TW202129244A - 帶電粒子束裝置 - Google Patents

Abstract

[課題] 能夠使自動微採樣高速化。  　　[解決手段] 一種帶電粒子束裝置，其從試料自動地製作試料片，前述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；載置著前述試料並移動的試料台；保持並搬送從前述試料分離及摘出的前述試料片的試料片移設單元；保持移設前述試料片的試料片保持器的保持器固定台；以及基於學習包含第1對象物的第1影像的第1資訊的機械學習的模型、及包含藉由前述帶電粒子束的照射而取得的第2影像的第2資訊，進行與第2對象物相關的位置的控制的電腦。

Description

帶電粒子束裝置

本發明涉及帶電粒子束裝置。

從前，已知有摘出藉由對試料照射由電子或離子構成的帶電粒子束而製作的試料片，將試料片加工成適合利用透射電子顯微鏡(TEM：Transmission Electron Microscope)等進行觀察、分析及計測等各種工程的形狀的裝置(專利文獻1)。在專利文獻1所記載的裝置中，進行如下所謂的微採樣(MS：Micro-sampling)，即，在利用透射電子顯微鏡進行觀察的情況下，在從作為觀察對象物的試料取出微小的薄膜試料片之後，將該薄膜試料片固定在試料保持器上來製作TEM試料。

已知在TEM觀察用的薄片試料的製作中，藉由範本匹配來檢測微探針前端、薄片試料的拾取位置、網狀保持器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，基於根據藉由帶電粒子束的照射而取得的對象物的影像來製作的範本、和從對象物的影像得到的位置資訊來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MS(自動MS)。 [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

[發明所欲解決的問題]

在專利文獻2所記載的帶電粒子束裝置中，每當進行對象物的位置控制時，都需要取得範本影像，從而與取得影像的時間的量對應地，自動MS的速度降低。例如，微探針的前端形狀會由於清潔或試料的附著等而變化，因此，每當進行對象物的位置控制時，都要取得範本影像。此外，關於薄片試料的拾取位置的範本影像，也由於匹配精度會根據對比度、焦點等的差異而降低，因此要在開始位置控制前取得範本影像。此外，由於支柱角存在個體差異，因此使用者每次都藉由滑鼠操作來登錄影像上的支柱的位置。 另一方面，在專利文獻2所記載的帶電粒子束裝置中，為了提高範本匹配的成功率，要降低掃描速度以取得高精細的影像。 這樣，從前，自動MS的速度不足，要求使自動MS高速化並提高輸送量。

本發明是鑒於上述問題而完成的，提供一種能夠使自動MS高速化的帶電粒子束裝置。 [解決問題的技術手段]

為了解決上述課題而實現該目的，本發明採用了以下方式。 (1)本發明的一個態樣是一種帶電粒子束裝置，其從試料自動地製作試料片，前述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；載置著前述試料並移動的試料台；保持並搬送從前述試料分離及摘出的前述試料片的試料片移設單元；保持移設前述試料片的試料片保持器的保持器固定台；以及基於學習包含第1對象物的第1影像的第1資訊的機械學習的模型、及包含藉由前述帶電粒子束的照射而取得的第2影像的第2資訊，進行與第2對象物相關的位置的控制的電腦。

在上述(1)所述的態樣的複合帶電粒子束裝置中，能夠基於機械學習來檢測對象物的位置，因此，能夠使自動MS高速化。在帶電粒子束裝置10中，由於基於機械學習來檢測對象物的位置，因此，能夠削減如使用範本匹配的情況那樣每次取得範本影像的時間，從而自動MS高速化，輸送量提高。 在帶電粒子束裝置中，從前，為了提高範本匹配的成功率而降低掃描速度以取得高精細的影像，但是，在機械學習中，即使不是高精細的影像，也能夠進行位置檢測，因此能夠提高取得影像時的掃描速度，自動MS高速化，輸送量提高。 在帶電粒子束裝置中，能夠使從前在製作加工配方時使用者藉由手動操作進行的作業自動化，由此，配方製作變得簡便。此外，在帶電粒子束裝置中，也可以不針對每個樣本來準備配方，因此成為可抵抗形狀變化的系統結構。

(2)在上述(1)所述的帶電粒子束裝置中，前述第2對象物包含前述試料片保持器所具備的試料台的部分。 在上述(2)所述的態樣的複合帶電粒子束裝置中，由於能夠基於機械學習來檢測試料台的部分的位置，因此，在自動MS中，能夠使將試料片與試料台的部分連接的工程高速化。

(3)在上述(1)或(2)所述的帶電粒子束裝置中，前述第2對象物包含用於前述試料片移設單元的針。 在上述(3)所述的態樣的複合帶電粒子束裝置中，能夠基於機械學習來檢測針的前端的位置，因此，在自動MS中，能夠使移動針的工程高速化。

(4)在上述(1)至(3)中的任一項所述的帶電粒子束裝置中，前述第2對象物包含前述試料片，前述第1影像是示出了在摘出前述試料片的試料摘出工程中使前述試料片移設單元朝向前述試料片而接近的位置的影像。 在上述(4)所述的態樣的複合帶電粒子束裝置中，能夠基於機械學習而在摘出前述試料片的試料摘出工程中檢測使前述試料片移設單元朝向前述試料片而接近的位置，因此，在自動MS中，能夠將使針接近試料片的工程高速化。

(5)在上述(1)至(4)中的任一項所述的帶電粒子束裝置中，前述第2對象物包含前述試料片，前述第1影像是示出了從前述試料分離及摘出前述試料片的位置的影像。 在上述(5)所述的態樣的複合帶電粒子束裝置中，能夠基於機械學習來檢測從試料分離及摘出試料片的位置，因此，在自動MS中，能夠使將試料片與針連接的工程高速化。

(6)在上述(1)至(5)中的任一項所述的帶電粒子束裝置中，前述第1影像是因應前述第2對象物的種類而生成的模擬影像。 在上述(6)所述的態樣的複合帶電粒子束裝置中，即使在無法以足夠的數量來準備藉由實際的帶電粒子束的照射而得到的影像作為第1影像的情況下，也能夠使用模擬影像來代替這些影像，因此，能夠提高學習第1資訊的機械學習的精度。

(7)在上述(1)至(6)中的任一項所述的帶電粒子束裝置中，前述第1對象物的種類與前述第2對象物的種類相同。 在上述(7)所述的態樣的複合帶電粒子束裝置中，能夠基於學習了與第2對象物的種類相同種類的第1對象物的第1影像的第1資訊的機械學習來檢測對象物的位置，因此，與第1對象物的種類和第2對象物的種類不同的情況相比，能夠提高機械學習。 [發明的效果]

根據本發明，能夠使自動微採樣高速化。

(第1實施形態)

以下，參照圖式同時對本發明的實施形態詳細地進行說明。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。帶電粒子束裝置10所具備的控制用電腦22取得藉由帶電粒子束的照射而取得的影像資料。控制用電腦22與影像處理用電腦30之間進行資料的發送/接收。影像處理用電腦30基於機械學習模型M來判定從控制用電腦22接收到的影像資料中包含的對象物。控制用電腦22基於影像處理用電腦30的判定結果來進行與對象物相關的位置的控制。 控制用電腦22是基於學習包含第1對象物的第1影像的第1資訊的機械學習的模型、及包含藉由帶電粒子束的照射而取得的第2影像的第2資訊，進行與第2對象物相關的位置的控制的電腦之一例。 另外，影像處理用電腦30也可以於帶電粒子束裝置10中具備。

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、試料台12、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、氣體供應部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、和輸入裝置23。

試料室11將內部維持在真空狀態。試料台12在試料室11的內部固定試料S及試料片保持器P。這裡，試料台12具備保持試料片保持器P的保持器固定台12a。該保持器固定台12a也可以是能夠搭載複數試料片保持器P的結構。

台驅動機構13驅動試料台12。這裡，台驅動機構13以與試料台12連接的狀態收容在試料室11的內部，因應從控制用電腦22輸出的控制信號而使試料台12相對於規定軸變位。台驅動機構13具備移動機構13a，該移動機構13a使試料台12至少沿著X軸和Y軸、以及與X軸和Y軸正交的鉛直方向的Z軸平行地移動，前述X軸和Y軸與水平面平行且彼此正交。台驅動機構13具備使試料台12繞X軸或Y軸傾斜的傾斜機構13b、及使試料台12繞Z軸旋轉的旋轉機構13c。

集束離子束照射光學系統14對試料室11的內部的規定照射區域(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從鉛直方向上方朝向下方對載置於試料台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、及使從離子源14a引出的離子集束及偏轉的離子光學系統14b。離子源14a及離子光學系統14b因應從控制用電腦22輸出的控制信號而受到控制，由控制用電腦22來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對試料室11的內部的規定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能夠從相對於鉛直方向傾斜了規定角度(例如60°)的傾斜方向的上方朝向下方對固定在試料台12上的試料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、使從電子源15a射出的電子集束及偏轉的電子光學系統15b。電子源15a及電子光學系統15b因應從控制用電腦22輸出的控制信號而受到控制，由控制用電腦22來控制電子束的照射位置及照射條件等。

另外，也可以將電子束照射光學系統15和集束離子束照射光學系統14的配置調換，將電子束照射光學系統15配置在鉛直方向上，而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規定角度的傾斜方向上。

檢測器16用於檢測二次帶電粒子(二次電子、二次離子)R，該二次帶電粒子R是藉由集束離子束或電子束的照射而從照射對象產生的。氣體供應部17向照射對象的表面供應氣體G。針18從固定在試料台12上的試料S中取出微小的試料片Q，保持試料片Q並將其移設到試料片保持器P。針驅動機構19驅動針18來搬送試料片Q。在以下內容中，有時也將針18和針驅動機構19合起來稱為試料片移設單元。

吸收電流檢測器20檢測流入針18的帶電粒子束的流入電流(也稱為吸收電流)，並將檢測的結果作為流入電流信號輸出至控制用電腦22。

控制用電腦22至少控制台驅動機構13、集束離子束照射光學系統14、電子束照射光學系統15、氣體供應部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，連接有顯示裝置21、以及輸出與操作者的輸入操作對應的信號的滑鼠、鍵盤等輸入裝置23。控制用電腦22利用從輸入裝置23輸出的信號或藉由預先設定的自動運轉控制處理而生成的信號等來集中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的判定結果來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之間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影像化作為吸收電流影像資料。這裡，控制用電腦22一邊掃描帶電粒子束的照射位置，一邊將由檢測器16檢測的二次帶電粒子R的檢測量轉換為與照射位置相對應的亮度信號，根據二次帶電粒子R的檢測量的二維位置分佈而生成示出照射對象的形狀的吸收電流影像資料。在吸收電流影像模式中，控制用電腦22一邊掃描帶電粒子束的照射位置，一邊檢測流過針18的吸收電流，由此，藉由吸收電流的二維位置分佈(吸收電流影像)而生成示出針18的形狀的吸收電流影像資料。控制用電腦22使所生成的影像資料顯示在顯示裝置21上。 顯示裝置21顯示基於由檢測器16檢測出的二次帶電粒子R的影像資料等。

帶電粒子束裝置10對照射對象的表面一邊掃描一邊照射集束離子束，由此能夠執行照射對象的影像化以及通過濺鍍進行的各種加工(挖掘、整形(trimming)加工等)、沉積膜形成等。

圖3是示出在本發明的實施形態的帶電粒子束裝置10中對試料S的表面(斜線部)照射集束離子束而形成的從試料S被摘出前的試料片Q的俯視圖。符號F表示集束離子束的加工框，即集束離子束的掃描範圍，示出了通過集束離子束照射對其內側(白色部)藉由濺鍍加工而挖掘出的加工區域H。參考標記Ref是示出形成試料片Q(不進行挖掘而留下)的位置的基準點。為了知道試料片Q的大概位置而利用沉積膜，為了進行精密的位置對準而利用微小孔。在試料S中，以如下方式對試料片Q進行蝕刻加工，以留下與試料S連接的支承部Qa，而將側部側及底部側的周邊部切削而去除，利用支承部Qa將試料片Q懸臂支承於試料S。

接下來，參照圖4及圖5，對試料片保持器P進行說明。 圖4是試料片保持器P的俯視圖，圖5是側視圖。試料片保持器P具備：具有切口部41的大致半圓形板狀的基部42、和固定在切口部41上的試料台43。作為一例，基部42由圓形板狀的金屬形成。試料台43為梳齒形狀，具備分離配置並突出的複數供移設試料片Q的柱狀部(以下也稱為支柱)44。

(影像處理用電腦) 接下來，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、判定影像取得部303、和判定部304。

學習資料取得部301取得學習資料。學習資料是用於機械學習的學習的資訊。學習資料是學習影像和示出該學習影像內的對象物的位置的資訊的組。作為一例，在學習影像內的對象物中包含試料片、針以及於試料片保持器中具備的柱狀部等。這裡，學習影像內的對象物的種類、與判定影像內的對象物的種類相同。例如，在學習影像內的對象物的種類是試料片、針或柱狀部的情況下，判定影像內的對象物的種類分別是試料片、針或柱狀部。

這裡，在本實施形態中，作為學習影像，使用藉由向對象物照射帶電粒子束而預先得到的SIM影像和SEM影像。帶電粒子束從規定的方向向對象物照射。在帶電粒子束裝置10中，由於帶電粒子束照射系統的鏡筒的方向是固定的，因此，向對象物照射帶電粒子束的方向被預先決定。

作為一例，示出學習影像內的對象物的位置的資訊是指示出該對象物的學習影像內的位置的座標。示出該學習影像內的位置的座標例如是二維正交座標、極座標等。

學習影像包含對象物的SIM影像和SEM影像雙方。學習影像是從相對於試料台12的鉛直方向傾斜規定角度後的傾斜方向觀察對象物時的SIM影像、和從試料台12的鉛直方向觀察對象物時的SEM影像雙方。即，學習影像包含從以試料台12為基準的第1方向觀察對象物時的影像、和從第2方向觀察該對象物時的影像。第2方向是與以試料台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取得的學習資料來執行機械學習。學習部302將學習的結果作為機械學習模型M而記憶在記憶部305中。學習部302針對包含在學習資料中的學習影像的對象物的每個種類來執行機械學習。因此，針對包含在學習資料中的學習影像的對象物的每個種類而生成機械學習模型M。機械學習模型M是學習包含第1對象物的第1影像的第1資訊而得到的機械學習模型的一例。 另外，在以下的說明中，有將影像中所攝像的、或者所描繪的對象物稱為該影像的對象物的情況。

這裡，學習部302執行的機械學習是指例如使用卷積神經網路(CNN：Convolutional Neural Network)等的深層學習。該情況下，機械學習模型M是指，節點間的權重因應學習影像、與該學習影像內的對象物的位置之間的對應而變更的多層神經網路。該多層神經網路具備具有與影像的各畫素對應的節點的輸入層、以及具有與該影像內的各位置對應的節點的輸出層，當SIM和SEM影像的各畫素的亮度值被輸入到輸入層時，從輸出層輸出示出該影像中的位置的值的組。

判定影像取得部303取得判定影像。判定影像是從控制用電腦22輸出的SIM影像和SEM影像。判定影像包含上述的對象物的影像。判定影像的對象物包含試料片Q和使用後的針18等與帶電粒子束的照射相關的物體。

判定影像是從相對於試料台12的鉛直方向傾斜規定角度後的傾斜方向觀察對象物時的SIM影像、和從試料台12的鉛直方向觀察對象物時的SEM影像雙方。即，判定影像包含從第1方向觀察對象物時的影像、和從第2方向觀察該對象物時的影像。這裡，第1方向是指以試料台12為基準的方向，第2方向是指與以試料台12為基準的第1方向不同的方向。

判定部304基於由學習部302執行學習而得到的機械學習模型M來判定判定影像取得部303取得的判定影像中包含的對象物的位置。這裡，判定影像中包含的對象物的位置例如包含SIM影像和SEM影像內的試料片的拾取位置、SIM影像和SEM影像內的針的前端的位置、以及SIM影像和SEM影像內的柱狀部44的位置。作為一例，判定部304判定判定影像內的對象物的座標作為判定影像中包含的對象物的位置。

另外，影像處理用電腦30也可以例如從外部的資料庫取得學習完畢的機械學習模型。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，將藉由帶電粒子束(集束離子束)對試料S進行加工而形成的試料片Q自動地移設到試料片保持器P上的動作，大致分為初始設定工程、試料片拾取工程、試料片安裝工程來依次進行說明。 (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進行模式以及加工條件的設定。模式的設定是指在自動序列開始時，因應操作者的輸入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的數量等的設定。

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將包含柱狀部44作為對象物的SIM影像和SEM影像發送給影像處理用電腦30。

在本實施形態中，包含對象物的吸收電流影像資料是對象物的SIM影像、和對象物的SEM影像的組。即，包含對象物的SIM影像和SEM影像是從相對於試料台12的鉛直方向傾斜規定角度後的傾斜方向觀察對象物時的SIM影像、和從試料台12的鉛直方向觀察對象物時的SEM影像的組。

判定影像取得部303從影像處理用電腦30取得SIM影像或SEM影像作為判定影像。判定部304基於機械學習模型M來判定判定影像取得部303取得的判定影像中包含的柱狀部44的位置。判定部304將示出所判定的柱狀部44的位置的位置資訊輸出至控制用電腦22。

這裡，判定部304從相對於試料台12的鉛直方向傾斜規定角度後的傾斜方向觀察對象物時的SIM影像來判定對象物的位置的試料台12上的二維座標。另一方面，判定部304從相對於試料台12的鉛直方向傾斜規定角度後的傾斜方向觀察對象物時的SEM影像來判定對象物的位置在與該傾斜方向垂直的平面上的二維座標。判定部304基於所判定的試料台12上的二維座標、和與傾斜方向垂直的平面上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中電子束照射光學系統15和集束離子束照射光學系統14所配置的方向和作為兩者間的角度資訊的方向資訊用於三維座標值的計算。判定部304將方向資訊預先記憶在記憶部305中將其讀出、或者從控制用電腦22中取得該方向資訊。 這裡，在步驟S20中，對象物是指柱狀部44。在以下的工程中，判定部304判定對象物的位置的處理也是同樣的。

這裡，參照圖8至圖12，對柱狀部44、和用於機械學習模型M的生成的柱狀部44的學習影像進行說明。 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的設計上的結構的一例。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黏接臺階結構的支柱A01而成的結構。

圖10是示出本實施形態的柱狀部44的學習影像的一例的圖。學習影像X11、學習影像X12、學習影像X13用於柱狀部44的位置的學習。在學習影像X11、學習影像X12、學習影像X13中，示出柱狀部的位置的資訊作為圓而示出。 在學習影像X11、學習影像X12、學習影像X13中，支柱A11、支柱A21、支柱31的形狀互不相同。另一方面，在學習影像X11、學習影像X12、學習影像X13中，基部A12、基部A22、基部A32的形狀相同。

另外，作為一例，學習影像X11、學習影像X12、學習影像X13是用於判定從試料台12的水平方向觀察柱狀部44時的SIM影像和SEM影像中包含的柱狀部44的位置的學習影像。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雖然不從試料台12的水平方向面對試料台12，但也可以是集束離子束照射光學系統14和電子束照射光學系統15中的任一者從水平方向面對試料台12，學習影像X11、學習影像X12、學習影像X13是用於判定該情況下的柱狀部44的位置的學習影像。

圖11是示出本實施形態的支柱未成為臺階結構的柱狀部44的一例的圖。圖11所示的柱狀部A4是支柱未成為臺階結構的柱狀部44的設計上的結構的一例的側視圖。

圖12是示出本實施形態的支柱未成為臺階結構的柱狀部44的學習影像的一例的圖。作為一例，學習影像X21、學習影像X22、學習影像X23是用於判定從試料台12的鉛直方向觀察柱狀部44時的SEM影像中包含的柱狀部44的位置的學習影像。 在學習影像X21、學習影像X22、學習影像X23中，支柱A51、支柱A61、支柱71的形狀互不相同。另一方面，在學習影像X21、學習影像X22、學習影像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，由於機械學習模型M是基於使用包含柱狀部44的基部的學習影像的機械學習而生成的，因此，在機械學習模型M中，例如，基部的形狀被作為特徵量來學習。因此，在帶電粒子束裝置10中，即使在支柱的形狀不同的情況下，柱狀部的判定精度也提高。 較佳為學習影像的對象物體在複數學習影像的對象物體相互間包含相同形狀的部位。

返回圖7繼續進行初始設定工程的說明。 控制用電腦22基於示出由影像處理用電腦30判定的柱狀部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的學習影像中，較佳為包含柱狀部44之中位於試料台43的兩端的柱狀部的影像。影像處理用電腦30基於使用包含該學習影像的學習資料而生成的機械學習模型M，將柱狀部44之中的試料台43的兩端的柱狀部與兩端以外的柱狀部區分開來進行檢測。控制用電腦22也可以從檢測出的兩端的柱狀部的位置計算出試料片保持器P的傾斜度。控制用電腦22也可以基於計算出的傾斜度對對象物的位置的座標值進行補正。

步驟S30：控制用電腦22控制集束離子束照射光學系統14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，拾取是指利用集束離子束進行加工、或者利用針將試料片Q從試料S分離並摘出。

步驟S40：控制用電腦22將試料的位置進行調整。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點中而利用台驅動機構13使試料台12移動。這裡，控制用電腦22使用參考標記Ref與試料片Q之間的相對位置關係。控制用電腦22在移動試料台12後，進行試料片Q的位置對準。

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執行的用於移動針18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與圖13的步驟S50對應。

步驟S510：控制用電腦22執行利用針驅動機構19使針18移動的針移動(粗調)。 步驟S520：控制用電腦22檢測針18的前端。這裡，控制用電腦22將作為對象物而包含針18的吸收電流影像資料發送給影像處理用電腦30。

判定影像取得部303從影像處理用電腦30取得SIM影像和SEM影像作為判定影像。判定部304基於機械學習模型M，將判定影像取得部303取得的判定影像中包含的針18的位置作為對象物的位置進行判定。判定部304將示出所判定的針18的位置的位置資訊輸出至控制用電腦22。

接下來，控制用電腦22基於示出由影像處理用電腦30判定的針18的位置的位置資訊來執行利用針驅動機構19使針18移動的針移動(微調)。

這裡，參照圖15至圖18，對針18、和用於機械學習模型M的生成的針18的學習影像進行說明。 圖15是示出包含本實施形態的針18的前端的SEM影像資料的一例的圖。圖16是示出包含本實施形態的針18的前端的SIM影像資料的一例的圖。

圖17是示出本實施形態的針18的前端的一例的圖。在圖17中，作為針18的一例，示出了從相對於試料台12的鉛直方向傾斜了規定角度的傾斜方向觀察時的針B1。

圖18是示出本實施形態涉及的針18的學習影像的一例的圖。學習影像Y31、學習影像Y32、學習影像Y33用於針18的前端的位置的學習。在學習影像Y31、學習影像Y32、學習影像Y33中，將示出針18的前端的位置的資訊作為圓示出。在學習影像Y31、學習影像Y32、學習影像Y33中，針的前端的粗細互不相同。另一方面，在學習影像Y31、學習影像Y32、學習影像Y33中，針的前端的形狀相同。

關於實際的針18的前端的粗細，粗細會由於清潔而變化。在從前的範本匹配中，在針的前端的粗細不同的情況下，有時無法判定針的前端的位置。另一方面，由於機械學習模型M是基於使用包含針18的前端的學習影像的機械學習而生成的，因此，在機械學習模型M中，例如，針18的前端的形狀被作為特徵量來學習。因此，在帶電粒子束裝置10中，即使在針的前端的粗細不同的情況下，針的前端的判定精度也提高。

返回圖14，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將作為對象物包含試料片Q對象物的SIM影像和SEM影像發送給影像處理用電腦30。

這裡，參照圖19和圖20，對試料片Q和用於機械學習模型M的生成的試料片Q的學習影像進行說明。 圖19是示出包含本實施形態的試料片Q的SIM影像資料的一例的圖。在圖19中，作為試料片Q的一例，一併示出了試料片Q71和示出拾取位置的圓。

圖20是示出本實施形態的試料片Q的學習影像的一例的圖。學習影像Z11、學習影像Z12、學習影像Z13用於試料片Q的前端的位置的學習。在學習影像Z11、學習影像Z12、學習影像Z13中，示出試料片Q的拾取位置的資訊作為圓而示出。在學習影像Z11、學習影像Z12、學習影像Z13中，試料片的尺寸和表面形狀互不相同。另一方面，在學習影像Z11、學習影像Z12、學習影像Z13中，試料片在拾取位置處的形狀相同。

實際的試料片的表面形狀針對每個個體而不同。在從前的範本匹配中，在試料片的表面形狀不同的情況下，有時無法判定試料片的拾取位置。此外，在從前的範本匹配中，在試料片的影像與範本之間對比度和焦點不同的情況下，有時範本匹配會失敗而無法判定試料片的拾取位置。 另一方面，由於機械學習模型M是基於使用包含試料片Q的拾取位置的學習影像的機械學習而生成的，因此，在機械學習模型M中，例如，試料片Q的拾取位置的形狀被作為特徵量來學習。因此，在帶電粒子束裝置10中，即使在試料片的表面形狀不同的情況下，試料片Q的拾取位置的判定精度也提高。

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移動到檢測出的拾取位置。 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和試料片Q進行加工分離。這裡，圖21示出了加工分離的情況，是示出本發明的實施形態的SIM影像資料中的試料S以及試料片Q的支承部Qa的切斷加工位置T1的圖。

另外，在本實施形態中，也對於另外預先製作加工完畢的試料片Q0，進行試料片拾取工程及試料片安裝工程也可以。該情況下，也可以藉由將試料片Q0的拾取位置指定輸入到控制用電腦22，從而在進行試料片移設單元(針18)及試料片Q0的位置調整之後，藉由機械學習來決定圖21的切斷加工位置T1。在該情況下的機械學習中，作為第1影像，使用示出了在摘出試料片的試料摘出工程中使試料片移設單元朝試料片接近的位置(切斷加工位置)的影像。 該情況下，即使不將示出試料片Q0的加工尺寸和形狀的加工尺寸形狀資訊輸入到控制用電腦22，也能夠進行試料片Q0的摘出及分離。此外，也可以在摘出試料片Q0後，同樣地進行之後的試料片安裝工程。

步驟S80：控制用電腦22使針18退避。這裡，控制用電腦22以與步驟S50的針18的移動處理同樣的方式來檢測針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使試料台12移動。這裡，控制用電腦22利用台驅動機構13使試料台12移動，使得在上述步驟S20中所登錄的特定的柱狀部44進入帶電粒子束的觀察視野區域內。

(試料片安裝工程) 圖22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移設到試料片保持器P上的工程。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將在上述步驟S20中所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以與上述步驟S520同樣的方式來檢測針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利用針驅動機構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在柱狀部44與試料片Q之間空出預定的空隙而使針18停止。

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藉由切斷連接針18和試料片Q的沉積膜DM2來進行分離。 步驟S150：控制用電腦22使針18退避。這裡，控制用電腦22利用針驅動機構19使針18從試料片Q離開規定距離。

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的不同位置繼續採樣。由於待採樣的數量的設定在步驟S10中事先進行了登錄，因此控制用電腦22對該資料進行確認後，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，如上所述繼續後續的步驟，執行採樣作業。另一方面，在控制用電腦22判定為不執行下一個採樣的情況下，結束自動MS的一系列流程。

另外，在本實施形態中，對學習資料是學習影像和示出該學習影像內的對象物的位置的資訊的組的情況的一例進行了說明，但不限於此。學習資料除了包含學習影像以外，還可以包含試料的種類、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)、示出執行針18的清潔之後的使用次數、異物是否附著於針18的前端等的資訊即參數資訊。

該情況下，機械學習模型M1是基於學習影像和參數資訊來執行機械學習而生成的。此外，判定部304除了從控制用電腦22取得SIM影像和SEM影像的影像資料以外，還取得參數資訊，基於影像資料、參數資訊、和機械學習模型M1來判定對象物在影像內的位置。

此外，參數資訊還可以包含上述的方向資訊。在學習資料中包含有方向資訊的情況下，學習對象物與觀察該對象物的方向(以試料台12為基準的方向)之間的關係而生成機械學習模型M1，因此，判定部304在對象物的位置的判定中不需要使用方向資訊。

另外，如上所述，電腦(在本實施形態中為控制用電腦22)根據影像處理用電腦30基於機械學習的模型(在本實施形態中為機械學習模型M1)、和包含第2影像(在本實施形態中為柱狀部44、針18、以及試料片Q的SIM影像和SEM影像)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、以及試料片Q)相關的位置的結果，來進行與第2對象物(在本實施形態中為柱狀部44、針18、以及試料片Q)相關的位置的控制。另外，影像處理用電腦30、和控制用電腦22也可以一體地設置在帶電粒子束裝置10中。

(第2實施形態) 以下，參照附圖對本發明的第2實施形態詳細地進行說明。 在本實施形態中，作為學習影像，對使用因應對象物的種類生成的模擬影像、或者因應對象物的種類來選擇要使用的機械學習模型的情況進行說明。 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23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。比較本實施形態的影像處理用電腦30a(圖23)和第1實施形態的影像處理用電腦30(圖6)後，學習影像生成部306a、分類部307a、機械學習模型M1a、以及分類用學習模型M2a有所不同。這裡，其他構成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、判定影像取得部303、判定部304外，還具備學習影像生成部306a和分類部307a。

學習影像生成部306a生成模擬影像PI作為學習影像。在本實施形態中，模擬影像PI是指基於藉由向對象物照射帶電粒子束而預先得到的SIM影像和SEM影像而生成的影像。作為一例，學習影像生成部306a基於裸件BW、和圖案影像PT生成模擬影像PI。

裸件BW是指從對象物去除表面的圖案而示出對象物的形狀的影像。裸件BW較佳為示出尺寸、對比度、焦點等不同的複數對象物的形狀的複數影像。裸件BW與SIM影像和SEM影像不同，是使用影像軟體描繪的影像。 圖案影像PT是指示出與對象物的內部結構對應的圖案的影像。圖案影像PT可以是藉由帶電粒子束的照射得到的SIM影像和SEM影像，也可以是使用影像軟體描繪的影像。

學習影像生成部306a使用模擬影像生成演算法，對與圖案影像PT所示的對象物的內部結構對應的圖案施加隨機雜訊，並重疊在裸件BW上而生成模擬影像PI。

在本實施形態中，作為一例，對學習影像生成部306a生成模擬影像PI作為試料片Q的學習影像的情況的一例進行說明，但不限於此。學習影像生成部306a也可以生成模擬影像PI作為針18和柱狀部44的學習影像。

另外，學習影像生成部306a也可以在學習影像中包含藉由向上述的第1實施形態的對象物照射帶電粒子束而預先得到的SIM影像和SEM影像。即，學習影像生成部306a可以僅使用模擬影像PI作為學習影像，也可以組合使用模擬影像PI和SIM影像或SEM影像。

在機械學習中，學習部302從學習影像生成部306a生成的學習影像中抽出對象物的表面形狀和內部結構的圖案作為特徵量，生成機械學習模型M1a。

這裡，參照圖24至圖26，對模擬影像PI的生成方法進行說明。 圖24是示出本實施形態的裸件BW的一例的圖。在圖24中，作為試料片Q的裸件BW，示出了裸件BW1、裸件BW2、裸件BW3。裸件BW1、裸件BW2、裸件BW3是模擬複數尺寸的試料片Q的形狀的影像。另外，裸件BW1、裸件BW2、裸件BW3中分別包含有與針18對應的影像作為示出拾取位置的資訊。

圖25是示出本實施形態的圖案影像PT的一例的圖。在圖25中，作為圖案影像PT，示出了使用者樣本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影像。在使用者樣本U1中，對於由複數層構成的試料片，描繪了與構成這些複數層的物質的種類對應的圖案。

圖26是示出本實施形態的模擬影像PI的一例的圖。在圖26中，作為模擬影像PI，示出了基於圖24的裸件BW1、裸件BW2、裸件BW3以及圖25的使用者樣本U1生成的模擬影像PI1、模擬影像PI2、模擬影像PI3。模擬影像PI1、模擬影像PI2、模擬影像PI3在複數尺寸的試料片Q的形狀上重疊使用者樣本U1所示的內部結構的圖案。

返回圖23，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，將判定影像取得部303取得的判定影像進行分類。這裡，分類部307a也可以不一定對判定影像進行分類。分類部307a是否對判定影像進行分類例如因應輸入到控制用電腦22的設定而在影像處理用電腦30中進行設定。 分類用學習模型M2a是用於因應對象物的種類從包含在機械學習模型M1a中的複數模型之中選擇判定部304用於判定的模型的模型。這裡，包含在機械學習模型M1a中的複數模型不僅根據用於模型的生成的學習資料集來區分，而且還根據機械學習的演算法來區分。

例如，分類用學習模型M2a例如將每個使用者進行加工的試料片Q的種類、與包含在機械學習模型M1a中的模型建立對應。分類用學習模型M2a基於機械學習而預先生成並記憶在記憶部305中。

接下來，參照圖27，作為使用分類用學習模型M2a的帶電粒子束裝置10a的自動MS的動作，對檢測試料片Q的拾取位置的處理進行說明。 圖27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，將判定影像取得部303取得的判定影像進行分類。 步驟S320：分類部307a因應分類的結果，從包含在機械學習模型M1a中的複數模型之中選擇判定部304在判定中使用的機械學習模型。 步驟S330：判定部304因應分類部307a選擇的機械學習模型來判定判定影像取得部303取得的判定影像中包含的對象物的位置。

另外，在上述的實施形態中，對帶電粒子束裝置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這兩個帶電粒子束照射光學系統的情況的一例進行了說明，但不限於此。帶電粒子束裝置也可以具備一個帶電粒子束照射光學系統。該情況下，較佳為在通過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影像中，例如，除了映出對象物外，還映出該對象物的影子。此外，該情況下，對象物是針18。

針18的影子是指在從相對於試料台12的鉛直方向傾斜了規定角度的傾斜方向觀察時，當針18接近試料片Q的表面時，由於遮蔽了從針18附近的試料片Q的表面產生的二次電子(或二次離子)到達檢測器16而發生的一種現象，針18與試料片Q的表面之間的距離越近，則這種現象越明顯。因此，針18與試料片Q的表面的距離越近，則判定影像中的影子的亮度值越高。

影像處理用電腦30除了從判定影像將針18的前端的位置設為判定影像中的二維座標來進行判定之外，還從針18的影子的亮度值計算出針18的前端與試料片Q的表面之間的距離。由此，影像處理用電腦30從判定影像，將針18的前端的位置設為三維座標值來進行判定。

另外，在上述的實施形態中，也可以是，控制用電腦22將掃描速度設為比第1速度慢的第2速度而生成吸收電流影像資料，影像處理用電腦30將把掃描速度設為第2速度而生成的吸收電流影像資料中包含的影像的解析度設為比第1解析度高的第2解析度，然後基於機械學習模型M來判定對象物的位置。 這裡，掃描速度是指在控制用電腦22生成吸收電流影像資料的過程中掃描帶電粒子束的照射位置的速度。第1速度是指例如從前的帶電粒子束裝置掃描帶電粒子束的照射位置的速度。第2速度是比第1速度慢的任意的速度。第2速度例如是在從前的帶電粒子束裝置中為了取得用於提高範本匹配的成功率的高精細的影像而選擇的掃描速度。 解析度是指構成影像的畫素的密度。第1解析度是指例如在從前的帶電粒子束裝置中生成的吸收電流影像資料中包含的SIM影像、以及SEM影像的解析度。第2解析度是指具有比第1解析度高的空間頻率的任意的解析度。 在以下的說明中，「將掃描速度設為第2速度」例如也被稱為「將掃描速度設為低速」。此外，「將影像的解析度從第1解析度轉換為第2解析度」例如也被稱為「將影像進行超解析度化」。

這裡，說明關於控制用電腦22將掃描速度設為低速而生成吸收電流影像資料，對影像處理用電腦30將掃描速度設為低速而生成的吸收電流影像資料中包含的SIM影像以及SEM影像的解析度進行超解析度化，然後基於機械學習模型M來判定對象物的位置時的影像處理用電腦30的處理。該處理在上述的圖7所示的步驟S20、圖14所示的步驟S520、圖22所示的步驟S110等中執行。

判定影像取得部303從影像處理用電腦30取得SIM影像和SEM影像作為判定影像。這些SIM影像和SEM影像是包含在控制用電腦22將掃描速度設為低速而生成的吸收電流影像資料中的影像。判定部304進行對判定影像取得部303所取得的判定影像進行超解析度化的處理。對於判定部304在超解析度化中使用的超解析度技術，可以使用任意的超解析度技術，沒有限定。判定部304例如將SIM影像和SEM影像的解析度從第1解析度轉換為第2解析度。這裡，判定部304不僅對SIM影像和SEM影像的解析度進行轉換，而且還進行使SIM影像和SEM影像中包含的對象物的影像的空間頻率高於轉換前的影像的空間頻率的處理。 判定部304基於機械學習模型M來判定超解析度化後的判定影像中包含的對象物的位置。判定部304將示出所判定的對象物的位置的位置資訊輸出至控制用電腦22。

如上所述，在控制用電腦22將掃描速度設為比第1速度慢的第2速度而生成吸收電流影像資料，影像處理用電腦30把將掃描速度設為第2速度而生成的吸收電流影像資料中包含的影像的解析度設為比第1解析度高的第2解析度，然後基於機械學習模型M來判定對象物的位置的時候，在將掃描速度設為第2速度的情況下，與不將影像的解析度設為第2解析度的情況相比，能夠縮短判定對象物的位置的處理的處理時間，並且能夠提高判定精度。

另外，控制用電腦22也可以對將掃描速度設為第2速度而取得的吸收電流影像資料進行超解析度化之後，基於機械學習模型M進行對象物的位置的判定，其結果，在無法判定對象物的位置的情況下，將掃描速度設為第1速度而取得吸收電流影像資料，從而在不進行超解析度化的情況下，基於機械學習模型M來進行對象物的位置的判定。如果無法判定對象物的位置的原因是超解析度化不充分的情況，則藉由使用將掃描速度設為第1速度而取得的吸收電流影像資料進行重試處理，有能夠正確地檢測出對象物的位置的可能性。

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，例如學習資料取得部301、學習部302、判定影像取得部303、判定部304、學習影像生成部306a、以及分類部307a。該情況下，也可以藉由將用於實現該控制功能的程式記錄在電腦能夠讀取的記錄媒體中，使電腦系統讀取記錄在該記錄媒體中的程式並執行來實現。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，包含OS和周邊設備等硬體。另外，「電腦能夠讀取的記錄媒體」是指，軟碟、光磁片、ROM、CD-ROM等可移動媒體、以及內置於電腦系統中的硬碟等記憶裝置。進而，「電腦能夠讀取的記錄媒體」也可以包含如通過網際網路等網路或電話線路等通信線路發送程式的情況下的通信線路那樣在短時間內動態保持程式的結構、如該情況下的作為伺服器或使用者端的電腦系統內部的揮發性記憶體那樣在一定時間內保持程式的結構。此外，上述程式可以是用於實現上述的功能的一部分的程式，還可以是能夠通過與已經記錄在電腦系統中的程式的組合來實現上述的功能的程式。 此外，也可以將上述的實施形態中的控制用電腦22、影像處理用電腦30、30a的一部分或全部作為LSI(Large Scale Integration：大規模積體)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處理器化，也可以將一部分或全部集成而處理器化。此外，積體電路化的方法不限於LSI，也可以利用專用電路或通用處理器來實現。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地進行了說明，但具體的結構並不限於上述的實施形態，可以在不脫離本發明的主旨的範圍內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(帶電粒子束照射光學系統) 12:試料台 18:針(試料片移設單元) 19:針驅動機構(試料片移設單元) P:試料片保持器 12a:保持器固定台 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實施形態的試料片保持器的俯視圖。 [圖5]是本發明的第1實施形態的試料片保持器的側視圖。 [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影像的一例的圖。 [圖11]是示出本發明的第1實施形態的支柱未成為臺階結構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臺階狀結構的柱狀部的學習影像的一例的圖。 [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實施形態的包含針的前端的SEM影像資料的一例的圖。 [圖16]是示出本發明的第1實施形態的包含針的前端的SIM影像資料的一例的圖。 [圖17]是示出本發明的第1實施形態的針的前端的一例的圖。 [圖18]是示出本發明的第1實施形態的針的學習影像的一例的圖。 [圖19]是示出本發明的第1實施形態的包含試料片的SIM影像資料的一例的圖。 [圖20]是示出本發明的第1實施形態的試料片的學習影像的一例的圖。 [圖21]是示出本發明的第1實施形態的SIM影像資料中的試料以及試料片的支承部的切斷加工位置的圖。 [圖22]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23]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24]是示出本發明的第2實施形態的裸件的一例的圖。 [圖25]是示出本發明的第2實施形態的圖案影像的一例的圖。 [圖26]是示出本發明的第2實施形態的模擬影像的一例的圖。 [圖27]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:機械學習模型

Claims (7)

1. 一種帶電粒子束裝置，其從試料自動地製作試料片，前述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； 載置著前述試料並移動的試料台； 保持並搬送從前述試料分離及摘出的前述試料片的試料片移設單元； 保持移設前述試料片的試料片保持器的保持器固定台；以及 基於學習包含第1對象物的第1影像的第1資訊的機械學習的模型、及包含藉由前述帶電粒子束的照射而取得的第2影像的第2資訊，進行與第2對象物相關的位置的控制的電腦。
2. 根據請求項1所述的帶電粒子束裝置，其中， 前述第2對象物包含前述試料片保持器所具備的試料台的部分。
3. 根據請求項1或2所述的帶電粒子束裝置，其中， 前述第2對象物包含用於前述試料片移設單元的針。
4. 根據請求項1至3中的任一項所述的帶電粒子束裝置，其中， 前述第2對象物包含前述試料片； 前述第1影像是示出了在摘出前述試料片的試料摘出工程中使前述試料片移設單元朝向前述試料片而接近的位置的影像。
5. 根據請求項1至4中的任一項所述的帶電粒子束裝置，其中， 前述第2對象物包含前述試料片； 前述第1影像是示出了從前述試料分離及摘出前述試料片的位置的影像。
6. 根據請求項1至5中的任一項所述的帶電粒子束裝置，其中， 前述第1影像是因應前述第2對象物的種類而生成的模擬影像。
7. 根據請求項1至6中的任一項所述的帶電粒子束裝置，其中， 前述第1對象物的種類與前述第2對象物的種類相同。

Images