WO2022009357A1 - パターンマッチング装置、パターン測定システム、パターンマッチングプログラム - Google Patents

パターンマッチング装置、パターン測定システム、パターンマッチングプログラム Download PDF

Info

Publication number
WO2022009357A1
WO2022009357A1 PCT/JP2020/026773 JP2020026773W WO2022009357A1 WO 2022009357 A1 WO2022009357 A1 WO 2022009357A1 JP 2020026773 W JP2020026773 W JP 2020026773W WO 2022009357 A1 WO2022009357 A1 WO 2022009357A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
correlation
pattern matching
computer system
shift amount
Prior art date
Application number
PCT/JP2020/026773
Other languages
English (en)
French (fr)
Inventor
良 李
渉 長友
雄一 安部
Original Assignee
株式会社日立ハイテク
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 株式会社日立ハイテク filed Critical 株式会社日立ハイテク
Priority to KR1020227042756A priority Critical patent/KR20230007485A/ko
Priority to PCT/JP2020/026773 priority patent/WO2022009357A1/ja
Priority to JP2022534573A priority patent/JP7332810B2/ja
Priority to US18/009,783 priority patent/US20230298310A1/en
Priority to CN202080101855.7A priority patent/CN115699244A/zh
Priority to TW112123099A priority patent/TWI817922B/zh
Priority to TW110123568A priority patent/TWI809432B/zh
Publication of WO2022009357A1 publication Critical patent/WO2022009357A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G06V10/7515—Shifting the patterns to accommodate for positional errors
    • 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
    • G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Definitions

  • This disclosure relates to a technique for performing pattern matching between images.
  • a device that measures and inspects a pattern formed on a semiconductor wafer often uses template matching technology to align the field of view of the inspection device with respect to a desired measurement or measurement position.
  • Template matching is a process of finding an area that best matches a pre-registered template image from an image to be searched.
  • Patent Document 1 describes an example of such template matching.
  • Patent Document 2 describes a method of creating a template for template matching based on design data of a semiconductor device. If a template can be created based on design data, there is an advantage that the trouble of acquiring an image with an inspection device for creating a template is eliminated.
  • Non-Patent Document 1 describes a learnable model in which two images are input and conversion parameters (for example, matching shift amount) existing in the images are output. By learning using the teacher data, it is possible to realize highly accurate model learning, and there is an advantage that it is not necessary to manually process the input image.
  • Japanese Patent No. 4218171 (corresponding US Pat. No. 6,627,888) Japanese Patent No. 4199939 (corresponding US Pat. No. 7,235,782)
  • the reasons why the difference in appearance of the image between the template image and the searched image becomes large are as follows, for example: (a) The imaging conditions of the inspection device and the searched image when the template is registered are as follows. When the difference in the imaging conditions of the inspection device at the time of imaging became large, (b) the difference in the quality of the semiconductor pattern taken when the template was registered and the quality of the semiconductor pattern when the image to be searched was captured became large.
  • Patent Document 1 does not disclose how to process the matching process when a discrepancy occurs between the template image and the image to be searched.
  • Patent Document 2 discloses that a template close to a pattern of an actual image is created by performing a smoothing process on graphic data generated based on design data and rounding each part of the pattern. However, it is difficult to deal with any discrepancy between the template image and the image to be searched.
  • Non-Patent Document 1 makes it possible to realize highly accurate model learning while absorbing the dissociation between two images by learning in a short time.
  • the repeating pattern has a plurality of the same shapes within the proximity range (for example, in the field of view), so that there are a plurality of candidates for the matching correct answer position, and it is difficult to specify the true correct answer position.
  • the present disclosure has been made to solve such a problem, and proposes a pattern matching device capable of realizing a matching process characterized by having a learning function, particularly even in a semiconductor pattern including a repeating pattern. do.
  • the pattern matching device includes a learning device that estimates a first correlation image having a numerical value representing the correlation between the first image and the second image as a pixel value, and the pattern matching device is the first.
  • a second correlation image having a numerical value representing the correlation between the derivative image generated from the image and the first image as a pixel value is calculated, and the learner calculates the second correlation image between the first correlation image and the second correlation image. Learn to reduce the difference between.
  • the pattern matching apparatus it is possible to realize a matching process characterized by having a learning function, particularly even in a semiconductor pattern including a repeating pattern.
  • a configuration example of the pattern matching device 100 according to the first embodiment is shown.
  • a configuration example of the correlation image calculation unit 1202 is shown. It is a block diagram which shows the structural example of the learning model 301 provided in the correlation image estimation unit 1201. It is a figure which shows an example of the GUI in which a user inputs a matching shift amount. It is a flowchart explaining the operation of the pattern matching apparatus 100.
  • a configuration example of a pattern measurement system including a pattern matching device 100 and an SEM600 is shown. Another configuration example of the pattern measurement system of FIG. 6 is shown.
  • a configuration example of the pattern matching device 100 according to the second embodiment is shown.
  • a configuration example of the learning data generation unit 8206 is shown. It is a flowchart explaining the operation of the pattern matching apparatus 100 which concerns on Embodiment 2. It is a flowchart explaining the operation of the pattern matching apparatus 100 which concerns on Embodiment 3.
  • FIG. 1 shows a configuration example of the pattern matching device 100 according to the first embodiment of the present disclosure.
  • the pattern matching device 100 can be configured as an arithmetic unit that executes a pattern matching process.
  • the pattern matching device 100 can be configured by a storage medium 110, a pattern matching system 120, and an input device 130.
  • FIG. 1 shows a configuration example in which pattern matching processing is executed particularly by an arithmetic processing unit.
  • the template image SEM image 1104 acquired by the measuring device
  • the searched image design drawing obtained from the design data
  • the template image is not limited to the SEM image, and may be another type of image, for example, a design drawing.
  • the image to be searched is not limited to the design drawing, and other types of images such as SEM images may be used.
  • a scanning electron microscope is used as an example of the measuring device.
  • the SEM is used, for example, to measure the dimensions of a pattern of a semiconductor device formed on a semiconductor wafer. A specific configuration example of the SEM will be described later with reference to FIG.
  • the pattern matching system 120 is composed of one or more computer subsystems including one or more CPUs (Central Processing Units) and GPUs (Graphics Processing Units).
  • the pattern matching system 120 comprises one or more components executed by the one or more computer subsystems.
  • One or more computer systems can realize the processing described later by software using one or more processors, or can realize a part or all of the processing by hardware such as an electronic circuit.
  • the pattern matching system 120 executes a pattern matching process between the design drawing 1102 stored in the storage medium 1101 and the SEM image 1104 stored in the storage medium 1103. As a result of the pattern matching process, the estimated matching shift amount 1301 is output.
  • the estimated matching shift amount 1301 represents the position shift amount or the position difference between the design drawing 1102 and the SEM image 1104.
  • the estimated matching shift amount 1301 can be represented by a two-dimensional scalar value, for example (shift amount in the X direction, shift amount in the Y direction).
  • the pattern matching system 120 includes a correlation image estimation unit 1201, a correlation image calculation unit 1202, an estimation error calculation unit 1203, an estimation parameter update unit 1204, and a matching shift amount calculation unit 1205.
  • the pattern matching system 120 is configured to receive input of various information from the input device 130.
  • the correlation image estimation unit 1201 estimates the estimated correlation image 1211 between the design drawing 1102 and the SEM image 1104.
  • the matching shift amount calculation unit 1205 calculates the estimated matching shift amount 1301 using the estimated correlation image 1211.
  • the correlation image is an image in which the correlation values between the template image and the searched image are arranged over the entire searched image. More specifically, an image having the same size as the template image is cut out from the image to be searched, and the correlation value between the cut-out image and the template image is obtained. The cut-out image is cut out by raster-scanning the image to be searched (sliding window).
  • a correlation image is a cut-out image in which the obtained correlation values are arranged as pixel values for each displacement (slide) in the X direction and displacement (slide) in the Y direction.
  • the correlation value is calculated higher as the template image and the cropped image match (and may be designed to be calculated lower). Therefore, the pixel value becomes large (the luminance value is high) at the position where the correlation between the image to be searched and the clipped image is high, and the pixel value becomes small (the luminance value is small) at the position where the correlation is low.
  • the correlation image estimation unit 1201 is configured by a learner that takes the design drawing 1102 and the SEM image 1104 as inputs and estimates the estimated correlation image 1211 between the two input images.
  • the correlation image estimation unit 1201 also inputs a model to which the estimation parameter 1212 has been updated, and executes estimation of the estimation correlation image 1211 using this learning model.
  • the estimation parameter 1212 is appropriately updated by the estimation parameter updating unit 1204 and supplied to the correlation image estimation unit 1201.
  • the learner can be configured, for example, by a neural network structure described with reference to FIG. 3 described later.
  • the correlation image calculation unit 1202 takes the design drawing 1102 and the input matching shift amount 1302 as inputs, and calculates the calculation correlation image 1213 using them.
  • the input matching shift amount 1302 can be input from the input device 130.
  • the calculated correlation image 1213 can be used as teacher data when the learner performs learning.
  • the estimation error calculation unit 1203 calculates the estimation error 1214 between the estimation correlation image 1211 and the calculation correlation image 1213. Specifically, the sum of the differences between each pixel value of the estimated correlation image 1211 estimated by the correlation image estimation unit 1201 and each pixel value of the calculated correlation image 1213 which is the training data is obtained by an error function. For example, the error is calculated by the mean square error or the mean absolute error. The error function is not limited to these, and any error function may be used as long as it can calculate the difference between images.
  • the estimation parameter update unit 1204 adjusts the parameters of the learner in the correlation image estimation unit 1201 so that the estimation error of each pixel value in the estimation correlation image 1211 becomes small, and supplies the parameters to the correlation image estimation unit 1201.
  • the matching shift amount calculation unit 1205 calculates the estimated matching shift amount 1301 from the estimated correlation image 1211.
  • the following procedure can be used.
  • the highest pixel value (highest luminance pixel) of the estimated correlation image 1211 is specified.
  • the position of the highest luminance pixel is the position where the design drawing 1102 and the SEM image 1104 best match, and thus represent the matching shift amount.
  • the pixel value of the estimated correlation image 1211 is set, for example, by calculating the correlation value at each shift position while shifting the coordinates with the upper left end of the estimated correlation image 1211 as the origin.
  • the design drawing 1102 or the SEM image 1104 may have the center position as the origin.
  • the origin positions are different between the estimated correlation image 1211 and the design drawing 1102, or between the estimated correlation image 1211 and the SEM image 1104, correction for matching the origin positions is required.
  • the matching shift amount between the design drawing 1102 and the SEM image 1104 can be obtained from the position of the highest luminance pixel after the origin correction.
  • the correlation image estimation unit 1201 (learned model) estimates the correlation image
  • the matching shift amount calculation unit 1205 estimates the matching shift amount from the correlation image, whereby in the pattern of the semiconductor including the repetition pattern.
  • a learning model for finding the matching shift amount can be realized.
  • the learner estimates (a) a vertical correlation image having a correlation value as a pixel value indicating the degree to which the design drawing 1102 and the SEM image 1104 match in the vertical direction, and (b) the design drawing 1102 in the horizontal direction. It is configured to estimate a laterally correlated image having a correlation value as a pixel value indicating the degree to which the SEM image 1104 and the SEM image 1104 match.
  • the pattern matching system 120 can generate the estimated correlation image 1211 by synthesizing the vertical correlation image and the horizontal correlation image.
  • the information separation of the pattern is not limited to the horizontal edge and the vertical edge, and may be an edge in a direction in which stable learning can be performed.
  • FIG. 2 shows a configuration example of the correlation image calculation unit 1202.
  • Image 211 is an example of design drawing 1102
  • image 212 is an example of SEM image 1104.
  • the input matching shift amount 1302 is a matching shift amount between the image 211 and the image 212 input by the user.
  • the image cutting unit 201 cuts out the image 202 from the image 211.
  • the image 202 is an image obtained by cutting out a region having the same size as the image 212 from the image 211 at the position designated by the input matching shift amount 1302.
  • the correlation calculation unit 203 calculates the correlation image 204 between the image 202 and the image 211.
  • the correlation calculation unit 203 calculates the correlation image 204 by using, for example, a method such as normalization cross-correlation.
  • the image 211 and the image 202 may be preprocessed so as to be a correlated image that is easy to learn.
  • the method for calculating the correlation image 204 is not limited to these methods, and any method may be used as long as the correlation value of the matching correct answer position is calculated to be the highest (or the lowest).
  • FIG. 3 is a block diagram showing a configuration example of the learning model 301 included in the correlation image estimation unit 1201.
  • the learning model 301 can be configured, for example, by a convolutional neural network.
  • the learning model 301 adjusts parameters (such as connection weights and biases between neurons) so that the difference between the computational correlation image 1213 and the estimated correlation image 1211 is small.
  • the learning process is carried out by this parameter adjustment. Learning can be performed, for example, by sequentially updating the parameters by the backpropagation method.
  • the estimation parameter update unit 1204 determines how the error between the output data (estimated correlation image 1211) and the teacher data (calculated correlation image 1213) changes with respect to each parameter (for example, gradient). ) Is calculated.
  • the estimation parameter update unit 1204 updates the parameters little by little according to the amount of change, and adjusts the parameters so as to obtain the optimum output.
  • the learning model 301 is composed of an input layer 311 and an output layer 316, and a plurality of intermediate layers 312, 313, 314, and 315.
  • a design drawing 1102 (searched image) and an SEM image 1104 (template image) to be input images are input to the input layer 311.
  • the data in the layer is aggregated by the convolution operation by the predetermined coefficient filter and the image reduction.
  • the intermediate layer 313 stores data in which the design drawing 1102 and the SEM image 1104 are aggregated.
  • the correlation data between the aggregated data in the design drawing 1102 and the aggregated data in the SEM image 1104 is calculated to calculate the correlation data between the two. This correlation data is stored in the intermediate layer 314.
  • the data in the layer is expanded by the convolution calculation by the predetermined coefficient filter and the image enlargement.
  • the data in the output layer 316 is an estimated correlation image 1211 between the blueprint 1102 and the SEM image 1104.
  • the estimation error calculation unit 1203 calculates the error between the estimation correlation image 1211 and the calculation correlation image 1213.
  • the estimation parameter update unit 1204 updates the parameters (weights and biases) of each layer by the error back propagation method using the error.
  • a model that inputs two images to be matched and outputs a correlated image can be learned by End to End (learning that directly learns the input / output relationship for the task to be learned).
  • End to End data that brings the template image and the searched image close to each other can be automatically aggregated in the intermediate layer 213.
  • the intermediate layer 315 can automatically select the data necessary for generating the estimated correlation image 1211 from the correlation data stored in the intermediate layer 314. Even if an excessive pattern (a pattern not shown in the design drawing but in the SEM image) is reflected in the SEM image, there is an effect of estimating the estimated correlation image 1211 that is stably brought close to the calculated correlation image 1213.
  • a plurality of images may be input in each of the template image and the searched image.
  • the multi-channel image is, for example, (a) an image captured by changing the imaging conditions for the same imaging target, (b) an image captured by a different detector as described later in FIG. 6, and (c) detection.
  • the multi-channel image is not limited to these, and may be an image that easily absorbs the dissociation between the input images.
  • Auxiliary information is applied to the learning model via one channel of the input image so that the contrast of the estimated correlation image 1211 (the difference between the correlation value of the matching correct position and the correlation value of the other position) becomes large. You may enter it.
  • Examples of the auxiliary information include weighted images that increase the luminance value of the region of interest for matching. By inputting such information, it is possible to emphasize the data in the region of interest, reduce the importance of the data in the other regions, and obtain a correlated image with higher contrast.
  • the auxiliary information is not limited to these, and any information may be used as long as it facilitates the estimation of a large correlated image with the estimated contrast.
  • FIG. 4 is a diagram showing an example of a GUI (Graphical User Interface) in which a user inputs a matching shift amount.
  • the GUI 401 illustrated in FIG. 4 can be displayed on the input device 130 shown in FIG. 1, for example.
  • the user can input the input matching shift amount 1302 required for learning by the correlation image estimation unit 1201 by the GUI 401.
  • the GUI 401 has an image display area 402, an image transparency setting area 403, a matching shift amount input area 404, and a setting button 405.
  • the image display area 402 displays the design drawing 421, the SEM image 422, and the cursor 423.
  • the design drawing 421 and the SEM image 422 are displayed as overlays.
  • the user can move the SEM image 422 to a position matching the design drawing 421 by the cursor 423.
  • the amount of movement of the SEM image 422 corresponds to the amount of matching shift.
  • the matching shift amount that changes by moving the cursor 423 is reflected in the matching shift amount setting frame 441 in real time.
  • the user can also directly input the matching shift amount by the matching shift amount setting frame 441 in the matching shift amount input area 404.
  • the input matching shift amount is reflected by the SEM image 422 moving relative to the design drawing 421.
  • the user can input the transparency (intensity) of the design drawing 421 and the SEM image 422 to the frame 431 so that the matching result can be easily confirmed in the image transparency setting area 403.
  • the matching shift amount is supplied to the correlation image calculation unit 1202 as the input matching shift amount 1302.
  • the method of inputting the matching shift amount has been described with reference to FIG. 4, the method of inputting the matching shift amount is not limited to the method described, and a method capable of inputting the matching shift amount may be used.
  • FIG. 5 is a flowchart illustrating the operation of the pattern matching device 100. Each step of FIG. 5 will be described below.
  • Steps S501 to S502 The pattern matching system 120 acquires learning data (design drawing 1102, SEM image 1104) stored in the storage medium (S501).
  • the user inputs the matching shift amount of both by manually matching the design drawing 1102 and the SEM image 1104 from the GUI 401 illustrated in FIG. 4 (S502).
  • the correlation image calculation unit 1202 receives the design drawing 1102 and the input matching shift amount 1302, and calculates the calculation correlation image 1213.
  • the correlation image estimation unit 1201 receives the design drawing 1102 and the SEM image 1104, and generates the estimation correlation image 1211.
  • the estimation error calculation unit 1203 uses an error function to calculate the difference between the estimation correlation image 1211 and the calculation correlation image 1213, that is, the estimation error 1214 of the correlation image estimation unit 1201.
  • the estimation parameter update unit 1204 calculates changes in the weight and bias of the neural network by back-propagating the estimation error 1214, and updates the values. Learning is performed by repeating the above estimation and back propagation at least once.
  • the correlation image estimation unit 1201 estimates the estimated correlation image 1211 using the trained model (S505).
  • the matching shift amount calculation unit 1205 calculates the estimated matching shift amount 1301 from the estimated correlation image 1211 (S506).
  • FIG. 6 shows a configuration example of a pattern measurement system including a pattern matching device 100 and an SEM600.
  • the SEM600 measures, for example, the pattern dimensions of a semiconductor device formed on a semiconductor wafer 603.
  • the arithmetic processing unit or computer system in the pattern measurement system can be configured as, for example, a control unit 614.
  • the control unit 614 includes a calculation means (for example, CPU / GPU 616) and a storage means (for example, a memory including an image memory 615). Information can be stored in the storage means, for example, a program related to pattern matching processing is stored.
  • this program When the CPU / GPU 616 executes this program, the pattern matching process shown in FIG. 1 is executed. That is, the control unit 614 functions as the pattern matching device 100. In other words, this program causes the computer system to function as an arithmetic processing device included in the pattern matching device 100, and causes the pattern matching process shown in FIG. 1 to be executed.
  • the SEM600 generates an electron beam from the electron gun 601.
  • the deflector 604 and the objective lens 605 are controlled so that the electron beam is focused and emitted at an arbitrary position on the semiconductor wafer 603, which is a sample placed on the stage 602.
  • Secondary electrons are emitted from the semiconductor wafer 603 irradiated with the electron beam and detected by the secondary electron detector 606.
  • the detected secondary electrons are converted into a digital signal by the A / D converter 607.
  • the image represented by the digital signal is stored in the image memory 615 in the control unit 614.
  • This image is used, for example, as an SEM image 1104, and based on this image, the learning process shown in the pattern matching process shown in FIG. 1 is performed by the control unit 614 or the CPU / GPU 616.
  • the setting process required for these processes and the display of the process result can be performed by the input device 130.
  • the optical camera 611 may be used.
  • the signal obtained by imaging the semiconductor wafer 603 by the optical camera 611 is converted into a digital signal by the A / D converter 612 (when the signal from the optical camera 611 is a digital signal, the A / D converter).
  • the image represented by the digital signal is stored in the image memory 615 in the control unit 614, and the CPU / GPU 616 performs image processing according to the purpose.
  • the SEM600 may include a backscattered electron detector 608.
  • the backscattered electron detector 608 When the backscattered electron detector 608 is provided, the backscattered electrons emitted from the semiconductor wafer 603 are detected by the backscattered electron detector 608, and the detected backscattered electrons are converted into a digital signal by the A / D converter 609 or 610. Convert.
  • the image represented by the digital signal is stored in the image memory 615 in the control unit 614, and the CPU / GPU 616 performs image processing according to the purpose.
  • a storage means 621 may be provided separately from the image memory 615.
  • the control unit 614 may control the stage 602 via the stage controller 630, or may control the objective lens 605 or the like via the deflection control unit 631.
  • SEM600 is shown as an example of the inspection device used together with the pattern matching device 100, but the device that can be used together with the pattern matching device 100 is not limited to this. Any device (measuring device, inspection device, etc.) that acquires an image and performs pattern matching processing can be used together with the pattern matching device 100.
  • FIG. 7 shows another configuration example of the pattern measurement system of FIG.
  • the configuration example of FIG. 7 may be understood as another expression for the same configuration as that of FIG.
  • the pattern measurement system refers to the SEM main body 701, the control device 702 that controls the SEM main body 701, the arithmetic processing unit 704 that executes the pattern matching process of FIG. 1, the design data storage medium 705 that stores the design data, and the arithmetic processing unit 704.
  • An input device 130 for inputting necessary information is provided.
  • the arithmetic processing unit 704 includes arithmetic means (for example, arithmetic processing unit 707) and storage means (for example, memory 708). Information can be stored in the storage means, for example, a program related to pattern matching processing is stored.
  • this program By executing this program by the arithmetic processing unit 707, the pattern matching process shown in FIG. 1 is executed. That is, the arithmetic processing unit 704 functions as a pattern matching device 100. In other words, this program causes the computer system to function as an arithmetic processing device included in the pattern matching device 100, and causes the pattern matching process shown in FIG. 1 to be executed.
  • the arithmetic processing unit 707 executes the measurement processing of the measurement position specified by the recipe creation unit 711 for setting the template conditions, the matching processing unit 712 for executing the pattern matching processing based on the set template, and the matching processing unit 712.
  • the pattern measuring unit 710 is provided.
  • SEM image (corresponding to the SEM image 1104 in FIG. 1) is generated based on the detection signal.
  • the SEM image is sent to the arithmetic processing unit 704 as a searched image of the matching processing unit 712 and as a measurement signal by the pattern measuring unit 710.
  • control device 702 and the arithmetic processing unit 704 are configured as separate devices, but these may be integrated devices.
  • the electron-based signal captured by the detector 703 is converted into a digital signal by the A / D converter built in the control device 702. Based on this digital signal, image processing according to the purpose is performed by the image processing hardware (CPU, GPU, ASIC, FPGA, etc.) built in the arithmetic processing device 704.
  • image processing hardware CPU, GPU, ASIC, FPGA, etc.
  • the recipe creation unit 711 includes a cutting unit 713.
  • the cutting unit 713 reads design data from the design data storage medium 705 and cuts out a part thereof. The portion cut out from the design data is determined based on pattern identification data such as coordinate information set from the input device 130.
  • the recipe creation unit 711 creates pattern data to be used for matching based on the cut out design data (layout data).
  • the pattern data created here can be used as the design data 104 in FIG.
  • the processing in the matching processing unit 712 is as described with reference to FIG. Design data, recipe information, image information, measurement results, etc. are stored in the memory 708.
  • the input device 130 also functions as an imaging recipe creating device and creates an imaging recipe.
  • the imaging recipe represents measurement conditions and includes, for example, the coordinates of the electronic device, pattern type, imaging conditions (optical conditions and stage movement conditions) required for measurement and inspection.
  • the input device 130 may have a function of collating the input coordinate information and information regarding the pattern type with the layer information of the design data or the identification information of the pattern, and reading out the necessary information from the design data storage medium 705. ..
  • the design data stored in the design data storage medium 705 can be expressed in any format, but can be expressed in, for example, the GDS format or the OASIS format.
  • Appropriate software for displaying design data can display design data in various formats of design data or treat it as graphic data.
  • the graphic data may be line segment image information indicating the ideal shape of the pattern formed based on the design data, or by performing an exposure simulation on this, deformation processing is performed so as to be close to the actual pattern. It may be line segment image information.
  • a program for performing the process described with reference to FIG. 1 may be registered in a storage medium, and the program may be executed by a control processor having an image memory and supplying a necessary signal to the scanning electron microscope.
  • FIG. 8 shows a configuration example of the pattern matching device 100 according to the second embodiment of the present disclosure. Since the same components as those in the first embodiment (FIG. 1) are designated by the same reference numerals in FIG. 8, duplicate description will be omitted below.
  • the pattern matching device 100 does not require manual input of a matching shift amount or imaging of an SEM image when generating training data, and can learn a learning device offline without depending on a scanning microscope.
  • the pattern matching system 120 includes a learning data generation unit 8206 in addition to the configuration described with reference to FIG.
  • the learning data generation unit 8206 is configured to generate a pseudo template image (pseudo SEM image 8216) necessary for learning and a generation matching shift amount 8215 (described later) from the image to be searched (design drawing 1102).
  • the input of the learning data generation unit 8206 is not limited to the design drawing, and may be another type, for example, an SEM image.
  • FIG. 9 shows a configuration example of the learning data generation unit 8206.
  • Image 901 is an example of the design drawing 1102.
  • the matching shift amount generation unit 904 generates a matching shift amount, and sets the generated matching shift amount to 903.
  • Examples of the method for generating the matching shift amount include a method in which the shift amount is randomly generated within the possible range of the matching shift amount.
  • the method of generating the matching shift amount is not limited to these methods, and a method of generating the matching shift amount may be used.
  • the generated matching shift amount 903 and the image 901 are input to the image cutting unit 905, and the image cutting unit 905 cuts out an image 906 having the same size as the template image.
  • the pseudo SEM image generation unit 907 generates a pseudo SEM image 902 from the image 906.
  • the image quality of the generated pseudo SEM image is adjusted by the image style 908 (contrast, noise, pattern deformation, etc.).
  • the image 908 style may be input by the user or may be randomly generated.
  • the pseudo SEM image generation unit 907 can be configured by, for example, a model that converts a trained design drawing into an image, a simulator that converts a design drawing into an SEM image, or the like.
  • the pseudo SEM image generation unit 907 is not limited to these, and may be any one that can convert a pseudo image whose image quality can be adjusted.
  • the correlation image calculation unit 1202 uses the pseudo SEM image 8216 generated by the learning data generation unit 8206 and the design diagram 1102, the learning model of the correlation image estimation unit 1201 is learned as described in the first embodiment.
  • the correlation image calculation unit 1202 generates the calculation correlation image 1213 from the generated matching shift amount 8215 and the design drawing 1102.
  • the estimated correlation image 1211 between the design drawing 1102 to be matched and the SEM image 1104 is estimated.
  • the matching shift amount calculation unit 1205 calculates the estimated matching shift amount 1301 from the estimated correlation image 1211.
  • learning data generation unit 8206 at the learning stage, learning can be performed only with the design drawing 1102, so that learning can be performed offline. Further, by learning using the style-adjustable pseudo SEM image, it is possible to learn a highly versatile model.
  • FIG. 10 is a flowchart illustrating the operation of the pattern matching device 100 according to the second embodiment. Each step of FIG. 10 will be described below.
  • the pattern matching system 120 acquires the data (design drawing 1102) stored in the storage medium, and the learning data generation unit 8206 generates the learning data.
  • the training data is composed of a pseudo SEM image 8216 and a generated matching shift amount 8215.
  • the correlation image calculation unit 1202 receives the design drawing 1102 and the generated matching shift amount 8215, and calculates the calculation correlation image 1213.
  • the correlation image estimation unit 1201 receives the design drawing 1102 and the pseudo SEM image 8216, and generates the estimation correlation image 1211.
  • the estimation error calculation unit 1203 uses an error function to calculate the difference between the estimation correlation image 1211 and the calculation correlation image 1213, that is, the estimation error 1214 of the correlation image estimation unit 1201.
  • the estimation parameter update unit 1204 calculates changes in the weight and bias of the neural network by back-propagating the estimation error 1214, and updates the values. Learning is performed by repeating the above estimation and back propagation at least once.
  • the pattern matching system 120 acquires the design drawing 1102 and the SEM image 1104 (S1004).
  • the acquired image is input to the correlation image estimation unit 1201.
  • the correlation image estimation unit 1201 estimates the estimated correlation image 1211 between the input images (S1005).
  • the matching shift amount calculation unit 1205 calculates the estimated matching shift amount 1301 from the estimated correlation image 1211 (S1006).
  • the learning data generation unit 8206 automatically generates the learning data, so that the user can save the trouble of inputting the matching shift amount and acquiring the image by imaging with the scanning microscope. It becomes possible to learn the learner without depending on the scanning microscope.
  • the pattern matching device 100 capable of outputting the matching shift amount of each layer in the matching of the design data having a plurality of layers and the SEM image will be described. Since the configuration of the pattern matching device 100 is the same as that of the first and second embodiments, the matters related to the matching shift amount of each layer and the like will be mainly described below.
  • the imaged SEM image may have an interlaminar shift with respect to the design drawing.
  • overlay measurement is a measurement of the displacement between layers. For example, the matching shift amount of the upper layer pattern and the matching shift amount of the lower layer pattern are measured, and the difference is used as the displacement between layers.
  • the design drawing 1102 is a design drawing including design information of each of the upper and lower layers.
  • the SEM image 1104 is an SEM image corresponding to a part of the design drawing 1102. In the design drawing 1102, the lower layer pattern hidden in the upper layer pattern may be deleted in advance.
  • the design drawing 1102 and the SEM image 1104 are input to the correlation image estimation unit 1201 to estimate the estimated correlation image 1211.
  • the estimated correlation image 1211 holds the correlation image of the upper layer and the correlation image of the lower layer, for example, in the form of a multi-channel image.
  • the correlation image calculation unit 1202 calculates the calculation correlation image 1213 which is the teacher data.
  • the calculation correlation image 1213 holds the calculation correlation image of the upper layer and the calculation correlation image of the lower layer in the same manner as the estimation correlation image 1211.
  • the calculation correlation image of the upper layer is calculated using the design drawing of the upper layer and the matching shift amount of the upper layer as described in the first embodiment.
  • the matching shift amount of the upper layer is input from the input device 130 as described with reference to FIG.
  • the calculation correlation image of the lower layer is calculated using the design drawing of the lower layer and the matching shift amount of the lower layer as described in the first embodiment.
  • the matching shift amount of the lower layer is input from the input device 130 as described with reference to FIG. If the lower layer pattern below the upper layer pattern cannot be seen on the SEM image, the lower layer pattern hidden in the upper layer pattern may be deleted in advance on the design drawing.
  • the learning model that brings the estimated correlation image 1211 closer to the calculated correlation image 1213 is learned by repeating the estimation and the back propagation one or more times.
  • the estimated correlation image 1211 between the design drawing 1102 to be matched and the SEM image 1104 is estimated.
  • the estimated correlation image 1211 includes an upper layer estimated correlation image and a lower layer estimated correlation image.
  • the matching shift amount calculation unit 1205 calculates the estimated matching shift amount 1301 from the estimated correlation image 1211.
  • the estimated matching shift amount 1301 includes an upper layer matching shift amount and a lower layer matching shift amount.
  • the upper layer matching shift amount is calculated from the estimated upper layer correlation image.
  • the lower layer matching shift amount is calculated from the estimated lower layer correlation image.
  • overlay measurement can be performed or the measurement position can be adjusted with high accuracy in the subsequent measurement process.
  • learning data may be generated using the learning data generation unit 8206 described in the second embodiment.
  • the learning data generation unit 8206 generates a pseudo SEM image 8216 and a generation matching shift amount 8215 from the design drawing 1102.
  • the learning data generation unit 8206 generates the pseudo SEM image 8216
  • first, the upper layer pattern and the lower layer pattern are slightly shifted.
  • a pseudo SEM image 8216 is generated as described with reference to FIG.
  • the amount of deviation between the upper and lower layer patterns is added to the generated matching shift amount to obtain the upper layer matching shift amount and the lower layer matching shift amount.
  • the correlation image calculation unit 1202 calculates the calculation correlation image 1213 from the generated matching shift amount 8215 and the design drawing 1102.
  • learning can be performed only with the design drawing 1102, so that learning can be performed offline. Further, by learning using the style-adjustable pseudo SEM image 8216, a highly versatile model can be learned.
  • FIG. 11 is a flowchart illustrating the operation of the pattern matching device 100 according to the third embodiment. Each step of FIG. 11 will be described below.
  • Step S1101 Part 1
  • the pattern matching system 120 acquires learning data (design drawing 1102, SEM image 1104) stored in the storage medium.
  • the user inputs the upper layer matching shift amount and the lower layer matching shift amount of both by manually matching the design drawing and the SEM image in the GUI 401 illustrated in FIG. Prepare the design drawing, SEM image, and matching shift amount as training data.
  • Step S1101 Part 2
  • the learning data generation unit 8206 When the learning data generation unit 8206 is used, the learning data (design drawing 1102) stored in the storage medium is acquired.
  • the learning data generation unit 8206 generates a pseudo SEM image and a generation matching shift amount.
  • a design drawing, a pseudo SEM image, and a generated matching shift amount are prepared as training data.
  • the correlation image calculation unit 1202 receives the upper layer portion of the design drawing 1102 and the upper layer matching shift amount, and calculates the upper layer calculation correlation image (S1102).
  • the correlation image calculation unit 1202 receives the lower layer portion of the design drawing 1102 and the lower layer matching shift amount, and calculates the lower layer calculation correlation image (S1103).
  • the correlation image estimation unit 1201 receives the design drawing 1102 and the SEM image 1104 (pseudo SEM image when the image generation unit is used), and generates an estimation correlation image 1211 including the upper layer estimation correlation image and the lower layer correlation image.
  • the estimation error calculation unit 1203 uses an error function to calculate the difference between the estimation correlation image 1211 and the calculation correlation image 1213, that is, the estimation error 1214 of the correlation image estimation unit 1201.
  • the estimation parameter update unit 1204 calculates changes in the weight and bias of the neural network by back-propagating the estimation error 1214, and updates the values. Learning is performed by repeating the above estimation and back propagation at least once.
  • Steps S1105 to S1106 After the learning is completed, the pattern matching system 120 acquires the design drawing 1102 and the SEM image 1104 (S1105). The acquired design drawing and SEM image are input to the trained model (S1106).
  • the correlation image estimation unit 1201 estimates the upper layer estimation correlation image using the trained model (S1107).
  • the matching shift amount calculation unit 1205 calculates the upper layer matching shift amount from the upper layer estimated correlation image (S1108).
  • the correlation image estimation unit 1201 estimates the lower layer estimation correlation image using the trained model in the same manner as the upper layer pattern (S1109).
  • the matching shift amount calculation unit 1205 calculates the lower layer matching shift amount from the lower layer estimated correlation image (S1110).
  • the pattern matching system 120 can calculate the above-mentioned displacement between layers by calculating the difference (vector difference) between the calculated upper layer matching shift amount and the lower layer matching shift amount.
  • the upper layer matching shift amount and the lower layer matching shift amount may be used as measurement positions in the subsequent measurement step without calculating the displacement between layers.
  • the pattern matching apparatus 100 can perform overlay measurement, for example, or adjust the measurement position with high accuracy in the subsequent measurement process. effective.
  • the matching shift amount is calculated for each of the upper and lower layers.
  • the matching shift amount is calculated for each layer in the same manner, and the vector between each true ching shift amount is calculated. By obtaining the difference, the positional deviation between the layers can be calculated.
  • the correlation image calculation unit 1202 obtains a correlation image (calculation correlation image 1213) between the image generated by cutting out the design drawing 1102 and the design drawing 1102. This is most desirable if accuracy as teacher data is required. On the other hand, teacher data with various accuracy may be required. In such a case, instead of cutting out the design drawing 1102 or in combination with the cutout, the following correlation image may be obtained and used as training data. When used in combination, the following correlation image may be used as a part of the training data.
  • 1102 is an SEM image
  • 1104 is an SEM image.
  • the SEM image 1104 is an SEM image acquired by a means different from that of the SEM image 1102 (for example, an SEM image taken under conditions different from the imaging conditions of the SEM image 1102).
  • the correlation image between the design drawing at the same position as the SEM image 1102 and the design drawing at the same position as the SEM image 1104 is calculated as the calculation correlation image 1213.
  • the criteria for calculating the calculation correlation image 1213 can be unified.
  • Pattern matching device 110 Storage medium 1102: Design drawing 1104: SEM image 120: Pattern matching system 1201: Correlation image estimation unit 1202: Correlation image calculation unit 1202: Estimated parameter update unit 1205: Matching shift amount calculation unit 1206: Estimate Error calculation unit 130: Input device 8206: Learning data generation unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Image Analysis (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)

Abstract

本開示は、特に繰り返しパターンを含む半導体パターンにおいても、学習機能を有することを特徴とするマッチング処理を実現することができるパターンマッチング装置を提案する。本開示に係るパターンマッチング装置は、第１画像と第２画像との間の相関を表す数値を画素値として有する第１相関画像を推定する学習器を備え、前記パターンマッチング装置は、前記第１画像から生成した派生画像と前記第１画像との間の相関を表す数値を画素値として有する第２相関画像を計算し、前記学習器は前記第１相関画像と前記第２相関画像との間の差分を小さくするように学習する（図１参照）。

Description

パターンマッチング装置、パターン測定システム、パターンマッチングプログラム
　本開示は、画像間のパターンマッチングを実施する技術に関する。
　半導体ウエハ上に形成されたパターンを計測・検査する装置は、テンプレートマッチング技術を利用して、所望の計測あるいは計測位置に対して検査装置の視野を合わせることが多い。テンプレートマッチングは、あらかじめ登録されたテンプレート画像と最も一致する領域を、探索対象の画像から見つける処理である。特許文献１は、そのようなテンプレートマッチングの１例を記載している。
　特許文献２は、テンプレートマッチング用のテンプレートを、半導体デバイスの設計データに基づいて作成する方法を記載している。設計データに基づいてテンプレートを作成できれば、テンプレート作成のためにわざわざ検査装置で画像を取得するという手間がなくなるなどの利点がある。
　非特許文献１は、２つの画像を入力とし、画像に存在する変換パラメータ（例えばマッチングシフト量）を出力とする学習可能なモデルを記載している。教師データを用いて学習することによって、高精度なモデルの学習を実現することが可能になり、手動で入力画像の処理などをする必要がないという利点がある。
特許第４２１８１７１号公報（対応米国特許第６，６２７，８８８号明細書） 特許第４１９９９３９号公報（対応米国特許第７，２３５，７８２号明細書）
I. Rocco, R. Arandjelovic and J. Sivic. Convolutional neural network architecture for geometric matching. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017
　テンプレートマッチングにおいて、テンプレート画像と被探索画像との間で画像の見た目の乖離が大きい場合、マッチングに失敗する場合がある。テンプレート画像と被探索画像との間で画像の見た目の乖離が大きくなる理由として、例えば以下のようなものが挙げられる：（ａ）テンプレートを登録した時の検査装置の撮像条件と被探索画像を撮像した時の検査装置の撮像条件の差が大きくなった場合、（ｂ）テンプレートを登録した時に撮影した半導体パターンの出来栄えと被探索画像を撮像したときの半導体パターンの出来栄えの違いが大きくなった場合、（ｃ）多層パターンにおいて、テンプレートを登録した時に撮像した半導体多層パターンの上下層のずれ具合と被探索画像を撮像した半導体多層パターンの上下層のずれ具合の違いが大きくなった場合、（ｄ）テンプレートを登録した時の半導体パターンの半導体工程と、被探索画像を撮像した時の半導体パターンの製造工程が異なる場合（他の工程で作成テンプレート画像を流用し、テンプレート登録工数を低減するためにこれが実施されることがある）。
　特許文献１は、テンプレート画像と被探索画像との間に乖離が発生する場合、マッチング処理を如何に処理するかについて、開示していない。
　特許文献２は、設計データに基づいて生成される図形データに対して、平滑化処理を施し、パターンの各部を丸めることによって、実画像のパターンに近いテンプレートを作成することを開示している。しかしながら、テンプレート画像と被探索画像との間のあらゆる乖離に対応することは困難である。
　その他、特許文献１と２のような従来のパターンマッチングにおいては、このような乖離によってテンプレートマッチングが失敗する時、アルゴリズムの改善に時間がかかり、短時間で簡易に改善できない。
　非特許文献１は、短時間の学習で２つの画像間の乖離を吸収しつつ、高精度なモデルの学習を実現することが可能になる。しかしながら、半導体パターンにおいて特徴的な繰り返しパターン（マッチング正解位置すなわちマッチングシフト量が複数個あるパターン）においては、モデルを学習するのは困難である。繰り替えしパターンは近接範囲内（例えば、視野内）に同じ形状を複数個有するので、マッチング正解位置の候補が複数存在することになり、真の正解位置を特定することが難しいからである。
　本開示はこのような課題を解決するためになされたものであり、特に繰り返しパターンを含む半導体パターンにおいても、学習機能を有することを特徴とするマッチング処理を実現することができるパターンマッチング装置を提案する。
　本開示に係るパターンマッチング装置は、第１画像と第２画像との間の相関を表す数値を画素値として有する第１相関画像を推定する学習器を備え、前記パターンマッチング装置は、前記第１画像から生成した派生画像と前記第１画像との間の相関を表す数値を画素値として有する第２相関画像を計算し、前記学習器は前記第１相関画像と前記第２相関画像との間の差分を小さくするように学習する。
　本開示に係るパターンマッチング装置によれば、特に繰り返しパターンを含む半導体パターンにおいても、学習機能を有することを特徴とするマッチング処理を実現することが可能となる。
実施形態１に係るパターンマッチング装置１００の構成例を示す。 相関画像計算部１２０２の構成例を示す。 相関画像推定部１２０１が備える学習モデル３０１の構成例を示すブロック図である。 ユーザがマッチングシフト量を入力するＧＵＩの１例を示す図である。 パターンマッチング装置１００の動作を説明するフローチャートである。 パターンマッチング装置１００とＳＥＭ６００とを含む、パターン測定システムの構成例を示す。 図６のパターン測定システムの別構成例を示す。 実施形態２に係るパターンマッチング装置１００の構成例を示す。 学習データ生成部８２０６の構成例を示す。 実施形態２に係るパターンマッチング装置１００の動作を説明するフローチャートである。 実施形態３に係るパターンマッチング装置１００の動作を説明するフローチャートである。
　以下、添付図面を参照して本開示に係るパターンマッチング装置、パターン測定システム、およびパターンマッチングプログラムを説明する。添付図面においては、機能的に同じ要素は同じ番号または対応する番号で表示される場合もある。添付図面は本開示の原理に則った実施形態と実装例を示しているが、これらは本開示の理解のためのものであり、決して本開示を限定的に解釈するために用いられるものではない。本明細書の記述は典型的な例示に過ぎず、本開示の特許請求の範囲または適用例を如何なる意味においても限定するものではない。
＜実施の形態１＞
　図１は、本開示の実施形態１に係るパターンマッチング装置１００の構成例を示す。パターンマッチング装置１００は、パターンマッチング処理を実行する演算装置として構成することができる。パターンマッチング装置１００は、記憶媒体１１０、パターンマッチングシステム１２０、入力装置１３０によって構成することができる。
　図１は、特に演算処理装置によってパターンマッチング処理を実行する構成例を示す。パターンマッチング処理は、たとえば、記憶媒体１１０３に記憶されているテンプレート画像（計測装置によって取得されるＳＥＭ像１１０４）と、記憶媒体１１０１に記憶されている被探索画像（設計データから得られた設計図１１０２）との間の位置合わせのためのマッチングシフト量を求める工程を含む。テンプレート画像はＳＥＭ像に限定するものでなく、ほかの種類の画像たとえば設計図にしてもよい。また、被探索画像は設計図に限定するものでなく、ほかの種類の画像たとえばＳＥＭ像にしてもよい。
　本実施形態１においては、計測装置の１例として走査型電子顕微鏡（Ｓｃａｎｎｉｎｇ　Ｅｌｅｃｔｒｏｎ　Ｍｉｃｒｏｓｃｏｐｅ：ＳＥＭ）を用いる。ＳＥＭは、たとえば、半導体ウエハ上に形成された半導体デバイスのパターンの寸法を計測するために用いられる。ＳＥＭの具体的構成例については図６を用いて後述する。
　パターンマッチングシステム１２０は、１以上のＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）やＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）を含む１以上のコンピュータサブシステムによって構成されている。パターンマッチングシステム１２０は、当該１以上のコンピュータサブシステムによって実行される１以上のコンポーネントを備える。１以上のコンピュータシステムは、後述するような処理を１以上のプロセッサを用いてソフトウェアで実現することもできるし、その処理の一部または全部を電子回路などのハードウェアで実現することもできる。
　パターンマッチングシステム１２０は、記憶媒体１１０１に記憶されている設計図１１０２と、記憶媒体１１０３に記憶されているＳＥＭ像１１０４との間で、パターンマッチング処理を実行する。パターンマッチング処理の結果として、推定マッチングシフト量１３０１を出力する。推定マッチングシフト量１３０１は、設計図１１０２とＳＥＭ像１１０４との間の位置シフト量また位置差を表す。
　推定マッチングシフト量１３０１は、２次元のスカラー値、例えば（Ｘ方向のシフト量，Ｙ方向のシフト量）、によって表すことができる。
　パターンマッチングシステム１２０は、１例として、相関画像推定部１２０１、相関画像計算部１２０２、推定誤差算出部１２０３、推定パラメータ更新部１２０４、マッチングシフト量算出部１２０５を備える。パターンマッチングシステム１２０は、入力装置１３０から各種情報の入力を受けるように構成される。
　相関画像推定部１２０１は、設計図１１０２とＳＥＭ像１１０４との間の推定相関画像１２１１を推定する。マッチングシフト量算出部１２０５は、推定相関画像１２１１を用いて推定マッチングシフト量１３０１を算出する。
　相関画像は、テンプレート画像と被探索画像との間の相関値を被探索画像全体にわたって並べた画像である。より具体的には、被探索画像からテンプレート画像と同サイズ領域の画像を切り出し、その切り出し画像とテンプレート画像との間の相関値を求める。切り出し画像は、被探索画像をラスタスキャンして切り出す（スライディングウィンドウ）。求めた相関値を、切り出し画像のＸ方向の変位（スライド）とＹ方向の変位（スライド）ごとに画素値として並べたものを相関画像と呼ぶ。相関値は、テンプレート画像と切り出し画像が一致すればするほどより高く計算される（逆に低く計算するように設計される場合もある）。したがって、被探索画像と切り出し画像との間の相関が高い位置においては画素値が大きくなり（輝度値が高い）、低い位置においては画素値が小さくなる（輝度値が小さい）。
　相関画像推定部１２０１は、設計図１１０２とＳＥＭ像１１０４を入力とし、その２つの入力画像間の推定相関画像１２１１を推定する、学習器によって構成されている。相関画像推定部１２０１は、推定パラメータ１２１２が更新されたモデルも入力とし、この学習モデルを用いて推定相関画像１２１１の推定を実行する。推定パラメータ１２１２は推定パラメータ更新部１２０４によって適宜更新され、相関画像推定部１２０１に対して供給される。学習器は、例えば後述の図３で説明するするニューラルネットワーク構造によって構成することができる。
　相関画像計算部１２０２は、設計図１１０２と入力マッチングシフト量１３０２を入力とし、それらを用いて計算相関画像１２１３を計算する。入力マッチングシフト量１３０２は入力装置１３０から入力することができる。計算相関画像１２１３は、学習器が学習を実施する際の教師データとして用いることができる。
　推定誤差算出部１２０３は、推定相関画像１２１１と、計算相関画像１２１３との間の推定誤差１２１４を算出する。具体的には、相関画像推定部１２０１が推定した推定相関画像１２１１の各画素値と、教師データとなる計算相関画像１２１３の各画素値との間の違いの総和を誤差関数によって求める。例えば、平均２乗誤差や平均絶対誤差などによって誤差を算出する。誤差関数はこれらに限定するものでなく、画像間の差を算出できるものであればよい。
　推定パラメータ更新部１２０４は、推定相関画像１２１１における各画素値の推定誤差が小さくなるように、相関画像推定部１２０１内の学習器のパラメータを調整し、相関画像推定部１２０１に対して供給する。
　以上のような推定と逆伝播を１回以上繰り返すことによって、推定相関画像１２１１を計算相関画像１２１３に近づける学習モデルを学習することができる。半導体パターンに特徴的な繰り返しパターンなどのように、マッチング正解位置が複数個ある画像であっても、相関画像は１個のみであるので、適切に学習することが可能となる。
　相関画像推定部１２０１が備える学習済みモデルを用いて、マッチング対象とする設計図１１０２とＳＥＭ像１１０４との間の推定相関画像１２１１を推定する。マッチングシフト量算出部１２０５は、推定相関画像１２１１から推定マッチングシフト量１３０１を計算する。マッチングシフト量を計算する方法としては、例えば以下のような手順を用いることができる。
（マッチングシフト量を計算する手順その１）
　推定相関画像１２１１の画素値のうち最も高いもの（最高輝度画素）を特定する。最高輝度画素の位置は、設計図１１０２とＳＥＭ像１１０４が最も合致する位置であるので、マッチングシフト量を表している。ただし以下の原点補正が必要である。推定相関画像１２１１の画素値は、例えば推定相関画像１２１１の左上端部を原点として、座標をシフトしながら各シフト位置における相関値を算出することにより、セットされている。他方で設計図１１０２またはＳＥＭ像１１０４は、中心位置を原点としている場合がある。このように、推定相関画像１２１１と設計図１１０２との間、または推定相関画像１２１１とＳＥＭ像１１０４との間で原点位置が異なる場合、原点位置を一致させる補正が必要になる。原点補正後の最高輝度画素の位置から、設計図１１０２とＳＥＭ像１１０４との間のマッチングシフト量を得ることができる。
（マッチングシフト量を計算する手順その２）
　最高輝度を有する画素に代えて、閾値以上の画素値を全て特定し、そのなかで画像内の指定位置（例えば画像中心）に最も近いものを用いて、マッチングシフト量を得るようにしてもよい。原点補正が必要な場合は、上記その１と同様に実施する。
　以上のように、相関画像推定部１２０１（学習済みモデル）が相関画像を推定し、マッチングシフト量算出部１２０５がその相関画像からマッチングシフト量を推定することによって、繰り返しパターンを含む半導体のパターンにおいても、マッチングシフト量を求める学習モデルを実現できる。
　相関画像の学習においては、パターンの横方向エッジと縦方向エッジの情報を分離し、それぞれの方向における情報を強調する相関画像（強調相関画像）を学習してもよい。この場合、学習器は、（ａ）縦方向において設計図１１０２とＳＥＭ像１１０４が合致する程度を表す相関値を画素値として有する縦方向相関画像を推定し、（ｂ）横方向において設計図１１０２とＳＥＭ像１１０４が合致する程度を表す相関値を画素値として有する横方向相関画像を推定する、ように構成される。パターンマッチングシステム１２０は、縦方向相関画像と横方向相関画像を合成することにより、推定相関画像１２１１を生成することができる。横方向相関と縦方向相関を分離してそれぞれ学習することによって、情報量が比較的少ない方向の情報を強調して学習することができる。これにより、安定してマッチングすることが可能となる。パターンの情報分離は横エッジと縦エッジに限定せず、安定して学習できる方向のエッジであればよい。
　図２は、相関画像計算部１２０２の構成例を示す。画像２１１は設計図１１０２の例であり、画像２１２はＳＥＭ像１１０４の例である。入力マッチングシフト量１３０２は、ユーザにより入力された画像２１１と画像２１２との間のマッチングシフト量である。
　画像切り出し部２０１は、画像２１１から画像２０２を切出す。画像２０２は、入力マッチングシフト量１３０２が指定する位置において、画像２１２と同サイズの領域を画像２１１から切り出した画像である。相関演算部２０３は、画像２０２と画像２１１との間の相関画像２０４を計算する。相関演算部２０３は、例えば、正規化相互相関などの手法を用いて相関画像２０４を計算する。学習しやすい相関画像になるように、画像２１１と画像２０２を前処理してもよい。相関画像２０４を計算する手法はこれらの手法に限定するものでなく、マッチング正解位置の相関値を一番高く（または低く）算出するものであればよい。
　図３は、相関画像推定部１２０１が備える学習モデル３０１の構成例を示すブロック図である。学習モデル３０１は、例えば畳み込みニューラルネットワークによって構成することができる。学習モデル３０１は、計算相関画像１２１３と推定相関画像１２１１との間の差分が小さくなるように、パラメータ（ニューロン間の結合重みやバイアスなど）を調整する。学習プロセスは、このパラメータ調整によって実施される。学習は例えば、誤差逆伝播法によって逐次的にパラメータを更新することにより実施できる。
　具体的には、推定パラメータ更新部１２０４は、出力データ（推定相関画像１２１１）と教師データ（計算相関画像１２１３）との間の誤差が、各パラメータに対してどのように変化するか（例えば勾配）を計算する。推定パラメータ更新部１２０４は、その変化量に応じて少しずつパラメータを更新し、最適な出力になるようにパラメータを調整する。
　学習モデル３０１は、１例として、入力層３１１、出力層３１６、複数の中間層３１２、３１３、３１４、３１５によって構成されている。
　入力層３１１に対して、入力画像とする設計図１１０２（被探索画像）と、ＳＥＭ像１１０４（テンプレート画像）とが入力される。入力層３１１から中間層３１２まで、および中間層３１２から中間層３１３までにおいては、所定係数フィルタによる畳み込み演算や画像縮小によって層内のデータが集約される。中間層３１３は設計図１１０２とＳＥＭ像１１０４を集約したデータを格納する。
　中間層３１３から中間層３１４までは、設計図１１０２の集約データとＳＥＭ像１１０４の集約データとの間の相関値を計算することにより、両者の相関データを算出する。この相関データは中間層３１４に格納される。
　中間層３１４から中間層３１５、および中間層３１５から出力層３１６においては、所定係数フィルタによる畳み込み演算や画像拡大によって層内のデータが展開される。出力層３１６内のデータは、設計図１１０２とＳＥＭ像１１０４との間の推定相関画像１２１１である。
　推定誤差算出部１２０３は、推定相関画像１２１１と計算相関画像１２１３との間の誤差を算出する。推定パラメータ更新部１２０４は、その誤差を用いて、誤差逆伝播法によって各層のパラメータ（重みやバイアス）を更新する。
　このようにマッチング対象とする２つの画像を入力とし、相関画像を出力とするモデルは、ＥｎｄｔｏＥｎｄで学習する（学習させるタスクに対して、入出力関係を直接学習するような学習）ことができる。ＥｎｄｔｏＥｎｄで学習することによって、中間層２１３において、テンプレート画像と被探索画像とを近づけるようなデータを自動的に集約することができる。これにより入力画像間の乖離を吸収する効果がある。また、中間層３１５は、中間層３１４に格納されている相関データから推定相関画像１２１１の生成に必要なデータを自動的に選択することが可能となる。ＳＥＭ画像内に余剰なパターン（設計図にないが、ＳＥＭ像にあるパターン）が写り込んだとしても、安定して計算相関画像１２１３と近づける推定相関画像１２１１を推定する効果がある。
　入力画像間の乖離を吸収しやすくするために、テンプレート画像と被探索画像のそれぞれにおいて複数個の画像（多チャンネル）を入力してもよい。多チャンネル画像は、例えば、（ａ）同じ撮像対象に対して、撮像条件を変更して撮像された画像、（ｂ）図６で後述するように異なる検出器によって撮像した画像、（ｃ）検出器で撮像した画像と光学式カメラで撮像した画像、などである。多チャンネルの画像はこれらのものに限定するものでなく、入力画像間の乖離を吸収しやすくなるような画像でよい。
　推定相関画像１２１１のコントラスト（マッチング正解位置の相関値と他の位置の相関値との間の差）が大きくなるように、入力画像の１つのチャンネルなどを介して補助情報を学習モデルに対して入力してもよい。補助情報としては、例えば、マッチングに注目する領域の輝度値を高くするような重み画像が挙げられる。このような情報を入力することによって、注目する領域のデータを重視するとともに、それ以外の部分のデータの重要度を減らし、よりコントラストの高い相関画像を得ることが可能になる。補助情報はこれらのものに限定するものではなく、推定されたコントラストを大きい相関画像の推定をしやすくなるものであればよい。
　図４は、ユーザがマッチングシフト量を入力するＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）の１例を示す図である。図４に例示するＧＵＩ４０１は、例えば図１に示す入力装置１３０に表示させることができる。ユーザはＧＵＩ４０１により、相関画像推定部１２０１が学習する際に必要となる入力マッチングシフト量１３０２を入力することができる。ＧＵＩ４０１は、画像表示領域４０２、画像透明度設定領域４０３、マッチングシフト量入力領域４０４、設定ボタン４０５を有する。
　画像表示領域４０２は、設計図４２１、ＳＥＭ像４２２、カーソル４２３を表示する。設計図４２１とＳＥＭ像４２２はオーバレイで表示される。ユーザは、カーソル４２３によってＳＥＭ像４２２を設計図４２１とマッチングする位置に移動することができる。ＳＥＭ像４２２の移動量がマッチングシフト量に相当する。カーソル４２３を移動することによって変化するマッチングシフト量は、リアルタイムでマッチングシフト量設定枠４４１に反映される。
　ユーザは、マッチングシフト量入力領域４０４にあるマッチングシフト量設定枠４４１によってマッチングシフト量を直接入力することもできる。入力したマッチングシフト量はＳＥＭ像４２２が設計図４２１に対して相対的に移動することによって反映される。
　ユーザは画像透明度設定領域４０３において、マッチング結果を確認しやすくなるように、枠４３１に対して設計図４２１とＳＥＭ像４２２の透明度（強度）を入力することができる。
　ユーザが設定ボタン４０５を押下すると、マッチングシフト量が入力マッチングシフト量１３０２として相関画像計算部１２０２に対して供給される。
　図４を用いて、マッチングシフト量の入力方法を説明したが、マッチングシフト量の入力方法は説明した方法に限定するものでなく、マッチングそのシフト量を入力できる方法でよい。
　図５は、パターンマッチング装置１００の動作を説明するフローチャートである。以下図５の各ステップを説明する。
（図５：ステップＳ５０１～Ｓ５０２）
　パターンマッチングシステム１２０は、記憶媒体に記憶されている学習データ（設計図１１０２、ＳＥＭ像１１０４）を取得する（Ｓ５０１）。ユーザは、図４に例示したＧＵＩ４０１から、設計図１１０２とＳＥＭ像１１０４とを手動でマッチングすることによって、両者のマッチングシフト量を入力する（Ｓ５０２）。
（図５：ステップＳ５０３）
　相関画像計算部１２０２は、設計図１１０２と入力マッチングシフト量１３０２を受け取り、計算相関画像１２１３を計算する。
（図５：ステップＳ５０４）
　相関画像推定部１２０１は、設計図１１０２とＳＥＭ像１１０４を受け取り、推定相関画像１２１１を生成する。推定誤差算出部１２０３は、誤差関数を用いて、推定相関画像１２１１と計算相関画像１２１３との間の差分、すなわち相関画像推定部１２０１の推定誤差１２１４を算出する。推定パラメータ更新部１２０４は、推定誤差１２１４を逆伝播することにより、ニューラルネットワークの重みおよびバイアスの変化を計算し、その値を更新する。以上のような推定と逆伝播を１回以上繰り返すことによって、学習を実施する。
（図５：ステップＳ５０５～Ｓ５０６）
　相関画像推定部１２０１は、学習済みモデルを用いて推定相関画像１２１１を推定する（Ｓ５０５）。マッチングシフト量算出部１２０５は、推定相関画像１２１１から推定マッチングシフト量１３０１を算出する（Ｓ５０６）。
　図６は、パターンマッチング装置１００とＳＥＭ６００とを含む、パターン測定システムの構成例を示す。ＳＥＭ６００は、たとえば半導体ウエハ６０３上に形成された半導体デバイスのパターン寸法を計測する。パターン測定システムにおける演算処理装置またはコンピュータシステムは、たとえば制御部６１４として構成することができる。
　制御部６１４は、演算手段（たとえばＣＰＵ／ＧＰＵ６１６）と、記憶手段（たとえば画像メモリ６１５を含むメモリ）とを備える。記憶手段には情報を格納することができ、たとえばパターンマッチング処理に関するプログラムが格納される。
　ＣＰＵ／ＧＰＵ６１６がこのプログラムを実行することにより、図１に示すパターンマッチング処理が実行される。すなわち制御部６１４がパターンマッチング装置１００として機能する。言い換えると、このプログラムは、コンピュータシステムを、パターンマッチング装置１００に含まれる演算処理装置として機能させ、図１に示すパターンマッチング処理を実行させる。
　ＳＥＭ６００は、電子銃６０１から電子ビームを発生させる。ステージ６０２上におかれた試料である半導体ウエハ６０３上の任意の位置において、電子ビームが焦点を結んで照射されるように、偏向器６０４および対物レンズ６０５が制御される。
　電子ビームを照射された半導体ウエハ６０３からは２次電子が放出され、２次電子検出器６０６により検出される。検出された２次電子はＡ／Ｄ変換器６０７によってデジタル信号に変換される。デジタル信号によって表される画像は、制御部６１４内の画像メモリ６１５に格納される。
　この画像は、たとえばＳＥＭ像１１０４として用いられ、この画像に基づき、制御部６１４またはＣＰＵ／ＧＰＵ６１６によって、図１に示すパターンマッチング処理に示す学習処理が実施される。
　これらの処理について必要な設定処理および処理結果の表示は、入力装置１３０で行うことができる。
　ＳＥＭよりも低倍率の光学式カメラを用いたアライメントにおいては、光学式カメラ６１１を用いてもよい。半導体ウエハ６０３を光学式カメラ６１１が撮像することによって得られる信号は、Ａ／Ｄ変換器６１２によってデジタル信号に変換され（光学式カメラ６１１からの信号がデジタル信号の場合は、Ａ／Ｄ変換器６１２は不要となる）、デジタル信号によって表される画像が制御部６１４内の画像メモリ６１５に格納され、ＣＰＵ／ＧＰＵ６１６は目的に応じた画像処理を実施する。
　ＳＥＭ６００は反射電子検出器６０８を備えてもよい。反射電子検出器６０８が備わっている場合は、半導体ウエハ６０３から放出される反射電子を、反射電子検出器６０８により検出し、検出された反射電子をＡ／Ｄ変換器６０９あるいは６１０によってデジタル信号に変換する。デジタル信号によって表される画像は、制御部６１４内の画像メモリ６１５に格納され、ＣＰＵ／ＧＰＵ６１６は目的に応じた画像処理を実施する。
　画像メモリ６１５とは別に記憶手段６２１が設けられてもよい。制御部６１４は、ステージコントローラ６３０を介してステージ６０２を制御してもよく、偏向制御部６３１を介して対物レンズ６０５等を制御してもよい。
　図６の例では、パターンマッチング装置１００とともに用いる検査装置の例としてＳＥＭ６００を示したが、パターンマッチング装置１００とともに用いることができる装置はこれに限らない。画像を取得し、パターンマッチング処理を行う任意の装置（計測装置、検査装置、など）をパターンマッチング装置１００とともに用いることができる。
　図７は、図６のパターン測定システムの別構成例を示す。図７の構成例は、図６と同一の構成に対する別の表現として理解されてもよい。パターン測定システムは、ＳＥＭ本体７０１、ＳＥＭ本体７０１を制御する制御装置７０２、図１のパターンマッチング処理を実行する演算処理装置７０４、設計データを格納する設計データ記憶媒体７０５、演算処理装置７０４に対して必要な情報を入力するための入力装置１３０、を備える。
　演算処理装置７０４は、演算手段（たとえば演算処理部７０７）と、記憶手段（たとえばメモリ７０８）とを備える。記憶手段には情報を格納することができ、たとえばパターンマッチング処理に関するプログラムが格納される。
　演算処理部７０７がこのプログラムを実行することにより、図１に示すパターンマッチング処理が実行される。すなわち演算処理装置７０４はパターンマッチング装置１００として機能する。言い換えると、このプログラムは、コンピュータシステムを、パターンマッチング装置１００に含まれる演算処理装置として機能させ、図１に示すパターンマッチング処理を実行させる。
　演算処理部７０７は、テンプレートの条件を設定するレシピ作成部７１１、設定されたテンプレートに基づいてパターンマッチング処理を実行するマッチング処理部７１２、マッチング処理部７１２によって特定された測定位置の測定処理を実行するパターン測定部７１０、を備える。
　電子ビームの走査によって得られた２次電子や反射電子等は、検出器７０３によって捕捉され、その検出信号に基づいてＳＥＭ像（図１のＳＥＭ像１１０４に対応する）が生成される。ＳＥＭ像は、マッチング処理部７１２の被探索画像として、およびパターン測定部７１０による測定用信号として、演算処理装置７０４に送られる。
　図７においては、制御装置７０２と演算処理装置７０４が別装置として構成されているが、これらは一体型の装置であってもよい。
　検出器７０３によって捕捉された電子に基づく信号は、制御装置７０２に内蔵されたＡ／Ｄ変換器によってデジタル信号に変換される。このデジタル信号に基づき、演算処理装置７０４に内蔵される画像処理ハードウェア（ＣＰＵ、ＧＰＵ、ＡＳＩＣ、ＦＰＧＡ等）によって、目的に応じた画像処理が実施される。
　レシピ作成部７１１は切り出し部７１３を備える。切り出し部７１３は、設計データ記憶媒体７０５から設計データを読み出し、その一部を切り出す。設計データから切り出される部分は、たとえば入力装置１３０から設定された座標情報などのパターン識別データに基づいて決定される。
　レシピ作成部７１１は、切り出された設計データ（レイアウトデータ）に基づいて、マッチングに供されるパターンデータを作成する。ここで作成されるパターンデータは、図１の設計データ１０４として用いることができる。
　マッチング処理部７１２内の処理は、図１を用いて説明した通りである。メモリ７０８には、設計データ、レシピ情報、画像情報、測定結果等が記憶される。
　演算処理装置７０４における処理の一部または全てを、ＣＰＵ、ＧＰＵ、および画像の蓄積が可能なメモリを搭載した電子計算機などによって実現することも可能である。
　入力装置１３０は、撮像レシピ作成装置としても機能し、撮像レシピを作成する。撮像レシピは測定条件を表し、たとえば、測定および検査において必要とされる電子デバイスの座標、パターンの種類、撮影条件（光学条件やステージの移動条件）などを含む。
　入力装置１３０は、入力された座標情報や、パターンの種類に関する情報を、設計データのレイヤ情報またはパターンの識別情報と照合し、必要な情報を設計データ記憶媒体７０５から読み出す機能を備えてもよい。
　設計データ記憶媒体７０５に記憶される設計データは、任意の形式で表現することができるが、たとえばＧＤＳフォーマットやＯＡＳＩＳフォーマットなどで表現することができる。設計データを表示するための適切なソフトウェアが、設計データの様々なフォーマットによる設計データを表示し、または図形データとして取り扱うことができる。図形データは、設計データに基づいて形成されるパターンの理想形状を示す線分画像情報であってもよいし、これに露光シミュレーションを施すことによって、実パターンに近くなるような変形処理が施された線分画像情報であってもよい。
　図１で説明する処理を行うプログラムを記憶媒体に登録しておき、画像メモリを有し走査電子顕微鏡に必要な信号を供給する制御プロセッサにより、当該プログラムを実行するようにしてもよい。
＜実施の形態２＞
　図８は、本開示の実施形態２に係るパターンマッチング装置１００の構成例を示す。実施形態１（図１）と同じ構成要素については、図８において同じ参考符号を付しているので、以下では重複する説明は省略する。
　本実施形態２に係るパターンマッチング装置１００は、学習データの生成時にマッチングシフト量の手入力やＳＥＭ像の撮像などを必要とせず、走査顕微鏡に依存せずオフラインで学習器を学習することが可能である。具体的には、パターンマッチングシステム１２０は図１で説明した構成に加えて、学習データ生成部８２０６を備える。学習データ生成部８２０６は、被探索画像（設計図１１０２）から、学習に必要となる疑似テンプレート画像（疑似ＳＥＭ像８２１６）と生成マッチングシフト量８２１５（後述）を生成するように構成されている。学習データ生成部８２０６の入力は設計図に限定するものでなく、ほかの種類の例えばＳＥＭ像にしてもよい。
　図９は、学習データ生成部８２０６の構成例を示す。画像９０１は設計図１１０２の１例である。
　マッチングシフト量生成部９０４はマッチングシフト量を発生させ、生成マッチングシフト量９０３とする。マッチングシフト量の生成方法としては、例えば、マッチングシフト量の可能範囲内においてランダムにシフト量を発生する方法が挙げられる。マッチングシフト量の生成方法はこれらの方法に限定するものでなく、マッチングシフト量を生成する方法でよい。
　生成マッチングシフト量９０３と画像９０１を画像切り出し部９０５に入力し、画像切り出し部９０５はテンプレート画像と同サイズの画像９０６を切出す。
　疑似ＳＥＭ画像生成部９０７は、画像９０６から疑似ＳＥＭ画像９０２を生成する。生成される疑似ＳＥＭ画像の画質は画像スタイル９０８（コントラスト、ノイズ、パターンの変形具合など）によって調整される。画像９０８スタイルはユーザが入力してもよく、ランダムに発生させてもよい。疑似ＳＥＭ画像生成部９０７は、例えば、学習済みの設計図から像に変換するモデル、あるいは設計図からＳＥＭ像に変換するシミュレータなどによって構成することができる。疑似ＳＥＭ画像生成部９０７はこれらに限定するものではなく、画質調整可能な疑似画像を変換できるものであればよい。
　学習データ生成部８２０６が生成した疑似ＳＥＭ像８２１６と設計図１１０２を用いて、実施形態１で説明した通り、相関画像推定部１２０１の学習モデルを学習する。相関画像計算部１２０２は、生成マッチングシフト量８２１５と設計図１１０２とから、計算相関画像１２１３を生成する。
　相関画像推定部１２０１が備える学習済みモデルを用いて、マッチング対象とする設計図１１０２とＳＥＭ像１１０４との間の推定相関画像１２１１を推定する。マッチングシフト量算出部１２０５は、推定相関画像１２１１から推定マッチングシフト量１３０１を計算する。
　以上のように、学習の段階で学習データ生成部８２０６を用いることによって、設計図１１０２のみで学習することができるので、オフラインで学習することが可能となる。さらに、スタイルの調整可能な疑似ＳＥＭ画像を用いて学習することによって、汎用性の高いモデルを学習することができる。
　図１０は、本実施形態２に係るパターンマッチング装置１００の動作を説明するフローチャートである。以下図１０の各ステップを説明する。
（図１０：ステップＳ１００１）
　パターンマッチングシステム１２０は、記憶媒体に記憶されているデータ（設計図１１０２）を取得し、学習データ生成部８２０６は学習データを生成する。学習データは疑似ＳＥＭ像８２１６と生成マッチングシフト量８２１５によって構成される。
（図１０：ステップＳ１００２）
　相関画像計算部１２０２は、設計図１１０２と生成マッチングシフト量８２１５を受け取り、計算相関画像１２１３を計算する。
（図１０：ステップＳ１００３）
　相関画像推定部１２０１は、設計図１１０２と疑似ＳＥＭ像８２１６を受け取り、推定相関画像１２１１を生成する。推定誤差算出部１２０３は、誤差関数を用いて、推定相関画像１２１１と計算相関画像１２１３との間の差分、すなわち相関画像推定部１２０１の推定誤差１２１４を算出する。推定パラメータ更新部１２０４は、推定誤差１２１４を逆伝播することにより、ニューラルネットワークの重みおよびバイアスの変化を計算し、その値を更新する。以上のような推定と逆伝播を１回以上繰り返すことによって、学習を実施する。
（図１０：ステップＳ１００４～Ｓ１００６）
　学習が完了後、パターンマッチングシステム１２０は、設計図１１０２とＳＥＭ像１１０４を取得する（Ｓ１００４）。取得した画像は相関画像推定部１２０１に入力する。相関画像推定部１２０１は、入力画像間の推定相関画像１２１１を推定する（Ｓ１００５）。マッチングシフト量算出部１２０５は、推定相関画像１２１１から推定マッチングシフト量１３０１を算出する（Ｓ１００６）。
＜実施の形態２：まとめ＞
　本実施形態２に係るパターンマッチング装置１００は、学習データ生成部８２０６が学習データを自動生成することにより、ユーザによるマッチングシフト量の入力や走査顕微鏡の撮像による画像取得の手間を省くことができ、走査顕微鏡に依存せず学習器を学習することが可能になる。
＜実施の形態３＞
　本開示の実施形態３では、複数層を有する設計データとＳＥＭ像とのマッチングにおいて、各層のマッチングシフト量をそれぞれ出力することが可能であるパターンマッチング装置１００について説明する。パターンマッチング装置１００の構成は実施形態１～２と同様であるので、以下では各層のマッチングシフト量などに関する事項について主に説明する。
　半導体パターンを形成する工程において、加工精度や環境などの影響により、形成された半導体パターンの各層間において配置ずれが生じる可能性がある。これにより、撮像されたＳＥＭ像は設計図に対して層間ずれが発生する可能性がある。複数層を有する設計図とＳＥＭ像においては、各層のマッチングシフト量をそれぞれ推定することによって、後段の計測工程で例えばオーバレイ計測を実施し、あるいは計測位置を高精度に調整できる効果がある。ここでのオーバレイ計測は、層間のずれの計測であり、例えば、上層パターンのマッチングシフト量、および下層パターンのマッチングシフト量をそれぞれ計測し、その差を層間のずれとする。
　本実施形態３における学習の流れを説明する。設計図１１０２は、上下層それぞれの設計情報を含む設計図である。ＳＥＭ像１１０４は設計図１１０２の一部に対応するＳＥＭ像である。設計図１１０２においては、上層パターンに隠れた下層パターンをあらかじめ削除してもよい。
　設計図１１０２とＳＥＭ像１１０４を相関画像推定部１２０１に対して入力し、推定相関画像１２１１を推定する。推定相関画像１２１１は、例えば多チャンネル画像の形式により、上層の相関画像と下層の相関画像を保持する。
　相関画像計算部１２０２は、教師データとなる計算相関画像１２１３を計算しる。計算相関画像１２１３は、推定相関画像１２１１と同じように、上層の計算相関画像と下層の計算相関画像を保持する。上層の計算相関画像は、実施形態１で説明した通り、上層の設計図と上層のマッチングシフト量を用いて計算する。上層のマッチングシフト量は図４で説明した通り、入力装置１３０から入力する。下層の計算相関画像は、実施形態１で説明した通り、下層の設計図と下層のマッチングシフト量を用いて計算する。下層のマッチングシフト量は図４で説明した通り、入力装置１３０から入力する。ＳＥＭ像上において上層パターンの下にある下層パターンが見えない場合、あらかじめ設計図上において、上層パターンに隠れた下層パターンを削除してもよい。
　実施形態１で説明した通り、推定と逆伝播を１回以上繰り返すことによって、推定相関画像１２１１を計算相関画像１２１３に近づける学習モデルを学習する。
　相関画像推定部１２０１に含まれる学習済みモデルを用いて、マッチング対象とする設計図１１０２とＳＥＭ像１１０４との間の推定相関画像１２１１を推定する。推定相関画像１２１１には、上層推定相関画像と下層推定画像が含まれる。
　マッチングシフト量算出部１２０５は、推定相関画像１２１１から推定マッチングシフト量１３０１を算出する。推定マッチングシフト量１３０１には、上層マッチングシフト量と下層マッチングシフト量が含まれる。上層マッチングシフト量は推定した上層相関画像から算出される。下層マッチングシフト量は推定した下層相関画像から算出される。
　以上のように、上下層のマッチングシフト量をそれぞれ計算することによって、後段の計測工程において、例えばオーバレイ計測を実施し、あるいは計測位置を高精度に調整することができる効果がある。
　学習をオフライン実施するために、実施形態２で説明した学習データ生成部８２０６を用いて学習データを生成してもよい。学習データ生成部８２０６は、設計図１１０２から疑似ＳＥＭ像８２１６と生成マッチングシフト量８２１５とを生成する。学習データ生成部８２０６は、疑似ＳＥＭ像８２１６を生成する際には、まず上層パターンと下層パターンを少しずらす。このずらした設計図を用いて図９で説明したように疑似ＳＥＭ像８２１６を生成する。生成マッチングシフト量に対して上下層パターン間のずれ量を加え、上層マッチングシフト量と下層マッチングシフト量とする。
　学習データ生成部８２０６が生成した疑似ＳＥＭ像８２１６と設計図１１０２を用いて、図１で説明した通り、相関画像推定部１２０１の学習モデルを学習する。相関画像計算部１２０２は、生成マッチングシフト量８２１５と設計図１１０２とから、計算相関画像１２１３を計算する。
　学習データ生成部８２０６を用いることによって、設計図１１０２のみで学習することができるので、オフラインで学習することが可能となる。さらに、スタイルの調整可能な疑似ＳＥＭ像８２１６を用いて学習することによって、汎用性の高いモデルを学習することができる。
　図１１は、本実施形態３に係るパターンマッチング装置１００の動作を説明するフローチャートである。以下図１１の各ステップを説明する。
（図１１：ステップＳ１１０１：その１）
　パターンマッチングシステム１２０は、記憶媒体に記憶されている学習データ（設計図１１０２、ＳＥＭ像１１０４）を取得する。ユーザは、図４に例示したＧＵＩ４０１において、設計図とＳＥＭ像とを手動でマッチングすることによって、両者の上層マッチングシフト量と下層マッチングシフト量とを入力する。設計図、ＳＥＭ像、マッチングシフト量を学習データとして準備する。
（図１１：ステップＳ１１０１：その２）
　学習データ生成部８２０６利用した場合は、記憶媒体に記憶されている学習データ（設計図１１０２）を取得する。学習データ生成部８２０６は、疑似ＳＥＭ像と生成マッチングシフト量を生成する。設計図、疑似ＳＥＭ像、生成マッチングシフト量を学習データとして準備する。
（図１１：ステップＳ１１０２～Ｓ１１０３）
　相関画像計算部１２０２は、設計図１１０２の上層部分と上層マッチングシフト量とを受け取り、上層計算相関画像を計算する（Ｓ１１０２）。相関画像計算部１２０２は、設計図１１０２の下層部分と下層マッチングシフト量とを受け取り、下層計算相関画像を計算する（Ｓ１１０３）。
（図１１：ステップＳ１１０４）
　相関画像推定部１２０１は、設計図１１０２とＳＥＭ像１１０４（画像生成部を用いた場合疑似ＳＥＭ像）を受け取り、上層推定相関画像と下層相関画像と含む推定相関画像１２１１を生成する。推定誤差算出部１２０３は、誤差関数を用いて、推定相関画像１２１１と計算相関画像１２１３との間の差分、すなわち相関画像推定部１２０１の推定誤差１２１４を算出する。推定パラメータ更新部１２０４は、推定誤差１２１４を逆伝播することにより、ニューラルネットワークの重みおよびバイアスの変化を計算し、その値を更新する。以上のような推定と逆伝播を１回以上繰り返すことによって、学習を実施する。
（図１１：ステップＳ１１０５～Ｓ１１０６）
　学習が完了後、パターンマッチングシステム１２０は、設計図１１０２とＳＥＭ像１１０４を取得する（Ｓ１１０５）。取得した設計図とＳＥＭ像を学習済みモデルに入力する（Ｓ１１０６）。
（図１１：ステップＳ１１０７～Ｓ１１０８）
　相関画像推定部１２０１は、学習済みモデルを用いて上層推定相関画像を推定する（Ｓ１１０７）。マッチングシフト量算出部１２０５は、上層推定相関画像から、上層マッチングシフト量を算出する（Ｓ１１０８）。
（図１１：ステップＳ１１０９～Ｓ１１１０）
　相関画像推定部１２０１は、上層パターンと同じように、学習済みモデルを用いて下層推定相関画像を推定する（Ｓ１１０９）。マッチングシフト量算出部１２０５は、下層推定相関画像から、下層マッチングシフト量を算出する（Ｓ１１１０）。
（図１１：ステップＳ１１１１）
　パターンマッチングシステム１２０は、算出した上層マッチングシフト量と下層マッチングシフト量との差（ベクトル差分）を計算することにより、先に述べた層間のずれを計算することができる。あるいは、層間のずれを算出せずに、上層マッチングシフト量と下層マッチングシフト量とを計測位置として後段の計測工程において用いてもよい。
＜実施の形態３：まとめ＞
　本実施形態３に係るパターンマッチング装置１００は、上下層のマッチングシフト量をそれぞれ計算することによって、後段の計測工程において、例えばオーバレイ計測を実施し、あるいは計測位置を高精度に調整することができる効果がある。
＜本開示の変形例について＞
　本開示は、前述した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開示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ことが可能であり、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・置換をすることが可能である。
　実施形態３において、上下層ごとにマッチングシフト量を計算することを説明したが、３層以上を有する試料においても同様に、層毎にマッチングシフト量を計算し、各真チングシフト量間のベクトル差分を求めることにより、層間の位置ずれを計算できる。
　以上の実施形態において、相関画像計算部１２０２は、設計図１１０２を切り出して生成した画像と設計図１１０２との間の相関画像（計算相関画像１２１３）を求めることを説明した。教師データとしての正確性が必要であれば、これが最も望ましい。他方で様々な精度を有する教師データが必要な場合もある。そのような場合は、設計図１１０２を切り出すことに代えてまたはこれと併用して、以下のような相関画像を求め、これを学習データとして用いてもよい。併用する場合は、学習データのうち一部として、下記のような相関画像を用いればよい。
（計算相関画像１２１３の変形例その１）
　ＳＥＭ像１１０４と同じ位置において設計図１１０２と同じ種類の設計図と、設計図１１０２との間の相関画像を、計算相関画像１２１３として計算する。この場合、ユーザがマッチングシフト量を入力する手間を省くことができる。
（計算相関画像１２１３の変形例その２）
　１１０２がＳＥＭ像であり、１１０４がＳＥＭ像である場合も考えられる。ＳＥＭ像１１０４は、ＳＥＭ像１１０２とは別の手段によって取得したＳＥＭ像である（例えば、ＳＥＭ像１１０２の撮像条件とは異なる条件で撮像したＳＥＭ像）。この場合において、ＳＥＭ像１１０２と同じ位置の設計図と、ＳＥＭ像１１０４と同じ位置の設計図（前記設計図と同じ種類）との間の相関画像を、計算相関画像１２１３として計算する。この場合、ＳＥＭ像の種類が複数であっても、計算相関画像１２１３を計算する基準を統一できる利点がある。
（計算相関画像１２１３の変形例その３）
　１１０２がＳＥＭ像であり、１１０４がＳＥＭ像（ＳＥＭ像１１０２とは別の手段によって取得）である場合において、ＳＥＭ像１１０２と同じ位置においてＳＥＭ像１１０４と同じ種類のＳＥＭ像（画像生成ツール等で生成した疑似ＳＥＭ画像等）と、ＳＥＭ像１１０４との間の相関画像を、計算相関画像１２１３として計算する。この場合は、設計図を準備する手間省くことができる。
（計算相関画像１２１３の変形例その４）
　１１０２がＳＥＭ像であり、１１０４がＳＥＭ像（ＳＥＭ像１１０２とは別の手段によって取得）である場合において、ＳＥＭ像１１０４と同じ位置においてＳＥＭ像１１０２と同じ種類のＳＥＭ像（画像生成ツール等で生成した疑似ＳＥＭ画像等）と、ＳＥＭ像１１０２との間の相関画像を、計算相関画像１２１３として計算する。この場合は、設計図を準備する手間を省くことができる。
（計算相関画像１２１３の変形例その５）
　１１０２がＳＥＭ像、１１０４が設計図の場合において、ＳＥＭ像１１０２と同じ位置において設計図１１０４と同じ種類の設計図と、設計図１１０４との相関画像を、計算相関画像１２１３として計算する。この場合、ＳＥＭ像の種類が複数であっても計算相関画像１２１３を計算する基準を統一できる利点がある。
（計算相関画像１２１３の変形例その６）
　１１０２がＳＥＭ像、１１０４が設計図の場合において、設計図１１０４と同じ位置においてＳＥＭ像１１０２と同じ種類のＳＥＭ像と、ＳＥＭ像１１０２との相関画像を、計算相関画像１２１３として計算する。この場合は、設計図を準備する手間を省くことができる。
１００：パターンマッチング装置
１１０：記憶媒体
１１０２：設計図
１１０４：ＳＥＭ像
１２０：パターンマッチングシステム
１２０１：相関画像推定部
１２０２：相関画像計算部
１２０４：推定パラメータ更新部
１２０５：マッチングシフト量算出部
１２０６：推定誤差算出部
１３０：入力装置
８２０６：学習データ生成部

Claims (16)

  1. 　画像間のパターンマッチングを実施するパターンマッチング装置であって、
    　第１画像と第２画像との間でパターンマッチングを実施することにより、前記第１画像と前記第２画像との間のシフト量をパターンマッチング結果として出力する、コンピュータシステムを備え、
    　前記コンピュータシステムは、前記第１画像と前記第２画像を入力として受け取り、前記第１画像と前記第２画像との間の相関を表す数値を画素値として有する第１相関画像を推定して出力する、学習器を備え、
    　前記コンピュータシステムは、前記第１画像と、前記第１画像から生成した派生画像との間の相関を表す数値を画素値として有する、第２相関画像を計算し、
    　前記学習器は、前記第１相関画像と前記第２相関画像との間の差分を小さくする学習を実施できるように構成されており、
    　前記コンピュータシステムは、前記第１相関画像に基づき、前記第１画像と前記第２画像との間のシフト量を計算する
    　ことを特徴とするパターンマッチング装置。
  2. 　前記コンピュータシステムは、前記第１画像と前記派生画像との間の相関を表す数値を、前記第１画像と前記派生画像との間の座標シフト量ごとに計算し、
    　前記コンピュータシステムは、前記座標シフト量ごとに計算した数値をその座標シフト量に対応する画素の画素値として有する画像を、前記第２相関画像として計算する
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  3. 　前記コンピュータシステムは、前記第１相関画像が有する前記画素値のうち前記第１画像と前記第２画像との間の相関が基準値以上であるものが、前記第１画像または前記第２画像からずれている量を計算することにより、前記シフト量を計算する
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  4. 　前記コンピュータシステムはさらに、前記座標シフト量を指定する入力を受け取るインターフェースを備え、
    　前記コンピュータシステムは、前記インターフェースが受け取った前記入力が指定する前記座標シフト量にしたがって、前記第２相関画像を計算する
    　ことを特徴とする請求項２記載のパターンマッチング装置。
  5. 　前記コンピュータシステムは、前記学習器に対して、それぞれ異なる条件の下で取得された複数の前記第１画像を入力するとともに、前記第２画像と各前記第１画像との間の相関を表す前記第１相関画像を出力し、
    　または、
    　前記コンピュータシステムは、前記学習器に対して、それぞれ異なる条件の下で取得された複数の前記第２画像を入力するとともに、前記第１画像と各前記第２画像との間の相関を表す前記第１相関画像を出力し、
    　または、
    　前記コンピュータシステムは、前記学習器に対して、それぞれ異なる条件の下で取得された複数の前記第１画像を入力するとともに、それぞれ異なる条件の下で取得された複数の前記第２画像を入力し、各前記第１画像と各前記第２画像との間の相関を表す前記第１相関画像を出力する
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  6. 　前記コンピュータシステムは、前記第１相関画像のうち指定した部分領域の輝度値が前記第１相関画像のその他領域の輝度値よりも高くなるように、前記第１画像または前記第２画像のうち少なくともいずれかを補正した上で、その補正後の前記第１画像と前記第２画像を前記学習器に対して入力する
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  7. 　前記学習器は、前記第１相関画像として、前記第１画像と前記第２画像が第１方向において相関している程度を表す第１方向相関値を画素値として有する第１方向相関画像を推定するように構成されており、
    　前記学習器は、前記第１相関画像として、前記第１画像と前記第２画像が前記第１方向に対して直交する第２方向において相関している程度を表す第２方向相関値を画素値として有する第２方向相関画像を推定するように構成されており、
    　前記コンピュータシステムは、前記第１方向相関画像と前記第２方向相関画像を合成することにより、前記第１相関画像を生成する
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  8. 　前記コンピュータシステムはさらに、前記学習器が前記学習を実施するために用いる学習データを生成する学習データ生成部を備え、
    　前記学習データ生成部は、前記第１画像を座標シフトさせることにより前記派生画像を生成するとともに、その生成した前記派生画像と前記第１画像を前記学習データとして前記学習器に対して供給し、
    　前記コンピュータシステムは、前記学習データ生成部が前記派生画像を生成する際に用いた座標シフト量、または前記学習データ生成部が生成した前記派生画像を用いて、前記第２相関画像を計算する
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  9. 　前記学習データ生成部は、前記派生画像の画質または前記派生画像に含まれる形状パターンのうち少なくともいずれかを変化させることにより生成した変形画像を、前記学習データとして前記学習器に対して供給する
    　ことを特徴とする請求項８記載のパターンマッチング装置。
  10. 　前記コンピュータシステムは、上層と下層を有する試料の画像に対してパターンマッチングを実施するように構成されており、
    　前記第１画像は、前記試料の第１上層画像と前記試料の第１下層画像とを含み、
    　前記第２画像は、前記試料の第２上層画像と前記試料の第２下層画像とを含み、
    　前記学習器は、前記第１上層画像または前記第１画像と前記第２上層画像または前記第２画像を入力として受け取り、前記第１上層画像または前記第１画像と前記第２上層画像または前記第２画像との間の相関を表す数値を画素値として有する第１上層相関画像を推定して出力し、
    　前記学習器は、前記第１下層画像または前記第１画像と前記第２下層画像または前記第２画像を入力として受け取り、前記第１下層画像または前記第１画像と前記第２下層画像または前記第２画像との間の相関を表す数値を画素値として有する第１下層相関画像を推定して出力し、
    　前記コンピュータシステムは、前記第１上層相関画像に基づき、前記第１上層画像または前記第１画像と前記第２上層画像または前記第２画像との間の上層シフト量を計算し、
    　前記コンピュータシステムは、前記第１下層相関画像に基づき、前記第１下層画像または前記第１画像と前記第２下層画像または前記第２画像との間の下層シフト量を計算する
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  11. 　前記コンピュータシステムは、前記上層シフト量と前記下層シフト量に基づき、前記試料の上層と前記試料の下層との間のずれ量を算出して出力する
    　ことを特徴とする請求項１０記載のパターンマッチング装置。
  12. 　前記コンピュータシステムは、
    　　前記第１画像と、
    　　前記第２画像に対応する位置において前記第１画像と同じ種類の第３画像と、
    　の間の相関を表す数値を画素値として有する第３相関画像を計算し、
    　前記学習器はさらに、前記第１相関画像と前記第３相関画像との間の差分を小さくする学習を実施できるように構成されている
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  13. 　前記コンピュータシステムは、
    　　前記第１画像に対応する位置において前記第２画像と同じ種類の第４画像と、
    　　前記第２画像と、
    　の間の相関を表す数値を画素値として有する第４相関画像を計算し、
    　前記学習器はさらに、前記第１相関画像と前記第４相関画像との間の差分を小さくする学習を実施できるように構成されている
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  14. 　前記コンピュータシステムは、
    　　前記第１画像に対応する位置の第５画像と、
    　　前記第２画像に対応する位置において前記第５画像と同じ種類の第６画像と、
    　の間の相関を表す数値を画素値として有する第５相関画像を計算し、
    　前記学習器はさらに、前記第１相関画像と前記第５相関画像との間の差分を小さくする学習を実施できるように構成されている
    　ことを特徴とする請求項１記載のパターンマッチング装置。
  15. 　請求項１記載のパターンマッチング装置、
    　試料を撮像することにより前記第１画像と前記第２画像を取得して前記パターンマッチング装置に対して供給する走査電子顕微鏡、
    　を備えることを特徴とするパターン測定システム。
  16. 　画像間のパターンマッチングをコンピュータシステムに実施させるパターンマッチングプログラムであって、前記コンピュータシステムに、
    　第１画像と第２画像との間でパターンマッチングを実施することにより、前記第１画像と前記第２画像との間のシフト量をパターンマッチング結果として出力する、ステップを実施させ、
    　前記パターンマッチングを実施するステップにおいては、前記コンピュータシステムに、前記第１画像と前記第２画像を入力として受け取り、前記第１画像と前記第２画像との間の相関を表す数値を画素値として有する第１相関画像を推定して出力する、学習器に対して、前記第１画像と前記第２画像を供給し、前記第１相関画像を受け取る、ステップを実施させ、
    　前記パターンマッチングを実施するステップにおいては、前記コンピュータシステムに、前記第１画像と、前記第１画像から生成した派生画像との間の相関を表す数値を画素値として有する第２相関画像を計算するステップを実施させ、
    　前記学習器は、前記第１相関画像と前記第２相関画像との間の差分を小さくする学習を実施できるように構成されており、
    　前記パターンマッチングを実施するステップにおいては、前記コンピュータシステムに、前記第１相関画像に基づき、前記第１画像と前記第２画像との間のシフト量を計算するステップを実施させる
    　ことを特徴とするパターンマッチングプログラム。
PCT/JP2020/026773 2020-07-09 2020-07-09 パターンマッチング装置、パターン測定システム、パターンマッチングプログラム WO2022009357A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
KR1020227042756A KR20230007485A (ko) 2020-07-09 2020-07-09 패턴 매칭 장치, 패턴 측정 시스템, 패턴 매칭 프로그램
PCT/JP2020/026773 WO2022009357A1 (ja) 2020-07-09 2020-07-09 パターンマッチング装置、パターン測定システム、パターンマッチングプログラム
JP2022534573A JP7332810B2 (ja) 2020-07-09 2020-07-09 パターンマッチング装置、パターン測定システム、パターンマッチングプログラム
US18/009,783 US20230298310A1 (en) 2020-07-09 2020-07-09 Pattern Matching Device, Pattern Measuring System, Pattern Matching Program
CN202080101855.7A CN115699244A (zh) 2020-07-09 2020-07-09 图案匹配装置、图案测定系统、图案匹配程序
TW112123099A TWI817922B (zh) 2020-07-09 2021-06-28 圖案匹配裝置、圖案測定系統、圖案匹配程式
TW110123568A TWI809432B (zh) 2020-07-09 2021-06-28 圖案匹配裝置、圖案測定系統、圖案匹配程式

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/026773 WO2022009357A1 (ja) 2020-07-09 2020-07-09 パターンマッチング装置、パターン測定システム、パターンマッチングプログラム

Publications (1)

Publication Number Publication Date
WO2022009357A1 true WO2022009357A1 (ja) 2022-01-13

Family

ID=79552435

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/026773 WO2022009357A1 (ja) 2020-07-09 2020-07-09 パターンマッチング装置、パターン測定システム、パターンマッチングプログラム

Country Status (6)

Country Link
US (1) US20230298310A1 (ja)
JP (1) JP7332810B2 (ja)
KR (1) KR20230007485A (ja)
CN (1) CN115699244A (ja)
TW (2) TWI809432B (ja)
WO (1) WO2022009357A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001148016A (ja) * 1999-11-22 2001-05-29 Hitachi Ltd 試料検査装置，試料表示装置、および試料表示方法
JP2007086066A (ja) * 2005-09-19 2007-04-05 Fei Co ツール構成要素の動作領域を所定の要素に調節する方法
JP2013229394A (ja) * 2012-04-24 2013-11-07 Hitachi High-Technologies Corp パターンマッチング方法及び装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4218171B2 (ja) 2000-02-29 2009-02-04 株式会社日立製作所 走査電子顕微鏡，マッチング方法、及びプログラムを記録したコンピュータ読み取り可能な記録媒体
JP4199939B2 (ja) 2001-04-27 2008-12-24 株式会社日立製作所 半導体検査システム
CN101996398B (zh) * 2009-08-12 2012-07-04 睿励科学仪器（上海）有限公司 用于晶圆对准的图像匹配方法及设备
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
US11379970B2 (en) * 2018-02-23 2022-07-05 Asml Netherlands B.V. Deep learning for semantic segmentation of pattern
TWI689875B (zh) * 2018-06-29 2020-04-01 由田新技股份有限公司 利用深度學習系統的自動光學檢測分類設備及其訓練設備

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001148016A (ja) * 1999-11-22 2001-05-29 Hitachi Ltd 試料検査装置，試料表示装置、および試料表示方法
JP2007086066A (ja) * 2005-09-19 2007-04-05 Fei Co ツール構成要素の動作領域を所定の要素に調節する方法
JP2013229394A (ja) * 2012-04-24 2013-11-07 Hitachi High-Technologies Corp パターンマッチング方法及び装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SEIFI, M. ET AL.: "Fast Diffraction-Pattern Matching for Object Detection and Recognition in Digital Holograms", PUBLICATION IN THE CONFERENCE PROCEEDINGS OF EUSIPCO, vol. 15697347, 9 September 2013 (2013-09-09), pages 1 - 5, XP032593783 *

Also Published As

Publication number Publication date
JP7332810B2 (ja) 2023-08-23
TW202341025A (zh) 2023-10-16
US20230298310A1 (en) 2023-09-21
JPWO2022009357A1 (ja) 2022-01-13
TWI809432B (zh) 2023-07-21
TW202203097A (zh) 2022-01-16
KR20230007485A (ko) 2023-01-12
TWI817922B (zh) 2023-10-01
CN115699244A (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
US11227144B2 (en) Image processing device and method for detecting image of object to be detected from input data
TWI697849B (zh) 圖像處理系統、記憶媒體、資訊擷取系統及資料產生系統
TWI757585B (zh) 檢查裝置、檢查方法及檢查程式
US11663713B2 (en) Image generation system
US20190026879A1 (en) Method of detecting defects in an object
US20220277434A1 (en) Measurement System, Method for Generating Learning Model to Be Used When Performing Image Measurement of Semiconductor Including Predetermined Structure, and Recording Medium for Storing Program for Causing Computer to Execute Processing for Generating Learning Model to Be Used When Performing Image Measurement of Semiconductor Including Predetermined Structure
TW201944298A (zh) 加工配方生成裝置
CN115810133B (zh) 基于图像处理和点云处理的焊接控制方法及相关设备
US9110384B2 (en) Scanning electron microscope
JP7170605B2 (ja) 欠陥検査装置、欠陥検査方法、およびプログラム
JPWO2006073155A1 (ja) パターン欠陥検査のための装置、その方法及びそのプログラムを記録したコンピュータ読取り可能な記録媒体
WO2022009357A1 (ja) パターンマッチング装置、パターン測定システム、パターンマッチングプログラム
CN114078114A (zh) 用于生成用于晶片分析的校准数据的方法和系统
US20230222764A1 (en) Image processing method, pattern inspection method, image processing system, and pattern inspection system
WO2020121739A1 (ja) 画像マッチング方法、および画像マッチング処理を実行するための演算システム
WO2021260765A1 (ja) 寸法計測装置、半導体製造装置及び半導体装置製造システム
US20230005157A1 (en) Pattern-edge detection method, pattern-edge detection apparatus, and storage medium storing program for causing a computer to perform pattern-edge detection
JP7273748B2 (ja) 検査装置、検査方法、及びプログラム
JP2013254332A (ja) 画像処理方法および画像処理装置
JP7398480B2 (ja) 画像を生成するシステム、及び非一時的コンピュータ可読媒体
JP2020123064A (ja) 画像マッチング判定方法、画像マッチング判定装置、および画像マッチング判定方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体
KR102678481B1 (ko) 하전 입자 빔 장치
KR20220073640A (ko) 하전 입자 빔 장치
JPH05101166A (ja) パターンマツチング装置
US20230071668A1 (en) Pattern Matching Device, Pattern Measurement System, and Non-Transitory Computer-Readable Medium

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: 20944534

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022534573

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20227042756

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20944534

Country of ref document: EP

Kind code of ref document: A1