TWI822382B - 診斷系統、診斷方法、及電腦程式 - Google Patents
診斷系統、診斷方法、及電腦程式 Download PDFInfo
- Publication number
- TWI822382B TWI822382B TW111138146A TW111138146A TWI822382B TW I822382 B TWI822382 B TW I822382B TW 111138146 A TW111138146 A TW 111138146A TW 111138146 A TW111138146 A TW 111138146A TW I822382 B TWI822382 B TW I822382B
- Authority
- TW
- Taiwan
- Prior art keywords
- sample
- mentioned above
- charged particle
- particle beam
- aforementioned
- Prior art date
Links
- 238000004590 computer program Methods 0.000 title claims 3
- 238000002405 diagnostic procedure Methods 0.000 title claims 2
- 238000007689 inspection Methods 0.000 claims abstract description 61
- 239000002245 particle Substances 0.000 claims description 36
- 230000007246 mechanism Effects 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 25
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 150
- 238000012360 testing method Methods 0.000 description 48
- 238000000034 method Methods 0.000 description 47
- 238000012545 processing Methods 0.000 description 42
- 239000000523 sample Substances 0.000 description 41
- 238000012549 training Methods 0.000 description 39
- 230000008569 process Effects 0.000 description 36
- 235000012431 wafers Nutrition 0.000 description 30
- 238000003860 storage Methods 0.000 description 29
- 238000004458 analytical method Methods 0.000 description 18
- 238000003745 diagnosis Methods 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000010894 electron beam technology Methods 0.000 description 15
- 230000010365 information processing Effects 0.000 description 15
- 238000011084 recovery Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 13
- 239000004065 semiconductor Substances 0.000 description 13
- 230000005856 abnormality Effects 0.000 description 12
- 239000000463 material Substances 0.000 description 12
- 238000013500 data storage Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000004626 scanning electron microscopy Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 201000009310 astigmatism Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000001878 scanning electron micrograph Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001464 adherent effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- H01J37/24—Circuit arrangements not adapted to a particular application of the tube and not otherwise provided for
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0264—Control of logging system, e.g. decision on which data to store; time-stamping measurements
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Selective Calling Equipment (AREA)
- Air Bags (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Hardware Redundancy (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本揭露係提出一種即便是被認為有複數個因素、或者複數個複合因素的錯誤，仍可適切地確定原因的診斷系統。本揭露所述之診斷系統，係具備學習器，其係將規定了檢查裝置之動作的配方、描述了前記裝置之狀態的日誌資料、或描述了前記試料之特性的試料資料之其中至少一者，與前記裝置之錯誤之種類建立對應而加以學習；使用前記學習器，來推定前記錯誤之原因。
Description
本揭露係有關於將檢查試料之檢查裝置之狀態進行診斷的診斷系統。
半導體裝置之測定或檢查中所被使用的掃描電子顯微鏡(Scanning Electron Microscope：SEM)，係藉由已被設定好測定或檢查條件的控制程式(以下有時候稱之為配方)而被控制。例如在掃描電子顯微鏡之中又以CD-SEM(Critical Dimension-SEM)，係將藉由量產所被製造的試料做定點觀測性地計測，為了確認其完成度而被使用。
在下記專利文獻1中係揭露，隨著試料的製造條件之變動等，配方的設定條件會變成不適合於試料的計測，而發生了錯誤的情況下，可以特定該錯誤發生因素的技術。該文獻係揭露，將表示圖案匹配之一致度的分數、圖案匹配前後的座標之偏移、或者自動對焦前後的透鏡之變動量之經時性變化加以顯示的配方之診斷裝置。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2010-87070號公報(對應美國專利公開公報US2011/0147567)
[發明所欲解決之課題]
使用專利文獻1之裝置，來評價圖案匹配之一致度等之變動，在適切的時序上調整配方，藉此可使CD-SEM等的運轉率維持在高的狀態。可是錯誤發生因素中被認為有各種理由，因此光是評價圖案匹配等之一致度的推移，會有無法實施適切之調整的情況。又，錯誤的發生因素係被認為不只試料的製造條件之變動，還有外部環境之變化或CD-SEM等之裝置條件之變化等。又，也要考量初始的配方的設定條件本身就不適合於計測的情況。
本揭露係有鑑於如上的課題而研發，提出一種即便是被認為有複數個因素、或者複數個複合因素的錯誤，仍可適切地特定出原因的診斷系統。
[用以解決課題之手段]
本揭露所述之診斷系統，係具備學習器，其係將規定了檢查裝置之動作的配方、描述了前記裝置之狀態的日誌資料、或描述了前記試料之特性的試料資料之其中至少一者，與前記裝置之錯誤之種類建立對應而加以學習；使用前記學習器，來推定前記錯誤之原因。
[發明效果]
若依據本揭露所述之診斷系統，則即使作為檢查裝置之錯誤因素是被認為有複數個因素、或者複數個複合因素的情況下，仍可適切地特定出原因。
＜實施形態1＞
以下，將計測或檢查裝置(以下簡稱為檢查裝置)所發生的錯誤之因素，針對藉由將檢查裝置之裝置條件、檢查裝置之檢查條件等之輸入而進行輸出的系統，進行說明。並且說明，基於裝置條件等之輸入，來測知錯誤發生之預兆的診斷系統。
圖1係為含有複數個影像取得工具的計測系統10之1例的圖示。影像取得工具係為例如，偵測藉由對被形成在半導體晶圓上的圖案掃描電子束而獲得的電子(2次電子或後方散射電子等)而形成影像的SEM。在本實施形態1中作為SEM之1例，是以基於偵測訊號以計測圖案之尺寸或形狀的計測裝置之1種的CD-SEM為例來做說明，但不限於此，亦可為基於所被給定的座標資訊，來檢查異物或缺陷的複查SEM。又，亦可將例如基於離子束之掃描以生成影像的聚焦離子束裝置當作影像生成工具。
圖1的系統中係含有3台CD-SEM100、101、102。然後在圖1所例示的系統中，這些CD-SEM是透過匯流排、或者網路而與電腦系統103連接。電腦系統103上係被連接有，對電腦系統103輸出入資料的輸出入裝置104。電腦系統103係可對：記憶著CD-SEM之動作程式也就是配方的計測配方記憶媒體105、記憶著CD-SEM到目前為止之裝置狀態的日誌資訊記憶媒體113、記憶著CD-SEM之計測對象也就是試料資訊的試料資訊記憶媒體106、記憶著半導體裝置之設計資料的設計資料記憶媒體114，進行存取。
電腦系統103，係由1個以上之電腦子系統所構成。電腦系統103中係含有電腦可讀媒體108、和執行電腦可讀媒體108中所被記憶之各元件(模組)的處理單元107。電腦可讀媒體108中係記憶有，將對如上述的電腦系統103可存取地連接之記憶媒體中所被記憶的資訊進行解析的解析元件109。解析元件109中係包含有：配方解析元件110、樣本解析元件111、裝置解析元件112。
計測配方記憶媒體105中，係隨應於試料(例如半導體晶圓)之種類，而被記憶有：計測點數、計測點(Evaluation Point：EP)之座標資訊、拍攝影像之際的攝像條件、攝像程序等。又，配合著計測點而記憶有用來計測計測點所需之準備階段中所被取得的影像之座標或攝像條件等。
在準備階段中所被取得的影像，係為例如用來特定正確的視野位置所需之低倍率(廣視野的)影像、在計測對象圖案以外之位置上用來調整射束的光學條件所需之影像等。低倍率影像係為，包含有與計測對象圖案處於已知之位置關係的獨特形狀之圖案(定址圖案：AP)而被拍攝的影像。低倍率影像係為了藉由在低倍率影像上使用含有與事前登錄之AP相同形狀之圖案的樣板影像來實施圖案匹配，以特定出定址圖案位置，然後特定出與定址圖案處於已知之位置關係的計測對象圖案，而被使用。所謂用來調整光學條件所需之影像係為例如：自動焦點(Auto Focus(AF))調整、自動非點補正(Auto Astigmatism (AST))、自動亮度/對比調整(Auto Brightness Contrast Control：ABCC)用的影像。
所謂拍攝影像之際的攝像條件係為，射束的加速電壓、視野(Field Of View：FOV)尺寸、探針電流、透鏡條件、畫格數(積算張數)等。這些攝像條件與座標，係按照每一取得影像而被設定。所謂攝像程序係為例如，到計測為止的CD-SEM之控制程序。
計測配方記憶媒體105中係除了上述的例子以外還會記憶有各種計測條件，電腦系統103係可因應需要而將記憶資訊予以讀出。
在日誌資訊記憶媒體113中，目前為止的裝置資訊，是與配方、試料資訊、或者裝置資訊的取得時間等，建立關連而記憶。具體而言，係為：使用定址圖案進行位置特定之際的低倍率影像內的定址圖案之位置資訊(例如從所定位置起算之偏移等)、AF所需時間、影像數、ABCC執行時的偵測器輸出的增益或偏置、圖案的尺寸資訊、峰值高度等。又，亦可將CD-SEM中所被設置的各種感測器等之輸出、對電極、線圈、偵測器等所供給的電壓值、電流值、DAC值等之控制訊號等，一併加以記憶。
試料資訊記憶媒體106中係被記憶有，身為計測對象的半導體晶圓的製造條件等。例如計測對象是阻劑圖案的情況下，為了將阻劑圖案進行圖案化而被使用的曝光機之種類、曝光條件(劑量、焦點值等)、阻劑材料之種類、膜厚、尺寸值等。
設計資料記憶媒體114中係被記憶有，半導體圖案的布局資料。
電腦系統103，係基於CD-SEM的輸出或上記記憶媒體中所被記憶之資訊，而實施CD-SEM中所發生之錯誤因素之特定、已被生成之計測配方的信賴度、錯誤之預兆診斷等。關於具體的處理內容將於後述。
圖2係為將圖1中所例示的計測系統予以管理的診斷系統之1例的圖示。診斷系統206，係基於包含複數個CD-SEM100、101、102、如圖1中所例示的記憶各種資訊的記憶媒體201、輸出入裝置104、及電腦系統(子系統)103的複數個計測系統10之輸出，而實施錯誤因素之特定、已被生成之計測配方的信賴度、錯誤之預兆診斷等。具體的處理內容將於後述。
圖3係為試料上所被形成的計測對象圖案之例子。作為攝像程序係例如，在將計測對象圖案1502的上端之寬度進行計測的情況下，首先，取得定址用的低倍率影像1501，藉由使用樣板影像1503進行圖案匹配，而特定出定址圖案1504的位置。藉由事前把定址圖案1504與計測對象圖案1502之間的距離，設定在CD-SEM所內建之射束偏向器的可偏向範圍內，則只要能夠特定出定址圖案之位置，其後就不必移動平台，僅藉由射束偏向，就可對計測用之視野1506照射射束。
在設定攝像程序的情況下係例如：往為了執行定址、AST所需之圖案1505之所定位置的視野1506之定位，往為了實施AF所需之所定位置的視野1507之定位、往為了執行ABCC所需之所定位置的視野1508之定位、及往為了實施計測所需之位置的視野1509之定位決定用來實施這些所需之程序，以此種順序來控制CD-SEM的方式，而實施條件設定。然後也還將，藉由對視野1509射束掃描所得之計測用高倍率影像1510上決定測定基準的計測游標1511之位置或大小等，加以決定。
圖4係為圖1中所例示的電腦系統103的更具體圖示。如圖4中所例示，電腦系統103係具備：輸入介面404、訓練資料生成部405、將已被訓練資料生成部405所生成之訓練資料加以儲存的訓練資料儲存部406、學習部407、將基於訓練資料所學習而成的學習模型加以儲存的學習模型儲存部408。再者，電腦系統103係具備：藉由對學習模型儲存部408中所被儲存之學習模型將輸入資料進行輸入，而推定結果的推定部1(409)、推定部2(410)、推定部3(411)、推定部4(412)。這些推定部之輸出(推定結果)，係透過輸出介面413，而被顯示在輸出入裝置104之顯示裝置等。
透過輸入介面404而被輸入的資料，若為學習期，則從標籤資訊記憶媒體401會輸入錯誤之種類等之資訊，從學習用資訊記憶媒體402會輸入錯誤發生時的配方資訊、CD-SEM的日誌資料、試料資訊等。若為推定期，則是推定用資訊記憶媒體403中所被記憶之配方資訊或日誌資料等。此外，電腦系統103係具備未圖示的CPU、GPU等。
訓練資料生成部405，係在透過輸入介面404而被輸入了錯誤種類之資訊與配方資訊等的情況下，會生成訓練資料。學習部407，係使用訓練資料儲存部406中所被儲存之訓練資料，而生成錯誤種類推定所需之學習模型。學習部407，係隨應於從輸出入裝置104所被輸入之請求，基於訓練資料儲存部406中所被儲存之資料而生成學習模型(學習器)，將已被生成之學習模型，儲存至學習模型儲存部408。
推定部，係基於學習模型來推定錯誤種類等。推定部1(409)係基於例如配方資訊之輸入，來推定錯誤種類。推定部2(410)係基於例如日誌資料之輸入，來推定錯誤種類。推定部3(411)係基於例如試料資訊來推定錯誤種類。推定部4(412)係基於例如3個推定部之輸出，來推定錯誤種類。錯誤發生因素係不只1個原因，也會有複數個因素複合發生的情況，因此在圖4中所例示的系統中，推定部4(412)係基於3個推定器之輸出，來推定錯誤發生的主因素、或關連的因素。可是推定程序係不限於此，例如亦可使用1個推定器來推定錯誤因素。
推定部所推定出來的資訊可當作新的訓練資料而做回饋。亦可設計成如一點鎖線所示的箭頭般地，將推定部中所推定出來的資訊、與操作員之判斷結果等當作訓練資料，而輸出至訓練資料儲存部406。圖4的實線所示的箭頭係表示學習期中的資料之流向，虛線係表示推定期中的資料之流向。
學習模型係由例如神經網路所構成。神經網路，係藉由使被輸入至輸入層的資訊，依序被傳播至中間層、輸出層，而從輸出層輸出錯誤種類資訊等。中間層，係由複數個中間單元所構成。已被輸入至輸入層的資訊，係藉由各輸入單元與各中間單元之間的結合係數而被加權，而被輸入至各中間單元。對中間單元的輸入係被加算，而成為該中間單元之值。中間單元之值係藉由輸出入函數而被進行非線性轉換。中間單元之輸出，係藉由各中間單元與各輸出單元之間的結合係數而被加權，而被輸入至各輸出單元。對輸出單元的輸入係被加算而成為輸出層之輸出值。
隨著學習的進展，單元間的結合係數、或描述各單元之輸出入函數的係數等之參數(常數、係數等)，係漸漸地被最佳化。記憶部305，作為神經網路的學習結果，係將這些已最佳化之值加以記憶。作為學習器使用神經網路以外的情況也是同樣地，將學習過程中已最佳化的參數，記憶在記憶部305。以下的實施形態也是同樣如此。
圖4中所例示的系統係為，對基於使用從CD-SEM等所被輸出之裝置資訊(例如作為日誌資料而被記憶的裝置資訊)、CD-SEM之計測條件(配方的設定條件等)之至少1者，與含有檢查裝置之錯誤發生因素、檢查裝置之裝置調整條件、檢查裝置之檢查條件之至少1者的訓練資料所學習而成的學習模型來進行推定的推定器(學習器)，將已取得之裝置資訊、檢查條件之至少一方予以輸入，將檢查裝置之錯誤發生因素、檢查裝置之裝置調整條件、及檢查裝置之檢查條件之至少1者予以輸出的系統。
圖5係為實施錯誤因素之特定、已被生成之計測配方的信賴度、錯誤之預兆診斷等的系統之學習過程的流程圖。本流程圖，係由電腦系統103來實施。以下，將圖4中所例示的系統之學習期，使用圖5中所例示的流程圖來做說明。
首先，將CD-SEM之計測條件、裝置條件進行初始設定(S301)。所謂初始設定條件係為例如，適切地已被配方所設定之計測條件，且是已被配方所設定之條件所相應的通常之裝置條件。
接著將裝置條件、及計測條件之至少1個參數加以變更(S302)，以已被設定之條件來使用CD-SEM執行計測處理(S303)。例如在已被配方所設定的條件之中，考慮將圖3中所例示的低倍率影像1501之FOV尺寸予以變化的情況。FOV尺寸過小的情況下，隨著平台的停止精度不同，定址圖案1504有可能跑到低倍率影像的框外，而發生定址錯誤。另一方面，若FOV尺寸過大，則與接近的其他計測圖案之距離會變近，藉由射束照射而會產生附著帶電，而導致在計測其他計測圖案之際的射束會被偏向，而有可能因為射束漂移導致發生計測誤差等。隨著配方的設定條件，有可能會變成錯誤原因。又，由於電源異常等，導致射束抵達試料的抵達能量改變，則帶電狀況或影像之外觀會有所不同，也可能誘發定址錯誤或焦點錯誤等。
於S302中由於裝置條件或計測條件的改變，而造成了容易發生錯誤的狀態。將此狀態下運用裝置時的錯誤發生之有無、錯誤之種類予以特定，當作學習器的標籤資訊，同時，從已被變化的參數之種類、變化之程度、已被變化之參數與其他參數之組合等的資料集而生成訓練資料(S304)，藉由令學習器進行學習(S305)，就可建構出能夠特定錯誤之種類的學習器。
參數之變更，係針對初始值做較大變更的情況與較小變更的情況之雙方都加以實施為佳，又，以複數階段而做變更為佳。甚至，由於也會有因為不同種類之參數變動之複合條件而發生錯誤的情況，因此依照各種之參數變更之每種組合而生成訓練資料為佳。
圖6係為將訓練資料進行學習之樣子的模式圖。如圖7中所例示，把裝置之條件(造成錯誤發生的參數變動)與錯誤之種類資訊當作資料集，而生成訓練資料，就可建構出能夠特定錯誤因素的學習器。
亦可不只錯誤之種類，還把變動量當作參數之調整量來建構訓練資料。此情況下，不只錯誤之種類，就連錯誤恢復所需之配方之調整條件，也變成能夠加以推定。又，作為學習用資料，亦可連同配方中已被登錄之計測條件等，或者取而代之從錯誤發生時所生成的影像資料，來生成訓練資料。影像中所呈現的特徵與錯誤之間有相關的情況下，藉由基於學習資料來生成訓練資料，就可實施錯誤之預兆診斷。
甚至，亦可不只有單純的靜止影像，還可把影片、或者複數個連續影像當作訓練資料。例如亦可基於在自動對焦執行時所取得的複數個影像(連續影像)，或者從這些複數個影像所生成的影片，來生成訓練資料。自動對焦執行時基本上是將相同FOV進行連續掃描，但因為複數次的掃描而會導致帶電累積，而會有造成影像漂移的情況。此種情況下，在靜止影像中不會呈現的錯誤固有之資訊，會有被影片等所包含的情況。此種情況下，藉由基於影片或連續影像來生成訓練資料，就可高精度地實施錯誤推定。
圖7係為使用經過圖5中所例示之學習期而被建構之學習模型的推定期的流程圖。電腦系統103係一旦接收到CD-SEM所輸出的錯誤訊號(S601)，就執行錯誤因素之推定處理。電腦系統103，係將錯誤訊號所相應的，已被選擇作為評價對象的或將會變成評價對象的所有參數資訊，從各記憶媒體或者CD-SEM加以收集(S602)。隨著錯誤之種類，而會有參數是能夠特定的情況，因此此情況下作為使用學習器實施推定的前處理，會選擇參數。又，亦可事前準備容許值，只選擇變動大到超過該當容許值之參數(S603)來實施推定。
電腦系統103，係將如以上所被選擇、或被收集的參數，輸入至學習器(推定部)(S604)，而取得錯誤因素等之推定結果來作為學習器之輸出(S605)。電腦系統103，係將所推定出來的錯誤因素，予以輸出(S606)。
在圖7的流程圖中雖然例示，在接收到CD-SEM等所輸出之錯誤訊號時，將錯誤因素予以推定的過程，但亦可不是錯誤訊號，而是基於尺寸測定結果、定址時之匹配分數降低、或者定址之偵測位置之錯誤等，雖然不被辨識成錯誤，但暗示了未進行適切之計測或檢查之可能性的資訊之收訊，來推定造成計測精度等之降低的現象所正在發生之狀態。例如像是圖案之尺寸測定結果脫離了所定之容許範圍的這類情況下，雖然也有圖案本身變形的可能性，另一方面，也會有由於焦點錯誤等，導致邊緣模糊的結果，使得尺寸測定結果呈現異常狀態的情況。因此，以尺寸測定結果等之變動為觸發(亦即測定精度脫離事前訂定之容許範圍時)而實施推定處理，藉此可以特定出配方等之適切化或裝置起因的異常狀態發生之時序。
圖8係為描述有電腦系統103推定錯誤因素之結果的報告之例子。報告的輸出資訊中係含有：CD-SEM所輸出的錯誤資訊、及藉由學習器而被推定出來的推定結果。具體而言，基於CD-SEM所輸出之錯誤之種類，而在Error Detail欄中會顯示或列印錯誤之種類。此處，例如定址未被適切實施的情況下則定址錯誤會被報告，焦點調整未被適切實施的情況下則焦點錯誤會被報告。
例如，定址錯誤的情況下，使用如圖3中所例示之樣板影像1503而無法進行影像辨識(例如在低倍率影像1501內使用樣板影像1503來實施圖案匹配時，呈現所定閾值以上之一致度的地點的探索為失敗，或者探索出複數個候補等)情況下，CD-SEM係向電腦系統103輸出錯誤之資訊(將種類、程度、錯誤進行評價的評價值等，在本例的情況下則為定址錯誤、表示圖案匹配之一致度的分數、評價分數用的閾值等)。
電腦系統103，係一旦接收到錯誤訊號就將錯誤因素加以推定，並將其結果進行報告。如圖8中所例示，電腦系統103係將配方資訊、試料資訊、及裝置資訊(日誌資料)，連同推定器所做的推定結果，當作錯誤分數而予以輸出。錯誤分數係為例如，將變成錯誤之因素的機率，予以輸出。分數係為例如：使用誤差反向傳播法而將各神經元之參數做了調校後的神經網路之輸出。又，亦可事前將配方資訊中所含之每一參數對於錯誤的影響程度予以係數化，對推定器之輸出乘算該值而算出錯誤分數。
圖9係為以配方執行時所發生的錯誤為觸發，而使學習器進行學習之過程的流程圖。本流程圖係由電腦系統103來實施。電腦系統103，係亦可在影像取得工具的運用開始前就實施了學習處理，亦可如本流程圖所示在配方執行中做實施，亦可將這些做併用。
首先，將錯誤發生時CD-SEM所被輸出之錯誤資訊、此時的配方資訊、日誌資料、及試料資訊之至少1者加以收集(S1301)，從這些資料集而生成訓練資料(S1302)。然後，定期地收集日誌資料等，生成把正常的視為標籤的訓練資料(S1303)。藉由構成可推定正常狀態與錯誤狀態之2個狀態的學習器，並且使用該學習器來推定計測狀態，就可判定錯誤的預兆。
例如，定期收集日誌資料等，對正常狀態評價推定器與錯誤發生推定器之2個推定器輸入日誌資料等，藉此而從各推定器獲得推定結果。於推定結果中，正常狀態的分數為降低且錯誤狀態的分數為上升的情況下，其後就會有發生錯誤的可能性。藉由2個推定器的輸出之評價，就可實施錯誤發生的預兆診斷。
圖10係為錯誤發生時的裝置恢復與學習模型之再學習之過程的流程圖。本流程圖係由電腦系統103來實施。電腦系統103，係除了以上說明的流程圖以外，亦可還如本流程圖所示，於錯誤發生時先實施恢復處理然後再執行配方，依據該再執行之結果而實施再學習。
在執行配方(S1401)進行計測處理之際，發生了錯誤的情況下，電腦系統103係依據圖7的流程圖來判定其錯誤因素(S1402)。S1402中的錯誤因素之判定係亦可由熟稔裝置操作的操作員來實施。錯誤因素為已知的情況下(學習器的判定結果為所定之分數以上，或者操作員的判斷為切確的情況)，則實施配方之修正或裝置之調整(S1403)。另一方面，錯誤因素為不明的情況下，則先停止裝置然後實施錯誤的恢復作業(S1404)。
因素不明的情況下，需要實施要求專業性的作業。於是，到S1402為止藉由使用者所保有的計測系統10來加以實施，系統或使用者的工程師難以判斷因素的情況下，則亦可對計測系統10的管理系統(例如圖2的診斷系統)傳達該意旨。此情況下，係由藉由從複數個使用者所提供之訓練資料進行了學習的上位之學習模型、或者管理公司中所屬之專家來判斷錯誤因素，並實施恢復作業。
在實施了S1403～S1404中的調整等之後，再執行配方(S1405)。若藉由再執行而未發生錯誤，則S1403或S1404中的處置就為正確。於是，電腦系統103係將錯誤資訊、和描述了S1403或S1404中所實施之修正內容的修正資訊，當作資料集而生成訓練資料(S1406)，並使用其來實施學習模型的再學習(S1407)。
藉由實施圖10的流程圖所示的作業，就可生成能夠基於所發生之錯誤種類的輸入而輸出適切之對策的學習器。
圖11係為實施預兆診斷的學習器之學習過程的流程圖。本流程圖係由電腦系統103來實施。電腦系統103，係可將圖9中所說明的流程圖取而代之或與其併用，而藉由本流程圖之程序，來建構能夠進行預兆診斷的學習器。
電腦系統103，係在接收了錯誤訊號(S801)之後，將日誌資料等中所被記憶之過去資料予以讀出(S802)。此處所謂的過去資料，係為過去配方、過去日誌資料、過去試料資料等。例如，從錯誤發生時回溯所定時間，而將定址時的視野移動量、焦點調整時的所需時間、尺寸計測結果等予以讀出。亦可在過去資料之中，將參數有發生劇烈變化的特異點，予以選擇性讀出(S803)。具體而言，亦可將表示參數之變化的指標值或每所定時間之變化量、或者是否超過所定之容許值的資訊，予以選擇性讀出。亦可取而代之，將所定之時序上所取得之參數，全部加以取得。甚至亦可不只參數本身，而將參數之變化率或特徵性變動當作指標值或旗標而予以輸出，並將其予以讀出。
電腦系統103，係將錯誤之種類當作標籤，根據關於錯誤之種類的資訊、和已被讀出或已被抽出之參數來生成訓練資料(S804)，使用已被生成之訓練資料來令學習器做學習(S805)。
圖12係為使用依據圖11而已被學習的學習模型來診斷錯誤之預兆的程序的說明用流程圖。本流程圖係由電腦系統103來實施。
電腦系統103，係以所定之時間單位來收集日誌資料(S1601)，對經過圖11中所例示之過程而已學習之學習模型，輸入收集資料，藉此而實施錯誤之預兆診斷(S1602)。學習器，係藉由實際發生並已被特定之錯誤種類之資訊、與錯誤發生前的日誌資料等之資訊而被實施了學習，因此在錯誤發生前之事象與錯誤之間存在有相應之因果關係的情況下，就可在實際發生錯誤之前，推定錯誤之發生。
電腦系統103，係在學習器將之後的錯誤發生以所定之確度進行了推定的情況下，藉由產生預兆訊號(S1603)，而可催促裝置的使用者採取維修或計測條件之變更等對策。在錯誤發生前日誌資料就呈現特徵性變化的情況下，就從其參數狀態之相關資訊、和特徵性變化起至錯誤發生為止的時間、計測點數、晶圓枚數、批號數等之資訊來生成訓練資料，而令學習器做學習，藉此就可作成將錯誤發生為止之時間等予以輸出的學習器。
圖13係為錯誤發生時，使用從CD-SEM等所被輸出之錯誤的種類資訊、與日誌資料來令學習器進行學習的將學習條件加以設定的GUI畫面之1例的圖示。在圖13中所例示的GUI畫面上係設有：從CD-SEM等所被輸出，並被記憶在日誌資訊記憶媒體113中的，顯示日誌資料之時間變化的日誌資料顯示欄1701、從CD-SEM等所被輸出之錯誤資訊的顯示欄1702、及用來設定身為學習對象之資料的設定欄1703。
在日誌資料顯示欄1701中係顯示，日誌資料中所被記憶之複數個參數之推移、與表示錯誤發生之時序的條槓1704。然後在日誌資料顯示欄1701係還顯示出，可以用未圖示的指標裝置等來進行操作的指標1705，而且還顯示出可藉由指標1705而沿著圖形之橫軸做移動的左側滑標1706、和右側滑標1707。
藉由左側滑標1706、與右側滑標1707所做的時間選擇，就可將該範圍之參數的變化資訊，當作訓練資料而加以選擇。藉由選擇例如與錯誤有關連而在特定之時間內呈現特異之舉動的參數，就可實施效率良好的學習。又，時間選擇係亦可藉由對例如設定欄1703中所被設置的時間設定欄1708的時間輸入，來加以實施。
＜實施形態2＞
在實施形態1中說明了，使用訓練資料來令學習器做學習的構成例。亦可取而代之，基於正常時(非錯誤發生時)的參數，藉由無監督學習來生成學習模型。例如電腦系統103中所被儲存之學習器，係定期地或者相較於其他處理而相對較容易發生錯誤的處理中未發生錯誤時，將參數加以保存，而實施無監督學習。藉由無監督學習而被學習出來的學習器，係將錯誤未發生時的處理的非錯誤時分數予以生成，並輸出。又，學習器係藉由無監督學習，而將錯誤發生時的錯誤時分數予以生成並輸出。
電腦系統103，係藉由將來自學習器的輸出分數加以收取並判定是非錯誤時分數還是錯誤時分數，以判定錯誤發生之預兆。錯誤係會因為配方的設定條件、裝置條件、試料條件等之複合因素而發生，有的時候會難以正確地特定出因素，但藉由適用機器學習就可抽出相關關係。
對藉由無監督學習而被生成之學習模型，輸入配方設定條件、裝置條件、試料條件等，藉由輸入而從學習器所得到的分數，與非錯誤時的學習模型的非錯誤時分數進行比較而若為異常的分數，則可據此來測知錯誤發生之預兆。此外，亦可在學習後，錯誤發生時的資料也被輸入至學習器，藉由將其輸出分數與非錯誤時之分數進行比較，來決定非錯誤時的分數之範圍。此情況下，電腦系統103係在超出已被設定之分數範圍的情況下，產生用來告知錯誤發生的警報。
在無監督學習的情況下，可將非錯誤發生時的資料予以選擇性輸入而實施學習。在半導體裝置的量產過程，很少會有錯誤頻繁發生的情況，而會有難以收集使用錯誤發生時之資料(參數)進行學習所需之資料的情況。相較於錯誤發生時，非錯誤發生時(錯誤沒有發生時)反而可獲得許多的資料，可實施足夠學習量所致之學習。
圖14係為實施無監督學習，使用基於該當無監督學習而被生成之已學習模型，來實施錯誤因素之診斷的診斷系統之1例的圖示。圖14中所例示的系統係具備：基於從管理CD-SEM或CD-SEM的管理裝置所輸出之學習用資訊，來生成學習部407的學習用資料1802的前處理部1801。前處理部1801，係將CD-SEM等為正常運作之狀態的資料加以收取，並生成學習用資料1802。
學習用資料1802係含有：對象處理之相關資訊、計測條件之相關資訊、及裝置資訊之至少1者。所謂CD-SEM中的對象處理，係為例如電子顯微鏡的試料平台之座標系、和實施電子顯微鏡正在辨識的座標系之校正的SEM對準、定址、AF調整、AST、ABCC等。又，計測條件係例如，定址之際所取得的FOV尺寸、AF調整時所取得的影像數、畫格積算數、EP點與AF調整圖案之距離(或偏向訊號量)、方向、或各種透鏡條件等。又，亦可為計測時的實際之EP點與AF調整圖案之距離(偏向訊號量)等。所謂裝置資訊，係在例如電腦系統103之管理對象也就是CD-SEM是存在複數台的情況下，則為其裝置之識別資訊或其裝置所被放置的環境之相關資訊等之關於裝置屬性的資訊。
前處理部1801，係基於上記1個以上之參數而生成資料集。學習部407，係基於學習用資料1802，針對上記複數個參數的複數種組合，實施聚類，藉由聚類而針對各參數之每種組合，生成1個以上的群聚。
圖15係為藉由聚類所建構出來的學習模型之模式圖。如圖15中所例示，針對複數個參數之每種組合(例如參數A與參數B)，生成1個以上之群聚(例如分類I、分類II、分類III)，藉此以生成學習模型1901。學習模型1901，係針對複數個參數之每種組合，含有複數個群聚，推定部1803係使用該學習模型來執行推定處理。
電腦系統103，係基於從前處理部1801所被輸出的評價對象資料1804，來判定評價對象資料之錯誤因素。具體而言，判定評價對象資料中所含之複數個參數之每種組合之相關資料，是否被包含在學習模型中所含之1個以上之群聚中，將關於不被包含之相關資料的參數，判定為異常。更具體而言，係判定相關資料1的分類I、II、III中所被定義的範圍內，是否包含有評價對象資料1902。在圖15的例子中，由於在相關1中範圍1904(藉由分類I之群聚而被定義的範圍)內包含有評價對象資料，因此判定為正常。另一方面，相關2之評價對象資料1903，由於不屬於被相關2所定義之分類IV、V、VI之任一者，因此將該資料判定為異常。
藉由使用如以上的實施過無監督學習的學習器來實施推定，就可特定出異常參數。此外，在已被複數個相關資料所設定之所有分類、或所定數量以上之分類中，未包含有上記計測對象資料的這種情況下，則由於學習模型有可能沒被適切地學習，因此實施模型的再作成等為佳。
半導體裝置的製程，一旦經過研究開發階段而達到量產過程，則錯誤的發生頻率會降低，難以將錯誤時所得之資料當作訓練資料來作成學習模型。另一方面，一旦發生錯誤，追查其原因就會需要時間，也會變成導致半導體裝置的製造效率降低的因素。因此，就算是頻率低仍要求迅速的裝置恢復。經過如上述的無監督學習所被生成的學習模型，係即使在錯誤發生頻率低的狀態下，仍可實施適切的推定。
圖16係為藉由無監督學習而令學習模型進行學習之過程的流程圖。圖16中所例示的流程圖還包含有，CD-SEM未正常動作的情況、或有其可能性的情況下，令別的學習模型進行學習的過程。
首先，電腦系統103，係基於從CD-SEM等所被輸出之資料，判定CD-SEM中並未發生錯誤，並判定此時的裝置狀態等(S2001、S2002)。裝置狀態係參照例如評價對象資料1804。接著，判定是否能夠以所定之計測條件成功計測，成功的情況下則判定已取得之影像是否異常(S2003)，若非所定之計測條件的情況，則判定以復原條件是否能夠成功計測。關於S2003中的異常判定程序將於後述。
基於S2003之異常判定過程中被判定為並非異常之際的裝置資訊等，而根據正常資料將學習模型(第1學習部)進行學習、或再學習(S2004)。經過如圖16中所例示之過程而被生成的學習資料(第1學習部用的學習資料)，係在未發生錯誤，且如後述般地發生錯誤之潛在性為低的狀態下所獲得者，因此經過無監督學習，就可建構出適合於錯誤因素判定的模型。亦即，藉由將無錯誤且正常的(a)對象處理之內容、(b)計測條件、(c)裝置資訊進行聚類，就可推定為，若使用屬於該群聚中的這些參數，就不會發生錯誤。換言之，可推定為，若使用超出此群聚外的參數，就會發生錯誤。
若依據本流程圖，則可基於雖然不會變成錯誤、但是會有變成錯誤之潛在性的狀態的裝置條件等，來建構出將可能發生之錯誤或其因素予以特定的學習模型。S2005中所被生成的第2學習模型(第2學習部)，係基於以復原條件而被計測時的裝置條件等，而被生成。所謂復原，係並非理想的計測條件，而是為了避免錯誤等而去執行被事先準備好的處理所需之處理。作為具體的1例，係有周圍搜尋所致之視野探索。如圖3中所例示，為了特定出計測對象圖案1502的位置，而會實施定址，但會有定址用所取得之低倍率影像1501中未包含定址圖案的情況。藉由樣板匹配而找不到一致度高的圖案(一致度為所定值以上之地點係為不存在)的情況下，則藉由實施周圍搜尋，就可實施復原。周圍搜尋係為，藉由在現在視野的週邊領域令視野做循環，以探索出適切之視野的處理。周圍搜尋之例子係在後述的圖17中做說明。
另一方面，執行周圍搜尋這件事情係意味著無法適切取得低倍率影像1501，被認為是裝置條件未被適切設定的狀態，或者表示將來變成錯誤之可能性很高的狀態。於是在執行復原處理時選擇性地收集裝置條件等，基於其來生成模型(第2學習部)，藉此就可建構出將錯誤之預兆予以推定的模型。
復原處理係不只周圍搜尋，還有例如：(a)在執行自動對焦時，找不到焦點評價值為所定值以上之透鏡條件的此種情況下、將透鏡條件之變動範圍予以擴大而執行自動對焦；(b)將相同的處理反覆進行複數次(重試)的處理等。重試處理係不限於上記，而是泛指在發生任何不良情況時被選擇性執行的任意處理。
第2學習模型，係在雖然沒有錯誤但(a)對象處理之內容、(b)計測條件、(c)裝置資訊之其中至少一者為異常的情況下，將進而實施了復原處理時的(a)對象處理之內容、(b)計測條件、(c)裝置資訊，進行聚類。藉此，除了可以推定為，若使用隸屬於該群聚中的這些參數就不會發生錯誤，同時還可推定，假設有實施過復原處理，則藉由該復原處理是否可復原。
至於藉由復原處理仍無法復原的情況也是同樣地，亦可生成將這些參數進行聚類的第4學習模型(第4學習部)(S2006)。藉此，除了可以推定為，若使用隸屬於該群聚中的這些參數就不會發生錯誤，同時還可推定，假設有實施過復原處理，則藉由該復原處理是否可復原。例如將第3模型之推定分數與第4模型之推定分數進行比較，藉由何者較高，就可推定是否為可復原。
亦可將S2003中所被取得之影像等被判斷為異常時的裝置條件等加以收集，來建構第3學習模型(第3學習部)(S2006)。若依據如此所被建構而成的模型，則可判定，雖然不至於變成錯誤，但未實施適切之計測的這類狀態。亦即，藉由將無錯誤且為正常的計測條件但影像會是異常的此種(a)對象處理之內容、(b)計測條件、(c)裝置資訊進行聚類，就可推定為，若使用屬於該群聚中的這些參數就不會發生錯誤，但影像會是異常。
從CD-SEM等接收到錯誤訊號的情況下，則電腦系統103係建構第4學習模型(S2007)。由於從CD-SEM接收錯誤訊號，並特定出錯誤之種類，因此在此情況下，亦可實施以錯誤之種類作為標籤的監督式學習。
圖17係為實施周圍搜尋之樣子的模式圖。如圖17中所例示，以圍繞著最初之低倍率影像1501之周圍的方式來移動視野，藉由在各個視野位置上實施圖案匹配而實施周圍搜尋，就可發現定址圖案1504。
圖18係為S2003中所執行的異常判定之例子的說明圖。圖18上圖係圖示了測定對象圖案2102的周圍影像2101。藉由定址，將視野位置特定至包含測定對象圖案2102的視野位置2105上，就可取得影像2107。另一方面，由於定址的失敗、帶電的影響、製程變動所致之圖案變形等，導致視野偏移，取得了視野位置2106的影像2108，而測定了圖案2103的情況下，就變成將異於目的之圖案進行測定。此情況下，即使在裝置上不至於變成錯誤，但所被輸出的資料會是異常資料。
於是，為了測知是否發生此種異常，亦可例如事前準備與影像2107相同的影像資料(樣板)，在S2003的異常判定之際藉由評價圖案匹配之一致度，來判定已被取得之影像是否為適切(是否為錯誤位置之影像)。在正確視野位置上所被取得的測長用之影像2107中，會照到別的圖案2104，與對影像2108實施樣板匹配的情況進行比較，一致度會變高。因此，在低於所定之一致度的這類情況下，亦可判定為異常資料被輸出。又，異常判定係亦可將影像之銳利度或視野移動量等當作評價對象來進行判定。
如以上的異常判定，係為了適切地選擇身為學習對象之模型而實施，因此亦可並非在實際之配方執行時進行實施，而是在資料被累積到某種程度後才實施。
學習模型的學習，係亦可在CD-SEM等之計測處理執行中即時地實施，亦可以離線方式等到資料被累積到某種程度的階段時才實施。甚至在管理複數個CD-SEM的電腦系統中，在有特定的裝置固有之異常的情況下，若為使用相同配方實施計測的情況，則被認為是發生了起因於裝置硬體的異常。於是，亦可另外作成硬體起因之模型，亦可在作成上記第1～第4學習模型之際，將裝置的識別資訊也包含在學習資料中。
＜實施形態3＞
圖19係為本揭露的實施形態3所述之裝置4100之構成圖。裝置4100作為1例是以CD-SEM的方式而被構成。從被保持在維持高真空度之框體4124內的電子源4101所被放出的電子，係被藉由高壓電源4125而被施加高壓電壓的1次電子加速電極4126所加速。電子束4106(帶電粒子束)，係被聚焦用的電子透鏡4127所聚焦。電子束4106係以光圈4128而調節了射束電流量之後，被掃描線圈4129做偏向，在晶圓4105上進行2維性掃描。電子束4106是被試料也就是半導體晶圓(以下簡稱為晶圓)4105的正上方所被配置的電子接物透鏡4130進行集縮而被對合焦點，入射至晶圓4105。1次電子(電子束4106)的入射結果所產生的2次電子4131，係藉由2次電子偵測器4132而被偵測。所被偵測的2次電子的量，係反映出試料表面之形狀，因此根據2次電子的資訊，可將表面的形狀進行影像化。
晶圓4105係在靜電吸盤4107上確保一定之平坦度而被保持，被固定在X-Y平台4104上。在圖19中，是以從橫方向觀看框體和其內部結構的剖面圖來做描繪。因此，晶圓4105係可朝X方向、Y方向任一者自由動作，而可計測晶圓面內的任意之位置。又，X-Y平台4104上係具備有，為了使晶圓4105對靜電吸盤4107進行裝卸而被組裝有可上下動作之彈性體的晶圓搬運用推高機構4133，藉由與搬運機器人4134的協同動作而可與裝載室(預備排氣室)4135之間實施晶圓4105之收授。電腦系統4120，係基於從即時偵測X-Y平台4104之位置的位置偵測器(例如雷射位移計)送來的偵測訊號與計測時刻，而實施X-Y平台4104的定位控制，在後述的記憶裝置中，記錄下關於X-Y平台4104之移動位置的追蹤資訊(日誌資訊、移動履歷資訊)(時間與位置之關係)。
說明將測定對象之晶圓4105以靜電吸盤4107進行搬運之際的動作。首先將被設置在晶圓匣4136中的晶圓，以迷你環境4137的搬運機器人4138而搬入至裝載室4135。裝載室4135內係藉由未圖示的真空排氣系統而可進行抽真空及大氣開放，藉由閥門(未圖示)之開閉與搬運機器人4134之動作，而可一面將框體4124內的真空度維持成實用上不會有問題之程度，一面將晶圓4105搬運至靜電吸盤4107上。框體4124係被安裝有表面電位計4139。表面電位計4139係為了可以非接觸方式來測定靜電吸盤4107或晶圓4105的表面電位，而被固定在從探針尖端起算之距離為適切的高度方向之位置。
裝置4100的各構成要素，係可使用通用的電腦來加以控制。在圖19中係圖示，藉由電腦系統4120來實現控制系之構成的例子。電腦系統4120係至少具備：CPU(Central Processing Unit)等之處理器、記憶體等之記憶部、硬碟(包含影像保存部)等之記憶裝置。該當記憶裝置，係亦可為包含有與圖1中所詳述之計測配方記憶媒體105、日誌資訊記憶媒體113、試料資訊記憶媒體106及設計資料記憶媒體114相同的記憶媒體的構成，各記憶媒體中係被記錄有與圖1相同之資訊而被構成。甚至亦可為例如，將電腦系統4120構成為多處理器系統，以主處理器來構成框體4124內之電子光學系之各構成要素所涉及之控制，至於X-Y平台4104、搬運機器人4134、4138、及表面電位計4139所涉及之控制、以及基於2次電子偵測器4132所偵測到的訊號而生成SEM像所需之影像處理，則是分別由副處理器來構成。
電腦系統4120係被連接有輸出入裝置(使用者介面)4141。輸出入裝置4141係具有：用來讓使用者輸入指示等所需之輸入裝置、和用來顯示輸入這些所需之GUI畫面及SEM影像等的顯示裝置。輸入裝置係為例如滑鼠、鍵盤、語音輸入裝置等，只要是可藉由使用者來輸入資料或指示者即可。顯示裝置，係為例如顯示器裝置。如此的輸出入裝置(使用者介面)，係亦可為可進行資料之輸入及顯示的觸控面板。
將半導體微影的ArF曝光技術等中所被使用的光阻劑(以下亦簡稱為「阻劑」)，若使用CD-SEM來進行測長，則會因為電子束的照射，導致阻劑會發生縐縮，這是已為人知。為了減少縐縮量而將細微的阻劑圖案做高精度地測長，電子束對阻劑的照射量是盡可能越少越好，因此必須要避免對如此的阻劑的同一領域多次照射電子束而實施測長。
於CD-SEM等中，作為避免對阻劑之同一領域照射複數次電子束的方法係考量：在實際執行計測配方(被給予至CD-SEM等的程序、處理方法或參數與所指定之資料之集合或程式)之前，事先從該當計測配方之程序或參數等之資訊，切出會被電子束照射(掃描)的領域，作成對同一領域不會反覆照射(掃描)電子束的如此計測配方。
圖19所示的裝置(CD-SEM)4100的電腦系統4120，係一旦藉由來自輸出入裝置(使用者介面)4141之指示而開始計測配方之執行，就會依照該當計測配方所指定之程序等之資訊來控制X-Y平台4104，使被測定試料4105移動至所定之位置，實施對象圖案之計測。一般而言，半導體檢查裝置或半導體製造裝置中所採用的平台，多半會使用滑動機構。如此的滑動機構的滑動面特性，係會隨著速度、加速度、期間、移動距離等之驅動條件，而滑動面的磨耗狀態等會有所變化，因此會有經時變化，此係已為人知。因此，X-Y平台4104，係即使事前實施了定位的初始調整，仍會隨著滑動面特性之經時變化(例如由於滑動面之磨耗而導致零件間的間隙(游隙)變大等)，平台的運作範圍(可移動範圍)會有微小的變化，或是停止位置精度(定位精度)會有所惡化等等，會有發生這類問題的情況。因此，為了作成上述的不會對同一領域重複照射(掃描)電子束的計測配方，就必須要考慮到如此的平台之停止位置精度之經時變化，然後逐一設定必要的控制參數等。
順便一提，同一機種之CD-SEM是有複數台存在的情況下，在相同的計測檢查過程中，能夠不要變更同一計測配方就加以使用，較為理想。這是因為，若無法使用同一計測配方，而必須分別設定計測配方之參數等的情況下，不只每台裝置為了調整參數而需要時間，還會由於參數無法共用化等，導致計測配方的管理也變得繁雜。
然而，為了在複數台的裝置上使用同一計測配方，係即使上述的經時變化所致之平台之運作範圍(可移動範圍)的微小變化或停止位置精度之變動是隨每台裝置而不同的情況下，該當計測配方仍必須要對各裝置都能毫無問題地作動。亦即，為了作成不會對試料之同一領域重複照射(掃描)電子束的各裝置共通之(同一)計測配方，必須要考慮到隨每台裝置而不同的平台之經時變化，然後設定計測配方之參數等。
圖20係為3台裝置(CD-SEM)4100(4100-1、4100-2、4100-3)，透過匯流排或者網路，而被連接至電腦系統4120的計測系統之1例的圖示。電腦系統4120，係透過匯流排或網路，而可對：記憶著CD-SEM之動作程式也就是配方的計測配方記憶媒體105、記憶著CD-SEM到目前為止之裝置狀態的日誌資訊記憶媒體113、記憶著CD-SEM之計測對象也就是試料資訊的試料資訊記憶媒體106、及記憶著半導體裝置之設計資料的設計資料記憶媒體114，進行存取。又，電腦系統4120係被連接有，可對電腦系統4120進行資料輸入、輸出的輸出入裝置4141。
電腦系統4120，係由1個以上之電腦子系統所構成。電腦系統4120中係含有電腦可讀媒體4208、和執行該當電腦可讀媒體4208中所被記憶之各元件(模組)的處理單元107。電腦可讀媒體4208中係記憶有：將對如上述的電腦系統103可存取地連接之記憶媒體中所被記憶的資訊、或透過輸出入裝置(使用者介面)4141而由使用者所指示的資訊加以處理的各種元件4214。各種元件4214中係包含有：將關於在裝置4100中實施處理之晶圓的晶圓資訊或晶片內資訊予以處理的晶圓資訊處理元件4209、將測定之順序或各種對準資訊等予以處理的配方資訊處理元件4210、將記錄了平台移動位置之日誌資訊予以處理的平台資訊處理元件4211、將掃描交疊測試資訊予以處理的掃描交疊測試元件4212、將掃描交疊測試結果之資訊予以處理的掃描交疊測試結果處理元件4213。其他關於與圖1共通的各構成要素，係和圖1的說明相同。
圖21係為於各裝置中實施平台位置精度之解析的解析畫面之1例。該當畫面所涉及之機能，係藉由平台資訊處理元件4211而被處理。
使用者係透過Unit選單4301，來指定要實施平台位置精度之解析的對象裝置。平台資訊處理元件4211，係從日誌資訊記憶媒體113或電腦系統4120內的記憶部或記憶裝置，將該當已被指定之對象裝置的關於平台移動的追蹤資訊(日誌資訊、移動履歷資訊)予以讀出，並顯示於平台位置精度資訊顯示部4304。又，平台資訊處理元件4211，係將藉由平台軸之選擇鈕4303而被選擇的移動軸(X軸或Y軸)所相應的日誌資訊，顯示於平台位置精度資訊顯示部4304。
在平台位置精度資訊顯示部4304中，係以計測點/檢查點之流水號(MP/IP No.)為橫軸，以關於平台移動的目標位置與停止位置之偏移量為縱軸，而顯示出關於過去之平台移動的追蹤資訊。在圖21的平台位置精度資訊顯示部4304中，作為1例，係顯示了計測點/檢查點的流水號1～5之追蹤資訊4305、計測點/檢查點的流水號50001～50005之追蹤資訊4306。各計測點/檢查點之追蹤資訊，係以偏移量與間隙量而被顯示。例如，各計測點/檢查點1之追蹤資訊，係以偏移量x
1與間隙量W
x1而被顯示，各計測點/檢查點50001之追蹤資訊，係以偏移量x
50001與間隙量W
x50001而被顯示。此處，所謂間隙量，係指關於平台移動的目標位置與停止位置的偏移量之變動幅度。間隙量係為，因為構成平台的滑動機構所必定具有的機械性遊隙(間隙)而可能產生的偏移量之變動幅度，例如，可基於從即時偵測X-Y平台4104之位置的位置偵測器(例如雷射位移計)送來的偵測訊號與計測時刻而算出。或者，間隙量係可藉由，將過去的複數次之平台移動時的來自位置偵測器的偵測訊號與計測時刻所涉及之資料進行統計處理(例如使用標準誤差或標準偏差、平均值的信賴區間等)，即可求出。又，構成平台的滑動機構之滑動面特性若有經時變化，則間隙量也會經時變化。一般而言，若平台的移動次數增加，則會因為滑動面之磨耗而導致零件間的間隙(遊隙)變大，因此間隙量也會有變得比初始之值還大的傾向。
使用者一旦在平台偏差限制設定部4308的公差4314中輸入所望之數值並按下Apply鈕，則平台資訊處理元件4211係基於該當輸入數值而顯示出公差的幅度(條槓)4320、4321。此處所被設定之公差的值，係會作為後述的圖24的掃描交疊測試執行流程的重複區域檢查之步驟中的處理參數而被使用。
使用者係於掃描交疊參數設定部4322中，實施來自日誌資訊統計處理設定部4309之參數設定、與來自預兆診斷設定部4413之參數設定。這些設定部中所被設定之各參數，係在後述的掃描交疊測試畫面(圖22)的平台位置精度因子設定部4409中，當作日誌資訊統計處理4415或預兆診斷4416被選擇時的處理參數而被使用。
使用者係於日誌資訊統計處理設定部4309中，將實施追蹤資訊的統計處理的計測點/檢查點之對象範圍，從測點/檢查點號碼設定部4311加以指定，將追蹤資訊的統計處理之方法(平均值或最大值)，從計處理設定部4310加以指定。於統計處理中欲考慮間隙量的情況，則在間隙資訊適用核取方塊4312中打上核取標記而指定之。
使用者係於預兆診斷設定部4313中，基於過去已取得之追蹤資訊，實施用來推測將來之計測點/檢查點中的追蹤資訊所需之參數設定。一旦使用者在計測點/檢查點號碼設定部4316中輸入所望之數值(號碼或範圍)並按下Presumption鈕，則平台資訊處理元件4211就會基於過去已取得之追蹤資訊來推測對象範圍之計測點/檢查點之追蹤資訊，並將推測結果顯示於平台位置精度資訊顯示部4304。在圖21中，作為1例，於計測點/檢查點號碼90001中所推測出來的追蹤資訊4307(偏移量x
90001、間隙量W
x90001)係被顯示。
一旦使用者決定了各種掃描交疊參數之後並按下Save鈕4318，則平台資訊處理元件4211就將該當各種掃描交疊參數，保管在日誌資訊記憶媒體113中。
使用者係透過圖21的平台位置精度解析畫面，而對各裝置的各移動軸(X軸或Y軸)，進行上述的操作與設定。
圖22係為掃描交疊測試畫面之1例。該當畫面所涉及之機能，係藉由掃描交疊測試元件4212而被處理。
使用者係透過File選單4411，來指定描述了測定之順序或各種對準資訊的IDS檔案。又，使用者係透過IDW File Load鈕，來指定描述了關於晶圓之晶圓資訊或晶片內資訊的IDW檔案。掃描交疊測試元件4212，係基於這些指定，而從日誌資訊記憶媒體113或者電腦系統4120內之記憶部或記憶裝置，讀出該當已被指定之IDS檔案或IDW檔案，並顯示於配方資訊顯示部4402。
IDS檔案或IDW檔案係為，透過別的設定畫面(未圖示)，使用使用者所望之條件或參數設定而被作成或編輯的檔案，被記錄在日誌資訊記憶媒體113或電腦系統4120內的記憶部或記憶裝置中。IDS檔案或IDW檔案的作成或編輯所涉及之機能，係藉由晶圓資訊處理元件4209或配方資訊處理元件4210而被處理。
在掃描交疊測試畫面上，係藉由掃描交疊測試元件4212，而顯示出IDS檔案的名稱4401、IDW檔案的名稱4403、對準點資訊4405、計測點/檢查點資訊4404。對準點資訊4405中係含有用來進行計測所需之對準點之資訊(對準晶片、晶片內座標、對準條件、自動偵測所需之影像等)，計測點/檢查點資訊4404中係含有計測點之資訊(測長晶片、晶片內座標、測長條件等)。
使用者係於掃描交疊設定部4417中，設定掃描交疊測試之對象的裝置設定4407、和平台位置精度因子設定部4409。
使用者，係於裝置設定4407中，可以選擇用來指定圖20所示之系統上所被連接之所有裝置(裝置4100-1～4100-3)之情況的「ALL」，與用來指定特定之裝置之情況的「Selected」。選擇「Selected」時，則透過Unit鈕，來指定要當作對象的裝置。
在掃描交疊測試的執行時，在要考慮從圖22之平台位置精度解析畫面所決定出來的平台位置精度因子(條件或設定參數)的情況下，使用者係於平台位置精度因子設定部4409中，選擇日誌資訊統計處理4415或預兆診斷4416。在不考慮平台位置精度因子的情況下，則選擇「None」4414。
進行以上的設定，並按下Start鈕4418，就會執行掃描交疊測試。
圖23係為掃描交疊測試的從開始到結束為止的一連串之流程的流程圖。使用者係將IDW檔案或IDS檔案予以作成、編輯(S4501～S4502)。電腦系統4120，係將裝置4100的平台位置精度，加以解析(S4503)。使用者係在圖21的畫面上，設定掃描交疊參數(S4504)。電腦系統4120，係讀入IDS檔案與IDW檔案(S4505)。使用者，係於Unit選單4301中，指定2台以上要測試掃描位置之交疊的裝置(S4506)。使用者，係要測試掃描位置之交疊之際的各參數，加以指定(S4507)。電腦系統4120，係依照設定，於各裝置4100中使用相同配方的情況下，測試在任一裝置4100中是否會發生掃描位置重疊的地點(S4508)。電腦系統4120係將測試結果予以顯示，使用者係將其加以確認(S4509)。若有掃描位置會重疊(亦即對相同位置會多餘地重複射束照射)場所存在的情況下，則回到S4501並重複相同的處理。若不存在，則電腦系統4120係將各裝置4100之配方及其他關連參數予以更新(S4511)。
圖24係為S4508的詳細步驟的流程圖。電腦系統4120，係將已被指定之各裝置4100之日誌資料予以讀出(S4601)。電腦系統4120，係將已被指定之各裝置4100中的平台位置精度參數予以算出(S4602)。電腦系統4120，係計算已被指定之各裝置4100中的掃描區域(S4603)。電腦系統4120，係檢查於任一裝置4100中是否發生了掃描位置重疊的地點(S4604)。電腦系統4120，係於後述的圖25的畫面中，提示出檢查結果(S4605～S4606)。
圖25係為表示掃描交疊測試之執行結果的畫面之1例。該當畫面所涉及之機能，係藉由掃描交疊測試結果處理元件4213而被處理。
在掃描資訊表4701中，係基於從掃描交疊測試畫面所讀出的IDS檔案或IDW檔案之設定資訊，而將各個對準點資訊4405或計測點/檢查點資訊4404上的測試結果，分別以一行而加以顯示。
使用者係從掃描資訊表4701點選欲確認測試結果之詳細的行而做指定後，一旦按下Show鈕4705，則掃描地圖縮圖顯示部4709中，測試詳細結果就會被縮圖顯示。在圖25中，於掃描資訊表4701中指定No.002與No.003之測試結果的2行，並按下了Show鈕4705的結果，該當二個點上的測試結果(掃描領域之測試結果)就被顯示。然後，一旦使用者於掃描地圖縮圖顯示部4709中，從輸出入裝置指定了欲放大瀏覽的區域4717，則掃描地圖顯示部4730中就會將該當區域4717之細節做放大顯示。
掃描地圖縮圖顯示部4709，係藉由操作縮放條4719，而可進行畫面的放大縮小。又，掃描地圖顯示部4720，係可藉由縮放條4719之操作，或者來自倍率設定部4718的倍率指定，而進行畫面的放大縮小。
使用者係可透過瀏覽操作部4723，而對測試結果進行各種瀏覽操作。使用者係從掃描資訊表4701點選測試結果的所定之行而做指定後，一旦按下Hide鈕4706，則從掃描地圖縮圖顯示部4709及掃描地圖顯示部4730中，已被指定之行所對應的測試結果就會變成非顯示。一旦按下Jump鈕4702，則流水號4724之輸入畫面就會啟動(未圖示)，而可指定已輸入之流水號所對應之測試結果的行。一旦按下Bring to Front鈕4703，則掃描資訊表4701之開頭行就被指定；一旦按下Send to Back鈕4704，則掃描資訊表4701之最終行就被指定。一旦按下Next Overlap鈕4707，則在掃描資訊表4701、掃描地圖縮圖顯示部4709及掃描地圖顯示部4730中，下一交疊區域之結果就被指定、顯示；一旦按下Prev. Overlap鈕4708，則在掃描資訊表4701、掃描地圖縮圖顯示部4709及掃描地圖顯示部4730中，前一交疊區域之結果就被指定、顯示。
接著，說明測試結果的內容。掃描資訊表4701中係被顯示有測試結果的流水號4724、掃描資訊4725(作為掃描之起點的對準點或計測點/檢查點的詳細資訊)、X方向倍率4726、Y方向倍率4727。在圖25的例子中，No.002的行，係對應於對準點(對準圖案)4711上的測試結果，No.003的行，係對應於對準點(對準圖案)4714上的測試結果。又，No.002的行的測試結果，係在掃描地圖縮圖顯示部4709上，作為掃描區域4710及掃描區域4716而被顯示；No.003的行的測試結果，係在掃描地圖縮圖顯示部4709上，作為掃描區域4713及掃描區域4724而被顯示。又，測長點(測長圖案)4712、4715，係分別以對準點(對準圖案)4711、4714進行定址後，表示計測之對象的測長點(測長圖案)。
掃描區域4710、4713、4716、4724，係使用平台位置精度解析畫面(圖21)中所保存的各裝置之掃描交疊參數而被算出。亦即，掃描交疊測試結果處理元件4213，係依照各裝置中的掃描交疊參數設定部4322之各種參數(圖21)、和掃描交疊測試畫面(圖22)的掃描交疊設定部4417，來計算掃描區域4710、4713、4716、4724，並在掃描交疊測試執行結果畫面(圖25)上顯示出該當計算結果。
實線所示的掃描區域4710、4713係表示，於各裝置中沒有X-Y平台4104之偏移量的(偏移量＝0)理想情況下的最大之掃描區域，點線所示的掃描區域4716、4724係表示，於各裝置中有X-Y平台4104之偏移量存在(偏移量≠0)且有經時變化之情況下的最大之掃描區域。在圖25的例子中，在無偏移量的(偏移量＝0)理想狀態下，在No.002的掃描區域4710與No.003的掃描區域4713之間，不存在重複領域(交疊區域)。另一方面，有偏移量存在且有經時變化的狀態下，No.002的掃描區域4716與No.003的掃描區域4724係存在有彼此重複的區域。這是表示，於同一機種的裝置4200-1～4200-3中，使用同一計測配方(由IDS檔案及IDW檔案所構成的配方)而實施了測定的情況下，隨每台裝置而有偏移量存在且有經時變化的實際之狀態下，在掃描之際有可能發生交疊區域。
在使用者欲變更掃描交疊參數設定的情況下，則從掃描交疊測試執行結果畫面的平台解析選單4722，指定欲變更參數設定的對象裝置。藉由該當指定，平台位置精度解析畫面(圖21)就會啟動，可將對象裝置中的所望之參數設定做變更。甚至，在參數設定變更後，可從再檢查選單4721，再度執行掃描交疊測試。
在以上所示的實施例所涉及的揭露中，係針對基於記錄了掃描第1檢查用射束以檢查第1試料之複數個檢查點的第1檢查裝置，於前記第1試料之檢查中使前記第1試料做移動的第1移動機構之移動軌跡的第1追蹤資訊、記錄了掃描第2檢查用射束以檢查第2試料之複數個檢查點的第2檢查裝置，於前記第2試料之檢查中使前記第2試料做移動的第2移動機構之移動軌跡的第2追蹤資訊，來決定或調整前記第1及第2檢查裝置所共通使用的檢查配方之檢查用射束掃描領域的系統、方法、儲存程式之非暫時性電腦可讀媒體，做了說明。
藉由上述的實施例所涉及的本揭露，就可考慮到隨每台裝置而不同的平台位置精度之偏移量及其經時變化，來設定計測配方之參數，因此可作成不會對試料的同一領域重複照射(掃描)電子束的各裝置共通的(同一)計測配方。亦即，同一機種之CD-SEM是有複數台存在的情況下，在相同的計測檢查過程中，可以不變更同一計測配方就加以使用。又，若將該當所作成的同一計測配方在複數台裝置上做使用，則即使在經時變化所致之平台之運作範圍(可移動範圍)之微小變化或停止位置精度之變動是隨每台裝置而不同的情況下，該當計測配方仍可對各裝置毫無問題地作動，可發揮如此的效果。
＜關於本揭露的變形例＞
本揭露係不限定於前述的實施形態，可包含各式各樣的變形例。例如，上記的實施形態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。又，某個實施形態的構成的一部分可置換成其他實施形態的構成，又，亦可對某個實施形態的構成追加其他實施形態的構成。又，針對各實施形態的構成的一部分，可做其他構成的追加、刪除、置換。
例如實施形態1中作為學習資料所說明的各資料、與實施形態2中作為學習資料所說明的各資料，係可併用。或者亦可只使用實施形態1～2中作為學習資料所說明的各資料之中的一部分來實施學習。
於實施形態2中，雖然說明生成4個學習部，但亦可取而代之只生成1個學習器，而在該1個學習器之中，實施往對應於第1學習部～第4學習部的4個分類之任一者的聚類。
10:計測系統
100~102:CD-SEM
103:電腦系統
104:輸出入裝置
105:計測配方記憶媒體
106:試料資訊記憶媒體
107:處理單元
108:電腦可讀媒體
109:解析元件
110:配方解析元件
111:樣本解析元件
112:裝置解析元件
113:日誌資訊記憶媒體
114:設計資料記憶媒體
201:記憶媒體
202:記憶媒體
203:電腦系統
204:輸出入裝置
206:診斷系統
305:記憶部
401:標籤資訊記憶媒體
402:學習用資訊記憶媒體
403:推定用資訊記憶媒體
404:輸入介面
405:訓練資料生成部
406:訓練資料儲存部
407:學習部
408:學習模型儲存部
409:推定部1
410:推定部2
411:推定部3
412:推定部4
413:輸出介面
1501:低倍率影像
1502:計測對象圖案
1503:樣板影像
1504:定址圖案
1505:圖案
1506:視野
1507:視野
1508:視野
1509:視野
1510:計測用高倍率影像
1511:計測游標
1701:日誌資料顯示欄
1702:顯示欄
1703:設定欄
1704:條槓
1705:指標
1706:左側滑標
1707:右側滑標
1708:時間設定欄
1801:前處理部
1802:學習用資料
1803:推定部
1804:評價對象資料
1901:學習模型
1902:評價對象資料
1903:評價對象資料
1904:範圍
2101:周圍影像
2102:測定對象圖案
2103:圖案
2104:圖案
2105:視野位置
2106:視野位置
2107:影像
2108:影像
4100:裝置
4101:電子源
4104:X-Y平台
4105:晶圓
4106:電子束
4107:靜電吸盤
4120:電腦系統
4124:框體
4125:高壓電源
4126:1次電子加速電極
4127:電子透鏡
4128:光圈
4129:掃描線圈
4130:電子接物透鏡
4131:2次電子
4132:2次電子偵測器
4133:晶圓搬運用推高機構
4134:搬運機器人
4135:裝載室
4136:晶圓匣
4137:迷你環境
4138:搬運機器人
4139:表面電位計
4141:輸出入裝置
4200:裝置
4208:電腦可讀媒體
4209:晶圓資訊處理元件
4210:配方資訊處理元件
4211:平台資訊處理元件
4212:掃描交疊測試元件
4213:掃描交疊測試結果處理元件
4214:元件
4301:Unit選單
4303:選擇鈕
4304:平台位置精度資訊顯示部
4305:追蹤資訊
4306:追蹤資訊
4307:追蹤資訊
4308:平台偏差限制設定部
4309:日誌資訊統計處理設定部
4310:計處理設定部
4311:測點/檢查點號碼設定部
4312:間隙資訊適用核取方塊
4313:預兆診斷設定部
4314:公差
4316:計測點/檢查點號碼設定部
4318:Save鈕
4320:條槓
4321:條槓
4322:掃描交疊參數設定部
4401:IDS檔案之名稱
4402:配方資訊顯示部
4403:IDW檔案之名稱
4404:計測點/檢查點資訊
4405:對準點資訊
4407:裝置設定
4409:平台位置精度因子設定部
4411:File選單
4413:預兆診斷設定部
4414:「None」
4415:日誌資訊統計處理
4416:預兆診斷
4417:掃描交疊設定部
4418:Start鈕
4701:掃描資訊表
4702:Jump鈕
4703:Bring to Front鈕
4704:Send to Back鈕
4705:Show鈕
4706:Hide鈕
4707:Next Overlap鈕
4708:Prev.Overlap鈕
4709:掃描地圖縮圖顯示部
4710:掃描區域
4711:對準點(對準圖案)
4712:測長點(測長圖案)
4713:掃描區域
4714:對準點(對準圖案)
4715:測長點(測長圖案)
4716:掃描區域
4717:區域
4718:倍率設定部
4719:縮放條
4720:掃描地圖顯示部
4721:再檢查選單
4722:平台解析選單
4723:瀏覽操作部
4724:流水號
4725:掃描資訊
4726:X方向倍率
4727:Y方向倍率
4730:掃描地圖顯示部
[圖1]含有複數個影像取得工具的計測系統10之1例的圖示。
[圖2]將圖1中所例示的計測系統予以管理的診斷系統之1例的圖示。
[圖3]試料上所被形成的計測對象圖案之例子。
[圖4]圖1中所例示的電腦系統103的更具體圖示。
[圖5]實施錯誤因素之特定、已被生成之計測配方之信賴度、錯誤之預兆診斷等的系統的學習過程的流程圖。
[圖6]將訓練資料進行學習之樣子的模式圖。
[圖7]使用經過圖5中所例示之學習期而被建構之學習模型的推定期的流程圖。
[圖8]描述有電腦系統103推定錯誤因素之結果的報告之例子。
[圖9]以配方執行時所發生的錯誤為觸發，而使學習器進行學習之過程的流程圖。
[圖10]錯誤發生時的裝置恢復與學習模型之再學習之過程的流程圖。
[圖11]實施預兆診斷的學習器之學習過程的流程圖。
[圖12]使用依據圖11而已被學習的學習模型來診斷錯誤之預兆的程序的說明用流程圖。
[圖13]錯誤發生時，使用從CD-SEM等所被輸出之錯誤的種類資訊、與日誌資料來令學習器進行學習的將學習條件加以設定的GUI畫面之1例的圖示。
[圖14]實施無監督學習，使用基於該當無監督學習而被生成之已學習模型，來實施錯誤因素之診斷的診斷系統之1例的圖示。
[圖15]藉由聚類所建構出來的學習模型之模式圖。
[圖16]藉由無監督學習而令學習模型進行學習之過程的流程圖。
[圖17]實施周圍搜尋之樣子的模式圖。
[圖18]S2003中所執行的異常判定之例子的說明圖。
[圖19]本揭露的實施形態3所述之裝置4100之構成圖。
[圖20]3台裝置(CD-SEM)4100(4100-1、4100-2、4100-3)，透過匯流排或者網路，而被連接至電腦系統4120的計測系統之1例的圖示。
[圖21]於各裝置中實施平台位置精度之解析的解析畫面之1例。
[圖22]掃描交疊測試畫面之1例。
[圖23]掃描交疊測試的從開始到結束為止的一連串之流程的流程圖。
[圖24]S4508的詳細步驟的流程圖。
[圖25]表示掃描交疊測試之執行結果的畫面之1例。
103:電腦系統
104:輸出入裝置
401:標籤資訊記憶媒體
402:學習用資訊記憶媒體
403:推定用資訊記憶媒體
404:輸入介面
405:訓練資料生成部
406:訓練資料儲存部
407:學習部
408:學習模型儲存部
409:推定部1
410:推定部2
411:推定部3
412:推定部4
413:輸出介面
Claims (7)
- 一種診斷系統，係為將對試料照射帶電粒子束之帶電粒子線裝置進行診斷的診斷系統，其特徵為， 具備：用以診斷前記帶電粒子束是否會對前記試料之相同位置進行重複照射的電腦系統； 前記電腦系統係基於： 記錄了掃描第1帶電粒子束以檢查第1試料之複數個檢查點的第1帶電粒子線裝置，於前記第1試料之檢查中使前記第1試料做移動的第1移動機構之移動軌跡的第1追蹤資訊；和 記錄了掃描第2帶電粒子束以檢查第2試料之複數個檢查點的第2帶電粒子線裝置，於前記第2試料之檢查中使前記第2試料做移動的第2移動機構之移動軌跡的第2追蹤資訊， 而決定前記第1及第2帶電粒子線裝置所共通使用的檢查配方之檢查用射束掃描領域。
- 如請求項1所記載之診斷系統，其中， 前記電腦系統，係將描述了載置前記試料之平台的定位精度之變動幅度的追蹤資料，從同一機種之複數個前記帶電粒子線裝置分別加以取得； 前記電腦系統，係依據從各前記帶電粒子線裝置所取得之前記追蹤資料所描述的前記變動幅度，來判斷各前記帶電粒子線裝置在實施相同動作時，對於前記試料上之相同位置，前記帶電粒子束是否會被重複照射達容許次數以上； 前記電腦系統，係將前記判斷之結果予以輸出。
- 如請求項1所記載之診斷系統，其中， 前記第1追蹤資訊係描述了，前記第1移動機構將前記第1試料進行定位時的位置變動幅度之履歷； 前記第2追蹤資訊係描述了，前記第2移動機構將前記第2試料進行定位時的位置變動幅度之履歷； 前記電腦系統，係依據前記第1追蹤資訊所描述的位置變動幅度之履歷，而將前記第1移動機構所做的定位之最大變動幅度，當作第1變動幅度而加以計算； 前記電腦系統，係依據前記第2追蹤資訊所描述的位置變動幅度之履歷，而將前記第2移動機構所做的定位之最大變動幅度，當作第2變動幅度而加以計算； 前記電腦系統，係依據前記第1變動幅度與前記第2變動幅度於前記試料上是否重疊，來判斷前記第1帶電粒子線裝置與前記第2帶電粒子線裝置在實施相同動作時，對於前記試料上之相同位置，前記帶電粒子束是否會被重複照射達容許次數以上。
- 如請求項1所記載之診斷系統，其中， 前記第1追蹤資訊係描述了，前記第1移動機構之移動軌跡的經時性變化； 前記第2追蹤資訊係描述了，前記第2移動機構之移動軌跡的經時性變化； 前記電腦系統，係依據前記第1追蹤資訊所描述的前記第1移動機構之移動軌跡的經時性變化，來預測前記第1移動機構之移動軌跡之變化； 前記電腦系統，係依據前記第2追蹤資訊所描述的前記第2移動機構之移動軌跡的經時性變化，來預測前記第2移動機構之移動軌跡之變化； 前記電腦系統，係依據前記預測出來的前記第1移動機構之移動軌跡之變化、與前記預測出來的前記第2移動機構之移動軌跡之變化於前記試料上是否重疊，來判斷前記第1帶電粒子線裝置與前記第2帶電粒子線裝置在實施相同動作時，對於前記試料上之相同位置，前記帶電粒子束是否會被重複照射達容許次數以上。
- 如請求項4所記載之診斷系統，其中， 前記電腦系統係： 藉由將過去取得的前記第1移動機構之移動軌跡的經時性變化以機器學習來進行學習，而預測將來的前記第1移動機構之移動軌跡之變化； 藉由將過去取得的前記第2移動機構之移動軌跡的經時性變化以機器學習來進行學習，而預測將來的前記第2移動機構之移動軌跡之變化。
- 一種診斷方法，係為將對試料照射帶電粒子束之帶電粒子線裝置進行診斷的診斷方法，其特徵為， 藉由用以診斷前記帶電粒子束是否會對前記試料之相同位置進行重複照射的電腦系統，基於： 記錄了掃描第1帶電粒子束以檢查第1試料之複數個檢查點的第1帶電粒子線裝置，於前記第1試料之檢查中使前記第1試料做移動的第1移動機構之移動軌跡的第1追蹤資訊；和 記錄了掃描第2帶電粒子束以檢查第2試料之複數個檢查點的第2帶電粒子線裝置，於前記第2試料之檢查中使前記第2試料做移動的第2移動機構之移動軌跡的第2追蹤資訊， 而決定前記第1及第2帶電粒子線裝置所共通使用的檢查配方之檢查用射束掃描領域。
- 一種電腦程式，係為將對試料照射帶電粒子束之帶電粒子線裝置進行診斷的診斷系統中的電腦程式，其中， 前記診斷系統係具備：用以診斷前記帶電粒子束是否會對前記試料之相同位置進行重複照射的電腦系統； 前記電腦程式係令前記電腦系統執行以下步驟： 基於： 記錄了掃描第1帶電粒子束以檢查第1試料之複數個檢查點的第1帶電粒子線裝置，於前記第1試料之檢查中使前記第1試料做移動的第1移動機構之移動軌跡的第1追蹤資訊；和 記錄了掃描第2帶電粒子束以檢查第2試料之複數個檢查點的第2帶電粒子線裝置，於前記第2試料之檢查中使前記第2試料做移動的第2移動機構之移動軌跡的第2追蹤資訊， 而決定前記第1及第2帶電粒子線裝置所共通使用的檢查配方之檢查用射束掃描領域。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2020/014580 WO2021199164A1 (ja) | 2020-03-30 | 2020-03-30 | 診断システム |
| WOPCT/JP2020/014580 | 2020-03-30 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202307894A TW202307894A (zh) | 2023-02-16 |
| TWI822382B true TWI822382B (zh) | 2023-11-11 |
Family
ID=77930203
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111138146A TWI822382B (zh) | 2020-03-30 | 2021-02-05 | 診斷系統、診斷方法、及電腦程式 |
| TW110104409A TWI783368B (zh) | 2020-03-30 | 2021-02-05 | 診斷系統 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110104409A TWI783368B (zh) | 2020-03-30 | 2021-02-05 | 診斷系統 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11899437B2 (zh) |
| JP (1) | JP7298016B2 (zh) |
| KR (1) | KR20220132604A (zh) |
| CN (1) | CN115176327A (zh) |
| TW (2) | TWI822382B (zh) |
| WO (1) | WO2021199164A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230336470A1 (en) * | 2022-04-14 | 2023-10-19 | Ali Munir | Methods and systems for predicting sudden changes in datacenter networks |
| JP2024035683A (ja) * | 2022-09-02 | 2024-03-14 | 横河電機株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
| WO2024105811A1 (ja) * | 2022-11-16 | 2024-05-23 | 株式会社日立ハイテク | エラー要因解析装置、および、エラー要因解析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004044596A2 (en) * | 2002-11-12 | 2004-05-27 | Fei Company | Defect analyzer |
| US20060247818A1 (en) * | 2001-05-04 | 2006-11-02 | Hasan Talat F | Systems and methods for metrology recipe and model generation |
| US20110147587A1 (en) * | 2008-09-30 | 2011-06-23 | Kyoungmo Yang | Diagnosis device of recipe used for scanning electron microscope |
| TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
| TW201810474A (zh) * | 2016-06-27 | 2018-03-16 | 克萊譚克公司 | 用於圖案安置及圖案之大小的量測之裝置及方法及其電腦程式 |
| TW201945982A (zh) * | 2017-03-27 | 2019-12-01 | 日商日立全球先端科技股份有限公司 | 圖像處理系統及用於進行圖像處理之電腦程式 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1116967A (ja) * | 1997-06-26 | 1999-01-22 | Hitachi Ltd | 試料検査装置 |
| JP2001165876A (ja) * | 1999-12-14 | 2001-06-22 | Mitsubishi Electric Corp | 検査装置および検査方法 |
| JP5180428B2 (ja) * | 2005-06-21 | 2013-04-10 | 株式会社日立ハイテクノロジーズ | 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置 |
| US8078552B2 (en) | 2008-03-08 | 2011-12-13 | Tokyo Electron Limited | Autonomous adaptive system and method for improving semiconductor manufacturing quality |
| JP5255953B2 (ja) * | 2008-08-28 | 2013-08-07 | 株式会社日立ハイテクノロジーズ | 欠陥検査方法及び装置 |
| JP5205202B2 (ja) * | 2008-10-06 | 2013-06-05 | 株式会社日立ハイテクノロジーズ | 荷電粒子線の調整方法、及び荷電粒子線装置 |
| US9727049B2 (en) | 2012-09-04 | 2017-08-08 | Taiwan Semiconductor Manufacturing Company, Ltd. | Qualitative fault detection and classification system for tool condition monitoring and associated methods |
| US10365617B2 (en) | 2016-12-12 | 2019-07-30 | Dmo Systems Limited | Auto defect screening using adaptive machine learning in semiconductor device manufacturing flow |
| US10565702B2 (en) * | 2017-01-30 | 2020-02-18 | Dongfang Jingyuan Electron Limited | Dynamic updates for the inspection of integrated circuits |
| US10360671B2 (en) | 2017-07-11 | 2019-07-23 | Kla-Tencor Corporation | Tool health monitoring and matching |
| JP7348440B2 (ja) | 2018-03-20 | 2023-09-21 | 東京エレクトロン株式会社 | 統合的な半導体処理モジュールを組み込んだ自己認識及び補正異種プラットフォーム及びその使用方法 |
| JP7144244B2 (ja) * | 2018-08-31 | 2022-09-29 | 株式会社日立ハイテク | パターン検査システム |
| JP7236231B2 (ja) | 2018-09-07 | 2023-03-09 | ルネサスエレクトロニクス株式会社 | 半導体装置及び解析システム |
| KR20220034196A (ko) * | 2019-09-06 | 2022-03-17 | 주식회사 히타치하이테크 | 레시피 정보 제시 시스템, 레시피 에러 추정 시스템 |
-
2020
- 2020-03-30 US US17/907,921 patent/US11899437B2/en active Active
- 2020-03-30 WO PCT/JP2020/014580 patent/WO2021199164A1/ja active Application Filing
- 2020-03-30 KR KR1020227029393A patent/KR20220132604A/ko unknown
- 2020-03-30 CN CN202080097490.5A patent/CN115176327A/zh active Pending
- 2020-03-30 JP JP2022512905A patent/JP7298016B2/ja active Active
-
2021
- 2021-02-05 TW TW111138146A patent/TWI822382B/zh active
- 2021-02-05 TW TW110104409A patent/TWI783368B/zh active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060247818A1 (en) * | 2001-05-04 | 2006-11-02 | Hasan Talat F | Systems and methods for metrology recipe and model generation |
| WO2004044596A2 (en) * | 2002-11-12 | 2004-05-27 | Fei Company | Defect analyzer |
| US20110147587A1 (en) * | 2008-09-30 | 2011-06-23 | Kyoungmo Yang | Diagnosis device of recipe used for scanning electron microscope |
| TW201202876A (en) * | 2010-01-29 | 2012-01-16 | Tokyo Electron Ltd | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
| TW201810474A (zh) * | 2016-06-27 | 2018-03-16 | 克萊譚克公司 | 用於圖案安置及圖案之大小的量測之裝置及方法及其電腦程式 |
| TW201945982A (zh) * | 2017-03-27 | 2019-12-01 | 日商日立全球先端科技股份有限公司 | 圖像處理系統及用於進行圖像處理之電腦程式 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202137261A (zh) | 2021-10-01 |
| TW202307894A (zh) | 2023-02-16 |
| JP7298016B2 (ja) | 2023-06-26 |
| US20230095532A1 (en) | 2023-03-30 |
| TWI783368B (zh) | 2022-11-11 |
| KR20220132604A (ko) | 2022-09-30 |
| WO2021199164A1 (ja) | 2021-10-07 |
| CN115176327A (zh) | 2022-10-11 |
| JPWO2021199164A1 (zh) | 2021-10-07 |
| US11899437B2 (en) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI822382B (zh) | 診斷系統、診斷方法、及電腦程式 | |
| US8547429B2 (en) | Apparatus and method for monitoring semiconductor device manufacturing process | |
| TWI475597B (zh) | Pattern evaluation method and pattern evaluation device | |
| JP4312910B2 (ja) | レビューｓｅｍ | |
| JP5608575B2 (ja) | 画像分類方法および画像分類装置 | |
| JP5525421B2 (ja) | 画像撮像装置および画像撮像方法 | |
| JP5444092B2 (ja) | 検査方法およびその装置 | |
| JP5069904B2 (ja) | 指定位置特定方法及び指定位置測定装置 | |
| US20150146967A1 (en) | Pattern evaluation device and pattern evaluation method | |
| TW201725381A (zh) | 於樣品上判定所關注圖案之一或多個特性 | |
| JP2010087322A (ja) | 欠陥観察装置及び欠陥観察方法 | |
| TWI722599B (zh) | 圖像評價裝置及方法 | |
| JP3715150B2 (ja) | 画像自動収集装置およびその方法 | |
| JP4287863B2 (ja) | レビューｓｅｍ | |
| US20090041334A1 (en) | Pattern inspection method, pattern inspection apparatus and semiconductor device manufacturing method | |
| JP5036889B2 (ja) | レビューｓｅｍ | |
| JP4677701B2 (ja) | パターン検査方法及び検査結果確認装置 | |
| JP4745380B2 (ja) | レビューｓｅｍ | |
| US10937628B2 (en) | Charged particle beam device | |
| CN113228222A (zh) | 用于校准扫描带电粒子显微镜的方法 | |
| JP5163731B2 (ja) | 欠陥候補の画像表示方法 | |
| 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 | |
| JP2020204497A (ja) | 検査装置 | |
| JP2011119085A (ja) | 荷電粒子線装置 |