TW202141031A - 圖案邊緣檢測方法、圖案邊緣檢測裝置、記錄有使電腦執行圖案邊緣檢測的程式的記錄媒體 - Google Patents

圖案邊緣檢測方法、圖案邊緣檢測裝置、記錄有使電腦執行圖案邊緣檢測的程式的記錄媒體 Download PDF

Info

Publication number
TW202141031A
TW202141031A TW109144517A TW109144517A TW202141031A TW 202141031 A TW202141031 A TW 202141031A TW 109144517 A TW109144517 A TW 109144517A TW 109144517 A TW109144517 A TW 109144517A TW 202141031 A TW202141031 A TW 202141031A
Authority
TW
Taiwan
Prior art keywords
edge
aforementioned
area
pixels
training
Prior art date
Application number
TW109144517A
Other languages
English (en)
Inventor
岡本陽介
Original Assignee
日商東實先進股份有限公司
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
Priority claimed from JP2020201982A external-priority patent/JP7451384B2/ja
Application filed by 日商東實先進股份有限公司 filed Critical 日商東實先進股份有限公司
Publication of TW202141031A publication Critical patent/TW202141031A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Image Processing (AREA)

Abstract

本發明係關於從利用掃描式電子顯微鏡而產生的圖像檢測出形成於與半導體製造有關的晶圓或遮罩等工件上之圖案的邊緣(輪廓線)之方法。圖案邊緣檢測方法係：產生出形成於工件上的目標圖案的對象圖像，產生出對象圖像的各像素的特徵向量(該特徵向量表示複數個特徵量)，將特徵向量輸入至透過機器學習而構築出的模型，從模型輸出表示具有特徵向量之像素是邊緣的像素，還是非邊緣的像素之判定結果，用線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。

Description

圖案邊緣檢測方法、圖案邊緣檢測裝置、記錄有使電腦執行圖案邊緣檢測的程式的記錄媒體
本發明係關於從利用掃描式電子顯微鏡而產生的圖像檢測形成於與半導體製造有關的晶圓(wafer)或遮罩(mask)等工件(workpiece)上之圖案的邊緣(輪廓線)之方法及裝置。另外，本發明係關於用來使電腦執行如此的圖案邊緣檢測之程式。
本發明還關於透過機器學習(machine learning)來作出邊緣檢測模型(model)之方法及裝置。
以往形成於晶圓等工件上之圖案的邊緣(輪廓線)係以如下述的方式檢測出。首先，利用掃描式電子顯微鏡而產生出工件上的圖案的圖像。接著，從圖案的設計資料(也稱為CAD資料)產生出CAD圖案，使CAD圖案與圖像上的 圖案重疊。CAD圖案係根據設計資料所包含的圖案的設計資訊(位置、長度、大小等)而作成的假想的圖案。
圖25係顯示與圖像500上的圖案501重疊的CAD圖案505之示意圖。電腦係如圖25所示，產生出相對於CAD圖案505的邊緣朝法線方向延伸之複數條探查線507，且作出沿著該等探查線507之圖像500的亮度曲線(profile)。圖25中，為了簡化圖面而只畫出複數條探查線507之中的一部分。
圖26係顯示沿著圖25所示的探查線的亮度曲線之圖。圖26的縱軸表示亮度值，橫軸表示探查線507上的位置。電腦檢測出亮度曲線上的亮度值等於閾值之邊緣點510。電腦重複同樣的動作，決定出所有的沿著探查線507之亮度曲線上的邊緣點而決定出複數個邊緣點。將連結該複數個邊緣點而成的線，決定成是圖像500上的圖案501的邊緣。
然而，會有如圖27至圖29所示的例子，不能正確地決定(檢測)出圖像500上的圖案邊緣的情形。亦即，就圖27所示的例子而言，圖案501的邊緣的一部分有欠缺，圖案501的邊緣並不存在於與CAD圖案505垂直的探查線507上。就圖28所示的例子而言，因為圖像上的圖案501的邊緣與CAD圖案505的邊緣有很大的偏離，所以圖案501的邊緣並不存在於探查線507上。就圖29所示的例子而言，在CAD圖案505中並不存在的圖案501的邊緣，係無法以利用探查線507之以往的方法檢測出來。
圖27至圖29顯示圖案有缺陷的例子，檢測出如此的有缺陷的圖案的邊緣很重要。然而，實際的圖案與設計資料會有乖離，使用設計資料之以往的方法並無法正確地檢測出有缺陷的圖案的邊緣。
另一方面，利用透過機器學習而作成的模型來檢測出形成於晶圓等工件上的圖案的邊緣之技術的開發一直在進展。該技術係利用邊緣檢測模型(學習完成的模型)來判定顯現圖案的圖像的各像素是否為構成圖案邊緣的像素。
邊緣檢測模型，係使用預先準備的訓練資料進行機器學習(例如深度學習、決策樹(Decision tree)學習等)而作成。訓練資料係包含利用掃描式電子顯微鏡而產生的圖案圖像、及構成該圖案圖像之各像素的註記資料。註記資料係註記各像素是構成圖案的邊緣的像素，還是並非構成邊緣的像素之資訊。藉由使用如此的訓練資料進行機器學習，使構成邊緣檢測模型之參數(加權係數等)最佳化。
然而，使用於訓練資料之圖案邊緣並不是平直的，且圖像上的邊緣與非邊緣區域的交界線是模糊不清的。使用如此的訓練資料作成的邊緣檢測模型，會有未能將邊緣檢出、或是檢出的並不是邊緣的情形。為了作出精度良好的邊緣檢測模型，必須要有供機器學習的大量的訓練資料，結果就會在機器學習耗費非常長的時間。
[先前技術文獻]
[專利文獻]
專利文獻1：日本專利公開公報特開2003-178314
專利文獻2：日本專利公開公報特開2013-98267
專利文獻3：日本專利公開公報特開2020-34518
本發明提供一種圖案邊緣檢測方法及圖案邊緣檢測裝置，係不使用圖案的設計資料就可檢測出圖像上的圖案的邊緣(輪廓線)。
另外，本發明提供一種不用在機器學習耗費很長的時間就可作出精度良好的邊緣檢測模型之方法及裝置。
一態樣提供一種圖案邊緣檢測方法，該圖案邊緣檢測方法係：產生出形成於工件上的目標圖案的對象圖像；產生出前述對象圖像的各像素的特徵向量，該特徵向量表示複數個特徵量；將前述特徵向量輸入至透過機器學習而構築出的模型；從前述模型輸出表示具有前述特徵向量之像素是邊緣的像素，還是非邊緣的像素之判定結果；用線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
在一態樣中，前述模型係決策樹。
在一態樣中，前述圖案邊緣檢測方法更包含下述程序：從設計資料選出複數個訓練用圖案；產生出根據前述複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像；檢測出前述複數個訓練用圖像上的前述複數個實際圖案的邊緣；將構成前述複數個訓練用圖像之複數個參考像素予以分類為構成邊緣之複數個第一參考像素、及不構成邊緣之複數個第二參考像素；產生出前述複數個第一參考像素的複數個第一特徵向量、及前述複數個第二參考像素的複數個第二特徵向量；使用包含前述複數個第一特徵向量及前述複數個第二特徵向量之訓練資料，進行機器學習而構築出前述模型。
在一態樣中，前述複數個訓練用圖案為至少具有朝第一方向延伸之邊緣、朝與前述第一方向垂直的第二方向延伸之邊緣、轉角邊緣(corner edge)、及終端邊緣之複數個圖案。
在一態樣中，前述複數個實際圖案係形成於前述工件之圖案。
在一態樣中，從設計資料選出前述複數個訓練用圖案之程序係為下述程序：使包含根據前述設計資料而描繪出的複數個圖案之設計圖面顯示於顯示畫面上，使從前述設計圖面所包含的複數個圖案選出的前述複數個訓練用圖案、或前述複數個訓練用圖案所在的區域以做了視覺強調的態樣顯示於前述顯示畫面上。
在一態樣中，前述圖案邊緣檢測方法更包含下述程序：產生出沿著相對於前述假想邊緣朝法線方向延伸的複數條探查線之前述對象圖像的複數個亮度曲線，根據複數個前述亮度曲線而決定出複數個邊緣點，用線將前述複數個邊緣點連起來，產生更新後的邊緣。
在一態樣中，前述圖案邊緣檢測方法更包含下述程序：從設計資料產生出與前述目標圖案對應的CAD圖案，量測從前述CAD圖案的邊緣到前述更新後的邊緣的距離。
一態樣提供一種圖案邊緣檢測裝置，該圖案邊緣檢測裝置係具備有：圖像產生裝置，係產生出形成於工件上的目標圖案的對象圖像；以及演算系統，係與前述圖像產生裝置連接；前述演算系統係：產生出前述對象圖像的各像素的特徵向量，該特徵向量表示複數個特徵量；將前述特徵向量輸入至透過機器學習而構築出的模型；從前述模型輸出表示具有前述特徵向量之像素是邊緣的像素，還是非邊緣的像素之判定結果；用線將具有特定的特徵向量之複數個像素 連起來而產生出假想邊緣，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
在一態樣中，前述模型係決策樹。
在一態樣中，前述演算系統係構成為下述型態：從設計資料選出複數個訓練用圖案，產生出根據前述複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像，檢測出前述複數個訓練用圖像上的前述複數個實際圖案的邊緣，將構成前述複數個訓練用圖像之複數個參考像素予以分類為構成邊緣之複數個第一參考像素、及不構成邊緣之複數個第二參考像素，產生出前述複數個第一參考像素的複數個第一特徵向量、及前述複數個第二參考像素的複數個第二特徵向量，使用包含前述複數個第一特徵向量及前述複數個第二特徵向量之訓練資料，進行機器學習而構築出前述模型。
在一態樣中，前述複數個訓練用圖案係為至少具有朝第一方向延伸之邊緣、朝與前述第一方向垂直的第二方向延伸之邊緣、轉角邊緣、及終端邊緣之複數個圖案。
在一態樣中，前述複數個實際圖案係形成於前述工件之圖案。
在一態樣中，前述演算系統係具有顯示畫面，且前述演算系統係構成為下述型態：使包含根據前述設計資料而描繪出的複數個圖案之設計圖面顯示於前述顯示畫面上，使從前述設計圖面所包含的複數個圖案選出的前述複數個訓練用圖案、或前述複數個訓練用圖案所在的區域以做了視覺強調的態樣顯示於前述顯示畫面上。
在一態樣中，前述演算系統係構成為下述型態：產生出沿著相對於前述假想邊緣朝法線方向延伸的複數條探查線之前述對象圖像的複數個亮度曲線，根據 複數個前述亮度曲線而決定出複數個邊緣點，用線將前述複數個邊緣點連起來，產生更新後的邊緣。
在一態樣中，前述演算系統係構成為下述型態：從設計資料產生出與前述目標圖案對應的CAD圖案，量測從前述CAD圖案的邊緣到前述更新後的邊緣的距離。
一態樣提供一種電腦可讀取的記錄媒體，該電腦可讀取的記錄媒體係記錄有程式者，該程式使電腦執行下列步驟：發指令給掃描式電子顯微鏡使之產生出形成於工件上的目標圖案的對象圖像之步驟；產生出前述對象圖像的各像素的特徵向量之步驟，該特徵向量表示複數個特徵量；將前述特徵向量輸入至透過機器學習而構築出的模型之步驟；從前述模型輸出表示具有前述特徵向量之像素是邊緣的像素，還是非邊緣的像素的判定結果之步驟；以及用線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣之步驟，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
在一態樣中，前述模型係決策樹。
在一態樣中，前述程式係構成為更使前述電腦執行下述步驟：從設計資料選出複數個訓練用圖案之步驟；發指令給前述掃描式電子顯微鏡，使之產生出根據前述複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像之步驟；檢測出前述複數個訓練用圖像上的前述複數個實際圖案的邊緣之步驟；將構成前述複數個訓練用圖像之複數個參考像素予以分類為構成邊緣之複數個第一參考像素、及不構成邊緣之複數個第二參考像素之步驟；產生出前述複數個第一參考像素的複數個第一特徵向量、及前述複數個第二參考像素的複數個第二特 徵向量之步驟；以及使用包含前述複數個第一特徵向量及前述複數個第二特徵向量之訓練資料，進行機器學習而構築出前述模型之步驟。
在一態樣中，前述複數個訓練用圖案係為至少具有朝第一方向延伸之邊緣、朝與前述第一方向垂直的第二方向延伸之邊緣、轉角邊緣、及終端邊緣之複數個圖案。
在一態樣中，前述複數個實際圖案係形成於前述工件之圖案。
在一態樣中，從設計資料選出前述複數個訓練用圖案之步驟係：使包含根據前述設計資料而描繪出的複數個圖案之設計圖面顯示於顯示畫面上之步驟；以及使從前述設計圖面所包含的複數個圖案選出的前述複數個訓練用圖案、或前述複數個訓練用圖案所在的區域以做了視覺強調的態樣顯示於前述顯示畫面上之步驟。
在一態樣中，前述程式係構成為更使前述電腦執行下述步驟：產生出沿著相對於前述假想邊緣朝法線方向延伸的複數條探查線之前述對象圖像的複數個亮度曲線之步驟；根據複數個前述亮度曲線而決定出複數個邊緣點之步驟；以及用線將前述複數個邊緣點連起來，產生更新後的邊緣之步驟。
在一態樣中，前述程式係構成為更使前述電腦執行下述步驟：從設計資料產生出與前述目標圖案對應的CAD圖案之步驟；以及量測從前述CAD圖案的邊緣到前述更新後的邊緣的距離之步驟。
一態樣提供一種作出邊緣檢測模型之方法，該邊緣檢測模型係用來檢測出圖像上的圖案的邊緣，該方法係：利用掃描式電子顯微鏡產生出形成有圖案的工件的訓練用圖像，檢測出前述訓練用圖像上的前述圖案的邊緣，算出構成前述訓練用圖像之像素的特徵向量，將前述訓練用圖像內的目標區域分割成 邊緣區域、邊緣附近區域、及非邊緣區域，作出包含前述邊緣區域內的複數個第一像素的複數個特徵向量、前述邊緣附近區域內的複數個第二像素的複數個特徵向量、及前述非邊緣區域內的複數個第三像素的複數個特徵向量之訓練資料，使用前述訓練資料進行機器學習而作出邊緣檢測模型。
在一態樣中，將前述複數個第一像素的數目記為A，將前述複數個第二像素的數目及前述複數個第三像素的數目的總和記為B時，數A除以數B所得到的值(A/B)係為預定的數值。
在一態樣中，數A除以數B所得到的值(A/B)係在0.6至1.5之範圍內。
在一態樣中，前述非邊緣區域係與前述邊緣區域分開預定的像素數的距離，前述邊緣附近區域係位於前述邊緣區域與前述非邊緣區域之間。
在一態樣中，將前述訓練用圖像內的目標區域分割為邊緣區域、邊緣附近區域、及非邊緣區域之程序，係將前述訓練用圖像內的目標區域分割為邊緣區域、除外區域、邊緣附近區域、及非邊緣區域之程序，前述除外區域係與前述邊緣區域鄰接，且位於前述邊緣區域與前述邊緣附近區域之間，前述訓練資料並不包含前述除外區域內的像素的特徵向量。
在一態樣中，前述目標區域係包含：包含第一邊緣之第一區域、包含與前述第一邊緣垂直的第二邊緣之第二區域、及包含轉角邊緣及終端邊緣之第三區域。
在一態樣中，前述第一區域內的像素數、前述第二區域內的像素數、及前述第三區域內的像素數係有預定的比率。
一態樣提供一種模型產生裝置，該模型產生裝置係作出用來檢測出圖像上的圖案的邊緣之邊緣檢測模型者，具備有：記憶裝置，係儲存有用來作出前述邊緣檢測模型的程式；以及演算裝置，係按照前述程式中包含的命令而進 行演算；前述模型產生裝置係構成為下述型態：從掃描式電子顯微鏡取得形成有圖案之工件的訓練用圖像，檢測出前述訓練用圖像上的前述圖案的邊緣，算出構成前述訓練用圖像之像素的特徵向量，將前述訓練用圖像內的目標區域分割為邊緣區域、邊緣附近區域、及非邊緣區域，作出包含前述邊緣區域內的複數個第一像素的複數個特徵向量、前述邊緣附近區域內的複數個第二像素的複數個特徵向量、及前述非邊緣區域內的複數個第三像素的複數個特徵向量之訓練資料，使用前述訓練資料進行機器學習而作出邊緣檢測模型。
在一態樣中，將前述複數個第一像素的數目記為A，將前述複數個第二像素的數目及前述複數個第三像素的數目的總和記為B時，數A除以數B所得到的值(A/B)係為預定的數值。
在一態樣中，數A除以數B所得到的值(A/B)係在0.6至1.5之範圍內。
在一態樣中，前述非邊緣區域係與前述邊緣區域分開預定的像素數的距離，前述邊緣附近區域係位於前述邊緣區域與前述非邊緣區域之間。
在一態樣中，前述模型產生裝置係構成為將前述訓練用圖像內的目標區域分割為邊緣區域、除外區域、邊緣附近區域、及非邊緣區域，前述除外區域係與前述邊緣區域鄰接，且位於前述邊緣區域與前述邊緣附近區域之間，前述訓練資料並不包含前述除外區域內的像素的特徵向量。
在一態樣中，前述目標區域係包含：包含第一邊緣之第一區域、包含與前述第一邊緣垂直的第二邊緣之第二區域、及包含轉角邊緣及終端邊緣之第三區域。
在一態樣中，前述第一區域內的像素數、前述第二區域內的像素數、及前述第三區域內的像素數係有預定的比率。
一態樣提供一種電腦可讀取的記錄媒體，該電腦可讀取的記錄媒體係記錄有程式者，該程式使電腦執行下列步驟：從掃描式電子顯微鏡取得形成有圖案之工件的訓練用圖像之步驟；檢測出前述訓練用圖像上的前述圖案的邊緣之步驟；算出構成前述訓練用圖像之像素的特徵向量之步驟；將前述訓練用圖像內的目標區域分割為邊緣區域、邊緣附近區域、及非邊緣區域之步驟；作出包含前述邊緣區域內的複數個第一像素的複數個特徵向量、前述邊緣附近區域內的複數個第二像素的複數個特徵向量、及前述非邊緣區域內的複數個第三像素的複數個特徵向量之訓練資料之步驟；以及使用前述訓練資料進行機器學習而作出邊緣檢測模型之步驟。
根據本發明，並非使用圖案的設計資料，而是使用透過機器學習而作成的模型來檢測出邊緣。具體而言，係根據從模型輸出的判定結果而產生出假想邊緣。該假想邊緣係預期會具有與顯現在圖像中的圖案的邊緣極為接近的形狀。
根據本發明，在機器學習中使用包含邊緣區域內的像素、邊緣附近區域內的像素、及非邊緣區域內的像素之訓練資料。尤其，因為訓練資料包含難以做判定之邊緣附近區域內的像素，所以透過機器學習而作成的邊緣檢測模型可精度良好地判定輸入的像素是否是邊緣。
另外，根據本發明，並不將除外區域內的像素用於機器學習。該除外區域內的像素可能是邊緣的像素，也可能是非邊緣的像素。換言之，除外區域內的像素為不確定的像素。藉由將如此的不確定的像素的特徵向量排除在訓練資料之外，可快速地完成邊緣檢測模型的機器學習。
1:掃描式電子顯微鏡
3:演算系統
5:資料庫
6:記憶裝置
7:處理裝置
10:顯示畫面
12:輸入裝置
15:電子槍
16:匯聚透鏡
17:X偏向器
18:Y偏向器
20:對物透鏡
21:透鏡控制裝置
22:偏向控制裝置
25:二次電子檢測器
26:反射電子檢測器
28:圖像取得裝置
30:腔室
31:載台
32:載台控制裝置
34:搬送裝置
50:對象圖像
51:目標圖案
55:假想邊緣
60:模型
60A,60B,60C:決策樹
65:探查線
67:更新後的邊緣
70:訓練資料
70A,70B,70C:資料組
75:設計圖面、CAD圖案
80:模型產生裝置
100:目標區域
W:晶圓(工件)
12a:滑鼠
12b:鍵盤
80a:記憶裝置
80b:處理裝置
500:圖像
501:圖案
505:CAD圖案
507:探查線
510,EP:邊緣點
E1,E2,E3,E4:邊緣
P1,P2:像素
PT1,PT2,PT3:圖案
R1:邊緣區域
R2:邊緣附近區域
R3:非邊緣區域
R4:除外區域
T1:第一區域
T2:第二區域
T3:第三區域
圖1係顯示圖案邊緣檢測裝置的一實施型態之示意圖。
圖2係顯示對象圖像之示意圖。
圖3係顯示假想邊緣之示意圖。
圖4係顯示由決策樹構成的模型的一實施型態之示意圖。
圖5係顯示將某一特徵向量輸入至圖4所示的複數個決策樹時的判定結果的一例之圖。
圖6係顯示將另一特徵向量輸入至圖4所示的複數個決策樹時的判定結果的另一例之圖。
圖7係顯示相對於假想邊緣而言沿法線方向延伸的複數條探查線之圖。
圖8係顯示沿著圖7所示的探查線之中的一條之亮度曲線的一例之圖。
圖9係顯示使用於訓練資料的作成之訓練用圖案的一例之示意圖。
圖10係顯示顯示畫面上所顯示的設計圖面的一例之示意圖。
圖11係顯示在顯示畫面上以方框表示出顯示經選出的訓練用圖案所在的區域之實施型態之圖。
圖12係顯示以相對於其他的圖案在視覺上不相同的態樣表示選出的訓練用圖案之實施型態之圖。
圖13係顯示包含構成邊緣之第一參考像素的第一特徵向量、及不構成邊緣之第二參考像素的第二特徵向量之訓練資料之示意圖。
圖14係顯示圖案邊緣檢測裝置的動作之流程圖的一部分。
圖15係顯示圖案邊緣檢測裝置的動作之流程圖的其餘的部分。
圖16係用來說明量測從CAD圖案的邊緣到更新後的邊緣的距離之實施型態之圖。
圖17係顯示圖案邊緣檢測裝置的一實施型態之示意圖。
圖18係顯示形成有圖案之工件的圖像的一例之圖。
圖19係顯示檢測出的邊緣之圖。
圖20係顯示將圖19所示的檢測出的邊緣重疊於圖18所示的圖像上之圖。
圖21係用來說明算出像素的特徵量之一實施型態之圖。
圖22係用來說明將圖像內的目標區域分割為邊緣區域、邊緣附近區域、及非邊緣區域的動作之圖。
圖23係用來說明作出邊緣檢測模型之另一實施型態之圖。
圖24係顯示包含設定於圖像內的複數個區域之目標區域的一例之圖。
圖25係顯示與圖像上的圖案重疊的CAD圖案之示意圖。
圖26係顯示沿著圖25所示的探查線之亮度曲線之圖。
圖27係顯示有缺陷的圖案的一例之圖。
圖28係顯示有缺陷的圖案的另一例之圖。
圖29係顯示有缺陷的圖案的又另一例之圖。
以下，參照圖式來說明本發明的實施型態。
圖1係顯示圖案邊緣檢測裝置的一實施型態之示意圖。如圖1所示，圖案邊緣檢測裝置係具備有掃描式電子顯微鏡1及演算系統3。掃描式電子顯微鏡1為產生 出工件(workpiece)的圖像之圖像產生裝置的一例。工件的例子，舉例來說係與半導體製造有關之晶圓(wafer)或遮罩(mask)。以下說明的實施型態，係採用晶圓作為工件的例子，但本發明並不限定於以下的實施型態。圖案係形成於工件之電子器件(device)的配線圖案。
掃描式電子顯微鏡1係與演算系統3連接，掃描式電子顯微鏡1的動作由演算系統3加以控制。演算系統3係包含：儲存有資料庫5及程式之記憶裝置6、按照程式中包含的命令執行演算之處理裝置7、顯示出圖像及GUI(圖形使用者介面)等之顯示畫面10。記憶裝置6係具備有：RAM等之主記憶裝置、以及硬碟(HDD)或固態硬碟(SSD)等之輔助記憶裝置。處理裝置7的例子，舉例來說係CPU(中央處理裝置)或GPU(圖形處理單元)。不過，演算系統3的具體的構成並不限定於以上所述的例子。
演算系統3更具備有輸入裝置12，該輸入裝置12具備有滑鼠12a及鍵盤12b。使用者使用滑鼠12a及/或鍵盤12b，可操作顯現在顯示畫面10上的GUI。具備有滑鼠12a及鍵盤12b之輸入裝置12為一個例子，本發明並不限定於本實施型態之輸入裝置12。
演算系統3具備至少一台電腦。例如，演算系統3可為利用通訊線而與掃描式電子顯微鏡1連接之邊緣伺服器(edge server)、或是通過網際網路或區域網路等之通訊網路而與掃描式電子顯微鏡1連接之雲端伺服器(cloud server)。演算系統3亦可為複數個伺服器的組合。例如，演算系統3可為通過網際網路或區域網路等之通訊網路而相連接的邊緣伺服器與雲端伺服器的組合、或是並未通過通訊網路而連接之複數個伺服器的組合。
掃描式電子顯微鏡1係具有：發射由一次電子(帶電粒子)聚成的電子束之電子槍15、使從電子槍15射出的電子束匯聚之匯聚透鏡16、使電子束在X方向偏向之X偏向器17、使電子束在Y方向偏向之Y偏向器18、以及使電子束在作為工件的一例之晶圓W上聚焦之對物透鏡20。
匯聚透鏡16及對物透鏡20係與透鏡控制裝置21連接，匯聚透鏡16及對物透鏡20的動作由透鏡控制裝置21加以控制。該透鏡控制裝置21係與演算系統3連接。X偏向器17、Y偏向器18係與偏向控制裝置22連接，X偏向器17、Y偏向器18的偏向動作由偏向控制裝置22加以控制。該偏向控制裝置22同樣與演算系統3連接。二次電子檢測器25及反射電子檢測器26係與圖像取得裝置28連接。圖像取得裝置28係構成為將二次電子檢測器25及反射電子檢測器26的輸出訊號轉換為圖像。此圖像取得裝置28同樣與演算系統3連接。
配置於腔室(chamber)30內之載台(stage)31係與載台控制裝置32連接，載台31的位置由載台控制裝置32加以控制。該載台控制裝置32與演算系統3連接。用來將晶圓W載置於腔室30內的載台31上之搬送裝置34也同樣與演算系統3連接。
從電子槍15射出的電子束在經匯聚透鏡16使之匯聚之後，在X偏向器17、Y偏向器18的作用下偏向同時由對物透鏡20使之聚焦而照射在晶圓W的表面。電子束的一次電子照射到晶圓W，就會有二次電子及反射電子從晶圓W放出。二次電子由二次電子檢測器25加以檢測，反射電子由反射電子檢測器26加以檢測。檢測出的二次電子的訊號、及反射電子的訊號，係輸入至圖像取得裝置28在該處轉換為圖像。圖像係傳送至演算系統3。
形成於晶圓W上的圖案的設計資料，係預先記憶於記憶裝置6中。晶圓W上的圖案係根據設計資料而作成者。圖案的設計資料包含圖案的頂點的座標、圖案的位置、形狀、及大小、圖案所屬的層的編號等之圖案的設計資訊。記憶裝置6中，構築有資料庫5。圖案的設計資料預先儲存於資料庫5內。演算系統3可從儲存於記憶裝置6中的資料庫5讀出設計資料。設計資料也稱為CAD資料。CAD係電腦輔助設計(Computer-Aided Design)的縮寫。
接著，說明檢測出圖像上的圖案的邊緣(輪廓線)之方法。首先，掃描式電子顯微鏡1產生出形成於晶圓W上的複數個圖案的複數個圖像。演算系統3從掃描式電子顯微鏡1取得複數個圖像之中的一個作為對象圖像。圖2係顯示對象圖像之示意圖。對象圖像50中，顯現有要檢測出其邊緣之目標圖案51。該目標圖案51係形成於晶圓W上之圖案。
演算系統3產生出對象圖像50的各像素的特徵向量，該特徵向量表示複數個特徵量。特徵向量係各像素所包含複數個特徵量之多維向量。特徵量係表示像素的特徵之數值。本實施型態中，各像素的複數個特徵量，係該像素的亮度值、與其他的像素的亮度值之差。亮度值的一例，係依灰階(grayscale)而分為0~255之離散的數值。本實施型態中，其他的像素係指鄰接的像素。在一實施型態中，其他的像素亦可為非鄰接的像素。
演算系統3係藉由將微分濾波器施用於對象圖像50來產生出包含複數個特徵量之特徵向量。具體而言，演算系統3係算出某個像素的亮度值、與存在於該像素的周圍的複數個像素的亮度值的複數個差。這些算出的複數個差，係構成一個特徵向量中包含的複數個特徵量。
例如，圖2所示的像素P1的亮度值為100，存在於該像素P1的周圍的複數個像素的亮度值為200、150、100、50之情況，算出的差為-100、-50、0、50。因此，將此例之像素P1的特徵向量表示成(-100,-50,0,50)。另一方面，圖2所示的像素P2的亮度值為10，存在於該像素P2的周圍的複數個像素的亮度值為20、15、10、10之情況，算出的差為-10、-5、0、0。因此，將此例之像素P2的特徵向量表示成(-10,-5,0,0)。
本實施型態中，特徵向量中包含的特徵量的數目為四個，但本發明並不限於此實施型態。特徵向量亦可包含小於四個、或大於四個之數目的特徵量。
演算系統3將構成特徵向量之複數個特徵量輸入至透過機器學習而構築出的模型，從模型輸出表示是邊緣的像素或非邊緣的像素之判定結果。該模型係使用訓練資料進行機器學習而作成的學習完成的模型。訓練資料係包含複數個像素各者的特徵向量、及該等特徵向量的註記資料。註記資料係註記具有某特徵向量之像素是構成圖案的邊緣之像素、或不構成邊緣之像素的哪一者之資訊。訓練資料所包含的複數個像素的特徵向量，每一個都附隨有一個註記資料(與一個註記資料相關聯)。
使用如此的訓練資料進行機器學習而作成的模型，可根據未知的像素的特徵向量而判別該未知的像素是邊緣的像素，還是非邊緣的像素。亦即，將未知的像素的特徵向量輸入至模型，模型就輸出表示是邊緣的像素還是非邊緣的像素之判定結果。
演算系統3將具有特定的特徵向量之複數個像素選出，且用線將選出的複數個像素連起來而產生出假想邊緣，其中該特定的特徵向量為得到表 示是邊緣的像素的判定結果者。圖3係顯示假想邊緣之示意圖。演算系統3用線將具有特定的特徵向量之複數個像素連起來而形成假想邊緣55，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。此假想邊緣55係預期會具有與晶圓W上的目標圖案51(參照圖2)的邊緣接近的形狀。
本實施型態中，模型係使用決策樹。決策樹係按照作為機器學習的演算法的一例之隨機森林演算法(random forest algorithm)而構築出的模型(學習完成的模型)。
圖4係顯示由決策樹構成的模型的一實施型態之示意圖。如圖4所示，模型60係具備有複數個決策樹60A,60B,60C。各像素的特徵向量係輸入至該等決策樹60A,60B,60C的各者。複數個決策樹60A,60B,60C按照各決策樹的演算法而判別具有特徵向量之像素是邊緣的像素，還是非邊緣的像素。圖4所示的例子，模型60係由三個決策樹60A,60B,60C構成，但決策樹的數目並沒有特別的限制。在一實施型態中，模型60亦可只具備一個決策樹。
圖5係顯示將特徵向量(-100,-50,0,50)輸入至圖4所示的複數個決策樹60A,60B,60C時的判定結果的一例之圖。特徵向量(-100,-50,0,50)輸入至三個決策樹60A,60B,60C的各者。第一決策樹60A及第二決策樹60B將具有特徵向量(-100,-50,0,50)之像素判定為是邊緣的像素，第三決策樹60C將具有特徵向量(-100,-50,0,50)之像素判定為是非邊緣的像素。
圖6係顯示將特徵向量(-10,-5,0,0)輸入至圖4所示的複數個決策樹60A,60B,60C時的判定結果的一例之圖。特徵向量(-10,-5,0,0)輸入至三個決策樹60A,60B,60C的各者。所有的決策樹60A,60B,60C都將具有特徵向量(-10,-50,0)之像素判定為是非邊緣的像素。
判定結果係有與決策樹60A,60B,60C的數目相同的個數，判定結果可能會依決策樹60A,60B,60C而不同。演算系統3採用表示是邊緣的像素之判定結果、或表示是非邊緣的像素之判定結果之中數目較多的一方的結果。就圖5所示的例子而言，三個決策樹60A,60B,60C之中有兩個輸出表示是邊緣的像素之判定結果，只有一個輸出表示是非邊緣的像素之判定結果。在此情況，演算系統3採用數目較多的一方的判定結果，將具有輸入的特徵向量(-100,-50,0,50)之像素決定成是邊緣的像素。就圖6所示的例子而言，所有的決策樹60A,60B,60C都輸出表示是非邊緣的像素之判定結果。在此情況，演算系統3將具有輸入的特徵向量(-10,-5,0,0)之像素決定成是非邊緣的像素。
決策樹相較於類神經網路(neural network)等的其他的模型，具有會較快地完成機器學習之優點。例如，使用訓練資料來構築複數個決策樹之機器學習，約1至5分鐘左右就完成。因此，採用具備決策樹之模型60，可縮短從機器學習開始到產生出假想邊緣55為止的時間。
一般而言，即使是根據相同的設計資料而作出圖案的情況，圖案的邊緣形狀也會在各晶圓有些微的差異。使用某一晶圓上的圖案的圖像而作出的模型，會有在其他的晶圓上的圖案的邊緣檢測失敗之情形。根據本實施型態，使用於訓練資料的作成之實際圖案、與產生假想邊緣55所用的目標圖案51係形成於同一個晶圓(工件)W上。亦即，在學習階段之模型60的機器學習、與在邊緣檢測階段之假想邊緣55的產生，係使用同一個晶圓(工件)W的圖像而進行。因此，演算系統3可使用訓練資料進行機器學習而構築出模型60，然後使用模型60而高精度地產生目標圖案51的假想邊緣55。
本實施型態中，透過機器學習而構築出的模型60使用的是複數個決策樹，但本發明並不限定於本實施型態。在一實施型態中，透過機器學習而構築出的模型60，亦可為由支持向量機(support vector machine)、或類神經網路所構成的模型。模型60為類神經網路之情況，係將特徵向量輸入至類神經網路的輸入層，從類神經網路的輸出層輸出判定結果。類神經網路之機器學習適合採用深度學習。
圖3所示的假想邊緣55，係預期會具有與圖2所示的目標圖案51的邊緣極為接近的形狀。在一實施型態中，演算系統3可更執行根據假想邊緣55來檢測出目標圖案51的邊緣之步驟。此目標圖案51的邊緣檢測，係以與參照圖25及圖26說明過的以往的邊緣檢測方法相同的方式進行。不過，使用的是假想邊緣55而非CAD圖案。具體而言，如圖7所示，演算系統3產生出沿著相對於假想邊緣55朝法線方向延伸的複數條探查線65之對象圖像50的複數個亮度曲線，根據複數個亮度曲線而決定出複數個邊緣點EP，用線將複數個邊緣點EP連起來而產生出更新後的邊緣67。
圖8係顯示沿著圖7所示的探查線65之中的一條之亮度曲線的一例之圖。演算系統3決定出亮度曲線上的亮度值與閾值相等之邊緣點EP。演算系統3係如圖7所示，決定出沿著複數條探查線65之複數個亮度曲線上的複數個邊緣點EP，且用線將該等邊緣點EP連起來而產生出更新後的邊緣67，將更新後的邊緣67描繪在對象圖像50上。該更新後的邊緣67係預期會具有與目標圖案51(參照圖2)的實際的邊緣極為接近的形狀。
接著，說明用來構築模型60之機器學習所使用的訓練資料。訓練資料係如上述，從形成有目標圖案51(用於假想邊緣55的產生)之晶圓W上的複數 個實際圖案的圖像來作成。演算系統3從設計資料選出複數個訓練用圖案。設計資料(也稱為CAD資料)係形成於晶圓W上的圖案的設計資料。
為了提高模型60的邊緣判定精度，訓練資料較佳者為從具有多樣的邊緣形狀之圖案的圖像來作成。基於如此的觀點，使用於訓練資料的作成之訓練用圖案，係如圖9所示，包含具有朝第一方向延伸之邊緣E1、朝與第一方向垂直的第二方向延伸之邊緣E2、轉角邊緣E3、終端邊緣E4之複數個圖案PT1,PT2,PT3。演算系統3從設計資料抽出(選出)具有如此的多樣的形狀的邊緣E1~E4之複數個訓練用圖案PT1,PT2,PT3。
演算系統3係構成為使根據設計資料而描繪出的設計圖面顯示於顯示畫面10(參照圖1)。圖10係顯示顯示畫面10上所顯示的設計圖面75的一例之示意圖。設計圖面75中包含有根據設計資料而描繪出的各種圖案。使用者可目視確認顯示畫面10上的設計圖面75而選擇如圖9所示的具有在多個方向延伸的邊緣之圖案PT1,PT2,PT3。更具體地說，使用者可操作圖1所示的具有滑鼠12a及鍵盤12b之輸入裝置12，而如圖10所示從設計圖面75上的複數個圖案選出複數個訓練用圖案PT1,PT2,PT3。
使用者可操作輸入裝置12而刪除或變更訓練用圖案PT1,PT2,PT3的一部分，或者也可將設計圖面75上的別的圖案追加至訓練用圖案PT1,PT2,PT3。
演算系統3係以做了視覺強調的態樣來顯示經選出的複數個訓練用圖案PT1,PT2,PT3，或該等圖案PT1,PT2,PT3所在的區域。例如，如圖11所示，可在顯示畫面10上以方框80來表示出顯示使用者選出的訓練用圖案PT1,PT2,PT3所在的區域，或者，可如圖12所示以使得使用者選出的訓練用圖案PT1, PT2,PT3本身相對於其他的圖案在視覺上不相同的態樣來表示。在圖12所示的例子中，係以比其他圖案粗的線來表示使用者選出的訓練用圖案PT1,PT2,PT3，但在別的例子中，亦可用與其他的圖案不同的顏色來顯示使用者選出的訓練用圖案PT1,PT2,PT3。使用者可目視確認顯示畫面10上的複數個訓練用圖案PT1,PT2,PT3。
掃描式電子顯微鏡1產生出根據使用者選出的複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像。此時，掃描式電子顯微鏡1可產生出將用於假想邊緣55的產生之目標圖案51的圖像。演算系統3從掃描式電子顯微鏡1取得複數個訓練用圖像，將之記憶於記憶裝置6內。
接著，演算系統3檢測出複數個訓練用圖像上的複數個實際圖案的邊緣。此邊緣檢測係以參照圖25及圖26說明過的以往的邊緣檢測方法進行。亦即，演算系統3從設計資料產生出與複數個訓練用圖案一一對應的複數個CAD圖案。演算系統3可對各CAD圖案施行圓角(corner-round)處理來形成帶有圓角之轉角邊緣。接著，演算系統3將該等CAD圖案分別與訓練用圖像上的複數個圖案重疊。演算系統3產生出沿著相對於CAD圖案的邊緣朝法線方向延伸的複數條探查線，作出沿著該等探查線之圖像的複數個亮度曲線。演算系統3針對一條亮度曲線決定出該亮度曲線上的亮度值等於閾值之邊緣點。演算系統3重複同樣的動作，針對所有的探查線而決定出複數個邊緣點。演算系統3用線將該複數個邊緣點連起來，以連接各邊緣點而成的線作為訓練用圖像上的實際圖案的邊緣。以此方式檢測(決定)出訓練用圖像上的實際圖案的邊緣。
如此進行訓練用圖像上的實際圖案的邊緣檢測，演算系統3可在構成訓練用圖像的各參考像素加上邊緣像素的標籤(label)、或非邊緣像素的標 籤。亦即，演算系統3將構成複數個訓練用圖像的複數個參考像素予以分類而分為構成邊緣之第一參考像素、及不構成邊緣之第二參考像素。
演算系統3產生出複數個第一參考像素的複數個第一特徵向量、及複數個第二參考像素的複數個第二特徵向量。各特徵向量係如上述，為各參考像素所包含複數個特徵量之多維向量。演算系統3作出包含複數個第一特徵向量及複數個第二特徵向量、以及該等特徵向量的註記資料之訓練資料。註記資料係註記具有某特徵向量之像素是構成圖案的邊緣之像素、或不構成邊緣之像素的哪一者之資訊。訓練資料所包含的第一特徵向量及第二特徵向量，每一個都附隨有一個註記資料(與一個註記資料相關聯)。
圖13係顯示包含構成邊緣之第一參考像素的第一特徵向量、及不構成邊緣之第二參考像素的第二特徵向量之訓練資料70之示意圖。第一特徵向量係附加有表示是邊緣的像素之註記資料的標籤，第二特徵向量係附加有表示並不是邊緣的像素之註記資料的標籤。演算系統3係使用訓練資料70進行機器學習而構築出模型60。
本實施型態中，模型60係由複數個決策樹60A,60B,60C所構成。演算系統3係從訓練資料70作出包含隨機抽出的複數個第一特徵向量及複數個第二向量之複數個資料組(data group)70A,70B,70C，且使用該等資料組70A,70B,70C來構築複數個決策樹60A,60B,60C。更具體地說，演算系統3係使用資料組70A來決定出決策樹60A的模型參數。同樣地，演算系統3使用資料組70B來決定出決策樹60B的模型參數，且使用資料組70C來決定出決策樹60C的模型參數。
演算系統3使用上述訓練資料70來驗證由具備如上述決定出的模型參數之複數個決策樹60A,60B,60C所構成的模型60。具體而言，演算系統3係 將訓練資料70中包含的第一特徵向量輸入至模型60，使判定結果從模型60輸出，核對判定結果是否是表示邊緣像素。同樣地，演算系統3將訓練資料70中包含的第二特徵向量輸入至模型60，使判定結果從模型60輸出，核對判定結果是否是表示非邊緣像素。演算系統3重複進行如此驗證而取得複數個判定結果，算出該等複數個判定結果與註記資料一致的比率(亦即判定精度)。
判定精度若在設定值以上，則演算系統3如上述，使用模型60而進行假想邊緣55之產生。判定精度若比設定值還小，則演算系統3再度執行訓練資料的作成及模型的機器學習。在一實施型態中，演算系統3亦可在判定精度比設定值還小之情況，不使用模型60，而是以參照圖25及圖26說明過的以往的邊緣檢測方法來檢測出目標圖案51的邊緣。
圖14及圖15係顯示至此說明的圖案邊緣檢測裝置的動作之流程圖。
在步驟1中，演算系統3從設計資料選出(抽出)複數個訓練用圖案。選出的訓練用圖案係如圖9所示，包含具有朝第一方向延伸之邊緣E1、朝與第一方向垂直的第二方向延伸之邊緣E2、轉角邊緣E3、終端邊緣E4之複數個圖案。
在步驟2中，掃描式電子顯微鏡1產生出根據該選出的複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像。此時，掃描式電子顯微鏡1可產生出將用於假想邊緣的產生之目標圖案51的圖像。
在步驟3中，演算系統3檢測出複數個訓練用圖像上的複數個實際圖案的邊緣。此邊緣檢測係以參照圖25及圖26說明過的以往的邊緣檢測方法進行。
在步驟4中，演算系統3將構成複數個訓練用圖像之複數個參考像素予以分類而分為構成邊緣之第一參考像素、及不構成邊緣之第二參考像素。
在步驟5中，演算系統3產生出複數個第一參考像素的複數個第一特徵向量、及複數個第二參考像素的複數個第二特徵向量。具體而言，演算系統3係產生出各參考像素的特徵向量，該特徵向量表示複數個特徵量。
在步驟6中，演算系統3作出包含複數個第一特徵向量及複數個第二特徵向量、以及該等特徵向量的註記資料之訓練資料70(參照圖13)。
在步驟7中，演算系統3使用訓練資料70進行機器學習來構築出模型60。更具體地說，演算系統3係將模型參數調整成當某一特徵向量輸入至模型60時，模型60會輸出正確的判定結果。
在步驟8中，演算系統3使用訓練資料70來驗證模型60的判定精度。具體而言，演算系統3係將訓練資料70中包含的複數個特徵向量一個一個輸入至模型60，模型60因而輸出複數個判定結果。演算系統3算出該等複數個判定結果與註記資料一致的比率作為判定精度。
在步驟9中，演算系統3將判定精度與設定值相比較。在判定精度比設定值還小之情況，動作流程回到步驟6。在一實施型態中，在判定精度比設定值還小之情況，動作流程亦可不回到步驟6，而是由演算系統3以參照圖25及圖26說明過的以往的邊緣檢測方法來檢測出目標圖案51的邊緣。
在上述的步驟9中，若判定精度在設定值以上，則如圖15所示，在步驟10中，演算系統3使用模型60而產生出假想邊緣。具體而言，演算系統3係產生出對象圖像50的各像素的特徵向量(該特徵向量表示複數個特徵量)，且將特徵向量輸入至模型60，從模型60輸出表示是邊緣的像素或非邊緣的像素之判定結 果。演算系統3用線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
在步驟11中，演算系統3使用假想邊緣作為基準邊緣，根據以往的邊緣檢測方法執行邊緣檢測，產生出更新後的邊緣。具體而言，係如圖7及圖8所示，演算系統3產生出相對於假想邊緣55朝法線方向延伸的複數條探查線65，產生出沿著該等探查線65之對象圖像50的複數個亮度曲線，根據複數個亮度曲線而決定出複數個邊緣點EP，用線將複數個邊緣點EP連起來而產生更新後的邊緣67。
在步驟12中，演算系統3檢查上述步驟11中產生的更新後的邊緣67與CAD圖案的邊緣有什麼程度的偏離。具體而言，係如圖16所示，演算系統3從設計資料產生出與目標圖案51對應的CAD圖案75，使CAD圖案75與對象圖像50上的目標圖案51重疊，且在複數個測定點量測目標圖案51的更新後的邊緣67與CAD圖案75的邊緣的距離。複數個測定點係排列在CAD圖案的邊緣上。透過此步驟12，就知道更新後的邊緣67與設計資料有什麼程度的乖離(或與設計資料接近到什麼程度)。
具備至少一台電腦之演算系統3，係按照電氣性地儲存於記憶裝置6之程式中包含的命令而動作。亦即，演算系統3執行：發指令給掃描式電子顯微鏡1使之產生出形成於工件上的目標圖案51的對象圖像50之步驟、產生出對象圖像50的各像素的特徵向量(該特徵向量表示複數個特徵量)之步驟、將前述特徵向量輸入至透過機器學習而構築出的模型60之步驟、從模型60輸出表示具有前述特徵向量之像素是邊緣的像素或是非邊緣的像素的判定結果之步驟、以及用 線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣55之步驟，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
用來使演算系統3執行此等步驟之程式，係記錄於屬於非暫時性的有形物之電腦可讀取的記錄媒體，透過記錄媒體而提供給演算系統3。或者，程式可通過網際網路或區域網路等的通訊網路而輸入至演算系統3。
使用於訓練資料之圖案邊緣並不是平直的，且圖像上的邊緣與非邊緣區域的交界線是模糊不清的。使用如此的訓練資料作成的模型(以下稱為邊緣檢測模型)，會有未能將邊緣檢出、或是檢出的並不是邊緣的情形。為了作出精度良好的模型，必須要有供機器學習的大量的訓練資料，結果就會在機器學習耗費非常長的時間。
因此，以下說明的實施型態，提供不用在機器學習耗費很長的時間就可作出精度良好的邊緣檢測模型之方法及裝置。圖17係顯示圖案邊緣檢測裝置的另一實施型態之示意圖。未特別說明的本實施型態的構成及動作，都與參照圖1至圖16說明過的實施型態相同，因此將其重複的說明予以省略。
演算系統3係具備有模型產生裝置80，該模型產生裝置80係產生用來檢測出形成於工件W之圖案的邊緣之邊緣檢測模型。圖像取得裝置28係與模型產生裝置80連接。
模型產生裝置80係由至少一台電腦構成。模型產生裝置80具備有：儲存有程式之記憶裝置80a、按照程式中包含的命令執行演算之處理裝置80b。記憶裝置80a係具備有：RAM等之主記憶裝置、以及硬碟(HDD)或固態硬碟(SSD)等之輔助記憶裝置。處理裝置80b的例子，舉例來說係CPU(中央處理裝置)或GPU(圖形處理單元)。不過，模型產生裝置80的具體的構成並不限定於以上所 述的例子。記憶裝置80a可與記憶裝置6為一體的，處理裝置80b可與處理裝置7為一體的。
模型產生裝置80係構成為透過機器學習來作出用來檢測出從圖像取得裝置28傳送來的圖像上的圖案的邊緣之邊緣檢測模型。以下，說明邊緣檢測模型的作成。
首先，準備形成有圖案之工件W。掃描式電子顯微鏡1產生出工件W的訓練用圖像，模型產生裝置80從掃描式電子顯微鏡1取得訓練用圖像。圖18係形成有圖案之工件W的訓練用圖像的一例之圖。圖18所示的例子中，訓練用圖像中顯現有複數個圖案。此等圖案係使用於訓練資料之訓練用圖案。模型產生裝置80檢測出訓練用圖像上的圖案的邊緣。邊緣的檢測，係使用Sobel濾波器、Canny法等的公知的圖像處理技術。或者，邊緣檢測亦可採用參照圖25及圖26說明過的以往的邊緣檢測方法來執行。在一實施型態中，使用者可手動地修正檢測出的邊緣。另外，在一實施型態中，邊緣可由使用者加以描繪出。
圖19係檢測出的邊緣之圖。如圖19所示，檢測出的邊緣以線表示。模型產生裝置80使檢測出的邊緣與工件W的訓練用圖像重疊。圖20係顯示使圖19所示的檢測出的邊緣重疊於圖18所示的訓練用圖像上之後的圖。
接著，模型產生裝置80產生出構成圖18所示的訓練用圖像之各像素的特徵向量，該特徵向量表示複數個特徵量。特徵向量係各像素所包含複數個特徵量之多維向量。特徵量係表示像素的特徵之數值。本實施型態中，各像素的複數個特徵量，係該像素的亮度值、與其他的像素的亮度值之差。亮度值的一例，係依灰階(grayscale)而分為0~255之離散的數值。本實施型態中，其他的像素係指鄰接的像素。在一實施型態中，其他的像素亦可為非鄰接的像素。
參照圖21來說明算出像素的特徵量之一實施型態。如圖21所示，模型產生裝置80係將微分濾波器施用於訓練用圖像來算出各像素的特徵量。更具體地說，模型產生裝置80係沿著複數個方向進行構成訓練用圖像之像素的亮度值的微分，就各像素算出由在各方向並排的兩個像素間的亮度值的差所構成的特徵量。
圖21所示的例子中，模型產生裝置80係沿著0度、45度、90度、135度方向進行像素的亮度值的微分。亦即，模型產生裝置80算出在0度方向並排的像素的亮度值的差、在45度方向並排的像素的亮度值的差、在90度方向並排的像素的亮度值的差、及在135度方向並排的像素的亮度值的差。因此，得到關於各像素之由四個數值構成的特徵量。例如，圖21中的符號P1所表示的像素的特徵量，係以由200、50、0、-50構成的特徵向量加以表示。不過，微分的角度，角度的數目、及每一像素的特徵量的數目並不限定於本實施型態。
接著，模型產生裝置80如圖22所示，將訓練用圖像內的目標區域100分割為邊緣區域R1、邊緣附近區域R2、及非邊緣區域R3。圖22所示的目標區域100係圖18所示的工件W的訓練用圖像的一部分。更具體地說，圖22所示的目標區域100係包含圖18所示的訓練用圖像上的圖案的邊緣之區域。邊緣區域R1係包含圖19所示的構成檢測出的邊緣的像素之區域。邊緣區域R1的寬度為一定的。例如，邊緣區域R1的寬度可為相當於一像素之寬度，或者為相當於預定的數目(例如三個)的複數個像素之寬度。
非邊緣區域R3係與邊緣區域R1相分開達預定個像素數的距離。邊緣附近區域R2係位於邊緣區域R1與非邊緣區域R3之間。亦即，邊緣附近區域R2係與邊緣區域R1及非邊緣區域R3鄰接，且沿著邊緣區域R1及非邊緣區域R3延 伸。邊緣附近區域R2的寬度為一定的。在一實施型態中，邊緣附近區域R2的寬度係比邊緣區域R1的寬度還寬闊。通常，邊緣區域R1係比邊緣附近區域R2還小，邊緣附近區域R2係比非邊緣區域R3還小。
模型產生裝置80作出包含邊緣區域R1內的複數個像素的複數個特徵向量、邊緣附近區域R2內的複數個像素的複數個特徵向量、及非邊緣區域R3內的複數個像素的複數個特徵向量之訓練資料，使用訓練資料進行機器學習而作出邊緣檢測模型。邊緣檢測模型的例子，有例如決策樹及類神經網路。機器學習的例子，有例如決策樹學習及深度學習。
訓練資料係包含各像素的註記資料(或註記標籤)。該註記資料係註記各像素是構成圖案的邊緣之像素、或不構成邊緣之像素的哪一者之資訊。邊緣區域R1內的像素係構成邊緣之像素，邊緣附近區域R2及非邊緣區域R3內的像素則並非構成邊緣之像素。機器學習係將邊緣檢測模型的參數(加權係數等)予以最佳化，該邊緣檢測模型係用來正確地判定具有輸入至邊緣檢測模型之特徵向量之像素是邊緣的像素，還是非邊緣的像素者。如此進行機器學習而作成的邊緣檢測模型，可根據像素的特徵向量，而判定該像素是邊緣的像素、還是非邊緣的像素。
根據本實施型態，將必定包含邊緣區域R1內的像素、邊緣附近區域R2內的像素、及非邊緣區域R3內的像素之訓練資料用於機器學習。尤其，因為訓練資料包含有較難判定之邊緣附近區域R2內的像素，所以透過機器學習而作成的邊緣檢測模型，可精度良好地判定輸入的像素是否為邊緣的像素。
訓練資料中包含的非邊緣區域R3內的像素的數目，若比訓練資料中包含的邊緣區域R1內的像素的數目多很多，則使用如此的訓練資料作成的邊 緣檢測模型的演算法會偏向於非邊緣的像素檢出。如此一來，邊緣檢測模型就無法正確地判定輸入的像素為邊緣的像素。因此，為了使邊緣檢測模型的邊緣檢測精度提高，使用於邊緣檢測模型的機器學習之複數個像素，以均等地包含邊緣的像素(亦即邊緣區域R1內的像素)、非邊緣的像素(亦即邊緣附近區域R2及非邊緣區域R3內的像素)為佳。
從如此的觀點來說，將邊緣區域R1內的像素的數目記為A，將邊緣附近區域R2內的像素的數目及非邊緣區域R3內的像素的數目的總和記為B時，數A除以數B所得到的值(A/B)係為預定的數值。數A除以數B所得到的值(A/B)係在0.6~1.5之範圍內。為了使邊緣檢測模型的邊緣檢測精度提高，在一實施型態中，訓練資料中包含的邊緣區域R1內的像素的數目A係與訓練資料中包含的邊緣附近區域R2內的像素的數目及非邊緣區域R3內的像素的數目的總和B相同。
邊緣附近區域R2內的像素的特徵向量係具有邊緣區域R1內的像素的特徵向量與非邊緣區域R3內的像素的特徵向量之間的值。因此，很難正確地判定邊緣附近區域R2內的像素是邊緣的像素、還是非邊緣的像素。從別的觀點來說，使用包含很多邊緣附近區域R2內的像素的特徵向量之訓練資料的話，可產生邊緣檢測精度高的邊緣檢測模型。因此，在一實施型態中，訓練資料中包含的邊緣附近區域R2內的像素的數目係比訓練資料中包含的非邊緣區域R3內的像素的數目多。
演算系統3使用透過機器學習而作成的邊緣檢測模型，以如下述的方式檢測工件W的對象圖像上的邊緣。掃描式電子顯微鏡1產生出工件W的對象圖像，演算系統3從掃描式電子顯微鏡1接收工件W的對象圖像，算出構成工件 W的對象圖像之像素的特徵向量，將特徵向量輸入至邊緣檢測模型，邊緣檢測模型輸出表示具有該特徵向量之像素是邊緣的像素，還是非邊緣的像素之判定結果，且用線將具有特定的特徵向量之複數個像素連起來而產生出邊緣，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
具備至少一台電腦之模型產生裝置80，係按照電氣性地儲存於記憶裝置80a之程式中包含的命令而動作。亦即，模型產生裝置80係執行：從掃描式電子顯微鏡1取得形成有圖案之工件W的訓練用圖像，檢測出訓練用圖像上的圖案的邊緣，算出構成訓練用圖像之像素的特徵向量，將訓練用圖像內的目標區域分割為邊緣區域R1、邊緣附近區域R2、及非邊緣區域R3，作出包含邊緣區域R1內的複數個像素的特徵向量、邊緣附近區域R2內的複數個像素的特徵向量、及非邊緣區域R3內的複數個像素的特徵向量之訓練資料，使用訓練資料進行機器學習而作出邊緣檢測模型之步驟。
用來使模型產生裝置80執行此等步驟之程式，係記錄於屬於非暫時性的有形物之電腦可讀取的記錄媒體，透過記錄媒體而提供給模型產生裝置80。或者，程式可通過網際網路或區域網路等的通訊網路而輸入至模型產生裝置80。
接著，參照圖23來說明作出邊緣檢測模型的另一實施型態。未特別說明的本實施型態的程序，都與參照圖17至圖22說明過的上述實施型態相同，因此將其重複的說明予以省略。
如圖23所示，本實施型態中，模型產生裝置80係構成為將訓練用圖像內的目標區域100分割為邊緣區域R1、邊緣附近區域R2、非邊緣區域R3、及除外區域R4。除外區域R4係與邊緣區域R1鄰接，且位於邊緣區域R1與邊緣附近 區域R2之間。圖23所示的除外區域R4的寬度為一定的。在一實施型態中，除外區域R4的寬度係比邊緣附近區域R2的寬度還狹窄。另外，在一實施型態中，除外區域R4的寬度係與邊緣區域R1的寬度相同，或比邊緣區域R1的寬度還狹窄。
訓練資料並不包含除外區域R4內的像素的特徵向量。亦即，訓練資料雖然包含邊緣區域R1內的複數個像素的特徵向量、邊緣附近區域R2內的複數個像素的特徵向量、及非邊緣區域R3內的複數個像素的特徵向量，但不包含除外區域R4內的像素的特徵向量。因此，除外區域R4內的像素並不用於機器學習。
除外區域R4係與邊緣區域R1鄰接，除外區域R4內的各像素的特徵向量係與邊緣區域R1內的各像素的特徵向量大致相同。因此，除外區域R4內的像素可能是邊緣的像素，也可能是非邊緣的像素。換言之，除外區域R4內的像素為不確定的像素。若訓練資料中包含如此的不確定的像素，就必須一直進行機器學習直到邊緣檢測模型滿足期望的判定正確率為止。如此一來，要完成機器學習就會耗費很長的時間。根據本實施型態，因為將除外區域R4內的像素的特徵向量排除在訓練資料之外，所以可使邊緣檢測模型的機器學習快速地完成。
為了更加提高邊緣檢測模型的邊緣檢測精度，在一實施型態中，目標區域100中包含的複數個區域係包含訓練用圖像內的各種圖案邊緣。此係因為訓練用圖像上的圖案的邊緣的清晰度可能隨著邊緣的延伸方向而變化的緣故。
圖24係包含設定於訓練用圖像內的複數個區域之目標區域100的一例之圖。如圖24所示，目標區域100係包含：包含工件W的圖像內的圖案的第一邊緣E1之第一區域T1、包含與第一邊緣E1垂直的第二邊緣E2之第二區域T2、 及包含圖案的轉角邊緣E3及終端邊緣E4之第三區域T3。訓練資料係包含複數個區域T1,T2,T3內的像素的特徵向量，複數個區域T1,T2,T3包含在不同方向延伸的邊緣E1,E2,E3,E4。使用如此的訓練資料之機器學習，可使在各種方向延伸的邊緣的檢測精度提高。
為了更加提高在其他方向延伸的邊緣的檢測精度，在一實施型態中，第一區域T1內的像素數、第二區域T2內的像素數、及第三區域T3內的像素數係有預定的比率。將第一區域T1內的像素數表示成S1，將第二區域T2內的像素數表示成S2，及將第三區域T3內的像素數表示成S3時，S1及S2及S3的關係係如下式所示。
S1=m×S2=n×S3
其中，m為0.9~1.1，n為0.01~0.1。
上述的實施型態係為了讓本發明所屬的技術領域中具有通常的知識的人能夠實施本發明而揭示的。上記實施型態的各種變形例，只要是本技術領域的業者都可輕易想到，本發明的技術思想也可適用於其他的實施型態。因此，本發明並不限定於所揭示的實施型態，而是涵蓋符合申請專利範圍所定義的技術思想之最廣的範圍。
[產業上的可利用性]
本發明可利用於從利用掃描式電子顯微鏡而產生的圖像檢測出形成於與半導體製造有關的晶圓或遮罩等工件上之圖案的邊緣(輪廓線)之方法及裝置。另外，本發明可利用於用來使電腦執行如此的圖案邊緣檢測之程式。
本發明還可利用於透過機器學習來作出邊緣檢測模型之方法及裝置。
60:模型
60A,60B,60C:決策樹

Claims (39)

  1. 一種圖案邊緣檢測方法，係：
    產生出形成於工件上的目標圖案的對象圖像；
    產生出前述對象圖像的各像素的特徵向量，該特徵向量表示複數個特徵量；
    將前述特徵向量輸入至透過機器學習而構築出的模型，
    從前述模型輸出表示具有前述特徵向量之像素是邊緣的像素，還是非邊緣的像素之判定結果；
    用線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
  2. 如請求項1所述之圖案邊緣檢測方法，其中，
    前述模型係決策樹。
  3. 如請求項1或2所述之圖案邊緣檢測方法，更包含下述程序：
    從設計資料選出複數個訓練用圖案；
    產生出根據前述複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像；
    檢測出前述複數個訓練用圖像上的前述複數個實際圖案的邊緣；
    將構成前述複數個訓練用圖像之複數個參考像素予以分類為構成邊緣之複數個第一參考像素、及不構成邊緣之複數個第二參考像素；
    產生出前述複數個第一參考像素的複數個第一特徵向量、及前述複數個第二參考像素的複數個第二特徵向量；
    使用包含前述複數個第一特徵向量及前述複數個第二特徵向量之訓練資料，進行機器學習而構築出前述模型。
  4. 如請求項3所述之圖案邊緣檢測方法，其中，
    前述複數個訓練用圖案為至少具有朝第一方向延伸之邊緣、朝與前述第一方向垂直的第二方向延伸之邊緣、轉角邊緣、及終端邊緣之複數個圖案。
  5. 如請求項3所述之圖案邊緣檢測方法，其中，
    前述複數個實際圖案係形成於前述工件之圖案。
  6. 如請求項3所述之圖案邊緣檢測方法，其中，
    從設計資料選出前述複數個訓練用圖案之程序係為下述程序：
    使包含根據前述設計資料而描繪出的複數個圖案之設計圖面顯示於顯示畫面上，
    使從前述設計圖面所包含的複數個圖案選出的前述複數個訓練用圖案、或前述複數個訓練用圖案所在的區域以做了視覺強調的態樣顯示於前述顯示畫面上。
  7. 如請求項1或2所述之圖案邊緣檢測方法，更包含下述程序：
    產生出沿著相對於前述假想邊緣朝法線方向延伸的複數條探查線之前述對象圖像的複數個亮度曲線，
    根據複數個前述亮度曲線而決定出複數個邊緣點，
    用線將前述複數個邊緣點連起來，產生更新後的邊緣。
  8. 如請求項7所述之圖案邊緣檢測方法，更包含下述程序：
    從設計資料產生出與前述目標圖案對應的CAD圖案，
    量測從前述CAD圖案的邊緣到前述更新後的邊緣的距離。
  9. 一種圖案邊緣檢測裝置，係具備有：
    圖像產生裝置，係產生出形成於工件上的目標圖案的對象圖像；以及
    演算系統，係與前述圖像產生裝置連接；
    前述演算系統係：
    產生出前述對象圖像的各像素的特徵向量，該特徵向量表示複數個特徵量；
    將前述特徵向量輸入至透過機器學習而構築出的模型；
    從前述模型輸出表示具有前述特徵向量之像素是邊緣的像素，還是非邊緣的像素之判定結果；
    用線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
  10. 如請求項9所述之圖案邊緣檢測裝置，其中，
    前述模型係決策樹。
  11. 如請求項9或10所述之圖案邊緣檢測裝置，其中，
    前述演算系統係構成為下述型態：
    從設計資料選出複數個訓練用圖案，
    產生出根據前述複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像，
    檢測出前述複數個訓練用圖像上的前述複數個實際圖案的邊緣，
    將構成前述複數個訓練用圖像之複數個參考像素予以分類為構成邊緣之複數個第一參考像素、及不構成邊緣之複數個第二參考像素，
    產生出前述複數個第一參考像素的複數個第一特徵向量、及前述複數個第二參考像素的複數個第二特徵向量，
    使用包含前述複數個第一特徵向量及前述複數個第二特徵向量之訓練資料，進行機器學習而構築出前述模型。
  12. 如請求項11所述之圖案邊緣檢測裝置，其中，
    前述複數個訓練用圖案係為至少具有朝第一方向延伸之邊緣、朝與前述第一方向垂直的第二方向延伸之邊緣、轉角邊緣、及終端邊緣之複數個圖案。
  13. 如請求項11所述之圖案邊緣檢測裝置，其中，
    前述複數個實際圖案係形成於前述工件之圖案。
  14. 如請求項11所述之圖案邊緣檢測裝置，其中，
    前述演算系統係具有顯示畫面，
    且前述演算系統係構成為下述型態：
    使包含根據前述設計資料而描繪出的複數個圖案之設計圖面顯示於前述顯示畫面上，
    使從前述設計圖面所包含的複數個圖案選出的前述複數個訓練用圖案、或前述複數個訓練用圖案所在的區域以做了視覺強調的態樣顯示於前述顯示畫面上。
  15. 如請求項9或10所述之圖案邊緣檢測裝置，其中，
    前述演算系統係構成為下述型態：
    產生出沿著相對於前述假想邊緣朝法線方向延伸的複數條探查線之前述對象圖像的複數個亮度曲線，
    根據複數個前述亮度曲線而決定出複數個邊緣點，
    用線將前述複數個邊緣點連起來，產生更新後的邊緣。
  16. 如請求項15所述之圖案邊緣檢測裝置，其中，
    前述演算系統係構成為下述型態：
    從設計資料產生出與前述目標圖案對應的CAD圖案，
    量測從前述CAD圖案的邊緣到前述更新後的邊緣的距離。
  17. 一種電腦可讀取的記錄媒體，係記錄有程式者，該程式使電腦執行下列步驟：
    發指令給掃描式電子顯微鏡使之產生出形成於工件上的目標圖案的對象圖像之步驟；
    產生出前述對象圖像的各像素的特徵向量之步驟，該特徵向量表示複數個特徵量；
    將前述特徵向量輸入至透過機器學習而構築出的模型之步驟；
    從前述模型輸出表示具有前述特徵向量之像素是邊緣的像素，還是非邊緣的像素的判定結果之步驟；以及
    用線將具有特定的特徵向量之複數個像素連起來而產生出假想邊緣之步驟，其中該特定的特徵向量為得到表示是邊緣的像素的判定結果者。
  18. 如請求項17所述之電腦可讀取的記錄媒體，其中，
    前述模型係決策樹。
  19. 如請求項17或18所述之電腦可讀取的記錄媒體，其中，
    前述程式係構成為更使前述電腦執行下列步驟：
    從設計資料選出複數個訓練用圖案之步驟；
    發指令給前述掃描式電子顯微鏡，使之產生出根據前述複數個訓練用圖案而分別作成的複數個實際圖案的複數個訓練用圖像之步驟；
    檢測出前述複數個訓練用圖像上的前述複數個實際圖案的邊緣之步驟；
    將構成前述複數個訓練用圖像之複數個參考像素予以分類為構成邊緣之複數個第一參考像素、及不構成邊緣之複數個第二參考像素之步驟；
    產生出前述複數個第一參考像素的複數個第一特徵向量、及前述複數個第二參考像素的複數個第二特徵向量之步驟；以及
    使用包含前述複數個第一特徵向量及前述複數個第二特徵向量之訓練資料，進行機器學習而構築出前述模型之步驟。
  20. 如請求項19所述之電腦可讀取的記錄媒體，其中，
    前述複數個訓練用圖案係為至少具有朝第一方向延伸之邊緣、朝與前述第一方向垂直的第二方向延伸之邊緣、轉角邊緣、及終端邊緣之複數個圖案。
  21. 如請求項19所述之電腦可讀取的記錄媒體，其中，
    前述複數個實際圖案係形成於前述工件之圖案。
  22. 如請求項19所述之電腦可讀取的記錄媒體，其中，
    從設計資料選出前述複數個訓練用圖案之步驟係：
    使包含根據前述設計資料而描繪出的複數個圖案之設計圖面顯示於顯示畫面上之步驟；以及
    使從前述設計圖面所包含的複數個圖案選出的前述複數個訓練用圖案、或前述複數個訓練用圖案所在的區域以做了視覺強調的態樣顯示於前述顯示畫面上之步驟。
  23. 如請求項17或18所述之電腦可讀取的記錄媒體，其中，
    前述程式係構成為更使前述電腦執行下列步驟：
    產生出沿著相對於前述假想邊緣朝法線方向延伸的複數條探查線之前述對象圖像的複數個亮度曲線之步驟；
    根據複數個前述亮度曲線而決定出複數個邊緣點之步驟；以及
    用線將前述複數個邊緣點連起來，產生更新後的邊緣之步驟。
  24. 如請求項23所述之電腦可讀取的記錄媒體，其中，
    前述程式係構成為更使前述電腦執行下列步驟：
    從設計資料產生出與前述目標圖案對應的CAD圖案之步驟；以及
    量測從前述CAD圖案的邊緣到前述更新後的邊緣的距離之步驟。
  25. 一種作出邊緣檢測模型之方法，該邊緣檢測模型係用來檢測出圖像上的圖案的邊緣，該方法係：
    利用掃描式電子顯微鏡產生出形成有圖案的工件的訓練用圖像，
    檢測出前述訓練用圖像上的前述圖案的邊緣，
    算出構成前述訓練用圖像之像素的特徵向量，
    將前述訓練用圖像內的目標區域分割成邊緣區域、邊緣附近區域、及非邊緣區域，
    作出包含前述邊緣區域內的複數個第一像素的複數個特徵向量、前述邊緣附近區域內的複數個第二像素的複數個特徵向量、及前述非邊緣區域內的複數個第三像素的複數個特徵向量之訓練資料，
    使用前述訓練資料進行機器學習而作出邊緣檢測模型。
  26. 如請求項25所述之方法，其中，
    將前述複數個第一像素的數目記為A，將前述複數個第二像素的數目及前述複數個第三像素的數目的總和記為B時，數A除以數B所得到的值(A/B)係為預定的數值。
  27. 如請求項26所述之方法，其中，
    數A除以數B所得到的值(A/B)係在0.6至1.5之範圍內。
  28. 如請求項25至27中任一項所述之方法，其中，
    前述非邊緣區域係與前述邊緣區域分開預定的像素數的距離，
    前述邊緣附近區域係位於前述邊緣區域與前述非邊緣區域之間。
  29. 如請求項25至27中任一項所述之方法，其中，
    將前述訓練用圖像內的目標區域分割為邊緣區域、邊緣附近區域、及非邊緣區域之程序，係將前述訓練用圖像內的目標區域分割為邊緣區域、除外區域、邊緣附近區域、及非邊緣區域之程序，
    前述除外區域係與前述邊緣區域鄰接，且位於前述邊緣區域與前述邊緣附近區域之間，
    前述訓練資料並不包含前述除外區域內的像素的特徵向量。
  30. 如請求項25至27中任一項所述之方法，其中，
    前述目標區域係包含：包含第一邊緣之第一區域、包含與前述第一邊緣垂直的第二邊緣之第二區域、及包含轉角邊緣及終端邊緣之第三區域。
  31. 如請求項30所述之方法，其中，
    前述第一區域內的像素數、前述第二區域內的像素數、及前述第三區域內的像素數係有預定的比率。
  32. 一種模型產生裝置，係作出用來檢測出圖像上的圖案的邊緣之邊緣檢測模型，該模型產生裝置具備有：
    記憶裝置，係儲存有用來作出前述邊緣檢測模型的程式；以及
    演算裝置，係按照前述程式中包含的命令而執行演算；
    前述模型產生裝置係構成為下述型態：
    從掃描式電子顯微鏡取得形成有圖案之工件的訓練用圖像，
    檢測出前述訓練用圖像上的前述圖案的邊緣，
    算出構成前述訓練用圖像之像素的特徵向量，
    將前述訓練用圖像內的目標區域分割為邊緣區域、邊緣附近區域、及非邊緣區域，
    作出包含前述邊緣區域內的複數個第一像素的複數個特徵向量、前述邊緣附近區域內的複數個第二像素的複數個特徵向量、及前述非邊緣區域內的複數個第三像素的複數個特徵向量之訓練資料，
    使用前述訓練資料進行機器學習而作出邊緣檢測模型。
  33. 如請求項32所述之模型產生裝置，其中，
    將前述複數個第一像素的數目記為A，將前述複數個第二像素的數目及前述複數個第三像素的數目的總和記為B時，數A除以數B所得到的值(A/B)係為預定的數值。
  34. 如請求項33所述之模型產生裝置，其中，
    數A除以數B所得到的值(A/B)係在0.6至1.5之範圍內。
  35. 如請求項32至34中任一項所述之模型產生裝置，其中，
    前述非邊緣區域係與前述邊緣區域分開預定的像素數的距離，
    前述邊緣附近區域係位於前述邊緣區域與前述非邊緣區域之間。
  36. 如請求項32至34中任一項所述之模型產生裝置，其中，
    前述模型產生裝置係構成為將前述訓練用圖像內的目標區域分割為邊緣區域、除外區域、邊緣附近區域、及非邊緣區域，
    前述除外區域係與前述邊緣區域鄰接，且位於前述邊緣區域與前述邊緣附近區域之間，
    前述訓練資料並不包含前述除外區域內的像素的特徵向量。
  37. 如請求項32至34中任一項所述之模型產生裝置，其中，
    前述目標區域係包含：包含第一邊緣之第一區域、包含與前述第一邊緣垂直的第二邊緣之第二區域、及包含轉角邊緣及終端邊緣之第三區域。
  38. 如請求項37所述之模型產生裝置，其中，
    前述第一區域內的像素數、前述第二區域內的像素數、及前述第三區域內的像素數係有預定的比率。
  39. 一種電腦可讀取的記錄媒體，係記錄有程式者，該程式使電腦執行下列步驟：
    從掃描式電子顯微鏡取得形成有圖案之工件的訓練用圖像之步驟；
    檢測出前述訓練用圖像上的前述圖案的邊緣之步驟；
    算出構成前述訓練用圖像之像素的特徵向量之步驟；
    將前述訓練用圖像內的目標區域分割為邊緣區域、邊緣附近區域、及非邊緣區域之步驟；
    作出包含前述邊緣區域內的複數個第一像素的複數個特徵向量、前述邊緣附近區域內的複數個第二像素的複數個特徵向量、及前述非邊緣區域內的複數個第三像素的複數個特徵向量之訓練資料之步驟；以及
    使用前述訓練資料進行機器學習而作出邊緣檢測模型之步驟。
TW109144517A 2020-01-10 2020-12-16 圖案邊緣檢測方法、圖案邊緣檢測裝置、記錄有使電腦執行圖案邊緣檢測的程式的記錄媒體 TW202141031A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2020002735 2020-01-10
JP2020-002735 2020-01-10
JP2020201982A JP7451384B2 (ja) 2020-01-10 2020-12-04 パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
JP2020-201982 2020-12-04

Publications (1)

Publication Number Publication Date
TW202141031A true TW202141031A (zh) 2021-11-01

Family

ID=76787475

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109144517A TW202141031A (zh) 2020-01-10 2020-12-16 圖案邊緣檢測方法、圖案邊緣檢測裝置、記錄有使電腦執行圖案邊緣檢測的程式的記錄媒體

Country Status (5)

Country Link
US (1) US20230005157A1 (zh)
KR (1) KR20220125291A (zh)
CN (1) CN114945801A (zh)
TW (1) TW202141031A (zh)
WO (1) WO2021140823A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230080151A1 (en) * 2021-09-13 2023-03-16 Applied Materials Israel Ltd. Mask inspection for semiconductor specimen fabrication

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05324836A (ja) * 1992-05-19 1993-12-10 Fujitsu Ltd パターンマッチング方法
EP1262907B1 (en) * 2001-05-28 2007-10-03 Honda Research Institute Europe GmbH Pattern recognition with hierarchical networks
JP3754408B2 (ja) 2001-09-26 2006-03-15 株式会社東芝 パターン評価装置、パターン評価方法およびプログラム
JP2013098267A (ja) 2011-10-31 2013-05-20 Hitachi High-Technologies Corp 半導体パターン検査装置
CN106716450B (zh) * 2014-05-06 2020-05-19 河谷控股Ip有限责任公司 利用边缘向量的基于图像的特征检测
JP2019008599A (ja) * 2017-06-26 2019-01-17 株式会社 Ｎｇｒ 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法
JP7002949B2 (ja) * 2018-01-22 2022-01-20 株式会社日立ハイテク 画像評価方法及び画像評価装置
JP6964031B2 (ja) * 2018-03-27 2021-11-10 Ｔａｓｍｉｔ株式会社 パターンエッジ検出方法
JP7233251B2 (ja) 2019-02-28 2023-03-06 キヤノン株式会社 情報処理装置、情報処理装置の制御方法及びプログラム

Also Published As

Publication number Publication date
US20230005157A1 (en) 2023-01-05
WO2021140823A1 (ja) 2021-07-15
KR20220125291A (ko) 2022-09-14
CN114945801A (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
US9858659B2 (en) Pattern inspecting and measuring device and program
TW490591B (en) Pattern inspection apparatus, pattern inspection method, and recording medium
US8115169B2 (en) Method and apparatus of pattern inspection and semiconductor inspection system using the same
US7889908B2 (en) Method and apparatus for measuring shape of a specimen
JP4170611B2 (ja) 半導体集積回路の不良検出方法及び不良検出装置
US8515153B2 (en) System and method of image processing, and scanning electron microscope
JP5948138B2 (ja) 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム
JP4950550B2 (ja) パターン合わせずれ計測方法およびプログラム
US20190026881A1 (en) Method of visualizing defect using design data and defect detection method
TWI683379B (zh) 圖案測定裝置及電腦程式
TW202141031A (zh) 圖案邊緣檢測方法、圖案邊緣檢測裝置、記錄有使電腦執行圖案邊緣檢測的程式的記錄媒體
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
WO2020195304A1 (ja) パターンマッチング方法
JP7451384B2 (ja) パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
JP3959379B2 (ja) 形状測定装置及び形状測定方法
TW202040510A (zh) 影像匹配判定方法、影像匹配判定裝置、及記錄了用於使電腦執行影像匹配判定方法的程式的電腦可讀取之記錄媒體
JP7405959B2 (ja) パターンマッチング方法
WO2021240610A1 (ja) パターン検査・計測装置、パターン検査・計測プログラム
JP2020123034A (ja) 画像マッチング支援方法、画像マッチング支援装置、および画像マッチング支援方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体
Kyogoku et al. A method for dynamic placement of overlay measurement area cursors using segmentation technique
JP2021131660A (ja) 寸法測定方法および寸法測定装置
TW202132747A (zh) 圖案匹配裝置、圖案測定系統及非暫態電腦可讀媒體