JP7232911B2

JP7232911B2 - 電子ビーム画像向上のための完全自動ｓｅｍサンプリングシステム

Info

Publication number: JP7232911B2
Application number: JP2021533481A
Authority: JP
Inventors: ジョウ，ウェンティアン; ユ，リャンジャン; ワン，テン; プ，リンリン; ファン，ウェイ
Original assignee: ASML Netherlands BV
Current assignee: ASML Netherlands BV
Priority date: 2018-12-31
Filing date: 2019-12-17
Publication date: 2023-03-03
Anticipated expiration: 2039-12-17
Also published as: KR20240038156A; US20200211178A1; TW202143281A; US20240046620A1; US11769317B2; IL284031A; CN113272820A; TW202042273A; KR102649132B1; KR20210094022A; TWI738157B; WO2020141072A1; JP2022515353A

Description

（関連出願の相互参照）
[0001] 本出願は、２０１８年１２月３１日に出願されたＵＳ出願第６２／７８７，０３１号の優先権を主張する。これは参照により全体が本願に含まれる。

[0002] 本開示は、一般に画像取得のためのシステム及び画像向上方法に関し、更に具体的には、画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得することによってメトロロジを改善するためのシステム及び方法に関する。

[0003] 集積回路（ＩＣ）の作製に使用される製造プロセスでは、未完成の又は完成した回路コンポーネントを検査して、それらが設計に従って製造されていること及び欠陥がないことを保証する。光学顕微鏡又は荷電粒子（例えば電子）ビーム顕微鏡を用いた検査システム、例えば走査電子顕微鏡（ＳＥＭ：scanning electron microscope）等を使用することができる。ＩＣコンポーネントの物理的サイズが縮小し続けるにつれて、欠陥検出の精度と歩留まりはますます重要になっている。しかしながら、検査ツールの結像解像度とスループットは、縮小を続けるＩＣコンポーネントのフィーチャサイズに遅れずついていくことに苦闘している。当技術分野では更なる改善が望まれている。

[0004] 以下は、１つ以上の態様の基本的な理解を得るため、そのような態様の簡略化された概要を示す。この概要は、想定される全ての態様を広く概観するものではなく、全ての態様の重要な又は不可欠な要素を識別することは意図しておらず、また、いずれかの又は全ての態様の範囲を正確に説明することも意図していない。その唯一の目的は、後に提示される更に詳細な記載の前置きとして、１つ以上の態様のいくつかの概念を簡略化した形態で示すことである。

[0005] 本開示の１つの態様では、機械学習モデルを訓練するための訓練画像を自動的に取得する方法が提供される。この方法は、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することを含み得る。方法は、複数の訓練位置の各々において第１の品質を有する第１の画像を取得することと、複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得することと、を含み得る。方法は、第１の画像及び第２の画像を用いて機械学習モデルを訓練することを含み得る。

[0006] 本開示の別の態様では、機械学習モデルを訓練するための訓練画像を自動的に取得するための装置が提供される。この装置は、メモリと、メモリに結合された少なくとも１つのプロセッサと、を含み得る。１又は複数のプロセッサは、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別するように構成できる。１又は複数のプロセッサは更に、複数の訓練位置の各々において第１の品質を有する第１の画像を取得し、複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得するように構成できる。１又は複数のプロセッサは更に、第１の画像及び第２の画像を用いて機械学習モデルを訓練するように構成できる。

[0007] 本開示の別の態様では、デバイスに方法を実行させるため、デバイスのコントローラによって実行可能な命令のセットを記憶する非一時的コンピュータ可読媒体が提供される。方法は、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することと、複数の訓練位置の各々において第１の品質を有する第１の画像を取得することと、複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得することと、第１の画像及び第２の画像を用いて機械学習モデルを訓練することと、を含む。

[0008] 本開示の別の態様では、回路を有するコントローラを含む電子ビーム検査装置が提供される。回路を有するコントローラは、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することと、複数の訓練位置の各々において第１の品質を有する第１の画像を取得することと、複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得することと、第１の画像及び第２の画像を用いて機械学習モデルを訓練することと、を電子ビーム検査装置に実行させる。

[0009] 前述の目的及び関連する目的を達成するため、実施形態の態様は、以下に記載される、特に特許請求の範囲で示される特徴を含む。以下の記載及び添付の図面は、１つ以上の態様の特定の例示的な特徴を詳しく説明する。しかしながら、これらの特徴は、様々な態様の原理を使用できる様々な方法のうち一部のみを示しており、この記載は全てのそのような態様及びそれらの均等物（equivalents）を含むことが意図される。

[0010] ＳＥＭサンプリングシステムによって取得される画像を改善するためのプロセスのフロー図を示す。 [0011] 本開示のいくつかの態様に従った自動ＳＥＭサンプリングシステムの一例を示すブロック図である。 [0012] 本開示のいくつかの態様に従った電子ビーム検査（ＥＢＩ：electron beam inspection）システムの一例を示す概略図である。 [0013] 本開示のいくつかの態様に従った、図３の例示的な電子ビーム検査（ＥＢＩ）システムの一部であり得る電子ビームツールの一例を示す概略図である。 [0014] 本開示のいくつかの態様に従った、製品のグラフィックデータベースシステム（ＧＤＳ：graphic database system）の複数の設計パターンを示す。 [0014] 本開示のいくつかの態様に従った、製品のＧＤＳの複数の設計パターンを示す。 [0014] 本開示のいくつかの態様に従った、製品のＧＤＳの複数の設計パターンを示す。 [0015] 本開示のいくつかの態様に従った複数の訓練位置を示す図である。 [0016] 本開示のいくつかの態様に従った、機械学習モデルを訓練するための訓練画像を自動的に取得する方法の一例を示すフロー図である。 [0017] 本開示のいくつかの態様に従った自動ＳＥＭサンプリングシステムの詳細を示すブロック図である。 [0018] 本開示のいくつかの態様に従った、画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得する方法の一例を示すブロック図である。

[0019] これより、添付図面に例が示されている実施形態の例示的な態様について詳細に述べる。以下の説明で参照される添付図面では、特に他の指示がない限り、異なる図面における同一の番号は同一又は同様の要素を表す。実施形態の例示的な態様の以下の説明で述べられている実施例は、本発明に従った全ての実施例を表すわけではない。それらの実施例は、添付の特許請求の範囲で挙げられる本発明に関する実施形態の態様に従った装置及び方法の単なる例に過ぎない。例えば、実施形態のいくつかの態様は、ウェーハ画像発生のために走査電子顕微鏡（ＳＥＭ）等の電子ビーム検査（ＥＢＩ）システムを利用する状況で記載されているが、本開示はそのように限定されない。他のタイプの検査システム及び画像発生システムも同様に適用される。

[0020] 電子デバイスの物理的なサイズを縮小しながらその計算能力を向上させることは、ＩＣチップ上のトランジスタ、キャパシタ、ダイオード等の回路コンポーネントの実装密度を著しく増大させることにより達成できる。例えばスマートフォンでは、ＩＣチップ（親指の爪のサイズである）は、人毛の１０００分の１未満のサイズであるトランジスタを２０億超も含み得る。驚くことではないが、半導体ＩＣ製造は数百の個別ステップを含む複雑なプロセスである。１つのステップにおける誤差でさえ、最終製品の機能に対して劇的に影響を及ぼす可能性がある。１つの「キラー欠陥（killer defect）」でさえデバイス故障を引き起こす恐れがある。製造プロセスの目標は、プロセスの全体的な歩留まりを改善することである。例えば５０のステップを有するプロセスが７５％の歩留まりを達成するには、個別ステップの各々の歩留まりが９９．４％を超えていなければならない。個別ステップの歩留まりが９５％である場合、全体的なプロセス歩留まりは７％に低下する。

[0021] 半導体製造プロセスの様々なステップでは、ウェーハ、チップ、又はマスクのうち少なくとも１つにパターン欠陥が現れて、製造された半導体デバイスに不具合を引き起こし、これによって歩留まりが大幅に低下する恐れがある。半導体デバイスのサイズが（欠陥と共に）小型化し続けるにつれて、欠陥を識別することはますます困難かつ高コストになっている。現在、半導体製造ラインのエンジニアは、最終製品に対する微小欠陥の影響を最小限に抑えるため、そういった欠陥の位置を識別するのに数時間（時には数日）を費やすのが一般的である。

[0022] 従来の光学検査技術は、微小欠陥（例えばナノメートル規模の欠陥）の検査には効果的でない。半導体業界のニーズを満たすため、高い分解能と大きい焦点深度を有するＳＥＭ等の高度な電子ビーム検査（ＥＢＩ）ツールが開発されている。半導体製造プロセスの監視において、特に光学検査では充分な情報を提供できない高度なノードに対して、電子ビームを用いることができる。

[0023] 電子ビーム画像は、コントラスト、輝度、ノイズレベル等の１つ以上の品質に従って特徴付けることができる。通常、低品質画像は多くの場合、必要なパラメータ調整及びスキャン回数が少ないが、低品質画像に埋め込まれた情報（欠陥のタイプや位置等）は抽出することが難しく、これは分析に対して負の影響を及ぼし得る。この問題が生じない高品質画像は、スキャン回数を増加することで取得できる。しかしながら、高品質画像はスループットが低い可能性がある。

[0024] また、電子ビーム画像取得手順は、対象パターンを識別すること、検査のためのスキャンエリアを設定すること、ＳＥＭ条件を調整すること、品質向上方法を決定すること等の多くのステップを伴う可能性がある。これらの設定及びパラメータの多くは、システムスループットと電子ビーム画像品質の双方に寄与するファクタである。スループットと画像品質との間にはトレードオフが存在し得る。

[0025] 高品質画像の取得と高スループットの達成を同時に行うため、オペレータは通常、多くのパラメータを設定し、どのように画像を取得するかに関して決定を行う必要がある。しかしながら、これらのパラメータの決定は単純でないことが多い。オペレータ間で生じ得るばらつきを最小限に抑えるため、機械学習ベースの機能向上（enhancement）方法を訓練して、機能向上フレームワーク／ネットワークを学習することができる。このような場合、訓練後のシステムの最終的な性能を高めるため、充分な代表的訓練サンプルを取得することが有利である。しかしながら、ＳＥＭ画像サンプルを取得する一般的な手順は、スキャン用の適正な設計パターンを検索すること、収集する多数の画像及び様々な結像条件を決定すること等を含めて、著しい人の介入を必要とする。このような集中的な人の関与は、高度な機械学習ベースの機能向上方法を充分に活用することの妨げとなる。従って、電子ビーム画像品質向上のための完全自動化スマートサンプリングシステムを開発することが求められている。

[0026] 本明細書に開示されるのは、とりわけ、画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得する機器と、この機器によって使用される方法である。電子ビーム（Ｅビーム）結像は、半導体製造プロセスにおいて極めて微小な欠陥（例えばナノメートル規模の欠陥。１ナノメートルは０．００００００００１メートルである）を検査する際に重要な役割を果たす。通常、多くの相対的に低品質の電子ビーム画像を極めて迅速に取得することは可能であるが、これらの画像は、欠陥のタイプや位置のような問題についての有用な情報を充分に提供しないことがある。一方、高品質の画像を取得することは可能であるが、より長い時間を要するので、デバイスを分析できる速度が低下する。これによって製造コストが増加する。サンプルを複数回スキャンし、複数の画像の平均化によってノイズを低減すること等により、画像品質を改善することができる。しかしながら、各サンプルを複数回スキャンすることはシステムのスループットを低下させ、また、電荷蓄積を引き起こすか又はサンプルに損傷を与える恐れもある。

[0027] 本明細書に開示されているシステム及び方法のいくつかは、サンプルの少数回のスキャンで高品質画像を達成する手法を具現化するため、いくつかの実施形態において、機械学習（ＭＬ：machine learning）アルゴリズム用の訓練画像を発生する際に使用するサンプル位置を自動的に選択する。「品質」という用語は、解像度、コントラスト、感度、輝度、又はノイズレベル等を意味する。本明細書に開示されているシステム及び方法のいくつかは、生産を過度に減速させることなく高品質画像の利点を得ることができる。システムのいくつかの実施形態は、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別するため、製品のレイアウトに関するデータの複数のパターンを自動的に分析できる。データのパターンは、製品のＳＥＭ画像、又はレイアウト設計（例えばＧＤＳ、オープンアートワークシステムインターチェンジスタンダード（ＯＡＳＩＳ：Open Artwork System Interchange Standard）、カルテックインターミディエイトフォーマット（ＣＩＦ：Caltech Intermediate Format）等）とすることができる。一例として、ＧＤＳ分析部を用いて、ＭＬアルゴリズムの訓練に使用するのに適したサンプル上の位置を決定できる。これらの位置は複数回スキャンされ、これにより画像の資源（asset）が生成される。これらの画像のいくつかは、スキャンを行うにつれて、ノイズ平均化又はＳＥＭでの高解像度設定の使用等によって徐々に改善していく。これらの画像（例えば低品質画像及び関連する高品質画像）は、ＭＬアルゴリズムを訓練するための訓練サンプルとして使用される。サンプル上の他の位置は、少数回だけスキャンされる。ＭＬアルゴリズムは、追加スキャン又は高解像度設定を用いたスキャンを行うと画像がどのように徐々に改善していくかを近似するように画像を修正する。

[0028] 本開示は、とりわけ、画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得する方法を提供する。この方法は、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することを含み得る。例えばこの方法は、製品のグラフィックデータベースシステム（ＧＤＳ）からの複数のパターンを分析することと、この分析に基づいて機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することと、を含み得る。

[0029] 一例として、方法は、複数の訓練位置の各々について１つ以上の低品質画像及び１つ以上の高品質画像を取得することができる。方法は、１又は複数の低品質画像及び１又は複数の高品質画像を用いて機械学習モデルを訓練することができる。例えば機械学習モデルは、低品質画像と高品質画像との間でどのように画像が変化するかを学習し、低品質画像から高品質画像を近似する画像を発生するように訓練できる。この訓練の後、機械学習モデルを用いて、製品の低品質画像から高品質画像を自動的に発生することができる。このように、高品質画像を迅速に取得できる。更に、方法は、人による監視の必要量を最小限に抑え、様々なオペレータが使用する場合に生じたはずの不一致を防ぎ、様々な人的ミスを回避することができる。従って、方法は検査精度を高めることができる。この結果、方法は製造効率を高めると共に製造コストを削減することができる。

[0030] 一例として方法は、機械学習モデルを用いて、多数回のスキャンによって得られる結果を近似するように画像を修正することを更に含み得る。「近似する」という用語は、品質が近付くこと又は同様であることを意味する。例えば、機械学習モデルを用いた画像の品質は、多数回のスキャンで得られる画像の品質の５％以内、１０％以内、１５％以内、又は２０％以内であり得る。

[0031] 本明細書に開示されている方法のいくつかは、高いスループットで高品質画像を発生するために有利である。更に、方法のいくつかは、必要な人の介入が最小限で済み、異なるオペレータ及び様々な人的エラーによる不一致を低減又は排除することにより、検査の精度を上げることができる。このようにして、製造効率を高めると共に製造コストを削減することができる。

[0032] いくつかの開示されている実施形態は、電子ビーム画像向上のための完全自動化スマート電子ビーム画像サンプリングシステムを提供する。このシステムは、サンプル画像を収集して機械学習品質向上システムに供給し、非パラメータ化品質向上モジュールを生成するため、ＧＤＳパターン分析部及びスマート検査サンプリング計画部を含む。自動化スマート電子ビーム画像サンプリングシステムを用いて、高スループットモードから収集された低品質画像を向上させることができる。自動化スマート電子ビーム画像サンプリングシステムは、必要な人の介入を最小限とし、検査及びメトロロジ分析のため高いスループットで高品質画像を発生するために有利である。有利な点として、自動化スマート電子ビーム画像サンプリングシステムは、製造効率を高めると共に製造コストを削減することができる。

[0033] 図１は、本開示のいくつかの態様に従った、ＳＥＭサンプリングシステム１０２によって取得される画像を改善するためのプロセスのフロー図１００である。自動化スマートＳＥＭサンプリングシステム１０２は、例えば図３のＥＢＩシステム３００とすることができる。ＳＥＭサンプリングシステム１０２は、画像品質を改善する機械学習モデルを訓練するため訓練画像を取得するように構成できる。自動化スマートＳＥＭサンプリングシステム１０２は、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別するように構成できる。例えば、データはデータベース内に存在し得る。例えばデータベースは、ＧＤＳ、ＯＡＳＩＳ、又はＣＩＦのうち任意のものとすればよい。例えば、ＧＤＳはＧＤＳ及びＧＤＳＩＩの双方を含み得る。更に、自動化スマートＳＥＭサンプリングシステム１０２は、製品のグラフィックデータベースシステム（ＧＤＳ）１０１からの複数のパターンを分析するように構成されたＧＤＳパターン分析部を含み得る。自動化スマートＳＥＭサンプリングシステム１０２は更に、この分析に基づいて機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別するように構成されたスマート検査サンプリング計画部を含み得る。

[0034] 自動化スマートＳＥＭサンプリングシステム１０２は、複数の訓練位置の各々において第１の品質を有する第１の画像を取得するように構成できる。例えばシステム１０２は、複数の訓練位置の各々における第１のスキャンによって、複数の訓練位置の各々で第１の画像を取得できるように構成することができる。自動化スマートＳＥＭサンプリングシステム１０２は、第１のスキャンに基づいて複数の訓練位置の各々において第１の画像を取得するように構成できる。更にシステム１０２は、複数の訓練位置の各々において第１の品質を有する２つ以上の第１の画像を取得するように構成できる。例えば、第１のスキャンは少数回のスキャンを含み、第１の画像は低品質画像であり得る。少数回のスキャンは、例えば約１～約１０の範囲内のスキャン回数とすればよい。自動化スマートＳＥＭサンプリングシステム１０２は、複数の訓練位置の各々について第２の画像を取得するように構成できる。第２の画像は第１の品質よりも高い第２の品質を有する。例えば、第２の画像は高品質画像であり得る。第２の画像は、高い解像度、高いコントラスト、高い感度、高い輝度、又は低いノイズレベル等、又はこれらの何らかの組み合わせに起因して、高品質画像となり得る。

[0035] 例えば、システム１０２は、複数の訓練位置の各々において第２の品質を有する２つ以上の第２の画像を取得するように構成できる。一例として、第２の画像はスキャンの第２のセット（又は第２のシリーズ）によって取得できる。このスキャンのセット（又はシリーズ）は多数回のスキャンを含み、これによって高品質画像を得ることができる。多数回のスキャンは、例えば約３２～約２５６の範囲内のスキャン回数とすればよい。別の例として、多数の低品質画像を取得し、これらの画像を平均化して高品質画像を生成する（例えば平均化によるノイズ低減に起因する）ことにより、高品質画像を取得してもよい。更に別の例として、多数の低品質画像を結合して高品質画像を生成することにより、高品質画像を取得してもよい。更に別の例として、１０５で示されるように任意選択的なユーザ入力によって、第２の画像を参照画像として受信してもよい。もう１つの例として、品質を改善したスキャンに基づいて、例えば、高解像度の使用や１もしくは複数の他の設定変更の使用によって品質の改善を図ったスキャンに基づいて、第２の画像を取得してもよい。

[0036] 自動化スマートＳＥＭサンプリングシステム１０２は、機械学習モデルを訓練するための訓練画像として、複数の訓練位置の各々における第１の画像及び第２の画像を使用できる。いくつかの態様において、自動化スマートＳＥＭサンプリングシステム１０２は、訓練位置の各々を複数回スキャンして、各位置で複数の訓練画像を生成できるように構成することができる。これらの訓練画像のいくつかは、訓練位置の追加スキャンから得られる画像品質の改善を反映している。例えば、複数の低品質画像と高品質画像の対を取得し、機械学習モデルを訓練するための訓練画像として使用できる。例えば自動化スマートＳＥＭサンプリングシステム１０２は、サンプル画像（例えば訓練画像対）を収集して機械学習ベースの品質向上システム１０７に供給し、非パラメータ化品質向上モジュールを生成できる。自動化スマートＳＥＭサンプリングシステムを用いて、高スループットモードの動作中に収集された低品質画像１０８を向上させて、向上高品質画像１０９を生成することができる。例えば自動化スマートＳＥＭサンプリングシステム１０２は、機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正するよう構成できる。完全自動化スマートＳＥＭサンプリングシステム１０２は、必要な人の介入量が最小限で済むと共に、検査及びメトロロジ分析のため高いスループットで高品質画像を生成できるという利点がある。

[0037] 図２は、本開示のいくつかの態様に従った、自動化ＳＥＭサンプリングシステム２０２の一例を示すブロック図２００である。図２に示されているように、自動化ＳＥＭサンプリングシステム２００は、検査システム２１２及び参照ストレージデバイス２１０と通信状態であるコンピュータシステム２０２（例えば図３のコンピュータシステム３０９）を含み得る。例えば、検査システム２１２はＥＢＩツール（例えば図３のＥＢＩシステム３００）とすることができる。コンピュータシステム２０２は、プロセッサ２０４、記録媒体２０６、及びユーザインタフェース２０８を含み得る。プロセッサ２０４は複数のプロセッサを含み得る。記録媒体２０６及び参照ストレージデバイス２１０は、同一の単一の記録媒体としてもよい。コンピュータシステム２０２は、有線又は無線の通信を介して検査システム２１２及び参照ストレージデバイス２１０と通信状態とすることができる。例えば、コンピュータシステムはＥＢＩツールのコントローラとすることができ、コントローラはＥＢＩツールに自動化ＳＥＭサンプリングを実行させるための回路を有し得る。

[0038] コンピュータシステム２０２は、限定ではないが、パーソナルコンピュータ、ワークステーション、ネットワークコンピュータ、又は１つ以上のプロセッサを有する任意のデバイスを含み得る。記録媒体２０６はＳＥＭサンプリング命令を記憶し、プロセッサ２０４は、ＳＥＭサンプリング命令を実行して自動化ＳＥＭサンプリングプロセスを制御するように（その回路によって）構成されている。プロセッサ２０４は、図１に関連付けて記載したように、画像品質を改善する機械学習モデルを訓練するための訓練画像を取得するよう構成できる。例えばプロセッサ２０４は、製品の複数のＧＤＳパターンを分析し、製品のサンプル上の複数の訓練位置を識別するように構成できる。プロセッサ２０４は、検査システム２１２と通信を行って、複数の訓練位置の各々における第１のスキャンによって複数の訓練位置の各々における第１の画像を取得できる。例えばプロセッサ２０４は、第１のスキャンを実行して少なくとも１つの画像を取得するように検査システム２１２に命令できる。この画像は、少数回のスキャンによる低品質画像であり得る。プロセッサ２０４は、検査システム２１２による第１のスキャンに基づいて、複数の訓練位置の各々で第１の画像を取得できる。プロセッサ２０４は更に、複数の訓練位置の各々において、高品質画像であり得る第２の画像を取得することができる。例えばプロセッサ２０４は、多数回のスキャンによって第２のスキャンを実行して高品質画像を取得するように検査システム２１２に命令できる。別の例として、プロセッサ２０４は、任意選択的なユーザ入力によって参照ストレージデバイス２１０から参照画像として高品質画像を取得してもよい。プロセッサ２０２は、機械学習モデルを訓練するための訓練画像として、複数の訓練位置の各々における第１の画像（例えば低品質画像）及び第２の画像（例えば高品質画像）を使用するように構成できる。いくつかの態様では、複数の低品質画像と複数の高品質画像の対を、機械学習モデルを訓練するための訓練画像として取得し使用することができる。プロセッサ２０４は更に、機械学習モデルを用いて低品質の新しい位置の第１の画像を修正し、この新しい位置の高品質画像を生成するように構成できる。

[0039] ユーザインタフェース２０８は、ウェーハの画像を表示するように構成されたディスプレイと、コンピュータシステム２０２等へユーザコマンドを送信するように構成された入力デバイスと、を含み得る。ディスプレイは、テキスト及びグラフィック画像を表示する任意のタイプのコンピュータ出力面及び投影機構とすることができ、限定ではないが、コンピュータユーザに情報を表示するための、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）、発光ダイオード（ＬＥＤ）、ガスプラズマ、タッチスクリーン、又は他の画像投影技術を含む。入力デバイスは、オペレータからコンピュータシステム２０２へデータ及び制御信号を提供するため使用される任意のタイプのコンピュータハードウェア機器とすればよい。入力デバイスは、限定ではないが、プロセッサに方向情報及びコマンド選択を伝達するため、又はディスプレイ上のカーソル移動を制御するための、キーボード、マウス、スキャナ、デジタルカメラ、ジョイスティック、トラックボール、カーソル方向キー、タッチスクリーンモニタ、又はオーディオ／ビデオコマンダ等を含み得る。

[0040] 参照ストレージデバイス２１０は、自動化ＳＥＭサンプリングプロセス中にコンピュータシステム２０２がアクセスする参照ファイルデータベースを記憶することができる。いくつかの実施形態において、参照ストレージデバイス２１０はコンピュータシステム２０２の一部であってもよい。ウェーハ検査のための参照画像ファイルは、人のオペレータによって手作業でコンピュータシステム２０２へ提供できる。あるいは、参照ストレージデバイス２１０はプロセッサによって実施され、参照画像ファイルは、参照ストレージデバイス２１０によって自動的にコンピュータシステム２０２へ提供できる。参照ストレージデバイス２１０は、参照画像を記憶し提供するように構成されたリモートサーバコンピュータ、クラウドストレージ等とすることができる。

[0041] 検査システム２１２は、ウェーハの画像を発生できる任意の検査システムとすることができる。例えばウェーハは製品のサンプルであり、そのＧＤＳの複数の設計パターンがプロセッサ２０４によって分析される。ウェーハは、１つ以上のエピタキシャル層又はプロセス膜等を有する半導体ウェーハ基板とすることができる。現在の半導体製造工場技術に従って、ウェーハ検査システムがウェーハ上の重要なフィーチャを観察するのに充分な解像度（例えば２０ｎｍ未満）を有するウェーハ画像を生成できるならば、本開示の実施形態はウェーハ検査システム２１２の特定のタイプで用いることに限定されない。本開示のいくつかの態様において、検査システム２１２は、図３に関連して記載される電子ビーム検査（ＥＢＩ）システム３０４である。

[0042] 一度ウェーハ画像が検査システム２１２によって取得されたら、このウェーハ画像をコンピュータシステム２０２へ送信することができる。コンピュータシステム２０２及び参照ストレージデバイス２１０は、検査システム２１２の一部であるか又は検査システム２１２から離れている場合がある。

[0043] 実施形態のいくつかの態様では、自動化ＳＥＭサンプリングシステム２０２が検査システム２１２及び参照ストレージデバイス２１０を含むことも可能である。例えば自動化ＳＥＭサンプリングシステム２０２は、複数の訓練位置の各々において第１のスキャンを実行して複数の訓練位置の各々で少なくとも１つの第１の画像を取得するよう更に構成できる。別の例として、自動化ＳＥＭサンプリングシステム２０２は、複数の訓練位置の各々において第２のスキャンを実行して複数の訓練位置の各々で少なくとも１つの第２の画像を取得するよう更に構成できる。例えば、少なくとも１つの第２の画像は、多数回のスキャンによって向上した品質を有し得る。

[0044] 図３は、本開示のいくつかの態様に従った例示的な電子ビーム検査システムを示す概略図である。図３に示されているように、電子ビーム検査システム３００は、主チャンバ３０２と、ロード／ロックチャンバ３０４と、電子ビームツール３０６と、コンピュータシステム３０９と、機器フロントエンドモジュール（equipment front end module）３０８と、を含む。コンピュータシステム３０９は電子ビーム検査システム３００のコントローラとすることができる。電子ビームツール３０６は主チャンバ３０２内に配置されている。機器フロントエンドモジュール３０８は、第１ローディングポート３０８ａ及び第２ローディングポート３０８ｂを含む。機器フロントエンドモジュール３０８は、１又は複数の追加のローディングポートも含み得る。第１ローディングポート３０８ａ及び第２ローディングポート３０８ｂは、検査対象のウェーハ（例えば、半導体ウェーハ、又は１もしくは複数の他の材料で作製されたウェーハ）又はサンプルを収容したウェーハカセットを受容する（以下ではウェーハ及びサンプルをまとめて「ウェーハ」と呼ぶ）。機器フロントエンドモジュール３０８内の１つ以上のロボットアーム（図示せず）が、ウェーハをロード／ロックチャンバ３０４へ移送する。ロード／ロックチャンバ３０４はロード／ロック真空ポンプシステム（図示せず）に接続されており、このロード／ロック真空ポンプシステムは、ロード／ロックチャンバ３０４内のガス分子を除去して大気圧未満の第１の圧力を達成する。第１の圧力に達した後、１つ以上のロボットアーム（図示せず）が、ウェーハをロード／ロックチャンバ３０４から主チャンバ３０２へ移送する。主チャンバ３０２は主チャンバ真空ポンプシステム（図示せず）に接続されており、この主チャンバ真空ポンプシステムは、主チャンバ３０２内のガス分子を除去して第１の圧力未満の第２の圧力を達成する。第２の圧力に達した後、ウェーハは、電子ビームツール３０６による検査を受ける。電子ビームツール３０６は、１つの位置を複数回スキャンして画像を取得することができる。通常、低品質画像は高いスループットで少数回のスキャンで取得され、高品質画像は低いスループットで多数回のスキャンで取得され得る。

[0045] 図４は、本開示のいくつかの態様に従った、図３の例示的な電子ビーム検査システムの一部であり得る電子ビームツール４００（例えば３０６）の一例を示す概略図である。図４は、本開示のいくつかの態様に従った電子ビームツール３０６のコンポーネントの例を示す。図４に示されているように、電子ビームツール４００は、モータ駆動ステージ４００と、モータ駆動ステージ４００によって支持されて検査対象のウェーハ４０３を保持するウェーハホルダ４０２と、を含む。電子ビームツール４００は更に、対物レンズアセンブリ４０４、電子検出器４０６（電子センサ表面を含む）、対物アパーチャ（objective aperture）４０８、コンデンサレンズ４１０、ビーム制限アパーチャ４１２、銃アパーチャ４１４、アノード４１６、及びカソード４１８を含む。対物レンズアセンブリ４０４は、いくつかの態様において、磁極片４０４ａ、制御電極４０４ｂ、偏向器４０４ｃ、及び励起コイル４０４ｄを含む変更ＳＯＲＩＬ（modified swing objective retarding immersion lens）を含み得る。電子ビームツール４００は更に、ウェーハ上の材料を特徴付けるためのエネルギ分散Ｘ線スペクトロメータ（ＥＤＳ：energy dispersive X-ray spectrometer）検出器（図示せず）を含み得る。

[0046] アノード４１６とカソード４１８との間に電圧を印加することによって、カソード４１８から一次電子ビーム４２０が放出される。一次電子ビーム４２０は銃アパーチャ４１４及びビーム制限アパーチャ４１２を通過する。銃アパーチャ４１４及びビーム制限アパーチャ４１２の双方は、ビーム制限アパーチャ４１２の下方にあるコンデンサレンズ４１０に入射する電子ビームのサイズを決定することができる。コンデンサレンズ４１０は一次電子ビーム４２０を集束し、その後ビームは、電子ビームのサイズを設定するための対物アパーチャ４０８に入射した後、対物レンズアセンブリ４０４に入射する。偏向器４０４ｃは、ウェーハ４０３上でのビームスキャンを容易にするように一次電子ビーム４２０を偏向させる。例えばスキャンプロセスにおいて、偏向器４０４ｃは、異なる時点でウェーハ４０３の上面の異なる位置へ一次電子ビーム４２０を順次偏向させるように制御されて、ウェーハ４０３の異なる部分の画像再構築のためのデータを提供することができる。更に、偏向器４０４ｃは、異なる時点でウェーハ４０３の異なる側の特定の位置へ一次電子ビーム４２０を偏向させるように制御されて、その位置におけるウェーハ構造の立体画像再構築のためのデータを提供することができる。更に、いくつかの態様では、アノード４１６及びカソード４１８は複数の一次電子ビーム４２０を発生させるように構成することができ、電子ビームツール４００は、これら複数の電子ビーム４２０を同時にウェーハの異なる部分／異なる側に投影する複数の偏向器４０４ｃを含んで、ウェーハ２０３の異なる部分の画像再構築のためのデータを提供することができる。

[0047] 励起コイル４０４ｄ及び磁極片４０４ａは、磁極片４０４ａの一端で開始して磁極片４０４ａの他端で終了する磁場を発生させる。一次電子ビーム４２０によってスキャンされるウェーハ４０３の部分は、この磁場に浸され（immerse）、帯電させることができ、これが次いで電場を生成する。この電場によって、ウェーハの表面付近に入射する一次電子ビーム４２０はウェーハと衝突する前にエネルギが低減する。磁極片４０４ａから電気的に隔離された制御電極４０４ｂは、ウェーハ４０３のマイクロアーチング（micro-arching）を防止すると共に適正なビームフォーカスを保証するようにウェーハ上の電場を制御する。

[0048] 一次電子ビーム４２０を受けた後、ウェーハ４０３の一部から二次電子ビーム４２２が放出され得る。二次電子ビーム４２２は、電子検出器４０６のセンサの表面上にビームスポットを形成できる。電子検出器４０６は、ビームスポットの強度を表す信号（例えば電圧、電流等）を発生し、この信号を処理システム（図示せず）に提供することができる。二次電子ビーム４２２及びこれによって生じるビームスポットの強度は、ウェーハ４０３の外部又は内部構造に応じて変動し得る。更に、上記で検討したように、一次電子ビーム４２０をウェーハ４０３の上面の異なる位置に投影させて、異なる強度の二次電子ビーム４２２（及びこれによって生じるビームスポット）を発生させることができる。従って、ビームスポットの強度をウェーハ４０３の位置に対してマッピングすることにより、処理システムは、ウェーハ４０３の内部又は外部構造を反映した画像を再構築することができる。一度、電子ビームツール４００によってウェーハ画像が取得されたら、ウェーハ画像をコンピュータシステム４０２（例えば図２に示されている２０２）に送信することができる。

[0049] 図５Ａから図５Ｃは、本開示のいくつかの態様に従った、製品のＧＤＳデータベース等のデータベースの複数の設計パターンを示す。本明細書に開示されている自動化ＳＥＭサンプリングシステムは、画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得する方法を実行するように構成できる。例えば、自動化ＳＥＭサンプリングシステムはＥＢＩツールのコントローラとすることができ、コントローラは、ＥＢＩツールに自動化サンプリングを実行させるための回路を有し得る。例えば、自動化ＳＥＭサンプリングシステムはＧＤＳ分析部（例えばＧＤＳ分析部コンポーネント）を含み得る。ＧＤＳ分析部は、様々なフィーチャ、すなわち、ラインパターン、論理パターン、１Ｄ／２Ｄパターン、密／疎パターン等に基づいてパターン分析及び分類を実行するように構成できる。同一のパターンはパターングルーピングによってグループ化できる。

[0050] 例えば、ＧＤＳ入力から複数の製造設計パターンをレンダリングすることができる。この段階では、複数のパターンは散乱パターンである。ダイ内のパターン位置、形状、サイズ、密度、近傍レイアウト、パターンタイプ等、各パターンの様々なフィーチャを分析及び抽出することができる。

[0051] 更に、抽出したフィーチャに基づいて複数の設計パターンを異なるカテゴリに分類することができる。図５Ａから図５Ｃに示されているように、パターングルーピングによって、同様の又は同一の形状を有するパターンのサブセットを一緒にグループ化することができる。例えば、パターンの第１のサブセットすなわちグループ１は、パターン５０１ａと同一又は同様の形状を有するパターンを含み得る。例えば、パターンの第２のサブセットすなわちグループ２は、パターン５０１ｂと同一又は同様の形状を有するパターンを含み得る。例えば、パターンの第３のサブセットすなわちグループ３は、パターン５０１ｃと同一又は同様の形状を有するパターンを含み得る。各パターングループに、対応するメタデータを関連付けることができる。メタデータは、ダイ内のパターン位置、パターンタイプ、形状、サイズ、及びその他の抽出されたフィーチャの情報を含み得る。

[0052] 自動化ＳＥＭサンプリングシステムは、スマート検査サンプリング計画部（例えば検査サンプリング検査部コンポーネント）を含み得る。スマート検査サンプリング計画部は、分析部の分析結果に基づいて、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することができる。製品のＧＤＳデータベースは、各パターングループに関連付けられた位置に関する情報を有し得る。このため、ＧＤＳからレンダリングされた設計パターンは位置情報を含み得る。従って、ＧＤＳからのパターングループを分析及び認識することによって、製品のウェーハ上の対応するパターングループの位置を決定できる。

[0053] 図５Ｄは、ウェーハ５０３（例えば図４に関連付けて記載されている４０３）上の複数の訓練位置５０６ｔを示す図５００ｄである。図５Ｄに示されているように、各パターングループにおいて、訓練画像を取得することが可能である多くの位置５０６が存在する。自動化ＳＥＭサンプリングシステムは更に、訓練画像を取得するための１つ以上の特定の訓練位置５０６ｔを決定するように構成できる。例えばＳＥＭサンプリングシステムは、分析部の分析結果から、ダイ内の位置、検査エリア、視野（ＦＯＶ：field of view）、又は、ウェーハ内のカバーされたエリア上の局所アライメントポイント（ＬＡＰ：local alignment point）やオートフォーカスポイントのような他の結像パラメータのうち１つ以上に基づいて、１つ以上の訓練位置を識別できる。例えば、各パターングループにおいて、ＳＥＭサンプリングシステムは、少なくとも部分的にダイ内の位置に基づいて１つ以上の訓練位置を決定できる。計画部は、ウェーハ全体でダイサンプリングを自動的に発生することができる。

[0054] 全てのパターングループにおいて、スキャンエリア全体に基づいてスキャン経路を分析し生成することができる。スキャン経路は、位置、ＦＯＶ等、又はこれらの何らかの組み合わせ等のパラメータによって決定できる。更に、スキャン経路は、ＦＯＶ、形状、タイプ等の他のパラメータと共に、電子ビームツールのためのレシピに従って使用することができる。電子ビームツールは、このレシピに従って、機械学習モジュールのための訓練画像を自動的にスキャン及びキャプチャするように構成できる。例えば、視野（ＦＯＶ）の数及び各ＦＯＶ間の距離等のファクタに基づいて、ＬＡＰ及びオートフォーカスポイントを決定することができる。

[0055] 図６Ａは、本開示のいくつかの態様に従った、画像品質を改善する機械学習モデル６１５を訓練するための訓練画像６１０を自動的に取得するためのシステムのフロー図を示すブロック図６００ａである。図６Ｂは、本開示のいくつかの態様に従った、自動ＳＥＭサンプリングシステムの詳細を示すブロック図６００ｂである。図６Ａ及び図６Ｂを参照すると、このシステムによって実施される方法は、ＥＢＩツール６１２（例えばＥＢＩシステム３００）と通信している自動化ＳＥＭサンプリングシステム６０２（例えばプロセッサ６０４、コンピュータシステム３０９）によって実行できる。例えば、自動化ＳＥＭサンプリングシステムはＥＢＩツールのコントローラとすることができ、コントローラは、ＥＢＩシステムにこの方法を実行させるための回路を有し得る。例えばこの方法は、ＧＤＳ分析部６０３（例えばプロセッサのＧＤＳ分析部コンポーネント６０３）によってパターン分析及び分類を実行することを含み得る。パターン分析及び分類は、例えばラインパターン、論理パターン、１Ｄ／２Ｄパターン、密／疎パターン等の様々なフィーチャに基づいて実行できる。方法は更に、パターングルーピングによって同一の又は同様のパターンを一緒にグループ化することを含み得る。

[0056] 方法は、分析ステップの分析結果に基づいて、サンプリング計画部６０５（例えばプロセッサのサンプリング計画部コンポーネント６０５）により、訓練位置であるスキャンエリアを決定することを含み得る。分析ステップの分析結果は、ダイによるパターン位置、検査エリア、ＦＯＶサイズ、並びに、ウェーハ内のカバーされたエリアに基づくＬＡＰポイント及びオートフォーカスポイント及び他の結像パラメータを含み得る。

[0057] 方法は、ユーザインタフェース６０８によって、訓練位置の各々を複数回スキャンして、各訓練位置において複数の訓練画像６１０の生成を可能とすることと、ＥＢＩツール６１２から複数の訓練画像６１０を取得することと、を含み得る。例えば複数の画像のいくつかは、例えば少数回のスキャンを用いて発生させた低品質画像であり得る。例えば複数の画像のいくつかは、例えば多数回のスキャンを用いて発生させた向上画像品質を有し得る。向上画像品質は、高い解像度、高いコントラスト、高い感度、高い輝度、又は低いノイズレベル等を意味し得る。例えば訓練画像６１０のいくつかは、訓練位置の追加スキャンから得られる画像品質の改善を反映することができる。いくつかの態様では、複数の低品質画像及び複数の高品質画像の対をユーザインタフェース６０８によって取得し、機械学習モデル６１５を訓練するため訓練画像６１０として使用できる。例えば、低品質ＳＥＭ結像モードは、デフォルト設定又はユーザ入力のスループット要求に基づき得る。例えば、高品質ＳＥＭ画像モードは、デフォルト設定又はユーザ入力の品質要求に基づき得る。いくつかの態様において、ユーザは高品質参照画像６１１を直接入力する選択肢を有することも可能である。例えば、高品質参照画像６１１は記録媒体６０６に記憶することができる。このような場合、高品質画像の取得はスキップされ得る。

[0058] 方法は更に、機械学習モデル６１５（例えばプロセッサの機械学習モデルコンポーネント）を用いて、多数回のスキャンで得られる結果を近似するように画像を修正することを含み得る。機械学習モデル６１５において様々な機械学習方法を用いて、訓練画像対６１０から機能向上フレームワークを学習することができる。機械学習モデル６１５はパラメトリック（parametric）であり得る。機械学習モデル６１５のためにデータを収集してもよい。

[0059] 対象パターンの各タイプにおいて、機械学習モデルを用いるステップの終了時に、品質向上モジュール６１７（例えばプロセッサの品質向上モジュール６１７）を学習させることができる。品質向上モジュール６１７は、高スループットモードにおいて検査又はメトロロジの目的のために直接使用することができる。自動サンプリングシステム６０２からサンプリングされた画像に基づく訓練の後、品質向上モジュール６１７は、データを訓練することなく画像向上のために使用できる。従って、品質向上モジュール６１７は非パラメータ化（non-parametrized）のものであり得る。これは、過度のオーバーヘッドを生じる可能性がある過剰な数のパラメータ設定の使用を伴わない。従って、品質向上モジュール６１７は高スループットで高品質画像を生成するために有利であり、これによって製造効率を高めると共に製造コストを削減する。

[0060] 図７は、本開示のいくつかの態様に従った、画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得する方法の一例を示すフローチャート７００である。この方法は、ＥＢＩツール（例えば２１２、６１２）と通信している自動化ＳＥＭサンプリングシステム（例えば１０２、２０２、６０２）によって実行できる。例えば、自動化ＳＥＭサンプリングシステムはＥＢＩツールのコントローラとすることができ、コントローラはＥＢＩツールにこの方法を実行させる回路を有し得る。

[0061] 図７に示されているように、ステップ７０２において、方法は、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することを含み得る。例えば、データはデータベース内に存在し得る。例えばデータベースは、とりわけ、グラフィックデータベースシステム（ＧＤＳ）、ＯＡＳＩＳ、又はＣＩＦのうち任意のものとすればよい。例えば、ＧＤＳはＧＤＳ及びＧＤＳＩＩの双方を含み得る。

[0062] 例えば、製品のレイアウトに関するデータの複数のパターンを分析するステップは、複数のパターンをパターンの複数のサブセットに分類することを更に含み得る。例えば、製品のレイアウトに関するデータの複数のパターンを分析するステップは、複数のパターンからフィーチャを抽出することを含み得る。例えば、複数のパターンをパターンの複数のサブセットに分類することは、抽出したフィーチャに基づき得る。例えば、パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けることができる。例えば、複数の訓練位置を識別することは、視野、位置アライメントポイント、又はオートフォーカスポイントに基づき得る。例えば、複数の訓練位置を識別することは、パターンの各サブセットにおいて１つ以上の訓練位置を識別することを含み得る。

[0063] ステップ７０４において、方法は、複数の訓練位置の各々において第１の品質を有する第１の画像を取得することを含み得る。例えば、複数の訓練位置の各々において第１の品質を有する第１の画像を取得するステップは、複数の訓練位置の各々において第１の品質を有する２つ以上の第１の画像を取得することを含む。

[0064] 例えば、方法は更に、第１の画像を取得するため第１のスキャンを含む第１のスキャン経路を決定することを含み得る。例えば第１のスキャン経路は、複数の訓練位置のスキャンエリア全体に基づき得る。例えば第１のスキャン経路は、位置やＦＯＶのようなパラメータのいくつかによって決定できる。更に、第１のスキャン経路は、ＦＯＶ、形状、タイプのような他のパラメータと共に、電子ビームツールに第１のレシピを提供することができる。電子ビームツールは、第１のレシピに従って、機械学習モジュールのための画像を自動的にスキャン及びキャプチャするように構成できる。

[0065] ステップ７０６において、方法は、複数の訓練位置の各々において第２の品質を有する第２の画像を取得することを含み得る。例えば、第２の品質は第１の品質よりも高くすることができる。例えば、複数の訓練位置の各々において第２の品質を有する第２の画像を取得するステップは、複数の訓練位置の各々において第２の品質を有する２つ以上の第２の画像を取得することを含む。

[0066] 例えば、方法は、第２の画像を取得するため第２のスキャンを含む第２のスキャン経路を決定することを含み得る。例えば第２のスキャン経路は、複数の訓練位置のスキャンエリア全体に基づく。例えば第２のスキャン経路は、位置やＦＯＶのようなパラメータのいくつかによって決定できる。更に、第２のスキャン経路は、ＦＯＶ、形状、タイプのような他のパラメータと共に、電子ビームツールに第２のレシピを提供することができる。電子ビームツールは、第２のレシピに従って、機械学習モジュールのための画像を自動的にスキャン及びキャプチャするように構成できる。例えば、第１のスキャンは第１の回数のスキャンを含み、第２のスキャンは第２の回数のスキャンを含み、第２の回数のスキャンは第１の回数のスキャンよりも多くすることができる。

[0067] 例えば、第２の画像は任意選択的なユーザ入力によって参照画像として取得してもよい。

[0068] ステップ７０８において、方法は、第１の画像及び第２の画像を用いて機械学習モデルを訓練することを含み得る。

[0069] ステップ７１０において、方法は、機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正することを含み得る。

[0070] 例えば、方法は更に、機械学習モデルを用いて、ある位置の第１の画像を修正してその位置の第２の画像を取得することを含み得る。第２の画像は第１の画像よりも向上した品質を有する。このように、方法は、高いスループットで高品質画像を取得するために有利であり、これによって製造効率を高めると共に製造効率を削減する。更に、方法は完全に自動的である。このため方法は、人的エラー及び様々なオペレータによる不一致を防止することができ、従って検査精度を上げるために更に有利である。

[0071] ここで再び図２を参照すると、コンピュータシステム２０２は、検査システム２１２（例えば電子ビーム検査システム）のコントローラとすることができる。コントローラは、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別すること、複数の訓練位置の各々において第１の品質を有する第１の画像を取得すること、複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得すること、第１の画像及び第２の画像を用いて機械学習モデルを訓練すること、のための回路を含み得る。

[0072] 更に図２を参照すると、記録媒体２０６は、デバイスに方法を実行させるため、デバイスのコントローラによって実行可能な命令のセットを記憶する非一時的コンピュータ可読媒体とすることができる。方法は、製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される製品のサンプル上の複数の訓練位置を識別することと、複数の訓練位置の各々において第１の品質を有する第１の画像を取得することと、複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得することと、第１の画像及び第２の画像を用いて機械学習モデルを訓練することと、を含む。

[0073] 実施形態は、以下の条項を用いて更に記載することができる。
１．機械学習モデルの訓練に用いられる訓練画像を自動的に取得する方法であって、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
複数の訓練位置の各々において第１の品質を有する第１の画像を取得することと、
複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得することと、
第１の画像及び第２の画像を用いて機械学習モデルを訓練することと、
を含む方法。
２．データはデータベース内にある、条項１に記載の方法。
３．データベースは、グラフィックデータベースシステム（ＧＤＳ）、ＯＡＳＩＳ、又はＣＩＦのうち任意の１つである、条項２に記載の方法。
４．ＧＤＳはＧＤＳフォーマットのデータ又はＧＤＳＩＩフォーマットのデータを含む、条項３に記載の方法。
５．複数の訓練位置の各々において第１の品質を有する第１の画像を取得するステップは、複数の訓練位置の各々において第１の品質を有する２つ以上の第１の画像を取得することを含む、条項１に記載の方法。
６．複数の訓練位置の各々において第２の品質を有する第２の画像を取得するステップは、複数の訓練位置の各々において第２の品質を有する２つ以上の第２の画像を取得することを含む、条項１に記載の方法。
７．製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンをパターンの複数のサブセットに分類することを含む、条項１に記載の方法。
８．製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンからフィーチャを抽出することを含む、条項１から７のいずれか１項に記載の方法。
９．抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項８に記載の方法。
１０．複数のパターンをパターンの複数のサブセットに分類することは抽出したフィーチャに基づく、条項７に記載の方法。
１１．パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項７に記載の方法。
１２．複数の訓練位置を識別することは、視野、局所アライメントポイント、又はオートフォーカスポイントに基づく、条項１から１１のいずれか１項に記載の方法。
１３．第１の画像を取得するための第１のスキャンを含む第１のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定することを更に含む、条項１から１２のいずれか１項に記載の方法。
１４．第２の画像を取得するための第２のスキャンを含む第２のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定することを更に含む、条項１３に記載の方法。
１５．第１のスキャンは第１の回数のスキャンを含み、第２のスキャンは第２の回数のスキャンを含み、第２の回数のスキャンは第１の回数のスキャンよりも多い、条項１４に記載の方法。
１６．第２の画像は任意選択的なユーザ入力によって参照画像として取得される、条項１から１３のいずれか１項に記載の方法。
１７．機械学習モデルを用いて、ある位置の第１の画像を修正してその位置の第２の画像を取得することを更に含み、第２の画像は第１の画像よりも向上した品質を有する、条項１から１６のいずれか１項に記載の方法。
１８．複数の訓練位置を識別することは、パターンの各サブセットにおいて１つ以上の訓練位置を識別することを含む、条項１から１７のいずれか１項に記載の方法。
１９．品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項１から１８のいずれか１項に記載の方法。
２０．機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正することを更に含む、条項１から１９のいずれか１項に記載の方法。
２１．画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得するための装置であって、
メモリと、
メモリに結合された少なくとも１つのプロセッサであって、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別し、
複数の訓練位置の各々において第１の品質を有する第１の画像を取得し、
複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得し、
第１の画像及び第２の画像を用いて機械学習モデルを訓練する、
ように構成された少なくとも１つのプロセッサと、
を備える装置。
２２．データはデータベース内にある、条項２１に記載の装置。
２３．データベースは、グラフィックデータベースシステム（ＧＤＳ）、ＯＡＳＩＳ、又はＣＩＦのうち任意の１つである、条項２２に記載の装置。
２４．ＧＤＳはＧＤＳフォーマットのデータ又はＧＤＳＩＩフォーマットのデータを含む、条項２３に記載の装置。
２５．少なくとも１つのプロセッサは更に、複数の訓練位置の各々において第１の品質を有する２つ以上の第１の画像を取得するように構成されている、条項２１に記載の装置。
２６．少なくとも１つのプロセッサは更に、複数の訓練位置の各々において第２の品質を有する２つ以上の第２の画像を取得するように構成されている、条項２１に記載の装置。
２７．少なくとも１つのプロセッサは更に、複数のパターンをパターンの複数のサブセットに分類するように構成されている、条項２１に記載の装置。
２８．少なくとも１つのプロセッサは更に、複数のパターンからフィーチャを抽出するように構成されている、条項２１に記載の装置。
２９．抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項２８に記載の装置。
３０．少なくとも１つのプロセッサは更に、抽出したフィーチャに基づいて複数のパターンをパターンの複数のサブセットに分類するように構成されている、条項２７に記載の装置。
３１．パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項２７に記載の装置。
３２．少なくとも１つのプロセッサは更に、視野、局所アライメントポイント、又はオートフォーカスポイントに基づいて複数の訓練位置を識別するように構成されている、条項２１から３１のいずれか１項に記載の装置。
３３．少なくとも１つのプロセッサは更に、
第１の画像を取得するための第１のスキャンを含む第１のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、条項２１から３２のいずれか１項に記載の装置。
３４．少なくとも１つのプロセッサは更に、
第２の画像を取得するための第２のスキャンを含む第２のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、条項３３に記載の装置。
３５．第１のスキャンは第１の回数のスキャンを含み、第２のスキャンは第２の回数のスキャンを含み、第２の回数のスキャンは第１の回数のスキャンよりも多い、条項３４に記載の装置。
３６．第２の画像は任意選択的なユーザ入力によって参照画像として受信される、条項２１から３３のいずれか１項に記載の方法。
３７．少なくとも１つのプロセッサは更に、
機械学習モデルを用いて、ある位置の第１の画像を修正してその位置の第２の画像を取得するように構成され、第２の画像は第１の画像よりも向上した品質を有する、条項２１から３６のいずれか１項に記載の装置。
３８．少なくとも１つのプロセッサは更に、
パターンの各サブセットにおいて１つ以上の訓練位置を識別する、
ように構成されている、条項２１から３７のいずれか１項に記載の装置。
３９．品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項２１から３８のいずれか１項に記載の装置。
４０．少なくとも１つのプロセッサは更に、
機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正する、
ように構成されている、条項２１から３９のいずれか１項に記載の装置。
４１．デバイスに方法を実行させるため、デバイスのコントローラによって実行可能な命令のセットを記憶する非一時的コンピュータ可読媒体であって、方法は、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
複数の訓練位置の各々において第１の品質を有する第１の画像を取得することと、
複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得することと、
第１の画像及び第２の画像を用いて機械学習モデルを訓練することと、
を含む、非一時的コンピュータ可読媒体。
４２．データはデータベース内にある、条項４１に記載の非一時的コンピュータ可読媒体。
４３．データベースは、グラフィックデータベースシステム（ＧＤＳ）、ＯＡＳＩＳ、ＣＩＦ、又は電子設計交換フォーマットのうち任意の１つである、条項４２に記載の非一時的コンピュータ可読媒体。
４４．ＧＤＳはＧＤＳ又はＧＤＳＩＩのうち少なくとも１つを含む、条項４３に記載の非一時的コンピュータ可読媒体。
４５．複数の訓練位置の各々において第１の品質を有する第１の画像を取得するステップは更に、複数の訓練位置の各々において第１の品質を有する２つ以上の第１の画像を取得することを含む、条項４１に記載の非一時的コンピュータ可読媒体。
４６．複数の訓練位置の各々において第２の品質を有する第２の画像を取得するステップは更に、複数の訓練位置の各々において第２の品質を有する２つ以上の第２の画像を取得することを含む、条項４１に記載の非一時的コンピュータ可読媒体。
４７．製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンをパターンの複数のサブセットに分類することを含む、条項４１に記載の非一時的コンピュータ可読媒体。
４８．製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンからフィーチャを抽出することを含む、条項４１から４７のいずれか１項に記載の非一時的コンピュータ可読媒体。
４９．抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項４８に記載の非一時的コンピュータ可読媒体。
５０．複数のパターンをパターンの複数のサブセットに分類することは抽出したフィーチャに基づく、条項４７に記載の非一時的コンピュータ可読媒体。
５１．パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項４７に記載の非一時的コンピュータ可読媒体。
５２．複数の訓練位置を識別することは、視野、局所アライメントポイント、又はオートフォーカスポイントに基づく、条項４１から５１のいずれか１項に記載の非一時的コンピュータ可読媒体。
５３．方法は更に、
第１の画像を取得するための第１のスキャンを含む第１のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を含む、条項４１から５２のいずれか１項に記載の非一時的コンピュータ可読媒体。
５４．方法は更に、
第２の画像を取得するための第２のスキャンを含む第２のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を含む、条項５３に記載の非一時的コンピュータ可読媒体。
５５．第１のスキャンは第１の回数のスキャンを含み、第２のスキャンは第２の回数のスキャンを含み、第２の回数のスキャンは第１の回数のスキャンよりも多い、条項５４に記載の非一時的コンピュータ可読媒体。
５６．第２の画像は任意選択的なユーザ入力によって参照画像として取得される、条項４１から５３のいずれか１項に記載の非一時的コンピュータ可読媒体。
５７．方法は、機械学習モデルを用いて、ある位置の第１の画像を修正してその位置の第２の画像を取得することを更に含み、第２の画像は第１の画像よりも向上した品質を有する、条項４１から５６のいずれか１項に記載の非一時的コンピュータ可読媒体。
５８．複数の訓練位置を識別することは、パターンの各サブセットにおいて１つ以上の訓練位置を識別することを含む、条項４１から５７のいずれか１項に記載の非一時的コンピュータ可読媒体。
５９．品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項４１から５８のいずれか１項に記載の非一時的コンピュータ可読媒体。
６０．方法は更に、
機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正すること、
を含む、条項４１から５９のいずれか１項に記載の非一時的コンピュータ可読媒体。
６１．電子ビーム検査装置であって、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
複数の訓練位置の各々において第１の品質を有する第１の画像を取得することと、
複数の訓練位置の各々において、第１の品質よりも高い第２の品質を有する第２の画像を取得することと、
第１の画像及び第２の画像を用いて機械学習モデルを訓練することと、を電子ビーム検査装置に実行させることと、
を電子ビーム検査装置に実行させる回路を有するコントローラ、
を備える電子ビーム検査装置。
６２．データはデータベース内にある、条項６１に記載の電子ビーム検査装置。
６３．データベースは、グラフィックデータベースシステム（ＧＤＳ）、ＯＡＳＩＳ、又はＣＩＦのうち任意の１つである、条項６２に記載の電子ビーム検査装置。
６４．ＧＤＳはＧＤＳ又はＧＤＳＩＩのうち少なくとも１つを含む、条項６３に記載の電子ビーム検査装置。
６５．複数の訓練位置の各々において第１の品質を有する第１の画像を取得するステップは、複数の訓練位置の各々において第１の品質を有する２つ以上の第１の画像を取得することを含む、条項６１に記載の電子ビーム検査装置。
６６．複数の訓練位置の各々において第２の品質を有する第２の画像を取得するステップは、複数の訓練位置の各々において第２の品質を有する２つ以上の第２の画像を取得することを含む、条項６１に記載の電子ビーム検査装置。
６７．製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンをパターンの複数のサブセットに分類することを含む、条項６１に記載の電子ビーム検査装置。
６８．製品のレイアウトに関するデータの複数のパターンを分析するステップは更に、複数のパターンからフィーチャを抽出することを含む、条項６１から６７のいずれか１項に記載の電子ビーム検査装置。
６９．抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、条項６８に記載の電子ビーム検査装置。
７０．複数のパターンをパターンの複数のサブセットに分類することは抽出したフィーチャに基づく、条項６７に記載の電子ビーム検査装置。
７１．パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、条項６７に記載の電子ビーム検査装置。
７２．複数の訓練位置を識別することは、視野、局所アライメントポイント、又はオートフォーカスポイントに基づく、条項６１から７１のいずれか１項に記載の電子ビーム検査装置。
７３．回路を有するコントローラは、
第１の画像を取得するための第１のスキャンを含む第１のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を更に電子ビーム検査装置に実行させる、条項６１から７２のいずれか１項に記載の電子ビーム検査装置。
７４．回路を有するコントローラは、
第２の画像を取得するための第２のスキャンを含む第２のスキャン経路を、複数の訓練位置のスキャンエリア全体に基づいて決定すること、
を更に電子ビーム検査装置に実行させる、条項７３に記載の電子ビーム検査装置。
７５．第１のスキャンは第１の回数のスキャンを含み、第２のスキャンは第２の回数のスキャンを含み、第２の回数のスキャンは第１の回数のスキャンよりも多い、条項７４に記載の電子ビーム検査装置。
７６．第２の画像は任意選択的なユーザ入力によって参照画像として取得される、条項６１から７３のいずれか１項に記載の電子ビーム検査装置。
７７．回路を有するコントローラは、
機械学習モデルを用いて、ある位置の第１の画像を修正してその位置の第２の画像を取得することを更に電子ビーム検査装置に実行させ、第２の画像は第１の画像よりも向上した品質を有する、条項６１から７６のいずれか１項に記載の電子ビーム検査装置。
７８．複数の訓練位置を識別することは、パターンの各サブセットにおいて１つ以上の訓練位置を識別することを含む、条項６１から７７のいずれか１項に記載の電子ビーム検査装置。
７９．品質は、解像度、コントラスト、輝度、又はノイズレベルを含む、条項６１から７８のいずれか１項に記載の電子ビーム検査装置。
８０．回路を有するコントローラは、
機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正すること、
を更に電子ビーム検査装置に実行させる、条項６１から７９のいずれか１項に記載の電子ビーム検査装置。
８１．データのパターンは製品の走査電子顕微鏡（ＳＥＭ）画像である、条項１に記載の方法。
８２．第２の画像は複数の低品質画像に基づいて取得される、条項１に記載の方法。
８３．第２の画像は複数の低品質画像を平均化することによって取得される、条項１に記載の方法。
８４．第２の画像は複数の低品質画像を組み合わせることによって取得される、条項１に記載の方法。
８５．第１の画像及び第２の画像は１つ以上の走査電子顕微鏡によって取得された画像であり、第２の画像は第１の画像よりも高い品質の画像である、条項１に記載の方法。
８６．第２の画像は、第１の画像に比べて高い解像度、高いコントラスト、高い輝度、又は低いノイズレベルを有する、条項８５に記載の方法。
８７．データのパターンは製品の走査電子顕微鏡（ＳＥＭ）画像である、条項２１に記載の装置。
８８．第２の画像は複数の低品質画像に基づいて取得される、条項２１に記載の装置。
８９．第２の画像は複数の低品質画像を平均化することによって取得される、条項２１に記載の装置。
９０．第２の画像は複数の低品質画像を組み合わせることによって取得される、条項２１に記載の装置。
９１．データのパターンは製品の走査電子顕微鏡（ＳＥＭ）画像である、条項４１に記載の非一時的コンピュータ可読媒体。
９２．第２の画像は複数の低品質画像に基づいて取得される、条項４１に記載の非一時的コンピュータ可読媒体。
９３．第２の画像は複数の低品質画像を平均化することによって取得される、条項４１に記載の非一時的コンピュータ可読媒体。
９４．第２の画像は複数の低品質画像を組み合わせることによって取得される、条項４１に記載の非一時的コンピュータ可読媒体。
９５．データのパターンは製品の走査電子顕微鏡（ＳＥＭ）画像である、条項６１に記載の電子ビーム検査装置。
９６．第２の画像は複数の低品質画像に基づいて取得される、条項６１に記載の電子ビーム検査装置。
９７．第２の画像は複数の低品質画像を平均化することによって取得される、条項６１に記載の電子ビーム検査装置。
９８．第２の画像は複数の低品質画像を組み合わせることによって取得される、条項６１に記載の電子ビーム検査装置。

[0074] 例示的な態様又は実施形態は、方法、装置（システム）、及びコンピュータプログラム製品のフローチャート図又はブロック図を参照して上述されている。フローチャート図又はブロック図の各ブロック、及びフローチャート図又はブロック図におけるブロックの組み合わせは、コンピュータプログラム製品又はコンピュータプログラム製品上の命令によって実施できることは理解されよう。これらのコンピュータプログラム製品が、コンピュータのプロセッサ又はマシンを生成する他のプログラマブルデータ処理装置に提供されることで、命令がそのコンピュータのプロセッサ又は他のプログラマブルデータ処理装置により実行されて、フローチャート図又はブロック図の１又は複数のブロックに指定された機能／行為を実施するための手段を生成できる。

[0075] また、これらのプログラム命令はコンピュータ可読媒体に記憶されて、コンピュータのハードウェアプロセッサコア、他のプログラマブルデータ処理装置、又は他のデバイスに特定のやり方で機能するよう指示することで、コンピュータ可読媒体に記憶された命令が、フローチャート図又はブロック図の１又は複数のブロックに指定された機能／行為を実施する命令を含む製造品（article of manufacture）を形成できる。

[0076] また、コンピュータプログラム命令は、コンピュータ、他のプログラマブルデータ処理装置、又は他のデバイスにロードされて、そのコンピュータ、他のプログラマブルデータ処理装置、又は他のデバイス上で一連の動作ステップを実行させてコンピュータ実施プロセスを生成することで、そのコンピュータ又は他のプログラマブル装置上で実行される命令が、フローチャート又はブロック図の１又は複数のブロックに指定される機能／行為を実施するためのプロセスを提供できる。

[0077] １以上のコンピュータ可読媒体の任意の組み合わせを使用できる。コンピュータ可読媒体は非一時的コンピュータ可読記録媒体とすることができる。コンピュータ可読記録媒体は、限定ではないが、例えば、電子、磁気、光学、電磁気、赤外線、又は半導体によるシステム、装置、又はデバイス、又は前述のものの任意の適切な組み合わせとすればよい。コンピュータ可読記録媒体の更に具体的な例（非網羅的なリスト）には、１つ以上のワイヤを有する電気接続、携帯型コンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＭ、ＥＥＰＲＯＭ、又はフラッシュメモリ）、光ファイバ、クラウドストレージ、携帯型コンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、光学ストレージデバイス、磁器ストレージデバイス、又は前述のものの任意の適切な組み合わせが含まれる。この文書の文脈において、コンピュータ可読記録媒体は、命令実行システム、装置、又はデバイスによって又はそれらに接続して使用されるプログラムを含むか又は記憶することができる任意のタンジブルな媒体であり得る。

[0078] コンピュータ可読媒体上で具現化されるプログラムコードは、限定ではないが、無線、有線、光ファイバケーブル、ＲＦ、ＩＲ等、又は前述のものの任意の適切な組み合わせを含む任意の適切な媒体を用いて伝送することができる。

[0079] 例示的な実施形態の動作を実行するためのコンピュータプログラムコードは、Ｊａｖａ、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋等のオブジェクト指向プログラミング言語、及び、「Ｃ」プログラミング言語又は同様のプログラミング言語等の従来の手続き型プログラミング言語を含む、１つ以上のプログラミング言語の任意の組み合わせで記述できる。プログラムコードは、全体的にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロンのソフトウェアパッケージとして、部分的にユーザのコンピュータ上で、かつ部分的にリモートコンピュータ上で、又は全体的にリモートコンピュータもしくはサーバ上で、実行することができる。後者の状況では、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）又はワイドエリアネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザのコンピュータに接続するか、又は、外部コンピュータに接続を行うことができる（例えば、インターネットサービスプロバイダを用いてインターネットを介して）。

[0080] 図面におけるフローチャート及びブロック図は、様々な実施形態に従ったシステム、方法、及びコンピュータプログラム製品の可能な実施例のアーキテクチャ、機能性、及び動作の例を示している。この点で、フローチャート又はブロック図における各ブロックは、１又は複数の指定された論理機能を実施するための１つ以上の実行可能命令を含むコードのモジュール、セグメント、又は部分を表すことができる。また、いくつかの代替的な実施例において、ブロック内に示された機能は図に記されたものとは異なる順序で発生し得ることに留意するべきである。例えば、関連する機能性に応じて、連続して示されている２つのブロックは実際には実質的に同時に実行されるか、又は、これらのブロックは逆の順序で実行されることもあり得る。また、ブロック図又はフローチャート図の各ブロック、及びブロック図又はフローチャート図におけるブロックの組み合わせは、指定された機能もしくは行為を実行する特殊用途ハードウェアベースシステムによって、又は、特殊用途ハードウェアとコンピュータ命令の組み合わせによって実施され得ることに留意するべきである。

[0081] 記載されている実施形態は相互に排他的でなく、１つの例示的な実施形態に関連付けて記載される要素、コンポーネント、材料、又はステップは、所望の設計目的を達成するため、適切な手法で他の実施形態と組み合わされ得るか又は他の実施形態から排除され得ることは理解されよう。

[0082] 本明細書において、「いくつかの態様」、「いくつかの実施形態」、又は「いくつかの例示的な実施形態」という場合、実施形態に関連付けて記載される特定の特徴部、構造、又は特徴が、少なくとも１つの態様又は１つの実施形態に含まれ得ることを意味する。本明細書の様々な箇所において、「一態様」、「いくつかの態様」、「一実施形態」、「いくつかの実施形態」、又は「いくつかの例示的な実施形態」という語句が現れる場合は、必ずしも全てが同一の実施形態を指すわけではなく、また、別個の又は代替的な実施形態は必ずしも相互に他の実施形態を除外するわけでもない。

[0083] 本明細書に記載されている例示的な方法のステップは必ずしも記載された順序で実行される必要はなく、そのような方法のステップの順序は単なる例示に過ぎないと理解するべきである。同様に、そのような方法に追加ステップを含めることも可能であり、様々な実施形態に従った方法において特定のステップを省略すること又は組み合わせることも可能である。

[0084] 本明細書で用いる場合、特に他の指示がない限り、「又は（or）」という用語は、実行不可能な場合を除いて、全ての可能な組み合わせを包含する。例えば、あるコンポーネントがＡ又はＢを含み得ると記載されている場合、特に他の指示がない限り、又は実行不可能な場合を除いて、そのコンポーネントは、Ａを含むか、又はＢを含むか、又はＡ及びＢを含むことができる。第２の例として、あるコンポーネントがＡ、Ｂ、又はＣを含み得ると記載されている場合、特に他の指示がない限り、又は実行不可能な場合を除いて、そのコンポーネントは、ＡもしくはＢもしくはＣを含むか、又はＡ及びＢを含むか、又はＡ及びＣを含むか、又はＢ及びＣを含むか、又はＡ及びＢ及びＣを含むことができる。

[0085] 本出願で使用される場合、「例示的な」という用語は、一例、事例、又は例示として機能するように用いられる。本明細書で「例示的な」と記載される態様又は設計は、必ずしも他の態様又は設計よりも好適であるか又は有利であるとは解釈されない。この用語の使用は、概念を具体的に提示することが意図される。

[0086] 更に、本明細書及び添付の特許請求の範囲で用いられる場合、冠詞「a（１つの）」及び「an（１つの）」は一般に、他の意味が示される場合を除いて、又は単数形を対象とすることが文脈から明らかである場合を除いて、「１つ以上の」を意味すると解釈されるべきである。

[0087] 明らかに他の意味が示される場合を除いて、各数値及び各範囲は、その数値又は範囲の値の前に「ほぼ（about）」又は「約（approximately）」という用語が存在する場合のように、近似として解釈するべきである。

[0088] 特許請求の範囲における図の番号又は図の参照符号の使用は、特許請求される主題の１つ以上の可能な実施形態を識別して特許請求の範囲の解釈を容易にすることが意図されている。このような使用は、必ずしも、特許請求の範囲を対応する図に示された実施形態に限定すると解釈されるものではない。

[0089] 以下の方法クレームにおける要素は、存在する場合、対応する標示と共に特定の順序で列挙されるが、それらの要素のいくつか又は全てを実施する特定の順序が特許請求の範囲の記述によって暗示される場合を除いて、それらの要素は必ずしもその特定の順序で実施するよう限定されることは意図されない。

[0090] 更に、以下の特許請求の範囲に表された範囲から逸脱することなく、当業者によって、記載されている態様又は実施形態の性質を説明するため、記載及び図示された部分の詳細、材料、及び配置に様々な変更を実施できることは理解されよう。

Claims

画像品質を改善する機械学習モデルを訓練するための訓練画像を自動的に取得するための装置であって、
メモリと、
前記メモリに結合された少なくとも１つのプロセッサであって、
製品のレイアウトに関するデータの複数のパターンを分析して、前記機械学習モデルの訓練に関連して使用される複数の訓練位置を識別し、
前記複数の訓練位置の各々において、第１のスキャンによって第１の品質を有する第１の画像を取得し、
前記複数の訓練位置の各々において、前記第１のスキャンよりも回数の多い第２のスキャンによって前記第１の品質よりも高い第２の品質を有する第２の画像を取得し、
前記第１の画像及び前記第２の画像を用いて前記機械学習モデルを訓練し、
前記機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正する、
ように構成された少なくとも１つのプロセッサと、
を備え、
前記製品のレイアウトに関するデータの複数のパターンを分析して前記複数の訓練位置を識別することは、
前記複数のパターンからフィーチャを抽出することと、
前記抽出したフィーチャに基づいて前記複数のパターンをパターンの複数のサブセットに分類することと、
パターンの各サブセットにおいて１つ以上の訓練位置を識別することと、
を含む、
装置。
前記データはデータベース内にある、請求項１に記載の装置。
前記データベースは、グラフィックデータベースシステム（ＧＤＳ）、ＯＡＳＩＳ、又はＣＩＦのうち任意の１つである、請求項２に記載の装置。
前記ＧＤＳはＧＤＳフォーマットのデータ又はＧＤＳＩＩフォーマットのデータを含む、請求項３に記載の装置。
前記少なくとも１つのプロセッサは更に、前記複数の訓練位置の各々において第１の品質を有する２つ以上の第１の画像を取得するように構成されている、請求項１に記載の装置。
前記少なくとも１つのプロセッサは更に、前記複数の訓練位置の各々において第２の品質を有する２つ以上の第２の画像を取得するように構成されている、請求項１に記載の装置。
前記抽出されたフィーチャは、形状、サイズ、密度、又は近傍レイアウトを含む、請求項１に記載の装置。
前記パターンの複数のサブセットの各サブセットは、位置、タイプ、形状、サイズ、密度、又は近傍レイアウトに関する情報に関連付けられている、請求項１に記載の装置。
前記少なくとも１つのプロセッサは更に、視野、局所アライメントポイント、又はオートフォーカスポイントに基づいて前記複数の訓練位置を識別するように構成されている、請求項１に記載の装置。
前記少なくとも１つのプロセッサは更に、
前記第１の画像を取得するための前記第１のスキャンを含む第１のスキャン経路を、前記複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、請求項１に記載の装置。
前記少なくとも１つのプロセッサは更に、
前記第２の画像を取得するための前記第２のスキャンを含む第２のスキャン経路を、前記複数の訓練位置のスキャンエリア全体に基づいて決定する、
ように構成されている、請求項１０に記載の装置。
デバイスに方法を実行させるため、前記デバイスのコントローラによって実行可能な命令のセットを記憶する非一時的コンピュータ可読媒体であって、前記方法は、
製品のレイアウトに関するデータの複数のパターンを分析して、機械学習モデルの訓練に関連して使用される複数の訓練位置を識別することと、
前記複数の訓練位置の各々において、第１のスキャンによって第１の品質を有する第１の画像を取得することと、
前記複数の訓練位置の各々において、前記第１のスキャンよりも回数の多い第２のスキャンによって前記第１の品質よりも高い第２の品質を有する第２の画像を取得することと、
前記第１の画像及び前記第２の画像を用いて前記機械学習モデルを訓練することと、
前記機械学習モデルを用いて、多数回のスキャンで得られる結果を近似するように画像を修正することと、
を含み、
前記製品のレイアウトに関するデータの複数のパターンを分析して前記複数の訓練位置を識別することは、
前記複数のパターンからフィーチャを抽出することと、
前記抽出したフィーチャに基づいて前記複数のパターンをパターンの複数のサブセットに分類することと、
パターンの各サブセットにおいて１つ以上の訓練位置を識別することと、
を含む、
非一時的コンピュータ可読媒体。