TW202203097A - 圖案匹配裝置、圖案測定系統、圖案匹配程式 - Google Patents
圖案匹配裝置、圖案測定系統、圖案匹配程式 Download PDFInfo
- Publication number
- TW202203097A TW202203097A TW110123568A TW110123568A TW202203097A TW 202203097 A TW202203097 A TW 202203097A TW 110123568 A TW110123568 A TW 110123568A TW 110123568 A TW110123568 A TW 110123568A TW 202203097 A TW202203097 A TW 202203097A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- correlation
- pattern matching
- computer system
- pattern
- Prior art date
Links
- 238000000034 method Methods 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 230000002596 correlated effect Effects 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 45
- 239000004065 semiconductor Substances 0.000 abstract description 24
- 230000006870 function Effects 0.000 abstract description 14
- 230000003252 repetitive effect Effects 0.000 abstract 1
- 238000013461 design Methods 0.000 description 110
- 238000001878 scanning electron micrograph Methods 0.000 description 107
- 239000010410 layer Substances 0.000 description 97
- 238000004364 calculation method Methods 0.000 description 51
- 230000008569 process Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 235000012431 wafers Nutrition 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000010894 electron beam technology Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
- G06V10/7515—Shifting the patterns to accommodate for positional errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- 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
- G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
- H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
-
- G—PHYSICS
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2817—Pattern inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Image Analysis (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
Abstract
本案是提案一種特別是在含有重複圖案的半導體圖案中也可實現以具有學習機能為特徵的匹配處理之圖案匹配裝置。
本案的圖案匹配裝置係具備:推定具有表示第1圖像與第2圖像之間的相關的數值作為像素值的第1相關圖像之學習器,
前述圖案匹配裝置,係計算具有表示從前述第1圖像產生的衍生圖像與前述第1圖像之間的相關的數值作為像素值之第2相關圖像,前述學習器係以縮小前述第1相關圖像與前述第2相關圖像之間的差分的方式學習(參照圖1)。
Description
本案是有關實施圖像間的圖案匹配的技術。
計測・檢查被形成於半導體晶圓上的圖案的裝置,大多是利用樣板(template)匹配技術,對於所望的計測或計測位置,核對檢查裝置的視野。樣板匹配是從探索對象的圖像找到與預先被登錄的樣板圖像最一致的區域的處理。專利文獻1是記載如此的樣板匹配的1例。
專利文獻2是記載根據半導體裝置的設計資料來作成樣板匹配用的樣板之方法。具有只要可根據設計資料來作成樣板,便不須為了作成樣板而特意以檢查裝置來取得圖像等的優點。
非專利文獻1是記載輸入2個的圖像,輸出存在於圖像的變換參數(例如匹配移動(shift)量)之可學習的模型(model)。藉由利用教師資料來學習,可實現高精度的模型的學習,具有可不須以手動進行輸入圖像的處理等的優點。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利第4218171號公報(對應美國專利第6,627,888號說明書)
[專利文獻2]日本專利第4199939號公報(對應美國專利第7,235,782號說明書)
[非專利文獻]
[非專利文獻1]I. Rocco,R. Arandjelovic and J. Sivic. Convolutional neural network architecture for geometric matching. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2017
(發明所欲解決的課題)
在樣板匹配中,在樣板圖像與被探索圖像之間圖像看起來的乖離大時,在匹配有失敗的情況。在樣板圖像與被探索圖像之間圖像看起來的乖離大的理由,例如可舉以下者:
(a)登錄樣板時的檢查裝置的攝像條件與攝取被探索圖像時的檢查裝置的攝像條件的差變大時;
(b)在登錄樣板時攝影的半導體圖案的完成情況與攝取被探索圖像時的半導體圖案的完成情況的不同變大時;
(c)在多層圖案中,在登錄樣板時攝影的半導體多層圖案的上下層的偏差情況與攝取被探索圖像的半導體多層圖案的上下層的偏差情況的不同變大時;及
(d)登錄樣板時的半導體圖案的半導體工程與攝取被探索圖像時的半導體圖案的製造工程不同時(有為了在其他的工程挪用作成樣板圖像,減低樣板登錄工程數而予以實施的情形)。
專利文獻1是未揭示有關在樣板圖像與被探索圖像之間發生乖離時,如何處理匹配處理。
專利文獻2是揭示對於根據設計資料而產生的圖形資料,實施平滑化處理,將圖案的各部弄圓,藉此作成接近實圖像的圖案的樣板。然而,難以對應於樣板圖像與被探索圖像之間的所有的乖離。
其他,在專利文獻1及2般的以往的圖案匹配中,樣板匹配因如此的乖離而失敗時,在算法(algorithm)的改善費時,無法短時間簡易地改善。
非專利文獻1是可一面以短時間的學習來吸收2個的圖像間的乖離,一面實現高精度的模型的學習。然而,在半導體圖案中,在特徵性的重複圖案(匹配正解位置亦即匹配移動量有複數個的圖案)中是難以學習模型。由於重複圖案在接近範圍內(例如視野內)具有複數個相同形狀,因此匹配正解位置的候補存在複數個,難以特定真的正解位置。
本案是為了解決如此的課題而研發者,提案一種特別是在含有重複圖案的半導體圖案中也可實現以具有學習機能為特徵的匹配處理之圖案匹配裝置。
(用以解決課題的手段)
本案的圖案匹配裝置係具備:推定具有表示第1圖像與第2圖像之間的相關的數值作為像素值的第1相關圖像之學習器,
前述圖案匹配裝置,係計算具有表示從前述第1圖像產生的衍生圖像與前述第1圖像之間的相關的數值作為像素值的第2相關圖像,
前述學習器係以縮小前述第1相關圖像與前述第2相關圖像之間的差分的方式學習。
[發明的效果]
若根據本案的圖案匹配裝置,則特別是在含有重複圖案的半導體圖案中也可實現以具有學習機能為特徵的匹配處理。
以下,參照附圖說明本案的圖案匹配裝置,圖案測定系統及圖案匹配程式。在附圖中,機能上相同的要素是亦有以相同的號碼或對應的號碼來表示的情況。附圖是遵照本案的原理的實施形態及安裝例,但該等是為了理解本案者,絕非為了限定解釋本案者。本說明書的記載只不過是典型的例子,皆非限定本案的申請專利範圍或適用例者。
<實施形態1>
圖1是表示本案的實施形態1的圖案匹配裝置100的構成例。圖案匹配裝置100是可構成為實行圖案匹配處理的運算裝置。圖案匹配裝置100是可藉由記憶媒體110、圖案匹配系統120、輸入裝置130來構成。
圖1是特別表示藉由運算處理裝置來實行圖案匹配處理的構成例。圖案匹配處理是例如包含求取被記憶於記憶媒體1103的樣板圖像(藉由計測裝置所取得的SEM像1104)與被記憶於記憶媒體1101的被探索圖像(從設計資料取得的設計圖1102)之間的對位用的匹配移動量之工程。樣板圖像是不限於SEM像者,亦可為其他的種類的圖像例如設計圖。又,被探索圖像是不限於設計圖,亦可為其他的種類的圖像例如SEM像。
在本實施形態1中,使用掃描型電子顯微鏡(Scanning Electron Microscope:SEM)作為計測裝置的1例。SEM是例如為了計測被形成於半導體晶圓上的半導體裝置的圖案的尺寸而使用。有關SEM的具體的構成例是利用圖6後述。
圖案匹配系統120是藉由包含1個以上的CPU(Central Processing Unit)或GPU(Graphics Processing Unit)的1個以上的電腦副系統所構成。圖案匹配系統120是具備藉由該1個以上的電腦副系統來實行的1個以上的組件(component)。1個以上的電腦系統是可使用1個以上的處理器來以軟體實現後述般的處理,或亦可以電路等的硬體來實現其處理的一部分或全部。
圖案匹配系統120是在被記憶於記憶媒體1101的設計圖1102與被記憶於記憶媒體1103的SEM像1104之間實行圖案匹配處理。輸出推定匹配移動量1301,作為圖案匹配處理的結果。推定匹配移動量1301是表示設計圖1102與SEM像1104之間的位置移動量或位置差。
推定匹配移動量1301是可依據2次元的標量(scalar)值,例如(X方向的移動量,Y方向的移動量)來表示。
圖案匹配系統120是具備相關圖像推定部1201、相關圖像計算部1202、推定誤差算出部1203、推定參數更新部1204、匹配移動量算出部1205,作為1例。圖案匹配系統120是被構成為從輸入裝置130接受各種資訊的輸入。
相關圖像推定部1201是推定設計圖1102與SEM像1104之間的推定相關圖像1211。匹配移動量算出部1205是利用推定相關圖像1211來算出推定匹配移動量1301。
相關圖像是在被探索圖像全體排列樣板圖像與被探索圖像之間的相關值的圖像。更具體而言,從被探索圖像切出與樣板圖像同大小區域的圖像,求取該切出圖像與樣板圖像之間的相關值。切出圖像是光柵掃描被探索圖像而切出(滑動窗口(sliding window))。將按每切出圖像的X方向的變位(滑動)及Y方向的變位(滑動)排列求取的相關值作為像素值者稱為相關圖像。相關值是樣板圖像與切出圖像越一致越被計算成更高(也有相反地被設計為計算成低情況)。因此,在被探索圖像與切出圖像之間的相關高的位置是像素值變大(亮度值高),在低的位置是像素值變小(亮度值小)。
相關圖像推定部1201是藉由輸入設計圖1102及SEM像1104,推定其2個的輸入圖像間的推定相關圖像1211之學習器所構成。相關圖像推定部1201是推定參數1212被更新的模型也輸入,利用此學習模型來實行推定相關圖像1211的推定。推定參數1212是藉由推定參數更新部1204來適當更新,對於相關圖像推定部1201供給。學習器是可藉由例如在後述的圖3說明的神經網路構造所構成。
相關圖像計算部1202是輸入設計圖1102及輸入匹配移動量1302,利用該等來計算計算相關圖像1213。輸入匹配移動量1302是可從輸入裝置130輸入。計算相關圖像1213是可作為學習器實施學習時的教師資料使用。
推定誤差算出部1203是算出推定相關圖像1211與計算相關圖像1213之間的推定誤差1214。具體而言,藉由誤差函數來求取相關圖像推定部1201所推定的推定相關圖像1211的各像素值與成為教師資料的計算相關圖像1213的各像素值之間的不同的總和。例如,藉由平均平方誤差或平均絕對誤差等來算出誤差。誤差函數是不限於該等者,只要可算出圖像間的差者即可。
推定參數更新部1204是以推定相關圖像1211的各像素值的推定誤差會變小的方式,調整相關圖像推定部1201內的學習器的參數,對於相關圖像推定部1201供給。
藉由將以上般的推定及逆傳播重複1次以上,可學習使推定相關圖像1211接近計算相關圖像1213的學習模型。如在半導體圖案中特徵性的重複圖案等般,即使是匹配正解位置有複數個的圖像,也因為相關圖像是僅1個,所以可適當地學習。
利用相關圖像推定部1201所具備的學習完了模型,推定作為匹配對象的設計圖1102與SEM像1104之間的推定相關圖像1211。匹配移動量算出部1205是從推定相關圖像1211計算推定匹配移動量1301。作為計算匹配移動量的方法,例如可使用以下般的程序。
(計算匹配移動量的程序其1)
特定推定相關圖像1211的像素值之中最高者(最高亮度像素)。最高亮度像素的位置是設計圖1102與SEM像1104最一致的位置,因此表示匹配移動量。但需要以下的原點修正。推定相關圖像1211的像素值是例如以推定相關圖像1211的左上端部作為原點,邊移動座標,邊算出各移動位置的相關值,藉此設定。另一方面,設計圖1102或SEM像1104是有以中心位置作為原點的情況。如此,當推定相關圖像1211與設計圖1102之間,或推定相關圖像1211與SEM像1104之間,原點位置不同時,需要使原點位置一致的修正。可從原點修正後的最高亮度像素的位置取得設計圖1102與SEM像1104之間的匹配移動量。
(計算匹配移動量的程序其2)
亦可取代具有最高亮度的像素,特定所有臨界值以上的像素值,利用其中最接近圖像內的指定位置(例如圖像中心),取得匹配移動量。需要原點修正時,與上述其1同樣地實施。
如以上般,藉由相關圖像推定部1201(學習完了模型)推定相關圖像,匹配移動量算出部1205從該相關圖像推定匹配移動量,即使在含有重複圖案的半導體的圖案中也可實現求取匹配移動量的學習模型。
在相關圖像的學習中,亦可將圖案的橫方向邊緣與縱方向邊緣的資訊分離,學習強調各個的方向的資訊的相關圖像(強調相關圖像)。此情況,學習器是被構成為(a)推定在縱方向具有表示設計圖1102與SEM像1104一致的程度的相關值作為像素值的縱方向相關圖像,(b)推定在橫方向具有表示設計圖1102與SEM像1104一致的程度的相關值作為像素值的橫方向相關圖像。圖案匹配系統120是藉由合成縱方向相關圖像與橫方向相關圖像,可產生推定相關圖像1211。藉由分離橫方向相關與縱方向相關來分別學習,可強調資訊量比較少的方向的資訊來學習。藉此,可安定匹配。圖案的資訊分離是不限於橫邊緣及縱邊緣,只要至可安定學習的方向的邊緣即可。
圖2是表示相關圖像計算部1202的構成例。圖像211是設計圖1102的例子,圖像212是SEM像1104的例子。輸入匹配移動量1302是藉由使用者來輸入的圖像211與圖像212之間的匹配移動量。
圖像切出部201是從圖像211切出圖像202。圖像202是在輸入匹配移動量1302所指定的位置,從圖像211切出與圖像212同大小的區域的圖像。相關運算部203是計算圖像202與圖像211之間的相關圖像204。相關運算部203是例如利用正規化互相相關等的手法來計算相關圖像204。亦可前處理圖像211及圖像202,使形成容易學習的相關圖像。計算相關圖像204的手法是不限於該等的手法,只要是算出最高(或低)匹配正解位置的相關值即可。
圖3是表示相關圖像推定部1201所具備的學習模型301的構成例的方塊圖。學習模型301是例如可藉由卷積神經網路所構成。學習模型301是以計算相關圖像1213與推定相關圖像1211之間的差分會變小的方式,調整參數(神經元(neuron)間的連接權重(connection weight)或偏重(bias)等)。學習過程是藉由此參數調整來實施。學習是例如可藉由誤差逆傳播法來逐次地更新參數而實施。
具體而言,推定參數更新部1204是計算輸出資料(推定相關圖像1211)與教師資料(計算相關圖像1213)之間的誤差對於各參數怎麼樣地變化(例如梯度)。推定參數更新部1204是按照其變化量來一點一點地更新參數,以能形成最適的輸出之方式調整參數。
學習模型301是藉由輸入層311、輸出層316、複數的中間層312、313、314、315所構成,作為1例。
對於輸入層311輸入作為輸入圖像的設計圖1102(被探索圖像)及SEM像1104(樣板圖像)。從輸入層311到中間層312、及從中間層312到中間層313,藉由預定係數過濾的摺積運算或圖像縮小來匯集層內的資料。中間層313是儲存匯集了設計圖1102與SEM像1104的資料。
從中間層313到中間層314,藉由計算設計圖1102的匯集資料與SEM像1104的匯集資料之間的相關值,來算出兩者的相關資料。此相關資料是被儲存於中間層314。
從中間層314到中間層315、及從中間層315到輸出層316,藉由預定係數過濾的摺積運算或圖像擴大來展開層內的資料。輸出層316內的資料是設計圖1102與SEM像1104之間的推定相關圖像1211。
推定誤差算出部1203是算出推定相關圖像1211與計算相關圖像1213之間的誤差。推定參數更新部1204是利用該誤差,藉由誤差逆傳播法來更新各層的參數(權重或偏重)。
將如此作為匹配對象的2個的圖像設為輸入,且將相關圖像設為輸出的模型是可以EndtoEnd學習(對於使學習的任務,直接學習輸出入關係之類的學習)。藉由以EndtoEnd學習,在中間層213中,可自動地匯集使樣板圖像與被探索圖像接近之類的資料。藉此具有吸收輸入圖像間的乖離的效果。又,中間層315是可從被儲存於中間層314的相關資料自動地選擇推定相關圖像1211的產生所必要的資料。即使剩餘的圖案(在設計圖無,但在SEM像有的圖案)被照進SEM圖像內,也具有安定推定與計算相關圖像1213接近的推定相關圖像1211的效果。
為了容易吸收輸入圖像間的乖離,亦可在樣板圖像與被探索圖像的各者中輸入複數個的圖像(多通道(multi-channel))。多通道圖像是例如(a)對於同樣的攝像對象,變更攝像條件來攝像的圖像,(b)如圖6後述般藉由不同的檢測器來攝像的圖像,(c)以檢測器攝像的圖像及以光學式照相機攝像的圖像等。多通道的圖像是不限於該等者,只要可容易吸收輸入圖像間的乖離之類的圖像即可。
亦可以推定相關圖像1211的對比(contrast)(匹配正解位置的相關值與其他的位置的相關值之間的差)會變大的方式,經由輸入圖像的1個的通道等來對於學習模型輸入輔助資訊。輔助資訊是例如可舉提高注目於匹配的區域的亮度值之類的權重圖像。藉由輸入如此的資訊,可重視所注目的區域的資料,且減少除此以外的部分的資料的重要度,取得更對比高的相關圖像。輔助資訊是不限於該等者,只要是擴大被推定的對比之相關圖像的推定容易者即可。
圖4是表示使用者輸入匹配移動量的GUI (Graphical User Interface)的1例的圖。在圖4所舉例表示的GUI401是例如可使顯示於圖1所示的輸入裝置130。使用者可藉由GUI401來輸入相關圖像推定部1201學習時所必要的輸入匹配移動量1302。GUI401是具有:圖像顯示區域402、圖像透明度設定區域403、匹配移動量輸入區域404、設定按鈕405。
圖像顯示區域402是顯示設計圖421、SEM像422、游標(cursor)423。設計圖421與SEM像422是以層疊(overlay)表示。使用者是可藉由游標423來將SEM像422移動至與設計圖421匹配的位置。SEM像422的移動量相當於匹配移動量。藉由移動游標423而變化的匹配移動量是即時(real time)反映至匹配移動量設定框441。
使用者是亦可藉由位於匹配移動量輸入區域404的匹配移動量設定框441來直接輸入匹配移動量。輸入的匹配移動量是藉由SEM像422對於設計圖421相對地移動而被反映。
使用者是在圖像透明度設定區域403中,可對於框431輸入設計圖421與SEM像422的透明度(強度),使容易確認匹配結果。
一旦使用者按下設定按鈕405,則匹配移動量會作為輸入匹配移動量1302,對於相關圖像計算部1202供給。
利用圖4,說明匹配移動量的輸入方法,但匹配移動量的輸入方法是不限於說明的方法,只要可輸入匹配其移動量的方法即可。
圖5是說明圖案匹配裝置100的動作的流程圖。以下說明圖5的各步驟。
(圖5:步驟S501~S502)
圖案匹配系統120是取得被記憶於記憶媒體的學習資料(設計圖1102、SEM像1104)(S501)。使用者是從圖4所舉例表示的GUI401,以手動來匹配設計圖1102與SEM像1104,藉此輸入兩者的匹配移動量(S502)。
(圖5:步驟S503)
相關圖像計算部1202是接受設計圖1102及輸入匹配移動量1302,計算計算相關圖像1213。
(圖5:步驟S504)
相關圖像推定部1201是接受設計圖1102及SEM像1104,產生推定相關圖像1211。推定誤差算出部1203是利用誤差函數,算出推定相關圖像1211與計算相關圖像1213之間的差分,亦即相關圖像推定部1201的推定誤差1214。推定參數更新部1204是藉由逆傳播推定誤差1214,計算神經網路的權重及偏重的變化,更新其值。藉由將以上般的推定及逆傳播重複1次以上,實施學習。
(圖5:步驟S505~S506)
相關圖像推定部1201是利用學習完了模型來推定推定相關圖像1211(S505)。匹配移動量算出部1205是從推定相關圖像1211算出推定匹配移動量1301(S506)。
圖6是表示包含圖案匹配裝置100及SEM600之圖案測定系統的構成例。SEM600是例如計測被形成於半導體晶圓603上的半導體裝置的圖案尺寸。圖案測定系統的運算處理裝置或電腦系統是例如可構成為控制部614。
控制部614是具備運算手段(例如CPU/ GPU616)及記憶手段(例如包含圖像記憶體615的記憶體)。在記憶手段可儲存資訊,例如儲存有關圖案匹配處理的程式。
藉由CPU/GPU616實行此程式,實行圖1所示的圖案匹配處理。亦即控制部614作為圖案匹配裝置100機能。換言之,此程式是電腦系統作為含在圖案匹配裝置100的運算處理裝置機能,使圖1所示的圖案匹配處理實行。
SEM600是使電子束從電子槍601產生。以在被放置於平台602上的試料的半導體晶圓603上的任意的位置,電子束會聚焦照射之方式,控制偏向器604及對物透鏡605。
從被照射電子束的半導體晶圓603放出2次電子,藉由2次電子檢測器606來檢測出。被檢測出的2次電子是藉由A/D變換器607來變換成數位訊號。藉由數位訊號來顯示的圖像是被儲存於控制部614內的圖像記憶體615。
此圖像是例如作為SEM像1104使用,根據此圖像,藉由控制部614或CPU/GPU616來實施圖1所示的圖案匹配處理的學習處理。
有關該等的處理,必要的設定處理及處理結果的顯示是可在輸入裝置130進行。
在使用比SEM更低倍率的光學式照相機的對準中,是亦可使用光學式照相機611。藉由光學式照相機611攝取半導體晶圓603而取得的訊號是藉由A/D變換器612來變換成數位訊號(來自光學式照相機611的訊號為數位訊號時,A/D變換器612是不需要),藉由數位訊號所顯示的圖像會被儲存於控制部614內的圖像記憶體615,CPU/GPU616是實施對應於目的的圖像處理。
SEM600是亦可具備反射電子檢測器608。當具備反射電子檢測器608時,可藉由反射電子檢測器608來檢測出從半導體晶圓603放出的反射電子,藉由A/D變換器609或610來將被檢測出的反射電子變換成數位訊號。藉由數位訊號所顯示的圖像是被儲存於控制部614內的圖像記憶體615,CPU/GPU616是實施對應於目的的圖像處理。
亦可與圖像記憶體615另設記憶手段621。控制部614是亦可經由平台控制器630來控制平台602,亦可經由偏向控制部631來控制對物透鏡605等。
圖6的例子是顯示SEM600作為與圖案匹配裝置100一起使用的檢查裝置的例子,但可與圖案匹配裝置100一起使用的裝置是不限於此。可與圖案匹配裝置100一起使用取得圖像進行圖案匹配處理的任意的裝置(計測裝置、檢查裝置等)。
圖7是表示圖6的圖案測定系統的別的構成例。圖7的構成例是亦可作為對於與圖6相同的構成的別的表現理解。圖案測定系統是具備:SEM本體701、控制SEM本體701的控制裝置702、實行圖1的圖案匹配處理的運算處理裝置704、儲存設計資料的設計資料記憶媒體705、用以對於運算處理裝置704輸入必要的資訊的輸入裝置130。
運算處理裝置704是具備運算手段(例如運算處理部707)及記憶手段(例如記憶體708)。在記憶手段是可儲存資訊,例如儲存有關圖案匹配處理的程式。
藉由運算處理部707實行此程式,而實行圖1所示的圖案匹配處理。亦即運算處理裝置704是作為圖案匹配裝置100機能。換言之,此程式是使電腦系統作為在圖案匹配裝置100中所含的運算處理裝置機能,使圖1所示的圖案匹配處理實行。
運算處理部707是具備:設定樣板的條件之處方作成部711、根據被設定的樣板來實行圖案匹配處理之匹配處理部712、及實行藉由匹配處理部712所特定的測定位置的測定處理之圖案測定部710。
藉由電子束的掃描所取得的2次電子或反射電子等是藉由檢測器703來捕捉,根據其檢測出訊號來產生SEM像(對應於圖1的SEM像1104)。SEM像是作為匹配處理部712的被探索圖像、及作為圖案測定部710的測定用訊號,傳送至運算處理裝置704。
在圖7中,控制裝置702與運算處理裝置704被構成為別的裝置,但該等是亦可為一體型的裝置。
根據藉由檢測器703所捕捉的電子之訊號是藉由被內藏於控制裝置702的A/D變換器來變換成數位訊號。根據此數位訊號,藉由被內藏於運算處理裝置704的圖像處理硬體(CPU、GPU、ASIC、FPGA等)來實施對應於目的之圖像處理。
處方作成部711是具備切出部713。切出部713是從設計資料記憶媒體705讀出設計資料,切出其一部分。從設計資料切出的部分是例如根據由輸入裝置130設定的座標資訊等的圖案識別資料來決定。
處方作成部711是根據被切出的設計資料(佈局資料)來作成供匹配的圖案資料。在此被作成的圖案資料是可作為圖1的設計資料104使用。
匹配處理部712內的處理是如利用圖1來說明般。記憶體708是記憶有設計資料、處方資訊、圖像資訊、測定結果等。
亦可藉由搭載CPU、GPU及可蓄積圖像的記憶體之電子計算機等來實現運算處理裝置704的處理的一部分或全部。
輸入裝置130也作為攝像處方作成裝置機能,作成攝像處方。攝像處方是顯示測定條件,例如在測定及檢查中所必要的電子裝置的座標,圖案的種類、攝影條件(光學條件或平台的移動條件)等。
輸入裝置130是亦可具備:將被輸入的座標資訊或有關圖案的種類的資訊與設計資料的階層資訊或圖案的識別資訊對照,從設計資料記憶媒體705讀出必要的資訊的機能。
被記憶於設計資料記憶媒體705的設計資料是可用任意的形式表現,例如可用GDS格式或OASIS格式等表現。用以顯示設計資料的適當的軟體可顯示設計資料的各種的格式的設計資料或作為圖形資料處理。圖形資料是可為表示根據設計資料而形成的圖案的理想形狀的線分圖像資訊,或亦可為藉由實施曝光模擬,而施以接近實圖案之類的變形處理的線分圖像資訊。
亦可將進行圖1說明的處理的程式登錄於記憶媒體,藉由具有圖像記憶體且供給必要的訊號至掃描電子顯微鏡的控制處理器來實行該程式。
<實施形態2>
圖8是表示本案的實施形態2的圖案匹配裝置100的構成例。有關與實施形態1(圖1)同樣的構成要素是在圖8中附上同樣的參考符號,因此在以下是省略重複的說明。
本實施形態2的圖案匹配裝置100是在學習資料的產生時不需要匹配移動量的手輸入或SEM像的攝像等,可不仰賴掃描顯微鏡,離線學習學習器。具體而言,圖案匹配系統120是除了在圖1說明的構成以外,還具備學習資料產生部8206。學習資料產生部8206是被構成為從被探索圖像(設計圖1102)產生成為學習所必要的疑似樣板圖像(疑似SEM像8216)及產生匹配移動量8215(後述)。學習資料產生部8206的輸入是不限於設計圖,亦可為其他的種類的例如SEM像。
圖9是表示學習資料產生部8206的構成例。圖像901是設計圖1102的1例。
匹配移動量產生部904是使產生匹配移動量,作為產生匹配移動量903。作為匹配移動量的產生方法是例如可舉在匹配移動量的可能範圍內隨機產生移動量的方法。匹配移動量的產生方法是不限於該等的方法,只要是產生匹配移動量的方法即可。
將產生匹配移動量903及圖像901輸入至圖像切出部905,圖像切出部905是切出與樣板圖像同大小的圖像906。
疑似SEM圖像產生部907是從圖像906產生疑似SEM圖像902。被產生的疑似SEM圖像的畫質是依據圖像樣式(style)908(對比、雜訊、圖案的變形情況等)來調整。圖像樣式908是可由使用者輸入,或亦可使隨機產生。疑似SEM圖像產生部907是例如可藉由從學習完了的設計圖變換成像的模型或從設計圖變換成SEM像的模擬器等所構成。疑似SEM圖像產生部907是不限於該等,只要是可變換可調整畫質的疑似圖像即可。
利用學習資料產生部8206所產生的疑似SEM像8216與設計圖1102,如在 實施形態1說明般,學習相關圖像推定部1201的學習模型。相關圖像計算部1202是由產生匹配移動量8215及設計圖1102來產生計算相關圖像1213。
利用相關圖像推定部1201所具備的學習完了模型,推定作為匹配對象的設計圖1102與SEM像1104之間的推定相關圖像1211。匹配移動量算出部1205是從推定相關圖像1211計算推定匹配移動量1301。
如以上般,藉由在學習的階段使用學習資料產生部8206,僅設計圖1102便可學習,因此可離線學習。而且,藉由使用可調整樣式的疑似SEM圖像來學習,可學習泛用性高的模型。
圖10是說明本實施形態2的圖案匹配裝置100的動作的流程圖。以下說明圖10的各步驟。
(圖10:步驟S1001)
圖案匹配系統120是取得被記憶於記憶媒體的資料(設計圖1102),學習資料產生部8206是產生學習資料。學習資料是藉由疑似SEM像8216及產生匹配移動量8215所構成。
(圖10:步驟S1002)
相關圖像計算部1202是接受設計圖1102及產生匹配移動量8215,計算計算相關圖像1213。
(圖10:步驟S1003)
相關圖像推定部1201是接受設計圖1102及疑似SEM像8216,產生推定相關圖像1211。推定誤差算出部1203是利用誤差函數來算出推定相關圖像1211與計算相關圖像1213之間的差分,亦即相關圖像推定部1201的推定誤差1214。推定參數更新部1204是藉由逆傳播推定誤差1214,計算神經網路的權重及偏重的變化,更新其值。藉由將以上般的推定及逆傳播重複1次以上,實施學習。
(圖10:步驟S1004~S1006)
學習完了後,圖案匹配系統120是取得設計圖1102及SEM像1104(S1004)。取得的圖像是輸入至相關圖像推定部1201。相關圖像推定部1201是推定輸入圖像間的推定相關圖像1211(S1005)。匹配移動量算出部1205是從推定相關圖像1211算出推定匹配移動量1301(S1006)。
<實施形態2:總結>
本實施形態2的圖案匹配裝置100是藉由學習資料產生部8206自動產生學習資料,可省去使用者之匹配移動量的輸入或掃描顯微鏡的攝像之圖像取得的時間和勞力,可不仰賴掃描顯微鏡,學習學習器。
<實施形態3>
在本案的實施形態3中,說明有關在具有複數層的設計資料與SEM像的匹配中,可分別輸出各層的匹配移動量之圖案匹配裝置100。圖案匹配裝置100的構成是與實施形態1~2同樣,因此在以下是主要針對有關各層的匹配移動量等的事項進行說明。
在形成半導體圖案的工程中,因為加工精度或環境等的影響,在被形成的半導體圖案的各層間有產生配置偏差的可能性。藉此,對於被攝取的SEM像是有對於設計圖產生層間偏差的可能性。藉由在具有複數層的設計圖及SEM像中分別推定各層的匹配移動量,具有:在後段的計測工程例如實施層疊計測或可高精度地調整計測位置之效果。在此的層疊計測是層間的偏差的計測,例如,分別計測上層圖案的匹配移動量及下層圖案的匹配移動量,以其差作為層間的偏差。
說明本實施形態3的學習的流程。設計圖1102是包含上下層各個的設計資訊的設計圖。SEM像1104是對應於設計圖1102的一部分的SEM像。在設計圖1102中,亦可預先刪除被上層圖案遮住的下層圖案。
對於相關圖像推定部1201輸入設計圖1102及SEM像1104,推定推定相關圖像1211。推定相關圖像1211是例如藉由多通道圖像的形式,保持上層的相關圖像與下層的相關圖像。
相關圖像計算部1202是計算成為教師資料的計算相關圖像1213。計算相關圖像1213是與推定相關圖像1211同樣地,保持上層的計算相關圖像及下層的計算相關圖像。上層的計算相關圖像是如在實施形態1說明般,利用上層的設計圖及上層的匹配移動量來計算。上層的匹配移動量是如在圖4說明般,從輸入裝置130輸入。下層的計算相關圖像是在實施形態1說明般,利用下層的設計圖及下層的匹配移動量來計算。下層的匹配移動量是如在圖4說明般,從輸入裝置130輸入。在SEM像上,位於上層圖案下的下層圖案看不見時,亦可預先在設計圖上,刪除被上層圖案遮住的下層圖案。
如在實施形態1說明般,藉由重複1次以上推定及逆傳播,學習使推定相關圖像1211接近計算相關圖像1213的學習模型。
利用在相關圖像推定部1201所含的學習完了模型,推定作為匹配對象的設計圖1102與SEM像1104之間的推定相關圖像1211。推定相關圖像1211是包含上層推定相關圖像及下層推定圖像。
匹配移動量算出部1205是從推定相關圖像1211算出推定匹配移動量1301。推定匹配移動量1301是包含上層匹配移動量及下層匹配移動量。上層匹配移動量是從推定的上層相關圖像算出。下層匹配移動量是從推定的下層相關圖像算出。
如以上般,藉由分別計算上下層的匹配移動量,具有:在後段的計測工程中,例如實施層疊計測或可高精度地調整計測位置之效果。
為了離線實施學習,亦可利用在實施形態2說明的學習資料產生部8206來產生學習資料。學習資料產生部8206是從設計圖1102產生疑似SEM像8216及產生匹配移動量8215。學習資料產生部8206是在產生疑似SEM像8216時,首先稍微錯開上層圖案與下層圖案。利用此錯開後的設計圖,如在圖9說明般產生疑似SEM像8216。對於產生匹配移動量追加上下層圖案間的偏差量,作為上層匹配移動量及下層匹配移動量。
利用學習資料產生部8206所產生的疑似SEM像8216及設計圖1102,如在圖1說明般,學習相關圖像推定部1201的學習模型。相關圖像計算部1202是由產生匹配移動量8215及設計圖1102來計算相關圖像1213。
藉由使用學習資料產生部8206,僅設計圖1102便可學習,因此可離線學習。而且,藉由使用可調整樣式的疑似SEM像8216來學習,可學習泛用性高的模型。
圖11是說明本實施形態3的圖案匹配裝置100的動作的流程圖。以下說明圖11的各步驟。
(圖11:步驟S1101:其1)
圖案匹配系統120是取得被記憶於記憶媒體的學習資料(設計圖1102,SEM像1104)。使用者是在圖4所舉例表示的GUI401中,以手動來匹配設計圖及SEM像,藉此輸入兩者的上層匹配移動量及下層匹配移動量。準備設計圖,SEM像,匹配移動量作為學習資料。
(圖11:步驟S1101:其2)
利用學習資料產生部8206時是取得被記憶於記憶媒體的學習資料(設計圖1102)。學習資料產生部8206是產生疑似SEM像及產生匹配移動量。準備設計圖、疑似SEM像、產生匹配移動量作為學習資料。
(圖11:步驟S1102~S1103)
相關圖像計算部1202是接受設計圖1102的上層部分及上層匹配移動量,計算上層計算相關圖像(S1102)。相關圖像計算部1202是接受設計圖1102的下層部分及下層匹配移動量,計算下層計算相關圖像(S1103)。
(圖11:步驟S1104)
相關圖像推定部1201是接受設計圖1102與SEM像1104(使用圖像產生部時疑似SEM像),產生包含上層推定相關圖像及下層相關圖像的推定相關圖像1211。推定誤差算出部1203是利用誤差函數來算出推定相關圖像1211與計算相關圖像1213之間的差分,亦即相關圖像推定部1201的推定誤差1214。推定參數更新部1204是藉由逆傳播推定誤差1214,計算神經網路的權重及偏重的變化,更新其值。藉由將以上般的推定及逆傳播重複1次以上,實施學習。
(圖11:步驟S1105~S1106)
學習完了後,圖案匹配系統120是取得設計圖1102及SEM像1104(S1105)。將取得的設計圖及SEM像輸入至學習完了模型(S1106)。
(圖11:步驟S1107~S1108)
相關圖像推定部1201是利用學習完了模型來推定上層推定相關圖像(S1107)。匹配移動量算出部1205是從上層推定相關圖像算出上層匹配移動量(S1108)。
(圖11:步驟S1109~S1110)
相關圖像推定部1201是與上層圖案同樣地,利用學習完了模型來推定下層推定相關圖像(S1109)。匹配移動量算出部1205是從下層推定相關圖像算出下層匹配移動量(S1110)。
(圖11:步驟S1111)
圖案匹配系統120是藉由計算算出後的上層匹配移動量與下層匹配移動量的差(向量差分),可計算先前所述的層間的偏差。或,亦可不算出層間的偏差,以上層匹配移動量及下層匹配移動量作為計測位置,在後段的計測工程中使用。
<實施形態3:總結>
本實施形態3的圖案匹配裝置100是藉由分別計算上下層的匹配移動量,具有:在後段的計測工程中,例如實施層疊計測或可高精度地調整計測位置之效果。
<有關本案的變形例>
本案是不被限定於前述的實施形態,含有各種的變形例。例如,上述的實施形態是為了容易了解本案進行說明而詳細說明者,並非一定被限定於具備說明的所有的構成者。又,可將某實施形態的構成的一部分置換成其他的實施形態的構成,又,亦可將某實施形態的構成加上其他的實施形態的構成。又,有關各實施形態的構成的一部分,可進行其他的構成的追加・刪除・置換。
在實施形態3中,說明按每上下層計算匹配移動量的情形,但在具有3層以上的試料中也同樣,按每層計算匹配移動量,求取各匹配移動量間的向量差分,藉此可計算層間的位置偏差。
在以上的實施形態中,相關圖像計算部1202是說明了求取切出設計圖1102而產生的圖像與設計圖1102之間的相關圖像(計算相關圖像1213)。若為需要作為教師資料的正確性,則此是最理想。另一方面也有需要具有各種的精度的教師資料的情況。如此的情況,亦可取代切出設計圖1102或併用,求取以下般的相關圖像,使用此作為學習資料。併用時,只要使用下述般的相關圖像作為學習資料的其中一部分即可。
(計算相關圖像1213的變形例其1)
在與SEM像1104同樣的位置,計算和設計圖1102同種類的設計圖與設計圖1102之間的相關圖像,作為計算相關圖像1213。此情況,使用者可省去輸入匹配移動量的時間和勞力。
(計算相關圖像1213的變形例其2)
亦可思考1102為SEM像,1104為SEM像的情況。SEM像1104是藉由與SEM像1102不同的手段所取得的SEM像(例如,以和SEM像1102的攝像條件不同的條件來攝像後的SEM像)。在此情況中,計算和SEM像1102同位置的設計圖與和SEM像1104同位置的設計圖(與前述設計圖同種類)之間的相關圖像,作為計算相關圖像1213。此情況,具有即使SEM像的種類為複數也可統一計算計算相關圖像1213的基準之優點。
(計算相關圖像1213的變形例其3)
當1102為SEM像,1104為SEM像(藉由與SEM像1102不同的手段來取得)時,在與SEM像1102相同的位置,計算和SEM像1104同種類的SEM像(以圖像產生工具等產生的疑似SEM圖像等)與SEM像1104之間的相關圖像,作為計算相關圖像1213。此情況,可省去準備設計圖的時間和勞力。
(計算相關圖像1213的變形例其4)
當1102為SEM像,1104為SEM像(藉由與SEM像1102不同的手段來取得)時,在與SEM像1104相同的位置,計算和SEM像1102同種類的SEM像(以圖像產生工具等產生的疑似SEM圖像等)與SEM像1102之間的相關圖像,作為計算相關圖像1213。此情況是可省去準備設計圖的時間和勞力。
(計算相關圖像1213的變形例其5)
當1102為SEM像,1104為設計圖時,在與SEM像1102相同的位置,計算和設計圖1104同種類的設計圖與設計圖1104的相關圖像,作為計算相關圖像1213。此情況,具有即使SEM像的種類為複數也可統一計算計算相關圖像1213的基準之優點。
(計算相關圖像1213的變形例其6)
當1102為SEM像,1104為設計圖時,在與設計圖1104同樣的位置,計算和SEM像1102同種類的SEM像與SEM像1102的相關圖像,作為計算相關圖像1213。此情況是可省去準備設計圖的時間和勞力。
100:圖案匹配裝置
110:記憶媒體
1102:設計圖
1104:SEM像
120:圖案匹配系統
1201:相關圖像推定部
1202:相關圖像計算部
1204:推定參數更新部
1205:匹配移動量算出部
1206:推定誤差算出部
130:輸入裝置
8206:學習資料產生部
[圖1]是表示實施形態1的圖案匹配裝置100的構成例。
[圖2]是表示相關圖像計算部1202的構成例。
[圖3]是表示相關圖像推定部1201所具備的學習模型301的構成例的方塊圖。
[圖4]是表示使用者輸入匹配移動量的GUI的1例的圖。
[圖5]是說明圖案匹配裝置100的動作的流程圖。
[圖6]是表示包含圖案匹配裝置100及SEM600的圖案測定系統的構成例。
[圖7]是表示圖6的圖案測定系統的別構成例。
[圖8]是表示實施形態2的圖案匹配裝置100的構成例。
[圖9]是表示學習資料產生部8206的構成例。
[圖10]是說明實施形態2的圖案匹配裝置100的動作的流程圖。
[圖11]是說明實施形態3的圖案匹配裝置100的動作的流程圖。
100:圖案匹配裝置
110:記憶媒體
120:圖案匹配系統
130:輸入裝置
1102:設計圖
1104:SEM像
1101:記憶媒體
1103:記憶媒體
1201:相關圖像推定部
1202:相關圖像計算部
1203:推定誤差算出部
1204:推定參數更新部
1205:匹配移動量算出部
1211:推定相關圖像
1212:推定參數
1213:計算相關圖像
1214:推定誤差
1301:推定匹配移動量
1302:輸入匹配移動量
Claims (16)
- 一種圖案匹配裝置,係實施圖像間的圖案匹配之圖案匹配裝置,其特徵為: 具備電腦系統,其係藉由在第1圖像與第2圖像之間實施圖案匹配,輸出前述第1圖像與前述第2圖像之間的移動量作為圖案匹配結果, 前述電腦系統係具備學習器,其係以前述第1圖像與前述第2圖像作為輸入接受,推定具有表示前述第1圖像與前述第2圖像之間的相關的數值作為像素值的第1相關圖像而輸出, 前述電腦系統,係計算具有表示前述第1圖像與從前述第1圖像產生的衍生圖像之間的相關的數值作為像素值的第2相關圖像, 前述學習器,係被構成為可實行縮小前述第1相關圖像與前述第2相關圖像之間的差分的學習, 前述電腦系統,係根據前述第1相關圖像,計算前述第1圖像與前述第2圖像之間的移動量。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統,係按前述第1圖像與前述衍生圖像之間的每座標移動量計算表示前述第1圖像與前述衍生圖像之間的相關的數值, 前述電腦系統,係計算具有按前述每座標移動量計算的數值作為對應於其座標移動量的像素的像素值的圖像,作為前述第2相關圖像。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統,係前述第1相關圖像所具有的前述像素值之中前述第1圖像與前述第2圖像之間的相關為基準值以上者,藉由計算偏離前述第1圖像或前述第2圖像的量來計算前述移動量。
- 如請求項2記載的圖案匹配裝置,其中,前述電腦系統係更具備:接受指定前述座標移動量的輸入之介面, 前述電腦系統,係按照前述介面接受的前述輸入所指定的前述座標移動量來計算前述第2相關圖像。
- 如請求項1記載的圖案匹配裝置,其中, 前述電腦系統,係對於前述學習器輸入在各個不同的條件下取得的複數的前述第1圖像,且輸出表示前述第2圖像與各前述第1圖像之間的相關的前述第1相關圖像, 或, 前述電腦系統,係對於前述學習器輸入在各個不同的條件下取得的複數的前述第2圖像,且輸出表示前述第1圖像與各前述第2圖像之間的相關的前述第1相關圖像, 或, 前述電腦系統,係對於前述學習器輸入在各個不同的條件下取得的複數的前述第1圖像,且輸入在各個不同的條件下取得的複數的前述第2圖像,輸出表示各前述第1圖像與各前述第2圖像之間的相關的前述第1相關圖像。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統,係以前述第1相關圖像之中指定的部分區域的亮度值會比前述第1相關圖像的其他區域的亮度值更高的方式,修正前述第1圖像或前述第2圖像之中至少任一個之後,對於前述學習器輸入其修正後的前述第1圖像與前述第2圖像。
- 如請求項1記載的圖案匹配裝置,其中, 前述學習器,係被構成為推定具有表示前述第1圖像與前述第2圖像在第1方向相關的程度的第1方向相關值作為像素值的第1方向相關圖像,作為前述第1相關圖像, 前述學習器,係被構成為推定具有表示前述第1圖像與前述第2圖像在對於前述第1方向正交的第2方向相關的程度的第2方向相關值作為像素值的第2方向相關圖像,作為前述第1相關圖像, 前述電腦系統,係藉由合成前述第1方向相關圖像與前述第2方向相關圖像,產生前述第1相關圖像。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統係更具備:產生前述學習器為了實施前述學習而使用的學習資料之學習資料產生部, 前述學習資料產生部,係藉由使前述第1圖像座標移動來產生前述衍生圖像,且以該產生的前述衍生圖像與前述第1圖像作為前述學習資料,對於前述學習器供給, 前述電腦系統,係利用前述學習資料產生部所產生前述衍生圖像時使用的座標移動量,或前述學習資料產生部所產生的前述衍生圖像,來計算前述第2相關圖像。
- 如請求項8記載的圖案匹配裝置,其中,前述學習資料產生部,係對於前述學習器供給藉由使前述衍生圖像的畫質或含在前述衍生圖像的形狀圖案之中至少任一個變化而產生的變形圖像作為前述學習資料。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統,係被構成為對於具有上層及下層的試料的圖像實施圖案匹配, 前述第1圖像,係包含前述試料的第1上層圖像與前述試料的第1下層圖像, 前述第2圖像,係包含前述試料的第2上層圖像與前述試料的第2下層圖像, 前述學習器,係以前述第1上層圖像或前述第1圖像與前述第2上層圖像或前述第2圖像作為輸入接受,推定具有表示前述第1上層圖像或前述第1圖像與前述第2上層圖像或前述第2圖像之間的相關的數值作為像素值的第1上層相關圖像而輸出, 前述學習器,係以前述第1下層圖像或前述第1圖像與前述第2下層圖像或前述第2圖像作為輸入接受,推定具有表示前述第1下層圖像或前述第1圖像與前述第2下層圖像或前述第2圖像之間的相關的數值作為像素值的第1下層相關圖像而輸出, 前述電腦系統,係根據前述第1上層相關圖像,計算前述第1上層圖像或前述第1圖像與前述第2上層圖像或前述第2圖像之間的上層移動量, 前述電腦系統,係根據前述第1下層相關圖像,計算前述第1下層圖像或前述第1圖像與前述第2下層圖像或前述第2圖像之間的下層移動量。
- 如請求項10記載的圖案匹配裝置,其中,前述電腦系統,係根據前述上層移動量與前述下層移動量,算出前述試料的上層與前述試料的下層之間的偏差量而輸出。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統係計算第3相關圖像,該第3相關圖像係具有表示前述第1圖像與在對應於前述第2圖像的位置和前述第1圖像同種類的第3圖像之間的相關的數值作為像素值, 前述學習器係更被構成為可實施縮小前述第1相關圖像與前述第3相關圖像之間的差分的學習。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統係計算第4相關圖像,該第4相關圖像係具有表示在對應於前述第1圖像的位置和前述第2圖像同種類的第4圖像與前述第2圖像之間的相關的數值作為像素值, 前述學習器係更被構成為可實施縮小前述第1相關圖像與前述第4相關圖像之間的差分的學習。
- 如請求項1記載的圖案匹配裝置,其中,前述電腦系統係計算第5相關圖像,該第5相關圖像係具有表示對應於前述第1圖像的位置的第5圖像與在對應於前述第2圖像的位置和前述第5圖像同種類的第6圖像之間的相關的數值作為像素值, 前述學習器係更被構成為可實施縮小前述第1相關圖像與前述第5相關圖像之間的差分的學習。
- 一種圖案測定系統,其特徵係具備: 如請求項1記載的圖案匹配裝置;及 藉由攝取試料來取得前述第1圖像與前述第2圖像而對於前述圖案匹配裝置供給的掃描電子顯微鏡。
- 一種圖案匹配程式,係使圖像間的圖案匹配實施於電腦系統的圖案匹配程式,其特徵為: 使藉由在第1圖像與第2圖像之間實施圖案匹配,以前述第1圖像與前述第2圖像之間的移動量作為圖案匹配結果輸出之步驟實施於前述電腦系統, 在實施前述圖案匹配的步驟中,使對於學習器供給前述第1圖像與前述第2圖像,接受前述第1相關圖像之步驟實施於前述電腦系統,該學習器係以前述第1圖像與前述第2圖像作為輸入接受,推定具有表示前述第1圖像與前述第2圖像之間的相關的數值作為像素值的第1相關圖像而輸出, 在實施前述圖案匹配的步驟中,使計算具有表示前述第1圖像與從前述第1圖像產生的衍生圖像之間的相關的數值作為像素值的第2相關圖像之步驟實施於前述電腦系統, 前述學習器,係被構成為可實施縮小前述第1相關圖像與前述第2相關圖像之間的差分的學習, 在實施前述圖案匹配的步驟中,使根據前述第1相關圖像來計算前述第1圖像與前述第2圖像之間的移動量之步驟實施於前述電腦系統。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/026773 WO2022009357A1 (ja) | 2020-07-09 | 2020-07-09 | パターンマッチング装置、パターン測定システム、パターンマッチングプログラム |
WOPCT/JP2020/026773 | 2020-07-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202203097A true TW202203097A (zh) | 2022-01-16 |
TWI809432B TWI809432B (zh) | 2023-07-21 |
Family
ID=79552435
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110123568A TWI809432B (zh) | 2020-07-09 | 2021-06-28 | 圖案匹配裝置、圖案測定系統、圖案匹配程式 |
TW112123099A TWI817922B (zh) | 2020-07-09 | 2021-06-28 | 圖案匹配裝置、圖案測定系統、圖案匹配程式 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112123099A TWI817922B (zh) | 2020-07-09 | 2021-06-28 | 圖案匹配裝置、圖案測定系統、圖案匹配程式 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230298310A1 (zh) |
JP (1) | JP7332810B2 (zh) |
KR (1) | KR20230007485A (zh) |
CN (1) | CN115699244A (zh) |
TW (2) | TWI809432B (zh) |
WO (1) | WO2022009357A1 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001148016A (ja) * | 1999-11-22 | 2001-05-29 | Hitachi Ltd | 試料検査装置,試料表示装置、および試料表示方法 |
JP4218171B2 (ja) | 2000-02-29 | 2009-02-04 | 株式会社日立製作所 | 走査電子顕微鏡,マッチング方法、及び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 |
JP4199939B2 (ja) | 2001-04-27 | 2008-12-24 | 株式会社日立製作所 | 半導体検査システム |
NL1029982C2 (nl) * | 2005-09-19 | 2007-03-20 | Fei Co | Werkwijze voor het instellen van de werkingssfeer van een toestelcomponent op een vooraf vastgesteld element. |
CN101996398B (zh) * | 2009-08-12 | 2012-07-04 | 睿励科学仪器(上海)有限公司 | 用于晶圆对准的图像匹配方法及设备 |
JP5937878B2 (ja) * | 2012-04-24 | 2016-06-22 | 株式会社日立ハイテクノロジーズ | パターンマッチング方法及び装置 |
US10115040B2 (en) * | 2016-09-14 | 2018-10-30 | Kla-Tencor Corporation | Convolutional neural network-based mode selection and defect classification for image fusion |
US11379970B2 (en) * | 2018-02-23 | 2022-07-05 | Asml Netherlands B.V. | Deep learning for semantic segmentation of pattern |
TWI689875B (zh) * | 2018-06-29 | 2020-04-01 | 由田新技股份有限公司 | 利用深度學習系統的自動光學檢測分類設備及其訓練設備 |
-
2020
- 2020-07-09 KR KR1020227042756A patent/KR20230007485A/ko unknown
- 2020-07-09 JP JP2022534573A patent/JP7332810B2/ja active Active
- 2020-07-09 US US18/009,783 patent/US20230298310A1/en active Pending
- 2020-07-09 CN CN202080101855.7A patent/CN115699244A/zh active Pending
- 2020-07-09 WO PCT/JP2020/026773 patent/WO2022009357A1/ja active Application Filing
-
2021
- 2021-06-28 TW TW110123568A patent/TWI809432B/zh active
- 2021-06-28 TW TW112123099A patent/TWI817922B/zh active
Also Published As
Publication number | Publication date |
---|---|
JP7332810B2 (ja) | 2023-08-23 |
TW202341025A (zh) | 2023-10-16 |
US20230298310A1 (en) | 2023-09-21 |
JPWO2022009357A1 (zh) | 2022-01-13 |
TWI809432B (zh) | 2023-07-21 |
WO2022009357A1 (ja) | 2022-01-13 |
KR20230007485A (ko) | 2023-01-12 |
TWI817922B (zh) | 2023-10-01 |
CN115699244A (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937146B2 (en) | Image evaluation method and image evaluation device | |
JP4554691B2 (ja) | 補正パターン画像生成装置、パターン検査装置および補正パターン画像生成方法 | |
JP5408852B2 (ja) | パターン測定装置 | |
US9343264B2 (en) | Scanning electron microscope device and pattern dimension measuring method using same | |
WO2010029708A1 (ja) | 走査荷電粒子顕微鏡を用いたパノラマ画像合成方法およびその装置 | |
CN109584156A (zh) | 显微序列图像拼接方法及装置 | |
JP2012178359A (ja) | 撮像方法及び撮像装置 | |
TWI757585B (zh) | 檢查裝置、檢查方法及檢查程式 | |
KR20150002850A (ko) | 패턴 검사 장치 및 패턴 검사 방법 | |
US10996569B2 (en) | Measurement device, method and display device | |
JP2007250528A (ja) | 走査型電子顕微鏡装置およびそれを用いた撮像方法 | |
WO2011093436A1 (ja) | パターンマッチング用画像作成装置 | |
TWI777612B (zh) | 影像處理方法、形狀檢查方法、影像處理系統及形狀檢查系統 | |
CN114078114A (zh) | 用于生成用于晶片分析的校准数据的方法和系统 | |
TWI809432B (zh) | 圖案匹配裝置、圖案測定系統、圖案匹配程式 | |
JP7273748B2 (ja) | 検査装置、検査方法、及びプログラム | |
US20230005157A1 (en) | Pattern-edge detection method, pattern-edge detection apparatus, and storage medium storing program for causing a computer to perform pattern-edge detection | |
JP2009139166A (ja) | 画像欠陥検査方法および画像欠陥検査装置 | |
JP5674868B2 (ja) | 走査荷電粒子顕微鏡装置を用いたパターン撮像方法 | |
TWI767458B (zh) | 圖案匹配裝置、圖案測定系統及非暫態電腦可讀媒體 | |
KR102678481B1 (ko) | 하전 입자 빔 장치 | |
JP6224467B2 (ja) | パターン評価装置および走査型電子顕微鏡 | |
KR20220073640A (ko) | 하전 입자 빔 장치 | |
JP5396496B2 (ja) | 合成画像形成方法及び画像形成装置 | |
JP2008225416A (ja) | 補正パターン画像生成装置及び補正パターン画像生成方法 |