TWI809703B - 輪廓線解析裝置，處理條件決定系統，形狀推定系統，半導體裝置製造系統，探索裝置及使用於該等的資料構造 - Google Patents
輪廓線解析裝置，處理條件決定系統，形狀推定系統，半導體裝置製造系統，探索裝置及使用於該等的資料構造 Download PDFInfo
- Publication number
- TWI809703B TWI809703B TW111104680A TW111104680A TWI809703B TW I809703 B TWI809703 B TW I809703B TW 111104680 A TW111104680 A TW 111104680A TW 111104680 A TW111104680 A TW 111104680A TW I809703 B TWI809703 B TW I809703B
- Authority
- TW
- Taiwan
- Prior art keywords
- shape model
- shape
- data
- aforementioned
- model
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 106
- 239000004065 semiconductor Substances 0.000 title claims abstract description 70
- 238000004458 analytical method Methods 0.000 title claims description 26
- 238000004519 manufacturing process Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims description 114
- 238000005259 measurement Methods 0.000 claims description 44
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 28
- 230000003595 spectral effect Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 22
- 238000013041 optical simulation Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims 1
- 238000011960 computer-aided design Methods 0.000 description 30
- 230000007547 defect Effects 0.000 description 14
- 238000011165 process development Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000001878 scanning electron micrograph Methods 0.000 description 7
- 238000005530 etching Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000004626 scanning electron microscopy Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003917 TEM image Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 238000004093 laser heating Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
- 238000001039 wet etching Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2117/00—Details relating to the type or aim of the circuit design
- G06F2117/12—Sizing, e.g. of transistors or gates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
- Image Analysis (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
對於在半導體處理產生的複雜的形狀，可為高精度的尺寸抽出。
在組合複數的橢圓(100)而形成的圖形的周圍上設置始點(110)及終點(111)，使用連接該2點的周圍上的被一筆畫的曲線(120)作為形狀模型，藉此記述對象構造的輪廓線。
Description
本發明是有關輪廓線解析裝置，處理條件決定系統，形狀推定系統，半導體裝置製造系統，探索裝置及使用於該等的資料構造。
在半導體製程中依據適當的處理條件來處理半導體試料，藉此可實施最好的半導體加工。近年來，導入構成裝置(device)的新材料，且裝置構造複雜化，半導體處理裝置的控制範圍被擴大，追加了許多的控制參數。製程多步驟化，實現微細複雜的加工。為了使用半導體處理裝置來生產高性能的裝置，而須進行導出實現半導體試料的目標的加工形狀的適當的處理條件之製程開發。
為了充分地發揮半導體處理裝置的性能，多數的控制參數的最適化不可缺少，為了實現而須製程開發的技術(know-how)或高的裝置運用技術(skill)及處理試驗的多數的反覆試驗。因此，在製程開發是需要大規模的次數的尺寸計測。例如思考線與空間(Line and Space，L/S)圖案的樣品作為處理對象時，若將每個線圖案的CD(Critical Dimension)或深度等的尺寸設為10處，且將計測的線圖案數設為10個，則1試料需要100個的計測。因此，若假設處理100個的試料，則需要合計10000次的尺寸計測。
裝置的構造越複雜化，計測處數越增加，因此隨著尺寸計測時間的長期化，製程開發的延遲成為課題。並且，該等的尺寸隨著構造的微細化而年年縮小，假借人手的尺寸抽出變難。因此，需要不靠人手，高速且高精度地從半導體試料的畫像抽出對象構造的尺寸之技術。專利文獻1是揭示如此的技術。
專利文獻1是利用形狀模型來產生假想性的加工形狀，利用SEM模擬(simulation)來作成加工形狀及SEM訊號波形的資料庫。將在SEM取得的實際的訊號波形與資料庫對照，藉此特定訊號波形接近的加工形狀，作為觀察中的加工形狀推定。藉此，可抽出SEM畫像的輪廓線測出(邊緣測出)或對象構造的尺寸。
先前技術文獻
專利文獻
專利文獻1：日本特開2009-198339號公報
(發明所欲解決的課題)
專利文獻1的情況，由於在實施例所示的形狀模型為簡素，因此可想像複雜的形狀的識別困難。又，由於藉由資料庫對照來進行推定，因此可想像針對資料庫沒有的形狀是難以推定。目前，就半導體裝置而言，微細化或3D化日益進展，又量子電腦等多樣的構造正被提案。隨之，可想像假借人手的尺寸抽出今後變更難，因此需要不伴隨手動操作(Manual operation)，短時間抽出複雜且多種的形狀。
因複雜且多種的形狀的識別難的課題，例如在線與空間圖案中在側壁與底部持有不同的曲率的形狀的識別困難。就通常蝕刻而言，由於自由基所致的等向性的蝕刻與離子輔助所致的異向性的蝕刻的效果會被重疊，因此這樣的曲率的不同的加工結果會頻繁地發生。又，為了迴避未知形狀的識別難的課題，若使用膨大的規模的資料庫，則在現實的時間的推定會有變為困難的可能性。
(用以解決課題的手段)
在組合複數的橢圓而形成的圖形的周圍上設置始點及終點，使用連接該2點的周圍上的被一筆畫的曲線作為形狀模型，藉此記述對象構造的輪廓線。
[發明的效果]
對於在半導體處理產生的複雜的形狀，可為高精度的尺寸抽出。
其他的課題及新穎的特徵是可由本說明書的記述及附圖明確得知。
以下，利用圖面來說明本發明的實施形態。但，本發明不是限定於以下所示的實施形態的記載內容而解釋者。只要是該當業者便容易理解可在不脫離本發明的思想乃至主旨的範圍變更其具體的構成。
又，圖面等中所示的各構成的位置、大小、形狀及範圍等，為了容易理解發明，有時未表示實際的位置、大小、形狀、及範圍等。因此，本發明是被限定於圖面等所揭示的位置、大小、形狀及範圍等。
實施例 1
圖1及圖4A是分別表示實施例1的形狀模型及尺寸抽出系統的構成例的圖。實施例1的尺寸抽出系統是使用SEM畫像等的計測裝置所取得的畫像，利用形狀模型來抽出使用者的所望的尺寸(所欲抽出的尺寸)。
在圖2A顯示附遮罩圖案試料的剖面圖作為半導體試料的典型的例子。遮罩200會被形成於被蝕刻膜201上。圖2B是對於此附遮罩圖案試料進行蝕刻處理之後的剖面圖。藉由比遮罩200更優先地蝕刻處理被蝕刻膜201，在遮罩圖案間形成溝。若目標的剖面形狀為圖3所示般的溝，則使用者需要掌握圖2B的對象構造的形狀，調整半導體處理裝置的控制參數。然而，半導體處理裝置的控制參數未被適當化的狀態下形成的加工形狀是具有複雜的形狀，因此尺寸計測為耗時費工作業，形成製程開發的延遲的一個原因如前述般。
本實施例是藉由使用圖1所示般的利用複數的橢圓的形狀模型，可精度佳記述複雜且多種的形狀。橢圓是可藉由改變長軸或短軸的長度來記述從直線到曲線，藉由組合複數的橢圓，可按每個部位記述曲率不同的形狀。進一步，不是如專利文獻1般資料庫對照，而是以對象構造的輪廓線來擬合(fitting)形狀模型，藉此推定形狀模型的參數。若藉由擬合而取得似真參數值，則予以代入形狀模型下，可取得精度佳記述對象構造的輪廓線的似真形狀模型。利用此似真形狀模型，解析性地抽出輪廓線的各種的尺寸。
在本實施例中，如圖1所示般，在組合複數的橢圓100a～100e而形成的圖形的周圍設置始點110及終點111，以連接該2點的周圍上的被一筆畫的曲線作為形狀模型120。在圖1是顯示組合5個的橢圓之線對稱的形狀模型，但橢圓的數量是只要為複數，幾個皆可，又亦可為非線對稱的模型。
以下，將記述形狀模型120的模型參數稱為形狀模型參數。形狀模型參數是包括對於圖1的橢圓100b舉例表示般的各橢圓的中心座標130、短軸長131、長軸長132、短軸的傾斜度133等關於橢圓的形狀及配置的第1參數或關於一筆畫的做法的第2參數(連接橢圓的內周或連接外周等)等。圖1所示的第1參數的具體例是舉例表示，包含該等之中至少1個以上者。橢圓100是藉由改變短軸長131與長軸長132的平衡，可調整扁平度。藉此，形狀模型120可記述接近直線的輪廓與曲線的輪廓所組合形成的複雜的輪廓線。又，藉由改變一筆畫的做法，可變更輪廓線的凹凸。
如此，藉由調整形狀模型參數，可記述各種的形狀。另外，由於使用複數的橢圓，因此在各橢圓施以第1橢圓、第2橢圓･･等適當的編號(numbering)，將各者的形狀模型參數稱為第1橢圓的長軸長、第2橢圓的長軸長･･等。
利用圖4A來說明使用形狀模型120的尺寸抽出系統。
計測裝置400是使用掃描電子顯微鏡等的荷電粒子線裝置之計測裝置，輸出試料的對象構造的資訊作為畫像資料。計測裝置400是利用在使電子等射入至試料時發生的反射、透過、干涉等的現象來取得試料的資訊作為畫像之計測裝置。具體而言，使用電子顯微鏡的計測裝置之掃描電子顯微鏡(Scanning Electron Microscope)、透過電子顯微鏡(Transmission Electron Microscope)、掃描透過電子顯微鏡(Scanning Transmission Electron Microscope)等。在計測裝置400取得的畫像資料是亦可為在如此的任一荷電粒子線裝置取得的畫像資料。
輪廓線測出裝置410是從自計測裝置40輸入的畫像測出邊緣(輪廓線)的裝置。例如對於被輸入的SEM(Scanning Electron Microscopy)畫像或TEM畫像輸出其輪廓線資料。作為輪廓線的測出方法是有索貝爾(Sobel)法、坎尼(Canny)法、拉普拉斯法等根據像素值的變化而測出者，或利用Open CV等的機械學習而測出者，亦可為使用任一方法者。另外，輪廓線測出裝置410是亦可作為後述的輪廓線解析裝置420的一機能實現。
在圖4B顯示輪廓線解析裝置420的硬體構成例。輪廓線解析裝置420是包括處理器431、主記憶432、輔助記憶裝置433、輸出入介面434、顯示介面435、網路介面436、輸出入(I/O)埠437，該等是藉由匯流排438來結合。輸出入介面434是與鍵盤或滑鼠等的輸入裝置440連接，顯示介面435是被連接至顯示器439，實現GUI (Graphical User Interface)。網路介面436是用以經由網路來與外部裝置連接的介面。輔助記憶裝置433通常是以HDD(Hard Disk Drive)或SSD(Solid State Drive)、快閃記憶體等的非揮發性記憶體所構成，記憶輪廓線解析裝置420所實行的程式或程式為處理對象的資料等。主記憶432是以RAM(Random Access Memory)所構成，依照處理器431的命令，暫時性地記憶程式或程式的實行所必要的資料等。處理器431是實行從輔助記憶裝置433載於主記憶432的程式。輪廓線解析裝置420的機能是在被儲存於輔助記憶裝置433的程式藉由處理器431來實行下，與其他的硬體合作實現被決定的處理。有時將電腦等所實行的程式、其機能或實現其機能的手段稱為「機能」、「部」等。輪廓線解析裝置420是例如亦可被實現於PC(Personal Computer)或伺服器或雲端上。
輪廓線解析裝置420是具有解析部421、形狀模型資料庫422、形狀模型設定部423、形狀模型擬合設定部424、尺寸抽出設定部425、尺寸算出方法設定部426，從自輪廓線測出裝置410輸入的輪廓線資料來算出形狀模型的參數即形狀模型參數的值或使用者的所欲抽出的尺寸的值之裝置。以下，將藉由輪廓線解析裝置420所算出的形狀模型參數或抽出後的尺寸分別稱為似真形狀模型參數及似真尺寸。
解析部421是對於被輸入的輪廓線資料進行形狀模型的擬合或似真形狀模型參數值的算出、似真尺寸值的算出等的解析。被算出的似真形狀模型參數值或似真尺寸值是被儲存於形狀模型資料庫422。
使用者是藉由形狀模型設定部423來設定形狀模型的規格(形狀模型規格)，藉由形狀模型擬合設定部424來設定形狀模型的擬合方法。根據該等的設定，解析部421利用從輪廓線測出裝置410輸入的輪廓線資料來進行形狀模型的擬合，算出似真形狀模型參數值。代入似真形狀模型參數值而取得的形狀模型為似真形狀模型。
進一步，使用者是藉由尺寸抽出設定部425來設定所欲抽出的尺寸，藉由尺寸算出方法設定部426來設定所欲抽出的尺寸值的算出方法。根據以上的設定，解析部421利用似真形狀模型來算出有關所欲抽出的尺寸的似真尺寸值。
在圖5表示從使用荷電粒子線裝置的計測裝置400的取得的畫像資料，藉由圖4A所示的尺寸抽出系統來抽出尺寸的流程圖。以下，利用圖5來說明尺寸抽出的方法。
首先，利用計測裝置400來取得SEM畫像等的畫像資料(S101)。其次，利用輪廓線測出裝置410來從畫像資料取得輪廓線資料(S102)。在圖6A顯示一表示被蝕刻處理的附遮罩圖案試料的剖面之輪廓線資料600，作為輪廓線資料的一例。藉由被蝕刻膜201比遮罩200更優先地被蝕刻處理，在遮罩圖案間形成溝。
藉由形狀模型設定部423來設定形狀模型規格(S103)。例如圖1所示的「以5個的橢圓所構成的線對稱的形狀模型」般指定模型的種類，或指定記述形狀模型的形狀模型參數的種類。
接著，藉由形狀模型擬合設定部424來設定將形狀模型擬合於輪廓線資料的方法(S104)。例如，在擬合使用最小二乘法、加權最小二乘法或正則化最小二乘法，可藉由使用反復解法的非線形最適化法或組合最適化法來推定形狀模型參數的值。並且，也進行有關擬合的結束條件、最適化處理時的隨機變數或初期值產生方法的設定。
根據步驟S103，S104的設定，對於從輪廓線測出裝置410輸入的輪廓線資料，實施形狀模型的擬合(S105)。利用圖6B來說明擬合的樣子。擬合前的形狀模型601是描繪相對於形狀模型參數的初期值的形狀模型者。利用輪廓線資料600來進行擬合，藉此改善形狀模型參數值，如擬合中的形狀模型602般，形狀模型接近輪廓線600。一旦擬合正常完了，則如圖6C所示般，對於輪廓線600可取得似真形狀模型參數值，此似真形狀模型603是成為使輪廓線資料600逼真再現的模型。
其次，針對擬合，判定有無不良(S106)，當確認有不良時回到步驟S103，實施形狀模型的規格的再設定、有關形狀模型的擬合方法的再設定。在此所謂關於擬合的不良是指擬合不結束的情形、在擬合中形狀模型參數值陷入局部值的情形、在擬合取得的似真形狀模型的形狀出現異常的情形等。形狀的異常的例子是使用者目視計測裝置400所取得的畫像而識別的形狀與似真形狀模型的形狀有乖離的情況。當在步驟S106中未確認有不良時，結束擬合，將取得的似真形狀參數值儲存於形狀模型資料庫422(S107)。
其次，藉由尺寸抽出設定部425來設定使用者所欲抽出的尺寸的種類(S108)。作為所欲抽出的尺寸的種類，例如從圖2C所示般的一連串的形狀特徵量設定。圖2C是對於圖2B的剖面圖舉例表示可設定的形狀特徵量者。在製程開發使用機械學習時，求取以處理條件作為說明變數X、以關於加工形狀的特徵量(將此稱為形狀特徵量)作為目的變數Y之回歸等的相關模型Y=f(X)，利用相關模型來推定有關給予目標的形狀特徵量的處理條件。另外，使用何者作為半導體試料的形狀特徵量是無定量性的方針，可使用藉由使用者所選擇及抽出的尺寸資料。就圖2C的溝形狀而言，可思考最大寬度210、深度211、底部的寬度212、上部的寬度213、中部的寬度214、錐角215、曲折的角度216、底部的離心率217等各式各樣的種類的形狀特徵量。
接著，藉由尺寸算出方法設定部426來設定所欲抽出的尺寸的算出方法(S109)。例如思考圖2C所示的形狀特徵量之中，最大寬度210、深度211、底部的寬度212、底部的離心率217的算出方法。藉由到步驟S108為止的程序，從圖2B所示的試料的SEM畫像取得輪廓線資料，可取得圖6C所示般的似真形狀模型603。
利用圖7來說明使用形狀模型603算出尺寸的方法的例子。在此是使座標軸沿著遮罩200與被蝕刻膜201的境界而取x軸及其垂直的方向取y軸。藉由各橢圓604的長軸長，可推定底部的寬度702。由於可從各橢圓604的長軸長及短軸長來算出離心率，因此可推定底部的離心率703。從各橢圓604的中心座標或長軸長、短軸長、短軸的傾斜度，可推定深度701。並且，對於各橢圓604，如圖7所示般，針對y軸求取複數個微分值形成0的座標，算出該x座標間的距離，藉此可推定最大寬度700。藉由如此使用形狀模型603的微分值為0的極值點、不可微分的點、微分值從正變成負的變曲點等的特異點，可推定所欲抽出的尺寸的值。將使用如此的形狀模型的特異點來算出尺寸的方法稱為特異點探索法。
算出方法是不被限於特異點探索法。亦可例如最大寬度700是沿著y軸而以某分割寬來抽出形狀模型603上的x座標，作為x座標間的距離的最大值求取。將如此沿著特定的軸來抽出座標而算出尺寸的方法稱為條紋探索法。
對於在步驟S108設定的所欲抽出的尺寸，利用在步驟S109設定的算出方法，例如算出最大寬度700等的似真尺寸(S110)。將抽出後的似真尺寸資料儲存於形狀模型資料庫422(S111)而結束。在圖8顯示對於N個的試料的SEM畫像(對應於資料號碼)，適用以上的程序而取得的形狀模型資料庫422的資料構造之一例。
實施例 2
圖9是表示實施例2的處理條件決定系統的構成例的圖。實施例2的處理條件決定系統是決定半導體處理裝置的適當的處理條件。
實施例2是以使利用機械學習的製程開發高速化為目的。如上述般，就利用機械學習的製程開發而言，一般是使用以處理條件作為說明變數X、以關於加工形狀的形狀特徵量作為目的變數Y的相關模型來進行給予目標的形狀特徵量之處理條件的探索。然而，有關使用何者作為形狀特徵量是無定量性的方針，因此發生將冗長的形狀特徵量採用於目的變數，或使記述加工形狀的重要的形狀特徵量欠缺的情形。前者的情況，隨著目的變數的增加，在相關模型的學習需要大量的實験資料，因此半導體處理裝置的處理次數增加，擔憂製程開發期間的長期化。又，後者的情況，由於相關模型的表現力變弱，因此難以預測實現目標的加工形狀的處理條件，同樣擔憂製程開發的延遲。
就本實施例而言，是藉由將適當地記述加工形狀的形狀模型參數設為相關模型的目的變數，可迴避上述般的冗長的形狀特徵量的採用或重要的形狀特徵量的欠缺。藉此，使製程開發高速化。
在此，計測裝置400、輪廓線測出裝置410、輪廓線解析裝置420、解析部421、形狀模型資料庫422、形狀模型設定部423、形狀模型擬合設定部424是設為與實施例1的該等同定義。
處理條件決定裝置900是具有處理條件資料庫901、學習部902、處理條件推定部903、目標尺寸值設定部904，根據形狀模型資料庫422內的似真形狀模型參數的資料及處理條件資料庫901內的處理條件來決定適當的處理條件的裝置。處理條件決定裝置900的硬體構成也與圖4B所示的輪廓線解析裝置420同樣，因此省略重複的說明。
處理條件資料庫901是儲存有既得的處理條件或藉由處理條件推定部903所推定的處理條件之資料庫。學習部902是學習形狀模型資料庫422內的似真形狀模型參數與處理條件資料庫901內的處理條件的相關模型。目標尺寸值設定部904是針對似真形狀模型設定使用者的所望的形狀模型參數值(目標值)。或，亦可從使用者的所望的形狀尺寸算出似真形狀模型的形狀模型參數值(目標值)。處理條件推定部903是利用在學習部902取得的相關模型來推定給予在目標尺寸值設定部904所設定的形狀模型參數值之處理條件。
半導體處理裝置910是進行對於半導體試料的處理之裝置，使用藉由處理條件決定裝置900所決定的處理條件來進行試料的處理。半導體處理裝置910是包括半導體製造裝置的微影(lithography)裝置、製膜裝置、圖案加工裝置、離子注入裝置、加熱裝置及洗淨裝置等。微影裝置是有曝光裝置、電子線描繪裝置及X線描繪裝置等。製膜裝置是有CVD(Chemical Vapor Deposition)裝置、PVD(Physical Vapor Deposition)裝置、蒸鍍裝置、濺射裝置及熱氧化裝置等。圖案加工裝置是有溼蝕刻裝置、乾蝕刻裝置、電子束加工裝置及雷射加工裝置等。離子注入裝置是有電漿摻雜(Plasma Doping)裝置及離子束摻雜裝置等。加熱裝置是有電阻加熱裝置、燈加熱裝置及雷射加熱裝置等。
在圖10顯示藉由圖9的處理條件決定系統來決定半導體處理裝置的處理條件的流程圖。以下，利用圖10來說明半導體處理裝置910的處理條件的決定方法。
圖10的步驟S201～S207的程序是分別與圖5的步驟S101～S107相同，因此省略說明。
在步驟S207將似真形狀模型參數儲存於形狀模型資料庫422之後，藉由目標尺寸值設定部904來設定使用者的目標的形狀模型參數值(S208)。其次，判定在步驟S207被推定的似真形狀模型參數值是否接近在目標尺寸值設定部904被設定的形狀模型參數值(S209)。在此評價值的接近度的距離是利用歐幾里得距離、曼哈頓距離、切比雪夫距離、馬哈拉諾比斯距離的任一者來算出。此算出值持有比使用者所定的基準值大或小來判定接近與否。
在步驟S209中，當被判斷成在步驟S207被推定的似真形狀模型參數值接近在目標尺寸值設定部904被設定的形狀模型參數值時結束。另一方面，當在步驟S209中被判斷成不接近時，學習部902學習處理條件資料庫901內的處理條件與形狀模型資料庫422內的似真形狀模型參數的相關模型(S210)。在此，相關模型是顯示回歸或分類的模型，利用核方法(kernel method)的模型、利用神經網路的模型、利用決策樹(decision tree)的模型等被使用。
其次，處理條件推定部903是利用在學習部902取得的相關模型來推定給予在目標尺寸值設定部904設定的形狀模型參數值之處理條件(S211)。被推定的處理條件是被追加於處理條件資料庫901，資料庫會被更新(S212)。使用被推定的處理條件，在半導體處理裝置910實施對於新的試料的處理(S213)。從半導體處理裝置910取出處理後的試料，移至步驟S201的程序。將以上的一連串的程序重複至結束為止。
其次，利用圖11、12來說明關於實施例1及實施例2的GUI。
圖11所示的輸入用GUI 1100是輸入實施例1、2的輪廓線解析裝置420的設定之輸入畫面的例子。此輸入畫面是設為實施例1的情況是以步驟S101的程序、實施例2的情況是以步驟S201的程序取得畫像之後被提示者。
輸入用GUI 1100是具有輪廓線測出設定方框1110、形狀模型選擇方框1120、擬合設定方框1130、尺寸抽出設定方框1140、算出方法設定方框1150、有效/非有效顯示部1160、決定按鍵1170。輪廓線測出設定方框1110、形狀模型選擇方框1120、擬合設定方框1130、尺寸抽出設定方框1140、算出方法設定方框1150是分別進行關於輪廓線測出裝置410、形狀模型設定部423、形狀模型擬合設定部424、尺寸抽出設定部425、尺寸算出方法設定部426的設定。
輪廓線測出設定方框1110是持有測出方法輸入部1111及畫像輸入部1112。例如，在測出方法輸入部1111作為輪廓線的測出方法，可選擇索貝爾(Sobel)法、坎尼(Canny)法、拉普拉斯法等根據像素值的變化而測出者，或利用Open CV等的機械學習而測出者。並且，在畫像輸入部1112中，藉由拖放(drag and drop)實施例1的情況是在步驟S101、實施例2的情況是在步驟S201取得的畫像資料，可將畫像資料輸入至輪廓線測出裝置410。
形狀模型選擇方框1120是持有模型輸入部1121。例如，選擇以特定的個數的橢圓所構成的線對稱的形狀模型或不假設線對稱性的形狀模型等。
擬合設定方框1130是持有擬合方法輸入部1131。例如，選擇利用最小二乘法(Least Squared法)藉由萊文貝格-馬夸特法(Levenberg-Marquardt法)來使形狀模型參數最適化的方法、利用最小二乘法而藉由退火法來使形狀模型參數最適化的方法、或利用加權最小二乘法(Weighted Least Squared法)而藉由萊文貝格-馬夸特法來使形狀模型參數最適化的方法等。另外，在圖11中，將該等的方法分別簡略記載為LS-LM法、LS-退火法、WSL-LM法。
尺寸抽出設定方框1140是持有尺寸輸入部1141，設定使用者的所望的所欲抽出的尺寸。算出方法設定方框1150是持有算出方法輸入部1151，設定在尺寸輸入部1141被輸入的所欲抽出的尺寸的算出方法。例如，可選擇在實施例1說明的特異點探索法或條紋探索法。另外，實施例2的情況，尺寸抽出設定方框1140及算出方法設定方框1150是不需要在輸入用GUI 1100。
藉由上述各設定方框所持有的有效/非有效顯示部1160來顯示以上的輸入是否有效地被進行。若有效/非有效顯示部1160全部形成有效，則藉由按下輸入用GUI 1100的決定按鍵1170，實施例1的情況是開始步驟S102的程序、實施例2的情況是開始步驟S202的程序。
在圖12顯示輸入用GUI 1100的決定按鍵1170被按下，圖5或圖10的程序被實行，實施例1的情況是在步驟S106中、實施例2的情況是在步驟S206中被提示的輸出用GUI 1200。此GUI是表示現在的狀況(status)，使使用者選擇是否前進至其次的程序者。尺寸抽出結果顯示部1210是持有似真形狀模型顯示部1211及尺寸算出結果顯示部1212。藉由似真形狀模型顯示部1211，在步驟S105或S205被擬合的形狀模型的樣子提示給使用者。並且，在尺寸算出結果顯示部1212是似真形狀模型參數值或似真尺寸值會提示給使用者。使用者是根據被顯示於尺寸抽出結果顯示部1210的形狀模型的資訊，可在完了/再設定選擇部1220中選擇完了或再設定。當使用者判斷成在擬合無不良時，選擇完了而按下決定按鍵1230，藉此實施例1的情況是前進至步驟S107的程序、實施例2的情況是前進至步驟S207的程序。當判斷成有不良時，選擇再設定而按下決定按鍵1230，藉此回到輸入用GUI 1100的畫面，可再設定。
實施例 3
圖13是實施例3的構造形狀推定系統的構成例的圖。實施例3的構造形狀推定系統是從分光光譜推定試料的對象構造的形狀。
實施例3是利用使用複數的橢圓的形狀模型來實現散射測量(Scatterometry、光波散射計測)等的利用光學的形狀計測的高精度化者。散射測量是對於假想性地產生的形狀模型之CAD(Computer-aided Design)資料實施RCWA(Rigorous Coupled Wave Analysis；嚴格耦合波分析)等的光學模擬而產生假想性的分光光譜的資料。求取所得到的假想形狀模型之CAD資料與假想分光光譜資料的相關模型，利用相關模型來推定給予最接近實際在分光器取得的分光光譜的假想分光光譜資料之假想形狀模型的CAD資料。藉此，由在分光器取得的分光光譜來進行形狀推定。以往，由於假想形狀是以圖3所示般的矩形等的組合來構成的單純者，因此會有具有曲率的形狀的推定精度低的課題。就本實施例而言，藉由利用使用複數的橢圓的形狀模型，可產生按每個部位具有不同的曲率的複雜的形狀，可使形狀推定高精度化。
假想形狀資料產生裝置1300是具有形狀模型設定部1301、產生方法設定部1302、參數產生部1303、假想尺寸資料庫1304、CAD部1305、假想形狀資料庫1306，產生假想性的形狀資料之裝置。
使用者是藉由形狀模型設定部1301來設定形狀模型規格，藉由產生方法設定部1302來設定形狀模型參數值的組的產生方法。將參數產生部1303根據該等的設定而產生的形狀模型參數的值的組儲存於假想尺寸資料庫1304。CAD部1305是輸出藉由將假想尺寸資料庫1304內的形狀模型參數值代入至形狀模型而取得的形狀，作為CAD資料。被輸出的CAD資料是被儲存於假想形狀資料庫1306。
光學模擬裝置1310是對於假想形狀資料庫1306內的CAD資料(假想形狀模型)，實施RCWA等的光學模擬的模擬裝置。特別是作為對於以CAD資料來表示的幾何構造，可算出藉由散射測量所取得的分光光譜的理論值之模擬裝置。以下，將此分光光譜的理論值稱為假想分光光譜。
分光光譜計測裝置1330是從自半導體試料的對象構造發生的散射光、反射光、干涉光等的光來取得分光光譜之裝置。
光學的形狀推定裝置1320是從被計測的分光光譜來推定半導體試料的對象構造的形狀之裝置，具有假想分光光譜資料庫1321、學習部1322、形狀推定部1323。假想分光光譜資料庫1321是儲存在光學模擬裝置1310被算出的假想分光光譜之資料庫。學習部1322是學習假想尺寸資料庫1304內的形狀模型參數值與假想分光光譜資料庫1321內的假想分光光譜的相關模型。形狀推定部1323是利用在學習部1322取得的相關模型來推定給予最接近在分光光譜計測裝置1330取得的分光光譜的假想分光光譜之形狀模型參數值。並且，輸出藉由將此形狀模型參數值代入至形狀模型而取得的形狀。
另外，假想形狀資料產生裝置1300、光學模擬裝置1310、光學的形狀推定裝置1320的硬體構成是分別與圖4B所示的輪廓線解析裝置420同樣，因此省略重複的說明。
在圖14顯示從藉由分光光譜計測裝置1330所計測的分光光譜，藉由圖13所示的構造形狀推定系統來推定形狀的流程圖。以下，利用圖14來說明有關形狀推定方法。
藉由形狀模型設定部1301來設定形狀模型規格(S301)。例如「以5個的橢圓所構成的線對稱的形狀模型」般指定模型的種類，或指定記述形狀模型的形狀模型參數的種類。
其次，藉由產生方法設定部1302來設定形狀模型參數值的組的產生法(S302)。例如，指定形狀模型參數的範圍，等間隔地分割其範圍，藉此可產生複數的值。以後，將此間隔稱為分割寬。在此範圍及分割寬是亦可按形狀模型參數的種類而設定不同的值。或，亦可利用隨機變數來產生。
利用在產生方法設定部1302所設定的產生方法，參數產生部1303產生形狀模型參數值的組，將被產生的組儲存於假想尺寸資料庫1304(S303)。CAD部1305是輸出藉由將假想尺寸資料庫1304內的形狀模型參數值代入至形狀模型而取得的假想形狀模型，作為CAD資料(S304)。
CAD部1305是將被產生的CAD資料(假想形狀模型)儲存於假想形狀資料庫1306(S305)，利用光學模擬裝置1310來算出假想分光光譜。被算出的假想分光光譜是被儲存於假想分光光譜資料庫1321(S306)。學習部1322是學習假想分光光譜資料庫1321內的假想分光光譜與假想尺寸資料庫1304內的形狀模型參數的相關模型(S307)。在此，相關模型是顯示回歸或分類的模型，利用核方法(kernel method)的模型、利用神經網路的模型、利用決策樹(decision tree)的模型等被使用。
對於半導體試料，利用分光光譜計測裝置1330來取得分光光譜(S308)。形狀推定部1323是利用學習部1322所學習的相關模型來推定給予最接近被取得的分光光譜的假想分光光譜之形狀模型參數(S309)。在此評價值的接近度的距離是使用歐幾里得距離、曼哈頓距離、切比雪夫距離、馬哈拉諾比斯距離的任一者來算出。
接著，形狀推定部1323是將被推定的形狀模型參數代入至形狀模型，輸出取得的形狀(S310)。以後，將此形狀稱為推定形狀。針對推定形狀，判定有無不良(S311)，當確認有不良時回到步驟S301，實施形狀模型的規格的再設定、關於形狀模型參數的產生方法的再設定。在此關於被推定的假想輪廓線資料的不良是有被推定的形狀模型參數值脫離在產生方法設定部1302被設定的形狀模型參數的範圍的情況，或在推定形狀發生缺損部分的情況等。當在步驟S311中未確認有不良時則結束。
實施例 4
圖15是表示實施例4的輪廓線測出系統的構成例的圖。實施例4是測出SEM畫像等的檢查裝置的取得的畫像的輪廓線。
實施例4是以檢查裝置自取得的畫像的輪廓線測出的高精度化為目的。特別是利用機械學習的測出法的測出精度是大幅度仰賴畫像及輪廓線的學習資料的質及量。本實施例是利用使用複數的橢圓的形狀模型，藉由產生多樣的形狀及其輪廓線來使輪廓線測出高精度化。
在此，計測裝置400是與實施例1同定義，假想形狀資料產生裝置1300是與實施例3同定義。另外，在本實施例中，CAD部1305所產生的CAD資料是假想輪廓線資料1500及假想畫像資料1501。假想輪廓線資料1500是藉由CAD部1305來將依據形狀模型所取得的對象構造的輪廓線設為CAD資料者。假想畫像資料1501是藉由CAD部1305來對於依據形狀模型所取得的形狀實施顏色或色調、亮度或雜訊(noise)量、倍率或畫面大小等的修正而獲得之模擬實際在計測裝置400取得的畫像後的CAD資料。
輪廓線推定裝置1510是根據假想形狀資料產生裝置1300的假想形狀資料庫1306來從自計測裝置400輸入的畫像資料測出輪廓線資料的裝置。輪廓線推定裝置1510是具有學習部1511及輪廓線推定部1512。另外，輪廓線推定裝置1510的硬體構成是與圖4B所示的輪廓線解析裝置420同樣，因此省略重複的說明。
學習部1511是學習假想形狀資料庫1306內的假想輪廓線資料1500與假想畫像資料的相關模型。輪廓線推定部1512是利用在學習部1511取得的相關模型來推定給予最接近在計測裝置400取得的畫像的假想畫像資料1501之假想輪廓線資料1500。並且，輸出此假想輪廓線資料。
在圖16顯示從在計測裝置400取得計測的畫像資料，藉由圖15所示的輪廓線測出系統來測出輪廓線的流程圖。以下，利用圖16來說明輪廓線測出方法。
圖16的步驟S401～S403的程序是分別與圖14的S301～S303相同，因此省略說明。CAD部1305是以藉由將假想尺寸資料庫1304內的形狀模型參數值代入至形狀模型而取得的形狀作為CAD資料，輸出假想畫像資料1501及假想輪廓線資料1500(S404)。該等的CAD資料是儲存於假想形狀資料庫1306(S405)。學習部1511是學習假想形狀資料庫1306內的假想畫像資料1501與假想輪廓線資料1500的相關模型(S406)。在此，相關模型是顯示回歸或分類的模型，利用核方法(kernel method)的模型、利用神經網路的模型、利用決策樹(decision tree)的模型等被使用。
接著，以計測裝置400來取得SEM畫像等的畫像資料(S407)。輪廓線推定部1512是利用在學習部1511取得的相關模型來推定給予和被取得的畫像資料最接近的假想畫像資料之假想輪廓線資料(S408)。在此評價畫像的接近度的距離是關於在各像素的有關顏色或色調、亮度的數值，藉由算出歐幾里得距離、曼哈頓距離、切比雪夫距離、馬哈拉諾比斯距離的任一者而取得。其次，輪廓線推定部1512是輸出被推定的假想輪廓線資料(S409)。針對被推定的假想輪廓線資料，判定有無不良(S410)，當確認有不良時回到步驟S401，實施形狀模型的規格的再設定、關於形狀模型參數的產生方法的再設定。在此關於被推定的假想輪廓線資料的不良是有給予其假想輪廓線資料的形狀模型參數值脫離在產生方法設定部1302被設定的形狀模型參數的範圍的情況，或在假想輪廓線資料發生缺損部分的情況等。當在步驟S410中未確認有不良時則結束。
其次，利用圖17、18來說明有關實施例3及4的GUI。
圖17所示的輸入用GUI 1700是輸入實施例3、4的假想形狀資料產生裝置1300的設定之輸入畫面的例子。此輸入畫面是設為實施例3的情況是步驟S301的程序之前、實施例4的情況是步驟S401的程序之前被提示者。
輸入用GUI 1700是具有形狀模型選擇方框1710、形狀模型參數產生方法設定方框1720、有效/非有效顯示部1730、決定按鍵1740。形狀模型選擇方框1710、形狀模型參數產生方法設定方框1720是分別進行有關形狀模型設定部1301、產生方法設定部1302的設定。
形狀模型選擇方框1710是持有模型輸入部1711。例如，選擇以特定的個數的橢圓所構成的線對稱的形狀模型或不假設線對稱性的形狀模型等。
形狀模型參數產生方法設定方框1720是持有範圍輸入部1721及分割寬輸入部1722。藉由範圍輸入部1721來指定形狀模型參數的範圍。此範圍是按每個形狀參數指定不同者即可。藉由分割寬輸入部1722來指定分割在範圍輸入部1721輸入的範圍之分割寬。圖17所示的例子是將形狀模型參數的Parameter 1、2、3的範圍分別分割成100÷1=100、10÷1=10、1÷0.1=10個。亦即，此情況產生的形狀模型參數值是分別成為Parameter 1=(0，1，2，･･･100)、Parameter 2=(0，1，2，･･･10)、Parameter 3=(0，0.1，0.2，･･･1)。
藉由上述各設定方框所持有的有效/非有效顯示部1730來顯示以上的輸入是否有效地被進行。若有效/非有效顯示部1730全部形成有效，則藉由按下輸入用GUI 1700的決定按鍵1740，實施例3的情況是開始步驟S303的程序、實施例4的情況是開始步驟S404的程序。
在圖18顯示輸入用GUI 1700的決定按鍵1740被按下，圖14或圖16的程序被實行，實施例3的情況是在步驟S304中、實施例4的情況是在步驟S404中被提示的輸出用GUI 1800。此GUI是顯示現在的狀況，使使用者選擇是否前進至其次的程序者。假想形狀產生結果顯示部1810是持有假想形狀資料號碼顯示部1811、CAD資料顯示部1812、形狀模型參數顯示部1813及完了/再設定選擇部1820。
假想形狀資料號碼顯示部1811是顯示產生後的形狀模型參數的連續號碼。形狀模型參數顯示部1813是顯示持有被顯示於假想形狀資料號碼顯示部1811的連續號碼之形狀模型參數的組。亦即，就圖18的例子而言，是顯示第23個產生的形狀模型參數的組。CAD資料顯示部1812是根據該形狀模型參數的組來顯示藉由CAD部1305所產生的CAD資料。
使用者可根據被顯示於假想形狀產生結果顯示部1810的假想形狀的資訊，在完了/再設定選擇部1820中選擇完了或再設定。當使用者判斷成CAD資料或形狀模型參數無不良時，選擇完了而按下決定按鍵1830，藉此實施例3的情況是前進至步驟S305的程序、實施例4的情況是前進至步驟S405的程序。當判斷成有不良時，選擇再設定而按下決定按鍵1830，藉此回到輸入用GUI 1700的畫面，可再設定。
作為以上說明的實施例1～4的實施態樣，可思考在平台上實行運用管理包含半導體處理裝置或計測裝置的生產線的應用程式之半導體裝置製造系統。此情況，藉由使輪廓線測出裝置410、輪廓線解析裝置420、處理條件決定裝置900、假想形狀資料產生裝置1300、光學的形狀推定裝置1320、輪廓線推定裝置1510實行作為平台上的應用程式的各者的處理，可在半導體裝置製造系統中實施實施例1～4。
100:橢圓
110:始點
111:終點
120:形狀模型
130:中心座標
131:短軸長
132:長軸長
133:短軸的傾斜度
200:遮罩
201:被蝕刻膜
210:最大寬度
211:深度
212:底部的寬度
213:上部的寬度
214:中部的寬度
215:錐角
216:曲折的角度
217:底部的離心率
400:計測裝置
410:輪廓線測出裝置
420:輪廓線解析裝置
421:解析部
422:形狀模型資料庫
423:形狀模型設定部
424:形狀模型擬合設定部
425:尺寸抽出設定部
426:尺寸算出方法設定部
600:輪廓線
601,602:形狀模型
603:似真形狀模型
604:橢圓
700:似真最大寬度
701:似真深度
702:似真底部的寬度
703:似真底部的離心率
900:處理條件決定裝置
901:處理條件資料庫
902:學習部
903:處理條件推定部
904:目標尺寸值設定部
910:半導體處理裝置
1100:輸入用GUI
1110:輪廓線測出設定方框
1111:測出方法輸入部
1112:畫像輸入部
1120:形狀模型選擇方框
1121:模型輸入部
1130:擬合設定方框
1131:擬合方法輸入部
1140:尺寸抽出設定方框
1141:尺寸輸入部
1150:算出方法設定方框
1151:算出方法輸入部
1160:有效/非有效顯示部
1170:決定按鍵
1200:輸出用GUI
1210:尺寸抽出結果顯示部
1211:似真形狀模型顯示部
1212:尺寸算出結果顯示部
1220:完了/再設定選擇部
1230:決定按鍵
1300:假想形狀資料產生裝置
1301:形狀模型設定部
1302:產生方法設定部
1303:參數產生部
1304:假想尺寸資料庫
1305:CAD部
1306:假想形狀資料庫
1310:光學模擬裝置
1320:光學的形狀推定裝置
1321:假想分光光譜資料庫
1322:學習部
1323:形狀推定部
1330:分光光譜計測裝置
1500:假想輪廓線資料
1501:假想畫像資料
1510:輪廓線推定裝置
1511:學習部
1512:輪廓線推定部
1700:輸入用GUI
1710:形狀模型選擇方框
1711:模型輸入部
1720:形狀模型參數產生方法設定方框
1721:範圍輸入部
1722:分割寬輸入部
1730:有效/非有效顯示部
1740:決定按鍵
1800:輸出用GUI
1810:假想形狀產生結果顯示部
1811:假想形狀資料號碼顯示部
1812:CAD資料顯示部
1813:形狀模型參數顯示部
1820:完了/再設定選擇部
1830:決定按鍵
[圖1]是使用複數的橢圓的形狀模型。
[圖2A]是附遮罩圖案試料的剖面圖，[圖2B]是在附遮罩圖案試料進行蝕刻處理之後的剖面圖，[圖2C]是對於圖2B的剖面圖舉例表示典型的形狀特徵量的圖。
[圖3]是被用在散射測量的假想形狀的例子。
[圖4A]是實施例1的尺寸抽出系統的構成例，[圖4B]是輪廓線解析裝置的硬體構成例。
[圖5]是抽出實施例1的尺寸的流程圖。
[圖6A]是圖2B所示的附遮罩圖案試料的輪廓線資料，[圖6B]是表示對於圖6A的輪廓線使擬合形狀模型的樣子的圖，[圖6C]是表示使擬合於圖6A的輪廓線的形狀模型的圖。
[圖7]是用以說明使用形狀模型來算出尺寸的方法的圖。
[圖8]是形狀模型資料庫的資料構造的一例。
[圖9]是實施例2的處理條件決定系統的構成例。
[圖10]是決定實施例2的半導體處理裝置的處理條件的流程圖。
[圖11]是輸入用GUI的例子。
[圖12]是輸出用GUI的例子。
[圖13]是實施例3的構造形狀推定系統的構成例。
[圖14]是推定實施例3的形狀的流程圖。
[圖15]是實施例4的輪廓線測出系統的構成例。
[圖16]是測出實施例4的輪廓線的流程圖。
[圖17]是輸入用GUI的例子。
[圖18]是輸出用GUI的例子。
100a~100e:橢圓
110:始點
111:終點
120:形狀模型
130:中心座標
131:短軸長
132:長軸長
133:短軸的傾斜度
Claims (19)
- 一種輪廓線解析裝置，係解析從藉由使用荷電粒子線裝置的計測裝置所取得的半導體試料的畫像資料來測出的對象構造的輪廓線資料， 其特徵為具有： 形狀模型設定部，其係設定在複數的橢圓的組合的圖形的周圍上被一筆畫的曲線之形狀模型的規格亦即形狀模型規格； 形狀模型擬合設定部，其係設定形狀模型的擬合方法； 解析部，其係在前述形狀模型擬合設定部所設定的擬合方法來使前述形狀模型規格的形狀模型對於前述輪廓線資料擬合，藉此求取前述輪廓線資料的似真形狀模型；及 形狀模型資料庫，其係儲存前述似真形狀模型的形狀模型參數的值。
- 如請求項1記載的輪廓線解析裝置，其中，更具有： 尺寸抽出設定部，其係設定所欲從前述輪廓線資料抽出的尺寸；及 尺寸算出方法設定部，其係設定在前述尺寸抽出設定部設定的所欲抽出的尺寸的算出方法， 前述解析部係利用前述似真形狀模型，藉由在前述尺寸算出方法設定部被設定的算出方法來算出在前述尺寸抽出設定部被設定的所欲抽出的尺寸的值。
- 如請求項1記載的輪廓線解析裝置，其中，前述形狀模型的形狀模型參數係包括關於構成前述圖形的橢圓的形狀及配置的參數與關於前述一筆畫的做法的參數。
- 如請求項1記載的輪廓線解析裝置，其中，前述形狀模型擬合設定部係於擬合可選擇最小二乘法、加權最小二乘法或正則化最小二乘法 為了求取前述似真形狀模型的形狀模型參數，可選擇使用反復解法的非線形最適化法或組合最適化法。
- 如請求項2記載的輪廓線解析裝置，其中，前述尺寸抽出設定部係可設定探索前述形狀模型上的特異點，從前述特異點的座標來算出在前述尺寸抽出設定部設定的所欲抽出的尺寸之特異點探索法， 作為前述特異點，包括前述形狀模型的微分值為0的極值點、不可微分點、微分值的正負改變的變曲點。
- 一種處理條件決定系統，係包含請求項1記載的輪廓線解析裝置及決定半導體處理裝置的處理條件的處理條件決定裝置，其特徵為： 前述半導體試料為藉由前述半導體處理裝置來處理的半導體試料， 前述處理條件決定裝置係具有： 學習部，其係學習前述半導體處理裝置的處理條件與從以該處理條件藉由前述半導體處理裝置所處理的前述半導體試料的畫像資料來測出的對象構造的輪廓線資料的似真形狀模型的形狀模型參數的值的相關模型； 目標尺寸值設定部，其係設定前述似真形狀模型的形狀模型參數的目標值；及 處理條件推定部，其係利用前述相關模型，推定給予在前述目標尺寸值設定部被設定的前述似真形狀模型的形狀模型參數的目標值之前述半導體處理裝置的處理條件。
- 一種形狀推定系統，係具有： 假想形狀資料產生裝置，其係作成關於半導體試料所具有的對象構造的假想形狀資料；及 形狀推定裝置，其係從藉由計測裝置所取得的半導體試料的資料來推定對象構造的形狀， 其特徵為： 前述假想形狀資料產生裝置係具有： 形狀模型設定部，其係設定記述在複數的橢圓的組合的圖形的周圍上被一筆畫的曲線亦即前述半導體試料的對象構造的形狀的形狀模型的規格之形狀模型規格， 產生方法設定部，其係針對在前述形狀模型設定部被設定的形狀模型規格，設定產生形狀模型參數的值的組的產生方法； 參數產生部，其係針對在前述形狀模型設定部被設定的形狀模型規格，藉由在前述產生方法設定部被設定的產生方法，產生形狀模型參數的值的組；及 CAD部，其係根據將在前述參數產生部產生的形狀模型參數的值的組的任一者代入至該形狀模型規格後的形狀模型，產生前述對象構造的假想形狀模型， 前述形狀推定裝置係具有： 學習部，其係學習用在前述對象構造的假想形狀模型的產生之形狀模型的形狀模型參數的值與針對前述對象構造的假想形狀模型期待藉由前述計測裝置來取得的作為前述半導體試料的資料求取的假想資料的相關模型；及 形狀推定部，其係利用前述相關模型來推定給予最接近藉由前述計測裝置所取得的前述半導體試料的資料的假想資料之形狀模型參數的值。
- 如請求項7記載的形狀推定系統，其中，前述計測裝置為分光光譜計測裝置， 更具有光學模擬裝置，其係對於前述對象構造的假想形狀模型，算出對於前述對象構造藉由散射測量所取得的分光光譜的理論值之假想分光光譜， 前述形狀推定裝置的學習部係以前述光學模擬裝置所算出的假想分光光譜作為前述假想資料。
- 一種形狀推定系統，係具有： 假想形狀資料產生裝置，其係作成關於半導體試料所具有的對象構造的假想形狀資料；及 形狀推定裝置，其係從藉由計測裝置所取得的半導體試料的資料來推定對象構造的形狀， 其特徵為： 前述假想形狀資料產生裝置係具有： 形狀模型設定部，其係設定記述在複數的橢圓的組合的圖形的周圍上被一筆畫的曲線亦即前述半導體試料的對象構造的形狀的形狀模型的規格之形狀模型規格， 產生方法設定部，其係針對在前述形狀模型設定部被設定的形狀模型規格，設定產生形狀模型參數的值的組的產生方法； 參數產生部，其係針對在前述形狀模型設定部被設定的形狀模型規格，藉由在前述產生方法設定部被設定的產生方法，產生形狀模型參數的值的組；及 CAD部，其係根據將在前述參數產生部產生的形狀模型參數的值的組的任一者代入至該形狀模型規格後的形狀模型，產生模擬期待藉由前述計測裝置取得的前述半導體試料的資料而求取的第1假想資料及有關從該形狀模型期待的前述對象構造的形狀的第2假想資料， 前述形狀推定裝置係具有： 學習部，其係學習在前述CAD部產生的前述第1假想資料與前述第2假想資料的相關模型；及 形狀推定部，其係利用前述相關模型來推定給予最接近藉由前述計測裝置所取得的前述半導體試料的資料的前述第1假想資料之前述第2假想資料。
- 如請求項9記載的形狀推定系統，其中，前述計測裝置為使用荷電粒子線裝置的計測裝置，藉由前述計測裝置所取得的前述半導體試料的資料為前述對象構造的畫像資料，推定前述對象構造的輪廓線，作為前述對象構造的形狀。
- 一種資料構造，係用以記述半導體試料所具有的對象構造的輪廓線，作為在複數的橢圓的組合的圖形的周圍上被一筆畫的曲線之形狀模型，其特徵為包含： 關於構成前述圖形的橢圓的形狀及配置的第1參數；及 關於前述一筆畫的做法的第2參數， 前述資料構造係被用在算出前述對象構造的形狀的尺寸的值的處理。
- 如請求項11記載的資料構造，其中，前述第1參數係包括構成前述圖形的橢圓的中心座標、長軸長、短軸長、長軸的傾斜度之中至少一個以上。
- 一種資料構造，係用以記述半導體試料所具有的對象構造的輪廓線，作為在複數的橢圓的組合的圖形的周圍上被一筆畫的曲線之形狀模型，其特徵為包含： 關於構成前述圖形的橢圓的形狀及配置的第1參數；及 關於前述一筆畫的做法的第2參數， 前述半導體試料為藉由半導體處理裝置所處理的半導體試料， 前述資料構造係被用在推定前述半導體處理裝置的處理條件的處理。
- 如請求項13記載的資料構造，其中，前述資料構造係被用在前述半導體處理裝置的處理條件與從以該處理條件藉由前述半導體處理裝置所處理的前述半導體試料的畫像資料來測出的對象構造的輪廓線資料的似真形狀模型的形狀模型參數的值的相關模型的學習處理。
- 如請求項13記載的資料構造，其中，前述第1參數係包括構成前述圖形的橢圓的中心座標、長軸長、短軸長、長軸的傾斜度之中至少一個以上。
- 一種半導體裝置製造系統，係具備： 半導體處理裝置；及 平台，其係經由網路來連接至前述半導體處理裝置，實行利用畫像來計測藉由前述半導體處理裝置所加工的計測對象的尺寸之尺寸計測處理， 其特徵為： 前述尺寸計測處理係具有： 設定在複數的橢圓的組合的圖形的周圍上被一筆畫的曲線之形狀模型的規格亦即形狀模型規格之步驟； 設定形狀模型的擬合方法之步驟； 藉由前述被設定的擬合方法來使前述形狀模型規格的形狀模型對於前述計測對象的輪廓線資料擬合，藉此求取前述輪廓線資料的似真形狀模型之步驟； 儲存前述似真形狀模型的形狀模型參數的值之步驟； 設定所欲從前述輪廓線資料抽出的尺寸之步驟； 設定前述被設定的所欲抽出的尺寸的算出方法之步驟；及 利用前述似真形狀模型，藉由前述被設定的算出方法來算出前述被設定的所欲抽出的尺寸的值之步驟。
- 如請求項16記載的半導體裝置製造系統，其中，前述尺寸計測處理係作為前述平台所具備的應用程式被實行。
- 一種探索裝置，係探索用以取得半導體處理裝置的目標處理形狀之輸入參數值，其特徵為： 藉由推定模型來探索前述輸入參數值，該推定模型係求取以利用形狀函數而推定的形狀的輪廓線為基礎計測的尺寸資料作為學習資料。
- 如請求項18記載的探索裝置，其中，前述形狀函數為使用複數的橢圓的函數。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2021/004920 WO2022172353A1 (ja) | 2021-02-10 | 2021-02-10 | 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造 |
| WOPCT/JP2021/004920 | 2021-02-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202232439A TW202232439A (zh) | 2022-08-16 |
| TWI809703B true TWI809703B (zh) | 2023-07-21 |
Family
ID=82838312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111104680A TWI809703B (zh) | 2021-02-10 | 2022-02-09 | 輪廓線解析裝置，處理條件決定系統，形狀推定系統，半導體裝置製造系統，探索裝置及使用於該等的資料構造 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20230377185A1 (zh) |
| JP (1) | JP7186315B1 (zh) |
| KR (1) | KR20220116421A (zh) |
| CN (1) | CN115210531A (zh) |
| TW (1) | TWI809703B (zh) |
| WO (1) | WO2022172353A1 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116680763B (zh) * | 2023-06-13 | 2024-05-17 | 北京大学长沙计算与数字经济研究院 | 形状优化方法及计算机存储介质和终端设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1784587A (zh) * | 2003-03-06 | 2006-06-07 | 齐戈股份有限公司 | 使用扫描干涉测量形成复杂表面结构的轮廓 |
| JP2009198339A (ja) * | 2008-02-22 | 2009-09-03 | Hitachi High-Technologies Corp | パターン寸法計測方法 |
| WO2013047047A1 (ja) * | 2011-09-28 | 2013-04-04 | 株式会社日立ハイテクノロジーズ | 断面形状推定方法および断面形状推定装置 |
| TW201830277A (zh) * | 2016-12-14 | 2018-08-16 | 台灣積體電路製造股份有限公司 | 優化晶圓製程模擬的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4769025B2 (ja) * | 2005-06-15 | 2011-09-07 | 株式会社日立ハイテクノロジーズ | 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置 |
| JP2012021839A (ja) * | 2010-07-13 | 2012-02-02 | Toshiba Corp | 基板計測方法 |
| TWI621957B (zh) * | 2013-03-14 | 2018-04-21 | 新納普系統股份有限公司 | 使用點擊最佳化的次解析度輔助特徵實現方式 |
| JP7144244B2 (ja) * | 2018-08-31 | 2022-09-29 | 株式会社日立ハイテク | パターン検査システム |
-
2021
- 2021-02-10 WO PCT/JP2021/004920 patent/WO2022172353A1/ja active Application Filing
- 2021-02-10 CN CN202180004758.0A patent/CN115210531A/zh active Pending
- 2021-02-10 KR KR1020227003173A patent/KR20220116421A/ko unknown
- 2021-02-10 JP JP2021576615A patent/JP7186315B1/ja active Active
- 2021-02-10 US US17/641,256 patent/US20230377185A1/en active Pending
-
2022
- 2022-02-09 TW TW111104680A patent/TWI809703B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1784587A (zh) * | 2003-03-06 | 2006-06-07 | 齐戈股份有限公司 | 使用扫描干涉测量形成复杂表面结构的轮廓 |
| JP2009198339A (ja) * | 2008-02-22 | 2009-09-03 | Hitachi High-Technologies Corp | パターン寸法計測方法 |
| WO2013047047A1 (ja) * | 2011-09-28 | 2013-04-04 | 株式会社日立ハイテクノロジーズ | 断面形状推定方法および断面形状推定装置 |
| TW201830277A (zh) * | 2016-12-14 | 2018-08-16 | 台灣積體電路製造股份有限公司 | 優化晶圓製程模擬的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7186315B1 (ja) | 2022-12-08 |
| CN115210531A (zh) | 2022-10-18 |
| US20230377185A1 (en) | 2023-11-23 |
| TW202232439A (zh) | 2022-08-16 |
| KR20220116421A (ko) | 2022-08-23 |
| WO2022172353A1 (ja) | 2022-08-18 |
| JPWO2022172353A1 (zh) | 2022-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4824299B2 (ja) | 集積回路構造のプロファイルを決定する方法及びシステム又はコンピュータ読取可能な記録媒体 | |
| TWI737959B (zh) | 探索裝置、探索方法及電漿處理裝置 | |
| JP5417358B2 (ja) | 画像処理装置、及び画像処理を行うためのコンピュータープログラム | |
| JP7004826B2 (ja) | 寸法計測装置、寸法計測方法及び半導体製造システム | |
| TWI733425B (zh) | 尺寸測量裝置、尺寸測量程式及半導體製造系統 | |
| JP6096455B2 (ja) | 製造ツールのレシピを生成する方法及びそのシステム | |
| JP7288870B2 (ja) | 画像を生成するシステム | |
| JP7219334B2 (ja) | ３ｄ－ｎａｎｄ ｃｄｓｅｍ計測学のための方法、システムおよびコンピュータプログラム製品 | |
| TW202004171A (zh) | 基於形狀度量之晶圓位置評分 | |
| JP7026140B2 (ja) | 半導体ウエハ上のパターン内の高低差の測定 | |
| TWI809703B (zh) | 輪廓線解析裝置，處理條件決定系統，形狀推定系統，半導體裝置製造系統，探索裝置及使用於該等的資料構造 | |
| TWI798521B (zh) | 選擇一或多個設計檔案以供在測試影像與設計對準中使用之系統及電腦實施之方法，以及非暫時性電腦可讀媒體 | |
| JP7097447B2 (ja) | 電子顕微鏡を使用した半導体計測および欠陥分類 | |
| JP2010097369A (ja) | 最適パラメータ抽出装置及び抽出方法、並びに本方法を用いるマスクデータ、マスク及び半導体装置の製造方法 | |
| TW201535555A (zh) | 圖案測定裝置及電腦程式 | |
| KR102541830B1 (ko) | 처리 조건 탐색 장치 및 처리 조건 탐색 방법 | |
| TWI684225B (zh) | 自定向計量和圖樣分類 | |
| EP4022488B1 (en) | Semiconductor layout context around a point of interest | |
| KR20170119612A (ko) | Tsom 이미지 획득 방법 및 반도체 장치 검사 방법 | |
| TWI819684B (zh) | 輪廓線解析裝置，加工尺寸抽出系統，處理條件決定系統，半導體裝置製造系統及資料結構 | |
| JP7512532B1 (ja) | コンピュータシステム、寸法計測方法、および半導体装置製造システム | |
| WO2023112302A1 (ja) | 教師データ作成支援装置、教師データ作成支援方法 | |
| Weisbuch et al. | Test pattern generation by optimization of the feature space signature | |
| JP2020004310A (ja) | 解析装置、解析方法及び解析プログラム | |
| JP3273719B2 (ja) | 形状認識装置及びその方法 |