TWI724827B - 缺陷觀察裝置 - Google Patents

缺陷觀察裝置 Download PDF

Info

Publication number
TWI724827B
TWI724827B TW109109553A TW109109553A TWI724827B TW I724827 B TWI724827 B TW I724827B TW 109109553 A TW109109553 A TW 109109553A TW 109109553 A TW109109553 A TW 109109553A TW I724827 B TWI724827 B TW I724827B
Authority
TW
Taiwan
Prior art keywords
image
sample
charged particle
mentioned
image quality
Prior art date
Application number
TW109109553A
Other languages
English (en)
Other versions
TW202040713A (zh
Inventor
伊藤晟
原田実
嶺川陽平
平井大博
Original Assignee
日商日立全球先端科技股份有限公司
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
Application filed by 日商日立全球先端科技股份有限公司 filed Critical 日商日立全球先端科技股份有限公司
Publication of TW202040713A publication Critical patent/TW202040713A/zh
Application granted granted Critical
Publication of TWI724827B publication Critical patent/TWI724827B/zh

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • H01J37/04—Arrangements of electrodes and associated parts for generating or controlling the discharge, e.g. electron-optical arrangement, ion-optical arrangement
    • H01J37/153—Electron-optical or ion-optical arrangements for the correction of image defects, e.g. stigmators
    • 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
    • H01J37/20—Means for supporting or positioning the objects or the material; Means for adjusting diaphragms or lenses associated with the support
    • 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
    • H01J37/244—Detectors; Associated components or circuits therefor
    • 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
    • H01J37/261—Details
    • H01J37/265—Controlling the tube; circuit arrangements adapted to a particular application not otherwise provided, e.g. bright-field-dark-field illumination
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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

  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biochemistry (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本發明能夠使用第1拍攝條件下之圖像中之缺陷座標算出第2拍攝條件下之圖像中之缺陷座標，而提高缺陷觀察之產能。 本發明構成一種缺陷觀察裝置，其具備：帶電粒子顯微鏡；及控制器，其具有控制該帶電粒子顯微鏡之控制部、記憶部及運算部；藉由控制部於第1條件下控制帶電粒子顯微鏡，取得試樣之觀察對象區域之第1圖像，於運算部，自所取得之第1圖像提取觀察對象區域之第1位置資訊，藉由控制部於第2條件下控制帶電粒子顯微鏡，取得試樣之觀察對象區域之第2圖像，於運算部，使用將所取得之第2圖像之畫質記憶於記憶部之畫質轉換處理參數，進行與第1圖像之像質相匹配之像質轉換處理，對實施了像質轉換處理之第2圖像進行處理。

Description

缺陷觀察裝置
本發明係關於一種使用帶電粒子顯微鏡等觀察形成於作為試樣之半導體晶圓上之電路圖案及缺陷之缺陷觀察裝置。
於半導體晶圓之製造中，為了確保收益，迅速啟動製造製程，於早期過渡至高良率之量產體制較為重要。為了該目的，於生產線導入各種檢查裝置及觀察裝置、測量裝置。
專利文獻1中揭示之技術揭示以於試樣觀察裝置中，兼顧縮短用以拍攝用於試樣觀察之圖像之時間而提高產能、及獲得試樣之高品質之圖像為目的之技術。
更具體而言，揭示一種試樣觀察裝置，其具備：圖像記憶部，其記憶改變以帶電粒子顯微鏡拍攝試樣之拍攝條件而取得之試樣之同一部位之畫質不佳之劣化圖像及畫質較佳之高畫質圖像；運算部，其使用記憶於圖像記憶部之劣化圖像與高畫質圖像求出用以自劣化圖像推定高畫質圖像之推定處理參數；高畫質圖像推定部，其使用以運算部求出之推定處理參數處理以帶電粒子顯微鏡拍攝試樣之所期望部位而得之試樣之所期望部位之劣化圖像，而推定所期望之區域之高畫質圖像；及輸出部，其輸出以高畫質圖像推定部推定之推定高畫質圖像。 [先前技術文獻] [專利文獻]
[專利文獻1]日本專利特開2018-137275號公報 [非專利文獻]
[非專利文獻1]Jun-Yan Zhu、 et al. "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks" arXiv preprint arXiv:1703.10593(2017) [非專利文獻2]Phillip Isola、 et al. "Image-to-Image Translation with Conditional Adversarial Networks" arXiv preprint arXiv:1611.07004(2016)
[發明所欲解決之問題]
缺陷觀察裝置係基於檢查裝置所輸出之缺陷位置座標(表示試樣上之缺陷之位置之座標資訊)，高解像度地拍攝晶圓上之缺陷位置，並輸出圖像之裝置，使用掃描式電子顯微鏡(SEM：Scanning Eelectron Microscope)之觀察裝置(以下，記載為缺陷再檢SEM)被廣泛使用。
於半導體之量產線中，期望觀察作業之自動化，缺陷再檢(Review)SEM配備進行自動收集試樣內之缺陷位置之圖像之缺陷圖像自動收集處理(ADR：Automatic Defect Review)、自動將所收集之缺陷圖像分類之缺陷圖像自動分類處理(ADC：Automatic Defect Classification)、及自動分析缺陷之組成之能量分散型X射線分析(EDS、EDX：Energy Dispersive X-ray Spectrometry)之功能。
於缺陷觀察裝置中，每單位時間取得更多之圖像(產能較高地動作)、及減輕使用者調整參數之負擔較為重要。
於對各缺陷實施ADR後實施EDS等實施複數個處理之情形時，由於拍攝條件之變更及載台移動之誤差等，會產生拍攝範圍之偏移，因此需要於各處理中進行缺陷檢測。但於實施ADR後實施EDS等變更拍攝條件之情形時，由於圖像之像質大不相同，故需要對每個拍攝條件調整缺陷檢測用參數，從而使用者調整參數之負擔變大。
因此，若可算出第1拍攝條件下(例如，ADR中之拍攝條件下)拍攝之圖像與第2拍攝條件下(例如，EDS之拍攝條件下)取得之圖像之位置偏移量，則可使用第1拍攝條件下之圖像中之缺陷座標算出第2拍攝條件下之圖像中之缺陷座標。
但於實施中，第1拍攝條件下之圖像與第2拍攝條件下之圖像由於各自之拍攝條件不同，因此像質大不相同，不容易應用算出位置偏移量所需之圖像對位處理。
於專利文獻1記載之方法中，並未記載對如上所述之畫質大不相同之2個圖像進行兩圖像之對位直至能夠精度良好地算出位置偏移量之程度。
本發明提供一種缺陷觀察裝置，其能夠解決上述先前技術之問題，使用第1拍攝條件下之圖像中之缺陷座標算出第2拍攝條件下之圖像中之缺陷座標，藉由於第2拍攝條件下無需調整缺陷檢測用參數，可提高產能及減輕使用者之負擔。 [解決問題之技術手段]
為了解決上述問題，於本發明中，係一種缺陷觀察裝置，其係具備帶電粒子顯微鏡、及控制器者，且 上述帶電粒子顯微鏡具備照射對試樣照射之觀察用能量之能量源、載置試樣之載台、及檢測器， 上述控制器係 (A)使用第1拍攝條件，取得拍攝有上述試樣中之特定之部位之第1類型圖像即第1圖像，並取得表示上述第1圖像中之拍攝有上述特定之部位之區域之第1座標， (B)使用第2拍攝條件，取得拍攝有上述特定之部位之第2類型圖像即第2圖像， (C)藉由將上述第1圖像或上述第2圖像輸入至像質轉換程式，取得1個以上特定之圖像， (D)基於上述特定之圖像，推定上述第1座標與表示上述第2圖像中之拍攝有上述特定之部位之區域之第2座標之差量， (E)基於(D)中推定之差量、及上述第1座標，取得上述第2座標， 其中，(C)中之1個以上之上述特定之圖像之取得具備如下取得處理中之1個以上之取得處理： (1)第1取得處理，其藉由上述像質轉換程式將上述第1圖像自上述第1類型轉換為上述第2類型，設為1個以上之上述特定之圖像； (2)第2取得處理，其藉由上述像質轉換程式，將上述第2圖像自上述第2類型轉換為上述第1類型，設為1個以上之上述特定之圖像；及 (3)第3取得處理，其藉由上述像質轉換程式，將上述第1圖像及上述第2圖像轉換為與上述第1及第2類型不同之第3類型，設為1個以上之上述特定之圖像。 [發明之效果]
根據本發明，藉由可算出使用第1拍攝條件拍攝之圖像與使用第2拍攝條件取得之圖像之位置偏移量，而可利用使用第1拍攝條件拍攝之圖像中之缺陷座標算出使用第2拍攝條件拍攝之圖像中之缺陷座標，因此，於使用第2拍攝條件拍攝之情形時，可不需要調整缺陷檢測用參數，而可提高產能及減輕使用者之負擔。
於將缺陷觀察裝置實用化時，每單位時間能夠取得更多之圖像(產能較高地動作)、及減輕使用者調整參數之負擔較為重要。
但，於對各缺陷藉由ADR實施提取作為觀察對象之缺陷之圖像後，藉由EDS實施作為觀察對象之缺陷之組成之分析等實施複數個處理之情形時，由於拍攝條件之變更及載台移動之誤差等，存在產生拍攝範圍之偏移之可能性。為了防止該位置偏移之產生，需要於各處理中檢測作為觀察對象之缺陷，並進行位置偏移之修正。但，於變更拍攝條件之情形時，由於所獲得之圖像之像質大不相同，故需要對每個拍攝條件調整缺陷檢測用參數。其結果，使用者調整參數之負擔變大。
因此，若可算出第1拍攝條件下(例如，ADR中之拍攝條件下)拍攝之圖像與第2拍攝條件下(例如，EDS之拍攝條件下)取得之圖像之位置偏移量，則可使用第1拍攝條件下之圖像中之缺陷座標算出第2拍攝條件下之圖像中之缺陷座標，於第2拍攝條件下不需要調整缺陷檢測用參數，因此可提高產能及減輕使用者之負擔。
但，於使用SEM取得圖像之情形時，於例如用以觀察缺陷之第1拍攝條件(例如，ADR中之拍攝條件)與用以分析缺陷之第2拍攝條件(例如，EDS之拍攝條件)下，對試樣照射之一次電子之加速能量大不相同。其結果，第1拍攝條件下獲得之圖像與第2拍攝條件下獲得之圖像之像質大不相同，如此，不容易應用算出位置偏移量所需之圖像對位處理。
本發明藉由可算出第1拍攝條件下(例如，ADR中之拍攝條件)拍攝之圖像與第2拍攝條件下(例如，EDS之拍攝條件)取得之圖像之位置偏移量，可利用使用第1拍攝條件拍攝之圖像中之注意區域即缺陷之座標算出使用第2拍攝條件拍攝之圖像中之缺陷座標。藉此，於第2拍攝條件下不需要調整缺陷檢測用參數，而可提高產能及減輕使用者之負擔。
又，本發明為了能夠使用第1拍攝條件下之圖像中之注意區域即缺陷之座標算出第2拍攝條件下之圖像中之缺陷座標，而提高缺陷觀察之產能，構成一種缺陷觀察裝置，其具備：帶電粒子顯微鏡；及控制器，其具有控制該帶電粒子顯微鏡之控制部、記憶部及運算部；藉由控制部於第1條件下控制帶電粒子顯微鏡，取得試樣之觀察對象區域之第1圖像，於運算部，自所取得之第1圖像提取作為觀察對象之注意區域之第1位置資訊，藉由控制部於第2條件下控制帶電粒子顯微鏡，取得試樣之注意區域之第2圖像，於運算部，使用將所取得之第2圖像之畫質記憶於記憶部之畫質轉換處理參數，進行與第1圖像之像質相匹配之像質轉換處理，提取實施了像質轉換處理之第2圖像中之注意區域，分析該提取之注意區域之組成。
以下，基於圖式詳細地對本發明之實施方式進行說明。於用以說明本實施方式之所有圖中，具有相同功能者標附相同符號，原則上省略其重複之說明。
但，本發明並不解釋為限定於以下所示之實施方式之記載內容。業者容易理解，可於不脫離本發明之思想或主旨之範圍內變更其具體之構成。 [實施例1]
於本實施例中，以具備掃描式電子顯微鏡(SEM：Scanning Elecron Microscope)作為拍攝試樣之攝像裝置之缺陷觀察裝置為對象進行說明。但，本實施例之攝像裝置亦可為除SEM以外者，亦可為使用光學顯微鏡或離子等帶電粒子之攝像裝置。又，作為觀察對象之圖像，以拍攝半導體晶圓上之缺陷所得之圖像為對象進行說明，但亦可為拍攝平板顯示器及生物試樣等其他試樣所得之圖像。
圖1表示包含使用本實施例之SEM之攝像裝置101(以下，記為SEM101)之缺陷觀察裝置100之構成(其中，於圖1所示之構成中，省略具備用以以低於SEM101之倍率檢測缺陷之位置之光學顯微鏡之系統之顯示)。缺陷觀察裝置100具備具有進行試樣之拍攝之帶電粒子光學系統之SEM101、及控制系統部120而構成。
SEM101具備如下構件而構成：載台109，其搭載作為觀察對象之試樣晶圓108，可於X-Y平面內或X-Y-Z空間內移動；電子源110，其作為帶電粒子光學系統產生作為照射於試樣晶圓108之帶電粒子束之電子束115；檢測器111，其檢測自經照射電子束115之試樣晶圓108產生之二次電子117、反射電子118及X射線(未圖示)等；電子透鏡(未圖示)，其使電子束115收斂於試樣晶圓108上；及偏向器(未圖示)，其用以於試樣晶圓108上掃描電子束115。
控制系統部120具備：控制部102，其進行整體之控制；記憶部103，其於磁碟及半導體記憶體等記憶資訊；運算部104，其按照程式進行運算；外部記憶介質輸入輸出部105，其進行與連接於裝置之外部之記憶介質之資訊之輸入輸出；使用者介面控制部106，其控制與使用者之資訊之輸入輸出；網路介面部107，其經由網路114與未圖示之缺陷圖像分類裝置等進行通信；分析部112，其分析試樣之組成。
圖2針對控制系統部120之控制部102、記憶部103、運算部104表示本實施例之構成。
控制部102具備整體控制部200、載台控制部201、電子束掃描控制部202、檢測器控制部203、拍攝條件控制部204。
記憶部103具備：圖像記憶部205，其將產生之數位圖像連同附帶資訊一起記憶；圖像拍攝條件記憶部206，其記憶圖像之拍攝條件等；轉換處理參數記憶部207，其記憶像質轉換處理相關之參數；及轉換旗標記憶部208，其記憶實施之像質轉換之轉換源及轉換目標之拍攝條件。
又，運算部104具備：像質轉換處理部209，其基於處理參數使拍攝條件不同之圖像之像質匹配；轉換誤差運算部210，其算出將SEM101之拍攝條件設定為適合ADR之拍攝條件之狀態下拍攝而獲得之第一類型圖像與將於設定為適合EDS之拍攝條件之狀態下拍攝而獲得之第二類型圖像轉換為與第一類型圖像相同之像質之圖像之誤差；轉換處理參數更新部211，其基於藉由該轉換誤差運算部210算出之轉換誤差，更新推定處理之參數；推定誤差算出處理參數更新部212，其基於轉換為第一類型圖像之圖像，更新推定誤差算出處理之參數；圖像處理部213，其處理拍攝而獲得之圖像並進行缺陷位置之提取及缺陷圖像之對位等處理。
又，於使用者介面控制部106連接包括鍵盤、滑鼠、及顯示器1130等之輸入輸出終端113。
關於使用具有圖1及圖2所示之構成之缺陷觀察裝置100之試樣之觀察方法(觀察程序)，使用圖3進行說明。
首先，將成為觀察對象之半導體晶圓(試樣晶圓)108負載於載台109上(S301)。繼而，拍攝條件控制部204自圖像拍攝條件記憶部206讀取與作為觀察對象之試樣晶圓108對應之拍攝條件(S302)。又，拍攝條件控制部204自轉換旗標記憶部208讀取進行像質轉換時之像質轉換源之拍攝條件及像質轉換目標之拍攝條件(S303)。
形成於試樣晶圓108上之半導體圖案係經過多個製造步驟而製造，存在於各步驟中外觀大不相同之情形。進而，存在帶電之難易等試樣之特性亦不同之情形。因此，通常對各經處理之步驟及器件之部位調整拍攝條件並進行記憶。由於同樣之理由，藉由亦針對各拍攝條件及步驟管理記憶於轉換處理參數記憶部207之像質轉換處理參數而提高推定精度。
於讀取拍攝條件與轉換旗標後，整體控制部200判定試樣晶圓108已被處理之步驟與對應於轉換旗標之像質轉換處理參數是否記憶於轉換處理參數記憶部207(S304)。
於藉由整體控制部200判定轉換處理參數記憶部207中未記憶轉換處理參數之情形時(於S304中為「無」之情形時)，藉由下述學習序列學習像質轉換處理參數，記憶於轉換處理參數記憶部207(S305)，並進入下一步驟S306。
另一方面，於藉由整體控制部200判定轉換處理參數記憶部207中記憶有像質轉換處理參數之情形時(於S304中為「有」之情形時)，自轉換處理參數記憶部207讀取像質轉換處理參數(S306)。
繼而，使用SEM101，於ADR用拍攝條件下依次拍攝試樣晶圓108上之觀察對象區域，進行一系列之觀察。
於該一系列之觀察中，首先，藉由載台控制部201控制載台109，以試樣晶圓108上之觀察對象區域包含於SEM101之拍攝視野之方式調整(S307)。繼而，藉由電子束掃描控制部202控制SEM101，將電子束115照射至試樣晶圓108上並進行掃描。自經照射電子束115之觀察對象區域產生之二次電子117及反射電子118藉由由檢測器控制部203控制之檢測器111檢測。
來自檢測出二次電子117及反射電子118之檢測器111之檢測信號輸入至圖像處理部213並進行處理，取得觀察對象區域之圖像(數位圖像)(S308)。所取得之觀察對象區域之圖像記憶於圖像記憶部205。
進而，藉由圖像處理部213處理於S308中取得之圖像，自數位圖像提取缺陷之座標p1(S309)。繼而，使用所提取之缺陷之座標p1之資訊，藉由電子束掃描控制部202控制SEM101，取得高倍率之缺陷圖像(S310)。所取得之高倍率之缺陷圖像記憶於圖像記憶部205。
對試樣晶圓108之複數個觀察對象區域重複執行以上之S307至S310之拍攝處理。再者，觀察對象區域例如可為包含藉由未圖示之光學式缺陷檢查裝置預先檢測之缺陷部位之區域，亦可為使用者指定之區域。
繼而，於EDS用拍攝條件下依次拍攝，進行一系列之觀察。首先，藉由載台控制部201控制載台109，以試樣晶圓108上之觀察對象區域包含於SEM101之拍攝視野之方式調整(S311)。
繼而，基於記憶於圖像拍攝條件記憶部206之圖像拍攝條件，藉由電子束掃描控制部202將SEM101之電子束115之照射條件(電子束115之加速電壓等)設定為EDS用條件，將電子束115照射至試樣晶圓108上並進行掃描。
藉由由檢測器控制部203控制之檢測器111，對自經照射設定為EDS用條件之電子束115之觀察對象區域產生之二次電子117及反射電子118進行檢測，藉由圖像處理部213進行處理，取得觀察對象區域之圖像(數位圖像)(S312)。所取得之觀察對象區域之圖像記憶於圖像記憶部205
但由於載台109之控制誤差等而產生位置偏移，因此，存在如下情形：S309中自於ADR用拍攝條件下拍攝而獲得之圖像提取之缺陷位置與S312中於EDS用拍攝條件下拍攝而獲得之圖像之缺陷位置不同。因此，需要提取S312中於EDS用拍攝條件下拍攝而獲得之圖像內之缺陷位置。
因此，為了使S312中於EDS用拍攝條件下拍攝而獲得之圖像與包含同一缺陷之S308中於ADR用拍攝條件下拍攝而獲得之數位圖像之像質匹配，於像質轉換處理部209，使用記憶於轉換處理參數記憶部207之轉換處理參數，進行記憶於圖像記憶部205之圖像之像質轉換處理(S313)。
繼而，利用藉由以像質轉換處理部209實施像質轉換處理而像質轉換之圖像，於圖像處理部213，進行S312中於EDS用拍攝條件下拍攝而取得之圖像與S308中於ADR用拍攝條件下拍攝而取得之包含同一缺陷之圖像之對位，算出位置偏移量Δ(S314)。
繼而，於圖像處理部213，基於S309中自於ADR用拍攝條件下拍攝而獲得之圖像提取之缺陷座標、及S314中算出之位置偏移量Δ，提取於ADR用拍攝條件下拍攝而獲得之圖像中之缺陷位置(S315)。繼而，於藉由電子束掃描控制部202將電子束115之照射條件設定為EDS用條件之狀態下，對S315中提取之缺陷位置照射電子束115。藉由由檢測器控制部203控制之檢測器111對自該經照射電子束115之缺陷位置產生之X射線進行檢測。根據藉由該檢測器111檢測之X射線光譜，藉由分析部112進行組成分析(S316)。
對試樣晶圓108之複數個觀察對象區域重複執行以上之S311至S316之處理。再者，觀察對象區域與圖3之(a)之觀察對象區域相同。
又，學習序列(S305)之執行亦可根據通過使用者介面控制部106之輸入輸出終端113之顯示器1130中顯示之GUI(Graphic User Interface，圓形使用者介面)等之使用者指示適當執行。
又，於像質轉換處理部209進行之像質轉換處理(S313)係實施將S308中取得之圖像之像質轉換為S312中取得之圖像之像質之處理、或將S312中取得之圖像之像質轉換為S308中取得之圖像之像質之處理。
S305中之學習序列如圖4所示，係指學習用圖像之取得(S401)與推定處理參數學習(S402)之一系列之流程。
S401中之學習用圖像之取得係針對試樣晶圓108，於ADR用拍攝條件下與EDS用拍攝條件下取得複數張圖像之處理。使用圖5對該處理之流程進行說明。
首先，藉由整體控制部200設定自試樣晶圓108取得學習用圖像之區域(S501)。其可對提供之觀察對象區域進行取樣並提取，亦可於試樣面內隨機設定。繼而，基於記憶於圖像拍攝條件記憶部206之資料，藉由拍攝條件控制部204設定為ADR用拍攝條件(S502)。繼而。以該設定之學習用圖像之取得區域包含於SEM101之拍攝視野之方式，藉由載台控制部201控制載台109，進行載台移動(S503)。
繼而，藉由電子束掃描控制部202控制SEM101，以電子束115掃描學習用圖像之取得區域，藉由檢測器111對自學習用圖像之取得區域產生之二次電子117及反射電子118進行檢測。藉由圖像處理部213對來自檢測出二次電子117及反射電子118之該檢測器111之輸出信號進行處理，進行ADR用圖像之取得(S504)。重複進行載台移動(S503)及ADR用圖像之取得(S504)，取得S501中設定之區域之圖像後，將圖像記憶於圖像記憶部205。
結束取得設定之區域之圖像後，繼而，基於記憶於圖像拍攝條件記憶部206之資料，藉由拍攝條件控制部204切換至EDS用拍攝條件(S505)。繼而，以該設定之學習用圖像之取得區域包含於SEM101之拍攝視野之方式藉由載台控制部201控制載台109，進行載台移動(S506)。
繼而，藉由電子束掃描控制部202控制SEM101，以電子束掃描學習用圖像之取得區域，藉由檢測器111對自學習用圖像之取得區域產生之二次電子117及反射電子118進行檢測。藉由圖像處理部213對來自檢測出二次電子117及反射電子118之該檢測器111之輸出信號進行處理，藉由SEM101拍攝學習用圖像之取得區域，進行EDS用圖像之取得(S507)。重複進行載台移動(S506)及EDS用圖像之取得(S507)，取得S501中設定之區域之圖像後，將圖像記憶於圖像記憶部205。
再者，ADR用圖像與EDS用圖像之取得區域可相同，亦可不同。又，ADR用圖像與EDS用圖像之拍攝順序無關緊要，亦可交替取得。
繼而進行推定處理參數之學習(S402)。 沿著圖6對S402中之推定處理參數學習之詳細之處理流程進行說明。
首先，對S401中拍攝而獲得之所有圖像，於圖像處理部213，進行去除雜訊等圖像預處理(S601)。
繼而，藉由轉換處理參數更新部211將推定處理之參數與誤差算出處理之參數初始化(S602)。此時，亦可自轉換處理參數記憶部207讀出以前學習之推定處理之參數及誤差算出處理之參數用作初始值。
繼而，基於在轉換處理參數更新部211更新之轉換處理參數，藉由像質轉換處理部209進行自於EDS用拍攝條件下取得之圖像向於ADR用拍攝條件下取得之圖像之像質之轉換(S603)，藉由轉換誤差運算部210算出轉換誤差(S604)，以S604中算出之轉換誤差變小之方式於轉換處理參數更新部211更新轉換處理參數(S605)。藉由重複以上之S603～S605處理進行學習。最後，將所獲得之參數連同拍攝條件等附帶資訊一起記憶於轉換處理參數記憶部207(S606)。
作為自EDS用圖像向ADR用圖像之像質之轉換之一方法，使用非專利文獻1中記載之神經網路即可。具體而言，如圖7所示，使用如下神經網路即可：神經網路A：701，其進行自EDS實際圖像711向ADR畫質轉換圖像712像質之轉換；神經網路B：702，其識別藉由神經網路A：701自EDS實際圖像711轉換之ADR畫質轉換圖像712與ADR實際圖像713；神經網路C：703，其將像質自ADR實際圖像713轉換為EDS畫質轉換圖像714；及神經網路D：704，其識別藉由神經網路C：703自ADR實際圖像713轉換之EDS畫質轉換圖像714與EDS實際圖像711。
於轉換誤差算出(S604)中，藉由轉換誤差運算部210算出各神經網路之誤差。神經網路A：701之誤差使用將藉由神經網路A：701自EDS實際圖像711轉換之ADR畫質轉換圖像712輸入神經網路B：702時之輸出值、及藉由神經網路C：703轉換藉由神經網路A：701自EDS實際圖像711轉換之ADR畫質轉換圖像712之EDS畫質轉換圖像714與作為原圖像之EDS實際圖像711之差。
藉由於誤差之算出中使用EDS畫質轉換圖像714與作為原圖像之EDS實際圖像711之差，該EDS畫質轉換圖像714係藉由神經網路C：703將已藉由神經網路A：701自EDS實際圖像711轉換之ADR畫質轉換圖像712圖像轉換所得，而可學習在保存足以重建原圖像之資訊之同時進行像質之轉換。
於神經網路B：702中，輸入將EDS實際圖像711藉由神經網路A：701轉換所得之ADR畫質轉換圖像712與ADR實際圖像713中之任一者，於輸入ADR畫質轉換圖像712之情形時將(1-輸出值)設為誤差，於輸入ADR實際圖像713之情形時將(輸出值)設為誤差，藉此，可學習於輸入ADR畫質轉換圖像712時輸出1，於輸入ADR實際圖像713時輸出0。
神經網路C：703之誤差係使用將已藉由神經網路C：703自ADR實際圖像713轉換之EDS畫質轉換圖像714輸入至神經網路D：704時的輸出值、及ADR畫質轉換圖像712與作為原圖像之ADR實際圖像713之差，該ADR畫質轉換圖像712係藉由神經網路A：701將已藉由神經網路C：703自ADR實際圖像713轉換之EDS畫質轉換圖像714轉換所得。
於神經網路D：704中，輸入由ADR實際圖像713已藉由神經網路C：703轉換所得之EDS畫質轉換圖像714與EDS實際圖像711中之任一者，於輸入EDS畫質轉換圖像714之情形時將(1-輸出值)設為誤差，於輸入EDS實際圖像711之情形時將(輸出值)設為誤差，藉此，可學習於輸入EDS畫質轉換圖像714時輸出1，於輸入EDS實際圖像711時輸出0。
又，學習神經網路B：702、D：704時之誤差若可學習於轉換後輸入圖像之情形時輸出值大、於輸入實際圖像之情形時輸出值小，則亦可為其他值。
於轉換處理參數更新(S605)中，神經網路之學習中使用一般之誤差反向傳播法即可。又，於算出推定誤差時，亦可使用取得之所有學習用圖像對(ADR圖像與EDS圖像之組合)，但亦可採用小批次方式。即，亦可自學習用圖像對中隨機選取數張圖像，重複執行更新參數。又，學習神經網路A：701～D：704之順序及頻率無關緊要。例如，亦可以神經網路B：702、D：704之學習次數之2倍之次數學習神經網路A：701、C：703。
又，於使用拍攝範圍相同之ADR圖像與EDS用圖像之情形時，可僅學習神經網路A：701，亦可僅學習神經網路A：701、B：702。作為僅學習神經網路A：701之一方法，使用專利文獻1中記載之方法即可。
又，作為學習神經網路A：701、B：702之一方法，使用非專利文獻2中記載之神經網路即可。具體而言，於神經網路A：701之轉換誤差中使用藉由神經網路A：701轉換EDS用圖像所得之圖像與成對之ADR用圖像之差量、及轉換後將圖像輸入至神經網路B：702時之輸出值即可。
藉由將以上之S603～S605之處理重複預先設定之指定次數而進行學習。但亦可根據所獲得之轉換誤差而於中途結束重複處理。最後將所獲得之推定處理參數連同步驟名等附帶資訊一起記憶於轉換處理參數記憶部207並保存(S606)。
於S313之像質轉換處理中使用神經網路A：701即可。但，本實施例係於將EDS用圖像轉換為ADR用圖像之像質之前提下記述，但於使ADR用圖像與EDS用圖像之像質匹配時，可考慮如下3種方法：將ADR用圖像轉換為EDS用圖像之像質、將EDS用圖像轉換為ADR用圖像之像質、將ADR用圖像與EDS用圖像轉換為第3像質。
並且，於使用能夠於多種多樣之拍攝條件下觀察具有多種多樣之構造之試樣之SEM之情形時，假定適合算出位置偏移量之轉換方法不同。因此，亦可對各輸入圖像判定對算出位置偏移量有效之轉換方法，亦可實施2種以上轉換方法進行綜合判斷，亦可實施由GUI等指定之轉換方法。
再者，第3像質之圖像不僅為第3拍攝條件下之圖像，亦可為模擬圖像等除藉由本缺陷觀察裝置取得之圖像以外者。又，向第3像質之轉換亦可不進行第3像質之圖像之取得及機械學習，而應用邊緣提取、陰影修正、雜訊去除、對比度調整等圖像處理來匹配像質。再者，對算出上述位置偏移量有效之轉換方法係指對圖像間之對位有效之圖像中之圖案形狀及缺陷部位在轉換後之圖像中清晰。
繼而，對本實施例之GUI進行說明。首先，於學習用圖像取得步驟S500中，具備用以設定ADR圖像、EDS圖像、第3像質之圖像之取得條件之GUI：800(圖8)。
又，亦可具備用以針對第3像質之圖像設定為使用另一試樣之圖像及模擬圖像等事先準備之圖像之GUI。對通過本GUI：800於「拍攝條件」801之欄中設定之每個項目設定「ADR」802之拍攝條件、「EDS」803之拍攝條件、「第3」圖像804之拍攝條件、「使用之圖像轉換」810後，按下「開始學習」按鈕805，藉此可執行S305之學習序列。
於在「拍攝條件」801之欄設定之項目中，具有於S502或S505中設定之藉由SEM101照射至試樣晶圓108之電子束115之電流即探針電流、用以加速電子之加速電壓、累計圖框數等。
又，若於正執行學習序列時按下「取消」按鈕806，則可中斷學習序列。進而，於GUI：800顯示設定學習用圖像取得張數之輸入部807、設定最大重複數之輸入部808。
又，於向第3像質之轉換進行圖像處理之情形時，於GUI：800具備用以設定圖像處理參數之GUI，無需學習向第3像質之轉換。
又，若按下「確認轉換」按鈕809，則切換至如圖9所示之畫面(GUI)900。於該畫面900上顯示通道選擇部901、圖像ID選擇按鈕902、轉換處理選擇按鈕903、「執行」按鈕(OK按鈕)904、圖像顯示區域905、對位結果顯示區域906。
於通道選擇部901，指定二次電子像(SE)及反射電子像(BSE)等圖像之種類。圖像ID選擇按鈕902指定記憶於圖像記憶部205之圖像之編號。
轉換處理選擇按鈕903針對於圖像顯示區域905顯示之ADR用拍攝條件下取得之圖像及EDS用拍攝條件下取得之圖像，選擇轉換哪一個圖像。
即，選擇如下中之任一者：將於ADR用拍攝條件下取得之圖像轉換為於EDS用拍攝條件下取得之圖像之像質，將於EDS用拍攝條件下取得之圖像轉換為於ADR用拍攝條件下取得之圖像之像質，將於EDS用拍攝條件下取得之圖像與ADR用拍攝條件下取得之圖像轉換為第3像質。
於圖9所示之例中，表示選擇將於EDS用拍攝條件下取得之圖像轉換為於ADR用拍攝條件下取得之圖像之像質之狀態。
若按下「執行」按鈕904，則使用轉換參數執行對指定之圖像ID之轉換處理及對位處理。於圖像顯示區域905顯示於ADR用拍攝條件下取得之圖像、於EDS用拍攝條件下取得之圖像、及藉由由轉換處理選擇按鈕903選擇之轉換方法畫質轉換之圖像(於圖9所示之例中，為將於EDS用拍攝條件下取得之圖像轉換為於ADR用拍攝條件下取得之圖像之像質之圖像)。
於對位結果顯示區域906顯示對位處理結果。亦可連同對位結果一起顯示對位時使用之相關值等。
又，本實施例係於執行ADR後進行EDS之前提下記述，但可於執行ADR後變更拍攝條件並再次進行ADR，亦可進行需要缺陷位置之另一缺陷觀察流程。
如以上所說明，根據本實施例，分別於ADR之拍攝條件與EDS之拍攝條件下預先取得學習用圖像，該取得之學習用圖像中，例如藉由對以使EDS之拍攝條件下取得之圖像之像質於對應之位置與ADR之拍攝條件下取得之圖像之像質相匹配的方式轉換像質之轉換處理參數進行調整(反之，藉由對以使ADR之拍攝條件下取得之圖像之像質於對應之位置與EDS之拍攝條件下取得之圖像之像質相匹配之方式轉換像質之轉換處理參數進行調整)，於缺陷觀察時，可省去一一調整轉換處理參數之工夫。
根據本實施例，藉由可算出第1拍攝條件下(例如ADR)拍攝之圖像與第2拍攝條件下(例如EDS)取得之圖像之位置偏移量，可使用第1拍攝條件下之圖像中之缺陷座標算出第2拍攝條件下之圖像中之缺陷座標，於第2拍攝條件下無需調整缺陷檢測用參數而可進行缺陷之分析，藉此，可提高包含缺陷之分析之缺陷觀察之產能及減輕使用者之負擔。 [實施例2]
於實施例1中，於圖6所示之畫質轉換處理方法之步驟S603中，作為自EDS實際圖像轉換為ADR畫質轉換圖像之畫質之方法，對使用圖7所示之神經網路之方法進行說明，但於本實施例中，對使用捲積神經網路之方法進行說明。於本實施例中，除自EDS實際圖像轉換為ADR畫質轉換圖像之畫質之方法以外，與實施例1中說明者相同，因此省略說明。
作為代替實施例1之圖6之畫質轉換處理之步驟S603中之自EDS實際圖像轉換為ADR畫質轉換圖像之畫質之方法的畫質轉換方法，於本實施例中，使用如圖10所示之捲積神經網路1001～1003。此處，Y：1011表示EDS實際圖像，F1(Y)：1012、F2(Y)：1013表示中間資料，F(Y)：1014為ADR畫質轉換圖像之推定結果。
中間資料與最終結果藉由下述數式(數1)～(數3)算出。其中，於(數1)～(數3)中，“＊”表示捲積運算。此處，W1為n1個c0×f1×f1尺寸之濾波器，c0表示輸入圖像之通道數，f1表示空間濾波器之尺寸。藉由於輸入圖像捲積n1次c0×f1×f1尺寸之濾波器，獲得n1維之特徵圖。
B1為n1維之向量，且為與n1個濾波器對應之偏壓成分。同樣地，W2為n1×f2×f2尺寸之濾波器，B2為n2維之向量，W3為n2×f3×f3尺寸之濾波器，B3為c3維之向量。
F1(Y)＝max(0、W1＊Y＋B1)･･･(數1) F2(Y)＝max(0、W2＊F1(Y)＋B2)･･･(數2) F(Y)＝W3＊F2(Y)＋B3･･･(數3) 其中，c0與c3為由EDS實際圖像與ADR畫質轉換圖像之通道數決定之值。又，f1、f2、n1、n2為於學習序列前使用者確定之超參數，例如設為f1＝9、f2＝5、n1＝128、n2＝64即可。於與實施例1中說明之圖4之推定處理參數學習(S402)對應之處理中調整之參數為W1、W2、W3、B1、B2、B3。
再者，亦可使用其他構成作為以上所示之捲積神經網路之構成。例如，亦可變更層數，亦可使用4層以上之網路等。
於與實施例1中說明之圖6之推定處理參數更新處理(S605)對應之處理中，於神經網路之學習中使用一般之誤差反向傳播法即可。
又，於算出推定誤差時，亦可使用取得之所有學習用圖像對，但亦可採用小批次方式。即，亦可自學習用圖像對中隨機選取數張圖像，重複執行更新參數。
進而，亦可自一個圖像對中隨機切出補丁圖像，作為神經網路之輸入圖像Y。藉此，可有效率地進行學習。
與實施例1中說明之圖6之轉換誤差算出處理(S604)對應之處理為對推定結果F(Y)與高畫質圖像之差異(誤差)進行評價之處理，以本處理中求出之推定誤差變小之方式進行參數之更新。作為將圖像間之差異(誤差)定量化之方法，使用平均平方誤差(Measn Square Error)等即可。
根據本實施例，藉由使缺陷觀察裝置具備以上說明之處理功能，可自高產能拍攝條件下拍攝之劣化圖像推定高畫質圖像，於用以取得高畫質圖像之條件下使用SEM101對試樣晶圓108進行拍攝，無需花費相對較長之時間取得高畫質圖像，因此可兼顧高產能化與高畫質化。
即，上述實施例1與實施例2中記載之缺陷觀察裝置具備：帶電粒子顯微鏡，其具有：載置試樣之載台、對載置於該載台之試樣掃描並照射帶電粒子束之帶電粒子束源、及對自藉由該帶電粒子束源掃描並照射帶電粒子束之試樣產生的二次帶電粒子進行檢測之檢測器；及控制器，其具有：控制該帶電粒子顯微鏡之控制部、記憶包含藉由該控制部控制帶電粒子顯微鏡之資訊在內的資訊之記憶部、對藉由帶電粒子顯微鏡取得之試樣之圖像進行處理之運算部、及基於自藉由帶電粒子顯微鏡檢測之試樣產生之二次帶電粒子之檢測信號對試樣進行分析之分析部；且以如下方式構成缺陷觀察裝置：藉由控制部於第1條件下控制帶電粒子顯微鏡，取得試樣之觀察對象區域之第1圖像，於運算部，自所取得之第1圖像提取觀察對象區域之第1位置資訊，藉由控制部於第2條件下控制帶電粒子顯微鏡，取得試樣之觀察對象區域之第2圖像，於運算部，使用將所取得之第2圖像之畫質記憶於記憶部之畫質轉換處理參數，進行與第1圖像之像質相匹配之像質轉換處理，對實施了像質轉換處理之第2圖像進行處理。
並且，控制部使用自第1圖像提取之觀察對象區域之第1位置資訊對實施了像質轉換處理之第2圖像進行處理，自實施了像質轉換處理之第2圖像提取觀察對象區域。
又，控制部基於藉由運算部提取之觀察對象區域之第1位置資訊，於第3條件下控制帶電粒子顯微鏡，取得較試樣之觀察對象區域之第1圖像高倍率之第3圖像，分析部基於自實施了像質轉換處理之第2圖像提取之觀察對象區域之資訊，對觀察對象區域之組成進行分析。
又，使用上述實施例1與實施例2中記載之帶電粒子顯微鏡裝置之缺陷觀察方法係藉由帶電粒子顯微鏡裝置之控制部於第1條件下控制帶電粒子顯微鏡，取得試樣之觀察對象區域之第1圖像，於帶電粒子顯微鏡裝置之運算部，自所取得之第1圖像提取觀察對象區域之第1位置資訊，藉由控制部於第2條件下控制帶電粒子顯微鏡，取得試樣之觀察對象區域之第2圖像，於運算部，使用將所取得之第2圖像之畫質記憶於記憶部之轉換處理參數，進行與第1圖像之像質相匹配之像質轉換處理，對實施了該像質轉換處理之第2圖像進行處理。
以上，基於實施例具體地對由本發明者完成之發明進行了說明，但本發明並不限定於上述實施例，當然，可於不脫離其主旨之範圍內進行各種變更。例如，上述實施例係為了以容易理解之方式說明本發明而詳細說明者，並不一定限定於具備所說明之所有構成。又，關於各實施例之構成之一部分，可追加、刪除、置換其他構成。
100:缺陷觀察裝置 101:攝像裝置(SEM) 102:控制部 103:記憶部 104:運算部 105:外部記憶介質輸入輸出部 106:使用者介面控制部 107:網路介面部 108:試樣晶圓 109:載台 110:電子源 111:檢測器 112:分析部 113:輸入輸出終端 114:網路 115:電子束 117:二次電子 118:反射電子 120:控制系統部 200:整體控制部 201:載台控制部 202:電子束掃描控制部 203:檢測器控制部 204:拍攝條件控制部 205:圖像記憶部 206:圖像拍攝條件記憶部 207:轉換處理參數記憶部 208:轉換旗標記憶部 209:像質轉換處理部 210:轉換誤差運算部 211:轉換處理參數更新部 212:推定誤差算出處理參數更新部 213:圖像處理部 701:神經網路A 702:神經網路B 703:神經網路C 704:神經網路D 711:EDS實際圖像 712:ADR畫質轉換圖像 713:ADR實際圖像 714:EDS畫質轉換圖像 800:GUI 801:「拍攝條件」 802:ADR 803:EDS 804:「第3」圖像 805:「開始學習」按鈕 806:「取消」按鈕 807:輸入部 808:輸入部 809:「確認轉換」按鈕 810:「使用之圖像轉換」 900:畫面 901:通道選擇部 902:圖像ID選擇按鈕 903:轉換處理選擇按鈕 904:「執行」按鈕(OK按鈕) 905:圖像顯示區域 906:對位結果顯示區域 1001～1003:捲積神經網路 1130:顯示器 c0:通道數 F1(Y)：1012:中間資料 F2(Y)：1013:中間資料 F(Y)：1014:ADR畫質轉換圖像之推定結果 S301～S316:步驟 S401～S402:步驟 S501～S507:步驟 S601～S606:步驟 W1:濾波器 W2:濾波器 W3:濾波器 Y：1011:EDS實際圖像
圖1係表示實施例1之缺陷觀察裝置之概略構成之方塊圖。 圖2係表示實施例1之缺陷觀察裝置之控制部、記憶部及運算部之內部構成之方塊圖。 圖3係表示實施例1之缺陷觀察方法之處理流程之流程圖。 圖4係表示實施例1之學習序列之處理流程之流程圖。 圖5係表示實施例1之學習序列中學習用圖像取得步驟之詳細之處理流程之流程圖。 圖6係表示實施例1之學習序列中推定處理參數學習步驟之詳細之處理流程之流程圖。 圖7係表示實施例1之缺陷觀察裝置之神經網路之構成之方塊圖。 圖8係表示實施例1之缺陷觀察裝置之GUI之一例之畫面之前視圖。 圖9係表示實施例1之缺陷觀察裝置之轉換確認畫面之一例之畫面之前視圖。 圖10係表示實施例2之缺陷觀察裝置之神經網路之構成之方塊圖。
S301~S316:步驟

Claims (15)

  1. 一種缺陷觀察裝置，其係具備帶電粒子顯微鏡、及控制器者， 上述帶電粒子顯微鏡具備照射對試樣照射之觀察用能量之能量源、載置試樣之載台、及檢測器， 上述控制器係 (A)使用第1拍攝條件，取得拍攝有上述試樣中之特定之部位之第1類型圖像即第1圖像，並取得表示上述第1圖像中之拍攝有上述特定之部位之區域之第1座標； (B)使用第2拍攝條件，取得拍攝有上述特定之部位之第2類型圖像即第2圖像； (C)藉由將上述第1圖像或上述第2圖像輸入至像質轉換程式，取得1個以上之上述特定之部位之圖像； (D)基於上述特定之部位之圖像，推定上述第1座標與表示上述第2圖像中之拍攝有上述特定之部位之區域之第2座標之差量；及 (E)基於(D)中推定之差量、及上述第1座標，取得上述第2座標， 其中，(C)中之1個以上之上述特定之圖像之取得具備如下取得處理中之1個以上取得處理： (1)第1取得處理，其藉由上述像質轉換程式，將上述第1圖像自上述第1類型轉換為上述第2類型，設為1個以上之上述特定之圖像； (2)第2取得處理，其藉由上述像質轉換程式，將上述第2圖像自上述第2類型轉換為上述第1類型，設為1個以上之上述特定之圖像；及 (3)第3取得處理，其藉由上述像質轉換程式，將上述第1圖像及上述第2圖像轉換為與上述第1類型及上述第2類型不同之第3類型，設為1個以上之上述特定之圖像。
  2. 如請求項1之缺陷觀察裝置，其中上述控制器可對上述第1取得處理至上述第3取得處理之至少2個以上進行處理， 上述控制器係 (F)接收用以自上述第1取得處理至上述第3取得處理之至少2個以上選擇任一個以上之取得處理之操作指示。
  3. 如請求項1之缺陷觀察裝置，其中上述控制器可對上述第1取得處理至上述第3取得處理之至少2個以上進行處理， 上述控制器係 (G)基於特定之基準，自上述第1取得處理至上述第3取得處理之至少2個以上選擇任一個以上之取得處理。
  4. 如請求項2或3之缺陷觀察裝置，其中於上述第1拍攝條件與上述第2拍攝條件下，上述能量源之加速電壓、探針電流中之任一個以上不同。
  5. 如請求項4之缺陷觀察裝置，其中上述第1取得處理及上述第2取得處理使用基於事先取得之上述第1類型圖像與上述第2類型圖像藉由機械學習而獲得之參數。
  6. 如請求項5之缺陷觀察裝置，其中上述第3取得處理使用利用上述第3類型圖像藉由機械學習而獲得之參數。
  7. 如請求項6之缺陷觀察裝置，其中上述第3類型圖像為藉由上述第3取得處理而取得之圖像、或模擬圖像、或利用其他裝置取得之圖像中之任一個。
  8. 如請求項5之缺陷觀察裝置，其中上述第3取得處理係對上述第1類型及上述第2類型圖像藉由圖像處理明確對對位有效之資訊。
  9. 一種缺陷觀察裝置，其係具備帶電粒子顯微鏡、及控制器者， 上述帶電粒子顯微鏡具備照射對試樣照射之觀察用能量之能量源、載置試樣之載台、及檢測器， 上述控制器係 (A)使用第1拍攝條件，取得拍攝有上述試樣中之特定之部位之第1圖像，並取得表示上述第1圖像中之拍攝有上述特定之部位之區域之第1座標； (B)使用第2拍攝條件，取得拍攝有上述特定之部位之第2圖像； (C)藉由將上述第1圖像或上述第2圖像輸入至機械學習程式，取得1個以上之上述特定之部位之圖像； (D)基於上述特定之部位之圖像，推定上述第1座標與表示上述第2圖像中之拍攝有上述特定之部位之區域之第2座標之差量；及 (E)基於(D)中推定之差量、及上述第1座標，取得上述第2座標； 其中，上述機械學習程式使用如下樣本圖像進行學習： (C1)第1樣本圖像，其以與上述試樣不同之樣本試樣為對象，使用上述第1拍攝條件拍攝所得；及 (C2)第2樣本圖像，其以上述樣本試樣為對象，使用上述第2拍攝條件拍攝所得。
  10. 如請求項9之缺陷觀察裝置，其中上述能量源係帶電粒子光學系統，其照射帶電粒子束，該帶電粒子束收斂於被載置於載台之上述試樣，上述檢測器對自藉由上述帶電粒子光學系統照射上述已收斂之帶電粒子束之上述試樣產生的二次帶電粒子進行檢測，上述控制器控制上述帶電粒子光學系統，使用上述第1拍攝條件取得上述第1圖像，並且使用與上述第1拍攝條件不同之上述第2拍攝條件取得上述第2圖像。
  11. 如請求項10之缺陷觀察裝置，其中上述控制器自所取得之上述第1圖像提取注意區域，上述控制器進而控制上述帶電粒子光學系統，取得自上述第1圖像提取之上述注意區域之詳細之圖像。
  12. 如請求項10之缺陷觀察裝置，其中上述控制器控制上述帶電粒子光學系統，於上述第1拍攝條件與上述第2拍攝條件下，改變對上述試樣照射之上述帶電粒子束之加速電壓或探針電流中之任一個以上。
  13. 如請求項10之缺陷觀察裝置，其中上述控制器使用上述機械學習程式，進行使所取得之上述第2圖像之畫質與所取得之上述第1圖像之畫質相匹配之像質轉換處理，針對實施了上述像質轉換處理之圖像中與自上述第1圖像提取之注意區域對應之位置，算出相對於上述注意區域之位置偏移量，基於上述算出之位置偏移量，提取實施了上述像質轉換處理之圖像中與自上述第1圖像提取之注意區域對應之注意區域。
  14. 如請求項13之缺陷觀察裝置，其中上述控制器控制上述帶電粒子光學系統，對自實施了上述像質轉換處理之圖像提取之上述注意區域照射上述帶電粒子束，接收藉由上述檢測器檢測自經照射上述帶電粒子束之上述注意區域產生之二次帶電粒子所得之信號，分析經照射上述帶電粒子束之上述注意區域之組成。
  15. 如請求項9之缺陷觀察裝置，其中上述控制器所控制之上述第1拍攝條件為用以進行缺陷圖像自動收集處理之拍攝條件， 上述控制器所控制之上述第2拍攝條件為用以分析上述特定之部位之組成並自動對上述第2圖像進行分類處理之拍攝條件。
TW109109553A 2019-04-19 2020-03-23 缺陷觀察裝置 TWI724827B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019079938A JP7203678B2 (ja) 2019-04-19 2019-04-19 欠陥観察装置
JP2019-079938 2019-04-19

Publications (2)

Publication Number Publication Date
TW202040713A TW202040713A (zh) 2020-11-01
TWI724827B true TWI724827B (zh) 2021-04-11

Family

ID=72830830

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109109553A TWI724827B (zh) 2019-04-19 2020-03-23 缺陷觀察裝置

Country Status (4)

Country Link
US (1) US11177111B2 (zh)
JP (1) JP7203678B2 (zh)
KR (1) KR102350416B1 (zh)
TW (1) TWI724827B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020211900A1 (de) * 2019-09-25 2021-03-25 Hitachi High-Tech Science Corporation Ladungsträgerstrahlvorrichtung
TWI765475B (zh) * 2020-12-16 2022-05-21 鴻海精密工業股份有限公司 圖像瑕疵檢測方法、裝置、電腦裝置及介質
JP2023012844A (ja) * 2021-07-14 2023-01-26 株式会社日立ハイテク 試料観察装置、試料観察方法、およびコンピュータシステム
JP7307770B2 (ja) * 2021-07-20 2023-07-12 日本電子株式会社 分析装置および画像処理方法
JPWO2023007607A1 (zh) * 2021-07-28 2023-02-02
WO2024083437A1 (en) * 2022-10-21 2024-04-25 Asml Netherlands B.V. Defect map based d2d alignment of images for machine learning training data preparation

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012153456A1 (ja) * 2011-05-10 2012-11-15 株式会社 日立ハイテクノロジーズ 欠陥レビュー装置
TW201430768A (zh) * 2013-01-30 2014-08-01 Hitachi High Tech Corp 缺陷觀察方法及缺陷觀察裝置
US20150286001A1 (en) * 2014-04-08 2015-10-08 Hitachi High-Technologies Corporation Defect Review Apparatus, Defect Review Method
TW201741651A (zh) * 2016-05-24 2017-12-01 日立全球先端科技股份有限公司 缺陷分類裝置及缺陷分類方法
TW201843692A (zh) * 2017-02-20 2018-12-16 日商日立全球先端科技股份有限公司 樣品觀察裝置及樣品觀察方法
TW201907152A (zh) * 2017-05-15 2019-02-16 美商克萊譚克公司 用於重複缺陷分析之相對缺陷位置之高精準度
TW201913241A (zh) * 2017-09-11 2019-04-01 王楨坤 對準誤差補償模組、對準誤差補償計算系統及微影裝置
TW201915792A (zh) * 2017-10-05 2019-04-16 敖翔科技股份有限公司 智慧型的缺陷校正系統與其實施方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408219B2 (en) 1998-05-11 2002-06-18 Applied Materials, Inc. FAB yield enhancement system
JP2001256480A (ja) 2000-03-09 2001-09-21 Hitachi Ltd 画像自動分類方法及び装置
US6678404B1 (en) 2000-10-31 2004-01-13 Shih-Jong J. Lee Automatic referencing for computer vision applications
JP3980856B2 (ja) 2001-09-27 2007-09-26 日本電子株式会社 電子顕微鏡における分析方法
JP3993817B2 (ja) 2002-12-11 2007-10-17 株式会社日立製作所 欠陥組成分析方法及び装置
JP4443270B2 (ja) 2003-03-12 2010-03-31 株式会社日立ハイテクノロジーズ 欠陥分類方法
US7756320B2 (en) 2003-03-12 2010-07-13 Hitachi High-Technologies Corporation Defect classification using a logical equation for high stage classification
WO2006044426A2 (en) 2004-10-12 2006-04-27 Kla-Tencor Technologies Corp. Computer-implemented methods and systems for classifying defects on a specimen
JP2006268825A (ja) 2005-02-28 2006-10-05 Toshiba Corp オブジェクト検出装置、学習装置、オブジェクト検出システム、方法、およびプログラム
JP5075111B2 (ja) 2008-12-29 2012-11-14 株式会社日立ハイテクノロジーズ 画像分類基準更新方法、プログラムおよび画像分類装置
JP2011155123A (ja) 2010-01-27 2011-08-11 Kyocera Corp 積層セラミックコンデンサ
US8452718B2 (en) 2010-06-10 2013-05-28 Tokyo Electron Limited Determination of training set size for a machine learning system
JP5715873B2 (ja) 2011-04-20 2015-05-13 株式会社日立ハイテクノロジーズ 欠陥分類方法及び欠陥分類システム
JP5743955B2 (ja) 2012-05-28 2015-07-01 株式会社日立ハイテクノロジーズ パターン検査装置およびパターン検査方法
US9430824B2 (en) 2013-05-14 2016-08-30 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
WO2016092640A1 (ja) * 2014-12-10 2016-06-16 株式会社 日立ハイテクノロジーズ 欠陥観察装置および欠陥観察方法
WO2016194210A1 (ja) 2015-06-04 2016-12-08 株式会社日立ハイテクノロジーズ 欠陥画像分類装置および欠陥画像分類方法
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012153456A1 (ja) * 2011-05-10 2012-11-15 株式会社 日立ハイテクノロジーズ 欠陥レビュー装置
TW201430768A (zh) * 2013-01-30 2014-08-01 Hitachi High Tech Corp 缺陷觀察方法及缺陷觀察裝置
US20150286001A1 (en) * 2014-04-08 2015-10-08 Hitachi High-Technologies Corporation Defect Review Apparatus, Defect Review Method
TW201741651A (zh) * 2016-05-24 2017-12-01 日立全球先端科技股份有限公司 缺陷分類裝置及缺陷分類方法
TW201843692A (zh) * 2017-02-20 2018-12-16 日商日立全球先端科技股份有限公司 樣品觀察裝置及樣品觀察方法
TW201907152A (zh) * 2017-05-15 2019-02-16 美商克萊譚克公司 用於重複缺陷分析之相對缺陷位置之高精準度
TW201913241A (zh) * 2017-09-11 2019-04-01 王楨坤 對準誤差補償模組、對準誤差補償計算系統及微影裝置
TW201915792A (zh) * 2017-10-05 2019-04-16 敖翔科技股份有限公司 智慧型的缺陷校正系統與其實施方法

Also Published As

Publication number Publication date
JP7203678B2 (ja) 2023-01-13
KR102350416B1 (ko) 2022-01-13
US20200335300A1 (en) 2020-10-22
TW202040713A (zh) 2020-11-01
US11177111B2 (en) 2021-11-16
JP2020177835A (ja) 2020-10-29
KR20200122998A (ko) 2020-10-28

Similar Documents

Publication Publication Date Title
TWI724827B (zh) 缺陷觀察裝置
US11170483B2 (en) Sample observation device and sample observation method
JP4654093B2 (ja) 回路パターン検査方法及びその装置
JP5069904B2 (ja) 指定位置特定方法及び指定位置測定装置
US7903867B2 (en) Method and apparatus for displaying detected defects
KR101479889B1 (ko) 하전 입자선 장치
US20110163230A1 (en) Charged particle beam device
KR20180113572A (ko) 결함 분류 장치 및 결함 분류 방법
WO2010079657A1 (ja) Ｓｅｍを用いた欠陥観察方法及びその装置
JP6909886B2 (ja) 画像推定方法およびシステム
US20110298915A1 (en) Pattern inspecting apparatus and pattern inspecting method
JP2017003266A (ja) 荷電粒子線装置
JP6207893B2 (ja) 試料観察装置用のテンプレート作成装置
JP7262409B2 (ja) 試料観察システム及び画像処理方法
JP2007234778A (ja) 電子線式パターン検査装置、その検査条件設定方法、及びプログラム
JP2011179819A (ja) パターン測定方法及びコンピュータプログラム
JP2004146716A (ja) Ｓｅｍ式外観検査方法及び検査装置
WO2015064399A1 (ja) 荷電粒子線装置およびプログラム記録媒体