TW202409516A - 電腦系統、尺寸量測方法、及半導體裝置製造系統 - Google Patents
電腦系統、尺寸量測方法、及半導體裝置製造系統 Download PDFInfo
- Publication number
- TW202409516A TW202409516A TW112127168A TW112127168A TW202409516A TW 202409516 A TW202409516 A TW 202409516A TW 112127168 A TW112127168 A TW 112127168A TW 112127168 A TW112127168 A TW 112127168A TW 202409516 A TW202409516 A TW 202409516A
- Authority
- TW
- Taiwan
- Prior art keywords
- aforementioned
- measurement
- data
- learning
- coordinate information
- Prior art date
Links
- 239000004065 semiconductor Substances 0.000 title claims description 33
- 238000000691 measurement method Methods 0.000 title claims description 16
- 238000004519 manufacturing process Methods 0.000 title claims description 13
- 238000005259 measurement Methods 0.000 claims abstract description 298
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000010191 image analysis Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 34
- 238000010586 diagram Methods 0.000 description 28
- 238000000034 method Methods 0.000 description 28
- 238000001878 scanning electron micrograph Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 17
- 238000012937 correction Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000003917 TEM image Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 229910052814 silicon oxide Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Images
Abstract
提供電腦系統,提供從影像資料,抽出用來量測該圖案的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸的機能;該電腦系統,具備:在用於學習器的學習資料組中,即便記載全部基點的座標的樣本與僅記載一部分的基點的座標的樣本混合的情形,藉由對於僅記載一部分的基點的座標值的樣本,將註解資料中不足的該基點作為不足量測位置,對於影像資料將該不足量測位置遮蔽,能夠一致於全樣本進行學習的前處理部;前述前處理部,具備實裝將至少2個前述基點的座標資訊作為學習結果輸出的姿勢推定模型的前述學習器;前述學習器,將前述影像資料作為輸入,使用將前述至少2個前述基點的座標資訊作為輸出的學習資料實施預先學習;前述前處理部,對於對前述學習器輸入的新穎影像資料,抽出前述至少2個基點的座標資訊及前述尺寸。
Description
本揭示係有關於從表示裝置加工結果的影像量測尺寸的電腦系統、尺寸量測方法、及半導體裝置製造系統。
近年,因為半導體裝置的性能提升,在半導體裝置導入新材料,同時半導體裝置的構造一直立體化/複雜化。又,現在的先端半導體裝置的加工中,要求奈米等級的精度。因此,半導體處理裝置要有能夠將多種材料極為高精度加工作各種形狀的必要,必然會成為具備多數控制參數(輸入參數)的裝置。
代表性的加工裝置即蝕刻裝置中,用以控制電漿放電的設定項目數有30以上。若將固定該等設定值時的放電作為1步驟,將具有不同設定值的步驟依序切換同時進行加工。先端製程中,在1個加工工程中通常也會使用10步驟以上,更多的情形會使用30步驟以上,為了將步驟的組合及步驟內的全部設定值最適化會進行數百條件的加工試驗。用以導出裝置性能的知識及具有高裝置運用技能的工程師之數有限,今後預想條件導出或裝置運用無法照原定進行的情形會一直增加。
特別是為了將實現所期望的構造的製程在短期間內構築,有從既存的膨大的實驗資料之中檢索類似構造並將其作為出發點進行製程構築的必要,但此時有從SEM(Scanning Electron Microscope)影像量測尺寸的必要。現狀常以人工進行尺寸量測,但適用於先端製程的情形,構造會變得複雜,每1枚影像的測定點數也增加,因此以人工進行的尺寸抽出持續達到極限。再來,手動的量測中會在量測值產生操作者相依性。又,即便是線/空間的單位圖案重複的影像,因為在各個圖案會1個1個進行量測,在量測值的統計量中有除了製程偏離以外還需要加上人為誤差等的課題。
針對該等課題,專利文獻1揭示從影像的亮度值求出輪廓線,使用圖案剖面的上部與下部的2點座標值,藉由將SEM影像特有的白影部分的信號以手動除去,高精度求出側壁角度的測定方法及測定裝置。
專利文獻2揭示從SEM影像的亮度值的變化求出邊緣點,藉由將近似圖案的各邊的直線算出,減少操作者相依抽出各邊的角度/長度的測定方法及測定系統。
專利文獻3揭示深度學習所致的影像辨識技術的一種即使用物體檢出與語義分割(semantic segmentation),藉由進行區域分割與重複單位圖案的分割,檢出在量測存在要的量測點的輪廓線,量測尺寸的量測方法及量測系統。
[先前技術文獻]
專利文獻1:特開2012-68138號公報
專利文獻2:特開2002-350127號公報
專利文獻3:專利第6872670號
[發明所欲解決的問題]
專利文獻1及2記載的量測方法因為是基於使用亮度值的邊緣檢出法者,閾值等的參數調諧及目視判斷所致的界面位置的指定等的操作需要在每個影像進行,不能說是適合自動量測的手法。為了實現不需要目視所致的調整的自動量測,有藉由辨識映在影像中的各個物體的區域而非局部的輝度分佈,抽出妥當的物體的輪廓的必要。具有與這種目視同等或其以上的性能的影像辨識,能夠藉由應用機器學習,特別是利用深度學習的影像辨識技術實現。
專利文獻3的手法雖能夠實現自動量測,但有向單位圖案的區分用有將物體檢出模型作為必要合計學習2個模型的必要、在量測必要的量測點座標將輪廓線資料作為基礎以後處理求出的必要等的課題。
發明者發現藉由將影像辨識技術的1個的人物姿勢推定(HPE:Human Pose Estimation)適用於半導體影像的圖案辨識,能夠解決上述課題。HPE模型是用來推定影像中的人物的姿勢的機器學習模型,從前自駕車中的行人的動作辨識、及遊戲機器或動畫中的物件處理等為主要的用途。
HPE模型中,人物的姿勢,藉由稱為骨格的長度及傾斜不同的複數線分的結合表現,為了記述骨格使用各線分的兩端的基點(關鍵點)的座標。因此,若將HPE模型的骨格一致於半導體圖案的尺寸量測位置的圖案形狀適切地設定,則能夠將上述關鍵點作為圖案的尺寸量測時的基點利用。另一方面,HPE模型中因為在學習前有教導量測位置的必要,在模型的學習後產生追加量測位置的必要的情形,對包含於學習資料組的全樣本,有記載追加的量測位置的必要會成為新的課題。樣本數多的情形,該修正的工數成為大的負擔。關於該課題,考察用於HPE模型的資料組的構造的結果,發明者發現若對一部分的樣本進行修正,與其他樣本一同進行模型的學習的前處理方法。藉由該前處理,能夠解決上述HPE模型的課題。又,藉由使量測位置數不同的複數學習資料組混合擴大資料組的規模,也能夠使模型的精度提升。
本揭示的課題為提供電腦系統、尺寸量測方法、及半導體裝置製造系統,在尺寸量測方法中,降低追加量測位置時產生的資料組修正的工數。
[解決問題的手段]
為了解決上述課題,本發明中,提供一種電腦系統,係從圖案的影像資料,抽出用來量測該圖案的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸的電腦系統;該電腦系統,具備:在用於學習器的學習資料組中,即便記載全部基點的座標的樣本與僅記載一部分的基點的座標的樣本混合的情形,藉由對於僅記載一部分的基點的座標值的樣本,將註解資料中不足的該基點作為不足量測位置,對於影像資料將該不足量測位置遮蔽,一致於全樣本進行學習的前處理部;前述前處理部,具備實裝將至少2個前述基點的座標資訊作為學習結果輸出的姿勢推定模型的學習器;前述學習器,將前述影像資料作為輸入,使用將至少2個前述基點的座標資訊作為輸出的學習資料實施預先學習;前述電腦系統,對於對前述學習器輸入的新穎影像資料,抽出前述至少2個基點的座標資訊及前述尺寸。
又,為了解決上述課題,本發明中,提供一種尺寸量測方法,藉由電腦系統,抽出用來量測影像資料的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸,具備:在學習資料組包含量測位置數不同的學習資料的情形,對於量測位置數不足的資料的影像,將不足的該基點作為不足量測位置,藉由將想定成該不足量測位置的區域遮蔽,能夠統合進行學習的前處理部;前述前處理部,自動設計將前述影像資料的至少2個前述基點作為關鍵點包含的骨格,且在以輸出該關鍵點的座標資訊的方式學習的姿勢推定模型,輸入量測對象的影像資料,生成該輸入的影像資料的關鍵點的座標資訊;使用前述量測對象的影像資料的前述關鍵點的座標資訊量測前述尺寸;前述姿勢推定模型,為將前述影像資料作為輸入,使用將前述至少2個基點的座標資訊作為輸出的學習資料學習者。
再來,提供一種半導體裝置製造系統,具備:實裝用以抽出用來量測影像資料的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸的應用程式的平台;該半導體裝置製造系統,藉由前述應用程式執行:在學習資料組包含量測位置數不同的學習資料的情形,對於量測位置數不足的資料的影像,將不足的該基點作為不足量測位置,藉由將想定成該不足量測位置的區域遮蔽,統合進行學習的步驟;自動設計將前述影像資料的至少2個前述基點作為關鍵點包含的骨格,且在以輸出該關鍵點的座標資訊的方式學習的姿勢推定模型,輸入量測對象的影像資料,生成該輸入的影像資料的關鍵點的座標資訊的步驟;使用前述量測對象的影像資料的前述關鍵點的座標資訊量測前述尺寸的步驟;前述姿勢推定模型,為將前述影像資料作為輸入,使用將前述至少2個基點的座標資訊作為輸出的學習資料學習者。
[發明的效果]
學習用以進行尺寸量測的機器學習模型後,即便追加量測位置的情形,也不需要修正全樣本,修正工數能夠大幅降低。又,能夠統合學習過去的資料組資產。上述以外的課題、構造及效果,藉由實施例的說明而明瞭。
以下,說明關於使用HPE模型的半導體圖案的影像資料的尺寸量測的具體例。此外,本說明書中,也會將HPE模型單稱為姿勢推定模型。
(A)實施例1
本實施例中,說明關於作為機器學習模型實裝HPE模型的尺寸量測系統的構造例。本實施例的尺寸量測系統中,機器學習模型的學習資料,由記述尺寸量測對象物的影像資料即剖面SEM影像、該剖面SEM影像的量測位置的基點(關鍵點)的座標的註解資料組成。事前的學習步驟中,將上述學習資料與骨格定義檔案一同,賦予至HPE模型學習關鍵點位置。其中骨格與量測位置雖未必相同,但骨格的兩端必定是關鍵點。
推論步驟中,對賦予的輸入影像,以學習完HPE模型推定關鍵點。量測步驟中,從推定的關鍵點座標群求出各量測位置的兩端的關鍵點座標,自動量測事前指定的量測位置的尺寸。
<尺寸量測系統的構造例>
首先,說明尺寸量測系統的構造。圖1為表示尺寸量測系統的構造例的圖。尺寸量測系統110具有評價裝置100、伺服器101、資料庫102、及1台以上的輸出入裝置103,各者藉由網路連接。處理裝置111未以網路連接也可以。連接至網路的情形,處理裝置111經由網路對評價裝置100發送加工條件資料等。
輸出入裝置103為具備顯示器及鍵盤的終端或者內藏記憶媒體的PC或平板,如同圖示那樣,使用評價裝置100的量測工程師或使用處理裝置111的製程工程師、或使用伺服器101或資料庫102的程式設計師等的系統操作者進行使用。此外,以下說明中,記載成「輸出入裝置103」的情形,「輸出入裝置103」代表輸出入裝置103-1、輸出入裝置103-2及輸出入裝置103-3的總稱,作為在全部的輸出入裝置共通的特徵的說明者。
處理裝置111為處理半導體或包含半導體的半導體裝置的裝置。處理裝置111的處理內容沒有特別限定。例如包含光蝕刻裝置、成膜裝置、圖案加工裝置。光蝕刻裝置中例如包含曝光裝置、電子線描繪裝置、X線描繪裝置。成膜裝置例如包含CVD(Chemical Vapor Deposition)、PVD(Physical Vap or Deposition)、蒸鍍裝置、濺鍍裝置、熱氧化裝置。圖案加工裝置例如包含濕式蝕刻裝置、乾蝕刻裝置、電子束加工裝置、雷射加工裝置。
評價裝置100為就從以處理裝置111加工的晶圓得到的試料輸出評價結果即剖面影像的裝置,例如包含SEM、TEM(Transmission Electron Microscope)、使用光學式監視器的加工尺寸量測裝置或者FIB裝置。作為從晶圓得到的試料的形狀,是割斷晶圓切出一部分的試料(切片)也可以、是晶圓全體也可以。又,從處理裝置111向評價裝置100搬運晶圓的中途設置層狀製作裝置,藉由該裝置將半導體或半導體裝置的一部分作為斷片抽出,將抽出的試料作為量測對象試料也可以。
伺服器101能夠以通常的電腦構成,安裝OS、深度學習所需的框架、程式館、程式語言、模型等。為了在短時間進行模型的學習,期望具備高性能的GPU (Graphics Processing Unit)。模型的學習及推論從輸出入裝置103登入伺服器101進行。用於手動量測的影像解析工具,安裝於伺服器101也可以、安裝於輸出入裝置103的任一者或全部也可以。影像解析工具安裝於伺服器101的情形,該工具的操作從輸出入裝置103進行。
資料庫102為儲存輸入資料即攝影到的剖面影像、註解資料、骨格定義資料、表示學習完模型的模型參數、量測結果等的外部記憶裝置。
量測工程師,對以儲存於資料庫102的評價裝置100得到的影像,從輸出入裝置103使用影像解析工具量測尺寸,並將量測結果儲存於資料庫102。又,製程工程師,在輸出入裝置103基於上述量測結果在伺服器101上進行模型的學習。學習模型後,在評價裝置100得到的影像直接輸入伺服器101上的學習完模型,自動量測尺寸。因應必要,程式設計師在輸出入裝置103進行程式的修正等。
未必要由量測工程師、製程工程師及程式設計師分擔以上各作業,當然一人的系統操作者單獨執行也可以。
<實裝尺寸量測機能的伺服器101的內部構造例>
圖2為表示實裝本實施例的尺寸量測機能的伺服器101的內部構造例的圖。伺服器101的框體內儲存介面115、處理器116、非揮發性記憶體(ROM)117、揮發性記憶體(RAM)118、儲存器126等。向伺服器101的影像資料及學習資料的輸入或尺寸量測結果的輸出經由介面115藉由輸出入裝置103執行。輸入資料即影像資料、註解資料、骨格定義資料、表示學習完模型的模型參數、及量測結果儲存於資料庫102,必要時讀出。圖示雖省略,但輸出入裝置103中,具備用來操作手動影像解析工具127的GUI畫面的滑鼠及用來輸入各種設定值的鍵盤等輸出入裝置。
儲存器126儲存具備影像解析工具127及本實施例的尺寸量測機能的尺寸量測軟體128。該尺寸量測軟體128因應必要在RAM118展開。處理器116藉由執行其實現本實施例的尺寸量測機能。影像解析工具127為輸出構成學習資料的註解資料作成所需的量測條件資料的工具,具備藉由畫素的演算處理計算影像的特定位置的座標、計算座標間的距離的機能。
又,本實施例的尺寸量測軟體128,主要以資料變換部123、HPE模型部124及尺寸量測部125構成,其等以軟體模組的形式組入尺寸量測軟體128。圖2表示資料變換部123、HPE模型部124及尺寸量測部125在RAM118展開的狀態。
<HPE模型的一例>
圖3為表示在伺服器101使用的HPE模型的一例的圖。圖3的HPE模型具有神經網路構造10,輸入至輸入層的畫素資訊藉由以向中間層、輸出層的順序傳播演算,從輸出層輸出關鍵點的座標。中間層具備摺積層、池化層等多數層重複的構造。以上為本實施例的HPE模型的基本構造,再來,具體的層構造因採用的模型的詳細而不同。
HPE模型的學習時,以輸出的關鍵點的座標與正解即註解資料的誤差最小的方式調整中間層的參數。圖3所示的HPE模型實裝在圖2的HPE模型部124,尺寸量測軟體128的本體儲存在圖2的儲存器126。圖3的HPE模型在學習時及推論時於RAM118展開,藉由處理器116執行。
以下說明中稱為學習器的情形,雖表示作為軟體模組組入尺寸量測軟體128的HPE模型部124,但軟體模組以外的實裝形態也能夠適用。又,本實施例中,使用神經網路10構成HPE模型,但不限於此,也能夠使用Pictorial Structure Model等的機器學習的模型。
首先,說明到學習HPE模型為止的順序。
<HPE模型的學習資料組作成順序>
首先,使用圖4說明量測位置的指定的方式。圖4為從量測對象即半導體的剖面SEM影像,是為了量測位置的說明,切出一部分的半導體圖案的影像。該剖面SEM影像的對象構造,在矽基板部(substrate)41之上形成由氧化矽形成的遮罩部(mask)40後,具備形成凹槽圖案的構造。同圖中,作為量測位置之例,表示mask height 43、trench depth 44、line top 45、CD necking 46的4位置。圖中8個白圓42為相當於量測位置的兩端的基點,以下也稱為關鍵點。圖中的座標為各關鍵點的座標值,座標軸在橫方向取x軸,在縱方向取y軸。
為了進行HPE模型的學習,有作成各影像中包含的關鍵點的名稱與記載關鍵點的座標值的「量測條件資料」與記載骨格的定義的「骨格定義資料」的必要。量測條件資料在其後,變換成HPE模型讀取的形式的註解資料。
圖5為用來說明在實施例1中,藉由伺服器101執行的讀取輸入影像後學習模型為止的處理的流程圖。僅從S301到S303的步驟伴隨手動操作,S304以後,使用影像解析工具或者圖形工具等任一種軟體求出各關鍵點的座標值,將關鍵點名稱併記並作成「量測條件資料」。以下,提示以影像解析工具進行的例,說明量測條件資料的作成方法。
圖6為在影像解析工具顯示的面板的構造例。按下圖6上段的載入按鍵20後,影像的候選在GUI上以縮圖顯示,系統操作者從此之中選擇手動量測的影像。影像消去按鍵21用於取消選擇的影像的情形。倍率單元22中輸入影像攝影時的倍率。該值用於將量測到的尺寸從畫素單位換算成實際尺寸。以上操作相當於圖5的S301。
接著,為了表示相當於S302的操作,說明關於圖6的中段所示的各種按鍵。圖6中段的按鍵使用於作成設定影像解析工具的量測環境的「量測位置設定資料」時。量測位置設定資料是保存由以下操作作成的量測位置的名稱、單位、顯示使用的顏色的對應關係的資料。以新穎作成按鍵23進行新穎量測位置設定資料的作成、以載入按鍵24進行作成完成量測位置設定資料的載入、以保存按鍵25進行作成的量測位置設定資料的保存。新穎作成量測位置設定資料的情形,首先在名稱單元26輸入量測位置的名稱,接著在單位單元27輸入尺寸的單位。未在顏色單元28使用的顏色作為候選自動設定。按下生成按鍵29後,作成的量測位置登錄至量測值清單31。欲刪除量測位置時,在量測值清單31內選擇對應的行後,按下量測位置刪除按鍵30。在量測值清單31顯示表示色、名稱、單位、量測數、尺寸的平均值、尺寸的標準差等。
接著,說明手動量測的順序。藉由影像載入按鍵20顯示所期望的影像後,操作者操作圖6中段所示的各種按鍵與滑鼠,量測影像中的量測位置的尺寸。手動量測的位置將映在影像的所有位置作為對象也可以、又僅量測預定數也可以。
首先按下新穎作成按鍵23後,啟用名稱單元26與單位單元27成為可輸入的狀態,輸入量測位置的名稱與尺寸的單位。接著,操作滑鼠,移動游標或指標至顯示影像的任意起點與終點,在該等2位置點擊滑鼠。檢出第1個滑鼠點擊事件後,將點擊的位置的座標以畫素單位判斷成起點,檢出第2個滑鼠點擊事件後,將點擊的位置的座標以畫素單位判斷成終點。從2個座標間的距離計算起點與終點間的尺寸,在量測值清單31內顯示。顯示後,操作者按下生成按鍵29後,計算的尺寸值或者量測值清單31內的個數、平均值、標準差之值登錄至量測值清單31。每當將起點與終點新追加,量測值清單31內的個數、平均值、標準差之值會被更新。
量測新穎影像的情形,初始量測值清單31的數值雖成為空欄,但對於第2枚以後的影像,從量測值清單31選擇目的的量測位置的名稱後,在影像上點擊量測位置的起點及終點即可。結束量測時,按下下段的保存按鍵32。輸出對應量測值清單的「量測值資料」(CSV檔案)與「量測條件資料」(文字檔案)。為了參照或者修正以前保存的量測值資料,按下載入按鍵33叫出。以上為以圖5的S302進行的操作。對全影像若手動量測作業結束,則量測條件資料的作成作業結束,若有剩餘則回到S301(S303)。以上的操作,量測工程師從輸出入裝置103使用影像解析工具127進行。
接著,S304中,系統讀取作成的全量測條件資料,對全樣本判定量測位置是共通或者為否。首先,說明量測位置全部共通的情形的流程。圖7為藉由對圖4的量測位置進行手動量測,手動影像解析工具輸出的量測條件資料之例。該例中雖採用JSON形式的格式,但其他格式也可以。在該檔案中,「name」為以量測工具輸入的量測位置的名稱。接著在某個「measurement List」中,量測名在「measurement Name」列舉,起點及終點的座標值在「position List」列舉。其中的L1、L2等是為了區別量測位置而手動影像解析工具自動分配的名稱,在用於HPE模型的學習的註解資料未被使用。
接著,讀取的量測條件資料,變換成HPE模型對應的格式的註解資料(S305)。變換以圖2的123資料變換部自動進行。圖8表示該註解資料之例。本實施例中,以人物姿勢推定用資料組想定通常使用的JSON形式的格式。遮罩部與基板部作為別的物件記載。該格式中,於每個物件以關鍵點編號順序列舉「x座標」、「y座標」、「可見度」。關鍵點編號雖有一義決定的必要,但在這裡使用以縱方法的量測位置為先、橫方向的量測位置為後,以起點為先、終點為後排列的規則。亦即,圖4之例,量測位置的順序成為mask height、trench depth、line top、CD necking。可見度,若完全看見關鍵點則為2,若全部未被看見則為0。id為區別物件的編號,因應影像片數及各影像中包含的物件數自動連號附加。人物姿勢模型中,因為無法採用複數種類的物件,將遮罩部與基板部一同作為具有8個關鍵點的物件採用,取而代之將未存在的關鍵點作為不可見。例如,對於id=1000的遮罩部,2~7號的關鍵點作為不可見,在座標記載虛擬值(這裡使用0)。將對全影像的以上資訊與影像檔案名一同排列記載的檔案成為註解資料。
接著,圖5的S302中在剖面SEM影像僅手動量測預定數的量測位置的情形,在S306中附加遮蔽影像中的非量測區域的遮罩。這是為了使影像與註解資料不矛盾的處置。遮罩的形狀雖可以是任意,但若是覆蓋非量測區域全體的那種矩形遮罩則區域指定容易。
由附加遮蔽用的遮罩的剖面SEM影像與圖8所示的註解資料構成學習資料組(S307)。
與學習資料組的構成並行,S308中,設計對應賦予的關鍵點的設定的骨格,作成「骨格定義資料」。圖9為從圖7的量測條件資料自動設計的骨格構造的一例。此外,並非將該圖自體用於模型的學習,使用後述文字檔案即骨格定義資料。將連結圖中的關鍵點42彼此的白直線50稱為「骨格」。關鍵點彼此的連結方式(以下稱為骨格設計規則)為任意,但附加後述局部遮罩時為了防止骨格構造的分離,遮罩部(由關鍵點0與1組成)和基板部(由關鍵點2~7組成)各者中,採用從某1個關鍵點向其他所有關鍵點連結的放射型的構造。基點即關鍵點,關於由遮罩部與基板部構成的單位圖案有8個,骨格設定成6。在關鍵點與骨格分別自動賦予通過編號0~7、(0)~(5)。以上自動設計與骨格定義資料作成,都由圖2的123資料變換部基於骨格設計規則自動進行。
圖10為以圖9表示的記述骨格的骨格定義資料,為以辭典形式記述的情形之例。對應鍵limbs_point的6組數字為以骨格編號順序排列的骨格的起點與終點的關鍵點編號,對應鍵joint_indices的8個數字為關鍵點編號。
HPE模型的學習時(S314),將在S307構成的學習資料組與在S308作成的骨格定義資料輸入模型。學習若達到預定的反復次數則結束(S315)。
以上為從0開始到作成學習用資料組為止的流程,每當有成為量測對象的裝置或者量測位置的變更,從最初開始進行該流程。另一方面,成為對象的裝置雖相同,但學習模型後,可能會產生相較於當初設定的量測位置還增加量測位置的必要。圖11為表示從前的量測位置為圖4所示的位置的情形,作為新穎的量測位置追加47line bottom之例。為了學習對應圖11的量測位置的模型,有修正既存的量測條件資料的必要,在圖6所示的影像解析工具的量測值清單31追加line bottom,對全影像修正量測條件資料是通常的處置方式。該處置方式雖為確實,但需要影像枚數分的修正工數。
本實施例中,為了使該量測條件資料的修正所需的工數降低,非全影像,而僅對一部分的影像修正量測條件檔案,將對其他影像能夠用既存的量測條件資料的機能組入系統。以下,圖5的S304中,說明關於判定成量測位置未共通的情形系統進行的處理。
首先,圖5的S309中,作成註解資料。圖12為追加量測位置line bottom的情形藉由影像解析工具作成的量測條件資料之例。與從前的資料相比,追加了關於line bottom的資訊。另一方面,相對於未追加量測位置的樣本,量測條件資料維持圖7的狀態,關於line bottom的資訊欠缼。統合兩者時,有一致於量測位置多的圖12的格式的必要。
圖13(a)中表示記述追加量測位置的樣本的註解資料的部分、(b)表示記述未追加量測位置的樣本的註解資料的部分。追加量測位置的樣本,關於追加的量測位置的資訊(圖中以粗字顯示)能夠從量測條件檔案(圖12)取得。另一方面,未追加量測位置的樣本,因為關於追加的量測位置的資訊(圖中以粗字顯示)為未知,在對應的關鍵點的座標值放入虛擬的值(圖的例使用0),將可見的程度設定成0。
接著,為了與註解資料的記載整合,在未追加量測位置的樣本的剖面SEM影像中,附加用以遮蔽想定應追加的關鍵點存在的區域的局部遮罩。亦即,人為設置障礙物,使得應追加的關鍵點在影像中看不到。這與將非量測區域遮蔽為相同目的。但是,因為應追加的關鍵點的座標為未知,進行回歸式所致的推定(S310)。作為回歸式,是線性回歸、機器學習模型、神經網路等任一者都可以。回歸式的作成,首先,從追加量測位置的樣本的量測條件檔案收集全關鍵點的座標值作為學習資料,學習將既存的關鍵點的座標作為輸入,將追加的關鍵點的座標作為輸出的回歸式。將得到的回歸式,對於未追加量測位置的樣本適用,從既存的關鍵點的座標,推定未知的關鍵點的座標。
圖14為比較將學習的回歸式適用於未追加量測位置的樣本推定的座標值與以手動量測的座標值的結果。(a)為x座標、(b)為y座標。得到與手動量測值非常高一致的推定值。這種高精度的推定成為可能的理由,是因為在剖面SEM影像的量測中,盡是量測對象類似的形狀,關鍵點座標間的相關較大。圖14之例中,與y座標相比,雖x座標的推定誤差較大,但最大為10畫素左右。
圖15為在圖5的S311中,對未追加量測位置的樣本的剖面SEM影像,以作為追加關鍵點推定的座標值為中心附加局部遮罩的影像。影像的兩端的黑區域,是手動量測時未被量測的區域。局部遮罩的形狀為任意,圓形、正方形、矩形的任一者都可以,但這裡示出圓形之例。圓形的大小,期望為比回歸式推定誤差還大的值(圖15中使用半徑15畫素)。對未追加量測位置的樣本,附加該局部遮罩的影像作為學習資料組使用。另一方面,在追加量測位置的樣本的剖面SEM影像未附加局部遮罩,僅附加用來遮蔽非量測區域的影像兩端的矩形遮罩。由附加遮蔽用的遮罩的剖面SEM影像與圖13的註解資料構成學習資料組(S312)。
與其並行,在S313中,作成骨格定義資料。圖16為對應追加量測位置的圖11的骨格構造。與圖9比較,追加關鍵點51、52與骨格53、54。統合的資料組中,因為有一致於量測位置的數多者的必要,作為骨格定義檔案,作成對應圖16的圖17。與追加前的圖10比較,在鍵limbs_point追加2個骨格、在鍵joint_indices追加2個關鍵點。
HPE模型的學習(S314)中,將在S312構成的學習資料組與在S313作成的骨格定義資料輸入模型。學習若達到預定的反復次數則結束(S315)。
此外,以本實施例說明的系統新追加量測位置的情形,修正量測條件檔案的樣本即便是1枚也能進行學習,但當然學習完模型的精度會變低。為了調查容許的修正樣本數的比例,將修正的比例變更成各種進行計算機實驗的結果示於圖18。圖18為將量測條件檔案對全樣本修正的情形的工數以100%為基準時的工數與量測的失敗率(無法進行對全量測位置數的量測的位置數之比)對修正的比例(修正比)的關係。修正工數與量測失敗率關於修正比是權衡關係。在該例中,考慮實用的失敗率(例如1%未滿)時,修正比能低減至1/4。亦即,若修正全樣本的1/4程度的量測條件檔案,能夠學習充分的精度的模型。此外,未附加局部遮罩的情形,因為也得到失敗率再增加的結果,局部遮罩附加是必須的。
再回到圖5的流程圖,以上說明的S305~S315的一連處理,製程工程師依照從輸出入裝置103的GUI畫面出來的指示,系統自動進行。圖19為表示本實施例中進行HPE模型的學習時用來進行必要的操作的GUI畫面的一例的圖,顯示於輸出入裝置103。圖19所示的GUI畫面,以學習時使用的學習畫面、及量測執行時使用的量測畫面能以標籤切換的方式構成,選擇顯示成「train」的學習標籤200時顯示本畫面。在上段配置模組的執行及用來指示模型學習的按鍵群,在下段配置終端輸出畫面(終端視窗)206。
首先,為了指定儲存學習資料的資料夾,按下輸入按鍵(學習資料儲存資料夾指定按鍵)210指定資料夾。指定的資料夾名顯示於資料夾名單元213。接著,學習後為了指定儲存學習完模型的資料夾,按下輸出按鍵211指定資料夾。指定的資料夾名顯示於資料夾名單元214。為了變更指定的資料夾名,按下清除按鍵212。開始模型的學習時按下學習開始按鍵204。在學習開始按鍵204的旁邊顯示表示狀態的狀態單元205。若在狀態單元205顯示「Done」則步驟S306的學習步驟結束。此外,關於圖9顯示的變換模組執行按鍵202及骨格自動設計模組執行按鍵203的意義雖以實施例2或3說明,但因為本實施例的尺寸量測系統中實現各按鍵的處理的機能區塊未組入尺寸量測軟體128,即便按下各按鍵也不動作。
<使用學習模型的尺寸的自動量測處理>
接著,說明關於在學習完模型輸入新穎影像進行尺寸量測的方法。以後的說明,設為未量測的剖面SEM影像已儲存於儲存器126的資料夾內者。對於新穎影像的尺寸量測藉由伺服器101執行。學習結束的HPE模型中,將構成圖3所示的神經網路10的各層的參數進行最適化,將最適化後的參數儲存於伺服器101內的儲存器126。推論執行時參數展開於RAM118,藉由以處理器116進行參照,算出成為量測的基點的關鍵點座標、與尺寸值。
圖20為模型的學習結束後,進行自動量測時,顯示於圖1的輸出入裝置103的自動量測工具的GUI畫面之例。圖20的GUI畫面,以畫面右上側的輸入面板345、畫面右下側的輸出面板353及配置於畫面左側的各種操作按鍵(341、342、343、344、351、352的各按鍵)構成。在輸入面板345顯示選擇的影像或者資料夾的資訊、在輸出面板353顯示量測結果。GUI畫面,以學習時使用的學習畫面、及量測執行時使用的量測畫面能以標籤切換的方式構成,選擇顯示成「measure」的量測標籤201時顯示圖20的畫面。
各種操作按鍵中,手動按鍵341用以1枚1枚選擇欲量測的影像的情形。分批按鍵342用於在資料夾內對全影像量測過的情形指定資料夾。按下量測開始按鍵343後開始量測,結束後量測結果自動保存。重設影像的選擇的情形,按下清除按鍵344,將顯示於輸入面板345的資訊消去。按下量測結果載入按鍵351後,載入量測結果並顯示,按下量測結果顯示清除按鍵352後消去顯示。
輸入面板345中,於資料夾名單元346顯示儲存對象影像的資料夾名。在檔案名單元347,於按下手動按鍵341的情形顯示指定的影像的名稱、於按下分批按鍵342的情形顯示第1枚影像名。變更指定的資料夾名、檔案名的情形,按下清除按鍵344消去後再度重指定。在定義視窗(量測位置定義清單)349,顯示在儲存於資料夾的影像附加的量測位置的定義資訊。在輸入顯像面板305,於按下手動按鍵341的情形顯示指定的影像名、於按下分批按鍵342的情形顯示第1枚影像名。
輸出面板353中,於資料夾名單元354顯示儲存作為對象的影像的資料夾名。在檔案名單元355,於按下手動按鍵341的情形顯示指定的影像名、於按下分批按鍵342的情形顯示第1枚影像名。在姿勢檢出畫面(姿勢推定結果顯示面板)356於輸入影像上顯示檢出的骨格構造、在尺寸量測結果顯示面板(量測畫面)357於輸入畫面上顯示量測的尺寸值。在姿勢檢出畫面356與量測畫面357,按下分批按鍵342的情形,顯示對第1枚影像的結果。在尺寸量測結果單元358,顯示對各量測位置的個數、平均值、標準差。於按下手動按鍵341的情形顯示對指定的影像的結果、於按下分批按鍵342的情形顯示第1枚結果。
圖21示出在學習完模型輸入新穎影像進行尺寸量測的過程的流程圖。系統操作者按下圖20的開始按鍵343後,處理器116開始執行圖21的流程圖的處理。
(i)步驟S1001到步驟S1003
尺寸量測部125,讀取由操作者賦予的欲尺寸量測的影像(步驟S1001),將在該影像與學習時作成的骨格定義資料(步驟S1002)輸入學習完模型(步驟S1003)。尺寸量測部125取得(由操作者賦予)的影像,按下圖20的手動按鍵341的情形為1枚,按下分批按鍵342的情形成為在圖20的資料夾名單元346顯示的名稱的資料夾中儲存的影像檔案(整合複數枚輸入)。
(ii)步驟S1004
尺寸量測部125,在影像輸入後,學習完模型輸入推論結果即關鍵點座標與骨格構造(步驟S1004)。
(iii)步驟S1005及S1006
尺寸量測部125,基於關鍵點座標,計算各量測位置的尺寸(步驟S1005)。
(iv)步驟S1006
尺寸量測部125,將包含統計資料的量測結果顯示在輸出入裝置103的GUI畫面上,再輸出至預定的檔案形式(步驟S1006)。
(v)步驟S1007
尺寸量測部125,將骨格構造及量測值重疊於輸入影像,輸出該重疊顯示的影像資料(步驟S1007)。輸出的量測結果檔案及影像資料儲存於儲存器126內的預定資料夾內。圖20的GUI畫面之例中,儲存於「trench」這個名稱的資料夾。
<重疊顯示的影像資料之例>
圖22為表示將學習完模型推定的骨格重疊於輸入影像顯示的影像資料之例的圖。又,圖23為表示將量測值與圖22同樣重疊顯示於輸入影像的影像資料之例的圖。
以上,藉由本實施例的尺寸量測系統乃至尺寸量測方法,即便追加了量測位置,也能夠相較於先前技術降低修正工數進行機器學習模型的學習。
本實施例中,雖就對使用剖面SEM影像的半導體圖案量測適用HPE模型的構造例進行說明,但本揭示的技術也適用於平面SEM影像及平面TEM影像、剖面TEM影像、平面的FIB(Focused Ion Beam)影像或剖面的FIB影像。但是,在剖面SEM影像及剖面TEM影像或剖面的FIB影像中,有(1)亮度在每個影像不同、(2)尺寸量測中照到不必要的內部構造、(3)欲量測尺寸的異種材料界面的邊界不明瞭的這種在平面的SEM、TEM及FIB影像中所不具備的量測困難性,適用本實施例記載的技術的情形的效應可以說會比剖面SEM影像、剖面TEM影像或剖面的FIB影像還大。
(B)實施例2
本實施例中,說明關於在由掃描電子顯微鏡、透過電子顯微鏡或者集束離子束裝置等攝像裝置與該攝像裝置連接的操作終端2002構成的帶電粒子線裝置適用本實施例的情形的構造例。
<帶電粒子線裝置的設置環境>
圖24為表示設置本實施例的帶電粒子線裝置2000的半導體裝置製造系統的系統環境的一例的圖。帶電粒子線裝置2000具備攝像裝置2001、操作終端2002、手動影像解析工具127。亦即,半導體裝置製造系統,具備:實裝用以抽出用來量測影像資料的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸的應用程式的平台;該半導體裝置製造系統,藉由前述應用程式執行:在學習資料組包含量測位置數不同的學習資料的情形,對於量測位置數不足的資料的影像,將不足的該基點作為不足量測位置,藉由將想定成該不足量測位置的區域遮蔽,統合進行學習的步驟;自動設計將前述影像資料的至少2個前述基點作為關鍵點包含的骨格,且在以輸出該關鍵點的座標資訊的方式學習的姿勢推定模型,輸入量測對象的影像資料,生成該輸入的影像資料的前述關鍵點的座標資訊的步驟;使用前述量測對象的影像資料的前述關鍵點的座標資訊量測前述尺寸的步驟;前述姿勢推定模型,為將前述影像資料作為輸入,使用將前述至少2個基點的座標資訊作為輸出的學習資料學習者。
攝像裝置2001為SEM及TEM、FIB裝置或FIB-SEM等操作終端2002具備鍵盤、滑鼠、顯示器等輸出入裝置,為內藏硬碟等記憶媒體的PC(從伺服器101看成為外部的電腦),經由網際網路等公共網路(網路)2003與伺服器101(與實施例1相同者)連接。雖圖未示,但在伺服器101的周圍配置與圖15同樣的評價裝置100及處理裝置111等,將HPE模型準備成能學習的環境。又,儲存於伺服器101的HPE模型為已學習結束者。操作終端2002的硬碟內安裝有影像解析工具127,GUI顯示於顯示器上。例如操作終端2002的操作者(使用者)讀取欲進行尺寸量測的影像資料(新穎的資料),經由網路2003將該影像資料(新穎的量測對象)發送至伺服器101。
伺服器101,如同上述,將該影像資料適用於學習完成模型(姿勢推定模型),生成關鍵點座標的資訊及骨格資料後,進行尺寸量測。接著,伺服器101,經由網路2003,將該尺寸量測結果發送至操作終端2002。此外,影像解析工具127的機能及操作方法與此前的實施例說明的內容相同,影像解析工具輸出所期望位置的座標資訊,電腦系統在姿勢推定模型的學習時,將座標資訊影像解析工具的輸出資料變換成資料的註解資料。又,電腦系統,在姿勢推定模型的學習時,使用包含座標資訊的輸出資料與預先輸入的規則資訊,生成姿勢推定模型的骨格構造的定義資料。再來,骨格構造,為如從1個基點連結至其他所有基點的放射型構造。
<影像解析工具的構造例>
圖25為表示在本實施例的影像解析工具127的GUI上顯示的儀表板的構造例的圖。圖25所示的儀表板400,包含量測狀況顯示面板401、量測結果一覽面板402、模型改變履歷顯示面板403、量測進度狀況面板404、進度狀況面板405、及標準差推移顯示面板406等構成。在該等面板顯示的資訊,在遠隔監視儲存於伺服器101的HPE模型的學習的進度狀態及使用學習完的HPE模型的尺寸量測的異常等時非常有效。
在操作終端2002的顯示器顯示的圖20所示的GUI中,顯示用來叫出圖25的儀表板的例如圖像。點擊該圖像後,從操作終端2002發送叫出儀表板的http(hyper text transfer protocol)請求,將構成儀表板的內容資料編碼從伺服器101發送。內容資料自體不發送而將內容閱覽位置的url(uniform resource locator)從伺服器101發送也可以。
以上,雖說明關於在操作終端2002顯示儀表板的構造,但若將在攝像裝置2001取得到的影像從操作終端2002發送至伺服器101,則也能夠對於攝像裝置2001的取得影像進行尺寸量測。在伺服器101進行的尺寸量測結果,經由編碼回送至操作終端2002。將儲存學習完的HPE模型的記憶媒體(硬碟及磁碟陣列等)連接至操作終端2002,也能夠進行對攝像裝置2001的取得影像的尺寸量測。藉此,實現具備本實施例的尺寸量測機能的帶電粒子線裝置。
伺服器101,未經由網路遠端連接而直接連接至操作終端2002也可以、或者將與遠端連接的伺服器101不同的伺服器直接連接至操作終端2002,將該伺服器作為伺服器101的鏡像伺服器設置也可以。若是該等連接形態,不只是關於新穎影像的尺寸量測,也能夠實現採取的資料量大且向資訊處理及資料傳送的負荷大的能夠執行使用攝像裝置2001的取得影像的HPE模型的學習的帶電粒子線裝置。
如同上述具體說明關於本發明的實施例,但本揭示的權利範圍不限定於上述實施例,包含申請專利範圍的精神內的各種變形例及同等構造。例如,前述實施例係為了以容易理解本揭示的技術而詳細說明者,本揭示的技術並不一定要具備所說明的所有構造。關於實施例的構造的一部分,也能夠追加、刪除、置換其他構造。
又,前述各構造、機能、處理部、處理機構等以硬體實現也可以、以軟體實現也可以。以硬體實現的情形例如是將前述各構造、機能、處理部、處理手段等的一部分或全部以積體電路設計的情形等,以軟體實現的情形例如是解釋處理器實現各者的機能的程式執行的情形等。實現各機能的程式、平台、檔案等的資訊,能夠儲存於記憶體、硬碟、SSD(Solid State Drive)等記憶裝置(記憶媒體)、或IC(Integrated Circuit)卡、SD卡、DVD(Digital Versatile Disc)的記錄媒體(記憶媒體)。
又,控制線及資訊線示出說明上所必要者,並非示出實裝上必要的全部控制線及資訊線。實際上,可想成幾乎全部的構成都相互連接。
再來,以上說明雖以電腦系統、尺寸量測方法、及半導體裝置製造系統為中心進行說明,但本揭示也揭示以下所示的記憶媒體。
一種記憶媒體,記憶用來使電腦實現從半導體圖案的影像資料,抽出用來量測該半導體圖案的所期望位置的尺寸的基點的座標資訊,使用該座標資訊量測前述尺寸的尺寸量測機能的程式,具備:
在學習資料組包含量測位置數不同的學習資料的情形,對於量測位置數不足的資料的影像,將不足的該基點作為不可視,同時藉由將想定成該不足量測位置的區域遮蔽,能夠統合進行學習的前處理部;
前述程式,包含:
實現記述將至少2個前述基點的座標資訊作為學習結果輸出的姿勢推定模型的學習器的程式碼;
前述學習器,具備將前述半導體圖案的影像資料作為輸入的輸入層、及輸出前述至少2個基點的座標資訊的輸出層;
前述姿勢推定模型,將前述半導體圖案的影像資料作為輸入,能夠進行使用將前述至少2個基點的座標資訊作為輸出的學習資料的學習。
上述記憶媒體,
前述程式,具有將包含前述座標資訊的影像解析工具的輸出資料變換成前述學習資料的註解資料的程式碼;
前述影像解析工具,具備藉由畫素演算算出在GUI上指定的前述影像資料的預定位置間的距離的機能。
上述記憶媒體,
前述程式,具有使用包含前述座標資訊的影像解析工具的輸出資料與預先輸入的規則資訊,生成前述姿勢推定模型的骨格構造的定義資料;
前述影像解析工具,具備藉由畫素演算算出在GUI上指定的前述影像資料的預定位置間的距離的機能。
以上,雖就本發明的適合實施例進行說明,但本發明並不限於上述實施例,在不脫離本發明要旨的範圍將構成要素變形也可以。
10:人物姿勢推定用網路模型
15:加入視窗
20:載入按鍵
21:影像消去按鍵
22:倍率單元
23:特性新穎作成按鍵
24:特性載入按鍵
25:特性保存按鍵
26:量測位置名稱單元
27:單位單元
28:顏色單元
29:量測位置生成按鍵
30:量測位置消去按鍵
31:量測值清單
32:量測結果保存按鍵
33:量測結果載入按鍵
40:遮罩部
41:基板部(矽基板部)
42:關鍵點
43:量測位置(mask:height)
44:量測位置(trench:depth)
45:量測位置(line:top)
46:量測位置(CD necking)
47:量測位置(line:bottom)
50:骨格
51:關鍵點
52:關鍵點
53:骨格
54:骨格
100:評價裝置
101:伺服器
102:資料庫
103:輸出入裝置(終端或者PC)
110:尺寸量測系統
111:處理裝置
115:介面
116:處理器
117:ROM
118:RAM
124:HPE模型部
125:尺寸量測部
126:儲存器
127:影像解析工具
128:尺寸量測軟體
129:輸入資料
130:自動量測結果
131:傳達資料
132:輸入資料
133:輸入資料
200:學習標籤
201:量測標籤
202:變換模組執行按鍵
203:骨格自動設計模組執行按鍵
204:學習開始按鍵
205:狀態單元
206:終端視窗
210:學習資料儲存資料夾指定按鍵
211:學習完模型儲存資料夾指定按鍵
212:清除按鍵
213:學習資料儲存資料夾名單元
214:學習完模型儲存資料夾名單元
341:手動按鍵(個別量測按鍵)
342:分批按鍵(總括量測按鍵)
343:量測開始按鍵
344:清除按鍵
345:輸入面板
346:資料夾名單元
347:檔案名單元
349:量測位置定義清單
350:輸入影像面板
351:量測結果載入按鍵
352:量測結果顯示清除按鍵
353:輸出面板
354:資料夾名單元
355:檔案名單元
356:姿勢檢出畫面(姿勢推定結果顯示面板)
357:尺寸量測結果顯示面板
358:尺寸量測結果單元
400:儀表板
401:量測狀況顯示面板
402:量測結果一覽面板
403:模型改變履歷顯示面板
404:量測進度狀況面板
405:進度狀況面板
406:標準差推移顯示面板
2000:帶電粒子線裝置
2001:攝像裝置
2002:操作終端
2003:公共網路(網路)
[圖1]實施例1的尺寸量測系統的構造圖。
[圖2]表示在實施例1的尺寸量測系統使用的伺服器的內部構造例的圖。
[圖3]表示實施例1的機器學習模型的構造例的示意圖。
[圖4]表示實施例1中作為量測對象的半導體圖案中的量測位置之例的圖。
[圖5]表示實施例1的機器學習模型的學習過程的流程圖。
[圖6]表示學習初始過程中實施的以手動量測使用的影像解析工具的GUI(Graphical User Interface)畫面的示意圖。
[圖7]量測條件資料的記述例。
[圖8]表示註解資料的記述例的圖。
[圖9]表示在實施例1的HPE模型使用的骨格與關鍵點的圖。
[圖10]表示在實施例1的HPE模型使用的骨格構定義資料的圖。
[圖11]追加實施例1的新穎量測位置的圖。
[圖12]在實施例1追加量測位置的情形作成的量測條件資料的記述例。
[圖13]表示對(a)追加量測位置的樣本與(b)未追加量測位置的樣本的註解資料的記述例的圖。
[圖14]使用從實施例1的已知關鍵點座標求出新穎關鍵點座標的回歸式推定的座標值((a)為x座標、(b)為y座標)與手動實測值的關係。
[圖15]在推定對應實施例1的新穎量測位置的關鍵點存在的位置設定局部遮蔽遮罩的剖面SEM影像。
[圖16]表示追加實施例1的量測位置時在HPE模型使用的骨格與關鍵點的圖。
[圖17]表示追加實施例1的量測位置時在HPE模型使用的骨格定義資料的圖。
[圖18]實施例1中,表示在資料組中修正量測位置的樣本數的比例與修正工數及量測失敗率的關係的計算機實驗的結果。
[圖19]表示進行模型的學習時,在終端PC顯示的GUI畫面的構造例的圖。
[圖20]表示使用學習完模型量測尺寸時,在終端PC顯示的GUI畫面的構造例的圖。
[圖21]表示對學習完模型輸入影像,使尺寸值輸出的過程的流程圖。
[圖22]用來說明在學習完模型將影像資料新穎輸入得到的骨格構造與將關鍵點像顯示在資料上的結果的圖。
[圖23]用來說明在學習完模型將影像資料新穎輸入得到的尺寸量測值顯示在影像資料上的結果的圖。
[圖24]表示使用實施例2的帶電粒子線裝置的半導體裝置製造系統的一構造例的圖。
[圖25]表示實施例2的系統中的影像解析工具的GUI畫面的構造例的圖。
Claims (15)
- 一種電腦系統,提供從包含圖案的影像資料,抽出用來量測該圖案的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸的機能;該電腦系統,具備:在學習資料組中,記載全部基點的座標的樣本與僅記載一部分的基點的座標的樣本混合的情形,對於僅記載一部分的基點的座標值的樣本,藉由對註解資料中不足的影像資料將推定成該不足的基點的區域局部地遮蔽,能夠一致於全樣本進行學習的前處理部; 前述前處理部,具備實裝將至少2個前述基點的座標資訊作為學習結果輸出的姿勢推定模型的學習器; 前述學習器,將前述影像資料作為輸入,使用將前述至少2個前述基點的座標資訊作為輸出的學習資料實施預先學習; 對於對前述學習器輸入的新穎影像資料,抽出前述至少2個基點的座標資訊及前述尺寸。
- 如請求項1記載的電腦系統,其中, 局部地遮蔽的區域的座標值,藉由作成從其他已知的基點的座標值推定的回歸式模型求出。
- 如請求項1記載的電腦系統,具備: 安裝具有藉由畫素演算算出在GUI上指定的前述影像資料的預定位置間的距離的機能、及輸出前述所期望位置的座標資訊的機能的影像解析工具的記憶媒體。
- 如請求項3記載的電腦系統,具備: 將包含前述座標資訊的前述影像解析工具的輸出資料,變換成構成前述學習資料的註解資料的第1軟體模組。
- 如請求項3記載的電腦系統,具備: 使用包含前述座標資訊的前述影像解析工具的輸出資料與預先輸入的規則資訊,生成前述姿勢推定模型的骨格構造的定義資料的第2軟體模組。
- 如請求項1記載的電腦系統,更具備: 作為顯示前述影像資料的使用者介面發揮機能的顯示部; 前述顯示部,在前述使用者介面,顯示重疊前述影像資料與前述抽出的前述至少2個基點的資料。
- 如請求項6記載的電腦系統,其中, 前述顯示部,在前述使用者介面,更重疊顯示由連結前述至少2個基點的線分的複數結合構成的前述影像資料的骨格構造。
- 如請求項1記載的電腦系統,其中, 前述影像資料為由帶電粒子線裝置得到的剖面影像。
- 一種尺寸量測方法,藉由電腦系統,抽出用來量測影像資料的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸,具備: 在學習資料組包含量測位置數不同的學習資料的情形,對於量測位置數不足的資料的影像,將不足的該基點作為不足量測位置,藉由將想定成該不足量測位置的區域遮蔽,能夠統合進行學習的前處理部; 前述前處理部,自動設計將前述影像資料的至少2個前述基點作為關鍵點包含的骨格,且在以輸出該關鍵點的座標資訊的方式學習的姿勢推定模型,輸入量測對象的影像資料,生成該輸入的影像資料的關鍵點的座標資訊; 使用前述量測對象的影像資料的前述關鍵點的座標資訊量測前述尺寸; 前述姿勢推定模型,為將前述影像資料作為輸入,使用將前述至少2個基點的座標資訊作為輸出的學習資料學習者。
- 如請求項9記載的尺寸量測方法,其中, 前述電腦系統,使用藉由畫素演算算出在GUI上指定的前述影像資料的預定位置間的距離的影像解析工具,參照前述至少2個基點的座標資訊量測前述尺寸。
- 如請求項10所記載的尺寸量測方法,其中, 前述影像解析工具,輸出前述所期望位置的座標資訊; 前述電腦系統,在前述姿勢推定模型的學習時,將包含前述座標資訊的前述影像解析工具的輸出資料變換成前述學習資料的註解資料。
- 如請求項9記載的尺寸量測方法,其中, 前述電腦系統,在前述姿勢推定模型的學習時,使用包含前述座標資訊的輸出資料與預先輸入的規則資訊,生成前述姿勢推定模型的骨格構造的定義資料。
- 如請求項12記載的尺寸量測方法,其中, 前述骨格構造,為如從1個基點連結至其他所有基點的放射型構造。
- 如請求項9所記載的尺寸量測方法,其中, 前述電腦系統,經由網路,從外部電腦接收新穎的前述量測對象的影像資料; 前述電腦系統,進行前述新穎的量測對象的影像資料中包含的圖案的前述尺寸的量測,將該尺寸的量測結果發送至前述外部電腦。
- 一種半導體裝置製造系統,具備:實裝用以抽出用來量測影像資料的所期望位置的尺寸的基點的座標資訊,使用該基點的座標資訊量測前述尺寸的應用程式的平台;該半導體裝置製造系統,藉由前述應用程式執行: 在學習資料組包含量測位置數不同的學習資料的情形,對於量測位置數不足的資料的影像,將不足的該基點作為不足量測位置,藉由將想定成該不足量測位置的區域遮蔽,統合進行學習的步驟; 自動設計將前述影像資料的至少2個前述基點作為關鍵點包含的骨格,且在以輸出該關鍵點的座標資訊的方式學習的姿勢推定模型,輸入量測對象的影像資料,生成該輸入的影像資料的前述關鍵點的座標資訊的步驟; 使用前述量測對象的影像資料的前述關鍵點的座標資訊量測前述尺寸的步驟; 前述姿勢推定模型,為將前述影像資料作為輸入,使用將前述至少2個基點的座標資訊作為輸出的學習資料學習者。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/JP2022/032199 | 2022-08-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202409516A true TW202409516A (zh) | 2024-03-01 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8526710B2 (en) | Defect review method and apparatus | |
TW525071B (en) | Design analysis workstation for analyzing integrated circuits | |
TWI771724B (zh) | 尺寸計測裝置,尺寸計測方法及半導體裝置製造系統 | |
JP4616120B2 (ja) | 画像処理装置及び検査装置 | |
TWI515813B (zh) | Charged particle - ray device | |
JP6872670B2 (ja) | 寸法計測装置、寸法計測プログラム及び半導体製造システム | |
JP7288870B2 (ja) | 画像を生成するシステム | |
CN101025402A (zh) | 扫描型电子显微镜装置以及使用它的摄影方法 | |
JP2021196705A (ja) | 画像処理装置、画像処理方法およびプログラム | |
WO2022264195A1 (ja) | コンピュータシステム、寸法計測方法、および記憶媒体 | |
JP7329951B2 (ja) | 画像処理装置およびその制御方法 | |
TW202409516A (zh) | 電腦系統、尺寸量測方法、及半導體裝置製造系統 | |
WO2024042702A1 (ja) | コンピュータシステム、寸法計測方法、および半導体装置製造システム | |
JP4700890B2 (ja) | 特徴整列のためのロック・ステップ・カーソル | |
JP2014123260A (ja) | システム監視画面の画像作成装置 | |
JPH08314997A (ja) | 多次元形状の座標計測システム及び測定情報の教示方法 | |
JP7290780B1 (ja) | 情報処理方法、コンピュータプログラム及び情報処理装置 | |
JP6293293B2 (ja) | マルチセンサ計測装置のルーティンを確立する方法 | |
JP7152973B2 (ja) | 検査条件作成支援装置、検査条件作成支援方法、検査条件作成支援プログラムおよび記録媒体 | |
JP6670918B2 (ja) | 生成装置、生成方法及び生成プログラム | |
WO2023127081A1 (ja) | 画像検査装置、画像処理方法 |