KR102476683B1 - 치수 계측 장치, 치수 계측 프로그램 및 반도체 제조 시스템 - Google Patents
치수 계측 장치, 치수 계측 프로그램 및 반도체 제조 시스템 Download PDFInfo
- Publication number
- KR102476683B1 KR102476683B1 KR1020207009875A KR20207009875A KR102476683B1 KR 102476683 B1 KR102476683 B1 KR 102476683B1 KR 1020207009875 A KR1020207009875 A KR 1020207009875A KR 20207009875 A KR20207009875 A KR 20207009875A KR 102476683 B1 KR102476683 B1 KR 102476683B1
- Authority
- KR
- South Korea
- Prior art keywords
- image
- cross
- semiconductor device
- coordinates
- model
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 90
- 239000004065 semiconductor Substances 0.000 title claims description 75
- 238000004519 manufacturing process Methods 0.000 title claims description 10
- 238000012545 processing Methods 0.000 claims description 191
- 230000011218 segmentation Effects 0.000 claims description 47
- 238000000034 method Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 23
- 238000002372 labelling Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000001878 scanning electron micrograph Methods 0.000 claims description 10
- 238000003917 TEM image Methods 0.000 claims 2
- 239000000463 material Substances 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 13
- 239000000758 substrate Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 239000003086 colorant Substances 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000000205 acacia gum Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000000196 tragacanth Substances 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Image Analysis (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
본 개시는, 치수 계측에 요하는 시간의 단축과 오퍼레이터 기인의 오차를 배제하는 치수 계측 장치에 관한 것이다. 이 때문에, 단면 화상 전체에 걸쳐서 가공 구조와 배경 사이의 경계선 및/또는 이종(異種) 재료 사이의 계면의 경계선을 추출하는 제1 화상 인식 모델과, 제1 화상 인식 모델로부터 얻어지는 단면 화상 전체에 걸친 경계선을, 반복 패턴을 구성하는 단위 패턴마다 구분하기 위한 정보를 출력하는 제2 화상 인식 모델을 이용해서, 단위 패턴마다 미리 정의된 복수의 특징점의 좌표를 구하고, 복수의 특징점 중 소정의 2점 간의 거리로서 정의되는 치수를 계측한다.
Description
본 발명은, 처리 장치에 의한 처리 결과를 계측하는 치수 계측 장치, 치수 계측 프로그램, 및 치수 계측 장치와 처리 조건 탐색 장치를 갖는 반도체 제조 시스템에 관한 것이다.
최근, 반도체 디바이스의 성능 향상을 위하여, 반도체 디바이스에 신재료가 도입되고, 동시에 반도체 디바이스의 구조가 입체화·복잡화되고 있다. 또한, 현재의 첨단 반도체 디바이스의 가공에서는, 나노미터 레벨의 정밀도가 요구된다. 이 때문에, 반도체 처리 장치는 다종의 재료를 각종 형상으로 극히 고정밀도로 가공할 수 있을 필요가 있고, 필연적으로 다수의 제어 파라미터(입력 파라미터)를 구비한 장치로 되어 있다.
대표적인 반도체 처리 장치인 에칭 장치에서는, 플라스마 방전을 제어하기 위한 설정 항목수는 30 이상 있다. 이들 설정값을 고정했을 때의 방전을 1스텝으로 하면, 서로 다른 설정값을 갖는 스텝을 차례대로 전환하면서 가공이 진행된다. 첨단 프로세스에서는, 하나의 가공 공정에 있어서 통상이어도 10스텝 이상, 많은 경우에는 30스텝 이상이 이용되고 있고, 스텝의 조합 및 스텝 내의 모든 설정값을 최적화하기 위하여 수백 조건의 가공 시험도 행해지고 있다. 장치 성능을 끌어내기 위한 노하우와 높은 장치 운용 스킬을 갖는 엔지니어의 수는 한정되어 있어, 이후에는 조건 도출이나 장치 운용이 예정대로 진행되지 않는 케이스가 늘어갈 것으로 예상된다.
이 과제에 대하여, 특허문헌 1에서는 최적의 가공 조건을 자동 탐색하는 방법이 제안되어 있다. 이것에 의해, 엔지니어의 시행 착오에 의지하고 있던 종래의 방법에 비해서, 현격히 공정수를 삭감할 수 있다.
또한, 특허문헌 2, 특허문헌 3은 패턴의 단면 화상으로부터의 치수 계측에 대해서 개시하는 선행기술문헌이다. 특허문헌 2는, 화상의 휘도값으로부터 윤곽선을 구하고, 패턴 단면의 상부와 하부의 2점의 좌표값을 이용하여, 단면 SEM(Scanning Electron Microscope) 화상 특유의 백색 셰이드 부분의 신호 성분을 수동으로 제거함에 의해, 측벽 각도의 측정 정밀도를 향상시키고 있다. 특허문헌 3은, 단면 SEM 화상의 휘도값의 변화로부터 에지 포인트를 구하고, 패턴의 각 변을 근사하는 직선을 산출함에 의해, 각 변의 각도·길이의 측정에 있어서의 오퍼레이터 의존을 줄이고 있다.
특허문헌 1의 방법에 있어서 계산 시간 이외에 공정수가 소요되는 것이, 단면 SEM 화상으로부터의 치수 계측 공정이다. 현상황은 치수 계측을 수작업으로 행하는 경우가 많지만, 첨단 프로세스에 적용하는 경우에는 구조가 복잡해지고, 화상 1매당의 측정점 수도 늘어나므로, 사람 손으로 행하는 치수 추출은 한계에 달하여 있다.
또한, 원하는 구조를 실현하는 프로세스를 단기간에 구축하기 위해서는, 기존의 팽대한 실험 데이터 중에서 유사한 구조를 검색·참조할 필요가 있지만, 그때에는 가공 형상이 수치화된 데이터베이스가 필요하다. 그러나, 현상황에서는 구조의 수치화를 수작업으로 행하는 경우가 많다. 또한, 조건 도출을 진행하는 도중에, 당초 계획하고 있던 위치보다도 중요한 계측 개소가 발견되었을 경우, 전체 화상의 재계측이 필요하게 된다. 자동으로 치수 추출을 할 수 있으면, 소요 시간은 크게 단축됨과 함께, 보다 정확한 가공 형상을 파악하는 것이 가능하게 된다. 또한, 추출 결과를 화상에 표시해서 출력함으로써, 추출에 문제가 없는지를 시각적으로 판단할 수 있다. 이와 같이 자동화에 의한 메리트는 매우 크다.
수동에 의한 계측에서는 계측값에 오퍼레이터 의존성이 발생한다. 또한, 라인/스페이스의 단위 패턴이 반복되고 있는 화상이어도, 개개의 패턴마다 하나하나 계측하기 때문에, 계측값의 통계량에는 프로세스 불균일 이외에 인적 오차도 가산되는 것 등의 과제가 있다.
특허문헌 2나 특허문헌 3에 개시되어 있는 방법은, 오퍼레이터 의존성을 어느 정도 줄일 수 있지만, 눈으로 보는 것에 의한 조작을 수반하기 때문에, 오퍼레이터 의존성은 여전히 남아 있다. 또한, 1매씩 화상을 보면서 계측하기 때문에, 작업 시간을 요한다. 또한, 추후 치수 계측 개소를 추가·변경하고 싶은 경우에는, 화상 취득을 최초부터 다시 하거나, 화상으로부터 눈으로 보고 측정할 필요가 있다.
단면 SEM 화상에는, 밝기가 화상마다 서로 다른 것, 치수 계측에는 불필요한 안쪽의 구조가 찍혀 있는 것, 치수를 계측하고 싶은 이종(異種) 재료 계면의 경계가 불명료한 것과 같은 측장 SEM(Critical Dimensional SEM) 화상에는 없는 치수 계측의 곤란함이 있다. 이 때문에, 휘도값을 이용한 에지 검출법에 의거한 특허문헌 2 및 특허문헌 3의 방법에서는, 화상마다 문턱값 등의 파라미터 튜닝을 필요로 하거나, 계면 위치를 눈으로 보고 판단해서 지정하는 것 등의 조작이 필요하다. 눈으로 보는 것에 의한 조정이 불필요한 완전 자동 계측을 실현하기 위해서는, 국소적인 휘도 분포가 아닌, 화상에 찍혀 있는 개개의 물체의 영역을 인식함에 의해, 물체의 윤곽을 추출할 필요가 있다. 이와 같은 눈으로 보는 것과 동등 혹은 그 이상의 성능을 갖는 화상 인식은, 기계 학습, 특히 심층 학습을 이용한 화상 인식 기술을 응용함에 의해 실현할 수 있다고 생각할 수 있다.
본 발명은, 기계 학습, 특히 심층 학습에 의한 화상 인식 기술을 이용해서, 단면 SEM으로부터 원하는 치수를 자동으로 계측함에 의해, 치수 계측 시간의 단축과 오퍼레이터 기인의 오차를 포함하지 않는 계측 방법을 실현하는 것을 목적으로 한다.
본 발명의 일 태양인, 반복 패턴을 갖는 반도체 디바이스의 단면 화상으로부터 반도체 디바이스의 치수를 계측하는 치수 계측 장치는, 프로세서와, 메모리와, 메모리에 저장되고, 프로세서로 실행됨에 의해, 반도체 디바이스의 치수를 계측하는 치수 계측 프로그램을 갖고, 치수 계측 프로그램은, 모델 추정부와 치수 계측부를 갖고, 모델 추정부는, 제1 화상 인식 모델에 의해, 단면 화상에 대해서 영역별로 라벨 부여한 라벨 부여 화상을 출력하고, 제2 화상 인식 모델에 의해, 단면 화상에 있어서 반복 패턴을 구성하는 단위 패턴 각각이 위치하는 좌표를 출력하고, 치수 계측부는, 라벨 부여 화상 및 단위 패턴 각각이 위치하는 좌표를 이용해서, 단위 패턴마다 미리 정의된 복수의 특징점의 좌표를 구하고, 복수의 특징점 중의 소정의 2점 간의 거리로서 정의되는 치수를 계측한다.
또한, 본 발명의 다른 일 태양인, 반복 패턴을 갖는 반도체 디바이스의 단면 화상으로부터 반도체 디바이스의 치수를 계측하는 치수 계측 장치로서, 프로세서와, 메모리와, 메모리에 저장되고, 프로세서로 실행됨에 의해, 반도체 디바이스의 치수를 계측하는 치수 계측 프로그램을 갖고, 치수 계측 프로그램은, 모델 추정부와 치수 계측부를 갖고, 모델 추정부는, 제1 화상 인식 모델에 의해, 단면 화상을, 윤곽선과 배경에 라벨 부여한 제1 라벨 부여 화상을 출력하고, 제2 화상 인식 모델에 의해, 단면 화상을, 반복 패턴을 구성하는 단위 패턴에 있어서 정의되는 제1 복수의 특징점과 배경에 라벨 부여한 제2 라벨 부여 화상을 출력하고, 치수 계측부는, 제1 라벨 부여 화상으로부터의 윤곽선의 좌표 및 제2 라벨 부여 화상으로부터의 제1 복수의 특징점의 좌표를 이용해서 제2 복수의 특징점의 좌표를 구하고, 제1 복수의 특징점 중의 소정의 점과 제2 복수의 특징점 중의 소정의 점 사이의 거리로서 정의되는 치수를 계측한다.
오퍼레이터 의존성을 저감한 고속의 치수 계측을 실현할 수 있다. 전술한 이외의 과제, 구성 및 효과는, 이하의 실시예의 설명에 의해 명백해진다.
도 1은 반도체 제조 시스템의 시스템 구성예를 나타내는 도면.
도 2는 처리 조건 탐색 장치의 시스템 구성예를 나타내는 도면.
도 3은 치수 계측 장치의 하드웨어 구성을 나타내는 블록도.
도 4는 시맨틱·세그멘테이션 모델의 일례를 나타내는 도면.
도 5는 물체 검출 모델의 일례를 나타내는 도면.
도 6은 치수 계측 장치가 입력 화상으로부터 치수를 계측하는 플로차트(실시예 1).
도 7은 처리 조건 탐색 장치가 처리 조건을 탐색하는 플로차트.
도 8은 입력 데이터 세트(단면 화상)의 예.
도 9는 치수 계측 개소의 예.
도 10은 바운딩·박스의 좌표계를 설명하기 위한 도면.
도 11은 물체 검출 모델의 학습에 이용하는 어노테이션 데이터의 기술예.
도 12는 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터의 예.
도 13은 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터에 있어서의 라벨명·라벨 번호·색의 대응 관계를 나타내는 테이블.
도 14는 학습 스텝 시에 표시되는 GUI 화면의 예.
도 15는 치수를 계측하는 테스트 화상의 예.
도 16은 학습 완료 물체 검출 모델에 테스트 화상을 입력해서 얻어진 물체 검출 결과를 나타내는 도면.
도 17은 학습 완료 물체 검출 모델에 테스트 화상을 입력해서 얻어진 바운딩·박스의 좌표를 기재한 테이블.
도 18은 학습 완료 시맨틱·세그멘테이션 모델에 테스트 화상을 입력해서 얻어진 시맨틱·세그멘테이션 결과를 나타내는 도면.
도 19는 테스트 화상 상에 바운딩·박스와 치수 계측 결과를 나타낸 도면.
도 20은 패턴마다 계측된 치수값을 기재한 테이블.
도 21은 추론·계측 스텝 시에 표시되는 GUI 화면의 예.
도 22는 목표 형상 탐색 스텝 시에 표시되는 GUI 화면의 예.
도 23은 치수 계측 장치가 입력 화상으로부터 치수를 계측하는 플로차트(실시예 2).
도 24는 윤곽선을 검출하는 제1 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 화상의 예.
도 25는 제1 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 화상에 있어서의 라벨명·라벨 번호·색의 대응 관계를 나타내는 테이블.
도 26은 특징점을 검출하는 제2 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터의 예.
도 27은 제2 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터에 있어서의 라벨명·라벨 번호·색의 대응 관계를 나타내는 테이블.
도 28은 학습 스텝 시에 표시되는 GUI 화면의 예.
도 29는 학습 완료의 제1 시맨틱·세그멘테이션 모델에 테스트 화상을 입력해서 얻어진 윤곽선 검출 결과를 나타내는 도면.
도 30은 학습 완료의 제2 시맨틱·세그멘테이션 모델에 테스트 화상을 입력해서 얻어진 특징점 검출 결과를 나타내는 도면.
도 31은 검출한 특징점의 좌표로부터 치수 계측에 필요한 다른 특징점의 좌표를 구하는 방법을 설명하는 도면.
도 32는 추론·계측 스텝 시에 표시되는 GUI 화면의 예.
도 33은 형상 비교 스텝 시에 표시되는 GUI 화면의 예.
도 2는 처리 조건 탐색 장치의 시스템 구성예를 나타내는 도면.
도 3은 치수 계측 장치의 하드웨어 구성을 나타내는 블록도.
도 4는 시맨틱·세그멘테이션 모델의 일례를 나타내는 도면.
도 5는 물체 검출 모델의 일례를 나타내는 도면.
도 6은 치수 계측 장치가 입력 화상으로부터 치수를 계측하는 플로차트(실시예 1).
도 7은 처리 조건 탐색 장치가 처리 조건을 탐색하는 플로차트.
도 8은 입력 데이터 세트(단면 화상)의 예.
도 9는 치수 계측 개소의 예.
도 10은 바운딩·박스의 좌표계를 설명하기 위한 도면.
도 11은 물체 검출 모델의 학습에 이용하는 어노테이션 데이터의 기술예.
도 12는 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터의 예.
도 13은 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터에 있어서의 라벨명·라벨 번호·색의 대응 관계를 나타내는 테이블.
도 14는 학습 스텝 시에 표시되는 GUI 화면의 예.
도 15는 치수를 계측하는 테스트 화상의 예.
도 16은 학습 완료 물체 검출 모델에 테스트 화상을 입력해서 얻어진 물체 검출 결과를 나타내는 도면.
도 17은 학습 완료 물체 검출 모델에 테스트 화상을 입력해서 얻어진 바운딩·박스의 좌표를 기재한 테이블.
도 18은 학습 완료 시맨틱·세그멘테이션 모델에 테스트 화상을 입력해서 얻어진 시맨틱·세그멘테이션 결과를 나타내는 도면.
도 19는 테스트 화상 상에 바운딩·박스와 치수 계측 결과를 나타낸 도면.
도 20은 패턴마다 계측된 치수값을 기재한 테이블.
도 21은 추론·계측 스텝 시에 표시되는 GUI 화면의 예.
도 22는 목표 형상 탐색 스텝 시에 표시되는 GUI 화면의 예.
도 23은 치수 계측 장치가 입력 화상으로부터 치수를 계측하는 플로차트(실시예 2).
도 24는 윤곽선을 검출하는 제1 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 화상의 예.
도 25는 제1 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 화상에 있어서의 라벨명·라벨 번호·색의 대응 관계를 나타내는 테이블.
도 26은 특징점을 검출하는 제2 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터의 예.
도 27은 제2 시맨틱·세그멘테이션 모델의 학습에 이용하는 어노테이션 데이터에 있어서의 라벨명·라벨 번호·색의 대응 관계를 나타내는 테이블.
도 28은 학습 스텝 시에 표시되는 GUI 화면의 예.
도 29는 학습 완료의 제1 시맨틱·세그멘테이션 모델에 테스트 화상을 입력해서 얻어진 윤곽선 검출 결과를 나타내는 도면.
도 30은 학습 완료의 제2 시맨틱·세그멘테이션 모델에 테스트 화상을 입력해서 얻어진 특징점 검출 결과를 나타내는 도면.
도 31은 검출한 특징점의 좌표로부터 치수 계측에 필요한 다른 특징점의 좌표를 구하는 방법을 설명하는 도면.
도 32는 추론·계측 스텝 시에 표시되는 GUI 화면의 예.
도 33은 형상 비교 스텝 시에 표시되는 GUI 화면의 예.
본 실시예에 있어서는, 반복 패턴을 갖는 반도체 디바이스의 단면 화상으로부터 반도체 디바이스의 치수를 계측하기 위하여 2개의 화상 인식 모델을 이용하는 것으로 한다. 또, 여기에서 반도체 디바이스란 완성품뿐만 아니라, 가공 도중의 반도체 디바이스도 포함하고, 웨이퍼의 상태인지, 개별적으로 분리된 칩의 상태인지도 불문한다. 제1 화상 인식 모델은, 단면 화상 전체에 걸친 가공 구조와 배경 사이의 경계선 및/또는 이종 재료 사이의 계면의 경계선을 추출하는 화상 인식 모델이다. 제2 화상 인식 모델은, 제1 화상 인식 모델로부터 얻어지는 단면 화상 전체에 걸친 경계선을, 반복 패턴을 구성하는 단위 패턴마다 구분하기 위한 정보를 출력하는 화상 인식 모델이다. 이것에 의해, 오퍼레이터의 눈으로 보는 것에 의한 조정을 필요로 하지 않고, 단면 SEM 화상으로부터 소정의 치수값을 자동으로 계측하는 것이 가능하게 된다.
이하, 본 발명의 실시형태를 첨부 도면에 의거해서 설명한다.
실시예 1
실시예 1에서는, 가공 구조와 배경 사이의 경계선 및 이종 재료 사이의 계면의 경계선의 좌표를 추출하기 위하여 시맨틱·세그멘테이션 모델(제1 화상 인식 모델)과, 단위 패턴의 좌표를 검출하기 위하여 물체 검출 모델(제2 화상 인식 모델)의 2종류의 화상 인식 기술을 이용한다.
사전의 학습 스텝에서는, 시맨틱·세그멘테이션 모델에는, 입력 데이터인 단면 SEM 화상과, 출력 데이터인 영역마다 채색 구별한 어노테이션 화상을, 교사 데이터로서 줘서, 영역의 형상을 학습시킨다. 또한, 물체 검출 모델에는, 입력 데이터인 단면 SEM 화상과, 출력 데이터인 단위 패턴의 좌표(패턴을 둘러싸는 직사각형의 바운딩·박스로 지정한다)를 기재한 어노테이션 데이터를, 교사 데이터로서 줘서, 단위 패턴 형상을 학습시킨다.
추론 스텝에서는, 주어진 입력 화상에 대하여, 학습 완료 시맨틱·세그멘테이션 모델에서 영역마다 채색 구별한 화상을 추정하고, 학습 완료 물체 검출 모델에서 단위 패턴의 좌표를 추정한다.
계측 스텝에서는, 영역마다 채색 구별한 화상으로부터 얻어지는 영역 경계선의 좌표를, 단위 패턴 좌표를 이용해서 패턴마다 분할하고, 치수 계측에 필요한 특징점의 좌표를 구함에 의해, 원하는 개소의 치수를 자동으로 계측한다.
도 1은, 반도체 제조 시스템의 시스템 구성예를 나타내는 도면이다. 반도체 제조 시스템(10)은, 처리 조건 탐색 장치(100)와, 입력 장치(103)와, 출력 장치(114)와, 처리 장치(111)와, 평가 장치(112)와, 치수 계측 장치(200)와, 입출력 장치(206)를 갖는다. 유저는, 목표 처리 결과(가공 형상)와 처리 장치(111)에서 이용하는 파라미터(101)를 선택해서 입력 장치(103)로부터 입력하고, 출력 장치(114)로부터 목표 가공 형상을 주는 최적 처리 조건(102)을 출력으로서 얻는다.
처리 조건 탐색 장치(100)는, 입력 장치(103)로부터 목표 가공 형상(101)을 접수하고, 처리 장치(111)가 최적으로 목표 가공 형상을 얻는 것이 가능한 처리 조건을 탐색하고, 탐색한 처리 조건을 출력 장치(114)에 출력하는 장치이다.
입력 장치(103)는, GUI 등의 입력 인터페이스와 카드 리더 등의 기억 매체 판독 장치를 구비하고, 처리 조건 탐색 장치(100)에 데이터를 입력한다. 또한, 유저로부터 뿐만 아니라, 입출력 장치(206)로부터 치수 계측값도 마찬가지로 접수하고, 처리 조건 탐색 장치(100)에 입력한다. 입력 장치(103)는, 예를 들면, 키보드, 마우스, 터치패널, 기억 매체 판독 장치 등을 포함한다.
출력 장치(114)는, 처리 조건 탐색 장치(100)로부터 넘겨진 처리 조건을, 최적 처리 조건(102)으로서 유저에게 표시한다. 표시하는 수단으로서는, 디스플레이에의 표시, 또는 파일에의 작성 등이다. 출력 장치(114)는, 예를 들면, 디스플레이, 프린터, 기억 매체 작성 장치 등을 포함한다.
처리 장치(111)는, 반도체 또는 반도체를 포함하는 반도체 디바이스를 처리하는 장치이다. 처리 장치(111)의 처리의 내용은 특별히 한정되지 않는다. 예를 들면, 리소그래피 장치, 성막 장치, 패턴 가공 장치를 포함한다. 리소그래피 장치에는, 예를 들면, 노광 장치, 전자선 묘화 장치, X선 묘화 장치를 포함한다. 성막 장치는, 예를 들면 CVD(Chemical Vapor Deposition), PVD(Physical Vapor Deposition), 증착 장치, 스퍼터링 장치, 열산화 장치를 포함한다. 패턴 가공 장치는, 예를 들면, 웨트 에칭 장치, 드라이 에칭 장치, 전자빔 가공 장치, 레이저 가공 장치를 포함한다. 처리 장치(111)는, 처리 조건 탐색 장치(100)로부터 입력된 처리 조건에 의거하여 반도체 또는 반도체 디바이스의 처리를 행하고, 평가 장치(112)에 넘긴다.
평가 장치(112)는, 처리 장치(111)에서 처리된 반도체 또는 반도체 디바이스의 단면을 촬영해서, 처리 결과인 단면 화상(208)을 취득한다. 평가 장치(112)는, SEM, TEM(Transmission Electron Microscope), 광학식 모니터를 이용한 가공 치수 계측 장치를 포함한다. 처리 장치(111)에서 처리된 반도체 또는 반도체 디바이스의 일부를 단편으로서 취출하고, 그 단편을 평가 장치(112)에 운반해서 계측해도 된다. 취득한 단면 화상(208)은, 입출력 장치(206)에 넘겨진다.
치수 계측 장치(200)는, 중앙 처리부(201), 모델 학습부(202), 모델 추정부(203), 치수 계측부(204)와 데이터베이스(205)를 갖는다. 입출력 장치(206)를 통해서 입력된 특징점과 치수의 정의, 배율, 학습 데이터 세트(209)와 단면 화상(208)을 접수하고, 단면 화상(208)으로부터 소정의 치수를 계측하고, 입출력 장치(206)에 출력한다.
입출력 장치(206)는, GUI 등의 입출력 인터페이스와 카드 리더 등 기억 매체 판독 장치를 구비하고, 치수 계측 장치(200)에 특징점과 치수의 정의, 배율, 학습 데이터 세트(209)를 입력한다. 또한, 평가 장치(112)로부터 단면 화상(208)을 접수하고, 중앙 처리부(201)에 넘긴다. 입출력 장치(206)는, 예를 들면, 키보드, 마우스, 디스플레이, 터치패널, 기억 매체 판독 장치 등을 포함하고, 치수 계측 장치(200)로부터 넘겨진 치수값을, 유저에게 표시하거나, 혹은 직접 입력 장치(103)에 전송한다. 유저에게 표시할 경우, 그 수단은 디스플레이에의 표시, 또는 파일에의 작성 등이다.
도 2는, 처리 조건 탐색 장치(100)의 시스템 구성예를 나타내는 도면이다. 처리 조건 탐색 장치(100)는, 중앙 처리부(104)와, 데이터베이스(105)와, 초기 처리 조건 설정부(106)와, 타겟 설정부(107)와, 모델 학습부(108)와, 처리 조건 탐색부(109)와, 장치 제어부(110)와, 수속 판정부(113)를 갖는다.
도 3에, 치수 계측 장치(200)의 하드웨어 구성을 나타내는 블록도를 나타낸다. 치수 계측 장치(200)는, 입출력 장치(206)를 통해서 평가 장치(112)로부터 입력된 단면 화상(208)으로부터 치수를 계측하고, 계측 결과를 입출력 장치(206)에 출력한다. 치수 계측 장치(200)는, 프로세서(116)와, 통신 인터페이스(115)와, ROM(117)과, RAM(118)을 갖는다. 통신 인터페이스(115)는, 프로세서(116)와, 외부의 입출력 장치(206)를 접속한다. 프로세서(116)는, 통신 인터페이스(115)와, ROM(117)과, RAM(118)이 접속된다. ROM(117)에는, 프로세서(116)에서 실행하는 처리 프로그램이 저장되어 있다. RAM(118)에는, 학습 데이터나 학습 모델, 특징점과 치수의 정의, 배율 등이 저장된다.
또, 도 1에 나타내는 치수 계측 장치(200)와의 대응에서는, 데이터베이스(205)는 ROM(117) 및 RAM(118)으로서 실장되고, 모델 학습부(202), 모델 추정부(203), 치수 계측부(204)는 ROM(117) 및 RAM(118)에 저장되는 프로그램 및 파라미터로서 실장된다.
도 4는, 치수 계측 장치(200)의 모델 학습부(202) 및 모델 추정부(203)에서 이용하는 시맨틱·세그멘테이션 모델의 구성의 일례이다. 또, 본 예에서는 뉴럴 네트워크(20)를 이용하는 예를 설명하지만, 이것으로 한정되지 않으며, 결정 트리 등의 기계 학습의 모델을 이용할 수도 있다. 뉴럴 네트워크는, 입력층에 입력된 화소 정보가, 중간층, 출력층으로 순서대로 전파되어 연산됨에 의해, 출력층으로부터 각 화소가 속하는 영역의 라벨 번호를 출력한다. 중간층은 콘볼루션층, 풀링층 등이 다수 층 반복된다. 구체적인 층 구조는 채용하는 모델에 따라 서로 다르다. 학습 시에는 출력된 각 화소의 라벨과 정해(正解)인 어노테이션 데이터와의 오차가 최소로 되도록, 중간층의 파라미터를 조정한다.
도 5는, 치수 계측 장치(200)의 모델 학습부(202) 및 모델 추정부(203)에서 이용하는 물체 검출 모델의 구성의 일례이다. 또, 본 예에서는 뉴럴 네트워크(30)를 이용하는 예를 설명하지만, 이것으로 한정되지 않으며, 템플레이트 매칭 등의 다른 모델을 이용할 수도 있다. 뉴럴 네트워크는, 입력층에 입력된 화소 정보가, 중간층, 출력층으로 순서대로 전파되어 연산됨에 의해, 출력층으로부터 화상에 포함되는 물체의 라벨 번호와 바운딩·박스의 좌표값을 출력한다. 중간층은 콘볼루션층, 풀링층 등이 다수 층 반복된다. 구체적인 층 구조는 채용하는 모델에 따라 서로 다르다. 학습 시에는 출력된 물체의 라벨 번호와 바운딩·박스의 좌표값과 정해인 어노테이션 데이터와의 오차가 최소로 되도록, 중간층의 파라미터를 조정한다.
도 6은, 치수 계측 장치(200)가 실행하는, 입력 화상으로부터 필요한 치수를 계측할 때까지의 플로차트이다.
우선, 사전에 치수 계측 장치(200)에 입력해야 할 학습 데이터 세트(209)를 작성한다. 학습 데이터 세트는, 입력 데이터인 단면 SEM 화상에 더하여, 출력 데이터로 되는 물체 검출 모델에 대해서는 단위 패턴을 둘러싸는 바운딩·박스의 좌표를 기재한 어노테이션 데이터(209)를, 시맨틱·세그멘테이션 모델에 대해서는 영역마다 채색 구별한 어노테이션 화상(209)의 그룹을 작성하고, 그들 학습 데이터 세트를 입출력 장치(206)로부터 입력한다(스텝S100). 입력된 학습 데이터 세트는 데이터베이스(205)에 보존된다.
다음으로, 중앙 처리부(201)는 데이터베이스(205)로부터 모델 학습부(202)에 학습 데이터 세트와 모델을 전송하고, 모델 학습부(202)에서 2개의 모델의 학습을 행한다(스텝S101). 학습한 모델의 파라미터는 데이터베이스(205)에 보존된다. 이하의 설명에서는, 모델로서는, 콘볼루션층이나 풀링층을 갖는 뉴럴 네트워크를 이용하는 경우를 설명하지만, 물체 검출 모델로서 템플레이트 매칭 등, 시맨틱 세그멘테이션 모델로서 결정 트리 등의 기계 학습의 모델을 이용할 수도 있다.
다음으로, 추정 스텝에서, 치수를 계측하고 싶은 테스트 화상을 입출력 장치(206)로부터 입력한다(스텝S104). 동시에, 치수 계측에 필요하게 되는 특징점의 정의(209)와, 계측하는 치수의 정의(209)를 입출력 장치(206)를 통해서 데이터베이스(205)에 저장한다(스텝S102, S103). 입력 화상의 배율은, 화상을 저장하는 폴더명에 의해 판단시키도록 한다. 예를 들면, 배율이 100k배이면 폴더명을 100k로 한다. 각 화상의 배율 정보는, 데이터베이스(205)에 보존된다. 중앙 처리부(201)는 모델 추정부(203)에 데이터베이스(205)로부터 모델과 파라미터를 넘김과 함께, 입력된 테스트 화상을 넘기고, 모델 추정부(203)에서 추정을 행하여(스텝S105), 패턴 검출 결과인 바운딩·박스 좌표와 시맨틱·세그멘테이션 화상을 얻는다(스텝S106).
다음으로, 계측 스텝에 있어서, 중앙 처리부(201)는 치수 계측부(204)에 바운딩·박스 좌표와 시맨틱·세그멘테이션 화상을 넘기고, 시맨틱·세그멘테이션 화상으로부터 경계선의 좌표를 구한다. 다음으로, 패턴마다 경계선 좌표를 분할하고, 데이터베이스(205)에 저장되어 있는 특징점의 정의를 불러와서 특징점의 좌표를 구하고, 치수의 정의를 불러와서 주요 치수를 계산한다(스텝S107). 얻어진 치수의 단위는 픽셀수이므로, 데이터베이스(205)에 저장되어 있는 배율을 불러와서 실치수로 변환한다(스텝S108). 계측한 치수값을 입출력 장치(206)에 출력함과 함께, 패턴마다의 경계선 좌표 데이터를 데이터베이스(205)에 보존한다(스텝S109).
또한, 치수 계측 개소를 신규로 추가하고 싶은 경우에는, 치수 계측에 필요하게 되는 새로운 특징점(209)의 정의와, 새로운 치수 계측 개소의 정의(209)를 입출력 장치(206)로부터 입력하고, 데이터베이스(205)에 저장한다(스텝S110, S111).
다음으로, 신규의 치수 계측 개소의 지정의 유무를 판정하고(스텝S112), 지정이 없으면, 치수 계측 처리를 스킵한다. 지정이 있으면, 데이터베이스(205)에 저장되어 있는 패턴마다의 경계선의 좌표 데이터를 판독해서 치수를 계산하고(스텝S114), 실치수로 스케일 변환(스텝S115) 후, 계측한 치수값을 입출력 장치(206)에 출력한다(스텝S116).
여기에서, 가공 형상의 탐색을 하고 싶은 경우에는, 목표 치수값을 입력한다(스텝S117). 중앙 처리부(201)는 형상 탐색의 지정의 유무를 판정하고(스텝S118), 지정이 없으면, 치수 계측 처리를 종료한다(스텝S119). 지정이 있으면, 데이터베이스(205)에 저장되어 있는 전체 화상의 치수값을 탐색하고(스텝S120), 입력한 치수에 가까운 형상을 입출력 장치(206)에 출력한다(스텝S121). 이상으로, 처리를 종료한다(스텝S122).
도 7은, 반도체 제조 시스템(10)에 있어서 처리 조건 탐색 장치(100)가 실행하는, 목표 처리 결과(목표 출력 파라미터값)로부터 처리 장치(111)의 최적 처리 조건을 결정하는 플로차트이다.
우선, 처리 장치(111)가 행하는 처리에 대하여, 목표로 하는 목표 처리 결과(목표 출력 파라미터값) 및, 처리 장치(111)를 제어하는 파라미터로서 선택하는 입력 파라미터(101)를, 입력 장치(103)로부터 중앙 처리부(104)에 받아 넘긴다(스텝S200).
다음으로, 중앙 처리부(104)는 접수한 목표 출력 파라미터값과 선택된 입력 파라미터(가공 조건 파라미터)를 데이터베이스(105)에 저장함과 함께, 선택된 입력 파라미터를 초기 처리 조건 설정부(106)에 넘긴다. 초기 처리 조건 설정부(106)에서는, 넘겨진 입력 파라미터를 기초로 해서, 데이터베이스(105)로부터 입력 파라미터의 설정 가능 범위의 데이터를 판독하고, 초기 처리 조건을 자동 설정한다(스텝S201). 중앙 처리부(104)는 설정된 초기 처리 조건을 데이터베이스(105)에 저장함과 함께, 초기 처리 조건을 장치 제어부(110)에 넘긴다.
장치 제어부(110)는, 초기 처리 조건을 처리 장치(111)에 전송한다. 또는 장치 제어부(110)가 출력한 초기 처리 조건을 유저가 처리 장치(111)에 입력하는 것이어도 된다. 처리 장치(111)는 입력된 초기 조건에 따라서 처리를 행하고, 평가 장치(112)에서 평가하고, 입출력 장치(206)를 통해서, 평가 결과인 단면 화상(208)을 치수 계측 장치(200)에 넘긴다. 치수 계측 장치(200)에서 구해진 치수값(타겟 출력 파라미터값)은 입출력 장치(206)를 통해서 입력 장치(103)에 입력된다. 중앙 처리부(104)는, 입력 장치(103)로부터 초기 처리 결과가 받아 넘겨진다(스텝S202). 중앙 처리부(104)는, 초기 처리 조건과 초기 처리 결과를 수속 판정부(113)에 넘긴다.
수속 판정부(113)는, 초기 처리 결과를 목표 처리 결과와 비교하여, 소정의 정밀도 내에서 목표 처리 결과에 수속되어 있는지의 여부를 판정한다(스텝S203). 수속되어 있으면, 목표 처리 결과에 수속된 초기 처리 조건을 출력 장치(114)에 넘기고, 출력 장치(114)는 최적 처리 조건(102)으로서 출력한다(스텝S210).
출력 파라미터값(처리 결과)의 수속성의 판정에는, (식 1)에서 주어지는, 이용하는 전체 출력 파라미터에 관한 출력 파라미터값과 목표 출력 파라미터값의 오차의 제곱합을 이용할 수 있다.
[식 1]
여기에서, NP는 이용하는 출력 파라미터의 총수, xi는 i번째의 목표 출력 파라미터값, yi는 i번째의 출력 파라미터값(실적값), Wi는 유저가 출력 파라미터마다 지정하는 가중이다.
한편, 수속되어 있지 않으면 처리를 계속하는 명령이 수속 판정부(113)로부터 중앙 처리부(104)에 보내지고, 중앙 처리부(104)는 데이터베이스(105)에, 초기 처리 조건(초기 입력 파라미터값)과 초기 처리 결과(초기 출력 파라미터값)로 이루어지는 초기 학습 데이터를 작성한다(스텝S204).
다음으로, 중앙 처리부(104)는 목표 출력 파라미터값(목표 처리 결과)과 초기 학습 데이터를 데이터베이스(105)로부터 판독 입력하고, 타겟 설정부(107)에 넘긴다. 타겟 설정부(107)는, 타겟 처리 결과(타겟 출력 파라미터값)를 설정한다(스텝S205). 설정된 타겟 출력 파라미터값은, 중앙 처리부(104)에 넘겨지고, 데이터베이스(105)에 저장된다. 타겟 설정부(107)는, 기존의 학습 데이터 중에서 목표 출력 파라미터값에 가장 가까운 베스트 데이터(출력 파라미터값(실적값))를 선출하고, 그 때 베스트인 출력 파라미터값과 목표 출력 파라미터값 사이를 내삽(內揷) 보간(補間)함에 의해 타겟 출력 파라미터값을 설정한다. 설정하는 타겟의 개수는 1개 이상이면 몇 개여도 되지만, 효율을 생각해서 복수 개, 예를 들면 4∼5개 정도를 설정하는 것이 바람직하다.
다음으로, 중앙 처리부(104)는, 데이터베이스(105)로부터 초기 학습 데이터를 판독 입력하고, 초기 학습 데이터를 모델 학습부(108)에 보낸다. 모델 학습부(108)는 입력 파라미터값(처리 조건)과 출력 파라미터값(처리 결과)을 관계짓는 예측 모델을 학습한다(스텝S206). 예측 모델로서는, 뉴럴 네트워크, 서포트 벡터 머신, 커널법 등을 이용할 수 있다. 학습한 예측 모델은 처리 조건 탐색부(109)에 넘겨진다.
다음으로, 처리 조건 탐색부(109)는, 모델 학습부(108)로부터 넘겨진 예측 모델 및 데이터베이스(105)로부터 판독한 입력 파라미터에의 제약 조건을 이용해서, 데이터베이스(105)로부터 판독한 목표 출력 파라미터값 및 타겟 출력 파라미터값에 대한 처리 조건을 탐색한다(스텝S207). 예측 모델은 처리 조건이 입력으로, 처리 결과가 출력으로 되어 있기 때문에, 처리 결과로부터 처리 조건을 반대로 구하기 위해서는, 시뮬레이티드·어닐링법, 유전적 알고리즘 등 각종 최적해 탐색 방법을 이용할 수 있다. 처리 조건 탐색부(109)는, 탐색한 처리 조건(타겟 입력 파라미터값)을 장치 제어부(110)에 넘김과 함께, 중앙 처리부(104)를 통해서 데이터베이스(105)에 저장한다.
장치 제어부(110)는, 넘겨진 처리 조건(타겟 입력 파라미터값)을 처리 장치(111)에 전송한다. 또는, 장치 제어부(110)가 출력한 처리 조건을 유저가 처리 장치(111)에 입력하는 것이어도 된다. 처리 장치(111)는 입력된 초기 조건에 따라서 처리를 행하고, 평가 장치(112)에서 평가하고, 평가 결과인 단면 화상(208)을 입출력 장치(206)를 통해서 치수 계측 장치(200)에 넘긴다. 치수 계측 장치(200)에서 구해진 치수값(타겟 출력 파라미터값)은 입출력 장치(206)를 통해서 입력 장치(103)에 입력된다. 중앙 처리부(104)는, 입력 장치(103)로부터 처리 결과(타겟 출력 파라미터값)가 받아 넘겨진다(스텝S208). 중앙 처리부(104)는, 처리 조건(타겟 입력 파라미터값)과 처리 결과(타겟 출력 파라미터값)를 수속 판정부(113)에 넘긴다.
수속 판정부(113)는, 처리 결과(출력 파라미터값(실적값))를 목표 처리 결과(목표 출력 파라미터값)와 비교하여, 소정의 정밀도 내에서 목표 처리 결과에 수속되어 있는지의 여부를 판정한다(스텝S209). 수속되어 있으면, 목표 처리 결과에 수속된 처리 조건을 출력 장치(114)에 넘기고, 출력 장치(114)는 최적 처리 조건(102)으로서 출력한다(스텝S210).
한편, 수속되어 있지 않으면 처리를 계속하는 명령이 수속 판정부(113)로부터 중앙 처리부(104)에 보내지고, 중앙 처리부(104)는 데이터베이스(105)의 학습 데이터 세트에, 새롭게 탐색한 목표 처리 결과와 타겟 처리 결과에 대한 처리 조건(입력 파라미터값)과 처리 결과(출력 파라미터값(실적값))의 그룹을 추가 학습 데이터로서 추가함에 의해, 학습 데이터 세트를 갱신한다(스텝S204).
이하, 학습 데이터 세트의 작성·갱신(스텝S204)∼수속 판정(스텝S209)까지의 추정 프로세스를, 처리 결과가 목표 처리 결과에 수속될 때까지 반복한다. 이와 같이 해서, 목표 처리 결과를 실현하는 최적 처리 조건을 자율적으로 탐색한다.
이상이, 처리 조건 탐색 장치(100)와 치수 계측 장치(200)를 구비한 반도체 제조 시스템(10) 전체의 처리 플로이다.
이하, 처리 장치(111)가 에칭 장치인 경우를 예로 설명한다.
도 8은, 학습 데이터 세트 중의 입력 데이터 세트로 되는 단면 SEM 화상의 예이다. 이 화상의 사이즈는 1280×960픽셀이다. 샘플은 라인/스페이스의 단위 패턴이 반복되고 있는 트렌치 구조이고, 영역은 배경(300), 마스크(301), 기판(302)의 3영역으로 이루어진다.
도 9는, 치수 계측 개소의 예이다. 이 예에서는, 치수 계측 개소는, (1) L1 : 마스크 상면의 폭(305), (2) L2 : 마스크/기판 계면의 폭(306), (3) L3 : 기판 최협부(最狹部)의 폭(307), (4) L4 : 마스크의 높이(308), (5) L5 : 트렌치의 깊이(309)의 5개소를 설정하고 있다. 또, 마스크 상면의 폭(305)은, 볼록 형상으로 되어 있는 2개의 피크 위치의 간격으로 정의했다. 피크 위치가 하나밖에 없는 형상의 경우에는 폭을 0으로 한다. 도면 중의 A로부터 G까지의 7개의 점은 치수 계측에 이용하는 경계선 상의 특징점이고, 경계선 데이터만으로부터 일의적으로 정의할 수 있는 점을 이용한다. 예를 들면, A, B는 마스크 상면의 피크로 되는 점 등이다. 특징점 A∼G의 정의 및 치수 L1∼L5와 특징점 A∼G와의 대응 관계(L1 : A, B, L2 : C, D 등)는 유저가 입출력 장치(206)를 통해서 입력하고, 데이터베이스(205)에 저장되어 있다. 구체적으로는, 특징점과 치수의 정의를 기술한 스크립트를 저장해 둔다. 특징점과 계측 치수의 개수·위치는, 계측 대상의 구조에 따라서 적의(適宜) 설정한다.
도 10은, 학습 데이터 세트 중의 출력 데이터 세트로 되는 어노테이션 데이터 중, 물체 검출 모델에 주는 어노테이션 데이터에 기술하는 바운딩·박스의 좌표의 정의를 설명하는 도면이다. 도면 중에 나타낸 프레임선(바운딩·박스)으로 둘러싸인 라인/스페이스의 반복의 단위 구조인 마스크와 기판의 일부로 이루어지는 영역에 대하여 「패턴」이라는 라벨명을 정의한다. 이 예에서는, 라벨은 1종류만이고, 라벨 번호는 0이다. 도 10에는 5개의 패턴이 존재한다. 바운딩·박스의 좌표는 화상의 좌측 위쪽을 원점으로 하고, 수평 방향에 X축을, 수직 방향에 Y축을 취한다. 바운딩·박스의 Y축 방향의 경계는, 마스크 상부와 트렌치 저부가 완전하게 포함되도록, 각각 수 픽셀의 마진을 갖게 한 위치에 설정한다. 바운딩·박스는 직사각형이므로, 위치를 특정하기 위해서는, 좌측 위쪽과 우측 아래쪽의 2개의 좌표를 주면 된다.
도 11은, 도 10에 대응하는 어노테이션 데이터의 기재예의 발췌이다. 필수로 되는 항목만 발췌되어 있다. 이 예에서는 데이터는 xml 포맷으로 기술되어 있지만, 사용하는 물체 검출 모델이 상정하고 있는 포맷이면 무엇이어도 된다. 태그 <folder>∼</folder>에 화상 파일이 저장되어 있는 폴더명을, 태그 <filename>∼</filename>에 화상 파일명을 기재한다. 태그 <object>∼</object>가 바운딩·박스에 관한 정보를 기재하는 개소이고, 화상 중에 포함되는 바운딩·박스의 개수분, 반복된다. 그 중의 태그 <name>∼</name>이 라벨명을 지정하는 개소이다. 태그 <bndbox>∼</bndbox>에 기재된 4개의 수치가, 첫번째의 바운딩·박스의 좌측 위쪽과 우측 아래쪽의 점의 좌표이다. 어노테이션 데이터는 수작업으로 작성하거나, 학습 완료의 물체 검출 모델을 이용해서 작성할 수 있다.
도 12는, 학습 데이터 세트 중의 출력 데이터 세트로 되는 어노테이션 데이터 중, 시맨틱·세그멘테이션 모델에 대한 어노테이션 데이터의 예이다. 어노테이션 데이터는 전용 소프트웨어를 이용해서 수작업으로 작성하거나, 학습 완료의 시맨틱·세그멘테이션 모델을 이용해서 작성할 수 있다. 데이터는, 영역별로 채색 구별된 화상이다. 여기에서 영역은, 측정 대상으로 하는 반도체 디바이스의 단면을 구성하는 각층과 반도체 디바이스의 단면 이외의 배경을 포함한다. 이 예에서는, 배경(310), 반도체 디바이스의 단면을 구성하는 각층으로서 마스크(311) 및 기판(312)의 3영역으로 이루어진다. 3영역의 라벨명은, 각각 「배경」, 「마스크」, 「기판」이고, 색은, 각각 흑색, 회색, 백색이다.
도 13은, 라벨명, 라벨 번호, 색의 대응 관계이고, 데이터베이스(205)에 저장되어 있다. 각 라벨에 부여하는 라벨 번호와 색은 임의이지만, 치수 계측 장치(200) 내에서는 고정할 필요가 있다.
도 14는, 학습 스텝을 행할 때에 입출력 장치(206)에 표시되는 GUI 화면의 일례이다. 화면은 입력 데이터 윈도우(323)와, 어노테이션 데이터 윈도우(331)와, 터미널 윈도우(339)를 포함한다. 입력 데이터 윈도우(323)에서는, 로드 버튼(320)에 의해, 학습 데이터 세트의 입력 데이터 세트가 저장되어 있는 폴더를 선택한다. 셀렉트 버튼(321)에 의해, 입력 데이터 윈도우(323)에 표시하고 싶은 화상 파일을 선택한다. 클리어 버튼(322)에 의해 표시 결과를 클리어한다. 셀(324와 325)에는 선택한 폴더명과 파일명이 표시된다. 화상 윈도우(326)에는 선택한 화상이 표시된다.
어노테이션 데이터 윈도우(331)에서는, 모델 버튼(328)에 의해 시맨틱·세그멘테이션 모델과, 물체 검출 모델 중 어느 하나를 선택한다. 선택한 모델에 따라서 어노테이션 데이터 윈도우(331)에 표시되는 데이터의 종류는 바뀐다. 또한, 어노테이션 데이터가 포함되는 폴더도 모델에 따라서 자동으로 선택된다. 도 14는 시맨틱·세그멘테이션 모델을 선택한 경우의 예이다. 셀렉트 버튼(329)에 의해서, 윈도우(334)에 표시하고 싶은 샘플을 지정한다. 셀(332와 333)에는 선택한 샘플이 있는 폴더명과 파일명이 표시된다. 윈도우(334)에는 어노테이션 화상이, 테이블(335)에는 라벨명, 라벨 번호, 색의 대응표가 표시된다.
터미널 윈도우(339)에서는, 스타트 버튼(336)에 의해, 모델 버튼(328)으로 선택한 모델의 학습이 개시된다. 터미널 윈도우(339)에는 계산 중의 도중 경과, 최종 결과가 메시지로 표시된다. 스톱 버튼(337)에 의해 계산 도중이어도 정지할 수 있다. 계산 결과인 학습 완료 모델은 자동으로 보존된다.
도 15는, 치수를 계측하고 싶은 테스트 화상의 예이다. 이 테스트 화상에는, 전술한 바와 같이, 불필요한 안쪽의 구조의 윤곽이 찍혀 있다. 이 구조는, 치수 계측 시에는 무시해야 할 구조이다.
도 16은, 도 15에 나타낸 테스트 화상을 학습 완료 물체 검출 모델에 입력해서 추론시킨 결과이다. 검출된 물체의 라벨명과 함께, 바운딩·박스 좌표가 흑색 테두리로 나타나 있다. 도 16의 예에서는 4개의 패턴이 검출되어 있다.
도 17은, 도 16에 대응하는 바운딩·박스의 좌표값 데이터이고, 추론 후에 데이터베이스(205)에 자동으로 보존된다.
도 18은, 도 15에 나타낸 테스트 화상을 학습 완료 시맨틱·세그멘테이션 모델에 입력해서 추론시킨 결과이다. 영역 각각의 색은, 도 13에서 설정한 대응 관계에 따르고 있고, 배경이 흑색, 마스크가 회색, 기판이 백색이다.
도 18로부터 각 영역 간의 경계선의 좌표가 구해지므로, 그것을 도 17의 바운딩·박스의 좌표값을 이용해서, 바운딩·박스마다 경계선 좌표를 잘라낸다. 잘라낸 바운딩·박스마다의 경계선 좌표로부터, 치수 계측에 필요한 특징점 A∼G의 좌표를 구하고, 치수 L1∼L5를 구한다. 이와 같이 해서, 입력한 화상으로부터 패턴마다 치수가 자동으로 계측된다.
도 19는, 계측한 치수값을 원래의 입력 화상 상에 표시한 예이고, 검출된 바운딩·박스 위치도 직사각형으로 나타나 있다.
도 20은 도 19의 계측 결과이고, 5개의 치수 L1∼L5가, 패턴마다의 값 외에 통계값(평균값, 표준 편차)도 계산되어, 표시된다. 결과는 데이터베이스(205)에 자동으로 보존됨과 함께, 평균값은 입출력 장치(206)에 출력된다.
도 21은, 추론·계측 스텝을 행할 때에 입출력 장치(206)에 표시되는 GUI 화면의 일례이다. 화면은 입력 데이터 윈도우(345)와, 추론·계측 결과 윈도우(353)를 포함한다. 입력 데이터 윈도우(345)에서는, 정의 버튼(340)에 의해 특징점과 치수의 대응을 정의한 스크립트를 판독 입력한다. 판독 입력된 정의는 정의 테이블(349)에 표시된다. 다음으로, 매뉴얼 버튼(341)에 의해 테스트 화상을 1매씩 선택해서 추론·계측을 행할지, 배치(batch) 버튼(342)에 의해 테스트 화상을 포함하는 폴더를 지정해서 폴더 내의 전체 화상을 일괄적으로 추론·계측을 행할지를 선택한다. 폴더명은 화상의 배율과 일치시킴에 의해, 배율에 관한 정보는 폴더명으로부터 얻어진다. 셀(346과 347)에는 선택한 폴더명과 파일명이 표시된다. 화상 윈도우(350)에는 선택된 테스트 화상이 표시된다. 배치를 선택한 경우에는 1매째의 테스트 화상의 파일명과 화상이, 셀(347)과 화상 윈도우(350)에 표시된다. 스타트 버튼(343)에 의해 2개의 학습 완료 모델을 이용해서 추론과 치수 계측이 행해진다. 계산 결과는 자동으로 보존된다. 클리어 버튼(344)에 의해 표시 결과를 클리어한다.
추론·계측 결과 윈도우(353)에서는, 로드 버튼(351)에 의해 결과를 표시하고 싶은 원화상을 선택한다. 셀(354와 355)에는 선택한 화상의 폴더명과 파일명이 표시된다. 윈도우(356)에는 시맨틱·세그멘테이션 결과가, 윈도우(357)에는 물체 검출 결과가 표시된다. 최종 결과 윈도우(358)에는, 원화상 상에 치수값이 표시된 화상이 표시되고, 수치 테이블(359)에는 계측된 치수값과 통계값이 표시된다.
도 22는, 원하는 치수에 가까운 형상을 데이터베이스(205)로부터 탐색하는 탐색 스텝 시에, 입출력 장치(206)에 표시되는 GUI 화면의 일례이고, 타겟 윈도우(360)와 탐색 결과 윈도우(363)를 포함한다. 타겟 윈도우(360)에서는, 타겟 구조 셀(361)에 목표로 하는 치수값을 입력한다. 정의 윈도우(362)에는 치수 L1∼L5의 정의가 도시된다.
탐색 결과 윈도우(363)에서는, 서치 버튼(364)에 의해 탐색을 실행한다. 탐색 결과는 오차가 작은 순서대로 소트해서 표시되고, 폴더명(366), 파일명(367), 치수값을 기재한 화상(368), 치수의 평균값(369)이 표시된다.
실시예 2
실시예 1에서는 제1 화상 인식 모델로서 시맨틱·세그멘테이션 모델을, 제2 화상 인식 모델로서 물체 검출 모델을 이용했지만, 치수 계측 방법으로서는 이 조합으로 한정되지 않는다. 실시예 2로서, 2종류의 시맨틱 세그멘테이션 모델을 이용하는 방법에 대하여 설명한다. 실시예 2에서는, 윤곽선을 검출시키는 제1 시맨틱·세그멘테이션 모델과, 특징점을 검출시키는 제2 시맨틱·세그멘테이션 모델을 이용한다. 이하, 실시예 2에 대해서는, 화상 인식 모델을 이용한 특징점의 추출을 중심으로 설명하고, 실시예 1과 중복하는 점에 대해서는 설명을 생략한다.
도 23은, 치수 계측 장치(200)가 실행하는, 사전의 학습 스텝을 거쳐 입력된 화상으로부터 치수를 계측하는 플로차트이다.
우선, 치수 계측에 필요한 특징점(209)을 정의하고, 입출력 장치(206)를 통해서 데이터베이스(205)에 저장한다(스텝S300). 이것은 학습 스텝 전에 행한다.
다음으로, 제1 시맨틱 세그멘테이션 모델(제1 화상 인식 모델)에 대해서는 윤곽선과 그 이외로 영역 분류한 어노테이션 화상을, 제2 시맨틱·세그멘테이션 모델(제2 화상 인식 모델)에 대해서는 치수 계측에 필요한 특징점과 그 이외로 영역 분류한 어노테이션 화상을 작성하고, 입출력 장치(206)로부터 입력한다(스텝S302).
다음으로, 중앙 처리부(201)는 모델 학습부(202)에 학습 데이터 세트를 넘기고, 모델 학습부(202)에서 모델의 학습을 행한다(스텝S303). 이하의 설명에서는, 모델로서는, 콘볼루션층을 갖는 뉴럴 네트워크를 이용하는 경우를 설명하지만, 결정 트리 등의 기계 학습의 모델을 이용할 수도 있다.
다음으로, 치수를 계측하고 싶은 테스트 화상을 평가 장치(112)로부터 판독 입력한다(스텝S304). 중앙 처리부(201)는 모델 학습부(202)에 화상을 넘기고, 모델 추정부(203)에서 추정을 행하여(스텝S305), 2종류의 시맨틱·세그멘테이션 화상을 얻는다(스텝S306).
다음으로, 특징점과 치수 계측 개소의 대응 관계(209)를 입출력 장치(206)로부터 입력하고, 데이터베이스(205)에 저장한다(스텝S301).
다음으로, 치수 계측부(204)에서, 2종류의 시맨틱·세그멘테이션 화상으로부터, 윤곽선 상의 특징점 좌표를 구하고, 주요 치수를 계산하여, 윤곽선 전체의 좌표 데이터를 구한다(스텝S307). 계속해서, 얻어진 치수를 실치수의 스케일로 변환한다(스텝S308). 계측한 치수값을 입출력 장치(206)에 출력함과 함께, 윤곽선의 좌표 데이터를 데이터베이스(205)에 보존한다(스텝S309).
또한, 가공 형상의 비교를 하고 싶은 경우에는, 비교하고 싶은 2개의 샘플을 지정한다(스텝S310). 계속해서, 형상 비교의 지정의 유무를 판정하고(스텝S311), 지정이 없으면, 치수 계측 처리를 종료한다(스텝S312). 지정이 있으면, 데이터베이스(205)에 저장되어 있는 윤곽선 데이터와 치수값을 판독하고, 비교한 결과를 입출력 장치(206)에 출력한다(스텝S313). 이상에 의해, 처리를 종료한다(스텝S314).
이하, 처리 장치(111)가 에칭 장치인 경우를 예로 설명한다. 도 24는, 도 8의 학습 데이터 세트의 입력 데이터 화상에 대응하는 윤곽선을 알려주는 어노테이션 데이터의 예이다. 영역은 배경(400)과 윤곽선(401)의 2영역으로 이루어진다. 라벨명은 각각 「배경」, 「윤곽」이고, 라벨 번호는 각각 0, 1이다. 도 25는, 라벨명, 라벨 번호, 색의 대응 관계이다. 각 라벨에 부여하는 라벨 번호와 색은 임의이지만, 치수 계측 장치(200) 내에서는 고정할 필요가 있다.
도 26은, 도 8의 학습 데이터 세트의 입력 데이터 화상에 대응하는 특징점의 위치를 알려주는 어노테이션 데이터의 예이다. 특징점으로서 도 9에 나타낸 A∼G의 7점 중, A411, C412, E413, G414의 4점을 라벨로서 설정하고, 배경(410)을 포함시킨 5개의 라벨별로 채색 구별한 화상이다. 다른 3개의 특징점 B, D, F는, 대칭성을 가정하면 A, C, E로부터 구해지므로 라벨에는 포함시키지 않는 것으로 했다. 후술하는 바와 같이, 특징점 A, C, E에 대해서는 특징점 B, D, F와 윤곽선으로부터 구함에 의해, 눈으로 보는 것에 의하지 않아도, 특징점 B, D, F와 특징점 A, C, E가 하나의 단위 패턴에 대한 특징점인 것을 담보하는 것이 가능하게 된다. 도 27은, 라벨명, 라벨 번호, 색의 대응 관계이다. 각 라벨에 부여하는 라벨 번호와 색은 임의이지만, 치수 계측 장치(200) 내에서는 고정할 필요가 있다.
도 28은, 학습 스텝을 행할 때에 입출력 장치(206)에 표시되는 GUI 화면의 일례이다. 화면은 입력 데이터 윈도우(323)와, 어노테이션 데이터 윈도우(331)와, 터미널 윈도우(339)를 포함한다. 입력 데이터 윈도우(323)에서는, 로드 버튼(320)에 의해, 입력 화상 파일이 저장되어 있는 폴더를 선택한다. 셀렉트 버튼(321)에 의해, 표시하고 싶은 화상 파일을 선택한다. 클리어 버튼(322)에 의해 표시 결과를 클리어한다. 셀(324와 325)에는 선택한 폴더명과 파일명이 표시된다. 화상 윈도우(326)에는 선택한 화상이 표시된다.
어노테이션 데이터 윈도우(331)에서는, 모델 버튼(415)에 의해 윤곽선용 시맨틱·세그멘테이션 모델(제1 시맨틱·세그멘테이션 모델)과, 특징점용 시맨틱·세그멘테이션 모델(제2 시맨틱·세그멘테이션 모델) 중 어느 하나를 선택한다. 선택한 모델에 따라서 어노테이션 데이터 윈도우(331)에 표시되는 데이터의 종류는 바뀐다. 또한, 어노테이션 데이터가 포함되는 폴더도 모델에 따라서 자동으로 선택된다. 도 28은 윤곽선용 시맨틱·세그멘테이션 모델을 선택한 경우의 예이다. 셀렉트 버튼(329)에 의해서, 윈도우에 표시하고 싶은 샘플을 지정한다. 셀(324와 325)에는 선택한 샘플이 있는 폴더명과 파일명이 표시된다. 윈도우(334)에는 어노테이션 화상이, 테이블(335)에는 라벨명, 라벨 번호, 색의 대응표가 표시된다.
터미널 윈도우(339)에서는, 스타트 버튼(336)에 의해, 모델 버튼(415)으로 선택한 모델의 학습이 개시된다. 터미널 윈도우(339)에는 계산 중의 도중 경과, 최종 결과가 메시지로 표시된다. 스톱 버튼(337)에 의해 계산 도중에 정지할 수 있다. 계산 결과인 모델 파라미터는 자동으로 보존된다.
도 29는, 도 15에 나타낸 테스트 화상을 제1 학습 완료 시맨틱 세그멘테이션 모델에 입력해서 추론시킨 윤곽선의 검출 결과의 화상이다. 동시에, 윤곽선의 좌표도 구해진다.
도 30은, 도 15에 나타낸 테스트 화상을 제2 학습 완료 시맨틱 세그멘테이션 모델에 입력해서 추론시킨 특징점 A, C, E, G의 검출 결과의 화상이다. 동시에, 이들 특징점의 좌표도 구해진다. 또, 이들 특징점의 좌표는 도 29에서 얻어진 윤곽선 상에 반드시 위치해 있다고 한정되지는 않기 때문에, 도 30에서 얻어진 특징점 좌표에 가장 가까운 도 29의 윤곽선 상의 점을 특징점의 좌표로서 채용한다.
도 31은, 특징점 A, C, E로부터, 대응하는 특징점 B, D, F를 구하는 방법을 설명하는 도면이다. 대응점은, 원래의 점과 Y좌표가 동일하고 X좌표의 차가 최소, 즉 우측의 최근방의 윤곽선 상의 점으로 한다. 실시예 1에서는 경계선 좌표를 패턴마다 분할했지만, 실시예 2에서는 페어로 되는 2점의 좌표를 알고 있으므로, 분할은 불필요하다. 얻어진 7종의 특징점의 좌표와, 데이터베이스(205)로부터 불러온 특징점과 치수의 정의에 의해, 소정의 치수가 계산된다. 이와 같이, 입력한 화상으로부터 치수가 자동적으로 계측된다.
도 32는, 추론·계측 스텝을 행할 때에 입출력 장치(206)에 표시되는 GUI 화면의 일례이다. 화면은 입력 데이터 윈도우(345)와, 추론·계측 결과 윈도우(353)를 포함한다. 입력 데이터 윈도우(345)에서는, 정의 버튼(340)에 의해 특징점과 치수의 대응을 정의한 스크립트를 선택해서 판독 입력한다. 판독 입력된 정의는 정의 테이블(349)에 표시된다. 다음으로, 매뉴얼 버튼(341)에 의해 테스트 화상을 1매씩 선택해서 추론·계측을 행할지, 배치 버튼(342)에 의해 테스트 화상을 포함하는 폴더를 지정해서 폴더 내의 전체 화상을 일괄적으로 추론·계측을 행할지를 선택한다. 폴더명은 화상의 배율과 일치시킴에 의해, 배율에 관한 정보는 폴더명으로부터 얻어진다. 셀(346과 347)에는 선택한 폴더명과 파일명이 표시된다. 화상 윈도우(350)에는 선택된 테스트 화상이 표시된다. 배치를 선택한 경우에는 1매째의 테스트 화상의 파일명과 화상이, 셀(347)과 화상 윈도우(350)에 표시된다. 스타트 버튼(343)에 의해 2개의 학습 완료 모델을 이용해서 추론과 치수 계측이 행해진다. 계산 결과는 자동으로 보존된다. 클리어 버튼(344)에 의해 표시 결과를 클리어한다.
추론·계측 결과 윈도우(353)에서는, 로드 버튼(351)에 의해 결과를 표시하고 싶은 원화상을 선택한다. 셀(354와 355)에는 선택한 화상의 폴더명과 파일명이 표시된다. 윈도우(416)에는 윤곽선에 대한 시맨틱·세그멘테이션 결과가, 윈도우(417)에는 특징점에 대한 시맨틱·세그멘테이션 결과가 표시된다. 최종 결과 윈도우(358)에는, 원화상 상에 치수값이 표시된 화상이 표시되고, 수치 테이블(359)에는 계측된 치수값과 통계값이 표시된다.
도 33은, 2개의 화상의 형상을 비교하는 비교 스텝을 행할 때에 입출력 장치(206)에 표시되는 GUI 화면의 일례이다. 화면은 입력 데이터 윈도우(423)와, 비교 결과 윈도우(436)를 포함한다. 입력 데이터 윈도우(423)에서는, 로드 1 버튼(420)에 의해 비교하고 싶은 1매째의 화상을, 로드 2 버튼(421)에 의해 비교하고 싶은 2매째의 화상을 선택한다. 셀(424와 425)에는 선택한 1매째의 화상의 폴더명과 파일명이, 셀(426과 427)에는 선택한 2매째의 화상의 폴더명과 파일명이 표시된다. 화상 윈도우(428과 429)에는 선택한 2개의 화상이 표시된다. 윤곽선 윈도우(430, 431)에는, 선택한 2개의 화상에 대해서 추출된 윤곽선 화상이, 데이터베이스(205)로부터 판독되어, 표시된다.
비교 결과 윈도우(436)는, 윤곽선을 겹쳐서 표시한 윈도우(437)와, 2개의 화상의 치수값의 평균값과 그 차분을 나타낸 테이블(438)이 표시된다. 오토 버튼(432)은, 2개의 윤곽선(430, 431)을 종방향은 마스크 상면이 일치하고, 횡방향은 트렌치 중앙이 일치하도록 자동으로 조정하는 버튼이다. 자동 조정이 실패한 경우 혹은 수동으로 조정하고 싶은 경우에는, 매뉴얼 버튼(433)을 누르고, 유저가 마우스로 화상을 드래그함에 의해, 위치를 조정한다. 테이블(438)에는, 2개의 화상에 대해서 계측된 치수값이 데이터베이스(205)로부터 판독되고, 양자의 차분이 계산되어 표시된다. 세이브 버튼(434)에 의해서, 덮어쓰기한 윤곽선 화상과 테이블의 수치를 데이터베이스(205)에 보존한다.
또, 본 발명은 전술한 실시예로 한정되는 것은 아니며, 첨부한 특허청구의 범위의 취지 내에 있어서의 다양한 변형예 및 동등한 구성이 포함된다. 예를 들면, 전술한 실시예는 본 발명을 알기 쉽게 설명하기 위하여 상세히 설명한 것이며, 반드시 설명한 모든 구성을 구비하는 것으로 본 발명은 한정되지 않는다. 또한, 어느 실시예의 구성의 일부를 다른 실시예의 구성으로 치환해도 된다. 또한, 어느 실시예의 구성에 다른 실시예의 구성을 더해도 된다. 또한, 각 실시예의 구성의 일부에 대하여, 다른 구성의 추가, 삭제, 또는 치환을 해도 된다. 예를 들면, 실시예 1에 있어서 시맨틱·세그멘테이션 모델은 반도체 디바이스의 단면을 구성하는 각층을 영역으로서 채색 구별한 화상을 출력하는 예를 설명했지만, 실시예 2와 같이 특징점을 출력하는 시맨틱·세그멘테이션 모델로 해도 된다. 단, 이 경우는, 실시예 2의 예와 달리 모든 특징점(실시예 2의 예에서는 특징점 A∼G)을 출력할 필요가 있다.
또한, 전술한 각 구성, 기능, 처리부, 처리 수단 등은, 그들의 일부 또는 전부를, 예를 들면 집적 회로로 설계하는 것 등에 의해, 하드웨어로 실현해도 되고, 프로세서가 각각의 기능을 실현하는 프로그램을 해석하여 실행함에 의해, 소프트웨어로 실현해도 된다. 각 기능을 실현하는 프로그램, 테이블, 파일 등의 정보는, 메모리, 하드디스크, SSD(Solid State Drive) 등의 기억 장치, 또는, IC(Integrated Circuit) 카드, SD 카드, DVD(Digital Versatile Disc)의 기록 매체에 저장할 수 있다.
또한, 제어선이나 정보선은 설명상 필요하다고 생각되는 것을 나타내고 있고, 실장상 필요한 모든 제어선이나 정보선을 나타내고 있다고 한정되지는 않는다. 실제로는, 거의 모든 구성이 상호 접속되어 있다고 생각해도 된다.
10 : 반도체 제조 시스템 20, 30 : 뉴럴 네트워크 모델
100 : 처리 조건 탐색 장치 101 : 목표 처리 결과·파라미터 선택
102 : 최적 처리 조건 103 : 입력 장치
104 : 중앙 처리부 105 : 데이터베이스
106 : 초기 처리 조건 설정부 107 : 타겟 설정부
108 : 모델 학습부 109 : 처리 조건 탐색부
110 : 장치 제어부 111 : 처리 장치
112 : 평가 장치 113 : 수속 판정부
114 : 출력 장치 115 : 인터페이스
116 : 프로세서 117 : ROM
118 : RAM 200 : 치수 계측 장치
201 : 중앙 처리부 202 : 모델 학습부
203 : 모델 추정부 204 : 치수 계측부
205 : 데이터베이스 206 : 입출력 장치
208 : 단면 화상
209 : 특징점과 치수의 정의·배율·학습 데이터 세트
300 : 배경 301 : 마스크
302 : 기판 305 : 마스크 상면폭
306 : 마스크/기판 계면폭 307 : 기판 최협부폭
308 : 마스크 높이 309 : 트렌치 깊이
310 : 배경 311 : 마스크
312 : 기판 320 : 로드 버튼
321 : 셀렉트 버튼 322 : 클리어 버튼
323 : 입력 데이터 윈도우 324, 325 : 셀
326 : 화상 윈도우 328 : 모델 버튼
329 : 셀렉트 버튼 330 : 클리어 버튼
332, 333 : 셀 334 : 윈도우
335 : 테이블 336 : 스타트 버튼
337 : 스톱 버튼 338 : 클리어 버튼
339 : 터미널 윈도우 340 : 정의 버튼
341 : 매뉴얼 버튼 342 : 배치 버튼
343 : 스타트 버튼 344 : 클리어 버튼
345 : 입력 데이터 윈도우 346, 347 : 셀
349 : 정의 테이블 350 : 화상 윈도우
351 : 로드 버튼 352 : 클리어 버튼
353 : 추론·계측 결과 윈도우 354, 355 : 셀
356, 357 : 윈도우 358 : 최종 결과 윈도우
359 : 수치 테이블 360 : 타겟 윈도우
361 : 타겟 구조 셀 362 : 정의 윈도우
363 : 탐색 결과 윈도우 364 : 서치 버튼
365 : 클리어 버튼 366 : 폴더명
367 : 파일명 368 : 화상
369 : 치수의 평균값 400 : 배경
401 : 윤곽선 410 : 배경
411 : 특징점 A 412 : 특징점 C
413 : 특징점 E 414 : 특징점 G
415 : 모델 버튼 416, 417 : 윈도우
420 : 로드 1 버튼 421 : 로드 2 버튼
422 : 클리어 버튼 423 : 입력 데이터 윈도우
424, 425, 426, 427 : 셀 428, 429 : 화상 윈도우
430, 431 : 윤곽선 윈도우 432 : 오토 버튼
433 : 매뉴얼 버튼 434 : 세이브 버튼
435 : 클리어 버튼 436 : 비교 결과 윈도우
437 : 윈도우 438 : 테이블
100 : 처리 조건 탐색 장치 101 : 목표 처리 결과·파라미터 선택
102 : 최적 처리 조건 103 : 입력 장치
104 : 중앙 처리부 105 : 데이터베이스
106 : 초기 처리 조건 설정부 107 : 타겟 설정부
108 : 모델 학습부 109 : 처리 조건 탐색부
110 : 장치 제어부 111 : 처리 장치
112 : 평가 장치 113 : 수속 판정부
114 : 출력 장치 115 : 인터페이스
116 : 프로세서 117 : ROM
118 : RAM 200 : 치수 계측 장치
201 : 중앙 처리부 202 : 모델 학습부
203 : 모델 추정부 204 : 치수 계측부
205 : 데이터베이스 206 : 입출력 장치
208 : 단면 화상
209 : 특징점과 치수의 정의·배율·학습 데이터 세트
300 : 배경 301 : 마스크
302 : 기판 305 : 마스크 상면폭
306 : 마스크/기판 계면폭 307 : 기판 최협부폭
308 : 마스크 높이 309 : 트렌치 깊이
310 : 배경 311 : 마스크
312 : 기판 320 : 로드 버튼
321 : 셀렉트 버튼 322 : 클리어 버튼
323 : 입력 데이터 윈도우 324, 325 : 셀
326 : 화상 윈도우 328 : 모델 버튼
329 : 셀렉트 버튼 330 : 클리어 버튼
332, 333 : 셀 334 : 윈도우
335 : 테이블 336 : 스타트 버튼
337 : 스톱 버튼 338 : 클리어 버튼
339 : 터미널 윈도우 340 : 정의 버튼
341 : 매뉴얼 버튼 342 : 배치 버튼
343 : 스타트 버튼 344 : 클리어 버튼
345 : 입력 데이터 윈도우 346, 347 : 셀
349 : 정의 테이블 350 : 화상 윈도우
351 : 로드 버튼 352 : 클리어 버튼
353 : 추론·계측 결과 윈도우 354, 355 : 셀
356, 357 : 윈도우 358 : 최종 결과 윈도우
359 : 수치 테이블 360 : 타겟 윈도우
361 : 타겟 구조 셀 362 : 정의 윈도우
363 : 탐색 결과 윈도우 364 : 서치 버튼
365 : 클리어 버튼 366 : 폴더명
367 : 파일명 368 : 화상
369 : 치수의 평균값 400 : 배경
401 : 윤곽선 410 : 배경
411 : 특징점 A 412 : 특징점 C
413 : 특징점 E 414 : 특징점 G
415 : 모델 버튼 416, 417 : 윈도우
420 : 로드 1 버튼 421 : 로드 2 버튼
422 : 클리어 버튼 423 : 입력 데이터 윈도우
424, 425, 426, 427 : 셀 428, 429 : 화상 윈도우
430, 431 : 윤곽선 윈도우 432 : 오토 버튼
433 : 매뉴얼 버튼 434 : 세이브 버튼
435 : 클리어 버튼 436 : 비교 결과 윈도우
437 : 윈도우 438 : 테이블
Claims (20)
- 반복 패턴을 갖는 반도체 디바이스의 단면(斷面) 화상으로부터 상기 반도체 디바이스의 치수를 계측하는 치수 계측 장치로서,
프로세서와,
메모리와,
상기 메모리에 저장되고, 상기 프로세서로 실행됨에 의해, 상기 반도체 디바이스의 치수를 계측하는 치수 계측 프로그램을 갖고,
상기 치수 계측 프로그램은, 모델 추정부와 치수 계측부를 갖고,
상기 모델 추정부는, 제1 화상 인식 모델에 의해, 상기 단면 화상에 대해서 영역별로 라벨 부여한 라벨 부여 화상을 출력하고, 제2 화상 인식 모델에 의해, 상기 단면 화상에 있어서 상기 반복 패턴을 구성하는 단위 패턴 각각이 위치하는 좌표를 출력하고,
상기 치수 계측부는, 상기 라벨 부여 화상 및 상기 단위 패턴 각각이 위치하는 좌표를 이용해서, 상기 단위 패턴마다 미리 정의된 복수의 특징점의 좌표를 구하고, 상기 복수의 특징점 중의 소정의 2점 간의 거리로서 정의되는 치수를 계측하는 치수 계측 장치. - 제1항에 있어서,
상기 제1 화상 인식 모델이 상기 단면 화상에 대해서 라벨 부여하는 영역에는, 상기 반도체 디바이스의 단면을 구성하는 각층과 상기 반도체 디바이스의 단면 이외의 배경을 포함하고,
상기 모델 추정부는, 상기 라벨 부여 화상으로부터 상기 영역 사이의 영역 경계선의 좌표를 구하고, 상기 영역 경계선의 좌표 및 상기 단위 패턴 각각이 위치하는 좌표로부터, 상기 복수의 특징점의 좌표를 구하는 치수 계측 장치. - 제2항에 있어서,
상기 치수 계측 프로그램은, 모델 학습부를 갖고,
상기 모델 학습부는, 상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상의 상기 영역별로 라벨 부여한 라벨 부여 화상을 출력 데이터로 하는 제1 학습 데이터에 의해 상기 제1 화상 인식 모델을 학습하고, 상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상에 있어서 상기 단위 패턴 각각이 위치하는 좌표를 출력 데이터로 하는 제2 학습 데이터에 의해 상기 제2 화상 인식 모델을 학습하는 치수 계측 장치. - 제3항에 있어서,
상기 제1 화상 인식 모델은 시맨틱·세그멘테이션 모델이고, 상기 제2 화상 인식 모델은 물체 검출 모델인 치수 계측 장치. - 제4항에 있어서,
상기 제1 화상 인식 모델은, 상기 반도체 디바이스의 단면 화상의 화소의 휘도값을 입력 데이터, 당해 입력 데이터에 대응하는 단면 화상의 화소가 귀속하는 상기 영역에 대응해서 정의된 라벨 번호를 출력 데이터로 하는 교사 데이터를 이용해서 학습된 파라미터를 중간층에 구비한 학습 모델이고,
상기 제2 화상 인식 모델은, 상기 반도체 디바이스의 단면 화상의 화소의 휘도값을 입력 데이터, 당해 입력 데이터에 대응하는 단면 화상에 포함되는 물체의 라벨 번호와 상기 물체가 위치하는 좌표를 출력 데이터로 하는 교사 데이터를 이용해서 학습된 파라미터를 중간층에 구비한 학습 모델인 치수 계측 장치. - 제1항에 있어서,
상기 단면 화상은, 단면 SEM 화상, 또는 TEM 화상인 치수 계측 장치. - 제1항에 있어서,
상기 치수 계측부는, 계측한 상기 반도체 디바이스의 치수를 데이터베이스에 보존하고, 상기 반도체 디바이스에 대한 목표 치수값이 입력된 경우에는, 상기 데이터베이스로부터 상기 목표 치수값에 근사하는 치수를 갖는 단면 화상을 검색하는 치수 계측 장치. - 제1항 내지 제7항 중 어느 한 항에 기재된 치수 계측 장치와,
상기 반도체 디바이스의 처리를 행하는 처리 장치와,
상기 처리 장치가 상기 반도체 디바이스의 처리를 행하는 최적 처리 조건을 탐색하는 처리 조건 탐색 장치를 갖고,
상기 치수 계측 장치는, 상기 처리 조건 탐색 장치가 설정한 소정의 처리 조건에 따라 상기 처리 장치가 처리를 행해서 얻은 상기 반도체 디바이스의 치수를 계측하고,
상기 처리 조건 탐색 장치는, 상기 소정의 처리 조건을 바꾸면서, 상기 치수 계측 장치에 의해서 계측한 상기 반도체 디바이스의 치수가 목표값에 수속한 경우의 처리 조건을 상기 최적 처리 조건으로서 출력하는 반도체 제조 시스템. - 반복 패턴을 갖는 반도체 디바이스의 단면 화상으로부터 상기 반도체 디바이스의 치수를 계측하는 치수 계측 장치로서,
프로세서와,
메모리와,
상기 메모리에 저장되고, 상기 프로세서로 실행됨에 의해, 상기 반도체 디바이스의 치수를 계측하는 치수 계측 프로그램을 갖고,
상기 치수 계측 프로그램은, 모델 추정부와 치수 계측부를 갖고,
상기 모델 추정부는, 제1 화상 인식 모델에 의해, 상기 단면 화상을, 윤곽선과 배경에 라벨 부여한 제1 라벨 부여 화상을 출력하고, 제2 화상 인식 모델에 의해, 상기 단면 화상을, 상기 반복 패턴을 구성하는 단위 패턴에 있어서 정의되는 제1 복수의 특징점과 배경에 라벨 부여한 제2 라벨 부여 화상을 출력하고,
상기 치수 계측부는, 상기 제1 라벨 부여 화상으로부터의 상기 윤곽선의 좌표 및 상기 제2 라벨 부여 화상으로부터의 상기 제1 복수의 특징점의 좌표를 이용해서 제2 복수의 특징점의 좌표를 구하고, 상기 제1 복수의 특징점 중의 소정의 점과 상기 제2 복수의 특징점 중의 소정의 점 사이의 거리로서 정의되는 치수를 계측하는 치수 계측 장치. - 제9항에 있어서,
상기 단면 화상에 있어서 상기 단위 패턴은 대칭성을 가정 가능한 형상을 갖고,
상기 치수 계측부는, 상기 대칭성에 의거해, 상기 제1 복수의 특징점의 좌표로부터 상기 제2 복수의 특징점의 좌표를 구하는 치수 계측 장치. - 제9항에 있어서,
상기 치수 계측 프로그램은, 모델 학습부를 갖고,
상기 모델 학습부는, 상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상을 상기 윤곽선과 배경으로 나눠서 라벨 부여한 라벨 부여 화상을 출력 데이터로 하는 제1 학습 데이터에 의해 상기 제1 화상 인식 모델을 학습하고, 상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상을 상기 제1 복수의 특징점과 배경으로 나눠서 라벨 부여한 라벨 부여 화상을 출력 데이터로 하는 제2 학습 데이터에 의해 상기 제2 화상 인식 모델을 학습하는 치수 계측 장치. - 제11항에 있어서,
상기 제1 화상 인식 모델 및 상기 제2 화상 인식 모델은, 시맨틱·세그멘테이션 모델인 치수 계측 장치. - 제12항에 있어서,
상기 제1 화상 인식 모델은, 상기 반도체 디바이스의 단면 화상의 화소의 휘도값을 입력 데이터, 당해 입력 데이터에 대응하는 단면 화상의 화소가 상기 윤곽선인지 배경인지에 따라서 정의된 라벨 번호를 출력 데이터로 하는 교사 데이터를 이용해서 학습된 파라미터를 중간층에 구비한 학습 모델이고,
상기 제2 화상 인식 모델은, 상기 반도체 디바이스의 단면 화상의 화소의 휘도값을 입력 데이터, 당해 입력 데이터에 대응하는 단면 화상의 화소가 상기 제1 복수의 특징점인지 배경인지에 따라서 정의된 라벨 번호를 출력 데이터로 하는 교사 데이터를 이용해서 학습된 파라미터를 중간층에 구비한 학습 모델인 치수 계측 장치. - 제9항에 있어서,
상기 단면 화상은, 단면 SEM 화상, 또는 TEM 화상인 치수 계측 장치. - 제9항에 있어서,
상기 치수 계측부는, 상기 제1 라벨 부여 화상으로부터의 상기 윤곽선의 좌표 및 계측한 상기 반도체 디바이스의 치수를 데이터베이스에 보존하고, 2개의 단면 화상이 지정된 경우에는, 지정된 2개의 단면 화상의 상기 윤곽선을 겹쳐서 표시함과 함께, 지정된 2개의 단면 화상에 대응하는 상기 반도체 디바이스의 치수의 차를 표시하는 치수 계측 장치. - 제9항 내지 제15항 중 어느 한 항에 기재된 치수 계측 장치와,
상기 반도체 디바이스의 처리를 행하는 처리 장치와,
상기 처리 장치가 상기 반도체 디바이스의 처리를 행하는 최적 처리 조건을 탐색하는 처리 조건 탐색 장치를 갖고,
상기 치수 계측 장치는, 상기 처리 조건 탐색 장치가 설정한 소정의 처리 조건에 따라 상기 처리 장치가 처리를 행해서 얻은 상기 반도체 디바이스의 치수를 계측하고,
상기 처리 조건 탐색 장치는, 상기 소정의 처리 조건을 바꾸면서, 상기 치수 계측 장치에 의해서 계측한 상기 반도체 디바이스의 치수가 목표값에 수속한 경우의 처리 조건을 상기 최적 처리 조건으로서 출력하는 반도체 제조 시스템. - 반복 패턴을 갖는 반도체 디바이스의 단면 화상으로부터 상기 반도체 디바이스의 치수를 계측하는 처리를 컴퓨터에 실행시키는, 컴퓨터 판독가능 기록매체에 저장된 치수 계측 프로그램으로서,
제1 화상 인식 모델에 의해, 상기 단면 화상에 대해서 영역별로 라벨 부여한 라벨 부여 화상을 출력하는 제1 스텝과,
제2 화상 인식 모델에 의해, 상기 단면 화상에 있어서 상기 반복 패턴을 구성하는 단위 패턴 각각이 위치하는 좌표를 출력하는 제2 스텝과,
상기 라벨 부여 화상 및 상기 단위 패턴 각각이 위치하는 좌표를 이용해서, 상기 단위 패턴마다 미리 정의된 복수의 특징점의 좌표를 구하고, 상기 복수의 특징점 중의 소정의 2점 간의 거리로서 정의되는 치수를 계측하는 제3 스텝을 갖는 치수 계측 프로그램. - 제17항에 있어서,
상기 제1 내지 제3 스텝에 앞서,
상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상의 상기 영역별로 라벨 부여한 라벨 부여 화상을 출력 데이터로 하는 제1 학습 데이터에 의해 상기 제1 화상 인식 모델을 학습하는 제4 스텝과,
상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상에 있어서 상기 단위 패턴 각각이 위치하는 좌표를 출력 데이터로 하는 제2 학습 데이터에 의해 상기 제2 화상 인식 모델을 학습하는 제5 스텝을 갖는 치수 계측 프로그램. - 반복 패턴을 갖는 반도체 디바이스의 단면 화상으로부터 상기 반도체 디바이스의 치수를 계측하는 처리를 컴퓨터에 실행시키는, 컴퓨터 판독가능 기록매체에 저장된 치수 계측 프로그램으로서,
제1 화상 인식 모델에 의해, 상기 단면 화상을, 윤곽선과 배경에 라벨 부여한 제1 라벨 부여 화상을 출력하는 제1 스텝과,
제2 화상 인식 모델에 의해, 상기 단면 화상을, 상기 반복 패턴을 구성하는 단위 패턴에 있어서 정의되는 제1 복수의 특징점과 배경에 라벨 부여한 제2 라벨 부여 화상을 출력하는 제2 스텝과,
상기 제1 라벨 부여 화상으로부터의 상기 윤곽선의 좌표 및 상기 제2 라벨 부여 화상으로부터의 상기 제1 복수의 특징점의 좌표를 이용해서 제2 복수의 특징점의 좌표를 구하고, 상기 제1 복수의 특징점 중의 소정의 점과 상기 제2 복수의 특징점 중의 소정의 점 사이의 거리로서 정의되는 치수를 계측하는 제3 스텝을 갖는 치수 계측 프로그램. - 제19항에 있어서,
상기 제1 내지 제3 스텝에 앞서,
상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상을 상기 윤곽선과 배경으로 나눠서 라벨 부여한 라벨 부여 화상을 출력 데이터로 하는 제1 학습 데이터에 의해 상기 제1 화상 인식 모델을 학습하는 제4 스텝과,
상기 반도체 디바이스의 단면 화상을 입력 데이터, 당해 입력 데이터인 단면 화상을 상기 제1 복수의 특징점과 배경으로 나눠서 라벨 부여한 라벨 부여 화상을 출력 데이터로 하는 제2 학습 데이터에 의해 상기 제2 화상 인식 모델을 학습하는 제5 스텝을 갖는 치수 계측 프로그램.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/026595 WO2020121564A1 (ja) | 2019-07-04 | 2019-07-04 | 寸法計測装置、寸法計測プログラム及び半導体製造システム |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210004937A KR20210004937A (ko) | 2021-01-13 |
KR102476683B1 true KR102476683B1 (ko) | 2022-12-13 |
Family
ID=71075531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020207009875A KR102476683B1 (ko) | 2019-07-04 | 2019-07-04 | 치수 계측 장치, 치수 계측 프로그램 및 반도체 제조 시스템 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11600536B2 (ko) |
JP (1) | JP6872670B2 (ko) |
KR (1) | KR102476683B1 (ko) |
CN (1) | CN112449722B (ko) |
TW (1) | TWI733425B (ko) |
WO (1) | WO2020121564A1 (ko) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102173900B1 (ko) * | 2019-07-11 | 2020-11-04 | 호전실업 주식회사 | 의복 디자인 생성 방법 및 시스템과 이를 위한 통합 애플리케이션 프로그램 |
JP7094594B2 (ja) * | 2019-10-30 | 2022-07-04 | Alitecs株式会社 | 処理条件推定装置、方法及びプログラム |
CN111814739B (zh) * | 2020-07-27 | 2023-09-01 | 上海东普信息科技有限公司 | 快递包裹体积的检测方法、装置、设备及存储介质 |
CN114693694A (zh) * | 2020-12-25 | 2022-07-01 | 日本电气株式会社 | 图像处理的方法、设备和计算机可读存储介质 |
CN115943288A (zh) * | 2021-06-14 | 2023-04-07 | 株式会社日立高新技术 | 计算机***、尺寸计测方法以及存储介质 |
JP7233592B1 (ja) * | 2021-10-22 | 2023-03-06 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
KR20230083172A (ko) * | 2021-12-02 | 2023-06-09 | 세메스 주식회사 | 반도체 자재 검사 장치 및 이를 이용한 반도체 자재 검사 방법 |
CN114494403B (zh) * | 2022-01-27 | 2022-09-30 | 烟台大学 | 一种基于深度学习的贝类目标尺寸快速测量方法 |
CN115218798B (zh) * | 2022-09-20 | 2022-12-09 | 西安中科慧远视觉技术有限公司 | 测量板材孔和/或槽尺寸的光学测量***、方法及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002350127A (ja) | 2001-05-29 | 2002-12-04 | Seiko Instruments Inc | ディスプレイ顕微鏡画像を用いたパターン測定方法及び測定システム |
JP2009206453A (ja) | 2008-02-29 | 2009-09-10 | Hitachi High-Technologies Corp | 製造プロセスモニタリングシステム |
JP2018506168A (ja) | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3438580B2 (ja) * | 1998-04-21 | 2003-08-18 | 松下電器産業株式会社 | 画像認識方法及び画像認識装置 |
JP2000011173A (ja) * | 1998-06-18 | 2000-01-14 | Sharp Corp | 画像認識方法および画像認識装置 |
JP5308624B2 (ja) * | 2003-07-11 | 2013-10-09 | アプライド マテリアルズ イスラエル リミテッド | 基準構造素子を使用して構造素子の断面特徴を決定するためのシステム及び方法 |
JP4220358B2 (ja) * | 2003-11-27 | 2009-02-04 | 株式会社日立ハイテクノロジーズ | 半導体パターン計測方法 |
JP4585822B2 (ja) * | 2004-09-22 | 2010-11-24 | 株式会社日立ハイテクノロジーズ | 寸法計測方法及びその装置 |
JP5319931B2 (ja) * | 2008-02-22 | 2013-10-16 | 株式会社日立ハイテクノロジーズ | 電子顕微鏡システム及びそれを用いたパターン寸法計測方法 |
JP5386446B2 (ja) * | 2010-07-13 | 2014-01-15 | 株式会社日立ハイテクノロジーズ | 画像データ解析装置 |
JP5549502B2 (ja) | 2010-09-24 | 2014-07-16 | 凸版印刷株式会社 | パターン画像測定方法及びパターン画像測定装置 |
US8604427B2 (en) * | 2012-02-02 | 2013-12-10 | Applied Materials Israel, Ltd. | Three-dimensional mapping using scanning electron microscope images |
JP5988615B2 (ja) * | 2012-02-28 | 2016-09-07 | 株式会社日立ハイテクノロジーズ | 半導体評価装置、及びコンピュータープログラム |
JP5783953B2 (ja) * | 2012-05-30 | 2015-09-24 | 株式会社日立ハイテクノロジーズ | パターン評価装置およびパターン評価方法 |
US9311700B2 (en) * | 2012-09-24 | 2016-04-12 | Kla-Tencor Corporation | Model-based registration and critical dimension metrology |
JP5957357B2 (ja) * | 2012-10-15 | 2016-07-27 | 株式会社日立ハイテクノロジーズ | パターン検査・計測装置及びプログラム |
US20170329231A1 (en) * | 2014-12-17 | 2017-11-16 | Asml Netherlands B.V | Method and apparatus for using patterning device topography induced phase |
JP2017053674A (ja) * | 2015-09-08 | 2017-03-16 | 株式会社ニューフレアテクノロジー | パターン幅寸法のずれ量測定方法及びパターン検査装置 |
KR102392597B1 (ko) * | 2015-10-15 | 2022-04-29 | 삼성전자주식회사 | 두께 측정 방법, 영상 처리 방법 및 이를 수행하는 전자 시스템 |
US11205119B2 (en) * | 2015-12-22 | 2021-12-21 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
JP6608344B2 (ja) | 2016-09-21 | 2019-11-20 | 株式会社日立製作所 | 探索装置および探索方法 |
JP6838263B2 (ja) * | 2017-03-14 | 2021-03-03 | 日立Astemo株式会社 | 液圧制御装置、ブレーキシステム及び失陥時用補助液圧ユニット |
EP3492985A1 (en) * | 2017-12-04 | 2019-06-05 | ASML Netherlands B.V. | Method of determining information about a patterning process, method of reducing error in measurement data, method of calibrating a metrology process, method of selecting metrology targets |
WO2019155928A1 (ja) * | 2018-02-08 | 2019-08-15 | 東京エレクトロン株式会社 | 情報処理装置、プログラム、プロセス処理実行装置及び情報処理システム |
CN111886606A (zh) * | 2018-02-23 | 2020-11-03 | Asml荷兰有限公司 | 用于图案的语义分段的深度学习 |
CN111971551A (zh) * | 2018-04-10 | 2020-11-20 | 朗姆研究公司 | 机器学习中的光学计量以表征特征 |
-
2019
- 2019-07-04 WO PCT/JP2019/026595 patent/WO2020121564A1/ja active Application Filing
- 2019-07-04 US US16/957,480 patent/US11600536B2/en active Active
- 2019-07-04 JP JP2020520163A patent/JP6872670B2/ja active Active
- 2019-07-04 KR KR1020207009875A patent/KR102476683B1/ko active IP Right Grant
- 2019-07-04 CN CN201980005234.6A patent/CN112449722B/zh active Active
-
2020
- 2020-04-28 TW TW109114118A patent/TWI733425B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002350127A (ja) | 2001-05-29 | 2002-12-04 | Seiko Instruments Inc | ディスプレイ顕微鏡画像を用いたパターン測定方法及び測定システム |
JP2009206453A (ja) | 2008-02-29 | 2009-09-10 | Hitachi High-Technologies Corp | 製造プロセスモニタリングシステム |
JP2018506168A (ja) | 2014-12-03 | 2018-03-01 | ケーエルエー−テンカー コーポレイション | サンプリング及びフィーチャ選択を伴わない自動欠陥分類 |
Also Published As
Publication number | Publication date |
---|---|
CN112449722B (zh) | 2024-04-09 |
CN112449722A (zh) | 2021-03-05 |
US20220139788A1 (en) | 2022-05-05 |
KR20210004937A (ko) | 2021-01-13 |
US11600536B2 (en) | 2023-03-07 |
JPWO2020121564A1 (ja) | 2021-02-15 |
TW202102814A (zh) | 2021-01-16 |
JP6872670B2 (ja) | 2021-05-19 |
TWI733425B (zh) | 2021-07-11 |
WO2020121564A1 (ja) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102476683B1 (ko) | 치수 계측 장치, 치수 계측 프로그램 및 반도체 제조 시스템 | |
KR102502486B1 (ko) | 화상을 생성하는 시스템 | |
CN109523520B (zh) | 一种基于深度学习的染色体自动计数方法 | |
US7889909B2 (en) | Pattern matching method and pattern matching program | |
KR102521386B1 (ko) | 치수 계측 장치, 치수 계측 방법 및 반도체 제조 시스템 | |
KR101719088B1 (ko) | 영역 분할 방법 및 검사 장치 | |
CN114140679A (zh) | 一种缺陷融合方法、装置、识别***及存储介质 | |
KR102680501B1 (ko) | 화상 평가 장치 및 방법 | |
KR20150003270A (ko) | 결함 해석 지원 장치, 결함 해석 지원 장치에 의해 실행되는 프로그램 및 결함 해석 시스템 | |
CN115439840A (zh) | 一种航空件槽区识别方法、装置、设备及介质 | |
US20150170355A1 (en) | Wafer appearance inspection system and method of sensitivity threshold setting | |
KR102659861B1 (ko) | 치수 계측 장치, 반도체 제조 장치 및 반도체 장치 제조 시스템 | |
WO2023112302A1 (ja) | 教師データ作成支援装置、教師データ作成支援方法 | |
US20230071668A1 (en) | Pattern Matching Device, Pattern Measurement System, and Non-Transitory Computer-Readable Medium | |
CN117078601A (zh) | 一种兴趣区碎片化工业视觉检测方法及*** | |
TW202409516A (zh) | 電腦系統、尺寸量測方法、及半導體裝置製造系統 | |
CN117495846A (zh) | 图像检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |