相・電子位相間位相遅延を判別し、それによってラテンシを求め、そのラテンシと源泉波動関数・電子波動関数間差異とを用い前記電子ビームツールの応答関数を補正するよう、構成してもよい。

前記散乱電子には後方散乱電子が含まれうる；本システムを、更に、後方散乱電子のうち一部分を検出することで後方散乱電子データを生成するよう構成された後方散乱電子検出器を、備えるものとしてもよい。

前記コントローラを、前記電子データから前記後方散乱電子データを減ずることで前記応答関数を補正するよう、構成してもよい。

前記コントローラを、前記後方散乱電子データのスペクトル分布を低エネルギ側に向かい外挿し、それによって外挿後方散乱電子データを生成し、前記電子データからその外挿後方散乱電子データを減ずることによって、前記応答関数を補正するよう、構成してもよい。

前記コントローラを、前記後方散乱電子データのエネルギ分布関数をモデル化し、それによりモデル化エネルギ分布関数を生成し、前記電子ビームツールを用い採取した一通り又は複数通りの計測結果を用いそのモデル化エネルギ分布関数を校正することによって、前記応答関数を補正するよう、構成してもよい。

前記コントローラを、計測パラメータ及び試料特性であり前記後方散乱電子データに基づくものが、その後方散乱電子データと前記電子データとの総和に対し占める相対的割合を判別することによって、前記応答関数を補正するよう、構成してもよい。

本システムを、更に、前記相対的割合を格納するよう構成された電子データ格納ユニットを備えるものとしてもよい。

前記コントローラを、機械学習モデルを用い応答関数を補正するよう構成してもよい。その機械学習モデル訓練する際、前記電子データ格納ユニット上に格納されている格納済相対的割合を用いてもよい。

本システムを、更に、前記後方散乱電子のうち第２部分を検出することで対照電子データを生成するよう構成された対照電子検出器を備えるものとしてもよい。前記コントローラを、前記電子データとその対照電子データとを比較することで傾斜データを生成し、その傾斜データを用い前記電子ビームエミッタの角度を変化させ、それによって前記電子ビームの傾斜を変化させるよう、構成してもよい。

諸実施形態には、１個又は複数個のプログラムを備える非一時的コンピュータ可読格納媒体であり、そのプログラムにより電子ビームツールの応答関数の補正を初めとする諸ステップを１個又は複数個の情報処理デバイス上で実行させるものが、含まれうる。前記応答関数の補正に際しては、周波数を有する電子ビームパラメータを変調し、源泉位相を有する源泉波動関数とランディング角とにより記述される電子ビームをその電子ビームパラメータに基づき試料の方に放射してそこで電子を散乱させるよう前記電子ビームツールに命令し、それら散乱電子のうち一部分を検出する電子検出器から、電子データであり電子位相を有する電子波動関数と電子ランディング角とを含むものを受け取り、源泉位相・電子位相間位相遅延を判別し、それによってラテンシを求め、そのラテンシと源泉波動関数・電子波動関数間差異とを用いその電子ビームツールの応答関数を補正することができる。

諸ステップには、前記電子ビームパラメータ、前記電子データ及び前記応答関数を用いた機械学習アルゴリズムの訓練を含めることができる。

本件開示の性質及び目的についてのより漏れ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。

従来技術に係るビーム補正方法を描いた図である。 本件開示の実施形態に係る計量補正方法を描いた図である。 本件開示の実施形態に係る計量補正方法を描いた図である。 本件開示の実施形態に係る計量補正方法を描いた図である。 本件開示の実施形態に係る計量補正方法を描いた図である。 本件開示の実施形態に係る計量補正方法を描いた図である。 本件開示の実施形態に係る計量補正システムを描いた図である。 本件開示の実施形態に係る計量補正システムを描いた図である。 実施形態での暗視野計量補正を描いた図である。 実施形態での暗視野計量補正を描いた図である。 実施形態での暗視野計量補正を描いた図である。 本件開示のシステム実施形態を描いた図である。 本件開示の別のシステム実施形態を描いた図である。

特定の諸実施形態により特許請求の範囲記載の主題を記述するが、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、他の諸実施形態も入っている。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。

本願開示の実施形態には電子ビーム式検査ツールの応答関数を補正する方法、システム及び装置が含まれる。これら実施形態では、潜在的ラテンシのリアルタイム検出及び補正を行い、計測結果の系統誤差を減らすことができる。即ち、計測結果をより高正確度なものとすることができる。

一例として、図３に、電子ビーム式検査ツールの応答関数例えば有歪正弦波を補正する第１の方法を示す。方法１では、一通り又は複数通りの特定周波数を有する源泉特性を特定振幅にて変調することにより、生来的な静的又は動的応答例えばラテンシを、判別及び補正することができる。方法１では、まず周波数２を生成し、それを変調することができる。周波数２は、周波数発生器を用い発生させればよい。２にて発生した周波数を入力としビームパラメータ３、例えば電子ビーム流を求めることができる。そのビームパラメータ３を以て一次ビーム４のパラメータとすることができる。ビームパラメータ３を変調することができる。一次ビーム４を試料５、例えばウェハやウェハ上のダイへと差し向けることができる。一次ビーム４のうち一部分をウェハ５に衝突させ、ウェハ５の表面付近にある電子のうち一部分を散乱させることで電子、例えば二次電子及び後方散乱電子を含むそれを得ることができる。それら電子のうち一部分を検出器６によって検出し、修正生データ７を生成することができる。それら電子の変調はビームパラメータ３の変調によるものである。この変調をその励振変調に関し分析すること、例えばそのラテンシを表す位相遅延を利用し分析することができる。その変調はフィルタリングにより検出画像から除去することができ、計測結果を摂動させないものである。修正生データ７、例えば検出器６にて受け取った信号を表しているそれを、ビームパラメータ（群）３と併用することで、位相遅延を判別してラテンシ９を求めることができる。フィルタ１０を、ラテンシ９を用いた修正生データ７のフィルタリングに用いることで、補正された応答関数１１を得ることができる。

一次ビーム４をスイッチオン及びオフさせてもよいし、ダンプ様構造に移してそのビーム偏向を変調してもよい。例えば、そのダンプ様構造をビームダンプとしてもよいし、或いは遮蔽パネル又は金属シートを有するものとしてもよい。

修正生データ７を分析する際に、ビームパラメータ３を制御する正弦波を、計測された有歪正弦波と比較してもよい。

別例に係るシステムは、電子ビーム式検査ツールを備えるものとすることができる。その電子ビーム式検査ツールを、電子ビームの態で電子を放射するよう構成された電子ビームエミッタを備えるものと、することができる。その電子ビームを、ある源泉電子位相を有する源泉電子波動関数により記述することができる。

その電子ビーム式検査ツールを、更に、ステージを備えるものとすることができる。そのステージを、試料を保持するよう構成することができる。その試料を例えばウェハとしてもよい。そのウェハを、１個又は複数個のダイを包含するものとしてもよい。その試料を、そのステージにより電子ビームの経路上で保持することができる。

その電子ビーム式検査ツールを、更に二次電子検出器例えばエバーハート・ソーンリー検出器や固体型検出器を備えるものとしてもよいし、ローパスフィルタ（群）が組み込まれたものとしてもよい。その二次電子検出器を、電子ビームが試料に衝突する結果として生じる二次電子のうち一部分を検出するよう構成すればよい。そして、その二次電子検出器により電子データ、即ち検出器６が受け取った（一次、二次又は後方散乱）電子の信号を表すデータを、電子検出後の出力として得ることができる。その電子波動関数は電子位相を有するものとなりうる。

その検査ツールとコントローラが電子通信を行うことができる。そのコントローラを、例えば、電子ビームの電子ビームパラメータの周波数を変調せよと電子ビームエミッタに命令するよう、構成することができる。そのコントローラにて源泉電子位相・電子位相間位相遅延を求めることができる。それによりラテンシを得ることができる。このラテンシを源泉波動関数・電子波動関数間差異と併用することで、そのコントローラにて、その電子ビーム式検査ツールの応答関数を補正することができる。応答関数を補正する手法は、その応答関数のどの側面に補正の必要があるかに左右されうる。応答関数を補正するのにビーム傾斜変調が必要な場合は、ビーム位置補正を実行すればよい。応答関数を補正するのにビーム流変調が必要な場合は、画像強度補正を実行すればよい。

もう一つの実施形態は非一時的コンピュータ可読格納媒体であり、これは、方法１のそれらを初め諸ステップを実行するためのプログラムを、１個又は複数個備えるものとすることができる。

他の諸実施形態に従い、様々な検査ツール内の電子検出器を改善してもよい。電子ビームを試料の方に放射することで、付加的に、その試料内の電子のうち一部分を後方散乱させて後方散乱電子を得ることができる。本方法では、更に、それら後方散乱電子のうち一部分を後方散乱電子検出器にて検出し、後方散乱電子データ、例えば後方散乱電子から受け取った信号を表すそれを、得ることができる。

図４に示す実施形態によれば、方法１００を用い様々な検査ツール内の電子検出器を改善することができる。寄生後方散乱電子の影響がもとで画像のボケが生じ、顕著な系統誤差をもたらすことがある。方法１００によれば、寄生後方散乱電子の影響に抗し電子データ１０１を清浄化することができる。高周波変調１０３を用い既存のハイパスフィルタ１０２のバイアス電圧を０付近の値（ハイパスオフ）から数十又は数百ボルト（ハイパスオン）へと掃引し又は周期変化させることで、寄生後方散乱電子データに関し判別及び補正することができる。ハイパスフィルタ１０２がハイパスオフモードになるかそれともハイパスオンモードになるかは、フィルタ電圧の強度に依存する。検出されるデータは、ハイパスオフモードでは後方散乱電子及び二次電子のデータ１０６に対応するものとなる一方、ハイパスオンでは残留している後方散乱電子成分１０４を表すものとなる。オプション的なスペクトル外挿１０５を実行してもよい。後方散乱電子及び二次電子のデータを後方散乱電子データにより補正１０７することによって、後方散乱電子が補正された純粋な二次電子データ１０８にすることができる。

こうしたやり方により、二次電子検出器を改善することができる。二次電子検出器を用いることで、主に、オーバレイアプリケーションにてその上層からデータを受け取ることができる。別の検出器、例えば後方散乱電子検出器を用い、埋込層からのデータを受け取ってもよい。

こうした実施形態の稼働によりデータをリアルタイム又はオフライン補正することができる。

応答関数を補正する際に、二次電子データから後方散乱電子データを減じてもよい。

応答関数を補正する際に、後方散乱電子データのスペクトル分布（光スペクトルに類するそれ）を低エネルギ側に外挿してもよい。この外挿を実行するには、例えば、そのスペクトルに関数を当て嵌め、その関数を用い他の計測データ欠落スペクトル位置に外挿すればよい。これによって外挿後方散乱電子データが得られる。その外挿後方散乱電子データを二次電子データから減ずることで、補正された応答関数を得ることができる。

応答関数を補正する際に、後方散乱電子データのエネルギ分布関数をモデル化することで、モデル化エネルギ分布関数を得てもよい。モデル化エネルギ分布関数は、その電子ビーム式検査ツールを用い採取された一通り又は複数通りの計測結果を用い、校正することができる。

応答関数を補正する際に相対的割合を求めてもよい。その相対的割合により、後方散乱電子データに基づく試料特性及び計測パラメータを、その後方散乱電子データと二次電子データの総和に、関連付けることができる。

その相対的割合を電子データ格納ユニット上に格納してもよい。求まった一通り又は複数通りの相対的割合をルックアップテーブル内に格納し、後刻使用に備えることができる。

応答関数を補正する際に機械学習モデルを用いてもよい。その機械学習モジュールの訓練を、電子データ格納ユニット上に格納されている格納済相対的割合を用い行ってもよい。その機械学習モデルを、例えば、畳込みニューラルネットワーク等の人工ニューラルネットワークとし、その人工ニューラルネットワークを新規計測結果に適用してもよい。

こうした諸実施形態では、後方散乱電子データと、後方散乱電子及び二次電子のデータとを、画素毎に計測することによって、検出が行われる。別のある種の実施形態では、後方散乱電子データと、後方散乱電子データ及び二次電子データとを、一群の画素毎（例．ライン毎又はフレーム毎）に計測することによって、検出が行われる。後方散乱電子に関しても、後方散乱電子及び二次電子のデータに関しても、同じ位置で計測を行えばよい。個別検出器間の校正を不要とすることができる。

諸実施形態のなかには、フィルタバイアス電圧の掃引又は周期変化を制御し他のシステムタイムスケール（例．画素クロック又はフレームレート）に同期させるハードウェアが含まれうる。

本方法にて、更に、二次電子のうち第２部分を対照二次電子検出器にて検出してもよい。この検出により対照二次電子データを得ることができる。二次電子データをこの対照二次電子データと比較することで傾斜データ、即ち光軸に対するビーム軸の整列具合を示すそれを、生成することができる。その傾斜データを用い電子ビームの傾斜を変化させることができる。電子ビームの傾斜を変化させるには、電子ビームエミッタを変化させればよい。

二次電子データを、暗視野像を利用し対照二次電子データと比較してもよい。暗視野像は、コントラスト拡張及び／又はトポグラフィック計測に用いられうる。こうした像を用いることで、ビーム傾斜を計測し制御することができる。

ある実施形態によれば、電子ビーム式検査システムのビーム傾斜を判別し補正することができる。多チャネル検出器を用い対照チャネル同士を比較することで、傾斜関連値を計測すればよい。データ、例えば差分データの比較結果を、フィードバックループによるビーム傾斜のリアルタイム制御に用いてもよい。そうしたフィードバックループを、多チャネル検出器に備わる対照チャネル群とビーム傾斜校正ターゲットとを用い傾斜関連値を求めることによって、ビーム傾斜のリアルタイム判別及び補正に用いてもよい。

ある実施形態によれば、高Ｚ基板及びアパーチャアレイを用いた特殊ターゲットを実現することができる。その高Ｚ基板を、それによって後方散乱電子が生成されるよう選択すればよい。例えば、それをＰｅｌｃｏ（商標）窒化シリコン支持膜としてもよい。

本件開示に係るシステム又は非一時的コンピュータ可読格納媒体により、本件開示のそうした諸実施形態を実施することができる。

ある実施形態のシステム１２が図５に描かれている。システム１２では、一次ビーム成分４１～４３を偏向ユニット１３により適切に偏向させ、試料５に向かわせることができる。一次ビーム成分４１～４３が試料５に衝突することで生じた二次電子及び後方散乱電子の諸部分４４～４６を、検出器６にて検出することができる。検出器６は、１個又は複数個の部分例えば部分６１～６５であり、表面の平坦度又は斜度を踏まえ様々な角度にて二次電子又は後方散乱電子を検出するよう構成されたものを、有するものとすることができる。注記すべきことに、実施形態に備わる諸部分の個数は、部分６１～６５に限らず様々な個数とすることができる。検出器６は、１個又は複数個の暗視野像１４を分析ユニット１５に供給するよう構成することができる。暗視野像１４の例としては、像２０１及び２０２を初め図７Ａ～図７Ｃに示すそれがある。

図６に、更に別の実施形態のシステム１６であり、試料５・検出器６６～６８間に有孔膜が配置されているものを示す。注記すべきことに、実施形態に備わる検出器の個数は、検出器６６～６８に限らず様々な個数とすることができる。有孔膜は、例えば２００ｎｍ厚及び／又はシリコン製とすればよい。とはいえ、プロセス上の必要性に応じ、これとは別の厚み又は素材を用いてもよい。有孔膜１７は１個又は複数個の孔を有するものとすることができ、またその孔を円形その他の形状とすることができる。例えば、有孔膜１７に備わる孔を、例えば２５００ｎｍ～５０００ｎｍの範囲内の直径を有する円形孔としてもよい。試料５を、強い後方散乱データが生じる高Ｚターゲットとしてもよい。有孔膜１７は、試料５の上方、距離ｈのところに配置すればよい。例えば、距離ｈを２～１０μｍの範囲内とすることができるが、プロセス上の必要性を踏まえ別の距離ｈを用いてもよい。後方散乱電子の諸部分４７及び４８は、一次ビーム４が試料５に衝突することでもたらされうる。

翻って図５では、分析ユニット１５にて、例えば画像処理技術を用い変換することにより（例．数個のサイドチャネルを比較することにより）暗視野像を分析し、その試料の傾斜を判別することができる。例えば、図７Ａに示す暗視野像２０１からは、散乱電子発出面が平坦であることを、読み取ることができる。更に例えば、図７Ｂに示す暗視野像群２０２からは、散乱電子発出面が傾斜していることを、読み取ることができる。こうして、その面の傾斜、即ち試料の傾斜に対応付けうる傾斜を計測し、システム内へと補正用にフィードバックすることができる。

一実施形態に係るシステム８００を図８に示す。本システム８００は光学ベースサブシステム８０１を有している。大略、光学ベースサブシステム８０１は、試料８０２に光を差し向け（或いはその上を光で走査し）その試料８０２からの光を検出することで、試料８０２に関し光学ベース出力を生成するよう、構成されている。一実施形態に係る試料８０２はウェハである。そのウェハには、本件技術分野で既知なあらゆるウェハが含まれうる。別の実施形態に係る試料はレティクルである。そのレティクルには、本件技術分野で既知なあらゆるレティクルが含まれうる。

図８に示す実施形態のシステム８００では、光学ベースサブシステム８０１が、試料８０２に光を差し向けるよう構成された照明サブシステムを有している。この照明サブシステムには少なくとも１個の光源を設ける。例えば図８に示す照明サブシステムは光源８０３を有している。一実施形態に係る照明サブシステムは一通り又は複数通りの入射角、例えば一通り又は複数通りの斜め角及び／又は一通り又は複数通りの直交角を含むそれにて試料８０２に光を差し向けるよう、構成されている。例えば図８に示す通り、光源８０３からの光が光学素子８０４、次いでレンズ８０５を介し、ある斜め入射角にて試料８０２に差し向けられている。この斜め入射角は、好適であればどのような斜め入射角でもよく、例えばその試料８０２の特性により変更してもよい。

光源８０３即ちビーム源は、広帯域プラズマ光源、ランプ又はレーザを有するものとすることができる。ある種の実施形態によれば、そのビーム源により放射される光又は光子を、赤外光、可視光、紫外光又はＸ線の形態とすることもできる。

光学ベースサブシステム８０１を、別々の時点では別々の入射角にて試料８０２に光を差し向けるよう、構成してもよい。例えば、光学ベースサブシステム８０１を、照明サブシステムに備わる１個又は複数個の素子の一通り又は複数通りの特性を変化させうるよう、ひいては図８に示すそれとは異なる入射角にて試料８０２に光を差し向けうるよう、構成してもよい。そうした例のうちあるものでは、光学ベースサブシステム８０１が、光源８０３、光学素子８０４及びレンズ８０５を動かしうるよう、ひいては別の斜め入射角又は直交（又は近直交）入射角にて試料８０２に光を差し向けうるよう、構成されよう。

幾つかの例によれば、光学ベースサブシステム８０１を、同時に複数通りの入射角にて試料８０２に光を差し向けるよう構成することができる。例えば照明サブシステムに複数個の照明チャネルを設け、それら照明チャネルのうち１個には図８に示す如く光源８０３、光学素子８０４及びレンズ８０５を設け、別の照明チャネル（図示せず）には別様又は同様に構成された類種素子群、即ち本願詳述のそれの如く少なくとも１個の光源及び恐らくは１個又は複数個の他部材を設ければよい。その光と他方の光とを同時に試料に差し向ける場合、別々の入射角にて試料８０２に差し向けられる光に備わる一通り又は複数通りの特性（例．波長、偏波等々）に違いを付けることで、それら別々の入射角での試料８０２の照明によりもたらされる光を、その又はそれらの検出器にて互いに弁別することが可能となる。

別のある例によれば、照明サブシステムに設ける光源を１個（例．図８に示した光源８０３）のみとすること、並びにその照明サブシステムに備わる１個又は複数個の光学素子（図示せず）により（例．波長、偏波等々に基づき）その光源からの光を別々の光路へと振り分けることができる。その後はそれら別々の光路上の光をそれぞれ試料８０２へと差し向ければよい。複数個の照明チャネルを、光を試料８０２に同時に差し向けるよう構成してもよいし、別々の時点で差し向けるよう構成してもよい（例．別々の照明チャネルを用い試料を順次照明する際）。別のある例によれば、別々の時点にて別々の特性で以て試料８０２に光を差し向けるよう、同一の照明チャネルを構成することができる。例えばある種の例によれば、光学素子８０４を分光フィルタとして構成し、その分光フィルタの特性を様々なやり方にて（例．その分光フィルタを交換することにより）変化させることで、別々の時点にて別々の波長の光が試料８０２に向かうようにすることができる。照明サブシステムは、別々又は同一の特性を有する光を別々又は同一の入射角にて順次又は同時に試料８０２に差し向けるのに適し本件技術分野で既知な、他の何れの構成を有するものともすることができる。

ある実施形態によれば、光源８０３を、広帯域プラズマ（ＢＢＰ）光源を有するものとすることができる。こうすることで、光源８０３により生成され試料８０２に差し向けられる光を、広帯域光を含むものとすることができる。とはいえ、光源には他のあらゆる好適な光源例えばレーザやランプが含まれうる。そのレーザには本件技術分野にて既知であり好適なあらゆるレーザが含まれうるし、本件技術分野にて既知であり好適な何れの波長又は波長群にて光を生成するようにもそのレーザを構成することができる。加えて、単色又は近単色の光を生成するようそのレーザを構成してもよい。こうすることでそのレーザを狭帯域レーザとすることができる。光源８０３を、複数通りのとびとびな波長又は波帯にて光を生成する多色光源を有するものとすることもできる。

光学素子８０４からの光をレンズ８０５により試料８０２上に集束させてもよい。図８ではレンズ８０５が単一の屈折性光学素子として示されているが、ご理解頂けるように、実際には、レンズ８０５を、複数個の屈折性及び／又は反射性光学素子を備えそれらの協働でその光学素子から試料へと光が集束されるものとしてもよい。図８に示され本願にて記述されている照明サブシステムには、この他にもあらゆる好適な光学素子（図示せず）を設けることができる。そうした光学素子の例としては、これに限られるものではないが偏向部材（群）、分光フィルタ（群）、空間フィルタ（群）、反射性光学素子（群）、アポダイザ（群）、ビームスプリッタ（群）（例えばビームスプリッタ８１３）、アパーチャ（群）等があり、本件技術分野にて既知であり好適なあらゆる類種光学素子がこれに含まれうる。加えて、照明サブシステムに備わる素子のうち１個又は複数個を、光学ベース出力の生成に用いられる照明の種類に基づき改変しうるよう、光学ベースサブシステム８０１を構成してもよい。

光学ベースサブシステム８０１に、試料８０２上を光で走査するよう構成された走査サブシステムを設けてもよい。例えば、光学ベース出力生成中に試料８０２が載置されるステージ８０６を、光学ベースサブシステム８０１に設けてもよい。走査サブシステムに何らかの好適な機械及び／又はロボットアセンブリ（ステージ８０６を有するもの）を設け、試料８０２を動かせるよう、ひいてはその試料８０２上を光で走査しうるよう、そのアセンブリを構成してもよい。これに加え又は代え、その光学ベースサブシステム８０１に備わる１個又は複数個の光学素子により試料８０２上にて幾ばくかの光走査を実行しうるよう、光学ベースサブシステム８０１を構成してもよい。光による試料８０２上の走査は、例えば蛇状路沿い或いは螺旋路沿い等、何らかの好適な様式で行えばよい。

光学ベースサブシステム８０１は、更に、１個又は複数個の検出チャネルを有している。当該１個又は複数個の検出チャネルのうち少なくとも１個が検出器を有しており、そのサブシステムによる試料８０２の照明に起因しその試料８０２からもたらされる光を検出するよう、且つその検出光に応じ出力を生成するよう、その検出器が構成されている。例えば、図８に示す光学ベースサブシステム８０１は２個の検出チャネルを有しており、そのうち１個が集光器８０７、素子８０８及び検出器８０９により、もう１個が集光器８１０、素子８１１及び検出器８１２により形成されている。図８に示す通り、それら２個の検出チャネルは、別々の集光角にて光を集め検出するよう構成されている。ある種の例では、散乱光を検出するよう両検出チャネルが構成され、また試料８０２から別々の角度で散乱されてきた光を検出するようそれら検出チャネルが構成される。とはいえ、試料８０２から別種の光（例．反射光）を検出するよう検出チャネルのうち１個又は複数個を構成してもよい。

同じく図８に示す通り、両検出チャネルは紙面内に位置する態で示されており、照明サブシステムも紙面内に位置する態で示されている。即ち、本実施形態では、どちらの検出チャネルも入射面内に配置（例．芯決め）されている。しかしながら、検出チャネルのうち１個又は複数個を入射面外に配置してもよい。例えば、集光器８１０、素子８１１及び検出器８１２により形成される検出チャネルを、入射面外に散乱された光を集め検出するよう構成してもよい。こうした検出チャネルは従って「サイド」チャネルと通称されうるものであり、そうしたサイドチャネルを入射面に対し略垂直な平面内に芯決めしてもよい。

図８に示す実施形態の光学ベースサブシステム８０１は２個の検出チャネルを有しているが、光学ベースサブシステム８０１が別の個数の検出チャネル（例．単一の検出チャネル又は３個以上の検出チャネル）を有していてもよい。この種の例によれば、集光器８１０、素子８１１及び検出器８１２で形成される検出チャネルにより上述の如く１個のサイドチャネルを形成する一方で、その光学ベースサブシステム８０１に更なる検出チャネル（図示せず）を設け、それを入射面の逆側に位置する別のサイドチャネルとして形成することができる。即ち、集光器８０７、素子８０８及び検出器８０９を有する検出チャネルを光学ベースサブシステム８０１に設け、それを入射面内で芯決めすると共に、試料８０２の表面法線又はそれに近い（複数の）散乱角にて光を集め検出するようそれを構成することができる。この検出チャネルは従って「トップ」チャネルと通称されうるものであり、またその光学ベースサブシステム８０１に上述の如く構成された２個以上のサイドチャネルを設けることもできる。即ち、光学ベースサブシステム８０１を、少なくとも３個のチャネル（即ち１個のトップチャネル及び２個のサイドチャネル）を有するものとし、それら少なくとも３個のチャネルそれぞれに備わる集光器それぞれを、他の集光器の何れとも異なる散乱角の光を集めるよう構成してもよい。

同じく上述の通り、光学ベースサブシステム８０１内の各検出チャネルを、散乱光を検出するよう構成することができる。従って、図８に示した光学ベースサブシステム８０１を、試料８０２に係る暗視野（ＤＦ）出力の生成用に構成することもできる。反面、光学ベースサブシステム８０１に、それに加え又は代え、試料８０２に係る明視野（ＢＦ）出力の生成用に構成された検出チャネル（群）を設けてもよい。言い換えれば、光学ベースサブシステム８０１に、試料８０２から鏡面反射されてきた光を検出するよう構成された少なくとも１個の検出チャネルを、設けてもよい。従って、本願記載の光学ベースサブシステム８０１は、ＤＦ専用にも、ＢＦ専用にも、或いはＤＦ及びＢＦ撮像両用にも構成することができる。図８では各集光器を単一の屈折性光学素子として示したが、ご理解頂けるように、各集光器が、１個又は複数個の屈折性光学ダイ及び／又は１個又は複数個の反射性光学素子を有していてもよい。

前記１個又は複数個の検出チャネルに備わる検出器を、本件技術分野にて既知であり好適な何れの検出器としてもよい。例えば、それら検出器には、光電子増倍管（ＰＭＴ）、電荷結合デバイス（ＣＣＤ）、時間遅延積分（ＴＤＩ）カメラその他、本件技術分野にて既知であり好適なあらゆる検出器が含まれうる。それら検出器には非撮像型検出器も撮像型検出器も含まれうる。この要領にて検出器を非撮像型検出器にする際には、ある種の散乱光特性例えば強度を検出するよう各検出器を構成しうるけれども、その特性を撮像面内位置の関数として検出するようには構成しえない。即ち、その光学ベースサブシステムの各検出チャネル内に組み込まれている検出器それぞれにより生成される出力が、信号やデータではあれ、画像信号や画像データとはなりえない。この種の例では、プロセッサ例えばプロセッサ８１４を、それら検出器の非撮像出力から試料８０２の画像を生成するよう構成すればよい。他方、別の例にあっては、検出器が撮像型検出器、即ち撮像信号又は画像データを生成する構成の検出器とされることもある。このように、光学ベースサブシステムは、光学画像その他、本願記載の光学ベース出力を生成するよう、様々なやり方で構成することができる。

なお、本願に図８を設けたのは、本願記載の諸システム実施形態に組み込むことができ或いは本願記載の諸システム実施形態にて用いられる光学ベース出力を生成することができる、光学ベースサブシステム８０１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光学ベースサブシステム８０１を、その光学ベースサブシステム８０１の性能が最適化されるよう改変してもよい。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。

一例に係るプロセッサ８１４は本システム８００と通信する。

図９は一実施形態に係るシステム９００のブロック図である。本システム９００はツール、例えばウェハ検査ツール（電子カラム９０１を有するもの）を有しており、試料９０４例えばウェハ又はレティクルの画像を生成するようそれが構成されている。

その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ベース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、試料９０４に向かうエネルギが電子、その試料９０４から検出されるエネルギが電子の態とされる。この構成ではエネルギ源を電子ビーム源とすればよい。図９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９０１を有し、それがコンピュータサブシステム９０２に結合されている。ステージ９１０により試料９０４を保持することができる。

同じく図９に示す通り、電子カラム９０１は、電子を生成するよう構成された電子ビーム源９０３を有しており、それら電子が１個又は複数個の素子９０５により試料９０４へと集束されている。電子ビーム源９０３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９０５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、それらは全て、本件技術分野で既知であり好適な何れの素子を有するものともすることができる。

試料９０４から返される電子（例．二次電子）を、１個又は複数個の素子９０６により検出器９０７へと集束させてもよい。１個又は複数個の素子９０６の例としては走査サブシステムがあり、それを素子９０５に含まれる走査サブシステムと同じものとしてもよい。

電子カラム９０１には、この他にも本件技術分野にて既知であり好適なあらゆる素子を設けることができる。

電子カラム９０１は、図９では、電子がある斜め入射角にて試料９０４に向かい別の斜め角にてその試料９０４から散乱されるよう構成された態で示されているが、電子ビームを試料９０４に差し向けそこから散乱させる角度は、好適な何れの角度でもよい。加えて、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）試料９０４の画像を生成するよう、電子ビーム式出力獲得サブシステムを構成してもよい。電子ビーム式出力獲得サブシステムにおける複数通りのモードは、その出力獲得サブシステムの何れかの画像生成パラメータが異なるものとなろう。

コンピュータサブシステム９０２は上述の如く検出器９０７に結合させればよい。その検出器９０７にて、試料９０４の表面から返ってくる電子を検出することで、その試料９０４の電子ビーム像を生成してもよい。電子ビーム像にはあらゆる好適な電子ビーム画像が包含される。コンピュータサブシステム９０２を、その検出器９０７の出力及び／又は電子ビーム像を用い本願記載の機能のうち何れを実行するよう構成してもよい。コンピュータサブシステム９０２を、本願記載の何れの付加的ステップ（群）を実行するよう構成してもよい。図９に示した出力獲得サブシステムを有するシステム９００を、本願記載の如く更に構成してもよい。

なお、本願に図９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ベース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ベース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。

出力獲得サブシステムを、電子ビームベース出力獲得サブシステムであるものとして上述したが、出力獲得サブシステムをイオンビームベース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を、電子ビーム源が本件技術分野にて既知であり好適な何らかのイオンビーム源で以て置換される点を除き、図９に示した如く構成してもよい。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ベース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してもよい。

コンピュータサブシステム９０２はプロセッサ９０８及び電子データ格納ユニット９０９を有している。プロセッサ９０８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。

プロセッサ８１４若しくは９０８又はコンピュータサブシステム９０２をシステム８００又は９００それぞれの諸部材に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）結合させ、そのプロセッサ８１４又は９０８それぞれにて出力を受け取れるようにしてもよい。プロセッサ８１４又は９０８を、その出力を用い多数の機能を実行するよう構成してもよい。システム８００又は９００では、そのプロセッサ８１４又は９０８から命令その他の情報をそれぞれ受け取ることができる。プロセッサ８１４若しくは９０８及び／又は電子データ格納ユニット８１５若しくは９０９を、それぞれ、オプション的に、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）と電子通信して付加的な情報を受け取れるもの又は命令を送れるものとしてもよい。例えば、プロセッサ８１４若しくは９０８及び／又は電子データ格納ユニット８１５若しくは９０９にて、それぞれ走査型電子顕微鏡（ＳＥＭ）と電子通信することができる。

プロセッサ８１４又は９０８はウェハ検査ツール、例えば検出器８０９若しくは８１２又は検出器９０７とそれぞれ電子通信する。プロセッサ８１４又は９０８を、それぞれ、検出器８０９若しくは８１２又は検出器９０７からもたらされる計測結果を用い生成された画像を処理するよう、構成してもよい。例えば、プロセッサにて方法１００の諸実施形態、或いは方式１又はシステム１２及び１６の諸部分を実行してもよい。

プロセッサ８１４若しくは９０８又はコンピュータサブシステム９０２、その他のシステム（群）或い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内に、本件技術分野にて既知であり好適な何れのプロセッサ例えば並列プロセッサが設けられていてもよい。加えて、その又はそれらのサブシステム又はシステムが、スタンドアロンであれネットワーク接続ツールであれ、高速処理プラットフォーム及びソフトウェアを有していてもよい。

プロセッサ８１４又は９０８及び電子データ格納ユニット８１５又は９０９を、それぞれ、その内部に配置する等、それぞれシステム８００又は９００或いは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８１４又は９０８及び電子データ格納ユニット８１５又は９０９を、それぞれ、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に設けてもよい。プロセッサ８１４若しくは９０８又は電子データ格納ユニット８１５若しくは９０９をそれぞれ複数個用いてもよい。

プロセッサ８１４又は９０８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く、それらをそれぞれ、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。プロセッサ８１４又は９０８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を可読格納媒体内、例えばそれぞれ電子データ格納ユニット８１５又は９０９内にあるメモリやその他のメモリ内に格納してもよい。

システム８００又は９００にプロセッサ８１４若しくは９０８又はコンピュータサブシステム９０２を複数個設ける場合、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）に何れの好適な伝送媒体により結合させてもよく、それには本件技術分野で既知であり好適なあらゆる有線及び／又は無線伝送媒体が含まれうる。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８１４又は９０８を、それぞれシステム８００又は９００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してもよい。例えば、それぞれ電子データ格納ユニット８１５若しくは９０９又はその他の格納媒体にその出力を送るよう、プロセッサ８１４又は９０８を構成してもよい。プロセッサ８１４又は９０８を、本願記載の如く更に構成してもよい。

プロセッサ８１４若しくは９０８又はコンピュータサブシステム９０２を、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してもよい。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。

本システムにサブシステムを複数個設ける場合、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）に何れの好適な伝送媒体により結合させてもよく、それには本件技術分野で既知であり好適なあらゆる有線及び／又は無線伝送媒体が含まれうる。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８１４又は９０８を、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。また、プロセッサ８１４又は９０８を、システム８００又は９００の出力をそれぞれ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。

プロセッサ８１４又は９０８を、それぞれシステム８００又は９００に備わる様々な部材又はサブシステムの何れに、本件技術分野で既知な何れの要領で可通信結合させてもよい。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り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８１４又は９０８を構成してもよい。こうすることで、プロセッサ８１４又は９０８と、システム８００又は９００それぞれの他のサブシステム群或いはシステム８００又は９００それぞれの外にある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てもよい。

実施形態に係るプロセッサ８１４又はプロセッサ９０８を、方法１００の実施形態、或いは方式１又はシステム１２及び１６の諸部分に係る諸ステップを実行するよう、構成してもよい。

実施形態に係るプロセッサ８１４又はプロセッサ９０８を、更に、区画並進を伴う細整列を実行するよう構成してもよい；区画並進とは、参照画像を１個又は複数個の参照画像サブセクションに区画し、供試画像を１個又は複数個の供試画像サブセクションに区画し、各供試画像サブセクションを１個の参照画像サブセクションに対応付け、各供試画像サブセクションを並進させてそれに対応する参照画像サブセクションに対し整列させることである。

本願開示のシステム８００又はシステム９００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してもよい。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８１４若しくは単一のプロセッサ９０８（又はコンピュータサブシステム９０２）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８１４若しくは複数個のプロセッサ９０８（又は複数個のコンピュータサブシステム９０２）により実行してもよい。更に、システム８００又はシステム９００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。従って、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。

付加的実施形態の一つはコントローラ上で実行可能なプログラム命令を格納している非一時的コンピュータ可読媒体、特に本願開示の如く試料８０２又は９０４の表面上の照明領域の高さを判別するコンピュータ実施方法を実行するためのものに関する。具体的には、図８又は図９に示す通り、電子データ格納ユニット８１５若しくは９０９又はその他の格納媒体のなかに、それぞれプロセッサ８１４又は９０８上で実行可能なプログラム命令が入っている非一時的コンピュータ可読媒体を組み込めばよい。そのコンピュータ実施方法を、方法１００の諸実施形態、或いは方式１又はシステム１２及び１６の諸部分を初め、本願記載の何れかの方法（群）の何れかのステップ（群）を含むものとすればよい。

諸方法例えば本願記載のそれらを実施するプログラム命令をコンピュータ可読媒体上、例えば電子データ格納ユニット８１５、電子データ格納ユニット９０９その他の格納媒体内に格納してもよい。そのコンピュータ可読媒体を格納媒体、例えば磁気又は光ディスク、磁気テープ、或いは本件技術分野で既知であり好適な他の何らかの非一時的コンピュータ可読媒体としてもよい。

それらプログラム命令を、就中、手続きベース技術、要素ベース技術及び／又はオブジェクト指向技術を初め、様々なやり方の何れで実現してもよい。例えば、それらプログラム命令を、ＡｃｔｉｖｅＸ（登録商標）コントロール、Ｃ＋＋オブジェクト、ＪａｖａＢｅａｎｓ（登録商標）、Ｍｉｃｒｏｓｏｆｔ（登録商標）ＦｏｕｎｄａｔｉｏｎＣｌａｓｓｅｓ（ＭＦＣ）、ストリーミングＳＩＭＤエクステンション（ＳＳＥ）その他のテクノロジ又は方法論を随意使用し実施してもよい。

プロセッサにより実行される要素（群）に深層学習モジュール（例．畳込みニューラルネットワーク（ＣＮＮ）モジュール）を含めることができる。その深層学習モジュールを、本願詳述の構成のうち一つを有するものとすることができる。ニューラルネットワークテクノロジに根ざす深層学習は多くのニューロン層を伴う確率グラフモデルであり、深層アーキテクチャとして広く知られている。深層学習テクノロジでは情報、例えば画像、テキスト、音声等が階層的な要領で処理される。本件開示にて深層学習を用いるに当たっては、データからの学習を利用し特徴（フィーチャ）抽出が自動達成される。例えば、回動及び並進オフセットを求める際に参照される特徴を、抽出された１個又は複数個の特徴に基づきその深層学習モジュールを用い抽出することができる。

概述するなら、深層学習（深層構造化学習、階層学習又は深層機械学習としても知られるそれ）は機械学習の一分岐であり、データにおける高度抽象化をモデル化するよう試みる一組のアルゴリズムに依拠している。単純なケースでは二組のニューロン、即ち信号入力を受け取るものと出力信号を送るものとが設けられよう。入力層にて入力が受け取られると、そこから次層へとその入力の修正版が引き渡される。深層ネットワークではそれら入出力間に多くの層があるので、そのアルゴリズムに従い、複数通りの線形変換及び非線形変換で構成されている複数個の処理層を用いることができる。

深層学習は、データ表現学習に依拠する機械学習法の拡大ファミリの一員である。観測結果（例．参照用抽出対象特徴）は多様なやり方で、例えば画素毎強度値のベクトルで、或いはより抽象的なやり方で一組のエッジ、特定形状領域等々として、表現することができる。表現のなかには、その学習タスク（例．顔認識又は表情認識）を単純化する上で他のものに勝るものがある。深層学習によれば、教師無し又は準教師付き特徴学習及び階層的特徴抽出向けの効率的アルゴリズムを提供することができる。

この分野の研究では、より良好な表現を作成すること、並びにそれら表現を大規模データから学習するモデルを生成することが、試みられている。それら表現のうち幾つかは神経科学の進歩に鼓吹されたものであり、神経系における情報処理及び通信パターンの解釈、例えば様々な刺激とそれに関連する大脳内ニューロン反応との間の関係を定めようと試みる神経コーディングに、緩く依拠している。

深層アーキテクチャを有するニューラルネットワークにはその確率仕様及びネットワークアーキテクチャによって数多くの変種があり、そのなかには、これに限られるものではないが深層信念ネットワーク（ＤＢＮ）、制限ボルツマンマシン（ＲＢＭ）及びオートエンコーダがある。別種の深層ニューラルネットワーク、即ちＣＮＮも特徴分析に用いることができる。実際の実現形態は、入力画像のサイズ、分析対象特徴の個数並びに問題の性質により変わりうる。深層学習モジュールに、本願開示のニューラルネットワークのほか、他層を含めてもよい。

一実施形態に係る深層学習モデルは機械学習モデルである。機械学習は、一般に、明示的にプログラミングすることなくコンピュータに学習能力を与える一種の人工知能（ＡＩ）として、定義することができる。機械学習では、新規データにさらされたときに自分自身を教育して成長及び変化させることが可能なコンピュータプログラムの開発が焦点とされている。機械学習では、データから学びデータについて予測することができるアルゴリズムの研究及び構築が探求されている。そうしたアルゴリズムであれば、標本入力からのモデル構築を通じデータ駆動型予測や決定がなされ、それにより厳密に静的なプログラム命令への追従が克服される。

ある種の実施形態ではその深層学習モデルが生成モデルとされる。生成モデルは、一般に、確率的な性質のモデルとして定義することができる。言い換えれば、生成モデルは、フォワードシミュレーション又はルールベース法を実行するものである。生成モデルの学習（ひいては諸パラメータの学習）は適切な訓練セットのデータに基づき行うことができる。一実施形態に係る深層学習モデルは深層生成モデルとして構成される。例えば、そのモデルを、深層学習アーキテクチャを呈するように構成すること、ひいてはそのモデルに複数個の層を設けそれらにより多数のアルゴリズム又は変換が実行されるようにすることができる。

別の実施形態ではその深層学習モデルがニューラルネットワークとして構成される。更なる実施形態によれば、その深層学習モデルを、自身を訓練するため供給されたデータに従い世界をモデル化する、一組の荷重付きの深層ニューラルネットワークとすることができる。ニューラルネットワークは、一般に、軸索により結合された生体ニューロンからなる相対的に大きなクラスタで以て生体脳が問題を解決するやり方を、比較的大きなニューラルユニット集団により緩くモデル化することを基礎とした情報処理手法として、定義することができる。各ニューラルユニットを他の多くのニューラルユニットに接続し、接続先ニューラルユニット群の活性化状態に対するそれらの影響をリンクにより増強又は抑制することができる。これらのシステムは、明示的にプログラミングされているというより自己学習し且つ訓練を受けるものであり、旧来のコンピュータプログラムでは解決又は特徴検出策を提示するのが難しかった分野に秀でている。

ニューラルネットワークは、通常は複数個の層で構成されており、その信号路が前方から後方へと走っている。ニューラルネットワークの目標は人間の頭脳が行うであろうそれと同じやり方で問題を解決することであるが、ニューラルネットワークのなかにはかなり抽象的なものもある。昨今のニューラルネットワークプロジェクトでは、通常、数千～数百万個のニューラルユニット及び数百万個所の接続を取り扱う。ニューラルネットワークは、本件技術分野にて既知であり好適な何れのアーキテクチャ及び／又は構成としてもよい。

一実施形態に係り本願開示の半導体検査アプリケーション向けに用いられる深層学習モデルは、ＡｌｅｘＮｅｔとして構成されたものである。例えば、ＡｌｅｘＮｅｔに多数の畳込み層（例．５個）及びそれに後続する多数の全結合層（例．３個）を設け、それらを結合的に構成及び訓練したものにより、特徴を分析して回動及び並進オフセットを求めることができる。別の類種実施形態に係り本願開示の半導体検査アプリケーション向けに用いられる深層学習モデルは、ＧｏｏｇＬｅＮｅｔとして構成されたものである。例えば、ＧｏｏｇＬｅＮｅｔに畳込み層、プーリング層、全結合層等の諸層、例えば特徴を分析して回動及び並進オフセットを求めるよう構成及び訓練された本願詳述のそれらを組み込むことができる。ＧｏｏｇＬｅＮｅｔアーキテクチャは（特に本願記載の他の幾つかのニューラルネットワークに比し）比較的多数の層を備えうる一方、それらの層のうち幾つかを並列に動作させうるものであり、互いに並列に機能する層の集まりのことを一般にインセプションモジュールとよんでいる。他の諸層は順次動作させればよい。従って、ＧｏｏｇＬｅＮｅｔは、順次構造の態にて全層が配列されるわけではない点で、本願記載の他のニューラルネットワークと異なっている。それら並列層は、Ｇｏｏｇｌｅ（登録商標）のインセプションネットワークその他の構造と似たものとなりうる。

更なる類種実施形態では、本願開示の半導体検査アプリケーション向けに用いられる深層学習モデルが、ビジュアル幾何グループ（ＶＧＧ）ネットワークとして構成される。ＶＧＧネットワークは、例えば、そのアーキテクチャの他パラメータを固定しておき畳込み層の個数を増やすことで生み出されたものである。十分に小さな畳込みフィルタをそれらの層全てで用いることで、畳込み層を追加して深さを増すことを可能としたものである。本願記載の他のニューラルネットワークと同じく、ＶＧＧネットワークは、特徴を分析し回動及び並進オフセットを求めるよう生成及び訓練される。ＶＧＧネットワークでは、また、畳込み層に全結合層を後続させる。

幾つかの類種実施形態では、本願開示の半導体検査アプリケーション向けに用いられる深層学習モデルが、深層残差ネットワークとして構成される。例えば、本願記載の他の幾つかのネットワークと同じく、深層残差ネットワークには畳込み層及びそれに後続する全結合層を組み込むことができ、特徴特性抽出向けにそれらを結合的に構成及び訓練することができる。深層残差ネットワークの諸層は、非参照関数を学習するのに代え、層入力を参照して残差関数を学習するよう構成される。具体的には、それぞれ数個の層からなるスタックに対し、所望の基礎マッピングに直にフィットするよう期待をかけるのではなく、それらの層を残差マッピングに対し明示的にフィットさせうるようにし、またそれを、ショートカット接続を有するフィードフォワード型ニューラルネットワークにより実現する。ショートカット接続とは１個又は複数個の層をスキップする接続のことである。深層残差ネットを生成するには、畳込み層を有するプレーンなニューラルネットワーク構造を採用しショートカット接続を挿入すればよく、それによって、プレーンなニューラルネットワークを採用してそれを対応する残差学習ネットワークに転化させることができる。

更なる類種実施形態では、本願開示の半導体検査アプリケーション向けに用いられる深層学習モデルが、特徴を分析して回動及び並進オフセットを求めるよう構成された、１個又は複数個の全結合層を有するものとされる。全結合層は、一般に、各ノードが前層内の各ノードに接続された層として定義することができる。その又はそれらの全結合層では畳込み層（群）、例えば本願詳述の如く構成されたものにより抽出された特徴に基づき、分類を実行することができる。その又はそれらの全結合層は特徴選択及び分類向けに構成される。言い換えれば、その又はそれらの全結合層により特徴マップから諸特徴が選択され、更にそれら選択された特徴に基づきその又はそれらの入力画像が分析される。選択される特徴のなかに、特徴マップ内の特徴全てを含めてもよいし（適切な場合）、特徴マップ内の特徴のうち一部しか含めなくてもよい。

幾つかの実施形態では、深層学習モデルにより判別される情報に、その深層学習モデルにより抽出された特徴特性を含める。そうした実施形態の一つは、その深層学習モデルが１個又は複数個の畳込み層を有するものである。その又はそれらの畳込み層は、本件技術分野にて既知であり好適な何れの構成でもよい。こうすることで、その深層学習モデル（又はその深層学習モデルの少なくとも一部）をＣＮＮとして構成することができる。例えば、その深層学習モデルをＣＮＮ、通常は畳込み層及びプーリング層のスタックであるそれとして構成することで、局所的な特徴を抽出可能とすることができる。本願記載の諸実施形態によれば、深層学習概念例えばＣＮＮの長所を利用し、通常は手に負えない表現反転問題を解くことができる。その深層学習モデルのＣＮＮ構成又はアーキテクチャが、本件技術分野で既知な何れのものであってもよい。１個又は複数個備わるプーリング層は、やはり本件技術分野にて既知であり好適な何れの構成（例．最多プーリング層）を有するのでもよく、一般には、最重要特徴を保ちつつ、１個又は複数個の畳込み層により生成される特徴マップの次元数を低減するよう構成される。

総じて、本願記載の深層学習モデルは訓練深層学習モデルである。例えば、１個又は複数個の他システム及び／又は方法により深層学習モデルを事前訓練することができる。深層学習モデルを前以て生成及び訓練した上でそのモデルの機能を本願記載の如く決定し、そしてそれを用いその深層学習モデルに係る１個又は複数個の付加的機能を実行することができる。

上述の通り、本願ではＣＮＮを用い深層学習システムのアーキテクチャを描出しているが、本件開示はＣＮＮに限定されない。諸実施形態にて、他変種の深層学習アーキテクチャを用いてもよい。例えばオートエンコーダ、ＤＢＮ及びＲＢＭを用いることができる。ランダムフォレストを用いることもできる。

訓練データをモデル訓練（例．ＣＮＮ訓練）に入力してもよく、またそれを好適な何れの要領にて実行してもよい。例えば、そのモデル訓練に際し、訓練データをその深層学習モデル（例．ＣＮＮ）に入力し、そのモデルの出力が外部確認データと同じもの（又は実質的に同じもの）になるまでそのモデルの１個又は複数個のパラメータを修正していけばよい。モデル訓練により１個又は複数個の訓練済モデルを生成することができ、またそれを、確認データを用い実行されるモデル選択に送ることができる。当該１個又は複数個の訓練済モデルに入力される確認データに関し、１個又は複数個の訓練済モデルそれぞれによりもたらされた結果を、その確認データと比較することで、そのモデルが最良モデルであるか、判別することができる。例えば、その確認データに最密マッチする結果をもたらしたモデルを、最良モデルとして選択すればよい。その上で、供試データを用い、選択されたモデル（例．最良モデル）のモデル評価を行えばよい。モデル評価は好適な何れの要領で実行してもよい。また、最良モデルをモデル展開に送り、そこからその最良モデルを使用に備え半導体検査ツールに送ってもよい（ポスト訓練モード）。

本願開示の様々な実施形態及び例にて述べた方法の諸ステップは、本発明の方法を実行するのに十分なものである。即ち、ある実施形態に係る方法は、本質的に、本願開示の諸方法の諸ステップの組合せにより構成される。他実施形態に係る方法はそれらステップのみで構成される。

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、ご理解頂けるように、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。

Claims (20)

1. 周波数を有する電子ビームパラメータを変調し、
   源泉位相を有する源泉波動関数とランディング角とにより記述される電子ビームを、前記電子ビームパラメータに基づき試料の方へと放射してそこで電子を散乱させ、
   前記散乱電子のうち一部分を電子検出器にて検出し、それによって電子データであり電子位相を有する電子波動関数と電子ランディング角とを含むものを生成し、
   プロセッサを用い前記源泉位相・前記電子位相間の位相遅延を判別し、それによってラテンシを求め、且つ
   前記プロセッサを用い、また前記ラテンシと前記源泉波動関数・前記電子波動関数間の差異とを用い、電子ビームツールの応答関数を補正することによって、
   電子ビームツールの応答関数を補正する方法。
2. 請求項１に記載の方法であり、前記散乱電子に後方散乱電子が含まれる方法であって、前記電子ビームツールで以て、
   前記後方散乱電子のうち一部分を後方散乱電子検出器にて検出し、それによって後方散乱電子データを生成する方法。
3. 請求項２に記載の方法であって、前記応答関数を補正する際に、前記電子データから前記後方散乱電子データを減ずる方法。
4. 請求項２に記載の方法であって、前記応答関数を補正する際に、
   前記プロセッサを用い前記後方散乱電子データのスペクトル分布を低エネルギ側に向かい外挿し、それによって外挿後方散乱電子データを生成し、且つ
   前記プロセッサを用い前記電子データから前記外挿後方散乱電子データを減ずる方法。
5. 請求項２に記載の方法であって、前記応答関数を補正する際に、
   前記プロセッサを用い前記後方散乱電子データのエネルギ分布関数をモデル化し、それによってモデル化エネルギ分布関数を生成し、且つ
   前記プロセッサを用い、また前記電子ビームツールを用い採取した一通り又は複数通りの計測結果を用い、前記モデル化エネルギ分布関数を校正する方法。
6. 請求項２に記載の方法であって、前記応答関数を補正する際に、計測パラメータ及び試料特性であり前記後方散乱電子データに基づくものが、その後方散乱電子データと前記電子データとの総和に対し占める、相対的割合を判別する方法。
7. 請求項６に記載の方法であって、更に、前記相対的割合を電子データ格納ユニット上に格納する方法。
8. 請求項７に記載の方法であり、前記電子ビームツールの前記応答関数を補正する際に機械学習モデルを用いる方法であって、その機械学習モデルが、前記電子データ格納ユニット上に格納されている格納済相対的割合を用い訓練されたものである方法。
9. 請求項１に記載の方法であって、更に、前記電子ビームツールで以て、
   前記後方散乱電子のうち第２部分を対照電子検出器にて検出し、それによって対照電子データを生成し、
   前記プロセッサを用い前記電子データと前記対照電子データとを比較することで傾斜データを生成し、且つ
   前記傾斜データを用い前記電子ビームの傾斜を変化させる方法。
10. 電子ビームツールを備え、その電子ビームツールが、
    源泉位相を有する源泉波動関数とランディング角とにより記述される電子ビームの態で電子を放出するよう構成された電子ビームエミッタ、
    前記電子ビームの経路上で試料を保持するよう構成されたステージ、
    前記電子ビームを前記試料に衝突させることで散乱された電子のうち一部分を検出することで、電子データであり電子位相を有する電子波動関数と電子ランディング角とを含むものを生成するよう、構成された電子検出器、
    を有し、
    前記電子ビームツールと電子通信するコントローラを備え、そのコントローラがプロセッサを有し、
    前記コントローラが、
    前記電子ビームの電子ビームパラメータであり周波数を有するものを変調せよと前記電子ビームエミッタに命令し、
    前記源泉位相・前記電子位相間の位相遅延を判別し、それによってラテンシを求め、且つ
    前記ラテンシと前記源泉波動関数・前記電子波動関数間の差異とを用い前記電子ビームツールの応答関数を補正するよう、
    構成されているシステム。
11. 請求項１０に記載のシステムであり、前記散乱電子が後方散乱電子を含むシステムであって、更に、
    後方散乱電子のうち一部分を検出することで後方散乱電子データを生成するよう構成された後方散乱電子検出器を備えるシステム。
12. 請求項１１に記載のシステムであって、前記コントローラが、前記電子データから前記後方散乱電子データを減ずることで前記応答関数を補正するよう構成されているシステム。
13. 請求項１１に記載のシステムであって、前記コントローラが、
    前記後方散乱電子データのスペクトル分布を低エネルギ側に向かい外挿し、それによって外挿後方散乱電子データを生成し、且つ
    前記電子データから前記外挿後方散乱電子データを減ずることによって、
    前記応答関数を補正するよう構成されているシステム。
14. 請求項１１に記載のシステムであって、前記コントローラが、
    前記後方散乱電子データのエネルギ分布関数をモデル化し、それによってモデル化エネルギ分布関数を生成し、且つ
    前記電子ビームツールを用い採取した一通り又は複数通りの計測結果を用い前記モデル化エネルギ分布関数を校正することによって、
    前記応答関数を補正するよう構成されているシステム。
15. 請求項１１に記載のシステムであって、前記コントローラが、
    計測パラメータ及び試料特性であり前記後方散乱電子データに基づくものが、その後方散乱電子データと前記電子データとの総和に対し占める、相対的割合を判別することによって、前記応答関数を補正するよう構成されているシステム。
16. 請求項１５に記載のシステムであって、更に、前記相対的割合を格納するよう構成された電子データ格納ユニットを備えるシステム。
17. 請求項１６に記載のシステムであって、前記コントローラが、機械学習モデルを用い前記応答関数を補正するよう構成されており、その機械学習モデルが、前記電子データ格納ユニット上に格納されている格納済相対的割合を用い訓練されているシステム。
18. 請求項１０に記載のシステムであって、更に、
    前記後方散乱電子のうち第２部分を検出することで対照電子データを生成するよう構成された対照電子検出器を備え、
    前記コントローラが、更に、
    前記電子データと前記対照電子データとを比較することで傾斜データを生成し、且つ
    前記傾斜データを用い前記電子ビームエミッタの角度を変化させ、それによって前記電子ビームの傾斜を変化させるよう、
    構成されているシステム。
19. １個又は複数個のプログラムを備える非一時的コンピュータ可読格納媒体であって、そのプログラムに従い１個又は複数個の情報処理デバイス上で実行されるステップが、
    電子ビームツールの応答関数を補正するステップを含み、そのステップが、
    周波数を有する電子ビームパラメータを変調し、
    源泉位相を有する源泉波動関数とランディング角とにより記述される電子ビームを電子ビームパラメータに基づき試料の方へと放射させることで電子を散乱させよと、電子ビームツールに命令し、
    前記散乱電子のうち一部分を検出する電子検出器から、電子位相を有する電子波動関数と電子ランディング角とを含む電子データを受け取り、
    前記源泉位相・前記電子位相間の位相遅延を判別し、それによってラテンシを求め、且つ
    前記ラテンシと前記源泉波動関数・前記電子波動関数間の差異とを用い、前記電子ビームツールの応答関数を補正することによって、
    実行される非一時的コンピュータ可読格納媒体。
20. 請求項１９に記載の非一時的コンピュータ可読格納媒体であって、前記１個又は複数個のプログラムが、更に、１個又は複数個の情報処理デバイス上で、
    前記電子ビームパラメータ、前記電子データ及び前記応答関数を用いた機械学習アルゴリズムの訓練を実行するよう、構成されている非一時的コンピュータ可読格納媒体。
    

Images