TWI844033B - 電腦系統、尺寸計測方法、及記憶媒體 - Google Patents
電腦系統、尺寸計測方法、及記憶媒體 Download PDFInfo
- Publication number
- TWI844033B TWI844033B TW111121436A TW111121436A TWI844033B TW I844033 B TWI844033 B TW I844033B TW 111121436 A TW111121436 A TW 111121436A TW 111121436 A TW111121436 A TW 111121436A TW I844033 B TWI844033 B TW I844033B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- measurement
- aforementioned
- image
- coordinate information
- Prior art date
Links
- 238000003860 storage Methods 0.000 title claims description 27
- 238000000691 measurement method Methods 0.000 title claims description 17
- 238000005259 measurement Methods 0.000 claims abstract description 252
- 239000004065 semiconductor Substances 0.000 claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 47
- 238000010191 image analysis Methods 0.000 claims description 37
- 239000002245 particle Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 26
- 238000013461 design Methods 0.000 description 25
- 238000006243 chemical reaction Methods 0.000 description 22
- 210000000352 storage cell Anatomy 0.000 description 20
- 210000000988 bone and bone Anatomy 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 12
- 238000001878 scanning electron micrograph Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 4
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 4
- 238000003917 TEM image Methods 0.000 description 4
- 238000012790 confirmation Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000010884 ion-beam technique Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000011165 process development Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 241000446313 Lamella Species 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 229910052814 silicon oxide Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Images
Abstract
縮短尺寸計測所需時間與排除起因於操作者的誤差。因此,本揭示係提供一種電腦系統,其係提供由半導體圖案的畫像資料,抽出用以計測該半導體圖案的所希望部位的尺寸的基點的座標資訊,且使用該基點的座標資訊來計測尺寸的功能的電腦系統,其具備構裝有輸出至少2個基點的座標資訊作為學習結果的姿勢推定模型的學習器,該學習器係使用將半導體圖案的畫像資料作為輸入、將至少2個基點的座標資訊作為輸出的教師資料而預先實施學習,對於對學習器被輸入的新畫像資料,抽出至少2個基點的座標資訊及尺寸。
Description
本揭示係關於由元件加工結果的畫像計測尺寸的電腦系統、尺寸計測方法、及記憶媒體。
近年來,為提升半導體元件的性能,在半導體元件導入新材料,同時半導體元件的構造立體化/複雜化。此外,在現在的前端半導體元件的加工中,係被要求奈米級的精度。因此,半導體處理裝置係必須可將多種材料以極高精度地加工為各種形狀,形成為必然地具備有多數控制參數(輸入參數)的裝置。
在作為具代表性的加工裝置的蝕刻裝置中,用以控制電漿放電的設定項目數有30以上。若將該等設定值固定時的放電設為1步驟,一邊將具有不同設定值的步驟接連作切換一邊進展加工。在前端製程中,在1個加工工程中通常亦使用10步驟以上,較多時係使用30步驟以上,為了將步驟的組合及步驟內的全部設定值最適化,進行達及數百條件的加工試驗。具有用以引出裝置性能的專技知識(know how)與高超裝置運用技巧的工程師數量有限,預想今後條件導出或裝置運用未照預定進展的案例會不斷增加。
尤其,在短期間建構實現所希望的構造的製程時,必須由既有的龐大實驗資料之中檢索類似的構造而以其為出發點來建構製程,惟此時必須由SEM(Scanning Electron Microscope,掃描電子顯微鏡)畫像計測尺寸。現況係大多以手工作業進行尺寸計測,惟若適用於前端製程時,構造變得複雜,平均每1枚畫像的測定點數亦增加,因此以人工進行的尺寸抽出係會達至界限。此外,在藉由手動所為之計測中,係在計測值產生操作者依存性。此外,即使為反覆線/間距的單位圖案的畫像,亦按各個圖案1個1個計測,因此在計測值的統計量,係有除了製程不均以外,亦加算人為上的誤差等課題。
對於該等課題,專利文獻1係揭示由畫像的亮度值求出輪廓線,使用圖案剖面的上部與下部的2點的座標值,以手動去除SEM畫像特有的白影部分的訊號,藉此精度佳地求出側壁角度的測定方法及測定裝置。
專利文獻2係揭示由SEM畫像的亮度值的變化求出邊緣點,割出近似圖案的各邊的直線,藉此減少操作者依存而抽出各邊的角度/長度的測定方法及測定系統。
專利文獻3係揭示使用作為藉由深層學習所得之畫像辨識技術的一種的物體檢測與語義分割(Semantic Segmentation),進行區域分割與反覆單位圖案的分割,藉此使得檢測存在計測所需計測點的輪廓線,且計測尺寸的計測方法及計測系統。
先前技術文獻
專利文獻
專利文獻1:日本特開2012-68138號公報
專利文獻2:日本特開2002-350127號公報
專利文獻3:國際公開第2020/121564號
(發明所欲解決之問題)
專利文獻1及2所記載的計測方法係根據使用亮度值的邊緣檢測法者,必須按每個畫像進行臨限值等參數調諧或藉由目視判斷所為之界面位置的指定等操作,無法謂為適於自動計測的手法。為了實現不需要進行藉由目視所為之調整的自動計測,必須藉由辨識映射在畫像的各個物體的區域,而非局部的亮度分布,來抽出妥當的物體的輪廓。具有與如上所示之目視同等或其以上的性能的畫像辨識被認為可藉由應用使用機械學習,尤其深層學習的畫像辨識技術來實現。
專利文獻3的手法係可實現自動計測,惟有在切分成單位圖案的切分用必須要有物體檢測模型,必須使其學習合計2個模型;計測所需計測點座標係根據輪廓線資料而在後處理中求出等課題。
本揭示係鑑於如上所示之狀況,提案出一種實現高速的尺寸計測(包含供尺寸計測用的準備期間而高速),且更加減低操作者(使用者)計測時的工時的技術。
(解決問題之技術手段)
本揭示係藉由將作為畫像辨識技術的人物姿勢推定(HPE:Human Pose Estimation)模型適用在半導體畫像的圖案辨識,來解決上述課題。HPE模型係用以推定畫像中的人物的姿勢的機械學習模型,以往以自動駕駛汽車中的步行者的動作辨識、或遊戲機器或動畫中的物件處理等為主要用途。
在HPE模型中,人物的姿勢係藉由被稱為骨骼的長度或斜率不同的複數線段的結合予以表現,且為了記述骨骼而使用各線段的兩端(結節點;關鍵點)的座標。本揭示之技術係根據只要可將HPE模型的骨骼配合半導體圖案的尺寸計測部位的圖案形狀作適當設定,換言之,若可使得適當學習HPE模型,即可利用上述關鍵點作為圖案的尺寸計測時的基點的觀點所完成者。如以上所示,本揭示之技術係藉由將HPE模型適用在半導體圖案的尺寸計測來解決上述習知技術的課題。
為解決上述課題,以一例而言,本揭示係提供一種電腦系統,其係提供由半導體圖案的畫像資料,抽出用以計測該半導體圖案的所希望部位的尺寸的基點的座標資訊,且使用該基點的座標資訊來計測尺寸的功能的電腦系統,其具備:構裝有輸出至少2個基點的座標資訊作為學習結果的姿勢推定模型的學習器,該學習器係使用將半導體圖案的畫像資料作為輸入、將至少2個基點的座標資訊作為輸出的教師資料而預先實施學習,電腦系統係對於對學習器被輸入的新畫像資料,抽出至少2個基點的座標資訊及尺寸。
(發明之效果)
使得學習用以進行尺寸計測的機械學習模型時,由於不需要經由抽出輪廓線,且另外由該輪廓線抽出供尺寸計測用的基點等2階段的工程,因此端對端(end to end)的學習時間被縮短化。此外,由於為使用機械學習模型的計測手法,因此可實現自動計測。上述以外的課題、構成及效果係藉由實施例的說明而更加明確。
以下說明使用HPE模型的半導體圖案的尺寸計測的具體例。其中,在本說明書中,將HPE模型亦僅稱為姿勢推定模型。
(A)實施例1
在本實施例中,說明構裝HPE模型作為機械學習模型的尺寸計測系統的構成例。在本實施例的尺寸計測系統中,係以人工來作成機械學習模型的教師資料。以教師資料而言,使用作為尺寸計測對象物的畫像資料的剖面SEM畫像、記述有該剖面SEM畫像的關鍵點(key point)的座標的註解(annotation)資料與骨骼的定義檔案,在事前的學習步驟中,將作為輸入資料的剖面SEM畫像、及上述教師資料供予至HPE模型而使其學習關鍵點位置。在此,骨骼並不一定與計測部位相同,惟骨骼的兩端必定為關鍵點。
在推論步驟中,對被供予的輸入畫像,以學習完畢HPE模型推定關鍵點。在計測步驟中,由所推定出的關鍵點座標群求出各計測部位的兩端的關鍵點座標,自動計測事前指定出的計測部位的尺寸。
<構裝有尺寸計測功能的伺服器101的內部構成例>
圖1係示出本實施例之構裝有尺寸計測功能的伺服器101的內部構成例的圖。在伺服器101的框體內係儲存有:介面115、處理器116、非揮發性記憶體(ROM)117、揮發性記憶體(RAM)118、儲存體126等。對伺服器101的畫像資料或教師資料的輸入或尺寸計測結果的輸出係透過介面115而藉由輸出入裝置103來執行。作為輸入資料的畫像資料、註解資料、骨骼定義資料、表示學習完畢模型的模型參數、及計測結果係被儲存在資料庫102,且在必要時被讀出。雖圖示省略,在輸出入裝置103係配備有用以操作手動畫像解析工具127的GUI畫面的滑鼠、或用以輸入各種設定值的鍵盤等輸出入元件。
儲存體126係儲存有手動畫像解析工具127、或具備有本實施例的尺寸計測功能的尺寸計測軟體128。該尺寸計測軟體128係視需要而在RAM118展開。處理器116係藉由執行其,實現本實施例的尺寸計測功能。手動畫像解析工具127係輸出構成教師資料的註解資料作成所需的計測條件資料的工具,具備藉由像素的運算處理來計算畫像的特定部位的座標、或計算座標間的距離的功能。在本實施例中,以手動畫像解析工具127而言,係沿用市售的工具。
此外,本實施例的尺寸計測軟體128主要由HPE模型部124與尺寸計測部125所構成,兩者係以軟體模組的形式被組入至尺寸計測軟體128。圖1係示出HPE模型部124與尺寸計測部125在RAM118被展開的狀態。
<HPE模型之一例>
圖2係示出在伺服器101所使用的HPE模型之一例的圖。圖2的HPE模型係具有神經網路構造,被輸入至輸入層的畫素資訊依序被傳播至中間層、輸出層予以運算,藉此由輸出層輸出關鍵點的座標。中間層係具備反覆多數層的卷積層(Convolutional Layer)、池化層(Pooling Layer)等的構造。以上為本實施例之HPE模型的基本構造,更具體的層構造係依所採用的模型的詳細內容而異。
HPE模型學習時,以所被輸出的關鍵點的座標與作為正解的註解資料的誤差成為最小的方式調整中間層的參數。圖2所示之HPE模型係構裝在圖1的HPE模型部124,尺寸計測軟體128的本體本身係被儲存在圖1的儲存體126。圖2的HPE模型係在學習時或推論時在RAM118展開,藉由處理器116予以執行。
以下說明中稱為學習器時,意指作為軟體模組而被組入至尺寸計測軟體128的HPE模型部124,惟亦適用軟體模組以外的構裝形態。此外,在本實施例中,係使用神經網路10來構成HPE模型,惟並非侷限於此,亦可使用Pictorial Structure Model(圖像結構模型)等機械學習的模型。
<HPE模型的學習處理>
接著,使用圖3至圖7,說明藉由人工作成教師資料且使其學習HPE模型時的順序。圖3係在實施例1中,用以說明藉由伺服器101所執行之由輸入畫像至使其學習模型為止的處理的流程圖。此外,圖4係示出顯示在配備在圖1的輸出入裝置103的顯示器上之手動畫像解析工具127的GUI畫面的圖。
若按下圖4上段的載入按鍵20,由儲存體126被讀出的複數畫像被縮圖顯示在GUI上,系統操作者係由其中選擇欲採用作為教師資料的畫像。畫像消去按鍵21係使用在欲取消所選擇出的畫像之時。在倍率儲存格(cell)22係輸入畫像攝影時的倍率。該值係被使用在將尺寸由像素單位換算成實際尺寸之時。
圖4中操作者所選擇出的畫像係半導體的剖面SEM畫像。該剖面SEM畫像的對象構造係具備在矽基板部41之上形成由氧化矽所成的遮罩部40之後,形成有溝槽圖案的構造。
(i)步驟S301
HPE模型部124(亦可將處理器116作為動作主體)係偵測藉由操作者所為之畫像的選擇,讀入被選擇出的畫像(步驟S301)。
操作者在手動畫像解析工具127的GUI畫面上設定計測部位來進行計測,HPE模型部124係受理藉由操作者所得的計測值(步驟S302)。本實施例中所意圖的計測部位係對於遮罩部40,僅遮罩高度51的1部位;對於溝槽部44,為溝槽深度42、頂部CD(Critical Dimension,臨界尺寸)53、最大CD43等3部位。物件(object)係遮罩部40與溝槽部44等2個。
在此,說明圖4的中段所示的各種按鍵。圖4中段的按鍵係被使用在計測部位的特性資料作成時。特性資料係指記載有計測部位的名稱與單位、顏色的對應的資料。以新作成按鍵23進行新特性資料的作成,以載入按鍵24進行作成完畢特性資料的載入,以保存按鍵25進行所作成的特性資料的保存。新作成特性資料時,首先,在名稱儲存格(cell)26輸入計測部位的名稱,接著在單位儲存格27輸入尺寸的單位。顏色儲存格28係自動設定未被使用的顏色。若按下生成按鍵29,所選擇的行被登錄在計測值列表31、或新的行被追加在計測值列表31。欲刪除特性資料的特定資料時,在計測值列表31內選擇相對應的行之後,按下計測部位削除按鍵30。在計測值列表31係顯示顏色、名稱、單位、個數、平均值、標準偏差等。
在圖3的步驟S301中使所希望的畫像顯示之
後,操作者係操作圖4的中段所示之各種按鍵與輸出入裝置103的滑鼠,計測畫像所出現的溝槽深度42與最大CD43的長度。若一開始按下新作成按鍵23,名稱儲存格26與單位儲存格27被起動(activate)且形成為可輸入狀態,輸入計測部位的名稱與尺寸的單位。
接著,以滑鼠操作將游標或指示器移動至顯示畫像的任意的起點與終點,且在該等2部位點擊滑鼠。處理器116係檢測第1個滑鼠點擊事件,且將點擊到的部位的座標以像素單位判斷為起點,且記錄在RAM118。同樣地,處理器116若檢測第2個滑鼠點擊事件,即將點擊到的部位的座標判斷為終點,且記錄在RAM118。處理器116係由2個座標間的距離計算起點與終點間的尺寸,且顯示在計測值列表31內。顯示後,若操作者按下生成按鍵29,在計測值列表31登錄經計算出的尺寸值或計測值列表31內的個數、平均值、標準偏差的值。每逢新追加起點與終點,計測值列表31內的個數、平均值、標準偏差的值即被更新。
計測新畫像時,計測值列表31係成為空欄,惟若計測已登錄完畢的畫像時,以滑鼠由計測值列表31中選擇目的計測部位的名稱之後,在畫像上點擊計測部位的起點與終點即可。圖7係示出計測出2處的遮罩高度與1處的溝槽深度與1處的頂部CD與1處的最大CD之後的畫像,藉由圓指示器,連同起點與終點的座標值一起顯示出計測部位各個的起點與終點。同時,亦顯示出相當於遮罩高度51與溝槽深度42與頂部CD53與最大CD43之連結各起點與各終點的線段。結束計測時,係按下下段的保存按鍵32。輸出對應計測值列表的CSV檔案與文字檔案亦即計測條件資料。若叫出以前所保存的計測結果,係按下載入按鍵33。在此,計測條件資料係指使計測部位的名稱與計測部位的起點/終點的座標值相對應的資料。
圖5係對應在步驟S302的操作者的手動計測,對於圖4的畫像,本實施例之手動畫像解析工具127所輸出的計測條件資料之例。該例係採用根據JSON形式的格式。在該檔案中,計測名L1、L2等係為了區分計測部位而被自動分配的名稱,並未被使用在註解資料。在位於其接下來的位置列表列舉起點與終點的座標值。若在畫像解析工具沒有計測條件的輸出功能,組入至工具的增益集(add-in)係必須至少具備:記載有計測部位的名稱、計測部位的起點與終點的座標的檔案的輸出功能。以上即結束步驟S302。
(iii)步驟S303
若藉由操作者所為之手動計測結束,在步驟S303中,操作者係根據所被輸出的計測條件資料,以手動作成圖6所示之註解資料,且輸入(送訊)至伺服器101。在本實施例中,係假想根據以一般的人物姿勢推定用資料集所採用的JSON形式的格式。在該格式中係按每個物件,依各骨骼的關鍵點的號碼順序列舉x座標、y座標、可視的程度。關鍵點號碼係必須單義決定。計測部位的設定方法被假想為各式各樣,因此在此係使用以縱方向的計測部位為先、橫方向的計測部位為後,將起點排列在前、終點排列在後的規則。在圖4之例中,計測部位的順序係成為遮罩高度、溝槽深度、頂部CD、最大CD。可視的程度係若完全看得到關鍵點即為2,若完全看不到則為0。id係區分物件的連號號碼,按照畫像數及其所包含的物件數,以人力賦予。在本實施例中,係有遮罩部40與溝槽部44等2個,遮罩部40的計測部位為1部位、溝槽部44的計測部位為3部位,惟姿勢推定模型無法處理複數種類的物件,因此使遮罩部與溝槽部未作區分,將遮罩與溝槽作為具有8個關鍵點的單一物件。關於遮罩部40,計測部位照原樣成為骨骼。連同畫像檔案名一起排列對於全畫像的以上資訊所記載的JSON形式的檔案成為註解資料。
(iv)步驟S304
HPE模型部124係由在步驟S303所取得的註解資料與畫像資料構成教師資料。具體而言,將註解資料與畫像資料形成為集合(set)而生成教師資料。
(v)步驟S305
教師資料作成後或並行,操作者係進行藉由人力所為之骨骼設計,若輸入(送訊)至伺服器,HPE模型部124係取得其。圖7係示出根據圖4的計測部位所設計的骨骼構造之例的圖。骨骼定義資料對姿勢推定模型而言為必須者,若無此,HPE模型並不會動作。成為尺寸計測的基點的關鍵點61係針對由遮罩部與溝槽部所成的單位圖案有8處,設定8個相對應的骨骼62。在關鍵點與骨骼係分別被賦予序號0~7、(0)~(7)。在本實施例中,計測部位在溝槽部44有3部位。在骨骼所交叉的部位係並非為計測部位的端點的多餘關鍵點形成為必要,因此並無法將溝槽深度與最大CD等雙方直接作為骨骼來採用。骨骼的設計雖有自由度,惟若有符合圖案的設計規則,可迅速設定適合圖案的骨骼。
在圖7之例中,係使用:(1)除了作為計測部位所設定的關鍵點以外,未加上新的關鍵點、(2)製作連結外圍的關鍵點而呈閉合的多角形、(3)以未形成大於四角形的多角形的方式在內部亦製作骨骼等規則來設計骨骼。採用愈複雜的骨骼,關鍵點的檢測精度愈為提升,惟學習時間與所需記憶體會增加。操作者係視需要或藉由試行錯誤來修正設計規則
圖8係在記述圖7中所設計的骨骼的定義資料中,採用辭典形式時之例。對應鍵值(key)limbs_point的8組數字係依骨骼號碼的順序排列的骨骼的起點與終點的關鍵點號碼,對應鍵值joint_indices的8個數字為關鍵點的號碼。在HPE模型學習時,係除了由畫像與註解資料所成的學習資料之外,圖7所示之骨骼定義資料亦輸入至HPE模型部124進行學習。
(vi)步驟S306
圖9係在本實施例中用以進行HPE模型學習時所需操作的GUI畫面之一例,顯示在輸出入裝置103。圖9所示之GUI畫面係構成為可以標籤(tab)來切換學習時所使用的學習畫面、與計測執行時所使用的計測畫面,若選擇顯示為「train」的學習標籤200,即顯示本畫面。在上段係配置有用以指示模組執行與模型學習的按鍵群,在下段係配置有終端機輸出畫面(終端機視窗)206。
首先,按下輸入按鍵(學習資料儲存資料夾指定按鍵)210來指定資料夾,俾以指定儲存有學習資料的資料夾。所指定出的資料夾名係被顯示在資料夾名儲存格213。接著,為了在學習後指定儲存學習完畢模型的資料夾,按下輸出按鍵211來指定資料夾。所指定的資料夾名係顯示在資料夾名儲存格214。變更所指定的資料夾名時,係按下清除按鍵212。開始模型的學習時,係按下學習開始按鍵204。在學習開始按鍵204的橫旁係顯示表示狀態的狀態儲存格205。若在狀態儲存格205顯示「Done」,步驟S306的學習步驟即結束。其中,關於圖9中所顯示的轉換模組執行按鍵202或骨骼自動設計模組執行按鍵203的涵義,係在實施例2或3中作說明,在本實施例的尺寸計測系統中,實現各按鍵的處理的功能區塊未被組入至尺寸計測軟體128,因此即使按下各按鍵亦不進行動作。
(vii)步驟S307
HPE模型部124係若學習以一定程度結束(通常為數十~數百枚的畫像的輸入),進行學習是否已完成的確認作業(步驟S307)。HPE模型部124係在確認作業時,使用尺寸為已知的圖案的畫像(由操作者輸入)來推定尺寸,依正答率是否超過預定的臨限值等來判斷學習是否已完成。若正答率低於臨限值(S307中為No時),處理係移至步驟S308。另一方面,若正答率為臨限值以上(S307中為Yes時),HPE模型的學習處理即結束。
(viii)步驟S308
HPE模型部124係判斷是否必須追加作成教師資料,換言之,未使用的教師資料是否已被貯存(stock)在儲存體126(步驟S308)。若有教師資料的貯存(而且若其為適於學習的教師資料),返回至步驟S306,進行HPE模型的再學習。若無教師資料的貯存,判斷必須新作成教師資料,返回至步驟S301而再次執行圖3的處理。若正答率超過臨限值,判斷學習為已完成者,操作者係結束圖3的處理。
在以上說明中,取得可暫時滿足的學習完畢模型之後並未使學習完畢的模型更新,惟成為對象的元件構造大幅改變時或變更/追加計測部位時,係必須重新進行圖3的學習步驟,且重新作成教師資料。此外,若已進行暫時學習但模型的精度不足時,必須增加教師資料數而再度重新學習。例如,製程條件在開發中一點一點地改變,加工形狀亦不斷變化時,有在初期使作學習的模型的精度降低的可能性。此時,定期將畫像分為模型的精度評估用,進行與以手動畫像解析工具127所計測出的結果相比較來評估模型的精度亦在運用上為有效。
<使用學習模型的尺寸的自動計測處理>
接著,使用圖10與圖11,說明在學習完畢模型輸入新畫像來進行尺寸計測的方法。之後的說明中的計測對象物係設為形成有圖4的溝槽圖案的半導體積層膜,且未計測的剖面SEM畫像設為已被儲存在儲存體126的資料夾內者。對新畫像的尺寸計測係藉由伺服器101予以執行。在學習已完成的HPE模型中,構成圖2所示之神經網路10的各層的參數被最適化,經最適化的參數係被儲存在伺服器101內的儲存體126。在執行推論時,係在RAM118展開參數,藉由處理器116予以參照,藉此算出成為計測的基點的關鍵點座標、及尺寸值。
圖10係在模型的學習完成後,進行自動計測時,顯示在圖1的輸出入裝置103的自動計測工具的GUI畫面之例。圖10的GUI畫面係藉由畫面右上側的輸入面板345、畫面右下側的輸出面板353、及配置在畫面左側的各種操作按鍵(341、342、343、344、351、352的各按鍵)所構成。在輸入面板345係顯示所選擇出的畫像或資料夾的資訊,在輸出面板353係顯示計測結果。與圖9同樣地,GUI畫面係構成為可以標籤來切換學習時所使用的學習畫面與計測執行時所使用的計測畫面,若選擇被顯示為「measure」的計測標籤201,即顯示圖10的畫面。
在各種操作按鍵中,手動按鍵341係使用在1枚1枚地選擇欲計測的畫像時。批次按鍵342係使用在用以對位於資料夾內的全畫像一度計測時指定資料夾。若按下計測開始按鍵343,即開始計測,若結束,則自動保存計測結果。若重新選擇畫像,係按下清除按鍵344,將顯示在輸入面板345的資訊消去。若按下計測結果載入按鍵351,載入計測結果來顯示,且若按下計測結果顯示清除按鍵352,顯示即被消去。
在輸入面板345中,在資料夾名儲存格346係顯示儲存作為對象的畫像的資料夾名。在檔案名儲存格347,若按下手動按鍵341,係顯示所指定的畫像的名稱,若按下批次按鍵342,則顯示第1枚畫像名。若要變更所指定的資料夾名、檔案名,係按下清除按鍵344消去之後,再度重新指定。在定義視窗(計測部位定義列表)349係顯示在被儲存在資料夾的畫像所賦予的計測部位的定義資訊。在輸入畫像面板350,若按下手動按鍵341,係顯示所指定的畫像名,若按下批次按鍵342,則顯示第1枚畫像名。
在輸出面板353中,在資料夾名儲存格354係顯示儲存作為對象的畫像的資料夾名。在檔案名儲存格355,若按下手動按鍵341,係顯示所指定的畫像名,若按下批次按鍵342,則顯示第1枚畫像名。在姿勢檢測畫面(姿勢推定結果顯示面板)356,係在輸入畫像上顯示所檢測到的骨骼構造,在尺寸計測結果顯示面板(計測畫面)357,係在輸入畫面上顯示所計測到的尺寸值。在姿勢檢測畫面356與計測畫面357,若按下批次按鍵342,係顯示對第1枚畫像的結果。在尺寸計測結果儲存格358係顯示對各計測部位的個數、平均值、標準偏差。若按下手動按鍵341係顯示對所指定的畫像的結果,若按下批次按鍵342,則顯示第1枚的結果。
在圖11中係示出在學習完畢模型輸入新畫像來進行尺寸計測的過程的流程圖。若系統操作者按下圖10的開始按鍵343,處理器116係開始執行藉由圖11的流程圖所為之處理。
(i)步驟S1001至步驟S1003
尺寸計測部125係讀入藉由操作者所被供予之欲作尺寸計測的畫像(步驟S1001),將該畫像與學習時所作成的骨骼定義資料(步驟S1002)輸入至學習完畢模型(步驟S1003)。尺寸計測部125所取得的(藉由操作者所被供予的)畫像係當按下圖10的手動按鍵341時為1枚,按下批次按鍵342時,則成為被儲存在顯示在圖10的資料夾名儲存格346的名稱的資料夾的畫像檔案(總括輸入複數枚)。
(ii)步驟S1004
尺寸計測部125係在畫像輸入後,學習完畢模型係輸出作為推論結果的關鍵點座標及骨骼構造(步驟S1004)。
(iii)步驟S1005及S1006
尺寸計測部125係根據關鍵點座標,計算各計測部位的尺寸(步驟S1005)。
(iv)步驟S1006
尺寸計測部125係將包含統計資料的計測結果顯示在輸出入裝置103的GUI畫面上,另外輸出成預定的檔案形式(步驟S1006)。
(v)步驟S1007
尺寸計測部125係將骨骼構造或計測值重疊在輸入畫像,且輸出該重疊顯示後的畫像資料(步驟S1007)。所被輸出的計測結果檔案或畫像資料係儲存在儲存體126內的預定的資料夾內。在圖9的GUI畫面之例中,係被儲存在稱為「trench」的名稱的資料夾。
<重疊顯示的畫像資料之例>
圖12係示出將學習完畢模型所推定出的骨骼重疊顯示在輸入畫像的畫像資料之例的圖。此外,圖13係示出將計測值重疊顯示在與圖11相同的輸入畫像的畫像資料之例的圖。
以上藉由本實施例的尺寸計測系統或尺寸計測方法,可由測定對象畫像直接取得關鍵點的座標資訊,可實現可比習知技術使學習時間更加高速化的可能性高的機械學習模型。
在本實施例中,係關於對使用剖面SEM畫像的半導體圖案計測適用HPE模型的構成例進行了說明,惟本揭示之技術亦可適用於平面SEM畫像或平面TEM畫像、剖面TEM畫像、平面的FIB(Focused Ion Beam,聚焦離子束)畫像或剖面的FIB畫像。但是,在剖面SEM畫像或剖面TEM畫像或剖面的FIB畫像係有:1)明亮度依每個畫像而異、2)映照出在尺寸計測為不必要的裡側的構造、3)欲計測尺寸的異種材料界面的交界不清楚等在平面的SEM、TEM及FIB畫像所沒有的計測困難度,適用本實施例所記載的技術時的效果可謂為大於剖面SEM畫像、剖面TEM畫像或剖面的FIB畫像。
(B)實施例2
在實施例1中,係說明了以人工作成教師資料與骨骼定義資料而使其學習HPE模型的尺寸計測系統的構成例,惟教師資料的作成工時,尤其註解資料的作成工時恆為較大的負擔。若為使用HPE模型的尺寸計測,必須要有計測部位的兩端的關鍵點的座標,作為註解資料。因此,在本實施例中係說明構裝有由實施例1的畫像解析工具的輸出資料作成註解資料的轉換模組的尺寸計測系統的構成例。其中,本實施例的尺寸計測系統的構成與實施例1的構成共通的部分不少,因此在以下說明中,省略說明與實施例1共通之處。
<伺服器的內部構成例>
圖14係示出本實施例之構裝有尺寸計測功能的伺服器101的內部構成例的圖。儲存在儲存體126的本實施例的尺寸計測軟體128係具備資料轉換部123。與實施例1中所說明的HPE模型部124同樣地,資料轉換部123係以軟體模組的形式被組入至尺寸計測軟體128,形成構成尺寸計測軟體128的功能區塊的一部分。尺寸計測軟體128執行時,資料轉換部123、HPE模型部124、及尺寸計測部125的各功能區塊在RAM118展開而藉由處理器116予以執行。作為輸入資料的畫像資料、骨骼定義資料、自動作成的註解資料、表示學習完畢模型的模型參數、計測結果係被儲存在資料庫102,在必要時被叫出。除此之外的構成、動作、功能係與圖1相同,故省略上述以外的說明。
<HPE模型的學習處理>
圖15係用以說明在實施例2中,藉由伺服器101所執行之由輸入畫像使其學習HPE模型的工程的流程圖。計測對象物係與實施例1同樣的溝槽圖案,系統操作者進行供教師資料作成用的手動計測的GUI畫面亦設為與實施例1相同(與圖4相同)者。
(i)步驟S1401
首先,操作者若按下圖4的載入按鍵20,選擇欲採用作為教師資料的畫像時,HPE模型部124係讀入該被選擇出的畫像。
(ii)步驟S1402
接著,操作者係以與實施例1相同的要領進行計測部位的指定與手動計測。接著,HPE模型部124係取得藉由操作者被輸入的計測值列表與計測條件資料。計測條件資料係記述有計測部位的名稱、計測部位的起點與終點的座標的資料,若有對既有的畫像解析工具輸出計測條件的功能,即使用該資料,若無,則作成輸出計測條件的附加元件(add-on)且組入。
操作者係以可進行HPE模型的學習的程度(通常為畫像數十~數百枚程度)進行手動計測至蓄積資料為止,增加計測條件資料所包含的資料量。若蓄積可學習程度的資料,處理係移至步驟S1403。
(iii)步驟S1403
HPE模型部124係執行格式轉換處理,使用計測條件資料,藉由轉換模組作成註解資料。
其中,若將計測條件資料轉換為註解資料,操作者係按下轉換模組執行按鍵202。接著,操作者若由計測條件資料來自動設計骨骼時,係按下骨骼自動設計模組執行按鍵203。但是,在本實施例的尺寸計測系統中,由於骨骼的自動設計模組未被組入至尺寸計測軟體128,因此即使按下骨骼自動設計模組執行按鍵203亦不進行動作。開始模型的學習時,係按下學習開始按鍵204。在各個按鍵的橫旁係顯示表示狀態的狀態儲存格205。操作者對所選擇出的計測條件資料,按下轉換模組執行按鍵202,若在狀態儲存格205顯示「Done」,步驟S1403的格式轉換處理即結束。若作成註解資料,由畫像與註解資料所成的教師資料的準備即完成。
(iv)步驟S1404
HPE模型部124係藉由註解資料及畫像,生成HPE模型的學習所使用的教師資料。HPE模型學習時所需操作係與實施例1同樣地,透過圖9所示之GUI畫面來進行。該GUI畫面亦被顯示在輸出入裝置103。
對圖5所示之計測條件資料施行格式轉換處理所得的註解資料的構造係與圖6中所說明的註解資料相同,惟與實施例1不同,id係藉由資料轉換部123被自動賦予。
(v)步驟S1405
操作者係以與實施例1相同的要領進行骨骼的手動設計,HPE模型部124係受理該骨骼資料,且作成骨骼定義資料。
(vi)步驟S1406
HPE模型部124係將教師資料與骨骼定義資料輸入至HPE模型而使其學習模型。
(vii)步驟S1407
HPE模型部124係若步驟S1406的學習處理以一定程度結束時,受理藉由操作者所為之以與實施例1相同的要領,學習是否已完成的確認作業的結果。若判斷出學習已完成(S1407中為Yes時),HPE模型的學習處理即結束。另一方面,若判斷出學習未完成(S1407中為No時),處理係移至步驟S1408。
(viii)步驟S1408
HPE模型部124係判斷是否需要追加作成教師資料。若有教師資料的貯存(而且若其為適於學習的教師資料),處理係移至步驟S1406,使用其來進行HPE模型的再學習。若無教師資料的貯存,判斷必須新作成教師資料,處理係返回至步驟S1401。HPE模型部124係再次執行圖15的流程。
以上為本實施例之HPE模型的學習處理的說明,惟學習已完成的模型的使用方法係與實施例1完全相同,因此省略說明。
本實施例的尺寸計測系統、尺寸計測方法或尺寸計測軟體係可由在一連串計測工程的初階段所進行的手動計測的結果,機械式地作成註解資料,因此可省略藉由人工所為之註解資料作成的多餘工時。因此,與實施例1中所說明的尺寸計測系統、尺寸計測方法或尺寸計測軟體相比較,可對系統使用者實現在學習過程中負荷少的系統或計測方法。
(C)實施例3
在實施例2中,係說明具備有由手動計測的結果自動作成註解資料的轉換模組的尺寸計測系統的構成例,在本實施例中,係說明除此之外,具備有骨骼的自動設計功能的尺寸計測系統的構成例。
一般而言,使得學習HPE模型時,係必須定義人物的骨骼構造。若為人物,幾乎不會發生變更骨骼構造的必要性,惟在半導體元件的剖面畫像中,計測對象的形狀係依作為標的(target)的元件構造而改變,甚至可能在開發途中發生計測部位的變更。每逢變更計測部位,即重新設計骨骼構造係難以在製程開發現場進行。因此,在製程開發現場所使用的尺寸計測系統中,係以構裝有骨骼自動設計模組為宜。
以下使用圖來詳細說明本實施例,惟與實施例2同樣地,本實施例的尺寸計測系統的構成與實施例1及2共通的部分不少,因此在以下說明中,省略說明與實施例1及2共通之處。
<尺寸計測系統的構成例>
圖16係示出尺寸計測系統的構成例的圖。尺寸計測系統110係具有:評估裝置100、伺服器101、資料庫102、及3台輸出入裝置103,各自藉由網路相連接。處理裝置111可以網路相連或不相連。若連接於網路,處理裝置111係透過網路而對評估裝置100傳送加工條件資料等。
輸出入裝置103係內置有具備顯示器及鍵盤的終端機或硬碟等記憶媒體的PC,如圖所示,由使用評估裝置100的計測工程師或使用處理裝置111的製程工程師、或使用伺服器101或資料庫102的程式設計師等系統操作者所使用。其中,在以下說明中,若記載為「輸出入裝置103」,「輸出入裝置103」意指輸出入裝置103-1、輸出入裝置103-2、及輸出入裝置103-3的總稱,設為在全部輸出入裝置為共通的特徵的說明者。
處理裝置111係處理半導體或含有半導體的半導體元件的裝置。處理裝置111的處理內容並未特別限定。包含例如:微影裝置、成膜裝置、圖案加工裝置。在微影裝置係包含例如:曝光裝置、電子線描繪裝置、X線描繪裝置。成膜裝置係包含例如:CVD(Chemical Vapor Deposition,化學氣相沉積)、PVD(Physical Vapor Deposition,物理氣相沉積)、蒸鍍裝置、濺鍍裝置、熱氧化裝置。圖案加工裝置係包含例如:濕式蝕刻裝置、乾式蝕刻裝置、電子束加工裝置、雷射加工裝置。
評估裝置100係針對由在處理裝置111所加工的晶圓所得的試料,輸出作為評估結果的剖面畫像的裝置,包含例如:SEM、TEM(Transmission Electron Microscope,穿透式電子顯微鏡)、使用光學式監視器的加工尺寸計測裝置或FIB裝置。以由晶圓所得的試料的形狀而言,亦可為將晶圓割斷而將一部分切出的試料(coupon),亦可為晶圓全體。此外,亦可在由處理裝置111對評估裝置100搬運晶圓的途中設置片晶(lamella)製作裝置,藉由該裝置,將半導體或半導體元件的一部分抽出作為斷片,將所被抽出的試料作為計測對象試料。
伺服器101可由一般的電腦所構成,安裝有OS、深層學習的計算所需的架構、程式館、程式語言、模型等。為了在短時間進行模型的學習,以具備有高性能的GPU(Graphics Processing Unit,圖形處理單元)為宜。模型的學習及推論係由輸出入裝置103登入伺服器101來進行。手動計測所使用的畫像解析工具亦可安裝在伺服器101,亦可安裝在輸出入裝置103的任一者或全部。若畫像解析工具被安裝在伺服器101,該工具的操作係由輸出入裝置103進行。
資料庫102係儲存作為輸入資料之所攝影到的剖面畫像、骨骼設計規則、自動生成的註解資料、骨骼定義資料、表示學習完畢模型的模型參數、計測結果等的外部記憶裝置。
計測工程師係對被儲存在資料庫102之以評估裝置100所得的畫像,由輸出入裝置103使用市售計測工
具來計測尺寸,並且將計測結果儲存在資料庫102。此外,製程工程師以輸出入裝置103根據計測結果,在伺服器101上進行模型的學習。學習了模型之後,在評估裝置100所得的畫像直接被輸入至伺服器101上的學習完畢模型,且自動計測尺寸。視需要,程式設計師以輸出入裝置103進行程式的修正等。
並不一定必須由計測工程師、製程工程師及程式設計師分擔以上各作業,亦可由一位系統操作者單獨執行,自不待言。
圖17係示出本實施例之構裝有尺寸計測功能的伺服器101(圖16的伺服器101)的內部構成例的圖。本實施例之伺服器101係藉由介面115;使用學習完畢的HPE模型來執行尺寸計測的CPU(Central Processing Unit,中央處理單元)1701;並列處理HPE模型的學習的GPU1702;展開尺寸計測所需的應用程式的CPU記憶體1703;GPU記憶體1704;及儲存有本實施例的尺寸計測軟體128的儲存體126等所構成。
本實施例的尺寸計測軟體128係具備:骨骼自動設計部122。該軟體執行時,骨骼自動設計部122、資料轉換部123、及尺寸計測部125的各功能區塊在CPU記憶體1703展開,藉由CPU1701來執行。在GPU記憶體1704,係在HPE模型學習時,展開HPE模型部124或深層學習程式館1705,圖2所示之神經網路的參數被最適化。對新畫像的尺寸推論時,尺寸計測部125由資料庫102載入模型參數,且交至HPE模型部124,藉此進行尺寸計測。以上說明的骨骼自動設計部122、資料轉換部123、尺寸計測部125、及HPE模型部124係作為軟體模組而被組入在尺寸計測軟體128。
<HPE模型的學習處理>
圖18係用以說明本實施例之HPE模型的學習處理的流程圖。計測對象物係與實施例1、2同為溝槽圖案,系統操作者進行操作的GUI畫面亦設為與實施例1相同(與圖4相同)者。
(i)步驟S1801
若操作者按下圖4的載入按鍵20,選擇欲採用作為教師資料的畫像時,HPE模型部124係讀入該被選擇出的畫像。
(ii)步驟S1802
接著,操作者係以與實施例1相同的要領,進行計測部位的指定與手動計測。接著,HPE模型部124係取得藉由操作者被輸入的計測值列表與計測條件資料。計測條件資料係與實施例2同樣地為記述有計測部位的名稱、計測部位的起點與終點的座標的資料。若有對既有的畫像解析工具輸出計測條件的功能,即使用其,若無,則作成輸出計測條件的附加元件且組入,此點亦與實施例2相同,本實施例之手動畫像解析工具127所輸出的計測條件資料的格式亦與實施例2相同。上述手動計測係反覆至可進行HPE模型的學習的程度為止。
(iii)步驟S1803
若藉由操作者所為之手動計測結束,且蓄積充分資料時,響應操作者的指示,HPE模型部124係將計測條件資料適用在轉換模組來執行格式轉換處理,且作成註解資料。被使用在用以執行步驟S1803的GUI畫面係如圖9所示。操作者對所選擇出的計測條件資料按下轉換模組執行按鍵202,藉此執行格式轉換處理。若在狀態儲存格205顯示「Done」,步驟S1803的格式轉換處理即結束,且生成與實施例2相同的註解資料。
(iv)步驟S1804
若作成註解資料,HPE模型部124係由畫像與註解資料所成的教師資料的準備即完成。
(v)步驟S1805
並行地,骨骼自動設計部122係根據計測條件資料與事前輸入的骨骼的設計規則,自動作成骨骼定義資料。步驟S1805的處理係藉由操作者按下圖9的骨骼自動設計模組執行按鍵203來開始。本實施例中所採用的骨骼的設計規則係與實施例1同樣地,如(1)除了作為計測部位所設定的關鍵點以外,未加上新的關鍵點、(2)製作連結外圍的關鍵點而呈閉合的多角形、(3)以未形成大於四角形的多角形的方式在內部亦製作骨骼所示,以事前可在伺服器101處理的檔案形式,例如Python腳本語言(script)進行記述,且作為規則資訊而登錄在資料庫102。執行步驟S1805時,藉由CPU1701載入被登錄在資料庫102的檔案,且被輸入至骨骼自動設計部122。
若骨骼定義資料的設計完成,骨骼定義資料係被儲存至資料庫102,並且在圖9所示之骨骼自動設計模組執行按鍵203右的狀態儲存格205顯示「Done」,步驟S1805即結束。
(vi)步驟S1806
若準備好教師資料與骨骼定義資料,HPE模型部124係開始HPE模型的學習處理。若操作者按下圖9所示之學習開始按鍵204,即開始學習。在學習處理(步驟S1806)中,教師資料與骨骼定義資料被輸入至HPE模型部124且執行學習。
(vii)步驟S1807
若學習以一定程度結束,響應操作者的指示,HPE模型部124係以與實施例1相同的要領,進行學習是否已完成的確認作業。若判斷學習未完成(S1807中為No時),處理係移至步驟S1808。另一方面,若判斷學習已完成(S1807中為Yes時),HPE模型的學習處理即結束。
(viii)步驟S1808
HPE模型部124係判斷是否必須追加作成教師資料。若有教師資料的貯存(而且若其為適於學習的教師資料:S1808中為No時),HPE模型部124係使用其來進行HPE模型的再學習。若無教師資料的貯存(S1808中為Yes時),HPE模型部124係判斷必須新作成教師資料,返回至步驟S1801而再次執行圖18的流程。
以上為本實施例之HPE模型的學習處理的說明,惟學習已完成的模型的使用方法係與實施例1或實施例2完全相同,因此省略說明。
本實施例的尺寸計測系統、尺寸計測方法或尺寸計測軟體係不僅註解資料,亦可自動作成骨骼定義資料,因此相較於實施例1、2的尺寸計測系統、尺寸計測方法或尺寸計測軟體(程式),可實現系統使用者的負荷少、更好使用的尺寸計測系統、尺寸計測方法或尺寸計測軟體。此外,由於可自動作成骨骼定義資料,因此可提供對於作為標的的元件構造的變化或計測部位、計測圖案的變化,亦可更迅速適應的尺寸計測系統、尺寸計測方法或尺寸計測軟體(程式)。
(D)實施例4
在本實施例中,係說明在藉由掃描電子顯微鏡、透過電子顯微鏡或聚焦離子束裝置等攝像裝置與連接於該攝像裝置的操作終端機2002所構成的荷電粒子線裝置適用本實施例時的構成例。
<荷電粒子線裝置的設置環境>
圖19係示出設置本實施例之荷電粒子線裝置2000的系統環境的圖。荷電粒子線裝置2000係具備:攝像裝置2001、操作終端機2002、及手動畫像解析工具127。
攝像裝置2001係SEM或TEM、FIB裝置或FIB-SEM等。操作終端機2002係具備:鍵盤、滑鼠、顯示器等輸出入元件,為內置有硬碟等記憶媒體的PC(由伺服器101觀看成為外部的電腦),透過網際網路等公用網路(網路)2003而與伺服器101(與實施例3相同者)相連接。雖未圖示,在伺服器101的周圍係配置有與圖16同樣的評估裝置100或處理裝置111等,整備出可學習HPE模型的環境。此外,儲存在伺服器101的HPE模型係設為學習已完成者。在操作終端機2002的硬碟內係安裝有手動畫像解析工具127,且GUI被顯示在顯示器上。例如,操作終端機2002的操作者(使用者)係讀入欲進行尺寸計測的畫像資料(新的資料),透過網路2003,將該畫像資料(新的計測對象)傳送至伺服器101。伺服器101係如上所述,將該畫像資料適用於學習完畢模型(姿勢推定模型),且在生成關鍵點座標的資訊及骨骼資料之後,進行尺寸計測(參照圖11)。接著,伺服器101係透過網路2003,將該尺寸計測結果傳送至操作終端機2002。其中,手動畫像解析工具127的功能或操作方法係與至現在為止的實施例中所說明的內容相同,故省略說明。
<畫像解析工具的構成例>
圖20係示出顯示在手動畫像解析工具127的GUI上的儀表板(dashboard)的構成例的圖。圖20所示之儀表板400係構成為包含:計測狀況顯示面板401、計測結果一覽面板402、模型改變履歷顯示面板403、計測進度狀況面板404、進度狀況面板405、及標準偏差推移顯示面板406等。顯示在該等面板的資訊係在遠距監視被儲存在伺服器101的HPE模型的學習進度狀況或使用學習完畢的HPE模型的尺寸計測異常等時非常有效。
在顯示在操作終端機2002的顯示器的圖10所示的GUI係顯示用以叫出圖20的儀表板的例如圖標(icon)。若點擊該圖標,由操作終端機2002被傳送儀表板叫出的http(hyper text transfer protocol,超文件傳輸協定)要求,構成儀表板的內容(contents)資料被加密而由伺服器101被傳送。亦可內容資料本身並未傳送而由伺服器101傳送內容閱覽網站的url(uniform resource locator,統一資源定位符)。
以上說明使操作終端機2002顯示儀表板的構成,惟若將在攝像裝置2001被取得的畫像由操作終端機2002傳送至伺服器101,亦可對攝像裝置2001的取得畫像進行尺寸計測。在伺服器101進行後的尺寸計測結果係被加密而回覆給操作終端機2002。即使將儲存有學習完畢的HPE模型的記憶媒體(硬碟或RAID陣列等)連接於操作終端機2002,亦可進行對攝像裝置2001的取得畫像的尺寸計測。藉此,實現藉由本實施例所得之具備有尺寸計測功能的荷電粒子線裝置。
伺服器101亦可未透過網路作遠端連接而直接連接於操作終端機2002,或者亦可將有別於作遠端連接的伺服器101的伺服器直接連接於操作終端機2002,且設置該伺服器作為伺服器101的鏡像伺服器(mirror server)。若為該等連接形態,可實現不僅針對新畫像的尺寸計測,亦可執行所處理的資料量大且對資訊處理及資料傳送的負荷較大之使用攝像裝置2001的取得畫像的HPE模型的學習的荷電粒子線裝置。
(E)實施例5
在本實施例中所說明的構成例係「藉由求出根據姿勢推定模型所計測到的尺寸資料作為學習資料的推定模型,探索半導體處理裝置的處理參數值的探索裝置」,對供探索用以取得半導體處理裝置中的目標處理形狀的處理參數值用的探索裝置的適用例。
為了使圖16所示之處理裝置111進行動作,必須適當設定用以取得目標處理形狀的處理參數,若為例如電漿蝕刻裝置,為偏壓電壓或氣體流量或基板溫度等各種處理參數。亦有將處理參數的集合稱為配方(recipe)的情形。以往,半導體處理裝置的配方設定係取決於熟練的製程工程師的直覺及經驗來進行,惟伴隨製程的複雜化,在取決於人的設定手法中係變得難以進行迅速的最適配方設定。因此,開發出驅使了AI或機械學習之不取決於人的配方的探索/設定手法。
另一方面,在如上所示之探索裝置中,收集用以使得學習供配方探索用的機械學習模型所需的教師資料時需要時間,結果有無法縮短至使探索裝置起動為止的前置時間的課題。在此,供配方探索用的機械學習模型的教師資料係包含良品圖案、不良圖案的畫像、特徵量(尺寸)、及取得該圖案時的處理參數的資料集。若為藉由本發明之姿勢推定模型所為之尺寸計測,與習知技術相比較,由於使用在尺寸計測的學習模型的端對端的學習時間被縮短化,因此由供尺寸計測用的學習模型的學習開始至可執行自動計測為止的時間被縮短化,可將至使探索裝置起動為止的前置時間縮短化。
以上說明之用以實現探索裝置的軟體亦可儲存在連接於處理裝置的終端機PC(未圖示)或伺服器101的任一者。若被儲存在伺服器101,在例如圖17所示之儲存體126儲存配方探索軟體,在GPU1702執行該配方探索軟體的學習,且在CPU1701執行學習完畢配方探索軟體。
以上具體說明藉由本實施形態所為之各實施例,惟藉由本揭示所得之權利範圍並非為限定於前述實施例者,包含所附申請專利範圍的主旨內的各種變形例及同等的構成。例如,前述實施例係為容易理解本揭示之技術來作說明而詳細說明者,本揭示之技術並不一定限定於具備所說明的所有構成者。亦可將某實施例的構成的一部分置換為其他實施例的構成,亦可在某實施例的構成加上其他實施例的構成。此外,關於各實施例的構成的一部分,亦可追加、刪除、或置換其他構成。
此外,前述之各構成、功能、處理部、處理手段等亦可以硬體實現,亦可以軟體實現。以硬體實現係指以積體電路來設計例如前述之各構成、功能、處理部、處理手段等的一部分或全部的情形等,若以軟體實現,係解釋且執行例如處理器實現各自的功能的程式的情形等。實現各功能的程式、表格、檔案等資訊係可儲存在記憶體、硬碟、SSD(Solid State Drive,固體狀態驅動機)等記憶裝置(記憶媒體)、或IC(Integrated Circuit,積體電路)卡、SD卡、DVD(Digital Versatile Disc,數位影音光碟)的記錄媒體(記憶媒體)。
此外,控制線或資訊線係表示說明上所需者,並不一定表示構裝上所需的所有控制線或資訊線。實際上可認為幾乎所有構成相互連接。
10:神經網路
15:增益集視窗
20:載入按鍵
21:畫像消去按鍵
22:倍率儲存格
23:特性新作成按鍵
24:特性載入按鍵
25:特性保存按鍵
26:計測部位名稱儲存格
27:單位儲存格
28:顏色儲存格
29:計測部位生成按鍵
30:計測部位削除按鍵
31:計測值列表
32:計測結果保存按鍵
33:計測結果載入按鍵
40:遮罩部
41:基板部(矽基板部)
42:計測部位(溝槽深度)
43:計測部位(最大CD)
44:溝槽部
51:計測部位(遮罩高度)
53:計測部位(頂部CD)
61:關鍵點
62:骨骼
100:評估裝置
101:伺服器
102:資料庫
103,103-1,103-2,103-3:輸出入裝置(終端機或PC)
110:尺寸計測系統
111:處理裝置
115:介面
116:處理器
117:ROM
118:RAM
122:骨骼自動設計部
123:資料轉換部
124:HPE模型部
125:尺寸計測部
126:儲存體
127:手動畫像解析工具
128:尺寸計測軟體
129:輸入資料
130:自動計測結果
131:傳達資料
132:輸入資料
133:輸入資料
135:傳達資料
200:學習標籤
201:計測標籤
202:轉換模組執行按鍵
203:骨骼自動設計模組執行按鍵
204:學習開始按鍵
205:狀態儲存格
206:終端機視窗
210:學習資料儲存資料夾指定按鍵
211:學習完畢模型儲存資料夾指定按鍵
212:清除按鍵
213:學習資料儲存資料夾名儲存格
214:學習完畢模型儲存資料夾名儲存格
341:手動按鍵(個別計測按鍵)
342:批次按鍵(總括計測按鍵)
343:計測開始按鍵
344:清除按鍵
345:輸入面板
346:資料夾名儲存格
347:檔案名儲存格
349:計測部位定義列表
350:輸入畫像面板
351:計測結果載入按鍵
352:計測結果顯示清除按鍵
353:輸出面板
354:資料夾名儲存格
355:檔案名儲存格
356:姿勢檢測畫面(姿勢推定結果顯示面板)
357:尺寸計測結果顯示面板
358:尺寸計測結果儲存格
400:儀表板
401:計測狀況顯示面板
402:計測結果一覽面板
403:模型改變履歷顯示面板
404:計測進度狀況面板
405:進度狀況面板
406:標準偏差推移顯示面板
1701:CPU
1702:GPU
1703:CPU記憶體
1704:GPU記憶體
1705:深層學習程式館
2000:荷電粒子線裝置
2001:攝像裝置
2002:操作終端機
2003:公用網路(網路)
[圖1]係示出在實施例1的尺寸計測系統所使用的伺服器的內部構成例的圖。
[圖2]係示出實施例1的機械學習模型的構成例的模式圖。
[圖3]係示出實施例1的機械學習模型的學習過程的流程圖。
[圖4]係示出在學習的初期過程所實施的手動計測中所使用的畫像解析工具的GUI(Graphical User Interface,圖形使用者介面)畫面的模式圖。
[圖5]係計測條件資料的記述例。
[圖6]係示出註解資料的構造例的圖。
[圖7]係示出對在實施例1中作為計測對象的半導體圖案所設定的骨骼構造之一例的圖。
[圖8]係示出骨骼構造資料之例的圖。
[圖9]係示出進行模型的學習時,顯示在終端機PC的GUI畫面的構成例的圖。
[圖10]係示出使用學習完畢模型進行新畫像的尺寸計測時,顯示在終端機PC的GUI畫面的構成例的圖。
[圖11]係示出對學習完畢模型輸入畫像,使其輸出尺寸值的過程的流程圖。
[圖12]係用以說明在學習完畢模型新輸入畫像資料所得的結果的圖。
[圖13]係用以說明在學習完畢模型新輸入畫像資料所得的結果的圖。
[圖14]係示出在實施例2的尺寸計測系統所使用的伺服器的內部構成例的圖。
[圖15]係示出實施例2的機械學習模型的學習過程的流程圖。
[圖16]係示出設置實施例3的尺寸計測系統的網路環境的模式圖。
[圖17]係示出在實施例3的尺寸計測系統所使用的伺服器的內部構成例的圖。
[圖18]係示出實施例3的機械學習模型的學習過程的流程圖。
[圖19]係示出實施例4的荷電粒子線裝置的系統構成例的圖。
[圖20]係示出實施例4的畫像解析工具的GUI畫面的構成例的圖。
101:伺服器
102:資料庫
103:輸出入裝置(終端機或PC)
115:介面
116:處理器
117:ROM
118:RAM
124:HPE模型部
125:尺寸計測部
126:儲存體
127:手動畫像解析工具
128:尺寸計測軟體
129:輸入資料
130:自動計測結果
131:傳達資料
Claims (15)
- 一種電腦系統,其係被執行:使用半導體圖案的畫像資料,抽出用以計測該半導體圖案的所希望部位的尺寸的基點的座標資訊,且使用該基點的座標資訊來計測前述尺寸的處理的電腦系統,其特徵為:具備:構裝有將包含至少2個前述基點作為關鍵點的骨骼構造的定義資料、及記述前述關鍵點的註解資料作為教師資料且推定前述關鍵點的座標的姿勢推定模型的學習器,對被輸入至前述學習器的新畫像資料,抽出前述至少2個基點的座標資訊及前述尺寸。
- 如請求項1之電腦系統,其中,另外具備:安裝有畫像解析工具的記憶媒體,該畫像解析工具係具有:藉由像素運算來算出在GUI上被指定出的前述畫像資料中的所希望的部位間的距離的功能;及輸出前述所希望的部位的座標資訊的功能。
- 如請求項2之電腦系統,其中,另外具備:第1軟體模組,其係將前述畫像解析工具的輸出資料,轉換為前述註解資料。
- 如請求項2之電腦系統,其中,另外具備:第2軟體模組,其係使用前述畫像解析工具的輸出資料及預先輸入的規則資訊,生成前述骨骼構造的定義資 料。
- 如請求項1之電腦系統,其中,另外具備:顯示部,其係作為顯示前述畫像資料的使用者介面來發揮功能,前述顯示部係在前述使用者介面顯示前述半導體圖案的畫像資料與前述被抽出的前述至少2個基點相重疊的資料。
- 如請求項5之電腦系統,其中,前述顯示部係在前述使用者介面另外重疊顯示藉由將前述至少2個基點連結的線段的複數結合所構成的前述半導體圖案的骨骼構造。
- 如請求項1至請求項6中任一項之電腦系統,其中,前述半導體圖案的畫像資料係藉由荷電粒子線裝置所得的剖面畫像資料。
- 一種尺寸計測方法,其係使用半導體圖案的畫像資料,抽出用以計測該半導體圖案的所希望部位的尺寸的基點的座標資訊,且使用該基點的座標資訊來計測前述尺寸的尺寸計測方法,其係具有:對將包含至少2個前述基點作為關鍵點的骨骼構造的定義資料作為教師資料且推定前述關鍵點的座標資訊的姿勢推定模型,輸入前述計測對象的畫像資料,且生成該被輸入的畫像資料的關鍵點的座標資訊的工程;及使用前述計測對象的畫像資料中的前述關鍵點的座標 資訊,來計測前述尺寸的工程。
- 如請求項8之尺寸計測方法,其中,另外具有:使用具有藉由像素運算來算出在GUI上被指定出的前述畫像資料的預定部位間的距離的功能的畫像解析工具,在該畫像解析工具上參照前述至少2個基點的座標資訊來計測前述尺寸的工程。
- 如請求項9之尺寸計測方法,其中,前述畫像解析工具係另外具有輸出前述所希望部位的座標資訊的功能,在學習前述姿勢推定模型時,將前述畫像解析工具的輸出資料轉換為註解資料,且將前述經轉換的註解資料作為前述教師資料。
- 如請求項9之尺寸計測方法,其中,在學習前述姿勢推定模型時,使用前述畫像解析工具的輸出資料及預先輸入的規則資訊,生成前述骨骼構造的定義資料。
- 如請求項8至請求項11中任一項之尺寸計測方法,其中,另外具有:藉由透過網路而由外部電腦接收新的前述計測對象的畫像資料的電腦系統,進行前述新的計測對象的畫像資料所包含的前述半導體圖案的前述尺寸的計測,且將該尺寸的計測結果傳送至前述外部電腦的工程。
- 一種記憶媒體,其係記憶用以使電腦執行使用半導體圖案的畫像資料,抽出用以計測該半導體圖 案的所希望部位的尺寸的基點的座標資訊,且使用該座標資訊來計測前述尺寸的處理的程式的記憶媒體,其特徵為:前述程式係具有:記述將包含至少2個前述基點作為關鍵點的骨骼構造的定義資料、及記述前述關鍵點的註解資料作為教師資料且推定前述關鍵點的座標的姿勢推定模型的學習器的程式碼,記述有前述姿勢推定模型的學習器係具備:將前述半導體圖案的畫像資料作為輸入的輸入層;及輸出前述至少2個基點的座標資訊的輸出層。
- 如請求項13之記憶媒體,其中,前述程式係另外具有:將包含前述座標資訊的畫像解析工具的輸出資料轉換為前述註解資料的程式碼,前述畫像解析工具的輸出資料係利用藉由像素運算來算出在GUI上所指定的前述畫像資料的預定部位間的距離所得的資料。
- 如請求項13之記憶媒體,其中,前述程式係具有使用包含前述座標資訊的畫像解析工具的輸出資料、及預先輸入的規則資訊,生成前述骨骼構造的定義資料的程式碼,前述畫像解析工具的輸出資料係利用藉由像素運算來算出在GUI上所指定的前述畫像資料的預定部位間的距離所得的資料。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2021/022456 WO2022264195A1 (ja) | 2021-06-14 | 2021-06-14 | コンピュータシステム、寸法計測方法、および記憶媒体 |
WOPCT/JP2021/022456 | 2021-06-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202248596A TW202248596A (zh) | 2022-12-16 |
TWI844033B true TWI844033B (zh) | 2024-06-01 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021002025A1 (ja) | 2019-07-04 | 2021-01-07 | 富士通株式会社 | 骨格認識方法、骨格認識プログラム、骨格認識システム、学習方法、学習プログラムおよび学習装置 |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021002025A1 (ja) | 2019-07-04 | 2021-01-07 | 富士通株式会社 | 骨格認識方法、骨格認識プログラム、骨格認識システム、学習方法、学習プログラムおよび学習装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145354A (zh) | 关键参数识别、工艺模型校准和可变性分析的系统和方法 | |
US6411862B1 (en) | Apparatus and method for managing and distributing design and manufacturing information throughout a sheet metal production facility | |
EP0978104B1 (en) | Apparatus and method for generating a sheet-metal bend model | |
JP7045139B2 (ja) | 機械学習装置、機械学習方法、および機械学習プログラム | |
JP5062884B2 (ja) | 画像検索装置、画像検索方法及びプログラム | |
JP7288870B2 (ja) | 画像を生成するシステム | |
US7420556B2 (en) | Information processing method and information processing apparatus | |
US20060106757A1 (en) | Search for similar sheet metal part models | |
Moyano et al. | Operability of point cloud data in an architectural heritage information model | |
JP2021196705A (ja) | 画像処理装置、画像処理方法およびプログラム | |
US11062523B2 (en) | Creation authoring point tool utility to recreate equipment | |
JP3803502B2 (ja) | 薄板金属製作設備全体にわたって設計製作情報を分配する装置と方法 | |
JP2003288372A (ja) | Cad用解析結果データ処理装置及びcad用解析結果データ処理方法並びにcad用解析結果データ処理プログラム | |
JP7474336B2 (ja) | コンピュータシステム、寸法計測方法、および記憶媒体 | |
TWI844033B (zh) | 電腦系統、尺寸計測方法、及記憶媒體 | |
JP3369734B2 (ja) | 3次元計算機支援設計装置及び方法 | |
JP7512532B1 (ja) | コンピュータシステム、寸法計測方法、および半導体装置製造システム | |
WO2024042702A1 (ja) | コンピュータシステム、寸法計測方法、および半導体装置製造システム | |
JP2004502242A (ja) | 特徴整列のためのロック・ステップ・カーソル | |
KR20220116421A (ko) | 윤곽선 해석 장치, 처리 조건 결정 시스템, 형상 추정 시스템, 반도체 장치 제조 시스템, 탐색 장치 및 그들에 이용하는 데이터 구조 | |
CN114283441B (zh) | 适用于铁路客站的二维图纸识别建模方法和装置 | |
EP1830323A2 (en) | Apparatus and method for managing and distributing design and manufacturing information throughout a sheet metal production facility | |
US20210192254A1 (en) | Interactive object selection | |
KR102086112B1 (ko) | 원자력 시설의 디지털 목업 업데이트 장치 및 그 방법 | |
JP4130128B2 (ja) | 図形表示方法及び図形処理装置 |