JP7002949B2 - 画像評価方法及び画像評価装置 - Google Patents

画像評価方法及び画像評価装置 Download PDF

Info

Publication number
JP7002949B2
JP7002949B2 JP2018007803A JP2018007803A JP7002949B2 JP 7002949 B2 JP7002949 B2 JP 7002949B2 JP 2018007803 A JP2018007803 A JP 2018007803A JP 2018007803 A JP2018007803 A JP 2018007803A JP 7002949 B2 JP7002949 B2 JP 7002949B2
Authority
JP
Japan
Prior art keywords
design data
image
generation unit
inspection target
unit
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.)
Active
Application number
JP2018007803A
Other languages
English (en)
Other versions
JP2019129169A (ja
Inventor
伸一 篠田
昌義 石川
康隆 豊田
雄一 安部
博之 新藤
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 Tech 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 Tech Corp filed Critical Hitachi High Tech Corp
Priority to JP2018007803A priority Critical patent/JP7002949B2/ja
Priority to US16/252,061 priority patent/US10937146B2/en
Publication of JP2019129169A publication Critical patent/JP2019129169A/ja
Application granted granted Critical
Publication of JP7002949B2 publication Critical patent/JP7002949B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)

Description

本発明は、半導体パターンの検査における画像評価方法及びその装置に関する。
半導体回路パターンの微細化に伴い、露光装置の解像度は限界に達し、設計通りの回路パターンをウエハ上に形成することが困難になりつつある。半導体ウエハ上に形成された回路パターンは、線幅が設計値からずれたり、あるいは、パターン先端に縮退が生じたり、あるいは、パターンのコーナーや付け根の形状変化といった不良が発生しやすくなる。こうした欠陥は、システマティック欠陥と呼ばれ、全ダイで共通に発生するため、隣接するダイ間での比較を行う方法（ダイ・ツー・ダイ比較）では検出することが難しい。
一方、特開２０１１－１７７０５号広報（特許文献１）には、隣接するダイと比較する代わりに、検査対象パターンを、設計データと比較する方法が開示されている。具体的には、検査対象パターンを撮影した画像から輪郭線を抽出し、これと、線分もしくは曲線で表現された設計データとを比較して、両者の乖離の程度に応じ、乖離が大きければ欠陥と判定する。設計データとの比較なので、全ダイで共通に発生するシステマティック欠陥も原理的には検出可能である。
しかし、ウエハ上に転写されたパターン上には、欠陥とはいえない設計データとの形状の乖離（コーナーの丸まりの違いなど）は多く存在する。前記特許文献１は、検査対象パターンから抽出した輪郭線と、線分もしくは曲線で表現された設計データとの形状の乖離が大きければ欠陥と判定する方式であるため、上記のような欠陥とはいえない形状の乖離と、システマティック欠陥との判別が難しい。
この問題を解決する方法として特開２０１３－９８２６７号広報（特許文献２）がある。具体的には予め、設計データと検査対象パターンから１つ以上の特徴量を抽出し、教示により、その特徴量空間上で、欠陥と正常を識別するための境界面を作成して、欠陥とはいえない形状の乖離と、システマティック欠陥との判別を可能にするものである。
特開２０１１－１７７０５号公報 特開２０１３－９８２６７号公報
上記先行技術文献では、識別境界面を作成するために欠陥及び正常の画像が必要になる。識別境界付近のパターンを探して撮影して取得する手間がかかり、過去のデータを用いても、識別境界面を網羅する、特に欠陥のパターンの画像の取得は容易でないと考えられる。
本発明は、機械学習を活用した半導体検査での欠陥検出において、欠陥の画像を用いずに、虚報を多発させることなく、システマティック欠陥を検出することを目的とする。
上記目的を達成するための一態様として、
設計データを画像化する設計データ画像生成部と、
画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
前記機械学習部で作成したモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価方法及び装置を提案する。
上記構成によれば、欠陥の画像を用いずに、虚報を多発させることなく、システマティック欠陥を検出することが可能になる。
画像評価装置の実施例を示す図。 設計データ画像の一例を示す図。 設計データ予測画像生成部の実施例を示す図。 画像補正部の実施例を示す図。 ノイズ除去部で除去するパターンの一例を示す図。 比較部の実施例を示す図。 テンプレート作成部の局所領域のイメージを示す図。 設計データ画像の一例を示す図。 差異検出部で作成する差異画像の一例を示す図。 判定部の実施例を示す図。 画像評価装置の実施例を示す図。 画像評価装置の実施例を示す図。 画像評価装置の実施例を示す図。 画像評価装置の実施例を示す図。 画像評価装置の実施例を示す図。 画像評価処理の実施例を示す図。 モデル作成処理の実施例を示す図。 欠陥検出処理の実施例を示す図。 半導体計測システムの一例を説明する図。 走査電子顕微鏡の概略説明図。 画像評価処理の実施例を示す図。 学習シーケンスの実施例を示す図。 学習シーケンスの実施例を示す図。 画像評価処理の実施例を示す図。 撮影条件及びデバイス情報による見え方の一例を示す図。 画像評価処理の実施例を示す図。 設計データ画像生成部の実施例を示す図。
以下に説明する実施例にて例示する画像評価装置は、検査対象画像と設計データを用いて虚報を多発させることなく、システマティック欠陥を検出するための画像評価方法、及び画像評価装置に関するものである。
また、その具体的な一例として、機械学習を用いて検査対象画像を設計データ画像に戻すことで形状乖離を除去し、設計データ画像と形状比較で欠陥を検出する例を示す。
以下に、検査対象画像と設計データを用いて虚報を多発させることなく、システマティック欠陥を検出するための機能を備えた装置、測定検査システムについて、図面を用いて説明する。
より具体的には、測定装置の一種である測長用走査電子顕微鏡（Critical Dimension-Scanning Electron Microscope: CD-SEM）を含む装置、システムについて説明する。
なお、以下の説明では、画像を形成する装置として荷電粒子線装置を例示すると共に、その一態様として、SEMを用いた例を説明するが、これに限られることはなく、例えば試料上にイオンビームを走査して画像を形成する集束イオンビーム（Focused Ion Beam：FIB）装置を荷電粒子線装置として採用するようにしても良い。但し、微細化が進むパターンを高精度に測定するためには、極めて高い倍率が要求されるため、一般的に分解能の面でＦＩＢ装置に勝るＳＥＭを用いることが望ましい。
図１９は、複数の測定、或いは検査装置がネットワークに接続された測定、検査システムの概略説明図である。当該システムには、主に半導体ウエハやフォトマスク等のパターン寸法を測定するＣＤ－ＳＥＭ２４０１、試料に電子ビームを照射することによって、画像を取得し当該画像と予め登録されている参照画像との比較に基づいて欠陥を抽出する欠陥検査装置２４０２がネットワークに接続された構成となっている。また、ネットワークには、半導体デバイスの設計データ上で、測定位置や測定条件等を設定する条件設定装置２４０３、半導体デバイスの設計データと、半導体製造装置の製造条件等に基づいて、パターンの出来栄えをシミュレーションするシミュレーター２４０４、及び半導体デバイスのレイアウトデータや製造条件が登録された設計データが記憶される記憶媒体２４０５が接続されている。
設計データは例えばＧＤＳフォーマットやＯＡＳＩＳフォーマットなどで表現されており、所定の形式にて記憶されている。なお、設計データは、設計データを表示するソフトウェアがそのフォーマット形式を表示でき、図形データとして取り扱うことができれば、その種類は問わない。また、記憶媒体２４０５は測定装置、検査装置の制御装置、或いは条件設定装置２４０３、シミュレーター２４０４内蔵するようにしても良い。
なお、ＣＤ－ＳＥＭ２４０１、及び欠陥検査装置２４０２、には、それぞれの制御装置が備えられ、各装置に必要な制御が行われるが、これらの制御装置に、上記シミュレーターの機能や測定条件等の設定機能を搭載するようにしても良い。
ＳＥＭでは、電子源より放出される電子ビームが複数段のレンズにて集束されると共に、集束された電子ビームは走査偏向器によって、試料上を一次元的、或いは二次元的に走査される。
電子ビームの走査によって試料より放出される二次電子（Secondary Electron: SE）或いは後方散乱電子(Backscattered Electron: BSE)は、検出器により検出され、前記走査偏向器の走査に同期して、フレームメモリ等の記憶媒体に記憶される。このフレームメモリに記憶されている画像信号は、制御装置内に搭載された演算装置によって積算される。また、走査偏向器による走査は任意の大きさ、位置、及び方向について可能である。
以上のような制御等は、各ＳＥＭの制御装置にて行われ、電子ビームの走査の結果、得られた画像や信号は、通信回線ネットワークを介して条件設定装置２４０３に送られる。なお、本例では、ＳＥＭを制御する制御装置と、条件設定装置２４０３を別体のものとして、説明しているが、これに限られることはなく、条件設定装置２４０３にて装置の制御と測定処理を一括して行うようにしても良いし、各制御装置にて、ＳＥＭの制御と測定処理を併せて行うようにしても良い。
また、上記条件設定装置２４０３或いは制御装置には、測定処理を実行するためのプログラムが記憶されており、当該プログラムに従って測定、或いは演算が行われる。
また、条件設定装置２４０３は、ＳＥＭの動作を制御するプログラム（レシピ）を、半導体の設計データに基づいて作成する機能が備えられており、レシピ設定部として機能する。具体的には、設計データ、パターンの輪郭線データ、或いはシミュレーションが施された設計データ上で所望の測定点、オートフォーカス、オートスティグマ、アドレッシング点等のＳＥＭにとって必要な処理を行うための位置等を設定し、当該設定に基づいて、ＳＥＭの試料ステージや偏向器等を自動制御するためのプログラムを作成する。また、後述するテンプレートの作成のために、設計データからテンプレートとなる領域の情報を抽出し、当該抽出情報に基づいてテンプレートを作成するプロセッサ、或いは汎用のプロセッサでテンプレートを作成させるプログラムが内蔵、或いは記憶されている。
図２０は、走査電子顕微鏡の概略構成図である。電子源２５０１から引出電極２５０２によって引き出され、図示しない加速電極によって加速された電子ビーム２５０３は、集束レンズの一形態であるコンデンサレンズ２５０４によって、絞られた後に、走査偏向器２５０５により、試料２５０９上を一次元的、或いは二次元的に走査される。電子ビーム２５０３は試料台２５０８に内蔵された電極に印加された負電圧により減速されると共に、対物レンズ２５０６のレンズ作用によって集束されて試料２５０９上に照射される。
電子ビーム２５０３が試料２５０９に照射されると、当該照射個所から二次電子、及び後方散乱電子のような電子２５１０が放出される。放出された電子２５１０は、試料に印加される負電圧に基づく加速作用によって、電子源方向に加速され、変換電極２５１２に衝突し、二次電子２５１１を生じさせる。変換電極２５１２から放出された二次電子２５１１は、検出器２５１３によって捕捉され、捕捉された二次電子量によって、検出器２５１３の出力Ｉが変化する。この出力Ｉに応じて図示しない表示装置の輝度が変化する。例えば二次元像を形成する場合には、走査偏向器２５０５への偏向信号と、検出器２５１３の出力Ｉとの同期をとることで、走査領域の画像を形成する。また、図２２に例示する走査電子顕微鏡には、電子ビームの走査領域を移動する偏向器（図示せず）が備えられている。
なお、図２２の例では試料から放出された電子を変換電極にて一端変換して検出する例について説明しているが、無論このような構成に限られることはなく、例えば加速された電子の軌道上に、電子倍像管や検出器の検出面を配置するような構成とすることも可能である。制御装置２５１４は、走査電子顕微鏡の各構成を制御すると共に、検出された電子に基づいて画像を形成する機能や、ラインプロファイルと呼ばれる検出電子の強度分布に基づいて、試料上に形成されたパターンのパターン幅を測定する機能を備えている。
次に、機械学習を用いた欠陥検出のための画像評価部3の一態様を説明する。画像評価部3は、制御装置２５１４内に内蔵、或いは画像処理を内蔵された演算装置にて実行することも可能であるし、ネットワークを経由して、外部の演算装置（例えば条件設定装置２４０３）にて画像評価を実行することも可能である。
図１は検査対象画像（ＳＥＭ画像）と設計データを用いて欠陥を検出する画像評価装置の一例を説明する図である。
画像評価装置3は学習時と検査時の処理がある。
検査前の学習時、機械学習によりＳＥＭ画像1と設計データ2を用いて、ＳＥＭ画像から設計データ画像を生成するためのモデルを作成する。
具体的には図１のＳＥＭ画像1に対応する設計データ2から設計データ画像生成部4で設計データ画像を作成し、ＳＥＭ画像1と設計データ画像を用いて機械学習部5でＳＥＭ画像1から設計データ画像を作成するための設計データ生成モデル6を作成する。
検査時は、学習時に作成した設計データ生成モデル6とＳＥＭ画像7を用いて設計データ予測画像生成部9でＳＥＭ画像7に対応する設計データ予測画像を作成する。また、設計データ画像生成部10ではＳＥＭ画像7に対応する設計データ8から設計データ画像を作成する。そして、設計データ予測画像と設計データ画像を比較部11で比較して、欠陥か正常かの判定結果12を出力する。
設計データ画像生成部4では、図２(a)に示すようなＳＥＭ画像1に対応する設計データ2から図2(ｂ)、図2(ｃ)のような設計データ画像を作成する。設計データ2は回路パターン形状の頂点座標情報を持つデータであり、その頂点座標間を右回り若しくは左回りの順に線で結んでいくことでパターン形状を表現できる。基本的に一行に一つのパターンの頂点座標情報が羅列される。パターンの形状は閉図形となるため、始点と終点の座標は同じになる。閉図形の頂点座標情報の羅列の順番が右回りと左回りがあり、それにより、パターンが存在する領域が閉図形の内側なのか外側なのかを示している。設計データ画像生成部4では、パターンがある領域として白にし、パターンがない領域を黒にして2値画像として設計データ画像を生成する。
ＳＥＭ画像には工程によっては複数層のパターンが混在して見える場合もある。設計データにはその層毎にパターンの情報があり、その情報も用いて上層と下層に分けて、設計データ画像が作成される。
機械学習部5ではＳＥＭ画像と、それに対応する設計データ画像を教師データとして用いて、ＳＥＭ画像から設計データ画像を生成するモデルを作成する。具体的には、ＳＥＭ画像そのものを入力として、数十層の畳み込み層(Convolution Layer)から構成される（ＣＮＮ）を用い、出力が教師データの設計データ画像となるように学習させることで実現できる。例えば、VGG16やSegNetなどのネットワークを用いて、画素単位で、対象画素がパターンかそうでないかを識別することで実現することができる。この場合、設計データ生成モデル6は、ＳＥＭ画像から設計データ画像を生成するために最適化されたＣＮＮの畳み込み層のフィルタの重みを含む情報となる。
検査時に用いる設計データ予測画像生成部9の実施例について、図３に示す。設計データ予測画像生成部9は画像生成部91と画像補正部92で構成できる。画像生成部91は機械学習部5のＣＮＮで実現でき、設計データ生成モデル6を用いて、ＳＥＭ画像7から設計データ予測画像を生成する。２値画像の設計データに対しては、識別して得た設計データ予測画像は、例えば識別する際に求めた確率に基づいて0-255の多値の画像としてもよいし、２値の画像でもよい。
画像補正部92では画像生成部91で生成した設計データ予測画像について、予測誤差により発生したノイズを除去する。
予測誤差としては、学習時、繰返しパターンの多い画像を多く学習させると、その周期性を学習して、パターンが無いにも係わらず、特定の周期でパターンを出してしまい、誤差となる問題がある。また、パターンエッジのラフネス等に影響を受けてパターンの縁にノイズとして誤差が出る場合もある。そのような場合は、通常のパターンよりも大きさが小さくなる場合が多いため、実際のパターンの大きさの基準を基に除去する必要がある。
図４に画像補正部92の一つの実施例を示す。ここでは、設計データのパターンの情報、例えば、パターンの最小幅、大きさ等の情報に基づいて、実際のパターンの基準を満たしていないパターンを設計データ予測画像から除去する。画像補正部92は２値化部921とノイズ除去部922で構成され、２値化部921で設計データ予測画像を２値化する。そしてノイズ除去部922では図５に示すような３×３のブロックパターンを検出して対象画素を反転させる。１ブロックの画素サイズはパターンの最小幅より小さい値にし、パターンの最小幅より小さいパターンの有無がある場合にそれを除去する。図５(a)のパターンは中央のブロックを黒から白にする。(b)はその反転のパターンで、中央のブロックを白から黒にする。(c)のパターンは中央のブロックを黒から白にし、(d)はその反転のパターンで、中央のブロックを黒から白にする。(c)と(d)はパターンの回転もあり、同様に中央のブロックを変えることで実際のパターンの基準を満たしていない領域を除去する。
ＳＥＭ画像7に対応する設計データ8から設計データ画像を生成する設計データ画像生成部10は設計データ画像生成部4と同様に実現できる。
図６に比較部の実施例を示す。比較部11はテンプレート作成部110,111と差異検出部112,113と判定部114で構成することができる。テンプレート作成部110では画像補正部92でノイズを除去した設計データ予測画像からテンプレートを作成する。
ＳＥＭ画像から作成した設計データ予測画像は、製造プロセスのばらつきによる予測誤差により、設計データ画像のパターンの形状は同じでも、線幅の大きさが異なってしまう場合がある。
そのため、欠陥が無い場合でも、設計データ画像と比較すると線幅の大きさの差異が現れて欠陥として誤判定する可能性がある。
それを防ぐために、テンプレート作成部では、図７(a)に示すように設計データ予測画像を小さな局所領域に分割してテンプレートにする。ここでは、分割したテンプレートＢは最も小さなテンプレートの一例として３×３画素領域とする。
差異検出部112では、設計データ予測画像を局所領域に分割したテンプレートＡと設計データ画像を用いて、図７(b)に示すようにテンプレートＡの位置に対応する設計データ画像Ａ’の領域の一致度を求める。その際、設計データ画像Ａ’の領域を中心に製造プロセスのばらつきによってずれる範囲内でサーチして、最も高い一致度の値（-1～1）を求める。
このように局所領域に分割して単純な形状にすることで、線幅の大きさの違いよっておきる局所領域より比較的大きな領域での形状の違いを無視できる。その上で、製造プロセスのばらつきによってずれる範囲内でサーチすれば、位置ずれをカバーすることができる。また、ここでの一致度の算出は、一般的によく用いられる正規化相関等で得ることができる。
そして、その一致度の値を図７(ｃ)のテンプレートＡの位置に相当する点の一致度の値として記憶する。続いて、テンプレートＡの隣のテンプレートを用いて同様に一致度を求めていき、全テンプレートで一致度を求めて、図７(ｃ)の一致度画像が作成される。ここでは、テンプレートを３×３画素領域にして分割したが、３×３画素領域に限らず、ｎ×ｍ画素領域（ｎ＞０、ｍ＞０）でもよい。また、テンプレートを３×３画素領域として、画素ごとにずらしながらテンプレートを作成し、画素毎に細かく一致度を求めることで判定精度を向上させることが考えられる。
テンプレート作成部111では、テンプレート作成部112と同様に、今度は設計データ画像を小さな局所領域に分割してテンプレートを作成する。そして、差異検出部113では、分割した設計データ画像のテンプレートで設計データ予測画像の対応する領域での一致度を求める。一致度を求める際、差異検出部112と同様に求めることができる。
一致度画像の値（-1～1）を0～255に正規化し、その輝度値を反転した画像を差分画像とした場合に、例えば、設計データ予測画像が図８(b)で、それに対応する設計データ画像が図２(b)とした場合には、同じパターン形状なので、差分画像は図９(b)のようになる。また、設計データ予測画像が図８(a)で、それに対応する設計データ画像が図２(a)とした場合には、差分画像は図９(a)のようにパターンに差異が生じる領域のみが白となる。
図１０に判定部の実施例を示す。判定部114には差異検出部112と差異検出部113で検出したそれぞれの差異画像情報が入力される。それぞれの差異領域について、ノイズ除去部1141、1142で、ノイズと思われる小さな差異の領域を検出して除去する。その際、図５(b)のような孤立点又は、孤立ブロックを検出して除去する。差異判定部1143ではノイズ除去部1141、1142でノイズを除去した差異画像を用いて、それぞれ差異領域の大きさ（画素数）をに基づいて差異の有無を判定する。ここでは、ノイズ除去部1141の出力した差異画像、若しくはノイズ除去部1142の出力した差異画像のどちらか一方の差異領域の大きさ（画素数）が特定の値より大きい場合に差異が在ると判定し、ノイズ除去部1141の出力した差異画像及びノイズ除去部1142の出力した差異画像共に差異領域の大きさ（画素数）が特定の値以下の場合に差異が無いと判定する。
画像端近傍にパターンが在る場合に、製造プロセスによるパターンの伸縮により、設計データにはパターンが在るが、ＳＥＭ画像には出ていない場合や、逆に設計データにはパターンは見えないはずであるが、ＳＥＭ画像にはパターンが見えてしまう場合がある。そのため、画像端でパターンの差異があっても、それの差異は正しいか正しくないか不明となる。そのため、画像端の近傍で差異があり
それ以外の領域に差異が無い場合は判定不明を出力することが考えられる。例えば、その場合はユーザーに対して目視確認を要望するような通知を行うことが考えられる。
半導体のパターンには多層パターンもあるため、図11に示すように層（レイヤー）情報を用いて欠陥を検出することが考えられる。学習時、設計データ2から設計データ画像生成部4で設計データ画像を生成する際に層情報13を用いて、例えば、１層目、２層目、３層目等の層を指定して設計データ生成モデル6を作成し、検査する際は、層情報14で指定した層の設計データ生成モデル6をセレクタ15で選び、パターンの差異や欠陥を図１の画像評価装置3と同様に検出することが考えられる。また、複数の層のパターンを用いて欠陥を検出する場合は、学習時に複数の層毎に設計データ生成モデル6を作成しておき、検査時に層毎に分けて、図１の画像評価装置3と同様に差異（欠陥）の有無を判定して、その各層での判定結果で一つ以上の層で差異（欠陥）が在ると判定されたら差異（欠陥）が在ると判定することが考えられる。
また、設計データにはパターンの層情報も含まれており、その層情報を用いて、設計データに含まれている分の層毎の設計データ生成モデルを作成し、検査時は、同様に一つ以上の層で差異（欠陥）が在ると判定されたら差異（欠陥）が在ると判定することが考えられる。
半導体のパターンには製造工程によってパターンの形状も変化するため、図12に示すように工程情報を用いることが考えられる。学習時、設計データ2から設計データ画像生成部4で設計データ画像を生成する際に工程情報16を用いて、指定した工程での設計データ生成モデル6を作成し、検査する際も、工程情報17で指定した設計データ生成モデル6をセレクタ18で選んでパターンの差異や欠陥を図１の画像評価装置3と同様に検出することが考えられる。また、表示部31を設けて、比較部で検出した欠陥を表示してもよいし、設計データ予測画像や設計データ画像を重ねて表示することも考えられる。また、パターンの差異の領域に色を着ける等して判り易く表示することも考えられる。
半導体のパターンには露光時のFocusや露光量（Dose）の露光情報によってパターンの形状も変化するため、図1３に示すように露光情報19を用いることが考えられる。学習時、設計データ2から設計データ画像生成部4で設計データ画像を生成する際に露光情報19を用いて、指定した露光情報での設計データ生成モデル6を作成し、検査する際、露光情報20で指定した設計データ生成モデル6をセレクタ21で選んでパターンの差異や欠陥を図１の画像評価装置3と同様に検出することが考えられる。
また、比較部11では差異領域の大きさ（画素数）の閾値処理で欠陥の有無を判定しているが、図14に示すように機械学習を用いて行うことも考えられる。
ここではＳＥＭ画像から設計データ画像を生成するための機械学習部5と、それにより予測した設計データ予測画像と設計データ画像を用いて異常を判定するための機械学習28の２つの機械学習部がある。１つ目のＳＥＭ画像から設計データ画像を生成するための機械学習部5の実現手段については既に説明しているので、２つ目の機械学習28について説明する。機械学習28は、２つの設計データ画像を入力して、差異（異常）が在るか無いかを異常判定情報23で教師データとして与えて学習させる。設計データ画像生成部26、27は設計データ画像生成部4と同じものである。
異常判定情報23は、例えば、設計データ24と設計データ25が同じものであれば異常判定情報23は異常なしであり、設計データ24と設計データ25が異なっていれば、異常判定情報23は異常在りとする。機械学習部28はＣＮＮを用い、２つの設計データから作成した設計データ画像を入力として、異常判定情報23による教師データを出力する異常判定モデル29を作成する。機械学習部28のＣＮＮは、例えば、ResNetと呼ばれるネットワークを用いて実現することができる。異常判定部22では、機械学習部と28同じネットワークを用いて、異常判定モデルで異常を判定する。
また、図15に示すように設計データでなく機械学習5で作成した設計データ予測画像を用いて学習することも考えられる。この場合は、図14の設計データ画像生成部26が設計データ予測画像生成部30に変わる。この設計データ予測画像生成部30は設計データ予測画像生成部9と同じものであり、機械学習5と同じネットワークで実現でき、設計データ生成モデルを用いて設計データ予測画像を生成する。他は図14で説明した手段で実現できる。
以上は画像評価装置の実施例について述べたが、これらをソフト処理で行うことも考えられる。
画像評価処理の実施例について図16を用いて説明する。
画像評価処理Ｓ10はモデル作成処理S11と欠陥検出処理S12を行う。モデル作成処理S11では、ＳＥＭ画像を設計データ画像に変換するためのモデルを作成する。欠陥検出処理S12ではモデル作成処理S11で作成したモデルを用いて、ＳＥＭ画像から予測した設計データ画像を作成し、ＳＥＭ画像に対応する本来の設計データ画像と予測した設計データ画像を比較して欠陥を検出する。
モデル作成処理Ｓ11の実施例について図17を用いて説明する。モデル作成処理は、設計データ生成処理S111と学習処理Ｓ112で構成される。設計データ画像生成処理S111では設計データのパターンの頂点座標の羅列の順番に頂点間を線で結んでパターンの閉図形を作成し、パターンがある領域を白、パターンが無い領域を黒にして、２値画像として作成する。学習処理Ｓ112では、機械学習を用いてＳＥＭ画像を設計データ画像に変換するためのモデルを作成する。対象となるＳＥＭ画像と、それに対応する設計データを画像化した設計データ画像を教師データとして用いる。機械学習は具体的には、画素単位で識別可能なＶＧＧ16やSegNet等のＣＮＮを用いてＳＥＭ画像を設計データ画像に変換するためのフィルタの重み(モデル)を求める。
欠陥検出処理Ｓ12の実施例について図1８を用いて説明する。欠陥検出処理Ｓ12は、設計データ予測画像生成処理Ｓ121、設計データ生成処理Ｓ122、差異検出処理Ｓ123で構成される。設計データ予測画像生成処理Ｓ121では、モデル作成処理で作成したモデルを用いてＳＥＭ画像から予測した設計データ予測画像を作成する。設計データ画像生成処理Ｓ122は、設計データ画像生成処理S111と同じ処理で設計データを画像化し、設計データ画像を作成する。
差異検出処理Ｓ123では、ＳＥＭ画像から予測した設計データ予測画像と、それに対応する設計データ画像を比較して、パターンに差異がある差異領域を検出する。差異領域があれば欠陥と判定し、差異が無ければ正常と判定することで差異検出処理が実現できる。
また、学習モデルを強化していくために、追加学習が必要になる場合がある。図21は検査対象の画像判定結果に基づき、学習モデルを強化する構成を示している。検査対象のＳＥＭ画像7とそれに対応する設計データ8を基に作成した２つの画像を比較部11で比較した結果から、追加学習のデータとして利用するか、利用しないかを判定する差異判定部31を備える。差異判定部31はセレクタで実現できる。
比較部11で差異が無いと判定された場合には、検査対象のＳＥＭ画像7とそれに対応する設計データ8を追加学習のデータとして利用し、機械学習部5で追加学習を行う。逆に比較部11で差異があると判定された場合は、追加学習のデータとして利用しない。これにより、常に検査で用いている画像データに適した、より正確な設計データ生成モデルに更新していくことができる。
学習を行う際の学習シーケンスを図２２に示す。学習シーケンスＳ20は自動で学習を行うシーケンスである。新規検査チェックＳ21で検査対象デバイス名や検査レシピ等のデータをチェックし、検査対象が過去学習されたものであるか否か判定する。検査対象デバイス名はユーザー若しくは評価装置が作成したファイルや設計データ等の付帯情報、例えば、それらの名前や、情報を記載した別ファイルの情報を基にチェックすることが考えられる。検査レシピ等のデータは撮影条件等を基にチェックできる。新規検査チェックＳ21で新規検査と判定された場合に、学習データを生成するための画像を取得するための撮影座標生成Ｓ23で撮影座標を生成する。ここでは、ランダムに撮影座標を生成してもよい。また、予め得られた欠陥等の座標を用いてもよい。設計データを利用して、そのパターン形状に基づいて、例えば、パターン形状のバリエーションについて網羅的に画像撮影ができるようにパターン形状が異なる位置を探して撮影座標を生成してもよい。撮影座標生成Ｓ23で得た撮影座標を用いて撮影レシピ生成Ｓ24で撮影レシピを生成し、撮影Ｓ25で画像撮影を行う。そして、撮影画像を用いて、設計図とのパターンマッチングＳ26で撮影画像と設計図とで画像のパターンマッチングにより位置合わせを行い、位置合わせ後の設計図と撮影画像とを用いて学習Ｓ27で学習してモデルを生成する。撮影レシピ生成Ｓ24で生成した撮影レシピの撮影画像数分の処理を繰り返す。新規検査チェックＳ21で新規でなければ、そのまま処理が終了する。これにより、人手を介在させることなく、学習データの追加を行うことができ、検の査性能を高めることができる。また、検査対象のパターンの形状が変わることでモデルも新規に生成するか、若しくは追加学習によりモデルを更新する必要がある。
図２２に設計パターン分析に基づいて学習する学習シーケンスＳ30を示す。設計データ分析Ｓ31では検査に用いる設計データと過去学習した設計データとの類似性を見積もる。類似性は例えば、設計データに含まれる回路図の数、回路を構成する線分の数、線の密度、回路形状の一致度である。上記のような2つのデータ間の一致度を算出する手法は公知技術である正規化相関を用いて見積もることができる。類似性が一定の閾値を下回る場合に、その設計データの座標を用いて撮影座標生成Ｓ33で撮影座標を生成し、撮影レシピ生成Ｓ34で撮影レシピを作成する。そして撮影レシピに基づいて撮影Ｓ35で撮影画像を取得し、設計図とのマッチングＳ36で撮影画像と設計データの位置合わせを行い、その位置合わせ後の設計データと撮影画像を用いて学習Ｓ37で追加習しモデルを更新する。これにより、人手を介在させることなく、学習データの追加を行うことができ、検の査性能を高めることができる。
図２２、図２３の学習シーケンスでは検査対象に基づいて新規にモデルを作成しても良いし、追加学習でモデルを更新してもよい。
また、デバイスや撮影条件により、撮影画像の見え方が変化する場合がある。その場合は、パターンがある箇所は白にする設計データ画像生成部10の生成画像では、正しく差異が検出できない場合がある。
そこで、図２４に撮影条件やデバイス情報を利用する画像評価装置の実施例を示す。
設計データ画像生成部4,10では、撮影条件デバイス情報32の検査画像の撮影条件やデバイスの加工情報によって設計図の描画方法を変更することにより、検査画像の見え方に近い映像を設計データから作り出すことができ、設計データの予測精度を高めることができる。
例えば、検査対象のデバイスが図25（a）のようなエッチング加工後のパターンであり、検査装置の画像が図25（b）のようなBSE（反射電子像）撮影画像の場合、パターンの溝（凹）部分の輝度値はその他（凸）の輝度値よりも低くなる。このため、設計データの描画の際に、パターンの溝部の輝度値を他の部位よりも低くして描画することで、BSE撮影画像の見え方に近い設計データ画像を生成できる。また、検査対象のデバイスがリソグラフィ後のパターンであり、検査装置の画像が図25（c）のようなSE画像（二次電子像）の場合、パターンのエッジ部のみが白い映像が得られる。
このため、設計データの描画の際にパターンのエッジ部の輝度をそれ以外の領域よりも高くなるように描画することで検査画像の見え方に近い設計データ画像を生成できる。
また、材料によってもBSEでは輝度が高くなり、その材料の箇所は白く見える場合がある。
このように検査画像の撮影条件やデバイス情報（デバイスに関する情報でデバイスの加工情報や材料など）に基づき設計データの描画方法を変えることにより設計データの予測精度を高めることができる。ここで撮影条件は、撮影に関する条件であり、例えば検出方法（BSE画像、SE画像、それらの合成画像）、フレーム積算数、撮影倍率や画像サイズ等を示す。
設計データ生成部34は図27に示すように塗りつぶし部341とエッジ検出部342で構成され、例えば、図25（b）のようなBSE撮影画像の場合は塗りつぶし部341の出力をセレクタ343で選択し、図25（c）のようなSE画像の場合はエッジ検出部342の出力を選択して出力する。
塗りつぶし部341では、図１の設計データ画像生成部と同じで、設計データの頂点座標を基に閉図形を作成し、パターンが存在する領域を白、パターンが存在しない領域を黒に塗りつぶして画像を作成する。エッジ検出部342では、設計データの頂点座標を基に閉図形を作成し、閉図形の線（エッジ）を白にし、それ以外を黒にして画像を作成する。閉図形の線の幅は1画素に限らず、数画素の幅で作成してもよい。
また、図26に示すように撮影条件デバイス情報32により、モデルを分けて作成し、検査を行う際には、撮影条件デバイス情報33により、モデルを選択して用いることが考えられる。この場合、撮影条件デバイス情報32に基づいて作成した設計データ生成モデルには撮影条件デバイス情報32と対応できる付帯情報をつけておき、検査を行う際は、その情報を用いてセレクタ36で撮影条件デバイス情報32に対応する設計データ生成モデルを選択する。
以上説明した実施例によれば、機械学習を用いたリバースエンジニアリングにより、製造プロセス要因で変形した検査対象パターンの画像を設計データ画像に戻して、形状の乖離が小さい状態で比較することで欠陥の検出を精度良く行うことができる。
また、機械学習では、欠陥の検出をするのではなく、製造プロセス要因で変形した検査対象パターンを設計データ画像に戻すための学習を行うため、正常な画像とそれに対応する設計データを用いればよく、欠陥のパターンの画像は必要がない。
これにより、欠陥の画像を用いずに、虚報を多発させることなく、システマティック欠陥を検出することが可能になる。
１ ＳＥＭ画像
２ 設計データ
３ 画像評価装置
４ 設計データ画像生成部
５ 機械学習部
６ 設計データ生成モデル
７ ＳＥＭ画像
８ 設計データ
９ 設計データ予測画像生成部
１０ 設計データ画像生成部
１１ 比較部
１２ 判定結果
１３ 層情報
１４ 層情報
１５ セレクタ
１６ 工程情報
１７ 工程情報
１８ セレクタ
１９ 露光情報
２０ 露光情報
２１ セレクタ
２２ 異常判定部
２３ 異常判定情報
２４ 設計データ
２５ 設計データ
２６ 設計データ画像生成部
２７ 設計データ画像生成部
２８ 機械学習部
２９ 異常判定モデル
３０ 設計データ予測画像生成部
３１ 差異判定部
３２ 撮影条件デバイス情報
３３ 撮影条件デバイス情報
３４ 設計データ画像生成部
３５ 設計データ画像生成部
３６ セレクタ
９１ 画像生成部
９２ 画像補正部
９２１ ２値化部
９２２ ノイズ除去部
１１０ テンプレート作成部
１１１ テンプレート作成部
１１２ 差異検出部
１１３ 差異検出部
１１４ 判定部
３４１ 塗りつぶし部
３４２ エッジ検出部
３４３ セレクタ
１１４１ ノイズ除去部
１１４２ ノイズ除去部
１１４３ 差異判定部

Claims (19)

  1. 設計データ画像を教師とし、該設計データ画像に対応する検査対象画像を用いて、該検査対象画像から前記設計データ画像を生成するためのモデルを作成する機械学習部と、
    前記機械学習部で作成した前記モデルを用いて、前記検査対象画像から前記設計データ画像を予測する設計データ予測画像生成部と、
    前記検査対象画像に対応する前記設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部と、を備えたことを特徴とする画像評価装置。
  2. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価装置であって、
    設計データを画像化する設計データ画像生成部と、
    層情報と画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、層毎に、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    層情報によって前記機械学習部で作成したモデルを切替える切替え部と、
    前記切替え部で選択されたモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価装置。
  3. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価装置であって、
    設計データを画像化する設計データ画像生成部と、
    工程情報と画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、工程毎に、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    工程情報によって前記機械学習部で作成したモデルを切替える切替え部と、
    前記切替え部で選択されたモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価装置。
  4. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価装置であって、
    設計データを画像化する設計データ画像生成部と、
    露光情報と画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、露光情報毎に、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    露光情報によって前記機械学習部で作成したモデルを切替える切替え部と、
    前記切替え部で選択されたモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価装置。
  5. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価装置であって、
    設計データを画像化する設計データ画像生成部と、
    画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    前記機械学習部で作成したモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部と
    を備えたことを特徴とする画像評価装置。
  6. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価装置であって、
    設計データを画像化する第一の設計データ画像生成部と、第二の設計データ画像生成部と、前記第一の設計データ画像生成部と第二の設計データ画像生成部で生成した設計データ画像と異常判定情報を用いて異常判定モデルを作成する機械学習部とを備えたことを特徴とする画像評価装置。
  7. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価装置であって、
    設計データを画像化する設計データ画像生成部と、
    画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    前記機械学習部で作成したモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と前記設計データ画像と異常判定モデルを用いて異常を判定する異常判定部と、設計データを画像化する第一の設計データ画像生成部と、第二の設計データ画像生成部と、前記第一の設計データ画像生成部と第二の設計データ画像生成部で生成した設計データ画像と異常判定情報を用いて異常判定モデルを作成する機械学習部とを備えたことを特徴とする画像評価装置。
  8. 請求項１の画像評価装置において、
    設計データ予測画像生成部で生成した設計データ予測画像を表示するＧＵＩ部を備えたことを特徴とする画像評価装置。
  9. 請求項２から４のいずれかの画像評価装置において、
    層情報、又は工程情報、露光情報を設定するＧＵＩ部があり、または、それらに対応する設計データ予測画像生成部で生成した設計データ予測画像を表示するＧＵＩ部を備えたことを特徴とする画像評価装置。
  10. 請求項１の画像評価装置において、
    異常と判定された画素の画像領域によって、欠陥と不明に分けることを特徴とする画像評価装置。
  11. 請求項１０の画像評価装置において、
    画像端の画像領域のみに異常と判定される領域が存在する場合は、欠陥の有無が不明を表す不明に、画像端の以外の画像領域に異常と判定される領域が存在する場合は欠陥が在るあることを示す欠陥として分けることを特徴とする画像評価装置。
  12. 請求項１から４のいずれかの画像評価装置において、
    比較部では、前記設計データ予測画像又は前記設計データ画像、若しくはその両方の画像を局所領域に分割したテンプレートにし、対応するもう一方の画像の局所領域に対応する画像範囲をマッチングして一致度を求め、それら局所領域での一致度を合わせて画像の比較結果を算出することを特徴とする画像評価装置。
  13. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価方法であって、
    設計データを画像化する設計データ画像生成部と、
    画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    前記機械学習部で作成したモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価方法。
  14. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価方法であって、
    設計データを画像化する設計データ画像生成部と、
    層情報と画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、層毎に、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    層情報によって前記機械学習部で作成したモデルを切替える切替え部と、
    前記切替え部で選択されたモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価方法。
  15. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価方法であって、
    設計データを画像化する設計データ画像生成部と、
    工程情報と画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、工程毎に、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    工程情報によって前記機械学習部で作成したモデルを切替える切替え部と、
    前記切替え部で選択されたモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価方法。
  16. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価方法であって、
    設計データを画像化する設計データ画像生成部と、
    露光情報と画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、露光情報毎に、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    露光情報によって前記機械学習部で作成したモデルを切替える切替え部と、
    前記切替え部で選択されたモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部を備えたことを特徴とする画像評価方法。
  17. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価方法であって、
    設計データを画像化する設計データ画像生成部と、
    画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    前記機械学習部で作成したモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と、前記設計データ画像とを比較する比較部とを備えたことを特徴とする画像評価方法。
  18. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価方法であって、
    設計データを画像化する第一の設計データ画像生成部と、第二の設計データ画像生成部と、前記第一の設計データ画像生成部と第二の設計データ画像生成部で生成した設計データ画像と異常判定情報を用いて異常判定モデルを作成する機械学習部とを備えたことを特徴とする画像評価方法。
  19. 検査対象パターンと設計データとを用いて欠陥を検出する画像評価方法であって、
    設計データを画像化する設計データ画像生成部と、
    画像化した設計データ画像を教師とし、それに対応する検査対象画像を用いて、検査対象画像から設計データ画像を生成するためのモデルを作成する機械学習部と、
    前記機械学習部で作成したモデルを用いて、検査対象画像から設計データ画像を予測する設計データ予測画像生成部と、
    検査対象画像に対応する設計データを画像化する設計データ画像生成部と、
    前記設計データ予測画像生成部で生成した設計データ予測画像と前記設計データ画像と異常判定モデルを用いて異常を判定する異常判定部と、設計データを画像化する第一の設計データ画像生成部と、第二の設計データ画像生成部と、前記第一の設計データ画像生成部と第二の設計データ画像生成部で生成した設計データ画像と異常判定情報を用いて異常判定モデルを作成する機械学習部とを備えたことを特徴とする画像評価方法。
JP2018007803A 2018-01-22 2018-01-22 画像評価方法及び画像評価装置 Active JP7002949B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018007803A JP7002949B2 (ja) 2018-01-22 2018-01-22 画像評価方法及び画像評価装置
US16/252,061 US10937146B2 (en) 2018-01-22 2019-01-18 Image evaluation method and image evaluation device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018007803A JP7002949B2 (ja) 2018-01-22 2018-01-22 画像評価方法及び画像評価装置

Publications (2)

Publication Number Publication Date
JP2019129169A JP2019129169A (ja) 2019-08-01
JP7002949B2 true JP7002949B2 (ja) 2022-01-20

Family

ID=67300090

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018007803A Active JP7002949B2 (ja) 2018-01-22 2018-01-22 画像評価方法及び画像評価装置

Country Status (2)

Country Link
US (1) US10937146B2 (ja)
JP (1) JP7002949B2 (ja)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3543791A1 (en) * 2018-03-23 2019-09-25 ASML Netherlands B.V. Method of metrology and associated apparatuses
JP7144244B2 (ja) * 2018-08-31 2022-09-29 株式会社日立ハイテク パターン検査システム
US10861726B2 (en) * 2018-09-21 2020-12-08 Advanced Semiconductor Engineering, Inc. Apparatus and method for measuring warpage
KR20230175346A (ko) 2018-12-28 2023-12-29 에이에스엠엘 네델란즈 비.브이. 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정
JP2020187876A (ja) * 2019-05-13 2020-11-19 株式会社日立ハイテク 荷電粒子線装置
JP7413375B2 (ja) * 2019-06-03 2024-01-15 浜松ホトニクス株式会社 半導体検査装置及び半導体検査方法
EP3958210A4 (en) * 2019-06-03 2023-05-03 Hamamatsu Photonics K.K. SEMICONDUCTOR INSPECTION METHOD AND SEMICONDUCTOR INSPECTION DEVICE
US11880193B2 (en) * 2019-07-26 2024-01-23 Kla Corporation System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design
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
CN114424242A (zh) * 2019-09-17 2022-04-29 星徳科技术株式会社 学习处理装置及检查装置
JP7318469B2 (ja) * 2019-10-02 2023-08-01 株式会社大林組 配筋評価システム、配筋評価方法及び配筋評価プログラム
US11727522B2 (en) * 2019-10-11 2023-08-15 Cargo Spectre Method, system, and apparatus for damage assessment and classification
WO2021081056A1 (en) 2019-10-24 2021-04-29 Molecular Devices, Llc A high-content imaging system to generate enhanced images and method of operating the same
JP7127632B2 (ja) * 2019-11-01 2022-08-30 株式会社豊田中央研究所 自動回路形成装置、自動回路形成方法、及びプログラム
CN114945801A (zh) * 2020-01-10 2022-08-26 塔斯米特株式会社 图案边缘检测方法、图案边缘检测装置、记录有用于让计算机执行图案边缘检测的程序的记录介质
JP7451384B2 (ja) 2020-01-10 2024-03-18 東レエンジニアリング先端半導体Ｍｉテクノロジー株式会社 パターンエッジ検出方法、パターンエッジ検出装置、パターンエッジ検出をコンピュータに実行させるためのプログラムが記録された記録媒体
JP7288870B2 (ja) * 2020-02-05 2023-06-08 株式会社日立製作所 画像を生成するシステム
CN111429426B (zh) 2020-03-20 2023-06-02 上海集成电路研发中心有限公司 一种检测对象缺陷图案的提取装置、提取方法及存储介质
JP7492389B2 (ja) 2020-07-03 2024-05-29 株式会社ホロン 画像検査装置および画像検査方法
JP7434126B2 (ja) 2020-09-16 2024-02-20 株式会社東芝 欠陥検査装置、方法およびプログラム
KR20220040308A (ko) * 2020-09-23 2022-03-30 삼성전자주식회사 반도체 공정을 모델링하기 위한 시스템 및 방법
WO2023127081A1 (ja) * 2021-12-28 2023-07-06 株式会社日立ハイテク 画像検査装置、画像処理方法
WO2023156125A1 (en) * 2022-02-17 2023-08-24 Asml Netherlands B.V. Systems and methods for defect location binning in charged-particle systems
WO2023156143A1 (en) * 2022-02-21 2023-08-24 Asml Netherlands B.V. Methods of metrology
EP4231096A1 (en) * 2022-02-21 2023-08-23 ASML Netherlands B.V. Methods of metrology
CN114589109B (zh) * 2022-02-28 2023-12-12 太仓金马智能装备有限公司 一种高精度可回收物智能识别***及其识别方法
JP7387104B1 (ja) 2022-10-31 2023-11-28 ＬｅａｐＭｉｎｄ株式会社 撮像装置および撮像装置の制御方法
WO2024116996A1 (ja) * 2022-11-30 2024-06-06 東京エレクトロン株式会社 学習モデルの生成方法、情報処理方法、コンピュータプログラム及び情報処理装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000146850A (ja) 1998-11-13 2000-05-26 Toshiba Corp パターン欠陥検査方法及びその装置
JP2006049243A (ja) 2004-08-09 2006-02-16 Mazda Motor Corp 車両用ランプのバルブシェード構造及びその製造方法
JP2009222626A (ja) 2008-03-18 2009-10-01 Advanced Mask Inspection Technology Kk パターン検査装置、パターン検査方法及びプログラム
JP2013030782A (ja) 2012-08-24 2013-02-07 Hitachi High-Technologies Corp 半導体欠陥検査装置ならびにその方法
JP2014208202A (ja) 2014-05-26 2014-11-06 株式会社ユニバーサルエンターテインメント 遊技機
JP2016148747A (ja) 2015-02-12 2016-08-18 株式会社ニューフレアテクノロジー 画像作成方法、検査方法および画像作成装置
US20170200265A1 (en) 2016-01-11 2017-07-13 Kla-Tencor Corporation Generating simulated output for a specimen

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6868175B1 (en) 1999-08-26 2005-03-15 Nanogeometry Research Pattern inspection apparatus, pattern inspection method, and recording medium
US7796801B2 (en) 1999-08-26 2010-09-14 Nanogeometry Research Inc. Pattern inspection apparatus and method
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
WO2006049243A1 (ja) * 2004-11-05 2006-05-11 Nec Corporation パターン検査装置、パターン検査方法及びパターン検査プログラム
JP5647761B2 (ja) * 2008-03-07 2015-01-07 株式会社日立ハイテクノロジーズ テンプレート作成方法及び画像処理装置
JP4966893B2 (ja) * 2008-03-13 2012-07-04 株式会社日立ハイテクノロジーズ 一致度計算装置及び方法、プログラム
JP5568277B2 (ja) * 2009-10-22 2014-08-06 株式会社日立ハイテクノロジーズ パターンマッチング方法、及びパターンマッチング装置
JP2013098267A (ja) 2011-10-31 2013-05-20 Hitachi High-Technologies Corp 半導体パターン検査装置
JP5966087B2 (ja) * 2013-06-24 2016-08-10 株式会社日立ハイテクノロジーズ パターン形状評価装置及び方法
JP2016173247A (ja) * 2015-03-16 2016-09-29 株式会社東芝 パターン検査装置およびパターン検査方法
JP6637375B2 (ja) * 2016-04-28 2020-01-29 株式会社ニューフレアテクノロジー パターン検査方法及びパターン検査装置
JP2018060141A (ja) * 2016-10-07 2018-04-12 株式会社ニューフレアテクノロジー 参照画像確認方法、マスク検査方法およびマスク検査装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000146850A (ja) 1998-11-13 2000-05-26 Toshiba Corp パターン欠陥検査方法及びその装置
JP2006049243A (ja) 2004-08-09 2006-02-16 Mazda Motor Corp 車両用ランプのバルブシェード構造及びその製造方法
JP2009222626A (ja) 2008-03-18 2009-10-01 Advanced Mask Inspection Technology Kk パターン検査装置、パターン検査方法及びプログラム
JP2013030782A (ja) 2012-08-24 2013-02-07 Hitachi High-Technologies Corp 半導体欠陥検査装置ならびにその方法
JP2014208202A (ja) 2014-05-26 2014-11-06 株式会社ユニバーサルエンターテインメント 遊技機
JP2016148747A (ja) 2015-02-12 2016-08-18 株式会社ニューフレアテクノロジー 画像作成方法、検査方法および画像作成装置
US20170200265A1 (en) 2016-01-11 2017-07-13 Kla-Tencor Corporation Generating simulated output for a specimen

Also Published As

Publication number Publication date
JP2019129169A (ja) 2019-08-01
US10937146B2 (en) 2021-03-02
US20190228522A1 (en) 2019-07-25

Similar Documents

Publication Publication Date Title
JP7002949B2 (ja) 画像評価方法及び画像評価装置
KR102218364B1 (ko) 패턴 검사 시스템
US8045789B2 (en) Method and apparatus for inspecting defect of pattern formed on semiconductor device
JP5604067B2 (ja) マッチング用テンプレートの作成方法、及びテンプレート作成装置
JP5543872B2 (ja) パターン検査方法およびパターン検査装置
JP5568277B2 (ja) パターンマッチング方法、及びパターンマッチング装置
KR101588367B1 (ko) 하전 입자선 장치
JP5313939B2 (ja) パターン検査方法、パターン検査プログラム、電子デバイス検査システム
US8577125B2 (en) Method and apparatus for image generation
JP2017523390A (ja) 検査のための高解像度フルダイイメージデータの使用
JP7427744B2 (ja) 画像処理プログラム、画像処理装置、画像処理方法および欠陥検出システム
JP4970569B2 (ja) パターン検査装置およびパターン検査方法
JP2012251785A (ja) 検査装置および検査方法
TWI567789B (zh) A pattern measuring condition setting means, and a pattern measuring means
TWI777612B (zh) 影像處理方法、形狀檢查方法、影像處理系統及形狀檢查系統
JP5604208B2 (ja) 欠陥検出装置及びコンピュータプログラム
JP2009282016A (ja) 半導体ウェハの検査方法、及び半導体ウェハの検査装置
TW202418220A (zh) 圖像處理程式、圖像處理裝置、圖像處理方法及缺陷檢測系統

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180124

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20190620

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20190625

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200807

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210527

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210601

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210730

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211207

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211228

R150 Certificate of patent or registration of utility model

Ref document number: 7002949

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150