WO2020121564A1 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- WO2020121564A1 WO2020121564A1 PCT/JP2019/026595 JP2019026595W WO2020121564A1 WO 2020121564 A1 WO2020121564 A1 WO 2020121564A1 JP 2019026595 W JP2019026595 W JP 2019026595W WO 2020121564 A1 WO2020121564 A1 WO 2020121564A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- image
- dimension
- cross
- semiconductor device
- learning
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 63
- 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 185
- 230000011218 segmentation Effects 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 24
- 238000001878 scanning electron micrograph Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims 10
- 238000003917 TEM image Methods 0.000 claims 2
- 239000000463 material Substances 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 25
- 238000011156 evaluation Methods 0.000 description 13
- 239000000758 substrate Substances 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000003086 colorant Substances 0.000 description 7
- 238000003754 machining Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree 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
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 241000872198 Serjania polyphylla Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009795 derivation 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
- 230000002068 genetic effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 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
- 238000012549 training 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
- 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
-
- 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
Definitions
- the present invention relates to a semiconductor device manufacturing system having a dimension measuring device for measuring a processing result by a processing device, a dimension measuring program, and a dimension measuring device and a processing condition searching device.
- an etching device which is a typical semiconductor processing device, there are 30 or more setting items for controlling plasma discharge. If the electric discharge when fixing these set values is one step, the machining can proceed while sequentially switching the steps having different set values.
- 10 steps or more are usually used in one processing step, and 30 steps or more are used in many cases, and several hundred conditions are processed in order to optimize the combination of steps and all set values in the step.
- the test is being conducted. The number of engineers who have the know-how for drawing out equipment performance and high equipment operation skills is limited, and it is expected that cases in which condition derivation and equipment operation do not proceed as planned will increase in the future.
- Patent Document 1 proposes a method for automatically searching for optimum processing conditions. As a result, the number of steps can be reduced in each step, as compared with the conventional method that relies on the trial and error of engineers.
- Patent Documents 2 and 3 are prior art documents disclosing dimension measurement from a cross-sectional image of a pattern.
- Patent Document 2 obtains a contour line from the brightness value of an image, and uses the coordinate values of two points at the top and bottom of the pattern cross section to manually remove the signal component of the white shadow part peculiar to the cross section SEM (Scanning Electron Microscope) image. By doing so, the measurement accuracy of the side wall angle is improved.
- SEM Sccanning Electron Microscope
- an edge point is obtained from a change in the brightness value of a cross-sectional SEM image, and a straight line approximating each side of the pattern is calculated to reduce operator dependence in measuring the angle and length of each side.
- JP, 2008-49936 A JP 2012-68138A JP, 2002-350127, A
- Patent Documents 2 and 3 can reduce the operator dependency to some extent, but the operator dependency still remains because it involves visual operation.
- the measurement is performed while looking at the images one by one, a working time is required.
- the present invention realizes a measuring method that shortens the dimension measurement time and does not include an error caused by an operator by automatically measuring a desired dimension from a cross-section SEM using an image recognition technique based on machine learning, particularly deep learning.
- the purpose is to
- a dimension measuring apparatus for measuring a dimension of a semiconductor device from a cross-sectional image of a semiconductor device having a repeating pattern is a semiconductor device that is stored in a processor and a memory and executed by the processor.
- a dimension measurement program for measuring the dimensions of the device, and the dimension measurement program has a model estimation unit and a dimension measurement unit, and the model estimation unit uses the first image recognition model for each area of the cross-sectional image.
- the labeled image is output, the second image recognition model outputs the coordinates at which the unit patterns forming the repeating pattern are located in the cross-sectional image, and the dimension measuring unit determines the position of the labeled image and the unit pattern.
- the coordinates of a plurality of characteristic points defined in advance for each unit pattern are obtained, and the dimension defined as the distance between two predetermined points among the plurality of characteristic points is measured.
- a dimension measuring apparatus for measuring the dimension of a semiconductor device from a cross-sectional image of a semiconductor device having a repetitive pattern comprising a processor, a memory, and a memory stored in the memory and executed by the processor. And a dimension measurement program for measuring the dimensions of the semiconductor device.
- the dimension measurement program includes a model estimation unit and a dimension measurement unit, and the model estimation unit uses the first image recognition model to calculate the cross section.
- a first labeled image in which an image is labeled with a contour line and a background is output, and a cross-sectional image is defined by a second image recognition model as a first plurality of features defined in a unit pattern forming a repeating pattern.
- the dimension measuring unit determines the coordinates of the contour line from the first labeled image and the first plurality of features from the second labeled image.
- the coordinates of the second plurality of feature points are obtained using the coordinates of the points, and the distance between the predetermined point of the first plurality of feature points and the predetermined point of the second plurality of feature points Measure the dimension defined as
- FIG. 1 It is a figure which shows the system structural example of a semiconductor manufacturing system. It is a figure which shows the system configuration example of a processing condition search device. It is a block diagram which shows the hardware constitutions of a dimension measuring apparatus. It is a figure which shows an example of a semantic segmentation model. It is a figure which shows an example of an object detection model. It is a flowchart (Example 1) which a dimension measuring apparatus measures a dimension from an input image. It is a flow chart which a processing condition search device searches for processing conditions. It is an example of an input data set (cross-sectional image). It is an example of a dimension measurement point. It is a figure for demonstrating the coordinate system of a bounding box.
- annotation data used for learning an object detection model It is an example of annotation data used for learning of a semantic segmentation model.
- 6 is a table showing a correspondence relationship between label names, label numbers, and colors in annotation data used for learning a semantic segmentation model. It is an example of a GUI screen displayed during a learning step. It is an example of a test image for measuring dimensions. It is a figure which shows the object detection result obtained by inputting a test image into the learned object detection model. It is the table which described the coordinates of the bounding box obtained by inputting the test image to the learned object detection model. It is a figure which shows the semantic segmentation result obtained by inputting a test image into the learned semantic segmentation model.
- two image recognition models are used to measure the dimensions of the semiconductor device from the cross-sectional image of the semiconductor device having a repeating pattern.
- the semiconductor device includes not only a finished product but also a semiconductor device in the process of processing and may be in a wafer state or in an individually separated chip state.
- the first image recognition model is an image recognition model that extracts a boundary line between the processed structure and the background and/or a boundary line of an interface between different materials over the entire cross-sectional image.
- the second image recognition model is an image recognition model that outputs information for partitioning a boundary line that extends from the first image recognition model and extends over the entire cross-sectional image for each unit pattern that forms a repeating pattern.
- the semantic segmentation model (first image recognition model) and the coordinates of the unit pattern are detected in order to extract the coordinates of the boundary line between the processed structure and the background and the boundary line of the interface between different materials.
- two types of image recognition techniques which are an object detection model (second image recognition model), are used.
- the semantic segmentation model is given the cross-sectional SEM image that is the input data and the annotation image that is the output data that is color-coded for each region, as training data, and the shape of the region is learned. Further, the cross-section SEM image which is the input data and the annotation data which describes the coordinates of the unit pattern (which is designated by a rectangular bounding box surrounding the pattern) which is the output data are given to the object detection model as teacher data. Then, the unit pattern shape is learned.
- the inference step for a given input image, an image that is color-coded for each area by a learned semantic segmentation model is estimated, and the coordinates of the unit pattern are estimated by a learned object detection model.
- the coordinates of the area boundary line obtained from the image color-coded for each area are divided for each pattern by using the unit pattern coordinates, and the coordinates of the feature points necessary for the dimension measurement are obtained to obtain the desired position. Automatically measure dimensions.
- FIG. 1 is a diagram showing a system configuration example of a semiconductor manufacturing system.
- the semiconductor manufacturing system 10 includes a processing condition search device 100, an input device 103, an output device 114, a processing device 111, an evaluation device 112, a dimension measuring device 200, and an input/output device 206.
- the user selects the target processing result (machining shape) and the parameter 101 to be used in the processing device 111, inputs them from the input device 103, and obtains the optimum processing condition 102 that gives the target machining shape from the output device 114 as an output.
- the processing condition search device 100 receives the target machining shape 101 from the input device 103, searches for a processing condition with which the processing device 111 can optimally obtain the target machining shape, and outputs the searched processing condition to the output device 114. It is a device.
- the input device 103 includes an input interface such as a GUI and a storage medium reading device such as a card reader, and inputs data to the processing condition search device 100. Further, not only from the user but also from the input/output device 206, the dimension measurement value is received and input to the processing condition search device 100.
- the input device 103 includes, for example, a keyboard, a mouse, a touch panel, a storage medium reading device, and the like.
- the output device 114 displays the processing condition passed from the processing condition searching device 100 to the user as the optimum processing condition 102.
- the means for displaying includes displaying on a display or writing to a file.
- the output device 114 includes, for example, a display, a printer, a storage medium writing device, and the like.
- the processing device 111 is a device that processes a semiconductor or a semiconductor device including a semiconductor.
- the content of the processing of the processing device 111 is not particularly limited.
- a lithographic apparatus, a film forming apparatus, and a pattern processing apparatus are included.
- the lithographic apparatus includes, for example, an exposure apparatus, an electron beam drawing apparatus, and an X-ray drawing apparatus.
- the film forming apparatus includes, for example, a CVD (Chemical Vapor Deposition), a PVD (Physical Vapor Deposition), a vapor deposition apparatus, a sputtering apparatus, and a thermal oxidation apparatus.
- the pattern processing device includes, for example, a wet etching device, a dry etching device, an electron beam processing device, and a laser processing device.
- the processing device 111 processes a semiconductor or a semiconductor device based on the processing condition input from the processing condition searching device 100, and passes the processing to the evaluation device 112.
- the evaluation device 112 photographs a cross section of the semiconductor or semiconductor device processed by the processing device 111 and acquires a cross-sectional image 208 that is the processing result.
- the evaluation device 112 includes a processing dimension measuring device using an SEM, a TEM (Transmission Electron Microscope), and an optical monitor. A part of the semiconductor or semiconductor device processed by the processing device 111 may be taken out as a fragment, and the fragment may be transported to the evaluation device 112 for measurement.
- the acquired cross-sectional image 208 is passed to the input/output device 206.
- the dimension measuring device 200 has a central processing unit 201, a model learning unit 202, a model estimating unit 203, a dimension measuring unit 204, and a database 205.
- the definition of the feature points and the dimensions, the magnification, the learning data set 209 and the cross-sectional image 208 input via the input/output device 206 are received, and the predetermined dimensions are measured from the cross-sectional image 208 and output to the input/output device 206.
- the input/output device 206 includes an input/output interface such as a GUI and a storage medium reading device such as a card reader, and inputs the definition of feature points and dimensions, magnification, and learning data set 209 to the dimension measuring device 200. Further, the cross-sectional image 208 is received from the evaluation device 112 and passed to the central processing unit 201.
- the input/output device 206 includes, for example, a keyboard, a mouse, a display, a touch panel, a storage medium reading device, etc., and displays the dimension value passed from the dimension measuring device 200 to the user or directly transfers it to the input device 103. .. In the case of displaying to the user, the means is to display on the display or write to a file.
- FIG. 2 is a diagram showing a system configuration example of the processing condition search device 100.
- the processing condition searching device 100 includes a central processing unit 104, a database 105, an initial processing condition setting unit 106, a target setting unit 107, a model learning unit 108, a processing condition searching unit 109, a device control unit 110, And a convergence determination unit 113.
- FIG. 3 shows a block diagram showing a hardware configuration of the dimension measuring device 200.
- the dimension measuring device 200 measures dimensions from the cross-sectional image 208 input from the evaluation device 112 via the input/output device 206, and outputs the measurement result to the input/output device 206.
- the dimension measuring device 200 includes a processor 116, a communication interface 115, a ROM 117, and a RAM 118.
- the communication interface 115 connects the processor 116 and the external input/output device 206.
- the communication interface 115, the ROM 117, and the RAM 118 are connected to the processor 116.
- a processing program executed by the processor 116 is stored in the ROM 117.
- the RAM 118 stores learning data, learning models, definition of feature points and dimensions, magnification, and the like.
- the database 205 is implemented as the ROM 117 and the RAM 118, and the model learning unit 202, the model estimating unit 203, and the dimension measuring unit 204 are programs and parameters stored in the ROM 117 and the RAM 118. Implemented as.
- FIG. 4 is an example of the configuration of the semantic segmentation model used in the model learning unit 202 and the model estimation unit 203 of the dimension measuring device 200.
- the neural network 20 is used as an example.
- the present invention is not limited to this, and a machine learning model such as a decision tree may be used.
- the neural network outputs the label number of the area to which each pixel belongs from the output layer by the pixel information input to the input layer being sequentially propagated to the intermediate layer and the output layer and calculated. A number of convolutional layers and pooling layers are repeated in the intermediate layer. The specific layer structure depends on the model adopted. During learning, the parameters of the intermediate layer are adjusted so that the error between the output label of each pixel and the correct annotation data is minimized.
- FIG. 5 is an example of the configuration of an object detection model used in the model learning unit 202 and the model estimation unit 203 of the dimension measuring device 200.
- the neural network outputs the label number of the object contained in the image and the coordinate value of the bounding box from the output layer by the pixel information input to the input layer being propagated to the intermediate layer and the output layer in order and calculated. To do. A number of convolutional layers and pooling layers are repeated in the intermediate layer. The specific layer structure depends on the model adopted. During learning, the parameters of the intermediate layer are adjusted so that the error between the label number of the output object, the coordinate value of the bounding box, and the correct annotation data is minimized.
- FIG. 6 is a flowchart executed by the dimension measuring device 200 to measure a required dimension from an input image.
- a learning data set 209 to be input to the dimension measuring device 200 is created in advance.
- the learning data set includes, in addition to the cross-sectional SEM image that is the input data, annotation data 209 that describes the coordinates of the bounding box that surrounds the unit pattern for the object detection model that is the output data, for the semantic segmentation model.
- the input learning data set is stored in the database 205.
- the central processing unit 201 transfers the learning data set and model from the database 205 to the model learning unit 202, and the model learning unit 202 learns two models (step S101).
- the learned model parameters are stored in the database 205.
- a neural network having a convolutional layer or a pooling layer is used as a model.
- a machine learning model such as a decision tree may be used as a semantic segmentation model such as template matching as an object detection model. it can.
- the test image whose dimensions are to be measured is input from the input/output device 206 (step S104).
- the feature point definition 209 required for dimension measurement and the dimension definition 209 to be measured are stored in the database 205 via the input/output device 206 (steps S102 and S103).
- the magnification of the input image is determined by the name of the folder that stores the image. For example, if the magnification is 100k, the folder name is 100k.
- the magnification information of each image is stored in the database 205.
- the central processing unit 201 passes the bounding box coordinates and the semantic segmentation image to the dimension measuring unit 204, and obtains the coordinates of the boundary line from the semantic segmentation image.
- the boundary line coordinates are divided for each pattern, the definition of the feature point stored in the database 205 is called to obtain the coordinates of the feature point, and the definition of the size is called to calculate the main size (step S107). Since the unit of the obtained dimension is the number of pixels, the magnification stored in the database 205 is called and converted into the actual dimension (step S108).
- the measured dimension value is output to the input/output device 206, and the boundary line coordinate data for each pattern is stored in the database 205 (step S109).
- Steps S110 and S111 the definition of a new feature point 209 necessary for dimension measurement and the definition 209 of the new dimension measurement point are input from the input/output device 206 and stored in the database 205.
- step S112 it is determined whether or not a new dimension measurement point is designated (step S112), and if there is no designation, the dimension measurement process is skipped. If specified, the coordinate data of the boundary line for each pattern stored in the database 205 is read to calculate the dimension (step S114), the scale is converted to the actual dimension (step S115), and the measured dimension value is input/output. The data is output to the device 206 (step S116).
- step S117 If you want to search the machining shape, input the target dimension value (step S117).
- the central processing unit 201 determines whether or not the shape search is specified (step S118), and if not specified, ends the dimension measurement processing (step S119). If specified, the size values of all the images stored in the database 205 are searched (step S120), and the shape close to the input size is output to the input/output device 206 (step S121). With that, the process ends (step S122).
- FIG. 7 is a flowchart executed by the processing condition search apparatus 100 in the semiconductor manufacturing system 10 to determine the optimum processing condition of the processing apparatus 111 from the target processing result (target output parameter value).
- the target processing result (target output parameter value) to be targeted and the input parameter 101 selected as a parameter for controlling the processing device 111 are transferred from the input device 103 to the central processing unit 104. (Step S200).
- the central processing unit 104 stores the received target output parameter value and the selected input parameter (machining condition parameter) in the database 105, and also passes the selected input parameter to the initial processing condition setting unit 106.
- the initial processing condition setting unit 106 reads the data in the settable range of the input parameters from the database 105 based on the passed input parameters, and automatically sets the initial processing conditions (step S201).
- the central processing unit 104 stores the set initial processing conditions in the database 105, and also passes the initial processing conditions to the device control unit 110.
- the device control unit 110 transfers the initial processing condition to the processing device 111.
- the user may input the initial processing condition output by the device control unit 110 into the processing device 111.
- the processing device 111 performs processing according to the input initial conditions, evaluates it with the evaluation device 112, and passes the sectional image 208, which is the evaluation result, to the dimension measurement device 200 via the input/output device 206.
- the dimension value (target output parameter value) obtained by the dimension measuring device 200 is input to the input device 103 via the input/output device 206.
- the central processing unit 104 receives the initial processing result from the input device 103 (step S202).
- the central processing unit 104 passes the initial processing condition and the initial processing result to the convergence determination unit 113.
- the convergence determination unit 113 compares the initial processing result with the target processing result and determines whether or not the target processing result has converged within a predetermined accuracy (step S203). If it has converged, the initial processing condition converged to the target processing result is passed to the output device 114, and the output device 114 outputs it as the optimum processing condition 102 (step S210).
- Equation 1 For the determination of the convergence of the output parameter value (processing result), the sum of squares of the error between the output parameter value related to all the output parameters used and the target output parameter value given in (Equation 1) can be used.
- NP is the total number of output parameters used
- x i is the i-th target output parameter value
- y i is the i-th output parameter value (actual value)
- W i is the weight designated by the user for each output parameter. ..
- an instruction to continue the processing is sent from the convergence determination unit 113 to the central processing unit 104, and the central processing unit 104 causes the database 105 to store initial processing conditions (initial input parameter values) and initial processing results (initial processing). And initial learning data consisting of (output parameter value) (step S204).
- the central processing unit 104 reads the target output parameter value (target processing result) and the initial learning data from the database 105 and passes it to the target setting unit 107.
- the target setting unit 107 sets the target processing result (target output parameter value) (step S205).
- the set target output parameter value is passed to the central processing unit 104 and stored in the database 105.
- the target setting unit 107 selects the best data (output parameter value (actual value)) that is the closest to the target output parameter value from the existing learning data, and at that time, selects the best output parameter value and the target output parameter value.
- the target output parameter value is set by performing interpolation.
- the number of targets to be set may be any number as long as it is 1 or more, but it is desirable to set a plurality, for example, about 4 to 5 in consideration of efficiency.
- the central processing unit 104 reads the initial learning data from the database 105 and sends the initial learning data to the model learning unit 108.
- the model learning unit 108 learns a prediction model that associates an input parameter value (processing condition) with an output parameter value (processing result) (step S206).
- a neural network, a support vector machine, a kernel method, or the like can be used as the prediction model.
- the learned prediction model is passed to the processing condition search unit 109.
- the processing condition search unit 109 uses the prediction model passed from the model learning unit 108 and the constraint condition for the input parameter read from the database 105, and uses the target output parameter value and the target output parameter value read from the database 105.
- the processing condition for is searched (step S207). Since the processing conditions are input and the processing results are output in the prediction model, various optimal solution search methods such as simulated annealing method and genetic algorithm should be used to obtain the processing conditions from the processing results in reverse. You can The processing condition search unit 109 transfers the searched processing condition (target input parameter value) to the device control unit 110 and stores the processing condition in the database 105 via the central processing unit 104.
- the device control unit 110 transfers the passed processing condition (target input parameter value) to the processing device 111.
- the user may input the processing condition output by the device control unit 110 to the processing device 111.
- the processing device 111 performs processing according to the input initial conditions, evaluates it with the evaluation device 112, and passes the sectional image 208, which is the evaluation result, to the dimension measurement device 200 via the input/output device 206.
- the dimension value (target output parameter value) obtained by the dimension measuring device 200 is input to the input device 103 via the input/output device 206.
- the central processing unit 104 receives the processing result (target output parameter value) from the input device 103 (step S208).
- the central processing unit 104 passes the processing condition (target input parameter value) and the processing result (target output parameter value) to the convergence determination unit 113.
- the convergence determination unit 113 compares the processing result (output parameter value (actual value)) with the target processing result (target output parameter value), and determines whether the processing result has converged to the target processing result within a predetermined accuracy (step S209). If it has converged, the processing condition converged to the target processing result is passed to the output device 114, and the output device 114 outputs it as the optimum processing condition 102 (step S210).
- an instruction to continue the processing is sent from the convergence determination unit 113 to the central processing unit 104, and the central processing unit 104 adds the newly searched target processing result and target processing result to the learning data set of the database 105.
- the learning data set is updated by adding the set of the processing condition (input parameter value) and the processing result (output parameter value (actual value)) regarding as additional learning data (step S204).
- the estimation process from the creation/update of the learning data set (step S204) to the convergence determination (step S209) is repeated until the processing result converges to the target processing result.
- the optimum processing condition that achieves the target processing result is autonomously searched.
- the above is the processing flow of the entire semiconductor manufacturing system 10 including the processing condition searching apparatus 100 and the dimension measuring apparatus 200.
- the processing device 111 is an etching device.
- FIG. 8 is an example of a cross-sectional SEM image that is an input dataset in the learning dataset.
- the size of this image is 1280 x 960 pixels.
- the sample has a trench structure in which unit patterns of lines/spaces are repeated, and the region includes three regions of a background 300, a mask 301, and a substrate 302.
- Fig. 9 shows an example of the dimension measurement points.
- the dimension measurement points are (1) L1: the width 305 of the upper surface of the mask, (2) L2: the width 306 of the mask/substrate interface, (3) L3: the width 307 of the narrowest portion of the substrate, (4) L4. : Mask height 308, (5) L5: trench depth 309, five positions are set.
- the width 305 of the upper surface of the mask was defined as the interval between the two peak positions which are convex. If the shape has only one peak position, the width is set to 0.
- the seven points A to G in the figure are characteristic points on the boundary line used for dimension measurement, and points that can be uniquely defined from only the boundary line data are used.
- a and B are the peak points on the upper surface of the mask.
- the definition of the characteristic points A to G and the correspondence between the dimensions L1 to L5 and the characteristic points A to G are input by the user via the input/output device 206, and a database is created. It is stored in 205. Specifically, a script that describes the definition of feature points and dimensions is stored. The number and positions of characteristic points and measurement dimensions are appropriately set according to the structure of the measurement target.
- FIG. 10 is a diagram for explaining the definition of the bounding box coordinates described in the annotation data to be given to the object detection model among the annotation data that is the output dataset in the learning dataset.
- a label name "pattern” is defined for a region consisting of a mask and a part of a substrate, which is a repeating unit structure of lines/spaces surrounded by a frame (bounding box) shown in the figure. In this example, there is only one type of label and the label number is 0. There are five patterns in FIG.
- the coordinates of the bounding box have the origin at the upper left of the image, the X axis is horizontal, and the Y axis is vertical.
- the boundary of the bounding box in the Y-axis direction is set at a position with a margin of several pixels so that the top of the mask and the bottom of the trench are completely included. Since the bounding box is a rectangle, two coordinates, upper left and lower right, can be given to specify the position.
- FIG. 11 is an excerpt of a description example of annotation data corresponding to FIG. Only essential items are excerpted.
- the data is described in the xml format, but any format that is assumed by the object detection model used may be used. Describe the folder name storing the image file in tags ⁇ folder> to ⁇ /folder>, and the image file name in tags ⁇ filename> to ⁇ /filename>.
- Tags ⁇ object> to ⁇ /object> describe the information about the bounding box, and are repeated for the number of bounding boxes included in the image.
- the tags ⁇ name> to ⁇ /name> in the tag are the places where the label name is specified.
- the four numerical values described in the tags ⁇ bndbox> to ⁇ /bndbox> are the coordinates of the upper left and lower right points of the first bounding box.
- the annotation data can be created manually or by using a learned object detection model.
- FIG. 12 is an example of annotation data for the semantic segmentation model among the annotation data that is the output dataset in the learning dataset.
- Annotation data can be created manually using dedicated software, or by using a learned semantic segmentation model.
- the data is an image color-coded by region.
- the region includes each layer forming the cross section of the semiconductor device to be measured and the background other than the cross section of the semiconductor device.
- the background 310 and three layers of a mask 311 and a substrate 312 are formed as each layer constituting the cross section of the semiconductor device.
- the label names of the three areas are "background", "mask", and "substrate”, respectively, and the colors are black, gray, and white, respectively.
- FIG. 13 shows the correspondence between label names, label numbers, and colors, which are stored in the database 205.
- the label number and the color assigned to each label are arbitrary, but they need to be fixed in the dimension measuring device 200.
- FIG. 14 is an example of a GUI screen displayed on the input/output device 206 when performing the learning step.
- the screen includes an input data window 323, an annotation data window 331, and a terminal window 339.
- the load button 320 is used to select the folder in which the input data set of the learning data set is stored.
- the select button 321 is used to select the image file to be displayed in the input data window 323.
- the display result is cleared by the clear button 322.
- the selected folder name and file name are displayed in cells 324 and 325.
- the selected image is displayed in the image window 326.
- a model button 328 is used to select either a semantic segmentation model or an object detection model.
- the type of data displayed in the annotation data window 331 changes depending on the selected model.
- the folder containing the annotation data is automatically selected according to the model.
- FIG. 14 shows an example in which the semantic segmentation model is selected.
- the select button 329 is used to specify a sample to be displayed in the window 334. In the cells 332 and 333, the folder name and file name of the selected sample are displayed. An annotation image is displayed in the window 334, and a correspondence table of label names, label numbers, and colors is displayed in the table 335.
- the start button 336 starts learning of the model selected by the model button 328.
- the progress of calculation and the final result are displayed as messages.
- the stop button 337 can be used to stop the calculation.
- the trained model that is the calculation result is automatically saved.
- FIG. 15 is an example of a test image whose dimensions are to be measured. As described above, the contour of the unnecessary inner structure is reflected in this test image. This structure is a structure that should be ignored when measuring dimensions.
- FIG. 16 shows the result of inputting and inferring the test image shown in FIG. 15 to the learned object detection model.
- the bounding box coordinates are shown in black with the label name of the detected object.
- four patterns are detected.
- FIG. 17 shows the coordinate value data of the bounding box corresponding to FIG. 16, which is automatically saved in the database 205 after inference.
- FIG. 18 shows a result of inputting and inferring the test image shown in FIG. 15 into the learned semantic segmentation model.
- the color of each area follows the correspondence relationship set in FIG. 13, and the background is black, the mask is gray, and the substrate is white.
- the boundary line coordinates are cut out for each bounding box using the coordinate values of the bounding box in Fig. 17.
- the coordinates of the characteristic points A to G necessary for the dimension measurement are obtained from the boundary line coordinates for each cut out bounding box, and the dimensions L1 to L5 are obtained. In this way, the dimensions are automatically measured for each pattern from the input image.
- FIG. 19 is an example in which measured dimension values are displayed on the original input image, and the detected bounding box position is also indicated by a rectangle.
- FIG. 20 shows the measurement results of FIG. 19, and the five dimensions L1 to L5 are calculated and displayed in addition to the values for each pattern as well as statistical values (average value, standard deviation).
- the result is automatically stored in the database 205, and the average value is output to the input/output device 206.
- FIG. 21 is an example of a GUI screen displayed on the input/output device 206 when performing the inference/measurement step.
- the screen includes an input data window 345 and an inference/measurement result window 353.
- a definition button 340 is used to read a script that defines the correspondence between feature points and dimensions.
- the read definition is displayed in the definition table 349.
- By matching the folder name with the magnification of the image information regarding the magnification can be obtained from the folder name.
- the selected folder name and file name are displayed in cells 346 and 347.
- the selected test image is displayed in the image window 350.
- the file name and image of the first test image are displayed in the cell 347 and the image window 350.
- the start button 343 inference and dimension measurement are performed using the two learned models.
- the calculation result is automatically saved.
- the clear button 344 clears the display result.
- the load button 351 is used to select the original image for which the result is to be displayed.
- the cells 354 and 355 the folder name and file name of the selected image are displayed.
- Semantic segmentation results are displayed in window 356, and object detection results are displayed in window 357.
- the final result window 358 an image in which the dimension value is displayed on the original image is displayed, and in the numerical value table 359, the measured dimension value and the statistical value are displayed.
- FIG. 22 is an example of a GUI screen displayed on the input/output device 206 in the search step of searching a shape close to a desired size from the database 205, and includes a target window 360 and a search result window 363.
- the target window 360 the target dimension value is input to the target structure cell 361.
- the definition window 362 illustrates the definitions of the dimensions L1 to L5.
- search result window 363 the search is executed by the search button 364.
- the search results are sorted and displayed in ascending order of error, and a folder name 366, a file name 367, an image 368 in which dimension values are described, and an average value 369 of dimensions are displayed.
- Example 1 the semantic segmentation model was used as the first image recognition model and the object detection model was used as the second image recognition model, but the dimension measurement method is not limited to this combination.
- a method of using two kinds of semantic segmentation models will be described.
- a first semantic segmentation model that detects a contour line and a second semantic segmentation model that detects a feature point are used.
- the second embodiment will be described focusing on the extraction of the feature points using the image recognition model, and the description of the points overlapping the first embodiment will be omitted.
- FIG. 23 is a flowchart executed by the dimension measuring apparatus 200 to measure dimensions from an image input through a learning step in advance.
- the characteristic points 209 required for dimension measurement are defined and stored in the database 205 via the input/output device 206 (step S300). This is done before the learning step.
- the contour image and the annotation image divided into other regions are used for the second semantic segmentation model (second image recognition model).
- second image recognition model Creates an annotation image in which the characteristic points necessary for dimension measurement and areas other than the characteristic points are created and input from the input/output device 206 (step S302).
- the central processing unit 201 passes the learning data set to the model learning unit 202, and the model learning unit 202 performs model learning (step S303).
- model learning a case where a neural network having a convolutional layer is used as a model will be described, but a machine learning model such as a decision tree can also be used.
- a test image whose dimensions are to be measured is read from the evaluation device 112 (step S304).
- the central processing unit 201 passes the image to the model learning unit 202, and the model estimation unit 203 performs estimation (step S305) to obtain two types of semantic segmentation images (step S306).
- step S301 the correspondence 209 between the feature points and the dimension measurement point is input from the input/output device 206 and stored in the database 205 (step S301).
- the dimension measuring unit 204 obtains the feature point coordinates on the contour line from the two types of semantic segmentation images, calculates the main dimensions, and obtains the coordinate data of the entire contour line (step S307). Subsequently, the obtained dimension is converted into a scale of the actual dimension (step S308). The measured dimension value is output to the input/output device 206, and the coordinate data of the contour line is stored in the database 205 (step S309).
- step S310 when it is desired to compare the processed shapes, two samples to be compared are designated (step S310). Subsequently, it is determined whether or not the shape comparison is designated (step S311), and if not designated, the dimension measurement process ends (step S312). If specified, the contour line data and the dimension value stored in the database 205 are read out, and the comparison result is output to the input/output device 206 (step S313). With the above, the process ends (step S314).
- FIG. 24 is an example of annotation data for teaching a contour line corresponding to the input data image of the learning data set of FIG.
- the area is composed of two areas, a background 400 and a contour line 401.
- the label names are "background” and "outline", respectively, and the label numbers are 0 and 1, respectively.
- FIG. 25 shows the correspondence between label names, label numbers, and colors. The label number and the color assigned to each label are arbitrary, but they need to be fixed in the dimension measuring device 200.
- FIG. 26 is an example of annotation data that teaches the positions of feature points corresponding to the input data image of the learning data set of FIG.
- four points A411, C412, E413, and G414 are set as labels, and the images are color-coded by five labels including the background 410.
- the other three feature points B, D, and F are not included in the label because they can be obtained from A, C, and E assuming symmetry.
- the feature points A, C, E are obtained from the feature points B, D, F and the contour line, so that the feature points B, D, F and the feature points A, C, It is possible to ensure that E is a feature point for one unit pattern.
- FIG. 27 shows the correspondence between label names, label numbers, and colors. The label number and the color assigned to each label are arbitrary, but they need to be fixed in the dimension measuring device 200.
- FIG. 28 is an example of a GUI screen displayed on the input/output device 206 when performing the learning step.
- the screen includes an input data window 323, an annotation data window 331, and a terminal window 339.
- the load button 320 is used to select the folder in which the input image file is stored.
- An image file to be displayed is selected with the select button 321.
- the display result is cleared by the clear button 322.
- the selected folder name and file name are displayed in cells 324 and 325.
- the selected image is displayed in the image window 326.
- a model button 415 is used to select either a contour segmentation semantic segmentation model (first semantic segmentation model) or a feature point semantic segmentation model (second semantic segmentation model). To do.
- the type of data displayed in the annotation data window 331 changes depending on the selected model.
- the folder containing the annotation data is automatically selected according to the model.
- FIG. 28 shows an example in the case where the contour segmentation semantic segmentation model is selected.
- the select button 329 is used to specify the sample to be displayed in the window. In the cells 324 and 325, the folder name and file name of the selected sample are displayed.
- An annotation image is displayed in the window 334, and a correspondence table of label names, label numbers, and colors is displayed in the table 335.
- the start button 336 starts learning of the model selected by the model button 415.
- the progress of calculation and the final result are displayed as messages.
- the stop button 337 can be used to stop the calculation.
- the model parameter that is the calculation result is automatically saved.
- FIG. 29 is an image of the detection result of the contour line obtained by inputting the test image shown in FIG. 15 to the first learned semantic segmentation model and inferring it. At the same time, the coordinates of the contour line are also obtained.
- FIG. 30 is an image of the detection results of the feature points A, C, E, and G in which the test image shown in FIG. 15 is input to the second learned semantic segmentation model and inferred. At the same time, the coordinates of these feature points are also obtained. Since the coordinates of these feature points are not necessarily located on the contour line obtained in FIG. 29, the point on the contour line of FIG. 29 that is closest to the feature point coordinates obtained in FIG. Used as the coordinates of points.
- FIG. 31 is a diagram illustrating a method of obtaining corresponding feature points B, D, and F from feature points A, C, and E.
- the corresponding point has the same Y coordinate as the original point and the smallest difference in X coordinate, that is, a point on the rightmost nearest contour line.
- the boundary line coordinates are divided for each pattern, but in the second embodiment, since the coordinates of two paired points are known, the division is unnecessary.
- a predetermined dimension is calculated based on the obtained coordinates of the seven types of feature points and the definition of the feature point and the dimension called from the database 205. In this way, the dimensions are automatically measured from the input image.
- FIG. 32 is an example of a GUI screen displayed on the input/output device 206 when performing the inference/measurement step.
- the screen includes an input data window 345 and an inference/measurement result window 353.
- a definition button 340 is used to select and read a script defining correspondence between feature points and dimensions.
- the read definition is displayed in the definition table 349.
- By matching the folder name with the magnification of the image information regarding the magnification can be obtained from the folder name.
- the selected folder name and file name are displayed in cells 346 and 347.
- the selected test image is displayed in the image window 350.
- the file name and image of the first test image are displayed in the cell 347 and the image window 350.
- the start button 343 inference and dimension measurement are performed using the two learned models.
- the calculation result is automatically saved.
- the clear button 344 clears the display result.
- the load button 351 is used to select the original image for which the result is to be displayed.
- the cells 354 and 355 the folder name and file name of the selected image are displayed.
- the window 416 displays the result of semantic segmentation for the contour line
- the window 417 displays the result of semantic segmentation for the feature point.
- the final result window 358 an image in which the dimension value is displayed on the original image is displayed, and in the numerical value table 359, the measured dimension value and the statistical value are displayed.
- FIG. 33 is an example of a GUI screen displayed on the input/output device 206 when performing a comparison step of comparing the shapes of two images.
- the screen includes an input data window 423 and a comparison result window 436.
- the first image to be compared is selected by the load 1 button 420
- the second image to be compared is selected by the load 2 button 421.
- the folders and file names of the selected first image are displayed in cells 424 and 425
- the folders and file names of the selected second image are displayed in cells 426 and 427.
- the two selected images are displayed in the image windows 428 and 429.
- the contour lines windows 430 and 431 the contour line images extracted for the two selected images are read from the database 205 and displayed.
- the auto button 432 is a button for automatically adjusting the two contour lines 430 and 431 so that the upper surface of the mask is aligned in the vertical direction and the center of the trench is aligned in the horizontal direction. If the automatic adjustment fails or if the user wants to make manual adjustment, the manual button 433 is pressed and the user adjusts the position by dragging the image with the mouse. In the table 438, the dimension values measured for the two images are read from the database 205, and the difference between the two is calculated and displayed.
- the save button 434 saves the overwritten outline image and the numerical values of the table in the database 205.
- the present invention is not limited to the above-described embodiments, but includes various modifications and equivalent configurations within the scope of the appended claims.
- the above-described embodiments have been described in detail in order to explain the present invention in an easy-to-understand manner, and the present invention is not necessarily limited to those having all the configurations described.
- part of the configuration of one embodiment may be replaced with the configuration of another embodiment.
- the configuration of another embodiment may be added to the configuration of one embodiment.
- you may add, delete, or replace another structure with respect to a part of structure of each Example.
- the semantic segmentation model has been described as an example in which an image in which each layer constituting the cross section of the semiconductor device is color-coded is output, but as in the second embodiment, as a semantic segmentation model that outputs feature points Good.
- the above-described respective configurations, functions, processing units, processing means, etc. may be realized by hardware, for example, by designing a part or all of them with an integrated circuit, and a processor realizes each function. It may be realized by software by interpreting and executing the program. Information such as programs, tables, and files that realize each function is recorded in memory, hard disk, storage device such as SSD (Solid State Drive), or IC (Integrated Circuit) card, SD card, DVD (Digital Versatile Disc). It can be stored on a medium.
- SSD Solid State Drive
- IC Integrated Circuit
- SD card Digital Versatile Disc
- control lines and information lines are shown to be necessary for explanation, and not all the control lines and information lines necessary for implementation are shown. In reality, it can be considered that almost all configurations are connected to each other.
- 10 semiconductor manufacturing system, 20, 30: neural network model, 100: processing condition search device, 101: target processing result/parameter selection, 102: optimum processing condition, 103: input device, 104: central processing unit, 105: database , 106: initial processing condition setting unit, 107: target setting unit, 108: model learning unit, 109: processing condition searching unit, 110: device control unit, 111: processing device, 112: evaluation device, 113: convergence determination unit, 114: output device, 115: interface, 116: processor, 117: ROM, 118: RAM, 200: dimension measuring device, 201: central processing unit, 202: model learning unit, 203: model estimating unit, 204: dimension measuring unit , 205: database, 206: input/output device, 208: sectional image, 209: definition/magnification/learning data set of feature points and dimensions, 300: background, 301: mask, 302: substrate, 305: mask upper surface width, 306 : Mask/substrate interface width, 307: substrate narrow
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
本開示は、寸法計測に要する時間の短縮とオペレータ起因の誤差を排除する寸法計測装置に関する。このため、断面画像全体にわたって加工構造と背景との間の境界線及び/または異種材料間の界面の境界線を抽出する第1画像認識モデルと、第1の画像認識モデルから得られる断面画像全体に及ぶ境界線を、繰り返しパターンを構成する単位パターンごとに区分するための情報を出力する第2画像認識モデルとを用いて、単位パターンごとにあらかじめ定義された複数の特徴点の座標を求め、複数の特徴点のうちの所定の2点間の距離として定義される寸法を計測する。
Description
本発明は、処理装置による処理結果を計測する寸法計測装置、寸法計測プログラム、及び寸法計測装置と処理条件探索装置を有する半導体製造システムに関する。
近年、半導体デバイスの性能向上のため、半導体デバイスに新材料が導入され、同時に半導体デバイスの構造が立体化・複雑化している。また、現在の先端半導体デバイスの加工では、ナノメートルレベルの精度が要求される。このため、半導体処理装置は多種の材料を種々の形状に極めて高精度に加工できる必要があり、必然的に多数の制御パラメータ(入力パラメータ)を備えた装置になっている。
代表的な半導体処理装置であるエッチング装置では、プラズマ放電を制御するための設定項目数は30以上ある。これらの設定値を固定した際の放電を1ステップとすると、異なる設定値をもつステップを次々に切替えながら加工が進められる。先端プロセスでは、1つの加工工程において通常でも10ステップ以上、多い場合には30ステップ以上が用いられており、ステップの組合せおよびステップ内の全ての設定値を最適化するために数百条件もの加工試験が行われている。装置性能を引出すためのノウハウと高い装置運用スキルをもつエンジニアの数は限られており、今後は条件導出や装置運用が予定通りに進まないケースが増えていくと予想される。
この課題に対し、特許文献1では最適な加工条件を自動探索する方法が提案されている。これにより、エンジニアの試行錯誤に頼っていた従来の手法に比べ、各段に工数を削減することができる。
また、特許文献2、特許文献3はパターンの断面画像からの寸法計測について開示する先行技術文献である。特許文献2は、画像の輝度値から輪郭線を求め、パターン断面の上部と下部の2点の座標値を用い、断面SEM(Scanning Electron Microscope)画像特有の白い影部分の信号成分を手動で除去することにより、側壁角度の測定精度を向上させている。特許文献3は、断面SEM画像の輝度値の変化からエッジポイントを求め、パターンの各辺を近似する直線を割り出すことにより、各辺の角度・長さの測定におけるオペレータ依存を減らしている。
特許文献1の方法において計算時間以外に工数が掛かるのが、断面SEM画像からの寸法計測工程である。現状は寸法計測を手作業で行うことが多いが、先端プロセスに適用する場合には構造が複雑になり、画像1枚当たりの測定点数も増えることから、人手で行う寸法抽出は限界に達しつつある。
また、所望の構造を実現するプロセスを短期間で構築するには、既存の膨大な実験データの中から類似の構造を検索・参照する必要があるが、その際には加工形状が数値化されたデータベースが必要である。しかし、現状では構造の数値化を手作業で行うことが多い。さらに、条件導出を進める途中で、当初計画していた位置よりも重要な計測箇所が見出された場合、全画像の再計測が必要となる。自動で寸法抽出ができれば、所要時間は大きく短縮されるとともに、より正確な加工形状を把握することが可能となる。また、抽出結果を画像に表示して出力することで、抽出に問題がないかを視覚的に判断できる。このように自動化によるメリットは非常に大きい。
手動による計測では計測値にオペレータ依存性が生じる。また、ライン/スペースの単位パターンが繰り返している画像でも、個々のパターンごとに1つ1つ計測するため、計測値の統計量にはプロセスばらつき以外に人的誤差も加算されるなどの課題がある。
特許文献2や特許文献3に開示されている手法は、オペレータ依存性をある程度減らせるものの、目視による操作を伴うため、オペレータ依存性は依然残っている。また、1枚ずつ画像を見ながら計測するため、作業時間を要する。さらに、後日寸法計測個所を追加・変更したい場合には、画像取得を最初からやり直すか、画像から目視で測る必要がある。
断面SEM画像には、明るさが画像ごとに異なる、寸法計測には不必要な奥の構造が写っている、寸法を計測したい異種材料界面の境界が不明瞭、といった測長SEM(Critical Dimensional SEM)画像にはない寸法計測の困難さがある。このため、輝度値を用いたエッジ検出法に基づく特許文献2及び特許文献3の方法では、画像ごとにしきい値などのパラメータチューニングを必要としたり、界面位置を目視で判断して指定したりするなどの操作が必要である。目視による調整が不要な完全自動計測を実現するには、局所的な輝度分布ではなく、画像に写っている個々の物体の領域を認識することにより、物体の輪郭を抽出する必要がある。このような目視と同等あるいはそれ以上の性能を有する画像認識は、機械学習、特に深層学習を用いた画像認識技術を応用することにより実現できると考えられる。
本発明は、機械学習、特に深層学習による画像認識技術を用いて、断面SEMから所望の寸法を自動で計測することにより、寸法計測時間の短縮とオペレータ起因の誤差を含まない計測方法を実現することを目的とする。
本発明の一態様である、繰り返しパターンを有する半導体デバイスの断面画像から半導体デバイスの寸法を計測する寸法計測装置は、プロセッサと、メモリと、メモリに格納され、プロセッサに実行されることにより、半導体デバイスの寸法を計測する寸法計測プログラムとを有し、寸法計測プログラムは、モデル推定部と寸法計測部とを有し、モデル推定部は、第1画像認識モデルにより、断面画像に対して領域別にラベル付けしたラベル付け画像を出力し、第2画像認識モデルにより、断面画像において繰り返しパターンを構成する単位パターンそれぞれが位置する座標を出力し、寸法計測部は、ラベル付け画像及び単位パターンそれぞれが位置する座標を用いて、単位パターンごとにあらかじめ定義された複数の特徴点の座標を求め、複数の特徴点のうちの所定の2点間の距離として定義される寸法を計測する。
また、本発明の他の一態様である、繰り返しパターンを有する半導体デバイスの断面画像から半導体デバイスの寸法を計測する寸法計測装置であって、プロセッサと、メモリと、メモリに格納され、プロセッサに実行されることにより、半導体デバイスの寸法を計測する寸法計測プログラムとを有し、寸法計測プログラムは、モデル推定部と寸法計測部とを有し、モデル推定部は、第1画像認識モデルにより、断面画像を、輪郭線と背景とにラベル付けした第1のラベル付け画像を出力し、第2画像認識モデルにより、断面画像を、繰り返しパターンを構成する単位パターンにおいて定義される第1の複数の特徴点と背景とにラベル付けした第2のラベル付け画像を出力し、寸法計測部は、第1のラベル付け画像からの輪郭線の座標及び第2のラベル付け画像からの第1の複数の特徴点の座標を用いて第2の複数の特徴点の座標を求め、第1の複数の特徴点のうちの所定の点と第2の複数の特徴点のうちの所定の点との間の距離として定義される寸法を計測する。
オペレータ依存性を低減した高速な寸法計測を実現することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。
本実施例においては、繰り返しパターンを有する半導体デバイスの断面画像から半導体デバイスの寸法を計測するために2つの画像認識モデルを用いるものとする。なお、ここで半導体デバイスとは完成品のみならず、加工途中の半導体デバイスをも含み、ウェハの状態であるか、個々に分離されたチップの状態にあるかも問わない。第1画像認識モデルは、断面画像全体にわたる加工構造と背景との間の境界線及び/または異種材料間の界面の境界線を抽出する画像認識モデルである。第2画像認識モデルは、第1の画像認識モデルから得られる断面画像全体に及ぶ境界線を、繰り返しパターンを構成する単位パターンごとに区分するための情報を出力する画像認識モデルである。これにより、オペレータの目視による調整を必要とせず、断面SEM画像から所定の寸法値を自動で計測することが可能となる。
以下、本発明の実施形態を添付図面に基づいて説明する。
実施例1では、加工構造と背景との間の境界線及び異種材料間の界面の境界線の座標を抽出するためにセマンティック・セグメンテーションモデル(第1画像認識モデル)と、単位パターンの座標を検出するために物体検出モデル(第2画像認識モデル)との2種類の画像認識技術を用いる。
事前の学習ステップでは、セマンティック・セグメンテーションモデルには、入力データである断面SEM画像と、出力データである領域ごとに色分けしたアノテーション画像とを、教師データとして与えて、領域の形状を学習させる。また、物体検出モデルには、入力データである断面SEM画像と、出力データである単位パターンの座標(パターンを囲む矩形のバウンディング・ボックスで指定する)を記したアノテーションデータとを、教師データとして与えて、単位パターン形状を学習させる。
推論ステップでは、与えられた入力画像に対し、学習済みセマンティック・セグメンテーションモデルで領域ごとに色分けした画像を推定し、学習済み物体検出モデルで単位パターンの座標を推定する。
計測ステップでは、領域ごとに色分けした画像から得られる領域境界線の座標を、単位パターン座標を用いてパターンごとに分割し、寸法計測に必要な特徴点の座標を求めることにより、所望の個所の寸法を自動で計測する。
図1は、半導体製造システムのシステム構成例を示す図である。半導体製造システム10は、処理条件探索装置100と、入力装置103と、出力装置114と、処理装置111と、評価装置112と、寸法計測装置200と、入出力装置206とを有する。ユーザは、目標処理結果(加工形状)と処理装置111で用いるパラメータ101を選択して入力装置103から入力し、出力装置114から目標加工形状を与える最適処理条件102を出力として得る。
処理条件探索装置100は、入力装置103から目標加工形状101を受け付け、処理装置111が最適に目標加工形状を得ることが可能な処理条件を探索し、探索した処理条件を出力装置114へ出力する装置である。
入力装置103は、GUIなどの入力インタフェースとカードリーダなどの記憶媒体読み出し装置を備え、処理条件探索装置100にデータを入力する。また、ユーザからのみならず、入出力装置206から寸法計測値も同様に受けつけ、処理条件探索装置100に入力する。入力装置103は、例えば、キーボード、マウス、タッチパネル、記憶媒体読み出し装置などを含む。
出力装置114は、処理条件探索装置100から渡された処理条件を、最適処理条件102としてユーザへ表示する。表示する手段としては、ディスプレイへの表示、またはファイルへの書き出しなどである。出力装置114は、例えば、ディスプレイ、プリンタ、記憶媒体書き出し装置などを含む。
処理装置111は、半導体または半導体を含む半導体デバイスを処理する装置である。処理装置111の処理の内容は特に限定されない。例えば、リソグラフィ装置、成膜装置、パターン加工装置を含む。リソグラフィ装置には、たとえば、露光装置、電子線描画装置、X線描画装置を含む。成膜装置は、たとえばCVD(Chemical Vapor Deposition)、PVD(Physical Vapor Deposition)、蒸着装置、スパッタリング装置、熱酸化装置を含む。パターン加工装置は、たとえば、ウェットエッチング装置、ドライエッチング装置、電子ビーム加工装置、レーザ加工装置を含む。処理装置111は、処理条件探索装置100から入力された処理条件に基づき半導体または半導体デバイスの処理を行い、評価装置112に渡す。
評価装置112は、処理装置111で処理された半導体または半導体デバイスの断面を撮影して、処理結果である断面画像208を取得する。評価装置112は、SEM、TEM(Transmission Electron Microscope)、光学式モニタを用いた加工寸法計測装置を含む。処理装置111で処理された半導体または半導体デバイスの一部を断片として取り出して、その断片を評価装置112へ運搬して計測してもよい。取得した断面画像208は、入出力装置206へ渡される。
寸法計測装置200は、中央処理部201、モデル学習部202、モデル推定部203、寸法計測部204とデータベース205を有する。入出力装置206を介して入力された特徴点と寸法の定義、倍率、学習データセット209と断面画像208を受け付け、断面画像208から所定の寸法を計測し、入出力装置206へ出力する。
入出力装置206は、GUIなどの入出力インタフェースとカードリーダなど記憶媒体読み出し装置を備え、寸法計測装置200に特徴点と寸法の定義、倍率、学習データセット209を入力する。また、評価装置112から断面画像208を受けとり、中央処理部201に渡す。入出力装置206は、例えば、キーボード、マウス、ディスプレイ、タッチパネル、記憶媒体読み出し装置などを含み、寸法計測装置200から渡された寸法値を、ユーザへ表示するか、あるいは直接入力装置103へ転送する。ユーザへ表示する場合、その手段はディスプレイへの表示、またはファイルへの書き出しなどである。
図2は、処理条件探索装置100のシステム構成例を示す図である。処理条件探索装置100は、中央処理部104と、データベース105と、初期処理条件設定部106と、ターゲット設定部107と、モデル学習部108と、処理条件探索部109と、装置制御部110と、収束判定部113とを有する。
図3に、寸法計測装置200のハードウェア構成を示すブロック図を示す。寸法計測装置200は、入出力装置206を介して評価装置112から入力された断面画像208から寸法を計測し、計測結果を入出力装置206へ出力する。寸法計測装置200は、プロセッサ116と、通信インタフェース115と、ROM117と、RAM118とを有する。通信インタフェース115は、プロセッサ116と、外部の入出力装置206とを接続する。プロセッサ116は、通信インタフェース115と、ROM117と、RAM118とが接続される。ROM117には、プロセッサ116で実行する処理プログラムが格納されている。RAM118には、学習データや学習モデル、特徴点と寸法の定義、倍率などが格納される。
なお、図1に示す寸法計測装置200との対応では、データベース205はROM117及びRAM118として実装され、モデル学習部202、モデル推定部203、寸法計測部204はROM117及びRAM118に格納されるプログラム及びパラメータとして実装される。
図4は、寸法計測装置200のモデル学習部202及びモデル推定部203で用いるセマンティック・セグメンテーションモデルの構成の一例である。なお、本例ではニューラルネットワーク20を用いる例を説明するが、これに限られず、決定木などの機械学習のモデルを用いることもできる。ニューラルネットワークは、入力層に入力された画素情報が、中間層、出力層へと順に伝播され演算されることにより、出力層から各画素の属する領域のラベル番号を出力する。中間層は畳み込み層、プーリング層などが多数層繰り返される。具体的な層構造は採用するモデルにより異なる。学習時には出力された各画素のラベルと正解であるアノテーションデータとの誤差が最小となるように、中間層のパラメータを調整する。
図5は、寸法計測装置200のモデル学習部202及びモデル推定部203で用いる物体検出モデルの構成の一例である。なお、本例ではニューラルネットワーク30を用いる例を説明するが、これに限られず、テンプレートマッチングなどの他のモデルを用いることもできる。ニューラルネットワークは、入力層に入力された画素情報が、中間層、出力層へと順に伝播され演算されることにより、出力層から画像に含まれる物体のラベル番号とバウンディング・ボックスの座標値を出力する。中間層は畳み込み層、プーリング層などが多数層繰り返される。具体的な層構造は採用するモデルにより異なる。学習時には出力された物体のラベル番号とバウンディング・ボックスの座標値と正解であるアノテーションデータとの誤差が最小となるように、中間層のパラメータを調整する。
図6は、寸法計測装置200が実行する、入力画像から必要な寸法を計測するまでのフローチャートである。
まず、事前に寸法計測装置200に入力すべき学習データセット209を作成する。学習データセットは、入力データである断面SEM画像に加え、出力データとなる物体検出モデルに対しては単位パターンを囲むバウンディング・ボックスの座標を記したアノテーションデータ209を、セマンティック・セグメンテーションモデルに対しては領域ごとに色分けしたアノテーション画像209の組を作成し、それら学習データセットを入出力装置206から入力する(ステップS100)。入力された学習データセットはデータベース205に保存される。
つぎに、中央処理部201はデータベース205からモデル学習部202に学習データセットとモデルを転送し、モデル学習部202で2つのモデルの学習を行う(ステップS101)。学習したモデルのパラメータはデータベース205へ保存される。以下の説明では、モデルとしては、畳み込み層やプーリング層を有するニューラルネットワークを用いる場合を説明するが、物体検出モデルとしてテンプレートマッチングなど、セマンティックセグメンテーションモデルとして決定木などの機械学習のモデルを用いることもできる。
つぎに、推定ステップで、寸法を計測したいテスト画像を入出力装置206から入力する(ステップS104)。同時に、寸法計測に必要となる特徴点の定義209と、計測する寸法の定義209とを入出力装置206を介してデータベース205に格納する(ステップS102,S103)。入力画像の倍率は、画像を格納するフォルダ名により判断させるようにする。例えば、倍率が100k倍ならフォルダ名を100kとする。各画像の倍率情報は、データベース205に保存される。中央処理部201はモデル推定部203にデータベース205からモデルとパラメータを渡すとともに、入力されたテスト画像を渡し、モデル推定部203で推定を行い(ステップS105)、パターン検出結果であるバウンディング・ボックス座標とセマンティック・セグメンテーション画像を得る(ステップS106)。
つぎに、計測ステップにおいて、中央処理部201は寸法計測部204にバウンディング・ボックス座標とセマンティック・セグメンテーション画像を渡し、セマンティック・セグメンテーション画像から境界線の座標を求める。つぎに、パターンごとに境界線座標を分割し、データベース205に格納してある特徴点の定義を呼び出して特徴点の座標を求め、寸法の定義を呼び出して主要寸法を計算する(ステップS107)。得られた寸法の単位はピクセル数であるので、データベース205に格納してある倍率を呼び出して実寸法に変換する(ステップS108)。計測した寸法値を入出力装置206へ出力するとともに、パターンごとの境界線座標データをデータベース205へ保存する(ステップS109)。
さらに、寸法計測個所を新規に追加したい場合には、寸法計測に必要となる新たな特徴点209の定義と、新たな寸法計測個所の定義209を入出力装置206から入力し、データベース205に格納する(ステップS110,S111)。
つぎに、新規の寸法計測個所の指定の有無を判定し(ステップS112)、指定がなければ、寸法計測処理をスキップする。指定があれば、データベース205に格納してあるパターンごとの境界線の座標データを読み出して寸法を計算し(ステップS114)、実寸法にスケール変換(ステップS115)後、計測した寸法値を入出力装置206へ出力する(ステップS116)。
ここで、加工形状の探索をしたい場合には、目標寸法値を入力する(ステップS117)。中央処理部201は形状探索の指定の有無を判定し(ステップS118)、指定がなければ、寸法計測処理を終了する(ステップS119)。指定があれば、データベース205に格納してある全画像の寸法値を探索し(ステップS120)、入力した寸法に近い形状を入出力装置206へ出力する(ステップS121)。以上で、処理を終了する(ステップS122)。
図7は、半導体製造システム10において処理条件探索装置100が実行する、目標処理結果(目標出力パラメータ値)から処理装置111の最適処理条件を決定するフローチャートである。
まず、処理装置111の行う処理について、目標とする目標処理結果(目標出力パラメータ値)及び、処理装置111を制御するパラメータとして選択する入力パラメータ101を、入力装置103から中央処理部104に受け渡す(ステップS200)。
つぎに、中央処理部104は受け付けた目標出力パラメータ値と選択された入力パラメータ(加工条件パラメータ)とをデータベース105に格納するとともに、選択された入力パラメータを初期処理条件設定部106へ渡す。初期処理条件設定部106では、渡された入力パラメータを元に、データベース105から入力パラメータの設定可能範囲のデータを読み取り、初期処理条件を自動設定する(ステップS201)。中央処理部104は設定された初期処理条件をデータベース105へ格納するとともに、初期処理条件を装置制御部110へ渡す。
装置制御部110は、初期処理条件を処理装置111に転送する。または装置制御部110が出力した初期処理条件をユーザが処理装置111に入力するのでもよい。処理装置111は入力された初期条件に従って処理を行い、評価装置112で評価し、入出力装置206を介して、評価結果である断面画像208を寸法計測装置200に渡す。寸法計測装置200で求められた寸法値(ターゲット出力パラメータ値)は入出力装置206を介して入力装置103へ入力される。中央処理部104は、入力装置103から初期処理結果を受け渡される(ステップS202)。中央処理部104は、初期処理条件と初期処理結果とを収束判定部113に渡す。
収束判定部113は、初期処理結果を目標処理結果と比較し、所定の精度内で目標処理結果に収束しているかどうかを判定する(ステップS203)。収束していれば、目標処理結果に収束した初期処理条件を出力装置114へ渡し、出力装置114は最適処理条件102として出力する(ステップS210)。
出力パラメータ値(処理結果)の収束性の判定には、(数1)で与えられる、用いる全出力パラメータに関する出力パラメータ値と目標出力パラメータ値との誤差の2乗和を用いることができる。
ここで、NPは用いる出力パラメータの総数、xiはi番目の目標出力パラメータ値、yiはi番目の出力パラメータ値(実績値)、Wiはユーザが出力パラメータごとに指定する重みである。
一方、収束していなければ処理を継続する命令が収束判定部113から中央処理部104へ送られ、中央処理部104はデータベース105に、初期処理条件(初期入力パラメータ値)と初期処理結果(初期出力パラメータ値)とからなる初期学習データを作成する(ステップS204)。
つぎに、中央処理部104は目標出力パラメータ値(目標処理結果)と初期学習データとをデータベース105から読み込み、ターゲット設定部107へ渡す。ターゲット設定部107は、ターゲット処理結果(ターゲット出力パラメータ値)を設定する(ステップS205)。設定されたターゲット出力パラメータ値は、中央処理部104へ渡され、データベース105に格納される。ターゲット設定部107は、既存の学習データの中から目標出力パラメータ値に最も近いベストデータ(出力パラメータ値(実績値))を選び出し、そのときベストな出力パラメータ値と目標出力パラメータ値との間を内挿補間することによりターゲット出力パラメータ値を設定する。設定するターゲットの個数は1個以上ならいくつでも良いが、効率を考えて複数個、例えば4~5個程度を設定することが望ましい。
つぎに、中央処理部104は、データベース105から初期学習データを読み込み、初期学習データをモデル学習部108へ送る。モデル学習部108は入力パラメータ値(処理条件)と出力パラメータ値(処理結果)とを関係づける予測モデルを学習する(ステップS206)。予測モデルとしては、ニューラルネットワーク、サポートベクターマシン、カーネル法などを用いることができる。学習した予測モデルは処理条件探索部109へ渡される。
つぎに、処理条件探索部109は、モデル学習部108から渡された予測モデル及びデータベース105から読み出した入力パラメータへの制約条件を用いて、データベース105から読み出した目標出力パラメータ値及びターゲット出力パラメータ値に対する処理条件を探索する(ステップS207)。予測モデルは処理条件が入力で、処理結果が出力となっているため、処理結果から処理条件を逆に求めるには、シミュレーテッド・アニーリング法、遺伝的アルゴリズムなど各種の最適解探索手法を用いることができる。処理条件探索部109は、探索した処理条件(ターゲット入力パラメータ値)を装置制御部110に渡すとともに、中央処理部104を介してデータベース105へ格納する。
装置制御部110は、渡された処理条件(ターゲット入力パラメータ値)を処理装置111に転送する。または、装置制御部110が出力した処理条件をユーザが処理装置111に入力するのでもよい。処理装置111は入力された初期条件に従って処理を行い、評価装置112で評価し、評価結果である断面画像208を入出力装置206を介して寸法計測装置200に渡す。寸法計測装置200で求められた寸法値(ターゲット出力パラメータ値)は入出力装置206を介して入力装置103へ入力される。中央処理部104は、入力装置103から処理結果(ターゲット出力パラメータ値)を受け渡される(ステップS208)。中央処理部104は、処理条件(ターゲット入力パラメータ値)と処理結果(ターゲット出力パラメータ値)とを収束判定部113に渡す。
収束判定部113は、処理結果(出力パラメータ値(実績値))を目標処理結果(目標出力パラメータ値)と比較し、所定の精度内で目標処理結果に収束しているかどうかを判定する(ステップS209)。収束していれば、目標処理結果に収束した処理条件を出力装置114へ渡し、出力装置114は最適処理条件102として出力する(ステップS210)。
一方、収束していなければ処理を継続する命令が収束判定部113から中央処理部104へ送られ、中央処理部104はデータベース105の学習データセットに、新たに探索した目標処理結果とターゲット処理結果についての処理条件(入力パラメータ値)と処理結果(出力パラメータ値(実績値))との組を追加学習データとして追加することにより、学習データセットを更新する(ステップS204)。
以下、学習データセットの作成・更新(ステップS204)~収束判定(ステップS209)までの推定プロセスを、処理結果が目標処理結果に収束されるまで繰り返す。このようにして、目標処理結果を実現する最適処理条件を自律的に探索する。
以上が、処理条件探索装置100と寸法計測装置200を備えた半導体製造システム10全体の処理フローである。
以下、処理装置111がエッチング装置である場合を例に説明する。
図8は、学習データセットの中の入力データセットとなる断面SEM画像の例である。この画像のサイズは1280×960ピクセルである。サンプルはライン/スペースの単位パターンが繰り返しているトレンチ構造であり、領域は背景300、マスク301、基板302の3領域からなる。
図9は、寸法計測個所の例である。この例では、寸法計測個所は、(1)L1:マスク上面の幅305、(2)L2:マスク/基板界面の幅306、(3)L3:基板最狭部の幅307、(4)L4:マスクの高さ308、(5)L5:トレンチの深さ309、の5カ所を設定している。なお、マスク上面の幅305は、凸状になっている2つのピーク位置の間隔と定義した。ピーク位置が1つしかない形状の場合には幅を0とする。図中のAからGまでの7つの点は寸法計測に用いる境界線上の特徴点であり、境界線データのみから一意に定義できる点を用いる。例えば、A,Bはマスク上面のピークとなる点、などである。特徴点A~Gの定義及び寸法L1~L5と特徴点A~Gとの対応関係(L1:A,B,L2:C,Dなど)はユーザが入出力装置206を介して入力し、データベース205に格納されている。具体的には、特徴点と寸法の定義を記述したスクリプトを格納しておく。特徴点と計測寸法の個数・位置は、計測対象の構造に応じて適宜設定する。
図10は、学習データセットの中の出力データセットとなるアノテーションデータのうち、物体検出モデルに与えるアノテーションデータに記述するバウンディング・ボックスの座標の定義を説明する図である。図中に示した枠線(バウンディング・ボックス)で囲まれたライン/スペースの繰り返しの単位構造であるマスクと基板の一部からなる領域に対し「パターン」というラベル名を定義する。この例では、ラベルは1種類のみであり、ラベル番号は0である。図10には5つのパターンが存在する。バウンディング・ボックスの座標は画像の左上を原点とし、水平方向にX軸を、垂直方向にY軸を取る。バウンディング・ボックスのY軸方向の境界は、マスク上部とトレンチ底が完全に含まれるように、それぞれ数ピクセルのマージンを持たせた位置に設定する。バウンディング・ボックスは矩形であるので、位置を特定するには、左上と右下の2つの座標を与えればよい。
図11は、図10に対応するアノテーションデータの記載例の抜粋である。必須となる項目のみ抜粋してある。この例ではデータはxmlフォーマットで記述されているが、使用する物体検出モデルが想定しているフォーマットであれば何でも良い。タグ<folder>~</folder>に画像ファイルを格納してあるフォルダ名を、タグ<filename>~</filename>に画像ファイル名を記載する。タグ<object>~</object>がバウンディング・ボックスに関する情報を記載する個所で、画像中に含まれるバウンディング・ボックスの個数分、繰り返される。その中のタグ<name>~</name>がラベル名を指定する個所である。タグ<bndbox>~</bndbox>に記載された4つの数値が、1つ目のバウンディング・ボックスの左上と右下の点の座標である。アノテーションデータは手作業で作成するか、学習済みの物体検出モデルを用いて作成できる。
図12は、学習データセットの中の出力データセットとなるアノテーションデータのうち、セマンティック・セグメンテーションモデルに対するアノテーションデータの例である。アノテーションデータは専用ソフトウェアを用いて手作業で作成するか、学習済みのセマンティック・セグメンテーションモデルを用いて作成できる。データは、領域別に色分けされた画像である。ここで領域は、測定対象とする半導体デバイスの断面を構成する各層と半導体デバイスの断面以外の背景とを含む。この例では、背景310、半導体デバイスの断面を構成する各層としてマスク311及び基板312の3領域からなる。3領域のラベル名は、それぞれ「背景」、「マスク」、「基板」であり、色は、それぞれ黒、グレー、白である。
図13は、ラベル名、ラベル番号、色の対応関係であり、データベース205に格納されている。各ラベルに付与するラベル番号と色は任意であるが、寸法計測装置200内では固定する必要がある。
図14は、学習ステップを行う際に入出力装置206に表示されるGUI画面の一例である。画面は入力データウィンドウ323と、アノテーションデータウィンドウ331と、ターミナルウィンドウ339を含む。入力データウィンドウ323では、ロードボタン320により、学習データセットの入力データセットが格納されているフォルダを選択する。セレクトボタン321により、入力データウィンドウ323に表示したい画像ファイルを選択する。クリアボタン322により表示結果をクリアする。セル324と325には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ326には選択した画像が表示される。
アノテーションデータウィンドウ331では、モデルボタン328によりセマンティック・セグメンテーションモデルか、物体検出モデルかのいずれかを選択する。選択したモデルに応じてアノテーションデータウィンドウ331に表示されるデータの種類は変わる。また、アノテーションデータが含まれるフォルダもモデルに応じて自動で選択される。図14はセマンティック・セグメンテーションモデルを選択した場合の例である。セレクトボタン329によって、ウィンドウ334に表示したいサンプルを指定する。セル332と333には選択したサンプルのあるフォルダ名とファイル名とが表示される。ウィンドウ334にはアノテーション画像が、テーブル335にはラベル名、ラベル番号、色の対応表が表示される。
ターミナルウィンドウ339では、スタートボタン336により、モデルボタン328で選択したモデルの学習が開始される。ターミナルウィンドウ339には計算中の途中経過、最終結果がメッセージで表示される。ストップボタン337により計算途中でも停止できる。計算結果である学習済みモデルは自動で保存される。
図15は、寸法を計測したいテスト画像の例である。このテスト画像には、前述したように、不要な奥の構造の輪郭が写っている。この構造は、寸法計測の際には無視すべき構造である。
図16は、図15に示したテスト画像を学習済み物体検出モデルに入力して推論させた結果である。検出された物体のラベル名とともに、バウンディング・ボックス座標が黒枠で示されている。図16の例では4つのパターンが検出されている。
図17は、図16に対応するバウンディング・ボックスの座標値データであり、推論後にデータベース205に自動で保存される。
図18は、図15に示したテスト画像を学習済みセマンティック・セグメンテーションモデルに入力して推論させた結果である。領域それぞれの色は、図13で設定した対応関係に従っており、背景が黒、マスクがグレー、基板が白である。
図18から各領域間の境界線の座標が求まるので、それを図17のバウンディング・ボックスの座標値を用いて、バウンディング・ボックスごとに境界線座標を切り出す。切り出したバウンディング・ボックスごとの境界線座標から、寸法計測に必要な特徴点A~Gの座標を求め、寸法L1~L5を求める。このようにして、入力した画像からパターンごとに寸法が自動で計測される。
図19は、計測した寸法値を元の入力画像上に表示した例であり、検出されたバウンディング・ボックス位置も矩形で示されている。
図20は図19の計測結果であり、5つの寸法L1~L5が、パターンごとの値の他に統計値(平均値、標準偏差)も計算され、表示される。結果はデータベース205に自動で保存されるとともに、平均値は入出力装置206へ出力される。
図21は、推論・計測ステップを行う際に入出力装置206に表示されるGUI画面の一例である。画面は入力データウィンドウ345と、推論・計測結果ウィンドウ353とを含む。入力データウィンドウ345では、定義ボタン340により特徴点と寸法との対応を定義したスクリプトを読み込む。読み込まれた定義は定義テーブル349に表示される。つぎに、マニュアルボタン341によりテスト画像を1枚ずつ選択して推論・計測を行うか、バッチボタン342によりテスト画像を含むフォルダを指定してフォルダ内の全画像を一括で推論・計測を行うかを選択する。フォルダ名は画像の倍率に一致させることにより、倍率に関する情報はフォルダ名から得られる。セル346と347には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ350には選択されたテスト画像が表示される。バッチを選択した場合には1枚目のテスト画像のファイル名と画像が、セル347と画像ウィンドウ350に表示される。スタートボタン343により2つの学習済みモデルを用いて推論と寸法計測が行われる。計算結果は自動で保存される。クリアボタン344により表示結果をクリアする。
推論・計測結果ウィンドウ353では、ロードボタン351により結果を表示したい元画像を選択する。セル354と355には選択した画像のフォルダ名とファイル名とが表示される。ウィンドウ356にはセマンティック・セグメンテーション結果が、ウィンドウ357には物体検出結果が表示される。最終結果ウィンドウ358には、元画像上に寸法値が表示された画像が表示され、数値テーブル359には計測された寸法値と統計値が表示される。
図22は、所望の寸法に近い形状をデータベース205から探索する探索ステップの際に、入出力装置206に表示されるGUI画面の一例であり、ターゲットウィンドウ360と探索結果ウィンドウ363とを含む。ターゲットウィンドウ360では、ターゲット構造セル361に目標とする寸法値を入力する。定義ウィンドウ362には寸法L1~L5の定義が図示される。
探索結果ウィンドウ363では、サーチボタン364により探索を実行する。探索結果は誤差の小さい順にソートして表示され、フォルダ名366、ファイル名367、寸法値を記載した画像368、寸法の平均値369が表示される。
実施例1では第1画像認識モデルとしてセマンティック・セグメンテーションモデルを、第2画像認識モデルとして物体検出モデルを用いたが、寸法計測方法としてはこの組み合わせに限られない。実施例2として、2種類のセマンティックセグメンテーションモデルを用いる方法について説明する。実施例2では、輪郭線を検出させる第1のセマンティック・セグメンテーションモデルと、特徴点を検出させる第2のセマンティック・セグメンテーションモデルとを用いる。以下、実施例2については、画像認識モデルを用いた特徴点の抽出を中心に説明し、実施例1と重複する点については説明を省略する。
図23は、寸法計測装置200が実行する、事前の学習ステップを経て入力された画像から寸法を計測するフローチャートである。
まず、寸法計測に必要な特徴点209を定義し、入出力装置206を介してデータベース205に格納する(ステップS300)。これは学習ステップの前に行う。
つぎに、第1のセマンティックセグメンテーションモデル(第1画像認識モデル)に対しては輪郭線とそれ以外に領域分けしたアノテーション画像を、第2のセマンティック・セグメンテーションモデル(第2画像認識モデル)に対しては寸法計測に必要な特徴点とそれ以外に領域分けしたアノテーション画像を作成し、入出力装置206から入力する(ステップS302)。
つぎに、中央処理部201はモデル学習部202に学習データセットを渡し、モデル学習部202でモデルの学習を行う(ステップS303)。以下の説明では、モデルとしては、畳み込み層を有するニューラルネットワークを用いる場合を説明するが、決定木などの機械学習のモデルを用いることもできる。
つぎに、寸法を計測したいテスト画像を評価装置112から読み込む(ステップS304)。中央処理部201はモデル学習部202に画像を渡し、モデル推定部203で推定を行い(ステップS305)、2種類のセマンティック・セグメンテーション画像を得る(ステップS306)。
つぎに、特徴点と寸法計測個所の対応関係209を入出力装置206から入力し、データベース205に格納する(ステップS301)。
つぎに、寸法計測部204にて、2種類のセマンティック・セグメンテーション画像から、輪郭線上の特徴点座標を求め、主要寸法を計算し、輪郭線全体の座標データを求める(ステップS307)。続いて、得られた寸法を実寸法のスケールに変換する(ステップS308)。計測した寸法値を入出力装置206へ出力するとともに、輪郭線の座標データをデータベース205へ保存する(ステップS309)。
さらに、加工形状の比較をしたい場合には、比較したい2つのサンプルを指定する(ステップS310)。続いて、形状比較の指定の有無を判定し(ステップS311)、指定がなければ、寸法計測処理を終了する(ステップS312)。指定があれば、データベース205に格納してある輪郭線データと寸法値を読み出し、比較した結果を入出力装置206へ出力する(ステップS313)。以上により、処理を終了する(ステップS314)。
以下、処理装置111がエッチング装置である場合を例に説明する。図24は、図8の学習データセットの入力データ画像に対応する輪郭線を教えるアノテーションデータの例である。領域は背景400と輪郭線401との2領域からなる。ラベル名はそれぞれ「背景」、「輪郭」であり、ラベル番号はそれぞれ0、1である。図25は、ラベル名、ラベル番号、色の対応関係である。各ラベルに付与するラベル番号と色は任意であるが、寸法計測装置200内では固定する必要がある。
図26は、図8の学習データセットの入力データ画像に対応する特徴点の位置を教えるアノテーションデータの例である。特徴点として図9に示したA~Gの7点のうち、A411,C412,E413,G414の4点をラベルとして設定し、背景410を含めた5つのラベル別に色分けした画像である。他の3つの特徴点B,D,Fは、対称性を仮定すればA,C,Eから求まるのでラベルには含めないこととした。後述するように、特徴点A,C,Eについては特徴点B,D,Fと輪郭線から求めることにより、目視によらなくても、特徴点B,D,Fと特徴点A,C,Eとが一つの単位パターンについての特徴点であることを担保することが可能になる。図27は、ラベル名、ラベル番号、色の対応関係である。各ラベルに付与するラベル番号と色は任意であるが、寸法計測装置200内では固定する必要がある。
図28は、学習ステップを行う際に入出力装置206に表示されるGUI画面の一例である。画面は入力データウィンドウ323と、アノテーションデータウィンドウ331と、ターミナルウィンドウ339とを含む。入力データウィンドウ323では、ロードボタン320により、入力画像ファイルの格納されているフォルダを選択する。セレクトボタン321により、表示したい画像ファイルを選択する。クリアボタン322により表示結果をクリアする。セル324と325には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ326には選択した画像が表示される。
アノテーションデータウィンドウ331では、モデルボタン415により輪郭線用セマンティック・セグメンテーションモデル(第1のセマンティック・セグメンテーションモデル)か、特徴点用セマンティック・セグメンテーションモデル(第2のセマンティック・セグメンテーションモデル)かのいずれかを選択する。選択したモデルに応じてアノテーションデータウィンドウ331に表示されるデータの種類は変わる。また、アノテーションデータが含まれるフォルダもモデルに応じて自動で選択される。図28は輪郭線用セマンティック・セグメンテーションモデルを選択した場合の例である。セレクトボタン329によって、ウィンドウに表示したいサンプルを指定する。セル324と325には選択したサンプルのあるフォルダ名とファイル名とが表示される。ウィンドウ334にはアノテーション画像が、テーブル335にはラベル名、ラベル番号、色の対応表が表示される。
ターミナルウィンドウ339では、スタートボタン336により、モデルボタン415で選択したモデルの学習が開始される。ターミナルウィンドウ339には計算中の途中経過、最終結果がメッセージで表示される。ストップボタン337により計算途中で停止できる。計算結果であるモデルパラメータは自動で保存される。
図29は、図15に示したテスト画像を第1の学習済みセマンティックセグメンテーションモデルに入力して推論させた輪郭線の検出結果の画像である。同時に、輪郭線の座標も求まる。
図30は、図15に示したテスト画像を第2の学習済みセマンティックセグメンテーションモデルに入力して推論させた特徴点A,C,E,Gの検出結果の画像である。同時に、これら特徴点の座標も求まる。なお、これらの特徴点の座標は図29で得られた輪郭線上に必ずしも位置しているとは限らないので、図30で得られた特徴点座標に最も近い図29の輪郭線上の点を特徴点の座標として採用する。
図31は、特徴点A,C,Eから、対応する特徴点B,D,Fを求める方法を説明する図である。対応点は、元の点とY座標が同一でX座標の差が最小、すなわち右側の最近傍の輪郭線上の点とする。実施例1では境界線座標をパターンごとに分割したが、実施例2では対となる2点の座標がわかっているので、分割は不要である。得られた7種の特徴点の座標と、データベース205から呼び出した特徴点と寸法の定義により、所定の寸法が計算される。このように、入力した画像から寸法が自動的に計測される。
図32は、推論・計測ステップを行う際に入出力装置206に表示されるGUI画面の一例である。画面は入力データウィンドウ345と、推論・計測結果ウィンドウ353とを含む。入力データウィンドウ345では、定義ボタン340により特徴点と寸法との対応を定義したスクリプトを選択して読み込む。読み込まれた定義は定義テーブル349に表示される。つぎに、マニュアルボタン341によりテスト画像を1枚ずつ選択して推論・計測を行うか、バッチボタン342によりテスト画像を含むフォルダを指定してフォルダ内の全画像を一括で推論・計測を行うかを選択する。フォルダ名は画像の倍率に一致させることにより、倍率に関する情報はフォルダ名から得られる。セル346と347には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ350には選択されたテスト画像が表示される。バッチを選択した場合には1枚目のテスト画像のファイル名と画像が、セル347と画像ウィンドウ350に表示される。スタートボタン343により2つの学習済みモデルを用いて推論と寸法計測が行われる。計算結果は自動で保存される。クリアボタン344により表示結果をクリアする。
推論・計測結果ウィンドウ353では、ロードボタン351により結果を表示したい元画像を選択する。セル354と355には選択した画像のフォルダ名とファイル名とが表示される。ウィンドウ416には輪郭線に対するセマンティック・セグメンテーション結果が、ウィンドウ417には特徴点に対するセマンティック・セグメンテーション結果が表示される。最終結果ウィンドウ358には、元画像上に寸法値が表示された画像が表示され、数値テーブル359には計測された寸法値と統計値が表示される。
図33は、2つの画像の形状を比較する比較ステップを行う際に入出力装置206に表示されるGUI画面の一例である。画面は入力データウィンドウ423と、比較結果ウィンドウ436とを含む。入力データウィンドウ423では、ロード1ボタン420により比較したい1枚目の画像を、ロード2ボタン421により比較したい2枚目の画像を選択する。セル424と425には選択した1枚目の画像のフォルダ名とファイル名が、セル426と427には選択した2枚目の画像のフォルダ名とファイル名が表示される。画像ウィンドウ428と429には選択した2つの画像が表示される。輪郭線ウィンドウ430、431には、選択した2つの画像に対して抽出された輪郭線画像が、データベース205から読み出され、表示される。
比較結果ウィンドウ436は、輪郭線を重ねて表示したウィンドウ437と、2つの画像の寸法値の平均値とその差分を示したテーブル438が表示される。オートボタン432は、2つの輪郭線430,431を縦方向はマスク上面が一致し、横方向はトレンチ中央が一致するように自動で調整するボタンである。自動調整が失敗した場合あるいは手動で調整したい場合には、マニュアルボタン433を押し、ユーザがマウスで画像をドラッグすることにより、位置を調整する。テーブル438には、2つの画像に対して計測された寸法値がデータベース205から読みだされ、両者の差分が計算されて表示される。セーブボタン434によって、重ね書きした輪郭線画像とテーブルの数値をデータベース205へ保存する。
なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。例えば、実施例1においてセマンティック・セグメンテーションモデルは半導体デバイスの断面を構成する各層を領域として色分けした画像を出力する例を説明したが、実施例2のように特徴点を出力するセマンティック・セグメンテーションモデルとしてもよい。ただし、この場合は、実施例2の例と違って全ての特徴点(実施例2の例では特徴点A~G)を出力する必要がある。
また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、SSD(Solid State Drive)等の記憶装置、又は、IC(Integrated Circuit)カード、SDカード、DVD(Digital Versatile Disc)の記録媒体に格納することができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。
10:半導体製造システム、20,30:ニューラルネットワークモデル、100:処理条件探索装置、101:目標処理結果・パラメータ選択、102:最適処理条件、103:入力装置、104:中央処理部、105:データベース、106:初期処理条件設定部、107:ターゲット設定部、108:モデル学習部、109:処理条件探索部、110:装置制御部、111:処理装置、112:評価装置、113:収束判定部、114:出力装置、115:インタフェース、116:プロセッサ、117:ROM、118:RAM、200:寸法計測装置、201:中央処理部、202:モデル学習部、203:モデル推定部、204:寸法計測部、205:データベース、206:入出力装置、208:断面画像、209:特徴点と寸法の定義・倍率・学習データセット、300:背景、301:マスク、302:基板、305:マスク上面幅、306:マスク/基板界面幅、307:基板最狭部幅、308:マスク高さ、309:トレンチ深さ、310:背景、311:マスク、312:基板、320:ロードボタン、321:セレクトボタン、322:クリアボタン、323:入力データウィンドウ、324,325:セル、326:画像ウィンドウ、328:モデルボタン、329:セレクトボタン、330:クリアボタン、332,333:セル、334:ウィンドウ、335:テーブル、336:スタートボタン、337:ストップボタン、338:クリアボタン、339:ターミナルウィンドウ、340:定義ボタン、341:マニュアルボタン、342:バッチボタン、343:スタートボタン、344:クリアボタン、345:入力データウィンドウ、346,347:セル、349:定義テーブル、350:画像ウィンドウ、351:ロードボタン、352:クリアボタン、353:推論・計測結果ウィンドウ、354,355:セル、356,357:ウィンドウ、358:最終結果ウィンドウ、359:数値テーブル、360:ターゲットウィンドウ、361:ターゲット構造セル、362:定義ウィンドウ、363:探索結果ウィンドウ、364:サーチボタン、365:クリアボタン、366:フォルダ名、367:ファイル名、368:画像、369:寸法の平均値、400:背景、401:輪郭線、410:背景、411:特徴点A、412:特徴点C、413:特徴点E、414:特徴点G、415:モデルボタン、416,417:ウィンドウ、420:ロード1ボタン、421:ロード2ボタン、422:クリアボタン、423:入力データウィンドウ、424,425,426,427:セル、428,429:画像ウィンドウ、430,431:輪郭線ウィンドウ、432:オートボタン、433:マニュアルボタン、434:セーブボタン、435:クリアボタン、436:比較結果ウィンドウ、437:ウィンドウ、438:テーブル。
Claims (20)
- 繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する寸法計測装置であって、
プロセッサと、
メモリと、
前記メモリに格納され、前記プロセッサに実行されることにより、前記半導体デバイスの寸法を計測する寸法計測プログラムとを有し、
前記寸法計測プログラムは、モデル推定部と寸法計測部とを有し、
前記モデル推定部は、第1画像認識モデルにより、前記断面画像に対して領域別にラベル付けしたラベル付け画像を出力し、第2画像認識モデルにより、前記断面画像において前記繰り返しパターンを構成する単位パターンそれぞれが位置する座標を出力し、
前記寸法計測部は、前記ラベル付け画像及び前記単位パターンそれぞれが位置する座標を用いて、前記単位パターンごとにあらかじめ定義された複数の特徴点の座標を求め、前記複数の特徴点のうちの所定の2点間の距離として定義される寸法を計測する寸法計測装置。 - 請求項1において、
前記第1画像認識モデルが前記断面画像に対してラベル付けする領域には、前記半導体デバイスの断面を構成する各層と前記半導体デバイスの断面以外の背景とを含み、
前記モデル推定部は、前記ラベル付け画像から前記領域の間の領域境界線の座標を求め、前記領域境界線の座標及び前記単位パターンそれぞれが位置する座標から、前記複数の特徴点の座標を求める寸法計測装置。 - 請求項2において、
前記寸法計測プログラムは、モデル学習部を有し、
前記モデル学習部は、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像の前記領域別にラベル付けしたラベル付け画像を出力データとする第1の学習データにより前記第1画像認識モデルを学習し、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像において前記単位パターンそれぞれが位置する座標を出力データとする第2の学習データにより前記第2画像認識モデルを学習する寸法計測装置。 - 請求項3において、
前記第1画像認識モデルはセマンティック・セグメンテーションモデルであり、前記第2画像認識モデルは物体検出モデルである寸法計測装置。 - 請求項4において、
前記第1画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像の画素の帰属する前記領域に対応して定義されたラベル番号を出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルであり、
前記第2画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像に含まれる物体のラベル番号と前記物体の位置する座標とを出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルである寸法計測装置。 - 請求項1において、
前記断面画像は、断面SEM画像、またはTEM画像である寸法計測装置。 - 請求項1において、
前記寸法計測部は、計測した前記半導体デバイスの寸法をデータベースに保存し、前記半導体デバイスに対する目標寸法値が入力された場合には、前記データベースから前記目標寸法値に近似する寸法を有する断面画像を検索する寸法計測装置。 - 請求項1~7のいずれか1項に記載の寸法計測装置と、
前記半導体デバイスの処理を行う処理装置と、
前記処理装置が前記半導体デバイスの処理を行う最適処理条件を探索する処理条件探索装置とを有し、
前記寸法計測装置は、前記処理条件探索装置が設定した所定の処理条件により前記処理装置が処理を行って得た前記半導体デバイスの寸法を計測し、
前記処理条件探索装置は、前記所定の処理条件を変えつつ、前記寸法計測装置によって計測した前記半導体デバイスの寸法が目標値に収束した場合の処理条件を前記最適処理条件として出力する半導体製造システム。 - 繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する寸法計測装置であって、
プロセッサと、
メモリと、
前記メモリに格納され、前記プロセッサに実行されることにより、前記半導体デバイスの寸法を計測する寸法計測プログラムとを有し、
前記寸法計測プログラムは、モデル推定部と寸法計測部とを有し、
前記モデル推定部は、第1画像認識モデルにより、前記断面画像を、輪郭線と背景とにラベル付けした第1のラベル付け画像を出力し、第2画像認識モデルにより、前記断面画像を、前記繰り返しパターンを構成する単位パターンにおいて定義される第1の複数の特徴点と背景とにラベル付けした第2のラベル付け画像を出力し、
前記寸法計測部は、前記第1のラベル付け画像からの前記輪郭線の座標及び前記第2のラベル付け画像からの前記第1の複数の特徴点の座標を用いて第2の複数の特徴点の座標を求め、前記第1の複数の特徴点のうちの所定の点と前記第2の複数の特徴点のうちの所定の点との間の距離として定義される寸法を計測する寸法計測装置。 - 請求項9において、
前記断面画像において前記単位パターンは対称性を仮定可能な形状を有し、
前記寸法計測部は、前記対称性に基づき、前記第1の複数の特徴点の座標から前記第2の複数の特徴点の座標を求める寸法計測装置。 - 請求項9において、
前記寸法計測プログラムは、モデル学習部を有し、
前記モデル学習部は、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記輪郭線と背景とに分けてラベル付けしたラベル付け画像を出力データとする第1の学習データにより前記第1画像認識モデルを学習し、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記第1の複数の特徴点と背景とに分けてラベル付けしたラベル付け画像を出力データとする第2の学習データにより前記第2画像認識モデルを学習する寸法計測装置。 - 請求項11において、
前記第1画像認識モデルおよび前記第2画像認識モデルは、セマンティック・セグメンテーションモデルである寸法計測装置。 - 請求項12において、
前記第1画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像の画素が前記輪郭線か背景かに応じて定義されたラベル番号を出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルであり、
前記第2画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像の画素が前記第1の複数の特徴点か背景かに応じて定義されたラベル番号を出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルである寸法計測装置。 - 請求項9において、
前記断面画像は、断面SEM画像、またはTEM画像である寸法計測装置。 - 請求項9において、
前記寸法計測部は、前記第1のラベル付け画像からの前記輪郭線の座標及び計測した前記半導体デバイスの寸法をデータベースに保存し、2つの断面画像が指定された場合には、指定された2つの断面画像の前記輪郭線を重ねて表示するとともに、指定された2つの断面画像に対応する前記半導体デバイスの寸法の差を表示する寸法計測装置。 - 請求項9~15のいずれか1項に記載の寸法計測装置と、
前記半導体デバイスの処理を行う処理装置と、
前記処理装置が前記半導体デバイスの処理を行う最適処理条件を探索する処理条件探索装置とを有し、
前記寸法計測装置は、前記処理条件探索装置が設定した所定の処理条件により前記処理装置が処理を行って得た前記半導体デバイスの寸法を計測し、
前記処理条件探索装置は、前記所定の処理条件を変えつつ、前記寸法計測装置によって計測した前記半導体デバイスの寸法が目標値に収束した場合の処理条件を前記最適処理条件として出力する半導体製造システム。 - 繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する処理をコンピュータに実行させる寸法計測プログラムであって、
第1画像認識モデルにより、前記断面画像に対して領域別にラベル付けしたラベル付け画像を出力する第1のステップと、
第2画像認識モデルにより、前記断面画像において前記繰り返しパターンを構成する単位パターンそれぞれが位置する座標を出力する第2のステップと、
前記ラベル付け画像及び前記単位パターンそれぞれが位置する座標を用いて、前記単位パターンごとにあらかじめ定義された複数の特徴点の座標を求め、前記複数の特徴点のうちの所定の2点間の距離として定義される寸法を計測する第3のステップとを有する寸法計測プログラム。 - 請求項17において、
前記第1~第3のステップに先立って、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像の前記領域別にラベル付けしたラベル付け画像を出力データとする第1の学習データにより前記第1画像認識モデルを学習する第4のステップと、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像において前記単位パターンそれぞれが位置する座標を出力データとする第2の学習データにより前記第2画像認識モデルを学習する第5のステップとを有する寸法計測プログラム。 - 繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する処理をコンピュータに実行させる寸法計測プログラムであって、
第1画像認識モデルにより、前記断面画像を、輪郭線と背景とにラベル付けした第1のラベル付け画像を出力する第1のステップと、
第2画像認識モデルにより、前記断面画像を、前記繰り返しパターンを構成する単位パターンにおいて定義される第1の複数の特徴点と背景とにラベル付けした第2のラベル付け画像を出力する第2のステップと、
前記第1のラベル付け画像からの前記輪郭線の座標及び前記第2のラベル付け画像からの前記第1の複数の特徴点の座標を用いて第2の複数の特徴点の座標を求め、前記第1の複数の特徴点のうちの所定の点と前記第2の複数の特徴点のうちの所定の点との間の距離として定義される寸法を計測する第3のステップとを有する寸法計測プログラム。 - 請求項19において、
前記第1~第3のステップに先立って、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記輪郭線と背景とに分けてラベル付けしたラベル付け画像を出力データとする第1の学習データにより前記第1画像認識モデルを学習する第4のステップと、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記第1の複数の特徴点と背景とに分けてラベル付けしたラベル付け画像を出力データとする第2の学習データにより前記第2画像認識モデルを学習する第5のステップとを有する寸法計測プログラム。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/957,480 US11600536B2 (en) | 2019-07-04 | 2019-07-04 | Dimension measurement apparatus, dimension measurement program, and semiconductor manufacturing system |
JP2020520163A JP6872670B2 (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 |
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 |
CN201980005234.6A CN112449722B (zh) | 2019-07-04 | 2019-07-04 | 尺寸测量装置、尺寸测量程序及半导体制造*** |
KR1020207009875A KR102476683B1 (ko) | 2019-07-04 | 2019-07-04 | 치수 계측 장치, 치수 계측 프로그램 및 반도체 제조 시스템 |
TW109114118A TWI733425B (zh) | 2019-07-04 | 2020-04-28 | 尺寸測量裝置、尺寸測量程式及半導體製造系統 |
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 (1)
Publication Number | Publication Date |
---|---|
WO2020121564A1 true WO2020121564A1 (ja) | 2020-06-18 |
Family
ID=71075531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11600536B2 (ja) |
JP (1) | JP6872670B2 (ja) |
KR (1) | KR102476683B1 (ja) |
CN (1) | CN112449722B (ja) |
TW (1) | TWI733425B (ja) |
WO (1) | WO2020121564A1 (ja) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814739A (zh) * | 2020-07-27 | 2020-10-23 | 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 |
CN114494403A (zh) * | 2022-01-27 | 2022-05-13 | 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 |
JP2022103149A (ja) * | 2020-12-25 | 2022-07-07 | 日本電気株式会社 | 画像処理方法及びコンピューティングデバイス |
WO2022264195A1 (ja) * | 2021-06-14 | 2022-12-22 | 株式会社日立ハイテク | コンピュータシステム、寸法計測方法、および記憶媒体 |
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 |
Families Citing this family (4)
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 |
KR20230083172A (ko) * | 2021-12-02 | 2023-06-09 | 세메스 주식회사 | 반도체 자재 검사 장치 및 이를 이용한 반도체 자재 검사 방법 |
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 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111814739A (zh) * | 2020-07-27 | 2020-10-23 | 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 |
JP7347492B2 (ja) | 2020-12-25 | 2023-09-20 | 日本電気株式会社 | 画像処理方法及びコンピューティングデバイス |
JP2022103149A (ja) * | 2020-12-25 | 2022-07-07 | 日本電気株式会社 | 画像処理方法及びコンピューティングデバイス |
WO2022264195A1 (ja) * | 2021-06-14 | 2022-12-22 | 株式会社日立ハイテク | コンピュータシステム、寸法計測方法、および記憶媒体 |
KR20220169005A (ko) | 2021-06-14 | 2022-12-26 | 주식회사 히타치하이테크 | 컴퓨터 시스템, 치수 계측 방법, 및 기억 매체 |
JPWO2022264195A1 (ja) * | 2021-06-14 | 2022-12-22 | ||
JP7474336B2 (ja) | 2021-06-14 | 2024-04-24 | 株式会社日立ハイテク | コンピュータシステム、寸法計測方法、および記憶媒体 |
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 |
WO2023068323A1 (ja) * | 2021-10-22 | 2023-04-27 | 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 |
JP2023063228A (ja) * | 2021-10-22 | 2023-05-09 | 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 |
JP7479528B2 (ja) | 2021-10-22 | 2024-05-08 | 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 |
CN114494403A (zh) * | 2022-01-27 | 2022-05-13 | 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 |
Also Published As
Publication number | Publication date |
---|---|
KR102476683B1 (ko) | 2022-12-13 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6872670B2 (ja) | 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 | |
JP7288870B2 (ja) | 画像を生成するシステム | |
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 | |
US20210358101A1 (en) | Processing image data sets | |
JP4262690B2 (ja) | 形状測定装置および形状測定方法 | |
JP5937878B2 (ja) | パターンマッチング方法及び装置 | |
CN114140679A (zh) | 一种缺陷融合方法、装置、识别***及存储介质 | |
JP5400882B2 (ja) | 半導体検査装置及びそれを用いた半導体検査方法 | |
KR102680501B1 (ko) | 화상 평가 장치 및 방법 | |
CN112149379A (zh) | 用于仿真集成电路的方法和设备以及计算机可读介质 | |
WO2021260765A1 (ja) | 寸法計測装置、半導体製造装置及び半導体装置製造システム | |
KR20220116421A (ko) | 윤곽선 해석 장치, 처리 조건 결정 시스템, 형상 추정 시스템, 반도체 장치 제조 시스템, 탐색 장치 및 그들에 이용하는 데이터 구조 | |
WO2023112302A1 (ja) | 教師データ作成支援装置、教師データ作成支援方法 | |
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 | |
JP7345665B2 (ja) | 輪郭線解析装置、加工寸法抽出システム、処理条件決定システム及び半導体装置製造システム | |
WO2024053043A1 (ja) | 寸法計測システム、推定システム、および寸法計測方法 | |
WO2023117238A1 (en) | Measurement method and apparatus for semiconductor features with increased throughput |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
ENP | Entry into the national phase |
Ref document number: 2020520163 Country of ref document: JP Kind code of ref document: A |
|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 19894962 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 19894962 Country of ref document: EP Kind code of ref document: A1 |