WO2022172353A1 - 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造 - Google Patents

輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造 Download PDF

Info

Publication number
WO2022172353A1
WO2022172353A1 PCT/JP2021/004920 JP2021004920W WO2022172353A1 WO 2022172353 A1 WO2022172353 A1 WO 2022172353A1 JP 2021004920 W JP2021004920 W JP 2021004920W WO 2022172353 A1 WO2022172353 A1 WO 2022172353A1
Authority
WO
WIPO (PCT)
Prior art keywords
shape
model
data
shape model
virtual
Prior art date
Application number
PCT/JP2021/004920
Other languages
English (en)
French (fr)
Inventor
百科 中田
健史 大森
直人 高野
Original Assignee
株式会社日立ハイテク
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社日立ハイテク filed Critical 株式会社日立ハイテク
Priority to KR1020227003173A priority Critical patent/KR20220116421A/ko
Priority to US17/641,256 priority patent/US20230377185A1/en
Priority to JP2021576615A priority patent/JP7186315B1/ja
Priority to CN202180004758.0A priority patent/CN115210531A/zh
Priority to PCT/JP2021/004920 priority patent/WO2022172353A1/ja
Priority to TW111104680A priority patent/TWI809703B/zh
Publication of WO2022172353A1 publication Critical patent/WO2022172353A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2117/00—Details relating to the type or aim of the circuit design
    • G06F2117/12—Sizing, e.g. of transistors or gates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20116—Active contour; Active surface; Snakes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Definitions

  • the present invention relates to a contour analysis device, a processing condition determination system, a shape estimation system, a semiconductor device manufacturing system, a search device, and a data structure used for them.
  • Desired semiconductor processing can be performed by processing semiconductor samples under appropriate processing conditions in the semiconductor process.
  • the device structure has become more complicated, the control range of semiconductor processing equipment has been expanded, and many control parameters have been added. Processes have become multi-step, and fine and complicated processing has become possible.
  • Patent Literature 1 discloses such a technique.
  • Patent Document 1 a shape model is used to generate a virtual machining shape, and an SEM simulation is used to create a database of machining shapes and SEM signal waveforms. By comparing the actual signal waveforms obtained by SEM with the database, the machined shapes with similar signal waveforms are identified and estimated as the machined shapes being observed. This makes it possible to detect the contour lines (edge detection) of SEM images and extract the dimensions of target structures.
  • Patent Document 1 since the shape model shown in the example is simple, it is considered difficult to recognize complicated shapes. In addition, it is considered difficult to estimate shapes that are not in the database because the estimation is performed by matching with the database.
  • semiconductor devices are progressing toward miniaturization and 3D, and various structures such as quantum computers are being proposed. Along with this, it is expected that manual dimension extraction will become more difficult in the future, so it is necessary to extract complex and diverse shapes in a short time without manual operation.
  • FIG. 4 is a cross-sectional view of a masked pattern sample
  • FIG. 10 is a cross-sectional view after performing an etching process on a pattern sample with a mask
  • FIG. 2B is a diagram illustrating a typical shape feature amount for the cross-sectional view of FIG. 2B
  • It is an example of a virtual shape used in scatterometry.
  • 1 is a configuration example of a dimension extraction system of Example 1; It is a hardware configuration example of a contour analysis device. 4 is a flowchart for extracting dimensions in Example 1.
  • FIG. 2C is contour line data of the masked pattern sample shown in FIG.
  • FIG. 11 is a configuration example of a processing condition determination system of Example 2;
  • FIG. 7 is a flow chart for determining processing conditions of the semiconductor processing apparatus in Example 2.
  • FIG. It is an example of GUI for input. It is an example of GUI for output.
  • FIG. 11 is a configuration example of a contour line detection system according to a fourth embodiment;
  • FIG. 10 is a flow chart for detecting contours in Example 4.
  • FIG. It is an example of GUI for input. It is an example of GUI for output.
  • FIGS. 1 and 4A are diagrams showing configuration examples of a shape model and a dimension extraction system in Example 1, respectively.
  • the dimension extraction system according to the first embodiment uses a shape model to extract dimensions desired by the user (dimensions to be extracted) from images such as SEM images acquired by a measuring device.
  • FIG. 2A shows a cross-sectional view of a masked pattern sample as a typical example of a semiconductor sample.
  • a mask 200 is formed on a film 201 to be etched.
  • FIG. 2B is a cross-sectional view after the masked pattern sample is etched. Grooves are formed between the mask patterns by preferentially etching the film 201 to be etched rather than the mask 200 .
  • the target cross-sectional shape is a groove as shown in FIG. 3
  • the user needs to grasp the shape of the target structure shown in FIG. 2B and adjust the control parameters of the semiconductor processing equipment.
  • the processing shape formed in the state where the control parameters of the semiconductor processing equipment are not optimized has a complicated shape, the dimensional measurement is a time-consuming task, which is one of the causes of the delay in process development. What is happening is as described above.
  • a shape model using a plurality of ellipses as shown in Fig. 1, it is possible to accurately describe complex and various shapes.
  • An ellipse can describe a straight line or a curved line by changing the length of its major axis and minor axis, and by combining multiple ellipses, it is possible to describe shapes with different curvatures for each part.
  • parameters of the shape model are estimated by fitting the shape model with the contour lines of the target structure, instead of database collation as in Patent Document 1. If plausible parameter values are obtained by fitting, by substituting them into the shape model, a plausible shape model that accurately describes the contour of the target structure can be obtained. Using this plausible shape model, various dimensions of the contour are analytically extracted.
  • a starting point 110 and an end point 111 are provided on the perimeter of a figure formed by combining a plurality of ellipses 100a to 100e, and a curved line drawn on the perimeter connecting the two points is drawn.
  • a shape model 120 is assumed.
  • FIG. 1 shows a line-symmetrical shape model in which five ellipses are combined, the number of ellipses may be any number as long as it is plural, and the model may be a line-asymmetric model.
  • the model parameters that describe the geometric model 120 are hereinafter referred to as geometric model parameters.
  • the shape model parameters include the first parameters related to the shape and arrangement of the ellipse, such as the center coordinates 130 of each ellipse, the minor axis length 131, the major axis length 132, and the inclination 133 of the minor axis, as exemplified for the ellipse 100b in FIG. parameters, and a second parameter (whether to connect the inner perimeter of an ellipse or the outer perimeter of the ellipse, etc.) related to how to draw with one stroke.
  • the specific examples of the first parameter shown in FIG. 1 are examples, and shall include at least one or more of these.
  • the flatness of the ellipse 100 can be adjusted by changing the balance between the minor axis length 131 and the major axis length 132 .
  • the shape model 120 can describe a complex contour formed by combining a near-straight contour and a curved contour.
  • the unevenness of the outline can be changed.
  • each ellipse is appropriately numbered as the first ellipse, the second ellipse, and so on. We will call it .
  • the measuring device 400 is a measuring device using a charged particle beam device such as a scanning electron microscope, and outputs information on a target structure of a sample as image data.
  • the measuring device 400 is a measuring device that acquires information on a sample as an image by using phenomena such as reflection, transmission, and interference that occur when electrons or the like are incident on the sample. Specifically, it is a scanning electron microscope (Scanning Electron Microscope), a transmission electron microscope (Transmission Electron Microscope), a scanning transmission electron microscope (Scanning Transmission Electron Microscope), etc.
  • the image data acquired by the measuring device 400 may be image data acquired by any of these charged particle beam devices.
  • the contour line detection device 410 is a device that detects edges (contour lines) from the image input from the measurement device 400 . For example, for an input SEM (Scanning Electron Macroscopy) image or TEM image, the contour line data is output. Contour detection methods include those based on changes in pixel values, such as the Sobel method, Canny method, and Laplacian method, and those that use machine learning, such as Open CV. Either method may be used. Note that the contour detection device 410 may be implemented as one function of the contour analysis device 420, which will be described later.
  • Contour analyzer 420 includes processor 431 , main memory 432 , secondary memory 433 , input/output interface 434 , display interface 435 , network interface 436 and input/output (I/O) port 437 coupled by bus 438 . It is The input/output interface 434 is connected to an input device 440 such as a keyboard and mouse, and the display interface 435 is connected to a display 439 to realize a GUI (Graphical User Interface).
  • a network interface 436 is an interface for connecting to an external device via a network.
  • Auxiliary storage device 433 is usually composed of non-volatile memory such as HDD (Hard Disk Drive), SSD (Solid State Drive), flash memory, etc., and stores programs executed by contour analysis device 420 and data to be processed by the program. memorize
  • the main memory 432 is composed of RAM (Random Access Memory), and temporarily stores programs and data necessary for executing the programs according to instructions from the processor 431 .
  • the processor 431 executes programs loaded from the auxiliary storage device 433 to the main memory 432 .
  • the functions of the contour analysis device 420 are realized by executing a program stored in the auxiliary storage device 433 by the processor 431, and by cooperating with other hardware to perform predetermined processing.
  • a program executed by a computer or the like, its function, or a means for realizing that function may be called a "function", a "unit", or the like.
  • the contour analysis device 420 may be implemented on a PC (Personal Computer), server, or cloud, for example.
  • the contour analysis device 420 includes an analysis unit 421, a shape model database 422, a shape model setting unit 423, a shape model fitting setting unit 424, a dimension extraction setting unit 425, and a dimension calculation method setting unit 426. It is a device that calculates the values of shape model parameters, which are parameters of the shape model, and the values of dimensions that the user wants to extract, from the contour line data input from the device 410 .
  • shape model parameters calculated by the contour analysis device 420 and the extracted dimensions are hereinafter referred to as plausible shape model parameters and plausible dimensions, respectively.
  • the analysis unit 421 analyzes the input contour line data by fitting a shape model, calculating plausible shape model parameter values, and calculating plausible dimension values.
  • the calculated plausible geometric model parameter values and plausible dimension values are stored in the geometric model database 422 .
  • the user sets the specifications of the shape model (shape model specifications) using the shape model setting unit 423, and sets the fitting method of the shape model using the shape model fitting setting unit 424.
  • the analysis unit 421 uses the contour line data input from the contour line detection device 410 to perform fitting of the shape model and calculate plausible shape model parameter values.
  • a shape model obtained by substituting plausible shape model parameter values is a plausible shape model.
  • the user sets the dimension to be extracted using the dimension extraction setting unit 425 and sets the calculation method for the dimension value to be extracted using the dimension calculation method setting unit 426.
  • the analysis unit 421 uses a plausible shape model to calculate a plausible dimension value for the dimension to be extracted.
  • FIG. 5 shows a flowchart for extracting dimensions from the image data acquired by the measuring device 400 using a charged particle beam device, using the dimension extraction system shown in FIG. 4A.
  • a method for extracting dimensions will be described below with reference to FIG.
  • contour line data 600 shows contour line data 600 showing a cross section of an etched masked pattern sample. Grooves are formed between the mask patterns by preferentially etching the film 201 to be etched rather than the mask 200 .
  • the shape model specification is set by the shape model setting unit 423 (S103).
  • the type of model such as "a line-symmetrical shape model composed of five ellipses" as shown in FIG. 1 is specified, or the type of shape model parameters describing the shape model is specified.
  • the shape model fitting setting unit 424 sets the method of fitting the shape model to the contour line data (S104).
  • the least-squares method, weighted least-squares method, or regularized least-squares method can be used for fitting, and the shape model parameter values can be estimated by a nonlinear optimization method using an iterative solution method, or a combinatorial optimization method.
  • settings related to fitting termination conditions, random numbers for optimization processing, or initial value generation methods are also performed.
  • a shape model 601 before fitting is a drawing of the shape model for the initial values of the shape model parameters. Fitting with the contour data 600 improves the shape model parameter values and brings the shape model closer to the contour 600 as the shape model 602 during fitting. If the fitting is successfully completed, plausible shape model parameter values are obtained for the contour line 600, and this plausible shape model 603 is a model that reproduces the contour line data 600 well, as shown in FIG. 6C.
  • fitting-related failures include failure of fitting, occurrence of localized values of geometric model parameters during fitting, and abnormalities in the shape of a plausible geometric model obtained by fitting.
  • An example of a shape abnormality is a case where there is a discrepancy between a shape recognized by a user visually viewing an image acquired by the measuring device 400 and a shape of a plausible shape model. If no defect is found in step S106, the fitting is terminated, and the obtained plausible shape parameter values are stored in the shape model database 422 (S107).
  • the dimension extraction setting unit 425 sets the type of dimension that the user wants to extract (S108).
  • the type of dimension to be extracted is set, for example, from a series of shape feature values as shown in FIG. 2C.
  • FIG. 2C illustrates shape feature amounts that can be set for the cross-sectional view of FIG. 2B.
  • a correlation model is used to estimate the processing conditions that give the target shape feature quantity.
  • the groove shape of FIG. 2C shows various types of shapes such as maximum width 210, depth 211, bottom width 212, top width 213, middle width 214, taper angle 215, bowing angle 216, and bottom eccentricity 217.
  • a feature amount can be considered.
  • the dimension calculation method setting unit 426 sets the calculation method for the dimensions to be extracted (S109). For example, let us consider how to calculate the maximum width 210, the depth 211, the bottom width 212, and the bottom eccentricity 217 among the shape feature quantities shown in FIG. 2C. According to the procedure up to step S108, contour line data is acquired from the SEM image of the sample shown in FIG. 2B, and a plausible shape model 603 as shown in FIG. 6C is obtained.
  • the coordinate axes are the x-axis along the boundary between the mask 200 and the film to be etched 201, and the y-axis perpendicular thereto.
  • the length of the major axis of each ellipse 604 allows the width 702 of the base to be estimated. Since the eccentricity can be calculated from the length of the major axis and the length of the minor axis of each ellipse 604, the eccentricity 703 of the bottom can be estimated.
  • the depth 701 can be estimated from the central coordinates, major axis length, minor axis length, and inclination of the minor axis of each ellipse 604 .
  • the maximum width 700 can be estimated by obtaining a plurality of coordinates where the differential value with respect to the y-axis is 0 and calculating the distance between the x-coordinates.
  • singular points such as extreme points where the differential value is 0, non-differentiable points, and inflection points where the differential value changes from positive to negative in the shape model 603, the value of the dimension to be extracted can be estimated.
  • a method of calculating dimensions using such a singular point of a shape model is called a singular point search method.
  • the calculation method is not limited to the singular point search method.
  • the maximum width 700 can also be obtained as the maximum value of the distance between the x-coordinates by extracting the x-coordinates on the shape model 603 along the y-axis with a certain step size.
  • a method of calculating dimensions by extracting coordinates along a specific axis is called a stripe search method.
  • the calculation method set in step S109 is used to calculate a plausible dimension such as a maximum width of 700 (S110).
  • the extracted plausible dimension data is stored in the shape model database 422 (S111), and the process ends.
  • FIG. 8 shows an example of the data structure of the shape model database 422 obtained by applying the above procedure to SEM images (corresponding to data numbers) of N samples.
  • FIG. 9 is a diagram showing a configuration example of a processing condition determination system according to the second embodiment.
  • the processing condition determination system of the second embodiment determines appropriate processing conditions for the semiconductor processing equipment.
  • the second embodiment aims to speed up process development using machine learning.
  • process development using machine learning generally, processing conditions are searched for processing conditions that give the target shape feature value using a correlation model in which the processing condition is the explanatory variable X and the shape feature value related to the machining shape is the objective variable Y. is done.
  • the processing condition is the explanatory variable X
  • the shape feature value related to the machining shape is the objective variable Y.
  • the measurement device 400, the contour line detection device 410, the contour line analysis device 420, the analysis unit 421, the shape model database 422, the shape model setting unit 423, and the shape model fitting setting unit 424 are defined as those in the first embodiment. .
  • the processing condition determining device 900 has a processing condition database 901, a learning unit 902, a processing condition estimating unit 903, and a target dimension value setting unit 904.
  • the plausible shape model parameter data in the shape model database 422 and the processing It is a device that determines appropriate processing conditions based on the processing conditions in the condition database 901 . Since the hardware configuration of the processing condition determination device 900 is also the same as that of the contour line analysis device 420 shown in FIG. 4B, redundant description will be omitted.
  • the processing condition database 901 is a database in which existing processing conditions and processing conditions estimated by the processing condition estimation unit 903 are stored.
  • a learning unit 902 learns a correlation model between the likely shape model parameters in the shape model database 422 and the processing conditions in the processing condition database 901 .
  • a target dimension value setting unit 904 sets user-desired geometric model parameter values (target values) for plausible geometric models. Alternatively, a shape model parameter value (target value) of a plausible shape model may be calculated from the user's desired shape and dimensions.
  • a processing condition estimation unit 903 estimates, using the correlation model obtained by the learning unit 902, a processing condition that gives the shape model parameter values set by the target dimension value setting unit 904. FIG.
  • the semiconductor processing device 910 is a device that processes semiconductor samples, and processes the samples using the processing conditions determined by the processing condition determination device 900 .
  • the semiconductor processing equipment 910 includes a lithography equipment, a film forming equipment, a pattern processing equipment, an ion implantation equipment, a heating equipment, a cleaning equipment, and the like, which are semiconductor manufacturing equipment.
  • the lithographic apparatus includes an exposure apparatus, an electron beam lithography apparatus, an X-ray lithography apparatus, and the like.
  • Film-forming equipment includes CVD (Chemical Vapor Deposition) equipment, PVD (Physical Vapor Deposition) equipment, vapor deposition equipment, sputtering equipment, thermal oxidation equipment, and the like.
  • Pattern processing devices include wet etching devices, dry etching devices, electron beam processing devices, laser processing devices, and the like.
  • Ion implanters include plasma doping devices and ion beam doping devices.
  • Heating devices include resistance heating devices, lamp heating devices, and laser heating devices.
  • FIG. 10 shows a flow chart for determining the processing conditions of the semiconductor processing equipment by the processing condition determination system of FIG. A method of determining processing conditions for the semiconductor processing equipment 910 will be described below with reference to FIG.
  • steps S201 to S207 in FIG. 10 are the same as steps S101 to S107 in FIG. 5, respectively, so explanations are omitted.
  • the user's target shape model parameter values are set by the target dimension value setting unit 904 (S208).
  • the distance for evaluating the closeness of values is calculated using any one of Euclidean distance, Manhattan distance, Chebyshev distance, and Mahalanobis distance. Based on whether this calculated value is larger or smaller than the reference value defined by the user, it is determined whether or not it is close.
  • step S209 If it is determined in step S209 that the likely shape model parameter values estimated in step S207 are close to the shape model parameter values set by the target dimension value setting unit 904, the process ends.
  • the learning unit 902 learns a correlation model between the processing conditions in the processing condition database 901 and the plausible shape model parameters in the shape model database 422 (S210).
  • the correlation model represents a regression or classification model, and a model using a kernel method, a model using a neural network, a model using a decision tree, or the like is used.
  • the processing condition estimating unit 903 estimates processing conditions for giving the shape model parameter values set by the target dimension value setting unit 904 using the correlation model acquired by the learning unit 902 (S211).
  • the estimated processing conditions are added to the processing condition database 901, and the database is updated (S212).
  • a new sample is processed in the semiconductor processing equipment 910 (S213).
  • the processed sample is taken out from the semiconductor processing apparatus 910, and the process proceeds to step S201. Repeat the above series of steps until the end.
  • the input GUI 1100 shown in FIG. 11 is an example of an input screen for inputting the settings of the contour analysis device 420 of the first and second embodiments.
  • This input screen is presented after an image is acquired in the procedure of step S101 in the case of the first embodiment, and after the image is acquired in the procedure of step S201 in the case of the second embodiment.
  • the input GUI 1100 has a contour line detection setting box 1110, a shape model selection box 1120, a fitting setting box 1130, a dimension extraction setting box 1140, a calculation method setting box 1150, a valid/invalid display section 1160, and an OK button 1170.
  • a contour line detection setting box 1110, a shape model selection box 1120, a fitting setting box 1130, a dimension extraction setting box 1140, and a calculation method setting box 1150 correspond to the contour line detection device 410, the shape model setting section 423, and the shape model fitting setting section 424, respectively.
  • dimension extraction setting section 425 and dimension calculation method setting section 426 are set.
  • the outline detection setting box 1110 has a detection method input section 1111 and an image input section 1112.
  • the detection method input unit 1111 uses a contour line detection method such as the Sobel method, Canny method, or Laplacian method that detects based on changes in pixel values, or machine learning such as Open CV. You can choose what you have. Further, by dragging and dropping the image data acquired in step S101 in the case of the first embodiment and in step S201 in the case of the second embodiment to the image input unit 1112, the image data is input to the contour detection device 410. be able to.
  • the shape model selection box 1120 has a model input section 1121. For example, a line-symmetric shape model composed of a specific number of ellipses, a shape model that does not assume line symmetry, or the like is selected.
  • the fitting setting box 1130 has a fitting method input section 1131.
  • a method of optimizing shape model parameters by the Levenberg-Marquardt method using the least squares method and a method of optimizing shape model parameters by simulated annealing using the least squares method.
  • method or a method of optimizing the shape model parameters by the Levenberg-Macquard method using the Weighted Least Squared method.
  • these methods are abbreviated as LS-LM method, LS-annealing method, and WSL-LM method, respectively.
  • the dimension extraction setting box 1140 has a dimension input section 1141, in which the dimension desired by the user to be extracted is set.
  • the calculation method setting box 1150 has a calculation method input field 1151, and sets the calculation method of the dimension to be extracted input in the dimension input field 1141.
  • FIG. For example, the singularity search method and stripe search method described in the first embodiment can be selected.
  • the dimension extraction setting box 1140 and calculation method setting box 1150 are unnecessary in the input GUI 1100.
  • the decision button 1170 of the input GUI 1100 is pressed, the procedure of FIG. 5 or 10 is executed, and the output GUI 1200 presented in step S106 in the case of the first embodiment and in step S206 in the case of the second embodiment is shown in FIG. 12.
  • This GUI displays the current status and allows the user to choose whether or not to proceed to the next step.
  • the dimension extraction result display section 1210 has a plausible shape model display section 1211 and a dimension calculation result display section 1212 .
  • the plausible shape model display unit 1211 presents to the user the state of the shape model fitted in step S105 or S205.
  • the dimension calculation result display section 1212 presents to the user plausible shape model parameter values and plausible dimension values.
  • the user can select completion or resetting in the completion/reset selection area 1220.
  • FIG. When the user determines that there is no defect in the fitting, he selects the completion and presses the decision button 1230 to proceed to the procedure of step S107 in the case of the first embodiment, and to the procedure of step S207 in the case of the second embodiment. .
  • selecting reset and pressing the decision button 1230 returns to the screen of the input GUI 1100, enabling resetting.
  • FIG. 13 is a diagram showing a configuration example of a structural shape estimation system according to the third embodiment.
  • the structure shape estimation system of Example 3 estimates the shape of the target structure of the sample from the spectroscopic spectrum.
  • the third embodiment uses a shape model using a plurality of ellipses to achieve higher accuracy in shape measurement using optics such as scatterometry (light wave scattering measurement).
  • scatterometry optical simulation such as RCWA (Rigorous Coupled Wave Analysis) is performed on CAD (Computer-aided Design) data, which is a virtually generated shape model, to create a virtual spectroscopic spectrum. data.
  • CAD Computer-aided Design
  • a correlation model between the CAD data, which is the obtained virtual shape model, and the virtual spectroscopic data is obtained, and the CAD data of the virtual shape model, which gives the virtual spectroscopic data closest to the spectroscopic spectrum actually obtained by the spectrometer, is correlated. Estimate using a model.
  • the shape is estimated from the spectral spectrum obtained by the spectroscope.
  • the virtual shape has been a simple shape composed of a combination of rectangles as shown in FIG.
  • by using a shape model using a plurality of ellipses it is possible to generate a complicated shape with different curvatures for each part, and to improve the accuracy of shape estimation.
  • the virtual shape data generation device 1300 has a shape model setting unit 1301, a generation method setting unit 1302, a parameter generation unit 1303, a virtual dimension database 1304, a CAD unit 1305, and a virtual shape database 1306, and generates virtual shape data. It is a device.
  • the user sets the shape model specifications using the shape model setting unit 1301 and sets the generation method of the sets of shape model parameter values using the generation method setting unit 1302 .
  • a set of geometric model parameter values generated by the parameter generator 1303 based on these settings is stored in the virtual dimension database 1304 .
  • the CAD unit 1305 outputs the shape obtained by substituting the shape model parameter values in the virtual dimension database 1304 into the shape model as CAD data.
  • the output CAD data is stored in the virtual shape database 1306.
  • the optical simulator 1310 is a simulator that performs optical simulation such as RCWA on the CAD data (virtual shape model) in the virtual shape database 1306.
  • the simulator is capable of calculating theoretical values of spectroscopic spectra obtained by scatterometry for geometric structures represented by CAD data.
  • the theoretical value of this spectroscopic spectrum is hereinafter referred to as a virtual spectroscopic spectrum.
  • the spectral measurement device 1330 is a device that acquires a spectral spectrum from light such as scattered light, reflected light, and interference light generated from the target structure of the semiconductor sample.
  • the optical shape estimation device 1320 is a device that estimates the shape of the target structure of the semiconductor sample from the measured spectrum, and has a virtual spectrum database 1321, a learning unit 1322, and a shape estimation unit 1323.
  • the virtual spectroscopic spectrum database 1321 is a database that stores virtual spectroscopic spectra calculated by the optical simulator 1310 .
  • a learning unit 1322 learns a correlation model between the shape model parameter values in the virtual dimension database 1304 and the virtual spectroscopic spectra in the virtual spectroscopic spectrum database 1321 .
  • Shape estimation section 1323 uses the correlation model obtained by learning section 1322 to estimate shape model parameter values that give the closest virtual spectrum to the spectrum obtained by spectrum measurement device 1330 . Also, the shape obtained by substituting the shape model parameter values into the shape model is output.
  • the hardware configuration of the virtual shape data generation device 1300, the optical simulator 1310, and the optical shape estimation device 1320 is the same as that of the contour line analysis device 420 shown in FIG. 4B, so overlapping descriptions will be omitted.
  • FIG. 14 shows a flow chart for estimating the shape by the structural shape estimation system shown in FIG. The shape estimation method will be described below with reference to FIG.
  • the shape model specification is set by the shape model setting unit 1301 (S301). For example, a model type such as "a line-symmetrical shape model composed of five ellipses" is specified, or a type of shape model parameter describing the shape model is specified.
  • the generation method setting unit 1302 sets a generation method for a set of shape model parameter values (S302). For example, multiple values can be generated by specifying a range of shape model parameters and dividing the range into equal intervals. Henceforth, this space
  • the range and step size may be set to different values for each type of shape model parameter. Alternatively, it can be generated using random numbers.
  • the parameter generation unit 1303 uses the generation method set by the generation method setting unit 1302, the parameter generation unit 1303 generates sets of geometric model parameter values and stores the generated sets in the virtual dimension database 1304 (S303).
  • the CAD unit 1305 outputs the virtual shape model obtained by substituting the shape model parameter values in the virtual dimension database 1304 into the shape model as CAD data (S304).
  • the CAD unit 1305 stores the generated CAD data (virtual shape model) in the virtual shape database 1306 (S305), and uses the optical simulator 1310 to calculate the virtual spectrum.
  • the calculated virtual spectrum is stored in the virtual spectrum database 1321 (S306).
  • the learning unit 1322 learns a correlation model between the virtual spectroscopic spectrum in the virtual spectroscopic spectrum database 1321 and the shape model parameters in the virtual dimension database 1304 (S307).
  • the correlation model represents a regression or classification model, and a model using a kernel method, a model using a neural network, a model using a decision tree, or the like is used.
  • a spectrum is obtained for the semiconductor sample using the spectrum measurement device 1330 (S308).
  • the shape estimating unit 1323 estimates shape model parameters that give a virtual spectral spectrum that is closest to the acquired spectral spectrum, using the correlation model learned by the learning unit 1322 (S309).
  • the distance for evaluating the closeness of values is calculated using any one of Euclidean distance, Manhattan distance, Chebyshev distance, and Mahalanobis distance.
  • the shape estimation unit 1323 substitutes the estimated shape model parameters into the shape model and outputs the obtained shape (S310).
  • this shape will be called an estimated shape. It is determined whether or not there is a defect in the estimated shape (S311), and if a defect is found, the process returns to step S301 to reset the specifications of the shape model and the method of generating shape model parameters.
  • a defect related to the estimated shape is a case where the estimated shape model parameter values deviate from the range of shape model parameters set by the generation method setting unit 1302, or a case where the estimated shape has a defective portion. If no defect is found in step S311, the process ends.
  • FIG. 15 is a diagram showing a configuration example of a contour line detection system according to the fourth embodiment.
  • Example 4 detects the contour line of an image acquired by an inspection apparatus such as an SEM image.
  • the fourth embodiment aims at improving the accuracy of contour line detection from images acquired by the inspection apparatus.
  • detection accuracy in detection methods using machine learning greatly depends on the quality and quantity of learning data for images and contours.
  • a shape model using a plurality of ellipses is used to generate various shapes and their contours, thereby increasing the accuracy of contour line detection.
  • the measuring device 400 has the same definition as that of the first embodiment
  • the virtual shape data generating device 1300 has the same definition as that of the third embodiment.
  • the CAD data generated by the CAD unit 1305 are the virtual outline data 1500 and the virtual image data 1501.
  • the virtual contour line data 1500 is the contour line of the target structure obtained by the geometric model converted into CAD data by the CAD unit 1305 .
  • the virtual image data 1501 is acquired by the CAD unit 1305 by correcting the shape obtained from the shape model with respect to color, tone, brightness, amount of noise, magnification, screen size, and the like. CAD data simulating an acquired image.
  • the contour line estimation device 1510 is a device that detects contour line data from the image data input from the measuring device 400 based on the virtual shape database 1306 of the virtual shape data generation device 1300 .
  • the contour estimation device 1510 has a learning section 1511 and a contour estimation section 1512 . Note that the hardware configuration of the contour estimation device 1510 is the same as that of the contour analysis device 420 shown in FIG. 4B, so redundant description will be omitted.
  • a learning unit 1511 learns a correlation model between the virtual contour line data 1500 in the virtual shape database 1306 and the virtual image data.
  • the contour estimation unit 1512 estimates virtual contour data 1500 that provides virtual image data 1501 closest to the image acquired by the measuring device 400 using the correlation model obtained by the learning unit 1511 . Also, this virtual contour line data is output.
  • FIG. 16 shows a flowchart for detecting contour lines by the contour line detection system shown in FIG. The outline detection method will be described below with reference to FIG.
  • the procedures of steps S401-S403 in FIG. 16 are the same as S301-S303 in FIG. 14, respectively, so the description is omitted.
  • the CAD unit 1305 converts the shape obtained by substituting the shape model parameter values in the virtual dimension database 1304 into the shape model as CAD data, and outputs virtual image data 1501 and virtual outline data 1500 (S404). These CAD data are stored in the virtual shape database 1306 (S405).
  • the learning unit 1511 learns a correlation model between the virtual image data 1501 and the virtual contour line data 1500 in the virtual shape database 1306 (S406).
  • the correlation model represents a regression or classification model, and a model using a kernel method, a model using a neural network, a model using a decision tree, or the like is used.
  • the contour estimation unit 1512 estimates virtual contour data that provides virtual image data closest to the acquired image data using the correlation model obtained by the learning unit 1511 (S408).
  • the distance for evaluating the closeness of images is obtained by calculating one of the Euclidean distance, Manhattan distance, Chebyshev distance, and Mahalanobis distance with respect to numerical values relating to color, tone, and brightness at each pixel.
  • the contour estimation unit 1512 outputs the estimated virtual contour data (S409).
  • step S410 It is determined whether or not there is a defect in the estimated virtual contour line data (S410), and if a defect is found, the process returns to step S401 to reset the specifications of the shape model and the method of generating shape model parameters. .
  • Defects related to the virtual contour data estimated here are caused when the shape model parameter values giving the virtual contour data deviate from the range of the shape model parameters set by the generation method setting unit 1302, or when the virtual contour data This is the case, for example, when a missing part occurs. If no defect is found in step S410, the process ends.
  • the input GUI 1700 shown in FIG. 17 is an example of an input screen for inputting the settings of the virtual shape data generation device 1300 of the third and fourth embodiments. This input screen is presented before the procedure of step S301 in the case of the third embodiment, and before the procedure of step S401 in the case of the fourth embodiment.
  • the input GUI 1700 has a shape model selection box 1710, a shape model parameter generation method setting box 1720, a valid/invalid display section 1730, and an enter button 1740.
  • a shape model selection box 1710 and a shape model parameter generation method setting box 1720 are used to set the shape model setting section 1301 and the generation method setting section 1302, respectively.
  • the shape model selection box 1710 has a model input section 1711. For example, a line-symmetric shape model composed of a specific number of ellipses, a shape model that does not assume line symmetry, or the like is selected.
  • a shape model parameter generation method setting box 1720 has a range input section 1721 and an interval input section 1722 .
  • the range input section 1721 specifies the range of shape model parameters. This range may be specified differently for each shape parameter.
  • a step size input section 1722 specifies a step size for dividing the range input in the range input section 1721 .
  • the decision button 1740 of the input GUI 1700 is pressed, the procedure of FIG. 14 or FIG. 16 is executed, and the output GUI 1800 presented in step S304 in the case of the third embodiment and in step S404 in the case of the fourth embodiment is shown in FIG. 18.
  • This GUI displays the current status and allows the user to choose whether or not to proceed to the next step.
  • the virtual geometry generation result display section 1810 has a virtual geometry data number display section 1811 , a CAD data display section 1812 , a geometric model parameter display section 1813 , and a completion/reset selection section 1820 .
  • the virtual shape data number display section 1811 displays the serial numbers of the generated shape model parameters.
  • a shape model parameter display section 1813 displays sets of shape model parameters having serial numbers displayed in the virtual shape data number display section 1811 . That is, in the example of FIG. 18, the 23rd generated set of shape model parameters is displayed.
  • the CAD data display unit 1812 displays the CAD data generated by the CAD unit 1305 based on the sets of geometric model parameters.
  • the user can select whether to complete or reset in the completion/reset selection portion 1820.
  • the user determines that there is no defect in the CAD data or the geometric model parameters, he selects the completion and presses the decision button 1830, thereby completing step S305 in the case of the third embodiment and step S405 in the case of the fourth embodiment. Proceed to step.
  • selecting reset and pressing the decision button 1830 returns to the screen of the input GUI 1700, enabling resetting.
  • the contour detection device 410, the contour analysis device 420, the processing condition determination device 900, the virtual shape data generation device 1300, the optical shape estimation device 1320, and the contour estimation device 1510 are used as applications on the platform, and each processing , it becomes possible to implement the first to fourth embodiments in the semiconductor device manufacturing system.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Graphics (AREA)
  • Quality & Reliability (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

半導体処理で生じうる複雑な形状に対して、高精度な寸法抽出を可能にする。　複数の楕円100を組み合わせてできる図形の周上に始点110と終点120とを設け、その２点をつなぐ周上の一筆書きされた曲線120を形状モデルとして用いることにより、対象構造の輪郭線を記述する。

Description

輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造
　本発明は、輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造に関する。
　半導体プロセスにおいて適正な処理条件により半導体試料を処理することで、望ましい半導体加工を実施できる。近年、デバイスを構成する新材料が導入されるとともにデバイス構造が複雑化しており、半導体処理装置の制御範囲が拡大され、多くの制御パラメータが追加されてきた。プロセスはマルチステップ化し、微細で複雑な加工が実現されるようになった。半導体処理装置を用いて高性能なデバイスを生産するためには、半導体試料の目標の加工形状を実現する適正な処理条件を導出するプロセス開発を行う必要がある。
　半導体処理装置の性能を十分に引き出すには、多数の制御パラメータの最適化が不可欠であり、その実現にはプロセス開発のノウハウや高い装置運用スキルおよび処理試験の多数の試行錯誤が必要である。したがって、プロセス開発には大規模な回数の寸法計測を必要とする。例えば処理対象としてラインアンドスペース（Line and Space, L/S）パターンのサンプルを考えた場合、ラインパターン毎のCD（Critical Dimension）や深さ等の寸法を10か所、計測するラインパターン数を10個とすると、１試料につき100個の計測が必要となる。したがって、仮に100個の試料を処理したとすると、計10000回の寸法計測が必要となる。
　デバイスの構造が複雑化するほど計測箇所数は増えていくため、寸法計測時間の長期化に伴うプロセス開発の遅延が課題となる。また、これらの寸法は構造の微細化に伴って年々縮小しており、人の手による寸法抽出が難しくなっていく。このため、半導体試料の画像から対象構造の寸法を人の手によらず、高速かつ高精度に抽出する技術が必要となる。特許文献１はこのような技術を開示する。
　特許文献１では、形状モデルを用いて仮想的な加工形状を生成し、SEMシミュレーションを用いて加工形状とSEM信号波形のデータベースを作成する。SEMで得られる実際の信号波形をデータベースと照合することで、信号波形の近い加工形状を特定し、観察中の加工形状として推定する。これにより、SEM画像の輪郭線検出（エッジ検出）や、対象構造の寸法を抽出することができる。
特開２００９－１９８３３９号公報
　特許文献１の場合、実施例で示されている形状モデルが簡素なため、複雑な形状の認識が困難であると考えられる。また、データベース照合によって推定を行うためデータベースにない形状については推定することが困難であると考えられる。現在、半導体デバイスでは微細化や3D化が進み、また量子コンピュータなど多様な構造が提案されつつある。これにともなって、人の手による寸法抽出が今後更に難しくなっていくと考えられるため、マニュアル操作を伴わずに複雑かつ多種の形状を短時間で抽出する必要がある。
　複雑かつ多種の形状の認識が難しいという課題によって、例えば、ラインアンドスペースパターンにおいて側壁と底部で異なる曲率を持つ形状の認識は困難である。通常エッチングでは、ラジカルによる等方的なエッチングと、イオンアシストによる異方的なエッチングの効果が重畳されるため、こういった曲率の異なる加工結果は頻繁に生じ得る。また、未知形状の認識が難しいという課題を回避するため、膨大な規模のデータベースを用いるとすると、現実的な時間での推定が困難になる可能性がある。
　複数の楕円を組み合わせてできる図形の周上に始点と終点とを設け、その２点をつなぐ周上の一筆書きされた曲線を形状モデルとして用いることにより、対象構造の輪郭線を記述する。
　半導体処理で生じうる複雑な形状に対して、高精度な寸法抽出を可能にする。
　その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。
複数の楕円を用いた形状モデルである。 マスク付パターン試料の断面図である。 マスク付パターン試料にエッチング処理を行った後の断面図である。 図２Ｂの断面図に対して典型的な形状特徴量を例示した図である。 スキャトロメトリで用いられる仮想形状の例である。 実施例１の寸法抽出システムの構成例である。 輪郭線解析装置のハードウェア構成例である。 実施例１における寸法を抽出するフローチャートである。 図２Ｂに示したマスク付パターン試料の輪郭線データである。 図６Ａの輪郭線に対して形状モデルをフィッティングさせる様子を示す図である。 図６Ａの輪郭線にフィッティングさせた形状モデルを示す図である。 形状モデルを用いて寸法を算出する方法を説明するための図である。 形状モデルデータベースのデータ構造の一例である。 実施例２の処理条件決定システムの構成例である。 実施例２における半導体処理装置の処理条件を決定するフローチャートである。 入力用GUIの例である。 出力用GUIの例である。 実施例３の構造形状推定システムの構成例である。 実施例３における形状を推定するフローチャートである。 実施例４の輪郭線検出システムの構成例である。 実施例４における輪郭線を検出するフローチャートである。 入力用GUIの例である。 出力用GUIの例である。
　以下、図面を用いて本発明の実施の形態を説明する。ただし、本発明は以下に示す実施の形態の記載内容に限定して解釈されるものではない。本発明の思想ないし趣旨から逸脱しない範囲で、その具体的構成を変更し得ることは当業者であれば容易に理解される。
　また、図面等において示す各構成の位置、大きさ、形状、及び範囲等は、発明の理解を容易にするため、実際の位置、大きさ、形状、及び範囲等を表していない場合がある。したがって、本発明では、図面等に開示された位置、大きさ、形状、及び範囲等に限定されない。
　図１および図４Ａはそれぞれ、実施例１における形状モデルおよび寸法抽出システムの構成例を示す図である。実施例１の寸法抽出システムは、SEM画像などの、計測装置が取得した画像から形状モデルを用いてユーザーの所望する寸法（抽出したい寸法）を抽出する。
　図２Ａに半導体試料の典型的な例としてマスク付パターン試料の断面図を示す。マスク200が被エッチング膜201上に形成されている。図２Ｂは、このマスク付パターン試料に対してエッチング処理を行った後の断面図である。マスク200よりも被エッチング膜201が優先的にエッチング処理されることでマスクパターン間に溝が形成されている。目標とする断面形状が図３に示すような溝であるとすると、ユーザーは図２Ｂの対象構造の形状を把握し、半導体処理装置の制御パラメータを調整する必要がある。しかしながら、半導体処理装置の制御パラメータが適正化されていない状態で形成される加工形状は複雑な形状を有しているため、寸法計測は手間のかかる作業であり、プロセス開発の遅延の一因になっているのは上述の通りである。
　本実施例では、図１に示すような複数の楕円を用いた形状モデルを用いることで、複雑かつ多種の形状を精度よく記述することを可能にする。楕円は長軸や短軸の長さを変えることで直線から曲線までを記述することができ、複数の楕円を組み合わせることにより、部位ごとに曲率の異なる形状を記述することが可能とする。さらに、特許文献１のようにデータベース照合ではなく、形状モデルを対象構造の輪郭線でフィッティングすることで、形状モデルのパラメータを推定する。フィッティングにより尤もらしいパラメータ値が得られれば、それを形状モデルに代入することで、対象構造の輪郭線を精度よく記述する尤もらしい形状モデルが得られる。この尤もらしい形状モデルを用いて、輪郭線の様々な寸法を解析的に抽出する。
　本実施例においては、図１に示すように、複数の楕円100a～100eを組み合わせてできる図形の周に始点110と終点111とを設け、その２点をつなぐ周上の一筆書きされた曲線を形状モデル120とする。図１では５個の楕円を組み合わせた線対称な形状モデルを示しているが、楕円の数は複数であれば何個でもよく、また非線対称なモデルであってもよい。
　以下では、形状モデル120を記述するモデルパラメータを形状モデルパラメータと呼ぶ。形状モデルパラメータには、図１の楕円100bに対して例示したような各楕円の中心座標130、短軸長131、長軸長132、短軸の傾き133といった楕円の形状および配置に関する第１のパラメータや、一筆書きの仕方に関する第２のパラメータ（楕円の内周をつなぐか、外周をつなぐか等）などが含まれる。図１に示した第１のパラメータの具体例は例示であり、これらのうち少なくとも１つ以上を含むものとする。楕円100は、短軸長131と長軸長132のバランスを変えることで、扁平さを調整できる。これにより、形状モデル120は、直線に近い輪郭と曲線的な輪郭が組み合わさってできる複雑な輪郭線を記述することができる。また、一筆書きの仕方を変えることで、輪郭線の凹凸を変更することができる。
　このように、形状モデルパラメータを調整することで、様々な形状を記述することができる。なお、複数の楕円を用いるため、各楕円には第１楕円、第２楕円・・と適当なナンバリングを施し、それぞれの形状モデルパラメータを第１楕円の長軸長、第２楕円の長軸長・・などと呼ぶことにする。
　図４Ａを用いて形状モデル120を用いる寸法抽出システムを説明する。計測装置400は、走査電子顕微鏡等の荷電粒子線装置を用いた計測装置であり、試料の対象構造の情報を画像データとして出力する。計測装置400は、試料へ電子等を入射させた際に起こる反射、透過、干渉等の現象を利用して試料の情報を画像として取得する計測装置である。具体的には、電子顕微鏡を用いた計測装置である走査電子顕微鏡（Scanning Electron Microscope）、透過電子顕微鏡（Transmission Electron Microscope）、走査透過電子顕微鏡（Scanning Transmission Electron Microscope）などである。計測装置400で取得される画像データは、このようないずれの荷電粒子線装置で得られる画像データであってもよい。
　輪郭線検出装置410は、計測装置400から入力された画像からエッジ（輪郭線）を検出する装置である。例えば入力されたSEM（Scanning Electron Macroscopy）画像やTEM画像に対して、その輪郭線データを出力する。輪郭線の検出方法としては、ソーベル（Sobel）法、キャニー（Canny）法、ラプラシアン法など画素値の変化に基づいて検出するものや、Open CV等の機械学習を用いて検出するものがあり、いずれの方法を用いるものであってもよい。なお、輪郭線検出装置410は後述する輪郭線解析装置420の一機能として実現されてもよい。
　図４Ｂに輪郭線解析装置420のハードウェア構成例を示す。輪郭線解析装置420は、プロセッサ431、主記憶432、補助記憶装置433、入出力インタフェース434、表示インタフェース435、ネットワークインタフェース436、入出力（I/O）ポート437を含み、これらはバス438により結合されている。入出力インタフェース434は、キーボードやマウス等の入力装置440と接続され、表示インタフェース435は、ディスプレイ439に接続され、GUI（Graphical User Interface）を実現する。ネットワークインタフェース436はネットワークを介して外部装置と接続するためのインタフェースである。補助記憶装置433は通常、HDD（Hard Disk Drive）やSSD（Solid State Drive）、フラッシュメモリなどの不揮発性メモリで構成され、輪郭線解析装置420が実行するプログラムやプログラムが処理対象とするデータ等を記憶する。主記憶432はRAM（Random Access Memory）で構成され、プロセッサ431の命令により、プログラムやプログラムの実行に必要なデータ等を一時的に記憶する。プロセッサ431は、補助記憶装置433から主記憶432にロードしたプログラムを実行する。輪郭線解析装置420の機能は、補助記憶装置433に格納されたプログラムがプロセッサ431によって実行されることで、定められた処理を他のハードウェアと協働して実現される。コンピュータなどが実行するプログラム、その機能、あるいはその機能を実現する手段を、「機能」、「部」、等と呼ぶ場合がある。輪郭線解析装置420は例えば、PC（Personal Computer）やサーバ、あるいはクラウド上に実現されてもよい。
　輪郭線解析装置420は、解析部421、形状モデルデータベース422、形状モデル設定部423、形状モデルフィッティング設定部424、寸法抽出設定部425、寸法算出方法設定部426を有しており、輪郭線検出装置410から入力された輪郭線データから、形状モデルのパラメータである形状モデルパラメータの値や、ユーザーの抽出したい寸法の値を算出する装置である。以下、輪郭線解析装置420により算出された形状モデルパラメータや抽出した寸法を、それぞれ尤もらしい形状モデルパラメータおよび尤もらしい寸法と呼ぶ。
　解析部421は、入力された輪郭線データに対し、形状モデルのフィッティングや、尤もらしい形状モデルパラメータ値の算出、尤もらしい寸法値の算出などの解析を行う。算出された尤もらしい形状モデルパラメータ値や尤もらしい寸法値は、形状モデルデータベース422に格納される。
　ユーザーは、形状モデル設定部423により形状モデルの仕様（形状モデル仕様）を設定し、形状モデルフィッティング設定部424により形状モデルのフィッティング方法を設定する。これらの設定に基づき、解析部421は、輪郭線検出装置410から入力された輪郭線データを用いて、形状モデルのフィッティングを行い、尤もらしい形状モデルパラメータ値を算出する。尤もらしい形状モデルパラメータ値を代入して得られる形状モデルが尤もらしい形状モデルである。
　さらに、ユーザーは、寸法抽出設定部425により抽出したい寸法を設定し、寸法算出方法設定部426により抽出したい寸法値の算出方法を設定する。以上の設定に基づき、解析部421は、尤もらしい形状モデルを用いて、抽出したい寸法についての尤もらしい寸法値を算出する。
　荷電粒子線装置を用いた計測装置400の取得した画像データから、図４Ａに示した寸法抽出システムによって寸法を抽出するフローチャートを図５に示す。以下、図５を用いて、寸法抽出の方法を説明する。
　まず、計測装置400を用いてSEM画像などの画像データを取得する（S101）。次に、輪郭線検出装置410を用いて画像データから輪郭線データを取得する（S102）。輪郭線データの一例として、図６Ａにエッチング処理されたマスク付パターン試料の断面を示す輪郭線データ600を示す。マスク200よりも被エッチング膜201が優先的にエッチング処理されることでマスクパターン間に溝が形成されている。
　形状モデル設定部423により、形状モデル仕様を設定する（S103）。例えば、図１に示したような「５つの楕円で構成される線対称な形状モデル」のようにモデルの種類を指定したり、形状モデルを記述する形状モデルパラメータの種類を指定したりする。
　続いて、形状モデルフィッティング設定部424により、形状モデルを輪郭線データにフィッティングする方法を設定する（S104）。例えば、フィッティングに最小二乗法、重み付き最小二乗法または正則化最小二乗法を用い、反復解法を用いた非線形最適化法や、組合せ最適化法によって形状モデルパラメータの値を推定することができる。また、フィッティングの終了条件や、最適化処理の際の乱数あるいは初期値生成方法に関する設定も行う。
　ステップS103，S104の設定に基づき、輪郭線検出装置410から入力された輪郭線データに対して、形状モデルのフィッティングを実施する（S105）。フィッティングの様子を、図６Ｂを用いて説明する。フィッティング前の形状モデル601は形状モデルパラメータの初期値に対する形状モデルを描画したものである。輪郭線データ600を用いてフィッティングを行うことにより形状モデルパラメータ値が改善され、フィッティング中の形状モデル602のように形状モデルが輪郭線600に近づく。フィッティングが正常に完了すると、図６Ｃに示すように、輪郭線600に対して尤もらしい形状モデルパラメータ値が得られ、この尤もらしい形状モデル603は輪郭線データ600をよく再現するモデルとなる。
　次に、フィッティングに関して不良の有無を判定し（S106）、不良が認められた場合にはステップS103に戻り、形状モデルの仕様の再設定、形状モデルのフィッティング方法に関する再設定を実施する。ここでフィッティングに関する不良とは、フィッティングが終了しないこと、フィッティング中に形状モデルパラメータ値が局所値に陥ること、フィッティングで得られる尤もらしい形状モデルの形状に異常が見られることなどである。形状の異常の例は、計測装置400が取得した画像をユーザーが目視して認識される形状と尤もらしい形状モデルの形状とに乖離がある場合である。ステップS106において不良が認められなかった場合には、フィッティングを終了し、得られた尤もらしい形状パラメータ値を形状モデルデータベース422に格納する（S107）。
　次に、寸法抽出設定部425により、ユーザーが抽出したい寸法の種類を設定する（S108）。抽出したい寸法の種類として、例えば図２Ｃに示すような一連の形状特徴量から設定する。図２Ｃは、図２Ｂの断面図に対して設定可能な形状特徴量を例示するものである。プロセス開発に機械学習を用いる場合、処理条件を説明変数X、加工形状に関する特徴量（これを形状特徴量と呼ぶ）を目的変数Yとする回帰などの相関モデルY=f(X)を求め、目標の形状特徴量を与える処理条件について相関モデルを用いて推定する。なお、半導体試料の形状特徴量として何を用いるか定量的な指針はなく、ユーザーにより選択および抽出された寸法データが用いられる。図２Ｃの溝形状では、最大幅210、深さ211、底部の幅212、上部の幅213、中部の幅214、テーパ角度215、ボーイングの角度216、底部の離心率217など様々な種類の形状特徴量が考えられる。
　続いて、寸法算出方法設定部426により、抽出したい寸法の算出方法を設定する（S109）。例えば図２Ｃに示した形状特徴量のうち、最大幅210、深さ211、底部の幅212、底部の離心率217の算出方法を考える。ステップS108までの手順により、図２Ｂに示した試料のSEM画像から輪郭線データを取得し、図６Ｃに示したような尤もらしい形状モデル603が得られている。
　図７を用いて、形状モデル603を用いて寸法を算出する方法の例を説明する。ここでは、座標軸をマスク200と被エッチング膜201の境界に沿ってx軸、それに垂直な向きにy軸をとっている。各楕円604の長軸長により、底部の幅702を推定できる。各楕円604の長軸長および短軸長から離心率を算出できるため、底部の離心率703を推定できる。各楕円604の中心座標や長軸長、短軸長、短軸の傾きから、深さ701を推定できる。また、各楕円604に対し、図７に示すように、y軸に関して微分値が0になる座標を複数求め、そのx座標間の距離を算出することで、最大幅700を推定できる。このように、形状モデル603における微分値が0の極値点、微分不可能な点、微分値が正から負に変わる変曲点などの特異点を用いることで、抽出したい寸法の値を推定できる。このような形状モデルの特異点を用いて寸法を算出する方法を、特異点探索法と呼ぶ。
　算出方法は特異点探索法に限られない。例えば最大幅700は、形状モデル603上のx座標をy軸に沿ってある刻み幅で抽出し、x座標間の距離の最大値として求めることもできる。このように特定の軸に沿って座標を抽出することで寸法を算出する方法を、ストライプ探索法と呼ぶ。
　ステップS108で設定した抽出したい寸法に対し、ステップS109で設定した算出方法を用いて、例えば、最大幅700等の尤もらしい寸法を算出する（S110）。抽出した尤もらしい寸法データを形状モデルデータベース422に格納し（S111）、終了する。図８に、N個の試料のSEM画像（データ番号に対応する）に対して、以上の手順を適用することで得られる形状モデルデータベース422のデータ構造の一例を示す。
　図９は、実施例２における処理条件決定システムの構成例を示す図である。実施例２の処理条件決定システムでは、半導体処理装置の適正な処理条件を決定する。
　実施例２は、機械学習を用いたプロセス開発を高速化することを目的とする。上述のように、機械学習を用いたプロセス開発では、一般に処理条件を説明変数X、加工形状に関する形状特徴量を目的変数Yとする相関モデルを用いて目標の形状特徴量を与える処理条件の探索が行われる。しかしながら、形状特徴量として何を用いるかについて定量的な指針がないため、冗長な形状特徴量を目的変数に採用したり、加工形状を記述する重要な形状特徴量を欠落させてしまったり、ということが生じている。前者の場合には、目的変数の増加に伴って相関モデルの学習に多くの実験データが必要となるため、半導体処理装置による処理回数が増加し、プロセス開発期間の長期化が懸念される。また後者の場合には、相関モデルの表現力が弱くなるため、目標の加工形状を実現する処理条件を予測することが困難になり、同様にプロセス開発の遅延が懸念される。
　本実施例では、加工形状を適切に記述する形状モデルパラメータを相関モデルの目的変数とすることにより、上で述べたような冗長な形状特徴量の採用や、重要な形状特徴量の欠落を回避することができる。これにより、プロセス開発を高速化する。
　ここで、計測装置400、輪郭線検出装置410、輪郭線解析装置420、解析部421、形状モデルデータベース422、形状モデル設定部423、形状モデルフィッティング設定部424は実施例１のそれと同定義とする。
　処理条件決定装置900は、処理条件データベース901、学習部902、処理条件推定部903、目標寸法値設定部904を有しており、形状モデルデータベース422内の尤もらしい形状モデルパラメータのデータと、処理条件データベース901内の処理条件とに基づいて適正な処理条件を決定する装置である。処理条件決定装置900のハードウェア構成も図４Ｂに示した輪郭線解析装置420と同様であるので、重複する説明を省略する。
　処理条件データベース901は、既得の処理条件や、処理条件推定部903によって推定された処理条件が格納されるデータベースである。学習部902では、形状モデルデータベース422内の尤もらしい形状モデルパラメータと、処理条件データベース901内の処理条件との相関モデルを学習する。目標寸法値設定部904では、尤もらしい形状モデルについてユーザーの所望の形状モデルパラメータ値（目標値）が設定される。あるいは、ユーザーの所望の形状寸法から尤もらしい形状モデルの形状モデルパラメータ値（目標値）を算出してもよい。処理条件推定部903では、目標寸法値設定部904で設定された形状モデルパラメータ値を与える処理条件を、学習部902で得られた相関モデルを用いて推定する。
　半導体処理装置910は半導体試料に対する処理を行う装置であり、処理条件決定装置900によって決定された処理条件を用いて、試料の処理を行う。半導体処理装置910には、半導体製造装置であるリソグラフィ装置、製膜装置、パターン加工装置、イオン注入装置、加熱装置および洗浄装置などが含まれる。リソグラフィ装置としては、露光装置、電子線描画装置およびX線描画装置などがある。製膜装置としては、CVD（Chemical Vapor Deposition）装置、PVD（Physical Vapor Deposition）装置、蒸着装置、スパッタリング装置および熱酸化装置などがある。パターン加工装置としては、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およびレーザー加工装置などがある。イオン注入装置としては、プラズマドーピング装置およびイオンビームドーピング装置などがある。加熱装置としては、抵抗加熱装置、ランプ加熱装置およびレーザー加熱装置などがある。
　図９の処理条件決定システムによって半導体処理装置の処理条件を決定するフローチャートを図１０に示す。以下、図１０を用いて、半導体処理装置910の処理条件の決定方法を説明する。
　図１０のステップS201～S207の手順は、それぞれ図５のステップS101～S107と同一であるため説明を割愛する。
　ステップS207にて尤もらしい形状モデルパラメータを形状モデルデータベース422に格納した後、目標寸法値設定部904により、ユーザーの目標の形状モデルパラメータ値を設定する（S208）。次に、ステップS207にて推定された尤もらしい形状モデルパラメータ値が、目標寸法値設定部904で設定された形状モデルパラメータ値に近いか否かを判定する（S209）。ここで値の近さを評価する距離は、ユークリッド距離、マンハッタン距離、チェビシェフ距離、マハラノビス距離のいずれかを用いて算出される。この算出値が、ユーザーの定める基準値より大きいか小さいかを持って、近いか否かを判定する。
　ステップS209において、ステップS207にて推定された尤もらしい形状モデルパラメータ値が、目標寸法値設定部904で設定された形状モデルパラメータ値に近いと判断された場合は、終了する。一方、ステップS209において近くないと判断された場合には、学習部902は、処理条件データベース901内の処理条件と形状モデルデータベース422内の尤もらしい形状モデルパラメータとの相関モデルを学習する（S210）。ここで、相関モデルは回帰や分類のモデルを表しており、カーネル法を用いたモデル、ニューラルネットワークを用いたモデル、決定木を用いたモデルなどが使用される。
　次に、処理条件推定部903は、目標寸法値設定部904で設定された形状モデルパラメータ値を与える処理条件を、学習部902で取得した相関モデルを用いて推定する（S211）。推定された処理条件は処理条件データベース901に追加され、データベースが更新される（S212）。推定された処理条件を用いて、半導体処理装置910にて新しい試料に対する処理を実施する（S213）。処理後の試料を半導体処理装置910から取り出し、ステップS201の手順に移行する。以上の一連の手順を、終了となるまで繰り返す。
　次に、図１１、１２を用いて、実施例１および実施例２に関するGUIを説明する。
　図１１に示す入力用GUI 1100は、実施例１、２の輪郭線解析装置420の設定を入力する入力画面の例である。この入力画面は、実施例１の場合はステップS101の手順、実施例２の場合はステップS201の手順で画像を取得した後に提示されるものとする。
　入力用GUI 1100は、輪郭線検出設定ボックス1110、形状モデル選択ボックス1120、フィッティング設定ボックス1130、寸法抽出設定ボックス1140、算出方法設定ボックス1150、有効／非有効表示部1160、決定ボタン1170を有する。輪郭線検出設定ボックス1110、形状モデル選択ボックス1120、フィッティング設定ボックス1130、寸法抽出設定ボックス1140、算出方法設定ボックス1150は、それぞれ輪郭線検出装置410、形状モデル設定部423、形状モデルフィッティング設定部424、寸法抽出設定部425、寸法算出方法設定部426に関する設定を行う。
　輪郭線検出設定ボックス1110は、検出方法入力部1111と画像入力部1112を持つ。例えば、検出方法入力部1111では輪郭線の検出方法として、ソーベル（Sobel）法、キャニー（Canny）法、ラプラシアン法など画素値の変化に基づいて検出するものや、Open CV等の機械学習を用いたものが選択できる。また、画像入力部1112に、実施例１の場合はステップS101、実施例２の場合はステップS201で取得された画像データをドラッグアンドドロップすることで、画像データを輪郭線検出装置410に入力することができる。
　形状モデル選択ボックス1120は、モデル入力部1121を持つ。例えば、特定の個数の楕円で構成された線対称な形状モデルや、線対称性を仮定しない形状モデルなどが選択される。
　フィッティング設定ボックス1130は、フィッティング方法入力部1131を持つ。例えば、最小二乗法（Least Squared法）を用いてレーベンバーグマカート法（Levenberg-Marquardt法）により形状モデルパラメータを最適化する方法、最小二乗法を用いて焼きなまし法により形状モデルパラメータを最適化する方法、あるいは重み付き最小二乗法（Weighted Least Squared法）を用いてレーベンバーグマカート法により形状モデルパラメータを最適化する方法など、が選択される。なお、図１１中では、これらの方法をそれぞれLS-LM法、LS-焼きなまし法、WSL-LM法と略記している。
　寸法抽出設定ボックス1140は、寸法入力部1141を持ち、ユーザーの所望する抽出したい寸法が設定される。算出方法設定ボックス1150は、算出方法入力部1151を持ち、寸法入力部1141で入力された抽出したい寸法の算出方法を設定する。例えば、実施例１で説明した特異点探索法やストライプ探索法を選択することができる。なお、実施例２の場合は、寸法抽出設定ボックス1140および算出方法設定ボックス1150は入力用GUI 1100に不要である。
　以上の入力が有効に行われた否かを、上記各設定ボックスが持っている有効／非有効表示部1160により表示する。有効／非有効表示部1160がすべて有効になると、入力用GUI　1100の決定ボタン1170を押すことで、実施例１の場合はステップS102の手順、実施例２の場合はステップS202の手順を開始する。
　入力用GUI 1100の決定ボタン1170が押され、図５あるいは図１０の手順が実行され、実施例１の場合はステップS106、実施例２の場合はステップS206において提示される出力用GUI 1200を図１２に示す。このGUIは現在のステータスを表示し、ユーザーに次の手順に進むか否かを選択させるものである。寸法抽出結果表示部1210は、尤もらしい形状モデル表示部1211と、寸法算出結果表示部1212とを持つ。尤もらしい形状モデル表示部1211により、ステップS105あるいはS205にてフィッティングされた形状モデルの様子がユーザーに提示される。また、寸法算出結果表示部1212には尤もらしい形状モデルパラメータ値や、尤もらしい寸法値がユーザーに提示される。ユーザーは、寸法抽出結果表示部1210に表示される形状モデルの情報に基づき、ユーザーは完了／再設定選択部1220において完了か、再設定するかを選択することができる。ユーザーがフィッティングに不良がないと判断した際には、完了を選択して決定ボタン1230を押すことで、実施例１の場合はステップS107の手順、実施例２の場合はステップS207の手順に進む。不良があると判断した際には、再設定を選択して決定ボタン1230を押すことで、入力用GUI 1100の画面に戻り、再設定が可能になる。
　図１３は、実施例３における構造形状推定システムの構成例を示す図である。実施例３の構造形状推定システムでは、分光スペクトルから試料の対象構造の形状を推定する。
　実施例３は、複数の楕円を用いた形状モデルを用いてスキャトロメトリ（Scatterometory、光波散乱計測）などの光学を用いた形状計測の高精度化を実現するものである。スキャトロメトリでは、仮想的に生成した形状モデルであるCAD（Computer-aided Design）データに対して、RCWA（Rigorous Coupled Wave Analysis、厳密結合波解析）等の光学シミュレーションを施して仮想的な分光スペクトルのデータを生成する。得られた仮想形状モデルであるCADデータと仮想分光スペクトルデータとの相関モデルを求め、実際に分光器で得られた分光スペクトルに最も近い仮想分光スペクトルデータを与える仮想形状モデルのCADデータを、相関モデルを用いて推定する。これにより、分光器で得られた分光スペクトルから形状推定を行うものである。従来、仮想形状は図３で示したような矩形などの組み合わせで構成される単純なものであったため、曲率のある形状の推定精度が低いという課題があった。本実施例では、複数の楕円を用いた形状モデルを用いることにより、部位ごとに異なった曲率のある複雑な形状を生成でき、形状推定を高精度化することができる。
　仮想形状データ生成装置1300は、形状モデル設定部1301、生成方法設定部1302、パラメータ生成部1303、仮想寸法データベース1304、CAD部1305、仮想形状データベース1306を有し、仮想的な形状データを生成する装置である。
　ユーザーは形状モデル設定部1301により形状モデル仕様を設定し、生成方法設定部1302により形状モデルパラメータ値の組の生成方法を設定する。これらの設定に基づいてパラメータ生成部1303が生成した形状モデルパラメータの値の組を仮想寸法データベース1304に格納する。CAD部1305は、仮想寸法データベース1304内の形状モデルパラメータ値を形状モデルに代入することで得られる形状を、CADデータとして出力する。出力されたCADデータは、仮想形状データベース1306に格納される。
　光学シミュレーター1310は、仮想形状データベース1306内のCADデータ（仮想形状モデル）に対し、RCWAなどの光学シミュレーションを実施するシミュレーターである。特に、CADデータで表される幾何構造に対して、スキャトロメトリによって得られる分光スペクトルの理論値を算出することが可能なシミュレーターとする。以下、この分光スペクトルの理論値を仮想分光スペクトルと呼ぶ。
　分光スペクトル計測装置1330は、半導体試料の対象構造から発生する散乱光、反射光、干渉光等の光から分光スペクトルを取得する装置である。
　光学的形状推定装置1320は、計測された分光スペクトルから半導体試料の対象構造の形状を推定する装置であり、仮想分光スペクトルデータベース1321、学習部1322、形状推定部1323を有する。仮想分光スペクトルデータベース1321は、光学シミュレーター1310で算出された仮想分光スペクトルを格納するデータベースである。学習部1322は、仮想寸法データベース1304内の形状モデルパラメータ値と、仮想分光スペクトルデータベース1321内の仮想分光スペクトルとの相関モデルを学習する。形状推定部1323は、分光スペクトル計測装置1330で取得された分光スペクトルに最も近い仮想分光スペクトルを与える形状モデルパラメータ値を、学習部1322で得られた相関モデルを用いて推定する。また、この形状モデルパラメータ値を形状モデルに代入することで得られる形状を出力する。
　なお、仮想形状データ生成装置1300、光学シミュレーター1310、光学的形状推定装置1320のハードウェア構成は、それぞれ図４Ｂに示した輪郭線解析装置420と同様であるので、重複する説明を省略する。
　分光スペクトル計測装置1330により計測された分光スペクトルから、図１３に示した構造形状推定システムによって形状を推定するフローチャートを図１４に示す。以下、図１４を用いて、形状推定方法について説明する。
　形状モデル設定部1301により形状モデル仕様を設定する（S301）。例えば、「５つの楕円で構成される線対称な形状モデル」のようにモデルの種類を指定したり、形状モデルを記述する形状モデルパラメータの種類を指定したりする。
　次に、生成方法設定部1302により形状モデルパラメータ値の組の生成法を設定する（S302）。例えば、形状モデルパラメータの範囲を指定し、その範囲を等間隔に分割することで複数の値を生成することができる。以降、この間隔を刻み幅と呼ぶ。ここで範囲及び刻み幅は、形状モデルパラメータの種類ごとに異なる値を設定してもよい。または、乱数を用いて生成することもできる。
　生成方法設定部1302で設定された生成方法を用いて、パラメータ生成部1303は、形状モデルパラメータ値の組を生成し、生成された組を仮想寸法データベース1304に格納する（S303）。CAD部1305は、仮想寸法データベース1304内の形状モデルパラメータ値を形状モデルに代入することで得られる仮想形状モデルをCADデータとして出力する（S304）。
　CAD部1305は生成されたCADデータ（仮想形状モデル）を仮想形状データベース1306に格納し（S305）、光学シミュレーター1310を用いて仮想分光スペクトルを算出する。算出された仮想分光スペクトルは、仮想分光スペクトルデータベース1321に格納される（S306）。学習部1322は、仮想分光スペクトルデータベース1321内の仮想分光スペクトルと、仮想寸法データベース1304内の形状モデルパラメータとの相関モデルを学習する（S307）。ここで、相関モデルは回帰や分類のモデルを表しており、カーネル法を用いたモデル、ニューラルネットワークを用いたモデル、決定木を用いたモデルなどが使用される。
　半導体試料に対して、分光スペクトル計測装置1330を用いて分光スペクトルを取得する（S308）。形状推定部1323は、取得された分光スペクトルに最も近い仮想分光スペクトルを与える形状モデルパラメータを、学習部1322が学習した相関モデルを用いて推定する（S309）。ここで値の近さを評価する距離は、ユークリッド距離、マンハッタン距離、チェビシェフ距離、マハラノビス距離のいずれかを用いて算出される。
　続いて、形状推定部1323は、推定された形状モデルパラメータを形状モデルに代入し、得られた形状を出力する（S310）。以降、この形状を推定形状と呼ぶ。推定形状に関して不良の有無を判定し（S311）、不良が認められた場合はステップS301に戻り、形状モデルの仕様の再設定、形状モデルパラメータの生成方法に関する再設定を実施する。ここで推定形状に関する不良は、推定された形状モデルパラメータ値が生成方法設定部1302で設定された形状モデルパラメータの範囲を逸脱した場合や、推定形状に欠損部分が生じる場合などである。ステップS311において不良が認められなかった場合は、終了する。
　図１５は、実施例４における、輪郭線検出システムの構成例を示す図である。実施例４は、SEM画像などの検査装置の取得した画像の輪郭線を検出する。
　実施例４は、検査装置の取得した画像からの輪郭線検出の高精度化を目的とする。特に機械学習を用いた検出法における検出精度は、画像と輪郭線の学習データの質および量に大きく依存する。本実施例では、複数の楕円を用いた形状モデルを用い、多様な形状とその輪郭線を生成することにより、輪郭線検出を高精度化する。
　ここで、計測装置400は実施例１のそれ、仮想形状データ生成装置1300は実施例３のそれと同定義とする。なお、本実施例では、CAD部1305が生成するCADデータは、仮想輪郭線データ1500と仮想画像データ1501である。仮想輪郭線データ1500は、形状モデルによって得られる対象構造の輪郭線を、CAD部1305によりCADデータとしたものである。仮想画像データ1501は、CAD部1305により、形状モデルによって得られる形状に対して色や色調、明るさやノイズ量、倍率や画面サイズなどの補正を施すことで獲得される、実際に計測装置400で取得される画像を模擬したCADデータである。
　輪郭線推定装置1510は、仮想形状データ生成装置1300の仮想形状データベース1306に基づいて、計測装置400から入力された画像データから輪郭線データを検出する装置である。輪郭線推定装置1510は、学習部1511と、輪郭線推定部1512を有する。なお、輪郭線推定装置1510のハードウェア構成は、図４Ｂに示した輪郭線解析装置420と同様であるので、重複する説明を省略する。
　学習部1511は、仮想形状データベース1306内の仮想輪郭線データ1500と、仮想画像データとの相関モデルを学習する。輪郭線推定部1512は、計測装置400で取得された画像に最も近い仮想画像データ1501を与える仮想輪郭線データ1500を、学習部1511で得られた相関モデルを用いて推定する。また、この仮想輪郭線データを出力する。
　計測装置400で取得計測された画像データから、図１５に示した輪郭線検出システムによって輪郭線を検出するフローチャートを図１６に示す。以下、図１６を用いて、輪郭線検出方法を説明する。
　図１６のステップS401～S403の手順は、それぞれ図１４のS301～S303と同一であるため説明を割愛する。CAD部1305は、仮想寸法データベース1304内の形状モデルパラメータ値を形状モデルに代入することで得られる形状をCADデータにして、仮想画像データ1501と仮想輪郭線データ1500とを出力する（S404）。これらのCADデータは仮想形状データベース1306に格納する（S405）。学習部1511は、仮想形状データベース1306内の仮想画像データ1501と仮想輪郭線データ1500との相関モデルを学習する（S406）。ここで、相関モデルは回帰や分類のモデルを表しており、カーネル法を用いたモデル、ニューラルネットワークを用いたモデル、決定木を用いたモデルなどが使用される。
　続いて、計測装置400にてSEM画像などの画像データを取得する（S407）。輪郭線推定部1512は、取得された画像データと最も近い仮想画像データを与える仮想輪郭線データを、学習部1511で得た相関モデルを用いて推定する（S408）。ここで画像の近さを評価する距離は、各ピクセルでの色や色調、明るさに関する数値に関して、ユークリッド距離、マンハッタン距離、チェビシェフ距離、マハラノビス距離のいずれかを算出することで得られる。次に、輪郭線推定部1512は、推定された仮想輪郭線データを出力する（S409）。推定された仮想輪郭線データに関して不良の有無を判定し（S410）、不良が認められた場合はステップS401に戻り、形状モデルの仕様の再設定、形状モデルパラメータの生成方法に関する再設定を実施する。ここで推定された仮想輪郭線データに関する不良は、その仮想輪郭線データを与える形状モデルパラメータ値が生成方法設定部1302で設定された形状モデルパラメータの範囲を逸脱した場合や、仮想輪郭線データに欠損部分が生じる場合などである。ステップS410において不良が認められなかった場合は、終了する。
　次に、図１７、１８を用いて、実施例３および４に関するGUIを説明する。
　図１７に示す入力用GUI 1700は、実施例３、４の仮想形状データ生成装置1300の設定を入力する入力画面の例である。この入力画面は、実施例３の場合はステップS301の手順の前、実施例４の場合はステップS401の手順の前に提示されるものとする。
　入力用GUI 1700は、形状モデル選択ボックス1710、形状モデルパラメータ生成方法設定ボックス1720、有効／非有効表示部1730、決定ボタン1740を有する。形状モデル選択ボックス1710、形状モデルパラメータ生成方法設定ボックス1720は、それぞれ形状モデル設定部1301、生成方法設定部1302に関する設定を行う。
　形状モデル選択ボックス1710は、モデル入力部1711を持つ。例えば、特定の個数の楕円で構成された線対称な形状モデルや、線対称性を仮定しない形状モデルなどが選択される。
　形状モデルパラメータ生成方法設定ボックス1720は、範囲入力部1721と刻み幅入力部1722を持つ。範囲入力部1721により、形状モデルパラメータの範囲を指定する。この範囲は形状パラメータごとに異なるものを指定してよい。刻み幅入力部1722により、範囲入力部1721で入力された範囲を分割する刻み幅を指定する。図１７に示した例では、形状モデルパラメータのParameter1、2、3の範囲をそれぞれ、100÷1=100、10÷1=10、1÷0.1=10個に分割することになる。すなわち、この場合生成される形状モデルパラメータ値は、それぞれParameter 1＝(0, 1, 2, ・・・100)、Parameter 2＝(0, 1, 2, ・・・10)、Parameter 3＝(0, 0.1, 0.2, ・・・1)となる。
　以上の入力が有効に行われた否かを、上記各設定ボックスが持っている有効／非有効表示部1730により表示する。有効／非有効表示部1730がすべて有効になると、入力用GUI 1700の決定ボタン1740を押すことで、実施例３の場合はステップS303の手順、実施例４の場合はステップS404の手順を開始する。
　入力用GUI 1700の決定ボタン1740が押され、図１４あるいは図１６の手順が実行され、実施例３の場合はステップS304、実施例４の場合はステップS404において提示される出力用GUI 1800を図１８に示す。このGUIは現在のステータスを表示し、ユーザーに次の手順に進むか否かを選択させるものである。仮想形状生成結果表示部1810は、仮想形状データ番号表示部1811と、CADデータ表示部1812と、形状モデルパラメータ表示部1813と、完了／再設定選択部1820とを持つ。
　仮想形状データ番号表示部1811は、生成した形状モデルパラメータの通し番号を表示する。形状モデルパラメータ表示部1813は仮想形状データ番号表示部1811に表示された通し番号を持つ形状モデルパラメータの組を表示する。すなわち、図１８の例では、23番目に生成された形状モデルパラメータの組を表示している。CADデータ表示部1812は、その形状モデルパラメータの組に基づいてCAD部1305により生成されたCADデータを表示する。
　ユーザーは、仮想形状生成結果表示部1810に表示される仮想形状の情報に基づき、完了／再設定選択部1820において完了か、再設定するかを選択することができる。ユーザーがCADデータや形状モデルパラメータに不良がないと判断した際には、完了を選択して決定ボタン1830を押すことで、実施例３の場合はステップS305、実施例４の場合はステップS405の手順に進む。不良があると判断した際には、再設定を選択して決定ボタン1830を押すことで、入力用GUI 1700の画面に戻り、再設定が可能となる。
　以上、説明した実施例１～４の実施態様として、半導体処理装置や計測装置を含むラインを運用管理するアプリケーションをプラットフォーム上で実行する半導体装置製造システムが考えられる。この場合、輪郭線検出装置410、輪郭線解析装置420、処理条件決定装置900、仮想形状データ生成装置1300、光学的形状推定装置1320、輪郭線推定装置1510をプラットフォーム上のアプリケーションとして、それぞれの処理を実行させることにより半導体装置製造システムにおいて、実施例１～４を実施することが可能になる。
100：楕円、110：始点、111：終点、120：形状モデル、130：中心座標、131：短軸長、132：長軸長、133：短軸の傾き、200：マスク、201：被エッチング膜、210：最大幅、211：深さ、212：底部の幅、213：上部の幅、214：中部の幅、215：テーパ角度、216：ボーイングの角度、217：底部の離心率、400：計測装置、410：輪郭線検出装置、420：輪郭線解析装置、421：解析部、422：形状モデルデータベース、423：形状モデル設定部、424：形状モデルフィッティング設定部、425：寸法抽出設定部、426：寸法算出方法設定部、600：輪郭線、601, 602：形状モデル、603：尤もらしい形状モデル、604：楕円、700：尤もらしい最大幅、701：尤もらしい深さ、702：尤もらしい底部の幅、703：尤もらしい底部の離心率、900：処理条件決定装置、901：処理条件データベース、902：学習部、903：処理条件推定部、904：目標寸法値設定部、910：半導体処理装置、1100：入力用GUI、1110：輪郭線検出設定ボックス、1111：検出方法入力部、1112：画像入力部、1120：形状モデル選択ボックス、1121：モデル入力部、1130：フィッティング設定ボックス、1131：フィッティング方法入力部、1140：寸法抽出設定ボックス、1141：寸法入力部、1150：算出方法設定ボックス、1151：算出方法入力部、1160：有効／非有効表示部、1170：決定ボタン、1200：出力用GUI、1210：寸法抽出結果表示部、1211：尤もらしい形状モデル表示部、1212：寸法算出結果表示部、1220：完了／再設定選択部、1230：決定ボタン、1300：仮想形状データ生成装置、1301：形状モデル設定部、1302：生成方法設定部、1303：パラメータ生成部、1304：仮想寸法データベース、1305：CAD部、1306：仮想形状データベース、1310：光学シミュレーター、1320：光学的形状推定装置、1321：仮想分光スペクトルデータベース、1322：学習部、1323：形状推定部、1330：分光スペクトル計測装置、1500：仮想輪郭線データ、1501：仮想画像データ、1510：輪郭線推定装置、1511：学習部、1512：輪郭線推定部、1700：入力用GUI、1710：形状モデル選択ボックス、1711：モデル入力部、1720：形状モデルパラメータ生成方法設定ボックス、1721：範囲入力部、1722：刻み幅入力部、1730：有効／非有効表示部、1740：決定ボタン、1800：出力用GUI、1810：仮想形状生成結果表示部、1811：仮想形状データ番号表示部、1812：CADデータ表示部、1813：形状モデルパラメータ表示部、1820：完了／再設定選択部、1830：決定ボタン。

Claims (19)

  1. 　荷電粒子線装置を用いた計測装置により取得された半導体試料の画像データから検出された対象構造の輪郭線データを解析する輪郭線解析装置であって、
    　複数の楕円の組み合わせである図形の周上で一筆書きされた曲線である形状モデルの仕様である形状モデル仕様を設定する形状モデル設定部と、
    　形状モデルのフィッティング方法を設定する形状モデルフィッティング設定部と、
    　前記輪郭線データに対して前記形状モデル仕様の形状モデルを前記形状モデルフィッティング設定部で設定されたフィッティング方法によりフィッティングさせることにより、前記輪郭線データの尤もらしい形状モデルを求める解析部と、
    　前記尤もらしい形状モデルの形状モデルパラメータの値を格納する形状モデルデータベースとを有することを特徴とする輪郭線解析装置。
  2. 　請求項１において、
    　前記輪郭線データから抽出したい寸法を設定する寸法抽出設定部と、
    　前記寸法抽出設定部で設定した抽出したい寸法の算出方法を設定する寸法算出方法設定部とをさらに有し、
    　前記解析部は、前記尤もらしい形状モデルを用いて、前記寸法算出方法設定部で設定された算出方法により、前記寸法抽出設定部で設定された抽出したい寸法の値を算出することを特徴とする輪郭線解析装置。
  3. 　請求項１において、
    　前記形状モデルの形状モデルパラメータは、前記図形を構成する楕円の形状および配置に関するパラメータと前記一筆書きの仕方に関するパラメータとを含むことを特徴とする輪郭線解析装置。
  4. 　請求項１において、
    　前記形状モデルフィッティング設定部は、フィッティングに最小二乗法、重み付き最小二乗法、または正則化最小二乗法が選択可能とされ、前記尤もらしい形状モデルの形状モデルパラメータを求めるために反復解法を用いた非線形最適化法または組合せ最適化法が選択可能とされることを特徴とする輪郭線解析装置。
  5. 　請求項２において、
    　前記寸法抽出設定部は、前記形状モデル上の特異点を探索し、前記特異点の座標から前記寸法抽出設定部で設定した抽出したい寸法を算出する特異点探索法を設定可能であり、
    　前記特異点として、前記形状モデルにおける微分値が０の極値点、微分不可能点、微分値の正負が変わる変曲点を含むことを特徴とする輪郭線解析装置。
  6. 　請求項１記載の輪郭線解析装置と、半導体処理装置の処理条件を決定する処理条件決定装置とを含む処理条件決定システムであって、
    　前記半導体試料は、前記半導体処理装置によって処理された半導体試料であって、
    　前記処理条件決定装置は、
    　前記半導体処理装置の処理条件と、当該処理条件で前記半導体処理装置によって処理された前記半導体試料の画像データから検出された対象構造の輪郭線データの尤もらしい形状モデルの形状モデルパラメータの値との相関モデルを学習する学習部と、
    　前記尤もらしい形状モデルの形状モデルパラメータの目標値を設定する目標寸法値設定部と、
    　前記相関モデルを用いて、前記目標寸法値設定部で設定された前記尤もらしい形状モデルの形状モデルパラメータの目標値を与える前記半導体処理装置の処理条件を推定する処理条件推定部とを有する、
    ことを特徴とする処理条件決定システム。
  7. 　半導体試料の有する対象構造に関する仮想形状データを作成する仮想形状データ生成装置と計測装置により取得された半導体試料のデータから対象構造の形状を推定する形状推定装置とを有する形状推定システムであって、
    　前記仮想形状データ生成装置は、
    　複数の楕円の組み合わせである図形の周上で一筆書きされた曲線であって、前記半導体試料の対象構造の形状を記述する形状モデルの仕様である形状モデル仕様を設定する形状モデル設定部と、
    　前記形状モデル設定部で設定された形状モデル仕様について、形状モデルパラメータの値の組を生成する生成方法を設定する生成方法設定部と、
    　前記形状モデル設定部で設定された形状モデル仕様について、前記生成方法設定部に設定された生成方法により、形状モデルパラメータの値の組を生成するパラメータ生成部と、
    　前記パラメータ生成部で生成された形状モデルパラメータの値の組のいずれかを当該形状モデル仕様に代入した形状モデルに基づき、前記対象構造の仮想形状モデルを生成するＣＡＤ部とを有し、
    　前記形状推定装置は、
    　前記対象構造の仮想形状モデルの生成に用いた形状モデルの形状モデルパラメータの値と、前記対象構造の仮想形状モデルについて、前記計測装置により取得されることが期待される前記半導体試料のデータとして求められた仮想データとの相関モデルを学習する学習部と、
    　前記相関モデルを用いて、前記計測装置により取得された前記半導体試料のデータに最も近い仮想データを与える形状モデルパラメータの値を推定する形状推定部とを有する、
    ことを特徴とする形状推定システム。
  8. 　請求項７において、
    　前記計測装置は、分光スペクトル計測装置であって、
    　前記対象構造の仮想形状モデルに対して、前記対象構造に対してスキャトロメトリによって得られる分光スペクトルの理論値である仮想分光スペクトルを算出する光学シミュレーターをさらに有し、
    　前記形状推定装置の学習部は、前記光学シミュレーターが算出した仮想分光スペクトルを前記仮想データとする、
    ことを特徴とする形状推定システム。
  9. 　半導体試料の有する対象構造に関する仮想形状データを作成する仮想形状データ生成装置と計測装置により取得された半導体試料のデータから対象構造の形状を推定する形状推定装置とを有する形状推定システムであって、
    　前記仮想形状データ生成装置は、
    　複数の楕円の組み合わせである図形の周上で一筆書きされた曲線であって、前記半導体試料の対象構造の形状を記述する形状モデルの仕様である形状モデル仕様を設定する形状モデル設定部と、
    　前記形状モデル設定部で設定された形状モデル仕様について、形状モデルパラメータの値の組を生成する生成方法を設定する生成方法設定部と、
    　前記形状モデル設定部で設定された形状モデル仕様について、前記生成方法設定部に設定された生成方法により、形状モデルパラメータの値の組を生成するパラメータ生成部と、
    　前記パラメータ生成部で生成された形状モデルパラメータの値の組のいずれかを当該形状モデル仕様に代入した形状モデルに基づき、前記計測装置により取得されることが期待される前記半導体試料のデータを模擬して求められる第１の仮想データと当該形状モデルから期待される前記対象構造の形状についての第２の仮想データとを生成するＣＡＤ部とを有し、
    　前記形状推定装置は、
    　前記ＣＡＤ部で生成された前記第１の仮想データと前記第２の仮想データとの相関モデルを学習する学習部と、
    　前記相関モデルを用いて、前記計測装置により取得された前記半導体試料のデータに最も近い前記第１の仮想データを与える前記第２の仮想データを推定する形状推定部とを有する、
    ことを特徴とする形状推定システム。
  10. 　請求項９において、
    　前記計測装置は、荷電粒子線装置を用いた計測装置であり、前記計測装置により取得された前記半導体試料のデータは前記対象構造の画像データであって、
    　前記対象構造の形状として、前記対象構造の輪郭線を推定する形状推定システム。
  11. 　半導体試料の有する対象構造の輪郭線を、複数の楕円の組み合わせである図形の周上で一筆書きされた曲線である形状モデルとして記述するためのデータ構造であって、
    　前記図形を構成する楕円の形状および配置に関する第１のパラメータと、
    　前記一筆書きの仕方に関する第２のパラメータとを含み、
    　前記データ構造は、前記対象構造の形状における寸法の値を算出する処理に用いられることを特徴とするデータ構造。
  12. 　請求項１１において、
    　前記第１のパラメータは、前記図形を構成する楕円の中心座標、長軸長、短軸長、長軸の傾きのうち少なくとも一つ以上を含むことを特徴とするデータ構造。
  13. 　半導体試料の有する対象構造の輪郭線を、複数の楕円の組み合わせである図形の周上で一筆書きされた曲線である形状モデルとして記述するためのデータ構造であって、
    　前記図形を構成する楕円の形状および配置に関する第１のパラメータと、
    　前記一筆書きの仕方に関する第２のパラメータとを含み、
    　前記半導体試料は、半導体処理装置によって処理された半導体試料であって、
    　前記データ構造は、前記半導体処理装置の処理条件を推定する処理に用いられることを特徴とするデータ構造。
  14. 　請求項１３において、
    　前記データ構造は、前記半導体処理装置の処理条件と、当該処理条件で前記半導体処理装置によって処理された前記半導体試料の画像データから検出された前記対象構造の輪郭線データの尤もらしい形状モデルの形状モデルパラメータの値との相関モデルの学習処理に用いられることを特徴とするデータ構造。
  15. 　請求項１３において、
    　前記第１のパラメータは、前記図形を構成する楕円の中心座標、長軸長、短軸長、長軸の傾きのうち少なくとも一つ以上を含むことを特徴とするデータ構造。
  16. 　半導体処理装置と、ネットワークを介して前記半導体処理装置に接続され、画像を用いて前記半導体処理装置によって加工された計測対象の寸法を計測する寸法計測処理が実行されるプラットフォームとを備える半導体装置製造システムにおいて、
    前記寸法計測処理は、
    　複数の楕円の組み合わせである図形の周上で一筆書きされた曲線である形状モデルの仕様である形状モデル仕様を設定するステップと、
    　形状モデルのフィッティング方法を設定するステップと、
    　前記計測対象の輪郭線データに対して前記形状モデル仕様の形状モデルを前記設定されたフィッティング方法によりフィッティングさせることにより、前記輪郭線データの尤もらしい形状モデルを求めるステップと、
    　前記尤もらしい形状モデルの形状モデルパラメータの値を格納するステップと、
    前記輪郭線データから抽出したい寸法を設定するステップと、
    　前記設定された抽出したい寸法の算出方法を設定するステップと、
    　前記尤もらしい形状モデルを用いて、前記設定された算出方法により、前記設定された抽出したい寸法の値を算出するステップとを有することを特徴とする半導体装置製造システム。
  17. 　請求項１６に記載の半導体装置製造システムにおいて、
    　前記寸法計測処理は、前記プラットフォームに備えられたアプリケーションとして実行されることを特徴とする半導体装置製造システム。
  18. 　半導体処理装置における目標処理形状を得るための入力パラメータ値が探索される探索装置において、
    　形状関数を用いて推定された形状の輪郭線を基に計測された寸法データを学習データとして求められた推定モデルにより前記入力パラメータ値が探索されることを特徴とする探索装置。
  19. 　請求項１８に記載の探索装置において、
    　前記形状関数は、複数の楕円を用いた関数であることを特徴とする探索装置。
PCT/JP2021/004920 2021-02-10 2021-02-10 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造 WO2022172353A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020227003173A KR20220116421A (ko) 2021-02-10 2021-02-10 윤곽선 해석 장치, 처리 조건 결정 시스템, 형상 추정 시스템, 반도체 장치 제조 시스템, 탐색 장치 및 그들에 이용하는 데이터 구조
US17/641,256 US20230377185A1 (en) 2021-02-10 2021-02-10 Contour analysis apparatus, processing condition determination system, shape estimation system, semiconductor device manufacturing system, search apparatus, and data structure used in them
JP2021576615A JP7186315B1 (ja) 2021-02-10 2021-02-10 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造
CN202180004758.0A CN115210531A (zh) 2021-02-10 2021-02-10 轮廓线解析装置、处理条件决定***、形状估计***、半导体装置制造***、搜索装置以及在这些中使用的数据结构
PCT/JP2021/004920 WO2022172353A1 (ja) 2021-02-10 2021-02-10 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造
TW111104680A TWI809703B (zh) 2021-02-10 2022-02-09 輪廓線解析裝置，處理條件決定系統，形狀推定系統，半導體裝置製造系統，探索裝置及使用於該等的資料構造

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/004920 WO2022172353A1 (ja) 2021-02-10 2021-02-10 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造

Publications (1)

Publication Number Publication Date
WO2022172353A1 true WO2022172353A1 (ja) 2022-08-18

Family

ID=82838312

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/004920 WO2022172353A1 (ja) 2021-02-10 2021-02-10 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造

Country Status (6)

Country Link
US (1) US20230377185A1 (ja)
JP (1) JP7186315B1 (ja)
KR (1) KR20220116421A (ja)
CN (1) CN115210531A (ja)
TW (1) TWI809703B (ja)
WO (1) WO2022172353A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680763B (zh) * 2023-06-13 2024-05-17 北京大学长沙计算与数字经济研究院 形状优化方法及计算机存储介质和终端设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006351746A (ja) * 2005-06-15 2006-12-28 Hitachi High-Technologies Corp 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置
JP2009198339A (ja) * 2008-02-22 2009-09-03 Hitachi High-Technologies Corp パターン寸法計測方法
JP2012021839A (ja) * 2010-07-13 2012-02-02 Toshiba Corp 基板計測方法
WO2013047047A1 (ja) * 2011-09-28 2013-04-04 株式会社日立ハイテクノロジーズ 断面形状推定方法および断面形状推定装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101167893B1 (ko) * 2003-03-06 2012-07-30 지고 코포레이션 주사 간섭측정을 이용한 복합 표면 구조의 프로파일링
TWI621957B (zh) * 2013-03-14 2018-04-21 新納普系統股份有限公司 使用點擊最佳化的次解析度輔助特徵實現方式
US10698320B2 (en) * 2016-12-14 2020-06-30 Taiwan Semiconductor Manufacturing Co., Ltd. Method for optimized wafer process simulation
JP7144244B2 (ja) * 2018-08-31 2022-09-29 株式会社日立ハイテク パターン検査システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006351746A (ja) * 2005-06-15 2006-12-28 Hitachi High-Technologies Corp 走査型電子顕微鏡用撮像レシピ作成装置及びその方法並びに半導体パターンの形状評価装置
JP2009198339A (ja) * 2008-02-22 2009-09-03 Hitachi High-Technologies Corp パターン寸法計測方法
JP2012021839A (ja) * 2010-07-13 2012-02-02 Toshiba Corp 基板計測方法
WO2013047047A1 (ja) * 2011-09-28 2013-04-04 株式会社日立ハイテクノロジーズ 断面形状推定方法および断面形状推定装置

Also Published As

Publication number Publication date
JP7186315B1 (ja) 2022-12-08
CN115210531A (zh) 2022-10-18
TWI809703B (zh) 2023-07-21
US20230377185A1 (en) 2023-11-23
TW202232439A (zh) 2022-08-16
KR20220116421A (ko) 2022-08-23
JPWO2022172353A1 (ja) 2022-08-18

Similar Documents

Publication Publication Date Title
JP4302965B2 (ja) 半導体デバイスの製造方法及びその製造システム
JP6096455B2 (ja) 製造ツールのレシピを生成する方法及びそのシステム
JP4824299B2 (ja) 集積回路構造のプロファイルを決定する方法及びシステム又はコンピュータ読取可能な記録媒体
TWI737959B (zh) 探索裝置、探索方法及電漿處理裝置
WO2012117997A1 (ja) 画像処理装置、及び画像処理を行うためのコンピュータープログラム
WO2020121564A1 (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
KR101743083B1 (ko) 패턴 계측 장치 및 반도체 계측 시스템
JP7026140B2 (ja) 半導体ウエハ上のパターン内の高低差の測定
WO2018042581A1 (ja) パターン計測装置、及びコンピュータープログラム
TWI644169B (zh) 用於使用近場復原之光罩檢測之電腦實施方法、非暫時性電腦可讀媒體及系統
TWI798521B (zh) 選擇一或多個設計檔案以供在測試影像與設計對準中使用之系統及電腦實施之方法，以及非暫時性電腦可讀媒體
TW202004171A (zh) 基於形狀度量之晶圓位置評分
JP7097447B2 (ja) 電子顕微鏡を使用した半導体計測および欠陥分類
WO2022172353A1 (ja) 輪郭線解析装置、処理条件決定システム、形状推定システム、半導体装置製造システム、探索装置およびそれらに用いるデータ構造
JP6129651B2 (ja) ラインパターンの形状評価方法及びその装置
WO2012029220A1 (ja) 半導体製造装置の管理装置、及びコンピュータプログラム
US20210357810A1 (en) Processing condition search device and processing condition search method
JP7390486B2 (ja) 画像処理方法、形状検査方法、画像処理システム及び形状検査システム
TWI684225B (zh) 自定向計量和圖樣分類
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
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: 2021576615

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: 21925606

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: 21925606

Country of ref document: EP

Kind code of ref document: A1