TW202102814A - 尺寸測量裝置、尺寸測量程式及半導體製造系統 - Google Patents

尺寸測量裝置、尺寸測量程式及半導體製造系統 Download PDF

Info

Publication number
TW202102814A
TW202102814A TW109114118A TW109114118A TW202102814A TW 202102814 A TW202102814 A TW 202102814A TW 109114118 A TW109114118 A TW 109114118A TW 109114118 A TW109114118 A TW 109114118A TW 202102814 A TW202102814 A TW 202102814A
Authority
TW
Taiwan
Prior art keywords
image
aforementioned
size
cross
coordinates
Prior art date
Application number
TW109114118A
Other languages
English (en)
Other versions
TWI733425B (zh
Inventor
奧山裕
大森健史
豊田康
Original Assignee
日商日立全球先端科技股份有限公司
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 日商日立全球先端科技股份有限公司 filed Critical 日商日立全球先端科技股份有限公司
Publication of TW202102814A publication Critical patent/TW202102814A/zh
Application granted granted Critical
Publication of TWI733425B publication Critical patent/TWI733425B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67276—Production flow monitoring, e.g. for increasing throughput
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Multimedia (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Image Analysis (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本揭示關於縮短尺寸測量需要的時間及排除作業員引起的誤差之尺寸測量裝置。因此，使用遍及斷面圖像整體將加工構造與背景之間之境界線及/或異種材料間之界面之境界線予以抽出的第1圖像辨識模型；及針對從第1圖像辨識模型獲得的遍及斷面圖像整體之境界線，按構成重複圖案的每一個單位圖案進行區分之資訊予以輸出的第2圖像辨識模型，來計算每一個單位圖案事先定義的複數個特徵點的座標，對作為複數個特徵點之中之規定之2點間之距離而定義的尺寸進行測量。

Description

尺寸測量裝置、尺寸測量程式及半導體製造系統
本發明關於對基於處理裝置的處理結果進行測量的尺寸測量裝置、尺寸測量程式以及具有尺寸測量裝置與處理條件探索裝置的半導體製造系統。
近年來，為了半導體元件之性能提升，於半導體元件導入新材料，同時半導體元件之構造變為立體化･複雜化。又，現在之先端半導體元件之加工中要求奈米級之精度。因此，半導體處理裝置需要可以將多種材料以極高精度加工成為各種形状，必然地成為具備多個控制參數(輸入參數)的裝置。
代表的半導體處理裝置亦即蝕刻裝置中，為了控制電漿放電之設定項目數有30以上。將固定彼等之設定值時之放電設為1步驟時，逐步切換具有不同設定值的步驟而進行加工。先端製程中，在1個加工工程中通常都有10步驟以上，多的情況下使用30步驟以上，為了使步驟之組合及步驟內之全部設定值最佳化而進行數百條件之加工試驗。具備導引出裝置性能之訣竅與高超的裝置運用技巧的工程師之人數有限，預想到今後條件導出或裝置運用無法如預定般進展之狀況會增加。
針對該課題，專利文獻1中提案自動探索最佳的加工條件之方法。藉此，和依賴工程師的試行錯誤的習知手法比較，可以削減各段之工時。
又，專利文獻2、專利文獻3揭示的先前技術文獻係針對來自圖案之斷面圖像進行尺寸測量。專利文獻2為，從圖像的亮度值求出輪廓線，使用圖案斷面的上部與下部的2點的座標值，藉由手動除去斷面SEM(Scanning Electron Microscope)圖像特有的白影部分的信號成分，來提升側壁角度的測量精度。專利文獻3為，從斷面SEM圖像的亮度值的變化求出邊緣點，推論出與圖案之各邊近似的直線，藉此來減少各邊的角度･長度的測定中之作業員依賴。 先前技術文獻 專利文獻
專利文獻1：特開2018-49936號公報 專利文獻2：特開2012-68138號公報 專利文獻3：特開2002-350127號公報
[發明所欲解決之課題]
專利文獻1的方法中，計算時間以外花費工時者為從斷面SEM圖像的尺寸測量工程。現狀為多數以手作業進行尺寸測量，適用先端製程的情況下構造變為複雜，每1片圖像的測定點數亦增加，以人工進行的尺寸抽出正瀕臨到達界限。
又，為了在短期間構築實現期待的構造之製程，需要從既存的巨大的實驗資料之中檢索･參照類似的構造，此時需要加工形狀已被數值化的資料庫。但是，現狀中構造的數值化多數藉由手作業進行。還有，在進行條件導出的中途，若發現比起當初計畫的位置更重要的測量部位的情況下，需要全部圖像的再測量。若能自動進行尺寸抽出，可以大幅縮短所要時間，而且可以把握更正確的加工形狀。又，藉由將抽出結果以圖像予以顯示輸出，即可視覺上判斷抽出有否問題。如此般自動化的優點非常大。
手動測量中測量值會產生作業員依賴性。又，即使是線條/間隔的單位圖案重複的圖像中，因為對各個圖案之每一個進行1個1個測量，因此測量值的統計量除了製程誤差以外亦存在加計人為誤差等的課題。
專利文獻2或專利文獻3揭示的手法，為了某種程度減少作業員依賴性而伴隨著基於目視的操作，但依然殘留作業員依賴性。又，為了一邊觀察1片片圖像一邊進行測量，而需要作業時間。另外，日後欲追加･變更尺寸測量部位之情況下，需要從最初修正圖像取得，從圖像以目視進行測量。
斷面SEM圖像存在著，亮度因每一圖像而不同的映現有尺寸測量上不必要的深度構造索引起的欲測量尺寸的異種材料界面之境界不清楚等測長SEM(Critical Dimensional SEM)圖像中不存在的尺寸測量之困難度。因此，在依據使用亮度值的邊緣檢測法的專利文獻2及專利文獻3的方法中，或者需要依每一圖像進行臨界值等的參數調整，或者需要以目視來判斷並指定界面位置等的操作。為了實現不需要目視調整之完全自動測量，不是藉由局部性亮度分布，而是需要藉由辨識映射於圖像的各個物體的區域來抽出物體的輪廓。具有與這樣的目視同等或其以上之性能的圖像辨識，可以考慮應用機械學習、尤其是應用使用深度學習的圖像辨識技術來實現。
本發明之目的為使用機械學習，尤其是使用基於深度學習的圖像辨識技術，從斷面SEM圖像自動測量期待的尺寸，來實現尺寸測量時間之縮短以及不包含作業員引起的誤差之測量方法。 [解決課題的手段]
本發明之一態樣的尺寸測量裝置，係從具有重複圖案的半導體元件之斷面圖像對半導體元件之尺寸進行測量者，該尺寸測量裝置具有：處理器；記憶體；及尺寸測量程式，儲存於記憶體，藉由處理器之執行而對半導體元件之尺寸進行測量；尺寸測量程式具有模型推定部、及尺寸測量部，模型推定部，係藉由第1圖像辨識模型輸出針對斷面圖像按區域別附加有標籤的附加標籤圖像，藉由第2圖像辨識模型輸出在斷面圖像中構成重複圖案的單位圖案各自所位處的座標，尺寸測量部，係使用附加標籤圖像及單位圖案各自所位處的座標，計算每一個單位圖案事先已定義的複數個特徵點的座標，對作為複數個特徵點之中之規定的2點間之距離而定義的尺寸進行測量。
又，本發明之另一態樣的尺寸測量裝置，係從具有重複圖案的半導體元件之斷面圖像對半導體元件之尺寸進行測量者，該尺寸測量裝置具有：處理器；記憶體；及尺寸測量程式，儲存於記憶體，藉由處理器之執行而對半導體元件之尺寸進行測量；尺寸測量程式具有模型推定部、及尺寸測量部，模型推定部，係藉由第1圖像辨識模型輸出針對斷面圖像在輪廓線與背景附加有標籤的第1附加標籤圖像，藉由第2圖像辨識模型輸出斷面圖像中在構成重複圖案的單位圖案中所定義的第1複數個特徵點與背景被附加有標籤的第2附加標籤圖像，尺寸測量部，係使用來自第1附加標籤圖像的輪廓線之座標及來自第2附加標籤圖像的第1複數個特徵點的座標計算第2複數個特徵點的座標，針對作為第1複數個特徵點之中之規定之點與第2複數個特徵點之中之規定之點之間的距離而定義的尺寸進行測量。 發明效果
可以實現減少了作業員依賴性的高速的尺寸測量。前述以外之課題、構成及效果可以藉由以下之實施例之說明加以理解。
本實施例中設為，為了從具有重複圖案的半導體元件之斷面圖像來測量半導體元件之尺寸而使用2個圖像辨識模型者。又，此處半導體元件不僅包含完成品，亦包含加工中途之半導體元件，而不論是晶圓之狀態或分離成為各個晶片之狀態。第1圖像辨識模型，係將遍及斷面圖像整體的加工構造與背景之間之境界線及/或異種材料間之界面之境界線進行抽出的圖像辨識模型。第2圖像辨識模型，係將按照構成重複圖案的每一個單位圖案針對從第1圖像辨識模型獲得的遍及斷面圖像整體之境界線進行區分用之資訊予以輸出的圖像辨識模型。藉此，不必要作業員之基於目視的調整，可以從斷面SEM圖像自動測量規定之尺寸值。
以下，依據添付圖面說明本發明之實施形態。 實施例1
實施例1中使用2種類之圖像辨識技術，亦即為了抽出加工構造與背景之間之境界線及異種材料間之界面之境界線之座標而使用語義分割模型(第1圖像辨識模型)，為了對單位圖案之座標進行檢測而使用物體檢測模型(第2圖像辨識模型)。
於事前之學習步驟中，係對語義分割模型賦予輸入資料亦即斷面SEM圖像、以及輸出資料亦即按每一區域被彩色分類的註解圖像作為教師資料，對區域之形狀進行學習。又，對物體檢測模型賦予輸入資料亦即斷面SEM圖像、以及輸出資料亦即記述有單位圖案之座標(藉由包圍圖案的矩形之邊界框進行指定)的註解資料作為教師資料，以使學習單位圖案形狀。
於推論步驟中，針對被賦予的輸入圖像，在學習完畢語義分割模型中按每一區域對彩色分類的圖像進行推論，在學習完畢物體檢測模型中對單位圖案之座標進行推論。
於測量步驟中，針對從按每一區域被彩色分類的圖像所獲得的區域境界線之座標，使用單位圖案座標按每一圖案進行分割，計算尺寸測量所必要的特徵點的座標，藉此而對期待的部位之尺寸進行自動測量。
圖1係表示半導體製造系統之系統構成例的圖。半導體製造系統10具有：處理條件探索裝置100；輸入裝置103；輸出裝置114；處理裝置111；評估裝置112；尺寸測量裝置200；及輸出入裝置206。使用者選擇目標處理結果(加工形狀)及處理裝置111所使用的參數101並從輸入裝置103輸入，可以從輸出裝置114輸出賦予目標加工形狀的最佳處理條件102。
處理條件探索裝置100，係從輸入裝置103受理目標加工形狀101，並探索出處理裝置111可以獲得最佳的目標加工形狀之處理條件，將探索出的處理條件輸出至輸出裝置114的裝置。
輸入裝置103具備GUI等的輸入介面與讀卡器等的記憶媒體讀出裝置，將資料輸入至處理條件探索裝置100。又，不僅從使用者，亦從輸出入裝置206同樣受理尺寸測量值，輸入至處理條件探索裝置100。輸入裝置103例如包含鍵盤、滑鼠、觸控面板、記憶媒體讀出裝置等。
輸出裝置114係以從處理條件探索裝置100傳遞的處理條件作為最佳處理條件102並對使用者進行顯示。作為顯示的手段有顯示器之顯示或寫入檔案等。輸出裝置114例如包含顯示器、印表機、記憶媒體寫入裝置等。
處理裝置111為對半導體或包含半導體的半導體元件進行處理的裝置。處理裝置111之處理內容無特別限定。例如包含微影成像裝置、成膜裝置、圖案加工裝置。微影成像裝置例如包含曝光裝置、電子線描繪裝置、X線描繪裝置。成膜裝置例如包含CVD(Chemical Vapor Deposition)、PVD(Physical Vapor Deposition)、蒸鍍裝置、濺鍍裝置、熱氧化裝置。圖案加工裝置例如包含濕蝕刻裝置、乾蝕刻裝置、電子束加工裝置、雷射加工裝置。處理裝置111，係依據從處理條件探索裝置100輸入的處理條件進行半導體或半導體元件之處理，傳遞至評估裝置112。
評估裝置112，係對處理裝置111中已處理的半導體或半導體元件之斷面進行攝影，取得處理結果亦即斷面圖像208。評估裝置112包含使用SEM、TEM(Transmission Electron Microscope)、光學式監控器的加工尺寸測量裝置。將處理裝置111中已處理的半導體或半導體元件之一部分取出作為斷片，將該斷片搬運至評估裝置112進行測量亦可。取得的斷面圖像208被傳遞至輸出入裝置206。
尺寸測量裝置200具有中央處理部201、模型學習部202、模型推論部203、尺寸測量部204及資料庫205。接受經由輸出入裝置206輸入的特徵點與尺寸之定義、倍率、學習資料集209以及斷面圖像208，從斷面圖像208測量規定之尺寸並輸出至輸出入裝置206。
輸出入裝置206，係具備GUI等的輸出入介面與讀卡器等記憶媒體讀出裝置，對尺寸測量裝置200輸入特徵點與尺寸之定義、倍率、學習資料集209。又，從評估裝置112接受斷面圖像208，傳遞至中央處理部201。輸出入裝置206例如包含鍵盤、滑鼠、顯示器、觸控面板、記憶媒體讀出裝置等，將從尺寸測量裝置200傳遞的尺寸值顯示給使用者或直接傳送至輸入裝置103。對使用者進行顯示之情況下，其手段有對顯示器之顯示或寫入檔案等。
圖2係表示處理條件探索裝置100之系統構成例的圖。處理條件探索裝置100具有：中央處理部104；資料庫105；初期處理條件設定部106；目標設定部107；模型學習部108；處理條件探索部109；裝置控制部110；及收斂判斷部113。
圖3係表示尺寸測量裝置200之硬體構成的方塊圖。尺寸測量裝置200係從評估裝置112經由輸出入裝置206輸入的斷面圖像208對尺寸進行測量，並將測量結果輸出至輸出入裝置206。尺寸測量裝置200具有：處理器116；通信介面115；ROM117；及RAM118。通信介面115係將處理器116與外部之輸出入裝置206予以連接。處理器116將通信介面115、ROM117、RAM118予以連接。於ROM117儲存有在處理器116中執行的處理程式。於RAM118儲存有學習資料或學習模型、特徵點與尺寸之定義、倍率等。
又，在與圖1所示尺寸測量裝置200之對應中，資料庫205安裝為ROM117及RAM118，模型學習部202、模型推論部203、尺寸測量部204係作為儲存於ROM117及RAM118的程式及參數而安裝。
圖4係表示尺寸測量裝置200之模型學習部202及模型推論部203所使用的語義分割模型之構成之一例。又，本例中說明使用神經網路(Neural Network)20之例，但不限定於此，亦可以使用決策樹(decision tree)等的機械學習之模型。神經網路中，輸入至輸入層的像素資訊，係依據中間層、輸出層之順序傳播進行運算，藉此而從輸出層輸出各像素所屬的區域之標籤編號。中間層係由卷積層(Convolution Layer)、池化層(Pooling Layer)等多數層重複而成。具體的層構造因採用的模型而不同。已學習時所輸出的各像素之標籤與正解亦即註解資料間之誤差成為最小的方式來調整中間層之參數。
圖5係表示尺寸測量裝置200之模型學習部202及模型推論部203所使用的物體檢測模型之構成之一例。又，本例中對使用神經網路30之例進行說明，但不限定於此，亦可以使用模板匹配(Template Matching)等的其他模型。神經網路中，輸入至輸入層的像素資訊依中間層、輸出層之順序傳播而進行運算，藉此，而從輸出層輸出包含於圖像的物體的標籤編號及邊界框之座標值。中間層係由卷積層、池化層等多數層重複而成。具體的層構造因採用的模型而不同。以學習時所輸出的物體的標籤編號及邊界框之座標值與正解亦即註解資料間之誤差成為最小的方式來調整中間層之參數。
圖6係表示尺寸測量裝置200執行的從輸入圖像對必要的尺寸進行測量為止的流程圖。
首先，事先作成應被輸入至尺寸測量裝置200的學習資料集209。學習資料集除了輸入資料亦即斷面SEM圖像以外，亦作成：成為輸出資料的針對物體檢測模型記述有包圍單位圖案的邊界框之座標的註解資料209，及成為輸出資料的針對語義分割模型按每一區域已被彩色分類的註解圖像209之組，從輸出入裝置206輸入彼等學習資料集(步驟S100)。輸入的學習資料集係保存於資料庫205。
接著，中央處理部201將學習資料集與模型從資料庫205傳送至模型學習部202，於模型學習部202進行2個模型之學習(步驟S101)。已學習的模型之參數被保存於資料庫205。以下之說明中，作為模型係說明使用具有卷積層或池化層的神經網路之情況，但作為物體檢測模型亦可以使用模板匹配等，作為語義分割模型亦可以使用決策樹等的機械學習之模型。
接著，於推論步驟中，從輸出入裝置206輸入欲測量尺寸的測試圖像(步驟S104)。同時，尺寸測量所必要的特徵點的定義209及進行測量的尺寸之定義209經由輸出入裝置206儲存於資料庫205(步驟S102、S103)。輸入圖像的倍率，係藉由儲存圖像的文件夾名進行判斷。例如若倍率為100k倍則文件夾名設為100k。各圖像的倍率資訊保存於資料庫205。中央處理部201將模型與參數從資料庫205傳遞至模型推論部203，而且傳遞輸入的測試圖像，於模型推論部203進行推論(步驟S105)，獲得圖案檢測結果亦即邊界框座標與語義分割圖像(步驟S106)。
接著，於測量步驟中，中央處理部201將邊界框座標與語義分割圖像傳遞至尺寸測量部204，從語義分割圖像計算境界線之座標。接著，按每一圖案分割境界線座標，叫出儲存於資料庫205的某一特徵點的定義計算特徵點的座標，叫出尺寸之定義並計算主要尺寸(步驟S107)。獲得的尺寸的單位為像素數，因此叫出儲存於資料庫205的倍率轉換為實際尺寸(步驟S108)。將測量出的尺寸值輸出至輸出入裝置206，並將每一圖案之境界線座標資料保存於資料庫205(步驟S109)。
再者，欲新追加尺寸測量部位之情況下，從輸出入裝置206輸入尺寸測量所必要的新的特徵點之定義209及新的尺寸測量部位之定義209，並儲存於資料庫205(步驟S110、S111)。
接著，對新的尺寸測量部位之指定之有無進行判斷(步驟S112)，無指定的話跳過尺寸測量處理。有指定的話，讀出儲存於資料庫205的每一圖案之境界線之座標資料計算尺寸(步驟S114)，藉由尺度轉換(scale transformation)為實際尺寸(步驟S115)後，將測量出的尺寸值輸出至輸出入裝置206(步驟S116)。
此處，欲進行加工形狀之探索之情況下輸入目標尺寸值(步驟S117)。中央處理部201判斷形狀探索之指定之有無(步驟S118)，無指定的話，結束尺寸測量處理(步驟S119)。有指定的話，對儲存於資料庫205的全部圖像的尺寸值進行探索(步驟S120)，將與輸入的尺寸接近的形狀輸出至輸出入裝置206(步驟S121)。以上，結束處理(步驟S122)。
圖7為半導體製造系統10中處理條件探索裝置100執行的從目標處理結果(目標輸出參數值)確定處理裝置111之最佳處理條件的流程圖。
首先，關於處理裝置111進行的處理，從輸入裝置103將設為目標的目標處理結果(目標輸出參數值)及作為控制處理裝置111的參數而選擇的輸入參數101傳遞至中央處理部104(步驟S200)。
接著，中央處理部104將接受到的目標輸出參數值與選擇的輸入參數(加工條件參數)儲存於資料庫105，並且將選擇的輸入參數傳遞至初期處理條件設定部106。於初期處理條件設定部106中，依據傳遞的輸入參數從資料庫105讀取輸入參數之設定可能範圍之資料，對初期處理條件進行自動設定(步驟S201)。中央處理部104將設定的初期處理條件儲存於資料庫105，並且將初期處理條件傳遞至裝置控制部110。
裝置控制部110將初期處理條件傳送至處理裝置111。或者，使用者將裝置控制部110所輸出的初期處理條件輸入至處理裝置111亦可。處理裝置111依據輸入的初期條件進行處理，於評估裝置112中進行評估，經由輸出入裝置206將評估結果亦即斷面圖像208傳遞至尺寸測量裝置200。尺寸測量裝置200中算出的尺寸值(目標輸出參數值)係經由輸出入裝置206輸入至輸入裝置103。中央處理部104從輸入裝置103接受初期處理結果(步驟S202)。中央處理部104將初期處理條件與初期處理結果傳遞至收斂判斷部113。
收斂判斷部113，係將初期處理結果與目標處理結果進行比較，判斷在規定之精度內是否收斂於目標處理結果(步驟S203)。收斂的話將收斂於目標處理結果的初期處理條件傳遞至輸出裝置114，輸出裝置114作為最佳處理條件102予以輸出(步驟S210)。
在輸出參數值(處理結果)之收斂性之判斷上，可以使用(數1)所提供的與使用的全部輸出參數相關的輸出參數值與目標輸出參數值之誤差之平方和(sum of squares)。
[數1]
Figure 02_image001
其中，NP圍使用的輸出參數之總數，xi 為第i編號之目標輸出參數值，yi 為第i編號之輸出參數值(實測值)，Wi 為使用者按每一輸出參數指定的權重。
另一方面，若未收斂則將繼續處理的指令從收斂判斷部113傳送至中央處理部104，中央處理部104於資料庫105中作成由初期處理條件(初期輸入參數值)與初期處理結果(初期輸出參數值形成的初期學習資料(步驟S204)。
接著，中央處理部104從資料庫105讀取目標輸出參數值(目標處理結果)與初期學習資料並傳遞至目標設定部107。目標設定部107對目標處理結果(目標輸出參數值)進行設定(步驟S205)。設定的目標輸出參數值被傳遞至中央處理部104，儲存於資料庫105。目標設定部107從既存的學習資料之中選出與目標輸出參數值最接近的最佳資料(輸出參數值(實測值))，此時藉由對最佳的輸出參數值與目標輸出參數值之間實施內插法來設定目標輸出參數值。設定的目標之個數只要1個以上也可以是幾個，考慮到效率較好是設定複數個例如設定4~5個左右。
接著，中央處理部104從資料庫105讀取初期學習資料，將初期學習資料傳送至模型學習部108。模型學習部108學習對輸入參數值(處理條件)與輸出參數值(處理結果)賦予了關係的預測模型(步驟S206)。作為預測模型可以使用神經網路、支援向量機(support vector machine)、核函数(kernel methods)等。學習的預測模型係被傳遞至處理條件探索部109。
接著，處理條件探索部109使用從模型學習部108傳遞的預測模型及針對從資料庫105讀出的輸入參數之限制條件，探索對於將資料庫105讀出的目標輸出參數值及目標輸出參數值的處理條件(步驟S207)。預測模型中被輸入處理條件，輸出處理結果，因此從處理結果逆向計算處理條件時可以使用模擬退火法(Simulated Annealing)、遺傳運算法(Genetic Algorithm)等各種之最佳解探索手法。處理條件探索部109將探索出的處理條件(目標輸入參數值)傳遞至裝置控制部110，並且經由中央處理部104儲存於資料庫105。
裝置控制部110係將傳遞來的處理條件(目標輸入參數值)傳送至處理裝置111。或者由使用者將裝置控制部110所輸出的處理條件輸入至處理裝置111亦可。處理裝置111依據輸入的初期條件進行處理，於評估裝置112中進行評估，將評估結果亦即斷面圖像208經由輸出入裝置206傳遞至尺寸測量裝置200。尺寸測量裝置200中算出的尺寸值(目標輸出參數值)係經由輸出入裝置206輸入至輸入裝置103。中央處理部104從輸入裝置103接受處理結果(目標輸出參數值)(步驟S208)。中央處理部104將處理條件(目標輸入參數值)與處理結果(目標輸出參數值)傳遞至收斂判斷部113。
收斂判斷部113將處理結果(輸出參數值(實測值))與目標處理結果(目標輸出參數值)進行比較，判斷在規定之精度內是否收斂於目標處理結果(步驟S209)。收斂的話將已收斂於目標處理結果的處理條件傳遞至輸出裝置114，輸出裝置114將其作為最佳處理條件102予以輸出(步驟S210)。
另一方面，若未收斂則從收斂判斷部113對中央處理部104傳送繼續處理的指令，中央處理部104則於資料庫105之學習資料集中追加，針對新探索出的目標處理結果與目標處理結果的處理條件(輸入參數值)與處理結果(輸出參數值(實測值))之組作為追加學習資料，藉此而更新學習資料集(步驟S204)。
以下，在處理結果收斂至目標處理結果為止重複進行學習資料集之作成･更新(步驟S204)~收斂判斷(步驟S209)之推論步驟。如此般，自主性探索出實現目標處理結果的最佳處理條件。
以上為具備處理條件探索裝置100與尺寸測量裝置200的半導體製造系統10整體之處理流程。
以下說明處理裝置111為蝕刻裝置之情況之例。
圖8係表示學習資料集之中之成為輸入資料集的斷面SEM圖像的例。該圖像的大小為1280×960像素。樣品為線/間距的單位圖案重複而成的溝槽(trench)構造，區域係由背景300、遮罩301、基板302之3個區域形成。
圖9係尺寸測量部位之例。該例中，尺寸測量部位設定為(1)L1：遮罩上面之寬度305，(2)L2：遮罩/基板界面之寬度306，(3)L3：基板最窄部之寬度307，(4)L4：遮罩之高度308，(5)L5：溝槽之深度309之5個部位。又，遮罩上面之寬度305定義為成為凸狀的2個峰位置之間隔。僅有1個峰位置的形狀之情況下寬度設為0。圖中之A至G之7個點為尺寸測量所使用的境界線上之特徵點，使用僅可以由境界線資料唯一定義之點。例如A、B係成為遮罩上面之峰之點等。特徵點A~G之定義及尺寸L1~L5與特徵點A~G之對應關係(L1：A、B，L2：C、D等)係由使用者經由輸出入裝置206輸入，儲存於資料庫205。具體言之，將記述有特徵點與尺寸之定義的腳本予以儲存。特徵點與測量尺寸之個數･位置可以對應於測量對象之構造適當地設定。
圖10係對學習資料集之中之成為輸出資料集的註解資料之中，賦予物體檢測模型的註解資料中所記述的邊界框之座標之定義進行說明之圖。針對被圖中所示框線(邊界框)包圍的線/間距之重複的單位構造亦即由遮罩與基板之一部分形成的區域，將其定義為「圖案」之標籤名。該例中，標籤僅有1種類，因此，標籤編號為0。圖10存在5個圖案。邊界框之座標以圖像的左上作為原點，水平方向取X軸，垂直方向取Y軸。邊界框之Y軸方向之境界，係以完全包含遮罩上部與溝槽底的方式，設定於分別持有數像素之餘裕度的位置。邊界框為矩形，因此界定位置時，取左上與右下之2個座標即可。
圖11為與圖10對應的註解資料之記載例之摘錄。僅摘錄成為必須之項目。該例中資料係以xml格式記述，但主要是使用的物體檢測模型設想的格式可以任意。針對在標籤＜folder＞~＜/folder＞儲存有圖像檔案的文件夾名，在標籤＜filename＞~＜/filename＞予以記載圖像檔案名。標籤＜object＞~＜/object＞為記載與邊界框相關之資訊的部位，重複包含於圖像中的邊界框之個數分。其中之標籤＜name＞~＜/name＞為指定標籤名之部位。記載於標籤＜bndbox＞~＜/bndbox＞的4個數值為，第1個邊界框之左上與右下之點的座標。註解資料係藉由手作業作成，但亦可以使用學習完畢之物體檢測模型作成。
圖12係學習資料集之中之成為輸出資料集註解資料之中，與語義分割模型對應之註解資料之例。註解資料係使用専用軟體藉由手作業作成，但亦可以使用學習完畢之語義分割模型作成。資料為按照區域別實施彩色分類的圖像。其中，區域包含設為測定對象的構成半導體元件之斷面的各層及半導體元件之斷面以外之背景。該例中係由背景310、作為構成半導體元件之斷面的各層之遮罩311及基板312之3個區域形成。3個區域之標籤名分別為「背景」、「遮罩」、「基板」，色彩分別為黑、灰、白。
圖13係標籤名、標籤編號、色彩之對應關係，儲存於資料庫205。賦予各標籤的標籤編號與色彩為任意，但在尺寸測量裝置200內需要固定。
圖14係進行學習步驟時輸出入裝置206所顯示的GUI畫面之一例。畫面包含輸入資料視窗323、註解資料視窗331、及終端視窗339。於輸入資料視窗323中，藉由下載按鈕(Load)320選擇儲存有學習資料集之輸入資料集的文件夾。藉由選取按鈕(Select)321選擇欲顯示於輸入資料視窗323的圖像檔案。藉由清除按鈕(Clear)322將顯示結果清除。於顯示格(Cell)324與325顯示所選擇的文件夾名與檔案名。於圖像視窗(Image)326顯示所選擇的圖像。
於註解資料視窗331中，藉由模型按鈕(Model)328選擇語義分割模型或物體檢測模型之任一。與所選擇的模型對應地變化註解資料視窗331所顯示的資料之種類。又，包含註解資料的文件夾亦與模型對應地自動進行選擇。圖14為選擇語義分割模型的情況下之例。藉由選取按鈕(Select)329指定欲顯示於視窗334的樣品。於顯示格332與333顯示所選擇的樣品之文件夾名與檔案名。於視窗334顯示註解圖像，於表格335顯示標籤名、標籤編號、色彩之對應表。
於終端視窗339中，藉由開始按鈕(Start)336開始依據模型按鈕328所選擇的模型之學習。於終端視窗(Ternimal)339以信息顯示計算中之中途經過、最終結果。藉由停止按鈕(Stop)337於計算中途亦可以停止。計算結果亦即學習完畢模型被自動保存。
圖15係欲測量尺寸的測試圖像的例。如前述般，於該測試圖像映現有不要的深部構造的輪廓。該構造為尺寸測量時應忽視的構造。
圖16係將圖15所示測試圖像輸入學習完畢物體檢測模型推論的結果。檢測的物體的標籤名與邊界框座標以黑框表示。圖16之例中檢測4個圖案。
圖17係與圖16對應的邊界框之座標值資料，推論後自動保存於資料庫205。
圖18係將圖15所示測試圖像輸入學習完畢語義分割模型推論的結果。各個區域之色彩係依據圖13中設定的對應關係，背景為黑，遮罩為灰，基板為白。
從圖18計算各區域間之境界線之座標，因此使用圖17之邊界框之座標值，按照每一邊界框切出境界線座標。從切出的每一邊界框之境界線座標計算在尺寸測量上所必要的特徵點A~G之座標，算出尺寸L1~L5。如此般，從輸入的圖像按每一圖案自動測量尺寸。
圖19係將測量出的尺寸值表示於原來之輸入圖像上之例，檢測出的邊界框位置亦以矩形表示。
圖20為圖19之測量結果，5個尺寸L1~L5，每一圖案除5個尺寸L1~L5之值以外亦計算並顯示統計值(平均值、標準偏差)。結果被自動保存於資料庫205，並且平均值被輸出至輸出入裝置206。
圖21係進行推論･測量步驟時顯示於輸出入裝置206的GUI畫面之一例。畫面包含輸入資料視窗345、及推論･測量結果視窗353。於輸入資料視窗345中，藉由定義按鈕(Define)340讀取定義有特徵點與尺寸之對應的腳本。讀取的定義被顯示於定義表格349。接著，藉由手動按鈕(Manual)341選擇1片片之測試圖像進行推論･測量，或藉由批次按鈕(Batch)342選擇指定包含測試圖像的文件夾而對文件夾內之全部圖像統合進行推論･測量。藉由文件夾名與圖像的倍率一致，可以從文件夾名獲得與倍率相關的資訊。於顯示格346與347顯示所選擇的文件夾名與檔案名。於圖像視窗350顯示所選擇的測試圖像。選擇批次的情況下第1片測試圖像的檔案名與圖像被顯示於顯示格347與圖像視窗350。藉由開始按鈕(Start)343來使用2個學習完畢模型進行推論與尺寸測量。計算結果被自動保存。藉由清除按鈕(Clear)344將顯示結果予以清除。
於推論･測量結果視窗353中，藉由下載按鈕(Load)351來選擇欲顯示結果的元圖像。於顯示格354與355顯示所選擇的圖像的文件夾名與檔案名。於視窗356顯示語義分割結果，於視窗357顯示物體檢測結果。於最終結果視窗358顯示在原圖像上顯示有尺寸值的圖像，於數值表格359顯示測量出的尺寸值與統計值。
圖22係從資料庫205探索與期待的尺寸接近的形狀之探索步驟時，顯示於輸出入裝置206的GUI畫面之一例，包含目標視窗360與探索結果視窗363。於目標視窗360中，於目標構造顯示格361輸入設為目標的尺寸值。於定義視窗362圖示出尺寸L1~L5之定義。
於探索結果視窗363中，藉由搜尋按鈕(Search)364執行探索。探索結果依據誤差小的順序進行排序顯示，顯示有文件夾名366、檔案名367、記載有尺寸值的圖像368、尺寸之平均值369。 實施例2
實施例1中使用語義分割模型作為第1圖像辨識模型，使用物體檢測模型作為第2圖像辨識模型，但尺寸測量方法不限定於該組合。作為實施例2說明使用2種類之語義分割模型的方法。實施例2中使用，檢測輪廓線的第1語義分割模型及檢測特徵點的第2語義分割模型。以下，針對實施例2係以使用圖像辨識模型的特徵點的抽出為中心進行說明，與實施例1重複之點則省略說明。
圖23係尺寸測量裝置200所執行的經由事前之學習步驟從輸入的圖像對尺寸進行測量的流程圖。
首先，針對尺寸測量所必要的特徵點209進行定義，經由輸出入裝置206儲存於資料庫205(步驟S300)。其在學習步驟之前進行。
接著，針對第1語義分割模型(第1圖像辨識模型)作成對輪廓線及與輪廓線以外實施了區域分類的註解圖像，針對第2語義分割模型(第2圖像辨識模型)作成對尺寸測量所必要的特徵點及特徵點以外實施了區域分類的註解圖像，從輸出入裝置206進行輸入(步驟S302)。
接著，中央處理部201將學習資料集傳遞至模型學習部202，於模型學習部202中進行模型之學習(步驟S303)。以下之說明中，作為模型說明使用具有卷積層的神經網路之情況，但亦可以使用決策樹等的機械學習之模型。
接著，從評估裝置112讀取欲進行尺寸測量的測試圖像(步驟S304)。中央處理部201將圖像傳遞至模型學習部202，於模型推論部203進行推論(步驟S305)，獲得2種類之語義分割圖像(步驟S306)。
接著，從輸出入裝置206輸入特徵點與尺寸測量部位之對應關係209，儲存於資料庫205(步驟S301)。
接著，於尺寸測量部204，從2種類之語義分割圖像計算輪廓線上之特徵點座標，計算主要尺寸，算出輪廓線整體之座標資料(步驟S307)。接著，將獲得的尺寸轉換為實際尺寸之尺度(步驟S308)。將測量出的尺寸值輸出至輸出入裝置206，並且將輪廓線之座標資料保存於資料庫205(步驟S309)。
另外，欲進行加工形狀之比較之情況下，指定欲比較的2個樣品(步驟S310)。接著，對形狀比較之指定之有無進行判斷(步驟S311)，無指定的話，結束尺寸測量處理(步驟S312)。有指定的話，將儲存於資料庫205的輪廓線資料與尺寸值予以讀出，將比較的結果輸出至輸出入裝置206(步驟S313)。藉由以上結束處理(步驟S314)。
以下，以處理裝置111為蝕刻裝置之情況之例進行說明。圖24係教導與圖8之學習資料集之輸入資料圖像對應的輪廓線的註解資料之例。區域係由背景400與輪廓線401之2區域形成。標籤名分別為「背景」、「輪廓」，標籤編號分別為0、1。圖25為標籤名、標籤編號、色彩之對應關係。賦予各標籤的標籤編號與色彩可以是任意，但於尺寸測量裝置200內需要固定。
圖26係教導與圖8之學習資料集之輸入資料圖像對應的特徵點的位置的註解資料之例。作為特徵點而將圖9所示A~G之7點之中A411、C412、E413、G414之4點設定為標籤，係按照包含有背景410的5個標籤類別進行彩色分類的圖像。其他之3個特徵點B、D、F假設具有對稱性可由A、C、E算出而設為不包含於標籤。如後述般，針對特徵點A、C、E藉由從特徵點B、D、F與輪廓線算出，可以不依賴目視而擔保將特徵點B、D、F與特徵點A、C、E成為一個單位圖案之特徵點。圖27係標籤名、標籤編號、色彩之對應關係。賦予各標籤的標籤編號與色彩可以是任意，但尺寸測量裝置200內需要固定。
圖28係進行學習步驟時顯示於輸出入裝置206的GUI畫面之一例。畫面包含輸入資料視窗323、註解資料視窗331、及終端視窗339。於輸入資料視窗323中，藉由下載按鈕320選擇儲存有輸入圖像檔案的文件夾。藉由選取按鈕321選擇欲顯示的圖像檔案。藉由清除按鈕322將顯示結果予以清除。於顯示格324與325顯示所選擇的文件夾名與檔案名。於圖像視窗326顯示所選擇的圖像。
於註解資料視窗331中藉由模型按鈕415選擇輪廓線用語義分割模型(第1語義分割模型)或特徵點用語義分割模型(第2語義分割模型)之任一。與所選擇的模型對應地變化顯示於註解資料視窗331的資料之種類。又，包含註解資料的文件夾亦與模型對應地自動被選擇。圖28係選擇輪廓線用語義分割模型的情況下之例。藉由選取按鈕329指定欲顯示於視窗的樣品。於顯示格324與325顯示具有所選擇的樣品之文件夾名與檔案名。於視窗334顯示註解圖像，於表格335顯示標籤名、標籤編號、色彩之對應表。
於終端視窗339中，藉由開始按鈕336開始模型按鈕415中所選擇的模型之學習。於終端視窗339以信息顯示計算中之中途經過、最終結果。藉由停止按鈕337可於計算中途停止。計算結果亦即模型參數被自動保存。
圖29係將圖15所示測試圖像輸入第1學習完畢語義分割模型推論出的輪廓線之檢測結果之圖像。同時，亦計算輪廓線之座標。
圖30係將圖15所示測試圖像輸入第2學習完畢語義分割模型推論出的特徵點A、C、E、G之檢測結果之圖像。同時，亦計算彼等特徵點的座標。又，彼等之特徵點的座標不限定於必須位於圖29中獲得的輪廓線上，因此採用與圖30中獲得的特徵點座標最接近的圖29之輪廓線上之點作為特徵點的座標。
圖31係說明從特徵點A、C、E計算對應的特徵點B、D、F的方法之圖。對應點設為和原來之點在Y座標上相同且X座標之差為最小亦即右側之最接近之輪廓線上之點。實施例1中係將境界線座標按每一圖案進行分割，實施例2中獲知成對的2點的座標，因此無需分割。藉由獲得的7種之特徵點的座標以及從資料庫205叫出的特徵點與尺寸之定義，計算規定之尺寸。如此般，可以從輸入的圖像自動測量尺寸。
圖32係進行推論･測量步驟時顯示於輸出入裝置206的GUI畫面之一例。畫面包含輸入資料視窗345及推論･測量結果視窗353。於輸入資料視窗345中，藉由定義按鈕340來選擇、讀取定義有特徵點與尺寸之對應的腳本。讀取的定義被顯示於定義表格349。接著，藉由手動按鈕341來選擇1片片的測試圖像進行推論･測量，或藉由批次按鈕342來選擇指定包含測試圖像的文件夾而統合對文件夾內之全部圖像進行推論･測量。藉由使文件夾名與圖像的倍率一致，從與倍率相關的資訊獲得文件夾名。於顯示格346與347顯示所選擇的文件夾名與檔案名。於圖像視窗350顯示選擇的測試圖像。選擇批次的情況下第1片測試圖像的檔案名與圖像被顯示於顯示格347與圖像視窗350。藉由開始按鈕343使用2個學習完畢模型進行推論與尺寸測量。計算結果被自動保存。藉由清除按鈕344將顯示結果予以清除。
於推論･測量結果視窗353中，藉由下載按鈕351來選擇欲顯示結果的原圖像。於顯示格354與355顯示所選擇的圖像的文件夾名與檔案名。於視窗416顯示對輪廓線的語義分割結果，於視窗417顯示對特徵點的語義分割結果。於最終結果視窗358顯示在原圖像上顯示有尺寸值的圖像，於數值表格359顯示測量出的尺寸值與統計值。
圖33係進行比較2個圖像的形狀之比較步驟時顯示於輸出入裝置206的GUI畫面之一例。畫面包含輸入資料視窗423及比較結果視窗436。於輸入資料視窗423中，藉由下載1按鈕420來選擇欲比較的第1片圖像，藉由下載2按鈕421來選擇欲比較的第2片圖像。於顯示格424與425顯示所選擇的第1片圖像的文件夾名與檔案名，於顯示格426與427顯示所選擇的第2片圖像的文件夾名與檔案名。於圖像視窗428與429顯示所選擇的2個圖像。於輪廓線視窗430、431，從資料庫205讀出針對所選擇的2個圖像抽出的輪廓線圖像並予以顯示。
比較結果視窗436中顯示將輪廓線重疊進行顯示的視窗437，及顯示有2個圖像的尺寸值的平均值與其差分的表格438。自動按鈕(Auto)432，係使2個輪廓線430、431在縱向上使遮罩上面成為一致，橫向上使溝槽中央成為一致的方式進行自動調整的按鈕。自動調整失敗之情況下或欲藉由手動調整之情況下，按下手動按鈕433，使用者藉由滑鼠拖曳圖像來調整位置。於表格438，從資料庫205讀出針對2個圖像測量出的尺寸值並計算兩者之差分予以顯示。藉由保存按鈕(Save)434將重疊寫入的輪廓線圖像與表格之數值保存於資料庫205。
又，本發明不限定於前述實施例，亦包含申請專利範圍之主旨內之各種變形例及同等的構成。例如前述實施例係為了容易理解本發明而詳細說明者，但本發明不限定於必須具備說明之全部構成者。又，可以將某一實施例之構成之一部分替換為其他實施例之構成。又，可以在某一實施例之構成添加其他實施例之構成。又，針對各實施例之構成之一部分，可以進行其他構成之追加、削除、或替換。例如實施例1中語義分割模型係說明以構成半導體元件之斷面的各層作為區域被彩色分類的圖像予以輸出之例，但亦可以如實施例2般設為輸出特徵點的語義分割模型。但是，該情況下和實施例2之例不同需要輸出全部特徵點(實施例2之例中為特徵點A~G)。
又，前述各構成、功能、處理部、處理手段等，彼等之一部分或全部例如藉由積體電路設計等藉由硬體實現亦可，藉由處理器解釋並執行用來實現個別功能之程式，而由軟體實現亦可。實現各功能的程式、表格、檔案等的資訊可以儲存於記憶體、硬碟、SSD(Solid State Drive)等的記憶裝置，或IC(Integrated Circuit)卡、SD卡、DVD(Digital Versatile Disc)之記錄媒體。
又，控制線或資訊線示出說明上推測為必要者，但不限定於示出安裝上必要的全部控制線或資訊線。實際上考慮為幾乎全部構成相互連接即可。
10:半導體製造系統 20,30:神經網路模型 100:處理條件探索裝置 101:目標處理結果･參數選擇 102:最佳處理條件 103:輸入裝置 104:中央處理部 105:資料庫 106:初期處理條件設定部 107:目標設定部 108:模型學習部 109:處理條件探索部 110:裝置控制部 111:處理裝置 112:評估裝置 113:收斂判斷部 114:輸出裝置 115:介面 116:處理器 117:ROM 118:RAM 200:尺寸測量裝置 201:中央處理部 202:模型學習部 203:模型推論部 204:尺寸測量部 205:資料庫 206:輸出入裝置 208:斷面圖像 209:特徵點與尺寸之定義･倍率･學習資料集 300:背景 301:遮罩 302:基板 305:遮罩上面寬度 306:遮罩/基板界面寬度 307:基板最窄部寬度 308:遮罩高度 309:溝槽深度 310:背景 311:遮罩 312:基板 320:下載按鈕 321:選取按鈕 322:清除按鈕 323:輸入資料視窗 324,325:顯示格 326:圖像視窗 328:模型按鈕 329:選取按鈕 330:清除按鈕 332,333:顯示格 334:視窗 335:表格 336:開始按鈕 337:停止按鈕 338:清除按鈕 339:終端視窗 340:定義按鈕 341:手動按鈕 342:批次按鈕 343:開始按鈕 344:清除按鈕 345:輸入資料視窗 346,347:顯示格 349:定義表格 350:圖像視窗 351:下載按鈕 352:清除按鈕 353:推論･測量結果視窗 354,355:顯示格 356,357:視窗 358:最終結果視窗 359:數值表格 360:目標視窗 361:目標構造顯示格 362:定義視窗 363:探索結果視窗 364:搜尋按鈕 365:清除按鈕 366:文件夾名 367:檔案名 368:圖像 369:尺寸之平均值 400:背景 401:輪廓線 410:背景 411:特徵點A 412:特徵點C 413:特徵點E 414:特徵點G 415:模型按鈕 416,417:視窗 420:下載1按鈕 421:下載2按鈕 422:清除按鈕 423:輸入資料視窗 424,425,426,427:顯示格 428,429:圖像視窗 430,431:輪廓線視窗 432:自動按鈕 433:手動按鈕 434:保存按鈕 435:清除按鈕 436:比較結果視窗 437:視窗 438:表格
[圖1]表示半導體製造系統之系統構成例的圖。 [圖2]表示處理條件探索裝置之系統構成例的圖。 [圖3]表示尺寸測量裝置之硬體構成的方塊圖。 [圖4]表示語義分割(Semantic Segmentation)模型之一例的圖。 [圖5]表示物體檢測模型之一例的圖。 [圖6]尺寸測量裝置從輸入圖像對尺寸進行測量的流程圖(實施例1)。 [圖7]處理條件探索裝置探索處理條件的流程圖。 [圖8]輸入資料集(斷面圖像)之例。 [圖9]尺寸測量部位之例。 [圖10]邊界框之座標系進行說明之圖。 [圖11]物體檢測模型之學習所使用的註解資料之記述例。 [圖12]語義分割模型之學習所使用的註解資料之例。 [圖13]表示語義分割模型之學習所使用的註解資料中之標籤名･標籤編號･色之對應關係的表格。 [圖14]學習步驟時顯示的GUI畫面之例。 [圖15]對尺寸進行測量的測試圖像的例。 [圖16]表示將測試圖像輸入至學習完畢物體檢測模型而獲得的物體檢測結果的圖。 [圖17]表示將測試圖像輸入至學習完畢物體檢測模型而獲得的記述有邊界框之座標的表格。 [圖18]表示將測試圖像輸入至學習完畢語義分割模型而獲得的語義分割結果的圖。 [圖19]於測試圖像上顯示有邊界框與尺寸測量結果的圖。 [圖20]記述有按每一圖案測量出的尺寸值之表格。 [圖21]推論･測量步驟時顯示的GUI畫面之例。 [圖22]目標形狀探索步驟時顯示的GUI畫面之例。 [圖23]尺寸測量裝置從輸入圖像對尺寸進行測量的流程圖(實施例2)。 [圖24]對輪廓線進行檢測的第1語義分割模型之學習所使用的註解圖像的例。 [圖25]表示第1語義分割模型之學習所使用的註解圖像中之標籤名･標籤編號･色之對應關係的表格。 [圖26]對特徵點進行檢測的第2語義分割模型之學習所使用的註解資料之例。 [圖27]表示第2語義分割模型之學習所使用的註解資料中之標籤名･標籤編號･色之對應關係的表格。 [圖28]學習步驟時顯示的GUI畫面之例。 [圖29]將測試圖像輸入至學習完畢之第1語義分割模型而獲得的輪廓線檢測結果的圖。 [圖30]將測試圖像輸入至學習完畢之第2語義分割模型而獲得的特徵點檢測結果的圖。 [圖31]說明從檢測出的特徵點的座標計算尺寸測量所必要的其他之特徵點的座標之方法之圖。 [圖32]推論･測量步驟時顯示的GUI畫面之例。 [圖33]形狀比較步驟時顯示的GUI畫面之例。
10:半導體製造系統
100:處理條件探索裝置
101:目標處理結果．參數選擇
102:最佳處理條件
103:輸入裝置
111:處理裝置
112:評估裝置
114:輸出裝置
200:尺寸測量裝置
201:中央處理部
202:模型學習部
203:模型推論部
204:尺寸測量部
205:資料庫
206:輸出入裝置
208:斷面圖像
209:特徵點與尺寸之定義．倍率．學習資料集

Claims (20)

  1. 一種尺寸測量裝置，係從具有重複圖案的半導體元件之斷面圖像對前述半導體元件之尺寸進行測量者，該尺寸測量裝置具有： 處理器； 記憶體；及 尺寸測量程式，儲存於前述記憶體，藉由使前述處理器執行而對前述半導體元件之尺寸進行測量； 前述尺寸測量程式係具有模型推定部、及尺寸測量部， 前述模型推定部，係藉由第1圖像辨識模型輸出針對前述斷面圖像按區域別附加有標籤的附加標籤圖像，藉由第2圖像辨識模型輸出在前述斷面圖像中構成前述重複圖案的單位圖案各自所位處的座標， 前述尺寸測量部，係使用前述附加標籤圖像及前述單位圖案各自所位處的座標，計算前述每一個單位圖案事先已定義的複數個特徵點的座標，針對作為前述複數個特徵點之中之規定的2點間之距離而定義的尺寸進行測量。
  2. 如請求項1之尺寸測量裝置，其中， 在前述第1圖像辨識模型針對前述斷面圖像附加標籤的區域包含有，構成前述半導體元件之斷面的各層、及前述半導體元件之斷面以外的背景， 前述模型推論部，係從前述附加標籤圖像計算前述區域之間之區域境界線之座標，從前述區域境界線之座標及前述單位圖案各自所位處的座標計算前述複數個特徵點的座標。
  3. 如請求項2之尺寸測量裝置，其中， 前述尺寸測量程式具有模型學習部， 前述模型學習部，係藉由以前述半導體元件之斷面圖像作為輸入資料、且以該輸入資料亦即斷面圖像的按前述區域別附加有標籤的附加標籤圖像作為輸出資料的第1學習資料，來學習前述第1圖像辨識模型，藉由以前述半導體元件之斷面圖像作為輸入資料、且以該輸入資料亦即斷面圖像中前述單位圖案各自所位處的座標作為輸出資料的第2學習資料，來學習前述第2圖像辨識模型。
  4. 如請求項3之尺寸測量裝置，其中， 前述第1圖像辨識模型為語義分割模型，前述第2圖像辨識模型為物體檢測模型。
  5. 如請求項4之尺寸測量裝置，其中， 前述第1圖像辨識模型為中間層具備了以下參數的學習模型：使用以前述半導體元件之斷面圖像的像素之亮度值作為輸入資料、且以對應於該輸入資料的斷面圖像的像素歸屬的前述區域所對應而定義的標籤編號作為輸出資料的教師資料而學習了的參數， 前述第2圖像辨識模型為中間層具備了以下參數的學習模型：使用以前述半導體元件之斷面圖像的像素之亮度值作為輸入資料、且以對應於該輸入資料的斷面圖像所包含的物體的標籤編號與前述物體所位處的座標作為輸出資料的教師資料而學習了的參數。
  6. 如請求項1之尺寸測量裝置，其中， 前述斷面圖像為斷面SEM圖像或TEM圖像。
  7. 如請求項1之尺寸測量裝置，其中， 前述尺寸測量部，係將已測量的前述半導體元件之尺寸保存於資料庫，在針對前述半導體元件的目標尺寸值被輸入的情況下，從前述資料庫檢索具有與前述目標尺寸值近似的尺寸之斷面圖像。
  8. 一種半導體製造系統，具有： 如請求項1至7之中任一之尺寸測量裝置； 處理裝置，進行前述半導體元件之處理；及 處理條件探索裝置，探索前述處理裝置進行前述半導體元件之處理的最佳處理條件； 前述尺寸測量裝置，係藉由前述處理條件探索裝置設定的規定之處理條件，對前述處理裝置進行處理獲得的前述半導體元件之尺寸進行測量， 前述處理條件探索裝置，係一邊變化前述規定之處理條件，一邊以前述尺寸測量裝置所測量的前述半導體元件之尺寸收斂於目標值之情況下之處理條件作為前述最佳處理條件予以輸出。
  9. 一種尺寸測量裝置，係從具有重複圖案的半導體元件之斷面圖像對前述半導體元件之尺寸進行測量者，該尺寸測量裝置具有： 處理器； 記憶體；及 尺寸測量程式，儲存於前述記憶體，藉由使前述處理器執行而對前述半導體元件之尺寸進行測量； 前述尺寸測量程式具有模型推定部、及尺寸測量部， 前述模型推定部，係藉由第1圖像辨識模型輸出針對前述斷面圖像在輪廓線與背景附加有標籤的第1附加標籤圖像，藉由第2圖像辨識模型輸出前述斷面圖像中在構成前述重複圖案的單位圖案中所定義的第1複數個特徵點與背景被附加有標籤的第2附加標籤圖像， 前述尺寸測量部，係使用來自前述第1附加標籤圖像的前述輪廓線之座標及來自前述第2附加標籤圖像的前述第1複數個特徵點的座標計算第2複數個特徵點的座標，針對作為前述第1複數個特徵點之中之規定之點與前述第2複數個特徵點之中之規定之點之間的距離而定義的尺寸進行測量。
  10. 如請求項9之尺寸測量裝置，其中， 於前述斷面圖像中前述單位圖案具有可以假設為對稱性的形狀， 前述尺寸測量部，係依據前述對稱性從前述第1複數個特徵點的座標計算前述第2複數個特徵點的座標。
  11. 如請求項9之尺寸測量裝置，其中， 前述尺寸測量程式具有模型學習部， 前述模型學習部，係藉由以前述半導體元件之斷面圖像作為輸入資料、且以針對該輸入資料亦即斷面圖像在前述輪廓線與背景被分類而附加有標籤的附加標籤圖像作為輸出資料的第1學習資料，來學習前述第1圖像辨識模型，藉由以前述半導體元件之斷面圖像作為輸入資料、且以針對該輸入資料亦即斷面圖像在前述第1複數個特徵點與背景被分類而附加有標籤的附加標籤圖像作為輸出資料的第2學習資料，來學習前述第2圖像辨識模型。
  12. 如請求項11之尺寸測量裝置，其中， 前述第1圖像辨識模型及前述第2圖像辨識模型為語義分割模型。
  13. 如請求項12之尺寸測量裝置，其中， 前述第1圖像辨識模型為中間層具備以下參數的學習模型：使用以前述半導體元件之斷面圖像的像素之亮度值作為輸入資料、且以對應於該輸入資料的斷面圖像的像素相應於前述輪廓線或背景而定義的標籤編號作為輸出資料的教師資料而學習了的參數， 前述第2圖像辨識模型為中間層具備以下參數的學習模型：使用以前述半導體元件之斷面圖像的像素之亮度值作為輸入資料、且以對應於該輸入資料的斷面圖像的像素相應於前述第1複數個特徵點或背景而定義的標籤編號作為輸出資料的教師資料而學習了的參數。
  14. 如請求項9之尺寸測量裝置，其中， 前述斷面圖像為斷面SEM圖像或TEM圖像。
  15. 如請求項9之尺寸測量裝置，其中， 前述尺寸測量部，係將來自前述第1附加標籤圖像的前述輪廓線之座標及已測量的前述半導體元件之尺寸保存於資料庫，在指定有2個斷面圖像之情況下，將指定的2個斷面圖像的前述輪廓線重疊顯示，並且將與指定的2個斷面圖像對應的前述半導體元件之尺寸之差予以顯示。
  16. 一種半導體製造系統，具有： 如請求項9至15之中任一之尺寸測量裝置； 處理裝置，進行前述半導體元件之處理；及 處理條件探索裝置，探索前述處理裝置進行前述半導體元件之處理的最佳處理條件； 前述尺寸測量裝置，係藉由前述處理條件探索裝置設定的規定之處理條件，對前述處理裝置進行處理獲得的前述半導體元件之尺寸進行測量， 前述處理條件探索裝置，係一邊變化前述規定之處理條件，一邊以前述尺寸測量裝置所測量的前述半導體元件之尺寸收斂於目標值之情況下之處理條件作為前述最佳處理條件予以輸出。
  17. 一種尺寸測量程式，係使電腦執行從具有重複圖案的半導體元件之斷面圖像對前述半導體元件之尺寸進行測量的處理者，該尺寸測量程式具有： 藉由第1圖像辨識模型，將針對前述斷面圖像按區域別附加有標籤的附加標籤圖像予以輸出的第1步驟； 藉由第2圖像辨識模型，將前述斷面圖像中構成前述重複圖案的單位圖案各自所位處的座標予以輸出的第2步驟；及 使用前述附加標籤圖像及前述單位圖案各自所位處的座標，計算每一個前述單位圖案事先定義的複數個特徵點的座標，而對作為前述複數個特徵點之中之規定的2點間之距離而定義的尺寸進行測量的第3步驟。
  18. 如請求項17之尺寸測量程式，其中， 在前述第1~第3步驟之前具有： 藉由以前述半導體元件之斷面圖像作為輸入資料、且以該輸入資料亦即斷面圖像的按前述區域別附加有標籤的附加標籤圖像作為輸出資料的第1學習資料來學習前述第1圖像辨識模型的第4步驟；及 藉由以前述半導體元件之斷面圖像作為輸入資料、且以該輸入資料亦即斷面圖像中前述單位圖案各自所位處的座標作為輸出資料的第2學習資料來學習前述第2圖像辨識模型的第5步驟。
  19. 一種尺寸測量程式，係使電腦執行從具有重複圖案的半導體元件之斷面圖像對前述半導體元件之尺寸進行測量的處理者，該尺寸測量程式具有： 藉由第1圖像辨識模型輸出針對前述斷面圖像在輪廓線與背景附加有標籤的第1附加標籤圖像的第1步驟； 藉由第2圖像辨識模型，將前述斷面圖像中在構成前述重複圖案的單位圖案中所定義的第1複數個特徵點與背景被附加有標籤的第2附加標籤圖像予以輸出的第2步驟；及 使用來自前述第1附加標籤圖像的前述輪廓線之座標及來自前述第2附加標籤圖像的前述第1複數個特徵點的座標計算第2複數個特徵點的座標，對作為前述第1複數個特徵點之中之規定之點與前述第2複數個特徵點之中之規定之點之間之距離而定義的尺寸進行測量的第3步驟。
  20. 如請求項19之尺寸測量程式，其中， 在前述第1~第3步驟之前具有： 藉由以前述半導體元件之斷面圖像作為輸入資料、且以該輸入資料亦即斷面圖像在前述輪廓線與背景被分類而附加有標籤的附加標籤圖像作為輸出資料的第1學習資料，來學習前述第1圖像辨識模型的第4步驟；及 藉由以前述半導體元件之斷面圖像作為輸入資料、且以該輸入資料亦即斷面圖像在前述第1複數個特徵點與背景被分類而附加有標籤的附加標籤圖像作為輸出資料的第2學習資料，來學習前述第2圖像辨識模型的第5步驟。
TW109114118A 2019-07-04 2020-04-28 尺寸測量裝置、尺寸測量程式及半導體製造系統 TWI733425B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/JP2019/026595 WO2020121564A1 (ja) 2019-07-04 2019-07-04 寸法計測装置、寸法計測プログラム及び半導体製造システム
WOPCT/JP2019/026595 2019-07-04

Publications (2)

Publication Number Publication Date
TW202102814A true TW202102814A (zh) 2021-01-16
TWI733425B TWI733425B (zh) 2021-07-11

Family

ID=71075531

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109114118A TWI733425B (zh) 2019-07-04 2020-04-28 尺寸測量裝置、尺寸測量程式及半導體製造系統

Country Status (6)

Country Link
US (1) US11600536B2 (zh)
JP (1) JP6872670B2 (zh)
KR (1) KR102476683B1 (zh)
CN (1) CN112449722B (zh)
TW (1) TWI733425B (zh)
WO (1) WO2020121564A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115218798A (zh) * 2022-09-20 2022-10-21 西安中科慧远视觉技术有限公司 测量板材孔和/或槽尺寸的光学测量系统、方法及介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102173900B1 (ko) * 2019-07-11 2020-11-04 호전실업 주식회사 의복 디자인 생성 방법 및 시스템과 이를 위한 통합 애플리케이션 프로그램
CN111814739B (zh) * 2020-07-27 2023-09-01 上海东普信息科技有限公司 快递包裹体积的检测方法、装置、设备及存储介质
CN114693694A (zh) * 2020-12-25 2022-07-01 日本电气株式会社 图像处理的方法、设备和计算机可读存储介质
KR20220169005A (ko) 2021-06-14 2022-12-26 주식회사 히타치하이테크 컴퓨터 시스템, 치수 계측 방법, 및 기억 매체
JP7233592B1 (ja) 2021-10-22 2023-03-06 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム
KR20230083172A (ko) * 2021-12-02 2023-06-09 세메스 주식회사 반도체 자재 검사 장치 및 이를 이용한 반도체 자재 검사 방법
CN114494403B (zh) * 2022-01-27 2022-09-30 烟台大学 一种基于深度学习的贝类目标尺寸快速测量方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3438580B2 (ja) * 1998-04-21 2003-08-18 松下電器産業株式会社 画像認識方法及び画像認識装置
JP2000011173A (ja) * 1998-06-18 2000-01-14 Sharp Corp 画像認識方法および画像認識装置
JP4865147B2 (ja) 2001-05-29 2012-02-01 エスアイアイ・ナノテクノロジー株式会社 ディスプレイ顕微鏡画像を用いたパターン測定方法及び測定システム
US7910885B2 (en) * 2003-07-11 2011-03-22 Applied Materials Israel, Ltd. System and method for determining a cross sectional feature of a structural element using a reference structural element
JP4220358B2 (ja) * 2003-11-27 2009-02-04 株式会社日立ハイテクノロジーズ 半導体パターン計測方法
JP4585822B2 (ja) * 2004-09-22 2010-11-24 株式会社日立ハイテクノロジーズ 寸法計測方法及びその装置
JP5319931B2 (ja) * 2008-02-22 2013-10-16 株式会社日立ハイテクノロジーズ 電子顕微鏡システム及びそれを用いたパターン寸法計測方法
JP5065943B2 (ja) 2008-02-29 2012-11-07 株式会社日立ハイテクノロジーズ 製造プロセスモニタリングシステム
JP5386446B2 (ja) * 2010-07-13 2014-01-15 株式会社日立ハイテクノロジーズ 画像データ解析装置
JP5549502B2 (ja) * 2010-09-24 2014-07-16 凸版印刷株式会社 パターン画像測定方法及びパターン画像測定装置
US8604427B2 (en) * 2012-02-02 2013-12-10 Applied Materials Israel, Ltd. Three-dimensional mapping using scanning electron microscope images
JP5988615B2 (ja) * 2012-02-28 2016-09-07 株式会社日立ハイテクノロジーズ 半導体評価装置、及びコンピュータープログラム
JP5783953B2 (ja) * 2012-05-30 2015-09-24 株式会社日立ハイテクノロジーズ パターン評価装置およびパターン評価方法
US9311700B2 (en) * 2012-09-24 2016-04-12 Kla-Tencor Corporation Model-based registration and critical dimension metrology
JP5957357B2 (ja) * 2012-10-15 2016-07-27 株式会社日立ハイテクノロジーズ パターン検査・計測装置及びプログラム
US10650508B2 (en) 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US20170329231A1 (en) * 2014-12-17 2017-11-16 Asml Netherlands B.V Method and apparatus for using patterning device topography induced phase
JP2017053674A (ja) * 2015-09-08 2017-03-16 株式会社ニューフレアテクノロジー パターン幅寸法のずれ量測定方法及びパターン検査装置
KR102392597B1 (ko) * 2015-10-15 2022-04-29 삼성전자주식회사 두께 측정 방법, 영상 처리 방법 및 이를 수행하는 전자 시스템
TWI797699B (zh) * 2015-12-22 2023-04-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
JP6608344B2 (ja) 2016-09-21 2019-11-20 株式会社日立製作所 探索装置および探索方法
JP6838263B2 (ja) * 2017-03-14 2021-03-03 日立Astemo株式会社 液圧制御装置、ブレーキシステム及び失陥時用補助液圧ユニット
EP3492985A1 (en) * 2017-12-04 2019-06-05 ASML Netherlands B.V. Method of determining information about a patterning process, method of reducing error in measurement data, method of calibrating a metrology process, method of selecting metrology targets
CN111684541A (zh) * 2018-02-08 2020-09-18 东京毅力科创株式会社 信息处理装置、程序、工艺处理执行装置及信息处理系统
CN111886606A (zh) * 2018-02-23 2020-11-03 Asml荷兰有限公司 用于图案的语义分段的深度学习
CN111971551A (zh) * 2018-04-10 2020-11-20 朗姆研究公司 机器学习中的光学计量以表征特征

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115218798A (zh) * 2022-09-20 2022-10-21 西安中科慧远视觉技术有限公司 测量板材孔和/或槽尺寸的光学测量系统、方法及介质
CN115218798B (zh) * 2022-09-20 2022-12-09 西安中科慧远视觉技术有限公司 测量板材孔和/或槽尺寸的光学测量系统、方法及介质

Also Published As

Publication number Publication date
TWI733425B (zh) 2021-07-11
KR20210004937A (ko) 2021-01-13
CN112449722A (zh) 2021-03-05
CN112449722B (zh) 2024-04-09
US20220139788A1 (en) 2022-05-05
JP6872670B2 (ja) 2021-05-19
WO2020121564A1 (ja) 2020-06-18
KR102476683B1 (ko) 2022-12-13
JPWO2020121564A1 (ja) 2021-02-15
US11600536B2 (en) 2023-03-07

Similar Documents

Publication Publication Date Title
TWI733425B (zh) 尺寸測量裝置、尺寸測量程式及半導體製造系統
US7888638B2 (en) Method and apparatus for measuring dimension of circuit pattern formed on substrate by using scanning electron microscope
US11663713B2 (en) Image generation system
JP7004826B2 (ja) 寸法計測装置、寸法計測方法及び半導体製造システム
JP4220595B2 (ja) 欠陥の分類方法並びに教示用データ作成方法
US20210358101A1 (en) Processing image data sets
JP2013236087A (ja) トポグラフィック属性を利用した欠陥分類
US10296702B2 (en) Method of performing metrology operations and system thereof
US7274820B2 (en) Pattern evaluation system, pattern evaluation method and program
US7149340B2 (en) Mask defect analysis for both horizontal and vertical processing effects
US10571406B2 (en) Method of performing metrology operations and system thereof
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
WO2023112302A1 (ja) 教師データ作成支援装置、教師データ作成支援方法
WO2023117238A1 (en) Measurement method and apparatus for semiconductor features with increased throughput
Bingham et al. Sidewall structure estimation from CD-SEM for lithographic process control
CN115698627A (zh) 图案检查/测量装置、图案检查/测量程序