TW201510878A - 計測裝置 - Google Patents

Abstract

提供一種可輕易地再次利用過去實施圖形匹配時所使用之識別面的計測裝置。 本發明之計測裝置，係針對用於判定匹配成功與否的匹配識別面與用於選擇演算法的演算法識別面中的至少任一個，賦予固有之識別資訊而事先儲存於記憶部，並將識別資訊設成為索引進而讀出識別面。

Description

計測裝置

關於一種利用圖形匹配的計測裝置，該圖形匹配係使用了試料之圖像。

在計測/檢查形成於半導體晶圓上之圖案的裝置中，係利用模板匹配技術，使檢查裝置之視野對準所期望的計測位置。模板匹配，係從搜尋對象之圖像找出與事先登錄之模板圖像最一致之區域的處理。

作為使用了模板匹配之計測/檢查裝置的例子，係舉例有使用掃描型電子顯微鏡來計測半導體晶圓上之圖案的裝置。本裝置，雖係藉由平台移動將裝置的視野移動至計測位置的大概位置，但僅藉由平台的定位精度，大多存在有在電子顯微鏡之高倍率所拍攝的圖像上產生較大偏移的情形。又，不限於使晶圓在每次相同方向載置於平台，且存在有載置於平台之晶圓的座標系統(例如，晶圓之晶片等的排列方向)與平台之驅動方向不完全一致之情形。此亦導致電子顯微鏡之高倍率所拍攝之圖像上偏移的原因。且，為了在所期望之觀察位置得到高倍率的電子 顯微鏡圖像，而有使電子束僅偏離微小量(例如數十μm以下)，且照射於觀察試料上之目標位置的情形(有稱為電子束偏移之情形)。即使在該電子束偏移中，僅藉由射束之偏轉控制的精度，亦有造成照射位置從所期望之觀察位置產生偏移的情形。

為了修正像這樣的偏移並在正確位置實施計測/檢查，而實施模板匹配。首先，藉由使用比電子顯微鏡像更低倍率之光學式攝像機的對準及使用電子顯微鏡像的對準，多階段地實施對準。

例如，在以光學式攝像機實施載置於平台之晶圓之座標系統的對準時，係使用位於晶圓上分離之位置的複數個晶片(例如晶圓之左右兩端的晶片)的圖像來實施對準。首先，將各晶片內、或位於附近之獨特的相同圖案(在各晶片內，相對地位於相同位置的圖案)登錄為模板。作為此時登錄的圖案，係大多使用在晶圓上製作成為光學用之對準圖案者。接下來，在各晶片中，以對模板登錄之圖案進行拍攝的方式，移動平台，進而在各晶片取得圖像。對所取得的圖像實施模板匹配，且基於其結果所得到的各匹配位置，計算出平台移動的偏移量，並將該偏移量作為平台移動的修正值，以對準平台移動之座標系統與晶圓之座標系統。

在使用電子顯微鏡的對準時，係事先將靠近計測位置之獨特的圖案登錄為模板，並預先記憶從模板所觀察之計測位置的相對座標。從電子顯微鏡所拍攝的圖像 求出計測位置時，係在拍攝的圖像中實施模板匹配，並決定匹配位置，而使從此處起已預先記憶之移動了相對座標部分形成為計測位置。

利用如上述般的模板匹配，使裝置之視野移動至所期望的計測位置。

平台移動之偏移或電子束偏移之偏移較大的情況下，有對準用之圖案無法印在電子顯微鏡所拍攝之圖像內的情形。在該情況下，係以警報的方式將在攝像位置周邊再次尋找對準用之圖案(周邊搜尋)或中斷計測而對準失敗(計測中斷)的情形傳達給使用者。為了實施該處理，而需要判定在圖像內是否有對準用之圖案。

在該判定中，係使用例如模板匹配之匹配分數(例如正規化相關演算中的相關係數)。若匹配分數高於事先設定之基準值(以後，將該基準值稱為驗收分數(Score Acceptance))，則判定為視野內有圖案，若匹配分數低於驗收分數，則判定為視野內沒有圖案。

在模板匹配中，模板與被搜尋圖像各外觀之乖離較大時，有匹配失敗的可能性。作為模板與被搜尋圖像各外觀之乖離變大的理由，例如有下述情形等，其包括：(1)登錄了模板時之檢查裝置的攝像條件與對被搜尋圖像進行拍攝時之檢查裝置的攝像條件之差變大；(2)登錄了模板時之所拍攝之半導體圖案的成果(performance)與對被搜尋圖像進行拍攝之半導體圖案的成果之差異變大；及(3)登錄了模板時之半導體圖案的製造工程與對被搜尋 圖像進行拍攝之半導體圖案的製造工程不同。不限於上述例子，有因各種因素而造成在模板與被搜尋圖像中圖像之外觀乖離變大的情形。

作為避免因模板與被搜尋圖像各外觀之乖離而導致匹配失敗的方法之一，提出一種使用從模板或被搜尋圖像抽出之各種種類的圖像特徵量或從模板與被搜尋圖像之兩者的相互關係所計算出的各種圖像特徵量，來判斷匹配成功與否的方法(專利文獻1)。本方法，係在使用複數個種類之圖像特徵量而構成的特徵量空間中，藉由機械學習(Support Vector Machine：SVM等)來事前求出判別匹配成功與否的識別面(匹配判定邊界面(超表面))而對檢查對象進行匹配時，係使用該識別面來求出匹配正確位置。在本方法中，係藉由使用複數個從圖像得到的資訊(圖像特徵量)，使匹配強健。

又，作為避免因模板與被搜尋圖像各外觀之乖離而導致匹配失敗的其他方法，考慮一種因應乖離的程度、傾向或因應形成為乖離主要原因之條件(圖案之尺寸、攝像倍率等)的差異，來變更匹配演算法或調整匹配之前處理(平滑化處理、邊緣強化等)的方法。又，亦存在有藉由變更裝置之攝像條件(攝像倍率、電子顯微鏡中之照射電子的加速電壓、檢測器之種類等)來使匹配成功的例子。

[先前技術文獻] [專利文獻]

[專利文獻1]日本特開2012-167363號申請

記載於上述專利文獻1的技術，係當在檢查時，輸入新種類的圖像(未使用來作為學習時之圖像)時，有匹配不穩定之情形。在其情況下，係必需使用該新種類的圖像進行再次學習。但是，當進行再次學習時，有無法使用至此為止所使用之識別面及與此關聯之附加資訊的可能性。

例如在半導體生產線中，再現過去的製造工程時，即使在匹配實施時投入新種類的圖像，其新圖像在實際上仍為過去所使用的圖像。在該情況下，相較於再次學習識別面，再次利用以前所學習之識別面其匹配性能的可靠性較高。在該情況下，係考慮將裝置設定回復成以前的識別面為較佳。但是，由於識別面係多維特徵量空間中的多維平面，因此，難以藉由手動操作來再製作識別面。在上述專利文獻1中，並未說明關於消解該課題的方法。又，有不僅使識別面回復成以前的設定，亦有欲合併使用了同識別面時之其他裝置條件(輔助資訊)進而回復成以前之設定的例子。

作為避免因模板與被搜尋圖像各外觀之乖離而導致匹配失敗的其他方法，如先前技術所說明，考慮變 更匹配演算法、調整前處理(圖像處理)之設定參數或調整攝像條件等。在該情況下，使用者必需從該些各種選擇項中來選擇並決定適於觀察對象的設定。該操作，係必需確認每個觀察對象，且為了決定匹配成功之設定而必需進行嘗試錯誤時，對使用者來說，因成為繁雜之作業的狀況多，又嘗試變更設定時需停止生產線，而有使生產效率下降之虞。且，亦有找不到適當的設定之虞。

於是，期望能夠有一種因應觀察對象而自動選擇適當之設定的方法。由於該方法係在實施匹配時，使用者不需選擇(模式選擇)設定，因此，之後稱為非模式匹配。為了實現無模式匹配，而考慮使用機械學習之方法。亦即，考慮使用由機械學習所得到的識別面，來選擇因應於觀察對象之狀態的適當模式。但是，即使在本方法中，亦有當再次學習識別面時，難以回復成至此為止之識別面的設定之課題。

本發明，係有鑑於如上述般的課題進行研究者，以提供一種計測裝置為目的，該計測裝置係可輕易地再次利用過去實施圖形匹配時所使用的識別面。

本發明之計測裝置，係針對用於判定匹配成功與否的匹配識別面與用於選擇演算法的演算法識別面中的至少任一個，賦予固有之識別資訊而事先儲存於記憶部，並將識別資訊設成為索引(KEY)而讀出該些識別面。

根據本發明之計測裝置，藉由賦予至識別面之固有的識別資訊，可輕易地讀出過去實施圖形匹配時所使用的識別面並進行再次利用。

100‧‧‧學習用資料生成部

101‧‧‧學習用圖像取得部

106‧‧‧資料生成部

110‧‧‧履歷保存部

111‧‧‧識別面學習部

113‧‧‧識別資訊附加部

117‧‧‧履歷保存部

118‧‧‧記憶部

120‧‧‧模板匹配部

121‧‧‧演算法選擇部

122‧‧‧匹配成功與否判定部

140‧‧‧履歷資訊選擇部

142‧‧‧履歷資訊讀出部

1000‧‧‧計測裝置

[圖1]計測裝置1000之功能方塊圖。

[圖2]表示主要可被用於計測形成於半導體晶圓上之半導體元件的圖案尺寸之掃描型電子顯微鏡之裝置構成的圖。

[圖3]說明圖像集102與學習用資料107的圖。

[圖4]說明以計測裝置1000來取得圖像集102與學習用資料107之處理的流程圖。

[圖5]表示記述了學習用資料107之內容之文字檔500之例子的圖。

[圖6]表示履歷資訊600之構成例的圖。

[圖7]表示記述了履歷資訊600之內容之文字檔700之例子的圖。

[圖8]表示使用演算法識別面選擇匹配演算法，使用匹配識別面判定匹配成功與否之情況的圖。

[圖9]說明以計測裝置1000再次學習識別面時之動作的功能方塊圖。

[圖10]說明計測裝置1000之硬體構成例的圖。

[圖11]例示表示及編輯履歷資訊600之GUI1100的圖。

[圖12]例示用以檢索記憶部118所儲存之履歷資訊600之GUI1200的圖。

[圖13]例示用以監測計測裝置1000中之識別面之運作狀態之GUI1300的圖。

以下，使用圖面來說明本發明的實施形態。另外，圖中說明編號相同者，只要不特別規定則表示相同構件。

圖1，係本發明之計測裝置1000的功能方塊圖。計測裝置1000，係藉由模板匹配來界定試料上的計測位置。又，被構成為能夠對匹配成功與否或演算法選擇所使用的識別面進行機械學習，且事先將固有之識別資訊賦予至所學習的識別面並加以記憶，之後，使用其識別資訊讀出過去所使用的識別面。

計測裝置1000，係具備有學習用資料生成部100、履歷保存部110、模板匹配部120及履歷資訊選擇部140。學習用資料生成部100，係生成學習用資料，用於取得複數個試料圖像且學習識別面。履歷保存部110，係使用所生成的學習用資料，而對用以判定匹配成功與否之匹配識別面、用以選擇匹配演算法之演算法識別面中的 至少任一個(在以後的說明中，係具備雙方者)進行機械學習，且將固有的識別資訊予以相對應於由學習所得到的識別面並加以記憶。模板匹配部120，係使用識別面來實施模板匹配。履歷資訊選擇部140，係因應使用者之請求，將識別資訊設成為索引，從記憶部讀出識別面。

學習用資料生成部100，係具備有學習用圖像取得部101、資料生成部106。學習用圖像取得部101，係取得學習用之圖像集102。圖像集102，係模板圖像103、匹配位置圖像的集成。匹配位置圖像，係包含匹配正確位置圖像104與匹配不正確位置圖像105中的至少任一個，且在每一幅模板圖像中包含有1幅以上之任一方或兩方的圖像。資料生成部106，係針對圖像集102，將之後機械學習所需的標籤賦予至圖像資料，且輸出為學習用資料107。

另外，在後段的機械學習中，有學習用於判定匹配成功與否之匹配識別面的例子與學習用於選擇匹配演算法(匹配模式選擇)之演算法識別面的例子。學習匹配識別面時的標籤，具體而言，係指在匹配正確位置的圖像中表示正確位置之圖像的標籤(在此係稱為正面)、在匹配不正確位置的圖像中表示不正確位置之圖像的標籤(在此係稱為負面)。學習演算法識別面時的標籤，詳細如後述之圖8所說明，係指得到匹配正確位置圖像後的匹配演算法名稱(匹配模式名稱)。此時的圖像集102，並不是匹配正確位置圖像，亦可為被搜尋圖像本身。標籤及學習用資 料，並不限定於在此所示者，只要是可藉由機械學習得到用於判定匹配成功與否的識別面或用於選擇演算法的識別面即可。

履歷保存部110，係具備有識別面學習部111、識別資訊附加部113、履歷保存部117、記憶部118。識別面學習部111，係使用學習用資料107實施機械學習，進而求出所期望的識別面。識別面，係可藉由記載於專利文獻1等之已存在的方法來求出。作為機械學習手法，係只要使用例如SVM等即可。識別面，其具體例係以後述之圖8進行說明，識別面，係指在由從學習用資料抽出之複數個特徵量所構成的特徵量空間中，判別匹配成功與否的識別面(識別邊界，以下相同)或選擇匹配演算法的識別面。識別資訊附加部113，係將固有的識別資訊附加至識別面資料112，該識別面資料112係合併了所求出之識別面及與識別面相關的附加資訊(以圖6詳細進行說明)。作為識別資訊之例子，係以後述的圖6詳細進行說明，可列舉出記述了計測步驟的計測處理程式115、與計測相關的輔助資訊116等。履歷保存部117，係將附加了識別資訊的識別面資料112儲存於記憶部118。

模板匹配部120，係具備有演算法選擇部121、匹配成功與否判定部122中的至少任一個。以下，係為了方便說明，而設為具備雙方。演算法選擇部121，係使用計測處理程式114(已賦予識別資訊)，選擇對應於計測對象130之匹配演算法，而實施模板匹配。關於使用 識別面來選擇匹配演算法之具體例，係以後述圖8進行說明。匹配成功與否判定部122，係求出實施了模板匹配的匹配結果。匹配處理，係能夠使用記載於例如專利文獻2的方法。簡單進行說明，將計測對象、模板圖像或從該些相互關係所求出的特徵量描繪於識別面學習部111所求出之特徵量空間，且基於識別面資料112保持的識別面，來求出計測對象130的匹配正確位置。

演算法選擇部121所選擇的演算法，係除了演算法本身不同以外，即使為相同的演算法，亦包含設定參數不同者、圖像處理中之前處理不同者及前處理之參數不同者等。

在計測裝置1000不使用演算法選擇部121的情況下，使用事先所指定的匹配演算法，且僅在匹配成功與否判定中使用識別面。在不使用匹配成功與否判定部122的情況下，使用識別面選擇匹配演算法，且在模板匹配之成否判定中，不使用識別面而使用一般的匹配方法(作為記載於例如專利文獻2之習知方法的圖像基準匹配等)。

在可取得由使用了識別面之模板匹配所得到的匹配結果136時，匹配結果136亦與上述之識別資訊予以相對應，並亦可儲存於記憶部118。

履歷資訊選擇部140，係具備有履歷資訊讀出部142。履歷資訊讀出部142，係基於選擇用資訊141(檢索關鍵字(元件名稱、製作日期時間、製作者等)、外部條 件(元件圖案寬度20nm以下、2012年以後製成等)等)，從記憶部118檢索滿足條件的識別面並讀出，該選擇用資訊141係指定用以讀出所期望之識別面及後述之履歷資訊600的條件。履歷資訊讀出部142，係將所讀出之識別面資料143傳送至識別資訊附加部113。識別資訊附加部113，係與前述相同將識別資訊143附加至計測處理程式115。藉此，可檢索記憶部118所儲存之所期望的識別面，並組合計測處理程式114從而實施圖形匹配。

圖2，係作為計測裝置1000之1例，表示用於計測形成於半導體晶圓上之半導體元件的圖案尺寸之掃描型電子顯微鏡(Scanning Electron Microscope：SEM)之裝置構成的圖。

電子槍201，係用以使電子束發生。在作為被置於平台202上之試料的半導體晶圓203上的任意位置，以連結焦點照射電子束的方式，控制偏向器204及接物鏡205。二次電子係從照射了電子束的半導體晶圓203被釋放，且藉由二次電子檢測器206來檢測。所檢測之二次電子，係藉由A/D轉換器207轉換成數位訊號，並儲存於處理部214內的圖像記憶體215。CPU216，係用以實施使用了因應目的之圖像處理、機械學習的識別處理。本發明之模板匹配，係以處理部214來予以實施。顯示裝置220，係用以顯示處理結果。光學式攝像機211，係用於進行比前述之電子顯微鏡更低倍的光對準。藉由光學式攝像機211對半導體晶圓203進行拍攝所得到的訊號，亦藉由 A/D轉換器212被轉換成數位訊號(光學式攝像機211之輸出為數位訊號時，則不需要A/D轉換器212)，並儲存於處理部214內的圖像記憶體215，而CPU216係因應目的對此進行圖像處理。在具備有反射電子檢測器208的情況下，係藉由反射電子檢測器208來檢測從半導體晶圓203所釋放的反射電子。所檢測之反射電子，係藉由A/D轉換器209或210來轉換成數位訊號，並儲存於處理部214內的圖像記憶體215，而CPU216係因應目的對此進行圖像處理。

圖3，係說明關於圖像集102與學習用資料107的圖。下述，說明圖3所示之各例。

圖3(a)，係表示為了學習識別面而取得的圖像。用於學習識別面的圖像，係指在圖形匹配中，作為搜出對象之模板圖像301與被搜尋圖像302。模板圖像301，係亦可使用實際上裝置所取得之圖像(例如，電子顯微鏡所取得的圖像或光學式攝像機211所取得的圖像)，又亦可如記載於日本特開2002-328015號公報所示，基於半導體元件之設計資料來予以製作。基於設計資料來製作模板圖像時，不需特意為了製作模板而以計測裝置1000來取得圖像。在被搜尋圖像302內，符合所期望之匹配圖案的位置303將形成為匹配正確位置。匹配正確位置303以外的位置，全都是匹配不正確位置。在圖3(a)中，係表示以位置304作為匹配不正確位置的1例。

圖3(b)，係表示包含於學習用資料107之圖 像資料之例的圖。如圖1所說明，在學習用資料107中，包含有模板圖像311與匹配位置圖像之組合，在匹配圖像附加有標籤。圖3(b)，係表示用於學習判定匹配成功與否之識別面的附加標籤例子。對匹配正確位置圖像312附加正面之標籤，對匹配不正確位置圖像313附加負面之標籤。可藉由使用像這樣附加了標籤的資料，來機械學習識別面。

在用於學習選擇匹配演算法之識別面的學習用資料107中，匹配演算法名稱會形成為標籤。該情況中的匹配演算法名稱，係不僅匹配手法的種類，即使在其演算法之設定參數不同的情況下或圖像處理中之前處理之設定參數不同的情況下，亦可賦予不同的演算法名稱。藉此，在設定參數不同的情況下，亦可處理為不同的匹配模式，且設定參數之差異亦納入範圍，而學習選擇適當之匹配模式的識別面。

圖3(c)，係表示使學習用資料107改變之條件的圖。在取得學習用資料107時，越是取得儘可能包含眾多在每個檢查對象中所設想之各種學習用資料的變異，則匹配變得更加強健之可能性越提高。作為使學習用資料107之變異產生的條件，係有圖案形狀的變異321、裝置條件的變異322、所選擇之匹配演算法設定的變異323。

作為圖案形狀321，係有設計變異330(所設計之形狀)。例如，考慮線&空間之圖案、通孔陣列圖案、連接圖案、其他各種圖案，又，有各圖案之尺寸、配置之 間距等的變異。由於該些試料之圖案形狀類別會對識別面之學習結果帶來較大的影響，因此，期望可事先在每一種圖案形狀中學習識別面，且識別其圖案形狀類別。下述所說明之其他圖案形狀321亦相同。

作為其他圖案形狀321，係有因半導體製造程序之條件改變所致之變異331。例如，有圖案之尺寸與設定資料乖離的將況或在線上產生粗糙度之情形。

作為其他圖案形狀321，係有因半導體元件之構造或製造工程所致之變異。例如，多層構造圖案中之上下層的對準偏移時，係在觀察像中亦觀察上下層時，因偏移的程度不同而所觀察的圖案形狀有所不同。又，因上下層之差異，而有觀察像之邊緣的外觀不同之情形。又，因圖案側壁之傾斜角度不同，即使在俯視圖之觀察像中拍入有側壁部，亦有設計資料與外觀不同的情形。或者因材質的差異，而有在圖像之對比產生差異的情形。又，在半導體製程之多重曝光(SADP等)中，有因各曝光層間的對準移位而造成外觀與設計資料不同的情形。

作為裝置條件322之變異，係有裝置設定的變異335。例如，有攝像倍率、照射電子之加速電壓、探針電流、焦點設置值、圖像之框架加算數、檢測器之差異等之設定的差異。作為其他裝置條件322之變異，係有裝置設定間的機差336。作為其他裝置條件322之變異，係有裝置設定之執行值的經時程變化337。亦考慮增加了其他干擾條件338的圖案。例如，有受到來自外部之電磁場 雜訊或機械振動之影響的情形。

作為匹配演算法設定323之變異，係有所選擇之演算法手法的種類、演算法之設定參數的差異、圖像處理之前處理的差異或前處理之設定參數的差異等。

藉由改變如上述列舉出之學習用資料107的變化條件來取得圖像集102的方式，可在各種條件下取得圖像集102。考慮藉由使用包含有所設想之變異而生成學習用資料107來進行機械學習的方式，可形成更強健的匹配。但是，不一定要含有眾多條件而使匹配變得強健。又，變化條件並不限定於在此所列舉的條件，只要可使圖像之特徵改變的條件，則亦可使用其他條件來取得圖像集102。

圖4，係說明以計測裝置1000來取得圖像集102與學習用資料107之處理的流程圖。學習用圖像取得部101係實施步驟S401~S410，資料生成部106係實施步驟421~S422。下述，說明圖4之各步驟。

(圖4：步驟S401)

學習用圖像取得部101，係取得模板圖像311。

(圖4：步驟S402)

學習用圖像取得部101，係以使晶圓上之觀察對象進入到裝置視野內的方式，使視野移動(如先前技術所說明，由於視野移動產生偏移，因此，不一定限於觀察對象 進入視野內)，且以計測裝置1000來取得其視野的圖像，進而成為被搜尋圖像。在本步驟中，記述了對圖像進行拍攝時之條件的攝影條件資訊430，係成為步驟S422之輸入。

(圖4：步驟S403)

學習用圖像取得部101，係實施模板圖像311與被搜尋圖像之間的模板匹配。記述了此時所使用之匹配演算法之設定的演算法設定資訊431，係成為步驟S422的輸入。

(圖4：步驟S404)

在匹配或其匹配後所實施之計測成功後，前進到步驟S405，失敗時前進到步驟S408。

(圖4：步驟S405~S407)

學習用圖像取得部101，係切出匹配位置(S405)，並將所切出之圖像登錄為匹配正確位置圖像312(S406)。且，亦可切出匹配正確位置圖像以外的任意位置(S407)，並在後述之步驟S409中將其切出之圖像登錄為匹配不正確位置圖像313。

(圖4：步驟S408~S409)

學習用圖像取得部101，係切出匹配位置(S408)，並 將所切出之圖像登錄為匹配不正確位置圖像313(S409)。亦可將步驟S407所切出之圖像登錄為匹配不正確位置圖像313。

(圖4：步驟S410)

學習用圖像取得部101，係針對所有的學習用資料條件，判定匹配處理是否結束。未結束時，返回步驟S401並針對剩餘的條件實施匹配。針對所有的條件(例如圖3(c)所說明之所有的條件)，結束匹配處理而得到的圖像集會形成為圖像集102。在此，實際上，雖實施模板匹配而判定了匹配成功與否，但使用者亦可藉由目視確認來判定匹配成功與否。

(圖4：步驟S421~S422)

資料生成部106，係對圖像集102賦予標籤(S421)。資料生成部106，係針對各模板圖像，將模板圖像與匹配圖像及所對應之標籤予以相對應，並儲存至記憶部118。針對相對應之例子，以後述之圖7來進行說明。且，亦可將攝像條件資訊430或演算法設定資訊431合併而予以相對應，並儲存於記憶部118。攝像條件資訊430及演算法設定資訊431之內容，係例如為圖3(c)所說明之內容的一部分或全部。

圖5，係表示記述了學習用資料107之內容之文字檔500之例子的圖。針對模板圖像510、匹配結果圖 像511及512，係記述其圖像檔案名稱。針對匹配位置圖像，係在每個附加標籤之結果記述圖像檔案名稱。例如如圖5所示，記述為如正面之圖像檔案名稱一覽511、負面之圖像檔案名稱一覽512。此外，亦可記述攝像條件資訊430與演算法設定資訊431。該些記述內容，係指圖3(c)所示的資訊。文字檔500，係在步驟S422製作資料生成部106，並儲存於記憶部118。

圖6，係表示履歷保存部117所儲存於記憶部118之資訊(在下述中，稱為履歷資訊600)之構成例的圖。履歷資訊600，係過去之圖形匹配所使用之識別面及與此相對應之資訊的組合，有管理編號/文字列610、演算法識別面屬性611、匹配識別面屬性612、計測處理程式名稱613、輔助資訊614、匹配性能資訊615、學習用資料資訊616。

管理編號/文字列610為固有的識別資訊，其係用於界定記憶部118所儲存的識別面，或界定計測裝置1000實施模板匹配時所利用的識別面。只要能夠固有地識別識別面，則不限記述形式。

演算法識別面屬性611，係用於選擇匹配演算法之識別面的屬性資訊，且包含有學習方法類別620、學習方法附加資訊621、匹配演算法的個數及各匹配演算法的名稱622、在學習中所使用之特徵量類別623。演算法識別面屬性611，係不限於該些，亦可使用顯示演算法識別面之屬性的其他資訊。

學習方法類別620，係指定以識別面學習部111實施機械學習時所使用之學習手法的種類(例如，非線形軟性邊界SVM)。演算法選擇部121，亦使用對應於學習方法類別620的識別手法。在SVM中的識別面構築中，亦可包含所需之支持向量資訊及每個前述支持向量所附帶之類別資訊(匹配成功與否或匹配演算法之種類)。

學習方法附加資訊621，係指記述識別面學習部111所實施之機械學習手法中之設定參數的資訊。例如若為非線形軟性邊界SVM，則包含有核心函數之種類(高斯函數、多項式核函數等)、核心函數之係數(若為高斯函數，γ值等)、設定施加於不滿足識別面所致之判別的樣品之損失程度的成本係數等。此外，亦可包含關於由機械學習所得到之支持向量的資訊。

特徵量類別623，係指定在識別面學習部111實施的機械學習中所使用之特徵量的種類。亦可指定複數個種類。識別面學習部111，係求出由該特徵量所構成之特徵量空間中之識別面。又，以演算法選擇部121選擇匹配演算法時，亦在該特徵量空間描繪計測對象之特徵量，並識別識別面。特徵量之種類的例子，係記載於專利文獻2。

匹配識別面屬性612，係用於判定匹配成功與否之識別面的屬性資訊，且包含有學習方法類別624、學習方法附加資訊625、特徵量類別626。該些內容，係除了使用於判定匹配成功與否時的觀點之外，其餘與包含於 演算法識別面屬性611各資訊相同。

計測處理程式名稱613，係指記述了計測裝置1000所實施之計測步驟的檔案(處理程式檔案)名稱。本檔案，係記述用於實施所期望之計測之裝置的各種設定、處理執行步驟等。

輔助資訊614，係包含有一般屬性627、計測對象屬性628。一般屬性627，係指製作履歷資訊600之日期時間、製作者名、使用者任意記載內容的註解資訊等。計測對象屬性628，係指元件之原始資訊等之資訊。例如計測對象之工程名稱、元件結構名稱(線&空間、通孔陣列、SAxP、FinFET、DSA等)、元件之設想尺寸(線寬、孔徑等)等。除了上述內容以外，只要是可利用來界定識別情報600者，則可使用其他資訊。

匹配性能資訊615，係關於使用演算法識別面屬性611、對應於匹配識別面屬性612的各識別面，來實施模板匹配時之匹配性能的資訊。例如，匹配正確率、匹配正確位置之匹配分數與匹配失敗位置之匹配分數之間的分離性(例如匹配不正確位置的匹配分數/匹配正確位置的匹配分數)、匹配成功與否(界定之模板與被搜尋圖像之各組合中的匹配成功與否)。匹配性能資訊615，係並不限定於上述內容，只要是可表示匹配性能之資訊即可。

學習用資料資訊616，係學習用資料107及其屬性資訊。例如，學習用圖像629，係記述模板圖像的檔案名稱、匹配正確位置圖像的檔案名稱、匹配不正確位置 圖像的檔案名稱。攝像條件資訊630，係計測裝置ID、攝像倍率、攝像範圍、照射電子的加速電壓、探針電流、框架加算數、焦點特徵值等的資訊。計測對象資訊631，係記述線寬、邊緣粗度等。更新履歷資訊616，係記載本學習資料製作的履歷資訊者。例如，以某種學習用資料(在此，稱為原始學習用資料)為基礎進行再次學習而製作新的學習用資料時，係記載有原始學習用資料的管理編號/文字列610及再次學習執行條件(追加學習用資料的名稱等)。從複數個不同的原始學習用資料製作學習用資料時，記載有該複數個原始學習用資料。在進行複數次再次學習時，係可記載其所有的更新履歷。另外，亦可因應所需，記載僅關於一部分之再次學習的更新履歷。如此一來，更新履歷資訊616，係可追溯學習用資料的製作履歷。學習用資料資訊616，係並不限定於上述內容，只要是可表示學習用資料之原始的資訊即可。

履歷保存部117，係將管理編號/文字列610設成為索引，將包含於履歷資訊600之上述各資訊予以相對應，並儲存於記憶部118。其他的資訊，亦相同地能夠將管理編號/文字列610設成為索引並予以相對應，且加以儲存。藉此，可儲存識別面及相關聯之各資訊的過去履歷。

圖7，係表示記述了履歷資訊600之內容之文字檔700之例子的圖。另外，履歷保存部117，係基於例如後述之圖11所說明之畫面上所輸入的資訊，製作文字 檔700，並儲存於記憶部118。管理編號/文字列610，係履歷保存部117對與已儲存之文字檔700之管理編號/文字列610不同的編號進行自動編號，或是，使用者在後述之圖11所說明的畫面上進行輸入。藉由將管理編號/文字列610附加至文字檔700，可將各資訊予以相對應並儲存於記憶部118。

各資訊之記述形式，係並不限定於圖7所示者。又，亦可將各資訊分割成複數個檔案而進行記載。在該情況下，係藉由將管理編號/文字列610賦予至各檔案並予以相對應、基於檔案名稱將各檔案予以相對應等的手法，來保持對應關係。

圖8，係表示使用演算法識別面選擇匹配演算法，且使用匹配識別面判定匹配成功與否之情況的圖。為了簡易記載，而例示使用了2個特徵量之2維特徵量空間中之識別面，但亦可使用3種以上的特徵量。

圖8(a)，係表示使用匹配識別面800，來判定匹配成功與否之情況的圖。作為使用機械學習判定匹配成功與否的方法，係有專利文獻2所記載的方法。例如使用SVM時，在由學習時從學習用資料107所求出之複數個特徵量而構成的特徵量空間中，求出使特徵量分割成匹配成功與匹配失敗之2種類的匹配識別面800。實施匹配時，係從計測對象求出特徵量，且將同特徵量描繪於與學習時相同的特徵量空間，而基於其特徵量屬於被匹配識別面800分割的哪一個種類，來判定匹配成功與否。若所計 測之特徵量屬於匹配成功類別，則判定為匹配成功，若屬於匹配失敗類別，則判定匹配失敗。

圖8(b)，係表示使用演算法識別面850，選擇匹配演算法之情況的圖。在此，雖表示了選擇3個匹配演算法中任一的例子，但，作為選擇候補之演算法個數可為任意。與圖8(a)相同，在由學習時從學習用資料107所求出之複數個特徵量而構成的特徵量空間中，求出使特徵量分割成與各匹配演算法相對應之3種類的演算法識別面850。實施匹配時，係從計測對象求出特徵量，且將同特徵量描繪於與學習時相同的特徵量空間，且基於其特徵量屬於被演算法識別面850分割的哪一個種類，來選定應使用的匹配演算法。

圖9，係說明以計測裝置1000再次學習識別面時之動作的功能方塊圖。在追加與已使用於學習之學習資料107不同的新學習資料107而再次學習識別面時，係使用新追加的學習用資料107、已學習的學習用資料107、已儲存於記憶部118內的學習用資料資訊616等，來進行再次學習。因管理以前由學習所得到的履歷資訊600，因此，可輕易選擇使用於再次學習之既有的學習用資料，且有效率地進行再次學習。

圖10，係說明計測裝置1000之硬體構成例的圖。計測裝置1000，係不一定需要在1台硬體內搭載所有的構成要素，亦可將其構成要素分散搭載於複數個機器。在如圖10所示的例子中，係在網絡1100中連接有計 測裝置1001~1003、記憶部118、電腦1004。

電腦1004，係實施具備有計測裝置1000之功能中的至少一部分。例如可在電腦1004上安裝履歷資訊選擇部140與輸出部135的功能，且經由後述圖11所說明之GUI接收來自使用者的操作輸入，或給予使用者提示匹配結果136。記憶部118，係可共用計測裝置1001~1003。履歷資訊600，係亦可在每計測裝置附加不同的管理編號/文字列610，只要是不會使管理編號/文字列610重複者則亦可共用。計測裝置1001~1003，係具備有計測裝置1000所具備的功能中安裝於電腦1004的功能及記憶部118以外的功能。

計測裝置之台數為任意，並不限定為3台。電腦1004之台數，並不限定於1台，亦可將例如計測裝置1000所具備的功能分散而安裝於複數個電腦上。

圖11，係例示表示及編輯履歷資訊600之GUI1100的圖。GUI1100，係可構成為例如顯示器上的操作畫面。GUI1100，係具備有對應於履歷資訊600之至少一部分的項目。在圖11所示的例子中，係可顯示管理編號/文字列1110、演算法識別面屬性1111、匹配識別面屬性1112、計測處理程式檔案名稱1113、輔助資訊1114、匹配性能1115、學習用資料資訊1116，並進行編輯。

使用者，係將值輸入至管理編號/文字列1110，且按押識別面讀入按鈕1133。履歷資訊讀出部142，係從記憶部118讀出該識別資訊600，而顯示於 GUI1100上。當使用者在計測處理程式檔案名稱1113內指定計測裝置1000的計測處理程式檔案名稱且按壓連接按鈕1132時，可藉由相同的管理編號/文字列1100，連接所顯示的履歷資訊600與所指定的計測處理程式。當按押履歷資訊儲存按鈕1131時，履歷保存部117係將顯示的履歷資訊儲存於記憶部118。匹配性能1115，係亦可從記憶部118讀入並取得過去的匹配結果。在該情況下，按押匹配結果讀入按鈕1120，進而讀入記述了匹配結果的資料。學習用資料資訊1116，係可一覽顯示指定的圖像。又，可從其一覽來選擇用於學習之圖像。且，亦可從學習用資料107刪除圖像(按鈕1121)，追加新圖像(按鈕1122)。當按壓學習按鈕1130或再次學習按鈕1134時，識別面學習部111，係根據顯示的內容來學習或再次學習識別面。

圖12，係例示用以檢索記憶部118儲存之履歷資訊600之GUI1200的圖。使用者，係輸入檢索關鍵字1201且按壓檢索按鈕1202。履歷資訊讀出部142，係對照履歷資訊600與檢索關鍵字1201，將符合之一覽顯示於一覽顯示部1210上。一覽顯示部1210，係顯示履歷資訊600的至少一部分。當選擇一覽顯示部1210所顯示之任一履歷資訊1211且按壓詳細顯示按鈕1212時，履歷資訊讀出部142，係從記憶部118詳細讀出履歷資訊1211，並顯示於例如GUI1100上。

當按壓選擇按鈕1213時，將所選擇的履歷資訊1211 附加至計測處理程式，且在實施之後的匹配時使用此資料。

圖13，係例示用以監測計測裝置1000中之識別面之運作狀態之GUI1300的圖。由於使用於以計測裝置1000實施圖形匹配時的識別面係穩定實施匹配，因此，有因應計測對象等之條件進行切換的情形。藉由使用GUI1300，可目視確認是否要切換，或可目視確認至此為止之識別面的變更履歷。GUI1300，係在每個計測裝置1000顯示識別面的運作狀態。具體而言，係藉由圖表1310在每個計測裝置1000顯示以下資訊。

圖表1310之橫軸，係表示日期時間及在各日期時間中計測裝置1000所使用之識別面的管理編號/文字列610。圖表1310之縱軸，係表示以計測裝置1000實施圖形匹配時之匹配誤差率及匹配分數。

使用者了解到，在匹配分數經時日變化而下降時，有造成匹配不穩定之虞。相同地，可輕易了解，當誤差率上升時，匹配會變得不穩定。此外，當匹配分數成為預定閾值以下時，亦可在GUI1300上顯示有匹配不穩定之虞的要點，且促進識別面的變化或再次學習。

當按壓詳細顯示按鈕1311時，可顯示：顯示於圖表1310上之識別面的履歷資訊600、該計測裝置1000中之至此為止的匹配性能、使用了其他計測裝置1000中之該識別面的匹配性能等。

<本發明之總結>

如上述，本發明之計測裝置1000，係能夠在用於判定匹配成功與否之識別面與選擇匹配演算法之識別面中的至少一方，賦予所例示為履歷資訊600的識別資訊，並將同識別資訊設成為索引而讀出過去所使用之該些的識別面。藉此，即使藉由例如再次學習來更新識別面時，亦可讀出以前所生成的識別面及相關連的履歷資訊600，且使用此來實施模板匹配。

又，由於可根據本發明之計測裝置1000而輕易地返回到過去所使用之識別面的設定，因此，使用者不需擔心匹配性能下降而可再次學習且更新識別面。

又，根據本發明之計測裝置1000，相較於藉由機械學習選擇匹配演算法且使用複數個匹配演算法之組合的方式(集成學習)，能夠以少數的匹配演算法來實施匹配。藉此，可縮短匹配處理時間並提升計測裝置1000的生產率。

履歷資訊600，係期望構成為讓使用者在之後可輕易讀出各識別面。因此，履歷資訊600，係期望構成為可良好地顯示各識別面之學習結果的特徵，並使用讓使用者可輕易理解其特徵的資訊。識別面之學習結果，係因計測對象之形狀圖案類別而受到較大的影響，又，對於使用者來說，形狀圖案類別亦為輕易理解的資訊，因此，將此使用來作為履歷資訊600是有用的。又，由於圖案形狀係因攝影倍率而造成外觀或其學習結果顯著不同，因此， 同時使用圖案形狀與攝影倍率亦有用。且，因期望使用良好地學習了該圖案形狀的識別面，因此，使用該圖案形狀實施圖形匹配時的匹配性能作為履歷資訊600亦為有用。

本發明，並不限定於上述之實施形態，可包含各種變形例。上述實施形態，係為了使清楚理解本發明而詳細進行說明者，並不限定於具備所說明之所有構成者。例如本發明，係亦可適用於使用圖形匹配來檢查試料的檢查裝置。又，在以上的說明中，雖表示了以掃描電子顯微鏡作為計測裝置之例子，但並不限定於此，亦可廣泛地適用於使用試料圖像來實施模板匹配的計測裝置。

100‧‧‧學習用資料生成部

101‧‧‧學習用圖像取得部

102‧‧‧圖像集

103‧‧‧模板圖像

104‧‧‧匹配正確位置圖像

105‧‧‧匹配不正確位置圖像

106‧‧‧資料生成部

107‧‧‧學習用資料

110‧‧‧履歷保存部

111‧‧‧識別面學習部

112‧‧‧識別面資料

113‧‧‧識別資訊附加部

114‧‧‧計測處理程式

115‧‧‧計測處理程式

116‧‧‧輔助資訊

117‧‧‧履歷保存部

118‧‧‧記憶部

120‧‧‧模板匹配部

121‧‧‧演算法選擇部

122‧‧‧匹配成功與否判定部

130‧‧‧計測對象

135‧‧‧輸出部

136‧‧‧匹配結果

140‧‧‧履歷資訊選擇部

141‧‧‧選擇用資訊

142‧‧‧履歷資訊讀出部

143‧‧‧識別面資料

Claims (12)

1. 一種計測裝置，係對試料之圖像實施圖形匹配，其特徵，係具備：學習用資料生成部，將使用於實施前述圖形匹配時之模板圖像與由前述圖形匹配得到之結果圖像的組合製作為複數個學習用資料；機械學習部，使用前述學習用資料，藉由機械學習求出匹配識別面及演算法識別面中的至少任一個，該匹配識別面係用於判定前述圖形匹配成功與否之特徵量空間上的識別面，該演算法識別面係用於選擇使用於實施前述圖形匹配時之演算法之特徵量空間上的識別面；履歷保存部，將記述前述匹配識別面之匹配識別面資料或記述前述演算法識別面之演算法識別面資料中的至少任一個與固有的識別資訊予以相對應，並儲存於記憶部內；選擇部，將前述識別資訊設成為索引，讀出相對應之前述匹配識別面資料或相對應之前述演算法識別面資料；及匹配部，根據前述選擇部讀出的結果，使用過去實施之前述圖形匹配中所使用之前述匹配識別面資料或前述演算法識別面資料，判定前述圖形匹配成功與否或選擇前述演算法。
2. 如申請專利範圍第1項之計測裝置，其中，前述履歷保存部，係將前述試料之形狀圖案的類別與 前述識別資訊予以相對應，並儲存於前述記憶部，前述選擇部，係當將前述形狀圖案的類別設成為索引，而接受要求讀出前述匹配識別面資料或前述演算法識別面資料的請求時，從前述記憶部讀出對應於前述形狀圖案之類別的前述匹配識別面資料或前述演算法識別面資料。
3. 如申請專利範圍第2項之計測裝置，其中，前述履歷保存部，係將前述形狀圖案的攝影倍率與前述識別資訊予以相對應，並儲存於前述記憶部，前述選擇部，係當將前述形狀圖案的類別與前述形狀圖案的攝影倍率設成為索引，而接受要求讀出前述匹配識別面資料或前述演算法識別面資料的請求時，從前述記憶部讀出對應於前述形狀圖案之類別及前述形狀圖案之攝影倍率的前述匹配識別面資料或前述演算法識別面資料。
4. 如申請專利範圍第3項之計測裝置，其中，前述履歷保存部，係使用前述形狀圖案的類別及前述形狀圖案的攝影倍率，將實施了前述圖形匹配後的匹配正確率與前述識別資訊予以相對應，並儲存於前述記憶部，前述選擇部，係當將前述形狀圖案的類別、前述形狀圖案的攝影倍率及前述匹配正確率設成為索引，而接受要求讀出前述匹配識別面資料或前述演算法識別面資料的請求時，從前述記憶部讀出對應於前述形狀圖案之類別、前述形狀圖案之攝影倍率及前述匹配正確率的前述匹配識別面資料或前述演算法識別面資料。
5. 如申請專利範圍第4項之計測裝置，其中，前述履歷保存部，係將記述了前述匹配識別面之屬性的匹配識別面屬性、記述了前述演算法識別面之屬性的演算法識別面屬性、記述了前述計測裝置之計測步驟的處理程式資訊、與前述圖形匹配相關連的輔助資訊、記述了前述圖形匹配之性能指標的匹配性能資訊及前述學習用資料中的至少任一個與前述識別資訊予以相對應，並儲存於前述記憶部。
6. 如申請專利範圍第5項之計測裝置，其中，前述履歷保存部，係使用下述中的至少任一個作為前述匹配識別面屬性，其包括：使用於機械學習前述匹配識別面時的學習手法名稱、使用於機械學習前述匹配識別面時的核心函數類別、前述核心函數內的係數及使用於機械學習前述匹配識別面時的特徵量類別。
7. 如申請專利範圍第5項之計測裝置，其中，前述履歷保存部，係使用下述中的至少任一個作為前述演算法識別面屬性，其包括：使用於機械學習前述演算法識別面時的學習手法名稱、使用於機械學習前述演算法識別面時的核心函數類別、前述核心函數內的係數、成為選擇候補之前述演算法的個數、成為選擇候補之前述演算法的名稱及使用於機械學習前述演算法識別面時的特徵量類別。
8. 如申請專利範圍第5項之計測裝置，其中， 前述履歷保存部，係使用下述中的至少任一個作為前述匹配性能資訊，其包括：前述圖形匹配中之匹配分數的分離性及前述機械學習中之匹配成功與否。
9. 如申請專利範圍第1項之計測裝置，其中，前述學習用資料生成部，係具備有取得對前述試料進行拍攝之複數個圖像的學習用圖像取得部，使用複數個種類的匹配演算法對前述複數個圖像實施圖形匹配，且將前述圖像中，於前述圖形匹配已成功匹配的部位切出來作為正確位置圖像，並將除此之外的部位切出來作為不正確位置圖像，進而將前述正確位置圖像與前述不正確位置圖像使用來作為由前述圖形匹配所得到的結果圖像。
10. 如申請專利範圍第5項之計測裝置，其中，前述計測裝置，係提供用於以畫面顯示下述中之至少任一個並進行變更的GUI，其包括：前述識別資訊、前述試料之形狀圖案的類別、前述形狀圖案的攝影倍率、前述匹配正確率、前述匹配識別面屬性、前述演算法識別面屬性、前述處理程式資訊、前述輔助資訊、前述匹配性能指標及前述學習用資料。
11. 如申請專利範圍第5項之計測裝置，其中，前述計測裝置，係提供用於指定下述中之至少任一個並進行檢索儲存於前述記憶部內所符合的前述識別資訊的GUI，其包括： 前述識別資訊、前述試料之形狀圖案的類別、前述形狀圖案的攝影倍率、前述匹配正確率、前述匹配識別面屬性、前述演算法識別面屬性、前述處理程式資訊、前述輔助資訊、前述匹配性能指標及前述學習用資料。
12. 如申請專利範圍第1項之計測裝置，其中，前述計測裝置，係使用前述機械學習的匹配識別資訊或前述機械學習的演算法識別面資訊，針對實施了前述圖形匹配時之匹配分數、前述圖形匹配之誤差率中的至少任一個，輸出記述了其時間序列變化的資訊。