WO2020246149A1 - 半導体検査装置及び半導体検査方法 - Google Patents

半導体検査装置及び半導体検査方法 Download PDF

Info

Publication number
WO2020246149A1
WO2020246149A1 PCT/JP2020/016739 JP2020016739W WO2020246149A1 WO 2020246149 A1 WO2020246149 A1 WO 2020246149A1 JP 2020016739 W JP2020016739 W JP 2020016739W WO 2020246149 A1 WO2020246149 A1 WO 2020246149A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
cad
optical
optical image
semiconductor device
Prior art date
Application number
PCT/JP2020/016739
Other languages
English (en)
French (fr)
Inventor
智親 竹嶋
樋口　貴文
和宏 堀田
Original Assignee
浜松ホトニクス株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 浜松ホトニクス株式会社 filed Critical 浜松ホトニクス株式会社
Priority to EP20818448.1A priority Critical patent/EP3955208A4/en
Priority to KR1020217028489A priority patent/KR20220016022A/ko
Priority to SG11202113170XA priority patent/SG11202113170XA/en
Priority to US17/608,833 priority patent/US20220301197A1/en
Priority to CN202080041571.3A priority patent/CN113994372A/zh
Priority to JP2021524694A priority patent/JP7413375B2/ja
Publication of WO2020246149A1 publication Critical patent/WO2020246149A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/32—Image data format

Definitions

  • the present disclosure relates to a semiconductor inspection device and a semiconductor inspection method for inspecting a semiconductor device.
  • Patent Document 1 an image has been acquired by using a semiconductor device as an inspection target device (DUT: device under test), and various analyzes such as analysis of a failure location have been performed based on the image (Patent Document 1 below and Patent Document below). 2).
  • an optical image such as an LSM image is made high in resolution to generate a reconstructed image
  • a second CAD image is generated based on a plurality of layers of CAD data
  • the reconstructed image is a second. Alignment with respect to 2 CAD images is disclosed. According to such a method, accurate alignment of optical images becomes possible.
  • the embodiment has been made in view of such a problem, and provides a semiconductor inspection apparatus capable of accurately aligning an optical image acquired for a semiconductor device and a CAD image corresponding to the semiconductor device.
  • the task is to do.
  • the semiconductor inspection device of one embodiment of the present disclosure includes an optical detector that detects light from a semiconductor device and outputs a detection signal, an optical system that guides the light to the photodetector, and a semiconductor device based on the detection signal.
  • An image generation unit that generates a first optical image, which is an optical image, a reception unit that accepts input of a first CAD image, and a first CAD image conversion process using the optical image as teacher data by machine learning.
  • An image conversion unit that learns and converts the first CAD image into a second CAD image that resembles an optical image by a conversion process based on the learning result, and a position based on the optical image and the second CAD image. It is provided with an alignment unit for performing alignment.
  • another aspect of the semiconductor inspection method of the present disclosure is a step of detecting light from a semiconductor device via an optical system and outputting a detection signal, and an optical image of the semiconductor device based on the detection signal.
  • the step of generating the optical image of 1, the step of accepting the input of the first CAD image, and the conversion process of the first CAD image using the optical image as the teacher data are learned by machine learning, and the result of the learning is obtained.
  • the conversion process based on the above includes a step of converting the first CAD image into a second CAD image resembling an optical image, and a step of aligning the optical image and the second CAD image.
  • an optical image reflecting light from a semiconductor device and a first CAD image are acquired, and the first CAD image is converted based on the result of learning by machine learning. Is converted into a second CAD image that resembles an optical image, and the second CAD image and the optical image are aligned with each other.
  • the pattern on the CAD image is converted so as to be closer to the optical image, and then the alignment is performed with the optical image. The accuracy can be improved.
  • Other forms of the semiconductor inspection apparatus of the present disclosure include an optical detector that detects light from a semiconductor device and outputs a detection signal, an optical system that guides the light to the optical detector, and a semiconductor device based on the detection signal.
  • An image generation unit that generates a first optical image, which is an optical image of the above, a reception unit that accepts an input of the first CAD image, and a reconstruction of the first optical image using the first CAD image as teacher data.
  • An image conversion unit that learns the processing by machine learning and reconstructs the first optical image into a second optical image that resembles the first CAD image by the reconstruction processing based on the learning result, and a second The optical image of the above and the alignment unit for aligning based on the first CAD image are provided.
  • another aspect of the semiconductor inspection method of the present disclosure is a step of detecting light from a semiconductor device via an optical system and outputting a detection signal, and an optical image of the semiconductor device based on the detection signal.
  • the step of generating the optical image of 1, the step of accepting the input of the first CAD image, and the reconstruction process of the first optical image using the first CAD image as teacher data are learned by machine learning.
  • the optical image reflecting the light from the semiconductor device and the first CAD image are acquired, and the optical image is reconstructed based on the learning result by machine learning to perform the first CAD. It is converted into a second optical image that resembles an image, and the second optical image and the first CAD image are aligned.
  • the unclear part on the optical image is converted so as to be closer to the CAD image, and then the position is aligned with the CAD image. The accuracy of alignment can be improved.
  • the optical image acquired for the semiconductor device and the CAD image corresponding to the semiconductor device can be accurately aligned.
  • FIG. 1 It is a schematic block diagram of the observation system 1 which concerns on embodiment.
  • A is a diagram showing an example of a first optical image that is the target of the reconstruction process, and (b) is a second view generated by the reconstruction process of the first optical image of (a).
  • the figure which shows an example of the optical image of (c) is a figure which shows an example of the first CAD image corresponding to the first optical image of (a).
  • (A) is a diagram showing an example of the first optical image stored in the storage unit 27 of FIG. 1, and (b) is the first optical image of (a) stored in the storage unit 27 of FIG. It is a figure which shows the 1st CAD image corresponding to.
  • FIG. 1 is a schematic configuration diagram of an observation system 1 which is a semiconductor inspection device according to an embodiment.
  • the observation system 1 shown in FIG. 1 is an optical system that acquires and processes images such as heat-generating images of semiconductor devices in order to inspect semiconductor devices such as logic LSIs, ICs (integrated circuits) such as memories, and power devices. ..
  • the observation system 1 includes an optical device (optical system) 13, an objective lens 15, and a stage 17 incorporating a plurality of detectors 3, a two-dimensional camera 5, a lighting device 7, a dichroic mirror 9, and a beam splitter 11 such as a half mirror. , Computer (Personal Computer) 19, tester 21, input device 23, and display device 25.
  • Computer Personal Computer
  • Each of the plurality of detectors 3 is a photodetector that detects light from the semiconductor device S mounted on the stage 17.
  • the detector 3 may be an imaging device such as an InGaAs (indium gallium arsenide) camera or an InSb (indium antimonide) camera having sensitivity to infrared wavelengths.
  • the detector 3 acquires an LSM (Laser Scanning Microscope) image or an EOFM (Electro Optical Frequency Mapping) image by detecting the reflected light while scanning the laser light two-dimensionally on the semiconductor device S. It may be a detection system that outputs a detection signal of.
  • Each of the plurality of detectors 3 is switched to and optically connectable to the optical device 13, and detects the light from the semiconductor device S via the objective lens 15 and the dichroic mirror 9 in the optical device 13. ..
  • the two-dimensional camera 5 is a camera incorporating a CCD (Charge Coupled Device) image sensor, a CMOS (Complementary Metal-Oxide Semiconductor) image sensor, and the like, and detects the reflected light from the semiconductor device S mounted on the stage 17. It is an optical detector that outputs a detection signal of a two-dimensional pattern image of a semiconductor device.
  • the two-dimensional camera 5 detects a two-dimensional pattern image of the semiconductor device S via the objective lens 15, the dichroic mirror 9 in the optical device 13, and the beam splitter 11.
  • the objective lens 15 is provided so as to face the semiconductor device S, and sets the magnification of the image formed on the plurality of detectors 3 and the two-dimensional camera 5.
  • the objective lens 15 includes a plurality of built-in lenses having different magnifications, and has a function of switching the built-in lens that forms an image on the detector 3 or the two-dimensional camera 5 between a high-magnification lens and a low-magnification lens.
  • the dichroic mirror 9 transmits light in a predetermined wavelength range in order to guide an image such as an emission image, a heat generation image, or a reflection image of the semiconductor device S to the detector 3, and two-dimensionally transmits a two-dimensional pattern image of the semiconductor device S.
  • Light having a wavelength other than the predetermined wavelength range is reflected in order to guide the light to the camera 5.
  • the beam splitter 11 transmits the pattern image reflected by the dichroic mirror 9 toward the two-dimensional camera 5, and reflects the illumination light for generating the two-dimensional pattern image emitted from the lighting device 7 toward the dichroic mirror 9.
  • the illumination light is applied to the semiconductor device S via the dichroic mirror 9 and the objective lens 15.
  • the tester 21 applies a predetermined electric signal test pattern, a predetermined voltage, or a predetermined current to the semiconductor device S. By applying this test pattern, light emission or heat generation due to a failure of the semiconductor device S is generated.
  • the computer 19 is an image processing device (processor) that processes the detection signals acquired by the detector 3 and the two-dimensional camera 5.
  • the computer 19 has a storage unit 27, an image processing unit (reception unit, image generation unit) 29, an image analysis unit (image conversion unit, alignment unit, output unit) 31, and control as functional components. It is composed of a unit 33.
  • the computer 19 includes an input device 23 such as a mouse and a keyboard for inputting data to the computer 19, and a display device (output unit) 25 such as a display device for displaying the image processing result by the computer 19. It is attached.
  • an arithmetic processing device such as a CPU of the computer 19 executes a computer program (image processing program) stored in a storage medium such as an internal memory of the computer 19 or a hard disk drive. It is a function to be realized.
  • the arithmetic processing unit of the computer 19 causes the computer 19 to function as each functional unit of FIG. 1 by executing this computer program, and sequentially executes the semiconductor inspection processing described later.
  • Various data necessary for executing the computer program and various data generated by executing the computer program are all stored in an internal memory such as a ROM or RAM of the computer 19 or a storage medium such as a hard disk drive.
  • the storage unit 27 is the first in which a light emission image acquired by the detector 3, a measurement image in which a heat generation image or the like is detected, and a pattern image of the semiconductor device S acquired by the detector 3 or the two-dimensional camera 5 are detected.
  • the optical image and the first CAD image showing the high-resolution pattern of the semiconductor device S created based on the CAD data acquired from the outside are stored.
  • the first optical image is an image showing the optical measurement result of the two-dimensional pattern of the semiconductor device S, and may be an image of the two-dimensional pattern detected by the two-dimensional camera 5, or a detector. It may be an LSM image based on the detection signal detected by 3.
  • the image processing unit 29 sequentially generates a measurement image and a first optical image based on a detection signal received from the detector 3 or the two-dimensional camera 5, and sequentially stores the measurement image and the first optical image.
  • the image processing unit 29 receives input of CAD data from an external storage unit 35 constructed in an external PC, a server device, or the like via the network NW, generates a first CAD image from the CAD data, and stores the storage unit.
  • This CAD data is based on design information regarding the layout of each layer such as the diffusion layer, the metal layer, the gate layer, and the element separation layer of the semiconductor device S, and is stored in an external PC or server device such as software called a layout viewer. Generated by.
  • This CAD data is used as a first CAD image showing a pattern image of the semiconductor device S.
  • the control unit 33 controls data processing in the computer 19 and processing of a device connected to the computer 19. Specifically, the control unit 33 emits illumination light by the illumination device 7, images by the plurality of detectors 3 and the two-dimensional camera 5, switches the connection of the plurality of detectors 3 to the optical device 13, and sets the objective lens 15. It controls switching of magnification, application of test patterns by tester 21, display of observation results by display device 25, and the like.
  • the image analysis unit 31 performs reconstruction processing, pattern conversion processing, and alignment processing on various images sequentially stored in the storage unit 27. Details of the functions of each process of the image analysis unit 31 will be described below.
  • the image analysis unit 31 generates a second optical image that resembles the first CAD image based on the first optical image described in the storage unit 27 (reconstruction processing).
  • reconstruction processing a plurality of first optical images are used as training data, and the first CAD image corresponding to the semiconductor device S targeted by those images is used as teacher data, which is a kind of machine learning, deep learning. It is executed using the learning model obtained as a result of pre-training by.
  • the learning model data obtained by the prior learning is stored in the storage unit 27 and is referred to during the subsequent reconstruction process.
  • CNN Convolutional Neural Network
  • FCN Frully Convolutional Networks
  • U-Net ResNet (Residual Network)
  • ResNet Residual Network
  • FIG. 2 shows an example of an image processed by the image analysis unit 31, in which (a) is the first optical image GA 1 and (b) which are LSM images to be reconstructed.
  • the second optical images GB 1 and (c) generated by the reconstruction process for the first optical image GA 1 of (a) are the first optical images corresponding to the first optical image of (a).
  • the CAD image GC 1 is shown respectively. In this way, the low-resolution and unclear portion of the first optical image GA 1 is converted to be closer to the first CAD image GC 1 by the reconstruction process, and is resembled to the first CAD image GC 1 as a whole.
  • the optical image GB 1 of 2 is generated.
  • the image analysis unit 31 generates a second CAD optical image that resembles the first optical image based on the first CAD image described in the storage unit 27 (pattern conversion processing).
  • pattern conversion processing a plurality of first CAD images were used as training data, and the first optical images acquired for the semiconductor device S corresponding to those images were used as teacher data, and were learned in advance by deep learning. It is executed using the resulting learning model.
  • a first optical image obtained by cutting out an arbitrary range on the semiconductor device S and performing enlargement processing and a first CAD image obtained by cutting out a position corresponding to the range and performing enlargement processing. Use multiple combinations with.
  • the data of the learning model obtained by such prior learning is stored in the storage unit 27 and referred to in the subsequent pattern conversion processing.
  • CNN, FCN, U-Net, ResNet, etc. are used as the learning model for deep learning, but the learning model is not limited to a specific one, and the number of nodes and the number of layers of the learning model are arbitrary. Can be set to.
  • the (a), shows a first example of an optical image GA 1 is stored LSM image in the storage unit 27, the (b), the first optical image GA 1 (a)
  • the first CAD image GC 1 representing the pattern image of the semiconductor device S corresponding to is shown.
  • not all the patterns of the first CAD image GC 1 appear in the image observed in the first optical image GA 1 , and some layers (gate layer or under the gate layer) do not appear.
  • the pattern of the diffusion layer and the element separation layer, etc.) mainly appears.
  • a shading image may appear in the corresponding portion of the pattern depending on how crowded the pattern of the first CAD image GC 1 is.
  • FIG. 4 shows an image of an image generated by the image analysis unit 31 by the pattern conversion process for the first CAD image GC 1 .
  • the image GC 4 is an image when a predetermined image correction process is directly applied to the first CAD image GC 1 .
  • FIG. 5 shows an image of the pattern conversion process by the image analysis unit 31 using the first CAD image GC 1 .
  • the first optical image is an optical observation from the surface of the semiconductor device S is generally although pattern P G of the gate layer is reflected, the pattern P D of the dummy is the process rule of the semiconductor device S first hardly appear in the optical image GA 1.
  • the image analysis unit 31 in advance by learning, the process of extracting the pattern P D of the dummy from the first CAD image GC 1, may be constructed as a learning model. Accordingly, the image analysis unit 31 may convert the second to the CAD image GC 2 by removing the dummy pattern P D on the first CAD image GC 1.
  • the diffusion layer and the element isolation layer disposed below the gate is sometimes causing the contrast of the pattern P G.
  • the optical image is formed from different layers according to the change in the structure of the semiconductor device for each generation.
  • the difference between the diffusion layer and the element separation layer may cause pattern contrast in the optical image, so the CAD image is preprocessed after appropriately extracting the information of the layer to be machine-learned. There is a need.
  • the image analysis unit 31 includes a range on the semiconductor device S of the second optical image GB 1 generated by the reconstruction process described above and the second optical image GB 1 generated by the pattern conversion process described above. Based on the third CAD image GC 3 corresponding to the above, alignment with respect to each other's image positions is performed by pattern matching between images. Then, the image analysis unit 31 measures the measurement image in which light emission, heat generation, etc. are detected by measuring the same range as the first optical image GA 1 using the alignment result, and the first CAD image GC. 1 is superimposed and displayed on the display device 25.
  • FIG. 6 is a flowchart showing the flow of pre-learning to generate a learning model of reconstruction processing
  • FIG. 7 is a flowchart showing a flow of pre-learning to generate a learning model of pattern conversion processing
  • FIG. It is a flowchart which shows the flow of the analysis process of a semiconductor device S.
  • Step S01 when the computer 19 starts learning the reconstruction process at an arbitrary timing such as a user operation, the detector 3, the two-dimensional camera 5, the lighting device 7, and the like are controlled. As a result, a plurality of first optical images of the semiconductor device S, which are training data, are acquired and stored in the storage unit 27 (step S01). Next, the computer 19 acquires a plurality of CAD data corresponding to the first optical image from the outside, and based on the CAD data, the first CAD image to be the teacher data is acquired and stored in the storage unit 27. (Step S02).
  • the image analysis unit 31 of the computer 19 constructs a learning model of the reconstruction process by deep learning. (Step S03). As a result, the data of the learning model acquired by the image analysis unit 31 is stored in the storage unit 27 (step S04).
  • a plurality of CAD data corresponding to the plurality of types of semiconductor devices S are acquired from the outside, and these are obtained.
  • a plurality of first CAD images to be training data are acquired based on the CAD data of the above and stored in the storage unit 27 (step S101).
  • the computer 19 controls the detector 3, the two-dimensional camera 5, the lighting device 7, and the like, so that a plurality of first optical images corresponding to the first CAD images, which are teacher data, are acquired and stored in the storage unit. It is stored in 27 (step S102).
  • the image analysis unit 31 of the computer 19 constructs a learning model of the pattern conversion process by deep learning. (Step S103). As a result, the data of the learning model acquired by the image analysis unit 31 is stored in the storage unit 27 (step S104).
  • Step S201 the CAD data of the semiconductor device S is acquired by the computer 19, and the first CAD image is generated based on the CAD data and stored in the storage unit 27 (step S203).
  • step S203 the process of steps S204 to S205 or the process of steps S206 to S207 is executed according to the user's selection input to the computer 19.
  • the image analysis unit 31 of the computer 19 refers to the data of the learning model stored in the storage unit 27 and performs pattern conversion processing on the first CAD image, so that the second CAD image is performed. Is acquired (step S204). After that, the image analysis unit 31 performs alignment based on the first optical image and the third CAD image obtained by applying a predetermined image correction process to the second CAD image. Finally, the image analysis unit 31 superimposes the measurement image on the first CAD image and displays it on the display device 25 using the alignment result (step S205).
  • the image analysis unit 31 refers to the data of the learning model stored in the storage unit 27 and performs reconstruction processing on the first optical image, so that the second optical image is acquired. (Step S206). After that, the image analysis unit 31 performs alignment based on the second optical image and the first CAD image. Finally, the image analysis unit 31 superimposes the measurement image on the first CAD image and displays it on the display device 25 using the alignment result (step S207).
  • the first optical image reflecting the light from the semiconductor device S and the first CAD image showing the pattern image of the semiconductor device S are acquired, and the first CAD image is acquired.
  • the CAD image 1 is converted into a second CAD image that resembles the first optical image by a conversion process based on the result of learning by machine learning, and the second CAD image and the first optical image are combined. Aligned.
  • the semiconductor device S to which various process rules are applied is targeted for inspection, the pattern on the CAD image is converted so as to be closer to the optical image and then aligned with the optical image. The accuracy of the image can be improved.
  • the first optical image is converted into a second optical image resembling the first CAD image by a reconstruction process based on the learning result by machine learning, and the second optical image is converted into the second optical image.
  • the optical image and the first CAD image are aligned.
  • the unclear portion on the optical image is converted so as to be closer to the CAD image, and then the image is aligned with the CAD image. The accuracy of alignment can be improved.
  • deep learning is adopted as machine learning.
  • the semiconductor device S to which various process rules are applied is targeted for inspection, either one of the CAD image and the optical image can be effectively converted so as to be closer to the other.
  • the image analysis unit 31 of the computer 19 learns using the first optical image and the first CAD image at the positions corresponding to each other on the semiconductor device S. With such a function, it is possible to efficiently construct a conversion process or a reconstruction process for making either one of the CAD image and the optical image resemble the other, and it is possible to efficiently realize the alignment.
  • a second CAD image can be generated by extracting a dummy pattern as a specific pattern from the first CAD image.
  • the density of the dummy pattern and the pattern other than the dummy are different, so that the contrast in the optical image may be different.
  • the generation or type of semiconductor device is learned by learning how the above dummy pattern is optically displayed. Even if the image changes, the optimum conversion for bringing the image closer to the optical image can be realized, so that the image analysis unit 31 that executes this conversion can efficiently realize highly accurate alignment.
  • the image analysis unit 31 of the present embodiment has a function of superimposing and outputting the measurement image obtained corresponding to the first optical image and the first CAD image based on the alignment result. .. With such a function, the inspection position in the measurement image can be easily visually recognized.
  • the image analysis unit 31 of the above embodiment superimposes and displays the measurement image and the first CAD image using the alignment result, but the first CAD image or the first CAD image is displayed. Only the CAD data on which the image is based may be displayed.
  • the computer 19 may have a function of setting an analysis position to irradiate light based on the result of alignment on the displayed first CAD image or CAD data. Further, the computer 19 may have a function of superimposing and displaying a signal such as a light emission signal detected from the semiconductor device S on the CAD data based on the alignment result.
  • a specific pattern may be extracted from the first CAD image by a conversion process to convert it into a second CAD image.
  • the CAD image can be converted so as to effectively resemble the optical image, and highly accurate alignment can be efficiently realized.
  • the above specific pattern may be a dummy pattern. In this case, more accurate alignment can be realized.
  • the machine learning may be deep learning.
  • the image can be effectively converted so that either one of the CAD image and the optical image is brought closer to the other.
  • learning may be performed using the first optical image and the first CAD image at positions corresponding to each other on the semiconductor device.
  • an output unit or a step may be further provided to superimpose and output the image obtained corresponding to the first optical image and the first CAD image based on the alignment result. If such an output unit or step is provided, the inspection position in the optical image can be easily visually recognized.
  • a semiconductor inspection device for inspecting a semiconductor device and a semiconductor inspection method are used, and an optical image acquired for the semiconductor device and a CAD image corresponding to the semiconductor device can be accurately aligned. It is a thing.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

観察システム１は、半導体デバイスＳからの光を検出して検出信号を出力する検出器３、２次元カメラ５と、光を検出器３及び２次元カメラ５に導く光学装置１３と、検出信号に基づいて半導体デバイスＳの第１の光学画像を生成し、第１のＣＡＤ画像の入力を受け付ける画像処理部２９と、第１の光学画像を教師データとして用いて第１のＣＡＤ画像の変換処理を機械学習によって学習し、当該学習の結果に基づいた変換処理により、第１のＣＡＤ画像を第１の光学画像に似せた第２のＣＡＤ画像に変換する画像解析部３１と、第２の光学画像と第２のＣＡＤ画像に基づいて位置合わせを行う位置合わせ部と、を備える。

Description

半導体検査装置及び半導体検査方法
　本開示は、半導体デバイスを検査する半導体検査装置及び半導体検査方法に関する。
　従来から、半導体デバイスを検査対象デバイス（ＤＵＴ：ｄｅｖｉｃｅ　ｕｎｄｅｒ　ｔｅｓｔ）として画像を取得して、その画像を基に故障箇所の分析等の各種分析が行われている（下記特許文献１および下記特許文献２参照）。例えば、下記特許文献１には、ＬＳＭ画像等の光学画像を高解像度化して再構成画像を生成し、ＣＡＤデータの複数のレイヤを基に第２のＣＡＤ画像を生成し、再構成画像を第２のＣＡＤ画像に対してアライメントすることが開示されている。このような方法によれば、光学画像の正確なアライメントが可能となる。
米国特許２０１８／０２９３３４６号公報 国際公開２０１５／０９８３４２号公報
　近年では、様々なプロセスルールが適用された半導体デバイスが普及してきている。様々なプロセスルールが適用された半導体デバイスを対象に、上記従来の方法を用いて検査を行う場合に、光学画像をＣＡＤ画像に対して精度よく位置合わせすることが困難となる場合があった。
　実施形態は、かかる課題に鑑みてなされたものであり、半導体デバイスを対象に取得された光学画像とその半導体デバイスに対応するＣＡＤ画像とを精度よく位置合わせすることが可能な半導体検査装置を提供することを課題とする。
　本開示の一形態の半導体検査装置は、半導体デバイスからの光を検出して検出信号を出力する光検出器と、光を光検出器に導く光学系と、検出信号に基づいて、半導体デバイスの光学画像である第１の光学画像を生成する画像生成部と、第１のＣＡＤ画像の入力を受け付ける受付部と、光学画像を教師データとして用いて第１のＣＡＤ画像の変換処理を機械学習によって学習し、当該学習の結果に基づいた変換処理により、第１のＣＡＤ画像を光学画像に似せた第２のＣＡＤ画像に変換する画像変換部と、光学画像と第２のＣＡＤ画像に基づいて位置合わせを行う位置合わせ部と、を備える。
　あるいは、本開示の他の形態の半導体検査方法は、半導体デバイスからの光を光学系を介して検出して検出信号を出力するステップと、検出信号に基づいて、半導体デバイスの光学画像である第１の光学画像を生成するステップと、第１のＣＡＤ画像の入力を受け付けるステップと、光学画像を教師データとして用いて第１のＣＡＤ画像の変換処理を機械学習によって学習し、当該学習の結果に基づいた変換処理により、第１のＣＡＤ画像を光学画像に似せた第２のＣＡＤ画像に変換するステップと、光学画像と第２のＣＡＤ画像に基づいて位置合わせを行うステップと、を備える。
　上記一形態あるいは上記他の形態によれば、半導体デバイスからの光を反映した光学画像と第１のＣＡＤ画像とが取得され、第１のＣＡＤ画像が機械学習による学習の結果に基づいた変換処理により、光学画像に似せた第２のＣＡＤ画像に変換され、その第２のＣＡＤ画像と光学画像とが位置合わせされる。これにより、様々なプロセスルールが適用された半導体デバイスを検査対象にした場合に、ＣＡＤ画像上におけるパターンを光学画像に寄せるように変換してから光学画像と位置合わせをすることにより、位置合わせの精度を高めることができる。
　本開示の他の形態の半導体検査装置は、半導体デバイスからの光を検出して検出信号を出力する光検出器と、光を光検出器に導く光学系と、検出信号に基づいて、半導体デバイスの光学画像である第１の光学画像を生成する画像生成部と、第１のＣＡＤ画像の入力を受け付ける受付部と、第１のＣＡＤ画像を教師データとして用いて第１の光学画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた再構成処理により、第１の光学画像を第１のＣＡＤ画像に似せた第２の光学画像に再構成する画像変換部と、第２の光学画像と第１のＣＡＤ画像に基づいて位置合わせを行う位置合わせ部と、を備える。
　あるいは、本開示の他の形態の半導体検査方法は、半導体デバイスからの光を光学系を介して検出して検出信号を出力するステップと、検出信号に基づいて、半導体デバイスの光学画像である第１の光学画像を生成するステップと、第１のＣＡＤ画像の入力を受け付けるステップと、第１のＣＡＤ画像を教師データとして用いて第１の光学画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた再構成処理により、第１の光学画像を第１のＣＡＤ画像に似せた第２の光学画像に再構成するステップと、第２の光学画像と第１のＣＡＤ画像に基づいて位置合わせを行うステップと、を備える。
　上記他の形態によれば、半導体デバイスからの光を反映した光学画像と第１のＣＡＤ画像とが取得され、光学画像が機械学習による学習の結果に基づいた再構成処理により、第１のＣＡＤ画像に似せた第２の光学画像に変換され、その第２の光学画像と第１のＣＡＤ画像とが位置合わせされる。これにより、様々なプロセスルールが適用された半導体デバイスを検査対象にした場合に、光学画像上における不鮮明な部分をＣＡＤ画像に寄せるように変換してからＣＡＤ画像と位置合わせをすることにより、位置合わせの精度を高めることができる。
　実施形態によれば、半導体デバイスを対象に取得された光学画像とその半導体デバイスに対応するＣＡＤ画像とを精度よく位置合わせできる。
実施形態にかかる観察システム１の概略構成図である。 （ａ）は、再構成処理の対象である第１の光学画像の一例を示す図、（ｂ）は、（ａ）の第１の光学画像を対象にした再構成処理により生成された第２の光学画像一例を示す図、（ｃ）は、（ａ）の第１の光学画像に対応する第１のＣＡＤ画像の一例を示す図である。 （ａ）は、図１の記憶部２７に記憶された第１の光学画像の一例を示す図、（ｂ）は、図１の記憶部２７に記憶された（ａ）の第１の光学画像に対応する第１のＣＡＤ画像を示す図である。 図１の画像解析部３１によって、第１のＣＡＤ画像ＧＣ１を対象としたパターン変換処理によって生成された画像のイメージを示す図である。 第１のＣＡＤ画像ＧＣ１を用いた画像解析部３１によるパターン変換処理のイメージを示す図である。 観察システム１による再構成処理の学習モデルを生成する事前学習の処理の流れを示すフローチャートである。 観察システム１によるパターン変換処理の学習モデルを生成する事前学習の処理の流れを示すフローチャートである。 観察システム１による半導体デバイスＳの解析処理の流れを示すフローチャートである。
　以下、添付図面を参照して、本開示の実施形態について詳細に説明する。なお、説明において、同一要素又は同一機能を有する要素には、同一符号を用いることとし、重複する説明は省略する。
　図１は、実施形態にかかる半導体検査装置である観察システム１の概略構成図である。図１に示す観察システム１は、ロジックＬＳＩ、メモリ等のＩＣ（集積回路）、パワーデバイス等の半導体デバイスを検査するために、半導体デバイスの発熱像等の画像を取得及び処理する光学システムである。この観察システム１は、複数の検出器３、２次元カメラ５、照明装置７、ダイクロイックミラー９とハーフミラーなどのビームスプリッタ１１とを内蔵する光学装置（光学系）１３、対物レンズ１５、ステージ１７、コンピュータ（Personal　Computer）１９、テスタ２１、入力装置２３、及び表示装置２５を含んで構成されている。
　複数の検出器３は、それぞれ、ステージ１７に載置される半導体デバイスＳからの光を検出する光検出器である。例えば、検出器３は、赤外波長に感度を持つＩｎＧａＡｓ（インジウムガリウムアーセナイド）カメラ、ＩｎＳｂ（インジウムアンチモン）カメラ等の撮像装置であってもよい。また、検出器３は、レーザ光を半導体デバイスＳ上で２次元的に走査しながら反射光を検出することにより、ＬＳＭ（Laser　Scanning　Microscope）画像またはＥＯＦＭ（Electro　Optical　Frequency　Mapping）画像を取得するための検出信号を出力する検出システムであってもよい。複数の検出器３は、それぞれ、光学装置１３に対して切り替えて光学的に接続可能にされ、半導体デバイスＳからの光を、対物レンズ１５及び光学装置１３内のダイクロイックミラー９を介して検出する。
　２次元カメラ５は、ＣＣＤ（Charge Coupled Device）イメージセンサ、ＣＭＯＳ（Complementary Metal-Oxide Semiconductor）イメージセンサ等を内蔵するカメラであり、ステージ１７に載置される半導体デバイスＳからの反射光を検出して半導体デバイスの２次元パターン像の検出信号を出力する光検出器である。この２次元カメラ５は、対物レンズ１５と、光学装置１３内のダイクロイックミラー９及びビームスプリッタ１１とを介して半導体デバイスＳの２次元パターン像を検出する。
　対物レンズ１５は、半導体デバイスＳに対向して設けられ、複数の検出器３及び２次元カメラ５に結像する像の倍率を設定する。この対物レンズ１５には、複数の倍率の異なる内蔵レンズが含まれ、検出器３或いは２次元カメラ５に像を結ぶ内蔵レンズを、高倍率レンズと低倍率レンズとの間で切り替える機能を有する。
　ダイクロイックミラー９は、半導体デバイスＳの発光像、発熱像、反射像等の像を検出器３に導光するために所定波長範囲の光を透過し、半導体デバイスＳの２次元パターン像を２次元カメラ５に導光するために所定波長範囲以外の波長の光を反射させる。ビームスプリッタ１１は、ダイクロイックミラー９によって反射されたパターン像を２次元カメラ５に向けて透過させるとともに、照明装置７から出射された２次元パターン像生成用の照明光をダイクロイックミラー９に向けて反射させることにより、その照明光をダイクロイックミラー９及び対物レンズ１５を経由して半導体デバイスＳに照射する。
　テスタ２１は、半導体デバイスＳに所定の電気信号のテストパターン、所定の電圧、又は所定の電流を印加する。このテストパターンの印加によって、半導体デバイスＳの故障に起因する発光あるいは発熱が発生する。
　コンピュータ１９は、検出器３及び２次元カメラ５で取得された検出信号を処理する画像処理装置（プロセッサ）である。詳細には、コンピュータ１９は、機能的構成要素として、記憶部２７、画像処理部（受付部、画像生成部）２９、画像解析部（画像変換部、位置合わせ部、出力部）３１、及び制御部３３により構成されている。また、コンピュータ１９には、コンピュータ１９に対してデータを入力するためのマウス、キーボード等の入力装置２３、コンピュータ１９による画像処理結果を表示するためのディスプレイ装置等の表示装置（出力部）２５が付属している。
　図１に示すコンピュータ１９の各機能部は、コンピュータ１９のＣＰＵ等の演算処理装置がコンピュータ１９の内蔵メモリやハードディスクドライブなどの記憶媒体に格納されたコンピュータプログラム（画像処理プログラム）を実行することによって実現される機能である。コンピュータ１９の演算処理装置は、このコンピュータプログラムを実行することによってコンピュータ１９を図１の各機能部として機能させ、後述する半導体検査処理を順次実行する。このコンピュータプログラムの実行に必要な各種データ、及び、このコンピュータプログラムの実行によって生成された各種データは、全て、コンピュータ１９のＲＯＭやＲＡＭ等の内蔵メモリやハードディスクドライブなどの記憶媒体に格納される。
　ここで、コンピュータ１９の各機能部の機能について説明する。
　記憶部２７は、検出器３によって取得された発光像、発熱像等が検出された測定画像、検出器３あるいは２次元カメラ５によって取得された半導体デバイスＳのパターン像が検出された第１の光学画像、及び外部から取得されたＣＡＤデータを基に作成された半導体デバイスＳの高分解能のパターンを示す第１のＣＡＤ画像を記憶する。第１の光学画像は、半導体デバイスＳの二次元的なパターンの光学的な測定結果を表す画像であり、２次元カメラ５によって検出された２次元パターンの画像であってもよいし、検出器３によって検出された検出信号に基づくＬＳＭ画像であってもよい。画像処理部２９は、検出器３あるいは２次元カメラ５から受信した検出信号を基に、測定画像及び第１の光学画像を順次生成し、それらの測定画像及び第１の光学画像を順次記憶部２７に記憶させる。また、画像処理部２９は、外部のＰＣあるいはサーバ装置等に構築された外部記憶部３５からネットワークＮＷを介してＣＡＤデータの入力を受け付け、ＣＡＤデータから第１のＣＡＤ画像を生成して記憶部２７に記憶させる。このＣＡＤデータは、半導体デバイスＳの拡散層、メタル層、ゲート層、素子分離層等の各層のレイアウトに関する設計情報に基づいて、外部のＰＣあるいはサーバ装置等に格納されたレイアウトビューアと呼ばれるソフトウェア等によって生成される。このＣＡＤデータを半導体デバイスＳのパターン像を表した第１のＣＡＤ画像として使用する。
　制御部３３は、コンピュータ１９におけるデータ処理、及びコンピュータ１９に接続されたデバイスの処理を制御する。詳細には、制御部３３は、照明装置７による照明光の出射、複数の検出器３及び２次元カメラ５による撮像、複数の検出器３の光学装置１３への接続の切り替え、対物レンズ１５の倍率の切り替え、テスタ２１によるテストパターンの印加、表示装置２５による観察結果の表示等を制御する。
　画像解析部３１は、記憶部２７に順次記憶される各種画像を対象に、再構成処理、パターン変換処理、及び位置合わせ処理を施す。画像解析部３１の各処理の機能の詳細について以下に述べる。
　画像解析部３１は、記憶部２７に記載された第１の光学画像を基に第１のＣＡＤ画像に似せた第２の光学画像を生成する（再構成処理）。この再構成処理は、複数の第１の光学画像を訓練データとして、それらの画像の対象となった半導体デバイスＳに対応する第１のＣＡＤ画像を教師データとして、機械学習の一種であるディープラーニングによって事前に学習した結果得られた学習モデルを用いて実行される。事前の学習によって得られる学習モデルのデータは記憶部２７に記憶され、その後の再構成処理時に参照される。例えば、ディープラーニングの学習モデルとしては、ＣＮＮ（Convolutional　Neural　Network）、ＦＣＮ（Fully　Convolutional　Networks）、Ｕ－Ｎｅｔ、ＲｅｓＮｅｔ（Residual　Network）等が使用されるが、特定のものには限定されず、学習モデルのノードの数、層の数は任意に設定されうる。
　図２には、画像解析部３１によって処理された画像の一例を示しており、（ａ）は、再構成処理の対象であるＬＳＭ画像である第１の光学画像ＧＡ１、（ｂ）は、（ａ）の第１の光学画像ＧＡ１を対象にした再構成処理により生成された第２の光学画像ＧＢ１、（ｃ）は、（ａ）の第１の光学画像に対応する第１のＣＡＤ画像ＧＣ１を、それぞれ示す。このように、第１の光学画像ＧＡ１の低分解能で不鮮明な部分が再構成処理によって第１のＣＡＤ画像ＧＣ１に近づけるように変換され、全体として第１のＣＡＤ画像ＧＣ１に似せた第２の光学画像ＧＢ１が生成される。
　また、画像解析部３１は、記憶部２７に記載された第１のＣＡＤ画像を基に第１の光学画像に似せた第２のＣＡＤ光学画像を生成する（パターン変換処理）。このパターン変換処理は、複数の第１のＣＡＤ画像を訓練データとして、それらの画像に対応する半導体デバイスＳを対象に取得された第１の光学画像を教師データとして、ディープラーニングによって事前に学習した結果得られた学習モデルを用いて実行される。事前の学習には、半導体デバイスＳ上の任意の範囲を切り出して拡大処理を施した第１の光学画像と、その範囲に対応する位置が切り出されて拡大処理が施された第１のＣＡＤ画像との組み合わせを複数用いる。このような事前の学習によって得られる学習モデルのデータは記憶部２７に記憶され、その後のパターン変換処理時に参照される。上記と同様に、ディープラーニングの学習モデルとしては、ＣＮＮ、ＦＣＮ、Ｕ－Ｎｅｔ、ＲｅｓＮｅｔ等が使用されるが、特定のものには限定されず、学習モデルのノードの数、層の数は任意に設定されうる。
　図３において、（ａ）には、記憶部２７に記憶されたＬＳＭ画像である第１の光学画像ＧＡ１の一例を示し、（ｂ）には、（ａ）の第１の光学画像ＧＡ１に対応する半導体デバイスＳのパターン像を表す第１のＣＡＤ画像ＧＣ１を示す。このように、第１の光学画像ＧＡ１において観察される像には第１のＣＡＤ画像ＧＣ１のパターンの全てが現れるわけではなく、一部の層（ゲート層、あるいは、ゲート層の下の拡散層と素子分離層など）のパターンが主に現れる。また、第１の光学画像ＧＡ１においては、第１のＣＡＤ画像ＧＣ１のパターンの混み具合によってそのパターンの対応する部分に濃淡像が現れる場合もある。
　図４には、画像解析部３１によって、第１のＣＡＤ画像ＧＣ１を対象としたパターン変換処理によって生成された画像のイメージを示す。画像解析部３１は、第１のＣＡＤ画像ＧＣ１に事前のパターン変換処理を施すことにより第２のＣＡＤ画像ＧＣ２を生成し、さらに、第２のＣＡＤ画像ＧＣ２に所定の画像補正処理、すなわち、ガウスぼかし及びガンマ補正を施すことにより第３のＣＡＤ画像ＧＣ３を生成する。また、画像ＧＣ４は、仮に第１のＣＡＤ画像ＧＣ１に直接所定の画像補正処理を施した場合の画像である。このように、パターン変換処理が施された第２のＣＡＤ画像ＧＣ２においては、第１の光学画像ＧＡ１（図３（ａ））に近づくような画像になるように一部の所定のパターンが削除されている。その結果、第２のＣＡＤ画像ＧＣ２にぼかし処理等が加えられて生成された第３のＣＡＤ画像ＧＣ３は、全体のイメージが第１の光学画像ＧＡ１のイメージに近くなっている。一方で、第１のＣＡＤ画像ＧＣ１に直接ぼかし処理等が加えられた画像ＧＣ４は、全体のコントラストが弱い画像に変換されてしまっており、第１の光学画像ＧＡ１のイメージには遠くなっている。
　図５には、第１のＣＡＤ画像ＧＣ１を用いた画像解析部３１によるパターン変換処理のイメージを示す。半導体デバイスＳの面からの光の観察結果である第１の光学画像には、一般にゲート層のパターンＰＧが反映されるが、ダミーのパターンＰＤは半導体デバイスＳのプロセスルールによっては第１の光学画像ＧＡ１には表れにくくなる。画像解析部３１は、事前の学習により、このダミーのパターンＰＤを第１のＣＡＤ画像ＧＣ１から抜き出す処理を、学習モデルとして構築することができる。これにより、画像解析部３１は、第１のＣＡＤ画像ＧＣ１上のダミーのパターンＰＤを削除することで第２のＣＡＤ画像ＧＣ２に変換することができる。
　このようにＣＡＤ像を光学像と類似の画像に変換するためには、通常の操作では特別な前処理が必要である。一方、機械学習を適用することによって、このような前処理は自動的に実行されることになる。機械学習によって、上記のようなダミーのパターンＰＤを光学像に似せるためには明るい箇所と表示するのが適切であると判断され、ピッチの細かい他のゲートパターンは光学像に似せるためには暗い箇所と表示するのが適切であると判断される。一方、デバイスルールによってはゲート層に形成されたダミーパターンが光学的に明るく表示されることが適切とは限らず、暗く表示されることが適切なケースもある。半導体デバイスＳの同一箇所のＣＡＤ像と光学像とを用いて機械学習させることによって、デバイスルールによらず、両者を対応させることによる前処理の自動的な実行が可能となる。
　なお、近年の先端デバイスではゲートのパターンよりも、ゲートの下に配置されている拡散層と素子分離層がパターンＰＧのコントラストを生じさせることもある。この場合、半導体デバイスの世代毎における構造の変化に応じた、異なる層から形成された光画像となる。このように、先端デバイスでは拡散層と素子分離層による違いが光画像におけるパターンコントラストの要因となることもあるため、適切に機械学習させる層の情報を抽出した上で、ＣＡＤ画像を前処理する必要がある。
　さらに、画像解析部３１は、上述した再構成処理によって生成された第２の光学画像ＧＢ１と、上述したパターン変換処理によって生成された、第２の光学画像ＧＢ１の半導体デバイスＳ上の範囲に対応する第３のＣＡＤ画像ＧＣ３とに基づいて、互いの画像位置に関する位置合わせを、画像間のパターンマッチングによって実行する。そして、画像解析部３１は、位置合わせの結果を用いて、第１の光学画像ＧＡ１と同一の範囲を測定することによって発光、発熱等が検出された測定画像と、第１のＣＡＤ画像ＧＣ１とを重畳して表示装置２５に表示させる。
　次に、観察システム１によって実行される及び半導体検査方法の処理の手順について、図６～図８を参照しながら説明する。図６は、再構成処理の学習モデルを生成する事前学習の処理の流れを示すフローチャート、図７は、パターン変換処理の学習モデルを生成する事前学習の処理の流れを示すフローチャート、図８は、半導体デバイスＳの解析処理の流れを示すフローチャートである。
　まず、図６を参照して、コンピュータ１９によって、ユーザの操作等の任意のタイミングで再構成処理の学習が開始されると、検出器３、２次元カメラ５、照明装置７等が制御されることにより、訓練データである半導体デバイスＳの第１の光学画像が複数取得され記憶部２７に保存される（ステップＳ０１）。次に、コンピュータ１９によって、第１の光学画像に対応するＣＡＤデータが外部から複数取得され、それらのＣＡＤデータを基に教師データとなる第１のＣＡＤ画像が取得され記憶部２７に保存される（ステップＳ０２）。
　その後、記憶部２７に保存された第１の光学画像と第１のＣＡＤ画像との複数の組み合わせを用いて、コンピュータ１９の画像解析部３１により、ディープラーニングにより再構成処理の学習モデルが構築される（ステップＳ０３）。その結果、画像解析部３１により、取得された学習モデルのデータは記憶部２７に記憶される（ステップＳ０４）。
　図７を参照して、コンピュータ１９によって、ユーザの操作等の任意のタイミングでパターン変換処理の学習が開始されると、複数種類の半導体デバイスＳに対応するＣＡＤデータが外部から複数取得され、それらのＣＡＤデータを基に訓練データとなる第１のＣＡＤ画像が複数取得され記憶部２７に保存される（ステップＳ１０１）。次に、コンピュータ１９によって、検出器３、２次元カメラ５、照明装置７等が制御されることにより、教師データである第１のＣＡＤ画像に対応する第１の光学画像が複数取得され記憶部２７に保存される（ステップＳ１０２）。
　その後、記憶部２７に保存された第１のＣＡＤ画像と第１の光学画像との複数の組み合わせを用いて、コンピュータ１９の画像解析部３１により、ディープラーニングによりパターン変換処理の学習モデルが構築される（ステップＳ１０３）。その結果、画像解析部３１により、取得された学習モデルのデータは記憶部２７に記憶される（ステップＳ１０４）。
　図８を参照して、再構成処理の学習モデル及びパターン変換処理の学習モデルの構築後の半導体デバイスＳの解析処理の手順を説明する。最初に、コンピュータ１９によって、検出器３、２次元カメラ５、照明装置７等が制御されることにより、半導体デバイスＳを対象にした第１の光学画像及び測定画像が取得され記憶部２７に保存される（ステップＳ２０１、ステップＳ２０２）。そして、コンピュータ１９によって半導体デバイスＳのＣＡＤデータが取得され、そのＣＡＤデータを基に第１のＣＡＤ画像が生成されて記憶部２７に保存される（ステップＳ２０３）。その後、コンピュータ１９へのユーザの選択入力に応じて、ステップＳ２０４～Ｓ２０５の処理と、ステップＳ２０６～Ｓ２０７の処理とのいずれかが実行される。
　すなわち、コンピュータ１９の画像解析部３１により、第１のＣＡＤ画像を対象に、記憶部２７に記憶された学習モデルのデータが参照されてパターン変換処理が施されることにより、第２のＣＡＤ画像が取得される（ステップＳ２０４）。その後、画像解析部３１により、第１の光学画像と、第２のＣＡＤ画像に所定の画像補正処理が加えられた第３のＣＡＤ画像とに基づいて位置合わせが行われる。最後に、画像解析部３１によって、その位置合わせの結果を用いて、測定画像が第１のＣＡＤ画像と重畳されて表示装置２５上に表示される（ステップＳ２０５）。
　また、画像解析部３１により、第１の光学画像を対象に、記憶部２７に記憶された学習モデルのデータが参照されて再構成処理が施されることにより、第２の光学画像が取得される（ステップＳ２０６）。その後、画像解析部３１により、第２の光学画像と、第１のＣＡＤ画像とに基づいて位置合わせが行われる。最後に、画像解析部３１によって、その位置合わせの結果を用いて、測定画像が第１のＣＡＤ画像と重畳されて表示装置２５上に表示される（ステップＳ２０７）。
　以上説明した本実施形態にかかる観察システム１によれば、半導体デバイスＳからの光を反映した第１の光学画像と、半導体デバイスＳのパターン像を示す第１のＣＡＤ画像とが取得され、第１のＣＡＤ画像が機械学習による学習の結果に基づいた変換処理により、第１の光学画像に似せた第２のＣＡＤ画像に変換され、その第２のＣＡＤ画像と、第１の光学画像とが位置合わせされる。これにより、様々なプロセスルールが適用された半導体デバイスＳを検査対象にした場合に、ＣＡＤ画像上におけるパターンを光学画像に寄せるように変換してから光学画像と位置合わせをすることにより、位置合わせの精度を高めることができる。
　また、観察システム１によれば、第１の光学画像が機械学習による学習の結果に基づいた再構成処理により、第１のＣＡＤ画像に似せた第２の光学画像に変換され、その第２の光学画像と、第１のＣＡＤ画像とが位置合わせされる。これにより、様々なプロセスルールが適用された半導体デバイスＳを検査対象にした場合に、光学画像上における不鮮明な部分をＣＡＤ画像に寄せるように変換してからＣＡＤ画像と位置合わせをすることにより、位置合わせの精度を高めることができる。
　特に、本実施形態においては機械学習としてディープラーニングが採用されている。この場合、様々なプロセスルールが適用された半導体デバイスＳを検査対象にした場合であっても、ＣＡＤ画像と光学画像のどちらか一方を他方に寄せるように効果的に変換することができる。
　また、本実施形態では、コンピュータ１９の画像解析部３１により、半導体デバイスＳ上の互いに対応する位置における第１の光学画像及び第１のＣＡＤ画像を用いて学習される。このような機能により、ＣＡＤ画像と光学画像のどちらか一方を他方に似せるようにするための変換処理あるいは再構成処理を効率的に構築することができ、効率的に位置合わせを実現できる。
　ここで、機械学習を適用しない変換処理を用いた場合は、第１のＣＡＤ画像から特定のパターンとしてダミーパターンを抜き出すことで、第２のＣＡＤ画像を生成できる。例えば、半導体デバイスの世代あるいは種類によってはダミーパターンとダミー以外のパターンとでパターンの密度が異なることから光学画像におけるコントラストが異なる場合がある。その場合には、ダミーパターンのコントラストを合わせることによりＣＡＤ画像を光学画像に似せるように変換する必要がある。一方で、本実施形態のように機械学習を適用する変換処理の場合は、上記のようなダミーパターンが光学的にどのように表示されるかを学習することで、半導体のデバイスの世代あるいは種類が変化しても、光学画像へ近づけるための最適な変換が実現できるため、この変換を実行する画像解析部３１によって精度の高い位置合わせを効率的に実現できる。
　また、本実施形態の画像解析部３１は、位置合わせの結果を基に、第１の光学画像に対応して得られた測定画像と第１のＣＡＤ画像とを重畳して出力する機能を有する。このような機能により、測定画像における検査位置を視覚的に容易に認識させることができる。
　以上、本開示の種々の実施形態について説明したが、本開示は上記実施形態に限定されるものではなく、各請求項に記載した要旨を変更しない範囲で変形し、又は他のものに適用したものであってもよい。
　例えば、上記実施形態の画像解析部３１は、測定画像と第１のＣＡＤ画像とを位置合わせの結果を用いて重畳して表示させていたが、第１のＣＡＤ画像、あるいは第１のＣＡＤ画像の基となったＣＡＤデータのみを表示させてもよい。この場合、コンピュータ１９は、表示された第１のＣＡＤ画像あるいはＣＡＤデータ上で、位置合わせの結果に基づいて光を照射する解析位置を設定させる機能を有していてもよい。また、コンピュータ１９は、半導体デバイスＳから検出された発光信号等の信号を、位置合わせの結果を基にＣＡＤデータに重畳して表示させる機能を有していてもよい。このように分解能の高いＣＡＤデータを表示させることにより、ユーザにとって位置の認識が容易となる。
　上記実施形態においては、変換処理により、第１のＣＡＤ画像から特定のパターンを抜き出すことで第２のＣＡＤ画像に変換してもよい。こうすれば、ＣＡＤ画像を光学画像に効果的に似せるように変換でき、精度の高い位置合わせを効率的に実現できる。
　ここで、上記の特定のパターンはダミーパターンであってもよい。この場合、より精度の高い位置合わせを実現できる。
　上記実施形態においては、機械学習は、ディープラーニングであってもよい。この場合、様々なプロセスルールが適用された半導体デバイスを検査対象にした場合であっても、ＣＡＤ画像と光学画像のどちらか一方を他方に寄せるように効果的に画像を変換することができる。
　また、半導体デバイス上の互いに対応する位置における第１の光学画像及び第１のＣＡＤ画像を用いて学習してもよい。かかる構成を採れば、ＣＡＤ画像と光学画像のどちらか一方を他方に似せるようにするための画像の変換処理を効率的に構築することができ、効率的に位置合わせを実現できる。
　また、位置合わせの結果を基に、第１の光学画像に対応して得られた画像と第１のＣＡＤ画像とを重畳して出力する出力部あるいはステップをさらに備えていてもよい。かかる出力部あるいはステップを備えれば、光学画像における検査位置を視覚的に容易に認識させることができる。
　実施形態は、半導体デバイスを検査する半導体検査装置及び半導体検査方法を使用用途とし、半導体デバイスを対象に取得された光学画像とその半導体デバイスに対応するＣＡＤ画像とを精度よく位置合わせすることができるものである。
　１…観察システム、３…検出器（光検出器）、５…２次元カメラ（光検出器）、１３…光学装置（光学系）、１９…コンピュータ、２９…画像処理部（受付部、画像生成部）、３１…画像解析部（画像変換部、位置合わせ部）、Ｓ…半導体デバイス。

Claims (14)

  1. 　半導体デバイスからの光を検出して検出信号を出力する光検出器と、
    　前記光を前記光検出器に導く光学系と、
    　前記検出信号に基づいて、前記半導体デバイスの光学画像である第１の光学画像を生成する画像生成部と、
    　第１のＣＡＤ画像の入力を受け付ける受付部と、
    　前記光学画像を教師データとして用いて前記第１のＣＡＤ画像の変換処理を機械学習によって学習し、当該学習の結果に基づいた前記変換処理により、前記第１のＣＡＤ画像を前記光学画像に似せた第２のＣＡＤ画像に変換する画像変換部と、
    　前記光学画像と前記第２のＣＡＤ画像に基づいて位置合わせを行う位置合わせ部と、
    を備える半導体検査装置。
  2. 　前記画像変換部は、前記変換処理により、前記第１のＣＡＤ画像から特定のパターンを抜き出すことで前記第２のＣＡＤ画像に変換する、
    請求項１に記載の半導体検査装置。
  3. 　前記特定のパターンはダミーパターンである、
    請求項２に記載の半導体検査装置。
  4. 　半導体デバイスからの光を検出して検出信号を出力する光検出器と、
    　前記光を前記光検出器に導く光学系と、
    　前記検出信号に基づいて、前記半導体デバイスの光学画像である第１の光学画像を生成する画像生成部と、
    　第１のＣＡＤ画像の入力を受け付ける受付部と、
    　前記第１のＣＡＤ画像を教師データとして用いて前記第１の光学画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた前記再構成処理により、前記第１の光学画像を前記第１のＣＡＤ画像に似せた第２の光学画像に再構成する画像変換部と、
    　前記第２の光学画像と前記第１のＣＡＤ画像に基づいて位置合わせを行う位置合わせ部と、
    を備える半導体検査装置。
  5. 　前記機械学習は、ディープラーニングである、
    請求項１～４のいずれか１項に記載の半導体検査装置。
  6. 　前記画像変換部は、前記半導体デバイス上の互いに対応する位置における前記第１の光学画像及び前記第１のＣＡＤ画像を用いて学習する、
    請求項１～５のいずれか１項に記載の半導体検査装置。
  7. 　前記位置合わせの結果を基に、前記第１の光学画像に対応して得られた画像と前記第１のＣＡＤ画像とを重畳して出力する出力部をさらに備える、
    請求項１～６のいずれか１項に記載の半導体検査装置。
  8. 　光学系を介して半導体デバイスからの光を検出して検出信号を出力するステップと、
    　前記検出信号に基づいて、前記半導体デバイスの光学画像である第１の光学画像を生成するステップと、
    　第１のＣＡＤ画像の入力を受け付けるステップと、
    　前記光学画像を教師データとして用いて前記第１のＣＡＤ画像の変換処理を機械学習によって学習し、当該学習の結果に基づいた前記変換処理により、前記第１のＣＡＤ画像を前記光学画像に似せた第２のＣＡＤ画像に変換するステップと、
    　前記光学画像と前記第２のＣＡＤ画像に基づいて位置合わせを行うステップと、
    を備える半導体検査方法。
  9. 　前記変換処理により、前記第１のＣＡＤ画像から特定のパターンを抜き出すことで前記第２のＣＡＤ画像に変換する、
    請求項８に記載の半導体検査方法。
  10. 　前記特定のパターンはダミーパターンである、
    請求項９に記載の半導体検査方法。
  11. 　光学系を介して半導体デバイスからの光を検出して検出信号を出力するステップと、
    　前記検出信号に基づいて、前記半導体デバイスの光学画像である第１の光学画像を生成するステップと、
    　第１のＣＡＤ画像の入力を受け付けるステップと、
    　前記第１のＣＡＤ画像を教師データとして用いて前記第１の光学画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた前記再構成処理により、前記第１の光学画像を前記第１のＣＡＤ画像に似せた第２の光学画像に再構成するステップと、
    　前記第２の光学画像と前記第１のＣＡＤ画像に基づいて位置合わせを行うステップと、
    を備える半導体検査方法。
  12. 　前記機械学習は、ディープラーニングである、
    請求項８～１１のいずれか１項に記載の半導体検査方法。
  13. 　前記半導体デバイス上の互いに対応する位置における前記第１の光学画像及び前記第１のＣＡＤ画像を用いて学習する、
    請求項８～１２のいずれか１項に記載の半導体検査方法。
  14. 　前記位置合わせの結果を基に、前記第１の光学画像に対応して得られた画像と前記第１のＣＡＤ画像とを重畳して出力するステップをさらに備える、
    請求項８～１３のいずれか１項に記載の半導体検査方法。
PCT/JP2020/016739 2019-06-03 2020-04-16 半導体検査装置及び半導体検査方法 WO2020246149A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
EP20818448.1A EP3955208A4 (en) 2019-06-03 2020-04-16 SEMICONDUCTOR INSPECTION DEVICE AND SEMICONDUCTOR INSPECTION PROCEDURE
KR1020217028489A KR20220016022A (ko) 2019-06-03 2020-04-16 반도체 검사 장치 및 반도체 검사 방법
SG11202113170XA SG11202113170XA (en) 2019-06-03 2020-04-16 Semiconductor inspection device and semiconductor inspection method
US17/608,833 US20220301197A1 (en) 2019-06-03 2020-04-16 Semiconductor inspection device and semiconductor inspection method
CN202080041571.3A CN113994372A (zh) 2019-06-03 2020-04-16 半导体检查装置及半导体检查方法
JP2021524694A JP7413375B2 (ja) 2019-06-03 2020-04-16 半導体検査装置及び半導体検査方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-103830 2019-06-03
JP2019103830 2019-06-03

Publications (1)

Publication Number Publication Date
WO2020246149A1 true WO2020246149A1 (ja) 2020-12-10

Family

ID=73652778

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/016739 WO2020246149A1 (ja) 2019-06-03 2020-04-16 半導体検査装置及び半導体検査方法

Country Status (8)

Country Link
US (1) US20220301197A1 (ja)
EP (1) EP3955208A4 (ja)
JP (1) JP7413375B2 (ja)
KR (1) KR20220016022A (ja)
CN (1) CN113994372A (ja)
SG (1) SG11202113170XA (ja)
TW (1) TW202114007A (ja)
WO (1) WO2020246149A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009162718A (ja) * 2008-01-10 2009-07-23 Olympus Corp 基板検査装置および検査領域設定方法
WO2015098342A1 (ja) 2013-12-26 2015-07-02 浜松ホトニクス株式会社 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体
US20170148226A1 (en) * 2015-11-19 2017-05-25 Kla-Tencor Corporation Generating simulated images from design information
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170345140A1 (en) * 2016-05-25 2017-11-30 Kla-Tencor Corporation Generating simulated images from input images for semiconductor applications
US20180293346A1 (en) 2017-04-07 2018-10-11 Fei Company Alignment of cad data to images in high resolution optical fault analysis
JP2019129169A (ja) * 2018-01-22 2019-08-01 株式会社日立ハイテクノロジーズ 画像評価方法及び画像評価装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015098342A (ja) 2013-11-19 2015-05-28 株式会社エンプラス 密閉容器および密閉容器セット

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009162718A (ja) * 2008-01-10 2009-07-23 Olympus Corp 基板検査装置および検査領域設定方法
WO2015098342A1 (ja) 2013-12-26 2015-07-02 浜松ホトニクス株式会社 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体
US20170148226A1 (en) * 2015-11-19 2017-05-25 Kla-Tencor Corporation Generating simulated images from design information
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170345140A1 (en) * 2016-05-25 2017-11-30 Kla-Tencor Corporation Generating simulated images from input images for semiconductor applications
US20180293346A1 (en) 2017-04-07 2018-10-11 Fei Company Alignment of cad data to images in high resolution optical fault analysis
JP2019129169A (ja) * 2018-01-22 2019-08-01 株式会社日立ハイテクノロジーズ 画像評価方法及び画像評価装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3955208A4

Also Published As

Publication number Publication date
CN113994372A (zh) 2022-01-28
EP3955208A4 (en) 2023-05-24
JPWO2020246149A1 (ja) 2020-12-10
SG11202113170XA (en) 2021-12-30
US20220301197A1 (en) 2022-09-22
TW202114007A (zh) 2021-04-01
EP3955208A1 (en) 2022-02-16
KR20220016022A (ko) 2022-02-08
JP7413375B2 (ja) 2024-01-15

Similar Documents

Publication Publication Date Title
TWI706485B (zh) 光學晶粒對資料庫檢查
JP6718534B2 (ja) 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体
KR20190004000A (ko) 반도체 애플리케이션을 위한 신경망 및 순방향 물리적 모델을 포함하는 방법 및 시스템
TW201734439A (zh) 混合檢查器
US20150379707A1 (en) Mask inspection apparatus, mask evaluation method and mask evaluation system
TW201928541A (zh) 用於大型偏移晶粒對晶粒檢測之多步驟影像對準方法
US10591539B2 (en) Automated scan chain diagnostics using emission
JP7413376B2 (ja) 半導体検査方法及び半導体検査装置
US10983162B2 (en) Semiconductor device inspection method and semiconductor device inspection device
JP6232476B2 (ja) サブ光学解像度によるｃａｄレイアウトへのチップの自動配向システムおよび方法
US9958502B2 (en) Defect isolation methods and systems
WO2020246149A1 (ja) 半導体検査装置及び半導体検査方法
JP6961846B1 (ja) Ｅｕｖマスク検査装置、ｅｕｖマスク検査方法、ｅｕｖマスク検査プログラム及びｅｕｖマスク検査システム
JP4684690B2 (ja) 走査レーザｓｑｕｉｄ顕微鏡を用いた検査方法および装置
US20230206422A1 (en) Semiconductor inspecting method and semiconductor inspecting device
JP2006017494A (ja) 顕微鏡観察方法、顕微鏡装置、及び画像処理装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20818448

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021524694

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020818448

Country of ref document: EP

Effective date: 20211111

NENP Non-entry into the national phase

Ref country code: DE