JP7492389B2 - 画像検査装置および画像検査方法 - Google Patents

Description

本発明は、電子ビームをサンプルに照射して放出された２次電子あるいは反射電子等の画像をもとに測長する画像検査装置および画像検査方法に関するものである。

半導体デバイスは微細加工技術が進み,、最近ではＥＵＶ露光技術を使用して１０ｎｍを切る小さなフィーチャーサイズがシリコンウエハー上に形成されるようになっている。これらの半導体微細加工は主にリソグラフィー技術を用いて行われる。リソグラフィーは感光性レジストをウエハー上に塗布し，フォトマスクに設けられた微細パターンをＤＵＶ光あるいはＥＵＶ光を用いてウエハー表面に転写することによって実現される。微細加工限界は大凡利用する波長によって決定されるためＤＵＶ光（１９３ｎｍ）からＥＵＶ光（１３，５ｎｍ）へと短波長化が進んでいる。

露光された感光性レジストは現像、洗浄、アニーリングを経ることで固定したパターンとなってウエハー上に残る。例えばフォトマスク上に直線からなるＬ＆Ｓパターンが存在すれば、ウエハー上には直線からなるＬ＆Ｓパターンが形成される。さらにエッチングを施せば下地の材料からなる配線やゲートあるいはホールなどが形成できる。
以上のように半導体デバイスは半導体回路の設計データからシリコンに次々と転写されていくプロセスを経て製造される。

一方、半導体業界ではＥＵＶなどの短波長を用いた半導体露光装置の開発が遅れたため、露光波長を超えた微細加工を行うためにＯＰＣ（光学的近接補正）という技術が導入されている。プロセスによってもたらされる形状変化を予めパターンに折り込む事で狙った形状がウエハー上に形成される様にする技術である。この技術の導入により、従来単純であったフォトマスク上のパターンが非常に複雑になった。例えば本来一定であるはずのＬ＆Ｓの線幅が数十ｎｍの局所的範囲において太くなったり細くなったり変化する様になっている。フォトマスクの出来上がり寸法を保証するＣＤ測定ではこれら狭い範囲の距離を正確に測る事が求められている。

一方、レジストは主に高分子からできており分子量１０００を超える。そのため、ウエハー上に形成されたレジストパターンは分子サイズあるいは分子形状を反映するため、ウエハー上に形成されるパターンサイズが分子サイズと比較して十分大きい場合には直線状に転写して見えるが、転写するパターンサイズが分子量に匹敵するほどに小さくなるとパターンエッジに分子の形状が反映し純粋な直線ではなく凹凸成分の影響が現れてくる（エッジラフネス）。レジストエッジの凹凸の大きさは数ｎｍにも及ぶためサブｎｍ精度のＣＤ測定やｎｍオーダーの欠陥検出感度を必要とするパターン検査を行うためには大きな障害となる。

さらに電子ビームにはショットノイズと呼ばれるノイズが本質的に存在している。このノイズは１ピクセルあたりの電子個数が少ない場合に胡麻塩状に現れるノイズである。そのため、十分な電子ビーム照射ができない場合には、材料の局所形状のバラツキとは別に画像にはショットノイズに起因したザラザラ画像が現れる。これらも局所的なＣＤ測定に対しては大きな障害であった。

従来のＣＤ測定において、パターンエッジに凹凸な成分を含む場合においても、電子ビームスポットサイズ及び走査範囲に対して十分に広い直線領域を持つパターンに対しては平均化処理を行うことで、０．１ｎｍオーダーの高い再現精度でＣＤ測定が可能であった。

しかしながら最先端デバイス製造で利用されるフォトマスクやウエハー上に形成されたパターンは複雑な形状を持つため、線幅が一定とみなせる測定領域の幅が１０ｎｍ以下しか無い場合が存在し平均化処理が十分に出来るほどの多くの測定点を取れない。その結果、電子ビーム着地点が少しでもずれると異なった長さを測定してしまい、高い精度で寸法を測定することは困難という課題があった。

また、ｎｍオーダーで凹凸なパターンエッジを持つパターンを測定あるいは検査するためには高分解能で電子ビームを走査する必要があり、検査時間が長く必要と言う課題もあった。

また、画像には走査電子ビームに起因するショットノイズが本質的に存在するため、ノイズを小さくするためには電流を増加させる必要があり、サンプルを痛めたり、画像取得時間が長くなったり、分解能が劣化する恐れが有るという課題もあった。

本発明は、上述した課題を解決するために、設計データ等から生成した理想的な幾何学的特徴量をもとに、ＳＥＭ装置等から取得した画像あるいはその幾何学的特徴量から元の復元画像を生成し、該復元画像の測長を行い、複雑な形状を持つパターンを高精度、迅速、かつ損傷少なくした測定を実現した。

そのため、本発明は、電子ビームをサンプルに照射して放出された２次電子あるいは反射電子等の画像をもとに測長する画像検査装置において、サンプルに形成するパターンの設計データと、設計データをもとにサンプル上に形成されたパターンの上に、電子線ビームを細く絞って照射しつつ走査し、放出された２次電子あるいは反射電子等を検出して生成した画像と、設計データから生成した理想的な幾何学的特徴量をもとに、画像から生成した幾何学的特徴量から復元した復元画像を生成する復元手段とを備え、理想的な幾何学的特徴量をもとに、画像から復元画像を生成するようにしている。

この際、設計データは、サンプルに形成するパターンのＣＡＤデータであるようにしている。

また、幾何学的特徴量は、測定対象のパターンの種類毎の幾何学的特徴量であるようにしている。

また、パターンの種類は、パターンがＬ＆Ｓ、ホール、ドット(以下同様に「Ｌ＆Ｓ．」および「Ｌ＆Ｓ，」を「Ｌ＆Ｓ、」とする）のいずれかであるようにしている。

また、設計データから生成した理想的な幾何学的特徴量は、設計データをもとに生成した理想的な幾何学的特徴量、あるいは設計データとノイズをもとに生成した疑似的な理想的な幾何学的特徴量であるようにしている。

また、疑似的な理想的な幾何学的特徴量と、理想的な幾何学的特徴量との類似度が所定閾値以下となるように疑似的な理想的な幾何学的特徴量を演算、あるいは異なるノイズをもとに演算した複数の疑似的な理想的な幾何学的特徴量を平均して算出したものが所定閾値以下であるようにしている。

本発明は、設計データ等から生成した理想的な幾何学的特徴量をもとに、ＳＥＭ装置等から取得した画像から元の復元画像を生成し、該復元画像の測長を行い、サンプル上の複雑な形状を持つパターンを高精度、迅速、かつ損傷少なくした測定を可能にした。パターン検査の高速化も実現できる。

図１は、本発明の構成概念説明図を示す。

図１において、ＳＥＭ画像１は、走査型電子顕微鏡（ＳＥＭ）から取得したサンプル上に形成されたパターンの２次電子画像である。

ＣＡＤデータ２は、設計データの１つであって、サンプル（例えばマスク、ウェハー）の上に形成するパターンの公知のデータである（GDSIIやOASISなどがある）。このＣＡＤデータ２をもとにパターンの理想的な幾何学的特徴量を生成するためのものである（図２から図７等を用いて後述する）。

疑似データ生成部３は、ＣＡＤデータ２に代えて、疑似的な理想的な幾何学的特徴量を生成するものであって、例えば公知のＧＡＮ技術（敵対的生成ネットワーク、CGAN,pix2pix,cycleGAN,SAGAN,bigGAN,self-supervised GAN等)を用いて疑似的な理想的な幾何学的特徴量を生成するものである（後述する）。

学習部４は、ＣＡＤデータ２あるいは疑似データ生成部３からのデータと、ＳＥＭ画像１とを対応づけた学習データ（例えば図４参照）を作成し、学習データ５として登録するものである。登録は、パターンの種別に対応づけてＳＥＭ画像と、ＣＡＤデータ２から生成した画像あるいは疑似データ生成部３が生成した画像とを登録する（後述する)。

学習データ５は、パターンの種別毎にＳＥＭ画像と、ＣＡＤデータ２から生成した画像あるいは疑似データ作成部３が生成した画像とを対応づけて登録したものである（図４、図５など参照）。

推定部６は、入力されたＳＥＭ画像をもとに、学習データ５を参照して、ノイズ、振動、ぼけ、信号不足によるノイズ等の無いあるいは低減された復元画像８、復元プロファイル９を復元するものである（後述する）。この一連の画像変換にも前述のＧＡＮ技術が用いられる。

統計処理部７は、推定部６で復元された復元画像８、復元プロファイル９を統計処理（例えば平均化処理）してばらつきなどを低減するものである。この平均化処理によりＣＤ測定等測定再現性を向上することができる。

復元画像８、復元プロファイル９は、ＳＥＭ画像中のパターンについて、学習データ５をもとに、ノイズ、振動、ぼけ、信号不足によるノイズ等の無いあるいは低減された復元画像８、復元プロファイル９に復元されたものである。これら復元された復元画像８、復元プロファイル９をもとに、パターン（Ｌ＆Ｓ，ホール、ドットなど）の寸法を精密測長し、設計データと比較し、合格、不合格（許容範囲外）などの判定を行う。

図１の構成の動作を説明する。

（１） ＣＡＤデータ２をもとに、マスクやウェハー上に形成するパターンの種別（Ｌ＆Ｓ，ホール、ドットなど）に対応つけ理想的な幾何学的特徴量を持つ画像（ノイズ、振動、ぼけ、信号不足によるノイズ等の無いあるいは低減された画像、例えばＧＤＳＩＩ画像、図４参照）を生成し、次に、同一のパターンを形成したマスクあるいはウェハーからＳＥＭ画像を取得し、両者を対応づけて学習データ４として登録する（図４、図５参照）。同様に、疑似データ生成部３がＧＡＮ技術などを利用して疑似的な理想的な幾何学的特徴量をもつ画像を生成し、ＳＥＭ画像と対応づけて学習データ５として登録する（図１３から図１８を用いて後述する）。

以上の登録処理を予め実施して学習データ５を蓄積する。

（２）次に、ＣＤ測定の対象のパターンのＳＥＭ画像を走査型電子顕微鏡などから取得する。

（３）推定部６は、（２）で取得したＳＥＭ画像について、パターンの種別毎に、学習データ５を参照して該当する種別の理想的な幾何学的特徴量を持つ画像（あるいは理想的な幾何学的特徴量）をもとに、ノイズ、振動、ぼけ、信号不足によるノイズ等の無いあるいは低減された画像（復元画像）に復元する。そして、復元画像８あるいは復元プロファイル９として出力する。深層学習によって得られる画像には揺らぎが存在するので、同一条件で画像を複数回作成しその画像を統計処理して揺らぎが所望の値以下になる様にして用いる。出力された復元画像８、復元プロファイル９をもとに、パターンの種別毎に精密測長し、設計データと比較し、合格、不合格（所定許容範囲外）かなどの判定を行う。

以下順次詳細に説明する。

図２は、本発明の学習データの登録フローチャート（その１）を示す。

図２において、Ｓ１は、学習用画像ファイルを取得する。これは、既述した図１のＣＡＤデータ２などの設計データを取得する。

Ｓ２は、ＧＤＳＩＩからＢＭＰ等へ変換する。これは、Ｓ１で取得した設計データ（ＣＡＤデータ１）の１種である例えばＧＤＳＩＩ（ベクトルデータ）から、画像表示するためのＢＭＰ形式のデータに変換する。

Ｓ３は、ＳＥＭ画像を取得する。これは、Ｓ２で取得したパターンを形成したマスク、ウェハーから走査型電子顕微鏡を用いてそのＳＥＭ画像を取得する。

Ｓ４は、線画像を生成する。これは、Ｓ３で取得したＳＥＭ画像１の輪郭線を抽出して線画像を生成する（この画像変換に深層学習をを用いたＧＡＮ技術を用いることができる）。

Ｓ５は、パターン種類を特定する。Ｓ４で生成した線画像（輪郭線の画像）からパターンの種類（Ｌ＆Ｓ，ホール、ドットのいずれの種類）かを特定する。

Ｓ６は、特定した種類に応じてＳＥＭ画像および線画像を登録する。例えば後述する図４、図５に示すように、パターンの種類（Ｌ＆Ｓ．ホール、ドットの種類）毎に、更に材料１、２、Ｎ毎に対応づけてＳＥＭ画像と、Ｓ２で変換した画像（ＧＤＳＩＩ画像）とを１対１に対応づけて登録、例えば図４、図５に示すように登録する。

以上によって、ＣＡＤデータ２から生成した画像（例えばＧＤＳＩＩ画像）と、ＳＥＭ画像とを種別（Ｌ＆Ｓ，ホール、ドット）毎、更に材料毎に対応づけて図４、図５に示すように登録し、学習データ５を生成することが可能となる。

図３は、本発明の学習データの登録フローチャート（その２）を示す。これは、新しいパターンが発見された場合に、新たに学習を行う場合のフローチャートである。例えばＯＰＣはサブフィーチャーとも呼ばれる。正方形のパターンをウエハー上に正確に作るためには、プロセスの途中で角が丸まらない様に正方形の４角の形状を変形する必要がある。例えば４角に小さな４角形を付けたりする。これらサブフィーチャーの形や大きさは用いられるプロセスの種類によって変化する。そこで、新たにプロセスが変化した場合にはその変化に対応して新しい形状のパターンを学習し、学習データ５として追加登録する。

図３において、Ｓ１１は、学習タイミングか判別する。これは、上述したように、例えば新しいＯＰＣの追加、変更されたか判別し、ＹＥＳの場合には学習タイミングと判定し、Ｓ１２以降を実行する。Ｓ１１のＮＯの場合には、終了する。

Ｓ１２は、パターン毎に記憶された学習データを用いてパターン毎に学習し学習データ（図２で既述したＳＥＭ画像と、ＧＤＳ２画像とを種別毎、材料毎に対応づけた学習データ）を生成する。

Ｓ１３は、パターン毎に学習データを登録する。これにより、図４、図５に新規の修正、追加等されたパターン（例えばＯＰＣ）のＳＥＭ画像とＧＤＳＩＩ画像とがパターン毎、材料毎に追加登録されることとなる。

Ｓ１４は、終了か判別する。ＹＥＳの場合には、終了する。ＮＯの場合には、Ｓ１１以降を繰り返す。

以上によって、ＯＰＣなどの追加、変更などがあった場合には、新たなＳＥＭ画像とＧＤＳＩＩ画像とがパターン毎、材料毎に図４、図５の学習データ５に、追加登録されることとなる。

図４は、本発明の学習データ（画像ファイル）例を示す。

図４において、ＳＥＭ画像は、走査型電子顕微鏡などで取得した該当パターン毎、材料毎に取得したＳＥＭ画像である、
ＧＤＳＩＩ画像は、ＣＡＤデータ２などから生成した画像（理想的な幾何学的特徴量を持つ画像）であって、パターン毎、材料毎に生成した画像である、
パターンは、マスクやウェハー上に形成するパターンであって、ここでは、Ｌ＆Ｓ，ホール、ドットの３種類としている。更に、他の種類（例えばＯＰＣ）を増やしてもよい。

材料１、２、Ｎは、マスク、ウェハー上に形成する材料の種別であって、ここでは、材料１、２、ＮのＮ種類を想定している。

パターン材料別画像は、パターン毎、材料毎のそれぞれの画像である。

ここで、学習データ（画像ファイル）は、ＳＥＭ画像と、該ＳＥＭ画像に現れるパターンの元になったGDSIIファイルから生成した画像の対の画像からなっている。これらの画像（画像ファイル）に階層をそれぞれ設け、ここでは、例えばパターンの種類別に分けることで１つ下の階層が出来る。更に材料別に分けて更に１つ下の階層ができる。更に、ＯＰＣの種類で更に１つ下の階層にしてもよい。

図５は、本発明の学習データ（画像ファイル）の模式例を示す。

図５において、（ａ）は、Ｌ＆Ｓ（ライン＆スペース）のＧＤＳＩＩ画像と、ＳＥＭ画像を模式的に表したものである。ＧＤＳＩＩ画像は、設計データから生成したドットイメージの線画像である。ＳＥＭ画像は、走査型電子顕微鏡などで同じパターンについて２次電子画像を取得したものであるので、濃淡画像となっている。

同様に、図５の（ｂ）はＨｏｌｅ（穴）、図５の（ｃ）はＤｏｔも、図示のようにそれぞれ模式的に表示される。

以上のように、右側のＳＥＭ画像のパターンの元になった設計データである、ＧＤＳＩＩファイルの内容をＢＭＰ画像に変換したものが、左側のＧＤＳＩＩ画像のように模式的に表現でき、２つの画像のペアを学習データ５として登録する。

図６は、本発明の学習データの登録フローチャート（その３）を示す。図６は、ＳＥＭ画像と疑似ＳＥＭ画像のサイズ校正のフローチャートを示す。

図６において、Ｓ２１は、ＳＥＭ画像を取得する。これは、走査型電子顕微鏡などから２次電子画像であるＳＥＭ画像を取得する。

Ｓ２２は、疑似ＳＥＭ画像を取得する。これは、図１のＣＡＤデータ２から生成した疑似ＳＥＭ画像を取得する。

Ｓ２３は、同じ形状を見つける。

Ｓ２４は、疑似ＳＥＭ画像を規格化する。これら２３、Ｓ２４は、規格化対象の疑似ＳＥＭ画像について、パターンの種別（Ｌ＆Ｓ、ホール、ドットの種別）毎に、同じ形状のパターンであって、対応するパターンの形状をそれぞれ見つけ、見つけた同じ種別の同じ形状のものについて、ＳＥＭ画像と疑似ＳＥＭ画像の長さ、幅、面積などが一致するように規格化する。

以上によって、同じパターンの形状について、ＳＥＭ画像に対して、ＣＡＤデータ２から生成した疑似ＳＥＭ画像を規格化して一致させることにより、両者の間の誤差を無くし、ないし最小限に低減し、復元画像８の寸法精度を向上させることが可能となる。

図７は、本発明の学習データの登録フローチャート（その４）を示す。図７は、ＳＥＭ画像と線画像とのサイズ校正のフローチャートを示す。

図７において、Ｓ３１は、ＳＥＭ画像を取得する。これは、走査型電子顕微鏡などから２次電子画像であるＳＥＭ画像を取得する。

Ｓ３２は、線画像を取得する。これは、図１のＣＡＤデータ２から生成した線画像を取得する。

Ｓ３３は、同じ形状を見つける。

Ｓ３４は、線画像を規格化する。これらＳ３３、Ｓ３４は、規格化対象の線画像について、パターンの種別（Ｌ＆Ｓ、ホール、ドットの種別）毎に、同じ形状のパターンであって、対応するパターンの形状をそれぞれ見つけ、見つけた同じ種別の同じ形状のものについて、ＳＥＭ画像と線画像の長さ、幅、面積などが一致するように規格化する。

以上によって、同じパターンの形状について、ＳＥＭ画像に対して、ＣＡＤデータ２から生成した線画像を規格化して一致させることにより、両者の間の誤差を無くし、ないし最小限に低減し、復元画像８の寸法精度を向上させることが可能となる。

図８は、本発明の学習データに基づく復元フローチャートを示す。図８はＣＡＤデータ（ＧＤＳＩＩ画像ファイル）から擬似ＳＥＭ画像を発生させ、この疑似ＳＥＭ画像をもとにＳＥＭ画像について、ノイズなどのない復元画像を生成するフローチャートを示す。

図８において、Ｓ４１は、ＣＡＤデータ（設計データ）を取得する。これは、既述した図１のＣＡＤデータ２として、ＧＤＳＩＩ、ＯＡＳＩＳなどのデータを取得する。

Ｓ４２は、疑似ＳＥＭ画像を生成する。これは、Ｓ４１で取得した例えば後述する図９（ａ）のＣＡＤデータをもとに、図９の（ｂ）の疑似ＳＥＭ画像を生成する。疑似ＳＥＭ画像は、図９の（ａ）のＣＡＤデータについて、
・ラインの明るさ
・スペース部の明るさ
・各エッジの明るさ
・各エッジの幅
・コーナラウンディング
などという属性データをもとに、図９の（ｂ）に示すように、濃淡のある疑似ＳＥＭ画像を生成する。

Ｓ４３は、幾何学的特徴量を抽出する。これは、Ｓ４２で発生させた疑似ＳＥＭ画像の幾何学的特徴量（パターン種別毎の幾何学的な形状や寸法などの特徴量）を抽出する。

同様に、Ｓ４４，Ｓ４５で、走査型電子顕微鏡などから取得したＳＥＭ画像について、その幾何学的特徴量を抽出する。

Ｓ４６は、ＳＥＭ画像の特徴量の中から疑似ＳＥＭ画像に含まれる幾何学的特徴量を抽出する。例えば、後述する図１０の（ａ）のＳＥＭ画像の特徴量として、種別（Ｌ＆Ｓ）のうちの測定対象のＬ（ライン）の幅（２本の太い短い縦線の示す幅）の部分を抽出する。

Ｓ４７は、上記抽出した特徴量からＳＥＭ画像を復元する。これは、Ｓ４６で抽出した特徴量（図１０の（ａ）のラインの幅（２本の太い短い縦線の示す幅））の部分について、疑似ＳＥＭ画像の対応する部分に設定（置き換え）、復元ＳＥＭ画像を生成する。

具体的に以下説明する。
（１）ＣＡＤデータ、例えばＧＤＳＩＩファイルはポリゴンを表現するデータなのでそれを用いてまず擬似ＳＥＭ画像（図９の（ｂ）参照）を生成する。ＳＥＭ画像はラインの明るさ、スペース部の明るさ、各エッジの明るさ、各エッジの幅、角の丸まり具合を示すコーナーラウンディング量などがパラメータとしてあるので、それらを指定することで擬似ＳＥＭ画像を生成する。尚、この擬似ＳＥＭ画像そのものを後述するＧＡＮ技術を使って直接に生成することも可能である。

（２）生成した擬似ＳＥＭ画像の持つ特徴量を抽出する。

（３）次に、走査電子顕微鏡などで取得した対応するパターンを有するＳＥＭ画像を取得し、これの幾何学的特徴量を抽出する。

（４）そして、ＳＥＭ画像に含まれる幾何学的特徴量の中から、疑似ＳＥＭ画像に含まれる幾何学的特徴量を抽出する。

（５）（４）で抽出した特徴量を、疑似的ＳＥＭ画像に設定（置き換え）て、ノイズなどの無い非常にクリアな復元画像を復元する。これは、実際のＳＥＭ画像のローカルなテクスチャーを理想ＳＥＭ画像のテクスチャーで置き換える作業をしたことになる。これによりエッジ部分に凸凹のない理想ＳＥＭ画像（復元画像）が得られる。

（６）具体例を説明すれば、例えば図１０に示したように、元のＳＥＭ画像ではＯＰＣが加えられていて複雑な曲線で表されていたもの（図１０の（ａ））を、図１０の（ｂ）のような単純な直線に置き換えることができる。複雑な曲線では距離を正確に測定することは困難であるが、画像変換（復元）によって得られた単純図形は測定場所の幅が広くなるのと同時に元の画像の全体としての性質を持っているため、安定した線幅測定が容易に実現可能となる。

（７）得られた画像に対して通常のＣＤ測定手段を用いて評価することにより、距離などをノイズのない復元画像上で測長し、評価することが可能となる。

図９は、本発明のＣＡＤデータからＳＥＭ画像への変換例の説明図を示す。

図９の（ａ）は、ＣＡＤデータ例を示し、白がライン、黒がスペースを表す。

図９の（ｂ）は、ＳＥＭ画像（疑似ＳＥＭ画像）例を示す。これは、図９の（ａ）のＣＡＤデータをもとに、属性データである（ラインの明るさ、スペース部の明るさ、各エッジの明るさ、各エッジの幅、コーナーラウンドディング）を反映して生成した濃淡のある疑似ＳＥＭ画像である。

図１０は、本発明の特徴量からＳＥＭ画像の復元説明図を示す。

図１０の（ａ）は、ＳＥＭ画像（実画像）の例を示す。これは、ＯＰＣによりラインがくねってしまった、走査型電子顕微鏡で取得したＳＥＭ画像の例を模式的に示す。ここで、太く短い縦線の２本の幅がラインの幅として指定された測定点である。この図１０の（ａ）のようにＯＰＣにより曲がってしまったラインの幅を直接測定することは極めて困難である。

図１０の（ｂ）は、復元したＳＥＭ画像（復元画像）の例を模式的に示す。これは、図１０の（ａ）のＳＥＭ画像中のラインの曲がった部分を、図１０の（ｂ）の直線状のライン（ＣＡＤデータから生成した疑似ＳＥＭ画像中の直線状のライン）に置き換え（復元）し、結果として、そのラインの測定点（太い短い２本の縦線の幅）を疑似ＳＥＭ画像中のラインの該当部分に設定した復元画像を生成し、この復元画像上で測定することにより、ラインの曲がっていないまっすぐにした部分で高精度に測定することを可能にしたものである。

図１１は、本発明の特徴量からＳＥＭ画像の復元説明図（その２）を示す。

図１１の（ａ）は、ラフネスの例を示す。左側がＳＥＭ画像であって、走査型電子顕微鏡で取得したＳＥＭ画像である。右側の２つは、ＣＡＤデータ２から生成した疑似ＳＥＭ画像、線画（線画像）である。

以下同様に、図１１の（ｂ）はＯＰＣの例を示し、図１１の（ｃ）はノイズの例を示し、図１１の（ｄ）は振動の例を示し、図１１の（ｅ）はデフォーカスの例を示し、図１１の（ｆ）は分解能の高解像度化の例を示す。

図１２は、本発明の学習データに基づく復元フローチャート（その２）を示す。図１２は、既述した図８のＳ４２の疑似ＳＥＭ画像を、Ｓ５２の線画像に変更したものである。線画像は、ＣＡＤデータ（例えばＧＤＳＩＩ）をもとに、ＢＭＰ画像を生成しものであるので、他の説明は図８を参照。

図１２において、Ｓ５２の線画像は、ＣＡＤデータ（例えばＧＤＳＩＩ）をもとに、ＢＭＰ画像を生成しものである。ここで、特にＧＤＳＩＩファイルから輪郭抽出を行なった場合、ＧＤＳ上で表されている幾何学形状にそった輪郭が抽出される。ＧＤＳファイルにはエッジラフネスは無いため、変換された画像にはエッジラフネスやショットノイズによるザラザラ感は存在しなくなる。つまり非常に高いＳＮＲを持つ画像に変換される。そのため、容易にどの局所的な場所の長さや面積を正確に測定できる特徴がある。

深層学習を行うためには大量のデータが必要であるが、そのデータをＧＡＮ技術を用いて作り出すことができる。
図１３は、本発明のＧＡＮ技術を用いた学習データの生成説明図を示す。この図１３は、１つのＧＡＮ生成器に同じ初期条件を与えて複数の画像を生成したのち統計処理する例を示す。

図１３において、Ｓ６１は、ノイズ＋ＳＥＭ画像を入力する。これは、１つのＳＥＭ画像と、これに対するノイズを発生画像数だけ順次生成して入力する。

Ｓ６２は、ＧＡＮ生成器がＳ６１で入力された１つのＳＥＭ画像と、順次、入力されたノイズをもとに、疑似的なＳＥＭ画像（本物のＳＥＭ画像と間違われるＳＥＭ画像）を順次生成（画像１、２、３、・・・Ｎとして生成）する。この場合には、入力画像であるＳＥＭ画像は同じものを使い、ノイズだけが異なる状態で画像１、２、３・・・Ｂを生成する。

Ｓ６３は、Ｓ６２で生成された画像１、２、３、・・・Ｎを一時記憶装置に記憶する。

Ｓ６４は、統計処理を行う。これは、Ｓ６３で一時記憶した画像１、２、３・・・Ｎについて、統計処理（例えば平均化処理）を施し、バラツキを低減し、１つの画像にする。例えば１０枚の平均化処理を行なった場合、画像の揺らぎは元の画像の大凡３分の1にすることができる。実際のＳＥＭ画像とは異なり、ＧＡＮ生成器での画像発生量はコンピュータの計算能力によるので必要な統計誤差に収まるまで幾らでもＮ数を増加させることができるので、事実上ＧＡＮ生成器（技術）が発生する画像の揺らぎを大幅に削減できる。

以上のように、１つのＳＥＭ画像と、複数のノイズとをもとに複数の疑似的なＳＥＭ画像（本物のＳＥＭ画像と間違える程度の類似度を有する疑似的なＳＥＭ画像）を生成し、更に、統計処理（例えば平均化処理）してＧＡＮ生成器によるばらつき（揺らぎ）を低減してより本物のＳＥＭ画像に対する疑似的なＳＥＭ画像を生成することが可能となった。そして、この生成した疑似的なＳＥＭ画像を、図１の学習部４に入力して学習データ（ＳＥＭ画像と、ＧＡＮ技術により生成した疑似的なＳＥＭ画像との対からなる学習データ５）を自動生成することが可能となる。

図１４は、本発明のＧＡＮ技術を用いた学習データの生成説明図（その２）を示す。この図１４は、複数のＧＡＮ生成器に同じ初期条件を与えて複数の画像を生成したのち統計処理する例を示す。

図１４において、Ｓ７１は、ノイズ＋ＳＥＭ画像を入力する。これは、１つのＳＥＭ画像と、これに対するノイズを発生画像数だけ順次生成し、ＧＡＮ生成器１、２、３、・・・Ｎにそれぞれ出力する。

Ｓ７２は、ＧＡＮ生成器１、２、３、・・・Ｎがそれぞれ入力されたＳＥＭ画像と、異なるノイズ１、２、３・・・Ｎをもとに、それぞれ疑似的なＳＥＭ画像、画像１、２、３・・・Ｎを出力する。疑似的なＳＥＭ画像は、本物のＳＥＭ画像と区別が使い程度に類似したＳＥＭ画像である。

Ｓ７３は、統計処理を行う。

Ｓ７４は、画像出力する。これらＳ７３，Ｓ７４は、Ｓ７２で出力された画像１、２、３・・・Ｎについて、統計処理（例えば平均化処理）を施し、バラツキを低減し、１つの画像（復元画像）にして出力する。例えば１０枚の平均化処理を行なった場合、画像の揺らぎは元の画像の大凡３分の1にすることができる。実際のＳＥＭ画像とは異なり、ＧＡＮ生成器での画像発生量はコンピュータの計算能力によるので必要な統計誤差に収まるまで幾らでもＮ数を増加させることができるので、事実上ＧＡＮ生成器（技術）が発生する画像の揺らぎを大幅に削減できる。

以上のように、１つのＳＥＭ画像と、複数のノイズとをもとに複数のＧＡＮ生成器を用いて並列して複数の疑似的なＳＥＭ画像（本物のＳＥＭ画像と間違える程度の類似度を有する疑似的なＳＥＭ画像）を生成し、更に、統計処理（例えば平均化処理）してＧＡＮ生成器によるばらつき（揺らぎ）を低減してより本物のＳＥＭ画像に対する疑似的なＳＥＭ画像を生成することが可能となった。そして、この生成した疑似的なＳＥＭ画像を、図１の学習部４に入力して学習データ（ＳＥＭ画像と、ＧＡＮ技術により生成した疑似的なＳＥＭ画像との対からなる学習データ５）を自動生成することが可能となる。図１にある様に本実施例で示された様な統計処理は推定された画像に対して行うことも有効である。最終的に得られる出力画像の確度を高めることができ、ＣＤ測定などにおける測定再現性向上に役たつ。

図１５は、本発明のＧＡＮ技術を用いた学習データの生成説明図（その３）を示す。この図１５は、低分解能ＳＥＭ画像と、高分解能ＳＥＭ画像とを準備してＧＡＮ生成器により、本物の高分解能ＳＥＭ画像と間違われる程度に類似する疑似的（理想的）な高分解能ＳＥＭ画像を生成し、これら低分解能ＳＥＭ画像とその疑似的（理想的）な高分解能ＳＥＭ画像とを対にして学習データ５（図４参照）に登録する説明図を示す。

図１５において、Ｓ８１は、低分解能ＳＥＭ画像を入力する。

Ｓ８２は、高分解能ＳＥＭ画像を入力する。これらＳ９１。Ｓ９２は、低分解能ＳＥＭ画像と、教師データ（理想的なデータ）である高分解能ＳＥＭ画像とをＧＡＮ生成器に入力する。

Ｓ８３は、ＧＡＮ生成器が疑似的（理想的）な高分解能ＳＥＭ画像を生成して出力する。これは、ＧＡＮ生成器が、Ｓ８１で入力された低分解能ＳＥＭ画像について、Ｓ８２で入力された高分解能ＳＥＭ画像を教師（理想的）な高分解能ＳＥＭ画像として、疑似的な高分解能ＳＥＭ画像（本物の高分解能ＳＥＭ画像と間違える程度の類似度を有する疑似的な高分解能ＳＥＭ画像）を生成する。

Ｓ８４は、疑似的な高分解能ＳＥＭ画像を出力する。

以上によって、低分解能ＳＥＭ画像を入力し、その高分解能ＳＥＭ画像を教師（理想的な高分解能ＳＥＭ画像）としてＧＡＮ技術による疑似的な高分解能ＳＥＭ画像を出力することが可能となる。そして、学習データ５（図４）として、低分解能ＳＥＭ画像と、疑似的な高分解能ＳＥＭ画像とを対に登録することにより、既述したように、入力された低分解能ＳＥＭ画像から高分解能ＳＥＭ画像を復元画像して生成すること（超解像という）が可能となる。

図１６は、本発明のＧＡＮ技術を用いた学習データの生成説明図（その４）を示す。この図１６は、低分解能ＳＥＭ画像と、ＧＤＳＩＩあるいは高分解能の疑似ＳＥＭ画像とを準備してＧＡＮ生成器により、本物の高分解能ＳＥＭ画像と間違われる程度に類似した疑似的な高分解能ＳＥＭ画像を生成し、低分解能ＳＥＭ画像とその疑似的な高分解能ＳＥＭ画像とを対にして学習データ５（図４参照）に登録する説明図を示す
。

図１６において、Ｓ９１は、低分解能ＳＥＭ画像を入力する。

Ｓ９２は、ＧＤＳＩＩ、あるいは高分解能な疑似ＳＥＭ画像を入力する。これらＳ９１。Ｓ９２は、低分解能ＳＥＭ画像と、教師データ（理想的なデータ）として、ＧＤＳ２ファイル、あるいは高分解能な疑似的なＳＥＭ画像とをＧＡＮ生成器に入力する。

Ｓ９３は、ＧＡＮ生成器が疑似的な高分解能ＳＥＭ画像を生成して出力する。これは、ＧＡＮ生成器が、Ｓ９１で入力された低分解能ＳＥＭ画像について、Ｓ９２で入力されたＧＤＳＩＩファイルあるいは高分解能の疑似的なＳＥＭ画像を教師（理想的）な高分解能ＳＥＭ画像として、疑似的な高分解能ＳＥＭ画像（本物の高分解能ＳＥＭ画像と間違える程度の類似度を有する疑似的な高分解能ＳＥＭ画像）を生成する。

Ｓ９４は、疑似的な高分解能ＳＥＭ画像を出力する。

以上によって、低分解能ＳＥＭ画像を入力し、そのＧＤＳＩＩファイルあるいは高分解能な疑似的なＳＥＭ画像を教師（理想的な高分解能ＳＥＭ画像）としてＧＡＮ技術による疑似的な高分解能ＳＥＭ画像を出力することが可能となる。そして、学習データ（図４）として、低分解能ＳＥＭ画像と、疑似的な高分解能ＳＥＭ画像とを対に登録することにより、既述したように、入力された低分解能ＳＥＭ画像から高分解能ＳＥＭ画像を復元画像して生成すること（超解像という）が可能となる。

図１７は、本発明のＧＡＮ技術による画像例を示す。

図１７の（ａ）は元画像例を示す。これは、低分解能のＳＥＭ画像の例を示す。

図１７の（ｂ）はＧＡＮ技術による超解像例を示す。この超解像は、図１７の（ａ）の低分解能のＳＥＭ画像を、高分解能の図１７の（ｂ）の画像に復元した例である。この技術によりスポットサイズの大きな電子ビームによる検査が実現可能となり、パターン検査の高速化ができる。

図１８は、本発明のＧＡＮ技術における欠陥学習例を示す。これは、ＳＥＭ画像に現れる欠陥（図中の、出っ張り、引っ込み、ブリッジ、カット、ピンホール、残差など）を有するＳＥＭ画像の模式例と、その教師画像（理想的なＳＥＭ画像）の模式例との対を示したものである。これら画像の学習によりパターン検査装置はボケた画像からはっきりした画像を抽出可能となるため、パターン検査の精密化、高速化が実現できる。
以上実施例として述べた種々の画像変換は１つだけ行っても良いし、必要な画像変換をシリーズに行っても良い。

図１８の（ａ）は、「出っ張り」がある場合のＳＥＭ画像の模式例と、その教師画像（理想的なＳＥＭ画像）の模式例との対を示す。

図１８の（ｂ）は、「引っ込み」がある場合のＳＥＭ画像の模式例と、その教師画像（理想的なＳＥＭ画像）の模式例との対を示す。

図１８の（ｃ）は、「ブリッジ」がある場合のＳＥＭ画像の模式例と、その教師画像（理想的なＳＥＭ画像）の模式例との対を示す。

図１８の（ｄ）は、「カット」がある場合のＳＥＭ画像の模式例と、その教師画像（理想的なＳＥＭ画像）の模式例との対を示す。

図１８の（ｅ）は、「ピンホール」がある場合のＳＥＭ画像の模式例と、その教師画像（理想的なＳＥＭ画像）の模式例との対を示す。

図１８の（ｆ）は、「残差」がある場合のＳＥＭ画像の模式例と、その教師画像（理想的なＳＥＭ画像）の模式例との対を示す。

本発明の構成概念説明図である。 本発明の学習データの登録フローチャート（その１）である。 本発明の学習データの登録フローチャート（その２）である。 本発明の学習データ（画像フィル）例である。 本発明の学習データ（画像ファイル）の模式例である。 本発明の学習データの登録フローチャート（その３）である。 本発明の学習データの登録フローチャート（その４）である。 本発明の学習データに基づく復元フローチャートである。 本発明のＣＡＤデータからＳＥＭ画像への変換例の説明図である。 本発明の特徴量からＳＥＭ画像の復元説明図である。 本発明の特徴量からＳＥＭ画像の復元説明図（その２）である。 本発明の学習データに基づく復元フローチャート（その２）である。 本発明のＧＡＮ技術を用いた学習データの生成説明図である。 本発明のＧＡＮ技術を用いた学習データの生成説明図（その２）である。 本発明のＧＡＮ技術を用いた学習データの生成説明図（その３）である。 本発明のＧＡＮ技術を用いた学習データの生成説明図（その４）である。 本発明のＧＡＮ技術による画像例である。 本発明のＧＡＮ技術における欠陥学習例である。

１：ＳＥＭ画像
２：ＣＡＤデータ
３：疑似データ生成部
４：学習部
５：学習データ
６：推定部
７：統計処理部
８：復元画像
９：復元プロファイル

Claims (7)

1. 電子ビームをサンプルに照射して放出された２次電子あるいは反射された反射電子の画像をもとに測長する画像検査装置において、
   サンプルに形成するパターンの設計データから生成した疑似ＳＥＭ画像と、前記設計データをもとにサンプル上に形成されたパターンの上に、電子線ビームを細く絞って照射しつつ走査し、放出された２次電子あるいは反射された反射電子を検出して生成したＳＥＭ画像と、を対にして理想的な幾何学的特徴を深層学習する手段と、
   前記深層学習によって得られた理想的な幾何学的特徴量のみ有する画像を生成する復元手段と
   を備え、
   前記理想的な幾何学的特徴量をもとに、前記ＳＥＭ画像から理想的な幾何学的特徴量のみ抽出して画像を生成することを特徴とする画像検査装置。
2. 前記設計データは、サンプルに形成するパターンのＣＡＤデータであることを特徴とする請求項１に記載の画像検査装置。
3. 前記幾何学的特徴量は、測定対象のパターンの種類毎の幾何学的特徴量であることを特徴とする請求項１から請求項２のいずれかに記載の画像検査装置。
4. 前記パターンの種類は、パターンがＬ＆Ｓ、ホール、ドットのいずれかであることを特徴とする請求項１から請求項３のいずれかに記載の画像検査装置。
5. 前記設計データから生成した理想的な幾何学的特徴量は、該設計データをもとに生成した理想的な幾何学的特徴量、あるいは該設計データとノイズをもとに生成した疑似的な理想的な幾何学的特徴量であることを特徴とする請求項１から請求項４のいずれかに記載の画像検査装置。
6. 前記疑似的な理想的な幾何学的特徴量と、前記理想的な幾何学的特徴量との類似度が所定閾値以下となるように前記疑似的な理想的な幾何学的特徴量を演算、あるいは異なるノイズをもとに演算した複数の疑似的な理想的な幾何学的特徴量を平均して算出したものが所定閾値以下であることを特徴する請求項５に記載の画像検査装置。
7. 電子ビームをサンプルに照射して放出された２次電子あるいは反射された反射電子の画像をもとに測長する画像検査方法において、
   サンプルに形成するパターンの設計データから生成した疑似ＳＥＭ画像と、前記設計データをもとにサンプル上に形成されたパターンの上に、電子線ビームを細く絞って照射しつつ走査し、放出された２次電子あるいは反射された反射電子を検出して生成したＳＥＭ画像と、を対にして理想的な幾何学的特徴を深層学習する手段と、
   前記深層学習によって得られた理想的な幾何学的特徴量のみ有する画像を生成する復元手段とを設け、
   前記理想的な幾何学的特徴量をもとに、前記ＳＥＭ画像から理想的な幾何学的特徴量のみ抽出して画像を生成するステップを
   有することを特徴とする画像検査方法。

Images