WO2019198143A1

WO2019198143A1 - 加工レシピ生成装置

Info

Publication number: WO2019198143A1
Application number: PCT/JP2018/015042
Authority: WO
Inventors: 昌義石川; 大森　健史; 百科中田
Original assignee: 株式会社日立製作所
Priority date: 2018-04-10
Filing date: 2018-04-10
Publication date: 2019-10-17
Also published as: TW201944298A; JP6995191B2; US20210035277A1; TWI701613B; US11393084B2; JPWO2019198143A1

Abstract

本発明は、加工装置の撮像条件によって検査画像が影響を受けて変動する場合であっても、検査画像から加工レシピを自動生成することができる技術を提供することを目的とする。本発明に係る加工レシピ生成装置は、検査画像の撮像条件に依拠する成分を減少させた変換画像を生成し、前記変換画像と同じ変換条件を用いて生成した目標画像を用いて、加工レシピを生成する（図２参照）。

Description

加工レシピ生成装置

　本発明は、加工装置が対象物を加工する際における動作条件を記述した加工レシピを生成する技術に関する。

　半導体の回路や製造装置の複雑化に伴い、半導体を加工するためのパラメータの調整が難しくなってきている。このパラメータは加工後の形状を決めるものであり、レシピと呼ばれる。従来は、あらかじめ決められた部位の寸法を専門家が計測し、計測した寸法が目標値に近くなるようなレシピを探索するのが一般的である。しかしながら、加工工程の複雑化により、寸法を計測する部位の決定が難しくなってきている。そのため、寸法を計測する部位を専門家が決定することに依拠せずに、検査画像から所望の加工形状を達成するレシピを直接生成する方法が求められている。

　下記特許文献１は、ＣＤ（Ｃｒｉｔｉｃａｌ　Ｄｉｍｅｎｓｉｏｎ）シフト量を目標値にあわせるように酸素流量または圧力を調整する方法について記載している。

特開２００４－１１９７５３号公報

　検査画像は、様々なノイズの影響を受けて写り方が変化する。例えば通常の画像であれば光の当たり方によって画像が変化する。半導体検査に用いられる走査型電子顕微鏡（Ｓｃａｎｎｉｎｇ　Ｅｌｅｃｔｒｏｎ　Ｍｉｃｒｏｓｃｏｐｅ：ＳＥＭ）の場合は、検査対象の帯電の具合や加速電圧などの撮像条件によって、検査画像が大きく変化する。そのため、目標形状どおりに加工できているか否かを評価する際に、検査画像そのものを用いてこれを評価することが難しい。したがって、検査画像を用いて加工レシピを自動的に生成することは困難であった。

　上記特許文献１においては、特定部位の寸法値に応じて加工レシピを調整することとしている。しかし検査画像そのものを用いてレシピを調整することについては検討されておらず、さらには検査画像そのものが加工条件または撮像条件に応じて変化することについても検討されていない。

　本発明は、上記のような課題に鑑みてなされたものであり、加工装置の撮像条件によって検査画像が影響を受けて変動する場合であっても、検査画像から加工レシピを自動生成することができる技術を提供することを目的とする。

　本発明に係る加工レシピ生成装置は、検査画像の撮像条件に依拠する成分を減少させた変換画像を生成し、前記変換画像と同じ変換条件を用いて生成した目標画像を用いて、加工レシピを生成する。

　本発明に係る加工レシピ生成装置によれば、専門家が計測位置を決定してその位置の寸法を計測する工程を実施することなく、所望の構造を達成する加工レシピを自動的に生成することができる。

加工レシピ生成装置１００が加工レシピを自動生成する手順の概要を説明する模式図である。加工レシピ生成装置１００の構成図である。レシピ－画像記憶部２０１が格納するデータの構成図である。画像条件設定部２０３の詳細構成図である。画像条件設定部２０３が提供するインターフェースの１例である。検査画像変換部２０２の詳細構成図である。学習部２０４が実施する学習過程を示す模式図である。学習モデル記憶部２０５が格納する情報の詳細構成図である。学習部２０４が学習を実施する手順を説明するフローチャートである。目標形状入力部２０６の構成図である。目標形状入力部２０６の画面例である。目標画像生成部２０７の詳細構成図である。レシピ評価指標の概要図である。レシピ生成部２０８がレシピを生成する手順を説明するフローチャートである。

　図１は、本発明に係る加工レシピ生成装置１００が加工レシピを自動生成する手順の概要を説明する模式図である。加工レシピ生成装置１００は、レシピ１０１を入力として受け取る。構造予測部１０２は、レシピ１０１によって加工される形状の予測結果を表す予測画像１０３を出力する。レシピ修正部１０５は、予測画像１０３を目標画像１０４に近づけるようにレシピ１０１を修正する。これを終了条件に達するまで繰り返しすることによりレシピ１０１を徐々に修正し、目標画像１０４に近い予測画像１０３を出力するレシピ１０１を生成する。予測画像１０３ｉ、目標画像１０４ｉはそれぞれ予測画像１０３、目標画像１０４の１例である。

　従来において加工レシピを生成する際には、専門家が検査画像上の特定位置を指定し、その部位の寸法を計測し、寸法値を目標値に合わせるようにレシピを生成している。しかしながらこのような従来手法は、計測位置の指定や計測そのものについて専門的なノウハウが必要であるので、いずれの作業についても専門家が必要であることが課題であった。その他、以下のような課題もある：（ａ）同じ個所を計測したとしても、計測者ごとに計測結果が異なる、（ｂ）寸法を計測する位置を変更すると、過去データ全ての計測をやり直す必要がある、（ｃ）計測していない箇所に関してはレシピ生成の際に考慮されない、（ｄ）形状の曲率などのように計測が難しい特徴量が存在する。

　本発明は、画像化した目標構造である目標画像１０４に近い構造を達成するレシピ１０１を生成することにより、特定箇所の寸法を計測することを不要とし、従来手法の課題を解決する。

　目標画像１０４を達成するレシピ１０１は無数に存在するが、レシピ１０１が決まると生成される構造は決まる。したがって、目標画像１０４からレシピ１０１を直接決定することは難しいが、レシピ１０１から構造を予測することは比較的容易である。よって本発明においては、レシピ１０１を入力として予測画像１０３を出力する構造予測部１０２を用いることとした。

　検査画像は、様々な条件に応じて画像の映り方が変化する。例えば通常の画像であれば光の当たり方によって画像が変化する。半導体検査に用いられる走査型電子顕微鏡（ＳＥＭ）の場合は、検査対象の帯電の具合や加速電圧などの撮像条件によって、検査画像が大きく変化する。また、試料の回転や並進などによっても画像は変化する。そのため、目標とする構造が決まっていても目標画像１０４は一意に決まらない。したがって、予測画像１０３と目標画像１０４として検査画像をそのまま用いたとしても、良いレシピを生成することは難しい。

　本発明は、このような課題を解決するため、検査画像を一度変換し、変換後検査画像を用いてレシピを生成することとした。このような変換により、撮像条件が変化することによって検査画像が変動したとしても、その変動の影響を抑制し、検査画像の変動に対してロバストにレシピを生成することができる。撮像条件の変動による影響を抑制する変換後検査画像の例については後述する。

　図２は、加工レシピ生成装置１００の構成図である。加工レシピ生成装置１００は、レシピ－画像記憶部２０１、検査画像変換部２０２、画像条件設定部２０３、学習部２０４、学習モデル記憶部２０５、目標形状入力部２０６、目標画像生成部２０７、レシピ生成部２０８、加工装置２０９、検査装置２１０を備える。図１で示した概要は、レシピ生成部２０８が実施する処理である。

　検査画像変換部２０２は、画像条件設定部２０３によって設定された変換条件にしたがって、レシピ－画像記憶部２０１に格納された検査画像を変換する。学習部２０４は、入力されたレシピと変換後検査画像を用いて、レシピから変換後検査画像を予測するモデルを学習する。ここでいうモデルとは構造予測部１０２のことである。学習したモデルは学習モデル記憶部２０５に格納される。レシピ生成部２０８は、学習したモデルと目標形状入力部２０６に対して入力された情報を用いて、目標画像生成部２０７が生成した目標画像に近い構造を達成するレシピを生成する。加工装置２０９は、生成されたレシピを用いて試料を加工する。検査装置２１０は、加工された構造体を検査し、その検査結果を表す検査画像（例えばＳＥＭ観察像）を出力する。レシピ生成部２０８が生成したレシピと検査装置２１０が出力された検査画像のペアは、新しいデータとしてレシピ－画像記憶部２０１に格納される。加工された構造体が目標形状に対して設定された指標を達成するまで上述のサイクルを繰り返す。

　蓄積されたレシピと変換後検査画像との間の関係を学習し、目標形状に近い構造を予測するレシピを生成し、生成されたレシピを実際に加工装置２０９および検査装置２１０で評価することにより、少ないサイクルで、目標形状に近い構造を達成するレシピを検査画像から生成することができる。

　図３は、レシピ－画像記憶部２０１が格納するデータの構成図である。レシピ－画像記憶部２０１は、番号情報３０１、加工装置情報３０２、加工プロセス情報３０３、レシピ情報３０４、検査画像情報３０５、撮像条件情報３０６を格納する。

　番号情報３０１は、レシピ－画像記憶部２０１に記憶されるデータの番号を保持する。加工装置情報３０２は、各番号に対応する装置情報を保持する。装置情報とは、例えば加工装置の個体を識別できるＩＤや加工装置の型式などの情報である。加工プロセス情報３０３は、各番号に対応するプロセス情報を保持する。プロセス情報とは、加工装置が実施する加工の種別／加工対象／加工の内容を特定できる情報である。レシピ情報３０４は、各番号に対応するレシピ情報を保持する。レシピ情報とは、加工レシピの内容を記述したパラメータである。例えば加工装置が用いる電流／電圧／使用するガスの流量や圧力、などの情報である。検査画像情報３０５は、各番号に対応する検査画像を保持する。撮像条件情報３０６は、各番号に対応する検査画像の撮像条件を保持する。撮像条件とは、例えば露光時間や電子の加速電圧などのような、検査画像に対して影響が生じ得る条件である。レシピ情報３０４と撮像条件３０６は、スカラ量であってもよいしベクトル量であってもよい。また、ひとつ以上の値の時系列情報であってもよい。検査画像情報３０５は１枚でもよいし複数枚でもよい。

　図４は、画像条件設定部２０３の詳細構成図である。画像条件設定部２０３は、学習部２０４が学習を実施する際に用いる画像変換に関する条件を設定する。操作者は画像条件設定部２０３が提供するインターフェースを用いて、各変換条件をセットする。

　画像条件設定部２０３は、対象装置入力部４０１、対象プロセス入力部４０２、画像変換手法入力部４０３、倍率入力部４０４、基準点情報入力部４０５、画像サイズ入力部４０６、対象データ表示部４０７、変換画像表示部４０８を備える。

　操作者は、対象装置入力部４０１に対して学習対象の装置を指定する。学習対象の装置は、レシピ－画像記憶部２０１が記憶している加工装置情報３０２によって指定することができる。

　操作者は、対象プロセス入力部４０２に対して学習対象のプロセス情報を指定する。プロセス情報は、レシピ－画像記憶部２０１が記憶している加工プロセス情報３０３によって指定することができる。

　操作者は、画像変換手法入力部４０３に対して検査画像変換部２０２が実施する画像変換の手法を指定する。ここでいう画像変換手法は、例えばセマンティックセグメンテーションや画像処理における各種フィルタ処理などのように、撮像条件に依拠する成分を減少させることができるものである。例えばセマンティックセグメンテーションは、物体認識などにおいて用いられる手法であり、画像の境界部分を識別することにより１以上のサブ領域に区分し、サブ領域ごとに異なる画素値（輝度や色など）を割り当てるものである。このような変換により、検査画像のうち撮像条件によって変動する成分を減少させることができる。操作者は画像変換手法入力部４０３に対して画像変換手法そのものの種類やそのパラメータを入力してもよいし、画像変換処理を実装したプログラムを入力してもよいし、あらかじめ設定してある画像変換手法からいずれかを選択してもよい。

　操作者は、倍率入力部４０４に対して画像変換後の画像倍率を指定する。本発明においては、予測画像と１０３と目標画像１０４を比較することによりレシピを更新する。したがって、両画像の撮像倍率が同一でなければ目標形状を達成するレシピを生成することは困難である。構造予測部１０２を学習する際の変換後検査画像についても、撮像倍率が一定に保たれていることが望ましい。検査画像変換部２０２は、倍率入力部４０４に対して入力された倍率と撮像条件情報３０６にしたがって画像を拡大縮小することにより、学習において用いる画像の撮像倍率を制御する。

　操作者は、基準点情報入力部４０５に対して画像変換時に用いる基準点を指定する。本発明においては、構造予測部１０２を学習する際に、予測画像１０３と目標画像１０４を比較する。この比較時において、構造の寸法値以外の影響を受けないようにすることが重要であるので、倍率と同様に並進／回転を制御することが望ましい。そこで操作者は、基準点情報入力部４０５に対して基準点を指定し、各検査画像の基準点位置を指定された位置に合わせる。これにより、並進／回転による影響を除去する。基準点は、基準点を検出するためのフィルタやアルゴリズム、検査画像間で基準点を合わせるための画像上の位置などによって指定することができる。基準点は１つ以上指定することができる。１つの場合は並進の影響を除去でき、２つ以上であれば並進／回転の影響を除去できる。

　操作者は、画像サイズ入力部４０６に対して変換に用いる画像サイズを入力する。変換に用いる画像サイズとは、変換前の検査画像から切り出す画像サイズと変換後検査画像の画像サイズである。画像サイズを所定のサイズにそろえることにより、学習を安定させることができる。

　対象データ表示部４０７は、学習対象となるデータを表示する。対象データ表示部４０７が表示するデータは、対象装置入力部４０１と対象プロセス入力部４０２に対して入力された装置情報／プロセス情報に対応するレシピ／検査画像である。変換画像表示部４０８は、対象データ表示部４０７が表示す検査画像とペアになっている変換後検査画像を表示する。

　図５は、画像条件設定部２０３が提供するインターフェースの１例である。操作者は各部に対して以下の情報を指定する。対象装置入力部４０１には学習対象となる装置が入力される。対象プロセス入力部４０２には学習対象となるプロセスが入力される。画像変換手法入力部４０３には画像変換手法が入力される。倍率入力部４０４には倍率が入力される。基準点情報入力部４０５には基準点が入力される。画像サイズ入力部４０６には画像サイズが入力される。

　操作者が入力した情報に基づき、対象データ表示部４０７は学習対象データを表示し（４０７ｒ、４０７ｉ）、変換画像表示部４０８は変換後検査画像を表示する。４０７ｒは対象データのレシピ情報であり、４０７ｉは対象データの検査画像である。ここで表示される検査画像４０７ｉは変換前の画像であり、倍率がまちまちであったり、基準点が画像上の同じ位置に揃っていなかったりすることがある。変換画像表示部４０８は、画像変換するとともに倍率／基準点／画像サイズが調整された画像を表示するので、同じ構造であれば同じ画像を表示することになる。また、画像の変化が構造の変化と等しいので、レシピと構造の関係を直接学習できる。変換画像表示部４０８は、画像上の基準点位置を合わせて表示してもよい。

　図６は、検査画像変換部２０２の詳細構成図である。検査画像変換部２０２は、画像変換部６０２、倍率調整部６０３、基準点調整部６０４、画像サイズ調整部６０を備える。検査画像変換部２０２は、撮像条件６００と検査画像６０１を用いて変換後検査画像６０６を生成する。６０１－１、６０１－２はそれぞれ検査画像６０１の１例であり、６０６－１、６０６－２はそれぞれ変換後検査画像６０６の１例である。撮像条件６００と検査画像６０１は、レシピ－画像記憶部２０１が格納している検査画像情報３０５と撮像条件３０６のうち、画像条件設定部２０３において設定された装置情報とプロセス情報に該当するデータを抽出したものである。

　画像変換部６０２は、光や電子線の状態に対する依存度が低減するように検査画像を変換する。ここでは変換手法としてセマンティックセグメンテーションを用いる例を示す。セマンティックセグメンテーションは、画像６０６－１、６０６－２のような連続的な輝度値を持つ画像を画像６０６－１、６０６－２のような離散的な画素値を持つ画像に変換する処理である。ここでは検査画像中の空気層／マスク／シリコン／ラフネスの部分をそれぞれ異なる画素値によって示している。このように検査画像中の領域ごとに異なる離散値を与える。ここでは空気層／マスク／シリコン／ラフネスの４クラスへ区分する例を示したが、検査画像の内容に応じて適切なクラスを設定することができる。セマンティックセグメンテーションを実装する手法としては、例えばＦｕｌｌｙ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　ＮｅｔｗｏｒｋｓなどのＣｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ（ＣＮＮ）を用いることができる。

　倍率調整部６０３は、変換後検査画像６０６の撮像倍率が一定になるように倍率を調整する。倍率調整部６０３は、撮像条件６００と検査画像６０１を入力として受け取り、各検査画像６０１に対応する撮像条件６００から各検査画像６０１の撮像倍率を読み込み、画像条件設定部２０３において設定された撮像倍率に合うように画像を拡大縮小する。

　基準点調整部６０４と画像サイズ調整部６０５は、倍率調整後の画像が同じ画像サイズを有し基準点位置が同じ場所に揃うように処理する。これは例えば、基準点を画像中から検出し、基準点を基準としてあらかじめ決められた領域を切り出すことにより、実施することができる。

　図７は、学習部２０４が実施する学習過程を示す模式図である。学習部２０４は、レシピ１０１から変換後検査画像を予測する構造予測部１０２を学習し、その学習結果を学習モデル記憶部２０５に対して学習条件と組み合わせて格納する。学習部２０４は、構造予測部１０２、レシピ予測部７０１、識別部７０３を備える。

　学習部２０４は、Ｇｅｎｅｒａｔｉｖｅ　Ａｄｖｅｒｓａｒｉａｌ　Ｎｅｔｗｏｒｋｓ（ＧＡＮ）と呼ばれる手法を用いて構造予測部１０２を学習する。ＧＡＮにおいては、識別器は与えられた画像を正しく識別しようとし、生成器は識別器を騙す画像を生成しようとし、両者が互いに対立しながら学習を進行させることにより、より精度の高い画像を生成するように学習が進行する手法である。図７の構成においては、識別部７０３は与えられた画像とレシピのペアが正しい組み合わせであるか否かを判定し、構造予測部１０２は識別部７０３が正しい組み合わせであると認識する程度の精度を有する予測画像１０３を出力する。識別部７０３が識別精度を上げるように学習を繰り返し、構造予測部１０２がより精度の高い予測画像１０３を出力するように学習を繰り返すことにより、学習部２０４全体としての学習が進行する。以下、各部の動作について説明する。

　構造予測部１０２は、レシピ１０１を入力として予測画像１０３を出力する。レシピ予測部７０１は、変換後検査画像６０６を入力として予測レシピ７０２を出力する。識別部７０３は、画像とレシピのペアを入力として受け取り、そのペアが正しい組み合わせであるか否かを判定する。具体的には、変換後検査画像６０６と予測画像１０３のどちらか一方を入力画像として受け取るとともに、レシピ１０１と予測レシピ７０２のどちらか一方を入力レシピとして受け取り、それらが正しい組み合わせであるか否かを示す識別結果７０４を出力する。

　構造予測部１０２／レシピ予測部７０１／識別部７０３は、例えばニューラルネットワークによって実装することができる。ニューラルネットワークは、損失を最小化するようにパラメータを最適化することにより、学習を進める。図７においては以下の損失が考えられる。

　損失ｌ１：予測画像１０３と、（レシピ１０１と組になる）変換後検査画像６０６との間の損失。主に構造予測部１０２を学習する際に用いられる。
　損失ｌ２：予測レシピ７０２と、（変換後検査画像６０６と組になる）レシピ１０１との間の損失。主にレシピ予測部７０１を学習する際に用いられる。
　損失ｌ１２：レシピ１０１を入力として生成された予測画像１０３をレシピ予測部７０１の入力として予測レシピ７０２を生成し、その予測レシピ７０２とレシピ１０１との間の損失。学習が適切に進行することにより、上記のように生成した予測レシピ７０２はレシピ１０１に戻ることが期待されるので、この損失ｌ１２も学習の評価指標として用いることとした。
　損失ｌ２１：変換後検査画像６０６を入力として生成された予測レシピ７０２を構造予測部１０２の入力として予測画像１０３を生成し、その予測画像１０３と変換後検査画像６０６との間の損失。学習が適切に進行することにより、上記のように生成した予測画像１０３は変換後検査画像６０６に戻ることが期待されるので、この損失ｌ２１も学習の評価指標として用いることとした。
　損失ｌ３：識別結果７０４が正しい識別結果を表しているか否かを評価する損失。
　損失ｌ４：学習結果が偏らないようにするための損失。例えば識別部７０３の入力の勾配を損失ｌ４とすることができる。

　構造予測部１０２は、ｌ１、ｌ１２、ｌ２１、負のｌ３を最小化するようにパラメータを更新する。レシピ予測部７０１は、ｌ２、ｌ１２、ｌ２１、負のｌ３を最小化するようにパラメータを更新する。識別部７０３は、ｌ３とｌ４を最小化するようにパラメータを更新する。

　レシピを生成するためには構造予測部１０２のみを用いれば足りるが、ＧＡＮを用いて構造予測部１０２を学習するためにレシピ予測部７０１と識別部７０３を併用する。識別部７０３は、入力が変換後検査画像６０６とレシピ１０１の正しいペアである場合のみ、その旨の識別結果７０４を出力するように学習する。すなわち識別部７０３は、入力されるレシピと画像との間の正しい組み合わせを学習する。構造予測部１０２とレシピ予測部７０１は、識別部７０３が正しい組み合わせであると誤認識するような精度を有する予測画像１０３と予測レシピ７０２をそれぞれ出力するように、学習を進行する。これらの相互作用により、構造予測部１０２はレシピ１０１と予測画像１０３の正しい組み合わせを出力するように学習し、レシピ予測部７０１は変換後検査画像６０６と予測レシピ７０２の正しい組み合わせを出力するように学習する。

　構造予測部１０２とレシピ予測部７０１は、入力されるレシピ１０１と変換後検査画像６０６から、正しい組み合わせである変換後検査画像６０６とレシピ１０１をそれぞれ予測することが期待される。このとき、レシピ１０１を入力として構造予測部１０２が出力した予測画像１０３を、レシピ予測部７０１に入力して得られる予測レシピ７０２は、元の入力であるレシピ１０１と等しくなることが望ましい。同様に、変換後検査画像６０６を入力としてレシピ予測部７０１が出力した予測レシピ７０２を、構造予測部１０２に入力して得られる予測画像１０３は、元の入力である変換後検査画像６０６と等しくなることが望ましい。したがって、これらに対応する損失ｌ１２とｌ２１を最小化することも、構造予測部１０２の学習を助ける効果がある。

　図８は、学習モデル記憶部２０５が格納する情報の詳細構成図である。学習モデル記憶部２０５は、モデル番号情報８０１、加工装置情報８０２、プロセス情報８０３、画像変換条件情報８０４、学習モデル情報８０５、学習パラメータ情報８０６を保持する。

　モデル番号情報８０１は、学習モデル記憶部２０５に格納されている学習モデルの番号である。加工装置情報８０２は、各学習モデルが学習した加工装置に関する情報を保持する。プロセス情報８０３は、各学習モデルが学習したプロセスに関する情報を保持する。画像変換条件情報８０４は、各学習モデルを学習する際に使用した画像変換条件を保持する。学習モデル情報８０５は、各学習モデルに関する情報を保持する。学習モデルに関する情報とは、例えば構造予測部１０２による処理内容やその際に用いるパラメータである。処理とは例えばニューラルネットワークの層構成であり、パラメータとはニューラルネットワークの荷重行列やバイアス項である。学習モデル情報８０５が保持する学習モデルは、構造予測部１０２だけでなく、レシピ予測部７０１や識別部７０３を含んでもよい。さらに、学習終了時に各学習モデルが達成した損失の値を格納してもよい。学習パラメータ情報８０６は、各学習モデルを学習する際に使用したパラメータを保持する。例えば最適化器の種類、学習率、学習回数、バッチサイズ、その他学習に影響するパラメータを保持することができる。

　図９は、学習部２０４が学習を実施する手順を説明するフローチャートである。ステップＳ９０１において、操作者は画像条件設定部２０３を介して学習条件を設定する。ステップＳ９０２において、検査画像変換部２０２は画像条件設定部２０３により設定された学習条件に該当する装置情報とプロセス情報をレシピ－画像記憶部２０１から読み込む。ステップＳ９０３において、検査画像変換部２０２は画像条件設定部２０３により設定された画像変換条件を用いて検査画像を変換することにより、変換後検査画像６０６を生成する。ステップＳ９０４において、学習部２０４がレシピ－画像記憶部２０１から学習条件に該当する装置とプロセスに対応するレシピ情報を読み取り、検査画像変換部２０２から変換後検査画像６０６を読み込み、レシピ１０１から変換後検査画像６０６を予測する構造予測部１０２を学習する。本ステップにおいて読み込むレシピ１０１と変換後検査画像６０６は、レシピ－画像記憶部２０１において同じ番号情報３０１を持つ組み合わせが保たれている。ステップＳ９０５において、学習部２０４は学習に用いた条件と学習で得られた学習モデルを学習モデル記憶部２０５に格納する。

　図９の学習フローは、操作者によって学習フローが開始されるタイミング、学習条件に関連するレシピ－画像記憶部２０１のデータが更新されるタイミング、などの所定のタイミングで実行される。レシピ生成前に学習モデルを学習モデル記憶部２０５に格納し、レシピ生成時には学習モデル記憶部２０５から必要な情報を用いてもよいし、レシピ生成時に逐次学習モデルを学習してもよい。

　図１０は、目標形状入力部２０６の構成図である。目標形状入力部２０６は、操作者が加工により得る目標形状を入力するインターフェースを提供する。目標形状入力部２０６は、対象装置入力部１００１、対象プロセス入力部１００２、学習モデル選択部１００３、レシピ評価指標選択部１００４、目標形状入力部１００５、目標画像表示部１００６を備える。

　操作者は、対象装置入力部１００１に対して、レシピ生成する対象の装置に関する情報を入力する。学習モデル記憶部２０５に格納されている加工装置情報８０２と同様の情報を入力することができる。

　操作者は、対象プロセス入力部１００２に対して、レシピ生成する対象のプロセスに関する情報を入力する。学習モデル記憶部２０５に格納されているプロセス情報８０３と同様の情報を入力することができる。

　操作者は、学習モデル選択部１００３を介して、レシピ生成に用いる学習モデルを選択する。学習モデル記憶部２０５に格納されている学習モデル情報８０５と同様の情報を選択することができる。

　操作者は、レシピ評価指標選択部１００４を介して、レシピ評価指標を選択する。目標構造に近い構造を達成するレシピは無数に存在するので、その中から適切なレシピを選択するための指標が必要となる。操作者はレシピ評価指標選択部１００４を介してその評価指標を選択する。評価指標としては、例えば勾配最小指標や損失最小指標を用いることができる。これらの例については図１３を用いて説明する。

　操作者は、目標形状入力部１００５に対して目標形状値を入力する。例えば各部位の寸法値を目標形状として入力してもよいし、目標とする構造の設計データを入力してもよい。

　目標画像表示部１００６は、目標形状入力部１００５に対して入力された目標形状値を用いて目標画像生成部２０７が生成した目標画像１０４を表示する。

　図１１は、目標形状入力部２０６の画面例である。操作者は各部に対して以下の情報を指定する。対象装置入力部１００１にはレシピ生成対象の装置が入力される。対象プロセス入力部１００２にはレシピ生成対象のプロセスが入力される。学習モデル選択部１００３ではでレシピ生成に用いる学習モデルが選択される。レシピ評価指標選択部１００４ではレシピ生成に用いる評価指標が選択される。目標形状入力部１００５には目標形状が入力される。これらが入力されると、目標画像生成部２０７は入力された情報にしたがって目標画像を生成し、目標画像表示部１００６は生成された目標画像を表示する。

　図１２は、目標画像生成部２０７の詳細構成図である。目標画像生成部２０７は、画像変換条件読み込み部１２０１と目標画像描画部１２０２を備える。

　画像変換条件読み込み部１２０１は、目標形状入力部２０６で選択された学習モデルに対応する画像変換条件を学習モデル記憶部２０５から読み込む。目標画像描画部１２０２は、読み込んだ画像変換条件にしたがって、目標画像１０４を描画し出力する。

　図１３は、レシピ評価指標の概要図である。ここでは簡単のためレシピが１次元データによって記述されていると仮定しているが、レシピが多次元の場合でも以下の手順は同様である。横軸はレシピの内容を表すパラメータ値である。縦軸はレシピによって構造予測部１０２で得られる予測画像１０３と目標画像１０４との間の損失である。損失は例えばＬ１誤差などである。以下図１３を用いて、目標形状を達成するレシピを探索する手順を説明する。

　目標構造を達成するレシピは無数に存在するので、レシピ値を変化させていくと損失値は複数の極小値をとる。図１３においては２つの極小値１３０１と１３０２が存在する。損失最小指標は最も小さい損失値を達成する極小値を選択する指標である。図１３の場合には損失最小指標は極小値１３０２を選択する。勾配最小指標は極小値周辺の勾配が最小となる極小値を選択する指標である。図１３の場合には極小値１３０１が選択される。損失最小指標は最も損失値が小さいので、目標構造を達成する可能性が高いレシピを選択することになる。勾配最小指標はレシピや装置の状態変化に対して頑強なレシピを選択するためのものである。

　図１３に示すように、極小値１３０１の周辺では損失値の変動が小さい。そのため、極小値１３０１の周辺ではレシピや装置状態にノイズが混入しても損失値が大きく変化しないので、これらのノイズに対して予測される構造は頑強である。そのため、実際に加工する際にも、これらのノイズに対して加工される構造が頑強であることが期待できる。これに対して極小値１３０２の周辺ではレシピの微小変動に対して損失値が大きく変化する。そのため、極小値１３０２周辺ではノイズの影響で加工結果が大きく変動する可能性が高いことが予想される。

　図１４は、レシピ生成部２０８がレシピを生成する手順を説明するフローチャートである。ステップＳ１４０１において、操作者は目標形状入力部２０６を介して目標形状を入力する。ステップＳ１４０２において、目標画像生成部２０７は目標形状入力部２０６に入力された情報にしたがって、学習モデル記憶部２０５から画像変換条件を読み込み、目標画像１０４を生成する。ステップＳ１４０３において、レシピ生成部２０８は乱数でレシピを生成することにより初期化する。このときレシピを複数生成する。ステップＳ１４０４において、レシピ生成部２０８は初期化したレシピを勾配降下法で更新する。具体的には図１で示したように、レシピ１０１を構造予測部１０２に入力し、出力された予測画像１０３と目標画像１０４との間の損失（例えばＬ１誤差）を計算し、得られた損失を誤差逆伝搬することによりレシピの勾配を求め、勾配降下法でレシピを更新する。このレシピの更新をあらかじめ決められた回数、もしくはレシピの更新量が所定の閾値以下になるなどの収束条件を満たすまで実施する。勾配降下法によるレシピ生成は、得られるレシピが初期値に依存するので、ステップＳ１４０３において複数のレシピを生成することにより、複数の損失極小値を達成するレシピを得ることができる。ステップＳ１４０５において、レシピ生成部２０８は得られた複数のレシピの中から低い損失を達成したレシピを抽出する。ステップＳ１４０５は例えば、得られたレシピの中から目標画像１０４との損失が低い順に所定の数のレシピを抽出する、得られたレシピの中で目標画像１０４と損失が最も低いものから順に所定割合のものを抽出する、もしくは所定範囲内の損失を達成するレシピを抽出する、などによって実施することができる。勾配降下法を用いる場合、生成したレシピによっては得られる損失が比較的高いレシピが得られることがあるので、ある程度良い損失値に到達したレシピを抽出することがステップＳ１４０５の目的である。ステップＳ１４０６において、レシピ生成部２０８はステップＳ１４０５で抽出したレシピの中から、目標形状入力部２０６で選択されたレシピ評価指標が高いものを選択し、出力する。

＜本発明のまとめ＞
　本発明に係る加工レシピ生成装置１００によれば、専門家が検査画像上の計測位置を指定してその寸法を測定する工程を実施することなく、レシピと検査画像のみから、目標とする構造にできる限り近い構造を達成するレシピを自動的に生成することができる。また特定部位の寸法値に依拠することなくレシピを生成することができるので、より優れたレシピを生成することができる。

＜本発明の変形例について＞
　本発明は上記実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換える事が可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について他の構成の追加・削除・置換をすることができる。

　以上の説明においては、半導体製造装置を例に記載したが、他に様々な応用が考えられる。本発明は、検査画像と加工装置のパラメータとの間の関係を直接学習することが特徴であるので、検査画像と加工装置のパラメータを制御できる、例えば機械部品加工などにも応用できる。

　以上の説明においては、検査画像変換部２０２がセマンティックセグメンテーションを用いて画像を変換することにより、撮像条件に依拠する画像上の成分を減少させることを説明したが、同様の効果を発揮できればその他手法を用いることもできる。例えば画像の階調を下げる、シャープネスを上げる、などの手法が考えられる。複数の手法を併用することもできる。

　以上の説明においては、学習部２０４がレシピ１０１と変換後検査画像６０６との間の対応関係を学習するためにＧＡＮを用いることを説明したが、その他適当な手法により学習を実施してもよい。またニューラルネットワーク以外の学習手法を用いてもよい。

１００：加工レシピ生成装置
１０１：レシピ
１０２：構造予測部
１０３：予測画像
１０４：目標画像
１０５：レシピ修正部
２０１：レシピ－画像記憶部
２０２：検査画像変換部
２０３：画像条件設定部
２０４：学習部
２０５：学習モデル記憶部
２０６：目標形状入力部
２０７：目標画像生成部
２０８：レシピ生成部
２０９：加工装置
２１０：検査装置

Claims

　加工装置が対象物を加工する際における前記加工装置の動作条件を記述した加工レシピを生成する加工レシピ生成装置であって、
　前記加工装置の加工レシピ、前記加工装置が前記加工レシピを用いて加工した対象物を撮像した検査画像、および前記加工レシピと前記検査画像との間の対応関係を記憶する記憶部、
　前記検査画像が有する成分のうち前記検査画像の撮像条件に依拠するものを減少させる変換条件を用いて前記検査画像を変換した変換画像を生成する検査画像変換部、
　前記加工レシピと前記変換画像との間の関係を学習する学習部、
　前記加工装置によって加工する目標形状を入力する目標形状入力部、
　前記学習部による学習結果を用いて、前記目標形状を表す画像を前記変換条件にしたがって変換した目標画像を生成する、目標画像生成部、
　前記目標画像が表す形状を加工するために用いる目標加工レシピを生成するレシピ生成部、
　を備えることを特徴とする加工レシピ生成装置。
　前記検査画像変換部は、前記検査画像を１以上のサブ領域に分割するとともに、前記サブ領域ごとに異なる画素値を与えることにより、前記変換画像を生成する
　ことを特徴とする請求項１記載の加工レシピ生成装置。
　前記目標画像生成部は、１以上のサブ領域に分割され、前記サブ領域ごとに異なる画素値を有する前記目標画像を生成する
　ことを特徴とする請求項１記載の加工レシピ生成装置。
　前記学習部は、
　　前記加工レシピを入力として受け取り、前記加工レシピと前記変換画像との間の関係を学習した結果に基づき、前記入力された加工レシピに対応する予測変換画像を予測する第１予測器を備える
　ことを特徴とする請求項１記載の加工レシピ生成装置。
　前記学習部は、
　　前記変換画像を入力として受け取り、前記加工レシピと前記変換画像との間の関係を学習した結果に基づき、前記入力された変換画像に対応する予測加工レシピを予測する第２予測器、
　　前記加工レシピまたは前記予測加工レシピを入力として受け取るとともに、前記変換画像または前記予測変換画像を入力として受け取り、前記入力されたレシピと前記入力された画像が正しい組み合わせであるか否かを識別する識別器、
　を備え、
　前記学習部は、前記識別器が誤った識別結果を出力する前記予測変換画像を出力するように前記第１予測器に学習させ、前記識別器が誤った識別結果を出力する前記予測加工レシピを出力するように前記第２予測器に学習させ、前記識別器が正しい識別結果を出力するように前記識別器に学習させることを繰り返すことにより、前記加工レシピと前記変換画像との間の関係を学習する
　ことを特徴とする請求項４記載の加工レシピ生成装置。
　前記第１予測器と前記第２予測器は、前記第２予測器が前記予測変換画像を入力として受け取って予測した結果が前記加工レシピと一致するように学習を実施し、
　前記第１予測器と前記第２予測器は、前記第１予測器が前記予測加工レシピを入力として受け取って予測した結果が前記変換画像と一致するように学習を実施する
　ことを特徴とする請求項５記載の加工レシピ生成装置。
　前記レシピ生成部は、前記予測変換画像と前記目標画像との間の差分ができる限り小さい加工レシピを、加工レシピの候補群のなかから探索することにより、前記目標加工レシピを生成する
　ことを特徴とする請求項４記載の加工レシピ生成装置。
　前記レシピ生成部は、前記差分が極小となる加工レシピ、または前記差分の変化率が極小となる加工レシピを、前記目標加工レシピとして採用する
　ことを特徴とする請求項７記載の加工レシピ生成装置。
　前記加工レシピ生成装置はさらに、
　　前記検査画像変換部が前記検査画像を変換する際の変換条件を指定する条件設定部を備える
　ことを特徴とする請求項１記載の加工レシピ生成装置。
　前記条件設定部は、前記変換条件として、
　　前記変換画像の撮像倍率、
　　前記変換画像の画像サイズ、
　　前記検査画像と前記変換画像との間の位置合わせの基準点、
　を指定し、
　前記目標画像生成部は、前記目標画像の撮像倍率、前記目標画像の画像サイズ、および前記目標画像のなかの基準点が、前記条件設定部によって指定された前記変換画像の撮像倍率、前記変換画像の画像サイズ、および前記検査画像と前記変換画像との間の位置合わせの基準点とそれぞれ一致するように、前記目標画像を生成する
　ことを特徴とする請求項９記載の加工レシピ生成装置。