CN116964721A - 学习器的学习方法以及图像生成*** - Google Patents

学习器的学习方法以及图像生成*** Download PDF

Info

Publication number
CN116964721A
CN116964721A CN202280018802.8A CN202280018802A CN116964721A CN 116964721 A CN116964721 A CN 116964721A CN 202280018802 A CN202280018802 A CN 202280018802A CN 116964721 A CN116964721 A CN 116964721A
Authority
CN
China
Prior art keywords
image
image generation
learner
learning
input
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN202280018802.8A
Other languages
English (en)
Inventor
程朝晖
丰田康隆
土肥英登
太田洋也
数见秀之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi High Tech Corp
Original Assignee
Hitachi High Technologies Corp
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 Hitachi High Technologies Corp filed Critical Hitachi High Technologies Corp
Publication of CN116964721A publication Critical patent/CN116964721A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本公开的目的在于提出一种进行使用了适当的低品质图像和高品质图像的学习的学习方法。为了实现上述目的，提出了一种学习方法，将在第一图像生成条件下生成的第一图像和在与所述第一图像生成条件不同的第二图像生成条件下生成的第二图像输入到以抑制输入图像与变换图像之间的误差的方式进行参数调整的学习器，由此，执行学习，关于所述第二图像，选择从该第二图像中提取的指标值与从所述第一图像中提取的指标值相同或处于规定的关系的图像，或者，关于所述第二图像，从与用于生成所述第一图像的第一图像生成工具不同的第二图像生成工具中输出。

Description

学习器的学习方法以及图像生成***
技术领域
本公开涉及生成图像的学习器的学习方法、***以及非暂时性的计算机可读介质，特别是涉及根据针对试样的射束照射来生成图像的学习器的学习方法、***以及非暂时性的计算机可读介质。
背景技术
当对半导体晶圆等试样照射电子束等带电粒子束时，有时对象物(图案)收缩，射束的照射区域带电。在专利文献1中公开了推定由因带电粒子束的照射而收缩的物质形成的图案的收缩前的形状、尺寸的方法。另外，在专利文献2中公开了为了抑制收缩而根据通过低剂量的射束照射得到的低品质图像的输入来推定高品质图像的方法。
现有技术文献
专利文献
专利文献1：日本专利第5813413号(对应美国专利USP9，830，524)
专利文献2：日本专利第6668278号(对应美国专利USP10，559，074)
发明内容
发明要解决的课题
在专利文献1所公开的方法中，能够从收缩后的图像来推定收缩前的图像，但没有公开抑制带电粒子束的照射引起的收缩来生成图像。在专利文献2所公开的方法中，能够通过低剂量的射束照射来进行高品质图像的推定，但未考虑在低品质图像与高品质图像之间产生的收缩等的影响。另外，在专利文献1和2所公开的方法中，未考虑图案的边缘粗糙度、在使用了带电粒子的拍摄中产生的带电现象等的影响。
以下，对以进行使用了适当的低品质图像和高品质图像的学习为目的的学习法、以对学习器实施适当的学习为目的的图像生成***以及非暂时性的计算机可读介质进行说明。
用于解决课题的手段
作为用于达成上述目的的一方式，提出一种学习器的学习方法，所述学习器根据由图像生成工具取得的输入图像的输入来生成变换图像，对以抑制所述输入图像与所述变换图像之间的误差的方式进行参数调整的所述学习器，输入一次以上的在第一图像生成条件下生成的第一图像、及在与所述第一图像生成条件不同的第二图像生成条件下生成的第二图像，由此，执行学习，关于所述第二图像，选择从该第二图像中提取的指标值与从所述第一图像中提取的指标值相同或处于规定的关系的图像，或者，关于所述第二图像，从与用于生成所述第一图像的第一图像生成工具不同的第二图像生成工具中输出。
另外，作为用于达成上述目的的其他方式，提供一种***，构成为根据输入图像的输入来生成变换图像，具有：一个以上的计算机子***，其使构成为根据所述输入图像的输入来生成变换图像的学习器进行学习；以及一个以上的组件，其由该一个以上的计算机子***执行，该一个以上的组件在学习时，从输入装置对以抑制所述输入图像与所述变换图像之间的误差的方式进行参数调整的所述学习器输入一次以上的在第一图像生成条件下生成的第一图像、在与所述第一图像生成条件不同的第二图像生成条件下生成的第二图像，由此，执行学习，关于所述第二图像，选择了从该第二图像中提取的指标值与从所述第一图像中提取的指标值相同或处于规定的关系的图像，或者，关于所述第二图像，从与用于生成所述第一图像的第一图像生成工具不同的第二图像生成工具输出。
发明效果
根据上述结构，能够进行针对根据低品质图像进行高品质图像的推定的学习器的适当的学习、使用了通过更适当的学习而学习的学习器的适当的图像生成。
附图说明
图1是表示作为图像生成工具的一种的扫描电子显微镜(Scanning ElectronMicroscope：SEM)的一例的图。
图2是表示具有包含图像生成工具和学习器的计算机***的图像生成***的一例的图。
图3是表示包含生成用于学习的监督数据的监督数据生成部304的***的一例的图。
图4是表示神经网络的结构的一例的图。
图5是表示累计图像与被累计图像的关系的图。
图6是对学习器的学习工序进行说明的流程图。
图7是表示射束扫描时的帧数与指标值(线宽)的关系的曲线图。
图8是表示输入学习器的学习条件的GUI画面的一例的图。
图9是表示包含多个图像生成工具的图像生成***的一例的图。
图10是表示用于选择输出供学习器的学习的图像的图像生成工具的GUI画面的一例的图。
图11是表示用于设定输出供学习器的学习的图像的图像生成工具的装置条件的GUI画面的一例的图。
图12是表示包含多个图像生成工具的图像生成***的一例的图。
图13是表示包含与云服务器连接的多个图像生成工具的图像生成***的一例的图。
具体实施方式
以下，参照附图对本实施方式进行说明。在附图中，有时功能上相同的要素以相同的编号或对应的编号显示。此外，附图表示了遵循本公开的原理的实施方式和实施例，但它们是理解本公开用的，决不用于限定性地解释本公开。本说明书的记述只不过是典型的例示，在任何意义上都不限定本公开的请求专利保护的范围或应用例。
在本实施方式中，为了本领域技术人员实施本公开而充分详细地进行了说明，但需要理解的是，也可以是其他实现方式，能够在不脱离本公开的技术思想的范围和精神的情况下进行结构、构造的变更、多种要素的置换。因此，以后的记述不限定于此进行解释。
在以下说明的实施方式中，涉及将第一图像变换为第二图像的方法、***以及计算机可读介质，对从可靠性低的图像推定可靠性高的图像的方法、***以及计算机可读介质进行说明。
实施例1
图1是表示扫描电子显微镜(Scanning Electron Microscope：SEM)的一例的图，该扫描电子显微镜是生成向第一实施方式的图像生成***输入的图像的图像生成工具的一种。此外，在以下的说明中，将作为带电粒子束装置的一种的SEM作为图像生成工具进行说明，但不限于此，例如也能够将根据离子束的扫描生成图像的聚焦离子束装置作为图像生成工具。并且，与生成高品质图像相比，生成低品质图像可以使用能够简化处理那样的图像生成工具。
图1所例示的扫描电子显微镜***100具有：摄像部101(扫描电子显微镜主体)、计算机***102、信号处理部103、输入输出部104、以及存储部105。存储部105还作为存储负责本***的动作的计算机程序的非暂时性的记录介质发挥功能。计算机***102控制摄像部101具有的以下的光学***。
摄像部101具有：照射电子束107的电子枪106、使电子束107聚焦的聚焦透镜108、以及使通过了聚焦透镜108的电子束107进一步聚焦的聚焦透镜109。摄像部101还具有使电子束107偏转的偏转器110、控制电子束107聚焦的高度的物镜111。
通过了摄像部101的光学***的电子束107照射到载置于试样台113上的试样112。因电子束107的照射而从试样112射出的二次电子(Secondary Electron：SE)、后方散射电子(Backscattered Electron：BSE)等射出电子114由设置在其轨道上的下层检测器115和上层检测器116检测。设置于上层检测器116的开口使电子束107通过。通过使该开口足够小，能够检测从形成在试样112上的深孔、深槽的底射出且通过图案中心附近而逃逸到试样表面上的二次电子。通过使用了位于上层检测器116紧前的能量过滤器117a或位于下层检测器115紧前的能量过滤器117b的能量过滤，能够对射出电子114进行能量辨别。
摄像部101还具有：消隐偏转器118，其通过使电子束107向光轴外偏转来限制电子束107到达试样112；以及消隐用电极119，其接收由消隐偏转器118偏转后的电子束107。
信号处理部103根据下层检测器115和上层检测器116的输出生成SEM图像。信号处理部103与未图示的扫描偏转器的扫描同步地使帧存储器等存储检测信号，由此，生成图像数据。在将检测信号存储到帧存储器中时，在帧存储器的与扫描位置对应的位置存储检测信号，由此，生成信号轮廓(profile)(一维信息)以及SEM图像(二维信息)。另外，根据需要利用偏转器120使二次电子偏转，由此，能够将从深孔等逃逸的通过光轴附近的二次电子引导至下层检测器115的开口外(下层检测器115的检测面)。
在信号处理部103中，对根据针对视野(Field Of View)的多次二维扫描而得的图像数据进行累计。图像累计是如下方法：在试样表面的观察区域使电子束107多次扫描并反复照射，由此，增加在该观察区域使一次电子线扫描的次数(帧数)，累计/合成每帧的图像。根据该图像累计，能够通过累计/合成各帧的图像产生的抵消效果来实现噪声的减少，并且能够根据帧数的增大通过简单累计来增大检测信号量，因此，能够改善S/N比。在以下的实施例中，主要对以FOV为单位进行图像累计的例子进行说明，但不限于此，例如也可以选择性地累计视野内的特定的部位、兴趣区域(ROI)的图像数据来生成合成图像。
图2是表示包含作为图像生成工具的一种的扫描电子显微镜***100和通过输入从扫描电子显微镜***100输出的图像数据来生成推定图像的计算机***201的图像生成***的一例的图。计算机***201由包含一个以上的CPU、GPU的一个以上的计算机子***构成。另外，图4所例示的计算机***201具有由该一个以上的计算机子***执行的一个以上的组件。一个以上的计算机子***能够使用一个以上的处理器通过软件来实现后述那样的处理，也可以通过电子电路等硬件来实现该处理的一部分或者全部。
计算机***201是根据输入图像的输入来推定高品质图像的学***均绝对误差、均方误差等作为变换误差进行计算。变换参数更新部209根据变换误差调整神经网络的变换参数(变量)，以抑制各像素的变换误差，供给到图像变换部207。
通过以上那样的正向传播和反向传播的反复，能够提高输出的精度。进行使用了图像(监督数据)的学习，直到针对神经元的输入的权重被优化为止。
图3是表示包含生成用于学习器的学习的监督数据的监督数据生成部304的***的一例的图。经由输入接口303从输入输出装置202、其他存储介质向监督数据生成部304输入学习用数据或用于生成推定图像的原图像等。学习用数据例如是高品质图像数据和由计算机***102选择出的低品质图像数据。输入的图像例如包含图1所例示那样的图像生成工具根据射束扫描生成的图像。
图3所例示的计算机***201具有：监督数据生成部304，其根据存储在学习用图像数据存储介质301中的低品质图像数据和高品质图像数据的经由输入接口303的输入，生成监督数据。监督数据生成部304根据低品质图像和高品质图像的数据集生成监督数据。由监督数据生成部304生成的监督数据储存在监督数据储存部305中，并且输入到使学习器学习的学习部306。学习模型储存部307储存由学习部306生成的学习模型。
图像推定部308使用由学习部306生成的学习模型从低品质图像推定高品质图像。
图像推定部308将图1所例示那样的图像生成工具的输出图像或存储在存储介质302中的图像(低品质图像)作为输入图像，根据该输入图像生成推定图像。图像推定部308从学习模型储存部307读出由学习部306调整了推定参数而得的学习模型，执行使用了该学习模型的图像推定。该学习模型例如由神经网络构成，包含图4所例示那样的一个以上的输入层、一个以上的中间层(隐藏层)以及一个以上的输出层。
关于神经网络，通过实施调整参数(权重、偏置等)使得在输出层出现期望的结果(例如高品质图像、正确的测定值等)的学习，能够进行适当的输出。例如通过误差反传播法(反向传播)逐次地更新变量(权重、偏置)来进行学习，用权重(也包含激活函数)对数据的输出误差进行偏微分，将输出一点一点地调整为最佳的值。此外，图像推定部308使用的学习模型也可以不储存在学习模型储存部307中，而由其他计算机***的学习器储存。
以下说明的学习模型是将高品质图像和低品质图像的数据集作为监督数据实施了学习的学习器(推定器)。另外，例如与高品质图像相比，低品质图像是帧数少的图像、通过剂量少的射束照射而得的图像、由性能相对低的装置取得的图像、在相对差的条件(例如扫描电子显微镜的真空腔室的真空度低的情况、受到来自试样的脱气的影响的状态等)下取得的图像、以相对低倍率(相对宽视野)取得的图像、通过相对高速的射束扫描而得的图像、或者以上述低品质图像条件的组合取得的图像等。
与在第一图像生成条件下生成的高品质图像相比，通过相对少帧、低剂量(低束电流)、低倍率(视野相对大)或高速扫描取得的图像(在第二图像生成条件下生成的图像)的每单位面积的射束照射量相对少，因此，成为S/N比低的图像。另一方面，如果能够减少每单位面积的射束的照射量，则能够抑制因射束照射带来的收缩、带电、照射时间。另外，有时不得不在与高品质图像相比较差的条件下取得图像。
以下，对用于在没有收缩、带电等的影响的状态下生成高品质图像的推定器进行说明。为了学习这样的推定器，例如，并非简单地将高品质图像和低品质图像的数据集作为监督数据，而是选择高品质图像的状态以及从高品质图像提取的特征量的至少一个与低品质图像的状态以及从低品质图像提取的特征量的至少一个的关系满足规定的条件那样的低品质图像，将选择出的低品质图像和高品质图像的数据集作为监督数据。这样，通过将使低品质图像和高品质图像具有的特征近似或一致的数据集作为监督数据，能够进行高品质图像的高精度推定。
以下，更具体地对学习器的学习法以及使用了学习器的高品质图像推定法进行说明。在本实施方式中，对在观察因电子线照射而图案收缩的样本(sample)的情况下，能够从少帧图像高精度变换多帧图像那样的学习模型和实施针对该学习模型的学习的***进行说明。
特别是，以下对使用了学***的少帧(例如1帧)扫描而得的少帧图像的输入，能够进行收缩被极小化的多帧图像的推定。
图5是表示累计图像与被累计图像的关系的图。累计图像是指对相同的视野(Field Of View)进行多次扫描，对得到的检测信号进行累计(相加平均)而得的图像。图5的累计图像A是对被累计图像N1帧到Nn帧进行累计而得的图像。图2的图像生成部203通过对多个被累计图像进行累计来生成累计图像(合成图像)。由于累计前的图像的S/N差，因此通过进行累计处理来提高S/N。为了提高S/N，优选对多个帧的图像信号进行累计，但另一方面，当在同一部位反复扫描射束时，有时图案收缩或蓄积过度的带电。如果能够从通过少帧扫描而得的图像信号推定通过多帧扫描而得的图像，则能够在不使图案收缩或在试样中残留带电的情况下生成高品质图像。
以下，对生成用于生成高品质图像的学习模型的学习工序的概要进行说明。图6是表示学习模型的学习工序的流程图。扫描电子显微镜***100在期望的测量对象或检查对象所处的试样上的区域多次扫描电子束107，生成多个图像信号(帧信号)(步骤601)。在此，为了之后评价各帧的图像信号，使帧存储器等存储各帧的图像信号。接着，图像生成部203对多个帧的图像信号进行累计而生成累计图像(步骤602)。
接下来，尺寸测定部204测量存储在帧存储器等中的被累计图像和累计图像中包含的图案的尺寸值(步骤603)。关于尺寸值，例如通过生成表示特定方向的亮度分布的线轮廓，测定轮廓中包含的峰值间的尺寸来进行。另外，在本实施例中，将图像中包含的尺寸值作为指标值(特征量)进行说明，但也可以不是尺寸值那样的一维信息，而是将对象物(形成于试样上的图案等)的面积值那样的二维信息作为指标值。另外，针对尺寸值也考虑图案宽度、图案间的空间宽度、孔(hole)径等。在测量面积值的情况下，例如将图像二值化，对属于特定的图案的像素数进行计数。另外，尺寸值、面积值也可以不是经常使用的物理单位，而以像素数等来定义。如后所述，只要是能够从高品质图像和低品质图像中提取且能够比较的值，则其种类不限。
在判定部205中，将由尺寸测定部204测定出的多个被累计图像与累计图像的指标值进行比较，选择指标值满足规定条件的被累计图像(步骤604、605)。判定部205例如选择具有与累计图像的指标值一致的指标值的被累计图像。另外，也可以选择具有与累计图像具有的指标值的差分为规定值以下的指标值的被累计图像。并且，如后所述，也可以从进行了某种程度收缩的图案中选择。
计算机***201生成累计图像和由判定部205选择并存储在数据存储部206中的被累计图像的数据集，使用该数据集使学习器进行学习(步骤606、607)。
如以上那样生成的学习模型由于被累计图像和累计图像，因此不受收缩等的影响，能够进行高品质图像的推定。此外，如后所述，当收缩进展了某种程度时，特征量的变动量处于减少的倾向，因此，在经验上收缩的影响变小的帧数、帧范围可知的情况下，也可以将该帧、帧范围的被累计图像和累计图像的数据集作为监督数据。
图7是示出表示帧数与图案尺寸的关系的曲线图的一例的图。在本例中例示了线图案的线宽(纵轴)与帧数(横轴)的关系。图7所例示的曲线图表示随着帧数增加(累积照射量增加)，线宽逐渐变细的状态。对128帧的被累计图像进行累计而生成累计图像，在从该累计图像提取的线宽为k的情况下，在被累计图像中选择线宽k的图像(或者接近k的线宽作为测量值输出的被累计图像)，将该被累计图像和128帧的累计图像的数据集作为监督数据。
在对显示于被累计图像的图案尺寸进行测量的情况下，例如在1帧的图像中S/N比低，无法得到准确的测量结果的情况下，也可以将对比用于生成最终的累计图像的累计数(例如128帧)少但能够某种程度提高S/N比的帧数(例如4帧)的被累计图像进行累计而得的累计图像作为被累计图像，输出测量值。例如在生成128帧的累计图像的情况下，也可以生成128帧的累计图像，并且以4帧为单位生成累计图像(1～4帧、5～8帧、9～12帧、、、)，从这些少帧累计图像中提取被累计图像的测量值。从在不同的定时分别得到的少帧图像中选择适当的学习用数据，由此，能够生成适当的学习模型。
接着，对用于输入用于生成这样的学习模型的条件的GUI画面的一例进行说明。图8是表示GUI画面的一例的图。这样的GUI画面例如显示于计算机***102、计算机***201、或者与这两方连接的输入输出装置202的显示画面等。如果能够进行供学习的少帧图像的适当的取得条件的设定，则能够生成能够进行适当的推定的学习模型。因此，使用图8对主要设定输入图像(低品质图像)的取得条件的例子进行说明。
图8所例示的GUI画面主要包含显示成为对象的图案(目标)的图像的左上栏、设定供学习的图像的选择条件的右上栏、设定低品质图像的生成条件的左下栏、以及设定高品质图像的取得条件的右下栏。例如在左上栏显示预先登记的图像数据、或者成为对象的图案的布局数据。在预先取得被累计图像和累计图像那样的情况下，能够在左上栏显示图像，用于选择成为评价对象那样的图案边缘等。在图8的例子中显示线图案，显示用于指定线图案的边缘801的评价对象边缘的指定框802。指定框802构成为能够通过指针803等设定为图像内的任意的位置、大小。
在右上栏设置有试样名、对象图案名、对象图案的坐标、图案的种类以及评价参数的设定栏。可以构成为根据试样名、对象图案名或坐标信息的输入来读出已经存储的图像数据，也可以生成作为图像取得工具的电子显微镜的装置条件(制程)。并且，在图案的种类的选项中包含线、孔等构成半导体器件的图案，优选能够进行与图像化对象相应的选择。另外，在评价参数设定栏中，优选能够进行宽度(尺寸)、面积等成为对象的图案的评价基准的设定。在图8的例子中，选择线图案作为图案的种类，设定线宽作为评价参数。进行使用了经过图像推定而生成的图像的检查、与测量用途相应的设定，由此，能够进行与目的相应的适当的图像推定。
图8所例示的GUI画面的左下栏能够进行低品质图像的生成条件的设定，在判定部205中，根据此处的设定生成低品质图像的学习数据。在图8的例子中，能够进行图像生成用的帧数和供图像生成的帧的选择条件的输入。在图8的例子中，设定4作为低品质图像生成用的必要帧数，设定选择具有最好的评价参数的帧作为学习用数据的条件。通过进行这样的设定，判定部205选择多个少帧累计图像中的、参数(在图8的例子中为线宽)与最终的累计图像最接近的图像。在该例子中，将从最终的累计图像中提取出的线宽与从多个少帧累计图像中提取出的线宽进行比较，选择线宽最接近的图像，但不限于此，例如也可以预先设定线宽的容许范围，选择具有与从最终的累计图像中提取出的线宽之差分为规定值以下的线宽的少帧累计图像。另外，在未测量到适当的线宽的情况下，也可以进行不生成监督数据这样的判定。并且，在经验上获得与最终的累计图像同等的尺寸值的帧范围可知的情况下，可以选择该帧范围。并且，可以仅在线宽一致时生成监督数据，也可以从上述差分为规定值以下的多个少帧累计图像和累计图像生成监督数据。优选低品质图像的帧数能够设定为1以上且小于高品质图像生成所需的帧数。
图8所例示的GUI画面的右下栏为设定构成监督数据的一部分的高品质图像(输出)的取得条件的设定栏。在图8的例子中，高品质图像生成所需的帧数设定为128。另外，也可以不指定帧总数，而设定图像生成所需的帧的范围。
例如计算机***102根据图8所例示那样的GUI画面上的设定，执行累计图像生成、线宽等特征量的评价以及基于特征量评价的图像的选择和监督数据的生成。
通过将少帧图像(1帧或具有比高品质图像少的帧累计数的图像)输入到包含如以上那样进行了学习的学习器的计算机***201，能够进行多帧图像(高品质图像)的推定。
如以上那样，通过使用高品质图像和低品质图像的数据集进行学习(反复1次以上的正向传播和反向传播)，能够从抑制了收缩的少帧图像高精度推定多帧图像，所述低品质图像是收缩等条件与该高品质图像一致或近似，且被提取与该高品质图像的指标值相同或具有规定的关系的指标值。
另外，在以上的第一实施方式中，以因电子线照射而图案收缩的样本为例进行了叙述，但在因电子线照射而图案不收缩、或者收缩的程度不对目标指标值造成影响的样本中，也一样能够从少帧图像高精度推定多帧图像。
如果能够从少帧图像高精度推定多帧图像，则能够以较少的摄像次数得到多帧图像，因此，多帧图像的生成的吞吐量提高。在因电子线照射而图像不收缩、或者收缩的程度不对目标指标值造成影响的样本中也一样地，将累计图像和与累计图像的测长值一致的第K帧(frame)的帧图像用作监督数据集，由此能够生成条件一致或者近似的监督数据的数据集。
如以上那样，通过使用高品质图像和被提取与该高品质图像的指标值相同或具有规定的关系的指标值的低品质图像的数据集进行学习(反复1次以上的正向传播和反向传播)，能够从少帧图像生成能够进行高精度推定的多帧图像。
也可以使用通过以上说明的方法推定出的高品质图像，实施缺陷检测、检测出的缺陷的观察、分类以及电路图案测量等。
实施例2
在本实施例中，对如下的学习器进行说明：利用高性能的图像取得工具生成高品质图像(第一图像)，利用性能相对于高性能的图像取得工具相对差的图像取得工具生成低品质图像(第二图像)，实施了将两图像的数据集作为监督数据的学习。在本实施例中，对利用性能不同的2个以上的装置生成不同的图像生成条件的图像，将这些多个图像作为监督数据的学习法进行说明。图9是表示包含高性能图像取得工具901和低性能图像取得工具902～904的图像生成***的一例的图。高性能图像取得工具901例如是搭载有像差校正器905的扫描电子显微镜，低性能图像取得工具是未搭载像差校正器905的扫描电子显微镜。
像差校正器905具有例如多极构造或电子镜那样的抑制像差的光学元件，与没有像差校正器905的装置相比，能够生成相对高分辨率图像。另一方面，与不具有像差校正器的装置相比价格高。如果能够从由相对廉价的装置取得的图像推定由高价的装置取得的图像，则例如为了半导体的成品率管理等，能够构建使用了用于进行多个试样的测量、检查的多个图像取得工具的廉价的***。
在图9所例示的***中，例如通过高性能图像取得工具901和低性能图像取得工具902～904分别取得相同或设计数据上相同的试样，将该数据集作为监督数据使计算机***201中包含的学习器进行学习。
通过将由低性能图像取得工具获得的图像输入到如以上那样进行了学习的学习器中，能够推定由高性能图像取得工具获得的图像。另外，在存在一个高性能装置和多个低性能装置的情况下，按低性能装置准备学习器，由此，能够降低低性能装置间的机差。
在上述的实施例中，对将搭载有像差校正器的装置作为高性能装置生成监督数据的例子进行了说明。不限于此，例如也可以将能够相对于低性能装置照射相对高的能量的射束的装置作为高性能装置。例如，电子显微镜照射的射束的能量高的一方能够得到高分辨率图像。因此，也可以将能够进行更高加速的射束照射的装置作为高性能装置，将根据在低性能装置中无法进行的高加速能量的射束照射而得的图像和在低性能装置中得到的图像的数据集作为监督数据。
另外，即使是试样室的真空度高的装置、能够进行大电流束的照射的装置，也可以将相对于仅能够实现相对低真空环境的装置、仅能够照射小电流束的装置，得到相对优质的图像的装置作为高性能装置。另外，即使是高性能装置，在环境上无法充分发挥其性能的情况下，也可以将在良好的环境下得到的图像作为高品质图像来制作监督数据。
图10、11是表示根据从高性能装置和低性能装置输出的图像数据等进行学习用的监督数据的生成条件设定的GUI画面的一例的图。图10、11所例示的GUI画面显示于与计算机***201连接的输入输出装置202的显示装置等。图10、11例示了能够切换为通过标签的选择来进行生成图像数据的装置的选择、图像生成工具的图像生成条件的选择的画面的GUI画面。图10是选择生成图像数据的装置的选择画面。例如，如果选择输出想要推定的高品质图像的装置(例如高性能图像取得工具901)作为输出装置，选择输出低品质图像的装置(例如低性能图像取得工具902～904)作为输入装置，则计算机***201通过包含将低品质图像作为输入、将高品质图像作为输出的数据集的监督数据来使学习器进行学习。
图11是设定选择出的图像取得工具的图像取得条件的GUI画面的一例。左栏例如是设定成为图像生成对象的试样、图案信息、图案的坐标信息的设定栏。右栏是设定图像生成工具的图像生成条件的设定栏。在图像生成工具为电子显微镜的情况下，是视野的大小(或者倍率)、照射到试样的射束的能量、束电流、帧数等光学条件。并且，在图11的例子中设置有用于使像差校正器工作的选择栏。
如上所述，通过预先设置能够进行任意的输入装置与输出装置的设定的设定栏，能够进行与目的相应的学习器的生成。另外，期望成为图像生成的对象的试样相同或者实质上相同，因此，试样信息能够在多个装置间复制，由此，能够减少设定的麻烦。并且，装置条件能够设定各装置固有的条件，由此，能够进行任意的高品质图像和低品质图像的生成。
另外，例如也可以利用作为应设为基准的图像取得工具的主机生成多帧图像，利用除此以外的装置生成少帧图像，将该数据集作为监督数据。通过进行使用了根据这样的监督数据而生成的多个学习模型的图像生成，能够进行使用了没有机差的低品质图像的高品质图像的推定。
实施例3
在上述的实施例中，主要例示了将在不同的射束照射条件下得到的图像作为高品质图像、低品质图像进行了学习的学习器，但在本实施例中，对如下的学习器进行说明：改变根据针对试样的射束照射而得的带电粒子的检测条件、检测器输出的信号处理条件、以及图像处理条件等条件，取得高品质图像和低品质图像，将这些图像作为监督数据进行学习。
在图1所例示那样的具有多个检测器的电子显微镜的情况下，因检测器的种类、配置条件等，根据各个检测器输出而生成的图像不同。例如在图1所例示的上层检测器116和下层检测器115中，检测从试样朝向不同的仰角范围射出的电子。例如，在上层检测器116中检测在仰角α1～α2的角度范围***出的电子，在下层检测器115中检测在仰角α3～α4的角度范围***出的电子(α1＞α2＞α3＞α4)。
例如，在电子显微镜的扫描区域内存在接触孔、槽的情况下，与下层检测器115相比，上层检测器116检测的全部电子中包含的从孔底、槽底射出的电子的比率高。即，在将测量对象设为接触孔底的情况下，根据上层检测器116的输出而生成的图像与根据下层检测器115的输出而生成的图像相比，孔的底成为清晰的图像，鉴于测量目的，根据上层检测器116的输出而生成的图像为高品质图像。
例如，根据将从仅搭载相当于上层检测器116的检测器的电子显微镜输出的图像数据和从仅搭载相当于下层检测器115的检测器的电子显微镜输出的图像数据的集作为监督数据的学习器，能够根据从不具有相当于上层检测器116的检测器的装置输出的图像，推定具有相当于上层检测器116的检测器的装置输出的图像。
另外，也可以使用检测器自身存在性能差的装置输出的图像数据来使学习器进行学习。例如，在电子的检测面具有闪烁器(scintillator)且具有将因电子与该闪烁器碰撞而产生的光引导至光电倍增管的光导的检测器的情况下，根据闪烁器的性能的不同，根据检测器输出而生成的图像的画质有时产生差异。更具体而言，即使是在相同的条件下电子与闪烁器碰撞的情况，若闪烁器的变换特性(发光的程度、余辉特性等)存在差异，则也无法得到相同的图像。因此，将根据具有变换特性优异的闪烁器的检测器的输出而生成的图像设为高品质图像，将根据具有变换特性相对差的闪烁器的检测器的输出而生成的图像设为低品质图像，使学习器进行学习，将低品质图像输入至该学习完成的学习器，由此，即使根据低品质图像也能够推定高品质图像。另外，光导也因其种类使得光的传递特性不同。因此，也可以将从具有光的传递特性优异的光导的装置输出的图像作为高品质图像，将从具有特性差的光导的装置输出的图像作为低品质图像，使学习器进行学习。另外，图像质量并非由一个光学元件的性能决定，而是由检测元件的构造、图像处理条件等复合条件决定，因此，也可以选择输出的图像的图像质量优异的图像作为高品质图像。
并且，也可以将从检测器的数量多的装置输出的图像作为高品质图像，将从检测器的数量相对少的装置输出的图像作为低品质图像，使学习器进行学习。该例的情况下，检测器的数量多的一方覆盖从试样射出的电子的轨道的范围变大，能够检测更多的电子，因此，设为高品质图像，但也可以将根据检测器的数量相同或者少的情况下能够覆盖的范围大的一方的装置的输出而生成的图像设为高品质图像。另外，也可以将通过合成多个检测器的输出而得的合成图像设为高品质图像。
例如，若在与射束光轴正交的方向且不同的多个方向(多个方位角方向)上配置检测器，合成该多个检测器的输出，则能够生成反映了图案、异物等对象物的高度信息的图像。通过将这样的图像作为高品质图像、将根据比用于生成高品质图像的检测器的数量少的数量的检测器的输出而生成的图像、或者根据性能差的检测器的输出而生成的图像作为低品质图像来使学习器进行学习，能够根据低品质图像的输入，生成反映了高度信息的高品质图像。
并且，也能够将根据特殊的检测条件而生成的图像作为高品质图像。例如在图1所例示那样的扫描电子显微镜中设置有能量过滤器117。能量过滤器117例如包含3层的网状电极，成为被施加负电压的中央的网电极被接地电位的2个网电极夹着的构造。能量过滤器是通过调整施加的负电压来限制低的能量的电子的通过的高通过滤器。通过利用这样的能量过滤器，能够选择性地检测具有高的能量的电子。通过利用能量过滤器，例如能够生成强调了特定的组成、凹凸信息的图像。还能够将强调了这样的特定信息的图像设为高品质图像，将在除此以外的条件下取得的图像设为低品质图像。
另外，也可以将从搭载有能量分析器的装置输出的图像设为高品质图像。能量分析器是带通滤波器，能够选择性地使特定的能量范围的电子通过。
通过使用能量过滤器、能量分析器，能够进行特定的能量的电子的选择性检测，另一方面，对除此以外的电子进行过滤，因此，检测量降低。例如，通过对根据由能量过滤器选择出的电子而生成的图像数据进行多帧(m帧)累计来生成高品质图像。另一方面，也可以将不进行能量过滤的少帧(o帧：m＞o)累计图像作为低品质图像来使学习器进行学习。
此外，作为基于电子显微镜的电子的检测方式，有在从试样射出的电子的轨道配置闪烁器等检测器的检测面的直接检测、在电子的轨道配置金属制的板(反射板)，将因电子与该反射板碰撞而产生的电子(3次电子)引入到检测器来进行检测的检测。在使用了反射板的检测法的情况下，最终到达检测器的电子是因二次电子等向反射板的碰撞而产生的。因此，在进行使用了电子显微镜的组成分析等的情况下，反射板的信息混合存在。因此，将根据直接检测器的输出而生成的图像作为高品质图像，将根据具有反射板的装置的输出而生成的图像作为低品质图像来使学习器进行学习。通过向实施了这样的学习的学习器输入低品质图像，能够推定根据直接检测器的输出而生成的图像。
实施例4
在本实施例中，作为利用实施例1或实施例2所述的性能不同的2个以上的装置生成不同的图像生成条件的图像，将这些多个图像作为监督数据的学习法的一例，对通过电子束等拍摄焦深(Depth of Focus，DoF)和分辨率不同的图像取得工具生成图像，将这些多个图像作为监督数据进行学习的学习器进行了说明。
图12是表示包含浅的DoF但分辨率高的图像取得工具1201和与所述图像取得工具1201相比相对深的DoF但分辨率低的图像取得工具1202～1204的图像生成***的示例的图。图像取得工具1201例如是搭载了像差校正器1205的扫描电子显微镜，图像取得工具1202～1004是未搭载像差校正器1205的扫描电子显微镜。
在图12所例示的***中，例如通过浅的DoF但分辨率高的图像取得工具1201和深的DoF但分辨率低的图像取得工具1202～1204分别取得相同或设计数据上相同的试样，将该数据集作为监督数据使计算机***201中包含的学习器进行学习。
通过将由深的DoF但分辨率低的图像取得工具获得的图像输入至如上所述学习的学习器，能够推定深的DoF且高分辨率高的图像。另外，在存在一个浅的DoF但分辨率高的图像取得工具和多个深的DoF但分辨率低的图像取得工具的情况下，通过按深的DoF但分辨率低的图像取得工具准备学习器，能够减少深的DoF但分辨率低的图像取得工具之间的机差。
在上述的实施例中，对将搭载了像差校正器的浅的DoF但分辨率高的图像取得工具作为高性能装置来生成监督数据的例进行了说明子，但不限于此。
接着，对具有用于生成这样的学习模型的由Si形成的二维图案(Si试样)的试样的一例和使用了所述试样的学习法进行说明。Si试样由具有导电性的原材料形成，在通过扫描电子显微镜进行的拍摄中，由样本的带电(charge up)引起的像质的劣化小，图案形成为规定的高度。
在此，对使学习器进行学习的方法进行说明，该学习器使用Si试样，根据由不具有像差校正器的扫描电子显微镜拍摄到的低分辨率/深的焦深图像来生成高分辨率/深的焦深图像，但不限于此，例如也可以是其他形状的图案。
在Si试样的图案的高度比与具有像差校正的扫描电子显微镜的拍摄条件对应的DoF低的情况下，在由具有像差校正的浅的DoF但分辨率高的扫描电子显微镜生成的图像中，焦深不足或者带电引起的分辨率不会降低。另一方面，在Si试样的图案的高度比具有像差校正器的浅的DoF但分辨率高的扫描电子显微镜的拍摄条件所对应的DoF高的情况下，分辨率降低。
因此，利用浅的DoF但分辨率高的扫描电子显微镜和深的DoF但分辨率低的扫描电子显微镜分别取得Si试样，将该数据集作为监督数据使计算机***201中包含的学习器进行学习。
通过将由深的DoF但分辨率低的扫描电子显微镜获得的图像输入至如上所述学习的学习器，能够推定深的DoF且高分辨率高的图像。另外，能够在无法承受拍摄引起的带电的试样中输出高分辨率且损伤少的图像。
实施例5
在本实施例中，作为实施例1或实施例2所述的学习法的一例，对如下的学习器进行说明：利用电子束等能量和分辨率不同的图像取得工具生成图像，将由这些多个图像和从图像提取的例如功率谱密度(Power Spectral Density：PSD)等空间频率信息构成的数据集作为监督数据进行学习。
随着半导体器件小型化，器件的制造工序中的微细图案的尺寸变动所能够容许的余量变小。例如要求以高灵敏度检测在微细线图案中产生的微小的边缘粗糙度(Line EdgeRoughness：LER)或宽度粗糙度(Line Width Roughness：LWR)。特别是在由抗蚀剂形成的微细图案的测量中，因拍摄时电子线的照射，抗蚀剂材料被破坏而收缩，因此，难以准确地测量形成的图案具有的本来的粗糙度信息。作为减少收缩的一例，需要在低能量射束的条件下进行拍摄。此外，作为准确地测量本来的测量信息的一例，为了生成高分辨率的图像，需要利用具有像差校正器的扫描电子显微镜进行拍摄。并且，需要以更高灵敏度/高精度提取反映线图案的微小粗糙度信息的空间频率信息。
因此，对如下的学习器的学习方法进行叙述：在为了使学习器进行学习而准备的学习用图像数据的取得中，使用判明了频率成分以及振幅中的至少一个以上的值的线图案，由此，能够根据使用高的能量射束拍摄到的图像，与通过具有像差校正器的扫描电子显微镜使用低能量射束拍摄到的图像一样地以高灵敏度测量线图案的边缘粗糙度或者宽度粗糙度。
此外，对使用形成有线图案的试样进行学习的方法进行说明，但不限于此，例如也可以是其他形状的图案。
在为了使学习器进行学习而准备的学习用图像数据的取得中，使用频率成分及振幅中的至少一个以上为规定值的线图案。关于该线图案，考虑以频率成分及振幅中的至少一个以上为规定的值的方式内置例如波纹信息等。关于用于学习用图像数据的取得的图像取得工具，例如考虑具有像差校正器且能够在低能量束条件下拍摄的扫描电子显微镜与不具有像差校正器且能够在高的能量束条件下拍摄的扫描电子显微镜的组合。由具有像差校正器且能够在低能量束条件下拍摄的扫描电子显微镜拍摄到的图像成为高分辨率且收缩小、接近线本来的边缘形状的图像。另一方面，由不具有像差校正器且能够在高的能量束条件下拍摄的扫描电子显微镜拍摄到的图像成为相对低分辨率且收缩大、与线本来的边缘形状偏离大的图像。使用空间频率解析等方法从这些多个图像中提取PSD等空间频率信息，这些多个图像、图像或试样的空间频率信息作为监督数据，使计算机***201中包含的学习器进行学习。
通过将由不具有像差校正器且能够在高的能量束条件下拍摄的扫描电子显微镜得到的图像输入到如以上那样学习的学习器，能够进行高分辨率且收缩小、接近线本来的边缘形状的图像的推断、或者推定反映线图案的微小粗糙度信息的空间频率信息。
实施例6
在本实施例中，作为实施例2所述的学习法的一例，对具有计算机***的高性能图像取得工具和低性能图像取得工具与云服务器连接，使学习器进行学习的方法进行说明。
图13是表示包含与云服务器1311连接的多个图像生成工具的图像生成***的一例的图。在图13所例示的***中，高性能图像取得工具1301例如是搭载了像差校正器1305的扫描电子显微镜，低性能图像取得工具是未搭载像差校正器1305的扫描电子显微镜。
高性能图像取得工具1301和低性能图像取得工具1302～1304具有计算机***1306～1309，与计算机***1310连接，例如利用高性能图像取得工具1301和低性能图像取得工具1302～1304分别取得相同或设计数据上相同的试样，生成由利用所述多个图像取得工具取得的图像的组构成的监督数据集，将所述监督数据集转发(上传)到计算机***1310，通过所述云服务器使计算机***1310中包含的学习器进行学习。
关于如以上那样学习的学习器，被转发至计算机***1306～1309，通过输入由低性能图像取得工具获得的图像，能够推测由高性能图像取得工具获得的图像。
这里对将由低性能图像取得工具1302～1304分别取得的图像转送到计算机***1310的例子进行了说明，但不限于此，也可以使用由计算机***1306～1309生成的推定图像。
另外，将高性能图像取得工具设为主机，按低性能图像取得工具准备学习模型，由此，能够减少低性能图像取得工具间的机差，该主机是应设为基准的图像取得工具。此外，所述学习模型也可以使用从低性能图像取得工具转发到计算机***1310并由计算机***1310更新后的模型。
符号说明
100…扫描电子显微镜***、101…摄像部、102…计算机***、201…计算机***、202…输入输出装置、203…图像生成部、204…尺寸测定部、205…判定部、206…数据存储部、207…图像变换部、208…变换误差计算部、209…变换参数更新部、210…数据存储部。

Claims (17)

1.一种学习器的学习方法，所述学习器根据由图像生成工具取得的输入图像的输入来生成变换图像，其特征在于，
对以抑制所述输入图像与所述变换图像之间的误差的方式进行参数调整的所述学习器，输入一次以上的在第一图像生成条件下生成的第一图像、及在与所述第一图像生成条件不同的第二图像生成条件下生成的第二图像，由此执行学习，
关于所述第二图像，选择从该第二图像中提取的指标值与从所述第一图像中提取的指标值相同或处于规定的关系的图像，或者
关于所述第二图像，从与用于生成所述第一图像的第一图像生成工具不同的第二图像生成工具中输出。
2.根据权利要求1所述的学习方法，其特征在于，
与所述第二图像相比，所述第一图像是高品质。
3.根据权利要求1所述的学习方法，其特征在于，
所述图像生成工具是带电粒子束装置，与所述第二图像相比，在所述带电粒子束装置的每单位面积的剂量多的条件下取得所述第一图像。
4.根据权利要求3所述的学习方法，其特征在于，
与所述第二图像相比，在所述带电粒子束装置的帧累计数或束电流多、带电粒子束的扫描速度慢、或者带电粒子束装置的视野小的状态下取得所述第一图像。
5.根据权利要求1所述的学习方法，其特征在于，
取得所述第一图像和多个第二图像，从该多个第二图像中提取多个第二指标值，将该提取出的多个第二指标值和从所述第一图像中提取的第一指标值进行比较。
6.根据权利要求1所述的学习方法，其特征在于，
所述指标值是所述第一图像和所述第二图像中包含的图案的尺寸值或面积值。
7.根据权利要求1所述的学习方法，其特征在于，
所述第一图像生成工具构成为与所述第二图像生成工具相比生成高品质图像。
8.根据权利要求1所述的学习方法，其特征在于，
在所述第一图像生成工具中搭载有像差校正器。
9.根据权利要求8所述的学习方法，其特征在于，
所述图像生成工具生成半导体图案的图像，
所述第一图像在包含像差校正的所述第一图像生成条件下生成，
所述第二图像在不包含像差校正的所述第二图像生成条件下生成，
关于所述第二图像，从该第二图像提取的所述指标值为所述半导体图案的分辨率、线图案的边缘粗糙度、线图案的线宽粗糙度中的任一个以上。
10.根据权利要求9所述的学习方法，其特征在于，
所述图像生成工具是带电粒子束装置，
所述半导体图案具有规定的高度，
该图案的高度比所述第一图像生成工具的摄像焦深小，比所述第二图像生成工具的摄像焦深大。
11.根据权利要求10所述的学习方法，其特征在于，
所述半导体图案为非带电性，或者从受带电粒子线的照射引起的电位变化所影响的第一图像中提取的所述指标值的变动为阈值以下。
12.根据权利要求9所述的学习方法，其特征在于，
关于所述半导体图案，包含规定的振幅或频率信息的边缘粗糙度或线宽粗糙度被内置或为已知。
13.一种***，构成为根据输入图像的输入来生成变换图像，其特征在于，
所述***具有：一个以上的计算机子***，其使构成为根据所述输入图像的输入来生成变换图像的学习器进行学习；以及一个以上的组件，其由该一个以上的计算机子***执行，
该一个以上的组件在学习时，从输入装置对以抑制所述输入图像与所述变换图像之间的误差的方式进行参数调整的所述学习器输入一次以上的在第一图像生成条件下生成的第一图像、在与所述第一图像生成条件不同的第二图像生成条件下生成的第二图像，由此执行学习，
关于所述第二图像，选择了从该第二图像中提取的指标值与从所述第一图像中提取的指标值相同或处于规定的关系的图像，或者
关于所述第二图像，从与用于生成所述第一图像的第一图像生成工具不同的第二图像生成工具输出。
14.根据权利要求13所述的***，其特征在于，
所述一个以上的组件通过包含所述第一图像和所述选择出的第二图像的监督数据，使所述学习器进行学习。
15.根据权利要求14所述的***，其特征在于，
所述一个以上的组件根据通过所述第二图像生成条件生成的多个第二图像中包含的图案的尺寸测量或面积测量的执行，选择满足规定的条件的第二图像，将该选择出的第二图像的测量值与所述第一图像的测量值进行比较，根据该比较来选择所述第二图像。
16.根据权利要求14所述的***，其特征在于，
所述第一图像生成工具和所述第二图像生成工具具有所述组件，
第一组件和第二组件经由网络连接，
所述第一组件根据从所述第一图像生成工具和所述第二图像生成工具输出的图像的输入使所述学习器进行学习，
该学习完成模型经由网络被导入到所述第二组件。
17.一种存储程序的非暂时性的计算机可读介质，所述程序构成为指示处理器使学习器进行学习，所述学习器构成为根据图像的输入来生成变换图像，其特征在于，
所述程序在学习时，从输入装置对以抑制所述输入图像与所述变换图像之间的误差的方式进行参数调整的所述学习器输入一次以上的在第一图像生成条件下生成的第一图像、在与所述第一图像生成条件不同的第二图像生成条件下生成的第二图像，由此执行学习，
关于所述第二图像，选择了从该第二图像中提取的指标值与从所述第一图像中提取的指标值相同或处于规定的关系的图像，或者
关于所述第二图像，从与用于生成所述第一图像的第一图像生成工具不同的第二图像生成工具输出。
CN202280018802.8A 2021-03-05 2022-03-03 学习器的学习方法以及图像生成*** Pending CN116964721A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-034876 2021-03-05
JP2021034876A JP2022135215A (ja) 2021-03-05 2021-03-05 学習器の学習方法、及び画像生成システム
PCT/JP2022/009089 WO2022186326A1 (ja) 2021-03-05 2022-03-03 学習器の学習方法、及び画像生成システム

Publications (1)

Publication Number Publication Date
CN116964721A true CN116964721A (zh) 2023-10-27

Family

ID=83155118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280018802.8A Pending CN116964721A (zh) 2021-03-05 2022-03-03 学习器的学习方法以及图像生成***

Country Status (5)

Country Link
US (1) US20240144560A1 (zh)
JP (1) JP2022135215A (zh)
KR (1) KR20230137450A (zh)
CN (1) CN116964721A (zh)
WO (1) WO2022186326A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5813413U (ja) 1981-07-18 1983-01-27 中前　富士男 蓋付組立スト−ブガ−ド
JP5813413B2 (ja) * 2011-08-22 2015-11-17 株式会社日立ハイテクノロジーズ シュリンク前形状推定方法およびｃｄ−ｓｅｍ装置
JP6668278B2 (ja) * 2017-02-20 2020-03-18 株式会社日立ハイテク 試料観察装置および試料観察方法
SG11202111977XA (en) * 2019-06-03 2021-11-29 Hamamatsu Photonics Kk Method for inspecting semiconductor and semiconductor inspecting device
JP2021026926A (ja) * 2019-08-07 2021-02-22 株式会社日立ハイテク 画像生成方法、非一時的コンピューター可読媒体、及びシステム

Also Published As

Publication number Publication date
WO2022186326A1 (ja) 2022-09-09
KR20230137450A (ko) 2023-10-04
US20240144560A1 (en) 2024-05-02
JP2022135215A (ja) 2022-09-15

Similar Documents

Publication Publication Date Title
US6538249B1 (en) Image-formation apparatus using charged particle beams under various focus conditions
JP5202071B2 (ja) 荷電粒子顕微鏡装置及びそれを用いた画像処理方法
JP5164754B2 (ja) 走査型荷電粒子顕微鏡装置及び走査型荷電粒子顕微鏡装置で取得した画像の処理方法
JP5937171B2 (ja) 走査型電子顕微鏡及び試料観察方法
JP4261743B2 (ja) 荷電粒子線装置
JP2008177064A (ja) 走査型荷電粒子顕微鏡装置および走査型荷電粒子顕微鏡装置で取得した画像の処理方法
JP5655084B2 (ja) 荷電粒子ビーム顕微鏡
KR101685274B1 (ko) 하전 입자선 장치
JP2006196281A (ja) 走査電子顕微鏡及びその撮像方法
JP3424512B2 (ja) 粒子ビーム検査装置および検査方法並びに粒子ビーム応用装置
CN112840432A (zh) 用于监测束轮廓和功率的方法和装置
WO2011039908A1 (ja) 荷電粒子顕微鏡装置及びこれを用いた試料の検査方法
US8294118B2 (en) Method for adjusting optical axis of charged particle radiation and charged particle radiation device
JP6163063B2 (ja) 走査透過電子顕微鏡及びその収差測定方法
JP2019169406A (ja) 荷電粒子線装置
CN116964721A (zh) 学习器的学习方法以及图像生成***
JP2014146615A (ja) 荷電粒子顕微鏡装置および画像撮像方法
KR20210147917A (ko) 동적 밴드 콘트라스트 이미징을 위한 방법 및 시스템
JP4871350B2 (ja) パターン寸法測定方法、及びパターン寸法測定装置
TWI836541B (zh) 非暫時性電腦可讀媒體及用於監測檢測系統中之束的系統
JP6230831B2 (ja) 荷電粒子線装置および画像取得方法
JP7436691B2 (ja) 荷電粒子線装置および試料観察方法
JP2006190693A (ja) 荷電粒子線装置
JP2007287561A (ja) 荷電粒子線装置
CN114628210A (zh) 带电粒子束装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination