JP5146797B2 - 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 - Google Patents

Description

【技術分野】
【０００１】
本発明は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に関し、特に撮像時の歪みの影響を受けにくい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に関する。
【背景技術】
【０００２】
レティクル、フォトマスクといった半導体集積回路に用いられるマスクのパターン検査は、近年のパターンの微細化要請に伴って、よりいっそうの高度な精度が求められている。
【０００３】
一般に、パターン検査は、マスクにレーザー光や荷電粒子ビームを照射することで採取される観測画像と、対応する箇所の設計データから計算によって作成される参照画像を作成し、観測画像と参照画像を比較して一致していない箇所を見つけることで行われる。
【０００４】
高精度な欠陥検査を実現するためには、欠陥ではない箇所では観測画像上のパターンとそれに対応した参照画像上のパターンが正確に一致している必要がある。
【０００５】
実際には観測画像の採取時にはステージ移動の速度むらや光学系の問題によって、多少の歪みが発生する。
【０００６】
光学系の問題とは、例えばビームを音響光学素子（ＡＯＤ）等を用いて振りその透過光の光量を測定することによって画像採取する光学系では、ＡＯＤの影響によって歪みが発生するし、その歪み具合は時間とともに蓄熱などの影響で変化し得る。また、レンズの周辺部と中央部での歪みによって採取画像に歪みが発生する可能性もあるし、その歪み具合は時間とともに蓄熱などの影響で変化し得る。さらに、例えばレチィクルに多少のそりがある場合に対応するためにオートフォーカスが利用したりすると、焦点距離が変動することになるが、その変動に応じて歪み具合が変化する。
【０００７】
近年のようにパターンの微細化が進んでいる状況では、これまでは問題とはならず考慮していなかった、上記の歪みが無視できなくなってきており、歪みの補整が必要不可欠になっている。
【０００８】
観測画像採取時の歪みを補整する方式として、特許文献１や特許文献２では、ステージ移動量をセンサで測定し、その移動量の値を利用して参照画像を補整する方式を示している。
【特許文献１】
特開２００３−１２１９８４号公報
【特許文献２】
特開２００３−０９０７１７号公報
【特許文献３】
特開平１０−３２５８０６号公報
【特許文献４】
特開平１１−２１１６７１号公報
【特許文献５】
特開２０００−３４８１７７号公報
【非特許文献１】
リチャード・オー・デューダ（Ｒｉｃｈａｒｄ Ｏ．Ｄｕｄａ）他著、尾上守夫監訳、”パターン識別（第２刷）”、新技術コミュニケーションズ、２００３年、１１１〜１１３頁
【非特許文献２】
リチャード・オー・デューダ（Ｒｉｃｈａｒｄ Ｏ．Ｄｕｄａ）他著、尾上守夫監訳、”パターン識別（第２刷）”、新技術コミュニケーションズ、２００３年、１２０〜１２５頁
【発明の開示】
【発明が解決しようとする課題】
【０００９】
従来技術での問題点は、ステージ移動をセンサで測定して補整する方式であるため、ステージ移動量を測定する特別なセンサが必要であるし、ステージ移動によって発生する歪みしか対象にできず、任意の画像採取系で適用できないし、ステージ移動以外の光学系に起因する歪みを補整することもできないことにある。
【００１０】
また、特許文献５に記載の発明は、補正テーブル作成を検査対象マスクとは別のマスクを用いて行うので、マスクが変化した時の経時変化に弱い。
【００１１】
本発明の目的は、採取画像と参照画像の画像情報のみ利用して画像採取歪みを補正して高精度な欠陥検査を実現することにある。
【課題を解決するための手段】
【００１２】
本発明の欠陥検査装置では、観測画像と参照画像のペアから歪みの傾向を少数のパラメータで表現し、検査する時に観測画像と参照画像のペアから前記少数パラメータを推定して歪みを算出し、前記歪みを補正することで解決する。
【００１３】
本発明によれば、設計情報から求まる参照画像と観測画像を比較して前記観測画像の歪み量を推定する歪み量計算部と、前記歪み量を用いて前記参照画像をひずませた歪み画像を作成する歪み画像作成部と、前記歪み画像と観測画像を比較してパターンの欠陥を識別する識別部を備えることを特徴とするパターン欠陥検査装置が提供される。
【００１４】
また、本発明によれば、観測画像と設計情報から求まる参照画像を比較して前記観測画像の歪み量を推定する歪み量計算部と、前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成部と、前記補整画像と設計情報から求まる参照画像を比較してパターンの欠陥を識別する識別部を備えることを特徴とするパターン欠陥検査装置が提供される。
【００１５】
更に、本発明によれば、観測画像を入力する手段と、参照画像として定義され、前記観測画像の採取前の画像の設計情報と同じ設計情報から得られた比較観測画像を入力する手段と、前記入力された観測画像と前記比較観測画像を比較して前記観測画像の前記比較観測画像に対する歪み量を推定する歪み量計算部と、前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成部と、前記補整画像と前記比較観測画像を比較してパターンの欠陥を識別する識別部を備えることを特徴とするパターン欠陥検査装置が提供される。
［００１６］
上記のパターン欠陥検査装置において、前記歪み量の推定が各画像の検査毎に行われるようにしてもよい。
［００１７］
上記のパターン欠陥検査装置において、前記歪み量の推定が予め定められた時間毎に行われるようにしてもよい。
［００１８］
上記のパターン欠陥検査装置において、前記観測画像が加工済パターンをレーザー光や荷電粒子ビーム等で走査して得られる画像であるようにしてもよい。
［００１９］
上記のパターン欠陥検査装置において、前記参照画像が前記設計情報に含まれるパターン情報に観測画像取得時の光学系の影響を考慮して求められるようにしてもよい。
［００２０］
上記のパターン欠陥検査装置において、前記歪みを少ない次元で表現するようにしてもよい。
［００２１］
上記のパターン欠陥検査装置において、前記歪み量計算部は、前記歪み量の推定に、補間処理を利用するようにしてもよい。
上記のパターン欠陥検査装置において、前記補間処理は線形補間または双３次補間の少なくともいずれかを利用するようにしてもよい。
［００２２］
上記のパターン欠陥検査装置において、前記歪み量計算部は、前記歪み量の推定に、テーラー展開による近似計算を利用するようにしてもよい。
［００２３］
上記のパターン欠陥検査装置において、前記歪みを複数の正規分布で表現するようにしてもよい。
［００２４］
上記のパターン欠陥検査装置において、前記歪みを複数の正弦波で表現するようにしてもよい。
［００２５］
上記のパターン欠陥検査装置において、前記歪みを複数の単項式あるいは多項式で表現するようにしてもよい
［００２６］
上記のパターン欠陥検査装置において、前記歪みを事前に得られた多数の歪みデータから平均値を求め前記平均値を利用して表現するようにしてもよい。
［００２７］
上記のパターン欠陥検査装置において、前記歪みを事前に得られた多数の歪みデータから共分散行列を求め、前記共分散行列に対して主成分分析を行った結果を利用して表現するようにしてもよい。
［００２８］
上記のパターン欠陥検査装置において、前記共分散行列の推定にＥＭアルゴリズムを利用するようにしてもよい。
［００２９］
上記のパターン欠陥検査装置において、前記歪み量計算部は、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和を最小化する手法を用いるようにしてもよい。
［００３０］
上記のパターン欠陥検査装置において、前記歪み量計算部は、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和と、歪み量の値を引数とする関数値の和の合計を最小化する手法を用いるようにしてもよい。
［００３１］
上記のパターン欠陥検査装置において、前記歪み量と事前に記憶されている歪み量を比較して十分違いが大きいならば異常であると判定するようにしてもよい。
［００３２］
上記のパターン欠陥検査装置において、前記歪み量計算部は、前記歪み量を推定する際に前記比較する画像の内容に応じて推定する次元を可変に設定するようにしてもよい。
【発明の効果】
［００３３］
本発明の第１の効果は、画像採取の方式に依存しないことにある。
［００３４］
その理由は、採取画像と参照画像のペアのみから歪み量を求めるためである。
［００３５］
第２の効果は、高精度な欠陥検査を実現できることである。
【００３６】
その理由は、ステージ移動に限らず任意の属性の歪みを補整できるからである。
【図面の簡単な説明】
【００３７】
【図１】本発明の第１の発明を実施するための最良の形態の構成を示すブロック図である。
【図２】第１の発明を実施するための最良の形態の動作を示す流れ図である。
【図３】歪みを判定しやすいマスクの例を示す図である。
【図４】歪み量の一例を示す図である。
【図５】歪み量の一例を示す図である。
【図６】本発明の第２の発明を実施するための最良の形態の構成を示すブロック図である。
【図７】第２の発明を実施するための最良の形態の動作を示す流れ図である。
【図８】本発明の第３の発明を実施するための最良の形態の構成を示すブロック図である。
【図９】第３の発明を実施するための最良の形態の動作を示す流れ図である。
【図１０】本発明の第４の発明を実施するための最良の形態の構成を示すブロック図である。
【図１１】観測画像の具体例を示す図である。
【図１２】参照画像の具体例を示す図である。
【図１３】歪み構築係数の具体例を示す図である。
【図１４】歪み構築係数の具体例を示す図である。
【図１５】歪ませた参照画像の具体例を示す図である。
【図１６】歪ませた参照画像の具体例を示す図である。
【図１７】歪ませた参照画像の具体例を示す図である。
【図１８】歪ませた参照画像の具体例を示す図である。
【図１９】歪ませた参照画像の具体例を示す図である。
【図２０】歪ませた参照画像と観測画像の差分の具体例を示す図である。
【図２１】歪ませた参照画像と観測画像の差分の具体例を示す図である。
【図２２】歪ませた参照画像と観測画像の差分の具体例を示す図である。
【図２３】歪ませた参照画像と観測画像の差分の具体例を示す図である。
【図２４】歪ませた参照画像と観測画像の差分の具体例を示す図である。
【図２５】歪み量の具体例を示す図である。
【図２６】歪み量の具体例を示す図である。
【図２７】歪ませた後の参照画像の具体例を示す図である。
【符号の説明】
【００３８】
１ 入力装置
２ データ処理装置
３ 記憶装置
４ 出力装置
５ データ処理装置
６ 欠陥検査用プログラム
１１ 観測画像入力手段
１２ 設計画像入力手段
１３ 比較観測画像入力手段
２１ 光学シミュレート実行手段
２２ 歪み量推定手段
２３ 歪み画像作成手段
２４ 画像比較手段
２５ 歪み画像補整手段
【発明を実施するための最良の形態】
【００３９】
以下、図面を参照して本発明を実施するための最良の形態について詳細に説明する。
【００４０】
次に本発明の実施するための最良の形態について図面を用いて詳細に説明する。
【００４１】
図１を参照すると、本発明の第１の最良の形態は、画像を入力する入力装置１と、プログラム制御により動作するデータ処理装置２と、情報を記憶する記憶装置３と、ディスプレイ装置や印刷装置等の出力装置４とを含む。
【００４２】
入力装置１は、観測画像入力手段１１と、設計データ入力手段１２とを備えている。
【００４３】
観測画像入力手段１１は、欠陥検査を行いたいマスクをレーザー光や荷電粒子ビーム等で走査し光量をＣＣＤ等で電気信号へと変換することにより観測画像として画像化する。ここで、観測画像入力手段１１で取り込んだ画像をＲ（ｘ，ｙ）と定義する。なお観測画像入力手段１１における観測画像採取の手段は透過光学系に限定せず、反射光学系でも問題無い。
【００４４】
設計データ入力手段１２は、欠陥検査を行いたいマスクの設計データを取り込む。
【００４５】
記憶装置３は、歪み構築係数記憶部３１と、歪みパラメータ記憶部３２とを備えている。
【００４６】
歪み構築係数記憶部３１は、歪みを計算する際に必要となる係数を記憶している。以下では歪み構築係数記憶部３１に記憶されている量のことを歪み構築係数と呼ぶことにする。歪み構築係数はより具体的には画像の位置（ｘ，ｙ）毎に、ｘ方向の歪みを構築する時に必要となる係数とｙ方向の歪みを構築する時に必要となる係数から構成される。以下では画像の位置（ｘ，ｙ）毎にｘ方向の歪みを構築する時に必要となる歪み構築係数の数、及びｙ方向の歪みを構築する時に必要となる歪み構築係数の数をどちらもＫとする。そしてｘ方向の歪みを構築するときに必要となるＫ個の歪み構築係数をｗｋ（ｘ，ｙ）（ただしｋ＝１，．．．，Ｋ）と定義する。またｙ方向の歪みを構築するときに必要となる歪み構築係数をｖｋ（ｘ，ｙ）（ただしｋ＝１，．．．，Ｋ）と定義する。
【００４７】
ここで、ｘ方向の歪みを構築するときに必要となる歪み構築係数の数とｙ方向の歪みを構築するときに必要となる歪み構築係数の数がどちらもＫで同じ数であるという仮定がなされているが、前記２つの数が異なっていても良い。前記２つの数が異なっている場合は、数が少ない方の歪み構築係数として０を追加してＫ個にそろえて、同じ数という仮定の場合の話と同じ方式で対応すればよい。
【００４８】
歪みパラメータ記憶部３２は、マスクを検査する時の歪みの状態を表現するＫ−１個のパラメータを記憶する。以下では歪みパラメータ記憶部３２に記憶されているＫ−１個のパラメータのことを歪みパラメータと呼ぶことにし、ξｋ（ただしｋ＝１，．．．，Ｋ−１）と定義する。
【００４９】
マスクを検査する時に光学系によって採取された観測画像の歪みは、Ｋ−１個の歪みパラメータからＫ個の２種の歪み構築係数を用いて求めることができる。
【００５０】
具体的には、観測画像の点（ｘ，ｙ）における歪み量をδｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）とする。
【００５１】
歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）は、
【数１】
のように線形和で求められる。
【００５２】
歪み構築係数ｗｋ（ｘ，ｙ）、ｖｋ（ｘ，ｙ）（ただしｋ＝１，．．．，Ｋ）はどのような関数でも歪み量推定自体は動作可能である。歪み構築係数のより良い設定方法の例を以下に説明する。
【００５３】
１つ目の例としては、Ｋが３以上の奇数であったとして、（Ｋ−１）／２個の点（ｘｋ，ｙｋ）（ただしｋ＝１，．．．，（Ｋ−１）／２）と１つの値σが予め与えられていたとすると、（Ｋ−１）／２個の点（ｘｋ，ｙｋ）（ただしｋ＝１，．．．，（Ｋ−１）／２）を中心としてσ２を分散とする等方的な正規分布
【数２】
を用いて、
ｋ＝１，．．．，（Ｋ−１）／２の場合は、ｗｋ＝Ｇａｕｓｓ２ｋ（ｘ，ｙ），ｖｋ＝０と設定し、ｋ＝（Ｋ−１）／２＋１，．．．，Ｋ−１の場合は、ｗｋ＝０，ｖｋ＝Ｇａｕｓｓ２ｋ（ｘ，ｙ）と設定し、ｋ＝Ｋの場合は、ｗｋ＝０，ｖｋ＝０と設定する方法が考えられる。
【００５４】
ここでＫ／２個の点は歪みが大きくでそうな場所を事前に調査しておいて、歪みが大きく出る場所に設定するのがなお良い。
【００５５】
調査の方法としては、例えば、図３のような等間隔に矩形が並んでいるマスクを用意してそのマスクの観測画像を採取し、マスク中の矩形の場所がずれているか否かを人が画像を比較して、大きくずれた矩形位置の場所が歪みが大きいと判断した場所を歪みが大きく出る場所と判断する方法を採用する。
【００５６】
σの値としては前記選択点のそれぞれの点の間の距離程度以上に設定するのが良い。
【００５７】
また、等方的な正規分布の代わりに、多項式など他の任意の関数を使用しても良い。
【００５８】
画像採取の方式によっては、ｘ方向、ｙ方向のうち１方向のみに歪みが発生しやすいという可能性がある。
【００５９】
例えばｙ方向にのみ歪みが発生しやすいという状況の場合は、Ｋ−１個のｙ座標の値ｙｋ（ただしｋ＝１，．．．，Ｋ−１）と１つの値σが予め与えられていたとすると、Ｋ−１個のｙ座標値ｙｋ（ただしｋ＝１，．．．，Ｋ−１）を中心としてσ２を分散とする正規分布
【数３】
を用いて、
ｋ＝１，．．．，Ｋ−１の場合は、ｗｋ＝０，ｖｋ＝Ｇａｕｓｓ１Ｙｋ（ｘ，ｙ）と設定し、ｋ＝Ｋの場合は、ｗｋ＝０，ｖｋ＝０と設定する方法が考えられる。
【００６０】
ここで、正規分布の代わりに、他の任意の関数を使用しても良い。
【００６１】
また、ｙ方向の歪みがｘ座標の値に依存して発生する場合も考えられる。例えば、ステージがｘ方向に移動しながら画像を採取していくことを考えると、ステージがｘ方向に移動する過程でステージのｙ方向への振動が発生する可能性がある。この時、ｘ座標の値に依存してｙ方向の歪みが発生する。
【００６２】
例えばステージがｘ方向へ移動するにあたって発生するｙ方向への振動の仕方が、Ｋ−１個のパラメータａｋ（ただしｋ＝１，．．．，Ｋ）とＫ−１個のパラメータｂｋを用いたＫ通りの正弦波ｓｉｎ（ａｋｘ＋ｂｋ）で表せると考えた場合は、
【００６３】
ｋ＝１，．．．，Ｋ−１の場合は、ｗｋ＝０，ｖｋ＝ｓｉｎ（ａｋｘ＋ｂｋ）と設定し、ｋ＝Ｋの場合は、ｗｋ＝０，ｖｋ＝０と設定する。
【００６４】
別の例として、歪み構築係数を単純に低い次元の単項式で設定する方法も考えられる。例えば、Ｋ＝７の場合は、
ｗ１＝１，ｖ１＝０
ｗ２＝ｘ，ｖ２＝０
ｗ３＝ｙ，ｖ３＝０
ｗ４＝０，ｖ４＝１
ｗ５＝０，ｖ５＝ｘ
ｗ６＝０，ｖ６＝ｙ
ｗ７＝０，ｖ７＝０
のように単項式１やｘやｙを歪み構築係数として設定する。Ｋが増えれば増えるほど高い次元の単項式を採用して対応する。例えば、Ｋ＝１３の場合には、
ｗ１＝１，ｖ１＝０
ｗ２＝ｘ，ｖ２＝０
ｗ３＝ｙ，ｖ３＝０
ｗ４＝ｘ２，ｖ４＝０
ｗ５＝ｘｙ，ｖ５＝０
ｗ６＝ｙ２，ｖ６＝０
ｗ７＝０，ｖ７＝１
ｗ８＝０，ｖ８＝ｘ
ｗ９＝０，ｖ９＝ｙ
ｗ１０＝０，ｖ１０＝ｘ２
ｗ１１＝０，ｖ１１＝ｘｙ
ｗ１２＝０，ｖ１２１＝ｙ２
ｗ１３＝０，ｖ１３＝０
のように単項式１、ｘ、ｙ、ｘ２、ｘｙ、ｙ２を歪み構築係数として設定できる。これはＫ＝７の場合に用いた単項式に加えてより高い次元の単項式も利用している。
【００６５】
上では歪み構築係数として単項式として設定したが、もちろん単項式ではなく代わりにさまざまな次元の多項式を用いることも可能である。
【００６６】
さらに別のアプローチとして、事前に上のどれかの歪み構築係数を利用して、数多くのマスクを用いて歪み量を多数推定し、次にその結果を利用してより良い歪み構築係数を求める方法も考えられる。
【００６７】
以下では検査するマスクの大きさをＭ×Ｎとする。ここで、歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）は全部で２ＭＮ個のパラメータから構成されるので、歪み量を１つの２ＭＮ次元のベクトルδで表すことも可能である。
【００６８】
図４はＭ＝３、Ｎ＝３の場合の歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）の一例である。この時、対応するベクトルδは、
【数４】
と１８次元のベクトルで表すことができる。ただしｔは転置を表す。以下ではＭ×Ｎの画像２つから２ＭＮ次元のベクトルに変換する上記操作を操作Ｔと定義する。
【００６９】
また、逆にベクトルδから歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）を復元することも出来る。例えば、δが、
【数５】
の場合、対応するＭ×Ｎの２つの画像は図５のようになる。以下では２ＭＮ次元のベクトルからＭ×Ｎの画像ペアを作成する操作をＴ−１と定義する。
【００７０】
上記操作Ｔ及びＴ−１の定義を用いて、数多くのマスクを用いて歪み量を多数推定し、次にその結果を利用してより良い歪み構築係数を求める方法例について説明する。
【００７１】
まずＤ個のマスクを用いてＤ通りの歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）を推定し、その結果を利用してより良い歪み構築係数を求めることを考える。
【００７２】
Ｄ個のマスクを用いて計算されたＤ通りの歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）を操作Ｔによってベクトル表示して、δｄ（ｄ＝１，．．．，Ｄ）と表すことにする。ただしδｄはｄ番目のマスクを用いて計算された歪み量のベクトルを表す。
【００７３】
次に、Ｄ個の２ＭＮ次元ベクトルδｄ（ｄ＝１，．．．，Ｄ）の平均ベクトルμを求める。μは２ＭＮ次元ベクトルであり、操作Ｔ−１を施して得られる２枚の画像をそれぞれｕＫ（ｘ，ｙ）、ｖＫ（ｘ，ｙ）として設定する方法が考えられる。
【００７４】
または、Ｄ個の２ＭＮ次元ベクトルδｄ（ｄ＝１，．．．，Ｄ）に対して非特許文献１にあるように主成分分析を行う。
【００７５】
主成分分析を行うにはＤ個のベクトルから平均と共分散行列を求め、共分散行列を特異値分解すれば実現できる。
【００７６】
得られた主成分をνｄ（ｄ＝１，．．．，Ｄ）とする。νｄ（ｄ＝１，．．．，Ｄ）はいずれも２ＭＮ次元ベクトルである。
【００７７】
平均ベクトルと第１主成分から第Ｋ−１主成分を選択し、第ｋ主成分に操作Ｔ−１を施して得られる２枚の画像をｕｋ（ｘ，ｙ）、ｖｋ（ｘ，ｙ）とし、平均μに操作Ｔ−１を施して得られる２枚の画像をｕＫ（ｘ，ｙ）、ｖＫ（ｘ，ｙ）と設定する方法が考えられる。主成分分析を用いることで、Ｋを小さい値にすることができるため、推定が安定になるというメリットがある。
【００７８】
また、歪みの大きさは階調値が均一な領域では推定できない。なぜならば均一な領域に歪みがあってもなくてもやはり均一な領域になるからである。従って上のＤ個のマスクは均一な領域が少ないマスクを選択することが望ましい。
【００７９】
またはＤ個のマスクの中に均一な領域が多く存在するものが含まれる場合は、均一な領域部分の点（ｘ，ｙ）におけるδｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）の値に対応する２ＭＮベクトルδの成分値を欠損データであると考えて、非特許文献２にあるようにＥＭアルゴリズムを用いて欠損がある場合の平均・共分散行列を求める方法を利用して平均と共分散行列を求め、その結果を主成分分析する方法をとることで対応しても良い。ＥＭアルゴリズムを用いることで、特別なＤ個のマスクを用意しなくても良く、単に直前に検査したＤ個のマスクを選択して学習すれば良いというメリットがある。
【００８０】
データ処理装置２は、欠陥検査を行う装置であり、光学シミュレート実行手段２１と、歪みパラメータ計算手段２２と、画像歪み補整手段２３と、画像比較手段２４とを備えている。
【００８１】
光学シミュレート実行手段２１は、設計データ入力手段１２で得られるマスクの設計データに対して光学シミュレートを行って参照画像を作成する手段である。以下では光学シミュレート実行手段２１で得られた参照画像をＧ（ｘ，ｙ）と定義する。
【００８２】
観測画像Ｒ（ｘ，ｙ）には歪みがあるため、観測画像のｘ方向の歪みをδｘ、ｙ方向の歪みをδｙとすると、Ｒ（ｘ，ｙ）に対応する参照画像はＧ（ｘ−δｘ，ｙ−δｙ）でなければならない。
【００８３】
歪み量推定計算手段２２は、観測画像入力手段１１で得られる観測画像Ｒ（ｘ，ｙ）と、光学シミュレート実行手段で得られる参照画像Ｇ（ｘ，ｙ）と、歪み補整係数記憶部３１で記憶されている係数を元にして、観測画像採取の時に発生している歪み量を表現する歪みパラメータを推定する。
【００８４】
歪みパラメータの推定方法は、
【数６】
をξｋ（ｋ＝１，．．．，Ｋ−１）について最小化することによって求められる。
【００８５】
またはξｋ（ｋ＝１，．．．，Ｋ−１）についての関数ｆ（ξ１，．．．，ξＫ−１）を追加して、
【数７】
をξｋ（ｋ＝１，．．．，Ｋ−１）について最小化すれば良い。ｆ（ξ１，．．．，ξｋ−１）の例としては、例えば、ある予め定められた定数λを用いて、
【数８】
とすることが考えられる。これは歪みが大きすぎる判定がされないように追加する項である。
【００８６】
例えば一様な領域が多い時に歪みが大きいか小さいか分からない場合は歪みが小さいと判断するといった影響が発生する。歪みが大きいほど参照画像をひずませる結果になるために処理量の観点から上記対応は望ましい対応である。
【００８７】
また、上記数式（数６）のＧ（ｘーδｘ，ｙーδｙ）は例えば線形補間によって求めることができる。
【００８８】
すなわち、ｘ−δｘを超えない最大の整数をＸ、ｙ−δｙを超えない最大の整数をＹとし、２つのパラメータεｘ、εｙをεｘ＝ｘ−δｘ−Ｘ、εｙ＝ｙ−δｙ−Ｙと定義すると、Ｇ（ｘーδｘ，ｙーδｙ）は、
【数９】
として求めることができる。あるいは線形補間でなく、例えば双３次補間等のような他の補間方法を用いても良い。
【００８９】
あるいは、歪みδｘ、δｙが十分小さいという装置特性が分かっているならば、テーラー展開を行って１次の項までで近似した表現である、
【数１０】
を用いて求めても良い。ここでＧｘ、ＧｙはそれぞれＧのｘについての微分、ｙについての微分を表す。微分の値は例えばソーベルフィルタの値を用いれば良い。
【００９０】
前記歪みパラメータの推定において、ξｋ（ｋ＝１，．．．，Ｋ−１）のＫ−１個すべての変数を最小化するのではなく、Ｋ−１以下の自然数Ｋ’を設定して、Ｋ’より大きいｋに対するξｋを０に固定し、Ｋ’以下のＫ’個のｋに対するξｋのみを変数と見なして最小化しても良い。前記Ｋ’は観測画像あるいは参照画像毎に設定する。例えば、観測画像・参照画像の微分値をソーベルフィルタで計算し、その微分値がある閾値以上の画素数を算出し、Ｋ−１と前記画素数の最小値をＫ’と設定する。このようにＫ−１個以下のＫ’個のパラメータのみ推定するということを行うことには、一様な領域が多く歪みの推定が不安定になりやすい観測画像・参照画像のペアに対しても、推定するパラメータを削減してより安定した推定を実現できるようになるというメリットがある。
【００９１】
歪み画像作成手段２３は、歪み推定手段で求められた歪みパラメータから、歪み構築係数を用いて観測画像Ｒ（ｘ，ｙ）の歪みを求め、その画像歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）を用いて参照画像を歪ませる手段である。
【００９２】
参照画像を歪ませるには、例えばすべてのｘ、ｙに対し、線形補間によってＧ（ｘ−δｘ，ｙ−δｙ）の値を求め、それをＧ（ｘ，ｙ）に置き換えることで対応できる。
【００９３】
Ｇ（ｘ−δｘ，ｙ−δｙ）を求める時は線形補間でなく、例えば双３次補間等のような他の補間方法を用いても良い。
【００９４】
あるいは、歪みが小さいならば、テーラー展開を行って１次の項までで近似した表現を用いても良い。
【００９５】
画像比較手段２４は、観測画像入力手段１１で得られた観測画像Ｒ（ｘ，ｙ）と、歪み画像作成手段２３で歪みを加えた参照画像Ｇ（ｘ，ｙ）とを比較して、２枚の画像の違いが大きい場所を欠陥として判定する。具体的には、例えば、予め定めた定数Ｔを用いて、
【数１１】
となる領域を欠陥であると判定すれば良い。
【００９６】
または、例えば特許文献３や特許文献４に記載の方法を用いて欠陥であると判定しても良い。
【００９７】
次に、図１及び図２を参照して本発明を実施するための最良の形態の動作について詳細に説明する。
【００９８】
入力装置１の観測画像入力手段１１から検査するマスクの観測画像が、設計データ入力手段１２から検査するマスクの設計データが、それぞれ入力される。
【００９９】
まず、光学シミュレート実行手段２１において、設計データ入力手段１２で入力された設計データから、光学シミュレートによって参照画像Ｇ（ｘ，ｙ）が生成される（ステップＡ１）。
【０１００】
次に観測画像入力手段１１で入力された観測画像と光学シミュレート実行手段２１で得られた参照画像を用いて歪み量を推定するか否かを判断する（ステップＡ２）。例えば、画像採取系の経時変化が大きく観測画像の歪み方が変化していることが予想されるためにマスクの検査毎に毎回歪みパラメータを学習することにするならば、ステップＡ２の判断は常にイエスとなる。
【０１０１】
また、前回の欠陥検査時から今回の欠陥検査までの経過時間が、画像採取系の経時変化に比べて十分短いとユーザーが判断した場合は、ステップＡ２の判断としてノーを選択しても良い。
【０１０２】
または、前記経過時間が予め与えてある一定の閾値以下であればユーザーの判断無しにステップＡ２で強制的にノーを選択する、というシステムを構築しても良いし、画像採取系が非常に安定しているのであれば、１回目にイエスとする以外は、欠陥検査を行う時には常にステップＡ２でノーを選択しても良い。このようにノーの選択回数を増やすことは処理時間の高速化が図れるメリットがある。
【０１０３】
ステップＡ２でイエスが選択された場合は、歪み推定手段２２において、観測画像入力手段１１から入力された観測画像と、光学シミュレート実行手段２１で得られた参照画像と、歪み構築係数記憶部３１に記憶されている歪み構築係数を用いて、歪みパラメータを計算し、歪みパラメータ記憶部３２に格納する（ステップＡ３）。この時、前記歪みパラメータと事前に歪みパラメータ記憶部３２に格納されていた歪みパラメータを比較して、推定値の変化が予め与えてある一定の閾値以上であれば、経時変化による歪みの変化以上の変化であり、現在観測しているマスクは異常であると判定しても良い。
【０１０４】
ステップＡ２でノーが選択されるか、あるいはステップＡ２でイエスが選択され、ステップＡ３の処理まで実行されたならば、歪み画像作成手段２３において、歪み構築係数記憶部３１に記憶されている歪み構築係数を用いて、歪みパラメータ記憶部３２に記憶されている歪みパラメータから観測画像が持つ歪み量が計算される（ステップＡ４）。
【０１０５】
さらに、歪み画像作成手段２３において、前記歪み量だけ参照画像を歪ませる（ステップＡ５）。
【０１０６】
歪み画像作成手段２３で作成された参照画像は画像比較手段２４に供給される。画像比較手段２４では、観測画像入力手段１１から入力された観測画像を、参照画像生成手段２３から供給された参照画像と比較し、違いの大きい場所を欠陥として判定する（ステップＡ６）。
【０１０７】
本実施の形態では、画像採取時の観測画像の歪みを画像情報から推定し、その歪み量だけ参照画像も歪ませている。従って、精度の高い欠陥検査が実現できる。
【０１０８】
次に、本発明の第２の発明を実施するための最良の形態について図面を参照して詳細に説明する。
【０１０９】
図６を参照すると、本発明の第２の発明を実施するための最良の形態は、データ学習装置５が、図１に示された第１の実施の形態におけるデータ学習装置２の構成で、歪み画像作成手段２３が無くなり、代わりに歪み画像補整手段２５を有している点で異なる。
【０１１０】
歪み画像補整手段２５は、歪み量推定手段２２で求められた歪みパラメータから、歪み構築係数を用いて観測画像Ｒ（ｘ，ｙ）の歪み量を求め、その画像歪み量δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）を用いて観測画像の歪みを補正する手段である。
【０１１１】
歪みを補正するは、例えば線形補間によって、Ｒ（ｘ＋δｘ，ｙ＋δｙ）を求め、それをＲ（ｘ，ｙ）に置き換えることで対応できる。
【０１１２】
Ｒ（ｘ＋δｘ，ｙ＋δｙ）を求める時は線形補間でなく、例えば双３次補間等のような他の補間方法を用いても良い。
【０１１３】
あるいは、歪みが小さいならば、テーラー展開を行って１次の項までで近似した表現を用いても良い。
【０１１４】
次に、図６及び図７のフローチャートを参照して本実施の形態の全体の動作について詳細に説明する。
【０１１５】
図７のステップＡ１、Ａ２、Ａ３、Ａ６は、本発明を実施するための最良の形態における動作と同一動作のため、説明は省略する。
【０１１６】
また、ステップＡ４は、歪み画像補整手段２５の内部で実行されているが、内容は本発明を実施するための最良の形態における動作と同一動作のため、説明は省略する。
【０１１７】
本実施の形態では、歪み画像補整手段２５において、ステップＡ４で観測画像の歪み量が求まった後に、さらに観測画像に存在する歪みを補正する（ステップＢ１）。そしてステップＢ１で得られる歪みが補整された観測画像と、光学シミュレート実行手段２１で得られる参照画像が画像比較手段２４に提供される。
【０１１８】
次に、本発明を実施するための最良の形態の効果について説明する。
【０１１９】
本発明を実施するための最良の形態では、画像採取時の観測画像の歪みを画像情報のみから推定し、その歪みを観測画像から補正している。従って、精度の高い欠陥検査が実現できる。
【０１２０】
次に、本発明の第３の発明を実施するための最良の形態について図面を参照して詳細に説明する。
【０１２１】
図８を参照すると、本発明の第３の発明を実施するための最良の形態は、入力装置１が、図６に示された第２の実施の形態における入力装置１の構成で、設計データ入力手段１２が無くなり、代わりに比較観測画像入力手段１３を有し、さらにデータ学習装置７が、図６に示された第２の実施の形態におけるデータ学習装置２の構成で、光学シミュレート実行手段２１が無くなっている点で異なる。
【０１２２】
比較観測画像入力手段１３は、設計データを入力する代わりに、観測画像１１に入力される観測画像と同じ設計データで構成される別の観測画像を入力する。比較観測画像入力手段１３で入力される観測画像のことを、以下、比較観測画像と呼ぶ。
【０１２３】
次に、図８及び図９のフローチャートを参照して本実施の形態の全体の動作について詳細に説明する。
【０１２４】
図７のステップＡ２、Ａ４は、本発明を実施するための最良の形態における動作と同一動作のため、説明は省略する。さらに、比較観測画像をＲ（ｘ，ｙ）と定義し、参照画像を比較観測画像に置き換えて考えれば、ステップＣ１はステップＡ３とまったく同等であり、ステップＣ２はステップＡ６とまったく同等の処理になる。
【０１２５】
次に、本発明を実施するための最良の形態の効果について説明する。
【０１２６】
本発明を実施するための最良の形態では、画像採取時の比較観測画像に対する観測画像の歪みを画像情報のみから推定し、その歪みを観測画像から補正している。従って、精度の高い欠陥検査が実現できる。
【０１２７】
次に、本発明の第４の発明を実施するための最良の形態について図面を参照して詳細に説明する。
【０１２８】
図１０を参照すると、本発明の第４の発明を実施するための最良の形態は、第１及び第２及び第３の発明を実施するための最良の形態と同様に、入力装置、データ処理装置、記憶装置、出力装置を備える。
【０１２９】
欠陥検査プログラム７は、データ処理装置８に読み込まれデータ処理装置８の動作を制御し、第１及び第２及び第３の実施の形態におけるデータ処理装置３及び５及び６による処理と同一の処理を実行する。
【実施例１】
【０１３０】
次に、図２を用いて本発明の実施するための最良の形態を具体的な実施例を用いて説明する。本実施例は、データ処理装置としてパーソナルコンピュータの中央演算装置を利用する。またデータ記憶装置として磁気ディスク装置を利用する。
【０１３１】
検査する対象である観測画像の大きさはｘ方向ｙ方向とも１２画素であるとし、観測画像は図１１で表されるＲ（ｘ，ｙ）（ただしｘ＝０，．．．，１１，ｙ＝０，．．．，１１）とする。
【０１３２】
磁気ディスク装置には、図１３及び図１４で示されるような歪み構築係数構築ｗ１（ｘ，ｙ）、ｖ１（ｘ，ｙ）（ただしｘ＝０，．．．，１１，ｙ＝０，．．．，１１）と、それに加えてｗ２（ｘ，ｙ）＝０、ｖ２（ｘ，ｙ）＝０（ただしｘ＝０，．．．，１１，ｙ＝０，．．．，１１）が記憶されている。すなわち、ｘ方向の歪みを構築する時に必要となる歪み構築係数の数、及びｙ方向の歪みを構築する時に必要となる歪み構築係数の数はどちらも２個である。
【０１３３】
また、歪みパラメータξ１には０が格納されている。
【０１３４】
まず、設計データが中央演算装置に入力され、光学シミュレートによって参照画像が作成される（ステップＡ１）。
【０１３５】
図１２は作成された参照画像Ｇ（ｘ，ｙ）（ただしｘ＝０，．．．，１１，ｙ＝０，．．．，１１）である。
【０１３６】
次に前記作成された参照画像Ｇ（ｘ，ｙ）と、前記観測画像Ｒ（ｘ，ｙ）、及び磁気ディスク装置に格納されているｗ１（ｘ，ｙ）、ｖ１（ｘ，ｙ）から歪みパラメータξ１を計算しなおし、ξ１を磁気ディスク装置に記憶させることにする（ステップＡ２でイエス→ステップＡ３）。
【０１３７】
歪みパラメータξ１は、具体的には、
【数１２】
をξ１について最小化することで求められる。ここで、δｘ（ｘ，ｙ）、δｙ（ｘ，ｙ）は観測画像の点（ｘ，ｙ）における歪み量であり、
【数１３】
と表現できる。また、Ｇ（ｘ−δｘ，ｙ−δｙ）は、線形補間によって求められる。
【０１３８】
本具体例では、ξ１についての最小化の手段としては、ξ１を離散化して全探索するという方針を採用する。今回は離散化幅を０．５として、ξ１＝−１，−０．５，０，＋０，５，＋１の５通りを調査し、最もＳが小さくなるξ１を求めるという方法をとる。
【０１３９】
図１５はξ１＝−１の場合のＧ（ｘ−δｘ，ｙ−δｙ）である。また、図２０はこの時の｜Ｇ（ｘ−δｘ，ｙ−δｙ）−Ｒ（ｘ，ｙ）｜を表す。この時、ＳはＳ＝６１８と計算される。
【０１４０】
図１６はξ１＝−０．５の場合のＧ（ｘ−δｘ，ｙ−δｙ）である。また、図２１はこの時の｜Ｇ（ｘ−δｘ，ｙ−δｙ）−Ｒ（ｘ，ｙ）｜を表す。この時、ＳはＳ＝８４と計算される。
【０１４１】
図１７はξ１＝０の場合のＧ（ｘ−δｘ，ｙ−δｙ）である。また、図２２はこの時の｜Ｇ（ｘ−δｘ，ｙ−δｙ）−Ｒ（ｘ，ｙ）｜を表す。この時、ＳはＳ＝３１４と計算される。
【０１４２】
図１８はξ１＝＋０．５の場合のＧ（ｘ−δｘ，ｙ−δｙ）である。また、図２３はこの時の｜Ｇ（ｘ−δｘ，ｙ−δｙ）−Ｒ（ｘ，ｙ）｜を表す。この時、ＳはＳ＝６３０と計算される。
【０１４３】
図１９はξ１＝＋１の場合のＧ（ｘ−δｘ，ｙ−δｙ）である。また、図２４はこの時の｜Ｇ（ｘ−δｘ，ｙ−δｙ）−Ｒ（ｘ，ｙ）｜を表す。この時、ＳはＳ＝１５６２と計算される。
【０１４４】
上の５通りのξ１の中でＳが最も小さくなるのは、ξ１＝−０．５の場合である。よって、ξ１＝−０．５が磁気記憶装置に記憶される。
【０１４５】
次に参照画像Ｇ（ｘ，ｙ）に歪みを与える。歪みの量は、磁気ディスク装置に格納されているｗ１（ｘ，ｙ）、ｖ１（ｘ，ｙ）と歪みパラメータξ１＝−０．５から、数１３を用いて計算される。図２５、図２６は計算された結果を表す（ステップＡ４）。
【０１４６】
図２５、図２６に示される歪みが参照画像に与える（ステップＡ５）。歪みを加える手段としては線形補間を用いることにすれば、参照画像は図２７のようになる。
【０１４７】
その次に入力画像に対する欠陥検査処理を行う。
【０１４８】
参照画像Ｇ（ｘ，ｙ）を作成した後には、観測画像Ｒ（ｘ，ｙ）と参照画像Ｇ（ｘ，ｙ）差分の絶対値を調べ、予め定めてある値Ｔ＝５を用いて、
【数１４】
となった点（ｘ，ｙ）の場所が欠陥があると判定する（ステップＡ６）。
【０１４９】
本具体例では｜Ｒ（ｘ，ｙ）−Ｇ（ｘ，ｙ）｜の最大値は３なので、欠陥が存在しないと判定される。
【産業上の利用可能性】
【０１５０】
本発明によれば、半導体の製造過程で必要なマスク欠陥検査において、加工済パターンを走査して得られる観測画像と、走査した加工パターンに対応した設計画像を用いて生成される参照画像との比較によって欠陥検査を行う用途に適用できる。

Claims (63)

1. 設計情報から求まる参照画像と観測画像を比較して前記観測画像の歪み量を推定する歪み量計算部と、
   前記歪み量を用いて前記参照画像をひずませた歪み画像を作成する歪み画像作成部と、
   前記歪み画像と観測画像を比較してパターンの欠陥を識別する識別部を備えることを特徴とするパターン欠陥検査装置。
2. 観測画像と設計情報から求まる参照画像を比較して前記観測画像の歪み量を推定する歪み量計算部と、
   前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成部と、
   前記補整画像と設計情報から求まる参照画像を比較してパターンの欠陥を識別する識別部を備えることを特徴とするパターン欠陥検査装置。
3. 観測画像を入力する手段と、
   参照画像として定義され、前記観測画像の採取前の画像の設計情報と同じ設計情報から得られた比較観測画像を入力する手段と、
   前記入力された観測画像と前記比較観測画像を比較して前記観測画像の前記比較観測画像に対する歪み量を推定する歪み量計算部と、
   前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成部と、
   前記補整画像と前記比較観測画像を比較してパターンの欠陥を識別する識別部を備えることを特徴とするパターン欠陥検査装置。
4. 前記歪み量の推定が各画像の検査ごとに行われることを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
5. 前記歪み量の推定が予め定められた時間毎に行われることを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
6. 前記観測画像が加工済パターンをレーザー光や荷電粒子ビームで走査して得られる画像であることを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
7. 前記参照画像が前記設計情報に含まれるパターン情報に観測画像取得時の光学系の影響を考慮して求められることを特徴とする請求項１又は２に記載のパターン欠陥検査装置。
8. 前記歪みを少ない次元で表現することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
9. 前記歪み量計算部は、前記歪み量の推定に、補間処理を利用することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
10. 前記補間処理は線形補間または双３次補間の少なくともいずれかを利用することを特徴とする請求項９に記載のパターン欠陥検査装置。
11. 前記歪み量計算部は、前記歪み量の推定に、テーラー展開による近似計算を利用することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
12. 前記歪みを複数の正規分布で表現することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
13. 前記歪みを複数の正弦波で表現することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
14. 前記歪みを複数の単項式あるいは多項式で表現することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
15. 前記歪みを事前に得られた多数の歪みデータから平均値を求め前記平均値を利用して表現することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
16. 前記歪みを事前に得られた多数の歪みデータから共分散行列を求め、前記共分散行列に対して主成分分析を行った結果を利用して表現することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
17. 前記共分散行列の推定にＥＭアルゴリズムを利用することを特徴とする請求項１６に記載のパターン欠陥検査装置。
18. 前記歪み量計算部は、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和を最小化する手法を用いることを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
19. 前記歪み量計算部は、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和と、歪み量の値を引数とする関数値の和の合計を最小化する手法を用いることを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
20. 前記歪み量と事前に記憶されている歪み量を比較して十分違いが大きいならば異常であると判定することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
21. 前記歪み量計算部は、前記歪み量を推定する際に前記比較する画像の内容に応じて推定する次元を可変に設定することを特徴とする請求項１〜３の何れか１項に記載のパターン欠陥検査装置。
22. 設計情報から求まる参照画像と観測画像を比較して前記観測画像の歪み量を推定する歪み量計算ステップと、
    前記歪み量を用いて前記参照画像をひずませた歪み画像を作成する歪み画像作成ステップと、
    前記歪み画像と観測画像を比較してパターンの欠陥を識別する識別ステップを備えることを特徴とするパターン欠陥検査方法。
23. 観測画像と設計情報から求まる参照画像を比較して前記観測画像の歪み量を推定する歪み量計算ステップと、
    前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成ステップと、
    前記補整画像と設計情報から求まる参照画像を比較してパターンの欠陥を識別する識別ステップを備えることを特徴とするパターン欠陥検査方法。
24. 観測画像を入力するステップと、
    参照画像として定義され、前記観測画像の設計情報と同じ設計情報から得られた比較観測画像を入力するステップと、
    前記入力された観測画像と前記比較観測画像を比較して前記観測画像の前記比較観測画像に対する歪み量を推定する歪み量計算ステップと、
    前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成ステップと、
    前記補整画像と前記比較観測画像を比較してパターンの欠陥を識別する識別ステップを備えることを特徴とするパターン欠陥検査方法。
25. 前記歪み量の推定が各画像の検査ごとに行われることを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
26. 前記歪み量の推定が予め定められた時間毎に行われることを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
27. 前記観測画像が加工済パターンをレーザー光や荷電粒子ビームで走査して得られる画像であることを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
28. 前記参照画像が前記設計情報に含まれるパターン情報に観測画像取得時の光学系の影響を考慮して求められることを特徴とする請求項２２または２３に記載のパターン欠陥検査方法。
29. 前記歪みを少ない次元で表現することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
30. 前記歪み量計算ステップでは、前記歪み量の推定に、補間処理を利用することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
31. 前記補間処理は線形補間または双３次補間の少なくともいずれかを利用することを特徴とする請求項３０に記載のパターン欠陥検査方法。
32. 前記歪み量計算ステップでは、前記歪み量の推定に、テーラー展開による近似計算を利用することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
33. 前記歪みを複数の正規分布で表現することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
34. 前記歪みを複数の正弦波で表現することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
35. 前記歪みを複数の単項式あるいは多項式で表現することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
36. 前記歪みを事前に得られた多数の歪みデータから平均値を求め前記平均値を利用して表現することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
37. 前記歪みを事前に得られた多数の歪みデータから共分散行列を求め、前記共分散行列に対して主成分分析を行った結果を利用して表現することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
38. 前記共分散行列の推定にＥＭアルゴリズムを利用することを特徴とする請求項３７に記載のパターン欠陥検査方法。
39. 前記歪み量計算ステップでは、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和を最小化する手法を用いることを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
40. 前記歪み量計算ステップでは、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和と、歪み量の値を引数とする関数値の和の合計を最小化する手法を用いることを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
41. 前記歪み量と事前に記憶されている歪み量を比較して十分違いが大きいならば異常であると判定することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
42. 前記歪み量計算ステップでは、前記歪み量を推定する際に前記比較する画像の内容に応じて推定する次元を可変に設定することを特徴とする請求項２２〜２４の何れか１項に記載のパターン欠陥検査方法。
43. 設計情報から求まる参照画像と観測画像を比較して前記観測画像の歪み量を推定する歪み量計算ステップと、
    前記歪み量を用いて前記参照画像をひずませた歪み画像を作成する歪み画像作成ステップと、
    前記歪み画像と観測画像を比較してパターンの欠陥を識別する識別ステップを備えることを特徴とするパターン欠陥検査方法をコンピュータに行なわせるため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。
44. 観測画像と設計情報から求まる参照画像を比較して前記観測画像の歪み量を推定する歪み量計算ステップと、
    前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成ステップと、
    前記補整画像と設計情報から求まる参照画像を比較してパターンの欠陥を識別する識別ステップを備えることを特徴とするパターン欠陥検査方法をコンピュータに行なわせるため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。
45. 観測画像を入力するステップと、
    参照画像として定義され、前記観測画像の設計情報と同じ設計情報から得られた比較観測画像を入力するステップと、
    前記入力された観測画像と前記比較観測画像を比較して前記観測画像の前記比較観測画像に対する歪み量を推定する歪み量計算ステップと、
    前記歪み量を用いて観測画像を補整した補整画像を作成する歪み画像作成ステップと、
    前記補整画像と前記比較観測画像を比較してパターンの欠陥を識別する識別ステップを備えることを特徴とするパターン欠陥検査方法をコンピュータに行なわせるため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。
46. 前記歪み量の推定が各画像の検査ごとに行われることを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
47. 前記歪み量の推定が予め定められた時間毎に行われることを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
48. 前記観測画像が加工済パターンをレーザー光や荷電粒子ビームで走査して得られる画像であることを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
49. 前記参照画像が前記設計情報に含まれるパターン情報に観測画像取得時の光学系の影響を考慮して求められることを特徴とする請求項４３または４４に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
50. 前記歪みを少ない次元で表現することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
51. 前記歪み量計算ステップでは、前記歪み量の推定に、補間処理を利用することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
52. 前記補間処理は線形補間または双３次補間の少なくともいずれかを利用することを特徴とする請求項５１に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
53. 前記歪み量計算ステップでは、前記歪み量の推定に、テーラー展開による近似計算を利用することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
54. 前記歪みを複数の正規分布で表現することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
55. 前記歪みを複数の正弦波で表現することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
56. 前記歪みを複数の単項式あるいは多項式で表現することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
57. 前記歪みを事前に得られた多数の歪みデータから平均値を求め前記平均値を利用して表現することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
58. 前記歪みを事前に得られた多数の歪みデータから共分散行列を求め、前記共分散行列に対して主成分分析を行った結果を利用して表現することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
59. 前記共分散行列の推定にＥＭアルゴリズムを利用することを特徴とする請求項５８に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
60. 前記歪み量計算ステップでは、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和を最小化する手法を用いることを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
61. 前記歪み量計算ステップでは、前記歪み量の推定に前記比較する二つの画像の画素値差分の２乗和と、歪み量の値を引数とする関数値の和の合計を最小化する手法を用いることを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
62. 前記歪み量と事前に記憶されている歪み量を比較して十分違いが大きいならば異常であると判定することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。
63. 前記歪み量計算ステップでは、前記歪み量を推定する際に前記比較する画像の内容に応じて推定する次元を可変に設定することを特徴とする請求項４３〜４５の何れか１項に記載のパターン欠陥検査方法をコンピュータに行なわせるため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。