KR20220125291A - 패턴 에지 검출 방법, 패턴 에지 검출 장치, 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램이 기록된 기록 매체 - Google Patents

패턴 에지 검출 방법, 패턴 에지 검출 장치, 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램이 기록된 기록 매체 Download PDF

Info

Publication number
KR20220125291A
KR20220125291A KR1020227026891A KR20227026891A KR20220125291A KR 20220125291 A KR20220125291 A KR 20220125291A KR 1020227026891 A KR1020227026891 A KR 1020227026891A KR 20227026891 A KR20227026891 A KR 20227026891A KR 20220125291 A KR20220125291 A KR 20220125291A
Authority
KR
South Korea
Prior art keywords
edge
region
pixels
training
pattern
Prior art date
Application number
KR1020227026891A
Other languages
English (en)
Inventor
요스케 오카모토
Original Assignee
타스밋 가부시키가이샤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2020201982A external-priority patent/JP7451384B2/ja
Application filed by 타스밋 가부시키가이샤 filed Critical 타스밋 가부시키가이샤
Publication of KR20220125291A publication Critical patent/KR20220125291A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Image Processing (AREA)

Abstract

본 발명은, 반도체 제조에 관한 웨이퍼 또는 마스크 등의 워크피스 상에 형성되어 있는 패턴의 에지(윤곽선)를, 주사 전자 현미경으로 생성한 화상으로부터 검출하는 방법에 관한 것이다. 패턴 에지 검출 방법은, 워크피스 상에 형성된 목표 패턴의 대상 화상을 생성하고, 대상 화상의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하고, 특징 벡터를, 기계 학습에 의해 구축된 모델에 입력하고, 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 모델로부터 출력하고, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성한다.

Description

패턴 에지 검출 방법, 패턴 에지 검출 장치, 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램이 기록된 기록 매체
본 발명은, 반도체 제조에 관한 웨이퍼 또는 마스크 등의 워크피스 상에 형성되어 있는 패턴의 에지(윤곽선)를, 주사 전자 현미경으로 생성한 화상으로부터 검출하는 방법 및 장치에 관한 것이다. 또한, 본 발명은, 그러한 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램에 관한 것이다.
또한, 본 발명은, 기계 학습에 의해 에지 검출 모델을 작성하는 방법 및 장치에 관한 것이다.
웨이퍼 등의 워크피스 상에 형성된 패턴의 에지(윤곽선)는 종래, 다음과 같이 하여 검출된다. 먼저, 워크피스 상의 패턴의 화상을 주사 전자 현미경에 의해 생성한다. 다음으로, 패턴의 설계 데이터(CAD 데이터라고도 함)로부터 CAD 패턴을 생성하고, CAD 패턴을 화상 상의 패턴에 중첩한다. CAD 패턴은, 설계 데이터에 포함되는 패턴의 설계 정보(위치, 길이, 크기 등)에 기초하여 작성된 가상적인 패턴이다.
도 25는, 화상(500) 상의 패턴(501)에 중첩된 CAD 패턴(505)을 도시하는 모식도이다. 컴퓨터는, 도 25에 도시하는 바와 같이, CAD 패턴(505)의 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선(507)을 생성하고, 이들 탐색선(507)을 따른 화상(500)의 휘도 프로파일을 작성한다. 도 25에서는, 도면을 간소화하기 위해서, 복수의 탐색선(507) 중 일부만이 그려져 있다.
도 26은, 도 25에 나타내는 탐색선을 따른 휘도 프로파일을 도시하는 도면이다. 도 26의 종축은 휘도값을 나타내고, 횡축은 탐색선(507) 상의 위치를 나타내고 있다. 컴퓨터는, 휘도 프로파일 상의 휘도값이 역치와 동등한 에지점(510)을 검출한다. 컴퓨터는, 마찬가지의 동작을 반복하고, 모든 탐색선(507)을 따른 휘도 프로파일 상의 복수의 에지점을 결정한다. 이들 복수의 에지점을 연결하는 선은, 화상(500) 상의 패턴(501)의 에지에 결정된다.
그러나, 도 27 내지 도 29에 나타내는 바와 같은 예에서는, 화상(500) 상의 패턴 에지를 올바르게 결정(검출)할 수 없는 경우가 있다. 즉, 도 27에 나타내는 예에서는, 패턴(501)의 에지의 일부가 결락되어 있고, 패턴(501)의 에지가, CAD 패턴(505)에 수직인 탐색선(507) 상에 존재하지 않는다. 도 28에 나타내는 예에서는, CAD 패턴(505)의 에지가 화상 상의 패턴(501)의 에지로부터 크게 이격되어 있기 때문에, 패턴(501)의 에지가 탐색선(507) 상에 존재하지 않는다. 도 29에 나타내는 예에서는, CAD 패턴(505)에는 존재하지 않는 패턴(510)의 에지는, 탐색선(507)을 사용한 종래의 방법에서는 검출할 수 없다.
도 27 내지 도 29는, 패턴의 결함예를 나타내고 있고, 이러한 결함이 있는 패턴의 에지를 검출하는 것은 중요하다. 그러나, 실제의 패턴은 설계 데이터로부터 괴리하고 있는 경우가 있고, 설계 데이터를 사용한 종래의 방법에서는, 결함이 있는 패턴의 에지를 올바르게 검출할 수 없는 경우가 있었다.
한편, 웨이퍼 등의 워크피스에 형성되어 있는 패턴의 에지를, 기계 학습에 의해 작성된 모델을 사용하여 검출하는 기술의 개발이 진행되어 있다. 이 기술은, 패턴이 나타나 있는 화상의 각 화소가, 패턴 에지를 구성하는 화소인지의 여부를 에지 검출 모델(학습 완료 모델)에 의해 판정한다고 하는 것이다.
에지 검출 모델은, 미리 준비된 훈련 데이터를 사용하여 기계 학습(예를 들어 딥 러닝, 결정목 학습 등)에 의해 작성된다. 훈련 데이터는, 주사 전자 현미경에 의해 생성된 패턴 화상과, 그 패턴 화상을 구성하는 각 화소의 정답 데이터를 포함한다. 정답 데이터는, 각 화소가, 패턴의 에지를 구성하는 화소나 또는 에지를 구성하지 않는 화소의 어느 것인 것을 특정하는 정보이다. 이러한 훈련 데이터를 사용하여 기계 학습을 실행함으로써, 에지 검출 모델을 구성하는 파라미터(가중 계수 등)가 최적화된다.
그러나, 훈련 데이터에 사용되는 패턴 에지에는 변동이 있고, 또한 화상 상의 에지와 비에지 영역의 경계선은 불명료하다. 이러한 훈련 데이터를 사용해서 작성된 에지 검출 모델은, 에지의 검출에 실패하거나, 혹은 에지를 오검출하는 경우가 있다. 정밀도가 좋은 에지 검출 모델을 작성하기 위해서는, 기계 학습을 위한 대량의 훈련 데이터가 필요하게 되고, 결과로서 기계 학습에 매우 오랜 시간이 걸린다.
일본 특허 공개 제2003-178314호 공보 일본 특허 공개 제2013-98267호 공보 일본 특허 공개 제2020-140518호 공보
본 발명은, 패턴의 설계 데이터를 사용하지 않고, 화상 상의 패턴의 에지(윤곽선)을 검출할 수 있는 패턴 에지 검출 방법 및 패턴 에지 검출 장치를 제공한다.
또한, 본 발명은, 기계 학습에 오랜 시간이 걸리는 일 없이, 정밀도가 좋은 에지 검출 모델을 작성할 수 있는 방법 및 장치를 제공한다.
일 양태에서는, 워크피스 상에 형성된 목표 패턴의 대상 화상을 생성하고, 상기 대상 화상의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하고, 상기 특징 벡터를, 기계 학습에 의해 구축된 모델에 입력하고, 상기 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 상기 모델로부터 출력하고, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성하는, 패턴 에지 검출 방법이 제공된다.
일 양태에서는, 상기 모델은 결정목이다.
일 양태에서는, 상기 패턴 에지 검출 방법은, 복수의 훈련용 패턴을 설계 데이터로부터 선택하고, 상기 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성하고, 상기 복수의 훈련용 화상 상의 상기 복수의 실제 패턴의 에지를 검출하고, 상기 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 복수의 제1 참조 화소와, 에지를 구성하지 않는 복수의 제2 참조 화소로 분류하고, 상기 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 상기 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성하고, 상기 복수의 제1 특징 벡터 및 상기 복수의 제2 특징 벡터를 포함하는 훈련 데이터를 사용하여, 기계 학습에 의해 상기 모델을 구축하는 공정을 더 포함한다.
일 양태에서는, 상기 복수의 훈련용 패턴은, 적어도 제1 방향으로 연장되는 에지, 상기 제1 방향과 수직인 제2 방향으로 연장되는 에지, 코너 에지, 종단 에지를 갖는 복수의 패턴이다.
일 양태에서는, 상기 복수의 실제 패턴은, 상기 워크피스에 형성된 패턴이다.
일 양태에서는, 상기 복수의 훈련용 패턴을 설계 데이터로부터 선택하는 공정은, 상기 설계 데이터에 기초하여 묘화된 복수의 패턴을 포함하는 설계 도면을 표시 화면 상에 표시하고, 상기 설계 도면에 포함되는 복수의 패턴으로부터 선택된 상기 복수의 훈련용 패턴 또는 상기 복수의 훈련용 패턴이 위치하는 에어리어를 시각적으로 강조된 양태에서 상기 표시 화면 상에 표시하는 공정이다.
일 양태에서는, 상기 패턴 에지 검출 방법은, 상기 가상 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 따른 상기 대상 화상의 복수의 휘도 프로파일을 생성하고, 복수의 상기 휘도 프로파일에 기초하여 복수의 에지점을 결정하고, 상기 복수의 에지점을 선으로 연결함으로써, 갱신된 에지를 생성하는 공정을 더 포함한다.
일 양태에서는, 상기 패턴 에지 검출 방법은, 상기 목표 패턴에 대응하는 CAD 패턴을 설계 데이터로부터 생성하고, 상기 CAD 패턴의 에지로부터, 상기 갱신된 에지까지의 거리를 측정하는 공정을 더 포함한다.
일 양태에서는, 워크피스 상에 형성된 목표 패턴의 대상 화상을 생성하는 화상 생성 장치와, 상기 화상 생성 장치에 접속된 연산 시스템을 구비하고, 상기 연산 시스템은, 상기 대상 화상의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하고, 상기 특징 벡터를, 기계 학습에 의해 구축된 모델에 입력하고, 상기 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 상기 모델로부터 출력하고, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성하는, 패턴 에지 검출 장치가 제공된다.
일 양태에서는, 상기 모델은 결정목이다.
일 양태에서는, 상기 연산 시스템은, 복수의 훈련용 패턴을 설계 데이터로부터 선택하고, 상기 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성하고, 상기 복수의 훈련용 화상 상의 상기 복수의 실제 패턴의 에지를 검출하고, 상기 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 복수의 제1 참조 화소와, 에지를 구성하지 않는 복수의 제2 참조 화소로 분류하고, 상기 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 상기 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성하고, 상기 복수의 제1 특징 벡터 및 상기 복수의 제2 특징 벡터를 포함하는 훈련 데이터를 사용하여, 기계 학습에 의해 상기 모델을 구축하도록 구성되어 있다.
일 양태에서는, 상기 복수의 훈련용 패턴은, 적어도 제1 방향으로 연장되는 에지, 상기 제1 방향과 수직인 제2 방향으로 연장되는 에지, 코너 에지, 종단 에지를 갖는 복수의 패턴이다.
일 양태에서는, 상기 복수의 실제 패턴은, 상기 워크피스에 형성된 패턴이다.
일 양태에서는, 상기 연산 시스템은, 표시 화면을 갖고 있고, 상기 연산 시스템은, 상기 설계 데이터에 기초하여 묘화된 복수의 패턴을 포함하는 설계 도면을 상기 표시 화면 상에 표시하고, 상기 설계 도면에 포함되는 복수의 패턴으로부터 선택된 상기 복수의 훈련용 패턴, 또는 상기 복수의 훈련용 패턴이 위치하는 에어리어를 시각적으로 강조된 양태에서 상기 표시 화면 상에 표시하도록 구성되어 있다.
일 양태에서는, 상기 연산 시스템은, 상기 가상 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 따른 상기 대상 화상의 복수의 휘도 프로파일을 생성하고, 복수의 상기 휘도 프로파일에 기초하여 복수의 에지점을 결정하고, 상기 복수의 에지점을 선으로 연결함으로써, 갱신된 에지를 생성하도록 구성되어 있다.
일 양태에서는, 상기 연산 시스템은, 상기 목표 패턴에 대응하는 CAD 패턴을 설계 데이터로부터 생성하고, 상기 CAD 패턴의 에지로부터, 상기 갱신된 에지까지의 거리를 측정하도록 구성되어 있다.
일 양태에서는, 주사 전자 현미경에 지령을 발하여 워크피스 상에 형성된 목표 패턴의 대상 화상을 생성시키는 스텝과, 상기 대상 화상의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하는 스텝과, 상기 특징 벡터를, 기계 학습에 의해 구축된 모델에 입력하는 스텝과, 상기 특징 벡터를 갖는 화소는 에지의 화소인지 또는 비에지의 화소인지를 나타내는 판정 결과를 상기 모델로부터 출력하는 스텝과, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성하는 스텝을 컴퓨터에 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체가 제공된다.
일 양태에서는, 상기 모델은 결정목이다.
일 양태에서는, 상기 프로그램은, 복수의 훈련용 패턴을 설계 데이터로부터 선택하는 스텝과, 상기 주사 전자 현미경에 지령을 발하여, 상기 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성시키는 스텝과, 상기 복수의 훈련용 화상 상의 상기 복수의 실제 패턴의 에지를 검출하는 스텝과, 상기 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 복수의 제1 참조 화소와, 에지를 구성하지 않는 복수의 제2 참조 화소로 분류하는 스텝과, 상기 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 상기 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성하는 스텝과, 상기 복수의 제1 특징 벡터 및 상기 복수의 제2 특징 벡터를 포함하는 훈련 데이터를 사용하여, 기계 학습에 의해 상기 모델을 구축하는 스텝을 또한 상기 컴퓨터에 실행시키도록 구성되어 있다.
일 양태에서는, 상기 복수의 훈련용 패턴은, 적어도 제1 방향으로 연장되는 에지, 상기 제1 방향과 수직인 제2 방향으로 연장되는 에지, 코너 에지, 종단 에지를 갖는 복수의 패턴이다.
일 양태에서는, 상기 복수의 실제 패턴은, 상기 워크피스에 형성된 패턴이다.
일 양태에서는, 상기 복수의 훈련용 패턴을 설계 데이터로부터 선택하는 스텝은, 상기 설계 데이터에 기초하여 묘화된 복수의 패턴을 포함하는 설계 도면을 표시 화면 상에 표시하는 스텝과, 상기 설계 도면에 포함되는 복수의 패턴으로부터 선택된 상기 복수의 훈련용 패턴, 또는 상기 복수의 훈련용 패턴이 위치하는 에어리어를 시각적으로 강조된 양태로 상기 표시 화면 상에 표시하는 스텝이다.
일 양태에서는, 상기 프로그램은, 상기 가상 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 따른 상기 대상 화상의 복수의 휘도 프로파일을 생성하는 스텝과, 복수의 상기 휘도 프로파일에 기초하여 복수의 에지점을 결정하는 스텝과, 상기 복수의 에지점을 선으로 연결함으로써, 갱신된 에지를 생성하는 스텝을 또한 상기 컴퓨터에 실행시키도록 구성되어 있다.
일 양태에서는, 상기 프로그램은, 상기 목표 패턴에 대응하는 CAD 패턴을 설계 데이터로부터 생성하는 스텝과, 상기 CAD 패턴의 에지로부터, 상기 갱신된 에지까지의 거리를 측정하는 스텝을 또한 상기 컴퓨터에 실행시키도록 구성되어 있다.
일 양태에서는, 화상 상의 패턴의 에지를 검출하기 위한 에지 검출 모델을 작성하는 방법이며, 패턴이 형성되어 있는 워크피스의 훈련용 화상을 주사 전자 현미경으로 생성하고, 상기 훈련용 화상 상의 상기 패턴의 에지를 검출하고, 상기 훈련용 화상을 구성하는 화소의 특징 벡터를 산출하고, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하고, 상기 에지 영역 내의 복수의 제1 화소의 복수의 특징 벡터, 상기 에지 근방 영역 내의 복수의 제2 화소의 복수의 특징 벡터 및 상기 비에지 영역 내의 복수의 제3 화소의 복수의 특징 벡터를 포함하는 훈련 데이터를 작성하고, 상기 훈련 데이터를 사용하여 기계 학습에 의해 에지 검출 모델을 작성하는, 방법이 제공된다.
일 양태에서는, 상기 복수의 제1 화소의 수를 A, 상기 복수의 제2 화소의 수 및 상기 복수의 제3 화소의 수의 합계를 B로 한 때, 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 미리 정해진 수치이다.
일 양태에서는, 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 0.6 내지 1.5의 범위에 있다.
일 양태에서는, 상기 비에지 영역은, 상기 에지 영역으로부터 미리 정해진 화소수만큼 이격되어 있고, 상기 에지 근방 영역은, 상기 에지 영역과 상기 비에지 영역 사이에 위치한다.
일 양태에서는, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하는 공정은, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 제외 영역, 에지 근방 영역 및 비에지 영역으로 분할하는 공정이고, 상기 제외 영역은, 상기 에지 영역에 인접하고, 또한 상기 에지 영역과 상기 에지 근방 영역 사이에 위치하고 있고, 상기 훈련 데이터는, 상기 제외 영역 내의 화소의 특징 벡터를 포함하지 않는다.
일 양태에서는, 상기 타깃 영역은, 제1 에지를 포함하는 제1 영역과, 상기 제1 에지와 수직인 제2 에지를 포함하는 제2 영역과, 코너 에지 및 종단 에지를 포함하는 제3 영역을 포함한다.
일 양태에서는, 상기 제1 영역 내의 화소수, 상기 제2 영역 내의 화소수 및 상기 제3 영역 내의 화소수는, 미리 정해진 비율로 있다.
일 양태에서는, 화상 상의 패턴의 에지를 검출하기 위한 에지 검출 모델을 작성하는 모델 생성 장치이며, 상기 에지 검출 모델을 작성하기 위한 프로그램이 저장되어 있는 기억 장치와, 상기 프로그램에 포함되는 명령을 따라 연산을 실행하는 연산 장치를 구비하고, 상기 모델 생성 장치는, 패턴이 형성되어 있는 워크피스의 훈련용 화상을 주사 전자 현미경으로부터 취득하고, 상기 훈련용 화상 상의 상기 패턴의 에지를 검출하고, 상기 훈련용 화상을 구성하는 화소의 특징 벡터를 산출하고, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하고, 상기 에지 영역 내의 복수의 제1 화소의 복수의 특징 벡터, 상기 에지 근방 영역 내의 복수의 제2 화소의 복수의 특징 벡터 및 상기 비에지 영역 내의 복수의 제3 화소의 복수의 특징 벡터를 포함하는 훈련 데이터를 작성하고, 상기 훈련 데이터를 사용하여 기계 학습에 의해 에지 검출 모델을 작성하도록 구성되어 있는, 모델 생성 장치가 제공된다.
일 양태에서는, 상기 복수의 제1 화소의 수를 A, 상기 복수의 제2 화소의 수 및 상기 복수의 제3 화소의 수 합계를 B로 한 때, 수 A를 수 B로 나누어서 얻어진 값(A/B)은 미리 정해진 수치이다.
일 양태에서는, 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 0.6 내지 1.5의 범위에 있다.
일 양태에서는, 상기 비에지 영역은, 상기 에지 영역으로부터 미리 정해진 화소수만큼 이격되어 있고, 상기 에지 근방 영역은, 상기 에지 영역과 상기 비에지 영역 사이에 위치한다.
일 양태에서는, 상기 모델 생성 장치는, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 제외 영역, 에지 근방 영역 및 비에지 영역으로 분할하도록 구성되어 있고, 상기 제외 영역은, 상기 에지 영역에 인접하고, 또한 상기 에지 영역과 상기 에지 근방 영역 사이에 위치하고 있고, 상기 훈련 데이터는, 상기 제외 영역 내의 화소의 특징 벡터를 포함하지 않는다.
일 양태에서는, 상기 타깃 영역은, 제1 에지를 포함하는 제1 영역과, 상기 제1 에지와 수직인 제2 에지를 포함하는 제2 영역과, 코너 에지 및 종단 에지를 포함하는 제3 영역을 포함한다.
일 양태에서는, 상기 제1 영역 내의 화소수, 상기 제2 영역 내의 화소수 및 상기 제3 영역 내의 화소수는, 미리 정해진 비율로 있다.
일 양태에서는, 패턴이 형성되어 있는 워크피스의 훈련용 화상을 주사 전자 현미경으로부터 취득하는 스텝과, 상기 훈련용 화상 상의 상기 패턴의 에지를 검출하는 스텝과, 상기 훈련용 화상을 구성하는 화소의 특징 벡터를 산출하는 스텝과, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하는 스텝과, 상기 에지 영역 내의 복수의 제1 화소의 복수의 특징 벡터, 상기 에지 근방 영역 내의 복수의 제2 화소의 복수의 특징 벡터 및 상기 비에지 영역 내의 복수의 제3 화소의 복수의 특징 벡터를 포함하는 훈련 데이터를 작성하는 스텝과, 상기 훈련 데이터를 사용하여 기계 학습에 의해 에지 검출 모델을 작성하는 스텝을 컴퓨터에 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체가 제공된다.
본 발명에 따르면, 패턴의 설계 데이터 대신에, 기계 학습에 의해 작성된 모델을 사용해서 에지가 검출된다. 구체적으로는, 모델로부터 출력되는 판정 결과에 기초하여 가상 에지가 생성된다. 이 가상 에지는, 화상에 나타나 있는 패턴의 에지에 매우 가까운 형상을 갖고 있는 것으로 예상된다.
본 발명에 따르면, 에지 영역 내의 화소와, 에지 근방 영역 내의 화소와, 비에지 영역 내의 화소를 포함하는 훈련 데이터가 기계 학습에 사용된다. 특히, 판정이 어렵다로 되는 에지 근방 영역 내의 화소가 훈련 데이터에 포함되므로, 기계 학습에 의해 작성된 에지 검출 모델은, 주어진 화소가 에지인지의 여부를 고정밀도로 판정할 수 있다.
또한, 본 발명에 따르면, 제외 영역 내의 화소는, 기계 학습에 사용되지 않는다. 이 제외 영역 내의 화소는, 에지의 화소일지도 모르고, 혹은 비에지의 화소일지도 모른다. 즉, 제외 영역 내의 화소는, 불확정인 화소이다. 이러한 불확정인 화소의 특징 벡터를 훈련 데이터로부터 제외함으로써, 에지 검출 모델의 기계 학습을 조기에 완료시킬 수 있다.
도 1은, 패턴 에지 검출 장치의 일 실시 형태를 도시하는 모식도이다.
도 2는, 대상 화상을 도시하는 모식도이다.
도 3은, 가상 에지를 도시하는 모식도이다.
도 4는, 결정목으로 이루어지는 모델의 일 실시 형태를 도시하는 모식도이다.
도 5는, 어느 특징 벡터를 도 4에 도시하는 복수의 결정목에 입력한 때의 판정 결과의 일례를 도시하는 도면이다.
도 6은, 다른 특징 벡터를 도 4에 도시하는 복수의 결정목에 입력한 때의 판정 결과의 다른 예를 도시하는 도면이다.
도 7은, 가상 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 나타내는 도면이다.
도 8은, 도 7에 나타내는 탐색선 중 하나를 따른 휘도 프로파일의 일례를 도시하는 도면이다.
도 9는, 훈련 데이터의 작성에 사용되는 훈련용 패턴의 일례를 도시하는 모식도이다.
도 10은, 표시 화면 상에 표시된 설계 도면의 일례를 도시하는 모식도이다.
도 11은, 선택된 훈련용 패턴이 위치하는 에어리어를 나타내는 프레임을 표시 화면 상에 표시하는 실시 형태를 도시하는 도면이다.
도 12는, 선택된 훈련용 패턴을, 다른 패턴과 상대적으로 시각적으로 다른 양태에서 표시하는 실시 형태를 도시하는 도면이다.
도 13은, 에지를 구성하는 제1 참조 화소의 제1 특징 벡터와,에지를 구성하지 않는 제2 참조 화소의 제2 특징 벡터를 포함하는 훈련 데이터를 도시하는 모식도이다.
도 14는, 패턴 에지 검출 장치의 동작을 도시하는 흐름도의 일부이다.
도 15는, 패턴 에지 검출 장치의 동작을 도시하는 흐름도의 나머지의 일부이다.
도 16은, CAD 패턴의 에지로부터, 갱신된 에지까지의 거리를 측정하는 실시 형태를 설명하는 도면이다.
도 17은, 패턴 에지 검출 장치의 일 실시 형태를 도시하는 모식도이다.
도 18은, 패턴이 형성된 워크피스의 화상의 일례를 도시하는 도면이다.
도 19는, 검출된 에지를 도시하는 도면이다.
도 20은, 도 19에 도시하는 검출된 에지를, 도 18에 도시하는 화상 상에 중첩한 도면이다.
도 21은, 화소의 특징량을 산출하는 일 실시 형태를 설명하는 도면이다.
도 22는, 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하는 동작을 설명하는 도면이다.
도 23은, 에지 검출 모델을 작성하는 다른 실시 형태를 설명하는 도면이다.
도 24는, 화상 내에 설정된 복수의 영역을 포함하는 타깃 영역의 일례를 도시하는 도면이다.
도 25는, 화상 상의 패턴에 중첩된 CAD 패턴을 도시하는 모식도이다.
도 26은, 도 25에 도시하는 탐색선을 따른 휘도 프로파일을 도시하는 도면이다.
도 27은, 결함이 있는 패턴의 일례를 도시하는 도면이다.
도 28은, 결함이 있는 패턴의 다른 예를 도시하는 도면이다.
도 29는, 결함이 있는 패턴의 또 다른 예를 도시하는 도면이다.
이하, 본 발명의 실시 형태에 대하여 도면을 참조하여 설명한다.
도 1은, 패턴 에지 검출 장치의 일 실시 형태를 도시하는 모식도이다. 도 1에 도시하는 바와 같이, 패턴 에지 검출 장치는, 주사 전자 현미경(1) 및 연산 시스템(3)을 구비하고 있다. 주사 전자 현미경(1)은, 워크피스의 화상을 생성하는 화상 생성 장치의 일례이다. 워크피스의 예로서는, 반도체 제조에 관련한 웨이퍼 또는 마스크를 들 수 있다. 이하에 설명하는 실시 형태에서는, 워크피스의 예로서 웨이퍼가 채용되고 있지만, 본 발명은 이하의 실시 형태에 한정되지는 않는다. 패턴은, 워크피스에 형성되어 있는, 전자 디바이스의 배선 패턴이다.
주사 전자 현미경(1)은, 연산 시스템(3)에 접속되어 있고, 주사 전자 현미경(1)의 동작은 연산 시스템(3)에 의해 제어된다. 연산 시스템(3)은, 데이터베이스(5) 및 프로그램이 저장된 기억 장치(6)와, 프로그램에 포함되는 명령을 따라 연산을 실행하는 처리 장치(7)와, 화상 및 GUI(그래피컬 유저 인터페이스) 등을 표시하는 표시 화면(10)을 구비하고 있다. 기억 장치(6)는, RAM 등의 주기억 장치와, 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD) 등의 보조 기억 장치를 구비하고 있다. 처리 장치(7)의 예로서는, CPU(중앙 처리 장치), GPU(그래픽 프로세싱 유닛)를 들 수 있다. 단, 연산 시스템(3)의 구체적 구성은 이들의 예에 한정되지는 않는다.
연산 시스템(3)은, 마우스(12a) 및 키보드(12b)를 구비한 입력 장치(12)를 더 구비하고 있다. 유저는, 마우스(12a) 및/또는 키보드(12b)를 사용하여, 표시 화면(10) 상에 나타난 GUI를 조작할 수 있다. 마우스(12a) 및 키보드(12b)를 구비한 입력 장치(12)는 일례이고, 본 발명은 본 실시 형태의 입력 장치(12)에 한정되지는 않는다.
연산 시스템(3)은, 적어도 1대의 컴퓨터를 구비하고 있다. 예를 들어, 연산 시스템(3)은, 주사 전자 현미경(1)에 통신선으로 접속된 에지 서버여도 되고, 인터넷이나 로컬 에어리어 네트워크 등의 통신 네트워크에 의해 주사 전자 현미경(1)에 접속된 클라우드 서버여도 된다. 연산 시스템(3)은, 복수의 서버의 조합이어도 된다. 예를 들어, 연산 시스템(3)은, 인터넷 또는 로컬 에어리어 네트워크 등의 통신 네트워크에 의해 서로 접속된 에지 서버와 클라우드 서버의 조합, 혹은 통신 네트워크로 접속되어 있지 않은 복수의 서버의 조합이어도 된다.
주사 전자 현미경(1)은, 1차 전자(하전 입자)로 이루어지는 전자 빔을 발하는 전자총(15), 전자총(15)으로부터 방출된 전자 빔을 집속하는 집속 렌즈(16), 전자 빔을 X 방향으로 편향하는 X 편향기(17), 전자 빔을 Y 방향으로 편향하는 Y 편향기(18), 전자 빔을 워크피스의 일례인 웨이퍼 W에 포커스시키는 대물 렌즈(20)를 갖는다.
집속 렌즈(16) 및 대물 렌즈(20)는 렌즈 제어 장치(21)에 접속되어, 집속 렌즈(16) 및 대물 렌즈(20)의 동작은 렌즈 제어 장치(21)에 의해 제어된다. 이 렌즈 제어 장치(21)는 연산 시스템(3)에 접속되어 있다. X 편향기(17), Y 편향기(18)는, 편향 제어 장치(22)에 접속되어 있고, X 편향기(17), Y 편향기(18)의 편향 동작은 편향 제어 장치(22)에 의해 제어된다. 이 편향 제어 장치(22)도 마찬가지로 연산 시스템(3)에 접속되어 있다. 2차 전자 검출기(25)와 반사 전자 검출기(26)는 화상 취득 장치(28)에 접속되어 있다. 화상 취득 장치(28)는 2차 전자 검출기(25)와 반사 전자 검출기(26)의 출력 신호를 화상으로 변환하도록 구성된다. 이 화상 취득 장치(28)도 마찬가지로 연산 시스템(3)에 접속되어 있다.
챔버(30) 내에 배치되는 스테이지(31)는, 스테이지 제어 장치(32)에 접속되어 있고, 스테이지(31)의 위치는 스테이지 제어 장치(32)에 의해 제어된다. 이 스테이지 제어 장치(32)는 연산 시스템(3)에 접속되어 있다. 웨이퍼 W를, 챔버(30) 내의 스테이지(31)에 적재하기 위한 반송 장치(34)도 마찬가지로 연산 시스템(3)에 접속되어 있다.
전자총(15)으로부터 방출된 전자 빔은 집속 렌즈(16)에서 집속된 후에, X 편향기(17), Y 편향기(18)에서 편향되면서 대물 렌즈(20)에 의해 집속되어서 웨이퍼 W의 표면에 조사된다. 웨이퍼 W에 전자 빔의 1차 전자가 조사되면, 웨이퍼 W로부터는 2차 전자 및 반사 전자가 방출된다. 2차 전자는 2차 전자 검출기(25)에 의해 검출되고, 반사 전자는 반사 전자 검출기(26)에 의해 검출된다. 검출된 2차 전자의 신호 및 반사 전자의 신호는, 화상 취득 장치(28)에 입력되어 화상으로 변환된다. 화상은 연산 시스템(3)에 송신된다.
웨이퍼 W 상에 형성된 패턴의 설계 데이터는, 기억 장치(6)에 미리 기억되어 있다. 웨이퍼 W 상의 패턴은, 설계 데이터에 기초하여 작성된 것이다. 패턴의 설계 데이터는, 패턴의 정점 좌표, 패턴의 위치, 형상 및 크기, 패턴이 속하는 층의 번호 등의 패턴의 설계 정보를 포함한다. 기억 장치(6)에는, 데이터베이스(5)가 구축되어 있다. 패턴의 설계 데이터는, 데이터베이스(5) 내에 미리 저장된다. 연산 시스템(3)은, 기억 장치(6)에 저장되어 있는 데이터베이스(5)로부터 설계 데이터를 읽어내는 것이 가능하다. 설계 데이터는, CAD 데이터라고도 불린다. CAD는, 컴퓨터 지원 설계(computer-aided design)의 약어이다.
이어서, 화상 상의 패턴의 에지(윤곽선)를 검출하는 방법에 대하여 설명한다. 먼저, 주사 전자 현미경(1)은, 웨이퍼 W 상에 형성된 복수의 패턴의 복수의 화상을 생성한다. 연산 시스템(3)은, 복수의 화상 중 하나인 대상 화상을 주사 전자 현미경(1)으로부터 취득한다. 도 2는, 대상 화상을 도시하는 모식도이다. 대상 화상(50)에는, 에지를 검출해야 할 목표 패턴(51)이 나타나 있다. 이 목표 패턴(51)은, 웨이퍼 W 상에 형성된 패턴이다.
연산 시스템(3)은, 대상 화상(50)의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성한다. 특징 벡터는, 각 화소의 복수의 특징량을 포함하는 다차원 벡터이다. 특징량은, 화소의 특징을 나타내는 수치이다. 본 실시 형태에서는, 각 화소의 복수의 특징량은, 그 화소의 휘도값과, 다른 화소의 휘도값의 차이다. 휘도값은, 일례에서는, 그레이스케일을 따른 0 내지 255의 이산적인 수치이다. 본 실시 형태에서는, 다른 화소는 인접하는 화소이다. 일 실시 형태에서는, 다른 화소는, 인접하고 있지 않은 화소여도 된다.
연산 시스템(3)은, 미분 필터를 대상 화상(50)에 적용함으로써, 복수의 특징량을 포함하는 특징 벡터를 생성한다. 구체적으로는, 연산 시스템(3)은, 어떤 화소의 휘도값과, 그 화소의 주위에 존재하는 복수의 화소의 휘도값의 복수의 차를 산출한다. 이들의 산출된 복수의 차는, 하나의 특징 벡터에 포함되는 복수의 특징량을 구성한다.
예를 들어, 도 2에 나타내는 화소 P1의 휘도값이 100이고, 그 화소 P1의 주위에 존재하는 복수의 화소의 휘도값이 200, 150, 100, 50인 경우, 산출되는 차는 -100, -50, 0, 50이다. 따라서, 이 예에 있어서의 화소 P1의 특징 벡터는, (-100, -50, 0, 50)이라고 표시된다. 한편, 도 2에 나타내는 화소 P2의 휘도값이 10이고, 그 화소 P2의 주위에 존재하는 복수의 화소의 휘도값이 20, 15, 10, 10인 경우, 산출되는 차는 -10, -5, 0, 0이다. 따라서, 이 예에 있어서의 화소 P2의 특징 벡터는, (-10, -5, 0, 0)이라고 표시된다.
본 실시 형태에서는, 특징 벡터에 포함되는 특징량의 수는 4개이지만, 본 발명은 이 실시 형태에 한정되지는 않는다. 특징 벡터는, 4개보다도 작은, 또는 4개보다도 큰 수의 특징량을 포함해도 된다.
연산 시스템(3)은, 특징 벡터를 구성하는 복수의 특징량을, 기계 학습에 의해 구축된 모델에 입력하고, 에지의 화소 또는 비에지의 화소를 나타내는 판정 결과를 모델로부터 출력한다. 이 모델은, 훈련 데이터를 사용하여, 기계 학습에 의해 작성된 학습 완료 모델이다. 훈련 데이터는, 복수의 화소의 각각의 특징 벡터와, 이들 특징 벡터의 정답 데이터를 포함한다. 정답 데이터는, 어떤 특징 벡터를 갖는 화소가, 패턴의 에지를 구성하는 화소나, 또는 에지를 구성하지 않는 화소의 어느 것인 것을 특정하는 정보이다. 훈련 데이터에 포함되는 복수의 화소의 특징 벡터 각각은, 정답 데이터와 결부시킬 수 있다(관련 지어진다).
이러한 훈련 데이터를 사용한 기계 학습에 의해 작성된 모델은, 미지의 화소의 특징 벡터로부터, 그 미지의 화소가 에지의 화소인지, 또는 비에지의 화소인지 판별할 수 있다. 즉, 미지의 화소의 특징 벡터가 모델에 입력되면, 모델은 에지의 화소 또는 비에지의 화소를 나타내는 판정 결과를 출력한다.
연산 시스템(3)은, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선택하고, 선택된 복수의 화소를 선으로 연결하여 가상 에지를 생성한다. 도 3은, 가상 에지를 도시하는 모식도이다. 연산 시스템(3)은, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소 PX를 선으로 연결함으로써, 가상 에지(55)를 형성한다. 이 가상 에지(55)는, 웨이퍼 W 상의 목표 패턴(51)(도 2 참조)의 에지에 가까운 형상을 갖고 있다고 예상된다.
본 실시 형태에서는, 모델에는 결정목이 사용되고 있다. 결정목은, 기계 학습의 알고리즘의 일례인 랜덤 포레스트의 알고리즘을 따라서 구축된 모델(학습 완료 모델)이다.
도 4는, 결정목으로 이루어지는 모델의 일 실시 형태를 도시하는 모식도이다. 도 4에 도시하는 바와 같이, 모델(60)은, 복수의 결정목(60A, 60B, 60C)을 구비하고 있다. 각 화소의 특징 벡터는, 이들 결정목(60A, 60B, 60C)의 각각에 입력된다. 복수의 결정목(60A, 60B, 60C)은, 각 결정목의 알고리즘을 따라, 특징 벡터를 갖는 화소가 에지의 화소인지, 또는 비에지의 화소인지를 판정한다. 도 4에 나타내는 예에서는, 모델(60)은 3개의 결정목(60A, 60B, 60C)으로 구성되어 있지만, 결정목의 수는 특별히 한정되지는 않는다. 일 실시 형태에서는, 모델(60)은 하나의 결정목만을 구비해도 된다.
도 5는, 특징 벡터(-100, -50, 0, 50)를 도 4에 도시하는 복수의 결정목(60A, 60B, 60C)에 입력한 때의 판정 결과의 일례를 도시하는 도면이다. 특징 벡터(-100, -50, 0, 50)는, 3개의 결정목(60A, 60B, 60C)에 각각 입력된다. 제1 결정목(60A) 및 제2 결정목(60B)은, 특징 벡터(-100, -50, 0, 50)를 갖는 화소는 에지의 화소라고 판정하고, 제3 결정목(60C)은, 특징 벡터(-100, -50, 0, 50)를 갖는 화소는 비에지의 화소라고 판정하고 있다.
도 6은, 특징 벡터(-10, -5, 0, 0)를 도 4에 도시하는 복수의 결정목(60A, 60B, 60C)에 입력한 때의 판정 결과의 일례를 도시하는 도면이다. 특징 벡터(-10, -5, 0, 0)는, 3개의 결정목(60A, 60B, 60C)에 각각 입력된다. 모든 결정목(60A, 60B, 60C)은, 특징 벡터(-10, -5, 0, 0)를 갖는 화소는 비에지의 화소라고 판정하고 있다.
판정 결과는, 결정목(60A, 60B, 60C)의 수만큼 존재하고, 판정 결과는 결정목(60A, 60B, 60C)에 따라 다른 것이 있을 수 있다. 연산 시스템(3)은, 에지의 화소를 나타내는 판정 결과, 또는 비에지의 화소를 나타내는 판정 결과 중, 수가 많은 쪽을 채용한다. 도 5에 나타내는 예에서는, 3개의 결정목(60A, 60B, 60C) 중 2개는, 에지의 화소를 나타내는 판정 결과를 출력하고, 다른 하나는 비에지의 화소를 나타내는 판정 결과를 출력한다. 이 경우에는, 연산 시스템(3)은, 수가 많은 쪽의 판정 결과를 채용하고, 입력된 특징 벡터(-100, -50, 0, 50)를 갖는 화소는 에지의 화소라고 결정한다. 도 6에 나타내는 예에서는, 모든 결정목(60A, 60B, 60C)은, 비에지의 화소를 나타내는 판정 결과를 출력하고 있다. 이 경우에는, 연산 시스템(3)은, 입력된 특징 벡터(-10, -5, 0, 0)를 갖는 화소는 비에지의 화소라고 결정한다.
결정목은, 뉴럴 네트워크 등의 다른 모델에 비하여, 빨리 기계 학습을 종료 할 수 있다는 이점이 있다. 예를 들어, 훈련 데이터를 사용하여 복수의 결정목을 구축하기 위한 기계 학습은, 1분 내지 5분 정도에서 완료한다. 따라서, 결정목을 구비한 모델(60)을 채용함으로써, 기계 학습을 개시하고 나서 가상 에지(55)의 생성까지의 시간을 짧게 할 수 있다.
일반적으로, 동일한 설계 데이터로부터 패턴이 작성되는 경우에도, 패턴의 에지 형상은 웨이퍼마다 조금 다르다. 어떤 웨이퍼 상의 패턴의 화상을 사용해서 작성된 모델은, 다른 웨이퍼 상의 패턴의 에지 검출에 실패하는 경우가 있다. 본 실시 형태에 따르면, 훈련 데이터의 작성에 사용된 실제 패턴과, 가상 에지(55)를 생성해야 할 목표 패턴(51)은, 동일한 웨이퍼(워크피스) W 상에 형성되어 있다. 즉, 학습 페이즈에 있어서의 모델(60)의 기계 학습과, 에지 검출 페이즈에 있어서의 가상 에지(55)의 생성은, 동일한 웨이퍼(워크피스) W의 화상을 사용하여 실행된다. 따라서, 연산 시스템(3)은, 훈련 데이터를 사용하여 기계 학습에 의해 구축된 모델(60)을 사용하여, 목표 패턴(51)의 가상 에지(55)를 높은 정밀도로 생성할 수 있다.
본 실시 형태에서는, 기계 학습에 의해 구축된 모델(60)로서, 복수의 결정목이 사용되고 있지만, 본 발명은 본 실시 형태에 한정되지는 않는다. 일 실시 형태에서는, 기계 학습에 의해 구축된 모델(60)은, 서포트 벡터 머신, 또는 뉴럴 네트워크로 이루어지는 모델이어도 된다. 모델(60)이 뉴럴 네트워크인 경우, 특징 벡터는, 뉴럴 네트워크의 입력층에 입력되고, 판정 결과는 뉴럴 네트워크의 출력층으로부터 출력된다. 뉴럴 네트워크의 기계 학습에는, 딥 러닝이 적합하다.
도 3에 도시하는 가상 에지(55)는, 도 2에 도시하는 목표 패턴(51)의 에지에 매우 가까운 형상을 갖고 있는 것으로 예상된다. 일 실시 형태에서는, 연산 시스템(3)은, 가상 에지(55)에 기초하여, 목표 패턴(51)의 에지를 검출하는 공정을 더 실행해도 된다. 이 목표 패턴(51)의 에지 검출은, 도 25 및 도 26을 참조하여 설명한 종래의 에지 검출 방법과 동일하게 하여 실행된다. 단, CAD 패턴 대신에 가상 에지(55)가 사용된다. 구체적으로는, 도 7에 도시하는 바와 같이, 연산 시스템(3)은, 가상 에지(55)에 대하여 법선 방향으로 연장되는 복수의 탐색선(65)을 따른 대상 화상(50)의 복수의 휘도 프로파일을 생성하고, 복수의 휘도 프로파일에 기초하여 복수의 에지점 EP를 결정하고, 복수의 에지점 EP를 선으로 연결함으로써, 갱신된 에지(67)를 생성한다.
도 8은, 도 7에 나타내는 탐색선(65) 중 하나를 따른 휘도 프로파일의 일례를 도시하는 도면이다. 연산 시스템(3)은, 휘도 프로파일 상의 휘도값이 역치와 동등한 에지점 EP를 결정한다. 연산 시스템(3)은, 도 7에 도시하는 바와 같이, 복수의 탐색선(65)을 따른 복수의 휘도 프로파일 상의 복수의 에지점 EP를 결정하고, 이들 에지점 EP를 선으로 연결함으로써, 갱신된 에지(67)를 생성하고, 갱신된 에지(67)를 대상 화상(50) 상에 묘화한다. 이 갱신된 에지(67)는, 목표 패턴(51)(도 2 참조)의 실제의 에지에 매우 가까운 형상을 갖고 있는 것으로 예상된다.
이어서, 모델(60)을 구축하기 위한 기계 학습에 사용되는 훈련 데이터에 대하여 설명한다. 훈련 데이터는, 상술한 바와 같이, 가상 에지(55)를 생성해야 할 목표 패턴(51)이 형성된 웨이퍼 W 상의 복수의 실제 패턴의 화상으로부터 작성된다. 연산 시스템(3)은, 복수의 훈련용 패턴을 설계 데이터로부터 선택한다. 설계 데이터(CAD 데이터라고도 함)는, 웨이퍼 W 상에 형성되어 있는 패턴의 설계 데이터이다.
모델(60)의 에지 판정 정밀도를 높이기 위해서, 훈련 데이터는 다양한 에지 형상을 갖는 패턴의 화상으로 작성되는 것이 바람직하다. 이러한 관점에서, 훈련 데이터의 작성에 사용되는 훈련용 패턴은, 도 9에 도시하는 바와 같이, 제1 방향으로 연장되는 에지 E1, 제1 방향과 수직인 제2 방향으로 연장되는 에지 E2, 코너 에지 E3, 종단 에지 E4를 갖는 복수의 패턴 PT1, PT2, PT3을 포함한다. 연산 시스템(3)은, 이러한 다양한 형상의 에지 E1 내지 E4를 갖는 복수의 훈련용 패턴 PT1, PT2, PT3을 설계 데이터로부터 추출(선택)한다.
연산 시스템(3)은, 설계 데이터에 기초하여 묘화된 설계 도면을 표시 화면(10)(도 1 참조)에 표시하도록 구성되어 있다. 도 10은, 표시 화면(10) 상에 표시된 설계 도면(75)의 일례를 도시하는 모식도이다. 설계 도면(75)에는, 설계 데이터에 기초하여 묘화된 여러가지 패턴이 포함된다. 유저는, 표시 화면(10) 상의 설계 도면(75)을 눈으로 보아 확인하면서, 도 9에 도시하는 바와 같은, 다방향으로 연장되는 에지를 갖는 패턴 PT1, PT2, PT3을 선택할 수 있다. 보다 구체적으로는, 유저는, 도 1에 도시하는 마우스(12a) 및 키보드(12b)를 구비한 입력 장치(12)를 조작하여, 도 10에 도시하는 바와 같이, 설계 도면(75) 상의 복수의 패턴으로부터, 복수의 훈련용 패턴 PT1, PT2, PT3을 선택할 수 있다.
유저는, 입력 장치(12)를 조작하여, 훈련용 패턴 PT1, PT2, PT3의 일부를 삭제 또는 변경할 수 있고, 혹은 설계 도면(75) 상의 다른 패턴을 훈련용 패턴 PT1, PT2, PT3에 추가하는 것도 가능하다.
연산 시스템(3)은, 선택된 복수의 훈련용 패턴 PT1, PT2, PT3, 또는 이들 패턴 PT1, PT2, PT3이 위치하는 에어리어를 시각적으로 강조된 양태로 표시한다. 예를 들어, 도 11에 도시하는 바와 같이, 선택된 훈련용 패턴 PT1, PT2, PT3이 위치하는 에어리어를 나타내는 프레임(80)을 표시 화면(10) 상에 표시해도 되고, 혹은, 도 12에 도시하는 바와 같이, 선택된 훈련용 패턴 PT1, PT2, PT3 자체를 다른 패턴과 상대적으로 시각적으로 다른 양태로 표시해도 된다. 도 12에 나타내는 예에서는, 선택된 훈련용 패턴 PT1, PT2, PT는, 다른 패턴보다도 굵은 선으로 표시되어 있지만, 다른 예에서는, 선택된 훈련용 패턴 PT1, PT2, PT3은, 다른 패턴과는 다른 색으로 표시되어도 된다. 유저는, 표시 화면(10) 상의 복수의 훈련용 패턴 PT1, PT2, PT3을 눈으로 보아 확인할 수 있다.
주사 전자 현미경(1)은, 선택된 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성한다. 이때, 주사 전자 현미경(1)은, 가상 에지(55)를 생성해야 할 목표 패턴(51)의 화상을 생성해도 된다. 연산 시스템(3)은, 복수의 훈련용 화상을 주사 전자 현미경(1)으로부터 취득하고, 기억 장치(6) 내에 기억한다.
이어서, 연산 시스템(3)은, 복수의 훈련용 화상 상의 복수의 실제 패턴의 에지를 검출한다. 이 에지 검출은, 도 25 및 도 26을 참조하여 설명한 종래의 에지 검출 방법을 따라서 실행된다. 즉, 연산 시스템(3)은, 복수의 훈련용 패턴에 각각 대응하는 복수의 CAD 패턴을 설계 데이터로부터 생성한다. 연산 시스템(3)은, 각 CAD 패턴에 코너 라운드 처리를 적용하여, 둥그스름해진 코너 에지를 형성해도 된다. 이어서, 연산 시스템(3)은, 이들 CAD 패턴을 훈련용 화상 상의 복수의 패턴에 각각 중첩한다. 연산 시스템(3)은, CAD 패턴의 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 생성하고, 이들 탐색선을 따른 화상의 복수의 휘도 프로파일을 작성한다. 연산 시스템(3)은, 하나의 휘도 프로파일 상의 휘도값이 역치와 동등한 에지점을 결정한다. 또한, 연산 시스템(3)은, 마찬가지의 동작을 반복하고, 모든 탐색선을 따른 휘도 프로파일 상의 복수의 에지점을 결정한다. 연산 시스템(3)은, 이들 복수의 에지점을 선으로 연결하고, 에지점을 연결한 선을, 훈련용 화상 상의 실제 패턴의 에지로 한다. 이와 같이 하여 훈련용 화상 상의 실제 패턴의 에지가 검출(결정)된다.
이러한 훈련용 화상 상의 실제 패턴의 에지 검출의 결과, 연산 시스템(3)은, 훈련용 화상을 구성하는 각 참조 화소에, 에지 화소의 라벨, 또는 비에지 화소의 라벨을 붙일 수 있다. 즉, 연산 시스템(3)은, 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 제1 참조 화소와, 에지를 구성하지 않는 제2 참조 화소로 분류한다.
연산 시스템(3)은, 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성한다. 각 특징 벡터는, 상술한 바와 같이, 각 참조 화소의 복수의 특징량을 포함하는 다차원 벡터이다. 연산 시스템(3)은, 복수의 제1 특징 벡터 및 복수의 제2 특징 벡터와, 이들 특징 벡터의 정답 데이터를 포함하는 훈련 데이터를 작성한다. 정답 데이터는, 어떤 특징 벡터를 갖는 화소가 패턴의 에지를 구성하는 화소나 또는 에지를 구성하지 않는 화소의 어느 것인 것을 특정하는 정보이다. 훈련 데이터에 포함되는 제1 특징 벡터 및 제2 특징 벡터 각각은, 정답 데이터와 결부시킬 수 있다(관련 지어진다).
도 13은, 에지를 구성하는 제1 참조 화소의 제1 특징 벡터와, 에지를 구성하지 않는 제2 참조 화소의 제2 특징 벡터를 포함하는 훈련 데이터(70)를 도시하는 모식도이다. 제1 특징 벡터에는, 에지의 화소를 나타내는 정답 데이터의 라벨이 첨부되고, 제2 특징 벡터에는, 비에지의 화소를 나타내는 정답 데이터의 라벨이 첨부되어 있다. 연산 시스템(3)은, 훈련 데이터(70)를 사용하여, 기계 학습에 의해 모델(60)을 구축한다.
본 실시 형태에서는, 모델(60)은 복수의 결정목(60A, 60B, 60C)으로 구성되어 있다. 연산 시스템(3)은, 훈련 데이터(70)로부터 무작위로 추출된 복수의 제1 특징 벡터 및 복수의 제2 벡터를 각각 포함하는 복수의 데이터 그룹(70A, 70B, 70C)을 작성하고, 이들 데이터 그룹(70A, 70B, 70C)을 사용하여 복수의 결정목(60A, 60B, 60C)을 구축한다. 보다 구체적으로는, 연산 시스템(3)은 데이터 그룹(70A)을 사용하여, 결정목(60A)의 모델 파라미터를 결정한다. 동일하게 하여, 연산 시스템(3)은, 데이터 그룹(70B)을 사용하여 결정목(60B)의 모델 파라미터를 결정하고, 데이터 그룹(70C)을 사용하여 결정목(60C)의 모델 파라미터를 결정한다.
연산 시스템(3)은, 상술한 바와 같이 하여 결정된 모델 파라미터를 구비한 복수의 결정목(60A, 60B, 60C)으로 이루어지는 모델(60)을, 상기 훈련 데이터(70)를 사용하여 검증한다. 구체적으로는, 연산 시스템(3)은, 훈련 데이터(70)에 포함되는 제1 특징 벡터를 모델(60)에 입력하고, 모델(60)로부터 판정 결과를 출력시켜, 판정 결과가 에지 화소를 나타내고 있는지의 여부를 대조한다. 마찬가지로, 연산 시스템(3)은, 훈련 데이터(70)에 포함되는 제2 특징 벡터를 모델(60)에 입력하고, 모델(60)로부터 판정 결과를 출력시켜, 판정 결과가 비에지 화소를 나타내고 있는지의 여부를 대조한다. 연산 시스템(3)은 이러한 검증을 반복하여 실행하여 복수의 판정 결과를 취득하고, 이들 복수의 판정 결과가 정답 데이터에 합치하고 있는 비율인 판정 정밀도를 산출한다.
판정 정밀도가 설정값 이상이면, 연산 시스템(3)은, 상술한 바와 같이, 모델(60)을 사용하여 가상 에지(55)의 생성을 실행한다. 판정 정밀도가 설정값보다도 작으면, 연산 시스템(3)은, 훈련 데이터의 작성 및 모델의 기계 학습을 다시 실행한다. 일 실시 형태에서는, 연산 시스템(3)은, 판정 정밀도가 설정값보다도 작은 경우에는, 모델(60)을 사용하지 않고, 도 25 및 도 26을 참조하여 설명한 종래의 에지 검출 방법을 따라서 목표 패턴(51)의 에지를 검출해도 된다.
도 14 및 도 15는, 지금까지 설명한 패턴 에지 검출 장치의 동작을 도시하는 흐름도이다.
스텝 1에서는, 연산 시스템(3)은, 복수의 훈련용 패턴을 설계 데이터로부터 선택(추출)한다. 선택되는 훈련용 패턴은, 도 9에 도시하는 바와 같이, 제1 방향으로 연장되는 에지 E1, 제1 방향과 수직인 제2 방향으로 연장되는 에지 E2, 코너 에지 E3, 종단 에지 E4를 갖는 복수의 패턴을 포함한다.
스텝 2에서는, 주사 전자 현미경(1)은, 선택된 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성한다. 이때, 주사 전자 현미경(1)은, 가상 에지를 생성해야 할 목표 패턴(51)의 화상을 생성해도 된다.
스텝 3에서는, 연산 시스템(3)은, 복수의 훈련용 화상 상의 복수의 실제 패턴의 에지를 검출한다. 이 에지 검출은, 도 25 및 도 26을 참조하여 설명한 종래의 에지 검출 방법을 따라서 실행된다.
스텝 4에서는, 연산 시스템(3)은, 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 제1 참조 화소와, 에지를 구성하지 않는 제2 참조 화소로 분류한다.
스텝 5에서는, 연산 시스템(3)은, 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성한다. 구체적으로는, 연산 시스템(3)은, 각 참조 화소의 복수의 특징량을 나타내는 특징 벡터를 생성한다.
스텝 6에서는, 연산 시스템(3)은, 복수의 제1 특징 벡터 및 복수의 제2 특징 벡터와, 이들 특징 벡터의 정답 데이터를 포함하는 훈련 데이터(70)를 작성한다(도 13 참조).
스텝 7에서는, 연산 시스템(3)은, 훈련 데이터(70)를 사용하여 기계 학습을 실행하고, 모델(60)을 구축한다. 보다 구체적으로는, 연산 시스템(3)은, 어떤 특징 벡터가 모델(60)에 입력된 때, 모델(60)이 올바른 판정 결과를 출력하도록, 모델 파라미터를 조절한다.
스텝 8에서는, 연산 시스템(3)은, 훈련 데이터(70)를 사용하여 모델(60)의 판정 정밀도를 검증한다. 구체적으로는, 연산 시스템(3)은, 훈련 데이터(70)에 포함되는 복수의 특징 벡터를 하나씩 모델(60)에 입력하고, 모델(60)로부터 복수의 판정 결과를 출력한다. 연산 시스템(3)은, 이들 복수의 판정 결과가 정답 데이터에 합치하고 있는 비율인 판정 정밀도를 산출한다.
스텝 9에서는, 연산 시스템(3)은, 판정 정밀도를 설정값과 비교한다. 판정 정밀도가 설정값보다도 작은 경우에는, 동작 플로는 스텝 6으로 되돌아간다. 일 실시 형태에서는, 판정 정밀도가 설정값보다도 작은 경우에는, 동작 플로는 스텝 6으로 되돌아가지 않고, 연산 시스템(3)은, 도 25 및 도 26을 참조하여 설명한 종래의 에지 검출 방법을 따라서 목표 패턴(51)의 에지를 검출해도 된다.
상술한 스텝 9에 있어서, 판정 정밀도가 설정값 이상이면, 도 15에 도시하는 바와 같이, 스텝 10에서, 연산 시스템(3)은, 모델(60)을 사용하여 가상 에지를 생성한다. 구체적으로는, 연산 시스템(3)은, 대상 화상(50)의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하고, 특징 벡터를 모델(60)에 입력하고, 에지의 화소 또는 비에지의 화소를 나타내는 판정 결과를 모델(60)로부터 출력한다. 연산 시스템(3)은, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성한다.
스텝 11에서는, 연산 시스템(3)은, 가상 에지를 기준 에지로서 사용하여, 종래의 에지 검출 방법을 따라서 에지 검출을 실행하고, 갱신된 에지를 생성한다. 구체적으로는, 도 7 및 도 8에 도시하는 바와 같이, 연산 시스템(3)은, 가상 에지(55)에 대하여 법선 방향으로 연장되는 복수의 탐색선(65)을 생성하고, 이들 탐색선(65)을 따른 대상 화상(50)의 복수의 휘도 프로파일을 생성하고, 복수의 휘도 프로파일에 기초하여 복수의 에지점 EP를 결정하고, 복수의 에지점 EP를 선으로 연결함으로써, 갱신된 에지(67)를 생성한다.
스텝 12에서는, 연산 시스템(3)은, 상기 스텝 11에서 생성된, 갱신된 에지(67)이, CAD 패턴의 에지로부터 어느 정도 이격되어 있는지 검사한다. 구체적으로는, 도 16에 도시하는 바와 같이, 연산 시스템(3)은, 설계 데이터로부터 목표 패턴(51)에 대응하는 CAD 패턴(75)을 생성하고, CAD 패턴(75)을 대상 화상(50) 상의 목표 패턴(51)에 중첩하여, CAD 패턴(75)의 에지로부터, 목표 패턴(51)의 갱신된 에지(67)까지의 거리를 복수의 측정점에서 측정한다. 복수의 측정점은, CAD 패턴의 에지 상에 배열되어 있다. 이 스텝(12)에 의하면, 갱신된 에지(67)가, 설계 데이터로부터 어느 정도 괴리되어 있는지(혹은 설계 데이터에 어느 정도 가까운지)를알 수 있다.
적어도 하나의 컴퓨터를 구비한 연산 시스템(3)은, 기억 장치(6)에 전기적으로 저장된 프로그램에 포함되는 명령을 따라서 동작한다. 즉, 연산 시스템(3)은, 주사 전자 현미경(1)에 명령을 발하여 워크피스 상에 형성된 목표 패턴(51)의 대상 화상(50)을 생성시키는 스텝과, 대상 화상(50)의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하는 스텝과, 상기 특징 벡터를, 기계 학습에 의해 구축된 모델(60)에 입력하는 스텝과, 상기 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 모델(60)로부터 출력하는 스텝과, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지(55)를 생성하는 스텝을 실행한다.
이들 스텝을 연산 시스템(3)에 실행시키기 위한 프로그램은, 비일시적인 유형물인 컴퓨터 판독 가능한 기록 매체에 기록되어, 기록 매체를 통해 연산 시스템(3)에 제공된다. 또는, 프로그램은, 인터넷 또는 로컬 에어리어 네트워크 등의 통신 네트워크를 통하여 연산 시스템(3)에 입력되어도 된다.
훈련 데이터에 사용되는 패턴 에지에는 변동이 있고, 또한 화상 상의 에지와 비에지 영역의 경계선은 불명료하다. 이러한 훈련 데이터를 사용해서 작성된 모델(이하, 에지 검출 모델이라고 함)은, 에지의 검출에 실패하거나, 혹은 에지를 오검출하는 경우가 있다. 정밀도가 좋은 모델을 작성하기 위해서는, 기계 학습을 위한 대량의 훈련 데이터가 필요하게 되고, 결과로서 기계 학습에 매우 오랜 시간이 걸린다.
그래서, 이하에 설명하는 실시 형태는, 기계 학습에 오랜 시간이 걸리는 일 없이, 정밀도가 좋은 에지 검출 모델을 작성할 수 있는 방법 및 장치를 제공한다. 도 17은, 패턴 에지 검출 장치의 다른 실시 형태를 도시하는 모식도이다. 특별히 설명하지 않는 본 실시 형태의 구성 및 동작은, 도 1 내지 도 16을 참조하여 설명한 실시 형태와 동일하므로, 그 중복하는 설명을 생략한다.
연산 시스템(3)은, 워크피스 W에 형성되어 있는 패턴의 에지를 검출하기 위한 에지 검출 모델을 생성하는 모델 생성 장치(80)를 구비하고 있다. 화상 취득 장치(28)는, 모델 생성 장치(80)에 접속되어 있다.
모델 생성 장치(80)는, 적어도 1대의 컴퓨터로 구성된다. 모델 생성 장치(80)는, 프로그램이 저장된 기억 장치(80a)와, 프로그램에 포함되는 명령을 따라 연산을 실행하는 처리 장치(80b)를 구비하고 있다. 기억 장치(80a)는, RAM 등의 주기억 장치와, 하드디스크 드라이브(HDD), 솔리드 스테이트 드라이브(SSD) 등의 보조 기억 장치를 구비하고 있다. 처리 장치(80b)의 예로서는, CPU(중앙 처리 장치), GPU(그래픽 프로세싱 유닛)를 들 수 있다. 단, 모델 생성 장치(80)의 구체적 구성은 이들의 예에 한정되지는 않는다. 기억 장치(80a)는 기억 장치(6)와 일체여도 되고, 처리 장치(80b)는 처리 장치(7)와 일체여도 된다.
모델 생성 장치(80)는, 화상 취득 장치(28)로부터 보내진 화상 상의 패턴의 에지를 검출하기 위한 에지 검출 모델을 기계 학습에 의해 작성하도록 구성된다. 이하, 에지 검출 모델의 작성에 대하여 설명한다.
먼저, 패턴이 형성되어 있는 워크피스 W가 준비된다. 주사 전자 현미경(1)은, 워크피스 W의 훈련용 화상을 생성하고, 모델 생성 장치(80)는, 훈련용 화상을 주사 전자 현미경(1)으로부터 취득한다. 도 18은, 패턴이 형성된 워크피스 W의 훈련용 화상의 일례를 도시하는 도면이다. 도 18에 나타내는 예에서는, 훈련용 화상에는 복수의 패턴이 나타나 있다. 이들의 패턴은, 훈련 데이터에 사용되는 훈련용 패턴이다. 모델 생성 장치(80)는, 훈련용 화상 상의 패턴의 에지를 검출한다. 에지의 검출에는, Sobel 필터나, Canny법 등의 공지된 화상 처리 기술이 사용된다. 혹은, 에지 검출은, 도 25 및 도 26을 참조하여 설명한 종래의 에지 검출 방법을 따라서 실행되어도 된다. 일 실시 형태에서는, 유저는, 검출된 에지를 수동으로 보정해도 된다. 또한, 일 실시 형태에서는, 에지는 유저에 의해 묘화되어도 된다.
도 19는, 검출된 에지를 도시하는 도면이다. 도 19에 도시하는 바와 같이, 검출된 에지는 선으로 표시된다. 모델 생성 장치(80)는, 검출된 에지를, 워크피스 W의 훈련용 화상에 중첩한다. 도 20은, 도 19에 도시하는 검출된 에지를, 도 18에 도시하는 훈련용 화상 상에 중첩한 도면이다.
이어서, 모델 생성 장치(80)는, 도 18에 도시하는 훈련용 화상을 구성하는 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성한다. 특징 벡터는, 각 화소의 복수의 특징량을 포함하는 다차원 벡터이다. 특징량은, 화소의 특징을 나타내는 수치이다. 본 실시 형태에서는, 각 화소의 복수의 특징량은, 그 화소의 휘도값과, 다른 화소의 휘도값의 차이다. 휘도값은, 일례에서는, 그레이스케일에 따른 0 내지 255의 이산적인 수치이다. 본 실시 형태에서는, 다른 화소는 인접하는 화소이다. 일 실시 형태에서는, 다른 화소는, 인접하고 있지 않은 화소여도 된다.
화소의 특징량을 산출하는 일 실시 형태에 대해서, 도 21을 참조하여 설명한다. 도 21에 도시하는 바와 같이, 모델 생성 장치(80)는, 훈련용 화상에 미분 필터를 적용하여, 각 화소의 특징량을 산출한다. 보다 구체적으로는, 모델 생성 장치(80)는, 훈련용 화상을 구성하는 화소의 휘도값을 복수의 방향을 따라서 미분하고, 각 방향으로 나열되는 2개의 화소 사이에서의 휘도값의 차로 이루어지는 특징량을 각 화소에 대하여 산출한다.
도 21에 나타내는 예에서는, 모델 생성 장치(80)는, 0도, 45도, 90도, 135도의 방향을 따라서 화소의 휘도값을 미분한다. 즉, 모델 생성 장치(80)는, 0도 방향으로 나열되는 화소의 휘도값의 차, 45도 방향으로 나열되는 화소의 휘도값의 차, 90도 방향으로 나열되는 화소의 휘도값의 차 및 135도 방향으로 나열되는 화소의 휘도값의 차를 산출한다. 따라서, 각 화소에 대해서, 4개의 수치로 이루어지는 특징량이 얻어진다. 예를 들어, 도 21의 부호 P1로 나타내는 화소의 특징량은, 200, 50, 0, -50으로 구성되는 특징 벡터로 표시된다. 단, 미분의 각도, 각도의 수 및 1 화소당의 특징량의 수는, 본 실시 형태에 한정되지는 않는다.
이어서, 모델 생성 장치(80)는, 도 22에 도시하는 바와 같이, 훈련용 화상 내의 타깃 영역(100)을, 에지 영역 R1, 에지 근방 영역 R2 및 비에지 영역 R3으로 분할한다. 도 22에 도시하는 타깃 영역(100)은, 도 18에 도시하는 워크피스 W의 훈련용 화상의 일부이다. 보다 구체적으로는, 도 22에 도시하는 타깃 영역(100)은, 도 18에 도시하는 훈련용 화상 상의 패턴의 에지를 포함하는 영역이다. 에지 영역 R1은, 도 19에 도시하는, 검출된 에지를 구성하는 화소를 포함하는 영역이다. 에지 영역 R1의 폭은 일정하다. 예를 들어, 에지 영역 R1의 폭은, 1 화소에 상당하는 폭이어도 되고, 혹은 미리 정해진 수(예를 들어 3개)의 복수의 화소에 상당하는 폭이어도 된다.
비에지 영역 R3은, 에지 영역 R1로부터 미리 정해진 화소수만큼 이격되어 있다. 에지 근방 영역 R2는, 에지 영역 R1과 비에지 영역 R3 사이에 위치한다. 즉, 에지 근방 영역 R2는, 에지 영역 R1 및 비에지 영역 R3에 인접하고, 또한 에지 영역 R1 및 비에지 영역 R3을 따라 연장된다. 에지 근방 영역 R2의 폭은 일정하다. 일 실시 형태에서는, 에지 근방 영역 R2의 폭은, 에지 영역 R1의 폭보다도 넓다. 통상, 에지 영역 R1은, 에지 근방 영역 R2보다도 작고, 에지 근방 영역 R2는, 비에지 영역 R3보다도 작다.
모델 생성 장치(80)는, 에지 영역 R1 내의 복수의 화소의 복수의 특징 벡터, 에지 근방 영역 R2 내의 복수의 화소의 복수의 특징 벡터 및 비에지 영역 R3 내의 복수의 화소의 복수의 특징 벡터를 포함하는 훈련 데이터를 작성하고, 훈련 데이터를 사용하여 기계 학습에 의해 에지 검출 모델을 작성한다. 에지 검출 모델의 예로서는, 결정목 및 뉴럴 네트워크를 들 수 있다. 기계 학습의 예로서는, 결정목 및 학습 딥 러닝을 들 수 있다.
훈련 데이터는, 각 화소의 정답 데이터(또는 정답 라벨)를 포함한다. 이 정답 데이터는, 각 화소가, 패턴의 에지를 구성하는 화소이거나, 또는 에지를 구성하지 않는 화소의 어느 것인 것을 특정하는 정보이다. 에지 영역 R1 내의 화소는, 에지를 구성하는 화소이고, 에지 근방 영역 R2 및 비에지 영역 R3 내의 화소는, 에지를 구성하지 않는 화소이다. 기계 학습은, 에지 검출 모델에 입력된 특징 벡터를 갖는 화소가, 에지의 화소인지, 또는 비에지의 화소인지를 올바르게 판정하기 위한 에지 검출 모델의 파라미터(가중 계수 등)를 최적화한다. 이와 같이 하여 기계 학습에 의해 작성된 에지 검출 모델은, 화소의 특징 벡터에 기초하여, 그 화소가 에지의 화소인지, 또는 비에지의 화소인지를 판정할 수 있다.
본 실시 형태에 따르면, 에지 영역 R1 내의 화소와, 에지 근방 영역 R2 내의 화소와, 비에지 영역 R3 내의 화소를 필연적으로 포함하는 훈련 데이터가 기계 학습에 사용된다. 특히, 판정이 어렵다고 되는 에지 근방 영역 R2 내의 화소가 훈련 데이터에 포함되므로, 기계 학습에 의해 작성된 에지 검출 모델은, 주어진 화소가 에지인지의 여부를 고정밀도로 판정할 수 있다.
훈련 데이터에 포함되는 비에지 영역 R3 내의 화소의 수가, 훈련 데이터에 포함되는 에지 영역 R1 내의 화소의 수보다도 너무 많으면, 그러한 훈련 데이터를 사용해서 작성된 에지 검출 모델의 알고리즘은, 비에지의 화소 검출에 치우쳐 버린다. 결과적으로, 에지 검출 모델은, 입력된 화소가 에지의 화소인 것을 올바르게 판정할 수 없다. 그래서, 에지 검출 모델의 에지 검출 정밀도를 향상시키기 위해서, 에지 검출 모델의 기계 학습에 사용되는 복수의 화소는, 에지의 화소(즉 에지 영역 R1 내의 화소)와, 비에지의 화소(즉 에지 근방 영역 R2 및 비에지 영역 R3 내의 화소)를 균등하게 포함하는 것이 바람직하다.
이러한 관점에서, 에지 영역 R1 내의 화소의 수를 A, 에지 근방 영역 R2 내의 화소의 수 및 비에지 영역 R3 내의 화소의 수의 합계를 B로 한 때, 수 A를 수 B로 나누어서 얻어진 값(A/B)은 미리 정해진 수치이다. 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 0.6 내지 1.5의 범위에 있다. 에지 검출 모델의 에지 검출 정밀도를 향상시키기 위해서, 일 실시 형태에서는, 훈련 데이터에 포함되는 에지 영역 R1 내의 화소 수 A는, 훈련 데이터에 포함되는 에지 근방 영역 R2 내의 화소의 수와 비에지 영역 R3 내의 화소의 수의 합계 B와 같다.
에지 근방 영역 R2 내의 화소 특징 벡터는, 에지 영역 R1 내의 화소의 특징 벡터와, 비에지 영역 R3 내의 화소의 특징 벡터 사이의 값을 갖는다. 이 때문에, 에지 근방 영역 R2 내의 화소가 에지의 화소인지, 또는 비에지의 화소인지를 정확하게 판정하는 것은 어렵다. 다른 관점에서 보면, 에지 근방 영역 R2 내의 화소 특징 벡터를 많이 포함하는 훈련 데이터를 사용하면, 에지 검출 정밀도가 높은 에지 검출 모델을 생성할 수 있다. 그래서, 일 실시 형태에서는, 훈련 데이터에 포함되는 에지 근방 영역 R2 내의 화소의 수는, 훈련 데이터에 포함되는 비에지 영역 R3 내의 화소의 수보다도 많다.
연산 시스템(3)은, 기계 학습에 의해 작성한 에지 검출 모델을 사용하여, 다음과 같이 하여 워크피스 W의 대상 화상 상의 에지를 검출한다. 주사 전자 현미경(1)은, 워크피스 W의 대상 화상을 생성하고, 연산 시스템(3)은 워크피스 W의 대상 화상을 주사 전자 현미경(1)으로부터 수취하여, 워크피스 W의 대상 화상을 구성하는 화소의 특징 벡터를 산출하고, 특징 벡터를 에지 검출 모델에 입력하고, 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 에지 검출 모델로부터 출력하고, 에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 에지를 생성한다.
적어도 하나의 컴퓨터를 구비한 모델 생성 장치(80)는, 기억 장치(80a)에 전기적으로 저장된 프로그램에 포함되는 명령을 따라서 동작한다. 즉, 모델 생성 장치(80)는, 패턴이 형성되어 있는 워크피스 W의 훈련용 화상을 주사 전자 현미경(1)으로부터 취득하고, 훈련용 화상 상의 패턴의 에지를 검출하고, 훈련용 화상을 구성하는 화소의 특징 벡터를 산출하여, 훈련용 화상 내의 타깃 영역을, 에지 영역 R1, 에지 근방 영역 R2 및 비에지 영역 R3으로 분할하고, 에지 영역 R1 내의 복수의 화소의 특징 벡터, 에지 근방 영역 R2 내의 복수의 화소의 특징 벡터 및 비에지 영역 R3 내의 복수의 화소의 특징 벡터를 포함하는 훈련 데이터를 작성하고, 훈련 데이터를 사용하여 기계 학습에 의해 에지 검출 모델을 작성하는 스텝을 실행한다.
이들 스텝을 모델 생성 장치(80)에 실행시키기 위한 프로그램은, 비일시적인 유형물인 컴퓨터 판독 가능한 기록 매체에 기록되어, 기록 매체를 통해 모델 생성 장치(80)에 제공된다. 또는, 프로그램은, 인터넷 또는 로컬 에어리어 네트워크 등의 통신 네트워크를 통하여 모델 생성 장치(80)에 입력되어도 된다.
이어서, 에지 검출 모델을 작성하는 다른 실시 형태에 대하여 도 23을 참조하여 설명한다. 특별히 설명하지 않는 본 실시 형태의 공정은, 도 17 내지 도 22를 참조하여 설명한 상기 실시 형태와 동일하므로, 그 중복하는 설명을 생략한다.
도 23에 도시하는 바와 같이, 본 실시 형태에서는, 모델 생성 장치(80)는, 훈련용 화상 내의 타깃 영역(100)을, 에지 영역 R1, 에지 근방 영역 R2, 비에지 영역 R3 및 제외 영역 R4로 분할하도록 구성되어 있다. 제외 영역 R4는, 에지 영역 R1에 인접하고, 또한 에지 영역 R1과 에지 근방 영역 R2 사이에 위치하고 있다. 도 23에 도시하는 제외 영역 R4의 폭은 일정하다. 일 실시 형태에서는, 제외 영역 R4의 폭은, 에지 근방 영역 R2의 폭보다도 좁다. 또한, 일 실시 형태에서는, 제외 영역 R4의 폭은, 에지 영역 R1의 폭과 동일하거나, 또는 에지 영역 R1의 폭보다도 좁다.
훈련 데이터는, 제외 영역 R4 내의 화소 특징 벡터를 포함하지 않는다. 즉, 훈련 데이터는, 에지 영역 R1 내의 복수의 화소의 특징 벡터, 에지 근방 영역 R2 내의 복수의 화소의 특징 벡터 및 비에지 영역 R3 내의 복수의 화소의 특징 벡터를 포함하지만, 제외 영역 R4 내의 화소 특징 벡터를 포함하지 않는다. 따라서, 제외 영역 R4 내의 화소는, 기계 학습에 사용되지 않는다.
제외 영역 R4는, 에지 영역 R1에 인접하고 있고, 제외 영역 R4 내의 각 화소의 특징 벡터는, 에지 영역 R1 내의 각 화소의 특징 벡터와 대부분 동일하다. 따라서, 제외 영역 R4 내의 화소는, 에지의 화소일지도 모르고, 또는 비에지의 화소일지도 모른다. 즉, 제외 영역 R4 내의 화소는, 불확정인 화소이다. 이러한 불확정인 화소를 훈련 데이터에 포함하면, 에지 검출 모델이 원하는 정답률을 충족할 때까지 기계 학습을 계속할 필요가 있다. 결과적으로, 기계 학습이 완료하는데 오랜 시간이 걸린다. 본 실시 형태에 따르면, 제외 영역 R4 내의 화소의 특징 벡터가 훈련 데이터로부터 제외되므로, 에지 검출 모델의 기계 학습을 조기에 완료시킬 수 있다.
에지 검출 모델의 에지 검출 정밀도를 더 높이기 위해서, 일 실시 형태에서는, 타깃 영역(100)은, 훈련용 화상 내의 다양한 패턴 에지를 포함하는 복수의 영역을 포함한다. 이것은, 훈련용 화상 상의 패턴의 에지의 선예도는, 에지가 연장되는 방향에 의존하여 바뀔 수 있기 때문이다.
도 24는, 훈련용 화상 내에 설정된 복수의 영역을 포함하는 타깃 영역(100)의 일례를 도시하는 도면이다. 도 24에 도시하는 바와 같이, 타깃 영역(100)은, 워크피스 W의 화상 내의 패턴의 제1 에지 E1을 포함하는 제1 영역 T1과, 제1 에지 E1과 수직인 제2 에지 E2를 포함하는 제2 영역 T2와, 패턴의 코너 에지 E3 및 종단 에지 E4를 포함하는 제3 영역 T3을 포함한다. 훈련 데이터는, 다른 방향으로 연장되는 에지 E1, E2, E3, E4를 포함하는 복수의 영역 T1, T2, T3 내의 화소의 특징 벡터를 포함한다. 이러한 훈련 데이터를 사용한 기계 학습은, 다양한 방향으로 연장되는 에지의 검출 정밀도를 향상시킬 수 있다.
다른 방향으로 연장되는 에지의 검출 정밀도를 더욱 향상시키기 위해서, 일 실시 형태에서는, 제1 영역 T1 내의 화소수, 제2 영역 T2 내의 화소수 및 제3 영역 T3 내의 화소수는, 미리 정해진 비율로 있다. 제1 영역 T1 내의 화소수를 S1, 제2 영역 T2 내의 화소수를 S2 및 제3 영역 T3 내의 화소수를 S3으로 나타낼 때, S1과 S2와 S3의 관계는 다음 식으로 표시된다.
S1=m×S2=n×S3
단, m은 0.9 내지 1.1이고, n은 0.01 내지 0.1이다.
상술한 실시 형태는, 본 발명이 속하는 기술분야에 있어서의 통상의 지식을 가진 자가 본 발명을 실시할 수 있는 것을 목적으로 하여 기재된 것이다. 상기 실시 형태의 다양한 변형예는, 당업자라면 당연히 이룰 수 있는 것이고, 본 발명의 기술적 사상은 다른 실시 형태에도 적용할 수 있다. 따라서, 본 발명은, 기재된 실시 형태에 한정되지는 않고, 특허 청구 범위에 의해 정의되는 기술적 사상을 따른 가장 넓은 범위로 해석되는 것이다.
본 발명은, 반도체 제조에 관한 웨이퍼 또는 마스크 등의 워크피스 상에 형성되어 있는 패턴의 에지(윤곽선)를, 주사 전자 현미경으로 생성한 화상으로부터 검출하는 방법 및 장치에 이용 가능하다. 또한, 본 발명은, 그러한 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램에 이용 가능하다.
또한, 본 발명은, 기계 학습에 의해 에지 검출 모델을 작성하는 방법 및 장치에 이용 가능하다.
1: 주사 전자 현미경
3: 연산 시스템
5: 데이터베이스
6: 기억 장치
7: 처리 장치
10: 표시 화면
12: 입력 장치
15: 전자총
16: 집속 렌즈
17: X 편향기
18: Y 편향기
20: 대물 렌즈
21: 렌즈 제어 장치
22: 편향 제어 장치
25: 2차 전자 검출기
26: 반사 전자 검출기
28: 화상 취득 장치
30: 챔버
31: 스테이지
32: 스테이지 제어 장치
34: 반송 장치
50: 대상 화상
51: 목표 패턴
55: 가상 에지
60: 모델
60A, 60B, 60C: 결정목
65: 탐색선
67: 갱신된 에지
70: 훈련 데이터
70A, 70B, 70C: 데이터 그룹
75: 설계 도면
80: 모델 생성 장치
100: 타깃 영역
W: 웨이퍼(워크피스)

Claims (38)

  1. 워크피스 상에 형성된 목표 패턴의 대상 화상을 생성하고,
    상기 대상 화상의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하고,
    상기 특징 벡터를, 기계 학습에 의해 구축된 모델에 입력하고,
    상기 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 상기 모델로부터 출력하고,
    에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성하는, 패턴 에지 검출 방법.
  2. 제1항에 있어서, 상기 모델은 결정목인, 패턴 에지 검출 방법.
  3. 제1항 또는 제2항에 있어서, 복수의 훈련용 패턴을 설계 데이터로부터 선택하고,
    상기 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성하고,
    상기 복수의 훈련용 화상 상의 상기 복수의 실제 패턴의 에지를 검출하고,
    상기 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 복수의 제1 참조 화소와, 에지를 구성하지 않는 복수의 제2 참조 화소로 분류하고,
    상기 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 상기 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성하고,
    상기 복수의 제1 특징 벡터 및 상기 복수의 제2 특징 벡터를 포함하는 훈련 데이터를 사용하여, 기계 학습에 의해 상기 모델을 구축하는 공정을 더 포함하는, 패턴 에지 검출 방법.
  4. 제3항에 있어서, 상기 복수의 훈련용 패턴은, 적어도 제1 방향으로 연장되는 에지, 상기 제1 방향과 수직인 제2 방향으로 연장되는 에지, 코너 에지, 종단 에지를 갖는 복수의 패턴인, 패턴 에지 검출 방법.
  5. 제3항 또는 제4항에 있어서, 상기 복수의 실제 패턴은, 상기 워크피스에 형성된 패턴인, 패턴 에지 검출 방법.
  6. 제3항 내지 제5항 중 어느 한 항에 있어서, 상기 복수의 훈련용 패턴을 설계 데이터로부터 선택하는 공정은,
    상기 설계 데이터에 기초하여 묘화된 복수의 패턴을 포함하는 설계 도면을 표시 화면 상에 표시하고,
    상기 설계 도면에 포함되는 복수의 패턴으로부터 선택된 상기 복수의 훈련용 패턴, 또는 상기 복수의 훈련용 패턴이 위치하는 에어리어를 시각적으로 강조된 양태에서 상기 표시 화면 상에 표시하는 공정인, 패턴 에지 검출 방법.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 가상 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 따른 상기 대상 화상의 복수의 휘도 프로파일을 생성하고,
    복수의 상기 휘도 프로파일에 기초하여 복수의 에지점을 결정하고,
    상기 복수의 에지점을 선으로 연결함으로써, 갱신된 에지를 생성하는 공정을 더 포함하는, 패턴 에지 검출 방법.
  8. 제7항에 있어서, 상기 목표 패턴에 대응하는 CAD 패턴을 설계 데이터로부터 생성하고,
    상기 CAD 패턴의 에지로부터, 상기 갱신된 에지까지의 거리를 측정하는 공정을 더 포함하는, 패턴 에지 검출 방법.
  9. 워크피스 상에 형성된 목표 패턴의 대상 화상을 생성하는 화상 생성 장치와,
    상기 화상 생성 장치에 접속된 연산 시스템을 구비하고,
    상기 연산 시스템은,
    상기 대상 화상의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하고,
    상기 특징 벡터를, 기계 학습에 의해 구축된 모델에 입력하고,
    상기 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 상기 모델로부터 출력하고,
    에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성하는, 패턴 에지 검출 장치.
  10. 제9항에 있어서, 상기 모델은 결정목인, 패턴 에지 검출 장치.
  11. 제9항 또는 제10항에 있어서, 상기 연산 시스템은,
    복수의 훈련용 패턴을 설계 데이터로부터 선택하고,
    상기 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성하고,
    상기 복수의 훈련용 화상 상의 상기 복수의 실제 패턴의 에지를 검출하고,
    상기 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 복수의 제1 참조 화소와, 에지를 구성하지 않는 복수의 제2 참조 화소로 분류하고,
    상기 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 상기 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성하고,
    상기 복수의 제1 특징 벡터 및 상기 복수의 제2 특징 벡터를 포함하는 훈련 데이터를 사용하여, 기계 학습에 의해 상기 모델을 구축하도록 구성되어 있는, 패턴 에지 검출 장치.
  12. 제11항에 있어서, 상기 복수의 훈련용 패턴은, 적어도 제1 방향으로 연장되는 에지, 상기 제1 방향과 수직인 제2 방향으로 연장되는 에지, 코너 에지, 종단 에지를 갖는 복수의 패턴인, 패턴 에지 검출 장치.
  13. 제11항 또는 제12항에 있어서, 상기 복수의 실제 패턴은, 상기 워크피스에 형성된 패턴인, 패턴 에지 검출 장치.
  14. 제11항 내지 제13항 중 어느 한 항에 있어서, 상기 연산 시스템은, 표시 화면을 갖고 있고,
    상기 연산 시스템은,
    상기 설계 데이터에 기초하여 묘화된 복수의 패턴을 포함하는 설계 도면을 상기 표시 화면 상에 표시하고,
    상기 설계 도면에 포함되는 복수의 패턴으로부터 선택된 상기 복수의 훈련용 패턴, 또는 상기 복수의 훈련용 패턴이 위치하는 에어리어를 시각적으로 강조된 양태에서 상기 표시 화면 상에 표시하도록 구성되어 있는, 패턴 에지 검출 장치.
  15. 제9항 내지 제14항 중 어느 한 항에 있어서, 상기 연산 시스템은,
    상기 가상 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 따른 상기 대상 화상의 복수의 휘도 프로파일을 생성하고,
    복수의 상기 휘도 프로파일에 기초하여 복수의 에지점을 결정하고,
    상기 복수의 에지점을 선으로 연결함으로써, 갱신된 에지를 생성하도록 구성되어 있는, 패턴 에지 검출 장치.
  16. 제15항에 있어서, 상기 연산 시스템은,
    상기 목표 패턴에 대응하는 CAD 패턴을 설계 데이터로부터 생성하고,
    상기 CAD 패턴의 에지로부터, 상기 갱신된 에지까지의 거리를 측정하도록 구성되어 있는, 패턴 에지 검출 장치.
  17. 주사 전자 현미경에 지령을 발하여 워크피스 상에 형성된 목표 패턴의 대상 화상을 생성시키는 스텝과,
    상기 대상 화상의 각 화소의 복수의 특징량을 나타내는 특징 벡터를 생성하는 스텝과,
    상기 특징 벡터를, 기계 학습에 의해 구축된 모델에 입력하는 스텝과,
    상기 특징 벡터를 갖는 화소는 에지의 화소인지, 또는 비에지의 화소인지를 나타내는 판정 결과를 상기 모델로부터 출력하는 스텝과,
    에지의 화소를 나타내는 판정 결과가 얻어진 특징 벡터를 갖는 복수의 화소를 선으로 연결하여 가상 에지를 생성하는 스텝을 컴퓨터에 실행시키기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  18. 제17항에 있어서, 상기 모델은 결정목인, 컴퓨터 판독 가능한 기록 매체.
  19. 제17항 또는 제18항에 있어서, 상기 프로그램은,
    복수의 훈련용 패턴을 설계 데이터로부터 선택하는 스텝과,
    상기 주사 전자 현미경에 지령을 발하여, 상기 복수의 훈련용 패턴에 기초하여 각각 작성된 복수의 실제 패턴의 복수의 훈련용 화상을 생성시키는 스텝과,
    상기 복수의 훈련용 화상 상의 상기 복수의 실제 패턴의 에지를 검출하는 스텝과,
    상기 복수의 훈련용 화상을 구성하는 복수의 참조 화소를, 에지를 구성하는 복수의 제1 참조 화소와, 에지를 구성하지 않는 복수의 제2 참조 화소로 분류하는 스텝과,
    상기 복수의 제1 참조 화소의 복수의 제1 특징 벡터와, 상기 복수의 제2 참조 화소의 복수의 제2 특징 벡터를 생성하는 스텝과,
    상기 복수의 제1 특징 벡터 및 상기 복수의 제2 특징 벡터를 포함하는 훈련 데이터를 사용하여, 기계 학습에 의해 상기 모델을 구축하는 스텝을 또한 상기 컴퓨터에 실행시키도록 구성되어 있는, 컴퓨터 판독 가능한 기록 매체.
  20. 제19항에 있어서, 상기 복수의 훈련용 패턴은, 적어도 제1 방향으로 연장되는 에지, 상기 제1 방향과 수직인 제2 방향으로 연장되는 에지, 코너 에지, 종단 에지를 갖는 복수의 패턴인, 컴퓨터 판독 가능한 기록 매체.
  21. 제19항 또는 제20항에 있어서, 상기 복수의 실제 패턴은, 상기 워크피스에 형성된 패턴인, 컴퓨터 판독 가능한 기록 매체.
  22. 제19항 내지 제21항 중 어느 한 항에 있어서, 상기 복수의 훈련용 패턴을 설계 데이터로부터 선택하는 스텝은,
    상기 설계 데이터에 기초하여 묘화된 복수의 패턴을 포함하는 설계 도면을 표시 화면 상에 표시하는 스텝과,
    상기 설계 도면에 포함되는 복수의 패턴으로부터 선택된 상기 복수의 훈련용 패턴, 또는 상기 복수의 훈련용 패턴이 위치하는 에어리어를 시각적으로 강조된 양태에서 상기 표시 화면 상에 표시하는 스텝인, 컴퓨터 판독 가능한 기록 매체.
  23. 제17항 내지 제22항 중 어느 한 항에 있어서, 상기 프로그램은,
    상기 가상 에지에 대하여 법선 방향으로 연장되는 복수의 탐색선을 따른 상기 대상 화상의 복수의 휘도 프로파일을 생성하는 스텝과,
    복수의 상기 휘도 프로파일에 기초하여 복수의 에지점을 결정하는 스텝과,
    상기 복수의 에지점을 선으로 연결함으로써, 갱신된 에지를 생성하는 스텝을 또한 상기 컴퓨터에 실행시키도록 구성되어 있는, 컴퓨터 판독 가능한 기록 매체.
  24. 제23항에 있어서, 상기 프로그램은,
    상기 목표 패턴에 대응하는 CAD 패턴을 설계 데이터로부터 생성하는 스텝과,
    상기 CAD 패턴의 에지로부터, 상기 갱신된 에지까지의 거리를 측정하는 스텝을 또한 상기 컴퓨터에 실행시키도록 구성되어 있는, 컴퓨터 판독 가능한 기록 매체.
  25. 제1항 또는 제2항에 있어서, 패턴이 형성되어 있는 워크피스의 훈련용 화상을 주사 전자 현미경으로 생성하고,
    상기 훈련용 화상 상의 상기 패턴의 에지를 검출하고,
    상기 훈련용 화상을 구성하는 화소의 특징 벡터를 산출하고,
    상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하고,
    상기 에지 영역 내의 복수의 제1 화소의 복수의 특징 벡터, 상기 에지 근방 영역 내의 복수의 제2 화소의 복수의 특징 벡터 및 상기 비에지 영역 내의 복수의 제3 화소의 복수의 특징 벡터를 포함하는 훈련 데이터를 작성하고,
    상기 훈련 데이터를 사용하여 기계 학습에 의해 상기 모델을 작성하는 공정을 더 포함하는, 패턴 에지 검출 방법.
  26. 제25항에 있어서, 상기 복수의 제1 화소의 수를 A, 상기 복수의 제2 화소의 수 및 상기 복수의 제3 화소의 수 합계를 B로 한 때, 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 미리 정해진 수치인, 패턴 에지 검출 방법.
  27. 제26항에 있어서, 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 0.6 내지 1.5의 범위에 있는, 패턴 에지 검출 방법.
  28. 제25항 내지 제27항 중 어느 한 항에 있어서, 상기 비에지 영역은, 상기 에지 영역으로부터 미리 정해진 화소수만큼 이격되어 있고,
    상기 에지 근방 영역은, 상기 에지 영역과 상기 비에지 영역 사이에 위치하는, 패턴 에지 검출 방법.
  29. 제25항 내지 제28항 중 어느 한 항에 있어서, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하는 공정은, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 제외 영역, 에지 근방 영역 및 비에지 영역으로 분할하는 공정이고,
    상기 제외 영역은, 상기 에지 영역에 인접하고, 또한 상기 에지 영역과 상기 에지 근방 영역 사이에 위치하고 있고,
    상기 훈련 데이터는, 상기 제외 영역 내의 화소의 특징 벡터를 포함하지 않는, 패턴 에지 검출 방법.
  30. 제25항 내지 제29항 중 어느 한 항에 있어서, 상기 타깃 영역은, 제1 에지를 포함하는 제1 영역과, 상기 제1 에지와 수직인 제2 에지를 포함하는 제2 영역과, 코너 에지 및 종단 에지를 포함하는 제3 영역을 포함하는, 패턴 에지 검출 방법.
  31. 제30항에 있어서, 상기 제1 영역 내의 화소수, 상기 제2 영역 내의 화소수 및 상기 제3 영역 내의 화소수는, 미리 정해진 비율로 있는, 패턴 에지 검출 방법.
  32. 제9항 또는 제10항에 있어서, 상기 패턴 에지 검출 장치는, 상기 모델을 작성하는 모델 생성 장치를 더 구비하고,
    상기 모델 생성 장치는,
    상기 모델을 작성하기 위한 프로그램이 저장되어 있는 기억 장치와,
    상기 프로그램에 포함되는 명령을 따라 연산을 실행하는 연산 장치를 구비하고,
    상기 모델 생성 장치는,
    패턴이 형성되어 있는 워크피스의 훈련용 화상을 주사 전자 현미경으로부터 취득하고,
    상기 훈련용 화상 상의 상기 패턴의 에지를 검출하고,
    상기 훈련용 화상을 구성하는 화소의 특징 벡터를 산출하고,
    상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 에지 근방 영역 및 비에지 영역으로 분할하고,
    상기 에지 영역 내의 복수의 제1 화소의 복수의 특징 벡터, 상기 에지 근방 영역 내의 복수의 제2 화소의 복수의 특징 벡터 및 상기 비에지 영역 내의 복수의 제3 화소의 복수의 특징 벡터를 포함하는 훈련 데이터를 작성하고,
    상기 훈련 데이터를 사용하여 기계 학습에 의해 상기 모델을 작성하도록 구성되어 있는, 패턴 에지 검출 장치.
  33. 제32항에 있어서, 상기 복수의 제1 화소의 수를 A, 상기 복수의 제2 화소의 수 및 상기 복수의 제3 화소의 수의 합계를 B로 한 때, 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 미리 정해진 수치인, 패턴 에지 검출 장치.
  34. 제33항에 있어서, 수 A를 수 B로 나누어서 얻어진 값(A/B)은, 0.6 내지 1.5의 범위에 있는, 패턴 에지 검출 장치.
  35. 제32항 내지 제34항 중 어느 한 항에 있어서, 상기 비에지 영역은, 상기 에지 영역으로부터 미리 정해진 화소수만큼 이격되어 있고,
    상기 에지 근방 영역은, 상기 에지 영역과 상기 비에지 영역 사이에 위치하는, 패턴 에지 검출 장치.
  36. 제32항 내지 제35항 중 어느 한 항에 있어서, 상기 모델 생성 장치는, 상기 훈련용 화상 내의 타깃 영역을, 에지 영역, 제외 영역, 에지 근방 영역 및 비에지 영역으로 분할하도록 구성되어 있고,
    상기 제외 영역은, 상기 에지 영역에 인접하고, 또한 상기 에지 영역과 상기 에지 근방 영역 사이에 위치하고 있고,
    상기 훈련 데이터는, 상기 제외 영역 내의 화소의 특징 벡터를 포함하지 않는, 패턴 에지 검출 장치.
  37. 제32항 내지 제36항 중 어느 한 항에 있어서, 상기 타깃 영역은, 제1 에지를 포함하는 제1 영역과, 상기 제1 에지와 수직인 제2 에지를 포함하는 제2 영역과, 코너 에지 및 종단 에지를 포함하는 제3 영역을 포함하는, 패턴 에지 검출 장치.
  38. 제37항에 있어서, 상기 제1 영역 내의 화소수, 상기 제2 영역 내의 화소수 및 상기 제3 영역 내의 화소수는, 미리 정해진 비율로 있는, 패턴 에지 검출 장치.
KR1020227026891A 2020-01-10 2020-12-10 패턴 에지 검출 방법, 패턴 에지 검출 장치, 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램이 기록된 기록 매체 KR20220125291A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2020002735 2020-01-10
JPJP-P-2020-002735 2020-01-10
JP2020201982A JP7451384B2 (ja) 2020-01-10 2020-12-04 パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
JPJP-P-2020-201982 2020-12-04
PCT/JP2020/046010 WO2021140823A1 (ja) 2020-01-10 2020-12-10 パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体

Publications (1)

Publication Number Publication Date
KR20220125291A true KR20220125291A (ko) 2022-09-14

Family

ID=76787475

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227026891A KR20220125291A (ko) 2020-01-10 2020-12-10 패턴 에지 검출 방법, 패턴 에지 검출 장치, 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램이 기록된 기록 매체

Country Status (5)

Country Link
US (1) US20230005157A1 (ko)
KR (1) KR20220125291A (ko)
CN (1) CN114945801A (ko)
TW (1) TW202141031A (ko)
WO (1) WO2021140823A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230080151A1 (en) * 2021-09-13 2023-03-16 Applied Materials Israel Ltd. Mask inspection for semiconductor specimen fabrication

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003178314A (ja) 2001-09-26 2003-06-27 Toshiba Corp パターン評価装置、パターン評価方法およびプログラム
JP2013098267A (ja) 2011-10-31 2013-05-20 Hitachi High-Technologies Corp 半導体パターン検査装置
JP2020140518A (ja) 2019-02-28 2020-09-03 キヤノン株式会社 情報処理装置、情報処理装置の制御方法及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05324836A (ja) * 1992-05-19 1993-12-10 Fujitsu Ltd パターンマッチング方法
EP1262907B1 (en) * 2001-05-28 2007-10-03 Honda Research Institute Europe GmbH Pattern recognition with hierarchical networks
CN106716450B (zh) * 2014-05-06 2020-05-19 河谷控股Ip有限责任公司 利用边缘向量的基于图像的特征检测
JP2019008599A (ja) * 2017-06-26 2019-01-17 株式会社 Ｎｇｒ 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法
JP7002949B2 (ja) * 2018-01-22 2022-01-20 株式会社日立ハイテク 画像評価方法及び画像評価装置
JP6964031B2 (ja) * 2018-03-27 2021-11-10 Ｔａｓｍｉｔ株式会社 パターンエッジ検出方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003178314A (ja) 2001-09-26 2003-06-27 Toshiba Corp パターン評価装置、パターン評価方法およびプログラム
JP2013098267A (ja) 2011-10-31 2013-05-20 Hitachi High-Technologies Corp 半導体パターン検査装置
JP2020140518A (ja) 2019-02-28 2020-09-03 キヤノン株式会社 情報処理装置、情報処理装置の制御方法及びプログラム

Also Published As

Publication number Publication date
TW202141031A (zh) 2021-11-01
US20230005157A1 (en) 2023-01-05
WO2021140823A1 (ja) 2021-07-15
CN114945801A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
US11536669B2 (en) Detecting machining errors of a laser machining system using deep convolutional neural networks
KR102118809B1 (ko) 용접 결함의 종류 판단 방법 및 이를 수행하는 단말 장치
US9858659B2 (en) Pattern inspecting and measuring device and program
TW490591B (en) Pattern inspection apparatus, pattern inspection method, and recording medium
JP4262690B2 (ja) 形状測定装置および形状測定方法
US20210241436A1 (en) Image Generation System
TWI683379B (zh) 圖案測定裝置及電腦程式
KR20220125291A (ko) 패턴 에지 검출 방법, 패턴 에지 검출 장치, 패턴 에지 검출을 컴퓨터에 실행시키기 위한 프로그램이 기록된 기록 매체
JP3661635B2 (ja) 画像処理方法およびその装置
WO2020195304A1 (ja) パターンマッチング方法
WO2020121739A1 (ja) 画像マッチング方法、および画像マッチング処理を実行するための演算システム
WO2021260765A1 (ja) 寸法計測装置、半導体製造装置及び半導体装置製造システム
JP7451384B2 (ja) パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
WO2020158261A1 (ja) 画像マッチング判定方法、画像マッチング判定装置、および画像マッチング判定方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体
KR20220105953A (ko) 선박 블록의 제작 품질 분석 시스템 및 방법
US11010634B2 (en) Measurement apparatus, measurement method, and computer-readable recording medium storing measurement program
JP2022150065A (ja) 検査装置、コンピュータプログラム、および、検査方法
JP6831149B1 (ja) ひも状柔軟物の画像認識方法及び画像認識装置
JP2020123034A (ja) 画像マッチング支援方法、画像マッチング支援装置、および画像マッチング支援方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体
US20230394798A1 (en) Data creation system, learning system, estimation system, processing device, evaluation system, data creation method, and program
WO2021240610A1 (ja) パターン検査・計測装置、パターン検査・計測プログラム
JP2024138800A (ja) 三次元点群データに基づく三次元モデル生成装置
KR20220123467A (ko) 패턴 매칭 장치, 패턴 측정 시스템 및 비일시적 컴퓨터 가독 매체
KR20170094709A (ko) 원형 물체에 대한 특징 검출 장치 및 방법
JP2021131660A (ja) 寸法測定方法および寸法測定装置