KR20200135991A - 패턴 에지 검출 방법 - Google Patents

패턴 에지 검출 방법 Download PDF

Info

Publication number
KR20200135991A
KR20200135991A KR1020207030084A KR20207030084A KR20200135991A KR 20200135991 A KR20200135991 A KR 20200135991A KR 1020207030084 A KR1020207030084 A KR 1020207030084A KR 20207030084 A KR20207030084 A KR 20207030084A KR 20200135991 A KR20200135991 A KR 20200135991A
Authority
KR
South Korea
Prior art keywords
pattern
edge
image
teacher data
edges
Prior art date
Application number
KR1020207030084A
Other languages
English (en)
Inventor
마사히로 오야
Original Assignee
타스밋 가부시키가이샤
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 타스밋 가부시키가이샤 filed Critical 타스밋 가부시키가이샤
Publication of KR20200135991A publication Critical patent/KR20200135991A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G06K9/46—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/50—Detectors
    • G01N2223/507—Detectors secondary-emission detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

본 발명은, 패턴의 설계 데이터를 이용하여 패턴 검사를 행하는 반도체 검사 장치에 적용 가능한 패턴 에지 검출 방법에 관한 것이다. 본 방법은, 패턴의 화상을 생성하고, 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여 화상 상의 패턴의 에지를 검출하고, 패턴의 화상의 생성과, 화상 상의 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터 후보를 작성하고, 미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 화상을 교사 데이터 후보로부터 배제함으로써 교사 데이터를 결정하고, 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고, 다른 패턴의 화상을 생성하고, 에지 검출 모델을 이용하여 화상 상의 다른 패턴의 에지를 검출한다.

Description

패턴 에지 검출 방법
본 발명은, 패턴의 설계 데이터를 이용하여 패턴 검사를 행하는 반도체 검사 장치에 적용 가능한 패턴 에지 검출 방법에 관한 것이다.
반도체 집적 회로의 제조 공정에 있어서의 웨이퍼의 패턴 검사, 혹은 그 패턴 형성용의 포토마스크 패턴 검사에는, 다이 투 다이(die to die) 비교 방법을 이용한 광학식 패턴 검사 장치가 사용되고 있다. 이 다이 투 다이 비교 방법은, 검사 대상의 다이라 칭해지는 반도체 디바이스와, 그 근접 다이의 동일한 위치로부터 얻어지는 화상끼리를 비교함으로써 결함을 검출하는 방법이다.
한편, 근접 다이가 존재하지 않는, 레티클이라 칭해지는 포토마스크의 검사에는, 다이 투 데이터베이스(die to database) 비교라 칭해지는 방법이 사용되고 있다. 이 방법은, 마스크 데이터를 화상으로 변환하여, 다이 투 다이 비교 방법에서 이용한 근접 다이의 화상의 대체물로 하여, 전술한 것과 마찬가지의 검사를 하는 방법이다. 마스크 데이터란, 설계 데이터에 포토마스크용의 보정을 실시하여 얻어지는 데이터이다(예를 들어 특허문헌 1 참조).
그러나 다이 투 데이터베이스 비교 방법을 웨이퍼 검사에 사용하면, 웨이퍼에 형성된 패턴의 코너 라운드가 결함으로서 검출된다. 포토마스크의 검사에서는, 마스크 데이터로부터 변환된 화상에 스무딩 필터를 덧붙여서 코너 라운드를 형성함으로써, 코너 라운드를 결함으로서 검출하지 않도록 하고 있다. 그러나 스무딩 필터에 의하여 형성된 코너 라운드는, 웨이퍼에 형성된 실제의 코너 라운드와 동등하지 않으므로, 실제의 코너 라운드가 결함으로서 검출되어 버리는 일이 있다. 그래서 이들 코너 라운드의 차이를 무시하도록 허용 패턴 변형량을 설정하면, 코너 이외에 존재하는 미소 결함을 검출할 수 없다는 문제가 발생하고 있다.
반도체 집적 회로 생산에서의 문제에 주목한다면, 진애 등에 기인하는 랜덤 결함보다도 반복하여 발생하는 결함이 중요시되고 있다. 반복하여 발생하는 결함(시스터매틱 결함)이란, 포토마스크 불량 등을 원인으로 하여 웨이퍼 상의 모든 다이에 있어서 반복하여 발생하는 결함으로 정의된다. 반복하여 발생하는 결함은, 검사 대상의 다이 및 그 비교 대상의 근접 다이의 양쪽에 발생하고 있기 때문에, 다이 투 다이 비교에서는 검출할 수 없다. 따라서 다이 투 데이터베이스 비교 방식으로의 웨이퍼 검사가 필요로 되고 있다.
미국 특허 제5563702호 명세서
다이 투 데이터베이스 방식에서는, 웨이퍼 상에 형성된 패턴의 촬상을 행하고, 이 화상에 있어서 설계 데이터를 기준으로 한 검사를 행한다. 이 검사 전에, 설계 데이터를 기준으로 한 패턴의 에지 검출을 행한다. 그러나 이 에지 검출을 정확히 행할 수 없어서, 화상 상의 잘못된 에지의 검출이나 검출 실패를 일으키는 경우가 있다. 이 이유로서는, 종래의 방법에서는 일정한 룰에 기초하여, 설계 데이터에 기초하여 화상 상의 에지를 검출하는 방법이 이용되어 왔지만, 일정한 룰에 기초하는 방법에서는, 화상의 상질이나 패턴의 변형에 의하여 적절한 에지의 검출을 할 수 없게 되기 때문이다.
그래서 본 발명은, 기계 학습을 이용하여 정밀도가 높은 에지 검출을 할 수 있는 방법을 제공한다.
패턴의 에지 검출에는 기계 학습이 적용된다. 이 방법에 있어서는 먼저, 기계 학습 알고리즘의 학습으로서, 검사 대상의 패턴의 화상과, 검출된 패턴 에지의 화상을 교사 데이터로서 이용하여, 화상으로부터 패턴 에지를 검출하는 모델을 생성하고, 그리고 모델을 이용하여, 실제의 검사 대상으로 되는 화상으로부터 패턴의 에지를 검출한다.
기계 학습에 의한 처리는, 종래의 일정한 룰에 기초하는 처리보다도 고정밀도여서, 데이터의 변화에 대하여 용장한 처리를 실현할 수 있다. 교사 데이터를 이용하여 기계 학습 알고리즘의 학습을 행함으로써, 교사 데이터와 동등한 데이터에 대하여 고정밀도이면서 용장성이 높은 처리를 할 수 있게 된다. 따라서 기계 학습에 의하여 생성된 에지 검출 모델은 패턴의 에지를 적절히 검출할 수 있을 것으로 기대된다.
한편, 교사 데이터가 기계 학습 알고리즘의 학습에 부적절한 경우, 에지 검출 모델의 정밀도가 나빠지고, 또한 그와 같은 에지 검출 모델을 이용한 에지 검출의 정밀도가 나빠진다.
교사 데이터가 학습에 부적절한 케이스란, 이하와 같은 경우이다.
케이스 1.1: 패턴에 결함이 포함된다. 이 경우, 다이 투 데이터베이스 방식에 의하여 검출된 패턴 에지는 실제의 패턴 에지에 대응하지 않는 경우가 있다. 따라서 결함을 포함하는 패턴은 교사 데이터에 포함되지 않아야 한다.
케이스 1.2: 패턴 에지의 변형이 크거나 또는 패턴 에지의 변형량이 불연속이다. 이 경우, 교사 데이터에 포함되는 패턴 에지 화상을 작성하는 과정에 있어서, 에지 검출에 실패하였거나, 혹은 에지에 대응하지 않는 잘못된 패턴 에지가 검출되었을 가능성이 높다.
케이스 1.3: 교사 데이터에 포함되는 패턴 에지의 수가 패턴의 종류마다 크게 불균형으로 되어 있다. 이 경우, 수가 적은 패턴 에지를 이용하여 생성된 에지 검출 모델은 에지를 정확히 또는 고정밀도로 검출할 수 없는 경우가 있다.
또한 기계 학습에 의하여 검출된 에지는, 설계 데이터와는 관련지어진 것이 아니므로, 검출된 에지를 설계 데이터에 관련지을 필요가 있다. 이 관련짓기 공정에 있어서, 검출된 에지와 설계 데이터의 관련짓기를 잘못하는 경우가 있다. 이를 케이스 2.1이라 칭한다.
일 양태에서는, 패턴의 에지를 검출하는 방법이며, 패턴의 화상을 생성하고, 상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고, 패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터 후보를 작성하고, 미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 화상을 상기 교사 데이터 후보로부터 배제함으로써 교사 데이터를 결정하고, 상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고, 다른 패턴의 화상을 생성하고, 상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하는, 방법이 제공된다.
상기 부적격 조건은, 패턴이 결함을 포함하는 것이다.
상기 부적격 조건은, 패턴 에지의 바이어스 검사값이, 미리 설정된 상한을 상회하거나 또는 미리 설정된 하한을 하회하는 것이고, 상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값이다.
상기 부적격 조건은, 상기 교사 데이터 후보의 작성에 있어서, 패턴의 에지가 올바르게 검출되지 않은 것이다.
상기 부적격 조건은, 패턴 에지의 바이어스 검사값이, 미리 설정된 범위 외에 있는 것이고, 상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값이다.
상기 부적격 조건은, 패턴 에지의 바이어스 검사값이 불연속적으로 변화되는 것이고, 상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값이다.
상기 부적격 조건은, 패턴 에지의 바이어스 검사값이, 미리 설정된 범위 외에 있고, 또한 상기 바이어스 검사값이 불연속적으로 변화되는 것이고, 상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값이다.
상기 방법은, 상기 교사 데이터 후보에 포함되는 상기 복수의 화상을 패턴의 종류에 따라 복수의 화상 그룹으로 분류하고, 상기 분류된 복수의 화상 그룹에 각각 속하는 화상의 수가 동일해지도록 상기 교사 데이터 후보로부터 화상을 제거하는 공정을 더 포함한다.
일 양태에서는, 패턴의 에지를 검출하는 방법이며, 패턴의 화상을 생성하고, 상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고, 패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터를 작성하고, 상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고, 다른 패턴의 화상을 생성하고, 상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하는 공정을 포함하고, 상기 에지 검출 모델을 기계 학습에 의하여 생성하는 공정은, 상기 교사 데이터에 포함되는 복수의 패턴 에지의 각각을, 설계 데이터에 기초하는 에지 속성에 따라 복수의 에지로 분할하고, 상기 교사 데이터를 이용하여, 상기 분할된 복수의 에지마다 복수의 에지 검출 모델을 기계 학습에 의하여 생성하는 공정인, 방법이 제공된다.
상기 다른 패턴의 화상의 에지를 검출하는 공정은, 화상 상의 상기 다른 패턴의 복수의 에지를, 상기 복수의 에지 검출 모델을 이용하여 각각 검출하고, 상기 검출된 복수의 에지를 상기 다른 패턴의 설계 데이터에 관련짓는 공정이다.
상술한 양태에 따르면 상기 케이스 1.1, 1.2, 1.3, 2.1이 개선된다. 즉, 교사 데이터가 개선되어, 결과로서 기계 학습을 이용한 패턴 에지의 검출 정밀도가 향상된다.
도 1은 패턴 검사 장치의 일 실시 형태를 도시하는 모식도이다.
도 2는 패턴 검사 장치의 화상 생성 장치의 일 실시 형태를 도시하는 모식도이다.
도 3은 기계 학습을 이용하지 않는 다이 투 데이터베이스 검사의 흐름도이다.
도 4는 설계 데이터로부터 작성된 기준 패턴의 에지 상에 등간격으로 배치된 휘도 프로파일의 원점을 도시하는 도면이다.
도 5는 휘도 프로파일의 원점을 통과하는 수선을 도시하는 도면이다.
도 6은 휘도 프로파일의 일례를 나타내는 그래프이다.
도 7은 에지 검출의 일 실시 형태를 설명하는 도면이다.
도 8은 각각의 휘도 프로파일 상의 에지 검출 위치를 차례로 선으로 이음으로써 형성된 에지를 도시하는 도면이다.
도 9는 기계 학습에 의하여 에지 검출 모델을 생성하는 흐름도이다.
도 10은 교사 데이터의 결정을 설명하는 흐름도이다.
도 11은 에지의 오검출에 기인하여 바이어스 검사값이 불연속으로 된 패턴의 일례를 도시하는 도면이다.
도 12는 설계 데이터의 예를 도시하는 도면이다.
도 13은 복수의 샘플 화상을 설계 데이터의 패턴의 종류에 따라 복수의 화상 그룹으로 분류한 결과를 나타내는 히스토그램이다.
도 14는 웨이퍼 패턴의 샘플 화상을 도시하는 도면이다.
도 15는 도 14에 도시하는 웨이퍼 패턴의 설계 데이터를 도시하는 도면이다.
도 16은 설계 데이터에 코너 라운드 처리를 실시함으로써 생성된 기준 패턴에 웨이퍼 패턴을 중첩시킨 도면이다.
도 17은 에지 검출 위치를 선으로 이어서, 검출된 패턴 에지로서 구성한 도면이다.
도 18은 도 17에 도시하는 패턴 에지로부터 분할된 상측의 에지를 도시하는 도면이다.
도 19는 도 17에 도시하는 패턴 에지로부터 분할된 좌측의 에지를 도시하는 도면이다.
도 20은 도 17에 도시하는 패턴 에지로부터 분할된 하측의 에지를 도시하는 도면이다.
도 21은 도 17에 도시하는 패턴 에지로부터 분할된 우측의 에지를 도시하는 도면이다.
도 22는 패턴 에지의 방향을 설명하기 위한 도면이다.
도 23은 에지의 각도에 기초하여 분할된 기준 패턴의 테이블이다.
도 24는 순전파형 신경망의 일부분을 이루는 퍼셉트론의 구조를 도시하는 도면이다.
도 25는 활성화 함수를 나타낸 도면이다.
도 26은 퍼셉트론을 다층화한 순전파형 신경망의 도면이다.
도 27은 입력층에 입력된 복수의 휘도값이 순전파형 신경망에 의하여 하나의 휘도값으로 변환되는 상태를 도시한 개념도이다.
도 28은 교사 데이터에 포함되는 샘플 화상의 입력에 대하여 출력되는 화상이, 대응하는 패턴 에지의 화상으로 되도록 순전파형 신경망이 학습하는 상태를 도시한 개념도이다.
도 29는 샘플 화상으로부터 추출된 5개의 패치와, 순전파형 신경망으로부터 출력된 휘도값과, 샘플 화상으로부터 추출된 패치의 각각의 위치에 대응하는 패턴 에지 화상의 패치를 도시하는 모식도이다.
도 30은 샘플 화상으로부터 추출된 패치를 도시하는 모식도이다.
도 31은 에지 검출 모델을 이용한 에지 검사의 플로이다.
도 32는 검출된 복수의 에지가 패턴의 설계 데이터에 관련지어지는 스텝을 설명하는 흐름도이다.
도 33은 패턴의 설계 데이터를 도시하는 도면이다.
도 34는 도 33에 도시하는 설계 데이터에 코너 라운드 처리를 실시함으로써 생성된 기준 패턴을 도시하는 도면이다.
도 35는 기준 패턴으로부터 분할된 우측 에지를 도시하는 도면이다.
도 36은 도 35에 도시하는 우측 에지에 에지 검출 원점을 배치한 도면이다.
도 37은 도 31의 스텝 2에서 검출된 우측 에지를 도시하는 도면이다.
도 38은 도 32의 스텝 3을 설명하는 도면이다.
도 39는 에지 검출 원점으로부터 에지 위치까지의 선분인 바이어스선을 도시하는 도면이다.
이하, 본 발명의 실시 형태에 대하여 도면을 참조하여 설명한다. 도 1은, 패턴 검사 장치의 일 실시 형태를 도시하는 모식도이다. 본 실시 형태에 있어서의 패턴 검사 장치는 주 제어부(1), 기억 장치(2), 입출력 제어부(3), 입력 장치(4), 표시 장치(5), 인쇄 장치(6) 및 화상 생성 장치(7)를 구비한다.
주 제어부(1)는 CPU(Central Processing Unit) 등으로 구성되며, 장치 전체를 통괄적으로 제어한다. 주 제어부(1)에는 기억 장치(2)가 접속되어 있다. 기억 장치(2)는 하드 디스크, 솔리드 스테이트 드라이브, 플렉시블 디스크, 광 디스크 등의 형태를 취할 수 있다. 또한 주 제어부(1)에는, 입출력 제어부(3)를 통해, 키보드, 마우스 등의 입력 장치(4), 입력 데이터, 계산 결과 등을 표시하는 디스플레이 등의 표시 장치(5), 및 검사 결과 등을 인쇄하는 프린터 등의 인쇄 장치(6)가 접속되어 있다.
주 제어부(1)는, OS(Operating System) 등의 제어 프로그램, 패턴 에지 검출을 위한 프로그램, 및 소요 데이터 등을 저장하기 위한 내부 메모리(내부 기억 장치)를 가지며, 이들 프로그램 등에 의하여 패턴 에지 검출 및 에지 검출 모델의 생성을 실행하고 있다. 이들 프로그램은, 플렉시블 디스크, 광 디스크 등에 기억해 두고, 실행 전에 메모리, 하드 디스크 등에 읽어들이게 하여 실행되도록 할 수 있다.
도 2는, 패턴 검사 장치의 화상 생성 장치(7)의 일 실시 형태를 도시하는 모식도이다. 도 2에 도시한 바와 같이 화상 생성 장치(7)는 조사계 장치(10)와 시료실(20)과 2차 전자 검출기(30)를 구비하고 있다. 본 실시 형태에서는, 화상 생성 장치(7)는 주사형 전자 현미경이다.
조사계 장치(10)는, 전자 총(11)과, 전자 총(11)으로부터 방출된 1차 전자를 집속하는 집속 렌즈(12)와, 전자선(하전 입자선)을 X 방향, Y 방향으로 편향시키는 X 편향기(13) 및 Y 편향기(14)와, 대물 렌즈(15)로 구성되어 있다. 시료실(20)은, X 방향, Y 방향으로 가동인 XY 스테이지(21)를 구비하고 있다. 시료실(20)에는, 웨이퍼 반송 장치(40)에 의하여 시료인 웨이퍼(W)가 반출입되도록 되어 있다.
조사계 장치(10)에 있어서는, 전자 총(11)으로부터 방출된 1차 전자는 집속 렌즈(12)에서 집속된 후에 X 편향기(13) 및 Y 편향기(14)에서 편향되면서 대물 렌즈(15)에 의하여 집속되어, 시료인 웨이퍼(W)의 표면에 조사된다.
웨이퍼(W)에 1차 전자가 조사되면 웨이퍼(W)로부터는 2차 전자가 방출되고, 2차 전자는 2차 전자 검출기(30)에 의하여 검출된다. 집속 렌즈(12) 및 대물 렌즈(15)는 렌즈 제어 장치(16)에 접속되고, 이 렌즈 제어 장치(16)는 제어 컴퓨터(50)에 접속되어 있다. 2차 전자 검출기(30)는 화상 취득 장치(17)에 접속되고, 이 화상 취득 장치(17)도 마찬가지로 제어 컴퓨터(50)에 접속되어 있다. 2차 전자 검출기(30)에서 검출된 2차 전자 강도가 화상 취득 장치(17)에 의하여 전위 콘트라스트 상으로 변환된다. 왜곡이 없는 최대의 전위 콘트라스트 상을 취득할 수 있는 1차 전자의 조사 영역을 시야로 정의한다.
X 편향기(13) 및 Y 편향기(14)는 편향 제어 장치(18)에 접속되고, 이 편향 제어 장치(18)도 마찬가지로 제어 컴퓨터(50)에 접속되어 있다. XY 스테이지(21)는 XY 스테이지 제어 장치(22)에 접속되고, 이 XY 스테이지 제어 장치(22)도 마찬가지로 제어 컴퓨터(50)에 접속되어 있다. 또한 웨이퍼 반송 장치(40)도 마찬가지로 제어 컴퓨터(50)에 접속되어 있다. 제어 컴퓨터(50)는 조작 컴퓨터(60)에 접속되어 있다.
도 3은, 기계 학습을 이용하지 않는 다이 투 데이터베이스 검사의 흐름도이다. 주사형 전자 현미경으로 이루어지는 화상 생성 장치(7)는 패턴의 샘플 화상을 생성한다(스텝 1). 본 실시 형태에서는, 패턴은, 시료인 웨이퍼의 표면에 형성되어 있다. 이하의 설명에서는, 에지 검출의 대상으로 되는 패턴을 웨이퍼 패턴이라 칭하는 경우가 있다.
다음으로, 도 1에 도시하는 주 제어부(1)는 설계 데이터의 패턴에 대하여 코너 라운드 처리를 행하여 기준 패턴을 생성한다(스텝 2). 코너 라운드 처리에서는, 예를 들어 설계 데이터의 패턴의 코너부를 원호로 치환하는 방법을 이용할 수 있다. 원호의 반경의 값은 검사 설정값으로서 지정된다.
도 4에 도시한 바와 같이 주 제어부(1)는, 상기 스텝 2에서 생성된 기준 패턴(111)의 에지 상에 휘도 프로파일의 원점(130)을 등간격으로 배치한다(도 3의 스텝 3). 인접하는 휘도 프로파일의 원점(130) 사이의 거리는, 예를 들어 1픽셀 사이즈에 상당하는 거리이다.
도 5에 도시한 바와 같이 주 제어부(1)는, 상기 스텝 3에서 배치한 휘도 프로파일의 원점(130)을 통과하는 수선(140)을 긋는다(도 3의 스텝 4). 수선은, 기준 패턴(111)의 에지에 수직인 선분이며, 등간격으로 배열되어 있다. 주 제어부(1)는 각 수선(140) 상의 샘플 화상의 휘도값을 취득하고, 이들 휘도값으로부터 샘플 화상의 휘도 프로파일을 작성한다(도 3의 스텝 5).
도 6은, 휘도 프로파일의 일례를 나타내는 그래프이다. 도 6에 있어서, 종축은 휘도값을 나타내고 횡축은 수선(140) 상의 위치를 나타낸다. 휘도 프로파일은, 수선(140)을 따른 휘도값의 분포를 나타낸다. 주 제어부(1)는 휘도 프로파일에 기초하여 샘플 화상 상의 패턴 에지를 검출한다(도 3의 스텝 6). 패턴 에지 검출에는 역치법, 직선 근사법 등이 사용된다. 본 실시 형태에서는 역치법을 이용하여 패턴 에지를 검출한다.
휘도 프로파일로부터의 패턴 에지 검출의 일 방법인 역치법에 대하여 도 6을 참조하여 설명한다. 역치를 x[%]로 한다. 주 제어부(1)는, 휘도 프로파일에 있어서 가장 큰 휘도값을 갖는 샘플링점 P를 결정하고, 이 샘플링점의 위치를 피크점으로 한다. 다음으로, 주 제어부(1)는, 피크점 P보다도 패턴의 외측의 영역에 있어서 가장 작은 휘도값을 갖는 샘플링점을 결정하고, 이 샘플링점의 위치를 보텀점 B로 한다. 다음으로, 피크점 P와 보텀점 B 사이에 있어서, 보텀점 B에서의 휘도값으로부터 피크점 P에서의 휘도값을 x:(100-x)로 내분하는 에지 휘도값을 결정하고, 이 에지 휘도값을 갖는 휘도 프로파일 상의 샘플링점 Q의 위치를 에지 검출 위치로 한다.
결정된 에지 휘도값을 갖는 샘플링점이 휘도 프로파일 상에 없는 경우에는, 도 7에 나타낸 바와 같이, 주 제어부(1)는 피크점 P로부터 보텀점 B를 향하여 샘플링점의 휘도값을 탐색하여, 휘도값이 상기 에지 휘도값을 최초에 하회한 샘플링점 S1을 결정하고, 그 하나 피크점측의 샘플링점 S2를 결정하여, 이 2개의 샘플링점 S1, S2의 선형 보간에 의하여 에지 휘도값에 대응하는 에지 검출 위치를 결정한다.
도 8에 도시한 바와 같이, 주 제어부(1)는 각각의 휘도 프로파일 상의 에지 검출 위치를 차례로 선으로 잇는다. 도 8에 있어서, 부호 150은 상술한 에지 검출 위치를 나타내고, 부호 200은, 점선으로 이어진 복수의 에지 검출 위치(150)로 이루어지는 패턴 에지를 나타내고 있다. 이와 같이 하여 주 제어부(1)는 휘도 프로파일에 기초하여 샘플 화상 상의 패턴 에지를 검출할 수 있다.
도 8에 있어서, 휘도 프로파일의 원점(130)과 에지 검출 위치(150)를 이은 선분은 바이어스선(160)으로 정의된다. 주 제어부(1)는, 기준 패턴(111)의 외측에 있는 에지 검출 위치(150)로부터 연장되는 바이어스선(160)의 길이로서 정의되는 바이어스 검사값을 계산한다. 또한 주 제어부(1)는, 기준 패턴(111)의 내측에 있는 에지 검출 위치(150)로부터 연장되는 바이어스선(160)의 길이에 -1을 곱한 값으로서 정의되는 바이어스 검사값을 계산한다(도 3의 스텝 7). 바이어스 검사값은, 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴(111)의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값이다.
이와 같이 하면, 주 제어부(1)는 바이어스 검사값에 기초하여 웨이퍼 패턴의 「굵은 변형」과 「얇은 변형」을 구별할 수 있다. 예를 들어 정의 바이어스 검사값은, 웨이퍼 패턴이 굵은 변형인 것을 의미하고, 부의 바이어스 검사값은, 웨이퍼 패턴이 얇은 변형인 것을 의미한다. 바이어스 검사값에 대하여 상한 및 하한을 미리 정해도 된다. 이 경우, 주 제어부(1)는, 바이어스 검사값이 상한을 상회한 경우에는, 그 바이어스 검사값이 산출된 부위를 굵은 결함으로서 검출하고, 바이어스 검사값이 하한을 하회한 경우에는, 그 바이어스 검사값이 산출된 부위를 얇은 결함으로서 검출로서 검출할 수 있다(도 3의 스텝 8).
도 9는, 기계 학습에 의하여 에지 검출 모델을 생성하는 흐름도이다. 기계 학습을 이용한 에지 검출 모델의 생성은, 도 1에 도시하는 주 제어부(1)에 의하여 실행된다. 주사형 전자 현미경으로 이루어지는 화상 생성 장치(7)는 패턴의 샘플 화상을 생성한다(스텝 1). 주 제어부(1)는 화상 생성 장치(7)로부터 샘플 화상을 취득한다. 본 실시 형태에서는, 패턴은, 시료인 웨이퍼의 표면에 형성되어 있다. 이하의 설명에서는, 에지 검출의 대상으로 되는 패턴을 웨이퍼 패턴이라 칭하는 경우가 있다.
스텝 2에서는, 도 1에 도시하는 패턴 검사 장치는, 기계 학습을 이용하지 않는 다이 투 데이터베이스 검사를, 도 3에 도시하는 흐름도에 따라 행한다. 도 9의 스텝 1 및 스텝 2은 복수 회 반복되어, 샘플 화상의 생성과 패턴 에지의 검출이 반복하여 행해진다. 결과로서, 복수의 샘플 화상과, 대응하는 복수의 패턴 에지가 주 제어부(1)에 의하여 취득된다. 취득된 복수의 샘플 화상과, 대응하는 복수의 패턴 에지 전부는 교사 데이터 후보를 구성한다.
다음으로, 주 제어부(1)는, 미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 샘플 화상을 교사 데이터 후보로부터 배제함으로써, 기계 학습에 사용될 교사 데이터를 결정한다(스텝 3). 교사 데이터의 결정은, 샘플 화상과 패턴 에지의 검출 결과를 이용하여 행해진다. 본 실시 형태에서는, 부적격 조건은, (ⅰ) 패턴이 결함을 포함하는 것, 및 (ⅱ) 교사 데이터 후보의 작성에 있어서 패턴의 에지가 올바르게 검출되지 않은 것이다.
도 10은, 도 9의 스텝 3에 있어서의 교사 데이터의 결정을 설명하는 흐름도이다. 도 10의 스텝 1에서는, 다이 투 데이터베이스 검사에 있어서 결함을 포함한다고 판정된 패턴의 에지와, 대응하는 샘플 화상은, 교사 데이터 후보로부터 제거된다. 즉, 바이어스 검사값이 상한을 상회한 패턴의 에지와 대응하는 샘플 화상, 및 바이어스 검사값이 하한을 하회한 패턴의 에지와 대응하는 샘플 화상은, 교사 데이터 후보로부터 제거된다.
도 10의 스텝 2에 있어서, 다이 투 데이터베이스 검사에 있어서 패턴 에지 검출이 올바르게 행해지지 않았을 가능성이 있는 패턴 에지 및 대응하는 샘플 화상이 교사 데이터 후보로부터 제거된다. 패턴 에지 검출이 올바르게 행해지지 않았을 가능성이 있는 패턴 에지의 일례는, 변형이 큰 패턴 에지이다. 패턴 에지의 변형의 크기 및 방향으로는, 예를 들어 다이 투 데이터베이스 검사에 있어서의 결함 판정에서 사용된 바이어스 검사값을 이용할 수 있다. 더 구체적으로는, 바이어스 검사값이, 미리 설정한 범위 외에 있는 패턴 에지는, 변형이 큰 패턴 에지로 결정된다. 패턴 에지의 변형이 큰 경우, 에지 검출이 정상적으로 행해지지 않았을 가능성이 있다. 따라서 이와 같은 패턴 에지 및 대응하는 샘플 화상은 교사 데이터 후보로부터 제거된다.
다이 투 데이터베이스 검사에 있어서 패턴 에지 검출이 올바르게 행해지지 않았을 가능성이 있는 패턴 에지의 다른 예는, 바이어스 검사값이 불연속으로 변화되는 패턴 에지이다. 바이어스 검사값은, 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값이다. 따라서 에지 검출이 올바르게 행해지지 않은 경우, 바이어스 검사값은 불연속으로 되어, 결과로서 바이어스 검사값이 급격히 변화된다.
도 11은, 에지의 오검출에 기인하여 바이어스 검사값이 불연속으로 된 패턴의 일례를 도시하는 도면이다. 부호 300은, 설계 데이터로부터 생성된 기준 패턴이고, 부호 301은, 설계 데이터에 기초하여 작성된 실제의 웨이퍼 패턴이다. 기준 패턴(300)의 에지를 따라 바이어스 검사값이 불연속으로 변화되고 있다. 구체적으로는, 바이어스선(305)으로 나타나는 바이어스 검사값은 정의 부호인 것에 대하여, 인접하는 바이어스선(306)으로 나타나는 바이어스 검사값은 부의 부호이다. 또한 바이어스선(307)으로 나타나는 바이어스 검사값은 부의 부호인 것에 대하여, 인접하는 바이어스선(308)으로 나타나는 바이어스 검사값은 정의 부호이다.
이 예와 같이 바이어스 검사값이 급격히 변화되는 경우, 예를 들어 인접하는 2개의 바이어스선의 바이어스 검사값의 차가 소정의 임계값 이상인 경우에는, 그 패턴 에지 및 대응하는 샘플 화상을 교사 데이터 후보로부터 제거한다. 예를 들어 도 11의 인접하는 2개의 바이어스선(305, 306)의 바이어스 검사값의 차가, 기준 패턴(300)의 폭 D의 30% 이상인 경우에는, 그 샘플 화상은 교사 데이터 후보로부터 제거된다.
도 10의 스텝 3에서는, 교사 데이터 후보에 포함되는 복수의 샘플 화상을 설계 데이터의 패턴의 종류에 따라 복수의 화상 그룹으로 분류한다. 도 12는, 설계 데이터의 예를 도시하는 것이며, 3종류의 패턴을 나타내고 있다. 부호 400, 410, 420은, 샘플 화상의 분류에 사용되는 설계 데이터를 나타내며, 부호 401, 402, 403, 404는, 설계 데이터(400)에 포함되는 패턴을 나타내고, 부호 411, 412는, 설계 데이터(410)에 포함되는 패턴을 나타내고, 부호 421, 422, 423은, 설계 데이터(420)에 포함되는 패턴을 나타내고 있다.
도 13은, 다이 투 데이터베이스 검사를 실시한 때 얻어진 복수의 샘플 화상을 설계 데이터의 패턴의 종류에 따라 복수의 화상 그룹으로 분류한 결과를 나타내는 히스토그램이다. 도 13에 있어서, 종축은 설계 데이터의 패턴의 종류를 나타내고 횡축은 샘플 화상의 수를 나타내고 있다.
도 10의 스텝 4에서는, 주 제어부(1)는, 분류된 복수의 화상 그룹에 각각 속하는 샘플 화상의 수가 동일해지도록 교사 데이터 후보로부터 샘플 화상을 제거한다. 샘플 화상의 수가, 미리 설정한 값을 하회하는 패턴종이 존재하는 경우, 주 제어부(1)는 교사 데이터에 경고를 부여하여, 샘플 화상의 수가 적은 패턴종이 존재하는 것을 유저에게 알리도록 한다.
이와 같이 함으로써, 패턴의 종류의 편중을 저감시킴으로써(즉, 교사 데이터에 이용하는 패턴의 종류의 망라성을 높임으로써) 기계 학습의 정밀도를 향상시킬 수 있다. 또한 교사 데이터의 패턴의 종류의 편중을 저감시킴으로써 교사 데이터의 총수를 감소시킨다.
도 9로 되돌아가, 도 9의 스텝 4에 있어서, 주 제어부(1)는, 도 9의 스텝 3에서 결정된 교사 데이터에 포함되는 복수의 패턴 에지의 각각을, 설계 데이터에 기초하는 에지 속성으로서의 설계 데이터의 패턴 에지 방향에 따라 복수의 에지로 분할한다.
도 14는, 웨이퍼 패턴(501, 502)의 샘플 화상을 도시하는 도면이고, 도 15는, 도 14에 도시하는 웨이퍼 패턴(501, 502)의 설계 데이터(505, 506)를 도시하는 도면이다. 도 16은, 설계 데이터(505, 506)에 코너 라운드 처리를 실시함으로써 생성된 기준 패턴(507, 508)에 웨이퍼 패턴(501, 502)을 중첩시킨 도면이다. 도 16에 있어서, 기준 패턴(507, 508) 상에 휘도 프로파일의 원점(130)이 등간격으로 배치되고, 원점(130)으로부터 에지 검출 위치까지 바이어스선(160)이 연장되어 있다.
도 17은, 에지 검출 위치를 선으로 이어서, 검출된 패턴 에지(510, 511)로서 구성한 도면이다. 도 18은, 도 17에 도시하는 패턴 에지로부터 분할된 상측의 에지(510a, 511a)를 도시하는 도면이고, 도 19는, 도 17에 도시하는 패턴 에지로부터 분할된 좌측의 에지(510b, 511b)를 도시하는 도면이고, 도 20은, 도 17에 도시하는 패턴 에지로부터 분할된 하측의 에지(510c, 511c)를 도시하는 도면이고, 도 21은, 도 17에 도시하는 패턴 에지로부터 분할된 우측의 에지(510d, 511d)를 도시하는 도면이다.
도 22는, 패턴 에지의 방향을 설명하기 위한 도면이다. 도 22에 도시한 바와 같이 패턴 에지의 방향은, 기준 패턴(507, 508)의 에지의 각도 θ에 기초하여 정해진다. 이 각도 θ는, 패턴 내측으로부터 외측으로 그은 법선의, 기준선 RL로부터의 반시계 방향의 각도로 정의된다. 도 23은, 에지의 각도 θ에 기초하여 분류된 기준 패턴(507, 508)의 테이블이다. 기준 패턴(507, 508)에 기초하여 검출된 패턴 에지(510, 511)는, 기준 패턴(507, 508)의 각도 θ에 따라 우측의 에지(510d, 511d), 상측의 에지(510a, 511a), 좌측의 에지(510b, 511b), 하측의 에지(510c, 511c)로 분할된다.
도 9의 스텝 5에 있어서, 주 제어부(1)는, 분할된 복수의 에지마다 패턴 에지의 화상화를 행한다. 또한 도 9의 스텝 6에 있어서, 주 제어부(1)는, 교사 데이터를 이용하여, 분할된 복수의 에지마다 기계 학습 알고리즘의 트레이닝, 즉, 복수의 에지 검출 모델을 기계 학습에 의하여 생성한다. 이하, 기계 학습 알고리즘으로서 순전파형 신경망을 이용하는 방법에 있어서 설명한다.
도 24는, 순전파형 신경망의 일부분을 이루는 퍼셉트론의 구조를 도시하는 도면이다. 입력의 벡터(입력 특징량, x1, x2 … , xn)의 각 성분에 대하여 결합 가중값 w1, w2, … , wn이 있다. 유닛의 값 u는, 입력 특징량의 각 성분과 대응하는 결합 가중값의 곱, 및 바이어스 항 b의 합인 w1x1+w2x2+ … +wnxn+b로서 나타난다. 퍼셉트론의 출력 y는, 유닛의 값 u를 활성화 함수 f(·)로 입력한 값 y=f(u)이다.
도 25는, 활성화 함수를 나타낸 도면이다. 본 실시 형태에 있어서는, 활성화 함수로는 램프 함수(ReLU)를 이용한다. 램프 함수는 다음과 같이 정의된다.
u<0이면 f(u)=0, u≥0이면 f(u)=u
도 26은, 퍼셉트론을 다층화한 순전파형 신경망의 도면이다. 순전파형 신경망에서는 복수 층의 퍼셉트론이 있다. 입력측의 층으로부터 출력측의 층으로 어느 퍼셉트론의 출력이 다음 퍼셉트론에 입력된다. 계산은, 입력측의 층으로부터 순차 행하여 최종적으로 출력값 y를 계산한다.
본 실시예에서는, 순전파형 신경망의 입력 특징량은, 교사 데이터에 포함되는 샘플 화상을 구성하는 픽셀의 휘도값이다. 도 27은, 입력층에 입력된 복수의 휘도값이 순전파형 신경망에 의하여 하나의 휘도값으로 변환되는 상태를 도시한 개념도이다. 도 27에 도시하는 순전파형 신경망에서는, 샘플 화상의 인접하는 9개의 픽셀의 각각의 휘도값이 입력층(601)에 입력되고, 상기 9개의 픽셀 중의 중심에 위치하는 하나의 픽셀의 휘도값이 출력층(610)에 출력된다. 즉, 주 제어부(1)는, 에지를 검출해야 할 샘플 화상의 복수의 휘도값 x1 내지 x9를 입력층(601)에 입력한다. 어느 설정된 수의 픽셀로 구성되는 화상 영역은 패치라 칭해진다. 샘플 화상의 패치 내의 픽셀의 휘도값 x1 내지 x9는 순전파형 신경망의 중간층(602 내지 605)의 유닛에 차례로 전파되어, 마지막으로 휘도값 y가 출력층(610)으로부터 출력된다. 이 휘도값 y는, 샘플 화상의 패치의 중심에 위치하는 픽셀에 대응하는 출력 화상의 픽셀의 휘도값에 할당된다.
도 28은, 교사 데이터에 포함되는 샘플 화상의 입력에 대하여 출력되는 화상이, 대응하는 패턴 에지의 화상으로 되도록 순전파형 신경망이 학습하는 상태를 도시한 개념도이다. 여기서 학습이란, 샘플 화상의 입력에 대하여 출력되는 화상이, 대응하는 패턴 에지의 화상으로 되도록, 순전파형 신경망의 유닛 간을 결합하는 결합 가중값을 주 제어부(1)가 자동으로 조절하는 것이며, 에지 검출 모델은, 조절이 완료된 결합 가중값을 포함한다. 본 실시 형태에서는, 샘플 화상은 학습용의 훈련 화상으로서 사용되고, 대응하는 패턴 에지의 화상은 학습용의 교사 화상으로서 사용된다.
본 실시 형태에서는, 주 제어부(1)는 교사 데이터를 이용하여, 에지 속성에 따라 분할된 복수의 에지마다 복수의 에지 검출 모델을 기계 학습에 의하여 생성한다. 샘플 화상으로부터 추출된 패치의 휘도 벡터를 X1로 하고, 상기 순전파형 신경망으로부터 출력된 패치 X1의 휘도값을 y로 하고, 패치 X1의 위치에 대응하는 패턴 에지 화상의 패치 T1의 휘도값을 t로 하면, 순전파형 신경망으로부터 출력되는 휘도값 y는 가능한 한 패턴 에지 화상의 휘도값 t에 가까운 것이 바람직하다.
도 29는, 샘플 화상으로부터 추출된 5개의 패치와, 순전파형 신경망으로부터 출력된 휘도값과, 샘플 화상으로부터 추출된 패치의 각각의 위치에 대응하는 패턴 에지 화상의 패치를 도시하는 모식도이다. 샘플 화상으로부터 추출된 패치의 휘도 벡터 X1, X2, … , X5는 순전파형 신경망에 의하여 휘도값 y1, y2, … , y5로 각각 변환된다. 휘도값 y1, y2, … , y5는, 패턴 에지 화상이 대응하는 패치의 휘도값 t1, t2, … , t5와 각각 비교된다.
도 30은, 샘플 화상으로부터 추출된 패치를 도시하는 모식도이다. 패치는, 복수의 휘도값으로 이루어지는 휘도 벡터를 갖는다. 도 30에 도시하는 예에서는, 패치는, 한 변이 3픽셀인 사각형의 크기이다. 따라서 패치는 9개의 픽셀을 가지며, 각각의 픽셀의 휘도값은 xi1, xi2, xi3, xi4, xi5, xi6, xi7, xi8, xi9로 나타난다. 즉, 패치는, 이하에 나타내는 휘도 벡터로 나타난다.
휘도 벡터 Xi=[xi1, xi2, xi3, xi4, xi5, xi6, xi7, xi8, xi9]
i는 패치를 지정하는 번호이다.
일 실시 형태에서는, yi와 ti 사이의 근사의 평가 지표로는, 다음에 정의하는 평균 제곱 오차가 이용된다.
E=Σ(yi-ti)2/N
N은, 동시에 평가하는 패치의 수이다.
상기 평균 제곱 오차 E가 작으면, 출력 화상이 더 패턴 에지 화상에 가까울 것으로 기대된다.
주 제어부(1)는, 상기 평균 제곱 오차 E가 작아지도록 결합 가중값을 갱신한다. 예를 들어 M번째의 층의 유닛 α와 M+1번째의 층의 유닛 β 사이의 가중값 파라미터 wαβ에 있어서, 주 제어부(1)는, E의 wαβ에 관한 편미분값 ∂E/∂wαβ를 구하고 가중값 파라미터 wαβ를 wαβ-ε*∂E/∂wαβ로 치환하는 구배법을 이용하는 것을 생각할 수 있다. 여기서 ε은 학습 계수이며, 미리 정해지는 수치이다. 그 외에 아담의 방법, 확률적 구배법을 이용함으로써 학습을 진행시킬 수 있다. 또한 편미분 ∂E/∂wαβ의 계산을 합성 함수의 연쇄율을 이용하여 효율적으로 계산을 진행시키는 알고리즘으로서 오차 역전파법이 알려져 있다.
상기와 같이 하여 결합 가중값이 최적화되고, 분할된 복수의 에지마다 복수의 에지 검출 모델이 생성된다. 도 31은, 에지 검출 모델을 이용한 에지 검사의 플로이다. 에지 검출 모델을 이용한 에지 검사는, 도 1에 도시하는 주 제어부(1)에 의하여 실행된다. 주사형 전자 현미경으로 이루어지는 화상 생성 장치(7)는 패턴의 화상을 생성한다(스텝 1). 주 제어부(1)는 패턴의 화상을 화상 생성 장치(7)로부터 취득한다. 본 실시 형태에서는, 패턴은, 시료인 웨이퍼의 표면에 형성되어 있다. 이 스텝 1에서 생성되는 패턴은, 교사 데이터 후보의 작성에 사용된 패턴과는 다른 패턴이다.
스텝 2에서는, 주 제어부(1)는, 분할된 복수의 에지마다 생성된 복수의 에지 검출 모델을 패턴의 화상에 적용하여 패턴의 에지 검출을 행한다. 예를 들어 주 제어부(1)는, 상측의 에지용의 에지 검출 모델을 이용하여 상측의 에지를 검출하고, 우측의 에지용의 에지 검출 모델을 이용하여 우측의 에지를 검출하고, 좌측의 에지용의 에지 검출 모델을 이용하여 좌측의 에지를 검출하고, 하측의 에지용의 에지 검출 모델을 이용하여 하측의 에지를 검출한다. 각각의 에지 검출 모델에 포함되는 결합 가중값은, 교사 데이터를 이용한 학습에 의하여 이미 최적화되어 있다. 에지 검출 결과로서, 검출된 복수의 에지의 복수의 화상이 생성된다. 검출된 에지의 각 화상은 샘플 화상과 동일한 크기이다. 이 검출된 에지의 각 화상에서는, 에지에 대응하는 화소에는 1의 수치가 할당되고, 에지에 대응하지 않는 화소에는 0의 수치가 할당된다.
스텝 3에서는, 검출된 복수의 에지는, 스텝 1에서 촬상된 패턴의 설계 데이터에 관련지어진다. 도 32는, 도 31의 스텝 3을 설명하는 흐름도이다. 스텝 1에서는, 주 제어부(1)는 설계 데이터에 코너 라운드 처리를 실시하여 기준 패턴을 생성한다. 기준 패턴의 에지는, 교사 데이터의 패턴 에지와 마찬가지로, 설계 데이터에 기초하는 에지 속성으로서의 패턴 에지 방향에 따라 복수의 에지로 분할된다.
도 33은, 패턴의 설계 데이터(701, 702)를 도시하는 도면이고, 도 34는, 도 33에 도시하는 설계 데이터(701, 702)에 코너 라운드 처리를 실시함으로써 생성된 기준 패턴(703, 704)을 도시하는 도면이고, 도 35는, 기준 패턴(703, 704)으로부터 분할된 우측 에지(703a, 704a)를 도시하는 도면이다.
도 32의 스텝 2에서는, 주 제어부(1)는, 도 35에 도시하는 우측 에지(703a, 704a)에 에지 검출 원점을 배치한다. 도 36은, 도 35에 도시하는 우측 에지(703a, 704a)에 에지 검출 원점(706)을 배치한 도면이다. 에지 검출 원점(706)은 우측 에지(703a, 704a) 상에 등간격으로 배치된다. 도 37은, 도 31의 스텝 2에서 검출된 우측 에지(708, 709)를 도시하는 도면이다.
도 38은, 도 32의 스텝 3을 설명하는 도면이다. 도 38에 도시한 바와 같이 도 32의 스텝 3에서는, 주 제어부(1)는, 우측용의 에지 검출 모델을 사용하여 검출된 우측 에지(708, 709)의 화상을, 설계 데이터로부터 생성된 우측 에지(703a, 704a)의 화상에 중첩시키고, 에지 검출 원점(706)을 통과하는 수선(710)을 긋는다. 수선(710)의 길이는, 고정값 또는 외부 파라미터로 지정되는 길이이며, 수선(710)은 우측 에지(703a, 704a)의 외측과 내측의 양쪽을 향하여 그어진다. 이 수선(710)과, 검출된 우측 에지(708, 709)의 교점은, 에지 위치이다. 도 32의 스텝 4에서는, 에지 검출 원점(706)으로부터 에지 위치까지의 선분인 바이어스선을 작성한다. 도 39는, 에지 검출 원점(706)으로부터 에지 위치까지의 선분인 바이어스선(711)을 도시하는 도면이다. 설계 데이터로부터 생성된 우측 에지(703a, 704a)와, 에지 검출 모델을 사용하여 검출된 우측 에지(708, 709)는, 바이어스선(711)에 의하여 서로 관련지어진다.
마찬가지로 하여, 설계 데이터에 기초하는 에지 속성에 의하여 분류된 패턴의 상측 에지, 좌측 에지 및 하측 에지에 대해서도 바이어스선이 작성되며, 그것들 바이어스선의 정보는 설계 데이터에 기초하여 통합되어 다이 투 데이터베이스 검사 결과를 구성한다.
도 31로 되돌아가, 주 제어부(1)는, 기계 학습을 이용하지 않는 다이 투 데이터베이스 검사와 마찬가지로 바이어스선의 길이, 즉, 바이어스 검사값에 기초하여 웨이퍼 패턴의 결함 판정을 행한다.
상술한 실시 형태는, 본 발명이 속하는 기술 분야에 있어서의 통상의 지식을 갖는 자가 본 발명을 실시할 수 있을 것을 목적으로 하여 기재된 것이다. 상기 실시 형태의 다양한 변형예는 당업자라면 당연히 이룰 수 있는 것이며, 본 발명의 기술적 사상은 다른 실시 형태에도 적용할 수 있다. 따라서 본 발명은 기재된 실시 형태에 한정되지 않으며, 특허 청구의 범위에 의하여 정의되는 기술적 사상에 따른 가장 넓은 범위로 해석되는 것이다.
본 발명은, 패턴의 설계 데이터를 이용하여 패턴 검사를 행하는 반도체 검사 장치에 적용 가능한 패턴 에지 검출 방법에 이용 가능하다.
1: 주 제어부
2: 기억 장치
3: 입출력 제어부
4: 입력 장치
5: 표시 장치
6: 인쇄 장치
7: 화상 생성 장치
10: 조사계 장치
11: 전자 총
12: 집속 렌즈
13: X 편향기
14: Y 편향기
15: 대물 렌즈
16: 렌즈 제어 장치
17: 화상 취득 장치
20: 시료실
21: XY 스테이지
22: XY 스테이지 제어 장치
30: 2차 전자 검출기
40: 웨이퍼 반송 장치
50: 제어 컴퓨터
60: 조작 컴퓨터

Claims (10)

  1. 패턴의 에지를 검출하는 방법이며,
    패턴의 화상을 생성하고,
    상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고,
    패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터 후보를 작성하고,
    미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 화상을 상기 교사 데이터 후보로부터 배제함으로써 교사 데이터를 결정하고,
    상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고,
    다른 패턴의 화상을 생성하고,
    상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하고,
    상기 부적격 조건은, 패턴 에지의 바이어스 검사값이, 미리 설정된 상한을 상회하거나 또는 미리 설정된 하한을 하회하는 것이고,
    상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값인, 방법.
  2. (삭제)
  3. (삭제)
  4. (삭제)
  5. 패턴의 에지를 검출하는 방법이며,
    패턴의 화상을 생성하고,
    상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고,
    패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터 후보를 작성하고,
    미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 화상을 상기 교사 데이터 후보로부터 배제함으로써 교사 데이터를 결정하고,
    상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고,
    다른 패턴의 화상을 생성하고,
    상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하고,
    상기 부적격 조건은, 패턴 에지의 바이어스 검사값이, 미리 설정된 범위 외에 있는 것이고,
    상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값인, 방법.
  6. 패턴의 에지를 검출하는 방법이며,
    패턴의 화상을 생성하고,
    상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고,
    패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터 후보를 작성하고,
    미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 화상을 상기 교사 데이터 후보로부터 배제함으로써 교사 데이터를 결정하고,
    상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고,
    다른 패턴의 화상을 생성하고,
    상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하고,
    상기 부적격 조건은, 패턴 에지의 바이어스 검사값이 불연속적으로 변화되는 것이고,
    상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값인, 방법.
  7. 패턴의 에지를 검출하는 방법이며,
    패턴의 화상을 생성하고,
    상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고,
    패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터 후보를 작성하고,
    미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 화상을 상기 교사 데이터 후보로부터 배제함으로써 교사 데이터를 결정하고,
    상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고,
    다른 패턴의 화상을 생성하고,
    상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하고,
    상기 부적격 조건은, 패턴 에지의 바이어스 검사값이, 미리 설정된 범위 외에 있고, 또한 상기 바이어스 검사값이 불연속적으로 변화되는 것이고,
    상기 바이어스 검사값은, 상기 패턴 에지의, 대응하는 설계 데이터로부터 생성된 기준 패턴의 에지로부터의 편차의 크기 및 방향을 나타내는 지표값인, 방법.
  8. 패턴의 에지를 검출하는 방법이며,
    패턴의 화상을 생성하고,
    상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고,
    패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터 후보를 작성하고,
    상기 교사 데이터 후보에 포함되는 상기 복수의 화상을 패턴의 종류에 따라 복수의 화상 그룹으로 분류하고,
    상기 분류된 복수의 화상 그룹에 각각 속하는 화상의 수가 동일해지도록 상기 교사 데이터 후보로부터 화상을 제거하고,
    미리 정해진 부적격 조건을 만족시키는 패턴 에지 및 대응하는 화상을 상기 교사 데이터 후보로부터 배제함으로써 교사 데이터를 결정하고,
    상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고,
    다른 패턴의 화상을 생성하고,
    상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하는, 방법.
  9. 패턴의 에지를 검출하는 방법이며,
    패턴의 화상을 생성하고,
    상기 패턴의 설계 데이터로부터 생성된 기준 패턴에 기초하여, 상기 화상 상의 상기 패턴의 에지를 검출하고,
    패턴의 화상의 생성과, 상기 화상 상의 상기 패턴의 에지의 검출을 반복하여, 복수의 화상과, 대응하는 복수의 패턴 에지로 이루어지는 교사 데이터를 작성하고,
    상기 교사 데이터를 이용하여 에지 검출 모델을 기계 학습에 의하여 생성하고,
    다른 패턴의 화상을 생성하고,
    상기 에지 검출 모델을 이용하여 화상 상의 상기 다른 패턴의 에지를 검출하는 공정을 포함하고,
    상기 에지 검출 모델을 기계 학습에 의하여 생성하는 공정은,
    상기 교사 데이터에 포함되는 복수의 패턴 에지의 각각을, 설계 데이터에 기초하는 에지 속성에 따라 복수의 에지로 분할하고,
    상기 교사 데이터를 이용하여, 상기 분할된 복수의 에지마다 복수의 에지 검출 모델을 기계 학습에 의하여 생성하는 공정인, 방법.
  10. 제9항에 있어서,
    상기 다른 패턴의 화상의 에지를 검출하는 공정은,
    화상 상의 상기 다른 패턴의 복수의 에지를, 상기 복수의 에지 검출 모델을 이용하여 각각 검출하고,
    상기 검출된 복수의 에지를 상기 다른 패턴의 설계 데이터에 관련짓는 공정인, 방법.
KR1020207030084A 2018-03-27 2019-03-04 패턴 에지 검출 방법 KR20200135991A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018059802A JP6964031B2 (ja) 2018-03-27 2018-03-27 パターンエッジ検出方法
JPJP-P-2018-059802 2018-03-27
PCT/JP2019/008345 WO2019188009A1 (ja) 2018-03-27 2019-03-04 パターンエッジ検出方法

Publications (1)

Publication Number Publication Date
KR20200135991A true KR20200135991A (ko) 2020-12-04

Family

ID=68061339

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020207030084A KR20200135991A (ko) 2018-03-27 2019-03-04 패턴 에지 검출 방법

Country Status (6)

Country Link
US (1) US11436736B2 (ko)
JP (1) JP6964031B2 (ko)
KR (1) KR20200135991A (ko)
CN (1) CN111902844A (ko)
TW (1) TWI798380B (ko)
WO (1) WO2019188009A1 (ko)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
JP2020139905A (ja) * 2019-03-01 2020-09-03 セイコーエプソン株式会社 検査装置、検査方法、およびプログラム
JP6730501B1 (ja) * 2019-10-08 2020-07-29 アイコンヤマト株式会社 自動図化装置、自動図化方法および自動図化プログラム
US11355305B2 (en) * 2019-10-08 2022-06-07 Fei Company Low keV ion beam image restoration by machine learning for object localization
CN114761990A (zh) * 2020-01-09 2022-07-15 株式会社日立高新技术 生成图像的系统、以及非暂时性计算机可读介质
JP7451384B2 (ja) 2020-01-10 2024-03-18 東レエンジニアリング先端半導体Ｍｉテクノロジー株式会社 パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
CN114945801A (zh) * 2020-01-10 2022-08-26 塔斯米特株式会社 图案边缘检测方法、图案边缘检测装置、记录有用于让计算机执行图案边缘检测的程序的记录介质
US11416977B2 (en) * 2020-03-10 2022-08-16 Applied Materials, Inc. Self-measurement of semiconductor image using deep learning
WO2021192119A1 (ja) * 2020-03-25 2021-09-30 ソニーグループ株式会社 情報処理装置、プログラム、および方法
CN111612897B (zh) * 2020-06-05 2023-11-10 腾讯科技（深圳）有限公司 三维模型的融合方法、装置、设备及可读存储介质
TWI798650B (zh) * 2021-02-25 2023-04-11 環球晶圓股份有限公司 自動光學檢測方法、自動光學檢測系統及記錄媒體
JP2023141721A (ja) * 2022-03-24 2023-10-05 株式会社Ｓｃｒｅｅｎホールディングス 検査システム、教師データ生成装置、教師データ生成方法およびプログラム
JP2023183314A (ja) * 2022-06-15 2023-12-27 株式会社Sumco ウェーハの判定方法、判定プログラム、判定装置、ウェーハの製造方法及びウェーハ
CN116168041B (zh) * 2023-04-26 2023-07-11 湖南隆深氢能科技有限公司 一种应用于贴合装置的实时检测方法及其系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563702A (en) 1991-08-22 1996-10-08 Kla Instruments Corporation Automated photomask inspection apparatus and method

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04125779A (ja) * 1990-09-18 1992-04-27 Toshiba Corp 画像処理方法
JPH0546764A (ja) * 1991-08-12 1993-02-26 Fujitsu Ltd エツジ抽出システム
US5475766A (en) * 1991-09-05 1995-12-12 Kabushiki Kaisha Toshiba Pattern inspection apparatus with corner rounding of reference pattern data
US6400838B2 (en) * 1997-07-29 2002-06-04 Kabushiki Kaisha Toshiba Pattern inspection equipment, pattern inspection method, and storage medium storing pattern inspection program
JP3485052B2 (ja) * 1999-12-16 2004-01-13 日本電気株式会社 参照画像作成方法、パターン検査装置及び参照画像作成プログラムを記録した記録媒体
JP2002353279A (ja) * 2001-05-25 2002-12-06 Hitachi Ltd 回路パターン検査方法とその装置
JP2006012069A (ja) * 2004-06-29 2006-01-12 Olympus Corp 分類装置及び分類方法
JP2007192652A (ja) * 2006-01-19 2007-08-02 Advanced Mask Inspection Technology Kk パターン検査装置、パターン検査方法、及び検査対象試料
JP4943304B2 (ja) * 2006-12-05 2012-05-30 株式会社 Ｎｇｒ パターン検査装置および方法
US20080270970A1 (en) * 2007-04-27 2008-10-30 Nikon Corporation Method for processing pattern data and method for manufacturing electronic device
JP4542164B2 (ja) * 2008-03-18 2010-09-08 アドバンスド・マスク・インスペクション・テクノロジー株式会社 パターン検査装置、パターン検査方法及びプログラム
JP5429869B2 (ja) * 2008-12-22 2014-02-26 株式会社 Ｎｇｒ パターン検査装置および方法
JP5525421B2 (ja) * 2010-11-24 2014-06-18 株式会社日立ハイテクノロジーズ 画像撮像装置および画像撮像方法
JP5769559B2 (ja) * 2011-09-07 2015-08-26 キヤノン株式会社 画像処理装置、画像処理プログラム、ロボット装置及び画像処理方法
US8953869B2 (en) * 2012-06-14 2015-02-10 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
JP6004956B2 (ja) * 2013-01-29 2016-10-12 株式会社日立ハイテクノロジーズ パターン評価装置、及び、パターン評価装置を備えた外観検査装置
US9778205B2 (en) * 2014-03-25 2017-10-03 Kla-Tencor Corporation Delta die and delta database inspection
US20160154922A1 (en) * 2014-12-01 2016-06-02 Globalfoundries Inc. Optical proximity correction taking into account wafer topography
US11669953B2 (en) * 2015-01-30 2023-06-06 Hitachi High-Tech Corporation Pattern matching device and computer program for pattern matching
JP6496159B2 (ja) * 2015-02-23 2019-04-03 株式会社Ｓｃｒｅｅｎホールディングス パターン検査装置およびパターン検査方法
US9875536B2 (en) * 2015-03-31 2018-01-23 Kla-Tencor Corp. Sub-pixel and sub-resolution localization of defects on patterned wafers
US9547745B1 (en) * 2015-07-27 2017-01-17 Dmo Systems Limited System and method for discovering unknown problematic patterns in chip design layout for semiconductor manufacturing
US10453758B2 (en) * 2016-03-01 2019-10-22 Asml Netherlands B.V. Method and apparatus to determine a patterning process parameter using an asymmetric optical characteristic distribution portion

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5563702A (en) 1991-08-22 1996-10-08 Kla Instruments Corporation Automated photomask inspection apparatus and method

Also Published As

Publication number Publication date
WO2019188009A1 (ja) 2019-10-03
US11436736B2 (en) 2022-09-06
JP2019174940A (ja) 2019-10-10
JP6964031B2 (ja) 2021-11-10
TW201942796A (zh) 2019-11-01
TWI798380B (zh) 2023-04-11
US20210027473A1 (en) 2021-01-28
CN111902844A (zh) 2020-11-06

Similar Documents

Publication Publication Date Title
KR20200135991A (ko) 패턴 에지 검출 방법
JP7002949B2 (ja) 画像評価方法及び画像評価装置
US11243473B2 (en) Measurement method and apparatus
US8331651B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
US20200161081A1 (en) Using deep learning based defect detection and classification schemes for pixel level image quantification
JP2019008599A (ja) 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法
US10163733B2 (en) Method of extracting defects
JP4787673B2 (ja) パターン検査装置および方法
JP2020510864A (ja) ２つのフォトマスクを比較することによるフォトマスクの検査
US11953823B2 (en) Measurement method and apparatus
JP6113024B2 (ja) 分類器取得方法、欠陥分類方法、欠陥分類装置およびプログラム
JP2011191296A (ja) パターン検査装置および方法
JP2019011972A (ja) パターンエッジ検出方法
WO2019145278A1 (en) Pre-scan feature determination methods and systems
KR20230020998A (ko) 비지도 학습 및 적응형 데이터베이스 생성 방법을 이용한 표본 내 변형 및 표본 간 변형을 가진 표본들에 대한 이미지 정렬 셋업
JP2022139174A (ja) 欠陥分類装置、方法およびプログラム
KR101128558B1 (ko) 측정 시스템 및 방법
WO2016104342A1 (ja) 露光条件評価装置
JP2020119135A (ja) 画像評価装置及び方法
WO2020121739A1 (ja) 画像マッチング方法、および画像マッチング処理を実行するための演算システム
WO2022230338A1 (ja) 欠陥を検出するシステム、及びコンピュータ可読媒体
JP2020052474A (ja) 分類器構築方法、画像分類方法、分類器構築装置および画像分類装置
JP7459007B2 (ja) 欠陥検査装置及び欠陥検査方法
JP7492389B2 (ja) 画像検査装置および画像検査方法
US8014587B2 (en) Pattern test method of testing, in only specific region, defect of pattern on sample formed by charged beam lithography apparatus

Legal Events

Date Code Title Description
A201 Request for examination