TWI798380B - 圖案邊緣檢測方法 - Google Patents

圖案邊緣檢測方法 Download PDF

Info

Publication number
TWI798380B
TWI798380B TW108108657A TW108108657A TWI798380B TW I798380 B TWI798380 B TW I798380B TW 108108657 A TW108108657 A TW 108108657A TW 108108657 A TW108108657 A TW 108108657A TW I798380 B TWI798380 B TW I798380B
Authority
TW
Taiwan
Prior art keywords
pattern
edge
aforementioned
image
edge detection
Prior art date
Application number
TW108108657A
Other languages
English (en)
Other versions
TW201942796A (zh
Inventor
大家政洋
Original Assignee
日商東實先進股份有限公司
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 日商東實先進股份有限公司 filed Critical 日商東實先進股份有限公司
Publication of TW201942796A publication Critical patent/TW201942796A/zh
Application granted granted Critical
Publication of TWI798380B publication Critical patent/TWI798380B/zh

Links

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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • 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
    • G01N2223/50—Detectors
    • G01N2223/507—Detectors secondary-emission detector
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本發明提供一種圖案邊緣檢測方法，係可以使用機器學習來進行精度較高之邊緣檢測。
本方法係包含下列之步驟：生成圖案之影像，依據從圖案之設計資料所生成的基準圖案，來檢測影像上的圖案之邊緣，重複圖案之影像的生成和影像上的圖案之邊緣的檢測，以製作由複數個影像和對應之複數個圖案邊緣所構成的訓練資料候補，將滿足事先所決定之不適格條件的圖案邊緣及對應之影像從訓練資料候補中排除，藉此來決定訓練資料，使用訓練資料並藉由機器學習來生成邊緣檢測模型，生成其他的圖案之影像，使用邊緣檢測模型來檢測影像上之其他的圖案之邊緣。

Description

圖案邊緣檢測方法
本發明係關於一種能夠應用於使用圖案(pattern)之設計資料來進行圖案檢查之半導體檢查裝置的圖案邊緣(pattern edge)檢測方法。
在半導體積體電路之製程中的晶圓之圖案檢查，或是其圖案形成用的光罩(photomask)之圖案檢查中，係有使用一種使用了晶粒對晶粒(die to die)比較方法的光學式圖案檢查裝置。該晶粒對晶粒比較方法中，係藉由比較從被稱為檢查對象之晶粒的半導體裝置與其鄰近晶粒之相同位置所得的影像彼此來檢測缺陷的方法。
另一方面，在不存在鄰近晶粒之被稱為倍縮光罩(reticle)的光罩之檢查中，係使用一種被稱為晶粒對資料庫(die to database)比較的方法。該方法係將光罩資料轉換成影像以取代在晶粒對晶粒比較方法中所使用的鄰近晶粒之影像，且進行前述同樣之檢查的方法。所謂光罩資料係指對設計資料施予光罩用之修正所得的資料(例如，參照專利文獻1)。
但是，當將晶粒對資料庫比較方法使用於晶圓檢查時，已形成於晶圓的圖案之轉角圓形(corner round)就會被檢測出作為缺陷。在光罩之檢查中，係對從光罩資料所轉換來的影像施予平滑濾波器(smoothing filter)而形成轉角圓形，藉此不會將轉角圓形檢測出作為缺陷。然而，由於藉由平滑濾波器所形成的轉角圓形，並不等於晶圓上所形成的實際之轉角圓形，所以有時實際之轉角圓形會被檢測出作為缺陷。於是，當為了忽略此等轉角圓形之差異而設定容許圖案變形量時，就會發生無法檢測出轉角以外所存在之微小缺陷的問題。
當注目於半導體積體電路生產上的問題時，重複發生的缺陷會比起因於灰塵等的隨機性缺陷更受到重視。所謂重複發生的缺陷(系統性(systematic)缺陷)，係被定義為以光罩不良等作為原因而在晶圓上之全部晶粒重複發生的缺陷。因重複發生的缺陷係發生於檢查對象的晶粒及其比較對象的鄰近晶粒之雙方，故在晶粒對晶粒比較中無法檢測出。因此，需要進行晶粒對資料庫比較方式之晶圓檢查。
[先前技術文獻] [專利文獻]
專利文獻1：美國專利第5563702號說明書
在晶粒對資料庫方式中，係進行晶圓上所形成的圖案之攝影，且在該影像上進行以設計資料作為基準的檢查。在該檢查之前，進行以設計資料作為基準的圖案之邊緣檢測。然而，有的情況無法正確地進行該邊緣檢測，而會發生影像上之錯誤的邊緣之檢測或檢測失敗。作為該理 由，是因在習知的方法中雖然已開始利用根據一定規則並依據設計資料來檢測影像上之邊緣的方法，但是在根據一定規則而來的方法中會由於影像之像質或圖案之變形而無法進行適當的邊緣之檢測所致。
於是，本發明係提供一種可以使用機器學習來進行精度較高之邊緣檢測的方法。
在圖案之邊緣檢測中，可應用機器學習。在該方法中，首先作為機器學習演算法之學習，係使用檢查對象的圖案之影像和所檢測出的圖案邊緣之影像作為訓練資料，且生成從影像檢測圖案邊緣的模型((model))，然後使用模型從成為實際之檢查對象的影像中檢測圖案之邊緣。
藉由機器學習所為的處理，係比依據習知之一定規則所為的處理更高精度且可對於資料之變化實現冗餘的處理。藉由使用訓練資料來進行機器學習演算法之學習，就可以對與訓練資料同等之資料進行高精度且冗餘性較高之處理。從而，藉由機器學習所生成的邊緣檢測模型，係可期待能適當地檢測圖案之邊緣。
另一方面，在訓練資料不適於機器學習演算法之學習的情況下，邊緣檢測模型之精度會變差，進而使用如此之邊緣檢測模型的邊緣檢測之精度會變差。
所謂訓練資料不適於學習的事例(case)，係指如下的情況。
事例1.1：圖案中包含有缺陷。在此情況下，有時藉由晶粒對資料庫方式所檢測出的圖案邊緣會不對應於實際之圖案邊緣。從而，包含缺陷的圖案，係不應被包含於訓練資料中。
事例1.2：圖案邊緣之變形較大或圖案邊緣之變形量不連續。在此情況下，在製作被包含於訓練資料中的圖案邊緣影像之過程中，邊緣檢測失敗，或不對應於邊緣之錯誤的圖案邊緣被檢測出的可能性會較高。
事例1.3：被包含於訓練資料中的圖案邊緣之數目，會依圖案之每一種類而大幅地成為不均衡。在此情況下，有的情況使用數目較少之圖案邊緣而生成的邊緣檢測模型，係無法正確或高精度地檢側邊緣。
又，由於藉由機器學習所檢測出的邊緣，並非與設計資料建立關聯關係，所以有必要將所檢測出的邊緣與設計資料建立關聯關係。在該建立關聯關係步驟中，有的情況會弄錯所檢測出的邊緣與設計資料之關聯關係。將此稱為事例2.1。
在一態樣中，係提供一種檢測圖案之邊緣的方法。該方法係包含下列之步驟：生成圖案之影像，基於從前述圖案之設計資料所生成的基準圖案，來檢測前述影像上的前述圖案之邊緣，重複圖案之影像的生成和前述影像上的前述圖案之邊緣的檢測，以製作由複數個影像和對應之複數個圖案邊緣所構成的訓練資料候補，將滿足事先所決定之不適格條件的圖案邊緣及對應之影像，從前述訓練資料候補中排除，藉此來決定訓練資料，使用前述訓練資料並藉由機器學習來生成邊緣檢測模型，生成其他的圖案之影像，以及使用前述邊緣檢測模型，來檢測影像上的前述其他的圖案之邊緣。
前述不適格條件為圖案包含缺陷。
前述不適格條件為圖案邊緣之偏差(bias)檢查值，高於事先所設定的上限，或低於事先所設定的下限，前述偏差檢查值為表示前述圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
前述不適格條件為在前述訓練資料候補之製作中，圖案之邊緣未被正確地檢測出。
前述不適格條件為圖案邊緣之偏差檢查值落在事先所設定之範圍外，前述偏差檢查值為表示前述圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
前述不適格條件為圖案邊緣之偏差檢查值不連續地變化，前述偏差檢查值為表示前述圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
前述不適格條件為圖案邊緣之偏差檢查值落在事先所設定之範圍外，且前述偏差檢查值不連續地變化，前述偏差檢查值為前述圖案邊緣之表示從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
前述方法係更包含下列之步驟：將被包含於前述訓練資料候補的前述複數個影像，按照圖案之種類而分類成複數個影像群組，且以使分別屬於前述所分類出之複數個影像群組的影像之數目成為相同之方式，從前述訓練資料候補中除去影像。
在一態樣中，係提供一種檢測圖案之邊緣的方法，該方法係具備下列之步驟：生成圖案之影像，依據從前述圖案之設計資料所生成的基準圖案，來檢測前述影像上的前述圖案之邊緣，重複圖案之影像的生成和前述影像上的前述圖案之邊緣的檢測，以製作由複數個影像和對應之複數個圖案邊緣所構成的訓練資料，使用前述訓練資料並藉由機器學習來生成邊緣檢測模型，生成其他的圖案之影像，使用前述邊緣檢測模型，來檢測影像上的前述其他的圖案之邊緣，藉由機器學習來生成前述邊緣檢測模型的步驟係將被包含於前述訓練資料的複數個圖案邊緣之各個圖案邊緣，按照依據設計資料所得之邊緣屬性而分割成複數個邊緣，且使用前述訓練資料，依前述所分割出的複數個邊緣之每一邊緣藉由機器學習來生成複數個邊緣檢測模型。
檢測前述其他的圖案之影像之邊緣的步驟係使用前述複數個邊緣檢測模型來分別檢測影像上的前述其他的圖案之複數個邊緣，且將前述所檢測出的複數個邊緣，與前述其他的圖案之設計資料建立關聯關係。
依據上面所述的態樣，可改善上述事例1.1、1.2、1.3、2.1。亦即，可改善訓練資料，結果可提高使用了機器學習的圖案邊緣之檢測精度。
1:主控制部
2:記憶裝置
3:輸入輸出控制部
4:輸入裝置
5:顯示裝置
6:印刷裝置
7:影像生成裝置
10:照射系統裝置
11:電子槍
12:聚焦透鏡
13:X偏向器
14:Y偏向器
15:物鏡
16:透鏡控制裝置
17:影像取得裝置
18:偏向控制裝置
20:試料室
21:XY載台
22:XY載台控制裝置
30:二次電子檢測器
40:晶圓搬運裝置
50:控制電腦
60:操作電腦
111、300、507、508、703、704:基準圖案
130:亮度輪廓之原點
140:垂直線
150:邊緣檢測位置
160:偏差線
200、510、511:圖案邊緣
301:實際之晶圓圖案
305至308、711:偏差線
400、410、420、505、506、701、702:設計資料
401至404、411、412、421至423:圖案
501、502:晶圓圖案
510a、511a:上側之邊緣
510b、511b:左側之邊緣
510c、511c:下側之邊緣
510d、511d:右側之邊緣
601:輸入層
602至605:中間層
610:輸出層
703a、704a、708、709:右側邊緣
706:邊緣檢測原點
B:底部點
D:寬度
E:均方誤差
P:峰值點
Q:邊緣檢測位置
RL:基準線
t、x1至x9、y、y1、y2、...、y5:亮度值
T1、X1:補片
W:晶圓
第1圖係顯示圖案檢查裝置之一實施形態的示意圖。
第2圖係顯示圖案檢查裝置的影像生成裝置之一實施形態的示意圖。
第3圖係不使用機器學習的晶粒對資料庫檢查之流程圖。
第4圖係顯示等間隔地配置於根據設計資料所製作成的基準圖案之邊緣上的亮度輪廓之原點的示意圖。
第5圖係顯示通過亮度輪廓之原點的垂直線之示意圖。
第6圖係顯示亮度輪廓之一例的曲線圖(graph)。
第7圖係說明邊緣檢測之一實施形態的示意圖。
第8圖係顯示藉由依次以線來連接各自的亮度輪廓上之邊緣檢測位置所形成的邊緣之示意圖。
第9圖係藉由機器學習而生成邊緣檢測模型的流程圖。
第10圖係說明訓練資料之決定的流程圖。
第11圖係顯示起因於邊緣之誤檢測而使偏差檢查值成為不連續的圖案之一例的示意圖。
第12圖係顯示設計資料之例的示意圖。
第13圖係顯示將複數個樣品影像按照設計資料之圖案種類而分類成複數個影像群組之結果的直方圖(histogram)。
第14圖係顯示晶圓圖案之樣品影像的示意圖。
第15圖係顯示第14圖所示的晶圓圖案之設計資料的示意圖。
第16圖係使晶圓圖案疊合於藉由對設計資料施予轉角圓形處理所生成的基準圖案的示意圖。
第17圖係以線連結邊緣檢測位置而構成作為所檢測出之圖案邊緣的示意圖。
第18圖係顯示從第17圖所示之圖案邊緣所分割出的上側之邊緣的示意圖。
第19圖係顯示從第17圖所示之圖案邊緣所分割出的左側之邊緣的示意圖。
第20圖係顯示從第17圖所示之圖案邊緣所分割出的下側之邊緣的示意圖。
第21圖係顯示從第17圖所示之圖案邊緣所分割出的右側之邊緣的示意圖。
第22圖係用以說明圖案邊緣之方向的示意圖。
第23圖係基於邊緣之角度而分割出的基準圖案之表格(table)。
第24圖係顯示構成前向傳播型類神經網路(neural network)之一部分的感知器(perceptron)之結構的示意圖。
第25圖係顯示活化函數的示意圖。
第26圖係使感知器多層化的前向傳播型類神經網路之示意圖。
第27圖係顯示已輸入至輸入層的複數個亮度值藉由前向傳播型類神經網路而轉換成一個亮度值之樣態的概念圖。
第28圖係顯示對於被包含於訓練資料中的樣品影像之輸入，以使所輸出的影像會成為所對應的圖案邊緣之影像而由前向傳播型類神經網路進行學習的樣態之概念圖。
第29圖係顯示從樣品影像所抽出的五個補片(patch)，和從前向傳播型類神經網路所輸出的亮度值，以及與從樣品影像抽出的補片之各自的位置對應的圖案邊緣影像之補片的示意圖。
第30圖係顯示從樣品影像所抽出的補片之示意圖。
第31圖係使用了邊緣檢測模型的邊緣檢查之流程。
第32圖係說明所檢測出的複數個邊緣與圖案之設計資料建立關聯關係的步驟(step)之流程圖。
第33圖係顯示圖案之設計資料的示意圖。
第34圖係顯示藉由對第33圖所示之設計資料施予轉角圓形處理所生成的基準圖案之示意圖。
第35圖係顯示從基準圖案所分割出的右側邊緣之示意圖。
第36圖係在第35圖所示之右側邊緣配置有邊緣檢測原點的示意圖。
第37圖係顯示在第31圖之步驟2所檢測出的右側邊緣之示意圖。
第38圖係說明第32圖之步驟3的示意圖。
第39圖係顯示屬於從邊緣檢測原點至邊緣位置為止之線段的偏差線之示意圖。
以下，參照圖式來說明本發明之實施形態。第1圖係顯示圖案檢查裝置之一實施形態的示意圖。本實施形態中的圖案檢查裝置，係具備主控制部1、記憶裝置2、輸入輸出控制部3、輸入裝置4、顯示裝置5、印刷裝置6及影像生成裝置7。
主控制部1係藉由CPU(Central Processing Unit；中央處理單元)等所構成，用以整合控制裝置整體。在主控制部1係連接有記憶裝置2。記憶裝置2係可以採取硬碟(hard disk)、固態硬碟機(Solid State Drive)、軟碟(flexible disc)、光碟等的形態。又，在主控制部1中，係透過輸入輸出控制部3，而連接有鍵盤(keyboard)、滑鼠(mouse)等的輸入裝置4、顯示輸入資料、計算結果等之顯示器(display)等的顯示裝置5，以及印刷檢查結果等之印表機等的印刷裝置6。
主控制部1係具有用以儲存OS(Operating System；操作系統)等之控制程式、圖案檢測用之程式及所需資料等的內部記憶體(內部記憶裝置)，藉由此等程式等來執行圖案邊緣檢測及邊緣檢測模型之生成。此等的程式係事先記憶於軟碟、光碟等，且可以在執行前使記憶體、硬碟等讀取來予以執行。
第2圖係顯示圖案檢查裝置的影像生成裝置7之一實施形態的示意圖。如第2圖所示，影像生成裝置7係具備照射系統裝置10、試料室20及二次電子檢測器30。在本實施形態中，影像生成裝置7為掃描式電子顯微鏡。
照射系統裝置10係由下述構件構成：電子槍11；聚焦透鏡(focusing lens)12，聚焦從電子槍11所釋放出的一次電子；X偏向器13及Y偏向器14，將電子束(帶電粒子束)偏向至X方向、Y方向；以及物鏡(objective lens)15。試料室20係具備可動於X方向、Y方向的XY載台(stage)21。在試料室20係可藉由晶圓搬運裝置40來搬出搬入屬於試料的晶圓W。
在照射系統裝置10中，從電子槍11所釋放出的一次電子在被聚焦透鏡12聚焦之後，一邊用X偏向器13及Y偏向器14來偏向且一邊藉由物鏡15來聚焦，並照射於屬於試料的晶圓W之表面。
當一次電子照射於晶圓W時就會從晶圓W釋放出二次電子，而二次電子能藉由二次電子檢測器30所檢測。聚焦透鏡12及物鏡15係連接於透鏡控制裝置16，該透鏡控制裝置16係連接於控制電腦50。二次電子檢測器30係連接於影像取得裝置17，該影像取得裝置17亦同樣連接於控制電腦50。由二次電子檢測器30所檢測出的二次電子強度會由影像取得裝置17來轉換成電位對比影像。將能夠取得沒有失真之最大電位對比影像的一次電子之照射區預定義為視野。
X偏向器13及Y偏向器14係連接於偏向控制裝置18，該偏向控制裝置18亦同樣連接於控制電腦50。XY載台21係連接於XY載台控制裝置22，該XY載台控制裝置22亦同樣連接於控制電腦50。又，晶圓搬運裝置40亦同樣連接於控制電腦50。控制電腦50係連接於操作電腦60。
第3圖係不使用機器學習的晶粒對資料庫檢查之流程圖。由掃描式電子顯微鏡所構成的影像生成裝置7係生成圖案之樣品影像(步驟1)。在本實施形態中，圖案係形成於作為試料的晶圓之表面。在以下之說明中，有時將成為邊緣檢測之對象的圖案稱為晶圓圖案。
其次，第1圖所示的主控制部1係對設計資料之圖案進行轉角圓形處理，且生成基準圖案(步驟2)。在轉角圓形處理中，例如是可以使用以圓弧來置換設計資料的圖案之轉角部的方法。圓弧之半徑的值係被指定作為檢查設定值。
如第4圖所示，主控制部1係在上述步驟2所生成的基準圖案111之邊緣上以等間隔配置亮度輪廓之原點130(第3圖之步驟3)。鄰接 的亮度輪廓之原點130間的距離，例如是相當於1像素尺寸(pixel size)的距離。
如第5圖所示，主控制部1係拉出通過上述步驟3所配置的亮度輪廓之原點130的垂直線140(第3圖之步驟4)。垂直線係指與基準圖案111之邊緣垂直的線段，且等間隔地排列。主控制部1係取得各個垂直線140上的樣品影像之亮度值，且根據此等的亮度值製作樣品影像之亮度輪廓(第3圖之步驟5)。
第6圖係顯示亮度輪廓之一例的曲線圖。在第6圖中，縱軸係表示亮度值，橫軸係表示垂直線140上之位置。亮度輪廓係表示沿著垂直線140的亮度值之分佈。主控制部1係依據亮度輪廓而檢測樣品影像上之圖案邊緣(第3圖之步驟6)。在圖案邊緣檢測中，係可使用臨限值法、直線近似法等。在本實施形態中，係使用臨限值法來檢測圖案邊緣。
參照第6圖來說明屬於根據亮度輪廓的圖案邊緣檢測之一方法的臨限值法。將臨限值設為x[%]。主控制部1係在亮度輪廓中，決定具有最大亮度值的取樣點P，且將該取樣點之位置作為峰值點。其次，主控制部1係在比峰值點P更靠圖案之外側的區域中，決定具有最小亮度值的取樣點，且將該取樣點之位置作為底部點B。其次，在峰值點P與底部點B之間，決定將從底部點B之亮度值至峰值點P之亮度值內分成x：(100-x)的邊緣亮度值，且將具有該邊緣亮度值的亮度輪廓上的取樣點Q之位置作為邊緣檢測位置。
在具有被決定之邊緣亮度值的取樣點不落在亮度輪廓上的情況下，如第7圖所示，主控制部1係從峰值點P朝向底部點B搜尋取樣 點之亮度值，且決定亮度值最初低於上述邊緣亮度值的取樣點S1，並決定其一個峰值點側的取樣點S2，藉由該二個取樣點S1、S2之線性內插來決定與邊緣亮度值對應的邊緣檢測位置。
如第8圖所示，主控制部1係依次以線來連接各自的亮度輪廓上之邊緣檢測位置。在第8圖中，符號150係表示上面所述的邊緣檢測位置，符號200係表示由以點線所連接的複數個邊緣檢測位置150所構成的圖案邊緣。如此，主控制部1係可以基於亮度輪廓，來檢測樣品影像上之圖案邊緣。
在第8圖中，連接亮度輪廓之原點130與邊緣檢測位置150的線段，係定義為偏差線160。主控制部1係計算被定義作為從位於基準圖案111之外側的邊緣檢測位置150延伸的偏差線160之長度的偏差檢查值。更且，主控制部1係計算被定義作為對從位於基準圖案111之內側的邊緣檢測位置150延伸的偏差線160之長度乘上-1所得的值的偏差檢查值(第3圖之步驟7)。偏差檢查值係表示圖案邊緣之從基準圖案111之邊緣起算的偏差之大小及方向的指標值，該基準圖案111係從對應之設計資料所生成。
如此，主控制部1係可以基於偏差檢查值，來區別晶圓圖案之「粗變形」和「細變形」。例如，正的偏差檢查值係意指晶圓圖案為粗變形，負的偏差檢查值係意指晶圓圖案為細變形。亦可對偏差檢查值事先決定上限及下限。在此情況下，主控制部1係可以檢測如下：在偏差檢查值高於上限的情況下，將算出該偏差檢查值的部位檢測出作為粗缺陷，在 偏差檢查值低於下限的情況下，將算出該偏差檢查值的部位檢測出作為細缺陷(第3圖之步驟8)。
第9圖係藉由機器學習而生成邊緣檢測模型的流程圖。使用了機器學習的邊緣檢測模型之生成，係藉由第1圖所示之主控制部1所執行。由掃描式電子顯微鏡所構成的影像生成裝置7係生成圖案之樣品影像(步驟1)。主控制部1係從影像生成裝置7取得樣品影像。在本實施形態中，圖案係形成於屬於試料的晶圓之表面。在以下之說明中，有時將成為邊緣檢測之對象的圖案稱為晶圓圖案。
在步驟2中，第1圖所示的圖案檢查裝置係按照第3圖所示的流程圖進行不使用機器學習的晶粒對資料庫檢查。第9圖之步驟1及步驟2係重複複數次，且重複進行樣品影像之生成和圖案邊緣之檢測。結果，可藉由主控制部1來取得複數個樣品影像和對應之複數個圖案邊緣。所取得之複數個樣品影像和對應之複數個圖案邊緣的全部，係構成訓練資料候補。
其次，主控制部1係將滿足事先所決定之不適格條件的圖案邊緣及對應之樣品影像，從訓練資料候補中排除，藉此來決定機器學習中所使用的訓練資料(步驟3)。訓練資料之決定係使用樣品影像與圖案邊緣之檢測結果所進行。在本實施形態中，不適格條件係指(i)圖案包含缺陷，以及(ii)在訓練資料候補之製作中，圖案之邊緣未被正確地檢測出。
第10圖係說明第9圖之步驟3中的訓練資料之決定的流程圖。在第10圖之步驟1中，在晶粒對資料庫檢查中被判定為包含缺陷的圖案之邊緣，與對應之樣品影像，係從訓練資料候補中除去。亦即，偏差檢 查值高於上限的圖案之邊緣與對應之樣品影像、以及偏差檢查值低於下限的圖案之邊緣與對應之樣品影像，係從訓練資料候補中除去。
在第10圖之步驟2中，在晶粒對資料庫檢查中圖案邊緣檢測有可能不被正確地進行的圖案邊緣及對應之樣品影像，係從訓練資料候補中除去。圖案邊緣檢測有可能不被正確地進行的圖案邊緣之一例，為變形較大的圖案邊緣。在圖案邊緣之變形的大小及方向中，例如可以使用在晶粒對資料庫檢查中之缺陷判定所使用的偏差檢查值。更具體而言，偏差檢查值落在事先已設定之範圍外的圖案邊緣係被決定成變形較大的圖案邊緣。在圖案邊緣之變形較大的情況下，邊緣檢測有可能不被正常地進行。從而，如此的圖案邊緣及對應之樣品影像係從訓練資料候補中除去。
在晶粒對資料庫檢查中圖案邊緣檢測有可能不被正確地進行的圖案邊緣之另一例，為偏差檢查值不連續地變化的圖案邊緣。偏差檢查值係表示圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成。從而，在邊緣檢測未被正確地進行的情況下，偏差檢查值係成為不連續，結果，偏差檢查值會急遽地變化。
第11圖係顯示起因於邊緣之誤檢測而使偏差檢查值成為不連續的圖案之一例的示意圖。符號300係由設計資料所生成的基準圖案，符號301係依據設計資料所製作成的實際之晶圓圖案。沿著基準圖案300之邊緣，偏差檢查值不連續地變化。具體而言，以偏差線305所示的偏差檢查值為正的符號，相對於此，以鄰接之偏差線306所示的偏差檢查值為 負的符號。又，以偏差線307所示的偏差檢查值為負的符號，相對於此，以鄰接之偏差線308所示的偏差檢查值為正的符號。
如此例，在偏差檢查值急遽地變化的情況下，例如鄰接之二個偏差線的偏差檢查值之差為預定之臨限值以上時，係將該圖案邊緣及對應之樣品影像從訓練資料候補中除去。例如，在第11圖的鄰接之二個偏差線305、306的偏差檢查值之差，為基準圖案300的寬度D之30%以上的情況下，該樣品影像係可從訓練資料候補中除去。
在第10圖之步驟3中，係將被包含於訓練資料候補的複數個樣品影像，按照設計資料之圖案的種類而分類成複數個影像群組。第12圖係顯示設計資料之例，且顯示三種類之圖案。符號400、410、420係表示樣品影像之分類中所使用的設計資料，符號401、402、403、404係表示設計資料400所包含的圖案，符號411、412係表示設計資料410所包含的圖案，符號421、422、423係表示設計資料420所包含的圖案。
第13圖係顯示將實施晶粒對資料庫檢查時所得的複數個樣品影像按照設計資料之圖案種類而分類成複數個影像群組之結果的直方圖。在第13圖中，縱軸係表示設計資料之圖案種類，橫軸係表示樣品影像之數目。
在第10圖之步驟4中，主控制部1係以使分別屬於被分類出之複數個影像群組的樣品影像之數目成為相同之方式，從訓練資料候補中除去樣品影像。在存在有樣品影像之數目低於事先設定之值的圖案種類的情況下，主控制部1係向訓練資料賦予警告，且向使用者通知存在樣品影像之數目較少的圖案種類。
藉由如此，使圖案之種類的偏差減低(亦即，提高使用於訓練資料的圖案之種類的全面性)，藉此可以提高機器學習之精度。又，藉由使訓練資料之圖案的種類偏差減低，可減少訓練資料之總數。
回到第9圖，在第9圖之步驟4中，主控制部1係將第9圖之步驟3所決定的被包含於訓練資料中的複數個圖案邊緣之各個圖案邊緣，按照依據設計資料所得之作為邊緣屬性的設計資料之圖案邊緣方向，來分割成複數個邊緣。
第14圖係顯示晶圓圖案501、502之樣品影像的示意圖，第15圖係顯示第14圖所示的晶圓圖案501、502之設計資料505、506的示意圖。第16圖係使晶圓圖案501、502疊合於藉由對設計資料505、506施予轉角圓形處理所生成的基準圖案507、508的示意圖。在第16圖中，在基準圖案507、508上等間隔地配置有亮度輪廓之原點130，且偏差線160從原點130延伸至邊緣檢測位置為止。
第17圖係以線連結邊緣檢測位置而構成作為所檢測出之圖案邊緣510、511的示意圖。第18圖係顯示從第17圖所示之圖案邊緣所分割出的上側之邊緣510a、511a的示意圖，第19圖係顯示從第17圖所示之圖案邊緣所分割出的左側之邊緣510b、511b的示意圖，第20圖係顯示從第17圖所示之圖案邊緣所分割出的下側之邊緣510c、511c的示意圖，第21圖係顯示從第17圖所示之圖案邊緣所分割出的右側之邊緣510d、511d的示意圖。
第22圖係用以說明圖案邊緣之方向的示意圖。如第22圖所示，圖案邊緣之方向係依據基準圖案507、508之邊緣的角度θ所決定。該 角度θ係被定義為從圖案內側朝向外側拉出的法線之從基準線RL起算之逆時針方向的角度。第23圖係依據邊緣之角度θ而分類出的基準圖案507、508之表格。依據基準圖案507、508而檢測出的圖案邊緣510、511，係按照基準圖案507、508之角度θ而分割成右側之邊緣510d、511d、上側之邊緣510a、511a、左側之邊緣510b、511b、下側之邊緣510c、511c。
在第9圖之步驟5中，主控制部1係依被分割出的複數個邊緣之每一邊緣而進行圖案邊緣之影像化。更且，在第9圖之步驟6中，主控制部1係使用訓練資料，依被分割出的複數個邊緣之每一邊緣藉由機器學習來生成機器學習演算法之訓練(training)，亦即複數個邊緣檢測模型。以下，在使用前向傳播型類神經網路作為機器學習演算法的方法中加以說明。
第24圖係顯示構成前向傳播型類神經網路之一部分的感知器之結構的示意圖。相對於輸入之向量(輸入特徵量、x1、x2、...、xn)的各個成分，有耦合權重w1、w2、...、wn。單元之值u係以輸入特徵量之各個成分與對應之耦合權重的積以及偏差項b的和，而表示成w1x1+w2x2+、...、+wnxn+b。感知器之輸出y，為將單元之值u輸入至活化函數f(．)所得的值y=f(u)。
第25圖係顯示活化函數的示意圖。在本實施形態中，在活化函數中係使用斜坡函數(ramp function)(ReLU)。斜坡函數係定義如下。
若u<0則f(u)=0，若u≧0則f(u)=u
第26圖係使感知器多層化的前向傳播型類神經網路之示意圖。在前向傳播型類神經網路中，係有複數層的感知器。從輸入側之層朝 向輸出側之層，某個感知器之輸出被輸入至下一個感知器。計算係從輸入側之層依順序進行，且最終計算輸出值y。
在本實施形態中，前向傳播型類神經網路之輸入特徵量係指構成被包含於訓練資料中之樣品影像的像素之亮度值。第27圖係顯示已輸入至輸入層的複數個亮度值藉由前向傳播型類神經網路而轉換成一個亮度值之樣態的概念圖。在第27圖所示的前向傳播型類神經網路中，樣品影像之鄰接的九個像素之各自的亮度值是輸入至輸入層601，而上述九個像素當中之位於中心的一個像素之亮度值是輸出至輸出層610。亦即，主控制部1係將應檢測邊緣的樣品影像之複數個亮度值x1至x9，輸入至輸入層601。由某個已被設定之數目的像素所構成的影像區域係被稱為補片。樣品影像之補片內的像素之亮度值x1至x9係依次傳播至前向傳播型類神經網路之中間層602至605的單元，最後從輸出層610輸出亮度值y。該亮度值y係被分配於與位在樣品影像之補片之中心的像素對應的輸出影像之像素的亮度值。
第28圖係顯示對於被包含於訓練資料中的樣品影像之輸入，以使所輸出的影像會成為所對應的圖案邊緣之影像之方式而由前向傳播型類神經網路進行學習的樣態之概念圖。在此，所謂學習，係指對於樣品影像之輸入，以使所輸出的影像會成為所對應的圖案邊緣之影像之方式，而由主控制部1自動調節耦合前向傳播型類神經網路之單元間的耦合權重，而邊緣檢測模型係包含調節已完成的耦合權重。在本實施形態中，樣品影像係被使用作為學習用之訓練影像，所對應的圖案邊緣之影像係被使用作為學習用之教師影像。
在本實施形態中，主控制部1係使用訓練資料，依按照邊緣屬性所分割出的複數個邊緣之每一邊緣藉由機器學習來生成複數個邊緣檢測模型。較佳是當將從樣品影像抽出的補片之亮度向量設為X1，將從前述前向傳播型類神經網路所抽出的補片X1之亮度值設為y，將與補片X1之位置對應的圖案邊緣影像之補片T1之亮度值設為t時，從前向傳播型類神經網路所輸出的亮度值y會儘量接近圖案邊緣影像之亮度值t。
第29圖係顯示從樣品影像所抽出的五個補片，和從前向傳播型類神經網路所輸出的亮度值，以及與從樣品影像抽出的補片之各自的位置對應的圖案邊緣影像之補片的示意圖。從樣品影像所抽出的補片之亮度向量X1、X2、...、X5係藉由前向傳播型類神經網路而分別轉換成亮度值y1、y2、...、y5。亮度值y1、y2、...、y5係分別與圖案邊緣影像之對應的補片之亮度值t1、t2、、t5進行比較。
第30圖係顯示從樣品影像所抽出的補片之示意圖。補片係具有由複數個亮度值所構成的亮度向量。在第30圖所示之例中，補片為3像素四方之大小。從而，補片係具有九個像素，各自的像素之亮度值係以xi1、xi2、xi3、xi4、xi5、xi6、xi7、xi8、xi9來表示。亦即，補片係以以下所示之亮度向量所表示。
亮度向量Xi=[xi1，xi2，xi3，xi4，xi5，xi6，xi7，xi8，xi9]
i為指定補片的編號。
在一實施形態中，在yi與ti之間的鄰近之評估指標中，使用如下所定義的均方誤差。
E=Σ(yi-ti)2/N
N為同時評估的補片之數目。
若前述均方誤差越小就可期待輸出影像越會接近圖案邊緣影像。
主控制部1係更新耦合權重以使前述均方誤差E變小。例如，在第M個層之單元α與第M+1個層之單元β之間的權重參數wαβ中，主控制部1係可考慮使用求出E對於wαβ的偏微分值
Figure 108108657-A0305-02-0023-4
E/
Figure 108108657-A0305-02-0023-5
wαβ，且將權重參數wαβ置換成wαβ-ε×
Figure 108108657-A0305-02-0023-6
E/
Figure 108108657-A0305-02-0023-7
wαβ的梯度法(gradient method)。在此，ε為學習係數，為事先所決定的數值。其他，可以藉由使用亞丹(Adam)之方法、機率的梯度法來推展學習。又，就對於偏微分
Figure 108108657-A0305-02-0023-8
E/
Figure 108108657-A0305-02-0023-9
wαβ之計算使用合成函數之連鎖定律來效率佳地推展計算演算法而言，已知有一種誤差反向傳播法。
如上述，使耦合權重最佳化，且依被分割出的複數個邊緣之每一邊緣來生成複數個邊緣檢測模型。第31圖係使用了邊緣檢測模型的邊緣檢查之流程。使用邊緣檢測模型的邊緣檢查係藉由第1圖所示的主控制部1所執行。由掃描式電子顯微鏡所構成的影像生成裝置7係生成圖案之影像(步驟1)。主控制部1係從影像生成裝置7取得圖案之影像。在本實施形態中，圖案形成於屬於試料的晶圓之表面。在該步驟1中所生成的圖案，係與訓練資料候補之製作中所使用的圖案不同的圖案。
在步驟2中，主控制部1係將依被分割出的複數個邊緣之每一邊緣而生成的複數個邊緣檢測模型應用於圖案之影像，且進行圖案之邊緣檢測。例如，主控制部1係使用上側的邊緣用之邊緣檢測模型來檢測上側之邊緣，使用右側的邊緣用之邊緣檢測模型來檢測右側之邊緣，使用左側的邊緣用之邊緣檢測模型來檢測左側之邊緣，使用下側的邊緣用之邊緣 檢測模型來檢測下側之邊緣。被包含於各自之邊緣檢測模型中的耦合權重，已藉由使用了訓練資料的學習而最佳化。作為邊緣檢測結果，係生成所檢測出的複數個邊緣之複數個影像。所檢測出的邊緣之各影像係與樣品影像相同的大小。在該所檢測出的邊緣之各個影像中，在與邊緣對應的像素分配有1的數值，在不與邊緣對應的像素分配有0的數值。
在步驟3中，所檢測出的複數個邊緣係與在步驟1所拍攝到的圖案之設計資料建立關聯關係。第32圖係說明第31圖之步驟3的流程圖。在步驟1中，主控制部1係對設計資料施予轉角圓形處理，且生成基準圖案。基準圖案之邊緣係與訓練資料之圖案邊緣同樣地，按照作為依據設計資料所得之邊緣屬性的圖案邊緣方向而分割成複數個邊緣。
第33圖係顯示圖案之設計資料701、702的示意圖，第34圖係顯示藉由對第33圖所示之設計資料701、702施予轉角圓形處理所生成的基準圖案703、704之示意圖，第35圖係顯示從基準圖案703、704所分割出的右側邊緣703a、704a之示意圖。
在第32圖之步驟2中，主控制部1係將邊緣檢測原點配置於第35圖所示之右側邊緣703a、704a。第36圖係在第35圖所示之右側邊緣703a、704a配置有邊緣檢測原點706的示意圖。邊緣檢測原點706，係等間隔地配置於右側邊緣703a、704a上。第37圖係顯示在第31圖之步驟2所檢測出的右側邊緣708、709之示意圖。
第38圖係說明第32圖之步驟3的示意圖。如第38圖所示，在第32圖之步驟3中，主控制部1係將使用右側用之邊緣檢測模型而檢測出的右側邊緣708、709之影像，疊合於根據設計資料所生成的右側邊緣 703a、704a之影像，且拉出通過邊緣檢測原點706的垂直線710。垂直線710之長度係以固定值或外部參數所指定的長度，垂直線710係朝向右側邊緣703a、704a之外側與內側之雙方拉出。該垂直線710與所檢測出的右側邊緣708、709之交點為邊緣位置。在第32圖之步驟4中，製作屬於從邊緣檢測原點706至邊緣位置為止之線段的偏差線。第39圖係顯示屬於從邊緣檢測原點706至邊緣位置為止之線段的偏差線711之示意圖。根據設計資料所生成的右側邊緣703a、704a與使用邊緣檢測模型而檢測出的右側邊緣708、709係藉由偏差線711而相互地建立關聯關係。
同樣，亦針對藉由依據設計資料所得之邊緣屬性而分類出的圖案之上側邊緣、左側邊緣及下側邊緣製作偏差線，該等偏差線之資訊係基於設計資料而整合，且構成晶粒對資料庫檢查結果。
回到第31圖，主控制部1係與不使用機器學習的晶粒對資料庫檢查同樣地，依據偏差線之長度，亦即偏差檢查值而進行晶圓圖案之缺陷判定。
上面所述的實施形態，係以本發明所屬技術領域中具有通常知識者可以實施本發明為目的來記載。上述實施形態之各種的變化例，為該發明所屬技術領域中具有通常知識者所當然能完成，本發明之技術思想亦能應用於其他的實施形態。從而，本發明係未被限定於所記載之實施形態，而是可解釋成按照藉由申請專利範圍所定義之技術思想的最廣範圍。

Claims (10)

  1. 一種圖案邊緣檢測方法，係檢測圖案之邊緣，其特徵在於包含下列之步驟：生成圖案之影像；依據從前述圖案之設計資料所生成的基準圖案，來檢測前述影像上的前述圖案之邊緣；重複進行圖案之影像的生成和前述影像上的前述圖案之邊緣的檢測，以製作由複數個影像和對應之複數個圖案邊緣所構成的訓練資料候補；將滿足事先所決定之不適格條件的圖案邊緣及對應之影像，從前述訓練資料候補中排除，藉此來決定訓練資料；使用前述訓練資料並藉由機器學習來生成邊緣檢測模型；生成其他的圖案之影像；以及使用前述邊緣檢測模型，來檢測影像上的前述其他的圖案之邊緣。
  2. 如申請專利範圍第1項所述之圖案邊緣檢測方法，其中，前述不適格條件為圖案包含缺陷。
  3. 如申請專利範圍第2項所述之圖案邊緣檢測方法，其中，前述不適格條件為圖案邊緣之偏差檢查值高於事先所設定的上限，或低於事先所設定的下限；前述偏差檢查值為表示前述圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
  4. 如申請專利範圍第1項所述之圖案邊緣檢測方法，其中，前述不適格條件為在前述訓練資料候補之製作中，圖案之邊緣未被正確地檢測出。
  5. 如申請專利範圍第4項所述之圖案邊緣檢測方法，其中，前述不適格條件為圖案邊緣之偏差檢查值落在事先所設定之範圍外；前述偏差檢查值為表示前述圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
  6. 如申請專利範圍第4項所述之圖案邊緣檢測方法，其中，前述不適格條件為圖案邊緣之偏差檢查值不連續地變化；前述偏差檢查值為表示前述圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
  7. 如申請專利範圍第4項所述之圖案邊緣檢測方法，其中，前述不適格條件為圖案邊緣之偏差檢查值落在事先所設定之範圍外，且前述偏差檢查值不連續地變化；前述偏差檢查值為表示前述圖案邊緣之從基準圖案之邊緣起算的偏差之大小及方向的指標值，該基準圖案係從對應之設計資料所生成者。
  8. 如申請專利範圍第1項所述之圖案邊緣檢測方法，更包含：將被包含於前述訓練資料候補的前述複數個影像，按照圖案之種類而分類成複數個影像群組，且以使分別屬於前述所分類出之複數個影像群組的影像之數目成為相同之方式，從前述訓練資料候補中除去影像之步驟。
  9. 一種圖案邊緣檢測方法，係檢測圖案之邊緣，其特徵在於具備下列之步驟： 生成圖案之影像；依據從前述圖案之設計資料所生成的基準圖案，來檢測前述影像上的前述圖案之邊緣；重複圖案之影像的生成和前述影像上的前述圖案之邊緣的檢測，以製作由複數個影像和對應之複數個圖案邊緣所構成的訓練資料；使用前述訓練資料並藉由機器學習來生成邊緣檢測模型；生成其他的圖案之影像；以及使用前述邊緣檢測模型，來檢測影像上的前述其他的圖案之邊緣；藉由機器學習來生成前述邊緣檢測模型的步驟，係將被包含於前述訓練資料的複數個圖案邊緣之各個圖案邊緣，按照依據設計資料所得之邊緣屬性而分割成複數個邊緣，且使用前述訓練資料，依前述所分割出的複數個邊緣之每一邊緣藉由機器學習來生成複數個邊緣檢測模型。
  10. 如申請專利範圍第9項所述之圖案邊緣檢測方法，其中，檢測前述其他的圖案之影像之邊緣的步驟，係使用前述複數個邊緣檢測模型來分別檢測影像上的前述其他的圖案之複數個邊緣，且將前述所檢測出的複數個邊緣，與前述其他的圖案之設計資料建立關聯關係。
TW108108657A 2018-03-27 2019-03-14 圖案邊緣檢測方法 TWI798380B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-059802 2018-03-27
JP2018059802A JP6964031B2 (ja) 2018-03-27 2018-03-27 パターンエッジ検出方法

Publications (2)

Publication Number Publication Date
TW201942796A TW201942796A (zh) 2019-11-01
TWI798380B true TWI798380B (zh) 2023-04-11

Family

ID=68061339

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108108657A TWI798380B (zh) 2018-03-27 2019-03-14 圖案邊緣檢測方法

Country Status (6)

Country Link
US (1) US11436736B2 (zh)
JP (1) JP6964031B2 (zh)
KR (1) KR20200135991A (zh)
CN (1) CN111902844A (zh)
TW (1) TWI798380B (zh)
WO (1) WO2019188009A1 (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11380516B2 (en) 2017-04-13 2022-07-05 Fractilia, Llc System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US10522322B2 (en) 2017-04-13 2019-12-31 Fractilia, Llc System and method for generating and analyzing roughness measurements
US10176966B1 (en) 2017-04-13 2019-01-08 Fractilia, Llc Edge detection system
JP2020139905A (ja) * 2019-03-01 2020-09-03 セイコーエプソン株式会社 検査装置、検査方法、およびプログラム
US11355305B2 (en) 2019-10-08 2022-06-07 Fei Company Low keV ion beam image restoration by machine learning for object localization
JP6730501B1 (ja) * 2019-10-08 2020-07-29 アイコンヤマト株式会社 自動図化装置、自動図化方法および自動図化プログラム
EP4089624A4 (en) 2020-01-09 2023-10-25 Hitachi High-Tech Corporation IMAGE PRODUCTION SYSTEM AND NON-VOLATILE COMPUTER-READABLE MEDIUM
JP7451384B2 (ja) 2020-01-10 2024-03-18 東レエンジニアリング先端半導体Ｍｉテクノロジー株式会社 パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
CN114945801A (zh) * 2020-01-10 2022-08-26 塔斯米特株式会社 图案边缘检测方法、图案边缘检测装置、记录有用于让计算机执行图案边缘检测的程序的记录介质
US11416977B2 (en) * 2020-03-10 2022-08-16 Applied Materials, Inc. Self-measurement of semiconductor image using deep learning
WO2021192119A1 (ja) * 2020-03-25 2021-09-30 ソニーグループ株式会社 情報処理装置、プログラム、および方法
CN111612897B (zh) * 2020-06-05 2023-11-10 腾讯科技（深圳）有限公司 三维模型的融合方法、装置、设备及可读存储介质
TWI798650B (zh) * 2021-02-25 2023-04-11 環球晶圓股份有限公司 自動光學檢測方法、自動光學檢測系統及記錄媒體
JP2023183314A (ja) * 2022-06-15 2023-12-27 株式会社Sumco ウェーハの判定方法、判定プログラム、判定装置、ウェーハの製造方法及びウェーハ
CN116168041B (zh) * 2023-04-26 2023-07-11 湖南隆深氢能科技有限公司 一种应用于贴合装置的实时检测方法及其系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158345A1 (en) * 2008-12-22 2010-06-24 Tadashi Kitamura Defect And Critical Dimension Analysis Systems And Methods For A Semiconductor Lithographic Process
US20130234019A1 (en) * 2010-11-24 2013-09-12 Atsushi Miyamoto Global alignment using multiple alignment pattern candidates
US20130336574A1 (en) * 2012-06-14 2013-12-19 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
TWI515409B (zh) * 2013-01-29 2016-01-01 Hitachi High Tech Corp A pattern evaluation device, and an appearance inspection device provided with a pattern evaluation device
US20160154922A1 (en) * 2014-12-01 2016-06-02 Globalfoundries Inc. Optical proximity correction taking into account wafer topography
TW201706959A (zh) * 2015-03-31 2017-02-16 克萊譚克公司 在圖案化晶圓上缺陷之子像素及子解析度局部化
TWI594067B (zh) * 2015-07-27 2017-08-01 達盟系統有限公司 在半導體製程的晶片設計佈局中發現未知問題圖案的系統與方法
TW201741779A (zh) * 2016-03-01 2017-12-01 Ａｓｍｌ荷蘭公司 判定圖案化製程參數之方法與裝置
US20180005363A1 (en) * 2015-01-30 2018-01-04 Hitachi High-Technologies Corporation Pattern Matching Device and Computer Program for Pattern Matching

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04125779A (ja) * 1990-09-18 1992-04-27 Toshiba Corp 画像処理方法
JPH0546764A (ja) * 1991-08-12 1993-02-26 Fujitsu Ltd エツジ抽出システム
US5563702A (en) 1991-08-22 1996-10-08 Kla Instruments Corporation Automated photomask inspection apparatus and method
US5475766A (en) * 1991-09-05 1995-12-12 Kabushiki Kaisha Toshiba Pattern inspection apparatus with corner rounding of reference pattern data
US6400838B2 (en) * 1997-07-29 2002-06-04 Kabushiki Kaisha Toshiba Pattern inspection equipment, pattern inspection method, and storage medium storing pattern inspection program
JP3485052B2 (ja) * 1999-12-16 2004-01-13 日本電気株式会社 参照画像作成方法、パターン検査装置及び参照画像作成プログラムを記録した記録媒体
JP2006012069A (ja) * 2004-06-29 2006-01-12 Olympus Corp 分類装置及び分類方法
JP2007192652A (ja) * 2006-01-19 2007-08-02 Advanced Mask Inspection Technology Kk パターン検査装置、パターン検査方法、及び検査対象試料
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
US20080270970A1 (en) * 2007-04-27 2008-10-30 Nikon Corporation Method for processing pattern data and method for manufacturing electronic device
JP4542164B2 (ja) * 2008-03-18 2010-09-08 アドバンスド・マスク・インスペクション・テクノロジー株式会社 パターン検査装置、パターン検査方法及びプログラム
JP5769559B2 (ja) * 2011-09-07 2015-08-26 キヤノン株式会社 画像処理装置、画像処理プログラム、ロボット装置及び画像処理方法
US9778205B2 (en) * 2014-03-25 2017-10-03 Kla-Tencor Corporation Delta die and delta database inspection

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158345A1 (en) * 2008-12-22 2010-06-24 Tadashi Kitamura Defect And Critical Dimension Analysis Systems And Methods For A Semiconductor Lithographic Process
US20130234019A1 (en) * 2010-11-24 2013-09-12 Atsushi Miyamoto Global alignment using multiple alignment pattern candidates
US20130336574A1 (en) * 2012-06-14 2013-12-19 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
TWI515409B (zh) * 2013-01-29 2016-01-01 Hitachi High Tech Corp A pattern evaluation device, and an appearance inspection device provided with a pattern evaluation device
US20160154922A1 (en) * 2014-12-01 2016-06-02 Globalfoundries Inc. Optical proximity correction taking into account wafer topography
US20180005363A1 (en) * 2015-01-30 2018-01-04 Hitachi High-Technologies Corporation Pattern Matching Device and Computer Program for Pattern Matching
TW201706959A (zh) * 2015-03-31 2017-02-16 克萊譚克公司 在圖案化晶圓上缺陷之子像素及子解析度局部化
TWI594067B (zh) * 2015-07-27 2017-08-01 達盟系統有限公司 在半導體製程的晶片設計佈局中發現未知問題圖案的系統與方法
TW201741779A (zh) * 2016-03-01 2017-12-01 Ａｓｍｌ荷蘭公司 判定圖案化製程參數之方法與裝置

Also Published As

Publication number Publication date
JP6964031B2 (ja) 2021-11-10
CN111902844A (zh) 2020-11-06
KR20200135991A (ko) 2020-12-04
US20210027473A1 (en) 2021-01-28
JP2019174940A (ja) 2019-10-10
WO2019188009A1 (ja) 2019-10-03
US11436736B2 (en) 2022-09-06
TW201942796A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
TWI798380B (zh) 圖案邊緣檢測方法
JP7002949B2 (ja) 画像評価方法及び画像評価装置
US11748551B2 (en) Optical mode optimization for wafer inspection
US8331651B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
JP7035069B2 (ja) ２つのフォトマスクを比較することによるフォトマスクの検査
JP5429869B2 (ja) パターン検査装置および方法
TWI648533B (zh) 用於相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之電腦實施方法及經組態以相對於一所儲存高解析度晶粒圖像判定檢查資料之一位置之系統
JP4997351B2 (ja) パターン検査装置および方法
US7817844B2 (en) Pattern inspection apparatus and method
JP4787673B2 (ja) パターン検査装置および方法
US10163733B2 (en) Method of extracting defects
JP2011191296A (ja) パターン検査装置および方法
JP2019008599A (ja) 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法
JP2009206453A (ja) 製造プロセスモニタリングシステム
US7742162B2 (en) Mask defect inspection data generating method, mask defect inspection method and mask production method
JP2019011972A (ja) パターンエッジ検出方法
JP2022139174A (ja) 欠陥分類装置、方法およびプログラム
JP4597509B2 (ja) パターン検査装置およびパターン検査方法
TWI758533B (zh) 設計關鍵性分析擴充之製程窗合格取樣
WO2022230338A1 (ja) 欠陥を検出するシステム、及びコンピュータ可読媒体
JP7459007B2 (ja) 欠陥検査装置及び欠陥検査方法
JP2001183810A (ja) マスクパターン形状評価装置および形状評価方法並びに形状評価プログラムを記録した記録媒体
Chang et al. Simulation studies of two-layer Hopfield neural networks for automatic wafer defect inspection