KR20230171378A - 결함 검사 장치 - Google Patents

결함 검사 장치 Download PDF

Info

Publication number
KR20230171378A
KR20230171378A KR1020230064151A KR20230064151A KR20230171378A KR 20230171378 A KR20230171378 A KR 20230171378A KR 1020230064151 A KR1020230064151 A KR 1020230064151A KR 20230064151 A KR20230064151 A KR 20230064151A KR 20230171378 A KR20230171378 A KR 20230171378A
Authority
KR
South Korea
Prior art keywords
image
learning
unit
inspection device
defect inspection
Prior art date
Application number
KR1020230064151A
Other languages
English (en)
Inventor
야스히로 요시다
마사요시 이시까와
도시노리 야마우찌
고스께 후꾸다
히로유끼 신도
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 KR20230171378A publication Critical patent/KR20230171378A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/652—Specific applications or type of materials impurities, foreign matter, trace amounts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/22—Treatment of data
    • H01J2237/221—Image processing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

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

Abstract

[과제] 검사 시에 설계 데이터를 사용하지 않고, 노이즈나 제조 오차에 대하여 강건한, 결함 검사 장치를 제공한다.
[해결 수단] 결함 검사 장치는, 시료의 촬상 화상에 기초하여, 특징량을 산출하는 특징량 계산부와, 상기 특징량의 정보량을 삭감함으로써, 잠재 변수를 생성하는 화상 정보 삭감부와, 상기 잠재 변수에 기초하여, 정상적인 화상이 취할 수 있는 화상 통계량을 추정하는 통계량 추정부와, 상기 화상 통계량과, 시료의 검사 화상에 기초하여, 상기 검사 화상에 있어서의 결함을 검출하는 결함 검출부를 구비한다.

Description

결함 검사 장치{DEFECT INSPECTION APPARATUS}
본 발명은 결함 검사 장치에 관한 것으로, 예를 들어 결함 또는 이물 혼입에 대하여 화상을 사용하여 검사하는 장치에 관한 것이다.
반도체 검사에는, 주사형 전자 현미경(SEM: Scanning Electron Microscope)으로 촬영한 SEM 화상이 사용되고 있다.　종래의 검사 방법으로서, 반도체 회로의 설계 데이터와 SEM 화상의 비교에 의해 결함을 검출하는 Die-to-Database 검사가 있다.　그러나, 반도체 회로 패턴의 미세화에 수반하여, 설계대로의 회로 패턴을 웨이퍼 상에 형성하는 것이 곤란해지고 있고, 회로의 제조 오차가 발생한다.　이 때문에, 화소 비교에 의한 Die-to-Database 검사에서의 노이즈나 제조 오차에 의해 오검출이 발생하여, 검사 성능의 향상에 한계가 있었다.
이에 반해 특허문헌 1에서는, 설계 데이터 등의 기준 화상으로부터 정상적인 회로 패턴이 취할 수 있는 휘도값의 확률 분포를 설계 데이터로부터 예측하고, 이 휘도값의 확률 분포로부터 벗어나는 휘도값을 갖는 검사 화상의 영역을 결함으로 판정하는 기술이 개시되어 있다.
국제 공개 제2020/250373호 팸플릿
분포 비교에 의해, 미소한 제조 오차나 노이즈에 대하여 강건한 검사가 가능하게 되지만, 특허문헌 1에서는 이 분포의 추정에 설계 데이터를 필요로 한다.　이 때문에, 검사 시에 설계 데이터를 사용할 수 없는 경우에는 특허문헌 1의 방법을 적용할 수 없다.
설계 데이터를 사용하지 않는 검사 방법으로서, 검사 화상과 동일 형상으로 상이한 지점의 화상인 참조 화상과, 검사 화상을 비교하여 결함을 검출하는 Die-to-Die 검사가 있다.　그러나, Die-to-Die 검사도 Die-to-Database 검사와 동일하게 화소 비교 때문에 노이즈에 약하고, 검사 성능의 향상에 한계가 있다.　미검출된 결함을 포함하는 반도체 디바이스는 최종 테스트 등에서 실시되는 다른 검사에서 불량품이 되어, 수율이 저하될 가능성이 있다.
본 발명은 검사 시에 설계 데이터를 사용하지 않고, 노이즈나 제조 오차에 대하여 강건한, 결함 검사 장치를 제공하는 데 있다.
본 발명에 관한 결함 검사 장치의 일례는,
시료의 촬상 화상에 기초하여, 특징량을 산출하는 특징량 계산부와,
상기 특징량의 정보량을 삭감함으로써, 잠재 변수를 생성하는 화상 정보 삭감부와,
상기 잠재 변수에 기초하여, 정상적인 화상이 취할 수 있는 화상 통계량을 추정하는 통계량 추정부와,
상기 화상 통계량과, 시료의 검사 화상에 기초하여, 상기 검사 화상에 있어서의 결함을 검출하는 결함 검출부를
구비한다.
본 발명에 관한 결함 검사 장치는, 검사 시에 설계 데이터를 사용하지 않고, 노이즈나 제조 오차에 대하여 강건한 검사를 행할 수 있다.
도 1은 본 발명의 실시예 1에 관한 결함 검사 장치의 구성도.
도 2는 실시예 1에 관한 화상 정보 삭감부의 구성도.
도 3은 실시예 1에 관한 모델 파라미터 학습의 구성도.
도 4는 실시예 1에 관한 모델 파라미터 학습의 처리 플로를 나타내는 도면.
도 5는 실시예 1에 관한 모델 파라미터 학습의 각 스텝에서 생성되는 화상을 나타내는 모식도.
도 6은 본 발명의 실시예 2에 관한 결함 검사의 구성도.
도 7은 실시예 2에 관한 추정되는 휘도값 분포를 나타내는 모식도.
도 8은 본 발명의 실시예 3에 관한 모델 파라미터 학습의 구성도.
도 9는 실시예 3에 관한 의사 결함 작성용 화상 정보 삭감부의 구성도.
도 10은 실시예 3에 관한 모델 파라미터 학습의 처리 플로를 나타내는 도면.
도 11은 실시예 3에 관한 모델 파라미터 학습의 각 스텝에서 생성되는 화상을 나타내는 모식도.
도 12는 본 발명의 실시예 4에 관한 모델 파라미터 학습의 구성도.
도 13은 본 발명의 실시예 5에 관한 결함 검사 장치의 구성도.
이하, 본 발명의 실시 형태를 첨부 도면에 기초하여 설명한다.
[실시예 1]
본 발명의 실시예 1에 따른 결함 검사 장치에 대하여, 도 1을 사용하여 설명한다.　도 1은 실시예 1에 관한 결함 검사 장치의 구성도이다.　결함 검사 장치는, 예를 들어 공지된 컴퓨터를 사용하여 구성할 수 있고, 연산 수단 및 기억 수단을 구비한다.　연산 수단은 예를 들어 프로세서를 포함하고, 기억 수단은 예를 들어 반도체 메모리 장치 및 자기 디스크 장치 등의 기억 매체를 포함한다.　기억 매체의 일부 또는 전부가, 과도적이지 않은(non-transitory) 기억 매체여도 된다.
또한, 결함 검사 장치는 입출력 수단을 구비해도 된다.　입출력 수단은, 예를 들어 키보드 및 마우스 등의 입력 장치와, 디스플레이 및 프린터 등의 출력 장치와, 네트워크 인터페이스 등의 통신 장치를 포함한다.
기억 수단은 프로그램을 기억해도 된다.　프로세서가 이 프로그램을 실행함으로써, 컴퓨터는 본 실시예에 있어서 설명되는 기능을 실행해도 된다.　즉, 이 프로그램은, 컴퓨터를 결함 검사 장치로서 기능시켜도 된다.
결함 검사 장치의 기억 수단은, 참조 화상(1) 및 검사 화상(2)과, 검출 결과(15)를 기억한다.　참조 화상(1) 및 검사 화상(2)은 각각 시료의 특정 지점을 촬상한 촬상 화상이다.　본 실시예에서는, 참조 화상(1) 및 검사 화상(2)은 동일 형상 또는 유사 형상을 갖는 상이한 지점을 촬상한 것인 것이 바람직하다.
결함 검사 장치의 연산 수단 및 기억 수단이 협동함으로써, 특징량 계산부(11), 화상 정보 삭감부(12), 통계량 추정부(13), 결함 검출부(14)가 구성된다.　특징량 계산부(11), 화상 정보 삭감부(12), 통계량 추정부(13)는 기계 학습에 의해 파라미터를 학습한 학습 완료 모델이다.　파라미터는, 결함 검사 장치의 기억 수단에, 모델 파라미터(10)로서 기억된다.
특징량 계산부(11)는 참조 화상(1)에 기초하여 특징량을 산출한다.　특징량 계산부(11)는 예를 들어 Convolutional Neural Network(CNN)에 있어서의 인코더를 사용할 수 있다.　특징량은 복수의 성분을 포함하는 양이며, 구체적인 형식은 임의로 설계 가능하지만, 본 실시예에서는, 특징량은 a×b×c의 사이즈를 갖는 3층의 텐서로 한다.　특징량의 각 성분은, 예를 들어 0 이상 1 이하의 실수이다.
화상 정보 삭감부(12)는 특징량 계산부(11)에서 계산된 특징량의 정보량을 삭감한다.　화상 정보 삭감부(12)의 구성을 도 2에 나타낸다.　화상 정보 삭감부(12)는 이산 표현 계산부(21) 및 잠재 표현 계산부(22)를 구비하고, 복수의 특징 벡터(23)를 기억한다.　특징 벡터(23)에는, 각각을 식별하는 인덱스가 부여되어 있다.　인덱스는 이산 표현(예를 들어 정수)에 의해 표현된다.
특징 벡터(23)는 복수의 성분을 포함하는 양이다(단 특징 벡터의 성분 개수는 특징량의 성분의 개수를 초과하지 않음).　본 실시예에서는, 특징 벡터는 a차원의 벡터이며, 즉 a개의 성분을 갖는다.　특징 벡터의 각 성분은, 예를 들어 0 이상 1 이하의 실수이다.
이산 표현 계산부(21)는 입력된 특징량의 적어도 일부에 대하여, 특징 벡터(23) 중에서 값이 유사한 것을 검색하고, 그 특징 벡터의 인덱스의 값으로 특징량을 치환한다.
본 실시예에서는, a×b×c의 사이즈를 갖는 특징량을, b×c개의 a차원의 벡터 부분으로 분할한다.　각 벡터 부분에 대하여, 그 벡터 부분의 성분의 값에 기초하여, 후보가 되는 복수의 특징 벡터(23) 중에서, 하나의 특징 벡터(23)(예를 들어 가장 유사한 특징 벡터)를 선택한다.　그리고, 그 벡터 부분을, 선택된 특징 벡터(23)의 인덱스로 치환한다.
이와 같이 하여 특징량이 인덱스의 값으로 치환된 것에 대하여, 본 명세서에서는 이후, 「이산화 화상」이라고 칭한다.　이산화 화상은, b×c개의 인덱스를 포함하는 양으로서 표현할 수 있다.
잠재 표현 계산부(22)는 이산화 화상에 대하여, 각 인덱스에 대응하는 특징 벡터(23)를 매립한다.　이 이산화 화상에 특징 벡터(23)가 매립된 것을, 본 명세서에서는 이후, 「잠재 변수」라고 칭한다.　잠재 변수는, 원래의 특징량과 동일한 사이즈를 갖는 텐서가 된다.
이와 같이 하여, 화상 정보 삭감부(12)는 특징량의 정보량을 삭감함으로써, 잠재 변수를 생성한다.　특히, 화상 정보 삭감부(12)는 특징량의 적어도 일부를, 복수의 특징 벡터(23) 중 적어도 하나에 관한 인덱스(이산 표현)로 치환함으로써, 특징량의 정보량을 삭감한다.　이와 같이 하여, 정보량을 삭감하기 위한 처리가 구체적으로 실현 가능하게 된다.　또한, 정보량을 삭감하기 위한 구체적인 처리는, 상기한 예에 한정되지 않고, 당업자가 적절히 설계할 수 있다.
통계량 추정부(13)는 잠재 변수에 기초하여, 정상적인 화상이 취할 수 있는 화상 통계량을 추정한다.　통계량 추정부(13)는 예를 들어 CNN에 있어서의 디코더를 사용하여 구성할 수 있다.　본 실시예에서는, 화상 통계량은, 각 화소에 관한 휘도값의 확률 분포에 의해 표현된다.　휘도값의 확률 분포는, 예를 들어 가우스 분포에 의해 표현할 수 있고, 화소마다 하나의 가우스 분포가 정의된다.　가우스 분포는, 예를 들어 그 가우스 분포에 관한 평균값 및 표준 편차에 의해 특정할 수 있다.　이하, 본 명세서에 있어서, 이 휘도값의 확률 분포를 「휘도값 분포」라고 칭하는 경우가 있다.
여기서, 특징량 계산부(11), 화상 정보 삭감부(12), 통계량 추정부(13)에서는, 각각 모델 파라미터(10)를 사용하여 상기의 처리를 실행한다.　특징량 계산부(11) 및 통계량 추정부(13)가 각각 CNN에 있어서의 인코더 및 디코더인 경우에는, 특징량 계산부(11) 및 통계량 추정부(13)에 입력되는 모델 파라미터(10)는 뉴럴 네트워크의 가중치를 포함한다.　화상 정보 삭감부(12)에 입력되는 모델 파라미터(10)는 특징 벡터(23)의 인덱스 및 값을 포함한다.
결함 검출부(14)는 통계량 추정부(13)에 의해 추정된 화상 통계량과, 검사 화상(2)에 기초하여, 검사 화상(2)에 있어서의 결함을 검출한다.　예를 들어, 검사 화상(2)의 각 화소에 대하여, 그 화소의 휘도값이, 통계량 추정부(13)가 추정한 휘도값 분포에 관한 소정의 정상 범위 내인지 여부를 판정한다.　그리고, 검사 화상(2) 중, 휘도값이 정상 범위로부터 벗어나 있는 화소를 포함하는 영역을 결함으로서 검출하고, 검출 결과(15)를 유저에 출력한다.
상술한 모델 파라미터(10)의 계산 방법에 대하여, 도 3의 구성도와 함께, 도 4의 학습 플로를 사용하여 설명한다.
도 3에 있어서, 학습 화상(3)이란 웨이퍼 상의 임의의 장소를 촬상한 촬상 화상(예를 들어 SEM 화상)이며, 본 실시예에서는 화상 중에 시료의 결함이 있어도 되고 없어도 되는 것으로 한다.　이 학습 화상(3)에 대하여, 특징량 계산부(11)에서 특징량의 계산(S101), 화상 정보 삭감부(12)에서 특징 벡터(23)의 인덱스의 치환(S102) 및 특징 벡터의 매립(S103), 통계량 추정부(13)에서 휘도값 분포의 추정(S104)을 도 1에 관련하여 상술한 바와 같이 실시한다.
추정한 휘도값 분포와 학습 화상(3)의 오차를 모델 평가부(31)에서 계산한다(S105).　즉, 모델 평가부(31)는 학습 화상(3)에 기초하여 추정된 화상 통계량과, 원래의 학습 화상(3)에 기초하여, 오차를 평가한다.　예를 들어, 각 화소에 대하여, 추정된 화상 통계량으로부터 소정의 비교 대상값(예를 들어 가우스 분포의 평균값)을 산출하고, 이 비교 대상값과, 학습 화상(3)에 있어서의 대응하는 화소의 휘도값의 차를, 화소마다의 오차로서 계산할 수 있다.　그리고, 각 화소의 오차 절댓값을 총합한 값, 또는 각 화소의 오차의 제곱을 총합한 값을, 추정한 휘도값 분포와 학습 화상(3)의 오차로 할 수 있다.
얻어진 오차를 저감시키는 모델 파라미터의 갱신량을 모델 파라미터 갱신량 계산부(32)에서 계산한다(S106).　즉, 모델 파라미터 갱신량 계산부(32)는 얻어진 오차에 기초하여, 특징량 계산부(11), 화상 정보 삭감부(12), 통계량 추정부(13)의 모델 파라미터의 갱신량을 계산한다.　이 갱신량의 계산은, 예를 들어 확률 구배 강하법을 사용할 수 있다.　이들 S101로부터 S106까지의 처리를 미리 설정한 규정 횟수에 도달할 때까지 반복한다(S107).
이 학습 처리의 각 스텝에서 생성되는 화상의 개략 표현을 도 5에 나타낸다.　학습 화상(301)에 있어서 반도체의 회로 부분을 백색으로 나타내고 있다.　학습 화상(301)은 화상 중에 제조 오차에 의한 회로의 왜곡이나, 노이즈를 포함하고 있고, 이것이 결함 검출의 성능 저하의 원인이 된다.
이 학습 화상(301)에 대하여 특징량의 계산(S101), 특징 벡터(23)의 인덱스의 치환(S102)에 의해, 정보량을 삭감한 이산화 화상(302)(개념적으로 도시함)이 생성된다.　이 이산화 화상(302)에 대하여, 특징 벡터의 매립(S103), 화상 통계량의 추정(S104)에 의해 화상 통계량(303)을 추정한다.　또한 도 5의 화상 통계량(303)에서는, 추정한 각 화소의 휘도값 분포의 평균의 값을 나타내고 있다.
각 학습 화상(301)에 대하여, 화상 통계량(303)과 학습 화상(301)의 차를 작게 하도록 학습함으로써, 오차를 최소화하는 모델 파라미터(10)를 탐색할 수 있고, 학습 화상에 포함되는 회로 패턴에 따른 적합한 휘도값 분포를 추정하는 것이 가능하게 된다.
본 실시예의 효과에 대하여 설명한다.　본 실시예는, 화상 중의 특징량을 특징 벡터로 치환하고, 치환된 잠재 변수로부터 휘도값 분포를 추정하는 방법을 설명하였다.　이 치환에서는, 특징 벡터의 후보를 복수 준비해 두고, 그 후보 중에서 선택되는 하나의 특징 벡터에 의해 특징량의 일부를 치환한다(본 실시예에서는, 이 치환 처리가 b×c회만큼 반복된다).　준비하는 특징 벡터의 후보수를 조정함으로써, 휘도값 분포의 추정에 사용되는 잠재 변수의 정보량을 제어할 수 있다.
예를 들어, 이 특징 벡터의 후보수를 작게 설정함으로써, 화상 정보 삭감부(12)가 특징량 중, 도 5에 나타내는 바와 같이 화상 중의 노이즈 및 제조 오차에 관한 정보를 삭제하고, 학습 화상 중에 공통되는 회로 패턴의 특징만을 복원할 수 있다.　이에 의해, 참조 화상으로부터 제조 오차나 노이즈의 정보를 제외한 정상적인 회로 화상이 취할 수 있는 휘도값의 확률 분포를 화소마다 추정할 수 있다.　이 확률 분포로부터 벗어나는 휘도값을 갖는 검사 화상의 영역을 결함으로서 판정함으로써, 노이즈나 제조 오차에 강건한 결함 검사를 가능하게 한다.　특징 벡터의 수는 외부로부터 지정하도록 해도 되고, 검사 성능을 최대화하기 위해 최적화 계산에 의해 자동으로 탐색하도록 해도 된다.
이와 같이, 본 실시예에 관한 결함 검사 장치는, 검사 시에 설계 데이터를 사용하지 않고, 노이즈나 제조 오차에 대하여 강건한 검사를 행할 수 있다.
[실시예 2]
이하, 본 발명의 실시예 2에 관한 결함 검사 장치에 대하여, 도 6을 사용하여 설명한다.　이하에서는, 실시예 1과 공통되는 부분에 대해서는 설명을 생략하는 경우가 있다.
실시예 2와 실시예 1의 차이로서, 실시예 1에서는 참조 화상(1)을 사용했지만, 실시예 2에서는 참조 화상(1)을 사용하지 않고, 검사 화상(2) 자신으로부터 특징량 계산부(11), 화상 정보 삭감부(12), 통계량 추정부(13)를 통해 추정된 휘도값 분포와의 비교에 의해, 원래의 검사 화상(2)의 결함을 검지한다.　즉, 실시예 2에서는, 특징량을 산출하는 대상이 되는 촬상 화상은, 검사 화상(2)이다.
실시예 2에 있어서, 통계량 추정부(13)는 화상 정보 삭감부(12)에서 계산된 잠재 변수를 사용하여, 검사 화상(2)에 있어서 시료의 결함이 있는 영역을 정상적인 영역과 같이 복원한 휘도값 분포를 추정한다.　이와 같이 하여 생성된 휘도값 분포와, 검사 화상의 비교에 의해, 검사 화상만을 입력으로 하여 결함을 검사한다.
통계량 추정부(13)가 결함이 있는 영역을 정상적인 영역과 같이 복원한 휘도값 분포를 추정하는 방법을 학습하는 방법의 예를 이하에 설명한다.　특징량 계산부(11) 및 통계량 추정부(13)가 각각 CNN에 있어서의 인코더 및 디코더인 경우에는, CNN의 층수를 많이 설계하여 수용 필드를 넓게 함으로써, 휘도값 분포의 추정에 주변의 특징을 사용할 수 있도록 할 수 있다.　이러한 구성은, 동일한 패턴이 반복하여 배열되는 회로 패턴 등에 유효하다.
본 실시예의 효과에 대하여 설명한다.　본 실시예에서는, 검사 화상(2)의 자기 참조에 의한 검사에 의해 참조 화상이 불필요하게 되기 때문에, 참조 화상의 촬상에 필요한 시간을 삭감하여, 검사의 스루풋을 향상시킬 수 있다.
또한, 검사 화상(2)의 자기 참조에서는, 종래의 Die-to-Die 검사나 Die-to-Database 검사에 있어서 성능 저하의 원인이 되고 있던, 상질(像質)에 관한 정보(화상 중의 왜곡, 휘도 불균일, 디포커스 등)의 변동의 영향을 받지 않고 결함을 검사할 수 있다.　즉, 화상 정보 삭감부(12)는 특징량 중, 화상 중의 왜곡, 휘도 불균일, 또는 디포커스에 관한 정보를 삭제하지 않는다.
이 검사 화상과, 화상 통계량인 휘도값 분포의 개략 표현을 도 7에 나타낸다.　검사 화상(401)의 우측 상부에 화상 중에 휘도 불균일(일점쇄선으로 나타내는 영역)이 있는 경우, 검사 화상(401)으로부터 특징량 계산부(11), 화상 정보 삭감부(12), 통계량 추정부(13)를 통해 추정하는 휘도값 분포(평균값의 예를 화상 통계량(402)으로서 나타냄)에 있어서, 노이즈나 제조 오차의 정보를 제외하면서, 상질 변동에 관한 특징을 남길 수 있다.　이 휘도값 분포와 검사 화상을 비교하는 검사에 의해, 검사 화상 중의 상질 변동의 영향을 받지 않고 결함을 검사할 수 있다.
[실시예 3]
본 발명의 실시예 3에 관한 결함 검사 장치를, 도 8을 사용하여 설명한다.　이하에서는, 실시예 1과 공통되는 부분에 대해서는 설명을 생략하는 경우가 있다.
실시예 3과 실시예 1의 차이로서, 실시예 1(도 3)에서는 학습에 사용하는 SEM 화상(학습 화상(3))이 정상 화상에 한정되지 않지만, 실시예 3에서는 시료의 결함을 포함하지 않는 정상 화상(4)에 한정되어 있다.　또한, 실시예 3에서는, 모델 파라미터 학습 처리에 있어서의 화상 정보 삭감부(12)(도 2)가 의사 결함 작성용 화상 정보 삭감부(41)로 치환되어 있다.
의사 결함 작성용 화상 정보 삭감부(41)의 구성을 도 9에 나타낸다.　의사 결함 작성용 화상 정보 삭감부(41)는 화상 정보 삭감부(12)의 내부 구성에 더하여, 새롭게 화상 정보 조작부(42)를 구비하고 있다.
이 도 8, 도 9의 구성도와 함께, 도 10의 학습 플로를 사용하여 모델 파라미터의 계산 방법을 설명한다.
정상 화상(4)을 학습 화상으로 하여, 특징량 계산부(11)에서 특징량을 계산한다(S101).　그리고, 정상 화상(4)에 관한 특징량에 기초하여, 이산 표현 계산부(21)에서, 복수의 특징 벡터(23)의 인덱스(이산 표현) 중에서, 하나의 특징 벡터(23)에 관한 인덱스(제1 이산 표현)를 선택하고, 이에 의해 이산화 화상을 생성한다(S102).
이 이산화 화상의 인덱스 값을, 화상 정보 조작부(42)에서 변경한다(S201).　이 변경 방법으로서는, 어떤 인덱스의 값을 랜덤하게 이산화 화상 중에 할당하는 방법, 랜덤한 영역을 특정 인덱스로 채우는 방법, 어떤 영역을 다른 영역에 카피하는 방법 등이 있다.
이와 같이, 의사 결함 작성용 화상 정보 삭감부(41)는 정상 화상(4)에 관한 특징량의 적어도 일부를, 선택된 인덱스(제1 이산 표현)와는 다른 인덱스(제2 이산 표현)로 치환함으로써, 정상 화상(4)에 관한 특징량의 정보량을 삭감한다.
인덱스의 값에 따라 특징 벡터를 매립하고(S103), 이 인덱스의 값을 조작된 이산화 화상을 사용하여, 도 3, 도 4와 마찬가지로 휘도값 분포를 추정하고(S104), 추정한 휘도값 분포와 정상 화상(4)의 오차를 모델 평가부(31)에서 계산한다(S105).　얻어진 오차를 저감시키는 모델 파라미터의 갱신량을 모델 파라미터 갱신량 계산부(32)에서 계산한다(S106).
이 학습 처리의 각 스텝에서 생성되는 화상의 개략 표현을 도 11에 나타낸다.　정상 화상(501)으로부터 특징량을 계산하고(S101), 특징 벡터(23)의 인덱스의 치환(S102)에 의해, 정보량을 삭감한 이산화 화상(502)(개념적으로 도시함)이 생성된다.　이 이산화 화상(502)을 화상 정보 조작부(42)에서 조작한다.
도 11의 조작 후 이산화 화상(503)(개념적으로 도시함)은 어떤 인덱스의 값을 랜덤하게 이산화 화상 중에 할당하는 방법을 사용한 예이다.　이 할당된 인덱스가 반도체의 회로 패턴에 대한 특징인 경우, 이 조작 후 이산화 화상(503)으로부터 추정된 휘도값 분포는, 화상 통계량(504)과 같이 회로 패턴의 특징이 증폭된 의사 결함 화상이 된다.　이 의사 결함 화상과 정상 화상(501)의 차를 작게 하도록 학습함으로써, 오차를 최소화하는 모델 파라미터(10)를 탐색할 수 있다.
본 실시예의 효과에 대하여 설명한다.　화상 정보 조작부(42)에서 이산화 화상을 조작함으로써, 어떠한 결함을 재현한 의사 결함 화상을 생성한다.　이 의사 결함 화상과 정상 화상의 차를 최소화하는 모델 파라미터(10)를 탐색하고, 이 모델 파라미터(10)를 도 1 또는 도 6과 같은 검사 구성에 사용함으로써, 결함을 포함하는 검사 화상으로부터, 보다 고정밀도로 정상 회로의 촬상 화상이 취할 수 있는 휘도값 분포를 통계량 추정부(13)에서 추정하는 것이 가능하게 된다.　이 휘도값 분포와 검사 화상(2)의 비교에 의해 결함을 검지함으로써, 참조 화상을 불필요하게 하고, 참조 화상의 촬상에 필요한 시간을 삭감함으로써 검사의 스루풋을 향상시킬 수 있다.
[실시예 4]
본 발명의 실시예 4에 관한 결함 검사 장치를, 도 12를 사용하여 설명한다.　이하에서는, 실시예 1과 공통되는 부분에 대해서는 설명을 생략하는 경우가 있다.
실시예 4와 실시예 1의 차이로서, 실시예 1에서는 도 3에 나타내는 바와 같이, 통계량의 추정 및 모델의 평가에 동일한 학습 화상(3)을 사용했지만, 실시예 4에서는 도 12에 나타내는 바와 같이, 시료의 결함을 포함하는 결함 화상(5)으로부터 통계량을 추정하고, 이 통계량과, 시료의 결함을 포함하지 않는 정상 화상(4)을 비교한다.
즉, 실시예 1 및 실시예 4 중 어느 것에 있어서도, 모델 평가부(31)는 시료의 촬상 화상인 제1 학습 화상에 기초하여 추정된 화상 통계량과, 시료의 촬상 화상인 제2 학습 화상에 기초하여, 오차를 평가한다고 할 수 있다.　단, 실시예 1에서는, 제1 학습 화상 및 제2 학습 화상은 서로 동일한 화상(즉 학습 화상(3))이지만, 실시예 4에서는, 제1 학습 화상은 시료의 결함을 포함하는 결함 화상(5)이며, 제2 학습 화상은 정상적인 시료의 정상 화상(4)이라고 할 수 있다.
결함 화상(5)으로부터 특징량 계산부(11), 화상 정보 삭감부(12), 통계량 추정부(13)를 통해 추정된 휘도값 분포와, 정상 화상(4)의 차를 작게 하도록 학습함으로써, 오차를 최소화하는 모델 파라미터(10)를 탐색하고, 이 모델 파라미터(10)를 도 1 또는 도 6과 같은 검사 구성에 사용함으로써, 결함을 포함하는 검사 화상에 기초하여, 정상 회로의 촬상 화상이 취할 수 있는 휘도값 분포를 통계량 추정부(13)에서 추정하여 검사하는 것이 가능하게 된다.
특히, 결함 화상과, 동일한 패턴을 갖는 다른 지점을 촬상한 정상 화상의 페어가 입수 가능한 경우에는, 본 실시예(도 12)의 구성에 의한 모델 파라미터(10)의 탐색이 적합하다.　또한, 그러한 페어의 입수가 곤란한 경우에는, 실시예 1(도 3)의 구성에 의한 모델 파라미터(10)의 탐색이 적합해지는 경우가 있다.
[실시예 5]
본 발명의 실시예 5에 관한 결함 검사 장치를, 도 13을 사용하여 설명한다.　이하에서는, 실시예 1과 공통되는 부분에 대해서는 설명을 생략하는 경우가 있다.
실시예 5와 실시예 1의 차이로서, 실시예 5에서는, 결함 검사 장치가 새롭게 패턴 위치 적합부(51)를 구비한 것에 있다.　패턴 위치 적합부(51)는 참조 화상(1)에 관한 화상 통계량에 대하여, 참조 화상(1)에 대하여 위치 정렬함으로써, 통계량 추정부(13)로부터 추정된 휘도값 분포 중의 회로 위치를, 검사 화상에 맞추어 보정한다.　이 보정 방법으로서는 일반적인 화상 처리의 패턴 매칭 방법을 사용해도 되고, 심층 학습을 사용하여 회로 패턴에 따른 어긋남양을 사전에 학습해도 된다.　위치를 보정한 후의 휘도값 분포와 검사 화상(2)을 비교함으로써 결함을 검사한다.
본 실시예의 효과에 대하여 설명한다.　화상 정보 삭감부(12)에 있어서 참조 화상(1)의 특징량을 이산화함으로써 정보를 삭감할 때, 반도체 회로의 위치에 관한 정보도 일부 소실되는 경우가 있다.　패턴 위치 적합부(51)에서 이 위치 정보의 소실에 의한 휘도값 분포의 위치 어긋남을 보정함으로써, 검사 성능을 향상시킬 수 있다.
[기타의 실시예]
상기 각 실시예 중에서는, 반도체의 결함 검사를 예로 들어 설명했지만, 다른 산업 기기에 있어서의 화상을 사용한 결함 검사나 이물 검지에도, 각 실시예에 관한 결함 검사 장치를 적용할 수 있다.
1: 참조 화상(촬상 화상)
2: 검사 화상(촬상 화상)
3: 학습 화상(제1 학습 화상, 제2 학습 화상)
4: 정상 화상(제1 학습 화상, 제2 학습 화상)
5: 결함 화상(제1 학습 화상)
10: 모델 파라미터
11: 특징량 계산부
12: 화상 정보 삭감부
13: 통계량 추정부
14: 결함 검출부
15: 검출 결과
21: 이산 표현 계산부
22: 잠재 표현 계산부
23: 특징 벡터
31: 모델 평가부
32: 모델 파라미터 갱신량 계산부
41: 의사 결함 작성용 화상 정보 삭감부
42: 화상 정보 조작부
51: 패턴 위치 적합부
301: 학습 화상
302: 이산화 화상
303: 화상 통계량
401: 검사 화상
402: 화상 통계량
501: 정상 화상
502: 이산화 화상
503: 조작 후 이산화 화상
504: 화상 통계량

Claims (10)

  1. 시료의 촬상 화상에 기초하여, 특징량을 산출하는 특징량 계산부와,
    상기 특징량의 정보량을 삭감함으로써, 잠재 변수를 생성하는 화상 정보 삭감부와,
    상기 잠재 변수에 기초하여, 정상적인 화상이 취할 수 있는 화상 통계량을 추정하는 통계량 추정부와,
    상기 화상 통계량과, 시료의 검사 화상에 기초하여, 상기 검사 화상에 있어서의 결함을 검출하는 결함 검출부를
    구비하는 것을 특징으로 하는 결함 검사 장치.
  2. 제1항에 있어서,
    상기 촬상 화상은 상기 검사 화상인 것을 특징으로 하는, 결함 검사 장치.
  3. 제1항에 있어서,
    상기 화상 정보 삭감부는, 상기 특징량의 적어도 일부를, 복수의 이산 표현 중 적어도 하나의 이산 표현으로 치환함으로써, 상기 특징량의 정보량을 삭감하는 것을 특징으로 하는, 결함 검사 장치.
  4. 제1항에 있어서,
    상기 특징량 계산부, 상기 화상 정보 삭감부, 및 상기 통계량 추정부는, 기계 학습에 의해 파라미터를 학습한 학습 완료 모델이며,
    상기 결함 검사 장치는,
    시료의 촬상 화상인 제1 학습 화상에 기초하여 추정된 상기 화상 통계량과, 시료의 촬상 화상인 제2 학습 화상에 기초하여, 오차를 평가하는 모델 평가부와,
    상기 오차에 기초하여, 상기 특징량 계산부, 상기 화상 정보 삭감부, 상기 통계량 추정부의 모델 파라미터의 갱신량을 계산하는, 모델 파라미터 갱신량 계산부를
    구비하는 것을 특징으로 하는, 결함 검사 장치.
  5. 제4항에 있어서,
    상기 화상 정보 삭감부는,
    상기 제1 학습 화상에 관한 특징량에 기초하여, 복수의 이산 표현 중에서 제1 이산 표현을 선택하고,
    상기 제1 학습 화상에 관한 상기 특징량의 적어도 일부를, 상기 제1 이산 표현과는 다른 제2 이산 표현으로 치환함으로써, 상기 제1 학습 화상에 관한 특징량의 정보량을 삭감하는 것을 특징으로 하는, 결함 검사 장치.
  6. 제1항에 있어서,
    상기 촬상 화상에 관한 상기 화상 통계량에 대하여, 상기 촬상 화상에 대하여 위치 정렬하는 패턴 위치 적합부를 구비하는 것을 특징으로 하는, 결함 검사 장치.
  7. 제1항에 있어서,
    상기 화상 정보 삭감부는, 상기 특징량 중, 화상 중의 노이즈 및 제조 오차에 관한 정보를 삭제하는 것을 특징으로 하는, 결함 검사 장치.
  8. 제1항에 있어서,
    상기 화상 정보 삭감부는, 상기 특징량 중, 화상 중의 왜곡, 휘도 불균일, 또는 디포커스에 관한 정보를 삭제하지 않는 것을 특징으로 하는, 결함 검사 장치.
  9. 제4항에 있어서,
    상기 제1 학습 화상 및 상기 제2 학습 화상은 서로 동일한 화상인 것을 특징으로 하는, 결함 검사 장치.
  10. 제4항에 있어서,
    상기 제1 학습 화상은 시료의 결함을 포함하는 화상이며, 상기 제2 학습 화상은 정상적인 시료의 화상인 것을 특징으로 하는, 결함 검사 장치.
KR1020230064151A 2022-06-13 2023-05-18 결함 검사 장치 KR20230171378A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JPJP-P-2022-094797 2022-06-13
JP2022094797A JP2023181587A (ja) 2022-06-13 2022-06-13 欠陥検査装置

Publications (1)

Publication Number Publication Date
KR20230171378A true KR20230171378A (ko) 2023-12-20

Family

ID=89076677

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230064151A KR20230171378A (ko) 2022-06-13 2023-05-18 결함 검사 장치

Country Status (5)

Country Link
US (1) US20230402249A1 (ko)
JP (1) JP2023181587A (ko)
KR (1) KR20230171378A (ko)
CN (1) CN117233192A (ko)
TW (1) TW202349288A (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115280334A (zh) * 2020-03-31 2022-11-01 株式会社日立高新技术 错误原因的推定装置以及推定方法
CN116057546A (zh) * 2020-09-17 2023-05-02 株式会社日立高新技术 错误原因的推断装置和推断方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020250373A1 (ja) 2019-06-13 2020-12-17 株式会社日立ハイテク 画像処理プログラム、画像処理装置および画像処理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020250373A1 (ja) 2019-06-13 2020-12-17 株式会社日立ハイテク 画像処理プログラム、画像処理装置および画像処理方法

Also Published As

Publication number Publication date
JP2023181587A (ja) 2023-12-25
CN117233192A (zh) 2023-12-15
TW202349288A (zh) 2023-12-16
US20230402249A1 (en) 2023-12-14

Similar Documents

Publication Publication Date Title
KR102513717B1 (ko) 픽셀 레벨 이미지 정량화를 위한 딥 러닝 기반 결함 검출 및 분류 스킴의 사용
US11275361B2 (en) Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
KR20230171378A (ko) 결함 검사 장치
JP6420529B2 (ja) パッチ・ツー・パッチ比較を含む欠陥検出のための装置及び方法
KR20180095715A (ko) 웨이퍼 이미지 데이터와 함께 설계 데이터를 사용하는 반도체 웨이퍼 검사기들의 결함 감도 개선
JP2019091249A (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
WO2021192376A1 (ja) 外観検査システムおよびコンピュータプログラム
KR20220022091A (ko) 검사 레시피의 자동 최적화
JP4970569B2 (ja) パターン検査装置およびパターン検査方法
JP7536881B2 (ja) 半導体試料の試験
KR20220143644A (ko) 시편의 검사를 위한 결함 위치의 결정
CN110582842B (zh) 依据光学检验结果进行计量导引检验样品成形
WO2019006222A1 (en) SYSTEMS AND METHODS FOR PREDICTING DEFECTS AND CRITICAL DIMENSION USING DEEP LEARNING IN A SEMICONDUCTOR MANUFACTURING PROCESS
JP4629086B2 (ja) 画像欠陥検査方法および画像欠陥検査装置
JP6668199B2 (ja) マスク検査方法
TWI845970B (zh) 檢查裝置及計測裝置
US12099017B2 (en) Inspection system, inspection method, and inspection program
KR102589631B1 (ko) 뉴슨스 맵에 기반한 광대역 플라즈마 검사
TW202424468A (zh) 用於半導體應用之基於深度學習模型之對準
TW202326533A (zh) 圖像檢查裝置，圖像處理方法
WO2024160623A1 (en) Computer implemented method for the detection of defects in an imaging dataset of an object comprising integrated circuit patterns, computer-readable medium, computer program product and a system making use of such methods
JP2022182497A (ja) 参照画像生成方法及びパターン検査装置