KR20220029748A - 계측 시스템, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법, 및 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체 - Google Patents

계측 시스템, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법, 및 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체 Download PDF

Info

Publication number
KR20220029748A
KR20220029748A KR1020227004040A KR20227004040A KR20220029748A KR 20220029748 A KR20220029748 A KR 20220029748A KR 1020227004040 A KR1020227004040 A KR 1020227004040A KR 20227004040 A KR20227004040 A KR 20227004040A KR 20220029748 A KR20220029748 A KR 20220029748A
Authority
KR
South Korea
Prior art keywords
image
teacher data
region
learning model
measurement
Prior art date
Application number
KR1020227004040A
Other languages
English (en)
Inventor
류 유미바
게이 사까이
사또루 야마구찌
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
Publication of KR20220029748A publication Critical patent/KR20220029748A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • G01N21/9505—Wafer internal defects, e.g. microcracks
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)

Abstract

노하우를 요하는 화상 처리의 파라미터 조정이나 입수 곤란한 경우가 있는 설계도의 참조를 따르지 않고 계측 처리의 실행을 가능하게 하는 기술을 제안한다. 본 개시에 관한 계측 시스템은, 반도체의 샘플 화상으로부터 생성된 교사 데이터와 샘플 화상에 기초하여 생성된 학습 모델을 참조하여, 소정의 구조를 갖는 반도체의 입력 화상(계측 대상)으로부터 영역 분할 화상을 생성하고, 당해 영역 분할 화상을 사용하여 화상 계측을 행한다. 여기서, 교사 데이터는, 샘플 화상에 있어서의 반도체의 구조를 포함하는 라벨이 화상의 각 화소에 할당된 화상이며, 학습 모델은, 샘플 화상으로부터 교사 데이터를 추론하기 위한 파라미터를 포함하고 있다(합성도 1 참조).

Description

계측 시스템, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법, 및 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체
본 개시는 계측 시스템, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법, 및 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체에 관한 것이다.
근년의 반도체 프로세스에 의해 제조되는 패턴은 미세화가 진행되고, 노광 장치의 복수층간에 걸친 패턴의 중첩, 즉 오버레이의 정밀도 향상이 요구되고 있다. 또한, 오버레이를 고정밀도로 계측하여 노광 장치에 피드백하는 것의 중요성은 금후 점점 높아질 것으로 예상된다.
오버레이 계측에 관하여, 예를 들어 특허문헌 1에는, 화상 처리에 의해 입력 화상 상의 휘도 경계에 의해 구획된 휘도 영역을 복수 추출하고, 휘도 영역의 무게 중심의 위치 관계로부터 오버레이 계측을 하는 기술이 개시되어 있다. 또한, 특허문헌 2에는, CAD 화상 등의 설계 화상 혹은 설계 화상으로부터 추측한 입력 화상의 예측 화상을 참조하여, 입력 화상을 화소 단위로 영역 분할하고, 영역 분할된 영역의 무게 중심의 위치 관계로부터 오버레이 계측을 하는 기술이 개시되어 있다. 또한, 특허문헌 3에는, 사전에 수집된 오버레이 계측 대상의 화상의 샘플을 사용하여 화상으로부터 오버레이양(오버레이 계측의 대상인 반도체의 구조의 위치 어긋남양)을 추론하는 기계 학습 모델을 학습해 두고, 기계 학습 모델을 참조하여 입력 화상으로부터 오버레이양을 계측하는 기술이 개시되어 있다.
WO2017/130365호 공보 일본 특허 공표 제2018-522238호 공보 일본 특허 공표 제2010-538474호 공보
그러나, 특허문헌 1에 개시된 기술에는, 입력 화상에 따라 화상 처리 중의 파라미터를 사람 손으로 조정할 필요가 있고, 또한 파라미터의 조정에 노하우도 필요하기 때문에, 오버레이 계측을 하는 작업자가 전문가에 한정된다고 하는 과제가 있다.
또한, 특허문헌 2에 개시된 기술에는, 설계 화상이 개시되지 않는 등의 이유로 입수할 수 없는 경우에 운용할 수 없다고 하는 과제가 있다.
또한, 특허문헌 3에 개시된 기술에는, 입력 화상으로부터 오버레이양을 계측하는 과정을 눈으로 보아 확인할 수 없기 때문에, 입력 화상으로부터 예기되지 않는 오버레이양이 계측된 경우에 요인 해석이 곤란하다는 과제가 있다.
본 개시는 이러한 상황을 감안하여 이루어진 것이며, 노하우를 요하는 화상 처리의 파라미터 조정이나 입수 곤란한 경우가 있는 설계도의 참조를 따르지 않고 계측 처리의 실행을 가능하게 하는 기술을 제안한다.
이상 설명한 과제를 달성하기 위해, 본 개시의 실시 형태는, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법으로서, 적어도 하나의 프로세서가, 반도체의 샘플 화상으로부터 얻어지는 영역 분할 화상에 대하여 적어도 하나의 계측 대상의 구조를 포함하는 라벨을 할당함으로써 교사 데이터를 생성하는 것과, 적어도 하나의 프로세서가, 복수의 층으로 구성되는 네트워크 구조에 기초하여, 샘플 화상의 영역 분할 화상과 교사 데이터를 사용하여, 학습 모델을 생성하는 것을 포함하고, 학습 모델은, 샘플 화상으로부터 교사 데이터를 추론하기 위한 파라미터를 포함하는 방법에 대하여 제안한다.
본 개시에 관련된 한층 더한 특징은, 본 명세서의 기술, 첨부 도면으로부터 밝혀질 것이다. 또한, 본 개시의 양태는, 요소 및 다양한 요소의 조합 및 이후의 상세한 기술과 첨부되는 청구범위의 양태에 의해 달성되며, 실현된다.
본 명세서의 기술은 전형적인 예시에 지나지 않으며, 본 개시의 청구범위 또는 적용예를 어떠한 의미에 있어서도 한정하는 것은 아니다.
본 개시에 따르면, 노하우를 요하는 화상 처리의 파라미터 조정이나 입수 곤란한 경우가 있는 설계도의 참조를 수반하지 않고, 계측 처리를 실행하는 것이 가능하게 된다.
도 1은 실시예 1에 의한 교사 작성부터 오버레이 계측까지의 기능 구성의 일례를 도시하는 도면이다.
도 2는 샘플 화상의 예를 도시하는 도면이다.
도 3은 영역 분할 화상의 예를 도시하는 도면이다.
도 4는 교사 작성부(1)에 의해 제공되는, 샘플 화상(13)으로부터 교사 데이터(14)를 작성하기 위한 유저 인터페이스의 구성예를 도시하는 도면이다.
도 5는 학습 모델(11)에 있어서의 딥 뉴럴 네트워크 구조(179)의 예를 도시하는 도면이다.
도 6은 뉴럴 네트워크 구조(179)와 화상의 기하적인 관계에 대하여 보충 설명하기 위한 도면이다.
도 7은 입력 화상(12)의 일례인 화상(50)을 도시하는 도면이다.
도 8은 그룹화부(4)의 출력의 예를 도시하는 도면이다.
도 9는 그룹화부(4)가 실행하는 그룹화 처리의 상세를 설명하기 위한 흐름도이다.
도 10은 오버레이 계측의 제1 및 제2 계측 대상의 라벨의 예를 도시하는 도면(표)이다.
도 11은 오버레이 계측부(5)가 실행하는 오버레이 계측 처리의 상세를 설명하기 위한 흐름도이다.
도 12는 템플릿 데이터(85)의 구성예를 도시하는 도면이다.
도 13은 오버레이 계측의 제1 및 제2 계측 대상의 라벨의 다른 예를 도시하는 도면(표)이다.
도 14는 실시예 2에 의한 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다.
도 15는 샘플 화상의 조(30a 및 30b)와, 영역 분할 화상(라벨이 할당된 교사 데이터)(40a 및 40b)의 예를 도시하는 도면이다.
도 16은 실시예 3에 의한 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다.
도 17은 샘플 화상(213)의 구성예를 도시하는 도면이다.
도 18은 교사 데이터(214)의 구성예를 도시하는 도면이다.
도 19는 교사 작성부(201)에 의한 교사 작성 처리를 설명하기 위한 흐름도이다.
도 20은 스텝 S204의 통계량에 의한 보정의 예를 설명하기 위한 도면이다.
도 21은 스텝 S204의 통계 처리에 의한 보정의 다른 예를 설명하는 도면이다.
도 22는 실시예 4의 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다.
도 23은 위치 정보 화상(340)의 예를 도시하는 도면이다.
도 24는 위치 정보 화상(360)의 예를 도시하는 도면이다.
도 25는 오버레이 계측부(305)에 의한 오버레이 계측 처리를 설명하기 위한 흐름도이다.
도 26은 실시예 5에 의한 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다.
도 27은 영역 분할 화상(440)으로부터 추론된 화상(430)의 예를 도시하는 도면이다.
도 28은 영역 분할 화상(440) 중에서 소영역(71q)을 레이아웃 변경한 경우의 예를 도시하는 도면이다.
도 29는 영역 분할 화상(440) 중에서 소영역(71q)을 레이아웃 변경하였을 때에 차폐가 생겼을 때의 예(라벨 43, 41 및 42의 순으로 전방측에 있다고 정하였을 때의 예)를 도시하는 도면이다.
도 30은 실시예 6에 의한 교사 작성부터 화상 계측 검사까지의 기능 구성예를 도시하는 도면이다.
도 31은 본 실시 형태(각 실시예 공통)에 의한 계측 시스템(310)의 개략 구성예를 도시하는 도면이다.
본 실시 형태 및 각 실시예는, 소정의 구조(예를 들어, 다층 구조)를 갖는 반도체에 있어서의 화상 계측을 행하는 계측 시스템에 관한 것으로, 보다 구체적으로는 반도체가 다층 구조인 경우, 층간의 어긋남양을 계측하는 오버레이 계측을 행하는 계측 시스템에 관한 것이다. 단, 본 개시에 의한 기술은, 오버레이 계측에 한정하여 적용되는 것은 아니며, 넓게 화상 계측 일반에 적용할 수 있는 것이다.
이하, 첨부 도면을 참조하여 본 개시의 실시 형태 및 실시예에 대하여 설명한다. 첨부 도면에서는, 기능적으로 동일한 요소는 동일한 번호로 표시되는 경우도 있다. 또한, 첨부 도면은 본 개시의 원리에 준한 구체적인 실시 형태와 실시예를 도시하고 있지만, 이들은 본 개시의 이해를 위한 것이며, 결코 본 개시를 한정적으로 해석하기 위해 사용되는 것은 아니다.
본 실시 형태에서는, 당업자가 본 개시를 실시하는 데 충분히 상세하게 그 설명이 이루어져 있지만, 다른 실장ㆍ형태도 가능하며, 본 개시의 기술적 사상의 범위와 정신을 일탈하지 않고 구성ㆍ구조의 변경이나 다양한 요소의 치환이 가능한 것을 이해할 필요가 있다. 따라서, 이후의 기술을 이것에 한정하여 해석해서는 안된다.
또한, 본 개시의 실시 형태는, 후술되는 바와 같이, 범용 컴퓨터 상에서 가동하는 소프트웨어로 실장해도 되고 전용 하드웨어 또는 소프트웨어와 하드웨어의 조합으로 실장해도 된다.
또한, 이후의 설명에서는 「테이블」 형식에 의해 본 개시의 각 정보에 대하여 설명하지만, 이들 정보는 반드시 테이블에 의한 데이터 구조로 표현되어 있지 않아도 되며, 리스트, DB, 큐 등의 데이터 구조나 그 이외로 표현되어 있어도 된다. 그 때문에, 데이터 구조에 의존하지 않는 것을 나타내기 위해 「테이블」, 「리스트」, 「DB」, 「큐」 등에 대하여 간단히 「정보」라고 칭하는 경우가 있다.
또한, 각 정보의 내용을 설명할 때, 「번호」, 「식별 정보」, 「식별자」, 「명」, 「이름」, 「ID」라는 표현을 사용하는 것이 가능하며, 이들에 대해서는 서로 치환이 가능하다.
(1) 실시 형태
본 실시 형태(및 실시예 1 내지 6)는, 예를 들어 소정의 구조(예를 들어, 다층 구조)를 포함하는 반도체의 화상 계측을 행하는 계측 시스템에 관한 것이다. 당해 계측 시스템은, 반도체의 샘플 화상으로부터 생성된 교사 데이터와 샘플 화상에 기초하여 생성된 학습 모델을 참조하여, 소정의 구조를 갖는 반도체의 입력 화상(계측 대상)으로부터 영역 분할 화상을 생성하고, 당해 영역 분할 화상을 사용하여 화상 계측을 행한다. 여기서, 교사 데이터는, 샘플 화상에 있어서의 반도체의 구조를 포함하는 라벨이 화상의 각 화소에 할당된 화상이며, 학습 모델은, 샘플 화상으로부터 교사 데이터를 추론하기 위한 파라미터를 포함하고 있다. 이 학습 모델을 사용함으로써, 샘플 화상으로부터 교사 데이터로의 추론이 입력 화상에 대하여 적용되므로, 입력 화상의 설계 데이터를 사용하지 않고 계측 처리를 실행하는 것이 가능하게 된다.
도 31은, 본 실시 형태(각 실시예 공통)에 의한 계측 시스템(310)의 개략 구성예를 도시하는 도면이다. 계측 시스템(310)은, 예를 들어 오버레이 계측을 실행하는 오버레이 계측 시스템, 반도체 화상 중의 윤곽 추출이나 홀 형상 등의 치수를 계측하는 치수 계측 시스템, 결함 패턴 등을 검출하는 결함 패턴 검출 시스템, 설계도의 추론과 실제의 설계도의 대조 위치를 탐색하는 패턴 매칭 시스템 등에 상당한다.
계측 시스템(310)은, 예를 들어 메인 프로세서(190)를 포함하는 메인 계산기(191)와, 메인 계산기(191)에 지시나 데이터를 입력함과 함께, 연산 결과를 출력하는 입출력 장치(192)와, 측정 대상의 화상을 공급하는 전자 현미경 혹은 전자 현미경의 화상을 축적하는 서버 계산기(193)(이하, 전자 현미경 등이라고 함)와, 제1 서브 프로세서(190a)를 포함하는 제1 서브 계산기(191a)와, 제2 서브 프로세서(190b)를 포함하는 제2 서브 계산기(191b)를 구비하고, 각각의 구성 요소가 네트워크(예를 들어, LAN 등)에 의해 접속되어 있다. 또한, 도 31에 있어서, 제1 및 제2 서브 계산기(191a 및 191b)가 2개 마련되어 있지만, 모든 연산을 메인 계산기 중에서 실행해도 되고, 메인 계산기(191)를 보조하기 위한 서브 계산기를 1 이상 마련해도 된다.
메인 계산기(191)는, 후술하는, 도 1, 14, 16, 22, 26 및 30에 있어서의 교사 작성 처리 및 학습 모델 작성 처리(각 도면에 있어서의 교사 작성부 및 학습부에 대응하는 처리)를 실행한다. 또한, 추론 처리 및 계측 처리(각 도면에 있어서의 영역 분할부, 그룹화부 및 계측부(오버레이 계측부)에 대응하는 처리)는, 메인 계산기(191) 혹은 제1 서브 계산기(191a) 및 제2 서브 계산기(191b)에서 분산하여 처리해도 된다. 또한, 제1 서브 계산기(191a) 및 제2 서브 계산기(191b)에서는, 추론 처리 및 계측 처리만 실행하고, 교사 작성 처리 및 학습 모델 작성 처리는 실행하지 않도록 구성할 수 있다. 또한, 서브 계산기가 복수 설치되어 있는 경우(예를 들어, 제1 서브 계산기(191a) 및 제2 서브 계산기(191b))에는, 각 서브 계산기간에서 추론 처리 및 계측 처리를 분산시켜도 된다.
전자 현미경 등(193)은, 예를 들어 웨이퍼 상에 형성된 반도체 패턴 화상을 취득(촬상)하고, 메인 계산기(191)나 서브 계산기(191a 및 191b)에 제공한다. 전자 현미경 등(193)이 서버 계산기인 경우, 서버 계산기는, 전자 현미경에 의해 촬상된 반도체 패턴 화상을 기억 디바이스(예를 들어, 하드 디스크 드라이브(HDD))에 저장하고, 메인 계산기(191)의 지시에 응답하여, 지시에 대응하는 화상을 메인 계산기(191) 등에 제공한다.
이하, 계측 시스템(310)에 있어서 실행되는 처리의 각 실시예에 대하여 상세하게 설명한다. 또한, 실시예 1부터 5까지는, 계측예로서 오버레이 계측을 예시하고 있다. 실시예 6에 있어서는, 본 개시의 기술을 모든 계측 처리에 적용할 수 있는 것이 명시되어 있다.
(2) 실시예 1
도 1은, 실시예 1에 의한 교사 작성부터 오버레이 계측까지의 기능 구성의 일례를 도시하는 도면이다. 교사 작성부(1) 및 학습부(2)의 기능은, 메인 계산기(191)의 메인 프로세서(190)가 도시하지 않은 기억부로부터 대응하는 각 처리 프로그램을 읽어들임으로써 실현된다. 또한, 영역 분할부(3), 그룹화부(4) 및 오버레이 계측부(5)의 기능은, 메인 계산기(191)의 메인 프로세서(190) 혹은 서브 계산기(191a나 191b)의 서브 프로세서(190a나 190b)가 도시하지 않은 기억부로부터 대응하는 각 프로그램을 읽어들임으로써 실현된다.
<기능 구성의 개요>
우선, 도 1에 도시되는 교사 작성부터 오버레이 계측까지의 기능 구성의 개요에 대하여 설명한다. 샘플 화상(13)은, 사전에 수집된 오버레이 계측의 대상으로 하는 화상의 샘플이다. 교사 데이터(14)는, 오버레이 계측의 계측 대상으로 되는 반도체 내의 구조를 포함하는 라벨을 화상 중의 각 화소에 할당한 영역 분할 화상을, 샘플 화상(13)의 각각에 대하여 준비한 것이다.
교사 작성부(1)는, 샘플 화상(13)으로부터 교사 데이터(14)를 작성함과 함께, 교사 데이터(14)를 작성하기 위한 유저 인터페이스도 제공한다. 학습 모델(11)은, 화상(예를 들어, 샘플 화상)으로부터 영역 화상 분할을 구하는 기계 학습 모델 중의 계수 등의 파라미터이다. 학습부(2)는, 샘플 화상(13)이 입력되었을 때 교사 데이터(14)에 가능한 한 가까운 영역 분할 화상을 추론하는 학습 모델(11)을 계산한다.
입력 화상(12)은, 오버레이 계측 시에 있어서, 계측의 대상으로 되는 화상이다. 영역 분할부(3)는, 학습 모델(11)을 참조하여, 입력 화상(12)으로부터 영역 분할 화상을 추론한다. 그룹화부(4)는, 영역 분할 화상 중의 오버레이 계측의 계측 대상을 소영역의 단위로 그룹화를 행한다. 오버레이 계측부(5)는, 그룹화부(4)가 그룹화한 소영역의 위치로부터 오버레이 계측을 행한다.
이상의 교사 작성부(1), 학습부(2), 영역 분할부(3), 그룹화부(4) 및 오버레이 계측부(5)의 각 기능은, 임의의 계산기 상에 있어서의 신호 처리에 의해 실현할 수 있다.
<각 기능 구성의 상세>
이하, 실시예 1의 각 기능 구성의 상세에 대하여 설명한다. 샘플 화상(13)은, 오버레이 계측을 운용하는 것보다도 전에 촬상된 화상으로서, 계측 대상으로 되는 반도체의 시료 혹은 계측 대상으로 되는 반도체의 시료에 화상의 외관이 가까운 시료의 화상이다. 샘플 화상(13)은, 오버레이 계측을 운용하는 전자 현미경 혹은 이 전자 현미경과 촬영 화상의 화질이 가까운 전자 현미경에 의해 수집할 수 있다.
(i) 도 2는, 샘플 화상의 예를 도시하는 도면이다. 도 2에 있어서의 화상(30)은, 예를 들어 샘플 화상의 일부를 도시하고 있다. 화상(30) 내에는 오버레이의 계측 대상의 반도체 내의 구조가 포함되어 있다. 샘플 화상은, 화상(30)과 마찬가지의 화상 1매 이상으로 구성된다.
(ii) 교사 데이터(14)는, 샘플 화상(13) 중의 각각의 화상(30)으로부터 구한 영역 분할 화상으로 구성된다. 도 3은, 영역 분할 화상의 예를 도시하는 도면이다. 도 3에 있어서, 영역 분할 화상(40)에는, 화상(30) 중의 각 화소에 있어서, 제1 계측 대상, 제2 계측 대상 및 배경을 나타내는 라벨 41, 라벨 42 및 라벨 43이 할당되어 있다. 라벨 41 및 42에 대응하는 제1 계측 대상 및 제2 계측 대상은 오버레이의 계측 대상이며, 예를 들어 비아나 트렌치 및 그 밖의 반도체 내의 구조에 상당한다. 반도체 내의 구조를 어떻게 정할지는, 오버레이 계측의 운용에 따라 사전에 결정된다. 또한, 영역 분할 화상(40)에는 라벨 41, 42 및 43 이외에도 부가적인 라벨이 할당되도록 해도 된다. 예를 들어, 도 3 중에 있어서 영역 분할 화상(40) 중에는, 학습부(2)가 제외하는 무효 영역에 따른 라벨 49가 할당되어 있다.
(iii) 도 4는, 교사 작성부(1)에 의해 제공되는, 샘플 화상(13)으로부터 교사 데이터(14)를 작성하기 위한 유저 인터페이스의 구성예를 도시하는 도면이다. 도 4에 있어서, 당해 유저 인터페이스는, 예를 들어 주 화면(90)과, 입력 화면(91)과, 입력 선택 영역(92)과, 입력 펜(93)을 포함한다. 입력 화면(91)에서는, 작업자가 입력 선택(92)의 라디오 버튼 중에서 어느 항목을 선택한 상태에서, 화상(30) 상에 있어서 입력 펜(93)을 조작(예를 들어, 라벨 지정하는 영역을 빈틈없이 칠함) 함으로써, 라벨이 입력 펜으로 조작된 영역에 할당된다. 입력 선택(92)은, 제1 계측 대상, 제2 계측 대상, 배경의 라디오 버튼의 항목의 선택에 따라, 순서대로 라벨 41, 42 및 43이 선택된다. 입력 펜(93)에 의해 입력된 개소에는, 입력 선택(92)에서 선택된 라벨에 따라, 소정의 색 혹은 해조(계조)가 할당된다.
입력 선택(92)은, 무효 영역(49)과 같은 부가적인 라벨을 선택할 수 있는 항목을 포함하고 있어도 된다. 또한, 입력 선택(92)에 있어서의 유저 인터페이스는 일례로서, 라디오 버튼에 첨부된 문자열을 바꾸는 것이나, 라디오 버튼 이외의 유저 인터페이스를 마련해도 된다. 선택용 영역(94)은, 화상(30) 중의 일부에 라벨 41, 42 및 43이 할당된 예를 나타내고 있다. 그리고, 화상(30)의 전체 영역에 마찬가지의 라벨이 할당됨으로써 영역 분할 화상(40)이 작성된다.
이상 설명한 교사 작성부(1)를 사용함으로써, 노하우를 필요로 하는 파라미터 조정이나 설계도의 참조를 필요로 하지 않고, 작업자는 샘플 화상(13)으로부터 교사 데이터(14)를 평이한 작업으로 작성할 수 있다.
(iv) 도 5는, 학습 모델(11)에 있어서의 딥 뉴럴 네트워크 구조(179)의 예를 도시하는 도면이다. 딥 뉴럴 네트워크 구조(179)는, 예를 들어 입력층(170)과, 출력층(171)과, 복수의 중간층(172, 173 및 174)에 의해 구성할 수 있다.
입력층(170)에는, 화상(30)이 저장된다. 입력층(170)으로부터 중간층(172), 그리고 중간층(172)으로부터 중간층(173)으로는, 소정 계수 필터에 의한 컨볼루션 연산이나 화상 축소에 의해 층 내의 데이터가 집약된다. 한편, 중간층(173)으로부터 중간층(174), 및 중간층(174)으로부터 출력층(171)에는, 소정 계수 필터에 의한 컨볼루션 연산이나 화상 확대에 의해 층 내의 데이터가 전개된다. 이러한 네트워크 구조는 일반적으로 콘벌루션 뉴럴 네트워크라고 불린다. 출력층(최종층)(171) 내의 데이터는, 영역 분할 화상(40) 중의 라벨별의 우도를 나타낸다. 우도가 최대로 되는 라벨이 각 화소에 할당됨으로써 영역 분할 화상(40)을 구할 수 있다. 학습 모델(11)은, 중간층에 있어서의 필터의 계수에 상당한다. 또한, 딥 뉴럴 네트워크 구조(179)는, 학습 모델(11)에 있어서의 네트워크 구조의 일례이며, 172 등의 중간층의 수는 도 5에 나타내는 3개에 한정되지 않는다. 또한, 중간층(172과 174)을 연결하는 바이패스 구조와 같은 부가적인 구조를 취하는 것이나 필터 연산에 더한 부가적인 연산을 첨가할 수 있다. 학습 모델(11)에 있어서의 네트워크 구조에 대한 부가적인 구조나 부가적인 연산의 추가에 수반하여 부가적인 파라미터가 추가되는 경우에는, 학습 모델(11)에는 부가적인 파라미터도 추가되게 된다.
(v) 도 6은, 뉴럴 네트워크 구조(179)와 화상의 기하적인 관계에 대하여 보충 설명하기 위한 도면이다. 도 6에서는, 화상(30) 중의 화소(175) 및 영역 분할 화상(40)에 있어서 화소(175)와 동일 좌표의 화소(177)에 착안한다. 이때, 입력층(170) 중에 있어서, 수용야(176)(수용야란, 라벨의 결정에 관여하는 화상 범위이며, 그 크기는 뉴럴 네트워크 구조(179)에 따라 정해짐)라고 불리는 화소(175)의 소정 범위의 근방 영역이 관여한다. 그리고, 입력층(170) 중의 수용야(176)의 데이터로부터는, 컨볼루션 연산이나 화상 확대와 화상 축소에 의해 중간층(172, 173 및 174)의 데이터가 구해지고, 출력층(171) 중에 있어서 화소(177)의 라벨이 정해진다. 또한, 실제로는 화상(30) 중의 각 화소로부터 영역 분할 화상(40) 중의 각 화소의 라벨이 병렬 연산적으로 보다 효율적으로 구해진다.
학습부(2)는, 샘플 화상(13)과 교사 데이터(14)를 참조하여, 화상(30)이 부여되었을 때 영역 분할 화상(40)을 추론하기 위한 학습 모델(11)의 파라미터를 계산한다. 구체적으로는, 학습부(2)는, 예를 들어 샘플 화상(13) 중의 화상(30)으로부터 영역 분할 화상(40)을 추론하고, 추론된 영역 분할 화상(40)과 교사 데이터(14) 중의 화상(30)에 대응한 영역 분할 화상(40)을 비교하여, 양자의 영역 분할 화상(40)의 차가 최적 또한 최소인 학습 모델(11)을 산출한다. 예를 들어, 양쪽 영역 분할 화상(40)의 차를 양자의 전체 화소 중에서 라벨이 다른 화소의 수로 하고, 화소의 수에 대한 학습 모델(11)(뉴럴 네트워크 구조(179)) 중의 각 요소의 편미분 계수를 구한다. 그리고, 학습 모델(11) 중의 각 요소에 편미분 계수에 마이너스의 소정 계수를 승산한 것을 가산하여 갱신하는(화소의 수가 줄어들도록 조금씩 갱신하는) 것을 샘플 화상(13) 중의 각각의 화상(30)에서 축차적으로 행하는 방법이 있다. 단, 이 방법에 한하지 않는다. 여기서, 교사 데이터(14) 중의 대응한 영역 분할 화상(40)에 라벨 49(무효 영역)가 포함되어 있던 경우에는, 그 부분을 라벨이 다른 화소의 수의 집계로부터 제외한다.
또한, 학습부(2)는, 학습 모델(11)을 생성할 때, 샘플 화상(13) 중의 화상(30)에 랜덤 노이즈를 더하거나, 확대나 축소 그리고 좌우 반전이나 상하 반전 등의 기하 변환을 실시하는 등의 합성 처리를 행한 합성 화상을 더하거나 해도 된다. 합성 화상을 더함으로써, 학습부(2)는 보다 풍부한 수의 화상(30)으로부터 학습 모델(11)을 구할 수 있다.
(vi) 입력 화상(12)은, 오버레이 계측 시에 촬영된 화상이다. 도 7는, 입력 화상(12)의 일례인 화상(50)을 도시하는 도면이다. 도 7의 화상(50)에 있어서의 영역(59)은, 샘플 화상(13) 중의 화상(30)과 동일 정도의 치수의 영역이며, 오버레이 계측 대상으로 되는 반도체 내의 구조를 포함하고 있다. 화상(50)의 영역(59)의 밖에는, 영역(59)과 마찬가지로 오버레이 계측 대상으로 되는 반도체 내의 구조가 주기적으로 비치고 있다.
영역 분할부(3)는, 학습 모델(11)을 참조하여, 입력 화상(12)으로부터 도 7 중의 영역 분할 화상(60)을 추론한다. 영역 분할 화상(60) 중의 영역(69)은, 영역(59)과 동일한 범위의 영역이다. 여기서 추론이란, 학습 모델(11)의 네트워크 구조에 데이터를 입력하여, 네트워크 구조의 각 층(입력층(170), 출력층(171) 및 중간층(172, 173 및 174))의 컨볼루션 연산 등의 계산을 행하여, 계산 결과를 취득하는 것을 의미한다. 영역 분할 화상(60) 중의 영역(69)의 각 화소에는, 영역 분할 화상(40)과 마찬가지로 라벨 41, 42 및 43 중 어느 것이 할당된다. 영역(59)의 화상이 샘플 화상(13) 중의 화상(30)의 어느 것과 유사한 경우, 학습부(2)가 학습 모델(11)을 구하는 과정에 있어서 화상(30)에 따른 영역 분할 화상(40)을 추론하는 특질이 학습 모델(11)에 구비된다. 이 때문에, 영역(69)에는 정확한 라벨을 할당할 수 있다. 영역 분할 화상(60) 중의 영역(69) 이외의 남은 영역도 마찬가지이다. 여기서, 「유사」의 척도(기준)는, 수용야(176)(화상(30) 중의 소영역)의 단위에 있어서, 내부의 화상이 유사한 것으로 한다. 특히, 오버레이 계측에 있어서는, 계측 대상으로 되는 반도체 내의 구조가 주기적이다. 이 때문에, 샘플 화상(13) 중의 화상이 영역 분할 화상(60)보다 치수가 작은 것이라도, 영역 분할 화상(60)과 유사한 조건을 충족하는 화상(30)이 샘플 화상(13) 내에 존재하여, 정확한 라벨이 할당되는 것을 기대할 수 있다.
(vii) 그룹화부(4)는, 도 9의 흐름도로 나타내어지는 처리를 실행함으로써 영역 분할 화상(60) 중에 있어서의 오버레이의 계측 대상을 소영역 단위로 그룹화한다. 그룹화 처리의 상세에 대해서는 후술한다.
(viii) 오버레이 계측부(5)는, 도 11의 흐름도로 나타내어지는 처리를 실행함으로써, 그룹화 화상(70)으로부터 오버레이 계측을 행한다. 오버레이 계측 처리의 상세에 대해서는 후술한다.
<그룹화 처리의 상세>
도 9는, 그룹화부(4)가 실행하는 그룹화 처리의 상세를 설명하기 위한 흐름도이다. 그룹화 처리는, 도 10의 표 80에 의해 지정되는 계측 대상의 항목에 따라, 영역 분할 화상(60)의 소정의 영역에 부여된 라벨에 따라 관련되는 소영역별로 그룹화한다
그룹화부(4)는, 스텝 S1부터 스텝 S4에 있어서, 도 10 중의 표 80에 지정된 계측 대상의 항목별로(제1 계측 대상과 제2 계측 대상), 스텝 S2 및 스텝 S3의 처리를 반복하여 실행한다.
스텝 S2에 있어서, 그룹화부(4)는, 영역 분할 화상(60) 중의 대상 라벨의 화소를 1, 그 이외를 0으로 한 2치 화상을 구한다. 도 10에 따르면, 대상 라벨은, 제1 계측 대상에 대하여 라벨 41, 제2 계측 대상에 대하여 라벨 41과 라벨 42로 된다. 제2 계측 대상에 대하여 복수의 라벨이 지정되는 것은, 화상(50) 중에 있어서 라벨 41에 따른 구조가 라벨 42에 따른 구조보다 전방측에 있기 때문에, 영역 분할 화상(60)에 있어서 라벨 42의 일부가 라벨 41에 차폐되어 있기 때문이다.
스텝 S3에 있어서, 그룹화부(4)는, 스텝 S2에서 얻은 2치 화상으로부터, 소영역의 단위로 그룹화한다. 소영역 단위의 그룹화의 방법으로서, 2치 화상 중의 값 1의 화소가 이루는 연결 영역의 단위로 그룹화하는 라벨링이라고 불리는 방법을 적용할 수 있다. 단, 라벨링에 한하지 않고 소영역 단위의 그룹화가 가능한 다른 방법을 적용할 수 있다.
이상과 같이 하여 그룹화 처리가 실행된다. 여기서, 도 8은, 그룹화부(4)의 출력의 예를 도시하는 도면이다. 도 8에 있어서, 화상(70)은, 그룹화 처리(도 9)에 의해 구한 그룹화 화상의 예를 도시하고 있다. 소영역(71a, 71b, 71c 및 71d)은, 표 80 중의 제1 계측 대상에 대응하는 소영역이다. 또한, 소영역(72a, 72b, 72c 및 72d)은, 표 80 중의 제2 계측 대상에 대응하는 소영역이다. 그룹화 화상(70) 중의 영역(79)은, 영역(59)(도 7 참조)과 동일한 범위의 영역이다. 예를 들어, 반도체 패턴의 경우, 영역 분할 화상(60)(도 7 참조)에 있어서의 영역(59)의 밖에는, 영역(59)과 마찬가지의 소영역이 반복하여 출현한다. 즉, 반도체 패턴의 경우, 유사 패턴이 반복해서 나타나게 되므로, 교사 데이터를 화상 중의 전체 화소에 대하여 작성하지 않아도 된다. 예를 들어, 소영역인 수용야(176)(도 6 참조)의 교사 데이터가 얻어지면, 수용야(176)보다 큰 영역의 화상 전체를 추론하는 것이 가능한 학습 모델을 구축할 수 있어, 작업자(오퍼레이터)의 수고를 줄일 수 있다.
<오버레이 계측 처리의 상세>
도 11은, 오버레이 계측부(5)가 실행하는 오버레이 계측 처리의 상세를 설명하기 위한 흐름도이다.
(i) 스텝 S11
오버레이 계측부(5)는, 제1 계측 대상에 대하여 템플릿의 위치 정렬을 한다. 여기서, 템플릿이란, 제1 계측 대상의 각 요소의 X 좌표와 Y 좌표이며, 오버레이 계측의 운용보다 사전에 준비된 데이터이다. 도 12는, 템플릿 데이터(85)의 구성예를 도시하는 도면이다. 도 12에 있어서, 템플릿 데이터(85)는, 제1부터 제N까지의 각 요소의 X 좌표 및 Y 좌표로 구성된다. 템플릿 데이터(85)는, 대표예로 되는 그룹화 화상(70)에 있어서의 소영역(71a, 71b, 71c 및 71d) 등의 무게 중심의 X 좌표 및 Y 좌표로부터 구해진다. 혹은, 템플릿 데이터(85)는, 반도체의 설계도 등으로부터 구해도 된다.
위치 정렬의 기준으로서는, 템플릿 중의 전점의 무게 중심과, 제1 계측 대상의 소영역(71a) 등의 무게 중심이 맞도록 맞추는 것을 들 수 있지만, 이 방법에 제한되지 않는다.
(ii) 스텝 S12
오버레이 계측부(5)는, 위치 정렬한 템플릿 데이터(85)에 있어서의 요소 각각에 대응한 소영역(71a) 등을 선택한다. 선택의 기준은, 소영역(71a) 등 중에서 무게 중심이 가장 템플릿 데이터(85)의 요소에 가까운 것으로 할 수 있지만, 꼭 그렇지만은 않다.
(iii) 스텝 S13부터 S18
오버레이 계측부(5)는, 스텝 S12에서 선택된 소영역별로 스텝 S14부터 S17의 처리를 반복하여 실행한다. 이하의 설명에서는 소영역(71a)을 대상으로 한 경우를 예로 들어 설명한다.
(iii-1) 스텝 S14
오버레이 계측부(5)는, 제1 계측 대상의 대표 위치인 위치 1을 계산한다. 위치 1은, X 좌표의 X1과 Y 좌표의 Y1이라는 2개의 요소로 구성된다. 위치 1은, 소영역(71a) 등의 무게 중심 위치의 X 좌표와 Y 좌표로부터 계산한다.
(iii-2) 스텝 S15
오버레이 계측부(5)는, 제2 계측 대상의 소영역 중에서, 소영역(71a)과 오버레이양을 계측하는 것을 선택한다. 이 선택의 기준에는 무게 중심의 위치가 가장 가까운 것을 선택한다고 하는 기준을 적용할 수 있다. 도 8의 경우, 예를 들어 소영역(72a)이 선택된다.
(iii-3) 스텝 S16
오버레이 계측부(5)는, 스텝 S14와 마찬가지의 수순으로, 스텝 S15에서 선택한 제2 계측 대상의 소영역(예를 들어, 소영역(72a))의 대표 위치인 위치 2를 구한다. 위치 2는, X 좌표의 X2와 Y 좌표의 Y2라고 하는 2개의 요소로 구성된다.
(iii-4) 스텝 S17
오버레이 계측부(5)는, 위치 2와 위치 1로부터, 하기 식 1 및 식 2에서 X 좌표 및 Y 좌표의 변위량인 Dx 및 Dy를 계산한다.
Dx=X2-X1 … (식 1)
Dy=Y2-Y1 … (식 2)
(iv) 스텝 S19
오버레이 계측부(5)는, 식 1 및 식 2에 기초하여 구한 Dx 및 Dy의 변위량의 통계량을 계산한다. 당해 통계량을 산출할 때에는 상가 평균을 적용할 수 있지만, 이에 한하지 않고 상승 평균이나 중앙값이어도 된다. 오버레이 계측부(5)는 스텝 S19에서 구한 변위량의 통계량을 화상(50)의 오버레이양으로 한다.
<실시예 1에 의한 기술적 효과>
실시예 1에 따르면, 사전에 교사 작성부(1)에 있어서 샘플 화상(13)으로부터 작성한 교사 데이터(14)를 사용하여 학습부(2)가 학습 모델(11)을 구하는 과정을 마련해 둔다. 그리고, 영역 분할부(3)가 학습 모델(11)을 참조하여 입력 화상(12)으로부터 구한 영역 분할 화상(60)을 사용함으로써, 그룹화부(4)와 오버레이 계측부(5)에 의해 오버레이양을 계측할 수 있다. 이에 의해 특허문헌 1과는 달리, 노하우를 요하는 파라미터의 조정을 요하지 않고, 또한 특허문헌 2와는 달리, 입력 화상(12)의 설계 데이터를 필요로 하지 않고, 영역 분할 화상(60)을 추론함으로써 정확한 오버레이 계측이 가능하게 된다. 또한, 영역 분할 화상(60)이나 그룹화 화상(70)이라고 하는 중간 처리 데이터를 가시화할 수 있기 때문에, 특허문헌 3과 달리 예기치 않은 오버레이양이 계측된 경우에 중간 처리 데이터를 화면 표시함으로써 요인의 파악이 가능하게 된다. 즉, 영역 분할부(3)에서는 학습 모델(11)을 참조하여 입력 화상(12)을 영역 분할하기 때문에, 상술한 제1 및 제2 과제가 해결된다. 또한, 영역 분할 화상은 가시화할 수 있는 데이터이기 때문에 작업자가 확인하는 것이 용이하다. 이 때문에, 제3 과제도 해결된다.
또한, 실시예 1에 따르면, 학습 모델(11)이 수용야(176)의 단위로 영역 분할 화상(40)을 추론한다. 또한, 오버레이 계측 처리에서는, 일반적으로 입력 화상(12)(화상(60): 도 7 참조)이 주기적인 반도체 내의 구조를 비추고 있다. 이 때문에, 교사 작성부(1)에 있어서 주 화면(90)의 유저 인터페이스를 사용하여 교사 데이터(14)를 할당하는 샘플 화상(13)에 있어서의 화상(30)의 치수가, 입력 화상(12) 중의 화상(60)보다 작은 치수로 끝난다. 이에 의해, 작업자가 교사 데이터(14)를 할당할 때의 공정수를 저감할 수 있다.
<실시예 1의 변형예>
이상 설명한 실시예 1에서는 구성 요소를 변경할 수 있다. 예를 들어, 학습 모델(11)은, 상술한 뉴럴 네트워크 구조 이외에도, 수용야(176)의 단위로 화상(30)으로부터 영역 분할 화상(40)을 추론하는 임의의 기계 학습 모델을 적용할 수 있다. 예를 들어, 화상(30)의 수용야(176)의 전체 화소로부터 화소(177)의 라벨을 정하는 선형 판별기여도 된다.
스텝 S16에서는 위치 2의 X2와 Y2의 좌표를, 다른 라벨의 소영역으로부터 구해도 된다. 예를 들어, 도 13에 도시되는 표 81을 참조한 경우, 스텝 S16에 있어서, 오버레이 계측부(5)는, 좌표 X2를 라벨 41 및 라벨 42의 소영역, 좌표 Y2를 라벨 44(도 3의 영역 분할 화상(40)의 예 중에 도시하지 않은 반도체 내의 소정의 구조에 할당한 라벨)의 소영역으로부터 구한다. 라벨 42에 대응하는 반도체 내의 구조의 종방향의 윤곽(콘트라스트)이 불선명하기 때문에 라벨 41 및 라벨 42와 맞춘 소영역으로부터는 정확한 Y2가 구해지지 않는 경우가 있다. 이러한 경우, 도 3에 있어서 종방향에 있어서의 콘트라스트(가로 줄무늬)가 선명한 구조에 할당한 라벨 44(예를 들어, 실시예 2의 도 15의 라벨 42b)를 추가함으로써 정확한 좌표 Y2가 구해진다. 즉, 라벨 42에 대응하는 반도체 내의 구조의 종방향의 콘트라스트가 불선명한 경우에는, 오버레이 계측 대상을 새롭게 할당한 라벨 44로 변경함으로써, 정확하게 좌표 Y2를 구할 수 있게 된다.
또한, 스텝 S16에 있어서 표 81을 참조하는 경우, 스텝 S16에 있어서 표 80을 참조하는 경우와 비교하여, 교사 작성부(1)는, 라벨 44를 라벨의 할당의 대상에 더한다. 그리고, 영역 분할부(3)는 라벨 44를 추론의 대상에 더하고, 그룹화부(4)는 라벨 44를 그룹화의 대상에 더한다. 마찬가지로, 스텝 S14에서는, 위치 1의 X1과 Y1의 좌표를 다른 라벨의 소영역으로부터 구해도 된다.
스텝 S11의 처리는, 오버레이 계측으로서 일반적이지만, 제외해도 된다. 그 경우, 스텝 S12에서는 그룹화 화상(70) 중의 소영역(71a) 등의 전부가 선택된다. 혹은, 스텝 S12에서는 소영역(71a) 등 중에서 면적이 노이즈 정도로 작은 등의 부가적인 취사 선택을 행해도 된다.
(3) 실시예 2
<기능 구성예>
도 14는, 실시예 2에 의한 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다. 도 14에 있어서, 샘플 화상(113)은, 예를 들어 촬영 조건을 바꾸어 반도체 웨이퍼에 있어서의 동일 개소를 복수회 촬영한 화상의 조이다. 여기서, 촬영 조건이란, 전자 현미경의 가속 전압이나, 반사 전자상이나 2차 전자상을 촬상하는 것이나 양자의 합성 화상을 구할 때의 합성 비율 등이지만, 꼭 그렇지만은 않다.
도 15는, 샘플 화상의 조(30a 및 30b)와, 영역 분할 화상(라벨이 할당된 교사 데이터)(40a 및 40b)의 예를 도시하는 도면이다. 화상(30a)은, 영역(31a) 내에 가로로 긴 구조가 있지만, 그 상하의 윤곽(종방향의 콘트라스트)은 불선명하다. 한편, 화상(30b)은, 영역(31a)과 동일 개소의 영역(31b)의 화상을 포함한다. 화상(30b)에 있어서, 상하의 윤곽(종방향의 콘트라스트)은 선명한 구조로 되어 있다.
오버레이 계측 처리에서는, 다층의 반도체를 촬영 대상으로 하고, 전자 현미경으로부터 보아 다층 중의 각 층에 핀트가 맞는 심도는 달라서 층별로 가장 선명한 촬영 조건이 다르다. 이 때문에, 촬영 조건을 바꾸어 복수회 촬영함으로써 화상 중의 모든 구조로부터 선명한 상을 취득할 수 있는 경우가 존재한다. 교사 작성부(1)는, 샘플 화상(113)에 있어서의 화상의 조에 라벨을 할당하여, 교사 데이터(114)를 작성함과 함께, 그를 위한 유저 인터페이스를 제공한다. 도 15에 있어서의 교사 데이터(40a 및 40b)는 교사 데이터(114)의 일례이며, 화상(30a) 및 화상(30b) 중에, 각각 라벨 41a, 42a 및 43a와, 라벨 42b 및 42c를 할당한 영역 분할 화상의 조이다.
학습부(102)는, 샘플 화상(113)과, 교사 데이터(114)와, 화상의 조(30a 및 30b)와, 영역 분할 화상의 조(40a 및 40b)로부터, 학습 모델(111)을 산출한다. 학습 모델(111)은, 화상(30a)으로부터 영역 분할 화상(40a)을 추론하는 뉴럴 네트워크 구조와, 화상(30b)으로부터 영역 분할 화상(40b)을 추론하는 뉴럴 네트워크 구조를 포함한다. 이들 뉴럴 네트워크 구조는, 완전 독립된 2개의 뉴럴 네트워크 구조로 해도 되고, 혹은 중간층(173) 등의 일부를 공유한(공통으로 한) 뉴럴 네트워크 구조로 해도 된다.
입력 화상(112)은, 샘플 화상(113)과 동일하거나, 혹은 가까운 촬영 조건에서 촬영된 화상의 조이다. 영역 분할부(103)는, 입력 화상(112)으로부터 영역 분할 화상의 조(40a 및 40b)와 구성을 동일하게 한 영역 분할 화상의 조를 출력한다. 그룹화부(104)는, 영역 분할부(103)가 출력한 영역 분할 화상의 조로부터 라벨 41a와, 라벨 41a 및 42a와, 라벨 42b의 3종류의 라벨이 각각 할당된 소영역을 구하는 연산을 실행한다.
오버레이 계측부(105)는, 도 11에 도시되는 스텝 S14에 있어서의 위치 1을 라벨 41로부터 구하고, 스텝 S16에 있어서의 위치 2의 X 좌표(X2)를 라벨 41a 및 42a로부터 구하고, Y 좌표(Y2)를 라벨 42b로부터 구하도록 하여 오버레이양을 계측한다.
<실시예 2에 의한 기술적 효과>
실시예 2에서는, 이상 설명한 구성에 의해, 단일의 촬영 조건에서는 정확한 오버레이 계측이 곤란한 경우에 있어서도, 동일 개소를 복수의 촬영 조건에서 화상의 조를 사용한다. 이에 의해, 영역 분할부(103)가 추론하는 라벨이 정확하게 되고, 오버레이 계측부(105)는 정확한 오버레이 계측이 가능하게 된다. 또한, 교사 작성부(101)가 샘플 화상(113) 중의 선명한 부분에 라벨을 할당하기 때문에, 교사 작성부(101)는, 정확하게 라벨을 소영역에 할당하여 교사 데이터(114)를 작성할 수 있다.
(4) 실시예 3
실시예 3은, 라벨 할당의 대상을 샘플 화상의 일부로 좁힘으로써, 작업자가 교사 데이터의 라벨 할당 작업의 작업량을 저감하는 기술에 대하여 개시한다.
<기능 구성의 개요>
도 16은, 실시예 3에 의한 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다. 먼저 실시예 3에 의한 기능 구성예의 개요에 대하여 설명한다.
교사 작성부(201)는, 샘플 화상(213) 중의 부분 집합인 화상군(231)에 라벨을 할당한(즉, 화상군(231) 중의 각각의 화상(30)에 라벨을 할당한) 영역 분할 화상군(241)으로부터 중간 학습 모델을 학습한다. 여기서, 중간 학습 모델이라는 문언을 사용하고 있는 것은, 화상군(231)(샘플 화상(213)의 부분 집합)으로부터 영역 분할 화상군(241)을 생성하기 위한 학습 모델로서, 입력 화상(12)으로부터 영역 분할 화상을 생성하기 위한 최종 학습 모델은 아니기 때문이다.
교사 작성부(201)는, 계속해서 중간 학습 모델을 참조하여 남은 샘플 화상(233)으로부터 영역 분할 화상군(243)을 추론하고, 또한 영역 분할 화상군(243)을 보정하는 처리를 실행하거나, 혹은 보정을 위한 유저 인터페이스를 제공한다. 학습부(2), 영역 분할부(3), 그룹화부(4) 및 오버레이 계측부(5)의 각 기능과, 학습 모델(11) 및 입력 화상(12)의 데이터는, 실시예 1과 공통이므로, 설명은 생략한다.
<교사 작성 처리의 상세>
도 17 내지 도 19를 참조하여, 교사 작성 처리의 상세에 대하여 설명한다. 도 17은, 샘플 화상(213)의 구성예를 도시하는 도면이다. 도 18은, 교사 데이터(214)의 구성예를 도시하는 도면이다. 도 19는, 교사 작성부(201)에 의한 교사 작성 처리를 설명하기 위한 흐름도이다.
(i) 스텝 S201
도 17에 도시되는 바와 같이, 샘플 화상(213)은, 사전에 화상군(231)과 화상군(233)의 부분 집합으로 분할된다.
스텝 S201에 있어서, 교사 작성부(201)는, 도 18에 도시하는 영역 분할 화상군(241)을 작성하기 위한 유저 인터페이스(주 화면(90): 도 4 참조)를 작업자에 제공하고, 작업자의 입력에 응답하여 화상군(231)에 라벨을 할당한다.
(ii) 스텝 S202
교사 작성부(201)는, 학습부(2)와 동일한 수순에 따라, 화상군(231)과 영역 분할 화상군(241)으로부터 중간 학습 모델(화상분(231)으로부터 영역 분할 화상군(241)을 생성하기 위한 학습 모델)을 구한다.
(iii) 스텝 S203
교사 작성부(201)는, 영역 분할부(3)와 마찬가지로, 스텝 S202에서 구한 중간 학습 모델을 참조하여, 화상군(233)으로부터 영역 분할 화상군(243) 내를 추론한다(정확하게는 화상군(233) 중의 화상(30) 각각으로부터 영역 분할 화상(40)을 추론함으로써 영역 분할 화상군(243)을 구함).
(iv) 스텝 S204
샘플 화상의 부분 집합인 화상군(231)이 화상군(233)에 포함되는 모든 화상의 성질을 완전히 망라하는 것은 곤란하기 때문에, 대부분의 경우에 있어서 영역 분할 화상군(243)에는 잘못된 라벨이 포함된다. 그래서, 교사 작성부(201)는, 영역 분할 화상군(243)에 있어서의 라벨에 대하여 통계 처리에 의한 보정을 실행한다. 통계 처리에 의한 보정으로서, 예를 들어 반도체 칩 내에 있어서의 동일 촬영 개소를 반복하여 촬영한 영역 분할 화상군(243) 중의 부분 집합 내에 있어서 라벨의 최빈값을 취하는 보정을 행할 수 있다.
여기서, 도 17에 도시하는 화상군(233) 내의 부분 집합의 화상군(232) 중의 화상(32a, 32b로부터 32m(m은 임의의 숫자))은, 반도체 웨이퍼 내의 동일 개소를 반복하여 촬영한 화상이다. 이때, 스텝 S204에 있어서, 화상군(232)으로부터 추론된 영역 분할 화상군(242) 내의 영역 분할 화상(42a, 42b로부터 42m)에는 모두, 최빈값을 취하는 보정에 의해 최빈값의 라벨이 할당된다. 또한, 영역 분할 화상(42a, 42b로부터 42m) 내의 동일 좌표의 화소(43a, 43b로부터 43m)에 착안하였을 때, 보정 전에 있어서 각 화소 중에서 가장 출현 빈도가 높은 라벨이, 최빈값을 취하는 보정에 의해 보정 후에 할당된다. 최빈값을 취하는 보정에 의해, 동일 개소를 반복하여 촬영하였을 때의 화상(30)의 화질이나 중첩되는 노이즈에 의해, 영역 분할 화상(40)의 라벨이 변화해 버리는 것을 보정할 수 있다.
또한, 화상(232) 중의 화상(32a, 32b로부터 화상(32m)의 촬영 개소가 다소 위치 어긋남되는 경우에는 사전에 위치 정렬을 행하도록 해도 된다. 당해 위치 정렬은, 화상(32a)에 대한 화상(32b로부터 화상(32m)의 각 화상 사이에서 화상간의 변위량을 구하고, 화상(32b로부터 화상(32m)을 화상의 변위량분만큼 평행 이동함으로써 이루어지지만, 이외의 방법으로 위치 정렬해도 된다. 화상간의 변위량은, 화상(32b)과 화상(32a)의 경우, 변위량에 따라 화상(32b)을 평행 이동하였을 때, 화상(32b와 32a)의 각 화소의 명도의 차분의 합이 최소로 되는 조건에서 구할 수 있다. 변위량은, 그 밖에도 변위량에 따라 영역 분할 화상(42b)을 평행 이동하였을 때, 영역 분할 화상(42b와 42a)의 사이에 라벨이 일치하지 않는 화소의 수가 최소로 되는 조건에서 구해진다. 화상간의 변위량을 구하는 대상은 선두의 화상(32a) 이외여도 된다.
(v) 스텝 S205
교사 작성부(201)는, 영역 분할 화상군(233) 중에 할당된 라벨이 정확한 것인지를 작업자가 확인하기 위한 유저 인터페이스를 제공한다. 당해 유저 인터페이스는, 영역 분할 화상군(243) 내를 구성하는 각각의 영역 분할 화상(40)을 표시한다. 이때, 영역 분할 화상(40)에 할당된 라벨의 적부를 판단하기 쉽도록, 스텝 S205의 유저 인터페이스에는 화상군(233) 중의 화상(30)을 나란히 표시하거나, 화상(30) 상에 영역 분할 화상(40)을 투과시킨 블렌드 화상을 부가적으로 표시하거나 하도록 해도 된다. 스텝 S205에서 제공되는 유저 인터페이스에는, 영역 분할 화상군(243) 내의 영역 분할 화상(40)의 라벨을 수정하는 기능을 마련해도 된다. 당해 라벨을 수정하는 기능은, 입력 화면(91)(도 4 참조) 중에 영역 분할 화상군(243) 중의 영역 분할 화상(40) 혹은 블렌드 화상의 표시를 행하여, 입력 화면(91)에 있어서의 입력 펜(93)의 조작에 의해 표시 중인 라벨을 수정할 수 있도록 하는 것이다.
(vi) 스텝 S206
교사 작성부(201)는, 영역 분할 화상군(241)과 영역 분할 화상군(243)을 합쳐서 교사 데이터(214)로서 출력한다.
<실시예 3에 의한 기술적 효과>
실시예 3에 따르면, 샘플 화상(213)(즉 화상군(233))에 있어서, 교사 작성부(201)가 제공하는 유저 인터페이스(주 화면(90))를 사용하여 라벨을 할당하는 작업의 대상을 부분 집합인 화상군(231)으로 좁히고, 또한 샘플 화상(213) 내의 모든 화상(30)에 라벨을 할당하여 교사 데이터(214)를 취득하는 것이 가능하게 된다. 실시예 1에 있어서는, 학습 모델(11)은 샘플 화상(13) 중의 모수가 많을수록 추론 결과가 보다 정확하게 된다. 한편, 작업자가 교사 데이터(14)의 라벨을 할당하는 작업의 작업량이 많아져 버린다고 하는 트레이드오프가 있었다. 그러나, 실시예 3에 따르면, 라벨 할당의 작업량을 저감함으로써 상기 트레이드오프를 해소할 수 있게 된다. 특히, 오버레이 계측에서는 일반적으로, 반도체 화상 중에 있어서 반복하여 나타나는 구조를 오버레이 계측의 대상으로 한다. 따라서, 화상분(231)의 모수를 크게 좁혀도, 스텝 S204에 있어서의 통계 처리에 의한 보정이나 스텝 S205에 있어서의 유저 인터페이스에 의한 보정이 곤란한 정도까지 스텝 S203의 추론 결과의 정밀도가 낮아지는 일은 적다고 예기할 수 있다. 따라서, 실시예 3에 따르면, 작업량의 저감에 유효하다고 생각된다.
또한, 스텝 S204에 있어서의 통계 처리에 있어서의 보정을 실행하면, 오버레이 계측의 재현성을 개선하는 것이 가능하게 된다. 여기서, 오버레이 계측의 재현성이란, 반도체 웨이퍼 중의 동일 개소를 반복하여 촬영하였을 때에 있어서의 상기 식 1 및 식 2에 나타내는 오버레이양의 변동 정도의 지표이다. 일반적으로, 지표로서 표준 편차 σ의 3배인 3σ가 사용된다. 오버레이 계측의 재현성을 개선하는 효과는, 스텝 S204에 있어서의 통계 처리에 의한 보정을 행하면, 동일 개소를 반복하여 촬영한 화상군(232) 등에 대한 영역 분할 화상군(242) 등의 라벨이 동일해지기 때문이다. 그 결과, 반도체 웨이퍼 중에 있어서 화상군(231)과 동일 개소의 복수의 화상이 입력 화상(12)으로 되었을 때에는, 복수의 화상으로부터 영역 분할부(3)가 추론하는 영역 분할 화상(60)의 라벨은 접근한다. 이 때문에, 오버레이 계측부(5)가 S19에서 구하는 오버레이양은 균일하게 접근하고, 오버레이 계측의 재현성은 개선된다(작아진다). 또한, 이 효과가 있는 점에서, 스텝 S201에서 제공되는 유저 인터페이스를 사용하여 작성된 영역 분할 화상군(241)에도, 스텝 S204의 통계 처리에 의한 보정을 실시해도 된다.
<실시예 3의 변형예>
(i) 도 19에서 도시하는 흐름도에 있어서, 스텝 S204 혹은 스텝 S205 중 한쪽을 삭제해도 된다. 이것은 스텝 S204만이라도 영역 분할 화상군(243)의 라벨을 보정하는 효과가 있고, 스텝 S205만이라도 영역 분할 화상군(243)의 라벨을 확인 및 보정하는 효과가 있기 때문이다.
(ii) 스텝 S204의 통계 처리에 의한 보정에서는, 최빈값 이외의 통계량을 적용해도 되고, 또한 최빈값을 취하는 이외에 부가적인 처리를 행해도 된다. 예를 들어, 32a, 32b로부터 32m와 같은 동일 좌표의 화소의 라벨에서, 최빈값의 빈도가 낮을 경우에는, 화소의 라벨의 변동이 크다고 보아, 무효 영역(49)의 라벨을 할당해도 된다.
스텝 S204의 통계 처리에 의한 보정에서는, 반도체 웨이퍼 중의 동일 개소를 반복하여 촬영한 화상군(232) 중의 화상을 사용하는 대신에, 화상군(232) 중에 있어서 유사한 복수의 부분 영역을 추출해도 된다. 여기서 부분 영역이란, 도 4에 있어서의 영역(94)과 같은 화상(30) 중의 부분 영역이다. 또한, 유사한 복수의 부분 영역이란, 화상군(232) 중에 있어서의 32a 등의 1매의 화상 혹은 복수의 화상(32a로부터 32m) 등의 복수의 화상으로부터, 유사도가 높은 것을 조건으로 동일 치수의 부분 영역을 복수 추출한 것이다. 또한, 여기서 유사도는, 부분 영역에 있어서의 2매의 화상(30)의 화소의 명도의 상관값에 의해 판단하거나, 부분 영역에 있어서의 2매의 영역 분할 화상(40) 내의 화소 중에서 라벨이 일치하는 화소의 비율로 판단하거나 할 수 있다. 오버레이 계측의 대상으로 하는 반도체 화상은 반복 패턴이기 때문에, 유사한 복수의 부분 영역은 찾기 쉽다.
(iii) 스텝 S204의 통계 처리에 의한 보정은, 영역 분할 화상군(243) 중의 라벨에 소영역 단위의 보정으로 할 수 있다. 여기서, 도 20을 사용하여, 통계량에 의한 보정에 대하여 설명한다. 도 20은, 스텝 S204의 통계량에 의한 보정의 예를 설명하기 위한 도면이다. 도 20은, 영역 분할 화상군(243) 중의 어느 영역 분할 화상(40)으로부터 그룹화부(4)에서 구한 보정 전의 그룹화 화상(270)의 예와, 보정 후의 그룹화 화상(270')의 예를 도시하고 있다.
도 20에 있어서, 당해 통계량에 의한 보정에 의해, 소영역(71h)이 소영역(71h')으로 평행 이동하고 있다. 소영역(71h)의 평행 이동의 양은, 소영역(71h 및 72h)의 무게 중심의 변위량(스텝 S17의 방법으로 구한 변위량)이, 다른 소영역(71i 및 72i, 71j 및 72j, 71k 및 72k)의 무게 중심의 변위량의 평균값으로 정렬되도록 정할 수 있다. 소영역 단위의 보정은, 그 밖에도 스텝 S19에서 구한 변위량의 통계량이 목표값으로 되도록 소영역(71h) 등의 모든 소영역을 일률적으로 평행 이동해도 된다. 예를 들어, 영역 분할 화상군(243) 내에 있어서 그룹화 화상(270)과 반도체 웨이퍼 중의 촬영 개소가 동일한 부분 집합에 있어서, 부분 집합 중의 각 요소로부터 스텝 S19에서 구한 변위량의 통계량을 구하였을 때의 평균값을 목표값으로서 사용할 수 있다. 혹은, 샘플 화상(213) 중의 화상의 각각을 촬영한 반도체 웨이퍼가 인위적인 오버레이양을 부여하여 제조(다층의 반도체에 있어서의 소정의 층 사이를 인위적인 오버레이양만큼 어긋나게 하여 제조)한 것으로서, 또한 인위적인 오버레이양을 알고 있는 경우에는, 샘플 화상(213) 중의 화상 중에 있어서 그룹화와 인위적인 오버레이양이 화상(270)과 동일한 것으로부터 부분 집합을 구해도 된다. 본 명세서에 있어서는, 인위적인 오버레이양을 오버레이양의 설계값이라고 칭하는 경우가 있다.
(iv) 또한, 화상군(233)의 오버레이양의 설계값을 미리 알고 있는 경우에는, 오버레이양의 감도 특성이 좋아지도록 목표값을 정해도 된다. 도 21은, 스텝 S204의 통계 처리에 의한 보정의 다른 예를 설명하는 도면이다. 도 21에 기초하여, 보정 전의 그룹화 화상(270)으로부터 보정 후의 그룹화 화상(270')을 생성할 때의 기준(이동량을 정하기 위한 기준)을 설명할 수 있다.
도 21에 있어서, 예를 들어 오버레이양의 설계값의 X 성분을 U축(295), 오버레이양의 X 성분(상기 식 1의 Dx)을 V축(296)으로 한 그래프(290)를 생각한다. 이때, U축(295)에 대한 V축(296)의 이상값을 연결한 직선을 297(기울기 1 또한 절편 0 직선이나, 기울기를 1로 하여 점(292a, 293b, 293c)의 무게 중심을 통과하는 직선, 혹은 기울기 1을 소정의 기울기로 한 직선 등)로 한다. 그리고, 영역 분할 화상(270)의 오버레이양의 X 성분을 나타내는 점(292a)을 직선(297)에 내린 점(294a)을 목표값의 X 성분으로 할 수 있다. 즉, 벡터(293a)를 평행 이동의 Xb로 할 수 있다. 또한, 도 21에 있어서, 점(292b) 및 점(292c)을 벡터(293b 및 293c)에 의해 점(294b) 및 점(294c)으로 이동하도록, 영역 분할 화상군(243) 중의 270 이외의 영역 분할 화상 전부에 대한 스텝 S19의 오버레이양의 X 성분의 목표값을 정한다. 이와 같이 하면, 평행 이동 후에는 영역 분할 화상군(243) 중에 있어서의 오버레이양의 X 성분은 전부 직선(297) 상에 오른다. 이것은, 영역 분할 화상군(243)에 있어서 오버레이 계측의 감도 특성이 최선으로 되는 조건에 해당한다. 즉, 점(294a, 294b 및 294c) 등으로부터 회귀 직선을 구하였을 때의 회귀 직선의 기울기가 직선(297)에 가깝거나, 혹은 회귀 직선의 회귀 잔차(벡터(292a, 292b 및 292c) 등의 평균적인 2승 거리에 해당함)가 최소로 된다. 오버레이양의 Y 성분(상기 식 2에 나타내는 Dy)에 대해서도, 그래프(290)와 마찬가지의 그래프로부터 오버레이 계측의 감도 특성이 최선으로 되는 목표값을 구할 수 있다.
예를 들어, 복수의 화상 그룹 A, B 및 C가 있는 경우, 이상적으로는 직선(297) 상에 모든 값이 플롯되는 것이 요망된다. 그러나, 실제로는 그러한 이상적인 상태를 얻기는 어렵다. 그래서, 변위량이 있을 때에는, 화상 그룹 단위로 변위량을 보정하면, 적어도 교사 데이터는 직선(297) 상에 플롯되게 된다(학습 모델의 범위에서는 직선(297) 상에 정확하게 플롯되게 할 수 있음). 이 교사 데이터의 변위량을 학습 모델의 관습 및 교사 데이터의 관습으로서 인식할 수 있으므로, 각 화상에 있어서의 변위량의 변동을 억제할 수 있다. 즉, 통계 처리에 의한 보정을 실행함으로써, 오버레이 계측의 감도 특성을 개선할 수 있다.
(v) 스텝 S204의 통계 처리에 의한 보정을 소영역 단위로 행할 때에는, 이상 설명한 몇 개의 보정을 조합하여 행해도 된다. 또한, 소영역 단위의 보정에서는, 평행 이동 이외에도 소영역(71h) 등의 무게 중심이 변화하는 기하적인 변형을 행해도 된다. 예를 들어, 기하적인 변형으로서, 소영역(71h)의 우측 절반을 깎는 것을 들 수 있다. 이에 의해 소영역(71h)의 무게 중심을 좌측으로 이동시킨다.
(vi) 교사 작성부(201)는, 주 화면(90) 등에 있어서 스텝 S204의 통계 처리에 의한 보정을 확인할 수 있도록, 보정 전후의 그룹화 화상(270 및 270')이나, 이에 따른 화상(30)이나 영역 분할 화상(40)을 표시하도록 해도 된다.
(vii) 교사 작성부(201)에서는, 스텝 S202에 나타내는 중간 학습 모델을 몇단계인가로 나누어 구해도 된다. 예를 들어, 화상군(231)과 영역 분할 화상군(241)으로부터 제1 중간 학습 모델, 화상군(231)과 영역 분할 화상군(241)에 더하여 화상군(232)과 제1 중간 학습 모델을 참조한 추론 결과로부터 라벨을 구한 영역 분할 화상군(242)으로부터 제2 중간 학습 모델을 구한다. 그리고, 제2 중간 학습 모델을 참조하여 화상군(233) 중의 화상군(232) 이외를 추론함으로써 교사 데이터(214) 중의 영역 분할 화상(40) 전부에 라벨이 할당되도록 해도 된다.
(5) 실시예 4
도 22 내지 도 25를 사용하여 실시예 4에 대하여 설명한다. 도 22는, 실시예 4의 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다.
<기능 구성의 개요>
먼저 기능 구성의 개요에 대하여 설명한다. 교사 작성부(301)는, 교사 작성부(1)의 기능에 더하여, 주 화면(90)(도 4 참조)에서 작성된 영역 분할 화상(40)에 있어서의 각 화소로부터 영역 분할 화상(40) 내의 소영역(71a) 등(도 8 참조)의 대표 위치까지의 변위량을 유지한 위치 정보 화상을 작성하는 기능을 구비한다. 그리고, 교사 작성부(301)는, 교사 데이터(14)에 위치 정보 화상을 더한 교사 데이터(314)를 작성한다. 학습부(302)는, 샘플 화상(13) 중의 화상(30)으로부터, 교사 데이터(314) 중의 영역 분할 화상(40) 및 위치 정보 화상을 가능한 한 정확하게 추론할 수 있는 학습 모델(311)을 계산한다.
영역 분할부(303)는, 학습 모델(311)을 참조하여, 입력 화상(12)으로부터 영역 분할 화상(60) 및 위치 정보 화상을 추론한다. 그룹화부(304)는, 그룹화부(4)와 마찬가지의 수순으로 영역 분할 화상(60)으로부터 그룹화 화상(70)을 생성하여 출력한다. 오버레이 계측부(305)는, 그룹화부(304)가 출력한 그룹화 화상 내의 소영역(71a) 등에 포함되는 위치 정보 화상의 위치 정보를 이용하여 오버레이 계측을 행한다.
<기능 구성의 상세>
이하, 개요 이외에 특기가 없는 그룹화부(304)를 제외하고, 실시예 4에 있어서의 각 기능 구성의 상세에 대하여 설명한다.
(i) 교사 작성부(301)는, 작업자에 의한 주 화면(90)의 조작에 응답하여, 샘플 화상(13)으로부터 교사 데이터(14)를 작성한 후, 교사 데이터 중의 영역 분할 화상(40)에 이하에 설명하는 위치 정보 화상(340)을 더하여 교사 데이터(314)를 출력한다. 도 23을 참조하여, 위치 정보 화상(340)에 대하여 설명한다.
도 23은, 위치 정보 화상(340)의 예를 도시하는 도면이다. 도 23에 있어서, 화상(370)은, 샘플 화상(13) 중의 영역 분할 화상(40)으로부터 그룹화부(4)에 의해 구한 그룹화 화상이다. 그룹화 화상(370)은, 표 80(도 10 참조)에 포함되는 제1 계측 대상의 라벨로부터 구해진다. 위치 정보 화상(340)은, 그룹화 화상(370) 중에 있어서의 소영역(71m, 71n, 71o 및 71p)에 대응하는 소영역(371m, 371n, 371o, 371p) 내의 각 화소에 위치 정보를 부여한 화상이다. 소영역(371m)의 범위는, 소영역(71m)과 동일한 범위, 혹은 소영역(71m)으로부터 팽창 처리를 하거나, 소영역(71m)의 외접 직사각형을 구하는 등을 한 소영역(71m)의 근방의 범위이다. 다른 소영역의 범위(371n) 등도 소영역(71n) 등과 동일 혹은 근방의 범위이다. 소영역(371m) 내의 어떤 화소(342m)의 좌표를 (Xp, Yp), 대표 위치(341m)의 X 좌표를 (Xc, Yc)라고 하면, 화소(342m)에는 하기 식 3 및 식 4에 따라 구한 변위량(Rx, Ry)이 할당된다. 이 변위량(Rx, Ry)은, 화소(342m)로부터 대표 위치(341m)까지의 변위량에 해당한다. 여기서 대표 위치(341m)는 소영역(371m)의 무게 중심의 좌표로 한다. 소영역(371m) 내의 각각의 화소에는, 화소(342m)와 마찬가지로 대표 위치(341m)까지의 변위량이 할당된다.
Rx=Xc-Xp … (식 3)
Ry=Xc-Yp … (식 4)
위치 정보 화상(340)에 있어서의 소영역(371n, 371o, 371p) 내의 각각의 화소에는, 마찬가지로 각각의 화소로부터 각 소영역의 대표 위치(341n, 341o, 341p)까지의 변위량이 할당된다. 위치 정보 화상(340)에 있어서, 소영역(371m, 371n, 371o, 371p) 이외의 영역에는, 학습부(302)가 학습 모델(311)을 구하는 계산에서 제외하는 무효 영역의 속성이 할당된다.
또한, 교사 작성부(301)는, 표 80 중의 제2 계측 대상의 라벨에 대해서도, 위치 정보 화상(340)과 마찬가지의 위치 정보 화상을 부여한다.
(ii) 학습부(302)는, 샘플 화상(13)에 있어서의 화상(30)으로부터, 교사 데이터(314) 중의 영역 분할 화상(40) 및 위치 정보 화상(340)을 가능한 한 정확하게 추론할 수 있는 학습 모델(311)을 계산한다. 화상(30)으로부터 영역 분할 화상(40)을 추론하는 학습 모델과, 화상(30)으로부터 위치 정보 화상(340)을 추론하는 학습 모델의 각각에 대하여, 독립된 뉴럴 네트워크 구조(179)를 할당할 수 있다. 혹은, 2개의 학습 모델에서, 뉴럴 네트워크 구조(179)의 전부 혹은 일부의 층을 공유시켜도 된다. 예를 들어, 입력층(170)에 화상(30)을 입력하였을 때, 출력층(171)의 일부로부터 영역 분할 화상(40)을 출력하고, 출력층(171)의 그 일부 이외의 개소 혹은 중간층(174) 등의 기타층으로부터 위치 정보 화상(340)을 출력하도록 해도 된다.
학습부(302)는, 학습부(2)와 마찬가지로, 샘플 화상(13) 중의 화상(30)으로부터 추론한 영역 분할 화상(40) 및 위치 정보 화상(340)과, 교사 데이터(314) 중의 대응하는 영역 분할 화상(40) 및 위치 정보 화상(340)을 비교하였을 때의 차가 작아지도록, 학습 모델(311) 중의 파라미터를 최적화한다. 예를 들어, 학습 모델(311) 중의 파라미터가 난수로 초기화된다. 그 후, 2개의 영역 분할 화상(40)의 오차(오차 1)가 라벨이 일치하지 않는 화소의 수, 2개의 위치 정보 화상(340)의 오차(오차 2)가 각 화소에 있어서의 변위량의 차의 절댓값의 총합으로 된다. 또한, 학습 모델(311) 중의 각각의 파라미터에, 오차 1과 오차 2에 대한 편미분 계수에 마이너스의 소정 계수를 승산한 것이 순차적으로 가산된다. 이러한 처리를 샘플 화상(13) 중의 화상(30)에 대하여 반복함으로써 최적화가 가능하다. 단, 이러한 방법에 한정되는 것은 아니다.
(iii) 도 24는, 위치 정보 화상(360)의 예를 도시하는 도면이다. 영역 분할부(303)는, 학습 모델(311)을 참조하여, 입력 화상(12)(즉 화상(50))으로부터 영역 분할 화상(60) 및 도 24에 도시하는 위치 정보 화상(360)의 추론을 행한다. 추론이 정확한 경우, 도 24에 있어서의 영역(369)은, 위치 정보 화상(360) 중에 있어서의 영역(59)과 동일한 범위의 영역으로 된다. 영역(369)에 있어서 소영역(371a) 내의 화소(342a)에는, 소영역(371a)의 대표 위치(341a)까지의 변위량의 추론값(Rix, Riy)의 정보가 포함된다. 화소(342a)의 좌표를 (Xip, Yip)라고 하면, 대표 위치(341a)의 위치의 추론값(Xic, Yic)은 하기 (식 5) 및 (식 6)에 의해 구할 수 있다.
Xic=Rix+Xip … (식 5)
Yic=Riy+Yip … (식 6)
여기서, 그룹화부(4)가 표 80에 있어서의 제1 계측 대상의 라벨에 대하여 구한 소영역(71a, 71b, 71c 및 71d)에 대하여, 소영역(371a, 371b, 371c 및 371d)은 각각, 소영역(71a) 등과 범위를 동일하게 하는 소영역으로 된다. 소영역(371b, 371c 및 371d)에 있어서의 각 화소로부터도 마찬가지로 대표 위치(341b, 341c 및 341d)의 위치를, 식 5 및 식 6에 의해 추론할 수 있다(추론값을 계산할 수 있음). 위치 정보 화상(360)에 있어서 영역(369) 외의 부분에도 화소(342a)와 마찬가지의 위치 정보가 저장되어 있다.
또한, 영역 분할부(303)는, 표 80 중의 제2 계측 대상의 라벨로부터도, 위치 정보 화상(360)과 마찬가지의 위치 정보 화상을 출력한다.
(iv) 오버레이 계측부(305)는, 도 25에 도시하는 흐름도에 따라 오버레이 계측 처리를 실행한다.
도 25에 있어서, 스텝 S314 및 스텝 S316 이외는, 오버레이 계측부(5)가 오버레이 계측 처리 시에 실행하는 흐름도(도 11)와 공통이므로, 설명은 생략한다. 이하, 스텝 S13 내지 스텝 S18의 루프가, 소영역(371a)을 대상으로 하는 경우에 대하여 설명한다.
스텝 S314에 있어서, 오버레이 계측부(305)는, 위치 정보 화상(360)에 있어서의 소영역(371a) 중의 각각의 화소(화소(342a) 등)로부터 상기 식 5와 식 6을 사용하여 대표 위치(341a)의 추론값을 구한다. 다음에, 오버레이 계측부(305)는, 각각의 화소로부터 대표 위치(341a)의 추론값을 구하여 그들의 통계량을 계산하고, 당해 통계량을 위치 1로 한다. 통계량은 중앙값으로서 산출할 수 있지만, 기타 상가 평균 등의 통계량이어도 된다.
스텝 S316에 있어서, 오버레이 계측부(305)는, 표 80에 나타내어지는 제2 계측 대상에 대해서도 마찬가지로, 제2 계측 대상의 라벨에 대하여 구한 소영역에 대한 위치 정보 화상으로부터, 스텝 S314와 마찬가지의 처리를 행함으로써, 위치 2(대표 위치의 추론값의 통계량)를 구한다.
<실시예 4의 기술적 효과>
실시예 4에 따르면, 위치 정보 화상(360)을 사용하여 오버레이양을 계측할 수 있다. 입력 화상(12)에 랜덤 노이즈가 중첩되거나, 콘트라스트가 저하되거나 하는 등으로 화질이 저하되는 경우가 있다. 이러한 경우에는, 영역 분할 화상(60) 중의 라벨이 부정확하게 되고, 그룹화 화상(70) 중의 소영역(71a) 등의 범위가 부정확하게 되지만, 실시예 4에 개시된 기술을 사용하면, 이러한 경우라도 정확한 오버레이 계측을 실행할 수 있게 된다. 예를 들어, 소영역(71a)의 우측 절반이 결여되어 버린 경우, 소영역(71a)의 무게 중심이 본래의 위치로부터 좌측으로 어긋나 버리고, 이 결과 스텝 S14에서는 정확한 위치 1을 구할 수 없다. 이에 비해, 스텝 S314에서는 위치 정보 화상(370) 중의 소영역(371a)의 어느 화소로부터도 대표 위치(341a)를 식 5 및 식 6으로부터 산출할 수 있다. 이 때문에, 소영역(71a)(즉 소영역(371a))의 우측 절반이 결여된 경우라도 스텝 S314에 있어서 정확한 위치 1을 계산할 수 있다.
<실시예 4의 변형예>
(i) 교사 작성부(301)는, 교사 데이터(14) 중의 영역 분할 화상(40)에 대하여 스텝 S204의 통계 처리에 의한 보정을 행해도 된다. 이에 의해, 영역 분할 화상(40) 중의 소영역(71a) 등의 무게 중심은 오버레이 계측부(5)에 있어서의 오버레이 계측의 재현성 혹은 감도 특성이 개선되도록 보정할 수 있다. 이 때문에, 영역 분할 화상(40) 중의 소영역(71a 등)의 무게 중심 등에 따라 정해지는 교사 데이터(314) 중의 위치 정보 화상(370) 중의 각 화소(342m 등)도 오버레이 계측의 재현성 혹은 감도 특성이 개선되도록 보정할 수 있다.
(ii) 그룹화부(304)는, 영역 분할 화상(60)으로부터 그룹화 화상(70)을 구할 때, 위치 정보 화상(360)을 참조해도 된다. 예를 들어, 그룹화 화상(70) 중에 있어서 2개의 소영역(예를 들어, 소영역(71m 및 71n))이 본래의 범위보다 부풀어 버림으로써 연결되어 1개의 소영역을 형성하는 경우가 있다. 이 경우, 위치 정보 화상(360)에 있어서 1개의 소영역 내에서 식 5 및 식 6에 의해 구한 대표 위치가 분리(위치 정보 화상(360) 중에서 71m과 71n 중에 대응한 371m과 371의 대표 위치로 분리)되는 경우가 있다. 그래서, 대표 위치가 분리되어 버리는 경우에는, 1개의 소영역을 대표 위치의 분리를 참조하여 분할해도 된다. 이와 같이 소영역을 분할하는 것은, 예를 들어 입력 화상(12)의 화질이 샘플 화상(30)보다 불선명한 것이 영향을 주어 그룹화 화상(70) 중의 소영역이 부정확해지는 경우에 유용하다.
(6) 실시예 5
실시예 5는, 한정된 양의 샘플 화상으로부터 영역 분할 화상(교사 데이터에 대응)을 생성하고, 영역 분할 화상 내의 소영역을 평행 이동하여 영역 분할 화상 및 샘플 화상의 레이아웃 변경을 행함으로써(영역 분할 화상과 샘플 화상을 합성함으로써), 교사 데이터와 샘플 화상을 축적해 나가는 기술에 대하여 개시한다.
<기능 구성의 개요>
도 26은, 실시예 5에 의한 교사 작성부터 오버레이 계측까지의 기능 구성예를 도시하는 도면이다. 교사 작성부(401)는, 교사 작성부(1)와 마찬가지로, 샘플 화상(13)으로부터 교사 데이터(14)를 작성함과 함께, 그를 위한 유저 인터페이스를 제공한다. 또한, 교사 작성부(401)는, 교사 데이터(14) 중에 있어서의 영역 분할 화상(40)의 레이아웃을 변경시킨 교사 데이터(414)를 생성하여 출력한다. 또한, 교사 작성부(401)는, 영역 분할 화상(40)으로부터 화상(30)을 추론하는 기능을 구비하고(이하, 이 기능을 교사 작성부(401)의 화상 추론 기능이라고 칭함), 교사 데이터(414) 중의 영역 분할 화상(40)으로부터 대응한 화상(30)의 각각을 추론함으로써, 샘플 화상(413)을 출력한다. 또한, 학습부(2), 영역 분할부(3), 그룹화부(4) 및 오버레이 계측부(5)의 각 기능은 실시예 1과 동일하므로, 설명은 생략한다. 즉, 실시예 5에 있어서의 학습부(2)는, 교사 데이터(14)와 교사 데이터(414) 및 샘플 화상(13)과 샘플 화상(413)을 동질의 데이터로 간주하여, 실시예 1과 동일한 수순으로 학습 모델(11)을 계산한다.
<기능 구성의 상세>
이하, 도 27 내지 도 29를 참조하면서, 교사 작성부(401)가 교사 데이터(414) 및 샘플 화상(413)을 출력할 때의 처리에 대하여 상세하게 설명한다.
(i) 도 27은, 영역 분할 화상(440)으로부터 추론된 화상(430)의 예를 도시하는 도면이다. 도 27에 있어서, 화상(440)은, 교사 작성부(401)가 구비하는 교사 작성부(1)의 유저 인터페이스를 사용하여 작업자에 의해 작성된 영역 분할 화상의 예를 도시하고, 라벨 41, 42 및 43으로 구성되어 있다. 또한, 소영역(71q)은, 그룹화부(4)에 의해 구해진 영역 분할 화상 내의 라벨 41의 소영역의 일례를 나타내고 있다. 또한, 화상(430)은, 교사 작성부(401)가 화상 추론 기능을 사용하여, 영역 분할 화상(440)으로부터 추론한 화상을 나타내고 있다. 여기서, 교사 작성부(401)의 화상 추론 기능은, (a) 학습부(2)와 마찬가지로, 사전에, 샘플 화상(13)과 교사 데이터(14)와 같이, 임의의 화상(30)과 영역 분할 화상(40)의 조의 샘플을 수집해 두는 것, 및 (b) 하나의 영역 분할 화상(40)으로부터 추론된 화상(30)과, 상기 임의의 화상(30)과 영역 분할 화상(40)의 조에 포함되는 화상으로서 하나의 영역 분할 화상(40)에 대응하는 화상의 오차가 최소로 되는 뉴럴 네트워크(179)에 유사한 구조에 있어서의 파라미터를 구하는 학습을 실행함으로써 실현할 수 있다. 여기서, 영역 분할 화상(40)에 대응하는 화상과 추론된 화상(30)의 오차는, 각 화소의 명도 차분의 절대합을 집계함으로써 구할 수 있지만, 이 방법에 한정되는 것은 아니다. 또한, 교사 작성부(401)의 화상 추론 기능은, 상술한 방법 이외에도, 예를 들어 적대적 생성 네트워크라고 불리는 난수 혹은 기호로부터 화상을 생성함으로써 우수한 기계 학습 알고리즘을 사용하여, 뉴럴 네트워크 구조(179)와 유사한 네트워크 구조 중의 파라미터를 정함으로써도 실현할 수 있다.
또한, 뉴럴 네트워크 구조(179)에 유사한 네트워크 구조에서는, 네트워크 구조(179)와 마찬가지로, 수용야(176) 단위의 추론을 행하도록 해도 된다. 즉, 영역 분할 화상(40)의 화소의 각각에 대하여, 영역 분할 화상(40)에 있어서의 화소 주위의 수용야(176)의 범위로부터, 화상(30) 중에 있어서 화소와 동일한 좌표의 화소의 명도가 정해진다.
(ii) 도 28은, 영역 분할 화상(440) 중에서 소영역(71q)을 레이아웃 변경한 경우의 예를 도시하는 도면이다. 도 28에 있어서, 영역 분할 화상(440r)은, 영역 분할 화상(440) 중의 소영역(71q)을 소영역(71r)으로 평행 이동하는 레이아웃의 변경을 행한 것이다. 수용야(176) 단위의 추론의 효과에 의해, 영역 분할 화상(440r)으로부터 추론된 화상(430r)을, 영역 분할 화상(440)에 대응하는 화상(430)과 비교하면, 소영역(71q)에 따른 소영역(431q) 내의 화상이 소영역(71r) 내의 소영역(431r)으로 이동하고 있는 것을 알 수 있다. 소영역(431q) 및 소영역(431r) 내에 착안하면, 소영역(71q)으로부터 소영역(71r)으로 평행 이동시킨 분만큼, 오버레이양이 변화한 화상에 상당한다. 따라서, 영역 분할 화상(440r)에 있어서, 소영역(71r) 등의 전부를 균일한 양만큼 평행 이동시키면, 화상(430r)은 화상(430)으로부터 균일한 양만큼 오버레이양을 변화시킨 화상으로 된다.
<실시예 5의 기술적 효과>
실시예 5에 따르면, 레이아웃의 변경에 의해, 교사 데이터(14)에 교사 데이터(414)를 축적해 나갈 수 있다. 또한, 레이아웃의 변경과 교사 작성부(401)의 화상 추론 기능을 사용함으로써, 샘플 화상(13)에 샘플 화상(413)을 축적해 나갈 수 있다. 예를 들어, 샘플 화상(13)이 오버레이양이 균일한 화상(30)으로 구성된 경우라도, 레이아웃의 변경에 의해, 여러 가지 오버레이양의 영역 분할 화상(40) 및 화상(30)을 교사 데이터(14)와 샘플 화상(13)에 축적해 나갈 수 있다. 따라서, 작업자는, 사전에 여러 가지 레이아웃을 구비하는 많은 샘플 화상을 준비할 필요가 없어져, 오버레이 계측을 위한 수고를 줄이는 것이 가능하게 된다.
<실시예 5의 변형예>
(i) 레이아웃의 변경에는, 상술한 평행 이동 이외에도, 확대나 축소 등의 오버레이양의 변화를 수반하는 임의의 기하적인 변형도 적용할 수 있다.
(ii) 사전에, 영역 분할 화상(440) 중의 라벨 41, 42 및 43의 깊이 정보를 정해 두도록 해도 된다. 이에 의해, 교사 작성부(401)는, 라벨간의 차폐를 고려한 화상을 추론할 수 있다. 도 29는, 영역 분할 화상(440) 중에서 소영역(71q)을 레이아웃 변경하였을 때에 차폐가 생겼을 때의 예(라벨 43, 41 및 42의 순으로 전방측에 있다고 정하였을 때의 예)를 도시하는 도면이다. 도 29에 도시되는 바와 같이, 영역 분할 화상 중의 소영역(71q)을 소영역(71s)까지 평행 이동시켰을 때 생기는, 라벨 43과 겹치는 범위는 삭제된다. 그 결과, 영역 분할 화상(440s)으로부터 추론된 화상(430s)에 있어서, 소영역(71s)에 대응하는 소영역(431s)에 관해서는 차폐가 고려된 화상이 추론된다. 이에 의해, 라벨간의 차폐에 의해 보다 현실에 가까운 영역 분할 화상(430)을 합성하는 것이 가능하게 된다.
(iii) 이상 설명한 실시예 1부터 실시예 5는, 각각 단독으로 실시하는 것 이외에, 각 실시예의 일부 혹은 전부를 조합하여 실시해도 된다.
(7) 실시예 6
실시예 6은, 실시예 1부터 5에 있어서의 교사 작성 처리, 학습 모델 작성 처리, 영역 분할 처리를 오버레이 계측 이외의 계측 처리에 적용한 경우의 실시예에 대하여 설명한다.
도 30은, 실시예 6에 의한 교사 작성부터 화상 계측 검사까지의 기능 구성예를 도시하는 도면이다. 도 30에 있어서, 교사 작성부(501)는, 실시예 1부터 5에 의한 교사 작성부(1, 101, 201, 301 및 401) 중 어느 것에 대응한다. 마찬가지로, 교사 데이터(514), 학습부(502), 학습 모델(511), 영역 분할부(503)는 순서대로, 실시예 1부터 5 중 어느 것에 있어서의 교사 데이터, 학습부, 학습 모델, 영역 분할부에 대응한다.
화상 계측 검사부(505)는, 입력 화상(12)으로부터 영역 분할부(503)가 추론한 영역 분할 화상(60)을 사용하여, 오버레이 계측에 한하지 않는 화상의 검사나 계측을 행한다. 화상 계측 검사부(505)에 있어서의 화상의 검사나 계측으로서, 예를 들어 반도체 화상 중의 윤곽선 추출이나 홀 형상 등의 치수 계측, 단락 결함 등의 결함 패턴의 검출, 화상으로부터 설계도의 추론을 구하여 설계도의 추론과 실제의 설계도의 대조 위치를 찾는 패턴 매칭 등을 들 수 있다. 단, 이들에 한정되는 것은 아니며, 영역 분할부(503)가 추론한 영역 분할 화상(60)을 사용하여 화상 계측을 행하는 임의의 용도에 적용할 수 있다. 또한, 화상 계측 검사부(505)에 있어서는, 영역 분할 화상(60)의 보정 등을 위해, 입력 화상(12)이나 도 30 중에 도시되지 않는 그 밖의 데이터를 보조적으로 참조해도 된다. 또한, 실시예 6에서는 샘플 화상(13) 및 입력 화상(12)을 반도체 이외의 화상을 촬영한 것으로 해도 된다.
(i) 교사 작성부(501), 학습부(502) 및 영역 분할부(503)의 각 기능이 실시예 1의 그들의 기능을 구비하는 경우
예를 들어, 학습 모델(511)이 수용야(176) 단위로 추론하기 때문에, 입력 화상(12) 내에 주기적인 패턴이 비추는 경우라면, 교사 작성부(501)에 있어서 교사 데이터(14)의 라벨을 할당할 때의 샘플 화상(13) 중의 화상(30)의 치수는, 입력 화상(12) 중의 화상(60)보다 작은 치수로 끝난다. 이에 의해, 작업자가 교사 데이터(14)의 라벨을 할당하는 공정수를 저감하는 것이 가능하게 된다.
(ii) 교사 작성부(501), 학습부(502) 및 영역 분할부(503)의 각 기능이 실시예 2의 그들의 기능을 구비하는 경우
예를 들어, 촬영 조건을 바꾼 복수의 화상조를 사용함으로써, 화상(30a 및 30b) 등 중에서 대상으로 되는 구조가 선명하게 비추는 화상을 사용하여 교사 데이터(114)를 정확하게 작성하는 것이나, 영역 분할부(503)의 추론을 정확하게 행하는 것이 가능하다.
(iii) 교사 작성부(501), 학습부(502) 및 영역 분할부(503)의 각 기능이 실시예 3의 그들의 기능을 구비하는 경우
예를 들어, 샘플 화상(213) 중에서 주 화면(90)을 사용하여 교사 데이터를 할당하는 대상을 화상군(231)으로 좁힘으로써, 작업자의 공정수를 줄일 수 있다. 또한, 실시예 3의 도 19의 스텝 S202 및 S203을 실행함으로써, 샘플 화상(13)(샘플 화상(213)에 대응)의 남은 전수에 대하여 교사 데이터(514)(교사 데이터(214)에 대응)를 취득할 수 있다. 또한, 스텝 S204나 S205를 실행함으로써, 교사 데이터(514)(교사 데이터(214)에 대응)를 보정할 수도 있다.
(iv) 교사 작성부(501), 학습부(502) 및 영역 분할부(503)의 각 기능이 실시예 4의 그들의 기능을 구비하는 경우
입력 화상(12)으로부터 구한 영역 분할 화상(60)과 함께 위치 정보 화상(360)을 사용한 화상 계측이 가능하게 된다.
(v) 교사 작성부(501), 학습부(502) 및 영역 분할부(503)의 각 기능이 실시예 5의 그들의 기능을 구비하는 경우
예를 들어, 교사 작성부(501)에 있어서의 화상 추론 기능을 사용하여, 영역 분할 화상(40) 중의 레이아웃을 변경함으로써, 샘플 화상(13) 및 교사 데이터(14)에 샘플 화상(413) 및 교사 데이터(414)(교사 데이터(14)와 교사 데이터(414)를 합쳐서 교사 데이터(514)라고 함)를 축적해 가게 한다.
<실시예 6의 기술적 효과>
실시예 6에 따르면, 실시예 1부터 5에서 개시된 기술을 오버레이 계측뿐만 아니라, 영역 분할 화상을 사용하여 화상 계측이나 화상 검사를 행하는 시스템 전반에 적용할 수 있는 것이 나타났다.
(8) 그 밖의 실시예
각 실시예는, 소프트웨어의 프로그램 코드에 의해서도 실현할 수 있다. 이 경우, 프로그램 코드를 기록한 기억 매체를 시스템 혹은 장치에 제공하고, 그 시스템 혹은 장치의 컴퓨터(또는 CPU나 MPU)가 기억 매체에 저장된 프로그램 코드를 판독한다. 이 경우, 기억 매체로부터 판독된 프로그램 코드 자체가 전술한 실시 형태의 기능을 실현하게 되고, 그 프로그램 코드 자체, 및 그것을 기억한 기억 매체는 본 개시를 구성하게 된다. 이러한 프로그램 코드를 공급하기 위한 기억 매체로서는, 예를 들어 플렉시블 디스크, CD-ROM, DVD-ROM, 하드 디스크, 광 디스크, 광 자기 디스크, CD-R, 자기 테이프, 불휘발성 메모리 카드, ROM 등이 사용된다.
또한, 프로그램 코드의 지시에 기초하여, 컴퓨터 상에서 가동하고 있는 OS(오퍼레이팅 시스템) 등이 실제의 처리의 일부 또는 전부를 행하고, 그 처리에 의해 전술한 실시 형태의 기능이 실현되도록 해도 된다. 또한, 기억 매체로부터 판독된 프로그램 코드가 컴퓨터 상의 메모리에 기입된 후, 그 프로그램 코드의 지시에 기초하여, 컴퓨터의 CPU 등이 실제의 처리의 일부 또는 전부를 행하고, 그 처리에 의해 전술한 실시 형태의 기능이 실현되도록 해도 된다.
또한, 실시 형태의 기능을 실현하는 소프트웨어의 프로그램 코드를, 네트워크를 통하여 배신함으로써, 그것을 시스템 또는 장치의 하드 디스크나 메모리 등의 기억 수단 또는 CD-RW, CD-R 등의 기억 매체에 저장하고, 사용 시에 그 시스템 또는 장치의 컴퓨터(또는 CPU나 MPU)가 당해 기억 수단이나 당해 기억 매체에 저장된 프로그램 코드를 판독하여 실행하도록 해도 된다.
1, 101, 201, 301, 401, 501: 교사 작성부
2, 102, 302, 502: 학습부
3, 103, 303, 503: 영역 분할부
4, 104, 304: 그룹화부
5, 105, 305: 오버레이 계측부
11, 111, 311, 511: 학습 모델
12, 112: 입력 화상
13, 113, 213, 413: 샘플 화상
14, 114, 214, 314, 414, 514: 교사 데이터
190: 메인 프로세서
190a: 제1 서브 프로세서
190b: 제2 서브 프로세서
191: 메인 계산기
191a: 제1 서브 계산기
191b: 제2 서브 계산기
192: 입출력 장치
193: 전자 현미경 등
505: 화상 계측 검사부

Claims (19)

  1. 소정의 구조를 포함하는 반도체의 화상 계측을 행하는 계측 시스템으로서,
    상기 화상 계측에 관계된 각종 처리를 실행하는 적어도 하나의 프로세서와,
    상기 화상 계측의 결과를 출력하는 출력 디바이스를 구비하고,
    상기 적어도 하나의 프로세서는,
    반도체의 샘플 화상으로부터 교사 데이터를 생성하는 처리와,
    상기 샘플 화상과 상기 교사 데이터에 기초하여 학습 모델을 생성하는 처리와,
    상기 학습 모델에 기초하여, 상기 반도체에 관련된 입력 화상으로부터 영역 분할 화상을 생성하는 처리와,
    상기 영역 분할 화상을 사용하여 화상 계측을 행하는 계측 처리와,
    상기 계측 처리의 결과를 상기 출력 디바이스에 출력하는 처리를 실행하고,
    상기 교사 데이터는, 상기 샘플 화상에 있어서의 상기 반도체의 구조를 포함하는 라벨이 화상의 각 화소에 할당된 화상이고,
    상기 학습 모델은, 상기 샘플 화상 혹은 상기 입력 화상으로부터 상기 교사 데이터 혹은 상기 영역 분할 화상을 추론하기 위한 파라미터를 포함하는, 계측 시스템.
  2. 제1항에 있어서, 상기 학습 모델은, 상기 각 화소에 할당된 상기 라벨을 결정할 때, 상기 입력 화상에 있어서의 상기 각 화소의 근방 영역을 참조하는 기계 학습 모델인, 계측 시스템.
  3. 제1항에 있어서, 상기 학습 모델은 콘벌루션 뉴럴 네트워크인, 계측 시스템.
  4. 제1항에 있어서, 상기 적어도 하나의 프로세서는, 상기 학습 모델을 생성하는 처리에 있어서, 상기 입력 화상보다 작은 사이즈의 상기 샘플 화상 및 상기 교사 데이터로부터 상기 학습 모델의 상기 파라미터를 생성하는, 계측 시스템.
  5. 제1항에 있어서, 상기 적어도 하나의 프로세서는, 또한 상기 라벨에 대응하여 상기 영역 분할 화상을 더 화상 사이즈가 작은 소영역으로 나누고, 당해 소영역의 종별마다 그룹화하는 처리를 실행하고,
    상기 적어도 하나의 프로세서는, 상기 계측 처리로서, 상기 그룹화된 상기 소영역별의 무게 중심으로부터 오버레이 계측을 실행하는, 계측 시스템.
  6. 제1항에 있어서, 상기 샘플 화상은, 다른 촬상 조건에서 상기 반도체에 있어서의 동일 개소를 복수회 촬상하여 얻어지는 화상의 조를 포함하고,
    상기 적어도 하나의 프로세서는, 상기 샘플 화상으로부터 상기 촬상 조건에 대응하여 상기 교사 데이터를 생성하고, 상기 촬상 조건에 대응하여 생성된 상기 교사 데이터와 상기 샘플 화상에 기초하여 상기 학습 모델을 생성하는, 계측 시스템.
  7. 제6항에 있어서, 상기 다른 촬상 조건에서 촬상하는 것은, 가속 전압을 바꾸어 촬상하는 것, 다른 종류의 전자상을 촬상하는 것, 또는 다른 종류의 전자상의 합성 화상을 생성할 때의 합성 비율을 바꾸는 것 중 적어도 하나를 포함하는, 계측 시스템.
  8. 제1항에 있어서, 상기 적어도 하나의 프로세서는, 상기 샘플 화상을 2개 이상의 샘플 화상군으로 분할하고, 제1 샘플 화상군에 포함되는 화상에 상기 라벨을 할당함으로써 제1 교사 데이터를 생성하고, 상기 제1 샘플 화상군의 화상과 상기 제1 교사 데이터에 기초하여 중간 학습 모델을 생성하고, 당해 중간 학습 모델에 기초하여 상기 제1 샘플 화상군 이외의 화상군에 포함되는 화상을 추론함으로써 생성된 교사 데이터를 상기 제1 교사 데이터에 추가하여 제2 교사 데이터를 생성하고, 상기 샘플 화상과 상기 제2 교사 데이터에 기초하여, 상기 입력 화상에 적용하기 위한 상기 학습 모델을 생성하는, 계측 시스템.
  9. 제8항에 있어서, 상기 적어도 하나의 프로세서는, 상기 제1 샘플 화상군 이외의 화상군에 포함되는 화상을 추론함으로써 생성된 교사 데이터에 대하여 통계 처리에 의한 보정을 실행하는, 계측 시스템.
  10. 제9항에 있어서, 상기 적어도 하나의 프로세서는, 상기 반도체의 동일 개소를 반복하여 촬상하여 얻어지는 복수의 화상에 대하여 상기 통계 처리에 의한 보정을 행하는, 계측 시스템.
  11. 제9항에 있어서, 상기 적어도 하나의 프로세서는, 상기 샘플 화상에 있어서 유사도가 높은 부분 영역을 추출하여 당해 추출한 부분 영역에 대하여 상기 통계 처리에 의한 보정을 행하는, 계측 시스템.
  12. 제9항에 있어서, 상기 통계 처리에 의한 보정은, 상기 제2 교사 데이터에 있어서의, 상기 라벨이 할당된 소영역의 단위로 평행 이동 혹은 기하학적 변형을 실시하는 것인, 계측 시스템.
  13. 제5항에 있어서, 상기 교사 데이터는, 각 화소로부터 상기 라벨이 할당된 소영역의 대표 위치까지의 변위량을 나타내는 위치 정보 화상을 포함하고,
    상기 적어도 하나의 프로세서는, 상기 위치 정보 화상을 포함하는 상기 학습 모델에 기초하여, 상기 입력 화상의 상기 영역 분할 화상 및 상기 위치 정보 화상을 생성하고, 상기 그룹화된 소영역에 있어서의 상기 위치 정보 화상을 사용하여 상기 오버레이 계측을 실행하는, 계측 시스템.
  14. 제13항에 있어서, 상기 위치 정보 화상은, 통계 처리에 의한 보정이 실시된 상기 교사 데이터를 사용하여 구해진 상기 변위량을 나타내는, 계측 시스템.
  15. 제1항에 있어서, 상기 적어도 하나의 프로세서는, 또한 상기 교사 데이터의 레이아웃을 변경하여 변경 교사 데이터를 생성하고, 당해 변경 교사 데이터를 레이아웃 변경 전의 상기 교사 데이터에 추가하여 갱신 교사 데이터로 하는 처리와, 상기 변경 교사 데이터로부터 추론한 화상을 상기 샘플 화상에 추가하여 갱신 샘플 화상으로 하는 처리를 실행하고,
    상기 적어도 하나의 프로세서는, 상기 갱신 교사 데이터와 상기 갱신 샘플 화상에 기초하여, 상기 학습 모델로 생성하는, 계측 시스템.
  16. 제15항에 있어서, 상기 적어도 하나의 프로세서는, 상기 교사 데이터에 포함되는 라벨간의 차폐를 고려하여, 상기 교사 데이터의 레이아웃을 변경하는, 계측 시스템.
  17. 제1항에 있어서, 상기 계측 처리는, 상기 반도체의, 오버레이 계측 처리, 치수 계측 처리, 결함 패턴 검출 처리 혹은 패턴 매칭 처리인, 계측 시스템.
  18. 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법으로서,
    적어도 하나의 프로세서가, 반도체의 샘플 화상으로부터 얻어지는 영역 분할 화상에 대하여 적어도 하나의 계측 대상의 구조를 포함하는 라벨을 할당함으로써 교사 데이터를 생성하는 것과,
    상기 적어도 하나의 프로세서가, 복수의 층으로 구성되는 네트워크 구조에 기초하여, 상기 샘플 화상의 상기 영역 분할 화상과 상기 교사 데이터를 사용하여, 상기 학습 모델을 생성하는 것을 포함하고,
    상기 학습 모델은, 상기 샘플 화상 혹은 상기 입력 화상으로부터 상기 교사 데이터 혹은 상기 영역 분할 화상을 추론하기 위한 파라미터를 포함하는, 방법.
  19. 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체로서,
    상기 프로그램은, 상기 컴퓨터에,
    반도체의 샘플 화상으로부터 얻어지는 영역 분할 화상에 대하여 적어도 하나의 계측 대상의 구조를 포함하는 라벨을 할당함으로써 교사 데이터를 생성하는 처리와,
    상기 적어도 하나의 프로세서가, 복수의 층으로 구성되는 네트워크 구조에 기초하여, 상기 샘플 화상의 상기 영역 분할 화상과 상기 교사 데이터를 사용하여, 상기 학습 모델을 생성하는 처리를 실행시키고,
    상기 학습 모델은, 상기 샘플 화상 혹은 상기 입력 화상으로부터 상기 교사 데이터 혹은 상기 영역 분할 화상을 추론하기 위한 파라미터를 포함하는, 기억 매체.
KR1020227004040A 2019-08-30 2019-08-30 계측 시스템, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법, 및 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체 KR20220029748A (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/034050 WO2021038815A1 (ja) 2019-08-30 2019-08-30 計測システム、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する方法、およびコンピュータに、所定の構造を含む半導体の画像計測を行う際に用いる学習モデルを生成する処理を実行させるためのプログラムを格納する記憶媒体

Publications (1)

Publication Number Publication Date
KR20220029748A true KR20220029748A (ko) 2022-03-08

Family

ID=74683410

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227004040A KR20220029748A (ko) 2019-08-30 2019-08-30 계측 시스템, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법, 및 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체

Country Status (6)

Country Link
US (1) US20220277434A1 (ko)
JP (1) JP7341241B2 (ko)
KR (1) KR20220029748A (ko)
CN (1) CN114270484A (ko)
TW (1) TWI766303B (ko)
WO (1) WO2021038815A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11967058B2 (en) 2020-06-24 2024-04-23 Kla Corporation Semiconductor overlay measurements using machine learning
US20230267596A1 (en) * 2022-02-23 2023-08-24 Nanya Technology Corporation System and non-transitory computer-readable medium for identifying cause of manufacturing defects
US20230350394A1 (en) * 2022-04-27 2023-11-02 Applied Materials, Inc. Run-to-run control at a manufacturing system using machine learning
WO2023238384A1 (ja) * 2022-06-10 2023-12-14 株式会社日立ハイテク 試料観察装置および方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010538474A (ja) 2007-08-31 2010-12-09 ケーエルエー−テンカー・コーポレーション ウエハの領域全体の半導体パラメータを予測するための装置および方法
WO2017130365A1 (ja) 2016-01-29 2017-08-03 株式会社 日立ハイテクノロジーズ オーバーレイ誤差計測装置、及びコンピュータープログラム
JP2018522238A (ja) 2015-07-13 2018-08-09 アプライド マテリアルズ イスラエル リミテッド 多層構造体の層間のオーバレイを測定する技法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
TW201923776A (zh) * 2017-10-27 2019-06-16 美商蝴蝶網路公司 超音波影像上的自動化測量及用於自動化測量的收集的品質指示器
EP3499459A1 (en) * 2017-12-18 2019-06-19 FEI Company Method, device and system for remote deep learning for microscopic image reconstruction and segmentation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010538474A (ja) 2007-08-31 2010-12-09 ケーエルエー−テンカー・コーポレーション ウエハの領域全体の半導体パラメータを予測するための装置および方法
JP2018522238A (ja) 2015-07-13 2018-08-09 アプライド マテリアルズ イスラエル リミテッド 多層構造体の層間のオーバレイを測定する技法
WO2017130365A1 (ja) 2016-01-29 2017-08-03 株式会社 日立ハイテクノロジーズ オーバーレイ誤差計測装置、及びコンピュータープログラム

Also Published As

Publication number Publication date
TWI766303B (zh) 2022-06-01
US20220277434A1 (en) 2022-09-01
WO2021038815A1 (ja) 2021-03-04
TW202109339A (zh) 2021-03-01
CN114270484A (zh) 2022-04-01
JPWO2021038815A1 (ko) 2021-03-04
JP7341241B2 (ja) 2023-09-08

Similar Documents

Publication Publication Date Title
KR20220029748A (ko) 계측 시스템, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 방법, 및 컴퓨터에, 소정의 구조를 포함하는 반도체의 화상 계측을 행할 때 사용하는 학습 모델을 생성하는 처리를 실행시키기 위한 프로그램을 저장하는 기억 매체
JP7265592B2 (ja) 多層構造体の層間のオーバレイを測定する技法
JP5417358B2 (ja) 画像処理装置、及び画像処理を行うためのコンピュータープログラム
CN101075346B (zh) 数字图像中用于感兴趣点吸引的方法
US9343264B2 (en) Scanning electron microscope device and pattern dimension measuring method using same
US20070116357A1 (en) Method for point-of-interest attraction in digital images
JP2013236032A (ja) 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム
US9851714B2 (en) Method of inspecting a specimen and system thereof
US9626761B2 (en) Sampling method and image processing apparatus of CS-RANSAC for estimating homography
US20210241436A1 (en) Image Generation System
CN114399485A (zh) 基于残差网络结构的子宫肌瘤目标图像获取方法
CN110555860A (zh) 医学图像中肋骨区域标注的方法、电子设备和存储介质
JPWO2021038815A5 (ko)
JP2018077667A (ja) 画像処理装置、画像処理方法、画像処理システム及びプログラム
JPH08335268A (ja) 領域抽出方法
CN114266781A (zh) 缺陷检查装置、方法以及信息记录介质
CN112419310A (zh) 一种基于交并融合边框优选的目标检测方法
TWI767458B (zh) 圖案匹配裝置、圖案測定系統及非暫態電腦可讀媒體
US20230005136A1 (en) Determining a location at which a given feature is represented in medical imaging data
CN117518736A (zh) 套刻误差量测的方法、装置、系统及存储介质
JPH0344773A (ja) 画像補間装置
TW202341025A (zh) 圖案匹配裝置、圖案測定系統、圖案匹配程式
JPH0728978A (ja) 画像表示装置

Legal Events

Date Code Title Description
E902 Notification of reason for refusal