KR20210053326A - 구조 추정 시스템, 구조 추정 프로그램 - Google Patents

구조 추정 시스템, 구조 추정 프로그램 Download PDF

Info

Publication number
KR20210053326A
KR20210053326A KR1020217009837A KR20217009837A KR20210053326A KR 20210053326 A KR20210053326 A KR 20210053326A KR 1020217009837 A KR1020217009837 A KR 1020217009837A KR 20217009837 A KR20217009837 A KR 20217009837A KR 20210053326 A KR20210053326 A KR 20210053326A
Authority
KR
South Korea
Prior art keywords
data
layer
learner
computer system
charged particle
Prior art date
Application number
KR1020217009837A
Other languages
English (en)
Other versions
KR102592253B1 (ko
Inventor
무네유키 후쿠다
야스타카 도요다
료우 유미바
수양 도우
아유미 도이
준이치 다나카
Original Assignee
주식회사 히타치하이테크
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 주식회사 히타치하이테크 filed Critical 주식회사 히타치하이테크
Priority to KR1020237035550A priority Critical patent/KR20230148862A/ko
Publication of KR20210053326A publication Critical patent/KR20210053326A/ko
Application granted granted Critical
Publication of KR102592253B1 publication Critical patent/KR102592253B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G01N23/02—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 transmitting the radiation through the material
    • G01N23/06—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 transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0078—Testing material properties on manufactured objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/00127—
    • G06K9/6267—
    • 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
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G01N2033/0078—
    • 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
    • G01N2223/418—Imaging electron microscope
    • 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
    • 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
    • G01N2223/652—Specific applications or type of materials impurities, foreign matter, trace amounts
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/245—Detection characterised by the variable being measured
    • H01J2237/24571—Measurements of non-electric or non-magnetic variables
    • H01J2237/24578—Spatial variables, e.g. position, distance
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2814—Measurement of surface topography
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Food Science & Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Medicinal Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Debugging And Monitoring (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 개시는 시료 상에 부착된 이물 등의 높이의 추정을 목적으로 하는 시스템, 비일시적 컴퓨터 판독 가능 매체에 관한 것이다. 상기 목적을 달성하기 위해, 상기 하전 입자선 장치에 의해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징량을 입력, 상기 시료의 구조물 또는 상기 시료 상의 이물의 높이, 혹은 깊이를 출력으로 하는 교사 데이터를 사용해서 학습된 파라미터를 중간층에 구비한 학습 모델에, 하전 입자선 장치에 의해 취득된 데이터, 혹은 당해 데이터로부터 추출되는 특징량을 입력하는 것에 의해서, 상기 높이, 혹은 깊이 정보를 출력하는 시스템 등을 제안한다.

Description

구조 추정 시스템, 구조 추정 프로그램
본 개시는, 시료 또는 시료 상의 이물의 구조를 추정하는 시스템 및 프로그램에 관한 것이다.
시료에 대한 전자빔의 주사에 의해 얻어진 신호 파형에 의거해 시료 상의 패턴의 높이를 계측하는 방법이 알려져 있다. 특허문헌 1에는, AFM(Atomic Force Microscope : 원자간력 현미경)에 의해 얻어진 패턴의 단면 형상 정보와, 전자빔의 주사에 의해 얻어진 신호 파형을 관련지어서 기억하는 라이브러리를 미리 준비해 두고, 빔주사에 의해 얻어진 신호 파형을 사용해서 당해 라이브러리를 참조하는 것에 의해, 패턴의 단면 형상을 추정하는 방법이 개시되어 있다.
일본국 공개특허 제2006-093251호 공보(대응 미국특허USP7,408,155)
최근의 반도체 디바이스의 다층화에 수반하여, 반도체 디바이스 상에 부착된 이물의 높이 등의 3차원 정보를 평가하는 것이 필요해지는 경우를 생각할 수 있다. 이것은 시료 상에 이물이 부착되어 있으면, 추후의 제조 공정에 영향을 줄 가능성이 있기 때문이다. 특히 이물 높이의 차이에 따라 추후의 공정에 주는 영향도가 변화하므로, 이물 높이의 정량 평가에 의해 그 영향도를 사전에 파악해두는 것이 바람직하다. 한편 높이 계측 장치로서, 상기 특허문헌 1과 같은 단면 SEM(주사형 전자 현미경)이나 AFM과 같은 장치가 있지만, 이물마다 AFM 등을 사용해서 높이를 계측하는 것은, 높은 스루풋이 요구되는 반도체 측정에 있어서는 현실적이지 않다.
특허문헌 1에 개시되어 있는 바와 같이 미리 라이브러리를 준비하는 것에 의해, 이물마다의 AFM 측정의 번거로움을 억제하는 것도 생각할 수 있다. 그러나 반도체 디바이스 상에 형성된 패턴과는 달리, 웨이퍼 상에 의도치 않게 부착되는 이물에는 다양한 형상이나 조성의 경우가 있어, 특허문헌 1에 개시되어 있는 바와 같은 라이브러리 작성은 곤란하다. 또한, 반도체 패턴 같은 구조물도, 보다 간이하고 고정밀도의 높이 계측이 요구되는 것을 생각할 수 있다.
본 개시는, 이물 같은 다양한 형상을 생각할 수 있는 대상물의 3차원 정보나, 그 밖의 구조물의 보다 고정밀도인 3차원 정보를 추정할 수 있는 구조 추정 시스템 및 프로그램을 제공한다.
본 개시에 따른 구조 추정 시스템은, 시료 상의 구조물, 상기 구조물 상의 이물, 상기 이물이 상기 구조물 상의 다른 층에 대해 주는 영향 등의 추정 결과를 출력하는 학습기를 구비한다. 상기 학습기는, 하전 입자선 장치로부터 얻어지는 데이터 또는 그 데이터의 특징을 입력으로 하고, 상기 추정 결과를 출력으로 하는 교사 데이터에 의해, 미리 학습을 실시하고 있다. 상기 구조 추정 시스템은, 상기 학습기에 대해 상기 하전 입자선 장치로부터 얻어지는 데이터 또는 그 데이터의 특징을 입력하는 것에 의해 상기 추정 결과를 얻는다.
본 개시에 따른 구조 추정 시스템에 따르면, 3차원 구조체, 이물, 이물에 의한 영향 등의 고정밀도인 3차원 정보를 추정할 수 있다.
도 1은 실시형태 1에 따른 구조 추정 방법의 개략을 설명하는 플로차트.
도 2는 실시형태 1에 따른 컴퓨터 시스템(202)의 일례를 나타내는 도면.
도 3은 깊이(높이) 계측 시스템(300)의 일례를 나타내는 도면.
도 4는 식별기(201)의 구성예를 나타내는 도면.
도 5는 학습 모델을 생성하기 위한 GUI 화면(501)의 일례를 나타내는 도면.
도 6은 실시형태 2에 있어서의 촬상부(撮像部)(301)의 개략 구성도.
도 7은 실시형태 2에 있어서의 식별기(201)의 구성예를 나타내는 도면.
도 8은 실시형태 2에 있어서의 컴퓨터 시스템(202)의 구성도.
도 9는 주사 전자 현미경의 출력에 의거해 학습 모델을 생성하는 공정을 나타내는 플로차트.
도 10은 실시형태 3에 따른 이물 높이 추정 시스템(1000)의 구성도.
도 11은 이물 높이 추정 시스템(1000)이 이물의 높이를 추정을 하는 공정을 나타내는 플로차트.
도 12는 ADC 결과에 따른 모델을 사용하는 컴퓨터 시스템(202)의 구성도.
도 13은 학습 모델을 사용한 높이의 추정 결과와, 학습 모델로부터 출력되는 추정 확도(確度)를 함께 표시하는 표시 화면의 일례를 나타내는 도면.
도 14는 실시형태 5에 있어서의 식별기(201)의 학습 모델을 생성하는 공정을 나타내는 플로차트.
도 15는 제1 레이어 상에 놓인 이물이 제2 레이어를 밀어올린 모습을 나타내는 도면.
도 16은 전술한 바와 같이 생성된 학습 모델을 사용해서 시료 정보를 추정하는 공정을 나타내는 플로차트.
도 17은 출력 데이터(추정 정보)의 표시예를 나타내는 도면.
도 18은 학습 모델로부터 결함률(Defect rate)을 출력하는 경우의 표시예를 나타내는 도면.
도 19는 이물 높이 추정 결과의 표시예를 나타내는 도면.
도 20은 추정 확도가 높은 영역의 높이 정보에 의거해 추정 확도가 낮은 영역의 높이를 추정하는 방법의 일례를 나타내는 도면.
도 21은 식별기(201)의 학습 모델을 갱신하는 수순을 나타내는 도면.
도 22는 하전 입자선 장치에 의해 얻어지는 화상 데이터나 특징으로부터 높이 추정의 가부(可否)를 판정하는 학습 모델의 생성 공정을 나타내는 플로차트.
도 23은 도 22에서 설명한 높이 추정 가부(可否) 판정 모델을 활용해서 하전 입자선 장치의 출력으로부터 높이 추정 가부를 판정하고, NG의 부위를 AFM으로 실측하는 공정을 나타내는 플로차트.
도 24는 음영상(陰影像)을 입력 데이터로 해서 결함 분류를 행하는 컴퓨터 시스템의 일례를 나타내는 도면.
도 25는 실시형태 9에 있어서의 컴퓨터 시스템(202)의 구성도.
도 26은 실시형태 9에 있어서의 학습 모델을 최적화하기 위한 GUI 화면의 일례를 나타내는 도면.
도 27은 전술한 바와 같은 추정 모델을 포함하는 모듈(식별기(201))을 포함하는 컴퓨터 시스템(202)의 일례를 나타내는 도면.
도 28은 실시형태 10에 있어서의 학습 과정을 설명하는 플로차트.
<실시형태 1>
도 1은 본 개시의 실시형태 1에 따른 구조 추정 방법의 개략을 설명하는 플로차트이다. 본 실시형태 1에 있어서는, 주사 전자 현미경 등의 하전 입자선 장치에 의해 얻어지는 데이터(관찰 화상)로부터, 시료 상에 형성된 구조물(반도체 웨이퍼의 경우, 라인이나 필러 같은 볼록 패턴, 홀이나 트렌치 같은 오목 패턴 등)이나 시료 상에 놓인 이물 등의 높이나 깊이를 추정한다.
하전 입자선 장치로부터 데이터를 취득(S101)하고, 취득된 데이터 혹은 당해 데이터로부터 추출되는 특징량에 따른 학습 모델을 독출하고(S102), 독출된 학습 모델에 상기 데이터 혹은 특징량을 입력(S103)하는 것에 의해, 구조물 또는 이물의 높이 혹은 깊이에 대한 정보를 출력한다(S104).
주사 전자 현미경 등으로 취득되는 데이터로부터 구조물이나 이물의 휘도, 치수 정보, 음영상 등을 취득할 수 있다. 특히 오목 패턴의 바닥부의 휘도와 오목 패턴의 깊이에는 상관이 있으며, 또한 오목 패턴의 폭이나 사이즈와 오목 패턴의 깊이도 상관이 있다. 이하에서는 시료 상에 형성된 패턴 등의 깊이를 계측(추정)하기 위한 깊이 계측 시스템에 대해 도면을 사용해서 설명한다.
도 2는 본 실시형태 1에 따른 컴퓨터 시스템(202)의 일례를 나타내는 도면이다. 컴퓨터 시스템(202)은 학습 모델에 대해 시료의 관찰 화상을 입력하는 것에 의해, 시료 상의 구조물이나 이물의 높이를 추정한다. 학습 모델의 교사 데이터는, 전자 현미경 등의 화상 생성 장치에 의해 생성되는 화상, 혹은 당해 화상으로부터 추출되는 특징량을 입력으로서 사용하고, 시료 상의 구조물이나 이물의 높이를 출력으로서 사용한다.
컴퓨터 시스템(202)은, 식별기(201), 측장(測長)값/면적값 연산부(203), 휘도 평가부(204), 높이 연산부(205), 입출력 장치(206)를 구비한다. SEM 화상(200)은 하전 입자선 장치에 의해 취득한 시료의 관찰 화상이다. 측장값/면적값 연산부(203)는 시료의 치수값과 면적값을 SEM 화상(200)으로부터 취득한다. 휘도 평가부(204)는 SEM 화상(200)의 휘도값을 취득한다. 입출력 장치(206)는 시료의 재료 등에 대한 정보(후술하는 도 4에 있어서 다시 설명함)를 유저가 입력하기 위한 디바이스이다. 높이 연산부(205)는, 휘도값/치수값/면적값/시료 정보를 식별기(201)에 대해 입력함으로써, 시료 상의 구조물이나 이물의 높이 또는 깊이에 대한 정보를 추정한다.
식별기(201)로서는, 시료의 관찰 화상이나 관찰 화상으로부터 추출되는 특징량에 대응하는 깊이 레벨을 출력하도록, 교사 데이터를 사용한 학습 처리가 실시된 것이 사용된다. 식별기(201)로서는, 예를 들면, 뉴럴 네트워크, 회귀 트리, 베이즈 식별기 등의 임의의 학습기를 사용할 수 있다. 학습이 끝난 모델 데이터는 후술하는 기억부(305)에 저장할 수 있다.
도 3은 깊이(높이) 계측 시스템(300)의 일례를 나타내는 도면이다. 깊이 계측 시스템(300)은, 촬상부(301), 컴퓨터 시스템(202), 신호 처리부(303), 입출력부(304), 기억부(305)를 구비하고 있다. 컴퓨터 시스템(202)은, 도 2에서 설명한 깊이 추정을 실시하는 것에 부가해, 촬상부(301)가 구비하는 이하의 광학계를 제어한다.
촬상부(301)는, 전자빔(307)을 조사하는 전자총(306), 전자빔(307)을 집속하는 집속렌즈(308), 집속렌즈(308)를 통과한 전자빔(307)을 더 집속하는 집속렌즈(309)를 구비하고 있다. 촬상부(301)는 전자빔(307)을 편향시키는 편향기(310), 전자빔(307)이 집속하는 높이를 제어하는 대물렌즈(311)를 더 구비하고 있다.
촬상부(301)의 광학계를 통과한 전자빔(307)은, 시료 스테이지(313) 상에 올려놓아진 시료(312)에 조사된다. 전자빔(307)의 조사에 의해 시료(312)로부터 방출되는 2차 전자(Secondary Electron : SE)나 후방 산란 전자(Backscattered Electron : BSE) 등의 방출 전자(314)는, 그 궤도 상에 설치된 하단 검출기(315)와 상단 검출기(316)에 의해 검출된다. 상단 검출기(316)에 설치된 개구는 전자빔(307)을 통과시키는 것이다. 이 개구를 충분히 작게 하는 것에 의해, 시료(312) 상에 형성된 깊은 구멍이나 깊은 홈의 바닥으로부터 방출되어, 패턴 중심 근방을 통과해 시료 표면 상으로 탈출한 2차 전자를 검출할 수 있다. 상단 검출기(316)의 직전에 있는 에너지 필터(317a) 혹은 하단 검출기(315)의 직전에 있는 에너지 필터(317b)를 사용한 에너지 필터링에 의해, 방출 전자(314)를 에너지 변별할 수 있다.
촬상부(301)는 전자빔(307)을 광축 밖으로 편향시키는 것에 의해 시료(312)에 전자빔(307)이 도달하는 것을 제한하는 블랭킹 편향기(318), 및 블랭킹 편향기(318)에 의해 편향된 전자빔(307)을 받아들이는 블랭킹용 전극(319)을 더 구비한다.
신호 처리부(303)는 하단 검출기(315)와 상단 검출기(316)의 출력에 의거해 SEM 화상(200)을 생성한다. 신호 처리부(303)는 도시하지 않은 주사편향기의 주사와 동기해, 프레임 메모리 등에 검출 신호를 기억시킴으로써 화상 데이터를 생성한다. 프레임 메모리에 검출 신호를 기억할 때, 프레임 메모리의 주사 위치에 대응하는 위치에 검출 신호를 기억시키는 것에 의해 신호 프로파일(1차원 정보), SEM 화상(2차원 정보)을 생성한다. 또한, 필요에 따라 편향기(320)로 2차 전자를 편향시키는 것에 의해, 깊은 구멍 등으로부터 탈출한 광축 근방을 통과하는 2차 전자를, 하단 검출기(315)의 개구 밖(하단 검출기(315)의 검출면)으로 유도할 수 있다.
도 4는 식별기(201)의 구성예를 나타내는 도면이다. 여기에서는 뉴럴 네트워크를 사용해서 식별기(201)를 구성한 예를 설명하지만, 이것에 한하는 것은 아니며 다른 식별기를 사용할 수도 있다. 식별기(201)는, 입력층으로서, (a) 홀이나 트렌치의 바닥부의 휘도 정보, (b) 홀이나 트렌치의 치수 정보 혹은 면적 정보를 입력하기 위한 입력 유닛을 구비하고 있다. 또한, 패턴 바닥부의 휘도는 바닥부를 구성하는 재료의 2차 전자 방출 효율(δ)에 의존하므로, 예를 들면 바닥부의 재료에 대한 정보를 시료 정보로서 입력하는 입력 유닛을 설치해도 된다. 재료 정보는 예를 들면 재료의 종류나 2차 전자 방출 효율(δ) 등이다.
뉴럴 네트워크는 입력층에 입력된 정보가 중간층=>출력층으로 차례로 전반(傳搬)되는 것에 의해, 출력층으로부터 깊이 레벨을 출력한다. 중간층은 복수의 중간 유닛으로 구성되어 있다. 입력층에 입력된 정보는, 각 입력 유닛과 각 중간 유닛 사이의 결합 계수에 따라 가중치가 부여되어 각 중간 유닛에 입력된다. 중간 유닛에 대한 입력이 가산되는 것에 의해 그 중간 유닛의 값으로 된다. 중간 유닛의 값은 입출력 함수에 의해 비선형 변환된다. 중간 유닛의 출력은, 각 중간 유닛과 각 출력 유닛 사이의 결합 계수에 따라 가중치가 부여되어 각 출력 유닛에 대해 입력된다. 출력 유닛에 대한 입력이 가산되는 것에 의해 출력층의 출력값으로 된다. 식별기(201)는 SI 단위(예를 들면 마이크로미터)로 표현할 수 있는 값이나 그 밖의 깊이의 정도를 나타내는 파라미터를 출력한다. 이것 대신에 또는 이것과 함께, 어느 기준값보다 깊은지 얕은지의 추정 결과를 출력하도록 해도 된다.
학습을 진행함에 따라, 유닛간의 결합 계수나 각 유닛의 입출력 함수를 기술하는 계수 등의 파라미터(정수, 계수 등)가 점차 최적화된다. 기억부(305)는 뉴럴 네트워크의 학습 결과로서 그들의 최적화한 값을 기억한다. 식별기(201)로서 뉴럴 네트워크 이외를 사용한 경우도 마찬가지로, 학습 과정에 있어서 최적화한 파라미터를 기억부(305)가 기억한다. 이하의 실시형태에 있어서도 마찬가지이다.
전술한 예에서는, 치수 정보 혹은 면적 정보와 바닥부의 휘도 정보를 추출하고, 그것을 특징량으로 해서 식별기(201)의 입력 데이터로 하는 예에 대해 설명했다. 딥러닝을 사용할 경우, 관찰 화상으로부터 특징량을 자동으로 발견해 학습할 수도 있다.
도 5는 학습 모델을 생성하기 위한 GUI 화면(501)의 일례를 나타내는 도면이다. 유저는 GUI 화면(501)을 사용해서, 식별기(201)의 학습 모델을 구축(식별기(201)에 학습시킴)할 수 있다. GUI 화면(501)은 도 2의 입출력 장치(206)가 구비하는 표시 장치에 표시된다. 유저는, 경험적으로 알고 있는 패턴의 깊이, 혹은 다른 깊이(높이) 계측 장치에 의한 높이 계측 결과를 교사 데이터로서 GUI 화면(501) 상에서 입력하는 것에 의해 학습 모델을 구축할 수 있다.
SEM 화상 표시란(506)은 시료 상 좌표(Location)와 식별자(ID)에 관련지어서 소정의 기억 매체에 기억된 SEM 화상(507)을 표시한다. SEM 화상 표시란(506)으로부터 임의의 화상을 선택함과 함께, 입력부(502∼505)로부터 필요한 정보를 입력하는 것에 의해 학습 모델을 구축할 수 있다.
입력부(502)에는, 다른 분석 장치에 의한 분석에 의해 구체적으로 깊이를 알고 있는 경우, 그 화상의 정해(正解) 데이터로서, 그 값을 입력한다. 이 입력을 반복하는 것에 의해, 딥러닝의 학습 페이즈를 실시할 수 있다. 입력부(503)에는 깊이의 정도를 표시하는 버튼이 마련되어 있다. 도 5에 있어서는, Deep, Middle, Shallow의 3레벨을 표시하는 버튼을 예시했다. 대략의 깊이의 정도를 알고 있는 경우, 입력부(503)를 사용해서 정해 데이터를 선택한다. 입력부(504)는, 입력부(503)의 분류보다도 상세히 깊이 정보를 알고 있는 경우, 깊이에 따른 버튼을 정해 데이터로서 선택하기 위해 마련되어 있다. 입력부(505)는, 다른 높이 계측 장치에서 취득되어 있는 높이 정보를 독출하여 정해 데이터로서 등록하기 위해, 높이 정보가 기억된 기억 매체의 어드레스(URI 등)를 입력하고, 독출하기 위해 마련되어 있다. 독출된 깊이 정보는, 좌표와 식별자가 일치하는 화상의 정해 데이터로서 사용되며, 자동적으로 화상 데이터와 함께 교사 데이터가 생성된다.
촬상부(301)로서는, 집속 이온빔 등으로 시료의 단면을 노출시킨 시료에 대해, 그 노출면에 전자빔을 주사함으로써 얻어지는 화상을 생성하는 주사 전자 현미경(단면 SEM)이나, 고정밀도로 높이를 계측할 수 있는 원자간력 현미경(Atomic Force Microscope) 등을 사용할 수 있다. 이러한 장치들에서 얻어진 깊이(높이) 정보를 패턴의 좌표 정보나 식별 정보와 함께 기억해 둠으로써, 학습 모델 구축을 위한 사전 정보를 준비하는 것이 가능해진다. 단면 SEM으로 깊이를 계측할 경우에는, 복수의 상이한 높이의 패턴의 단면이 노출되도록 쿠폰화된 시료를 준비하고, SEM 관찰을 행하는 것에 의해 깊이를 계측하는 것을 생각할 수 있다.
<실시형태 2>
실시형태 1에 있어서는, 비아나 트렌치 같은 반도체 디바이스를 구성하는 패턴을 대상으로 하여 깊이를 계측하는 예에 대해 설명했다. 본 개시의 실시형태 2에서는, 시료 상에 의도치 않게 부착되는 이물의 높이를 주사 전자 현미경 등의 화상 형성 장치에서 얻어지는 화상을 사용해서 추정하는 시스템에 대해 설명한다.
반도체 웨이퍼 상에 이물이 부착되어 있으면, 추후의 제조 공정에 영향을 줄 가능성이 있다. 특히 이물의 높이의 차이에 따라 추후의 공정에 주는 영향도가 변화하므로, 이물 높이의 정량 평가에 의해 그 영향도를 사전에 파악해두는 것이 바람직하다. 한편 높이 계측 장치로서, 전술한 바와 같은 단면 SEM이나 AFM 같은 장치가 있지만, 이물마다 AFM 등을 사용해서 높이를 계측하는 것은, 높은 스루풋이 요구되는 반도체 측정에 있어서는 현실적이지 않다. 그래서 본 실시형태 2에서는, 관찰 화상 또는 관찰 화상의 특징량을 입력으로 하고, 이물의 높이를 출력으로 하는 학습 데이터를 사용해서 학습을 실시하는 예를 설명한다.
도 6은 본 실시형태 2에 있어서의 촬상부(301)의 개략 구성도이다. 도 3과 같은 구성에 대해서는 같은 부호가 부여되어 있다. 촬상부(301) 이외의 구성은 실시형태 1과 마찬가지이다. 도 6에 예시하는 광학계는 검출기(601과 602)를 구비하고 있다. 검출기(601과 602)는, 편향기(310)에 의해 주사되는 빔의 조사에 의거해서, 시료(312)로부터 방출되는 전자 중 비교적 큰 앙각으로 방출된 후방 산란 전자(Backscattered Electron : BSE)를 검출한다. 도 6은, 빔의 이상(理想) 광축(604)에 축 대칭으로 좌우 2개의 검출기가 설치되어 있는 예를 나타내고 있지만, 지면(紙面) 수직 방향으로 2개의 검출기를 더 배치해서 4방향 검출기로 해도 된다.
본 실시형태 2에서는, 촬상부(301)로서 2개 또는 4개의 검출기를 설치한 주사 전자 현미경에 대해 설명하지만, 시료의 음영상을 형성할 수 있으면 검출기의 수는 불문이다. 검출기는 이상 광축(604)에 직교하는 방향으로 배치된다. 또한 검출기는, 대물렌즈(311)의 집속 작용에 의해 이물 등으로부터 광축에 대해 경사진 방향으로부터 방출된 전자(603)가 도달하는 위치에 배치된다. 신호 처리부(303)는 이러한 검출기들에 의한 검출 결과를 사용해서 시료의 음영상을 생성할 수 있다.
일반적인 2차 전자의 검출에 의거해 형성되는 화상에 비해, 복수 방향에 설치된 음영상 검출기의 출력에 의거한 화상은, 이물 등을 비스듬히 위쪽에서 본 것과 같은 화상이 된다. 따라서 높이 방향의 정보가 보다 많이 포함되어, 상대적으로 높이 방향의 특징량을 추출하기 쉽다고 할 수 있다. 그래서 본 실시형태 2에서는, 복수 방향으로 배치된 검출기의 출력으로부터 얻어지는 정보를 입력으로 하고, 높이 정보를 출력으로 하는 교사 데이터를 사용해서 학습 모델에 학습시킨다. 복수 방향 검출기를 구비한 주사 전자 현미경으로부터 얻어지는 정보를 학습 모델에 대해 입력함으로써 높이 정보를 추정한다.
비스듬히 위쪽에서 이물을 보기 위한 다른 방법으로서, (a) 빔 경사용 편향기를 사용해서 이상 광축(604)에 대해 경사진 방향으로부터 빔을 조사하는 빔 틸트, (b) 시료 스테이지를 경사시켜, 경사진 방향으로부터 빔을 조사하는 스테이지 틸트 등을 사용할 수도 있다.
도 7은 본 실시형태 2에 있어서의 식별기(201)의 구성예를 나타내는 도면이다. 본 실시형태 2에 있어서의 높이 연산부(205)에의 입력은, (a) 복수 방향 검출기(예를 들면 4방향 검출기)의 출력, (b) 당해 출력에 의거해 형성되는 화상, (c) 당해 화상으로부터 추출되는 특징량 중 적어도 하나로 한다. 도 7은 4방향 검출기 각각의 출력에 의거해 형성되는 화상을 입력 데이터로 하는 예를 나타내고 있다. 주사 전자 현미경 내에 EDX(Energy Dispersive X-ray Spectrometry) 검출기를 설치해두고, 원소 분석에 의해 얻어지는 원소 정보와 함께 입력 데이터로 하도록 해도 된다. 도 7과 같은 식별기(201)를 구비한 시스템에 의하면, 단면 SEM이나 AFM에 의한 높이 계측을 고빈도로 실시할 필요가 없이, 주사 전자 현미경 등의 화상 생성 장치에 의해 얻어진 정보에 의거해서 이물의 높이 정보를 추정하는 것이 가능해진다.
다음으로 학습 모델의 생성 공정에 대해 설명한다. 교사 데이터의 입력은, (a) 4방향 검출기의 출력, (b) 당해 출력에 의거해 얻어지는 화상, (c) 화상으로부터 추출되는 1 이상의 특징량 중 적어도 하나를 포함한다. 교사 데이터의 출력은 단면 SEM이나 AFM 등의 고정밀도 높이 계측 장치로부터 얻어지는 높이 정보를 포함한다. 이 교사 데이터를 사용해서 학습 모델을 생성한다.
화상 데이터로부터 AFM 등에 의한 높이맵 데이터를 생성하는 딥뉴럴 뉴럴 네트워크 방법으로서, 풀링층을 사용해서 다단의 인코더/디코더로 화소 단위의 데이터를 변환하는 시멘틱 세그멘테이션법이나, 적대 생성 학습을 활용해서 화소 단위의 데이터를 생성하는 화상 생성법을 적용하는 것이 가능하다.
도 8은 본 실시형태 2에 있어서의 컴퓨터 시스템(202)의 구성도이다. 본 실시형태 2에 있어서 컴퓨터 시스템(202)은, 실시형태 1에서 설명한 측장값/면적값 연산부(203)와 휘도 평가부(204) 대신에, 합성 화상 생성부(802)와 데이터 세트 생성부(803)를 구비한다. 합성 화상 생성부(802)는 후술하는 배경 화상과 이물 화상을 사용해서 합성 화상을 생성한다. 데이터 세트 생성부(803)는 그 합성 화상과 높이 정보(801)를 데이터 세트로 해서 교사 데이터를 생성한다.
도 9는 주사 전자 현미경의 출력에 의거해 학습 모델을 생성하는 공정을 나타내는 플로차트이다. 여기에서는, 베어 웨이퍼(패턴이 형성되어 있지 않은 웨이퍼) 위에 부착된 이물의 SEM 화상에 의거해 학습 모델을 생성하는 예에 대해 설명한다.
주사 전자 현미경 내에 베어 웨이퍼를 도입(S901)하고, 광학 현미경 같은 상위 장치로부터 얻어진 이물 정보에 의거해, 주사 전자 현미경의 시야 내에 이물이 위치하도록 스테이지를 이동시킨다(S902). 그 후, 이물을 포함하는 영역에 대해 전자빔을 주사하고, 4방향 검출기로 검출된 신호에 의거해 SEM 화상(200)을 생성한다(S903). 이때, 학습 모델의 데이터량을 늘리기 위해, 하나의 이물에 대해, 전자빔의 포커스, 가속 전압 등의 빔 조건이나, ABCC(Auto Brightness Contrast Control) 등의 신호 처리 조건이 다른 복수의 화상을 취득해 둔다. 화상은 좌표 정보나 이물에 부여된 식별 정보와 함께 기억부(305)에 기억한다.
합성 화상 생성부(802)는, 미리 취득된 복수 종류의 배경 화상과, 취득된 이물 화상이 상이한 조합마다 합성 화상을 생성한다(S904). 배경 화상은, 소정의 제조 공정을 거쳐 패턴 등이 형성된 웨이퍼의 화상이며, 상이한 레이아웃마다 화상이 취득되어 있는 것으로 한다. 합성 화상을 생성할 때에는, 베어 웨이퍼 상의 이물 화상으로부터 이물 부분을 화상 처리로 잘라내고, 배경 화상으로서 준비된 복수 화상에 서로 겹치는 것에 의해, 레이아웃마다의 이물 화상을 생성한다. 배경 화상도 이물 화상과 마찬가지로, 상이한 화상 취득 조건마다 얻어진 복수 종류의 화상을 준비하는 것이 바람직하다. 이물 화상과 배경 화상을 별도로 취득해 합성하는 것에 의해, 적은 화상 취득으로 학습 모델을 생성하는 것이 가능해진다.
데이터 세트 생성부(803)는, AFM이나 단면 SEM에 의해 얻어진 높이 정보(801)와, 합성 처리에 의해 생성된 합성 화상을 데이터 세트로 해서 교사 데이터를 생성하고(S905), 그 교사 데이터를 기억부(305)에 기억한다(S906). 이상과 같은 학습 모델 생성법에 따르면, 하나의 이물 화상으로부터 학습 모델에 제공하는 복수의 화상을 생성하는 것이 가능해진다.
빔의 가속 전압 등을 변화시키면서 화상을 취득하고, 그 연속상(동화)과 높이 정보를 세트로 한 교사 데이터를 생성하도록 해도 된다. 예를 들면 빔의 가속 전압(랜딩 에너지)을 변화시켜서 화상을 취득했을 경우, 이물이나 시료의 구조물에 대한 빔의 도달 깊이가 변화한다. 즉, 연속상 상의 이물의 보이는 방향의 변화는 이물의 높이에 따라 다른 거동을 보이게 된다. 그래서, 랜딩 에너지를 바꿔, (a) 각각의 랜딩 에너지의 빔 조사에 의해 얻어지는 복수의 상, (b) 당해 복수의 상의 연속상(동화), 혹은 (c) 당해 화상으로부터 추출되는 이물의 휘도의 변화 등의 정보를 취득하고, 당해 정보와 AFM 등에 의해 얻어진 높이 정보를 세트로 한 교사 데이터 세트를 생성한다. 이 교사 데이터를 사용해서 높이 추정 모델을 생성한다. 당해 높이 추정 모델은, 하전 입자선 장치에 의해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징량을 입력으로 하고, 시료의 구조물 또는 당해 구조물 상의 이물의 높이를 출력으로 하는 교사 데이터를 사용해서 학습된 파라미터를 중간층에 구비한다. 이 학습 모델에 주사 전자 현미경의 출력을 입력하는 것에 의해 고정밀도로 높이를 추정할 수 있다. 입력 데이터로 되는 동화로서는, 랜딩 에너지 등의 조건을 바꾸지 않고 복수 프레임 주사하는 것에 의해 얻어지는 연속상이어도 된다.
<실시형태 3>
학습 모델을 고정밀도화하기 위해, 주사 전자 현미경의 촬상 조건(예를 들면, 배율, 랜딩 에너지, ABCC 조건, 빔의 주사 속도, 주사 방식 등), 반도체 디바이스의 제조 프로세스 조건(제조 공정의 식별 정보, 각 제조 공정에 있어서의 제조 조건 등), 이물이 위치하는 부위의 패턴(설계 데이터 등)의 정보를 입력 데이터로 해도 된다. 또한, 이러한 정보들마다 학습 모델을 준비해, 예를 들면 전자 현미경 화상으로부터 얻어진 이물 주위의 패턴 정보에 따른 학습 모델의 선택에 의거해 높이를 추정해도 된다. 이러한 조건들의 변화는 전자 현미경의 상질(像質)을 변화시키게 되므로, 이러한 조건들을 입력 데이터로 하고, 혹은 이러한 조건들마다의 학습 모델을 준비해둠으로써 모델의 고정밀도화를 실현하도록 해도 된다. 그래서 본 개시의 실시형태 3에서는, 복수의 학습 모델을 미리 준비해두고, 그들 중에서 적절한 학습 모델을 선택해 추정 결과를 얻는 예에 대해 설명한다.
도 10은 본 실시형태 3에 따른 이물 높이 추정 시스템(1000)의 구성도이다. 이물 높이 추정 시스템(1000)은, 촬상부(301), 상위 이물 검사 장치(1002), 설계 데이터(1004)를 기억하는 기억 매체, 컴퓨터 시스템(202)을 구비한다.
상위 이물 검사 장치(1002)는, 예를 들면 광학식 검사 장치 같이, 시료에 대해 광을 조사하는 것에 의해 얻어지는 반사광을 검출하고, 당해 검출된 반사광으로부터 시료 상의 이물의 좌표를 검출하는 장치이다. 그 외 적당한 방법에 의해 이물의 좌표를 검출하는 장치를 사용할 수도 있다.
컴퓨터 시스템(202)은, 컴퓨터 판독 가능 매체(1006), 컴퓨터 판독 가능 매체(1006)에 기억되어 있는 각 모듈을 실행하는 처리 유닛(1005), 입출력 장치(206)를 구비한다. 컴퓨터 판독 가능 매체(1006)는, 레시피 생성 모듈(1007), 계측 처리 모듈(1008), 모델 생성 모듈(1009), 식별기 모듈(1010)을 저장하고 있다. 이 모듈들은, 처리 유닛(1005)이 실행하는 것에 의해 각 모듈이 실장(實裝)하고 있는 기능을 실현하는 소프트웨어 모듈이다. 이하에서는 기재의 편의상, 각 모듈을 동작 주체로서 설명하는 경우가 있지만, 실제로 각 모듈을 실행하는 것은 처리 유닛(1005)이다.
레시피 생성 모듈(1007)은 상위 이물 검사 장치(1002)가 출력하는 이물의 좌표 정보와 입출력 장치(206)로부터 입력되는 계측 조건에 의거해 촬상부(301)를 자동적으로 동작시킨다. 계측 처리 모듈(1008)은 촬상부(301)의 출력에 의거해 소정의 계측 알고리즘에 따라 패턴이나 이물 등의 사이즈 등을 계측한다. 모델 생성 모듈(1009)은, 촬상부(301)에 의해 얻어지는 데이터(실시형태 2에서 설명한 4방향 검출기의 출력 화상 등)를 입력, 촬상부(301)에 의해 화상화된 이물에 대해서 AFM 등을 사용해 높이를 계측한 결과 얻어지는 높이를 출력으로 하는 교사 데이터를 사용해서, 모델의 중간층의 파라미터를 학습한다. 식별기 모듈(1010)은 모델 생성 모듈(1009)에 의해 학습된 학습 모델을 사용해서 높이를 추정하는 식별기(201)를 실장하고 있다.
모델 생성 모듈(1009)은, 시료 상에 형성된 패턴 상태에 따른 복수의 모델을 생성하고, 그 복수의 모델을 컴퓨터 판독 가능 매체(1006)에 저장한다. 4방향 검출기의 출력은 시료 상에 형성된 패턴 상태에 따라 크게 좌우되며, 특히 패턴 밀도가 크게 영향을 미친다. 그래서 본 실시형태 3에서는, 패턴 밀도에 따라 복수의 모델을 기억하는 것으로 했다. 패턴 밀도란 예를 들면, 단위 면적당의 패턴 수, 단위 면적당의 패턴 에지의 수, 단위 면적당의 패턴의 전유(專有) 면적, 혹은 단위 면적당의 패턴 길이 등의 정도를 나타내는 파라미터이다. 즉, 단위 면적당의 패턴 수 등이 많을수록 고밀도이다. 밀도 대신에 패턴의 밀집도, 혹은 밀집도에 따라 변화하는 다른 값이어도 된다.
식별기 모듈(1010)은, 식별기(201)에 대한 입력(각 입력 유닛에 대한 입력)을 수취해, 기억부(305)가 저장하고 있는 학습 결과(결합 계수나 입출력 함수의 계수 등)를 사용해서 각 유닛의 출력을 계산한다. 그 출력을 식별기(201)의 출력으로서 사용할 수 있다. 이것에 의해 식별기(201)가 실장된다. 그 외 실시형태에 있어서의 식별기(201)에 대해서도 마찬가지로 실장할 수 있다.
도 11은 이물 높이 추정 시스템(1000)이 이물의 높이를 추정하는 공정을 나타내는 플로차트이다. 컴퓨터 시스템(202)은 상위 이물 검사 장치(1002)에 의해 검출된 이물의 좌표 정보를 수취한다(S1101). 처리 유닛(1005)은 레시피 생성 모듈(1007)에 기억된 정보에 의거해 촬상부(301)의 레시피를 생성한다(S1102). 구체적으로는, 상위 이물 검사 장치(1002)가 취득한 이물 좌표에 촬상부(301)의 시야를 맞추는 스테이지의 제어 조건 등과, 입출력 장치(206)로부터 입력된 촬상부(301)의 장치 조건(빔의 가속 전압이나 배율 등의 광학 조건)에 의거해 레시피를 생성한다. 촬상부(301)는 생성된 레시피를 로딩하여(S1103), 검사 레시피를 사용한 검사를 실행한다(S1104).
한편, 레시피 생성 모듈(1007) 혹은 계측 처리 모듈(1008)은, 수령한 좌표 정보에 의거해 수령한 좌표에 대응하는 부분의 설계 데이터를 독출하고(S1105), 이물 좌표의 패턴 밀도에 관한 값(예를 들면, 단위 면적당의 패턴 수를 카운트)을 계측 혹은 연산한다(S1106). 식별기 모듈(1010)은, 계측 혹은 연산에 의해 얻어진 패턴 밀도에 따른 모델을 높이 추정을 위해 선택(S1107)하고, 당해 선택 모델에, 검사에 의해 얻어진 화상을 입력함으로써 높이 정보를 출력한다(S1108). 도 11에 예시하는 바와 같은 수순에 의해, 이물이 존재하는 위치에 따른 적절한 모델의 선택에 의거해 높이를 추정할 수 있다.
학습 모델은, ADC(Auto Defect Classification)의 결과를 입력 데이터로 해도 되고, ADC 결과에 따른 모델을 준비하고, ADC의 결과에 따라 적절한 모델을 선택해 당해 모델을 사용한 높이를 추정해도 된다. ADC는 화상 처리를 사용한 결함 종류 추정법이다. ADC는 사전에 정해진 룰에 의거해 분류 소프트웨어에 의해 이물이나 결함의 발생 원인마다 클래스를 나눈다. 이하에서는 클래스를 나눈 결과에 따른 모델을 사용하는 예를 설명한다.
도 12는 ADC 결과에 따른 모델을 사용하는 컴퓨터 시스템(202)의 구성도이다. 도 12의 컴퓨터 시스템(202)은, 분류 소프트웨어(1201)를 로딩하는 것에 의해 SEM 화상(200)에 포함되는 이물이나 결함을 분류하는 ADC 처리부(1202)를 구비한다. 식별기(201)는 ADC 처리부(1202)에 의한 분류 결과마다 학습 모델을 구비하고 있다. 높이 연산부(205)는, ADC 처리부(1202)에 의한 분류 결과에 대응하는 모델을 독출하고, 당해 모델(식별기)을 사용해 SEM 화상(200)에 포함되는 이물 등의 높이 정보를 출력한다. 도 12의 구성에 따르면, 2차원 화상을 사용해서 판단 가능한 특징(이물의 2차원적인 형상의 특징)에 의거해 이물을 분류한 뒤, 분류된 이물에 적합한 학습 모델을 사용해 높이를 추정할 수 있으므로, 높은 정밀도로 높이를 추정할 수 있다.
본 실시형태 3에서는 주로, 설계 데이터(레이아웃)나 회로의 밀도(단위 면적당의 패턴이나 에지의 수 등)에 따라 모델을 전환하는 예에 대해 설명했지만, 이것에 한정되는 것은 아니며, 그 밖의 파라미터에 따라 모델을 전환해도 된다. 예를 들면 복수의 음영상 검출기의 출력과 레이아웃 데이터(설계 데이터)를 입력으로 하고, AFM 등에 의해 얻어진 이물의 높이 정보를 출력으로 하는 교사 데이터를 사용해서 학습을 실시한다. 복수의 음영상 검출기의 출력과, 상위 이물 검사 장치(1002)가 출력하는 좌표 정보를 참조해서 설계 데이터(1004)로부터 독출되는 당해 좌표에 대응하는 레이아웃 데이터를 식별기(201)에 대해 입력한다. 이것에 의해 높이 정보를 추정할 수 있다. 이러한 학습 모델은 레이아웃의 형상이나 밀도에 의거해 높이 추정을 위한 메커니즘이 변화하게 되므로, 고정밀도인 높이 추정을 행하는 것이 가능해진다.
화상 데이터로부터 AFM에 의한 높이맵 데이터를 생성하는 딥뉴럴 뉴럴 네트워크 방법으로서, 풀링층을 사용해 다단의 인코더/디코더로 화소 단위의 데이터를 변환하는 시멘틱 세그멘테이션법이나, 적대 생성 학습을 활용해서 화소 단위의 데이터를 생성하는 화상 생성법을 적용하는 것이 가능하다.
<실시형태 4>
도 13은, 학습 모델을 사용한 높이의 추정 결과와, 학습 모델로부터 출력되는 추정 확도를 함께 표시하는 표시 화면의 일례를 나타내는 도면이다. 이 표시 화면은 예를 들면 도 10에 예시하는 입출력 장치(206)의 표시 장치에 표시된다. 처리 유닛(1005)은 컴퓨터 판독 가능 매체(1006)로부터 필요한 정보를 독출하여 도 13에 예시하는 바와 같은 화면을 표시한다. 유저는 이 화면을 참조하면서 교사 데이터를 더 작성할지의 여부를 판정한다.
도 13에 있어서, 식별 정보(ID)(1301)가 부여된 이물마다, 학습 모델을 사용해서 추측된 높이 정보(height)(1303)와 추정 확도(accuracy)(1304)가 표시되어 있다. 좌표 정보(coordinate)(1305)는 이물의 좌표이다. 추정 확도는 식별기 모듈(1010)에 의해 높이 정보와 함께 학습 모델로부터 출력된다. SEM image란(1302)에는 SEM 화상을 독출하기 위한 링크가 제공되어 있고, 링크를 선택하는 것에 의해 기억 매체로부터 SEM 화상을 독출하여 표시 장치에 표시한다. 추정 확도는, 식별기(201)가 추정 결과를 출력할 때에, 예를 들면 다른 추정 결과 후보 사이의 상대적인 평가값을 사용해서 산출할 수 있다. 그 외 적당한 방법을 사용해서 확도를 구해도 된다. 이하의 실시형태에 있어서도 마찬가지이다.
도 13에 예시하는 바와 같은 화면에 의해, 추정 확도가 낮은 이물에 대해서는 AFM 등의 고정밀도인 높이 계측 장치를 사용해 교사 데이터를 갱신할 필요가 있음을 파악할 수 있어, 학습 모델의 갱신 판단을 효율적으로 실시할 수 있다. 또한 도 13의 화면은, AFM(measurement)(1306)의 란이 제공되어 있어, 당해 란의 선택에 의해 선택된 이물의 좌표 정보(1305)와 SEM image란(1302)의 정보를 AFM의 제어 장치에 보낼 수 있도록 구성되어 있다. 이러한 구성에 따르면, 교사 데이터의 갱신에 필요한 정보를 얻기 위한 높이 계측 장치의 조건 설정을 용이하게 할 수 있다. 또한, 추정 확도에 소정의 문턱값을 설정할 수 있도록 함과 함께, 문턱값을 하회하는 이물을 다른 이물과 구별해서 표시하는 것에 의해 교사 데이터의 갱신이 필요한 이물을 용이하게 시인(視認)하는 것이 가능해진다.
<실시형태 5>
최근, 반도체 디바이스는 미세화(스케일링)와 함께 다층화가 진행되어, 레이어의 수도 증대해가고 있다. 또한, 스케일링이 진행함에 따라, 반도체 웨이퍼 상에 형성되는 패턴에 대해, 반도체 웨이퍼 상에 부착되는 이물의 사이즈가 상대적으로 커져, 지금까지 이상으로 부착되는 이물과 디바이스의 퀄리티의 상관을 평가할 필요성이 높아질 것이 예상된다. 또한, 임의의 제조 공정 후에 부착된 이물이 그 후의 제조 공정에서 형성된 패턴의 퀄리티에 영향을 줄 가능성도 생각할 수 있다. 본 개시의 실시형태 5에서는, 임의의 레이어에서 부착된 이물이 추후의 제조 공정에서 생성되는 다른 레이어에 주는 영향을 평가하는 시스템에 대해 설명한다.
본 실시형태 5에 따른 시스템은, 제1 레이어에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력으로 하고, 제1 레이어를 제조한 제조 공정보다도 후의 제조 공정에서 제조된 제2 레이어의 제1 위치에 대응하는 위치에 있어서의 패턴 화상이나 특징을 출력으로 하는 교사 데이터를 사용해서 학습을 실시한다. 그 학습 모델에, 제1 위치에 있어서의 화상 데이터 혹은 당해 데이터로부터 추출되는 특징을 입력하는 것에 의해, 제2 레이어의 제1 위치에 대응하는 위치의 화상이나 특징을 출력한다.
도 14는 본 실시형태 5에 있어서의 식별기(201)의 학습 모델을 생성하는 공정을 나타내는 플로차트이다. 시스템 구성으로서는 도 10에 나타내는 것 등을 사용할 수 있다. 도 10에 예시하는 상위 이물 검사 장치(1002)를 사용해서, 제1 레이어의 제조 공정에서 생성된 반도체 웨이퍼 상에 부착된 이물의 좌표(제1 위치)를 특정한다(S1401). 다음으로, 촬상부(301)에 반도체 웨이퍼를 도입하고, 제1 위치에 부착된 이물에 대해 촬상부(301)를 사용한 계측 혹은 검사를 실행한다(S1402). 이때, 계측툴로서 AFM을 사용해도 된다. 촬상부(301)는, 상위 이물 검사 장치(1002)에서 특정된 좌표 정보에 의거해 당해 좌표 위치에 전자빔을 조사하도록, 시료 스테이지(313)(도 3 참조), 혹은 시야 이동용의 편향기 중 적어도 한쪽을 제어한다. 검사 계측에 의해 얻어진 화상 데이터나 화상 데이터로부터 추출되는 특징량을 취득한다(S1403). 이 데이터나 특징은 후술하는 학습 모델의 입력 데이터가 된다.
도 14에 있어서 사용하는 화상 데이터는, 실시형태 2에서 설명한 복수 방향으로 배치된 음영상 검출기의 출력에 의거해 생성된 화상을 사용하는 것이 바람직하지만, 그에 한하는 것은 아니며, 통상의 2차 전자 화상이나 틸트빔의 주사에 의해 얻어진 화상, 혹은 연속상(동화)이어도 된다. 특징으로서는, 이물의 사이즈, 치수, 이물의 에지 부분을 나타내는 휘도 영역의 사이즈, 종횡비, 이물 형상의 종류, 재질(EDX 검출기 등을 사용해서 특정) 등이 있다.
다음으로, 제1 레이어 상에 형성되는 제2 레이어의 제조 공정 후에, 제2 레이어의 제1 위치에 대한 전자빔의 주사, 혹은 AFM의 프로브의 주사에 의해, 제2 레이어의 제1 위치에 대한 계측 혹은 검사를 실행한다(S1404). 촬상부(301)나 AFM은 상위 이물 검사 장치(1002)에서 취득한 제1 위치의 좌표 정보를 이용해서 시야를 이동할 수 있다.
컴퓨터 시스템(202)은, 촬상부(301) 등에서 취득된 신호에 의거해 화상 데이터나 당해 화상으로부터 추출되는 패턴 등의 특징을 취득한다(S1405). S1404에서 취득하는 특징은, 반도체 웨이퍼의 제2 레이어 상에 형성된 패턴의 치수값(CD값), 형상, 형상의 변형량, 설계 데이터에 대한 에지 위치의 괴리의 정도, 이러한 특징들의 이상(異常)(예를 들면 소정의 문턱값 이상의 변형 등이 생김)을 나타내는 영역의 사이즈 등, 패턴의 퀄리티 등을 평가하는 1 이상의 파라미터여도 되고, AFM으로 얻어지는 높이 정보 같은 시료 표면 정보여도 된다.
도 15는 제1 레이어 상에 놓인 이물이 제2 레이어를 밀어올린 모습을 나타내는 도면이다. 이와 같이, 이물의 바로 위의 주위도 이물에 의해 더 밀어올려지는 것을 생각할 수 있으므로, 이물의 영향을 적정하게 평가하기 위해, 주위 영역의 특징이나 화상을 포함한 데이터를 뉴럴 네트워크의 출력 데이터로 하는 것이 바람직하다. 따라서, 제2 레이어 상에서 취득하는 화상 데이터나 특징은, 제1 레이어 상에 놓인 이물의 제2 레이어에의 영향의 지표값을 뉴럴 네트워크의 출력으로 하기 위해, 이물 사이즈보다 넓은 영역의 특징을 추출하는 것이 바람직하다.
이상과 같은 입력 데이터와 출력 데이터에 의거해서 학습 모델을 생성(S1406)하는 것에 의해, 제1 레이어에 놓인 이물이, 제1 레이어의 상층에 마련되는 제2 레이어에 어떤 영향을 미칠지를 나타내는 데이터를 추정 가능한 학습 모델을 구축하는 것이 가능해진다. 또, 제2 레이어에 형성된 패턴의 레이아웃이나 패턴 밀도에 따라 이물의 영향은 변화하는 것을 생각할 수 있으므로, 패턴 레이아웃의 종류나 밀도에 따른 복수의 모델을 준비하는 것이 바람직하다.
제1 레이어의 화상 데이터로부터, 제2 레이어의 데이터를 생성하는 딥뉴럴 뉴럴 네트워크 방법으로서, 풀링층을 사용해서 다단의 인코더/디코더로 화소 단위의 데이터를 변환하는 시멘틱 세그멘테이션법이나, 적대 생성 학습을 활용해서 화소 단위의 데이터를 생성하는 화상 생성법을 적용하는 것이 가능하다.
도 16은 상술한 바와 같이 생성된 학습 모델을 사용해서 시료 정보를 추정하는 공정을 나타내는 플로차트이다. 우선, 제1 레이어가 형성된 반도체 웨이퍼를 상위 이물 검사 장치(1002) 내에 도입해 이물의 좌표 정보를 취득한다(S1601). 다음으로, 취득된 이물의 좌표 정보에 의거해 당해 좌표에 전자빔이 조사되도록, 촬상부(301) 내의 시료 스테이지 등을 구동해 이물의 계측 혹은 검사를 실행한다(S1602).
한편, 컴퓨터 시스템(202)은, 취득된 좌표 정보에 의거해서, 설계 데이터(1004)를 참조해 좌표 정보에 대응하는 제2 레이어의 레이아웃 정보를 취득하고, 당해 레이아웃의 종류에 따라 기억되어 있는 모델을 선택한다(S1603). 상술한 바와 같이 패턴의 밀도나 레이아웃의 종류에 따라, 이물이 다른 층에 주는 영향이 변화하므로, 레이아웃이나 패턴 밀도 등에 따른 복수의 모델을 미리 준비해두고, 이물 좌표에 따라 적절한 모델을 선택한다.
컴퓨터 시스템(202)은, 선택된 모델에 대해 화상 데이터 및 특징 중 적어도 한쪽을 입력함으로써, 좌표 정보에 대응하는 제2 레이어의 추정 정보를 출력한다(S1604, S1605).
도 17은 출력 데이터(추정 정보)의 표시예를 나타내는 도면이다. 예를 들면 입출력 장치(206)가 본 화면을 표시할 수 있다. 여기에서는, 촬상부(301)에서 얻어진 제1 레이어 상의 이물의 전자 현미경 화상과, 이물이 제2 레이어에 주는 영향의 추정 결과를 중첩한 예를 나타내고 있다. 보다 구체적으로는, 도 17은 이물 화상에 중첩해서, 기준 패턴에 대한 실제 패턴의 변형률(deformation rate)과 추정 확도(accuracy)가 표시된 예를 나타내고 있다. 변형률은, 예를 들면 제2 레이어가 형성된 후에 이물 상에 형성된 패턴의 전자 현미경 화상에 포함되는 패턴 에지와, 설계 데이터의 에지의 차분 등으로부터 구할 수 있다. 학습 모델은 이 값을 출력으로 하는 교사 데이터를 사용해서 미리 학습해 둔다.
도 17은, 이물의 좌측 반분은 학습 모델(X)을 사용한 패턴 정보 추정이 행해지고, 우측 반분은 학습 모델(Y)을 사용한 패턴 정보 추정이 행해진 예를 나타내고 있다. 제1 레이어에 부착된 이물이, 제2 레이어의 밀도 영역 등이 서로 다른 2개의 패턴 영역에 걸쳐 있는 경우, 이물의 각각의 패턴 영역에의 영향은 서로 다를 것으로 생각할 수 있으므로, 각각의 영역에 따른 적절한 모델을 사용해서 추정을 실시하는 것에 의해, 이물의 제2 레이어에의 영향을 적절히 평가하는 것이 가능해진다.
도 18은 학습 모델로부터 결함률(Defect rate)을 출력하는 경우의 표시예를 나타내는 도면이다. 도 18의 표시예에 따르면, 제1 레이어에 부착된 이물이 제2 레이어의 패턴 결함을 발생시키는 정도를 파악하는 것이 가능해진다. 결함은 예를 들면 배선의 단선이나 쇼트이며, 학습 모델의 생성 시에는 제2 레이어 상의 결함 검사 결과를 출력으로 하는 교사 데이터를 사용해서 학습해 둔다. 도 18은 하나의 이물에 대해 복수의 모델을 사용해서 결함률을 추정하고, 그 결과를 표시한 예를 나타낸다. 하나의 이물에 대해 상이한 복수의 레이아웃이 중첩해 있을 경우, 이러한 표시에 의해, 하나의 이물이 다른 레이어의 결함 요인이 될 가능성을 파악하는 것이 가능해진다.
<실시형태 6>
도 19는 이물 높이 추정 결과의 표시예를 나타내는 도면이다. 도 19의 예에서는, 뉴럴 네트워크에 의해 이물의 각 부위의 높이와 그 확도가 출력되어 있다. 이와 같이 부위 단위로 높이의 추정 결과와 확도를 표시하는 것에 의해, 예를 들면 확도가 낮은 영역이 확도가 높은 영역에 둘러쌓여 있으면, 그 확도가 낮은 영역도 확도가 높은 영역과 동등한 높이인 것으로 추측할 수 있다. 이물의 높이에 대해서는, 지금까지의 실시형태에서 설명한 방법에 의해 학습할 수 있다.
도 20은 추정 확도가 높은 영역의 높이 정보에 의거해, 추정 확도가 낮은 영역의 높이를 추정하는 방법의 일례를 나타내는 도면이다. 사선부는 추정 확도가 낮은 영역을 나타내고 있고, 그 밖의 영역은 상대적으로 추정 확도가 높은 영역을 나타내고 있다. 도면에 예시하는 바와 같이, 추정 확도가 낮은 부분을 넘도록 추정 확도가 높은 영역간을 내삽 보간(補間)하는 것에 의해 추정 확도가 낮은 영역의 높이를 추정하는 것이 가능해진다. 내삽 보간이나 외삽 보간에 의해 추정한 결과, 원래의 추정 결과와 내삽 등에 의해 추정한 결과가 동일 혹은 동등(예를 들면 오차율 n% 이하)한 경우는 추정 확도가 높아지도록 학습하고, 추정 결과에 괴리가 있을 경우에는 보간 결과를 추정 결과로 하도록 학습한다. 이것에 의해, 실제로 AFM 등을 사용한 재계측을 실시하지 않고, 추정 정밀도를 올리도록 모델을 갱신하는 것이 가능해진다.
<실시형태 7>
본 개시의 실시형태 7에서는, 도 6에 예시한 바와 같은 음영상 검출기를 구비한 하전 입자선 장치에 의해 얻어지는 출력으로부터 높이를 추정하는 학습 모델의 갱신 방법에 대해 설명한다. 구체적으로는, 음영상 검출기의 출력에 따라 모델의 갱신 방법을 전환하는 방법에 대해 설명한다. 시스템 구성으로서는 예를 들면 실시형태 2에서 설명한 것을 사용할 수 있다.
도 21은 식별기(201)의 학습 모델을 갱신하는 수순을 나타내는 도면이다. 본 실시형태 7에서는 도 21에 예시하는 바와 같이, 좌측 검출기와 우측 검출기의 2개의 검출기가 설치된 주사 전자 현미경을 예로 채용해 설명하지만, 3개 이상의 검출기를 구비한 하전 입자선 장치의 적용도 가능하다.
도 21에 예시하는 바와 같이, 좌측 검출기의 출력에 의거해 생성되는 화상과, 우측 검출기의 출력에 의거해 생성되는 화상은, 그 보이는 방향이 서로 다르다. 예를 들면 좌측 검출기의 출력에 의거해 생성되는 화상은, 이물로부터 지면 우측으로 방출되어 대물렌즈의 집속 작용으로 편향된 전자의 검출에 의거해 생성되므로, 우측의 에지가 강조(고휘도)된 화상이 된다(a1). 한편, 우측 검출기의 출력에 의거해 생성되는 화상은 좌측 검출기의 것과는 반대로, 좌측 에지가 강조된 화상이 된다(a2). 또한, 이물의 높이가 높을수록 고휘도 영역이 커질 것으로 생각된다. 또한, 좌우의 검출기 출력의 차가 큰 개소는 이물의 형상이 복잡해 학습 모델을 사용한 추정이 적정하게 실시되지 않게 될 것으로 생각된다. 따라서 본 실시형태 7에서는, 복수 검출기의 차분을 구하고(b), 당해 차분이 소정값을 초과하는 경우는 이물의 좌표 정보를 AFM에 보내, AFM에 의한 높이 계측을 실시한다(c1). 차분이 소정값 이하인 경우는, 상기 영역간 보간 같은 AFM을 사용하지 않고, 추정 결과의 특징 추출에 의거해, 추정 확도가 낮은 부분의 데이터를 갱신한다. 이것에 의해, 효율적으로 학습 모델을 갱신하는 것이 가능해진다.
도 21에서는, 좌우 검출기의 출력(혹은 화상)의 차분이 클 때에 AFM을 사용한 높이 계측을 실시하는 모델 갱신법에 대해 설명했지만, 출력의 차분이 거의 없는 경우는, 음영상 검출기 출력에 의거한 높이 추정 결과의 정밀도가 저하하는 것으로 생각된다. 그러한 부분에 대해 보다 고도한 추정을 실시하기 위해, AFM을 사용한 높이 계측을 실시하고, 그 결과를 출력으로 하는 교사 데이터를 사용해 학습 모델을 학습시키도록 해도 된다.
<실시형태 8>
하전 입자선 장치에 의해 얻어지는 화상 데이터나 특징과 높이의 실측값을 충분히 학습한 경우여도, 양자의 정보량은 크게 다르므로 높이 추정의 정밀도가 저하하는 케이스가 있다. 이러한 케이스를 하전 입자선 장치의 출력 데이터로부터 자동 판정하는 것에 의해, 높이 추정과 실측의 병용에 의한 안정적인 고정밀도 계측이 가능해진다. 그래서 본 개시의 실시형태 8에서는, 하전 입자선 장치에 의해 얻어지는 화상 데이터나 특징으로부터 높이 추정할 수 있는지의 여부를 판정하는 학습 모델의 생성과, 그 학습 모델을 활용해서 안정한 정밀도로 높이를 계측하는 방법을 설명한다.
도 22는, 하전 입자선 장치에 의해 얻어지는 화상 데이터나 특징으로부터 높이 추정의 가부를 판정하는 학습 모델의 생성 공정을 나타내는 플로차트이다. 우선, 하전 입자선 장치에 의해 얻어지는 화상 데이터나 특징을 입력한다(S2201). 다음으로 식별기에 의한 높이 추정을 실시한다(S2202). 다음으로 AFM을 사용해서 높이를 계측한다(S2203). 추정값과 AFM에 의한 높이 계측값을 비교한다(S2204). 추정값과 계측값 사이에 충분한 괴리가 있었을 경우, 그 부위를 높이 추정 곤란한 부위로 판정한다(S2205). 다음으로 화상 데이터나 특징 정보를 입력으로 해서, 높이 추정인 취지의 추정 결과를 출력하는 높이 추정 불가 판정 모델을 기계 학습에 의해 생성한다. 이 모델은, 입력이 화상 데이터인 경우는 화상 내의 높이 추정 곤란한 영역과 추정 가능한 영역을 추출하고, 입력이 특징 정보이면 그 특징을 사용해서 높이를 추정할 수 있는지의 여부를 출력한다. 이 모델을 활용함으로써, 입력 데이터의 분석에 의해 추정 가능한지 실측해야 할지를 판단할 수 있게 된다. 또, 이 높이 추정 NG의 부분의 데이터를 사용해서 높이 추정의 추가 학습을 실시하는 것에 의해, 높이 추정의 정밀도 향상을 도모할 수도 있다.
도 23은, 도 22에서 설명한 높이 추정 가부 판정 모델을 활용해서 하전 입자선 장치의 출력으로부터 높이 추정 가부를 판정하고, NG의 부위를 AFM으로 실측하는 공정을 나타내는 플로차트이다. 우선, 하전 입자선 장치에 의한 화상 데이터나 특징 정보를 입력한다(S2301). 다음으로, 높이 추정 가부 판정 모델을 활용해 높이의 추정 가부를 판정한다(S2302). 높이 추정 불가의 경우는, AFM으로 높이를 계측한다(S2303).
<실시형태 9>
실시형태 3에 있어서, 전처리로서 ADC를 실행하고, 그 분류 결과에 대응하는 학습 모델을 사용해서 이물의 높이를 추정하는 예에 대해 설명했다. 본 개시의 실시형태 9에서는, 학습 모델을 사용해서 ADC 처리를 실시하는 예에 대해 설명한다.
도 24는 음영상을 입력 데이터로 해서 결함 분류를 행하는 컴퓨터 시스템의 일례를 나타내는 도면이다. 도 24에 있어서, 식별기(201)는, SEM 화상(200)(음영상)을 입력으로 하고, 높이 정보(801)(AFM 계측 결과)와 결함 종류 정보(2401)를 출력으로 하는 교사 데이터를 사용해서 미리 학습을 실시한다. 그 식별기(201)를 사용해서 결함 혹은 이물을 분류한다. 추정 결과로서, 결함의 종류(단선, 단락, 이물, 이물 등의 형상 등)뿐만 아니라, 그 높이 정보를 출력할 수 있으므로, 예를 들면 결함 등이 다음 공정에 미치는 영향도 추정하는 것이 가능해진다.
도 25는 본 실시형태 9에 있어서의 컴퓨터 시스템(202)의 구성도이다. 도 25에 예시하는 시스템은, 식별기(201와 2502)를 구비한다. 식별기(201)는, AFM 등으로 얻어진 이물의 높이 정보(801)와, 음영상 검출기의 출력에 의거해 생성되는 SEM 화상(200)의 데이터 세트를 교사 데이터로 해서 학습을 실시한다. 식별기(2502)는, 높이 연산부(205)에서 추정된 높이 정보와, 음영상 검출기의 출력에 의거해 생성되는 화상 등과, 결함 종류 정보(2401)의 데이터 세트를 교사 데이터로 해서 학습을 실시한다. 상층 결함 분류부(2501)는 식별기(2502)를 사용해서 결함 분류를 실행한다.
상층 결함 분류부(2501)는, 하층(제1 레이어)의 SEM 화상(200)에 포함되는 이물의 2차원적인 특징과 추정된 높이 정보(3차원 정보)를 입력으로 해서, 상층(제2 레이어)에 형성된 패턴의 결함 종류를 추정한다. 식별기(2502)를 구비한 시스템에 의하면 결함의 특징에 따른 적절한 분류를 행하는 것이 가능해진다. 식별기(2502)를 학습시키기 위해서는, 하층의 이물 화상 등의 SEM 화상과, 하층의 이물 좌표에 대응하는 상층의 위치의 SEM 화상을 취득하고, 이들 SEM 화상, 혹은 화상으로부터 추출되는 특징(결함 종류 등)을 데이터 세트로 해서 식별기(2502)를 학습시킨다.
도 26은 본 실시형태 9에 있어서의 학습 모델을 최적화하기 위한 GUI 화면의 일례를 나타내는 도면이다. GUI 화면(2601)에는 좌측란(2605)과 우측란(2608)을 갖는다. 좌측란(2605)에는, 데이터 세트의 입력으로 되는 하층의 이물의 SEM 화상(2602)과, 이물 좌표와 같은 위치의 상층의 SEM 화상(2603)을 세트로 한 섬네일(2604)이 복수 표시되어 있다. 우측란(2608)에는 결함 종류마다의 입력란(2606과 2607)이 제공되어 있다.
오퍼레이터는, 상층의 SEM 화상(2603)을 보고 결함의 종류(SEM 화상(2603)은 라인 패턴끼리가 단락해 있는 상태)를 판단하고, 포인팅 디바이스 등을 사용해서 우측란(2608)의 대응하는 결함 종류의 입력란에 섬네일(2604)을 이동시킴으로써 학습 데이터를 갱신할 수 있다. 데이터 세트 생성부(803)는, 섬네일(2604)에 포함되는 하층의 SEM 화상(2602), 혹은 당해 SEM 화상으로부터 추출되는 특징을 입력으로 하고, 섬네일(2604)이 입력된 입력란의 결함 종류를 출력으로 하는 데이터 세트를 생성한다. 이 데이터 세트를 식별기(2502)의 교사 데이터로 한다. 이러한 구성에 따르면, 하층의 이물 화상으로부터 상층의 결함 종류를 특정하는 것이 가능해진다.
<실시형태 10>
본 개시의 실시형태 10에서는, 하층에 이물이 존재하는 경우에 있어서 상층에서 무엇이 일어나는지를 추정하는 추정 모델을 생성하고, 당해 추정 모델을 사용해 상층의 상황을 추정하는 예에 대해 설명한다. 본 실시형태 10에서 사용되는 뉴럴 네트워크에 있어서의 입력층에는, (a) 상층(제2층)의 설계 데이터(설계 정보), 및 당해 설계 데이터로부터 추출되는 특징(예를 들면, 패턴의 선폭, 패턴의 면적, 패턴간의 거리 등) 중 적어도 한쪽을 포함하는 제1 데이터, (b) 도 3이나 도 6에 예시하는 주사 전자 현미경 같은 이미징 시스템에 의해 얻어지는 하층(제1층)의 화상, 및 당해 제2 화상으로부터 추출되는 특징의 적어도 한쪽을 포함하는 제2 데이터가 입력된다. 하층의 화상은 이물 등을 입체적으로 파악할 수 있는 복수의 음영상 검출기의 출력에 의거해 생성하는 것이 바람직하다. 제2 화상으로부터 추출되는 특징으로서는, 예를 들면, 이물의 형상, 사이즈, 휘도 정보, 음영상 검출기 사이의 차분 데이터 등을 생각할 수 있다.
본 실시형태 10에서 사용되는 뉴럴 네트워크의 중간층은, 제1 데이터와 제2 데이터를 입력으로 하고, 상층의 화상과 상층의 특징 중 적어도 한쪽을 포함하는 제3의 데이터를 출력으로 하는 교사 데이터를 사용해서 학습을 실시한다. 출력층은 중간층의 출력에 의거해 출력 데이터를 생성한다.
도 27은 전술한 바와 같은 추정 모델을 포함하는 모듈(식별기(201))을 포함하는 컴퓨터 시스템(202)의 일례를 나타내는 도면이다. 데이터 세트 생성부(803)는 설계 데이터(1004)를 학습 데이터로서 수취한다. 데이터 세트 생성부(803)는 SEM 화상(200)으로부터 상층 윤곽선 화상과 하층 화상을 학습 데이터로서 더 수취한다. 데이터 세트 생성부(803)는 이 데이터들을 사용해서 상기 교사 데이터를 생성하고 식별기(201)에 학습시킨다. 윤곽선 생성부(2701)는, 하층 화상과 설계 데이터(1004)를 입력으로서 수취하고, 이들을 식별기(201)에 대해 입력하는 것에 의해 상층의 윤곽선을 추정한다.
도 28은 본 실시형태 10에 있어서의 학습 과정을 설명하는 플로차트이다. 우선, 도 10에 예시하는 바와 같은 상위 이물 검사 장치(1002)를 사용해서, 제1 레이어의 제조 공정에서 생성된 반도체 웨이퍼 상에 부착된 이물의 좌표(제1 위치)를 특정한다(S1401). 다음으로, 촬상부(301)에 반도체 웨이퍼를 도입하고, 제1 위치에 부착된 이물에 대해 촬상부(301)를 사용한 계측 혹은 검사를 실행한다(S1402). 여기에서는 예를 들면 복수의 음영상 검출기의 출력으로부터 이물 화상을 생성한다. 후술하는 바와 같이, 당해 이물 화상은 데이터 세트로서 교사 데이터를 생성하기 위해 사용되지만, 화상 이외에도 당해 화상으로부터 추출되는 특징을 데이터 세트를 생성하기 위해 사용해도 된다. 컴퓨터 시스템(202)은, 설계 데이터(1004)로부터, 제1 위치에 대응하는 패턴의 설계 데이터(레이아웃 데이터)를 더 독출한다(S2801).
다음으로, 컴퓨터 시스템(202)은, 제1 레이어 상에 제2 레이어가 적층된 후, 제2 레이어의 제1 위치의 화상을 취득한다(S1404, S1405).
이상과 같은 공정을 거쳐 얻어진 하층의 이물 화상 데이터, 상층의 설계 데이터, 및 상층의 화상 데이터(혹은 화상 데이터로부터 추출되는 패턴의 윤곽선 데이터)의 데이터 세트를 교사 데이터로 해서 식별기(201)를 학습시킨다(S1406). 교사 데이터로 되는 데이터 세트에는, 하층에 위치하는 이물 화상, 패턴의 이상(理想) 형상을 나타내는 설계 데이터(레이아웃 데이터), 및 이물의 영향을 받은 상층의 패턴의 설계 데이터와 같은 패턴의 화상 데이터(혹은 화상에 포함되는 에지를 세선화하는 것에 의해 추출되는 윤곽선 데이터)가 포함되어 있다. 즉 데이터 세트에는, 이물의 영향을 받고 있지 않은 패턴 화상(상층의 레이아웃 데이터), 이물의 영향을 받은 패턴 화상(상층 패턴의 실제 화상, 혹은 윤곽선 데이터), 및 패턴 등을 변형시키는 요인이 되는 이물의 화상이 포함되어 있고, 변형전 형상, 변형 원인, 변형후 형상을 포함하는 교사 데이터가 된다. 따라서, 하층 이물이 상층에 대해 주는 영향을 추정하기 위한 학습 모델을 구축하는 것이 가능해진다.
전술한 예에서는 하층 이물의 SEM 화상과 상층의 설계 데이터를 입력으로 하고, 상층의 SEM 화상(혹은 SEM 화상으로부터 추출되는 윤곽선 데이터)을 출력으로 하는 교사 데이터를 사용해서 학습 모델을 학습하는 예에 대해 설명했지만, 제조 프로세스에 관한 정보나 SEM의 촬상 조건을 입력으로서 추가하고, 상층 패턴의 치명도(致命度) 등을 출력으로서 추가해서 학습 모델을 학습시키도록 해도 된다.
이물이 비교적 많이 부착된 웨이퍼를 준비하고, 하층 이물의 화상이나 이물이 부착된 위치에 대응하는 상층 패턴의 SEM 화상 등을 취득하는 것에 의해, 교사 데이터가 되는 데이터 세트를 보다 많이 준비할 수 있다.
<본 개시의 변형예에 대하여>
본 개시는, 전술한 실시형태로 한정되는 것은 아니며, 다양한 변형예가 포함된다. 예를 들면, 상기한 실시형태는 본 개시를 알기 쉽게 설명하기 위해 상세히 설명한 것이며, 반드시 설명한 모든 구성을 구비하는 것으로 한정되는 것은 아니다. 또한, 어느 실시형태의 구성의 일부를 다른 실시형태의 구성으로 치환하는 것이 가능하고, 또한, 어느 실시형태의 구성에 다른 실시형태의 구성을 더하는 것도 가능하다. 또한, 각 실시형태의 구성의 일부에 대해 다른 구성의 추가·삭제·치환을 하는 것이 가능하다.
이상의 실시형태에 있어서, 컴퓨터 시스템(202)이 구비하는 식별기(201)는, 학습 결과를 저장한 기억부(305)와, 각 유닛에 대해 값이 입력되었을 때 학습 결과에 따라 값을 출력하는 기능에 의해 구성할 수 있다. 식별기(201)의 이 기능이나 컴퓨터 시스템(202)이 구비하는 그 외 기능부는, 이 기능들을 실장한 회로 디바이스 등의 하드웨어를 사용해서 구성할 수도 있고, 이 기능들을 실장한 소프트웨어를 연산 장치가 실행하는 것에 의해 구성할 수도 있다.
201 : 식별기
202 : 컴퓨터 시스템
203 : 측장값/면적값 연산부
204 : 휘도 평가부
205 : 높이 연산부
206 : 입출력 장치
301 : 촬상부
302 : 전체 제어부
303 : 신호 처리부
304 : 입출력부
305 : 기억부
306 : 전자총
307 : 전자빔
308 : 집속렌즈
309 : 집속렌즈
310 : 편향기
311 : 대물렌즈
312 : 시료
313 : 시료 스테이지
314 : 방출 전자
315 : 하단 검출기
316 : 상단 검출기
317 : 에너지 필터
318 : 블랭킹 편향기
319 : 블랭킹용 전극

Claims (15)

  1. 하전 입자선 장치에 의해 얻어진 데이터로부터, 시료의 구조물 또는 당해 구조물 상의 이물의 높이 방향에 있어서의 사이즈에 관한 정보를 추정하는 시스템으로서,
    상기 시스템은, 컴퓨터 시스템과, 상기 컴퓨터 시스템이 실행하는 연산 모듈을 포함하고,
    상기 컴퓨터 시스템은, 상기 높이 방향에서의 사이즈에 관한 정보를 학습 결과로서 출력하는 학습기를 구비하고,
    상기 학습기는, 상기 하전 입자선 장치에 의해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징량을 입력으로 하고, 상기 시료의 구조물 또는 상기 구조물 상의 이물의 높이 방향에서의 사이즈를 출력으로 하는 교사(敎師) 데이터를 사용해서 미리 학습을 실시하고 있고,
    상기 연산 모듈은, 상기 학습기에 대해, 상기 하전 입자선 장치에 의해 취득된 데이터, 혹은 당해 데이터로부터 추출되는 특징량을 입력하는 것에 의해서, 상기 높이 방향에서의 사이즈를 취득함과 함께, 그 사이즈를 출력하는 시스템.
  2. 제1항에 있어서,
    상기 특징량은, 상기 구조물의 관찰 화상의 휘도에 관한 정보를 포함하고,
    상기 특징량은, 상기 구조물의 치수 혹은 면적에 관한 정보를 포함하고 있는 시스템.
  3. 제1항에 있어서,
    상기 하전 입자선 장치에 의해 얻어지는 데이터는, 상기 하전 입자선 장치의 빔 광축에 대해 경사진 방향으로 배치된 복수의 검출기의 출력, 혹은 상기 출력에 의거해 얻어지는 데이터인 시스템.
  4. 제1항에 있어서,
    상기 학습기는, 하나의 이물 화상에 대해 복수의 상이한 배경 화상을 합성한 복수의 화상을 입력으로 한 교사 데이터를 사용해서 미리 학습을 실시하고 있는 시스템.
  5. 제1항에 있어서,
    상기 학습기는, 상기 시료의 레이아웃 데이터의 종류, 혹은 상기 구조물 상에 형성된 패턴의 밀도마다 준비되어 있고,
    상기 컴퓨터 시스템은, 상기 시료의 레이아웃 데이터 또는 상기 패턴의 밀도를 취득하고,
    상기 연산 모듈은, 상기 취득한 상기 시료의 레이아웃 데이터 또는 상기 취득한 상기 패턴의 밀도에 대응하는 상기 학습기를 사용해서, 상기 높이 방향에서의 사이즈를 취득하는 시스템.
  6. 제1항에 있어서,
    상기 학습기는, 상기 학습 결과와 함께, 상기 학습 결과의 확도(確度)를 상기 시료 상의 영역마다 출력하도록 구성되어 있고,
    상기 컴퓨터 시스템은, 상기 시료 상의 영역 중 상기 확도가 소정 문턱값 미만인 부분에 대해서는, 상기 확도가 상기 소정 문턱값 이상인 부분에 대한 상기 학습 결과를 사용해서 보간(補間) 연산을 실시하는 것에 의해, 상기 학습 결과를 보정하는 시스템.
  7. 제3항에 있어서,
    각 상기 검출기의 출력간의 차분이 소정 문턱값을 초과한 경우, 상기 컴퓨터 시스템은, 상기 하전 입자선 장치 이외의 장치에 의한 계측 결과를 사용해서 상기 학습기의 재학습을 실시하고,
    각 상기 검출기의 출력간의 차분이 상기 소정 문턱값 이하인 경우, 상기 컴퓨터 시스템은, 각 상기 검출기의 출력을 사용해서 상기 학습기의 재학습을 실시하는 시스템.
  8. 제1항에 있어서,
    상기 컴퓨터 시스템은, 상기 시료 상의 이물의 종류를 분류하는 분류 모듈을 포함하고,
    상기 연산 모듈은, 상기 분류 모듈에 의해 분류된 이물의 데이터, 혹은 당해 데이터로부터 추출된 특징을 상기 학습기에 입력하는 것에 의해서, 상기 높이 방향에서의 사이즈를 취득하는 시스템.
  9. 하전 입자선 장치에 의해 얻어진 데이터로부터, 시료의 구조물 또는 당해 구조물 상의 이물의 높이 방향에서의 사이즈에 관한 정보를 추정하는 처리를 컴퓨터 시스템에 실행시키는 프로그램으로서,
    상기 컴퓨터 시스템은, 상기 높이 방향에서의 사이즈에 관한 정보를 출력하는 학습기를 구비하고,
    상기 학습기는, 상기 하전 입자선 장치에 의해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징량을 입력으로 하고, 상기 시료의 구조물 또는 상기 구조물 상의 이물의 높이 방향에서의 사이즈를 출력으로 하는 교사 데이터를 사용해서 미리 학습을 실시하고 있고,
    상기 프로그램은, 상기 컴퓨터 시스템으로 하여금, 상기 학습기에 대해, 상기 하전 입자선 장치에 의해 취득된 데이터, 혹은 당해 데이터로부터 추출되는 특징량을 입력하는 것에 의해서, 상기 높이 방향에서의 사이즈를 취득하게 함과 함께, 그 사이즈를 출력하게 하는 프로그램.
  10. 하전 입자선 장치에 의해 얻어진 데이터로부터, 시료의 특정 위치에서의 관찰 화상 혹은 상기 특정 위치에서의 상기 관찰 화상의 특징을 추정하는 시스템으로서,
    상기 시스템은, 컴퓨터 시스템과, 상기 컴퓨터 시스템이 실행하는 연산 모듈을 포함하고,
    상기 컴퓨터 시스템은, 상기 관찰 화상 또는 상기 관찰 화상의 특징을 학습 결과로서 출력하는 학습기를 구비하고,
    상기 학습기는, 반도체 디바이스의 제1 레이어의 제1 위치에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력으로 하고, 상기 제1 레이어를 제조한 제조 공정보다도 후의 제조 공정에서 제조된 제2 레이어의 상기 제1 위치에 대응하는 위치의 관찰 화상 혹은 그 관찰 화상의 특징을 출력으로 하는 교사 데이터를 사용해서, 미리 학습을 실시하고 있고,
    상기 연산 모듈은, 상기 학습기에 대해, 상기 제1 레이어에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력함으로써, 상기 제2 레이어의 상기 제1 위치에 대응하는 위치에서의 관찰 화상 혹은 그 관찰 화상의 특징을 취득함과 함께, 그 관찰 화상 혹은 특징을 출력하는 시스템.
  11. 제10항에 있어서,
    상기 학습기는, 상기 제2 레이어의 상기 제1 위치에서의 설계 데이터 또는 그 설계 데이터로부터 추출되는 특징을, 상기 교사 데이터의 입력으로서 사용해 미리 학습을 실시하고 있고,
    상기 연산 모듈은, 상기 학습기에 대해, 상기 제2 레이어의 상기 제1 위치에서의 설계 데이터를 입력하는 것에 의해서, 상기 제2 레이어의 상기 제1 위치에 대응하는 위치에서의 관찰 화상 혹은 그 관찰 화상의 특징을 취득하는 시스템.
  12. 제10항에 있어서,
    상기 학습기로부터 출력되는 특징은,
    상기 제2 레이어의 상기 제1 위치에 대응하는 위치에 형성된 패턴의 치수값,
    상기 패턴의 형상의 평가값,
    상기 패턴의 형상의 변형량,
    상기 시료의 설계 데이터에 대한 에지 위치의 괴리의 정도,
    중 적어도 하나를 나타내는 파라미터인 시스템.
  13. 하전 입자선 장치에 의해 얻어진 데이터로부터, 시료의 특정 위치에서의 관찰 화상 혹은 상기 특정 위치에서의 상기 관찰 화상의 특징을 추정하는 처리를 컴퓨터 시스템에 실행시키는 프로그램으로서,
    상기 컴퓨터 시스템은, 상기 관찰 화상 또는 상기 관찰 화상의 특징을 학습 결과로서 출력하는 학습기를 구비하고,
    상기 학습기는, 반도체 디바이스의 제1 레이어의 제1 위치에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력으로 하고, 상기 제1 레이어를 제조한 제조 공정보다도 후의 제조 공정에서 제조된 제2 레이어의 상기 제1 위치에 대응하는 위치의 관찰 화상 혹은 그 관찰 화상의 특징을 출력으로 하는 교사 데이터를 사용해서, 미리 학습을 실시하고 있고,
    상기 프로그램은, 상기 컴퓨터 시스템으로 하여금, 상기 학습기에 대해, 상기 제1 레이어에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력함으로써, 상기 제2 레이어의 상기 제1 위치에 대응하는 위치에서의 관찰 화상 혹은 그 관찰 화상의 특징을 취득하게 함과 함께, 그 관찰 화상 혹은 특징을 출력하게 하는 프로그램.
  14. 하전 입자선 장치에 의해 얻어진 데이터로부터, 시료 상의 결함 종류를 추정하는 시스템으로서,
    상기 시스템은, 컴퓨터 시스템과, 상기 컴퓨터 시스템이 실행하는 연산 모듈을 포함하고,
    상기 컴퓨터 시스템은, 상기 결함 종류를 학습 결과로서 출력하는 학습기를 구비하고,
    상기 학습기는, 반도체 디바이스의 제1 레이어의 제1 위치에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력으로 하고, 상기 제1 레이어를 제조한 제조 공정보다도 후의 제조 공정에서 제조된 제2 레이어의 상기 제1 위치에 대응하는 위치의 결함 종류를 출력으로 하는 교사 데이터를 사용해서, 미리 학습을 실시하고 있고,
    상기 연산 모듈은, 상기 학습기에 대해, 상기 제1 레이어에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력함으로써, 상기 제2 레이어의 상기 제1 위치에 대응하는 위치에서의 결함 종류를 취득함과 함께, 그 결함 종류를 출력하는 시스템.
  15. 하전 입자선 장치에 의해 얻어진 데이터로부터, 시료 상의 결함 종류를 추정하는 처리를 컴퓨터 시스템에 실행시키는 프로그램으로서,
    상기 컴퓨터 시스템은, 상기 결함 종류를 학습 결과로서 출력하는 학습기를 구비하고,
    상기 학습기는, 반도체 디바이스의 제1 레이어의 제1 위치에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력으로 하고, 상기 제1 레이어를 제조한 제조 공정보다도 후의 제조 공정에서 제조된 제2 레이어의 상기 제1 위치에 대응하는 위치의 결함 종류를 출력으로 하는 교사 데이터를 사용해서, 미리 학습을 실시하고 있고,
    상기 프로그램은, 상기 컴퓨터 시스템으로 하여금, 상기 학습기에 대해, 상기 제1 레이어에 대한 하전 입자빔의 조사에 의거해 얻어지는 데이터, 혹은 당해 데이터로부터 추출되는 특징을 입력함으로써, 상기 제2 레이어의 상기 제1 위치에 대응하는 위치에서의 결함 종류를 취득하게 함과 함께, 그 결함 종류를 출력하게 하는 프로그램.
KR1020217009837A 2019-02-15 2019-02-15 구조 추정 시스템, 구조 추정 프로그램 KR102592253B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020237035550A KR20230148862A (ko) 2019-02-15 2019-02-15 구조 추정 시스템, 구조 추정 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/005648 WO2020166076A1 (ja) 2019-02-15 2019-02-15 構造推定システム、構造推定プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020237035550A Division KR20230148862A (ko) 2019-02-15 2019-02-15 구조 추정 시스템, 구조 추정 프로그램

Publications (2)

Publication Number Publication Date
KR20210053326A true KR20210053326A (ko) 2021-05-11
KR102592253B1 KR102592253B1 (ko) 2023-10-24

Family

ID=72044427

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020237035550A KR20230148862A (ko) 2019-02-15 2019-02-15 구조 추정 시스템, 구조 추정 프로그램
KR1020217009837A KR102592253B1 (ko) 2019-02-15 2019-02-15 구조 추정 시스템, 구조 추정 프로그램

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020237035550A KR20230148862A (ko) 2019-02-15 2019-02-15 구조 추정 시스템, 구조 추정 프로그램

Country Status (4)

Country Link
US (1) US20220130027A1 (ko)
KR (2) KR20230148862A (ko)
TW (3) TWI744786B (ko)
WO (1) WO2020166076A1 (ko)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7364540B2 (ja) 2020-08-05 2023-10-18 株式会社日立ハイテク 画像処理システム
JP7130267B2 (ja) * 2020-09-03 2022-09-05 株式会社リガク 全反射蛍光ｘ線分析装置及び推定方法
KR102468352B1 (ko) * 2021-02-26 2022-11-18 김이경 파동분포를 제어하기 위한 구조를 설계하는 방법 및 그 장치
JP2023014480A (ja) * 2021-07-19 2023-01-31 株式会社日立ハイテク 計測方法、計測システム、及び非一時的なコンピューター可読媒体
WO2023144909A1 (ja) * 2022-01-26 2023-08-03 株式会社日立ハイテク 異物高さの測定方法及び荷電粒子線装置
WO2024069701A1 (ja) * 2022-09-26 2024-04-04 株式会社日立ハイテク モデル生成方法及び欠陥検査システム
CN116187399B (zh) * 2023-05-04 2023-06-23 北京麟卓信息科技有限公司 一种基于异构芯片的深度学习模型计算误差定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004363085A (ja) * 2003-05-09 2004-12-24 Ebara Corp 荷電粒子線による検査装置及びその検査装置を用いたデバイス製造方法
JP2006093251A (ja) 2004-09-22 2006-04-06 Hitachi High-Technologies Corp 寸法計測方法及びその装置
JP2012173017A (ja) * 2011-02-18 2012-09-10 Hitachi High-Technologies Corp 欠陥分類装置
WO2014091928A1 (ja) * 2012-12-12 2014-06-19 東京エレクトロン株式会社 基板の欠陥検査方法、基板の欠陥検査装置及びコンピュータ記憶媒体

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1261016A4 (en) * 2000-12-12 2007-06-27 Ebara Corp ELECTRON BEAM DEVICE AND METHOD FOR PRODUCING SEMICONDUCTOR DEVICES USING THE ELECTRON BEAM DEVICE
CN101630623B (zh) * 2003-05-09 2012-02-22 株式会社荏原制作所 基于带电粒子束的检查装置及采用了该检查装置的器件制造方法
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
CN109844919B (zh) * 2016-10-17 2020-12-11 科磊股份有限公司 优化用于设置检验相关算法的训练组
JP6668278B2 (ja) * 2017-02-20 2020-03-18 株式会社日立ハイテク 試料観察装置および試料観察方法
US11275361B2 (en) * 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
US20220028052A1 (en) * 2018-12-14 2022-01-27 Asml Netherlands B.V. Apparatus and method for grouping image patterns to determine wafer behavior in a patterning process

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004363085A (ja) * 2003-05-09 2004-12-24 Ebara Corp 荷電粒子線による検査装置及びその検査装置を用いたデバイス製造方法
JP2006093251A (ja) 2004-09-22 2006-04-06 Hitachi High-Technologies Corp 寸法計測方法及びその装置
JP2012173017A (ja) * 2011-02-18 2012-09-10 Hitachi High-Technologies Corp 欠陥分類装置
WO2014091928A1 (ja) * 2012-12-12 2014-06-19 東京エレクトロン株式会社 基板の欠陥検査方法、基板の欠陥検査装置及びコンピュータ記憶媒体
JP2014115245A (ja) * 2012-12-12 2014-06-26 Tokyo Electron Ltd 基板の欠陥検査方法、基板の欠陥検査装置、プログラム及びコンピュータ記憶媒体

Also Published As

Publication number Publication date
TWI785824B (zh) 2022-12-01
WO2020166076A1 (ja) 2020-08-20
KR102592253B1 (ko) 2023-10-24
TWI830467B (zh) 2024-01-21
TW202220077A (zh) 2022-05-16
KR20230148862A (ko) 2023-10-25
TW202101626A (zh) 2021-01-01
TW202324561A (zh) 2023-06-16
US20220130027A1 (en) 2022-04-28
TWI744786B (zh) 2021-11-01

Similar Documents

Publication Publication Date Title
KR102592253B1 (ko) 구조 추정 시스템, 구조 추정 프로그램
US6538249B1 (en) Image-formation apparatus using charged particle beams under various focus conditions
KR101680558B1 (ko) 결함 관찰 방법 및 결함 관찰 장치
US9343264B2 (en) Scanning electron microscope device and pattern dimension measuring method using same
WO2016121265A1 (ja) 試料観察方法および試料観察装置
KR101202527B1 (ko) 결함 관찰 장치 및 결함 관찰 방법
KR101987726B1 (ko) 전자선식 패턴 검사 장치
KR102350416B1 (ko) 결함 관찰 장치
KR20180113572A (ko) 결함 분류 장치 및 결함 분류 방법
US9341584B2 (en) Charged-particle microscope device and method for inspecting sample using same
KR20210087063A (ko) 화상 평가 장치 및 방법
US10755396B2 (en) Image forming apparatus
KR20220002572A (ko) 화상 처리 프로그램, 화상 처리 장치 및 화상 처리 방법
KR102361225B1 (ko) 화상 생성 방법, 비일시적 컴퓨터 가독 매체, 및 시스템
US11133147B2 (en) Charged particle ray device and cross-sectional shape estimation program
JP5953117B2 (ja) パターン評価装置、及びコンピュータープログラム
TW202418425A (zh) 構造推定系統、電腦可讀儲存媒體
JP6207893B2 (ja) 試料観察装置用のテンプレート作成装置
JP4871350B2 (ja) パターン寸法測定方法、及びパターン寸法測定装置
US20240144560A1 (en) Training Method for Learning Apparatus, and Image Generation System
TWI822581B (zh) 影像生成系統、非暫時性電腦可讀媒體及影像生成方法
CN113785170B (zh) 图案测量装置以及测量方法
KR20220073640A (ko) 하전 입자 빔 장치
KR20230114703A (ko) 관찰 시스템, 관찰 방법 및 프로그램

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
A107 Divisional application of patent
GRNT Written decision to grant