TWI777612B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- TWI777612B TWI777612B TW110121442A TW110121442A TWI777612B TW I777612 B TWI777612 B TW I777612B TW 110121442 A TW110121442 A TW 110121442A TW 110121442 A TW110121442 A TW 110121442A TW I777612 B TWI777612 B TW I777612B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- recorded
- data
- photographic image
- photographic
- Prior art date
Links
Images
Classifications
-
- 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
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- 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
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
- G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/418—Imaging electron microscope
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
- G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/646—Specific applications or type of materials flaws, defects
- G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
-
- 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
- G06T2207/20084—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
一種影像處理方法,係為使用具備輸入受理部、推定部、輸出部的系統,在從試料之基準資料所得之推定攝影影像與試料之實際的攝影影像進行比對之際,將其所使用的推定攝影影像之資料加以取得的影像處理方法,其係含有:輸入工程,係由輸入受理部,受理基準資料、試料之工程資訊、已學習之模型資料之輸入;和推定工程,係由推定部,使用基準資料、工程資訊及模型資料,而將表示攝影影像之資料所可能採取之值之機率分布的攝影影像統計量,予以算出;和輸出工程,係由輸出部,將攝影影像統計量予以輸出;推定攝影影像,係可從攝影影像統計量而加以生成。藉此,在從設計資料所被推定出來的模擬影像與實際拍攝的影像進行比對之際,可縮短該當推定所需要的時間,而即時地進行比對。
Description
本發明係有關於影像處理方法、形狀檢查方法、影像處理系統及形狀檢查系統。
目前,為了使用影像資料進行評估(缺陷檢查等)或尺寸計測,而會針對評估對象或是尺寸計測對象的物品,將其設計資料與所拍攝到之影像進行比較。作為對象的物品之一例,係有半導體電路。
在半導體電路(以下亦簡稱為「電路」)之檢查或計測中,係將電路的設計資料與攝影影像資料(以下亦簡稱為「攝影影像」)進行比較,以將其位置進行對合處理。該處理,係被稱為圖案匹配。
藉由將設計資料及攝影影像的位置進行對合,就可進行計測點的指定、或將從設計資料上的電路形狀起算的乖離度進行評估等。電路,係會因為製造工程中所設定的各種條件而發生形狀變形。又,在電路的攝影影像中,會因為攝影工程中所設定的各種條件而導致畫質之差異(對比變化或影像雜訊之發生等)。除此以外,就算在相同條件下,仍會隨著其誤差,導致電路的形狀與攝影影像的畫質發生變化。
例如,在圖案匹配中,若把設計資料直接拿來當作樣板影像,則會因為設計資料上的電路形狀與攝影影像上的電路形狀之差異,而導致位置對合變為困難。因此,在樣板影像中,與其直接使用設計資料,不如使用接近於攝影影像上的電路形狀者,較為理想。
專利文獻1中係揭露,從設計資訊來生成模擬影像所需之電腦實作方法,其係含有:藉由對生成模型的二個以上之編碼器層輸入設計資訊以決定對象物之設計資訊之特徵的工程;和藉由將已被決定之特徵輸入至生成模型的二個以上之解碼器層以生成一個以上之模擬影像的工程。此處,模擬影像係為表示,藉由影像系統而被生成的對象物之影像中呈現的設計資訊。在專利文獻1中亦揭露,生成模型,是可藉由卷積神經網路(CNN)來替代。
專利文獻2中係揭露,基於電子裝置之檢查對象圖案之影像、與為了製造檢查對象圖案所使用的資料,使用藉由機器學習而被構成的識別器來將檢查對象圖案之影像進行檢查的圖案檢查系統,其係將電子裝置之複數個圖案影像與為了製造電子裝置之圖案所使用的圖案資料加以儲存,基於已被儲存之圖案資料與圖案影像,從複數個圖案影像選擇出要用於機器學習的學習用圖案影像,藉此以節省作成學習資料之真值的作業之手續,達成學習資料的少量化,而使學習時間能夠短期間化。
[先前技術文獻]
[專利文獻]
[專利文獻1]美國專利第9965901號說明書
[專利文獻2]日本特開2020-35282號公報
[發明所欲解決之課題]
若依據專利文獻1所揭露之方法,則在對檢查對象之電路圖案做適用的情況下,雖然可以獲得作為模擬影像的電路圖案,但由於輸入是只有設計資料,因此無法明示性地指定製造工程或攝影工程等的條件(以下「工程資訊」)之差異。為了指出該條件之差異,必須準備包含有在該當條件下所製造或拍攝的電路之攝影影像的資料集,並依照條件別而將模擬所需之數理模型進行學習。
為了得知工程資訊對電路及其攝影影像所造成的影響,先前需要將模擬器按照條件別而分別執行複數次。先前的模擬器,係使用蒙地卡羅法等,模擬上需要耗費時間。又,市售的半導體電路的製程模擬,係按照微影或蝕刻、攝影工程等,被分成各個工程。為了將這些工程加以組合,並且網羅性地掌握工程間的參數之關係性,必須將模擬器做多段式地使用。
可是,關於製造或攝影之製程的模擬,由於是採用蒙地卡羅模擬等之計算上需要長時間的方法,因此1次的試行就會耗費龐大的時間。如此的計算,係對應於複數個條件或參數,因此需要複數次的試行,即使使用複數個模擬器,仍需要龐大的計算時間及計算成本,而非現實。
專利文獻2中所揭露的圖案檢查系統,係在機器學習之際謀求學習資料的少量化,而可達成學習時間之短期間化,在將所得到之學習資料利用於實際的檢查之際的情況下,關於資料之處理方法被認為仍有需要另外改善的地方。
本發明之目的在於,在從設計資料所被推定出來的模擬影像與實際拍攝的影像進行比對之際,縮短該當推定所需要的時間,而即時地進行比對。
[用以解決課題之手段]
本發明的影像處理方法,係為使用具備輸入受理部、推定部、輸出部的系統,在從試料之基準資料所得之推定攝影影像與試料之實際的攝影影像進行比對之際,將其所使用的推定攝影影像之資料加以取得的方法,其係含有:輸入工程,係由輸入受理部,受理基準資料、試料之工程資訊、已學習之模型資料之輸入;和推定工程,係由推定部,使用基準資料、工程資訊及模型資料,而將表示攝影影像之資料所可能採取之值之機率分布的攝影影像統計量,予以算出;和輸出工程,係由輸出部,將攝影影像統計量予以輸出;推定攝影影像,係可從攝影影像統計量而加以生成。
[發明效果]
若依據本發明,則在從設計資料所被推定出來的模擬影像與實際拍攝的影像進行比對之際,可縮短該當推定所需要的時間,而即時地進行比對。
本發明係有關於將影像資料進行處理的影像處理技術。其中又特別是有關於,可適用於使用到影像資料之檢查的影像處理技術。檢查對象之一例,係包含有半導體電路。
以下,針對本發明的實施形態的影像處理方法、形狀檢查方法、影像處理系統及形狀檢查系統,加以說明。
影像處理方法及影像處理系統,係從設計資料與工程資訊,算出表示攝影影像之各像素所可能採取之值之機率分布的攝影影像統計量,以作為其所對應之攝影影像之變異。
影像處理系統係具備:CNN模型,其係可從設計資料與工程資訊,算出表示攝影影像之變異的像素單位之機率分布。此處,CNN係為Convolutional Neural Network之簡稱。
影像處理系統,係使用已算出之像素單位之機率分布,來評估工程資訊對電路或是其攝影影像所造成之影響。又,形狀檢查系統,係使用已算出之像素單位之機率分布,而作成可使用於圖案匹配的樣板影像,以高精度地實施圖案匹配。再者,本實施形態係還包含,於機器學習等中使用CNN的數理模型,將其中所含有之參數(模型資料)加以決定。
此外,作為檢查對象,係除了半導體電路以外,也可適用於汽車零件(活塞等)、托盤、瓶子等之容器、液晶面板等之各種物品。此外,形狀係包含試料(物品)之大小、長度等。
以下所說明的影像處理方法係有關於,使用電路之基準資料也就是設計資料、工程資訊、和已學習之模型資料,而將在設計資料與工程資訊之條件下所被製造的電路之攝影影像之變異做直接推定所需之影像處理方法、及使用其的影像檢查系統。
又,作為其具體的一例,揭露將設計資料予以影像化而成的設計資料影像、與工程資訊、與電路之攝影影像的對應關係,使用機器學習來進行學習,並使用學習所得之模型資料,而從任意的設計資料影像與任意的工程資訊,直接推定出對應於它們的電路之攝影影像之變異的方法之例子。此外,在以下說明中,是將電路之攝影影像之變異視為,將影像之各像素所可能採取之像素值之機率分布予以規定的統計量(平均或分散等)。藉此,作為像素值及其誤差,就可視為電路之變形或其攝影影像的畫質變化。
以下針對,將任意的電路之設計資料與工程資訊與已學習之模型資料當作輸入而受理,將設計資料與工程資訊之組合所對應之電路之攝影影像之變異當作像素值之統計量而予以直接推定,具備將所推定出來之統計量予以輸出所需之機能的裝置或測定檢查系統,使用圖式來加以說明。更具體而言,是針對含有屬於測定裝置之一種的測長用掃描電子顯微鏡(Critical Dimension-Scanning Electron Microscope:CD-SEM)的裝置及其系統,來做說明。
於以下的說明中,作為用來形成電路之攝影影像的裝置,是例示帶電粒子線裝置。於本說明書中,雖然說明使用了屬於帶電粒子線裝置之一種的掃描型電子顯微鏡(SEM)的例子,但不限於此,亦可將例如在試料上將離子束進行掃描以形成影像的聚焦離子束(Focused Ion Beam:FIB)裝置,當作帶電粒子線裝置而採用。但是,隨著微細化的邁進,為了高精度地測定圖案,是要求極高倍率,因此一般而言在解析能力的層面上,使用勝過FIB裝置的SEM為較佳。
實施例
圖13係為半導體計測系統之一例的概略構成圖,係表示複數個測定裝置或檢查裝置被連接至網路的測定/檢查系統。此處,測定/檢查系統,係被包含在影像處理系統或形狀檢查系統中。
本圖所示的系統係含有:用來測定半導體晶圓或光罩等之圖案尺寸的測長用掃描電子顯微鏡1301(CD-SEM)、藉由對試料照射電子束以取得影像並基於該當影像與預先登錄的參照影像之比較而抽出缺陷的缺陷檢查裝置1302、條件設定裝置1303、模擬器1304、記憶媒體1305 (記憶部)。然後,這些係透過網路而被連接。
條件設定裝置1303係具有:在半導體裝置的設計資料上,將測定位置或測定條件等予以設定的機能。模擬器1304係具有:基於半導體裝置之設計資料、半導體製造裝置之製造條件等,來模擬圖案之外觀的機能。再者,記憶媒體1305,係將半導體裝置之布局資料或製造條件所被登錄的設計資料等,加以記憶。此外,亦可令記憶媒體1305中記憶已學習之模型資料。
設計資料係例如,以GDS格式或OASIS(註冊商標)格式等而被表現,是以所定之形式而被記憶。此外,設計資料,係只要可由用來顯示設計資料的軟體來顯示其格式形式,並視為圖形資料而操作即可,其種類沒有限制。
又,記憶媒體1305,係亦可內裝於測定裝置或是檢查裝置的控制裝置、條件設定裝置1303或模擬器1304中。此外,測長用掃描電子顯微鏡1301及缺陷檢查裝置1302,係具備各自的控制裝置,對各裝置進行必要的控制,但亦可在這些控制裝置中內建上記模擬器之機能或測定條件等之設定機能。
在SEM中,從電子源所被放出的電子束係藉由複數段的透鏡而被聚焦,同時,已被聚焦之電子束係藉由掃描偏向器而在試料上做一維性或是二維性地掃描。
藉由電子束的掃描而從試料所被放出的二次電子(Secondary Electron:SE)或背向散射電子(Backscattered Electron:BSE)係,被偵測器所偵測,並同步於掃描偏向器之掃描,而被記憶在畫格記憶體等之記憶媒體。該畫格記憶體中所被記憶的影像訊號,係藉由控制裝置內所被內建的演算裝置,而被積算。又,掃描偏向器所致之掃描,係可針對任意的大小、位置及方向而進行。
如以上的控制等,係藉由各SEM的控制裝置而被進行,電子束之掃描之結果所得到的影像或訊號,係透過通訊線網路而被送往條件設定裝置1303。
此外,在本例中,雖然是將控制SEM的控制裝置、與條件設定裝置1303分離設置而說明,但不限於此。例如,亦可藉由條件設定裝置1303而將裝置之控制與測定處理予以統整進行,亦可藉由各控制裝置,將SEM之控制與測定處理予以平行進行。
又,在可在條件設定裝置1303或是控制裝置中,記憶用來執行測定處理所需之程式,依照該當程式而進行測定或演算。
又,條件設定裝置1303係具備,將控制SEM之動作的程式(配方),基於半導體的設計資料而予以作成的機能,作為配方設定部而發揮機能。具體而言,在設計資料、圖案之輪廓線資料、或是在已被實施過模擬的設計資料上,設定所望之測定點、自動對焦、自動散光校正、定址點等,用來進行對SEM而言為必要之處理所需之位置等。然後,基於該當設定,而作成用來自動控制SEM之試料平台或偏向器等所需之程式。又,為了後述的樣板之作成,從設計資料抽出要作為樣板的領域之資訊,基於該當抽出資訊而將樣板予以作成的處理器,或是以通用之處理器來作成樣板的程式,係被內建、或是記憶。又,本程式亦可透過網路而傳遞。
圖14係為掃描電子顯微鏡的概略構成圖。
本圖中所示的掃描電子顯微鏡,係具備:電子源1401、引出電極1402、聚焦透鏡之一形態的聚束透鏡1404、掃描偏向器1405、接物透鏡1406、試料台1408、轉換電極1412、偵測器1413、控制裝置1414等。
從電子源1401藉由引出電極1402而被引出,藉由未圖示的加速電極而被加速的電子束1403,係藉由聚束透鏡1404而被集縮。然後,藉由掃描偏向器1405,在試料1409上進行一維性或二維性地掃描。電子束1403,係藉由被設在試料台1408的電極上所被施加的負電壓而被減速,藉由接物透鏡1406的透鏡作用而被聚焦而照射至試料1409上。
一旦電子束1403照射至試料1409,則從該當照射地點會有二次電子及背向散射電子這類電子1410被放出。所被放出的電子1410,係藉由基於試料上所被施加之負電壓的加速作用,而朝電子源方向被加速,碰撞到轉換電極1412,而產生二次電子1411。從轉換電極1412所被放出的二次電子1411,係藉由偵測器1413而被捕捉,隨著已被捕捉的二次電子量,偵測器1413的輸出I會產生變化。隨應於該輸出I,未圖示的顯示裝置之亮度就會產生變化。例如形成二維像的情況下,送往掃描偏向器1405的偏向訊號,係與偵測器1413的輸出I取得同步,藉此而形成掃描領域之影像。又,本圖中所例示的掃描電子顯微鏡中,係具備用來使電子束之掃描領域做移動的偏向器(未圖示)。
此外,在本圖的例子中,雖然說明將從試料所被放出之電子以轉換電極進行一端轉換而予以偵測的例子,但當然不限於如此的構成,亦可設計成例如在所被加速之電子的軌道上,配置電子倍增管或偵測器之偵測面的這類構成。
控制裝置1414係具備:控制掃描電子顯微鏡之各構成、並且基於所被偵測到的電子而形成影像的機能、或基於一種被稱為線條側寫的偵測電子之強度分布而測定被形成在試料上的圖案之圖案寬度的機能。
接著說明,使用機器學習而將電路之攝影影像之變異作為像素值之統計量而予以推定的處理、將可推定該統計量的模型之參數(模型資料)進行學習的處理、或使用該統計量的工程資訊之評估處理或是圖案匹配處理之一例。
統計量之推定處理或是模型資料之學習處理,係亦可藉由控制裝置1414內所被內裝的演算裝置、或具有影像處理機能的演算裝置,而加以執行。又,亦可經由網路,而藉由外部的演算裝置(例如條件設定裝置1303)來執行處理。此外,控制裝置1414內所被內裝的演算裝置或是具有影像處理機能的演算裝置與外部的演算裝置之間的處理分擔,係可適宜設定,不限於上述的例子。
圖1A係從設計資料及工程資訊所獲得的攝影影像之例子的圖示。
於本圖中,係從設計資料影像101及所定之工程資訊102,獲得電路之攝影影像104。
設計資料影像101,係為電路之配線或表示該配置的基準資料的一個形式。
圖1B係從設計資料及工程資訊所獲得的攝影影像之另一例子的圖示。
於本圖中,係從設計資料影像101及所定之工程資訊103,獲得電路之攝影影像105。
這些圖係表示了,即使使用相同的設計資料影像101,在工程資訊為不同的情況下,則攝影影像也會有所不同。
在本實施例中係使用,將CAD資料等中所被描述的設計資料予以影像化而成的設計資料影像。作為一例,可舉出將電路的配線部和其以外之領域之間做區分而塗滿的二值影像。在半導體電路的情況下,也會存在有配線是二層以上的多層電路。例如,若配線為1層則可使用配線與其以外之領域的二值影像,若外線為二層則可使用下層與上層之配線部與其以外之領域的三值影像。此外,設計資料影像,係為基準資料之一例,並不限定於此。
工程資訊102、103,係為從電路的製造到攝影為止的各工程中所被使用的1種類以上之參數。在本實施例中,是將工程資訊視為實數值。作為工程的具體例,係有蝕刻工程、微影工程、SEM所致之攝影工程等。作為參數的具體例,若為微影工程則是曝光量(Dose)或焦點(Focus)等。
電路之攝影影像104、105,係基於設計資料影像101中所示的設計資料,分別使用工程資訊102、103而被製造的電路之攝影影像。本實施例中所操作的攝影影像,係視為SEM所拍攝到的灰階影像而操作。因此,攝影影像本身,係具有任意的高度及寬度,影像的通道係設為1。
電路,係會隨著製造工程的參數,而產生在電性上沒有問題的可容許之程度的變形,不會是完全按照設計資料的電路形狀。又,電路之攝影影像,係隨著使用SEM之攝影工程的參數,電路的拍攝樣子會有所不同。因此,攝影影像104與攝影影像105,雖然是對應於相同的設計資料影像101,但由於工程資訊不同,因此不會是相同的電路變形量,而且影像的畫質也不同。此處,作為影像之畫質的具體例,係有雜訊或對比變化。
此外,設計資料與工程資訊即使相同,所得到的電路之攝影影像就嚴謹來說也不會相同。這是因為,即使設定了製造工程或攝影工程的參數,其中仍會有製程變動存在,所得到的結果仍會產生誤差的緣故。
在本實施例中,雖然是將基準資料令作設計資料影像,將工程資訊令作表示該參數值的實數值,將電路之攝影影像令作SEM所拍攝到之影像,但不限制於這些。
接著說明,將攝影影像之變異當作像素值之統計量而予以推定的處理。
圖2係本實施例的影像處理系統的構成圖。
如本圖所示,影像處理系統係具備:輸入受理部201、推定部202、輸出部203。又,影像處理系統,係適宜地具備記憶部。
輸入受理部201,係受理基準資料204與工程資訊205與已學習之模型資料206之輸入。然後,推定部202,係將輸入受理部201所受理的輸入,轉換成視為電路之攝影影像之變異的統計量。輸出部203,係將該統計量當作攝影影像統計量207而予以輸出。
基準資料204,係描述電路之配線之形狀或其配置,在本實施例中是視為設計資料或是將其影像化而成的設計資料而操作。
推定部202,係將輸入受理部201所受理的輸入,轉換成表示對應於其之電路之攝影影像之變異的統計量。為了進行該轉換,推定部202係具備:數理模型,其係藉由模型資料206而被設定參數,而可從設計資料影像與工程資訊,推定出攝影影像統計量。
具體而言,係使用卷積神經網路(CNN)。於CNN中,編碼器是由二層以上的卷積層(Convolutional Layer)與池化層(Pooling Layer)所構成,解碼器是由二層以上的逆卷積層(Deconvolution Layer)所構成。此情況下,模型資料係為CNN所擁有之各層之過濾器的權重(轉換參數)。此外,將攝影影像統計量予以推定的數理模型,係亦可使用CNN模型以外者,並不限定於此。
輸入受理部201,係將符合所定之格式的基準資料204與工程資訊205與模型資料206,加以讀取。
輸出部203,係將推定部202中的演算結果以所定之格式予以輸出。
此外,本圖中所示的輸入受理部201、推定部202及輸出部203,係為本實施例中所示的系統之構成要素之一部分,亦可分散至以網路連結的複數個電腦而被配置。又,所被輸入的含有基準資料204、工程資訊205、已學習之模型資料206的資料等,係亦可由使用者從外部進行輸入,但亦可被記憶在所定之記憶裝置。
說明設計資料影像與攝影影像之對應關係。
具體而言,使用圖8A~圖8D,說明設計資料影像與檢查對象影像中的配線之形狀乖離之例子。
圖8A係設計資料影像之一例的圖示。
於本圖中,設計資料影像801,係具有由留白之像素(格子)所構成的配線811。設計資料影像801,由於是根據設計資料而來,理想而言是會呈現直角的配線811。
圖8B~圖8D係圖8A的設計資料影像801所對應的攝影影像之例子的圖示。
於圖8B中,圖示了設計資料影像801所對應的攝影影像802。
於圖8C中,圖示了設計資料影像801所對應的攝影影像803。
於圖8D中,圖示了設計資料影像801所對應的攝影影像804。
圖8B的攝影影像802、圖8C的攝影影像803及圖8D的攝影影像804,係受到製造條件及攝影條件之至少任一方之影響。因此,配線811的形狀,係於攝影影像802、803、804之每一者中為不同。換言之,配線811的形狀之差異,係無論是隨著製造批次,還是隨著攝影批次,都會發生。因此,位於設計資料影像上的像素是採取任意之亮度值時,攝影影像上的同一像素所可能採取的亮度值,係會存在有複數種變化。
例如,若攝影影像802、803、804是灰階影像,則各像素所可能採取的亮度值,係為0至255的整數。此情況下,亮度值分布,係表示相對於0~255之亮度值的頻繁度。作為統計量之例子,若亮度值分布是常態分布則可考慮為平均與標準差,若是卜瓦松分布則可考慮為抵達率等。
總結來說,對於某個製造條件或攝影條件之下的設計資料,可以定義上記的亮度值等之像素值之機率密度分布。
圖10A係設計資料影像之例子的圖示。
於本圖中,是在設計資料影像1000a中,標示有注目像素1001及其周圍領域1002。
圖10B係攝影影像之例子的圖示。
於本圖中,係在攝影影像1000b中標示有像素1003。
圖10A的注目像素1001與圖10B的像素1003,在為了針對電路(試料)之影像進行對比而做了位置對合時,是位於相同的座標。像素1003所可能採取的像素值之統計量,係根據注目像素1001及周圍領域1002之像素值而被推定。這是因為,在以CNN之卷積層進行計算時,會進行包含周圍之像素的演算的緣故。此外,周圍領域1002之大小,係根據CNN的過濾器大小或步伐大小等而被決定。
圖3A及3B,係為本實施例的影像處理系統中所被處理的資料之流向的構成圖。
於這些圖中,輸入受理部201係受理設計資料影像101與工程資訊102或103與模型資料301之輸入,推定部202係將該輸入轉換成對應之規定了電路之攝影影像之變異的統計量,輸出部203係將所被算出的攝影影像統計量302或305予以輸出。
比較圖3A與圖3B可知,即使設計資料影像101與模型資料301係為共通,只要將圖3A的工程資訊102變更成圖3B的工程資訊103,則輸出就會變成異於圖3A之攝影影像統計量302的圖3B之攝影影像統計量305。作為輸出形式的平均影像306及標準差307,係異於平均影像303及標準差影像304。藉此,可獲得有關於工程資訊之差異所致之平均的電路像之變化或畫質之差異、誤差較大部分的位置及其程度等之資訊。
圖9係表示攝影影像統計量之表現形式之一例的圖形。
於本圖中,是將攝影影像統計量當作各像素中的像素值之機率分布也就是機率密度函數901的方式而加以表示。例如,將圖3A的攝影影像統計量302以機率密度函數901來表示的情況下,可獲得機率密度函數901的平均及標準差之值。同樣地,若針對各像素求出平均及標準差之值,則可獲得平均影像303及標準差影像304。
機率密度函數901,係於某個電路之攝影影像上,以對於各像素所可能採取之像素值的出現頻繁度的機率密度函數而被表示。具體而言,若攝影影像是灰階,則可將分布定義成為,256種像素值的出現頻繁度。此外,作為統計量係亦可用像素以外來作為單位。
例如,若假設機率密度函數901是呈高斯分布,則可將機率密度函數901使用其平均及標準差(或分散)而做無歧異地規定。
平均影像303及標準差影像304,係為攝影影像統計量302的輸出形式之例子。若將攝影影像統計量令作每一像素之高斯分布,則可將其平均及標準差之值轉換成影像而得的平均影像及標準差影像,予以推定並輸出。
平均影像303係為,將各像素的高斯分布之平均,轉換成灰階影像而成者。若將攝影影像統計量302假定為高斯分布,則由於其分布之平均值係等同於眾數,因此所得的平均影像303係為:使用設計資料影像101,且在工程資訊102之條件下的具有最為平均之電路形狀的攝影影像。
標準差影像304係為,將各像素的高斯分布的標準差,轉換成灰階影像而成者。藉由一面保持各像素間的標準差之相對關係而一面進行影像化,就可將電路的變形或影像的畫質變化較大之影像領域予以視覺化。例如,在半導體電路中,於配線(line)之邊緣經常會發生變形,因此誤差(標準差)會較大。另一方面,在配線之邊緣以外的領域或配線以外的空間部(space)中,由於少有變形,因此誤差會較小。本實施例中的標準差係擔任,將某個設計資料及工程資訊之條件下所被製造及攝影時的製程變動予以吸收的角色。
如上述,所被製造的電路之形狀與其攝影影像之畫質,係依存於工程資訊。
藉由進行如圖3A及3B所示的處理,只要有設計資料及已學習之模型資料,則在輸入的工程資訊有所改變的情況下,對於電路及其攝影影像之影響,可不必實際製造並攝影就能加以得知。
圖4係為,將攝影影像統計量之推定時所使用的模型資料予以作成所需之學習處理之例子的流程圖。
學習處理,係在機器學習部中進行。
於本圖中所示的學習處理中,係由使用者將模型資料予以輸入(S401),並由使用者將設計資料影像及工程資訊予以輸入(S402)。然後,機器學習部,係從這些輸入而推定出攝影影像統計量並予以輸出(S403)。此處,上記的使用者所做的輸入,亦可不是由使用者所做,而是藉由例如將所定之記憶部所擁有的資料予以自動地選別,讓機器學習部來讀取而進行之。
然後,判定是否滿足學習的結束條件(學習要否判定工程S404)。
若不滿足結束條件,則將訓練資料也就是攝影影像予以輸入(S405)。然後,將攝影影像(訓練資料)與所被推定出來的影像資訊(攝影影像統計量)進行比較(S406),按照比較結果而將模型資料予以更新(S407)。作為比較方法之例子,係有將所被推定出來的影像資訊(攝影影像統計量)轉換成「推定攝影影像」然後進行比較的方法。換言之,推定攝影影像,係可從攝影影像統計量而加以生成。
另一方面,於S404中若滿足結束條件,則將模型資料予以保存(S408),結束學習處理。
此外,事前就令記憶媒體1305(圖13)記憶了已學習之模型資料的情況下,可以省略S401之輸入。
此外,S401及S402亦總稱為「輸入工程」。又,S403亦稱為「推定工程」。然後,S403,係從對應於圖2的輸出部203之處理的觀點來看,亦可稱之為「輸出工程」。
以下針對處理內容做詳述。
在S401中被輸入、在S407中被更新、在S408中被保存的模型資料,係為在S403中所使用的卷積層或逆卷積層的過濾器之權重。換言之,係為S403中所使用的CNN的編碼器或解碼器的各層之構成資訊、或其轉換參數(權重)。該轉換參數,係在S406的比較處理中,以使得使用S403中所被推定出來之攝影影像統計量、與S405中所被輸入之攝影影像而被算出的損失函數之值會呈最小化的方式,而被決定。S401中的模型資料,係經過學習處理,而變成可從設計資料影像與工程資訊,推定出對應的攝影影像。此處,作為損失函數的具體例,係有均方誤差、交叉熵誤差等。
S402中所輸入的基準資料,在本實施例中係為設計資料影像。
作為S404之學習要否判定之例子,係為學習的重複次數是否達規定次數以上,或學習中所使用的損失函數是否已收斂等。
S408中所被保存之模型資料,係將CNN之各層之權重以所定之形式進行檔案輸出而被保存。
接著說明,學習處理中所使用的設計資料影像與電路的攝影影像之關係。
在S406中,係將已被推定出來的攝影影像統計量(推定攝影影像)、與攝影影像,進行比較。此時,為了進行正確的比較,設計資料與攝影影像的位置必須要一致。因此,學習用的資料集(學習資料集),必須是進行過位置對合的設計資料影像與攝影影像之配對。一般而言,學習用的資料集內的影像張數越多越好。而且,學習時所使用的電路之形狀與評估時所使用的電路之形狀係越類似越好。
又,為了以設計資料為起點而學習電路之變形,S401中所受理的設計資料與S405中所受理的攝影影像,必須為已經進行過位置對合。對於學習用的設計資料影像與其所製造出來的電路之攝影影像,以使得電路圖案呈一致的方式而將影像上的位置予以對合。作為位置對合之方法的例子係有:求出設計資料影像及攝影影像之配線的輪廓線,以使得被輪廓線所圍繞之圖形的重心呈一致的方式來進行定位的方法。
學習處理中所使用的工程資訊,或是使用到已學習之模型資料的攝影影像統計量之推定處理中所使用的工程資訊,係亦可只使用欲考慮的參數,亦可使用製造工程或攝影工程中所涉及的所有參數。但是,若工程資訊增加,則CNN中的演算量會增加,因此只使用必要最少限度的參數,在處理速度的觀點上較為理想。
作為S406的比較處理的實施例係有:基於統計量而進行取樣的影像與攝影影像的差分計算。
總體來說,機器學習部,係判定對模型資料的學習之必要性,在學習要否判定工程中判定為有學習之必要性的情況下,則接受含有學習用的基準資料與工程資訊與攝影影像的學習資料集之輸入,將攝影影像統計量與學習資料集的攝影影像之資料進行比較,基於比較結果而將模型資料予以更新。另一方面,於學習要否判定工程中判定為沒有學習之必要性的情況下,記憶部係將推定部在算出攝影影像統計量之際所使用的參數,當作模型資料而予以保存。
接下來,使用圖6A及圖6B以及圖7A及圖7B,說明S402中所被輸入的設計資料影像及工程資訊之輸入形式之例子。
圖6A係模式性圖示將設計資料影像轉換成特徵量之例子。
於本圖中係表示,設計資料影像601、與將其藉由神經網路模型所具有的二個以上之卷積層而被計算出來的特徵量602之一例的圖。
設計資料影像601係為,將CAD等的設計資料進行影像化而成的二值影像。此處,藉由格子而被劃分網目,係表示構成影像的各個像素。
特徵量602係為,將設計資料影像601,使用攝影影像統計量推定部(推定部)所具有的CNN的卷積層(編碼器層)所被計算出來者,是以矩陣而被表示。特徵量602係具有:設計資料影像上的各像素是屬於配線部還是其以外之何者的此一設計資訊、或關於配線的邊緣附近或角落附近等之配線的形狀或配置的設計資訊等。特徵量602係可作為具有高度、寬度及通道的三維矩陣而加以表示。此時,從設計資料影像601所被算出的特徵量602的高度、寬度及通道,係依存於CNN所具有的卷積層之數量、其過濾器大小或步伐大小或填充大小等而被決定。
圖6B係表示特徵量與工程資訊的結合形式之一例。
如本圖中所示,圖6A的特徵量602,係作為與工程資訊603、604、605結合後的三維矩陣而被表示。
工程資訊603、604、605係為,將表示製造條件或攝影條件之實數值,作為與特徵量602的高度及寬度為相等的通道大小為1的矩陣而被給予,並作為三維矩陣而加以顯示。具體而言係可舉出:準備好所有的要素之值皆為1、且高度及寬度是與特徵量602相等、通道大小為1的三維矩陣,對其乘算表示製造條件或攝影條件之實數值而得的三維矩陣。
在作為攝影影像統計量推定部所具有的CNN之輸入的情況下,係將設計資料影像601藉由CNN的卷積層(編碼器層)而轉換成特徵量602,將特徵量602與工程資訊603、604、605按照通道之順序而加以結合,將所結合而成者,輸入至CNN所具有的逆卷積層(解碼器層)。此處,雖然說明工程資訊是二個的情況,但所使用的工程資訊係亦可為一個,也可為二個以上,並不限制於此。
圖7A係為本實施例中的輸入形式之一例的圖示。
於本圖中,設計資料影像701、工程資訊702及工程資訊703之例子係被模式性圖示。
設計資料影像701係為,將CAD等的設計資料進行影像化而成。作為例子,可舉出將電路中的配線部與空間部做區分而塗滿的二值影像。在半導體電路的情況下,係有配線為二層以上之多層的情況。例如,若配線為一層則可使用配線部與空間部之二值影像,若配線為二層則可使用下層之配線部與上層之配線部、空間部之三值影像。此外,設計資料影像,係為基準影像之一例,並不限定於此。
工程資訊702及工程資訊703,係將表示製造條件或攝影條件之實數值,以與設計資料影像相同尺寸之影像的方式,而被給予。具體而言可舉出:對所有的要素之值皆為1,且影像尺寸是與設計資料相同的矩陣,乘算表示製造條件或攝影條件之實數值而得的矩陣。
圖7B係為本實施例中的結合形式之一例的圖示。
於本圖中,設計資料影像701、工程資訊702及工程資訊703之例子係被模式性圖示。
作為攝影影像統計量推定部所具有的CNN的輸入方法之一例,係將設計資料影像701與工程資訊702與工程資訊703,依照影像的通道之順序而加以結合。此處,雖然說明工程資訊是二個的情況,但所使用的工程資訊係亦可為一個,也可為二個以上,並不限制於此。
此外,圖6A~圖7B中所示的工程資訊之結合方法,係不限制於此。
又,可舉出將工程資訊對電路或是其攝影影像所造成之影響,進行評估。
例如,只將工程資訊所具有的參數之其中一者加以改變,而將攝影影像統計量予以算出。此時,實際進行製造與攝影之際所會呈現的變形之態樣,係可從平均影像來觀測;在電路之各部位上想定會發生何種程度之變形範圍,係可從標準差影像來觀測。因此,只要有事前進行學習並作成的模型資料,就可不必實際進行製造及攝影,即可評估電路的變形或者對攝影影像的畫質所造成之影響。隨著工程資訊的變化,而平均影像的變化較少,或在標準差影像中標準差之值為較小的情況下,就可說是該參數對電路的形狀變形或其誤差之程度所造成之影響為較小。
在本實施例中,雖然是針對將工程資訊假設成二個,只變更其中一個的情況來說明,但不限制於此,工程資訊所具有的參數數亦可為一個,也可為三個以上。又,亦可只將工程資訊內的一個參數加以變更而執行,亦可將複數做變更而執行。
接著,作為圖2的推定部202的另一實施例,說明將圖案匹配之樣板影像予以作成的情況。
圖5係為表示形狀檢查系統中所被處理的資料之流向的構成圖,是表示使用攝影影像統計量來實施圖案匹配之處理的例子。
本圖中所示的形狀檢查系統,係具備:攝影影像統計量207所被輸入的輸入受理部501、攝影影像504所被輸入的輸入受理部505、樣板影像作成部502、圖案匹配處理部503、輸出部506。此外,本圖中所示的資料之流向,係為形狀檢查方法之例子。
攝影影像504,係為作為圖案匹配之對象的攝影影像(實際的攝影影像)。
攝影影像統計量207係為,將攝影影像504之電路的製造與攝影時的工程資訊、與攝影影像504之電路的設計資料影像、與學習處理所作成的模型資料,由圖2中所示的輸入受理部201來予以受理,由推定部202來予以算出,並由輸出部203來予以輸出而成者。
本圖中所示的圖案匹配處理,係被進行如下。
輸入受理部501係將攝影影像統計量207予以受理,樣板影像作成部502係將攝影影像統計量207轉換成樣板影像,並交付給圖案匹配處理部503。另一方面,輸入受理部505係將攝影影像504予以受理,並交付給圖案匹配處理部503。
於圖案匹配處理部503中,係使用攝影影像504與樣板影像來實施圖案匹配處理。然後,輸出部506係將匹配結果507予以輸出。
圖案匹配處理部503,係將樣板影像與攝影影像504進行比對,並進行將其位置予以對合的處理。
具體的方法之例子係為:一面將樣板影像與攝影影像504之相對位置予以錯開而一面計算出正規化相互相關來作為類似度分數,將類似度分數為最高的相對位置予以輸出。匹配結果507之形式係例如,亦可為表示影像之移動量的二維之座標值,亦可為在類似度為最高的位置上,將樣板影像與攝影影像504予以重疊而成的影像。
所被輸入的攝影影像統計量207係為,使用匹配對象的攝影影像504所對應之設計資料影像及工程資訊,在圖2的推定部202中所被推定出來者。此時,被給予至推定部202的模型資料,係在圖案匹配處理的事前就藉由學習處理而被作成者為佳。
作為在樣板影像作成部502中所被作成的樣板影像之例子係可舉出:將攝影影像統計量207所具有的平均值予以影像化而成的平均影像、或從攝影影像統計量207將各像素之值進行取樣所得的取樣影像。
在圖案匹配處理前所進行的學習處理中所使用的電路之攝影影像,係亦可使用從過去所被製造之晶圓所取得的攝影影像,亦可使用從匹配對象之晶圓所取得的攝影影像。
圖11係將攝影影像統計量予以推定以實施電路之評估所需之GUI的構成圖。此處,GUI係為圖形化使用者介面之簡稱。
在本圖中所示的GUI(1100)中係被顯示有:設計資料影像設定部1101、模型資料設定部1102、工程資訊設定部1103、評估結果顯示部1104、顯示影像操作部1107。
設計資料影像設定部1101係為,用來進行關於攝影影像統計量之推定上所必須之設計資料影像之設定的領域。
模型資料設定部1102係為,用來進行關於攝影影像統計量之推定上所必須之已學習之模型資料之設定的領域。
工程資訊設定部1103係為,用來進行關於攝影影像統計量之推定上所必須之工程資訊之設定的領域。例如,作為工程資訊之設定方法係可舉出:將微影或蝕刻等之各工程中所必須之參數個別地予以輸入的方法。
在設計資料影像設定部1101、模型資料設定部1102及工程資訊設定部1103中,藉由指定以所定之格式而被儲存的記憶領域,就可讀取各個資料。
評估結果顯示部1104係為,將關於從設計資料影像設定部1101、模型資料設定部1102及工程資訊設定部1103中所設定的資料而被推定出來的攝影影像統計量的資訊予以顯示的領域。作為所顯示的資訊之例子係可舉出:從攝影影像統計量而被作成的平均影像1105或標準差影像1106。
顯示影像操作部1107係為,用來進行關於評估結果顯示部1104中所被顯示之資訊之操作的領域。作為操作係可舉出:將正被顯示的影像切換成其他影像、或將影像予以放大或縮小。
圖12係用以實施學習處理所需之GUI的構成圖。
在本圖中所示的GUI(1200)中係被顯示有:學習資料集設定部1201、模型資料設定部1202、學習條件設定部1203、學習結果顯示部1204。
學習資料集設定部1201係為,用來進行關於學習處理中所使用的含有設計資料影像與工程資訊與攝影影像的學習資料集之設定的領域。此處是藉由指定以所定格式而被儲存的記憶領域,而讀取資料。
模型資料設定部1202係為,用來進行關於學習處理中所被輸入、更新、保存的模型資料之設定的領域。此處是藉由指定以所定格式而被儲存的記憶領域,而讀取模型資料。
學習條件設定部1203係為,用來進行關於學習處理之學習條件之設定的領域。例如,作為學習要否判定S404係亦可指定學習次數,亦可指定要作為結束學習之基準的損失函數之值。
學習結果顯示部1204係為,將學習處理之中途經過或結束後的學習結果加以顯示的領域。亦可將損失函數的時間變化之圖形1205加以顯示,亦可將使用學習中途或結束時的模型而推定出來的攝影影像統計量進行視覺化而成的影像1206加以顯示。
GUI(1100)與GUI(1200),係可各自獨立,亦可整合成為關於學習處理與評估的GUI。又,GUI(1100)或GUI(1200)中所展示的設定、顯示或操作所需之領域,係為一例,並非這些全部都是GUI所必須,亦可只以一部分來加以實現。甚至,執行這些處理的裝置,亦可和程式同樣地,亦可將各處理在一個裝置中加以執行,也可在不同的裝置中加以執行。
關於圖2、圖3A及圖3B的攝影影像統計量的推定處理、圖4的學習處理、以及圖5的圖案匹配處理,係亦可以各自不同的程式來加以執行,亦可各自以個別的程式來加以執行。甚至,執行這些處理的裝置,亦可和程式同樣地,亦可將各處理在一個裝置中加以執行,也可在不同的裝置中加以執行。
此外,本發明係不限定於上記的實施例,可包含各式各樣的變形例。例如,上記的實施例是為了將本發明以容易理解的方式加以說明而做的詳細說明,並非限定為必須具備所說明的全部構成。
若依據本實施例,則可基於試料的設計資料等之基準影像、工程資訊及攝影影像之對應關係,而從設計資料影像,將工程資訊所相應之試料的形狀的變形範圍,以統計量的方式來加以推定。可使用所推定出來的統計量,而對試料的攝影影像進行圖案匹配。
此外,本實施例,係亦可適用於半導體電路以外來作為評估對象。又,可以使用影像以外的輸入資料(雷達所致之形狀計測)。
以下總結說明本發明的效果。
若依據本發明,則可基於試料的設計資料等之基準資料、與試料的製造工程或攝影工程中所被設定的參數也就是工程資訊、與和試料的攝影影像之對應關係,而從任意的試料的基準資料及其工程資訊,推定出試料的變形乃至於物性、或試料的攝影影像的畫質之變動。
例如,可以使用,將進行計測或檢查等之評估之前所取得的電路的設計資料、與電路的製造工程或攝影工程中所使用的工程資訊之一部或全部、與和攝影影像之對應關係進行學習而構成的數理模型,而從任意的設計資料影像及任意的工程資訊,直接推定出在該條件下的電路之變形範圍。因此,若根據推定結果來作成圖案匹配之樣板影像並使用之,則可實現有考慮到工程資訊之差異所致之變形範圍之差異的,高精度的圖案匹配。
又,由於是使用設計資料與工程資訊與攝影影像來學習對應關係,因此,藉由對工程資訊,複合性地納入考量複數個製造工程或攝影工程(微影工程、蝕刻工程、攝影工程等)之參數,就可將這些複數工程間的參數之依存關係,以攝影影像中所攝得的電路之形狀變化或攝影影像之畫質變化的方式,加以推定。在先前的製程模擬之組合中由於需要花費較長的處理時間,因此本發明係在速度上具有優勢。
再者,若依據本發明,則可提供一種,用來預測隨應於工程資訊而產生之電路的變形或其攝影影像的畫質之變化所需之電腦程式、及使用其的半導體檢查裝置。
101,601,701,801,1000a:設計資料影像
102,103:工程資訊
104,105,504,802,803,804,1000b:攝影影像
201,501,505:輸入受理部
202:推定部
203,506:輸出部
204:基準資料
205,603,604,605,702,703:工程資訊
206,301:模型資料
207,302,305:攝影影像統計量
303,306,1105:平均影像
304,1106:標準差影像
307:標準差
502:樣板影像作成部
503:圖案匹配處理部
507:匹配結果
602:特徵量
811:配線
901:機率密度函數
1001:注目像素
1002:周圍領域
1003:像素
1100,1200:GUI
1101:設計資料影像設定部
1102:模型資料設定部
1103:工程資訊設定部
1104:評價結果顯示部
1107:顯示影像操作部
1201:學習資料集設定部
1202:模型資料設定部
1203:學習條件設定部
1204:學習結果顯示部
1205:圖形
1206:影像
1301:測長用掃描電子顯微鏡
1302:缺陷檢查裝置
1303:條件設定裝置
1304:模擬器
1305:記憶媒體
1401:電子源
1402:引出電極
1403:電子束
1404:聚束透鏡
1405:掃描偏向器
1406:接物透鏡
1408:試料台
1409:試料
1410:電子
1411:二次電子
1412:轉換電極
1413:偵測器
1414:控制裝置
[圖1A]從設計資料及工程資訊所獲得的攝影影像之例子的圖示。
[圖1B]從設計資料及工程資訊所獲得的攝影影像之另一例子的圖示。
[圖2]實施例的影像處理系統的構成圖。
[圖3A]實施例所述之影像處理系統中所被處理的資料之流向的構成圖。
[圖3B]實施例所述之影像處理系統中所被處理的資料之流向的構成圖。
[圖4]實施例所述之學習處理之例子的流程圖。
[圖5]形狀檢查系統的構成圖。
[圖6A]將設計資料影像轉換成特徵量之例子的模式圖。
[圖6B]特徵量與工程資訊的結合形式之一例的模式圖。
[圖7A]實施例中的輸入形式之一例的模式圖。
[圖7B]實施例中的結合形式之一例的模式圖。
[圖8A]設計資料影像之一例的圖示。
[圖8B]圖8A的設計資料影像801所對應之攝影影像之例子的圖示。
[圖8C]圖8A的設計資料影像801所對應之攝影影像之例子的圖示。
[圖8D]圖8A的設計資料影像801所對應之攝影影像之例子的圖示。
[圖9]表示攝影影像統計量之表現形式之一例的圖形。
[圖10A]設計資料影像之例子的圖示。
[圖10B]攝影影像之例子的圖示。
[圖11]將攝影影像統計量予以推定以實施電路之評估所需之GUI的構成圖。
[圖12]用以實施學習處理所需之GUI的構成圖。
[圖13]半導體計測系統之一例的概略構成圖。
[圖14]掃描電子顯微鏡的概略構成圖。
201:輸入受理部
202:推定部
203:輸出部
204:基準資料
205:工程資訊
206:模型資料
207:攝影影像統計量
Claims (16)
- 一種影像處理方法,係為使用具備輸入受理部、推定部、輸出部的系統,在從試料之基準資料所得之推定攝影影像與前記試料之實際的攝影影像進行比對之際,將其所使用的前記推定攝影影像之資料加以取得的方法,其係含有:輸入工程,係由前記輸入受理部,受理前記基準資料、前記試料之工程資訊、已學習之模型資料之輸入;和推定工程,係由前記推定部,使用前記基準資料、前記工程資訊及前記模型資料,而將表示前記攝影影像之資料的各像素值之機率分布的攝影影像統計量,予以算出;和輸出工程,係由前記輸出部,將前記攝影影像統計量予以輸出;前記推定攝影影像,係可從前記攝影影像統計量來加以生成。
- 如請求項1所記載之影像處理方法,其中,前記系統係還具備機器學習部、和記憶部;還含有:學習要否判定工程,係由前記機器學習部,來判定對前記模型資料的學習之必要性;在前記學習要否判定工程中判定為有前記學習之必要性的情況下,受理含有學習用的前記基準資料與前記工程資訊與前 記攝影影像的學習資料集之輸入,將前記攝影影像統計量與前記學習資料集的前記攝影影像之資料進行比較,基於前記比較之結果而將前記模型資料予以更新;在前記學習要否判定工程中判定為無前記學習之必要性的情況下,由前記記憶部,將前記推定部在算出前記攝影影像統計量之際所使用的參數,當作前記模型資料而加以保存。
- 如請求項1所記載之影像處理方法,其中,前記工程資訊係含有前記試料之製造條件或前記攝影影像之攝影條件。
- 如請求項1所記載之影像處理方法,其中,還含有:使用前記攝影影像統計量來評估前記工程資訊對前記試料所造成之影響的工程。
- 如請求項1所記載之影像處理方法,其中,前記攝影影像統計量係含有平均影像及標準差影像。
- 如請求項1所記載之影像處理方法,其中,前記試料係為半導體電路。
- 一種形狀檢查方法,係為使用藉由請求項1所記載之影像處理方法所得到的前記攝影影像統計量來檢查前記試料之形狀的方法,其中,前記系統係還具備樣板影像作成部、和圖案匹配處理部;由前記輸入受理部,將前記攝影影像之資料之輸入予 以受理;由前記樣板影像作成部,從前記攝影影像統計量而將樣板影像予以作成;由前記圖案匹配處理部,進行前記樣板影像與前記攝影影像之圖案匹配;由前記輸出部,將前記圖案匹配之結果予以輸出。
- 一種形狀檢查方法,係為使用藉由請求項2所記載之影像處理方法所得到的前記攝影影像統計量來檢查前記試料之形狀的方法,其中,前記系統係還具備樣板影像作成部、和圖案匹配處理部;由前記輸入受理部,將前記攝影影像之資料之輸入予以受理;由前記樣板影像作成部,從前記攝影影像統計量而將樣板影像予以作成;由前記圖案匹配處理部,進行前記樣板影像與前記攝影影像之圖案匹配;由前記輸出部,將前記圖案匹配之結果予以輸出。
- 一種影像處理系統,係為在從試料之基準資料所得之推定攝影影像與前記試料之實際的攝影影像進行比對之際,將前記推定攝影影像之資料加以取得的系統,其係具備:輸入受理部,係受理前記基準資料、前記試料之工程資訊、已學習之模型資料之輸入;和 推定部,係使用前記基準資料、前記工程資訊及前記模型資料,而將表示前記攝影影像之資料的各像素值之機率分布的攝影影像統計量,予以算出;和輸出部,係將前記攝影影像統計量予以輸出;前記推定攝影影像,係可從前記攝影影像統計量來加以生成。
- 如請求項9所記載之影像處理系統,其中,還具備機器學習部、和記憶部;前記機器學習部,係判定對前記模型資料的學習之必要性;在前記機器學習部判定為有前記學習之必要性的情況下,受理含有學習用的前記基準資料與前記工程資訊與前記攝影影像的學習資料集之輸入,將前記攝影影像統計量與前記學習資料集的前記攝影影像之資料進行比較,基於前記比較之結果而將前記模型資料予以更新;在前記機器學習部判定為無前記學習之必要性的情況下,前記記憶部係將前記推定部在算出前記攝影影像統計量之際所使用的參數,當作前記模型資料而加以保存。
- 如請求項9所記載之影像處理系統,其中,前記工程資訊係含有前記試料之製造條件或前記攝影影像之攝影條件。
- 如請求項9所記載之影像處理系統,其中,使用前記攝影影像統計量來評估前記工程資訊對前記試料所造成之影響。
- 如請求項9所記載之影像處理系統,其中,前記攝影影像統計量係含有平均影像及標準差影像。
- 如請求項9所記載之影像處理系統,其中,前記試料係為半導體電路。
- 一種形狀檢查系統,其係含有如請求項9所記載之影像處理系統;還具備:樣板影像作成部、和圖案匹配處理部;係為使用前記攝影影像統計量來檢查前記試料之形狀的系統,其中,前記輸入受理部,係將前記攝影影像之資料之輸入,予以受理;前記樣板影像作成部,係從前記攝影影像統計量而將樣板影像予以作成;前記圖案匹配處理部,係進行前記樣板影像與前記攝影影像之圖案匹配;前記輸出部,係將前記圖案匹配之結果予以輸出。
- 一種形狀檢查系統,其係含有如請求項10所記載之影像處理系統;還具備:樣板影像作成部、和圖案匹配處理部;係為使用前記攝影影像統計量來檢查前記試料之形狀的系統,其中, 前記輸入受理部,係將前記攝影影像之資料之輸入,予以受理;前記樣板影像作成部,係從前記攝影影像統計量而將樣板影像予以作成;前記圖案匹配處理部,係進行前記樣板影像與前記攝影影像之圖案匹配;前記輸出部,係將前記圖案匹配之結果予以輸出。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/023554 WO2021255819A1 (ja) | 2020-06-16 | 2020-06-16 | 画像処理方法、形状検査方法、画像処理システム及び形状検査システム |
WOPCT/JP2020/023554 | 2020-06-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202201347A TW202201347A (zh) | 2022-01-01 |
TWI777612B true TWI777612B (zh) | 2022-09-11 |
Family
ID=79268639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110121442A TWI777612B (zh) | 2020-06-16 | 2021-06-11 | 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 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230222764A1 (zh) |
JP (1) | JP7390486B2 (zh) |
KR (1) | KR20230004819A (zh) |
CN (1) | CN115698690A (zh) |
TW (1) | TWI777612B (zh) |
WO (1) | WO2021255819A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118382802A (zh) * | 2021-12-28 | 2024-07-23 | 株式会社日立高新技术 | 图像检查装置、图像处理方法 |
CN115242982B (zh) * | 2022-07-28 | 2023-09-22 | 业成科技(成都)有限公司 | 镜头调焦方法及其系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881868A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院遥感与数字地球研究所 | 植物群落空间结构提取方法 |
US20170148226A1 (en) * | 2015-11-19 | 2017-05-25 | Kla-Tencor Corporation | Generating simulated images from design information |
JP2020035282A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社日立ハイテクノロジーズ | パターン検査システム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9915625B2 (en) | 2016-01-04 | 2018-03-13 | Kla-Tencor Corp. | Optical die to database inspection |
JP6668199B2 (ja) * | 2016-08-19 | 2020-03-18 | 株式会社ニューフレアテクノロジー | マスク検査方法 |
US10395362B2 (en) * | 2017-04-07 | 2019-08-27 | Kla-Tencor Corp. | Contour based defect detection |
-
2020
- 2020-06-16 WO PCT/JP2020/023554 patent/WO2021255819A1/ja active Application Filing
- 2020-06-16 US US18/009,890 patent/US20230222764A1/en active Pending
- 2020-06-16 JP JP2022531135A patent/JP7390486B2/ja active Active
- 2020-06-16 KR KR1020227041722A patent/KR20230004819A/ko unknown
- 2020-06-16 CN CN202080101502.7A patent/CN115698690A/zh active Pending
-
2021
- 2021-06-11 TW TW110121442A patent/TWI777612B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881868A (zh) * | 2015-05-14 | 2015-09-02 | 中国科学院遥感与数字地球研究所 | 植物群落空间结构提取方法 |
US20170148226A1 (en) * | 2015-11-19 | 2017-05-25 | Kla-Tencor Corporation | Generating simulated images from design information |
JP2020035282A (ja) * | 2018-08-31 | 2020-03-05 | 株式会社日立ハイテクノロジーズ | パターン検査システム |
Also Published As
Publication number | Publication date |
---|---|
WO2021255819A1 (ja) | 2021-12-23 |
TW202201347A (zh) | 2022-01-01 |
KR20230004819A (ko) | 2023-01-06 |
CN115698690A (zh) | 2023-02-03 |
US20230222764A1 (en) | 2023-07-13 |
JP7390486B2 (ja) | 2023-12-01 |
JPWO2021255819A1 (zh) | 2021-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10937146B2 (en) | Image evaluation method and image evaluation device | |
US8767038B2 (en) | Method and device for synthesizing panorama image using scanning charged-particle microscope | |
JP5604067B2 (ja) | マッチング用テンプレートの作成方法、及びテンプレート作成装置 | |
JP5525421B2 (ja) | 画像撮像装置および画像撮像方法 | |
JP5422411B2 (ja) | 荷電粒子線装置によって得られた画像データの輪郭線抽出方法、及び輪郭線抽出装置 | |
JP4982544B2 (ja) | 合成画像形成方法及び画像形成装置 | |
US20120290990A1 (en) | Pattern Measuring Condition Setting Device | |
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 | |
JP7427744B2 (ja) | 画像処理プログラム、画像処理装置、画像処理方法および欠陥検出システム | |
WO2014208202A1 (ja) | パターン形状評価装置及び方法 | |
TWI567789B (zh) | A pattern measuring condition setting means, and a pattern measuring means | |
JP5286337B2 (ja) | 半導体製造装置の管理装置、及びコンピュータプログラム | |
JP5564276B2 (ja) | パターンマッチング用画像作成装置 | |
JP2018056143A (ja) | 露光条件評価装置 | |
JP6207893B2 (ja) | 試料観察装置用のテンプレート作成装置 | |
TW202418220A (zh) | 圖像處理程式、圖像處理裝置、圖像處理方法及缺陷檢測系統 | |
JP5396496B2 (ja) | 合成画像形成方法及び画像形成装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GD4A | Issue of patent certificate for granted invention patent |