TW202115760A

TW202115760A - 帶電粒子束裝置

Info

Publication number: TW202115760A
Application number: TW109130355A
Authority: TW
Inventors: 村木礼奈; 上本敦; 麻畑達也
Original assignee: 日商日立高新技術科學股份有限公司
Priority date: 2019-09-25
Filing date: 2020-09-04
Publication date: 2021-04-16
Also published as: US11239046B2; JP2021057331A; US20210090851A1; JP7391735B2; KR20210036263A

Abstract

[課題]能夠使自動微採樣穩定化。 [解決手段]帶電粒子束裝置是從試料自動地製作試料片的帶電粒子束裝置，具備：照射帶電粒子束的帶電粒子束照射光學系統；載置試料而移動的試料載台；保持從試料分離及摘出的試料片而進行搬送的試料片移設單元；保持移設試料片的試料片支架的支架固定台；以及因應根據針對與對象物相關的位置的第1判定的結果而進行的針對位置的第2判定的結果、以及包括藉由帶電粒子束的照射而取得的圖像的資訊，進行位置的控制的電腦。

Description

帶電粒子束裝置

本發明涉及帶電粒子束裝置。

從前，已知有如下裝置：摘出藉由向試料照射由電子或離子構成的帶電粒子束而製作出的試料片，將試料片加工成適於利用透射電子顯微鏡(TEM：Transmission Electron Microscpe)等進行的觀察、分析及計測等各種工程的形狀(專利文獻1)。在專利文獻1所記載的裝置中，在藉由透射電子顯微鏡進行觀察的情況下，進行所謂的微採樣(MS：Micro-sampling)：在從作為觀察對象物的試料取出微細的薄膜試料片之後，將該薄膜試料片固定於試料支架而製作TEM試料。

在TEM觀察用的薄片試料的製作中，已知有藉由範本匹配來檢測微探針前端、薄片試料的拾取位置、網架上的支柱端等對象物的帶電粒子束裝置(專利文獻2)。在專利文獻2所記載的帶電粒子束裝置中，根據基於藉由帶電粒子束的照射取得的對象物的圖像而製作出的範本、以及從對象物的圖像得到的位置資訊，進行與對象物相關的位置控制。由此，在專利文獻2所記載的帶電粒子束裝置中，能夠自動地執行微採樣(自動微採樣)。 [先前技術文獻] [專利文獻]

專利文獻1：日本特開2019-102138號公報專利文獻2：日本特開2016-157671號公報

[發明所欲解決問題]

在專利文獻2所記載的帶電粒子束裝置中，在藉由帶電粒子束的照射而取得的對象物的圖像與範本圖像之間對比度或焦點不同的情況下、在對象物的圖像與範本圖像之間對象物的(包括異物的附著)表面形狀不同的情況下，有時範本匹配會失敗。在範本匹配失敗的情況下，在專利文獻2所記載的帶電粒子束裝置中，自動微採樣會停止。這樣，從前自動微採樣的穩定性不夠，謀求使自動微採樣穩定化，提高生產量。

本發明是鑑於上述點而完成的，提供一種能夠使自動微採樣穩定化的帶電粒子束裝置。 [解決問題的技術手段]

為了解決上述問題，實現上述目的，本發明採用了以下的態樣。 (1)本發明的一態樣是從試料自動地製作試料片的帶電粒子束裝置，具備：照射帶電粒子束的帶電粒子束照射光學系統；載置前述試料而移動的試料載台；保持從前述試料分離及摘出的前述試料片而進行搬送的試料片移設單元；保持移設前述試料片的試料片支架的支架固定台；以及因應根據針對與對象物相關的位置的第1判定的結果而進行的針對前述位置的第2判定的結果、以及包括藉由前述帶電粒子束的照射而取得的圖像的資訊，進行前述位置的控制的電腦。

在上述(1)所記載的態樣的複合帶電粒子束裝置中，能夠基於因應第1判定的結果而進行的第2判定的結果來檢測對象物的位置，因此，能夠使自動微採樣穩定化。這裡，從前在對象物的位置的檢測失敗而使自動微採樣停止的情況下，當自動微採樣每次停止時，使用者必須進行應對，導致生產量的下降。在上述(1)所記載的態樣的複合帶電粒子束裝置中，即便在第1判定失敗的情況下，也能夠基於第2判定的結果來檢測對象物的位置，因此，能夠提高位置檢測的成功率、實現範本匹配失敗時的恢復。

(2)在上述(1)所記載的帶電粒子束裝置的基礎上，前述第1判定是基於使用了針對前述對象物的範本的範本匹配而進行的判定，前述第2判定是基於學習了包括第2對象物的第2圖像的第2資訊得到的機器學習的模型而進行的判定。在上述(2)所記載的態樣的複合帶電粒子束裝置中，能夠根據因應基於範本匹配的判定的結果而進行的基於機器學習的模型的判定的結果來檢測對象物的位置，因此，基於範本匹配和機器學習的模型，能夠使自動微採樣穩定化。特別是在上述(2)所記載的態樣的複合帶電粒子束裝置中，即便在範本匹配失敗的情況下，也能夠基於機器學習的模型來檢測對象物的位置。

(3)在上述(1)或(2)所記載的帶電粒子束裝置的基礎上，前述電腦因應用於選擇判定的種類的第3判定的結果，針對前述第1判定、和前述第2判定中的至少一者來選擇前述種類。在上述(3)所記載的態樣的複合帶電粒子束裝置中，能夠選擇用於判定對象物的位置的判定的種類(適當的影像處理演算法)，因此，能夠提高對象物的位置的檢測精度。

(4)在上述(1)至(3)中任一項所記載的帶電粒子束裝置的基礎上，前述電腦根據基於前述第1判定的結果和前述第2判定的結果中的至少一者而選擇的第4判定的結果、以及包括藉由前述帶電粒子束的照射而取得的圖像的資訊，進行前述位置的控制。在上述(4)所記載的態樣的複合帶電粒子束裝置中，能夠根據基於第1判定的結果和第2判定的結果中的至少一者而選擇的第4判定的結果來檢測對象物的位置，因此，與基於第2判定的結果來檢測對象物的位置的情況相比，能夠使自動微採樣穩定化。 [發明的功效]

根據本發明，能夠使自動微採樣穩定化。

(第1實施形態)

以下，參照圖式對本發明的實施形態詳細進行說明。圖1是示出本實施形態的帶電粒子束裝置10和影像處理用電腦30的結構的一例的圖。配置於帶電粒子束裝置10的控制用電腦22能夠取得藉由帶電粒子束的照射而取得的圖像資料。控制用電腦22與影像處理用電腦30進行資料的收發。影像處理用電腦30首先基於使用了範本T的範本匹配，來判定從控制用電腦22接收到的圖像資料所包含的對象物。影像處理用電腦30在基於範本匹配的判定失敗的情況下，基於機器學習模型M來判定該對象物。控制用電腦22基於影像處理用電腦30的判定結果，進行與對象物相關的位置的控制。控制用電腦22是因應針對與對象物相關的位置的第1判定(範本匹配)的結果，進行針對對象物的位置的第2判定(基於機器學習模型M進行的判定)，基於第2判定的結果、和包括藉由帶電粒子束的照射而取得的圖像的資訊，進行與第2對象物相關的位置的控制的電腦的一例。另外，影像處理用電腦30也可以配置於帶電粒子束裝置10。

這裡，參照圖2對帶電粒子束裝置10的結構進行說明。 (帶電粒子束裝置) 圖2是示出實施形態的帶電粒子束裝置10的結構的一例的圖。帶電粒子束裝置10具備試料室11、試料載台12、載台驅動機構13、集束離子束照射光學系統14、電子束照射光學系統15、檢測器16、氣體供給部17、針18、針驅動機構19、吸收電流檢測器20、顯示裝置21、控制用電腦22以及輸入裝置23。

試料室11將內部維持為真空狀態。試料載台12在試料室11的內部固定試料S及試料片支架P。這裡，試料載台12具備保持試料片支架P的支架固定台12a。該支架固定台12a也可以是能夠搭載複數試料片支架P的構造。

載台驅動機構13驅動試料載台12。這裡，載台驅動機構13在與試料載台12連接的狀態下收容在試料室11的內部，根據從控制用電腦22輸出的控制信號而使試料載台12相對於預定軸進行位移。載台驅動機構13具備使試料載台12至少沿著與水平面平行且相互正交的X軸及Y軸、以及與X軸及Y軸正交的鉛直方向的Z軸而平行地移動的移動機構13a。載台驅動機構13具備使試料載台12繞X軸或Y軸傾斜的傾斜機構13b、以及使試料載台12繞Z軸旋轉的旋轉機構13c。

集束離子束照射光學系統14向試料室11的內部的預定的照射區域(即掃描範圍)內的照射對象照射集束離子束(FIB)。這裡，集束離子束照射光學系統14向載置於試料載台12的試料S、試料片Q、以及存在於照射區域內的針18等照射對象，從鉛直方向上方朝向下方照射集束離子束。

集束離子束照射光學系統14具備產生離子的離子源14a、以及使從離子源14a引出的離子集束及偏向的離子光學系統14b。因應從控制用電腦22輸出的控制信號而控制離子源14a及離子光學系統14b，藉由控制用電腦22而控制集束離子束的照射位置及照射條件等。

電子束照射光學系統15向試料室11的內部的預定的照射區域內的照射對象照射電子束(EB)。這裡，電子束照射光學系統15能夠向固定於試料載台12的試料S、試料片Q及存在於照射區域內的針18等照射對象，從相對於鉛直方向傾斜了預定角度(例如60°)的傾斜方向的上方朝向下方照射電子束。

電子束照射光學系統15具備產生電子的電子源15a、以及使從電子源15a射出的電子集束及偏向的電子光學系統15b。因應從控制用電腦22輸出的控制信號而控制電子源15a及電子光學系統15b，藉由控制用電腦22而控制電子束的照射位置及照射條件等。

另外，也可以調換電子束照射光學系統15和集束離子束照射光學系統14的配置，將電子束照射光學系統15配置在鉛直方向上，將集束離子束照射光學系統14配置在相對於鉛直方向傾斜了預定角度的傾斜方向上。

檢測器16檢測藉由集束離子束或電子束的照射而從照射對象產生的二次帶電粒子(二次電子、二次離子)R。氣體供給部17向照射對象的表面供給氣體G。針18從固定於試料載台12的試料S中取出微小的試料片Q，保持著試料片Q而移設於試料片支架P。針驅動機構19對針18進行驅動而搬送試料片Q。以下，也有時將針18和針驅動機構19合稱為試料片移設單元。

吸收電流檢測器20檢測向針18流入的帶電粒子束的流入電流(也稱為吸收電流)，將檢測到的結果作為流入電流信號而向控制用電腦22輸出。

控制用電腦22至少控制載台驅動機構13、集束離子束照射光學系統14、電子束照射光學系統15、氣體供給部17以及針驅動機構19。控制用電腦22配置在試料室11的外部，將顯示裝置21和輸出與操作者的輸入操作相應的信號的滑鼠、鍵盤等輸入裝置23連接。控制用電腦22根據從輸入裝置23輸出的信號或者藉由預先設定的自動運轉控制處理而生成的信號等，統一地控制帶電粒子束裝置10的動作。

這裡，如上所述，控制用電腦22基於影像處理用電腦30的判定結果，進行與對象物相關的位置的控制。控制用電腦22具備用於與影像處理用電腦30進行通信的通信介面。

此外，控制用電腦22將從吸收電流檢測器20輸出的流入電流信號作為吸收電流圖像資料而形成圖像。這裡，控制用電腦22將一邊掃描帶電粒子束的照射位置一邊由檢測器16檢測的二次帶電粒子R的檢測量轉換成與照射位置建立對應的亮度信號，根據二次帶電粒子R的檢測量的二維位置分佈而生成表示照射對象的形狀的吸收電流圖像資料。在吸收電流圖像模式中，控制用電腦22藉由一邊掃描帶電粒子束的照射位置一邊檢測在針18中流動的吸收電流，根據吸收電流的二維位置分佈(吸收電流圖像)而生成表示針18的形狀的吸收電流圖像資料。控制用電腦22使生成的圖像資料顯示於顯示裝置21。顯示裝置21顯示基於由檢測器16檢測到的二次帶電粒子R的圖像資料等。

帶電粒子束裝置10藉由在照射對象的表面上一邊掃描集束離子束一邊進行照射，從而能夠執行照射對象的圖像化、基於濺鍍的各種加工(挖削、修整加工等)、沉積膜的形成等。

圖3是示出在本發明的實施形態的帶電粒子束裝置10中，向試料S的表面(斜線部)照射集束離子束而形成的從試料S摘出前的試料片Q的俯視圖。符號F示出藉由基於集束離子束的加工框，即，集束離子束的掃描範圍，其內側(白色部)示出藉由集束離子束照射進行濺鍍加工而挖削出的加工區域H。參考標記Ref是表示形成試料片Q(未挖削而留下)的位置的基準點。為了得知試料片Q的概要位置而利用沉積膜，在精密的對位中利用微細孔。在試料S中。試料片Q被進行蝕刻加工，使得留下與試料S連接的支承部Qa，削入側部側及底部側的周邊部而將其去除，藉由支承部Qa而懸臂支承於試料S。

接著，參照圖4及圖5對試料片支架P進行說明。圖4是試料片支架P的俯視圖，圖5是側視圖。試料片支架P具備具有切口部41的大致略半圓形板狀的基部42、以及固定於切口部41的試料載台43。作為一例，基部42由圓形板狀的金屬形成。試料載台43為梳齒形狀，具備分離配置且突出的複數用於移設試料片Q的柱狀部(以下也稱為支柱)44。

(影像處理用電腦) 接著，參照圖6對影像處理用電腦30進行說明。圖6是示出本實施形態的影像處理用電腦30的結構的一例的圖。影像處理用電腦30具備控制部300和記憶部305。控制部300具備學習資料取得部301、學習部302、判定圖像取得部303以及判定部304。

學習資料取得部301取得學習資料。學習資料是用於機器學習的學習的資訊。學習資料是學習圖像、與表示該學習圖像內的對象物的位置的資訊的組。作為一例，學習圖像內的對象物包括試料片、針、設置於試料片支架的柱狀部等。這裡，學習圖像內的對象物的種類與判定圖像內的對象物的種類相同。例如，在學習圖像內的對象物的種類為試料片、針或柱狀部的情況下，判定圖像內的對象物的種類分別為試料片、針或柱狀部。

這裡，在本實施形態中，作為學習圖像，使用藉由向對象物照射帶電粒子束而預先得到的SIM圖像、SEM圖像。從預定的方向朝對象物照射帶電粒子束。在帶電粒子束裝置10中，帶電粒子束照射系統的鏡筒的方向被固定，因此，預先決定了向對象物照射帶電粒子束的方向。

作為一例，表示學習圖像內的對象物的位置的資訊是表示該對象物的學習圖像內的位置的座標。表示該學習圖像內的位置的座標例如是二維的正交座標、極座標等。

學習圖像包括對象物的SIM圖像和SEM圖像這兩者。學習圖像是從相對於試料載台12的鉛直方向傾斜了預定角度的傾斜方向觀察對象物的情況下的SIM圖像、和從試料載台12的鉛直方向觀察對象物的情況下的SEM圖像這兩者。即，學習圖像包括從以試料載台12為基準的第1方向觀察對象物的情況下的圖像、和從第2方向觀察該對象物的情況下的圖像。第2方向是與以試料載台12為基準的第1方向不同的方向。

學習部302基於學習資料取得部301取得的學習資料，執行機器學習。學習部302將學習到的結果作為機器學習模型M而記憶於記憶部305。作為一例，學習部302按照學習資料所包含的學習圖像的對象物的每個種類而執行機器學習。因此，按照學習資料所包含的學習圖像的對象物的每個種類而生成機器學習模型M。另外，學習部302也可以不按照對象物的每個種類來執行機器學習。即，也可以與對象物的種類無關地執行共同的機器學習。例如，因應向控制用電腦22輸入的設定，在影像處理用電腦30中設定學習部302是否按照對象物的每個種類來執行機器學習。此外，在機器學習模型M中包括複數模型。機器學習模型M所包含的複數模型不僅藉由用於生成模型的學習資料的集合來區別，還藉由機器學習的演算法來區別。另外，在以下的說明中，有時將圖像中拍攝到的或描繪的對象物稱為該圖像的對象物。

這裡，學習部302所執行的機器學習例如是使用了卷積神經網路(CNN：Convolutional Neural Network)等的深度學習。在該情況下，在機器學習模型M中，包括因應學習圖像、與該學習圖像內的對象物的位置的對應而變更了節點間的權重的多層神經網路。該多層神經網路包括具有與圖像的各圖元對應的節點的輸入層、以及具有與該圖像內的各位置對應的節點的輸出層，當向輸入層輸入SIM圖像和SEM圖像的各圖元的亮度值時，從輸出層輸出表示該圖像中的位置的值的組。

判定圖像取得部303取得判定圖像。判定圖像是指從控制用電腦22輸出的SIM圖像和SEM圖像。在判定圖像中包括上述對象物的圖像。在判定圖像的對象物中，包括試料片Q、使用後的針18等與帶電粒子束的照射相關的物體。

判定圖像是從相對於試料載台12的鉛直方向傾斜了預定角度的傾斜方向觀察對象物的情況下的SIM圖像、和從試料載台12的鉛直方向觀察對象物的情況下的SEM圖像這兩者。即，判定圖像包括從第1方向觀察對象物的情況下的圖像和從第2方向觀察該對象物的情況下的圖像。這裡，第1方向是指以試料載台12為基準的方向，第2方向是指與以試料載台12為基準的第1方向不同的方向。

判定部304基於範本匹配，來判定由判定圖像取得部303取得的判定圖像所包含的對象物的位置。這裡，判定部304在範本匹配中，使用針對對象物的範本T。範本T是基於藉由帶電粒子束的照射而取得的對象物的圖像而預先製作的。作為一例，範本T被記憶在記憶部305中。判定部304在範本匹配失敗的情況下，基於藉由學習部302執行了學習的機器學習模型M，來判定由判定圖像取得部303取得的判定圖像所包含的對象物的位置。

這裡，判定圖像所包含的對象物的位置例如包括SIM圖像和SEM圖像內的試料片的拾取位置、SIM圖像和SEM圖像內的針的前端的位置、SIM圖像和SEM圖像內的柱狀部44的位置。作為判定圖像所包含的對象物的位置，作為一例，判定部304判定圖像內的對象物的座標。

另外，在本實施形態中，作為一例，判定部304在對象物為試料片Q的情況下，基於範本匹配來判定試料片Q的拾取位置，在範本匹配失敗的情況下，基於機器學習模型M來判定拾取位置。另一方面，判定部304在對象物為柱狀部44或針18的情況下，基於機器學習模型M來判定柱狀部44的位置或針18的前端的位置。判定部304即便在對象物為柱狀部44或針18等試料片Q以外的情況下，也可以與試料片Q的情況同樣，基於範本匹配進行判定，在判定失敗的情況下，基於機器學習模型M來判定對象物的位置。例如藉由使用者而預先設定在對象物的位置的判定中使用哪一種演算法。基於範本匹配的判定是第1判定的一例，基於機器學習模型M的判定是第2判定的一例。

另外，影像處理用電腦30例如也可以從外部的資料庫取得範本T、學習完的機器學習模型。在該情況下，控制部300也可以不具備學習資料取得部301和學習部302。

以下，關於控制用電腦22執行的自動微採樣(MS：Micro-sampling)的動作，即，將藉由基於帶電粒子束(集束離子束)加工試料S而形成的試料片Q自動地移設到試料片支架P的動作，大致分為初始設定工程、試料片拾取工程、試料片安裝工程而依次進行說明。 (初始設定工程) 圖7是示出本實施形態的初始設定工程的一例的圖。步驟S10：控制用電腦22進行模式及加工條件的設定。模式的設定是指在自動時序開始時因應操作者的輸入而進行的後述的姿勢控制模式的有無等的設定。加工條件的設定是加工位置、尺寸、試料片Q的個數等的設定。

步驟S20：控制用電腦22登錄柱狀部44的位置。這裡，控制用電腦22將作為對象物而包含柱狀部44的SIM圖像和SEM圖像向影像處理用電腦30發送。

在本實施形態中，包含對象物的吸收電流圖像資料是對象物的SIM圖像、和對象物的SEM圖像的組。即，包含對象物的SIM圖像和SEM圖像是從相對於試料載台12的鉛直方向傾斜了預定角度的傾斜方向觀察對象物的情況下的SIM圖像、和從試料載台12的鉛直方向觀察對象物的情況下的SEM圖像的組。

判定圖像取得部303從影像處理用電腦30取得SIM圖像和SEM圖像作為判定圖像。判定部304基於機器學習模型M，判定由判定圖像取得部303取得的判定圖像所包含的柱狀部44的位置。判定部304將表示判定出的柱狀部44的位置的位置資訊向控制用電腦22輸出。

這裡，判定部304根據從相對於試料載台12的鉛直方向傾斜了預定角度的傾斜方向觀察對象物的情況下的SIM圖像，判定對象物的位置在試料載台12中的二維座標。另一方面，判定部304根據從相對於試料載台12的鉛直方向傾斜了預定角度的傾斜方向觀察對象物的情況下的SEM圖像，判定對象物的位置在與該傾斜方向垂直的平面內的二維座標。判定部304基於判定出的試料載台12中的二維座標、和與傾斜方向垂直的平面內的二維座標，來判定對象物的位置作為三維座標的值。

另外，判定部304將在帶電粒子束裝置10中配置電子束照射光學系統15和集束離子束照射光學系統14配置的方向、兩者間的角度的資訊即方向資訊用於三維座標的值的計算。判定部304將方向資訊預先記憶於記憶部305而讀出、或者從控制用電腦22取得方向資訊。這裡，在步驟S20中，對象物是指柱狀部44。在以下的工程中，除了對象物為試料片Q的情況之外，判定部304判定對象物的位置的處理是相同的。

這裡，參照圖8至圖12，對柱狀部44和用於生成機器學習模型M的柱狀部44的學習圖像進行說明。圖8及圖9是示出本實施形態的柱狀部44的一例的圖。圖8及圖9所示的柱狀部A0是柱狀部44的設計上的構造的一例。這裡，圖8是柱狀部A0的俯視圖，圖9是柱狀部A0的側視圖。柱狀部A0具有在基部A02黏接有階梯構造的支柱A01的構造。

圖10是示出本實施形態的柱狀部44的學習圖像的一例的圖。學習圖像X11、學習圖像X12、學習圖像X13用於柱狀部44的位置的學習。在學習圖像X11、學習圖像X12、學習圖像X13中，以圓的形式示出表示柱狀部的位置的資訊。在學習圖像X11、學習圖像X12、學習圖像X13中，支柱A11、支柱A21、支柱31的形狀分別不同。另一方面，在學習圖像X11、學習圖像X12、學習圖像X13中，基部A12、基部A22、基部A32的形狀相同。

另外，作為一例，學習圖像X11、學習圖像X12、學習圖像X13是用於判定從試料載台12的水平方向觀察柱狀部44的情況下的SIM圖像和SEM圖像所包含的柱狀部44的位置的學習圖像。在圖2中，集束離子束照射光學系統14和電子束照射光學系統15未從試料載台12的水平方向面向試料載台12，但集束離子束照射光學系統14和電子束照射光學系統15中的任意一者也可以從水平方向面向試料載台12，學習圖像X11、學習圖像X12、學習圖像X13是用於判定該情況下的柱狀部44的位置的學習圖像。

圖11是示出本實施形態的支柱未成為階梯構造的柱狀部44的一例的圖。圖11所示的柱狀部A4是支柱未成為階梯構造的柱狀部44的設計上的構造的一例的側視圖。

圖12是示出本實施形態的支柱未成為階梯構造的柱狀部44的學習圖像的一例的圖。作為一例，學習圖像X21、學習圖像X22、學習圖像X23是用於判定從試料載台12的鉛直方向觀察柱狀部44的情況下的SEM圖像所包含的柱狀部44的位置的學習圖像。在學習圖像X21、學習圖像X22、學習圖像X23中，支柱A51、支柱A61、支柱71的形狀分別不同。另一方面，在學習圖像X21、學習圖像X22、學習圖像X23中，基部A52、基部A62、基部A72的形狀相同。

在從前的範本匹配中，在支柱的形狀不同的情況下，有時無法判定柱狀部的位置。另一方面，由於機器學習模型M是基於使用了包含柱狀部44的基部的學習圖像的機器學習而生成的，因此，在機器學習模型M中，例如，將基部的形狀作為特徵量來學習。因此，在帶電粒子束裝置10中，即便在支柱的形狀不同的情況下，柱狀部的判定的精度也提高。學習圖像的對象物體優選在複數學習圖像的對象物體相互之間包括相同形狀的部位。

返回圖7繼續進行初始設定工程的說明。控制用電腦22基於表示由影像處理用電腦30判定出的柱狀部44的位置的位置資訊，來登錄柱狀部44的位置。另外，在柱狀部44的學習圖像中，優選包括位於柱狀部44中的試料載台43的兩端的柱狀部的圖像。影像處理用電腦30基於使用包括該學習圖像的學習資料而生成的機器學習模型M，將柱狀部44中的試料載台43的兩端的柱狀部與兩端以外的柱狀部區別地進行檢測。控制用電腦22也可以從檢測到的兩端的柱狀部的位置來計算試料片支架P的傾斜。控制用電腦22也可以基於計算出的傾斜，來補正對象物的位置的座標值。

步驟S30：控制用電腦22對集束離子束照射光學系統14進行控制來加工試料S。

(試料片拾取工程) 圖13是示出本實施形態的試料片拾取工程的一例的圖。這裡，拾取是指藉由基於集束離子束的加工或針，將試料片Q從試料S中分離、摘出。

步驟S40：控制用電腦22調整試料的位置。這裡，控制用電腦22為了使作為對象的試料片Q進入帶電粒子束的視野而通超載台驅動機構13使試料載台12移動。這裡，控制用電腦22使用參考標記Ref與試料片Q的相對位置關係。控制用電腦22在試料載台12移動後，進行試料片Q的對位。

步驟S50：控制用電腦22執行針18的移動。這裡，參照圖14，對控制用電腦22所執行的針18的移動用的處理進行說明。圖14是示出本實施形態的針18的移動處理的一例的圖。圖14的步驟S510至步驟540對應於圖13的步驟S50。

步驟S510：控制用電腦22藉由針驅動機構19而執行使針18移動的針移動(粗調整)。步驟S520：控制用電腦22檢測針18的前端。這裡，控制用電腦22將包含針18作為對象物的吸收電流圖像資料向影像處理用電腦30發送。

判定圖像取得部303從影像處理用電腦30取得SIM圖像和SEM圖像作為判定圖像。判定部304基於機器學習模型M，來判定由判定圖像取得部303取得的判定圖像所包含的針18的位置，作為對象物的位置。判定部304將表示判定出的針18的位置的位置資訊向控制用電腦22輸出。

接著，控制用電腦22基於表示由影像處理用電腦30判定出的針18的位置的位置資訊，藉由針驅動機構19而執行使針18移動的針移動(微調整)。

這裡，參照圖16至圖19，對於針18、用於生成機器學習模型M的針18的學習圖像進行說明。圖16是示出本實施形態的包含針18的前端的SEM圖像資料的一例的圖。圖17是示出本實施形態的包含針18前端的SIM圖像資料的一例的圖。

圖18是示出本實施形態的針18的前端的一例的圖。在圖18中，作為針18的一例，示出從相對於試料載台12的鉛直方向傾斜了預定角度的傾斜方向觀察的情況下的針B1。

圖19是示出本實施形態的針18的學習圖像的一例的圖。學習圖像Y31、學習圖像Y32、學習圖像Y33用於針18的前端的位置的學習。在學習圖像Y31、學習圖像Y32、學習圖像Y33中，以圓的形式示出表示針18的前端的位置的資訊。在學習圖像Y31、學習圖像Y32、學習圖像Y33中，針的前端的粗細度分別不同。另一方面，在學習圖像Y31、學習圖像Y32、學習圖像Y33中，針的前端的形狀相同。

實際的針18的前端的粗細度藉由清潔而變化。在從前的範本匹配中，在針的前端的粗細度不同的情況下，有時無法判定針的前端的位置。另一方面，由於機器學習模型M是基於使用了包含針18的前端的學習圖像的機器學習而生成的，因此，在機器學習模型M中，例如，將針的前端的形狀作為特徵量來學習。因此，在帶電粒子束裝置10中，即便在針的前端的粗細度不同的情況下，針的前端的判定的精度也提高。

這裡，參照圖15，對影像處理用電腦30判定針18的前端的位置的詳細處理進行說明。圖15是示出本實施形態的針前端位置判定處理的一例的圖。圖15所示的針前端位置判定處理在圖14的步驟S520中被執行。

步驟S5210：判定部304基於機器學習模型M，來判定由判定圖像取得部303取得的判定圖像所包含的針18的前端的位置，作為對象物的位置。

步驟S5220：判定部304判定是否能夠判定針18的前端的位置。判定部304在判定為能夠判定針18的前端的位置的情況下(步驟S5220；YES)，將表示判定出的針18的前端的位置的位置資訊向控制用電腦22輸出，結束針前端位置判定處理。另一方面，判定部304在判定為無法判定針18的前端的位置的情況下(步驟S5220；NO)，執行步驟S5230的處理。

無法判定針18的前端的位置的情況例如是在針18的前端附著有將試料片Q切斷後的一部分而不能準確地判定針18的前端的位置的情況。圖20是示出在本實施形態的針B2的前端附著的試料片Q2的一例的圖。以下，有時將無法判定針18的前端的位置的情況稱為異常情況。

步驟S5230：判定部304在現在的拾取位置判定處理中，判定是否執行完異物檢測。判定部304在判定為執行完異物檢測的情況下(步驟S5230；YES)，執行步驟S5240的處理。另一方面，判定部304在判定為未執行完異物檢測的情況下(步驟S5230；NO)，執行步驟S5250的處理。

步驟S5240：判定部304使控制用電腦22停止自動微採樣。這裡，判定部304將用於使自動微採樣停止的停止信號向控制用電腦22輸出。之後，判定部304結束針前端位置判定處理。

步驟S5250：判定部304基於機器學習模型M，判定由判定圖像取得部303取得的判定圖像所包含的異物。這裡，異物是指在針18的前端附著了試料片Q的一部分。

這裡，參照圖21，對用於藉由機器學習進行異常情況的判定的學習圖像進行說明。圖21是示出本實施形態的異常情況用的學習圖像的一例的圖。在學習圖像Y41、學習圖像Y42、學習圖像Y43、學習圖像Y44、學習圖像Y45、學習圖像Y46中，在針(針B41、針B42、針B43、針B44、針B45、針B46)的前端附著有試料片的一部分(試料片Q41、試料片Q42、試料片Q43、試料片Q44、試料片Q45、試料片Q46)。

步驟S5260：判定部304判定是否能夠判定異物。判定部304在判定為能夠判定異物的情況下(步驟S5260；YES)，執行步驟S5270的處理，另一方面，判定部304在判定為無法判定異物的情況下(步驟S5260；NO)，執行步驟S5240的處理。

步驟S5270：判定部304使控制用電腦22去除異物。這裡判定部304將用於執行異物的去除的控制信號向控制用電腦22輸出。之後，判定部304再次執行步驟S5210的處理。即，判定部304判定去除了異物的針18的前端的位置。

異物的去除是指藉由針18的清潔而去除附著於針18的前端的試料片Q的一部分。圖22是示出本實施形態的異物的去除的一例的圖。在圖22所示的異物的去除中，設置有針18的清潔用的加工框FR6而將針B6的異物Q6去除。

返回圖14而繼續進行針18的移動處理的說明。步驟S530：控制用電腦22檢測試料片Q的拾取位置。這裡，控制用電腦22將作為對象物而包含試料片Q的SIM圖像和SEM圖像向影像處理用電腦30發送。

這裡，參照圖23，對影像處理用電腦30的判定拾取位置的處理進行說明。圖23是示出本實施形態的拾取位置判定處理的一例的圖。圖23所示的步驟S5310至步驟S5370的各處理對應於圖14的步驟S530的處理。

步驟S5310：判定部304基於範本匹配，來判定由判定圖像取得部303取得的判定圖像所包含的試料片Q的拾取位置。這裡判定部304在範本匹配中，使用記憶於記憶部305的範本T。

步驟S5320：判定部304判定是否能夠基於範本匹配判定試料片Q的拾取位置。判定部304在範本匹配的分數為預定的值以上的情況下，判定為能夠判定拾取位置。判定部304在判定為能夠判定拾取位置的情況下(步驟S5320；YES)，將表示判定出的拾取位置的位置資訊向控制用電腦22輸出，結束拾取位置判定處理。另一方面，判定部304在判定為無法判定拾取位置的情況下(步驟S5320；NO)，執行步驟S5330的處理。

步驟S5330：判定部304選擇用於判定拾取位置的機器學習模型M-j。這裡，判定部304從機器學習模型M所包含的機器學習模型M-i(i=1、2、・・・、N：N為模型的數量)中選擇1個用於判定拾取位置的機器學習模型M-j。在本實施方式中，作為一例，判定部304基於預定的順序，選擇機器學習模型M所包含的機器學習模型M-i(i=1、2、・・・、N：N為模型的數量)中的在現在的拾取位置判定處理中未選擇的機器學習模型。預定的順序例如是機器學習模型M-i的指數i的上升順序。

步驟S5340：判定部304基於選擇出的機器學習模型M-j來判定拾取位置。該判定的處理與在上述的步驟S20等中的判定部304判定對象物的位置的處理相同。

步驟S5350：判定部304判定是否能夠基於選擇出的機器學習模型M-j判定試料片Q的拾取位置。判定部304在判定為能夠判定拾取位置的情況下(步驟S5350；YES)，將表示判定出的拾取位置的位置資訊向控制用電腦22輸出，結束拾取位置判定處理。另一方面，判定部304在判定為無法判定拾取位置的情況下(步驟S5350；NO)，執行步驟S5360的處理。

步驟S5360：判定部304判定是否使用了機器學習模型M所包含的所有機器學習模型M-i(i=1、2、・・・、N：N為模型的數量)。判定部304在判定為使用了所有機器學習模型的情況下(步驟S5360；YES)，執行步驟S5370的處理。另一方面，判定部304在判定為未使用所有機器學習模型的情況下(步驟S5360；NO)，再次執行步驟S5330的處理。

步驟S5370：判定部304使控制用電腦22停止自動微採樣。這裡，判定部304將用於使自動微採樣停止的停止信號向控制用電腦22輸出。之後，判定部304結束拾取位置判定處理。

這裡，參照圖24及圖25，針對試料片Q、用於生成機器學習模型M的試料片Q的學習圖像進行說明。圖24是示出包含本實施形態的試料片Q的SIM圖像資料的一例的圖。在圖24中，作為試料片Q的一例，與表示拾取位置的圓一起示出試料片Q71。

圖25是示出本實施形態的試料片Q的學習圖像的一例的圖。學習圖像Z11、學習圖像Z12、學習圖像Z13用於試料片Q的前端的位置的學習。在學習圖像Z11、學習圖像Z12、學習圖像Z13中，以圓的形式示出表示試料片Q的拾取位置的資訊。在學習圖像Z11、學習圖像Z12、學習圖像Z13中，試料片的尺寸、表面的形狀分別不同。另一方面，在學習圖像Z11、學習圖像Z12、學習圖像Z13中，試料片的拾取位置處的形狀相同。

實際的試料片的表面的形狀按照每個個體而不同。在從前的範本匹配中，在試料片的表面的形狀不同的情況下，有時無法判定試料片的拾取位置。另一方面，由於機器學習模型M是基於使用了包含試料片Q的拾取位置的學習圖像的機器學習而生成的，因此，在機器學習模型M中，例如，將試料片Q的拾取位置的形狀作為特徵量來學習。因此，在帶電粒子束裝置10中，即便在試料片的表面的形狀不同的情況下，試料片Q的拾取位置的判定的精度也提高。

另外，在圖23所示的步驟S5330中，也可以變更從機器學習模型M所包含的機器學習模型M-i(i=1、2、・・・、N：N為模型的數量)中選擇1個用於判定對象物的機器學習模型M-j的處理中的順序。例如，也可以在最初執行影像處理用電腦30判定對象物(在圖23的一例中為拾取位置)的處理的情況下，設為上述的預定的順序，在第2次以後的處理中，因應是否能夠判定前次的對象物來變更該順序。例如，在判定前次的對象物的處理中能夠基於機器學習模型M-k而判定對象物的情況下，判定部304也可以將該機器學習模型M-k的順序在機器學習模型M所包含的機器學習模型M-i(i=1、2、・・・、N：N為模型的數量)中設為最初的順序。或者，判定部304也可以將該機器學習模型M-k的順序提前預定的順位(例如1個)。此外，在判定前次的對象物的處理中無法基於機器學習模型M-m而判定對象物的情況下，判定部304也可以將該機器學習模型M-m的順序設為最後的順序。或者，判定部304也可以使該機器學習模型M-m的順序後退預定的順位(例如1個)。

此外，在圖23所示的判定對象物的處理中，在使用了機器學習模型M所包含的所有機器學習模型M-i(i=1、2、・・・、N：N為模型的數量)之後無法判定對象物的情況下，學習部302也可以將無法判定對象物的判定圖像包含於學習圖像而重新執行機器學習，更新機器學習模型M。在該情況下，例如，學習部302將無法判定對象物的判定圖像追加於學習資料，重新執行機器學習，更新機器學習模型M。追加於學習資料的無法判定對象物的判定圖像的數量可以為複數。更新機器學習模型M是指向機器學習模型M追加在重新執行了學習的結果中得到的模型。或者，更新機器學習模型M也可以是指利用在重新執行了學習的結果中得到的模型，置換機器學習模型M所包含的複數模型中的任意一個模型。

學習部302更新機器學習模型M的時期例如是每隔預定的日數的時期。學習部302例如每隔7天更新機器學習模型M。另外，學習部302也可以在影像處理用電腦30從帶電粒子束裝置10的使用者受理到更新機器學習模型M的操作的情況下，更新機器學習模型M。

學習部302也可以在更新機器學習模型M之後，基於更新後的機器學習模型M來計算判定精度。在該情況下，例如，在記憶部305中預先記憶測試圖像集。測試圖像集是包括與判定圖像所包含的對象物(在圖23的例子中為拾取位置)相同種類的對象物的圖像的複數圖像。由於測試圖像集被預先記憶於記憶部305，因此，也可以由帶電粒子束裝置10的使用者變更。例如學習部302基於更新前的機器學習模型M，使判定部304判定包含於測試圖像集的圖像所包含的對象物，基於判定結果來計算判定精度。接著，學習部302基於更新後的機器學習模型M，使判定部304判定包含於測試圖像集的圖像所包含的對象物，基於判定結果來計算判定精度。學習部302例如計算在對象物的判定中成功的圖像相對於測試圖像集所包含的圖像的比例，作為判定精度。學習部302在更新後的機器學習模型M與更新前的機器學習模型M相比提高了判定精度的情況下，利用更新後的機器學習模型M來置換儲存於記憶部305的機器學習模型M。另一方面，學習部302在更新後的機器學習模型M與更新前的機器學習模型M相比未提高判定精度的情況下，廢棄更新後的機器學習模型M。

此外，也可以由使用者生成機器學習模型M。在該情況下，例如，使用者操作影像處理用電腦30而生成機器學習模型M。使用者預先準備學習圖像。學習資料取得部301取得由使用者預先準備的學習圖像。預先準備的學習圖像例如藉由使用帶電粒子束裝置對SIM圖像、SEM圖像進行拍攝而生成。這裡，關於預先準備的學習圖像，優選在與帶電粒子束裝置10實際生成SIM圖像、SEM圖像作為判定圖像的情況相同程度的範圍內使針對圖像的參數變化而生成。針對圖像的參數包括對比度、亮度、倍率、焦點、以及射束條件等。

在使用者預先準備學習圖像的情況下，在學習圖像所包含的複數圖像中，不優選確定種類的圖像的比例變多。在使用者預先準備學習圖像的情況下，優選在學習圖像中，以複數種類的圖像的張數彼此均等的方式包括該等複數圖像。這裡，例如藉由上述的針對圖像的參數來區別圖像的種類。另外，學習圖像也可以包括後述的擬似圖像。

此外，在由使用者生成機器學習模型M的情況下，藉由使用者來判定用於機器學習的學習圖像的妥當性。在該情況下，使用者在判定學習圖像的妥當性的情況下，可以利用XAI(Explainable AI)。說明在XAI中機器學習的模型進行判定的過程。學習部302基於XAI，在機器學習模型M在包括對象物的圖像中判定對象物的位置的過程中，判定在該圖像中作為表示對象物的位置的特徵點而使用的區域。學習部302例如使用Layerwise relevance propagation(LRP)等方法作為XAI。使用者藉由目視來確認學習部302判定出的作為特徵點而使用的區域，判定學習圖像的妥當性。

這裡，參照圖26至圖29，對基於XAI的學習圖像的妥當性的判定進行說明。圖26是示出本實施形態的學習圖像Y5的一例的圖。在學習圖像Y5中，包括圖像Y51至圖像Y54。圖像Y51至圖像Y54也可以是SEM圖像、SIM圖像、或者後述的擬似圖像等中的任意圖像。在圖像Y51至圖像Y54中，分別包括針B41至針B44。在基於學習圖像Y5學習到的機器學習模型M5中，在圖像Y51至圖像Y54中，施加各個區域R41至區域R44是表示針的前端的區域這一條件來執行機器學習。在圖26中，作為一例，區域R41至區域R44各自的形狀是橢圓。

圖27是示出本實施形態的追加圖像I1的一例的圖。追加圖像I1是要向學習圖像Y5追加的學習圖像，是判定針對是否應設為學習圖像Y5的妥當性的對象。作為一例，追加圖像I1包括針的圖像。追加圖像I1也可以是SEM圖像、SIM圖像、或者後述的擬似圖像等中的任意圖像。

圖28及圖29是示出本實施形態的判定出特徵點的圖像的一例的圖。在圖28中，示出圖像O1，該圖像O1示出在例如基於作為機器學習模型M的機器學習模型M1而判定出圖27所示的追加圖像I1所包含的針的前端的位置的情況下，機器學習模型M1作為特徵點而使用的區域R1。在圖29中示出圖像O2，該圖像O2示出在例如基於作為機器學習模型M的機器學習模型M2而判定出圖27所示的追加圖像I1所包含的針的前端的位置的情況下，機器學習模型M2作為特徵點而使用的區域R21及區域R22。機器學習模型M1及機器學習模型M2分別是基於學習圖像Y5執行機器學習而生成的。

根據圖像O1，機器學習模型M1將區域R1用作特徵點來進行判定。區域R1對應於針的前端的位置。如上所述，在圖26所示的學習圖像Y5中，示出表示針的前端的區域，因此，無需向機器學習模型M1追加追加圖像I1。在該情況下，使用者判定為向學習圖像Y5追加追加圖像I1是不妥當的。根據圖像O2，機器學習模型M2將區域R21及區域R22用作特徵點來進行判定。區域R21對應於針的前端的位置。另一方面，區域R22對應於針的前端以外的位置。如果課予區域R22對應於針的前端以外的位置這一條件而將追加圖像I1用於機器學習模型M2的學習，則期待抑制將區域R22所示的針的前端以外的位置判定為針的前端。在該情況下，使用者判定為向學習圖像Y5追加追加圖像I1是妥當的。

此外，在圖23所示的判定對象物的處理中，說明了在步驟S5310中無法基於模板匹配來判定對象物的情況下，圖像處理用計算機30從機器學習模型M所包含的機器學習模型M-i(i=1、2、・・・、N：N為模型的數量)中選擇1個用於判定對象物的機器學習模型M-j，即，進行重試的情況下的一例，但不限於此。影像處理用電腦30也可以並行地執行基於範本匹配的判定、和基於機器學習模型M的判定，選擇判定為妥當的結果作為對象物的判定結果。

返回圖14，繼續進行針18的移動處理的說明。步驟S540：控制用電腦22使針18移動至檢測到的拾取位置。以上，控制用電腦22結束針18的移動處理。

返回圖13，繼續進行試料片拾取工程的說明。步驟S60：控制用電腦22將針18與試料片Q連接。這裡控制用電腦22使用沉積膜來進行連接。步驟S70：控制用電腦22對試料S與試料片Q進行加工分離。這裡，圖30示出加工分離的情形，是示出本發明的實施形態的SIM圖像資料中的試料S及試料片Q的支承部Qa的切斷加工位置T1的圖。

步驟S80：控制用電腦22使針18退避。這裡，控制用電腦22與步驟S50的針18的移動處理同樣地檢測針18的前端的位置，使針18移動而進行退避。

步驟S90：控制用電腦22使試料載台12移動。這裡，控制用電腦22藉由載台驅動機構13使試料載台12移動，使得在上述的步驟S20中登錄的特定的柱狀部44進入基於帶電粒子束的觀察視野區域內。

(試料片安裝工程) 圖31是示出本實施形態的試料片安裝工程的一例的圖。這裡，試料片安裝工程是指將摘出的試料片Q移設到試料片支架P的工程。步驟S100：控制用電腦22判定試料片Q的移設位置。這裡，控制用電腦22將在上述的步驟S20中登錄的特定的柱狀部44判定為移設位置。

步驟S110：控制用電腦22檢測針18的位置。這裡，控制用電腦22與上述的步驟S520同樣地檢測針18的前端的位置。步驟S120：控制用電腦22使針18移動。這裡，控制用電腦22藉由針驅動機構19，使針18移動到在步驟S100中判定出的試料片Q的移設位置。控制用電腦22使針18空出預先決定的空隙而停止在柱狀部44與試料片Q之間。

步驟S130：控制用電腦22將與針18連接的試料片Q與柱狀部44連接。步驟S140：控制用電腦22將針18與試料片Q分離。這裡，控制用電腦22藉由將連接針18與試料片Q的沉積膜DM2切斷而進行分離。步驟S150：控制用電腦22使針18退避。這裡，控制用電腦22藉由針驅動機構19使針18與試料片Q分離預定距離。

步驟S160：控制用電腦22判定是否執行下一個採樣。這裡，執行下一個採樣是指接著從相同的試料S的不同場所繼續進行採樣。應採樣的個數的設定在步驟S10中被事先登錄，因此，控制用電腦22確認該資料，判定是否執行下一個採樣。在判定為執行下一個採樣的情況下，控制用電腦22返回步驟S50，如上述那樣繼續進行後續的步驟，執行採樣作業。另一方面，控制用電腦22在判定為不執行下一個採樣的情況下，結束自動微採樣的一系列流程。

另外，在本實施形態中，說明了學習資料是學習圖像、與表示該學習圖像內的對象物的位置的資訊的組的情況的一例，但不限於此。在學習資料中，除了學習圖像以外，也可以包括如下的參數資訊，該參數資訊是表示試料的種類、掃描參數(集束離子束照射光學系統14、以及電子束照射光學系統15的加速電壓等)、從執行針18的清潔開始的使用次數、在針18的前端是否附著有異物等的資訊。

在該情況下，機器學習模型M1是基於學習圖像和參數資訊執行機器學習而生成的。此外，判定部304從控制用電腦22除了取得SIM圖像、SEM圖像的圖像資料之外還取得參數資訊，基於圖像資料、參數資訊、以及機器學習模型M1，判定對象物在圖像內的位置。

此外，在參數資訊中還可以包括上述的方向資訊。在學習資料包括方向資訊的情況下，學習對象物與觀察該對象物的方向(以試料載台12為基準的方向)的關係，生成機器學習模型M1，因此，判定部304無需在對象物的位置的判定中使用方向資訊。

另外，如上所述，電腦(在本實施形態中為控制用電腦22)根據由影像處理用電腦30基於機器學習的模型(在本實施形態中為機器學習模型M1)、以及包括第2圖像(在本實施形態中為柱狀部44、針18及試料片Q的SIM圖像、SEM圖像)的第2資訊來判定與第2對象物(在本實施形態中為柱狀部44、針18及試料片Q)相關的位置而得到的結果，進行與第2對象物(在本實施形態中為柱狀部44、針18及試料片Q)相關的位置的控制。另外，影像處理用電腦30與控制用電腦22也可以以成為一體的方式配置於帶電粒子束裝置10。

(第2實施形態) 以下，參照圖式對本發明的第2實施形態詳細進行說明。在本實施形態中，說明作為學習圖像，使用了因應對象物的種類而生成的擬似圖像、或者選擇因應對象物的種類而使用的機器學習模型。將本實施形態的帶電粒子束裝置10稱為帶電粒子束裝置10a，將影像處理用電腦30稱為影像處理用電腦30a。

圖32是示出本實施形態的影像處理用電腦30a的結構的一例的圖。當比較本實施形態的影像處理用電腦30a(圖32)與第1實施形態的影像處理用電腦30(圖6)時，學習圖像生成部306a、分類部307a、機器學習模型M1a及分類用學習模型M2a不同。這裡，其他結構要素所具有的功能與第1實施形態相同。省略與第1實施形態相同的功能的說明，在第2實施形態中，以與第1實施形態不同的部分為中心來進行說明。控制部300a除了具備學習資料取得部301、學習部302、判定圖像取得部303以及判定部304之外，還具備學習圖像生成部306a和分類部307a。

學習圖像生成部306a生成擬似圖像PI作為學習圖像。在本實施形態中，擬似圖像PI是指，基於藉由向對象物的帶電粒子束的照射而預先得到的SIM圖像和SEM圖像而生成的圖像。作為一例，學習圖像生成部306a基於裸件BW和圖案圖像PT而生成擬似圖像PI。

裸件BW是從對象物去除了表面的圖案而示出對象物的形狀的圖像。裸件BW優選是示出尺寸、對比度、焦點等不同的複數對象物的形狀的複數圖像。裸件BW是SIM圖像與SEM圖像不同且使用圖像軟體進行描繪而得到的圖像。圖案圖像PT是示出與對象物的內部構造相應的圖案的圖像。圖案圖像PT可以是藉由帶電粒子束的照射而得到的SIM圖像、SEM圖像，也可以是使用圖像軟體進行描繪而得到的圖像。

學習圖像生成部306a使用擬似圖像生成演算法，對圖案圖像PT所示的與對象物的內部構造相應的圖案施加隨機雜訊，藉由與裸件BW重選而生成擬似圖像PI。

在本實施形態中，作為一例，對學習圖像生成部306a生成擬似圖像PI作為試料片Q的學習圖像的情況的一例進行說明，但不限於此。學習圖像生成部306a也可以生成擬似圖像PI作為針18、柱狀部44的學習圖像。此外，學習圖像生成部306a也可以生成在針18的前端附著有試料片Q的一部分的情況下的擬似圖像PI作為上述的異常情況的學習圖像。

另外，學習圖像生成部306a也可以在學習圖像中包含藉由上述第1實施形態的向對象物的帶電粒子束的照射而預先得到的SIM圖像和SEM圖像。即，學習圖像生成部306a可以僅使用擬似圖像PI作為學習圖像，也可以組合使用擬似圖像PI、SIM圖像以及SEM圖像作為學習圖像。

學習部302在機器學習中，從學習圖像生成部306a生成的學習圖像中提取對象物的表面的形狀、內部構造的圖案作為特徵量，生成機器學習模型M1a。

這裡，參照圖33至圖35，對擬似圖像PI的生成方法進行說明。圖33是示出本實施形態的裸件BW的一例的圖。在圖33中，作為試料片Q的裸件BW而示出裸件BW1、裸件BW2、裸件BW3。裸件BW1、裸件BW2、裸件BW3是模仿了複數尺寸的試料片Q的形狀的圖像。另外，在裸件BW1、裸件BW2、裸件BW3中分別包含與針18對應的圖像，作為表示拾取位置的資訊。

圖34是示出本實施形態的圖案圖像PT的一例的圖。在圖34中，作為圖案圖像PT，示出使用者樣本U1。使用者樣本U1是因應帶電粒子束裝置10a的使用者要加工的試料片Q的種類而預先準備的圖像。在使用者樣本U1中，針對由複數層構成的試料片，描繪出與構成該複數層的物質的種類相應的圖案。

圖35是示出本實施形態的擬似圖像PI的一例的圖。在圖35中，作為擬似圖像PI，示出圖33的裸件BW1、裸件BW2、裸件BW3、以及基於圖34的使用者樣本U1而生成的擬似圖像PI1、擬似圖像PI2、擬似圖像PI3。擬似圖像PI1、擬似圖像PI2、擬似圖像PI3在複數尺寸的試料片Q的形狀上重疊有使用者樣本U1所示的內部構造的圖案。

返回圖32，繼續進行影像處理用電腦30a的結構的說明。分類部307a基於分類用學習模型M2a，對判定圖像取得部303所取得的判定圖像進行分類。分類用學習模型M2a是用於因應對象物的種類而從機器學習模型M1a所包含的複數模型中選擇判定部304用於判定的模型的模型。這裡，機器學習模型M1a所包含的複數模型不僅藉由用於生成模型的學習資料的集合來區別，還藉由機器學習的演算法來區別。

分類用學習模型M2a例如將每個使用者要加工的試料片Q的種類、與機器學習模型M1a所包含的模型建立對應。分類用學習模型M2a基於機器學習被預先生成並儲存在記憶部305中。

接著，參照圖36，來說明作為使用了分類用學習模型M2a的帶電粒子束裝置10a的自動微採樣的動作而檢測試料片Q的拾取位置的處理。圖36是示出本實施形態的拾取位置的檢測處理的一例的圖。步驟S310：分類部307a基於分類用學習模型M2a，對判定圖像取得部303所取得的判定圖像進行分類。步驟S320：分類部307a因應分類的結果，從機器學習模型M1a所包含的複數模型中選擇判定部304用於判定的機器學習模型。另外，分類部307a也可以因應分類的結果，選擇範本匹配，來作為判定部304用於判定的演算法。步驟S330：判定部304基於分類部307a選擇出的機器學習模型，判定由判定圖像取得部303取得的判定圖像所包含的試料片Q的拾取位置。這裡，判定部304在步驟S330中執行上述的圖23的拾取位置判定處理。

這裡，基於分類部307a的分類是用於選擇判定的種類的第3判定的一例。也可以代替圖23的步驟S5310的範本匹配，使用機器學習模型M1a所包含的複數模型中的任意一個模型來執行基於機器學習的判定。因此，分類部307a因應用於選擇判定的種類(演算法)的第3判定的結果，針對第1判定(作為一例，為步驟S5310中的判定)、第2判定(作為一例，為步驟S5340中的判定)中的至少一者來選擇判定的種類(演算法)。

步驟S340：判定部304判定是否能夠判定試料片Q的拾取位置。判定部304在判定為能夠判定拾取位置的情況下(步驟S340；YES)，將表示判定出的拾取位置的位置資訊向控制用電腦22輸出，結束拾取位置判定處理。另一方面，判定部304在判定為無法判定拾取位置的情況下(步驟S340；NO)，執行步驟S350的處理。

步驟S350：判定部304使控制用電腦22停止自動微採樣。這裡，判定部304將用於使自動微採樣停止的停止信號向控制用電腦22輸出。之後，判定部304結束拾取位置判定處理。

另外，在上述的實施形態中，說明了判定部304在對象物的位置的判定中在第1判定失敗的情況下進行第2判定的情況的一例，但不限於此。判定部304也可以在第1判定成功的情況下也繼續進行第2判定，基於第1判定的結果和第2判定的結果的兩者來判定對象物的位置。例如，判定部304也可以基於範本匹配來判定對象物的位置，接著基於機器學習來判定對象物的位置，在各個判定結果所示的位置一致的情況下，將判定結果所示的位置判定為對象物的位置。

另外，判定部304也可以根據基於第1判定的結果和第2判定的結果中的至少一者而選擇出的第4判定的結果來進行對象物的位置的控制。以下說明該情況的具體例。例如，判定部304針對對象物的位置的判定，也可以基於前次進行的判定的結果來選擇下次的判定方法。在針對對象物的位置的判定，基於前次進行的判定的結果來選擇下次的判定方法的情況下，例如，判定部304也可以基於前次進行的第1判定的結果和前次進行的第2判定的結果，在第1判定的精度比第2判定的精度低的情況下，在下次的判定中首先進行第2判定。此外，判定部304也可以針對第1判定的種類、第2判定的種類，基於前次進行的判定的種類來選擇下次使用的判定的種類。

此外，判定部304也可以基於因應前次的第1判定的結果而進行的第2判定的結果，來選擇用於下次的判定的第1判定的種類。例如，判定部304也可以根據在範本匹配失敗的情況下進行的基於機器學習的判定的精度，來選擇在範本匹配中使用的範本的種類。

此外，判定部304也可以基於前次的第2判定的結果，來選擇用於下次的判定的第2判定的種類。例如，判定部304也可以在下次以後的判定中繼續使用第2判定的種類中的某個種類，直至第2判定的精度成為預定的值以下，在第2判定的精度成為預定的值以下的情況下，變更第2判定的種類。在該情況下，例如，判定部304也可以在下次以後的判定中繼續使用機器學習的複數模型中的某個模型，直至基於該模型的判定的精度成為預定的值以下，在基於該模型的判定的精度成為預定的值以下的情況下，變更機器學習的模型。

這樣，判定部304也可以根據基於第1判定的結果和第2判定的結果中的至少一者而選擇的第4判定的結果、以及包括藉由帶電粒子束的照射而取得的圖像的資訊，來進行對象物的位置的控制。

另外，說明了如下情況的一例：在圖36所示的拾取位置的檢測處理中，在步驟S320中，根據將判定圖像分類而得到的結果，從機器學習模型M1a所包含的複數模型中選擇用於判定的機器學習模型的情況的一例，但不限於此。也可以基於針對將判定圖像分類而得到的結果計算出的分數，選擇用於判定的機器學習模型。

例如，分類部307a基於分類用學習模型M2a，對判定圖像取得部303所取得的判定圖像進行分類，之後，針對分類的結果而計算分數(稱為分類分數)。分類部307a例如藉由計算針對分類的結果的事後機率而計算分類分數。分類部307a將分類分數計算為在0點至100點等預定的範圍內具有值的數值。分類部307a在計算出的分類分數為預定的值以上的情況下，根據分類的結果，從機器學習模型M1a所包含的複數模型中選擇判定部304用於判定的機器學習模型。

另一方面，分類部307a在計算出的分類分數小於預定的值的情況下，從機器學習模型M1a所包含的複數模型中，除了選擇與分類的結果相應的機器學習模型之外，還選擇與和分類的結果類似的分類對應的機器學習模型。即，分類部307a從機器學習模型M1a所包含的複數模型中選擇複數機器學習模型。判定部304基於分類部307a選擇出的複數機器學習模型，按照複數機器學習模型的每一個來判定判定圖像所包含的對象物的位置。判定部304在複數機器學習模型相互之間對判定的結果進行比較。判定部304例如針對判定出的結果而計算分數(稱為位置判定分數)，選擇位置判定分數最高的結果作為對象物的位置的判定結果。位置判定分數是針對基於機器學習模型M而進行的對象物的位置的判定的分數。

另外，為了使判定部304進行對象物的位置的判定，也可以預先設定位置判定分數的閾值。在判定部304進行對象物的位置的判定前的時期，由帶電粒子束裝置10的使用者預先設定位置判定分數的閾值。在該情況下，判定部304在判定是否能夠判定對象物的位置的情況下，除了判定是否能夠判定對象物的位置之外，還判定位置判定分數是否為閾值以上。判定部304在判定為能夠判定對象物的位置且位置判定分數為閾值以上的情況下，判定為能夠判定對象物的位置。判定部304即便在判定為能夠判定對象物的位置的情況下，當位置判定分數不為閾值以上時，也判定為無法判定對象物的位置。

此外，在預先知曉對象物的位置包含於某一範圍的情況下，也可以在對象物的位置的判定結果中，對表示對象物的位置的座標的範圍設置限制。在判定部304進行對象物的位置的判定前的時期，由帶電粒子束裝置10的使用者預先設定座標的範圍。在該情況下，判定部304在判定是否能夠判定對象物的位置的情況下，僅在判定為能夠判定對象物的位置、且位置判定分數為閾值以上、並且表示對象物的位置的座標位於預先設定的範圍內時，判定為能夠判定對象物的位置。判定部304即便在判定為能夠判定對象物的位置的情況下，當位置判定分數小於閾值或者表示對象物的位置的座標位於預先設定的範圍外時，也判定為無法判定對象物的位置。

另外，在上述實施形態中，說明了帶電粒子束裝置10、10a具備集束離子束照射光學系統14和電子束照射光學系統15這2個帶電粒子束照射光學系統的情況的一例，但不限於此。帶電粒子束裝置也可以具備1個帶電粒子束照射光學系統。在該情況下，優選在藉由帶電粒子束照射光學系統的帶電粒子束照射而得到的判定圖像中，例如除了映出對象物之外還映出該對象物的影子。此外，在該情況下，對象物是針18。

針18的影子是指，在從相對於試料載台12的鉛直方向傾斜了預定角度的傾斜方向觀察時針18接近試料片Q的表面時，為了遮蔽從針18附近的試料片Q的表面產生的2次電子(或者2次離子)到達檢測器16而產生的現象，針18與試料片Q的表面的距離越近，該現象越變得顯著。因此，針18與試料片Q的表面的距離越近，判定圖像中的影子的亮度值越高。

影像處理用電腦30除了根據判定圖像判定針18的前端的位置來作為判定圖像中的二維座標之外，還根據針18的影子的亮度值，計算針18的前端與試料片Q的表面的距離。由此，影像處理用電腦30根據判定圖像判定針18的前端的位置來作為三維座標的值。

另外，也可以藉由電腦來實現上述實施形態中的控制用電腦22、影像處理用電腦30、30a的一部分，例如實現學習資料取得部301、學習部302、判定圖像取得部303、判定部304、學習圖像生成部306a、分類部307a。在該情況下，也可以藉由將用於實現該控制功能的程式記錄於電腦可讀取的記錄媒體，使電腦系統讀入並執行記錄於該記錄媒體的程式來實現。另外，這裡所說的“電腦系統”是內置於控制用電腦22、影像處理用電腦30、30a的電腦系統，包括OS、周邊設備等硬體。此外，「電腦可讀取的記錄媒體」是指軟碟、光磁片、ROM、CD-ROM等可移動媒體、內置於電腦系統的硬碟等儲存裝置。此外，「電腦可讀取的記錄媒體」也可以包括：如經由網際網路等網路或電話線路等通信線路而反射軟體的情況下的通信線那樣短時間內動態地保持程式的記錄媒體；如成為該情況下的伺服器或使用者端的電腦系統內部的揮發性記憶體那樣一定時間內保持程式的記錄媒體。此外，上述程式可以是用於實現上述功能的一部分的程式，還可以是能夠藉由與已經記錄於電腦系統的程式的組合來實現上述功能的程式。此外，也可以將上述實施方式中的控制用計算機22、圖像處理用計算機30、30a的一部分或者全部作為LSI(Large Scale Integration)等積體電路來實現。控制用電腦22、影像處理用電腦30、30a的各功能塊可以單獨地形成處理器，也可以集成一部分或全部而形成處理器。此外，形成積體電路的方法不限於LSI，也可以藉由專用電路或者通用處理器來實現。此外，在由於半導體技術的進步而出現了代替LSI的積體電路化的技術的情況下，也可以使用基於該技術的積體電路。

以上，參照圖式對本發明的一個實施形態詳細進行了說明，但具體結構不限於上述的結構，在不脫離本發明的主旨的範圍內能夠進行各種設計變更等。

10,10a:帶電粒子束裝置 S:試料 Q:試料片 14:集束離子束照射光學系統(帶電粒子束照射光學系統) 15:電子束照射光學系統15(帶電粒子束照射光學系統) 12:試料載台 18:針(試料片移設單元) 19:針驅動機構(試料片移設單元) P:試料片支架 12a:支架固定台 22:控制用電腦(電腦)

[圖1]是示出本發明的第1實施形態的帶電粒子束裝置和影像處理用電腦的結構的一例的圖。 [圖2]是示出本發明的第1實施形態的帶電粒子束裝置的結構的一例的圖。 [圖3]是示出本發明的第1實施形態的試料片的俯視圖。 [圖4]是本發明的第1實施形態的試料片支架的俯視圖。 [圖5]是本發明的第1實施形態的試料片支架的側視圖。 [圖6]是示出本發明的第1實施形態的影像處理用電腦的結構的一例的圖。 [圖7]是示出本發明的第1實施形態的初始設定工程的一例的圖。 [圖8]是本發明的第1實施形態的柱狀部的俯視圖。 [圖9]是本發明的第1實施形態的柱狀部的側視圖。 [圖10]是示出本發明的第1實施形態的柱狀部的學習圖像的一例的圖。 [圖11]是示出本發明的第1實施形態的支柱未成為階梯構造的柱狀部的一例的圖。 [圖12]是示出本發明的第1實施形態的支柱未成為階梯構造的柱狀部的學習圖像的一例的圖。 [圖13]是示出本發明的第1實施形態的試料片拾取工程的一例的圖。 [圖14]是示出本發明的第1實施形態的針的移動處理的一例的圖。 [圖15]是示出本發明的第1實施形態的針前端位置判定處理的一例的圖。 [圖16]是示出本發明的第1實施形態的包含針的前端的SEM圖像資料的一例的圖。 [圖17]是示出本發明的第1實施形態的包含針的前端的SIM圖像資料的一例的圖。 [圖18]是示出本發明的第1實施形態的針的前端的一例的圖。 [圖19]是示出本發明的第1實施形態的針的學習圖像的一例的圖。 [圖20]是示出在本發明的第1實施形態的針的前端附著的試料片的一例的圖。 [圖21]是示出本發明的第1實施形態的異常情況用的學習圖像的一例的圖。 [圖22]是示出本發明的第1實施形態的異物的去除的一例的圖。 [圖23]是示出本發明的第1實施形態的拾取位置判定處理的一例的圖。 [圖24]是示出本發明的第1實施形態的包含試料片的SIM圖像資料的一例的圖。 [圖25]是示出本發明的第1實施形態的試料片的學習圖像的一例的圖。 [圖26]是示出本發明的第1實施形態的學習圖像的一例的圖。 [圖27]是示出本發明的第1實施形態的追加圖像的一例的圖。 [圖28]是示出本發明的第1實施形態的判定出特徵點的圖像的一例的圖。 [圖29]是示出本發明的第1實施形態的判定出特徵點的圖像的一例的圖。 [圖30]是示出本發明的第1實施形態的SIM圖像資料中的試料及試料片的支承部的切斷加工位置的圖。 [圖31]是示出本發明的第1實施形態的試料片安裝工程的一例的圖。 [圖32]是示出本發明的第2實施形態的影像處理用電腦的結構的一例的圖。 [圖33]是示出本發明的第2實施形態的裸件的一例的圖。 [圖34]是示出本發明的第2實施形態的圖案圖像的一例的圖。 [圖35]是示出本發明的第2實施形態的擬似圖像的一例的圖。 [圖36]是示出本發明的第2實施形態的拾取位置的檢測處理的一例的圖。

10:帶電粒子束裝置

22:控制用電腦(電腦)

30:影像處理用電腦

M:機器學習模型

T:範本

Claims

一種帶電粒子束裝置，從試料自動地製作試料片，具備：照射帶電粒子束的帶電粒子束照射光學系統；載置前述試料而移動的試料載台；保持從前述試料分離及摘出的前述試料片而進行搬送的試料片移設單元；保持移設前述試料片的試料片支架的支架固定台；以及因應根據針對與對象物相關的位置的第1判定的結果而進行的針對前述位置的第2判定的結果、以及包括藉由前述帶電粒子束的照射而取得的圖像的資訊，進行前述位置的控制的電腦。
如請求項1所述的帶電粒子束裝置，其中，前述第1判定是基於使用了針對前述對象物的範本的範本匹配而進行的判定，前述第2判定是基於學習包括第2對象物的第2圖像的第2資訊得到的機器學習的模型而進行的判定。
如請求項1或2所述的帶電粒子束裝置，其中，前述電腦因應用於選擇判定的種類的第3判定的結果，針對前述第1判定、和前述第2判定中的至少一者而選擇前述種類。
如請求項1至3中的任意一項所述的帶電粒子束裝置，其中，前述電腦根據基於前述第1判定的結果和前述第2判定的結果中的至少一者而選擇的第4判定的結果、以及包括藉由前述帶電粒子束的照射而取得的圖像的資訊，進行前述位置的控制。