KR20230153453A - 결함을 검출하는 시스템 및 컴퓨터 가독 매체 - Google Patents

결함을 검출하는 시스템 및 컴퓨터 가독 매체 Download PDF

Info

Publication number
KR20230153453A
KR20230153453A KR1020237033988A KR20237033988A KR20230153453A KR 20230153453 A KR20230153453 A KR 20230153453A KR 1020237033988 A KR1020237033988 A KR 1020237033988A KR 20237033988 A KR20237033988 A KR 20237033988A KR 20230153453 A KR20230153453 A KR 20230153453A
Authority
KR
South Korea
Prior art keywords
image
images
autoencoder
sub
input
Prior art date
Application number
KR1020237033988A
Other languages
English (en)
Inventor
히로시 후쿠다
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 KR20230153453A publication Critical patent/KR20230153453A/ko

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • G06N3/0455Auto-encoder networks; Encoder-decoder networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/40Image enhancement or restoration using histogram techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/11Region-based segmentation
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • HELECTRICITY
    • H01ELECTRIC ELEMENTS
    • H01LSEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10Measuring as part of the manufacturing process
    • H01L22/12Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30148Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Abstract

본 개시는, 반도체 디바이스와 같이, 다수의 패턴이 포함되는 샘플이더라도, 적정한 모델에 기초한 참조 화상 생성과, 당해 참조 화상을 이용한 결함 검사를 목적으로 한다. 본 개시에서는 수신된 입력 화상에 포함되는 결함을 특정하는 1 이상의 컴퓨터 시스템으로서, 당해 1 이상의 컴퓨터 시스템은, 학습용 화상에 포함되는 다른 위치의 복수의 화상을 입력에 의해 미리 학습이 실시된 오토인코더를 포함하는 학습기를 구비하고, 상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상을 분할하여, 상기 오토인코더에 입력하고, 당해 오토인코더로부터 출력되는 출력 화상과, 상기 입력 화상을 비교하는 시스템을 제안한다.

Description

결함을 검출하는 시스템 및 컴퓨터 가독 매체
본 개시는, 결함을 검출하는 방법, 시스템, 및 컴퓨터 가독 매체에 관한 것으로, 특히, 확률적으로 매우 드물게 발생하는 미세한 패턴 결함의 발생을 고정밀도로 검출하는 방법, 시스템, 및 컴퓨터 가독 매체에 관한 것이다.
오토인코더를 이용하여 화상 내에 포함되는 결함을 검출하는 기술이 알려져 있다. 특허문헌 1에는 3층의 뉴럴 네트워크를, 입력층과 출력층에 동일한 데이터를 이용하여 지도 학습시킨 오토인코더가 개시되며, 입력층에 더하는 학습 데이터에 노이즈 성분을 더하여 학습시키는 것이 설명되어 있다. 특허문헌 2에는, 오리지널 화상을 소(小)영역의 그리드로 분할하고, 그 소영역마다 오토인코더를 이용하여 모델 학습을 행하고, 당해 모델 학습으로 생성된 검사 모델로, 검사 대상으로서 분할된 화상 데이터마다 이상(異常) 검출 처리를 행하여 이상 개소(個所)를 소영역 단위로 특정하는 것이 설명되어 있다. 또한, 뉴럴 네트워크 등에 의한 기계 학습을 이용한 화상 분류에서는, 1매의 화상의 부분을 잘라내어 다양한 다른 가공을 행하여 생성한 복수의 화상을 이용하여 학습을 행하는 것이 image(또는 data) augmentation으로서 일반적으로 알려져 있다.
일본국 특개 2018-205163호 공보(대응 미국 특허공개공보 US2020/0111217) WO2020/031984
특허문헌 1, 2에는 소영역 단위로 추정 모델을 생성하고, 그 모델을 이용하여, 각각의 소영역에서 이상 검출을 행하는 것이 설명되어 있다. 이와 같은 수법은, 화상 내에 포함되는 패턴(기하학 형상)이 비교적 간단한 형상인 경우는 유효하다.
그러나, 반도체 디바이스를 구성하는 패턴과 같이, 단위 면적당 에지 수(數)(변의 수)가 방대하며, 또한 그 에지에 의해 형성되는 기하학적 형상의 수도 방대하게 되는 샘플의 경우, 소영역의 크기를 크게 해버리면, 복잡 형상의 조합의 베리에이션의 수도 방대하게 되어버리므로, 적정한 모델 형성이 곤란해진다. 한편, 소영역에 포함되는 패턴 형상이 단순해질 정도로 그 크기를 작게 했을 경우, 모델의 수가 방대해지기 때문에, 모델을 준비하는 것이 곤란하다. 또한, 어떤 모델을 적용할지의 판별이 곤란해진다.
이하에, 반도체 디바이스와 같이, 다수의 패턴이 포함되는 샘플이더라도, 적정한 모델에 기초한 참조 화상 생성과, 당해 참조 화상을 이용한 결함 검사를 목적으로 하는 방법, 시스템, 및 컴퓨터 가독 매체에 대하여 설명한다.
상기 목적을 달성하기 위한 일 태양으로서, 반도체 웨이퍼 상의 결함을 검출하기 위한 시스템, 방법, 컴퓨터 가독 매체로서, 당해 시스템 등은, 수신된 입력 화상에 포함되는 결함을 특정하는 1 이상의 컴퓨터 시스템을 구비하고, 상기 1 이상의 컴퓨터 시스템은, 학습용 화상에 포함되는 다른 위치의 복수의 화상의 입력에 의해 미리 학습이 실시된 오토인코더를 포함하는 학습기를 구비하고, 상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상을 분할하고, 상기 오토인코더에 입력하여, 당해 오토인코더로부터 출력되는 출력 화상과, 상기 입력 화상을 비교하는 시스템 등을 제안한다.
상기 구성에 따르면, 임의 설계 형상의 복잡한 회로 패턴의 결함 검출을, 설계 데이터를 이용하지 않고 단시간에 또한 간편하게 행할 수 있다.
도 1은 결함 검출 방법의 순서를 나타내는 도면.
도 2는 결함 검출 방법의 순서를 나타내는 플로차트.
도 3은 오토인코더의 구성의 개념을 나타내는 도면.
도 4는 오토인코더의 입출력의 괴리도(乖離度)의 빈도 분포의 일례를 나타내는 도면.
도 5는 검사용 서브 화상의 배치의 일례를 나타내는 도면.
도 6은 전형적인 로직 반도체 집적 회로의 배선층의 설계 패턴의 일례를 나타내는 도면.
도 7은 회로 설계 패턴과 서브 화상의 관계의 개요를 나타내는 도면.
도 8은 웨이퍼 상에 전사된 패턴과 서브 화상의 관계의 개요를 나타내는 도면.
도 9는 결함 검출 시스템의 개략 구성을 나타내는 도면.
도 10은 주사 전자 현미경에 있어서의 촬상 공정과 컴퓨터 시스템에 있어서의 화상 해석 공정의 관계를 나타내는 타이밍차트.
도 11은 촬상 툴의 일종인 주사 전자 현미경의 일례를 나타내는 도면.
도 12는 오토인코더를 포함하는 결함 검사 시스템의 일례를 나타내는 도면.
도 13은 결함 존재 확률 분포를 가시화한 GUI 화면의 일례를 나타내는 도면.
도 14는 서브 화상 영역에 중첩 영역을 마련함으로써, 정해율(正解率)이 향상되는 원리를 설명하는 도면.
도 15는 반도체 디바이스 제조 부문과 설계 부문의 각각의 검사 공정을 나타내는 도면.
도 16은 학습 조건을 설정하는 GUI 화면의 일례를 나타내는 도면.
광이나 전자선을 이용한 반도체 집적 회로의 패턴 부착 웨이퍼의 결함 검사·결함 판정에서는, 피검사 패턴 화상을, 외부의 정상 패턴 화상과 비교함으로써 이상 판정을 행한다. 정상 패턴 화상은 별개로(예를 들어 동일 웨이퍼 내의 다른 위치에) 작성한 동일 패턴상(像), 또는 복수의 동일 패턴상의 합성상(종종 골든 화상이라고 불린다), 설계 패턴, 설계 패턴으로부터 생성한 시뮬레이션상 등이 이용된다.
골든 화상이나 설계 데이터는, 설계 패턴마다 준비하지 않으면, 적정한 검사를 행하는 것이 곤란해지는 경우가 있다. 한편, 근래, 딥 뉴럴 네트워크 등을 이용한 기계 학습이 발달하여, 이것을 이용하여 결함 검출을 행하는 시도가 이루어지고 있다. 그러나, 이 방법을 반도체 집적 회로의 랜덤한 패턴의 검사에 적용하려고 하면, 후술하는 바와 같이 상기 네트워크의 규모가 비현실적으로 커져 버린다. 이것에 대하여, 이하, 현실적인 규모의 뉴럴 네트워크 안에 정상 패턴의 정보를 매립함으로써, 골든 화상이나 설계 데이터를 이용하지 않고, 임의 설계 형상의 패턴 부착 웨이퍼의 결함 검사·결함 판정을 행하는 예에 대하여 설명한다.
이하에 화상 취득으로부터 화상 내에 포함되는 결함 검출에 이르기까지의 공정에 대하여 설명한다. 본 예에서는 주로, 어느 기정(旣定) 레이아웃 설계 룰에 따라 설계된 임의의 2차원 형상 패턴을 갖는 마스크를, 소정의 리소그래피 또는 에칭 프로세스를 이용하여 웨이퍼 상에 전사한 패턴을 검사하는 공정을 설명한다. 도 1은 학습용 원(元)화상의 취득에 기초하여, 오토인코더를 생성하고, 당해 오토인코더를 이용하여 결함 검출을 시리즈로 행하는 공정을 설명하는 플로차트이고, 도 2는 오토인코더를 학습시키기 위한 화상과, 검사용 화상의 취득을 병행하여 행하고, 검사용 화상 내에 포함되는 결함을 검출하는 공정을 설명하는 플로차트이다.
우선, 상기 레이아웃 설계 룰에 따라 설계되고, 상기 리소그래피 또는 에칭 프로세스를 이용하여 웨이퍼 상에 전사한 패턴을, 주사형 전자 현미경(SEM)으로 상면으로부터 촬상한 화상(학습용 원화상)을 준비한다. 상기 웨이퍼 상의 다른 영역을 촬상한 복수의 화상, 또는, 상기 설계 룰과 상기 프로세스를 동일하게 하는 별도의 웨이퍼 상의 다른 영역을 촬상한 복수의 화상을 준비하는 것이 바람직하다. 또한, 상기 화상은, 상기 레이아웃 설계 룰로 규정되는 최소 치수 패턴을 포함하고, 상기 리소그래피 또는 에칭 프로세스의 최적 조건에서 작성된 패턴에 대해 취득하는 것이 바람직하다.
다음으로, 상기 학습용 원화상 내의 다른 위치에서 복수의 학습용 서브 화상을 잘라낸다. 학습용 원화상을 복수 준비한 경우는, 각각에 있어서 복수의 학습용 서브 화상을 잘라낸다. 여기서, 상기 학습용 서브 화상의 화각(예를 들어 서브 화상의 한 변의 길이)은, 상기 리소그래피 또는 에칭 프로세스의 해상도, 또는 상기 레이아웃 설계 룰의 최소 치수를 F로서 F~4F 정도로 하는 것이 바람직하다.
다음으로, 상기 잘라낸 복수의 학습용 서브 화상을 교사 데이터로 하는 1개의 오토인코더를 생성한다. 이하에 설명하는 실시예에서는, 시료(웨이퍼)의 다른 위치로부터 잘라내는 복수의 서브 화상으로부터, 하나의 오토인코더를 생성한다. 이것은 다른 위치의 복수의 서브 화상 각각에서 오토인코더를 생성하는 것이 아니라, 다른 복수의 위치의 서브 화상을 이용하여 하나의 오토인코더를 생성하는 것을 의미하는 것이고, 최종적으로 생성되는 오토인코더의 수가 1로 한정되는 것을 의미하는 것이 아니다. 예를 들어 후술하는 복수 종(種)의 회로를 포함하는 반도체 디바이스 등은, 회로의 완성도가 다른 경우가 있어, 각각의 회로에서 오토인코더를 생성하는 것이 바람직한 경우가 있다. 이 경우는, 각각의 회로에서, 각각 복수의 다른 위치의 서브 화상을 이용하여, 각각의 회로의 오토인코더를 생성한다. 또한, SEM의 광학 조건이나 반도체 디바이스의 제조 조건 등에 따라, 복수의 오토인코더를 생성하도록 해도 된다.
서브 화상은, 다른 복수 형상 또는 다른 복수의 위치로부터 잘라내는 소영역 화상이고, 이들 화상의 입력에 기초하여 하나의 오토인코더를 생성한다. 소영역 화상에는, 반도체 디바이스의 배경, 패턴, 및 에지가 포함되며, 또한 포함되는 패턴 또는 배경의 수는 1인 것이 바람직하고, 또한, 학습용 화상, 입력 화상 모두, 동일한 프로세스 조건, 동일한 레이어 등으로 생성된 시료 화상인 것이 바람직하다.
본 예에서는, 상기 촬상 화상을 복수 준비한 후, 모든 촬상 화상에 포함되는 모든 학습용 서브 화상을 교사 데이터로 하는 1개의 오토인코더를 생성하는 공정에 대하여 설명한다. 모든 학습용 서브 화상의 집합을, 교사 데이터 집합과 테스트 데이터 집합으로 분할하고, 테스트 데이터 집합의 데이터로 그 정밀도를 검증하면서, 교사 데이터 집합의 화상 데이터로 오토인코더를 학습시키도록 해도 된다.
오토인코더는, 교사 데이터로서 정상 데이터를 이용하여, 도 3에 나타내는 바와 같은 모래 시계형 뉴럴 네트워크를 학습시킨다. 즉, 정상 데이터를 입력했을 때, 입력 데이터 자체가 출력되도록, 네트워크를 학습시킨다. 일반적으로, 모래 시계형 뉴럴 네트워크를 이용함으로써, 네트워크의 잘록한 부분에서는, 정보량이 정상 데이터를 정상 데이터로서 재현하기 위해 필요한 레벨로 억제된다. 이 때문에, 정상 데이터 이외의 데이터가 입력되면, 이것을 올바르게 재현할 수 없다. 따라서, 입력과 출력의 차(差)를 취함으로써, 정상인지 이상인지의 판별을 행할 수 있는 것이 알려져 있다.
오토인코더는, 인코더(압축기)와 디코더(복조기)로 이루어지며, 인코더는 입력 데이터를 은닉층 벡터라고 불리는 중간층으로 압축하고, 디코더는 은닉층 벡터로부터 출력 데이터가 가능한 한 원래의 입력 데이터에 가까워지도록 생성한다. 은닉층 벡터의 차원은 입력 벡터의 차원보다 작으므로, 입력 데이터의 정보를 압축한 형태로 간주할 수 있다. 이상 검지에 응용할 경우, 오토인코더를 교사 데이터로서 정상 데이터를 이용하여 학습시킨다. 이때, 오토인코더는 정상 데이터를 입력했을 때 정상 데이터에 가능한 한 가까운 출력 데이터를 출력하지만, 그 이외의 데이터, 또는 교사 데이터에 있어서 출현 빈도가 낮은 데이터를 입력했을 때에는, 이들을 올바르게 복원하는 것은 어려운 것이 알려져 있다. 따라서, 상기 입력과 출력을 비교하여, 양자가 어느 허용 범위에서 일치하는지의 여부를 봄으로써 입력 데이터에 포함되는 이상 유무를 판정하는 방법이 알려져 있다.
오토인코더의 구성으로서는, 전체 결합형의 멀티퍼셉트론 또는 피드포워드 뉴럴 네트워크(FNN), 컨볼루셔널 뉴럴 네트워크(CNN) 등을 이용할 수 있다. 오토인코더에 있어서의 층수, 각 층에 있어서의 뉴런 수 또는 CNN의 필터 수, 활성화 함수 등의 네트워크 구성, 로스(loss) 함수, 최적화 방법, 미니 배치(batch) 사이즈, 에포크 수 등의 학습 방법에 대하여는, 일반적으로 알려져 있는 다양한 것을 이용할 수 있다.
발명자는 오토인코더의 특징을 살려, 반도체 디바이스의 결함 검사를 행하는 적절한 방법, 시스템, 및 비일시적 컴퓨터 가독 매체에 대해 검토를 행했다. 그 결과, 발명자는 전자 현미경 등으로 취득된 화상에 포함되는 반도체 디바이스의 형상은, 광역이면 복잡하지만, 협역에서 보면 단순한 형상이고, 단순 형상으로서 포착될 정도까지, 화상 영역을 축소하고, 그 협역 화상을 오토인코더의 입력으로 하면, 고정밀도의 비교 화상 생성에 기초한 결함 검사가 가능해진다는 생각에 이르렀다.
예를 들어, 어느 협화상 영역 내에 포함되는 패턴 에지와, 협화상 영역의 테두리의 교점(x1, y1, x2, y2)과, 패턴 내부와 배경 부분의 경계(에지)의 곡률(r)을, 각각 4 비트로 표현하면, 원리적으로는 20개 정도의 binary neuron이 되고, 학습이 용이해진다.
또한, 미세화가 진행되는 반도체 디바이스 고유의 특징으로서, 검사를 요하는 패턴의 크기(예를 들어 선폭)에 대해, 검사의 대상이 될 수 있는 영역이 매우 큰 것을 들 수 있다. 구체적인 일례로서, 크기가 직경 300mm인 반도체 웨이퍼를 직경 30km의 섬으로 보았을 경우, 검사 대상이 될 수 있는 패턴은 나뭇가지 1개에 상당한다. 즉, 예를 들어 전면(全面) 검사를 행할 경우, 나뭇가지 1개를 인식 가능한 분해능(分解能)의 화상을, 섬 전체에 걸쳐서 촬상할 필요가 있다. 또한, 비교 검사의 경우, 검사 화상의 비교 대상이 되는 참조 화상을 검사 화상에 따라 준비할 필요가 있다. 이와 같은 방대한 화상 취득을 고효율로 가능하게 하는 방법이 요망된다.
본 명세서에서는, 주로 반도체 디바이스를 촬상한 화상에 대해, 상술한 바와 같이 단순 형상으로 파악할 수 있을 정도의 협영역으로 화상을 분할하고, 그 분할 화상을 오토인코더의 입력으로 하여, 당해 입력 화상과 오토인코더의 출력 화상을 비교함으로써 결함 검사를 행하는 방법, 시스템, 및 비일시적 컴퓨터 가독 매체에 대하여 설명한다.
다음으로, 상기 레이아웃 설계 룰에 따라 설계되고, 상기 리소그래피 또는 에칭 프로세스를 이용하여 웨이퍼 상에 전사한 피검사 패턴을 SEM으로 촬상하여 검사 화상(검사용 원화상)을 취득한다. 상기 검사용 원화상으로부터, 상기 학습용 서브 화상과 동일한 화각으로, 복수의 검사용 서브 화상을 잘라내고, 상기 오토인코더에 입력하여, 얻어지는 출력 화상(제1 화상)과 입력한 검사용 서브 화상(제2 화상)의 차로부터 결함을 검출한다. 검출 방법으로서는, 예를 들어, 복수의 검사용 서브 화상의 각각에 대해, 그 입력과 출력의 괴리도를 산출하고, 전체 서브 화상에 대해 도 4에 나타낸 바와 같은 히스토그램을 작성하고, 그 값이 어느 역치를 넘은 서브 화상을 결함이 존재할 가능성이 높은 화상으로서 출력한다. 상기 괴리도로서는, 예를 들어, 입출력 화상에 있어서 대응하는 각 화소의 휘도값의 차의 제곱을 전화소에 대해 모두 더한 값을 이용할 수 있다. 또한 입력과 출력의 비교에 기초하여 입력과 출력의 차분(差分)을 구하는 다른 방법을 이용하도록 해도 된다.
또한, 검사 화상에 어떠한 정상으로부터의 일탈이 발생하면, 차분의 정도마다의 빈도를 나타내는 히스토그램의 형상에 변화가 생긴다. 예를 들어, 특정의 피검사 화상 내에서 상기 역치를 넘은 서브 화상이 검출되지 않은 경우에도, 예를 들어 히스토그램의 테일이 늘어나는 등, 괴리도 역치 근방에 있어서의 출현 빈도의 외삽(外揷)값이 증대하면, 검사점 근방의 검사 화상을 늘리면 결함이 검출되는 것이 예상된다. 또한, 결함 발생에 이르지 않아도, 상기 히스토그램의 형상은 프로세스 상태의 변화에 매우 민감하므로, 결함 발생에 이르기 전에 이상을 검지하여 그 대책을 행함으로써, 결함 발생 등의 문제를 미연에 방지할 수 있다. 따라서, 상기 형상의 변화 자체를, 상기 프로세스의 정상도의 지표로 할 수 있다. 형상 변화의 지표로서는, 히스토그램 분포의 평균값, 표준 편차, 왜도(歪度), 첨도(尖度), 또한 고차(高次)의 모멘트 등의 수치를 이용해도 된다.
컴퓨터 시스템은, 도 4에 예시하는 바와 같은 복수의 서브 화상으로부터 추출된 괴리도(차분 정보)마다의 빈도의 히스토그램을 표시 장치 상에 표시하도록 구성되어 있다. 또한 컴퓨터 시스템은, 상기 지표를 이용하여 히스토그램의 형상을 평가하도록 구성되어도 된다. 프로세스 상태의 변화를 평가하기 위하여, 동일한 제조 조건에서 제조된 반도체 웨이퍼의 과거의 화상, 당해 화상으로부터 추출되는 히스토그램, 및 그 형상 데이터 중 적어도 하나를 참조 데이터(제1 데이터)로서 소정의 기억 매체에 기억해 두고, 새롭게 추출된 히스토그램, 혹은 그 형상 데이터 등(제2 데이터)과 비교함으로써, 프로세스 조건의 경시(經時) 변화를 모니터링할 수 있다.
경시 변화를 평가하기 위해, 예를 들어 원래의 히스토그램 형상에 대한 왜도(형상 변화의 지표값)의 경시 변화를 그래프화하고, 그것을 표시 또는 리포트로서 출력하도록 해도 된다. 또한, 도 4에 예시하는 바와 같이, 동일한 제조 조건이지만, 제조 타이밍이 다른 반도체 웨이퍼로부터 추출된 복수의 히스토그램을 함께 표시하도록 해도 된다. 또한, 왜도 등이 소정값을 넘었을 때 경보를 발생하도록 해도 된다.
또한, 차분 정보마다의 빈도 정보의 변화(히스토그램 형상의 경시 변화 등) 정보와, 이상 원인, 반도체 제조 장치의 조정량, 반도체 제조 장치의 조정 타이밍 등의 데이터 세트를 교사 데이터로서 학습시킨 학습기를 준비하고, 당해 학습기에 차분 정보마다의 빈도 정보를 입력함으로써, 이상 원인 등을 추정하도록 해도 된다.
프로세스 변동이 현저해지면 입력과 출력의 괴리도가 큰 개소가 증가하는 것이 고려되므로, 예를 들어 특정의 괴리도의 빈도를 선택적으로 평가(예를 들어 역치 판정)함으로써 프로세스 변동을 평가하도록 해도 된다.
복수의 검사용 서브 화상은, 검사용 원화상의 전체 영역을 커버하는 것이 바람직하다. 또한, 복수의 검사용 서브 화상은, 인접하는 검사용 서브 화상과 공통의 중복하는 에어리어를 갖는 것이 바람직하다. 예를 들어, 검사 화상으로부터 검사용 서브 화상을 잘라낼 때, 도 5에 나타내는 바와 같이, 종횡 방향으로 서브 화상의 화각의 절반의 거리마다 화상을 잘라내는 등 한다. 인접하는 2개 이상의 서브 화상에서 결함이 검출되었을 경우, 높은 확률로 결함이 존재할 가능성이 있다고 판정할 수도 있다. 이와 같이 동일한 개소에 복수의 서브 화상 영역이 걸치도록 영역 설정을 행하고, 일부 영역이 중첩하는 복수의 서브 화상 영역에서 결함이 인정될 경우에, 당해 영역을 고확률로 결함이 발생하는 영역으로 정의하도록 해도 된다.
예를 들어 도 13에 예시하는 바와 같이 괴리도의 정도에 따라, 결함 존재 확률을 표시하는 GUI를 준비하도록 해도 된다. 도 13에서는 화상 취득 영역(1301) 중에서 복수의 서브 화상 영역(1302)을, 예를 들어 중첩 영역(1303)을 마련하면서 설정한 예를 나타내고 있다. 영역(1305)에서는, 예를 들어 서브 영역(1302)을, 중첩 영역(1303)을 중심으로 하여 4개소로 설정하고 있다. 4개소로 설정된 서브 화상 영역은, 각각 다른 서브 영역에 일부가 중첩되도록 설정되고, 중첩 영역(1303)에서는 4개의 서브 영역이 중첩된 상태로 되어 있다. 영역(1306, 1307)도 마찬가지이다.
영역(1305)은, 당해 영역 내의 우측 아래에 위치하는 서브 영역(1308)이, 괴리도가 큰 영역으로서 추출되어 있는 예를 나타내고 있다. 도 13에서는 사선으로 표현된 영역이, 괴리도가 큰 영역으로서 추출되어 있는 것으로 해서 설명한다. 또한, 영역(1306)에서는 좌상, 우상, 및 우하의 3개의 서브 화상 영역, 영역(1307)에서는 좌상과 우하의 2개의 서브 화상 영역이, 괴리도가 큰 영역으로서 추출되어 있다. 괴리도가 큰 서브 영역의 수가 많을수록, 결함 발생 확률이 크다고 생각되므로, 단위 면적당의 괴리도가 큰 영역의 수에 따른 식별 표시를, 시료 좌표를 정의하는 맵 상에서 행함으로써, 결함 존재 확률을 분포 표시할 수 있다. 도 13은, 괴리도가 큰 영역의 수에 따라 증감하는 막대 그래프(1304)를 표시한 예를 나타내고 있다. 또, 결함 존재 확률을 산출하는데, 예를 들어 괴리도의 크기에 따른 가중치를 부여하도록 해도 된다. 또한, 복수의 서브 영역의 괴리도의 통계량에 따른 식별 표시를 행하도록 해도 된다. 또한 단위 면적 당의 중첩 영역의 수나, 괴리도가 큰 영역의 밀집도에 따라 결함 존재 확률을 구하도록 해도 된다.
서브 화상 위치(예를 들어 서브 화상의 중심 좌표)와 상기 괴리도의 관계를 플롯함으로써, 원화상 영역 내에 있어서의 결함 위치의 분포를 알 수 있다. 상기 위치 분포는 결함 발생의 메커니즘을 추측하는데 유용하다. 또한, 괴리도가 큰 서브 화상 위치 주변의 SEM 화상을 확대 출력함으로써 결함 형상 등의 이상을 직접 확인할 수 있다. 이 경우, 도 13에 예시하는 바와 같은 막대 그래프(1304)를 GUI 화면 상에서 선택하고, 당해 선택에 의해 영역(1305)의 화상을 표시함으로써, 결함 존재 확률에 따른 육안 확인이 가능해진다.
또한, 결함의 크기가 정상 패턴에 비해 상대적으로 작은 경우, 그와 같은 결함을 포함하는 화상 Id를 입력했을 때의 오토인코더의 출력(F(Id))은 결함이 없었을 때의 정상 패턴(I0)에 가까워진다. 따라서, 양자의 차, △I=Id-F(Id)~Id-I0를 구함으로써, 배경 패턴으로부터 결함만을 추출할 수 있다. 이것에 의해 결함의 종류·형상을 추정·분류할 수 있다. 이와 같은 차와 패턴 형상 정보를 교사 데이터로 해서, DNN 등을 포함하는 학습기를 학습시킴으로써, 학습기에, 차분 정보와 설계 데이터나 SEM 화상으로부터 추출되는 형상 정보(또는 패턴의 형상에 따라 할당되는 식별 정보)를 입력함으로써, 결함의 종류나 형상을 추정하는 것이 가능해진다.
다음으로, 결함이 검출되는 메커니즘에 대하여 설명한다. 오토인코더에서는, 정상 데이터를 입력하면 입력 데이터 자체가 출력되도록, 교사 데이터로서 정상 데이터를 이용하여, 모래 시계형 뉴럴 네트워크를 학습시킨다. 정상 데이터 이외의 데이터가 입력되면, 이것을 올바르게 재현할 수 없으므로, 입력과 출력의 차를 취함으로써, 정상인지 이상인지의 판별을 행하는 이상 검지에 응용할 수 있다. 따라서, 반도체 집적 회로의 패턴의 검사 SEM 상 등에 적용함으로써, 패턴의 이상 검출 등에 적용하는 것을 생각할 수 있는데, 이하의 검토 사항이 존재한다.
도 6에 전형적인 로직 반도체 집적 회로의 배선층 패턴의 예를 나타낸다. 이와 같은 회로 패턴은 통상 어떤 레이아웃 설계 룰에 따라 설계되고, 많은 경우, 단순하게는 종횡 방향으로 연장되는, 최소 치수 이상의 패턴 영역(선) 및 비패턴 영역(간격(여백 부분))으로 이루어진다. 이와 같은 패턴의 베리에이션의 수는 일반적으로 천문학적이 된다. 예를 들어, 허용되는 패턴 최소 설계 치수를 20nm로 하면, 일반적인 측장(測長) SEM의 촬상 영역 사이즈인 500nm 모서리 영역에 상기 최소 치수 픽셀은 25×25=625개 존재하고, 패턴 베리에이션은 2의 625승 개 존재한다. 실제로는, 그 밖의 다양한 설계 룰 제한에 의해 베리에이션의 수는 이 값보다는 적어지지만, 상기 수가 천문학이라는 것은 변하지 않는다. 이와 같은 천문학적인 수의 베리에이션의 패턴을 정상적으로 재현하도록 오토인코더를 구성하여 학습을 행하는 것은, 현실적으로는 매우 곤란하다. 또한, 여기서 결함이 더 존재할 경우, 그 발생 장소와 결함의 종류에 의해, 패턴과 결함의 조합의 베리에이션의 수는 더욱 커지게 되고, 이것을 네트워크로 학습하는 것은 매우 곤란하다.
본 예에서는, 임의의 레이아웃 설계 패턴으로부터, 어느 한정된 화각으로 영역을 잘라낸다. 잘라낸 화각에 포함되는 패턴(오브젝트)은, 대상 패턴과 잘라내는 영역의 위치 관계에 따라 다양하게 변화되지만, 영역의 크기를 최소 치수의 1~4배 정도(예를 들어 1≤배율≤4)의 화각으로 함으로써, 포함되는 패턴은 비교적 단순한 패턴으로 환원된다.
예를 들어, 서브 영역을 레이아웃 설계 룰 상의 최소 치수를 1변으로 하는 정사각형으로 해서, 도 7의 (a)에 나타내는 바와 같은 패턴의 모서리부(角部)를 잘라내는 것을 상정한다. 모서리부에 대해 서브 영역의 위치를 다양하게 바꾸어 패턴을 절취했을 때의, 서브 화상의 변화의 모습을 도 7의 (b)에 나타낸다. 예를 들어, 서브 영역이 도 7의 (a)의 좌측에 나타내는 바와 같이 완전히 패턴의 바깥쪽에 있을 경우, 서브 화상에는 패턴 영역이 포함되지 않는다(도 7의 (b)의 좌측 아래에 상당). 도 7의 (a)의 우측에 나타내는 바와 같이, 서브 영역이 패턴 모서리부의 끝에 있을 경우, 서브 화상의 좌측 아래에 패턴 영역이 나타난다(도 7의 (b)의 우측 위에 상당).
이와 같이, 서브 영역을 레이아웃 설계 룰 상의 최소 치수를 1변으로 하는 정사각형으로 해서, 이것으로 임의의 설계 패턴의 임의의 위치를 잘라내면, 그 중에는 고작 1개의 패턴 영역과 비패턴 영역밖에 포함되지 않는다. 패턴을 종횡 방향으로 한정하면, 그 베리에이션은, 도 7의 (c)에 나타내는 바와 같이, 패턴 영역과 비패턴 영역의 종방향 경계선의 좌표(x0), 횡방향 경계선의 좌표(y0), 상기 2개의 경계에 의해 규정되는 4개의 영역(A, B, C, D)의 각각의 패턴 영역 또는 비패턴 영역으로의 할당 방법으로 규정된다.
서브 영역의 한 변을 20nm로 하여 설계의 입도(粒度)를 1nm로 하면, 베리에이션의 수는 고작, 20×20×2의 4승=6400 정도가 되고, 상기 500nm 모서리 영역 내의 패턴 베리에이션의 천문학적인 수에 비해 상당히 작아진다(상기 500nm 모서리 영역 내의 패턴 베리에이션은 20nm의 설계 입도로 계산하였으므로, 1nm의 설계 입도로 생각하면 차는 더 확대한다).
다음으로, 임의의 설계 패턴을 웨이퍼 상에 전사한 후의 패턴에 대해, 그 임의의 위치에서 서브 영역을 잘라냈을 경우를 생각한다. 일반적으로, 리소그래피 프로세스는 2차원 평면에서의 공간 주파수에 대한 로 패스 필터(low pass filter)로 생각할 수 있다.
이와 같은 전제로부터, 해상 한계 치수 이하의 패턴은 전사되지 않고, 또한, 도 8의 (a)에 예시하는 바와 같이, 패턴의 모서리부는 둥그스름하고, 곡률 반경은 어느 한계 이하로는 되지 않는다. 레이아웃 설계 룰의 최소 치수는, 상기 해상 한계보다 크게 설정되므로, 패턴이 정상적으로 전사된 경우, 서브 영역 내에는 고작 1개의 패턴 영역과 비패턴 영역 밖에 포함되지 않고, 그 경계는 상기 한계 곡률 반경 이상의 곡률 반경을 갖는 곡선이 된다. 이러한 패턴의 베리에이션의 수도, 도 8의 (c)에 나타내는 바와 같이, 근사적으로, 서브 영역 외주와 상기 경계의 양단의 교점 좌표((x1, y1,), (x2, y2)) 및 상기 곡률 반경(r)에 의해 규정되며, 상기 서브 영역 내 설계 패턴의 베리에이션 수의 오더와 같은 정도로 된다. 발명자의 검토에 의하면, 베리에이션의 수를 이 정도로 억제함으로써, 정상적인 입력 패턴상을 출력으로 재현하는 오토인코더를, 계산 가능한 규모의 뉴럴 네트워크를 구성할 수 있다.
한편, 전사된 패턴에, 해상 한계 치수 이하의 부분이나, 곡률 반경이 한계값 이하가 된 부분이 나타난 경우, 그러한 부분은 어떠한 이상이 발생한 것으로 간주할 수 있다. 상기 오토인코더를, 정상 전사상 이외의 화상이 입력되면 올바르게 재현하지 않도록 구성함으로써, 상기 이상 패턴이 입력된 경우, 입력과 출력의 차가 증대하므로, 이것을 검출함으로써 이상이 발생했을 가능성을 검지할 수 있다.
상기 설명에서는, 잘라내는 서브 화상의 크기를 한 변이 최소 설계 치수의 정사각형으로 했지만, 이것은 설명을 간결하게 하기 위한 가정이고, 실제로는 이것에 한정되지 않는다. 예를 들어, 한 변이 최소 설계 치수보다 큰 경우, 거기에 포함되는 패턴의 베리에이션의 수는, 상기 설명의 값보다 커지지만, 오토인코더의 구성 및 학습이 가능한 범위라면, 상기 설명이 성립한다. 단, 서브 화상의 한 변의 길이는, 설계 패턴의 최소 치수의 2~4배, 또는, 전사에 이용되는 리소그래피 또는 에칭 프로세스의 해상 한계 치수의 2~4배 이하인 것이 바람직하다. 상기 해상 한계 치수(W)는, 리소그래피에 이용되는 광의 파장(λ), 광학계의 개구 수(NA), 조명 방법이나 레지스트 프로세스에 의존하는 비례 상수(k1), 에칭 프로세스의 공간 주파수 배율 증폭율(Me)에 의해,   
[수식 1]
로 표시된다. Me는, 리소그래피로 형성된 패턴을 그대로 에칭할 경우는 1, 소위 SADP(Self-Aligned Double Patterning)나 LELE(Litho-Etch-Litho-Etch) 프로세스의 경우 1/2, LELELE 프로세스의 경우 1/3, SAQP(Self-Aligned Quadruple Patterning) 프로세스의 경우 0.25가 된다. 이와 같이 Me는 멀티패터닝의 종류나 원리에 따라 결정되는 값이다.
서브 영역의 크기를 적절하게 선택하기 위해, 예를 들어 컴퓨터 시스템의 기억 매체에, 수식 2를 기억시켜 두고, 입력 장치 등으로부터 필요 정보를 입력함으로써, 적정한 서브 화상의 크기를 선택하도록 해도 된다.
[수식 2]
M은 상술한 바와 같이 패턴의 최소 치수에 대한 배수(예를 들어 2≤배수≤4)이다. 또, 반드시 모든 값을 입력할 필요는 없고, 예를 들어, 노광에 사용하는 광의 파장을 고정적으로 사용하고 있는 경우는, 기(旣)입력 정보로서 취급하고, 그 밖의 정보를 입력함으로써, 서브 화상의 크기를 구하도록 해도 된다. 또한, 상술한 바와 같이 레이아웃 패턴의 치수 입력에 기초하여 서브 영역의 크기(SI)(한 변의 길이)를 계산하도록 해도 된다.
상기 오토인코더의 학습에서는, 다양한 베리에이션의 정상 패턴을 교사 데이터로서 이용할 필요가 있다. 본 설명에서는, 최소 허용 치수로 설계된 패턴을 포함하는 다양한 전사 패턴의 화상을, 서로 다른 다양한 위치에서 잘라냄으로써, 상기 베리에이션을 커버할 수 있다. 예를 들어, 도 8의 (b)에 나타내는 바와 같이, 모서리부가 둥그스름한 직사각형 패턴을, 점선으로 나타내는 윈도우의 위치를 다양하게 바꾸어 잘라냄으로써, 도 8의 (c)에 나타내는 바와 같은 베리에이션의 학습용 서브 화상을 생성할 수 있다. 또한, 다른 다양한 각도에서 잘라낸 패턴을 더해도 된다.
또한, 실제의 전사 패턴을, 의도한 설계 치수와 엄밀히 일치시키는 것은 어려우므로, 설계상 정해진 범위 내에서의 변동이 허용된다. 이 허용 범위 내에 있는 전사 패턴은 정상으로 판정되어야 한다. 또한, 실제의 전사 패턴의 에지에는, 라인 에지 러프니스라고 불리는 랜덤한 요철이 존재한다. 이 라인 에지 러프니스에 대해서도, 설계상 정해진 범위의 요철이 허용된다. 이 허용 범위 내에 있는 전사 패턴은 정상으로 판정되어야 한다. 이들 치수 및 에지의 요철의 양상은, 웨이퍼 상의 장소에 따라 변화된다. 이 때문에, 동일 또는 다른 웨이퍼 상에 존재하는, 동일 설계 또는 유사 설계의 다양한 패턴을, 다른 다양한 위치에서 잘라냄으로써, 이들의 정상적인 범위 내의 베리에이션을 커버할 수 있다.
또한, SEM 등으로 화상을 취득할 때, 웨이퍼 스테이지의 위치 결정 정밀도 등에 의해 화각과 패턴의 상대 위치 관계가 다양하게 변화한다. 이 때문에, SEM 화상으로부터 취득한 서브 화상의 화각과 거기에 포함되는 패턴의 상대 위치 관계도 다양하게 변화한다. 이들 다양한 상대 위치 관계에 대해, 정상 패턴은 정상으로 판단되어야 한다. 동일 설계 또는 유사 설계의 다양한 패턴을, 다른 다양한 위치에서 잘라냄으로써, 이들의 정상적인 범위 내의 베리에이션을 커버할 수 있다.
다음으로, 결함 검출의 정해율을 높이기 위한 기본적인 생각에 대하여 설명한다. 정해율을 높이기 위해서는, 우선, 상기 오토인코더는, 정상 패턴에 대한 오토인코더의 입출력의 괴리도를 작게 억제하면서, 이상 패턴에 대한 괴리도가 가능한 한 커지도록 구성, 또한 학습하는 것이 바람직하다.
상기 구성의 극단적인 예로서, 제1로, 입력과 출력을 직접 연결하여 입력을 그대로 출력했을 경우, 정상 패턴도 이상 패턴도 그대로 출력하므로, 출입력의 차이에 의해 양자를 판별할 수 없다. 다음으로, 제2의 극단적인 예로서, 상기 모래 시계형 네트워크의 잘록한 부분의 뉴런 수를 1개로 했을 경우, 통상, 입력 패턴의 베리에이션을 표현할 수 없을 우려가 있다. 이 경우, 정상 패턴에 대해서도 괴리도가 커져버린다. 따라서, 잘록한 부분의 층의 뉴런 수를, 입력을 재현하기 위해 필요한 최소한으로 설정하는 것이 바람직하다. 일반적으로 오토인코더를 포함하는 심층 학습에서는, 이와 같은 개개의 목적에 최적인 네트워크의 구성을 이론적으로 구하는 것은 어렵다. 따라서, 잘록한 부분의 층의 뉴런 수를 비롯한 네트워크의 구성은, 시행 착오에 의해 설정할 필요가 있다.
다음으로, 정해율을 열화시키는 요인에 대하여 기술한다. 패턴 영역 또는 비패턴 영역이 서브 화상의 화각(Field Off View : FOV)의 단부(端部)에 존재하여, 오토인코더에 의해 재현되지 않고 이상으로서 검출될 수 있다. 이 경우, 상기 패턴 영역 또는 비패턴 영역의 폭이 정말 이상하게 작은지, 또는 정상적인 폭의 패턴 영역 또는 비패턴 영역의 단부가 상기 서브 영역에 겹쳐져 있는지를 판별하는 것은 어렵고, 후자의 경우, 오검지가 된다. 이 오검지는, 상기 서브 화상에 인접하는, 바람직하게는 중첩 부분을 갖고 인접하는 서브 화상에 있어서의 이상 판정을 함께 고려함으로써 해결된다.
상기 패턴 영역 또는 비패턴 영역의 폭이 진짜로 이상하게 작으면, 상기 인접 서브 화상에 있어서도, 이상으로서 검출된다. 한편, 정상적인 폭의 패턴 영역 또는 비패턴 영역의 폭이 정상 범위 내에 있으면, 상기 인접 서브 화상에서는 이상 검지되지 않는다. 따라서, 도 5에 나타내는 바와 같이, 검출용 서브 영역의 이송 피치를 서브 영역의 화각보다 작게 설정하고, 인접하는 서브 화상에서 동시에 이상이 검지된 경우를 진정한 이상으로 판단함으로써, 정해율이 향상된다.
도 14는, 서브 화상 영역에 중첩 영역을 마련(서브 화상 영역의 이송 피치를 화각보다 작게 설정)함으로써, 정해율이 향상되는 원리를 설명하는 도면이다. 도 14의 예에서는, 화상 취득 영역(1301) 상의 서브 화상 영역(1401~1404)의 이송 피치가 당해 서브 화상 영역의 절반인 경우를 예시하고 있다. 도 14에서는 영역(1305, 1307)에 포함되는 서브 화상 영역(1401, 1403, 1404)에서 이상이 검지되고, 서브 화상 영역(1402)에서는 이상이 검지되지 않았던 예를 나타내고 있다. 상술한 바와 같이 영역(1305)에서는 이상이 검지된 서브 화상 영역(1401)에 인접하는 서브 화상 영역(1402)에서는 이상이 검지되어 있지 않으므로, 영역(1307)과 비교하여 상대적으로 이상이 아닐 가능성이 높다. 이와 같은 판단 수순을 포함시킴으로써, 이상의 정해율 향상이나 이상의 확률을 정량적으로 평가할 수 있다.
또한, 도 14의 예의 경우, 하나의 중첩 영역에 대해 4개의 서브 화상 영역이 설정되게 되지만, 결함이 존재하는 위치를 중심으로 하여 이상이 검지되는 서브 화상이 집중된다고 생각할 수 있다. 따라서, 이상이 검지된 서브 화상의 위치마다의 빈도(예를 들어 단위 면적당 이상 화상의 수)를 평가함으로써 결함이 위치한다고 생각되는 위치를 특정한다는 효과도 기대할 수 있다.
다음으로, 오토인코더를 포함하는 검사 시스템에 대하여, 도 9를 이용하여 설명한다. 본 시스템은, 주사 전자 현미경과, 그로부터 출력되는 화상 데이터를 ㅂ보존, 데이터 처리하기 위한 하나 이상의 컴퓨터 시스템에 의해 구성되어 있다. 당해 컴퓨터 시스템은, 소정의 컴퓨터 판독 가독 매체에 기억된 프로그램을 판독하여, 후술하는 바와 같은 결함 검출 처리를 실행하도록 구성되어 있다. 컴퓨터 시스템은, 주사 전자 현미경과 통신 가능하게 구성되어 있다. 컴퓨터 시스템은, 하나 이상의 전송 매체로 주사 전자 현미경에 접속되고, 주사 전자 현미경과 이간(離間)된 위치에 설치되어도 되고, 주사 전자 현미경의 모듈로 하도록 해도 된다.
우선, 주사 전자 현미경은, 최적 조건에서 작성한 웨이퍼 패턴을 촬상하여 화상 데이터를 컴퓨터 시스템으로 전송한다. 컴퓨터 시스템은, 상기 화상을 학습용 화상으로서 보존하고, 상기 학습용 화상으로부터 오토인코더를 생성한다. 다음으로, 주사 전자 현미경은, 검사 대상 웨이퍼 패턴을 촬상하여, 화상 데이터를 컴퓨터 시스템으로 전송한다. 컴퓨터 시스템은 상기 화상을 검사용 화상 데이터로서 보존함과 함께, 상기 검사용 화상 데이터로부터 상기 오토인코더를 이용하여 결함을 검출한다. 또한 컴퓨터 시스템은, 검사 결과, 검사 조건, 전자 현미경 화상 등의 적어도 하나를 표시 장치에 표시시키기 위한 신호를 출력한다. 표시 장치는 당해 신호에 기초하여 필요한 정보를 표시한다.
검사용 화상의 촬상 및 서브 화상 생성·괴리도 산출에 관해서는, 도 10에 나타내는 바와 같이 파이프라인 방식 처리와 병렬 계산을 조합하는 등 해도 된다. 즉, 상기 주사 전자 현미경은, 촬상 레시피에 따라 검사용 웨이퍼 상의 어느 지정 위치의 화상을 촬상한다. 상기 각 위치의 촬상 후 즉시, 각 화상을 상기 컴퓨터 시스템으로 전송함과 함께, 촬상 레시피에 따라 다음의 지정 위치의 화상을 촬상한다. 컴퓨터 시스템은, 축차(逐次) 전송된 화상으로부터 복수의 서브 화상을 생성하여 서브 화상마다 괴리도를 산출한다. 여기서, 복수 서브 화상에 대한 괴리도 산출은 병렬 처리해도 된다.
도 11에 예시하는 주사 전자 현미경은, 전자원(801)으로부터 인출 전극(802)에 의해 전자빔(803)이 인출되고, 도시하지 않은 가속 전극에 의해 가속된다. 가속된 전자빔(803)은, 집속 렌즈의 일 형태인 콘덴서 렌즈(804)에 의해 좁혀진 후, 주사 편향기(805)에 의해 편향된다. 이것에 의해, 전자빔(803)은, 시료(809) 상을 일차원 또는 이차원적으로 주사한다. 시료(809)에 입사하는 전자빔(803)은, 시료대(808)에 내장된 전극에, 부(負)전압을 인가함으로써 형성되는 감속 전계에 의해 감속됨과 함께, 대물 렌즈(806)의 렌즈 작용에 의해 집속되어 시료(809)의 표면을 조사한다. 시료실(807) 내부는 진공이 유지되고 있다.
시료(809) 상의 조사 개소로부터는 전자(810)(이차전자, 후방 산란 전자 등)가 방출된다. 방출된 전자(810)는, 시료대(808)에 내장된 상기 전극에 인가된 부전압에 기초한 가속 작용에 의해, 전자원(801)의 방향으로 가속된다. 가속된 전자(810)는 변환 전극(812)에 충돌하여, 이차전자(811)를 발생시킨다. 변환 전극(812)으로부터 방출된 이차전자(811)는, 검출기(813)에 의해 포착되고, 포착된 이차전자량에 의해 검출기(813)의 출력(I)이 변화한다. 이 출력(I)의 변화에 따라, 표시 장치의 휘도가 변화한다. 예를 들어 이차원상을 형성할 경우에는, 주사 편향기(805)로의 편향 신호와, 검출기(813)의 출력(I)을 동기시켜, 주사 영역의 화상을 형성한다.
또한, 도 11에 예시하는 SEM은, 시료(809)로부터 방출된 전자(810)를 변환 전극(812)에 있어서 이차전자(811)로 일단(一端) 변환하여 검출하는 예를 나타내고 있지만, 물론 이와 같은 구성에 한정되지는 않으며, 예를 들어 가속된 전자의 궤도 상에, 전자 배상관이나 검출기의 검출면을 배치하는 구성을 채용해도 된다. 제어 장치(814)는, 촬상 레시피라고 불리는 SEM을 제어하기 위한 동작 프로그램에 따라, 상기 SEM의 각 광학 요소에 필요한 제어 신호를 공급한다.
다음으로 검출기(813)에 의해 검출된 신호는 A/D 변환기(815)에 의해 디지털 신호로 변환되어, 화상 처리부(816)로 보내진다. 화상 처리부(816)는, 필요에 따라, 복수의 주사에 의해 얻어진 신호를 프레임 단위로 적산함으로써 적산 화상을 생성한다. 여기서, 주사 영역의 1 회의 주사에 의해 얻어지는 화상을 1 프레임의 화상이라고 부른다. 예를 들어, 8 프레임의 화상을 적산할 경우, 8회의 2차원 주사에 의해 얻어진 신호를 화소 단위로 가산 평균 처리를 행함으로써, 적산 화상을 생성한다. 동일 주사 영역을 복수 회 주사하여, 주사마다 1 프레임의 화상을 복수개 생성하여 보존할 수도 있다. 생성된 화상은, 화상 전송 장치에 의해, 외부의 데이터 처리 컴퓨터로 고속 화상 전송된다. 앞서 설명한 바와 같이, 화상 전송은, 촬상과 파이프라인 방식으로 병렬로 행해도 된다.
또한, 각 패턴의 계측값이나 각 화소의 휘도값 등을 보존하는 기억 매체(819)를 갖는 전체 제어는 워크스테이션(820)에 의해 행해지는, 필요한 장치의 조작, 검출 결과의 확인 등이 그래픽 유저 인터페이스(이하, GUI로 표기함)에 의해 실현할 수 있도록 되어 있다. 또한, 화상 메모리는, 주사 편향기(805)에 공급되는 주사 신호에 동기하여, 검출기의 출력 신호(시료로부터 방출되는 전자량에 비례하는 신호)를, 대응하는 메모리 상의 어드레스(x, y)에 기억하도록 구성되어 있다. 또, 화상 처리부(816)는, 필요에 따라, 메모리에 기억된 휘도값으로부터 라인 프로파일을 생성하고, 역치법 등을 이용하여 에지 위치를 특정하고, 에지 간의 치수를 측정하는 연산 처리 장치로서도 기능한다.
학습 조건(트레이닝 조건)을 설정하는 GUI 화면을 도 16에 예시한다. 도 16에 나타내는 GUI 화면에서는, 트레이닝용 화상과 각 화상에 부수하는 메타 데이터가 놓인 파일명, 또는 폴더명을 설정할 수 있는 설정란(1601)이 마련되어 있다. 여기서의 설정에 기초하여 컴퓨터 시스템은, 화상 데이터와 메타 데이터를 내장하거나, 또는 외부의 기억 매체로부터 판독하여, 부속 정보 표시란(1606), SEM 화상 표시란(1607)에 각각 표시한다. 또한 도 16에 예시하는 GUI 화면 상에는, 서브 화상의 치수(Lsub)(화각)를 설정하는 설정란(1602)이 마련되어 있다. 또, 설정란(1602)으로부터 화상에 포함되는 패턴의 최소 치수(F)나, 이것을 단위로 하는 계수(n)를 입력하도록 해도 된다. 이 경우, 소정의 계산식(서브 화상 사이즈 = F×n (1≤n≤4))에 기초하여, 서브 화상의 치수를 계산한다. 또한, 서브 화상의 픽셀 수(Npxl)(종횡의 적어도 한쪽의 화소 수, 또는 총 화소 수)의 적어도 하나의 입력이 가능한 입력란으로 하도록 해도 된다. 치수, 패턴의 최소 치수, 픽셀 수 등의 서브 화상의 치수에 관한 복수의 파라미터 중 하나 또는 복수를 선택 가능하게 하도록 해도 된다.
도 16에 예시하는 GUI 화면에는, 더욱이 서브 화상 간의 피치(Ps)를 설정하는 설정란(1603)이 마련되어 있다. 설정란(1603)에서는 설정란과 마찬가지의 파라미터의 입력을 가능하게 하도록 해도 되고, 서브 화상 주위의 배제 영역 폭(Wexcl)(서브 화상으로서 취득하지 않는 서브 화상 간의 간격 폭)의 입력을 가능하게 하도록 해도 된다. 또한, 복수의 파라미터를 함께 입력 가능하게 하도록 해도 된다. 또한 도 16에 예시하는 GUI 화면 상에는, 설정란(1601~1603) 등으로 설정되는 조건에서 잘라내지는 서브 화상 중에서, 선택하는 서브 화상의 매수를 설정하기 위한 설정란(1604)이 마련되어 있다. 여기서 학습에 제공하는 서브 화상의 수를 설정하게 되는데, 설정값이 설정 가능한 최대 샘플(서브 화상) 수(=((Lo-2Wexcl-Lsub)/Ps)2, Lo는 원화상의 한 변의 길이)를 넘을 때는, 컴퓨터 시스템은, 그 취지를 통지하거나, 또는 설정 가능한 최대 샘플 수로 설정한다. 또, 트레이닝 시간을 고려하여 모든 데이터를 사용하지 않는 등의 대응도 가능하다.
또한 도 16에 예시하는 GUI 화면 상에는, 뉴럴 네트워크의 종류를 설정하는 설정란(1605)이 마련되어 있다. 설정란(1605)에서 설정 가능한 뉴럴 네트워크는, 예를 들어 Auto Encoder(AE), Convolutional Auto Encoder(CAE), Variational Auto Encoder(VAE), Convolutional Variaional Auto Encoder(CVAE) 등이 있다. 이들 모듈은, 컴퓨터 시스템에 내장, 또는 기억되어 있다.
또한, Latent Dimension, Encoding Dimension, 단수, 각 단의 뉴런(또는 필터) 수, 활성화 함수 등, 뉴럴 네트워크의 구성에 관한 파라미터, 미니 배치 사이즈, 에포크 수, 로스 함수, 최적화 방법, 트레이닝 데이터 수와 검증용 데이터 수의 비율 등, 최적화 파라미터의 설정이 가능한 설정란을 설치하도록 해도 된다. 또한 모델 구성 및 네트워크의 가중치 계수 보존 파일명이나 폴더명을 설정하는 설정란을 마련하도록 해도 된다.
또한 GUI 화면 상에는, 트레이닝 결과를 육안으로 판단 가능한 표시란을 마련해 두는 것이 바람직하다. 구체적으로는 괴리도의 히스토그램이나 트레이닝용의 각 화상의 괴리도의 면내 분포이다. 이들 정보는 예를 들어 태그(1608, 1609)를 선택함으로써 표시 가능하게 하도록 해도 된다. 또한 부대 정보로서, 모델 구성 및 네트워크의 가중치 계수 보존 파일이나 폴더명을 함께 표시하도록 해도 된다.
또한, 도 16은 학습 조건을 설정하는 GUI로서 설명했지만, 검사 조건을 설정하는 GUI 화면에서도, 검사 대상 화상과 각 화상에 부대하는 메타데이터가 놓인 폴더, 서브 화상의 샘플링 피치(Ps), 화상 주위의 배제 영역 폭(Wexcl), 검사에 이용하는 모델 구성, 네트워크의 가중치 계수의 파일명, 결함 판정에 이용하는 괴리도의 역치, 검사 결과 데이터를 보존하는 파일명, 폴더명 등을 설정 가능하게 하는 것이 바람직하다.
상술한 바와 같은 GUI를 이용한 설정을 가능하게 함으로써, 적절한 학습 조건이나 검사 조건 하에서, 모델의 생성과 결함 검사를 행하는 것이 가능해진다.
이하에, 오토인코더를 이용한 결함 검출법의 적용예를 나타낸다.    
[적용예 1]
파장 13.5㎚의 EUV 광을 이용한 NA0.33의 노광 장치와 레지스트 처리 장치에 의해, 로직 회로 및 SRAM 등을 포함하는 로직 LSI(반도체 집적 회로)의 배선층 패턴을, 소정의 하지(下地)층 상에 EUV용 레지스트를 도포한 웨이퍼에 노광하여, 레지스트 패턴을 형성했다. 노광량, 포커스, 레지스트 처리 조건 등에 관하여, 미리 구한 소정의 최적 조건을 이용했다. 웨이퍼 주변부를 피한 웨이퍼 면 내의 복수개소에서, 로직 회로부, 및 SRAM부를, 도 11에 예시하는 바와 같은 SEM을 이용하여 촬상하고, 데이터 처리용 컴퓨터로 전송하여 학습용 원화상으로서 보존했다.
학습용 원화상의 픽셀 사이즈는 1nm, FOV는 2048nm(한 변의 길이)로 했다. 다음으로, 취득한 모든 학습용 원화상의 각각에 있어서, 종횡 방향으로 10nm의 이송 피치로, 50nm 모서리의 학습용 서브 화상을 39601개 잘라냈다.
다음으로, 데이터 처리용 컴퓨터로, 이하의 오토인코더를 구성했다. 입력은 화상 픽셀의 휘도값(그레이 레벨)을 각 요소의 값으로 하는 2차원 화상 데이터를 1차원화한 길이 2500의 벡터, 오토인코더의 네트워크 구성은, 뉴런 수가 입력측으로부터, 256, 64, 12, 64, 256의 전결합층이고, 최종 출력은 입력과 동일한 길이 2500의 벡터로 했다. 또한, 최종층을 제외한 각 층의 활성화 함수는 ReLU로 했다. 상기 학습용 서브 화상의 80%를 랜덤하게 선택하여 교사 데이터로 하여, 학습을 행했다. 로스 함수로서 mean square error, 최적화 알고리즘으로서 RMSPprop를 이용했다. 또, 픽셀 사이즈, 원화상 사이즈, 서브 화상 사이즈, 네트워크 구성, 학습 방법 등은, 위에서 나타낸 것에 한정되지 않는다.
다음으로, 상기 웨이퍼의 주변부에서, 최소 치수를 포함하는 패턴의 검사용 원화상을 취득했다. 또한, 동일 재료 및 프로세스 장치로 검사용 FEM(Focus Exposure Matrix) 웨이퍼를 작성하여, 소정의 최적 조건으로부터 벗어난 다양한 노광·포커스 조건으로 형성된 최소 치수 포함 패턴의 검사용 원화상을 취득했다.
FEM 웨이퍼란, 웨이퍼 상에 포커스와 노광량을 다양하게 할당한 조건으로 칩을 노광 전사한 것이다. 이들 검사용 원화상의 각각에 있어서, 종횡 방향으로 20nm의 이송 피치로, 50nm 모서리의 검사용 서브 화상을 9801개 잘라냈다. 이들 검사용 서브 화상의 각각을 상기 오토인코더에 입력하여, 출력을 계산했다. 입력 벡터와 출력 벡터의 괴리도를, 입력 벡터와 출력 벡터의 대응하는 각 요소의 편차의 제곱의 총합에 의해 계산했다. 모든 검사용 서브 화상의 괴리도의 히스토그램을 작성하고, 괴리도가 역치 이상인 검사용 서브 화상을 추출했다.
또한 상기 추출한 검사용 서브 화상 중, 인접하는 것을 추출하고, 서로 인접하는 서브 화상 중심의 평균 좌표를 결함 염려점의 좌표로서 보존, 출력했다. 또한, 상기 위치를 중심으로 하는(상기 인접하여 차분이 역치를 넘은 서브 화상을 포함하는) 화상을 출력했다. 상기 결함 염려점의 화상을 확인한 바, 소위 stochastic 결함이 확인되었다. 결함 염려점의 출현 빈도는, 웨이퍼의 주변부에 있어서, 또한 노광·포커스 조건이 최적점으로부터 벗어남에 따라 증대했다. 이것에 의해, 웨이퍼 상에서 소정의 수율을 얻을 수 있는 유효 면적 범위나 노광·포커스 조건을 명확하게 했다.
[적용예 2]
본 실시예에서는, 제1 실시예에서 패턴의 촬상에 이용한 SEM 대신에, 상대적으로 큰 빔의 편향(주사)이 가능한 SEM을 촬상 디바이스로서 이용했다. 학습용 원화상 및 검사용 원화상의 픽셀 사이즈는 2nm, FOV 사이즈는 4096nm로 했다. 학습용 원화상의 각각에 있어서, 종횡 방향으로 10nm의 이송 피치로, 48nm 모서리의 학습용 서브 화상을 163,216개 잘라냈다. 마찬가지로 하여, 종횡 방향으로 12nm의 이송 피치로, 48nm 모서리의 학습용 서브 화상을 113,569개 잘라냈다. 검사용 서브 화상에 대해서는, 화상마다, 종횡 방향으로 20nm의 이송 피치로, 48nm 모서리의 학습용 서브 화상을 40,804개 잘라냈다.
본 실시예에서는 오토인코더에 컨볼루셔널 뉴럴 네트워크(CNN)를 이용했다. 입력은, 각 픽셀 휘도값(그레이 레벨)을 요소로 하는 2차원 화상 데이터(30×30의 2차원 배열), 오토인코더의 네트워크 구성은, 컨볼루션 필터 수가 입력측으로부터, 12, 12, 12, 12, 12, 12, 12, 12, 1의 9층으로 하고, 컨볼루션 필터의 사이즈는 3×3으로 했다. 전반 2층의 각 컨볼루션의 후단(後段)에는 3×3의 max pooling층, 이어서 2층의 각 컨볼루션의 후단에는 3×3의 max pooling층, 후반 2층의 각 컨볼루션의 후단에는 2×2의 up sampling층, 이어서 2층의 각 컨볼루션의 후단에는 3×3의 up sampling층을 마련했다.
또한, 이들 max pooling층 및 up sampling층의 후단에는, 활성화 함수 ReLU를 마련했다. 최종층의 활성화 함수는 sigmoid 함수로 하고, 로스 함수로서 binary_crossentropy, 최적화 알고리즘으로서 Adam을 이용하여, 네트워크를 학습시켰다.
다음으로, 학습에 이용한 웨이퍼와 동일한 레이아웃 룰로 설계된 다른 마스크를, 학습용 웨이퍼와 동일한 리소그래피 또는 에칭 프로세스를 이용하여 웨이퍼 상에 전사한 패턴을 검사했다. 본 실시예에 의해, 제1 적용예와 마찬가지의 결함 검사를, 넓은 면적 범위의 패턴에 대해 단시간에 행할 수 있었다. 본 실시예에 관해서도, 촬상 조건, 화상 절취 방법, 오토인코더의 네트워크 구성, 학습 방법 등, 위에 나타낸 것에 한정되지 않는다. 예를 들어, 변분(變分) 오토인코더, 컨볼루셔널 변분 오토인코더 등을 이용해도 된다.
제1 적용예 및 제2 적용예에서 설명한 바와 같은 검사에서는, Die to data base 검사법과 같이 설계 데이터를 필요로 하지 않는다. 그러나, 검출된 패턴 이상이 집적 회로의 성능 열화나 기능 불량 등에 미치는 영향을 조사하려면, 패턴 이상을 설계 데이터와 비교하여 판단하는 것이 바람직하다. 상기 판단 작업은 통상, 본 방법에 의한 검사가 행해지는 집적 회로의 제조 공정이 아니라, 회로 설계 부문 또는 수율 관리 부문 등에서 행해진다. 그래서, 본 방법에 의해 제조 공정에서 추출된 이상 패턴의 웨이퍼 내의 칩내 좌표와 화상 데이터를, 설계 데이터를 유지하는 회로 설계 부문 또는 수율 관리 부문 등으로 전송해도 된다. 회로 설계 부문 또는 수율 관리 부문 등에서는, 상기 좌표와 화상에 기초하여 검출된 이상이 회로 성능 및 기능상, 허용할 수 있는지 판단하고, 허용할 수 없는 경우에는 필요한 대책을 강구한다. 이와 같이 함으로써, 본 방법에서는, 제조 공정에서 설계 데이터를 유지하지 않고, 설계 데이터에 기초한 수율 관리를 행할 수 있다.
도 15에 예시하는 바와 같이, 통상, 반도체 웨이퍼의 패턴은, 설계 부문에서 설계된 설계 데이터를 기초로 작성된 포토 마스크를 이용한 리소그래피 등에 의해 생성된다(스텝 1501). 제조 부문에서는, 레지스트 패턴 등을 CD-SEM 등의 계측, 검사 장치로 평가하고, 적정한 조건 하에 제조가 행해지고 있는지 평가한다. 상술한 바와 같은 적용예에서는 제조 부문에서 제조된 반도체 디바이스 패턴에 대해 SEM 화상을 취득(스텝 1502)하고, 서브 화상을 잘라낸 다음, 오토인코더를 이용한 검사를 행한다(스텝 1503).
제조 부문에서는, 오토인코더를 이용한 검사를 행하고, 이상이라고 간주할 수 있는 패턴 등이 촬상된 화상 데이터를 선택적으로 설계 부문이나 수율 관리 부문으로 전송한다. 설계 부문에서는, 제조 부문으로부터 전송되어 온 화상 데이터를 판독하고(스텝 1505), 반도체 디바이스 설계 시에 설계하고, 보유하는 설계 데이터와의 비교 검사를 실행한다(스텝 1506). 또, 비교 검사를 위해 설계 데이터를, 레이아웃 데이터로서 선도화(線圖化)한다. 또한, 화상 데이터에 포함되는 패턴 에지를 세선화(細線化)(윤곽선화)해 둔다.
설계 부문에서는, 상기 비교 검사에 기초하여 설계 변경을 검토할지, 제조 조건의 재검토 등에 의해, 설계 변경하지 않고, 제조를 계속할지 판단한다.
제조 부문 측의 컴퓨터 시스템은, 오토인코더에 의한 검사와, 검사 결과에 기초한 설계 부문에의 리포트의 작성을 실행한다(스텝 1504). 설계 부문에의 리포트는, 예를 들어 이상이 발견된 위치의 좌표 정보와, SEM 화상을 포함하며, 그것에 제조 조건이나 SEM의 장치 조건(관찰 조건) 등을 포함하도록 해도 된다. 또한, 도 4에 예시한 바와 같은 괴리도의 빈도 분포나, 주위의 결함 발생 확률 등의 정보를 리포트에 포함시키도록 해도 된다.
한편 설계 부문 측의 컴퓨터 시스템은, 비교 검사와, 검사 결과에 기초한 리포트의 작성을 실행한다(스텝 1508). 리포트에는, 비교 검사 결과를 포함하고, 그것에 비교 검사의 결과 특정된 결함종(種)이나, 검사 조건 등을 포함시키도록 해도 된다. 또한, 설계 부문 측의 컴퓨터 시스템은, 비교 검사 결과와 과거의 피드백 이력(설계 변경했는지 제조 조건의 조정으로 대응했는지 등)의 데이터 세트에 의해 학습된 DNN 등의 학습기를 포함하도록 해도 된다. 학습기에 비교 검사 결과(윤곽선 데이터와 레이아웃 데이터의 대응 위치의 차분 정보 등)를 입력함으로써, 설계 데이터의 수정, 수정의 방침, 제조 조건의 수정 방침 등을 출력한다(스텝 1507). 또, 학습기는 비교 검사 결과와 피드백 방침의 관계를 기억하는 데이터베이스로 대체할 수도 있다.
[적용예 3]
파장 13.5㎚의 EUV 광을 이용한 NA0.33의 노광 장치와 레지스트 처리 장치에 의해, DRAM의 워드선층 마스크를 소정의 하지층 상에 EUV용 레지스트를 도포한 웨이퍼에 노광하여, 레지스트 패턴을 형성했다. 노광량, 포커스, 레지스트 처리 조건 등에 관하여, 미리 구한 소정의 최적 조건을 이용했다. 웨이퍼 주변부를 피한 웨이퍼 면내의 복수 개소에서, 메모리셀부를, 적용예 2와 마찬가지로 광 FOV 대응 SEM을 이용하여 촬상하고, 데이터 처리용 컴퓨터로 전송, 학습용 원화상으로서 보존했다. 그리고 나서, 적용예 2와 마찬가지로 학습용 서브 화상을 생성하고, 이것을 이용하여 오토인코더를 작성했다.
다음으로, 상기 DRAM의 양산 라인의 상기 워드선 노광 프로세스에 있어서, 소정의 빈도로 웨이퍼를 빼내고, 상기 웨이퍼 면내의 소정의 복수 위치에서 검사용 화상을 취득하고, 상기 학습용 서브 화상과 동일 사이즈의 검사용 서브 화상을 생성했다. 상기 검사용 서브 화상을 상기 오토인코더에 입력하여, 그 출력과의 괴리도를 산출했다. 괴리도로부터 결함 가능성이 높은 개소를 추출하고, 그 검사 화상 내에서의 분포를 구한 바, 랜덤하게 출현하는 결함과, 선상(線狀)에 집중하여 분포하는 결함의 2개의 케이스가 보였다.
상기 개소의 확대 SEM 화상을 해석한 결과, 전자는 EUV 레지스트에서 노광 조건이 변동한 것에 기인하는 스토커스틱 결함인 것에 반하여, 후자는 노광 프로세스 중의 이물에 기인하는 결함인 것이 명확해지고, 각각 대책을 행함으로써 결함 발생을 저감했다.
본 적용예에서는, 학습용 패턴과 검사 대상 패턴을 특정 LSI의 특정 프로세스층 패턴에 고정했지만, 이 경우에서도, 다른 위치에서 취득한 복수 상의 입력에 의해 학습을 행함으로써, 검사 화상의 위치 어긋남, 허용 범위 내의 치수 변동 및 LER(Line Edge Roughness)을 정상으로 판단하는 오토인코더를 생성할 수 있다.
[적용예 4]
적용예 1에서 학습용 원화상 취득을 위한 웨이퍼를 준비했을 때와 마찬가지의 방법에 의해 작성한 웨이퍼를, 패턴 부착 웨이퍼용 광학식 결함 검사 장치를 이용하여 검사하여, 결함 가능성이 있는 위치를 출력했다. 출력된 웨이퍼 면내 위치를 중심으로, 리뷰 SEM을 이용하여 패턴 관찰상을 촬상하고, 적용예 1에서 작성한 오토인코더를 이용하여 결함 검출을 행했다. 상기 결함 검출된 개소의 서브 화상에 대해, 오토인코더의 입력 화상과 출력 화상의 차분 화상을 출력했다. 그 결과, 다양한 결함은, 상기 차분의 원화상의 화각 내에서의 분포에 있어서, 국소적인(점상(點狀)의) 볼록부 또는 오목부, 패턴 간에 걸친 선상의 볼록부 또는 오목부, 패턴 에지를 따른 선상의 볼록부 또는 오목부, 패턴 에지를 따른 요철, 화상 전체에 퍼지는 미세 요철, 화상 전체에 퍼지는 완만한 요철 등으로 분류되었다. 이들은 순서대로 예를 들어, 미소 이물, 패턴 간의 브리지 또는 패턴의 분리, 패턴 에지의 시프트, 패턴 에지의 러프니스, 화상의 노이즈, 화상 휘도의 시프트를 시사한다.
[적용예 5]
적용예 3에서 학습용 원화상 취득을 위한 웨이퍼를 준비했을 때와 마찬가지의 방법에 의해 작성한 웨이퍼에 대하여, 그 웨이퍼 전면의 DRAM 메모리 셀 영역을, 패턴 부착 웨이퍼용 광학식 결함 검사 장치를 이용하여 검사하여, 헤이즈 레벨의 웨이퍼 면내 분포를 계측했다. 헤이즈 레벨이 소정의 역치보다 높은 영역에 대해, 적용예 2에 나타낸 방법으로 결함 검사를 행했다.
[적용예 6]
적용예 1에서 학습용 원화상 취득을 위한 웨이퍼를 준비했을 때와 마찬가지의 방법에 의해 작성한 웨이퍼에 대해, 패턴 설계 정보, 상기 정보에 기초한 패턴 시뮬레이션, 노광 장치 등의 프로세스 장치로부터의 포커스 맵 등의 출력 정보, 또는, 웨이퍼 형상 등의 각종 계측기의 출력 등으로부터, 결함 발생의 위험 영역을 미리 추정했다. 추정된 결함 발생 위험도가 높은 영역에 대해, 적용예 2에 나타낸 방법으로 결함 검사를 행했다.
[적용예 7]
적용예 1 내지 적용예 6에 있어서, 결함 검사에 의해 추출된 결함 염려점 좌표를 포함하는 패턴 화상으로부터, 소위 ADC(Auto Defect Classification)를 이용하여 결함의 판정 및 그 종류를 분류했다. 결함의 종류로서는, 패턴 선 간의 브릿지, 패턴 선의 파단, 고립 패턴의 소실, LER의 허용값 초과, 패턴 선의 국소적인 굴곡, 그 밖의 패턴 치수 형상 변동, 각종 이물 결함 등을 판정했다. 오토인코더를 이용한 검사법에 의하면, 패턴의 이상을, 골든 화상이나 설계 정보 등을 이용하지 않고 고속으로 추출할 수 있다. 이것을 ADC 등의 다른 방법과 조합함으로써, 추출된 결함을 분류·해석하여, 결함 발생의 원인 해석과 대책을 행할 수 있다.
예를 들어 오토인코더에 의해 이상이 보인 부분의 SEM 화상에 대해 선택적으로 비교 검사나 ADC를 행함으로써, 검사의 효율화를 도모할 수 있다. 또한, 통상 검사와 오토인코더의 검사의 양쪽을 행함으로써, 보다 결함의 검출 정확도를 향상시킬 수 있다.
[적용예 8]
적용예 1 등에서 설명한 바와 같이, 오토인코더를 이용한 검사는, 정상 패턴으로부터의 일탈을, 골든 화상이나 설계 정보 등을 이용하지 않고 고속으로 추출한다. 즉, 도 12의 (a)에 나타내는 바와 같이, 검사 화상으로부터 잘라낸 서브 화상을 오토인코더에 입력하여, 그 출력과 상기 입력을 비교 판별함으로써, 상기 서브 화상의 결함·무결함을 판별한다.
그러나, 결함 발생의 원인 해석과 대책을 행하기 위해서는, 또한 추출된 결함의 종류에 관한 정보를 취득하는 것이 바람직하다. 그래서, 본 적용예에서는, 추출된 결함의 종류(패턴 선 간의 브릿지, 패턴 선의 파단, 고립 패턴의 소실, LER의 허용값 초과, 패턴 선의 국소적인 굴곡, 그 밖의 패턴 치수 형상 변동, 각종 이물 결함 등)를 분류하기 위해, 이하의 2개의 방법을 시도했다.
제1 방법에서는, 우선 오토인코더에 의해 결함 염려점을 추출한다. 다음으로, 상기 결함 염려점 근방의 패턴 화상에 대해 선택적으로, ADC를 이용하여 결함의 분류·판정을 행한다. 상기 ADC로서는, 예를 들어, 화상 해석법과 SVM(서포트 벡터 머신) 등의 기계 학습의 조합이나, 지도 기계 학습(CNN을 이용한 심층 학습) 등의 다양한 방법을 이용할 수 있다. 이 방법을 이용하여, 상기 각종 결함의 종류를 판정했다.
1 이상의 컴퓨터 시스템은, ADC 모듈과 오토인코더를 포함하는 모듈을 구비함으로써, 결함의 후보가 될 수 있는 부분의 추출을 고속으로 행할 수 있어, 결함 분류에 이르기까지의 작업을 효율화하는 것이 가능해진다.
제2 방법에서는, 제1 방법과 같이 오토인코더와 ADC를 2단계로 나누어 적용하지 않고, 도 12의 (b)에 나타내는 바와 같은 1개의 결함 분류 뉴럴 네트워크를 이용하여 한번에 결함 분류·판정을 행한다. 도 12의 (b)의 결함 분류 뉴럴 네트워크는 오토인코더부와 비교 분류부로 구성된다. 검사 대상의 SEM 화상으로부터, 적용예 1 내지 적용예 7에서 설명한 바와 같이 다수의 서브 화상을 생성하고, 각 서브 화상을 도 12의 (b)의 결함 분류 네트워크에 입력한다. 상기 네트워크 내에서는, 우선, 상기 각 서브 화상이 오토인코더부에 입력되고, 다음으로, 얻어진 오토인코더 출력과 원래의 상기 서브 화상이 동시에 비교 분류부에 입력된다. 비교 분류부는, 예를 들어 오토인코더 출력과 원래의 서브 화상의 결합 벡터 또는 행렬을 입력으로 하는 멀티퍼셉트론이나 CNN 등의 뉴럴 네트워크로, 입력 서브 화상이 무결함 또는 각종 결함을 포함하는 확률을 출력한다.
상기 결함 분류 네트워크의 학습은 다음과 같이 행한다. 우선, 오토인코더부는, 적용예 1 내지 적용예 7에서 설명한 바와 같이, 정상 범위의 패턴으로부터 생성한 서브 화상을 입력했을 때, 가능한 한 입력을 재현 출력하도록 학습된다. 다음으로, 결함을 포함하는 다수의 화상을 오토인코더부에 입력하여, 결함 화상의 교사 데이터를 작성한다.
구체적으로는, 결함 추출되지 않았던 서브 화상에 대해서는 무결함(출력 번호=0), 결함 추출된 서브 화상에 대해서는 대응하는 결함 종류(출력 번호=1, 2, …)의 마크 부여를 행한다. 또, 교사 데이터 작성은, 오토인코더 출력을 참조하지 않고 다른 방법으로 행해도 된다. 다음으로, 상기 결함을 포함하는 다수의 화상을, 결함 분류 네트워크의 전체에 입력하고, 상기 교사 데이터를 이용하여 학습을 행한다. 단, 이때, 오토인코더부의 네트워크는 고정하고, 비교 분류부의 네트워크만을 학습시킨다. 이 방법에서도, 패턴 선 간의 브릿지, 패턴 선의 파단, 고립 패턴의 소실, LER의 허용값 초과, 패턴 선의 국소적인 굴곡, 그 밖의 패턴 치수 형상 변동, 각종 이물 결함 등을 판정할 수 있었다.
또한, 상기 제2 방법에서는, 오토인코더부와 비교 분류부를 명시적으로 분할하여, 각각의 학습을 별개로 행했지만, 도 12의 (c)에 나타내는 바와 같이, 1개의 네트워크로서 취급하여 학습시켜도 된다.
801 … 전자원 802 … 인출 전극
803 … 전자빔 804 … 콘덴서 렌즈
805 … 주사 편향기 806 … 대물 렌즈
807 … 시료실 808 … 시료대
809 … 시료 810 … 전자
811 … 이차전자 812 … 변환 전극
813 … 검출기 814 … 제어 장치
815 … A/D 변환기 816 … 화상 처리부
817 … CPU 818 … 화상 메모리
819 … 기억 매체 820 … 워크스테이션

Claims (15)

  1. 반도체 웨이퍼 상의 결함을 검출하도록 구성된 시스템으로서,
    당해 시스템은, 수신된 입력 화상에 포함되는 결함을 특정하는 1 이상의 컴퓨터 시스템을 구비하고, 상기 1 이상의 컴퓨터 시스템은, 학습용 화상에 포함되는 다른 위치의 복수의 화상의 입력에 의해 미리 학습이 실시된 오토인코더를 포함하는 학습기를 구비하고, 상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상을 분할하여, 상기 오토인코더에 입력하고, 당해 오토인코더로부터 출력되는 출력 화상과 상기 입력 화상을 비교하도록 구성되어 있는 시스템.
  2. 제1항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상을 복수의 서브 화상으로 분할하고, 당해 분할된 복수의 서브 화상에 기초하여 하나의 오토인코더를 학습시키도록 구성되어 있는 시스템.
  3. 제1항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 학습용의 입력 화상의 입력에 기초하여 상기 오토인코더를 학습시키고, 당해 학습이 실시된 상기 오토인코더에, 검사용의 복수의 서브 화상을 입력함으로써 화상에 포함되는 결함을 검출하도록 구성되어 있는 시스템.
  4. 제1항에 있어서,
    상기 다른 위치의 복수의 화상에 대응하는 상기 반도체 웨이퍼 상의 크기는, 당해 복수의 화상 내에 포함되는 오브젝트의 최소 치수의 1배보다 크고, 4배보다 작은 시스템.
  5. 제1항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상을, 중첩 영역을 마련하면서 복수의 서브 화상으로 분할하도록 구성되어 있는 시스템.
  6. 제1항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상과 출력 화상의 괴리도를 평가하도록 구성되어 있는 시스템.
  7. 제6항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 괴리도의 빈도 분포 또는 반도체 웨이퍼 상의 분포를 표시 장치에 표시시키도록 구성되어 있는 시스템.
  8. 제6항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상을, 중첩 영역을 마련하면서, 복수의 서브 화상으로 분할하고, 당해 분할된 입력 화상과 출력 화상의 괴리도를 평가하고, 상기 중첩 영역을 구성하는 서브 화상 중, 상기 괴리도가 소정값 이상의 서브 화상의 수에 따른 식별 정보를 표시 장치에 표시시키도록 구성되어 있는 시스템.
  9. 반도체 웨이퍼 상의 결함을 검출하는 컴퓨터 실장(實裝) 방법을 실행하기 위해 컴퓨터 시스템 상에서 실행 가능한 프로그램 명령을 기억하는 비일시적 컴퓨터 가독 매체로서, 상기 컴퓨터 실장 방법은, 학습용 화상에 포함되는 다른 위치의 복수의 화상의 입력에 의해 미리 학습이 실시된 오토인코더를 포함하는 학습기를 구비하고, 상기 1 이상의 컴퓨터 시스템은, 상기 입력 화상을 분할하여, 상기 오토인코더에 입력하고, 당해 오토인코더로부터 출력되는 출력 화상과, 상기 입력 화상을 비교하는 비일시적 컴퓨터 가독 매체.
  10. 반도체 웨이퍼로의 빔 조사에 기초하여 얻어지는 화상 신호를 처리하는 시스템으로서,
    당해 시스템은, 제1 화상 데이터와 제2 화상 데이터 간의 차분 정보를 연산하는 1 이상의 컴퓨터 시스템을 구비하고, 상기 1 이상의 컴퓨터 시스템은, 상기 제1 화상 데이터와 제2 화상 데이터 간의 차분의 정도마다의 빈도를 연산하도록 구성되어 있는 시스템.
  11. 제10항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 제1 화상 데이터와 제2 화상 데이터의 화소마다의 괴리도의 정도마다의 빈도를 나타내는 히스토그램를 생성하도록 구성되어 있는 시스템.
  12. 제11항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 히스토그램의 형상을 평가하도록 구성되어 있는 시스템.
  13. 제11항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 다른 제조 타이밍에 제조된 다른 반도체 웨이퍼에서 얻어진 다른 상기 히스토그램을 표시 장치에 표시시키도록 구성되어 있는 시스템.
  14. 제10항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 학습용 화상에 포함되는 다른 위치의 복수의 화상의 입력에 의해 미리 학습이 실시된 오토인코더를 포함하는 학습기를 구비하고, 상기 1 이상의 컴퓨터 시스템은, 상기 제2 화상을 분할하여, 상기 오토인코더에 입력하고, 당해 오토인코더로부터 출력되는 제1 화상과, 상기 제2 화상을 비교하도록 구성되어 있는 시스템.
  15. 제10항에 있어서,
    상기 1 이상의 컴퓨터 시스템은, 상기 제1 화상과 제2 화상의 화소마다의 괴리도를 평가하도록 구성되어 있는 시스템.
KR1020237033988A 2021-04-27 2022-02-25 결함을 검출하는 시스템 및 컴퓨터 가독 매체 KR20230153453A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2021-074653 2021-04-27
JP2021074653A JP2022168944A (ja) 2021-04-27 2021-04-27 欠陥を検出するシステム、及びコンピュータ可読媒体
PCT/JP2022/007813 WO2022230338A1 (ja) 2021-04-27 2022-02-25 欠陥を検出するシステム、及びコンピュータ可読媒体

Publications (1)

Publication Number Publication Date
KR20230153453A true KR20230153453A (ko) 2023-11-06

Family

ID=83846900

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237033988A KR20230153453A (ko) 2021-04-27 2022-02-25 결함을 검출하는 시스템 및 컴퓨터 가독 매체

Country Status (4)

Country Link
JP (1) JP2022168944A (ko)
KR (1) KR20230153453A (ko)
CN (1) CN117203747A (ko)
WO (1) WO2022230338A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117710371B (zh) * 2024-02-05 2024-04-26 成都数之联科技股份有限公司 一种扩充缺陷样本的方法、装置、设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018205163A (ja) 2017-06-06 2018-12-27 株式会社デンソー 外観検査装置、変換データ生成装置、及びプログラム
WO2020031984A1 (ja) 2018-08-08 2020-02-13 Blue Tag株式会社 部品の検査方法及び検査システム

Family Cites Families (5)

* 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
JP2018005773A (ja) * 2016-07-07 2018-01-11 株式会社リコー 異常判定装置及び異常判定方法
JP6599294B2 (ja) * 2016-09-20 2019-10-30 株式会社東芝 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム
JP7042118B2 (ja) * 2018-03-08 2022-03-25 株式会社東芝 検査装置、検査方法、及びプログラム
JP2020160616A (ja) * 2019-03-25 2020-10-01 ブラザー工業株式会社 生成装置、コンピュータプログラム、生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018205163A (ja) 2017-06-06 2018-12-27 株式会社デンソー 外観検査装置、変換データ生成装置、及びプログラム
WO2020031984A1 (ja) 2018-08-08 2020-02-13 Blue Tag株式会社 部品の検査方法及び検査システム

Also Published As

Publication number Publication date
JP2022168944A (ja) 2022-11-09
CN117203747A (zh) 2023-12-08
WO2022230338A1 (ja) 2022-11-03

Similar Documents

Publication Publication Date Title
US9177372B2 (en) Defect estimation device and method and inspection system and method
US10026011B2 (en) Mask inspection apparatus, mask evaluation method and mask evaluation system
US9767548B2 (en) Outlier detection on pattern of interest image populations
KR102185186B1 (ko) 패턴 검사 장치 및 패턴 검사 방법
DE102014204876A1 (de) Inspektionsverfahren und Inspektionsvorrichtung
US20130216120A1 (en) Inspection system and method
JP7241570B2 (ja) マルチ電子ビーム検査装置及びマルチ電子ビーム検査方法
JP7427744B2 (ja) 画像処理プログラム、画像処理装置、画像処理方法および欠陥検出システム
JP2021077229A (ja) パターン検査装置及びパターン検査方法
KR102013287B1 (ko) 계측 장치 및 계측 방법
TWI768864B (zh) 圖案檢查裝置以及圖案的輪廓位置取得方法
KR20230153453A (ko) 결함을 검출하는 시스템 및 컴퓨터 가독 매체
KR102146943B1 (ko) 계측 장치 및 계측 방법
US7834316B2 (en) Method for adjusting imaging magnification and charged particle beam apparatus
CN113039631A (zh) 通过将光学信号拟合到点扩散函数的缺陷分类
JP2018151202A (ja) 電子ビーム検査装置および電子ビーム検査方法
JP6255191B2 (ja) 検査装置および検査方法
JP2022016780A (ja) パターン検査装置及びパターン検査方法
JP2020134165A (ja) 検査装置及び検査方法
US20230019371A1 (en) Measurement Method, Measurement System, and Non-Transitory Computer Readable Medium
TW202418220A (zh) 圖像處理程式、圖像處理裝置、圖像處理方法及缺陷檢測系統