JP4432575B2 - パターン画像判定方法 - Google Patents

Description

本発明は半導体製造のリソグラフィ工程に用いられるフォトマスク、及びリソグラフィ工程後のウェハを、電子顕微鏡で撮影したパターン画像を判定するパターン画像判定方法及びその方法を用いたパターン画像判定装置に関する。

近年の半導体ＬＳＩパターンの微細化に伴い、パターン原版としてのフォトマスクも同様に微細化への対応を迫られており、同時に高精度化への要求は非常に厳しい。従来、フォトマスク品質における重要項目として、欠陥・寸法精度・アライメントの３項目が特に重視されており、半導体の微細化が進む現在ではそれぞれの項目を計測するための高精度なフォトマスク専用検査装置が開発され使用されている。しかしフォトマスクパターンの微細化による高精度化への要求は、前記３項目以外のあらゆる品質項目（パターン形状、パターンデータ保証、耐久性、クリーン度等）においても同様になりつつあり、特にパターン形状の精度については直接ＬＳＩ回路の精度および性能に関わることから、重視されるようになってきた。

フォトマスクのパターン形状は、半導体回路のマスクレイアウト設計において設計図面通りのパターンが精度良くマスク上に再現されていることが望ましいのは当然である。しかし、実際にはリソグラフィ技術を用いてガラス基板（以下基板と記す）上の金属薄膜に微細なパターンを加工しているため、マスクパターンと設計パターンとは完全に同一形状ではなく、寸法差やコーナー部の丸みなど、微小な違いが存在する。この違いはマスク上で数十〜数百ナノメートル程度の大きさであるが、近年の超ＬＳＩの微細化の進展によって、これが半導体回路の特性に影響を与えることが懸念され始めている。すなわち、微細なパターンであるほど、パターン自体に対して前記のパターン形状の違いが相対的に大きくなり、特性値に影響するようになってきた。

また、近年の急激な微細化に伴い、投影露光技術において光学原理を積極的に利用することで前記のパターン形状の問題を改善しようという試みが盛んになってきている。その代表例は光近接効果補正マスク（以下ＯＰＣマスクと称する）である。ここでＯＰＣマスクについて説明する。ＯＰＣマスクは、ウェハ露光転写時に回路パターン形状が精度良く転写されるように、本来の回路パターンに近接あるいは接触するようにして微細な光近接効果補正パターン（以下ＯＰＣパターンと称する）が付加されているマスクである。ＯＰＣパターンは、投影露光転写時に光学的近接効果が原因で生じる転写パターン形状の劣化に対して、近接するパターン同士の光干渉効果を利用して形状補正し、本来の設計パターンを精度よく転写可能にすることを目的とするパターンであり、本来の回路パターンの四隅や隣接するパターンと最も近接する部分に配置されることが多い。また最近では回路パターン全体を複雑に変形させるような種類のＯＰＣパターンも提案されている。ただし、本来の回路パターンとしては不要なため、ＯＰＣパターン自身は転写されない程度に微細でなければならない。従って、ＯＰＣパターンは従来のパターンよりもかなり微細であるため、マスクパターンの寸法ルールが従来のマスクよりも飛躍的に微細化することになり、マスク製造技術の点では非常に高度な微細加工技術を必要とする。もちろん、微細化の点では従来型のフォトマスクも同様に進展していくことは確実であり、やはり高度な微細加工技術が要求されるようになっている。そこでフォトマスク製造及び検査技術の課題として重視されるようになったのが、前述のパターン形状精度の問題である。一方、フォトマスクを利用してリソグラフィ工程によってウェハ上に形成されたパターンについてもフォトマスクと同様に形状の精度が問題となってきている。

基板上のフォトマスクやウェハのパターン形状を計測する手段として従来は、光学顕微鏡や電子顕微鏡（以下ＳＥＭ）を用いてパターンの画像を取得した後、画像計測用のソフトを利用して計測を行っていた（例えば、特許文献１を参照）。画像計測の手法としては、パターン画像からパターンのエッジ部分を輪郭線として抽出して、その輪郭線の座標情報をもとにパターンの特性を計測する手法や、パターン画像の濃度分布情報からある閾値を決め、該閾値を基準にして線幅を測定する手法などがある。一般的にフォトマスクやウェハの非常に微細なパターンを高精度に計測するには、光学顕微鏡の画像では解像度が足りないため、ＳＥＭのパターン画像が利用されることが多い。

下記に公知文献を記す
特開２００２−９２５９５号公報

フォトマスクやウェハのパターンをＳＥＭで撮影し、パターンの大きさやコーナーラウンディング、エッジラフネスといった特性を計測する際、ＳＥＭ特有のチャージアップによる画像の変動やフォーカスずれによる画像のボケが問題となる。特に画像のボケは、パターンを計測する際に利用するエッジの濃度分布が変化してしまうため、計測結果に直接影響を及ぼす。通常、ＳＥＭでパターン画像を撮影する際にはオートフォーカス機能やマニュアルによる微調整により、なるべくフォーカスずれが少ない条件で画像を取得するようにしている。しかしながら、全ての画像についてフォーカスをきちんと合わせ込むのは非常に難しく、また１枚の画像中にもフォーカスがあっているところとずれているところが存在することがある。これまでは、ＳＥＭで取得した画像がよほど変化してしまっていない限り、フォーカスが合っていてもずれていても構わずに計測が行われていた。そのため、同じパターンであるのにＳＥＭのパターン画像の画質の善し悪しによって計測値が変わってしまうことが多々見られ、ＳＥＭのパターン画像からパターン計測することの信頼性が低かった。

本発明は以上の問題点を鑑みてなされたもので、フォトマスク又はウェハのＳＥＭによるパターン画像を計測する際に、そのパターン画像の画質を定量的に把握することで、パターン計測結果の信頼性を高めることを目的とする。

本発明の請求項１に係る発明は、基板上に形成されたパターンを電子顕微鏡から撮像し、得られたパターン画像を判定するパターン画像判定方法において、；
判定対象のパターン画像から、パターン輪郭線を抽出する輪郭線抽出工程と、；
前記パターン輪郭線に対応するパターン画像上の輪郭線画素の一つについて、
該輪郭線画素を中心とした領域であり、該輪郭線画素を含むＮ個（Ｎは任意個数）画素の領域を近傍領域とし、
該近傍領域内の画素を画素の濃度値に基づいて濃度閾値ｋで２つのクラスに分離し、
前記濃度閾値ｋは、該２つのクラスの画素の濃度値の平均値の分散と近傍領域全体の画素の濃度値の平均値の分散との比を最大とするような濃度閾値ｋであり、
該２つのクラスの分離度ηを求める判別分析工程と、；
他の輪郭線画素について各輪郭線画素ごとにそれぞれ対応する分離度ηを求め、エラー判定とする分離度ηのエラー判定閾値を設定し、各輪郭線画素に対する分離度ηの大きさの分布である分離度η分布を求め、該分離度η分布にあってエラー判定閾値以下の部位が存在するとき、該輪郭線画素を含む部位に計測エラーが含まれる可能性があると判定するエラー判定工程と、；
を備えたことを特徴とするパターン画像判定方法である。

フォトマスク又はウェハのパターン形状の計測において、本発明のパターン画像判定方法をパターン計測前に用いることにより、ＳＥＭで撮影されたパターン画像を計測する際、チャージアップやフォーカスずれによる画質の変動を数値的に捉え、その善し悪しを定量評価することが可能となるため、パターン計測結果の信頼度を向上させることが可能となる。また、パターン画像の撮像条件にフイードバックすることで、ＳＥＭ画像の撮影を安定できる。

以下、本発明の具体的な形態を一実施形態に基づいて以下説明する。

図１は、本発明のパターン画像判定のフロー図である。判定では、工程１〜５を実行する。まず、ＳＥＭ画像の取得１では、フォトマスク又はウェハの判定対象パターンをＳＥＭで撮影し、パターン画像のＳＥＭ画像を得る。このＳＥＭ画像の取得１では、画像の濃淡の情報が２５６階調で画素単位に記録されたものである。フォトマスク又はウェハのパターンを撮影したＳＥＭ画像のパターン画像の例を図２（ａ）に示す。ＳＥＭ画像のパターン画像１０は、ホールパターンと呼ばれるもので、パターン部１１の部分がガラス、その周辺の背景部１２がクロムで形成されている。

次に、得られたＳＥＭのパターン画像に輪郭抽出処理２を行い、パターン画像の輪郭線１３を生成する。この輪郭抽出処理には様々な方法がある。一般的には、閾値を定めて画像を２値化することでパターンと背景を分離しておき、そのパターンの輪郭をエッジ抽出処理で抽出する方法がある。しかしながら、ＳＥＭのパターン画像ではこのような一般的な方法でパターンの輪郭線を抽出できることが少ない。そのため、本発明ではＳＥＭのパターン画像に特化したパターン輪郭抽出方法を用いている。まず、パターン画像からパターンのエッジ情報を抽出する。このエッジ情報は画素の濃度値の差分を計算したものであるが、本方法では差分を計算する距離を変化させて各距離ごとの差分データを作成する。次にこの差分データを利用して追跡開始点を特定し、輪郭追跡処理を行うことで輪郭データを抽出する。ここで求められた輪郭データにはノイズが多く含まれているため、次に動的輪郭モデルという手法を用いてノイズを除去する。動的輪郭モデルとは、輪郭線全体の滑らかさと元のパターンエッジとの一致度の双方のバランスをとりながら、輪郭データを構成する個々の画素を動かして輪郭線を変化させる手法である。以上の方法により、パターン画像にノイズや濃淡ムラがある場合においても、元のパターン画像と一致し、且つ滑らかな輪郭線を抽出することが可能である。図２（ａ）のパターン画像から輪郭線を抽出した結果を図２（ｂ）に示す。

次に、パターン画像１０の輪郭線１２上の各座標の画素とその近傍領域の各々画素の濃度値データを利用して、判別分析処理３を行う。判別分析処理の具体的な手順は以下の通りである。輪郭線１３を構成している各点の画素（以下輪郭線画素と記す）について、一つの輪郭線画素を中心とする９×９の正方形領域（以下９×９近傍と記す）の全画素（８１ヶ）の濃度値データを元のＳＥＭ画像から取得し、前記９×９近傍の画素を２５６階調の濃度値データと画素の度数のヒストグラム（図３参照）を作成する。図３では、横軸に濃度、縦軸に該濃度を持つ画素数（度数）を示し、画素数ｎは８１である。続いて判別分析法により、９×９近傍を輪郭抽出処理２時に用いた２値化する閾値と、濃度値データより最適な閾値を用いてパターン部・背景部の分離度を示すη値の関係（図４）を調べ、η
値の最大値をその輪郭線画素でのη値とする。この判別分析処理３を順次に、全ての輪郭線画素で行う。図４では、横軸に９×９近傍の画素を濃度値データによりパターン部・背景部を分離する濃度の閾値と、該閾値による分離度を示すη値の変動の関係を示し、前記閾値を低い場合及び高い場合共にη値は低くなる。

ここで、前記η値とこれを算出する判別分析法について説明する。一般的に、９×９近傍において、中心に輪郭線画素を持つＳＥＭ画像は、パターンと背景の両方を含み、画素の濃度のヒストグラムは、２つの山が形成される。すなわち、パターン部と背景部とを分離するということは、ヒストグラムの２つの山を分離することに等しい。そこで、２つの山ＡとＢとの分離度は、もっとも適切な閾値ｋを求める方法と考える。それには、Ａの平均値ａとＢの平均値ｂと閾値ｋとの間の分散を最大にするｋの値を求めれば良い。判別分析法は、９×９近傍の画像の濃度値のヒストグラムにおいて、濃度値の集合を閾値ｋで２つのクラス（ｋ以上とｋ未満）に分割したと仮定したとき、２つのクラスの分離が最も良くなるように閾値ｋを決めるという考え方に基づいている。実際には、２つのクラスの平均値の分散と、画像全体での分散の比を最大にするという基準によりｋを決める。

さらに具体的に説明すると、与えられた９×９近傍の画像の画素が、１，２，…，ｉのｉレベルの濃度値をもつとする。ここで閾値をｋとして、ｋより大きな濃度値をもつ画素と、それ以下の濃度値をもつ画素の２つのグループに分け、クラス１、クラス２とする。濃度レベルｉの画素数をｎ_iとし、全画素数をＮとすると、下記の数式１に示すように、クラス１及び２間の分散σ_B ²（ｋ）は、（１）で与えられる。画像全体での分散σ_T ²は、（２）で与えられる。また、（３）で与えられる評価基準値ηは、クラス１及び２間の分散を９×９近傍画像の画素全体での分散で正規化したものである。これは、０≦η≦１の範囲の値をもち、１に近いほど１及び２クラスの分離度が高い、あるいはヒストグラムの双峰性が高いことを示す有効な評価尺度である。

続いて、輪郭線画素の全ての点で算出したη値に対して統計解析処理４を行う。本処理では、η値のデータからノイズを除去するため移動平均処理を行う。図２のパターン画像から輪郭線画素の全点でη値を算出し、移動平均処理した結果を図５のグラフに示す。次に移動平均処理後のデータからη値の平均値を算出するとともに、η値の大きさの分布を解析する。

次に、η値の解析結果をもとに画質の定量化判定処理５を行う。一般的に判別分析の結果、η値が０．７未満となる場合は、ノイズやフォーカスずれの影響によりその領域においてパターン部と背景部とが正しく分離されないことが多い。つまり、η値が、０．７未満となるところではパターン計測の精度が悪くなる。画質の定量化判定処理では、統計解析処理で算出したη値の平均値を１００倍した数値をパターン画像の画質の善し悪しを示す評価値として出力する。これが７０点未満の場合には、画質が不良のため計測できない旨のメッセージをユーザーに知らせる処理を行う。

また、平均値が７０点以上となる場合でも、パターン画像の画質が局所的に悪くなっていることもありえるため、統計解析処理の結果をもとにη値が０．７未満となるデータ個数を調べ、それがある規定量を越えている場合には、０．７未満のデータ数の全データ数に対する割合とともに計測エラーが含まれる可能性がある注意メッセージをユーザーに知らせる処理を行う。一方、平均値が７０点以上でη値が０．７未満となるデータ数がある規定値未満の場合には、その画像の点数のみを表示する処理を行う。この点数が大きいほど、パターン計測結果の信頼度が高いことを示している。

以下本発明の実施例について説明する。

ここで、本発明の１つ目の実施例を図６、図７に示す。図６は、フォトマスク上の０．６μｍのホールパターンをＳＥＭで撮影する際、基準のフォーカスからわざとプラス及びマイナス方向にずらして複数の画像を取得し、それぞれの画質を本手法で数値化した結果である。このグラフから、フォーカスのずれが大きくなるに従ってη値が小さくなっていることが分かる。図７は、フォーカスをずらした各パターン画像においてホールの幅を計測した結果である。このグラフから、フォーカスのずれに応じて計測誤差が増大していることが分かる。つまりこれらの２つのグラフから、パターン画像のη値を評価することでパターン画像の計測精度を管理することができることが分かる。例えば、あるＳＥＭのパターン画像のパターン計測精度を２ｎｍ未満に抑えたい場合、ＳＥＭのフォーカスずれは基準±２０以内である必要がある。一方、図６のグラフからフォーカスのすれが±２０以内のときはη値が０．８以上になっていることが分かる。つまり、パターン画像からη値を計測し、それが０．８以上のものだけを計測対象とすれば計測誤差を２ｎｍ未満に抑えることが可能となる。

次に本発明の２つめの実施例を図８，図９に示す。図８はフォトマスク上のホールパターンをある条件で撮影したＳＥＭのパターン画像である。図９は本発明の手法によりホールパターンの輪郭線の各ポイントでη値を算出し、プロットしたグラフである。ここでは、ホールパターンの左側のエッジの中央から右回りに輪郭線を辿っている。図８のパターン画像を見ると、ホールパターンの上辺部分がボケていることが分かる。このようなパターン画像を計測した場合、横方向の幅についてはボケがないため正しく計測できるが、縦方向の高さは正しい計測を行うことができない。そこで、図９のグラフを見てみると、ちょうどパターンの上辺部分に相当するポイント（５０〜１５０）においてη値が大きく落ちこんでいることが分かる。つまり、輪郭線の各ポイントでのη値を監視することで、一つのパターン内において計測結果が信頼できるかどうかを局所的に判定することが可能となる。

本発明のパターン画像判定方法の手順を示すフローである。 パターン画像と輪郭線抽出の例を示す平面図であり、（ａ）は、パターン画像であり、（ｂ）は、その輪郭線である。 本発明のパターン画像計測方法の輪郭線上のある画素での近傍領域のヒストグラムである。 本発明のパターン画像計測方法の判別分析法によって計算した閾値とη値の関係を示すグラフである。 図２の輪郭線上の全ての画素におけるη値を示すグラフである。 実施例１を説明するＳＥＭのパターン画像のフォーカス位置とη値の関係を示すグラフである。 ＳＥＭのパターン画像のフォーカスと計測誤差の関係を示すグラフである。 実施例２を説明する部分的にボケがあるＳＥＭのパターン画像の例である。 図８のパターンのη値を示すグラフである。

符号の説明

１…ＳＥＭ画像の取得
２…輪郭抽出処理
３…判別分析処理
４…統計解析処理
５…画質の定量化判定処理
１０…パターン画像
１１…パターン
１２…背景
１３…輪郭線

Claims (1)

1. 基板上に形成されたパターンを電子顕微鏡から撮像し、得られたパターン画像を判定するパターン画像判定方法において、；
   判定対象のパターン画像から、パターン輪郭線を抽出する輪郭線抽出工程と、；
   前記パターン輪郭線に対応するパターン画像上の輪郭線画素の一つについて、
   該輪郭線画素を中心とした領域であり、該輪郭線画素を含むＮ個（Ｎは任意個数）画素の領域を近傍領域とし、
   該近傍領域内の画素を画素の濃度値に基づいて濃度閾値ｋで２つのクラスに分離し、
   前記濃度閾値ｋは、該２つのクラスの画素の濃度値の平均値の分散と近傍領域全体の画素の濃度値の平均値の分散との比を最大とするような濃度閾値ｋであり、
   該２つのクラスの分離度ηを求める判別分析工程と、；
   他の輪郭線画素について各輪郭線画素ごとにそれぞれ対応する分離度ηを求め、エラー判定とする分離度ηのエラー判定閾値を設定し、各輪郭線画素に対する分離度ηの大きさの分布である分離度η分布を求め、該分離度η分布にあってエラー判定閾値以下の部位が存在するとき、該輪郭線画素を含む部位に計測エラーが含まれる可能性があると判定するエラー判定工程と、；
   を備えたことを特徴とするパターン画像判定方法。