TWI701613B - 加工配方生成裝置 - Google Patents
加工配方生成裝置 Download PDFInfo
- Publication number
- TWI701613B TWI701613B TW108107370A TW108107370A TWI701613B TW I701613 B TWI701613 B TW I701613B TW 108107370 A TW108107370 A TW 108107370A TW 108107370 A TW108107370 A TW 108107370A TW I701613 B TWI701613 B TW I701613B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- recipe
- processing
- unit
- aforementioned
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 104
- 238000007689 inspection Methods 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims description 64
- 238000006243 chemical reaction Methods 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000013077 target material Substances 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Drying Of Semiconductors (AREA)
Abstract
本發明，目的在於提供一種即使因加工裝置的拍攝條件而檢查圖像受到影響而變動的情形下，仍能夠從檢查圖像自動生成加工配方之技術。本發明之加工配方生成裝置，生成使基於檢查圖像的拍攝條件的成分減少之變換圖像，使用利用和前述變換圖像同一變換條件而生成的目標圖像，來生成加工配方。
Description
本發明有關生成記述著加工裝置將對象物加工時之動作條件的加工配方(recipe)之技術。
伴隨半導體的電路或製造裝置的複雜化，用來加工半導體的參數之調整變得愈來愈難。此參數係決定加工後的形狀，被稱為配方。以往，一般來說是由專家計測事先決定好的部位的尺寸，而探索計測出的尺寸會趨近目標值這樣的配方。然而，由於加工工程的複雜化，決定計測尺寸之部位變得愈來愈難。因此，需要一種不依賴專家來決定計測尺寸之部位，而是從檢查圖像直接生成達成期望的加工形狀之配方的方法。
下記專利文獻1，記載一種調整氧流量或壓力來將CD(Critical Dimension；臨界尺寸)偏移量契合目標值之方法。先前技術文獻 專利文獻
專利文獻1：日本特開2004-119753號公報
發明所欲解決之問題
檢查圖像，會受到各式各樣的噪訊的影響而顯現方式會變化。例如若為通常的圖像則圖像會因光的照射方式而變化。半導體檢查中使用的掃描型電子顯微鏡(Scanning Electron Microscope：SEM)的情形下，因檢查對象的帶電情況或加速電壓等的拍攝條件，檢查圖像會大幅變化。因此，評估是否成功如目標形狀般加工時，難以使用檢查圖像本身來評估。是故，難以使用檢查圖像來自動地生成加工配方。
上述專利文獻1中，是設計成因應特定部位的尺寸值來調整加工配方。但針對使用檢查圖像本身來調整配方這件事並未檢討，而且針對檢查圖像本身會因應加工條件或拍攝條件而變化這件事也未檢討。
本發明有鑑於上述這樣的待解問題而研發，目的在於提供一種即使因加工裝置的拍攝條件而檢查圖像受到影響而變動的情形下，仍能夠從檢查圖像自動生成加工配方之技術。解決問題之技術手段
本發明之加工配方生成裝置，生成使基於檢查圖像的拍攝條件的成分減少之變換圖像，使用利用和前述變換圖像同一變換條件而生成的目標圖像，來生成加工配方。發明之功效
按照本發明之加工配方生成裝置，無需實施專家決定計測位置而計測該位置的尺寸之工程，便能自動地生成達成期望的構造之加工配方。
圖1為本發明之加工配方生成裝置100自動生成加工配方的手續之概要說明模型圖。加工配方生成裝置100，接收配方101作為輸入。構造預測部102，輸出表示藉由配方101而被加工之形狀的預測結果之預測圖像103。配方修正部105，修正配方101以便將預測圖像103趨近目標圖像104。將其反覆直到達結束條件，藉此漸漸地修正配方101，而生成會輸出趨近目標圖像104的預測圖像103之配方101。預測圖像103i、目標圖像104i分別為預測圖像103、目標圖像104的1例。
以往生成加工配方時，是專家指定檢查圖像上的特定位置，計測該部位的尺寸，而以將尺寸值契合目標值之方式來生成配方。然而這樣的以往手法，針對計測位置的指定或計測本身需要專門的知識(know-how)，故針對任一作業都需要專家這件事為待解問題。除此以外，還有以下這樣的待解問題：(a)即使計測了同一處，每一計測者計測結果會相異、(b)若變更計測尺寸之位置，則必須重做全部過去資料之計測、(c)有關未計測之處於配方生成時並未考慮、(d)存在如形狀的曲率等這樣計測困難之特徵量。
本發明，藉由生成達成趨近圖像化後的目標構造亦即目標圖像104之構造的配方101，便不需要計測特定處的尺寸，而解決以往手法的待解問題。
達成目標圖像104之配方101存在無數種，但一旦配方101決定則被生成之構造便會決定。是故，雖難以從目標圖像104直接決定配方101，但從配方101來預測構造則相對地容易。故本發明中，設計成使用以配方101作為輸入而輸出預測圖像103之構造預測部102。
檢查圖像，因應各式各樣的條件而圖像的顯現方式會變化。例如若為通常的圖像則圖像會因光的照射方式而變化。半導體檢查中使用的掃描型電子顯微鏡(SEM)的情形下，因檢查對象的帶電情況或加速電壓等的拍攝條件，檢查圖像會大幅變化。此外，圖像也會由於試料的旋轉或並進等而變化。因此，即使訂為目標之構造決定，目標圖像104也不會唯一地決定。是故，即使直接使用了檢查圖像作為預測圖像103與目標圖像104，仍難以生成良好的配方。
本發明為了解決這樣的待解問題，設計成將檢查圖像做一次變換，而使用變換後檢查圖像來生成配方。藉由這樣的變換，即使由於拍攝條件變化而檢查圖像變動了，仍能抑制該變動之影響，而生成對於檢查圖像的變動而言穩健的配方。抑制拍攝條件的變動所造成的影響之變換後檢查圖像的例子後述之。
圖2為加工配方生成裝置100的構成圖。加工配方生成裝置100，具備配方-圖像記憶部201、檢查圖像變換部202、圖像條件設定部203、學習部204、學習模型記憶部205、目標形狀輸入部206、目標圖像生成部207、配方生成部208、加工裝置209、檢查裝置210。圖1中示意的概要，為配方生成部208實施之處理。
檢查圖像變換部202，遵照藉由圖像條件設定部203而設定的變換條件，將配方-圖像記憶部201中存儲的檢查圖像予以變換。學習部204，使用被輸入的配方與變換後檢查圖像，學習從配方來預測變換後檢查圖像之模型。此處所謂的模型為構造預測部102。學習出的模型被存儲於學習模型記憶部205。配方生成部208，使用學習出的模型與對於目標形狀輸入部206輸入之資訊，生成達成趨近目標圖像生成部207所生成的目標圖像的構造之配方。加工裝置209，使用生成的配方將試料加工。檢查裝置210，檢查被加工出的構造體，輸出表示該檢查結果之檢查圖像(例如SEM觀察像)。配方生成部208生成的配方與檢查裝置210輸出的檢查圖像之對(pair)，會作為新的資料而被存儲於配方-圖像記憶部201。反覆上述的循環，直到被加工出的構造體對於目標形狀達成設定好的指標。
藉由學習蓄積的配方與變換後檢查圖像之間的關係，生成預測趨近目標形狀的構造之配方，將生成的配方實際以加工裝置209及檢查裝置210予以評估，便能以較少的循環來從檢查圖像生成達成趨近目標形狀的構造之配方。
圖3為配方-圖像記憶部201存儲之資料的構成圖。配方-圖像記憶部201，係存儲編號資訊301、加工裝置資訊302、加工製程資訊303、配方資訊304、檢查圖像資訊305、拍攝條件資訊306。
編號資訊301，保持配方-圖像記憶部201中記憶的資料的編號。加工裝置資訊302，保持對應於各編號之裝置資訊。所謂裝置資訊，例如為能夠識別加工裝置的個體之ID或加工裝置的型式等資訊。加工製程資訊303，保持對應於各編號之製程資訊。所謂製程資訊，為能夠辨明加工裝置實施的加工的種類別/加工對象/加工的內容之資訊。配方資訊304，保持對應於各編號之配方資訊。所謂配方資訊，為記述著加工配方的內容之參數。例如加工裝置使用之電流/電壓/所使用的氣體的流量或壓力等資訊。檢查圖像資訊305，保持對應於各編號之檢查圖像。拍攝條件資訊306，保持對應於各編號之檢查圖像的拍攝條件。所謂拍攝條件，例如為曝光時間或電子的加速電壓等這樣可能對檢查圖像產生影響之條件。配方資訊304與拍攝條件306，可為純量亦可為向量。此外，亦可為一個以上的值的時間序列資訊。檢查圖像資訊305可為1張亦可為複數張。
圖4為圖像條件設定部203的詳細構成圖。圖像條件設定部203，設定於學習部204實施學習時使用之和圖像變換有關的條件。操作者使用圖像條件設定部203提供的介面，設置各變換條件。
圖像條件設定部203，具備對象裝置輸入部401、對象製程輸入部402、圖像變換手法輸入部403、倍率輸入部404、基準點資訊輸入部405、圖像尺寸輸入部406、對象資料顯示部407、變換圖像顯示部408。
操作者，對於對象裝置輸入部401指定學習對象之裝置。學習對象之裝置，能夠藉由配方-圖像記憶部201記憶著的加工裝置資訊302來指定。
操作者，對於對象製程輸入部402指定學習對象之製程資訊。製程資訊，能夠藉由配方-圖像記憶部201記憶著的加工製程資訊303來指定。
操作者，對於圖像變換手法輸入部403指定檢查圖像變換部202實施之圖像變換的手法。此處所謂的圖像變換手法，例如為語意分割(Semantic Segmentation)或圖像處理中的各種濾波處理等這般，能夠使基於拍攝條件的成分減少者。例如語意分割，為物體辨識等中運用之手法，藉由識別圖像的交界部分來區分成1個以上的子區域，而對每一子區域分配相異之像素值(亮度或顏色等)。藉由這樣的變換，便能使檢查圖像當中由於拍攝條件而變動的成分減少。操作者可對於圖像變換手法輸入部403輸入圖像變換手法本身的種類或其參數，亦可輸入建置著圖像變換處理之程式，亦可從事先設定好的圖像變換手法選擇其中一者。
操作者，對於倍率輸入部404指定圖像變換後之圖像倍率。本發明中，藉由將預測圖像103與目標圖像104予以比較來更新配方。是故，若兩圖像的拍攝倍率不同一則難以生成達成目標形狀之配方。針對學習構造預測部102時之變換後檢查圖像，理想亦是拍攝倍率被保持一定。檢查圖像變換部202，遵照對於倍率輸入部404輸入的倍率以及拍攝條件資訊306將圖像放大縮小，藉此控制學習中使用之圖像的拍攝倍率。
操作者，對於基準點資訊輸入部405指定圖像變換時使用之基準點。本發明中，於學習構造預測部102時，將預測圖像103與目標圖像104予以比較。於此比較時，重要是設計成不受到構造的尺寸值以外之影響，故理想是如同倍率般控制並進/旋轉。鑑此，操作者對於基準點資訊輸入部405指定基準點，而將各檢查圖像的基準點位置契合至指定的位置。如此一來，便除去並進/旋轉所造成的影響。基準點，能夠藉由用來檢測基準點之濾波器或演算法、用來在檢查圖像間契合基準點之圖像上的位置等來指定。基準點能夠指定1個以上。1個的情形下能夠除去並進的影響，若為2個以上則能除去並進/旋轉的影響。
操作者，對於圖像尺寸輸入部406輸入變換所使用之圖像尺寸。所謂變換所使用之圖像尺寸，為從變換前的檢查圖像切割出的圖像尺寸與變換後檢查圖像的圖像尺寸。藉由將圖像尺寸一律化成規定的尺寸，能夠使學習穩定。
對象資料顯示部407，顯示成為學習對象之資料。對象資料顯示部407顯示的資料，為對於對象裝置輸入部401與對象製程輸入部402輸入之對應於裝置資訊/製程資訊的配方/檢查圖像。變換圖像顯示部408，顯示和對象資料顯示部407顯示的檢查圖像成對(pair)之變換後檢查圖像。
圖5為圖像條件設定部203提供之介面的1例。操作者對於各部指定以下的資訊。在對象裝置輸入部401被輸入成為學習對象之裝置。在對象製程輸入部402被輸入成為學習對象之製程。在圖像變換手法輸入部403被輸入圖像變換手法。在倍率輸入部404被輸入倍率。在基準點資訊輸入部405被輸入基準點。在圖像尺寸輸入部406被輸入圖像尺寸。
基於操作者輸入的資訊，對象資料顯示部407顯示學習對象資料(407r、407i)，變換圖像顯示部408顯示變換後檢查圖像。407r為對象資料的配方資訊，407i為對象資料的檢查圖像。此處顯示的檢查圖像407i為變換前的圖像，可能有倍率不一、或基準點未對齊於圖像上的同一位置之情況。變換圖像顯示部408，係做圖像變換並且顯示倍率/基準點/圖像尺寸受調整後之圖像，故若為同一構造則會顯示同一圖像。此外，圖像的變化等同構造的變化，故能夠直接學習配方與構造之關係。變換圖像顯示部408，亦可將圖像上的基準點位置契合來顯示。
圖6為檢查圖像變換部202的詳細構成圖。檢查圖像變換部202，具備圖像變換部602、倍率調整部603、基準點調整部604、圖像尺寸調整部60。檢查圖像變換部202，使用拍攝條件600與檢查圖像601來生成變換後檢查圖像606。601-1、601-2分別為檢查圖像601的1例，606-1、606-2分別為變換後檢查圖像606的1例。拍攝條件600與檢查圖像601，為將配方-圖像記憶部201存儲著的檢查圖像資訊305與拍攝條件306當中，該當於圖像條件設定部203中設定的裝置資訊與製程資訊之資料予以抽出而得者。
圖像變換部602，將檢查圖像做變換以使對於光或電子線的狀態之相依度減低。此處作為變換手法揭示使用語意分割之例子。語意分割，為將圖像606-1、606-2這樣具有連續性的亮度值之圖像變換成圖像606-1、606-2這樣具有離散性的像素值之圖像之處理。此處將檢查圖像中的空氣層/光罩/矽/粗糙處的部分分別藉由相異的像素值來表示。像這樣對檢查圖像中的每一區域賦予相異的離散值。此處雖揭示區分成空氣層/光罩/矽/粗糙處這4等級之例子，但能夠因應檢查圖像的內容來設定適切的等級。作為建置語意分割之手法，例如能夠使用Fully Convolutional Neural Networks等的Convolutional Neural Networks
(CNN；卷積類神經網路)。
倍率調整部603，調整倍率以使變換後檢查圖像606的拍攝倍率成為一定。倍率調整部603，接收拍攝條件600與檢查圖像601作為輸入，從對應於各檢查圖像601之拍攝條件600讀入各檢查圖像601的拍攝倍率，將圖像放大縮小以便符合圖像條件設定部203中設定的拍攝倍率。
基準點調整部604與圖像尺寸調整部605，係以倍率調整後的圖像具有同一圖像尺寸而基準點位置對齊同一場所之方式做處理。這例如能夠藉由從圖像中檢測基準點，以基準點為基準切割出事先決定好的區域來實施。
圖7為學習部204實施之學習過程示意模型圖。學習部204，學習從配方101來預測變換後檢查圖像之構造預測部102，對於學習模型記憶部205將該學習結果和學習條件組合來存儲。學習部204，具備構造預測部102、配方預測部701、識別部703。
學習部204，使用稱為Generative Adversarial Networks(GAN；生成對抗網路)之手法來學習構造預測部102。GAN中，為設計成識別器意圖正確地識別被給予的圖像，而生成器意圖生成欺騙識別器的圖像，一面使兩者互相敵對一面進行學習，藉此進行學習而生成精度更高的圖像之手法。圖7構成中，識別部703判定被給予的圖像與配方之對(pair)是否為正確的組合，構造預測部102則輸出具有供識別部703辨識為正確的組合之程度的精度的預測圖像103。識別部703反覆學習以提高識別精度，構造預測部102反覆學習以輸出精度更高的預測圖像103，藉此便進行學習部204全體而言之學習。以下，說明各部的動作。
構造預測部102，以配方101作為輸入而輸出預測圖像103。配方預測部701，以變換後檢查圖像606作為輸入而輸出預測配方702。識別部703，接收圖像與配方之對(pair)作為輸入，判定該對是否為正確的組合。具體而言，係接收變換後檢查圖像606與預測圖像103的其中一方作為輸入圖像，並且接收配方101與預測配方702的其中一方作為輸入配方，而輸出示意它們是否為正確的組合之識別結果704。
構造預測部102/配方預測部701/識別部703，例如能夠藉由類神經網路來建置。類神經網路，以將損失最小化之方式來將參數最佳化，藉此進行學習。圖7中可設想以下的損失。
損失I1：預測圖像103與(和配方101成組之)變換後檢查圖像606之間的損失。主要用於學習構造預測部102時。
損失I2：預測配方702與(和變換後檢查圖像606成組之)配方101之間的損失。主要用於學習配方預測部701時。
損失I12：將以配方101作為輸入而生成的預測圖像103作為配方預測部701的輸入來生成預測配方702，該預測配方702與配方101之間的損失。藉由學習適當地進行，可期待如上述般生成的預測配方702會回到配方101，故設計成將此損失I12也用作為學習的評估指標。
損失I21：將以變換後檢查圖像606作為輸入而生成的預測配方702作為構造預測部102的輸入來生成預測圖像103，該預測圖像103與變換後檢查圖像606之間的損失。藉由學習適當地進行，可期待如上述般生成的預測圖像103會回到變換後檢查圖像606，故設計成將此損失I21也用作為學習的評估指標。
損失I3：評估識別結果704是否表示正確的識別結果之損失。
損失I4：為了不讓學習結果偏頗之損失。例如能夠將識別部703的輸入的梯度訂為損失I4。
構造預測部102，以將I1、I12、I21、負的I3予以最小化之方式來更新參數。配方預測部701，以將I2、I12、I21、負的I3予以最小化之方式來更新參數。識別部703，以將I3與I4予以最小化之方式來更新參數。
為了生成配方只需使用構造預測部102即足夠，但為了使用GAN來學習構造預測部102則要併用配方預測部701與識別部703。識別部703，是以僅當輸入是變換後檢查圖像606與配方101的正確對(pair)的情形下，才輸出該內容之識別結果704之方式來學習。也就是說識別部703，係學習被輸入的配方與圖像之間的正確組合。構造預測部102與配方預測部701，是以分別輸出具有供識別部703誤辨識為正確組合這樣的精度之預測圖像103與預測配方702之方式來進行學習。藉由它們的相互作用，構造預測部102會以輸出配方101與預測圖像103的正確組合之方式來學習，配方預測部701會以輸出變換後檢查圖像606與預測配方702的正確組合之方式來學習。
構造預測部102與配方預測部701，被期待會從被輸入的配方101與變換後檢查圖像606，分別預測出正確的組合亦即變換後檢查圖像606與配方101。此時，將以配方101作為輸入而構造預測部102輸出的預測圖像103，輸入至配方預測部701所獲得的預測配方702，理想是和原本的輸入亦即配方101相等。同樣地，將以變換後檢查圖像606作為輸入而配方預測部701輸出的預測配方702，輸入至構造預測部102所獲得的預測圖像103，理想是和原本的輸入亦即變換後檢查圖像606相等。是故，將對應於它們之損失I12與I21予以最小化這件事，也有著幫助構造預測部102的學習之效果。
圖8為學習模型記憶部205存儲之資訊的詳細構成圖。學習模型記憶部205，係保持模型編號資訊801、加工裝置資訊802、製程資訊803、圖像變換條件資訊804、學習模型資訊805、學習參數資訊806。
模型編號資訊801，為學習模型記憶部205中存儲著的學習模型的編號。加工裝置資訊802，保持各學習模型學習之和加工裝置有關的資訊。製程資訊803，保持各學習模型學習之和製程有關的資訊。圖像變換條件資訊804，保持於學習各學習模型時使用之圖像變換條件。學習模型資訊805，保持和各學習模型有關的資訊。所謂和學習模型有關的資訊，例如為構造預測部102所做的處理內容或該時使用的參數。所謂處理例如為類神經網路的層構成，所謂參數為類神經網路的權值矩陣(weight matrix)或偏權(bias)項。學習模型資訊805保持的學習模型，不僅為構造預測部102，亦可包含配方預測部701或識別部703。又，學習結束時亦可存儲各學習模型達成之損失的值。學習參數資訊806，保持於學習各學習模型時使用之參數。例如能夠保持最佳化器的種類、學習率、學習次數、批次量(batch size)、其他影響學習之參數。
圖9為學習部204實施學習之手續說明流程圖。步驟S901中，操作者透過圖像條件設定部203設定學習條件。步驟S902中，檢查圖像變換部202從配方-圖像記憶部201讀入該當於藉由圖像條件設定部203而設定的學習條件之裝置資訊與製程資訊。步驟S903中，檢查圖像變換部202使用藉由圖像條件設定部203而設定的圖像變換條件來變換檢查圖像，藉此生成變換後檢查圖像606。步驟S904中，學習部204從配方-圖像記憶部201讀取該當於學習條件之裝置與對應於製程之配方資訊，從檢查圖像變換部202讀入變換後檢查圖像606，學習從配方101來預測變換後檢查圖像606之構造預測部102。本步驟中讀入的配方101與變換後檢查圖像606，被維持為於配方-圖像記憶部201中具有同一編號資訊301之組合。步驟S905中，學習部204將學習所使用的條件與藉由學習獲得的學習模型存儲於學習模型記憶部205。
圖9的學習流程，是在藉由操作者而開始學習流程之時間點、和學習條件關連的配方-圖像記憶部201的資料被更新之時間點等規定的時間點執行。可於配方生成前將學習模型存儲於學習模型記憶部205，而於配方生成時從學習模型記憶部205使用必要的資訊，亦可於配方生成時逐次將學習模型予以學習。
圖10為目標形狀輸入部206的構成圖。目標形狀輸入部206，係提供一供操作者輸入藉由加工而獲得的目標形狀之介面。目標形狀輸入部206，具備對象裝置輸入部1001、對象製程輸入部1002、學習模型選擇部1003、配方評估指標選擇部1004、目標形狀輸入部1005、目標圖像顯示部1006。
操作者，對於對象裝置輸入部1001，輸入和生成配方的對象之裝置有關的資訊。能夠輸入和學習模型記憶部205中存儲著的加工裝置資訊802同樣之資訊。
操作者，對於對象製程輸入部1002，輸入和生成配方的對象之製程有關的資訊。能夠輸入和學習模型記憶部205中存儲著的製程資訊803同樣之資訊。
操作者，透過學習模型選擇部1003，選擇用於配方生成之學習模型。能夠選擇和學習模型記憶部205中存儲著的學習模型資訊805同樣之資訊。
操作者，透過配方評估指標選擇部1004，選擇配方評估指標。達成趨近目標構造的構造之配方存在無數種，故需要有用來從其中選擇適切的配方之指標。操作者透過配方評估指標選擇部1004選擇該評估指標。作為評估指標，例如能夠使用梯度最小指標或損失最小指標。針對該些例子利用圖13說明之。
操作者，對於目標形狀輸入部1005輸入目標形狀值。例如可將各部位的尺寸值輸入作為目標形狀，亦可輸入設為目標之構造的設計資料。
目標圖像顯示部1006，使用對於目標形狀輸入部1005輸入的目標形狀值來顯示目標圖像生成部207生成的目標圖像104。
圖11為目標形狀輸入部206的畫面例。操作者對於各部指定以下的資訊。在對象裝置輸入部1001被輸入配方生成對象之裝置。在對象製程輸入部1002被輸入配方生成對象之製程。學習模型選擇部1003中用於配方生成之學習模型被選擇。配方評估指標選擇部1004中用於配方生成之評估指標被選擇。在目標形狀輸入部1005被輸入目標形狀。一旦它們被輸入，目標圖像生成部207便遵照被輸入的資訊來生成目標圖像，目標圖像顯示部1006顯示被生成的目標圖像。
圖12為目標圖像生成部207的詳細構成圖。目標圖像生成部207，具備圖像變換條件讀入部1201與目標圖像描繪部1202。
圖像變換條件讀入部1201，從學習模型記憶部205讀入藉由目標形狀輸入部206而被選擇之對應於學習模型之圖像變換條件。目標圖像描繪部1202，遵照讀入的圖像變換條件，將目標圖像104描繪而輸出。
圖13為配方評估指標的概要圖。此處為求簡便，假定配方是藉由1維資料而記述，但當配方為多維的情形下以下的手續亦同。橫軸為表示配方的內容之參數值。縱軸為依配方不同而藉由構造預測部102獲得的預測圖像103與目標圖像104之間的損失。損失例如為L1誤差等。以下利用圖13，說明探索達成目標形狀的配方之手續。
達成目標構造的配方存在無數種，故若使配方值逐漸變化則損失值會取得複數個極小值。圖13中存在2個極小值1301與1302。損失最小指標為選擇達成最小的損失值之極小值的指標。圖13的情形下損失最小指標係選擇極小值1302。梯度最小指標為選擇極小值周邊的梯度會成為最小之極小值的指標。圖13的情形下極小值1301會被選擇。損失最小指標為損失值最小，故會選擇達成目標構造的可能性高之配方。梯度最小指標是為了選擇對於配方或裝置的狀態變化而言頑強的配方。
如圖13所示，在極小值1301的周邊，損失值的變動小。因此，在極小值1301的周邊，即使配方或裝置狀態中混入噪訊，損失值仍不會大幅變化，故對於該些噪訊而言預測出的構造為頑強。因此，於實際加工時，也能期待對於該些噪訊而言加工出的構造為頑強。相對於此，在極小值1302的周邊，對於配方的微小變動而言損失值會大幅變化。因此，在極小值1302周邊，料想加工結果因噪訊的影響而大幅變動的可能性高。
圖14為配方生成部208生成配方之手續說明流程圖。步驟S1401中，操作者透過目標形狀輸入部206輸入目標形狀。步驟S1402中，目標圖像生成部207遵照輸入至目標形狀輸入部206的資訊，從學習模型記憶部205讀入圖像變換條件，生成目標圖像104。步驟S1403中，配方生成部208以亂數生成配方，藉此初始化。此時會生成複數個配方。步驟S1404中，配方生成部208將初始化後的配方藉由梯度下降法予以更新。具體而言如圖1所示，將配方101輸入至構造預測部102，計算被輸出的預測圖像103與目標圖像104之間的損失(例如L1誤差)，將獲得的損失藉由誤差反向傳播(Backpropagation)來求出配方的梯度，藉由梯度下降法將配方更新。將此配方之更新實施事先決定好的次數、或是實施直到滿足配方的更新量成為規定的閾值以下等的收斂條件為止。梯度下降法所致之配方生成，其獲得的配方會和初始值相依，故步驟S1403中藉由生成複數個配方，能夠獲得達成複數個損失極小值之配方。步驟S1405中，配方生成部208從獲得的複數個配方當中抽出達成了低損失的配方。步驟S1405例如能夠藉由從獲得的配方當中依與目標圖像104之損失低的順序抽出規定數量的配方、從獲得的配方當中與目標圖像104之損失最低者開始依序抽出規定比例者、或是抽出達成規定範圍內的損失的配方等來實施。當使用梯度下降法的情形下，依生成的配方不同，有時會得到獲得的損失相對較高之配方，故抽出到達了某一程度良好的損失值之配方便是步驟S1405的目的。步驟S1406中，配方生成部208從步驟S1405中抽出的配方當中，選擇目標形狀輸入部206中被選擇之配方評估指標高者，予以輸出。
＜本發明之總結＞
按照本發明之加工配方生成裝置100，無需實施專家決定檢查圖像上的計測位置而計測該位置的尺寸之工程，便能僅從配方與檢查圖像自動地生成達成盡可能地趨近設為目標之構造的構造之配方。此外能夠不基於特定部位的尺寸值來生成配方，故能夠生成更優良的配方。
＜有關本發明的變形例＞
本發明並不限定於上述實施形態，而包含各種變形例。例如，上述實施形態是為了便於說明本發明而詳加說明，並非限定於一定要具備所說明之所有構成。此外，可將某一實施形態的一部分置換成其他實施形態之構成，又，亦可於某一實施形態之構成追加其他實施形態之構成。此外，針對各實施形態的構成的一部分，能夠追加、刪除或置換其他構成。
以上說明中，雖記載了半導體製造裝置作為例子，但可設想其他各式各樣的應用。本發明，其特徵在於直接學習檢查圖像與加工裝置的參數之間的關係，故也能夠應用於能夠控制檢查圖像與加工裝置的參數之例如機械零件加工等。
以上說明中，雖說明了檢查圖像變換部202使用語意分割來變換圖像，藉此使基於拍攝條件之圖像上的成分減少，但只要能夠發揮同樣的效果則亦能使用其他手法。例如可設想降低圖像的階調、提高銳利度等手法。亦能併用複數個手法。
以上說明中，雖說明了學習部204為了學習配方101與變換後檢查圖像606之間的對應關係而使用GAN，但亦可藉由其他適當的手法來實施學習。此外亦可使用類神經網路以外的學習手法。
100‧‧‧加工配方生成裝置
101‧‧‧配方
102‧‧‧構造預測部
103‧‧‧預測圖像
104‧‧‧目標圖像
105‧‧‧配方修正部
201‧‧‧配方-圖像記憶部
202‧‧‧檢查圖像變換部
203‧‧‧圖像條件設定部
204‧‧‧學習部
205‧‧‧學習模型記憶部
206‧‧‧目標形狀輸入部
207‧‧‧目標圖像生成部
208‧‧‧配方生成部
209‧‧‧加工裝置
210‧‧‧檢查裝置
[圖1]加工配方生成裝置100自動生成加工配方的手續之概要說明模型圖。
[圖2]加工配方生成裝置100的構成圖。
[圖3]配方-圖像記憶部201存儲之資料的構成圖。
[圖4]圖像條件設定部203的詳細構成圖。
[圖5]圖像條件設定部203提供之介面的1例。
[圖6]檢查圖像變換部202的詳細構成圖。
[圖7]學習部204實施之學習過程示意模型圖。
[圖8]學習模型記憶部205存儲之資訊的詳細構成圖。
[圖9]學習部204實施學習之手續說明流程圖。
[圖10]目標形狀輸入部206的構成圖。
[圖11]目標形狀輸入部206的畫面例。
[圖12]目標圖像生成部207的詳細構成圖。
[圖13]配方評估指標的概要圖。
[圖14]配方生成部208生成配方之手續說明流程圖。
100‧‧‧加工配方生成裝置
201‧‧‧配方-圖像記憶部
202‧‧‧檢查圖像變換部
203‧‧‧圖像條件設定部
204‧‧‧學習部
205‧‧‧學習模型記憶部
206‧‧‧目標形狀輸入部
207‧‧‧目標圖像生成部
208‧‧‧配方生成部
209‧‧‧加工裝置
210‧‧‧檢查裝置
Claims (10)
- 一種加工配方生成裝置，係生成記述著加工裝置將對象物加工時之前述加工裝置的動作條件的加工配方(recipe)，該加工配方生成裝置，其特徵為，具備： 記憶部，記憶前述加工裝置的加工配方、將前述加工裝置使用前述加工配方而加工出的對象物予以拍攝而成之檢查圖像、及前述加工配方與前述檢查圖像之間的對應關係；及 檢查圖像變換部，使用使前述檢查圖像具有的成分當中基於前述檢查圖像的拍攝條件者減少之變換條件來生成將前述檢查圖像予以變換而成之變換圖像；及 學習部，學習前述加工配方與前述變換圖像之間的關係；及 目標形狀輸入部，輸入藉由前述加工裝置而加工的目標形狀；及 目標圖像生成部，使用前述學習部所做的學習結果，生成將表示前述目標形狀的圖像遵照前述變換條件予以變換而成之目標圖像；及 配方生成部，生成為了加工前述目標圖像表示的形狀而使用之目標加工配方。
- 如申請專利範圍第1項所述之加工配方生成裝置，其中， 前述檢查圖像變換部，將前述檢查圖像分割成1個以上的子區域，並且對每一前述子區域賦予相異的像素值，藉此生成前述變換圖像。
- 如申請專利範圍第1項所述之加工配方生成裝置，其中， 前述目標圖像生成部，被分割成1個以上的子區域，對每一前述子區域生成具有相異的像素值之前述目標圖像。
- 如申請專利範圍第1項所述之加工配方生成裝置，其中， 前述學習部， 具備：第1預測器，接收前述加工配方作為輸入，基於學習前述加工配方與前述變換圖像之間的關係而得的結果，來預測對應於前述被輸入的加工配方之預測變換圖像。
- 如申請專利範圍第4項所述之加工配方生成裝置，其中， 前述學習部，具備： 第2預測器，接收前述變換圖像作為輸入，基於學習前述加工配方與前述變換圖像之間的關係而得的結果，來預測對應於前述被輸入的變換圖像之預測加工配方；及 識別器，接受前述加工配方或前述預測加工配方作為輸入，並且接受前述變換圖像或前述預測變換圖像作為輸入，而識別前述被輸入的配方與前述被輸入的圖像是否為正確的組合； 前述學習部，係反覆做：令前述第1預測器以輸出會讓前述識別器輸出錯誤的識別結果之前述預測變換圖像的方式學習、令前述第2預測器以輸出會讓前述識別器輸出錯誤的識別結果之前述預測加工配方的方式學習、令前述識別器以前述識別器會輸出正確的識別結果的方式學習，藉此學習前述加工配方與前述變換圖像之間的關係。
- 如申請專利範圍第5項所述之加工配方生成裝置，其中， 前述第1預測器與前述第2預測器，是以前述第2預測器接收前述預測變換圖像作為輸入而預測出的結果和前述加工配方一致之方式來實施學習， 前述第1預測器與前述第2預測器，是以前述第1預測器接收前述預測加工配方作為輸入而預測出的結果和前述變換圖像一致之方式來實施學習。
- 如申請專利範圍第4項所述之加工配方生成裝置，其中， 前述配方生成部，從加工配方的候補群當中探索前述預測變換圖像與前述目標圖像之間的差分盡可能小之加工配方，藉此生成前述目標加工配方。
- 如申請專利範圍第7項所述之加工配方生成裝置，其中， 前述配方生成部，將前述差分成為極小之加工配方、或前述差分的變化率成為極小之加工配方，予以採用作為前述目標加工配方。
- 如申請專利範圍第1項所述之加工配方生成裝置，其中， 前述加工配方生成裝置，更 具備：條件設定部，指定前述檢查圖像變換部將前述檢查圖像變換時之變換條件。
- 如申請專利範圍第9項所述之加工配方生成裝置，其中， 前述條件設定部，作為前述變換條件，係指定 前述變換圖像的拍攝倍率， 前述變換圖像的圖像尺寸， 前述檢查圖像與前述變換圖像之間的對位的基準點， 前述目標圖像生成部，是以前述目標圖像的拍攝倍率、前述目標圖像的圖像尺寸、及前述目標圖像當中的基準點，分別和藉由前述條件設定部而被指定之前述變換圖像的拍攝倍率、前述變換圖像的圖像尺寸、及前述檢查圖像與前述變換圖像之間的對位的基準點一致之方式來生成前述目標圖像。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2018/015042 WO2019198143A1 (ja) | 2018-04-10 | 2018-04-10 | 加工レシピ生成装置 |
| WOPCT/JP2018/015042 | 2018-04-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201944298A TW201944298A (zh) | 2019-11-16 |
| TWI701613B true TWI701613B (zh) | 2020-08-11 |
Family
ID=68163523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW108107370A TWI701613B (zh) | 2018-04-10 | 2019-03-06 | 加工配方生成裝置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US11393084B2 (zh) |
| JP (1) | JP6995191B2 (zh) |
| TW (1) | TWI701613B (zh) |
| WO (1) | WO2019198143A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7353940B2 (ja) * | 2019-11-26 | 2023-10-02 | 株式会社日立製作所 | 転移可能性判定装置、転移可能性判定方法、及び転移可能性判定プログラム |
| US11321835B2 (en) * | 2020-03-17 | 2022-05-03 | Applied Materials Israel Ltd. | Determining three dimensional information |
| US20230012173A1 (en) * | 2021-07-08 | 2023-01-12 | Hitachi High-Tech Corporation | Process recipe search apparatus, etching recipe search method and semiconductor device manufacturing system |
| JP2023056708A (ja) * | 2021-10-08 | 2023-04-20 | 東京エレクトロン株式会社 | エッチング処理システム、エッチング品質予測方法及びエッチング品質予測プログラム |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008513997A (ja) * | 2004-09-20 | 2008-05-01 | 東京エレクトロン株式会社 | モデルフィードバックアップデートを用いた分離／入れ子形カスケーディングトリム制御 |
| TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
| TW201628112A (zh) * | 2015-01-28 | 2016-08-01 | 達盟系統有限公司 | 結合晶圓實體測量結果與數位模擬資料以改善半導體元件之製程的方法 |
| JP2017162456A (ja) * | 2016-03-11 | 2017-09-14 | 株式会社東芝 | 道路シーンのセマンティックセグメンテーションのための制約付きデコンボリューションネットワークのトレーニング |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6850252B1 (en) * | 1999-10-05 | 2005-02-01 | Steven M. Hoffberg | Intelligent electronic appliance system and method |
| JP3799314B2 (ja) | 2002-09-27 | 2006-07-19 | 株式会社日立ハイテクノロジーズ | エッチング処理装置およびエッチング処理方法 |
| JP4943304B2 (ja) * | 2006-12-05 | 2012-05-30 | 株式会社 Ｎｇｒ | パターン検査装置および方法 |
| JP4365854B2 (ja) * | 2006-12-13 | 2009-11-18 | 株式会社日立ハイテクノロジーズ | Ｓｅｍ装置又はｓｅｍシステム及びその撮像レシピ及び計測レシピ生成方法 |
| US20180284755A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for data storage in an industrial internet of things data collection environment with large data sets |
| US11138471B2 (en) * | 2018-05-18 | 2021-10-05 | Google Llc | Augmentation of audiographic images for improved machine learning |
| US10426442B1 (en) * | 2019-06-14 | 2019-10-01 | Cycle Clarity, LLC | Adaptive image processing in assisted reproductive imaging modalities |
-
2018
- 2018-04-10 US US17/043,815 patent/US11393084B2/en active Active
- 2018-04-10 WO PCT/JP2018/015042 patent/WO2019198143A1/ja active Application Filing
- 2018-04-10 JP JP2020512966A patent/JP6995191B2/ja active Active
-
2019
- 2019-03-06 TW TW108107370A patent/TWI701613B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008513997A (ja) * | 2004-09-20 | 2008-05-01 | 東京エレクトロン株式会社 | モデルフィードバックアップデートを用いた分離／入れ子形カスケーディングトリム制御 |
| TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
| TW201628112A (zh) * | 2015-01-28 | 2016-08-01 | 達盟系統有限公司 | 結合晶圓實體測量結果與數位模擬資料以改善半導體元件之製程的方法 |
| JP2017162456A (ja) * | 2016-03-11 | 2017-09-14 | 株式会社東芝 | 道路シーンのセマンティックセグメンテーションのための制約付きデコンボリューションネットワークのトレーニング |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2019198143A1 (ja) | 2021-03-11 |
| WO2019198143A1 (ja) | 2019-10-17 |
| JP6995191B2 (ja) | 2022-01-14 |
| US20210035277A1 (en) | 2021-02-04 |
| TW201944298A (zh) | 2019-11-16 |
| US11393084B2 (en) | 2022-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI701613B (zh) | 加工配方生成裝置 | |
| US11587225B2 (en) | Pattern inspection system | |
| CN110189288A (zh) | 生成可用于半导体样本的检查的训练集的方法和其系统 | |
| CN109598698B (zh) | 用于对多个项进行分类的系统、方法和非暂时性计算机可读取介质 | |
| TWI697849B (zh) | 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統 | |
| TW201712775A (zh) | 疊代式缺陷濾除製程 | |
| TWI722599B (zh) | 圖像評價裝置及方法 | |
| US11663713B2 (en) | Image generation system | |
| KR20220012217A (ko) | 반도체 시편에서의 결함들의 기계 학습 기반 분류 | |
| CN114764189A (zh) | 用于评估图像处理结果的显微镜系统和方法 | |
| KR20210135416A (ko) | 시편의 검사를 위한 알고리즘 모듈들의 자동 선택 | |
| JP2023181587A (ja) | 欠陥検査装置 | |
| US20230325413A1 (en) | Error Factor Estimation Device and Error Factor Estimation Method | |
| CN113767459B (zh) | 检查装置调整系统以及检查装置调整方法 | |
| JP2021015546A (ja) | 情報処理システムおよび情報処理方法 | |
| TWI817922B (zh) | 圖案匹配裝置、圖案測定系統、圖案匹配程式 | |
| WO2023112302A1 (ja) | 教師データ作成支援装置、教師データ作成支援方法 | |
| KR20220073640A (ko) | 하전 입자 빔 장치 | |
| TW202132747A (zh) | 圖案匹配裝置、圖案測定系統及非暫態電腦可讀媒體 | |
| CN115063387A (zh) | 一种模型训练方法、图像检测方法及计算机装置 | |
| JP2006170924A (ja) | 電子顕微鏡による測定条件決定方法 |