检查系统以及非临时性计算机可读介质的制作方法

1.本公开涉及检查系统以及非临时性计算机可读介质，例如，涉及用于检查晶片周边的晶片检查系统以及非临时性计算机可读介质。


背景技术：

2.在半导体制造中，掌握晶片外周部的状态在工序管理中变得重要。例如，在专利文献1中公开了具备电子显微镜和旋转载台(θ载台)的装置，说明了通过向晶片外周部照射电子束来检查晶片外周部的检查法。并且，专利文献2中公开了一种检查装置，其为了检查晶片的边缘部分，与对晶片表面照射射束的电子束柱不同地，设置有对边缘照射射束的射束柱。
3.现有技术文献
4.专利文献
5.专利文献1：美国专利7919760号公报
6.专利文献2：日本专利第5608208号公报


技术实现要素：

7.发明要解决的问题
8.如专利文献2所公开的那样，为了判定缺陷的有无、缺陷位置，预先登记表示正常(无缺陷)的试样区域的图像作为参照图像，将通过向边缘部分照射射束而得到的图像(检查图像)与参照图像进行比较，将差异大的部分判定为缺陷。
9.然而，层叠在晶片上的多层膜的边界集中在形成于晶片的侧壁的斜面(bevel)上，而且由于边界附近的膜的剥离等，边界的形状不稳定。因此，有时无法取得适合作为参照图像的图像。例如，若在参照图像与检查图像之间存在异物、缺陷以外的部分(背景)的不同点，则会将该部分视为缺陷，因此难以从斜面取得缺陷检测用的参照图像。
10.另外，专利文献1及2均未对在参照图像中包含多层膜的边界的状况进行任何讨论。
11.本公开是鉴于这样的状况提出的，提出了不使用参照图像来检测斜面上的异物、缺陷的技术。
12.用于解决课题的手段
13.作为用于解决上述课题的一个方式，本公开提出了一种检测系统，其根据由图像取得工具得到的图像数据，对附着在半导体晶片的边缘部的斜面上的异物或者形成的划痕进行检测，检查系统包括计算机系统和该计算机系统执行的运算模块，计算机系统具备学习器，该学习器将与附着在斜面上的异物或形成的划痕相关的信息作为学习结果而输出，学习器使用由图像取得工具取得的图像数据以及该图像数据所包含的与斜面上的异物或划痕相关的信息来预先实施学习，运算模块通过对学习器输入由图像取得工具得到的图像数据来检测出异物或划痕。
14.与本公开相关联的进一步的特征根据本说明书的记述、附图而变得明确。另外，本公开的方式通过要素、多种要素的组合以及以后的详细的记述和所附的请求专利保护的范围的方式来达成并实现。
15.需要理解的是，本说明书的描述仅是示例性的，不旨在以任何方式限制本公开的请求专利保护的范围或应用例。
16.发明效果
17.根据上述结构，不使用参照图像等就能够进行斜面上的异物、缺陷的检测。
附图说明
18.图1是表示半导体晶片的缺陷观察系统的一例的图。
19.图2是表示构成缺陷观察系统的控制部、存储部的一例的图，是运算部的结构的示意图。
20.图3是表示缺陷检查系统的检测器的结构的图。
21.图4是表示基于扫描旋转的图像拍摄方法的图。
22.图5是用于说明缺陷检查工序的流程图。
23.图6是表示观察位置坐标与观察位置方位角的关系的图。
24.图7是表示扫描旋转角度调整前后的图像的图。
25.图8是表示半导体晶片的斜面部的扫描电子显微镜图像的一例的图。
26.图9是表示斜面检查系统的一例的图。
27.图10是表示输入生成训练数据的条件的gui(graphical user interface：图形用户界面)画面的一例的图。
28.图11是用于说明学习工序的流程图。
29.图12是表示输入生成训练数据的条件的gui画面的一例的图。
30.图13是用于说明使用了学习模型的推定工序的流程图。
31.图14是表示元素信息推定系统的一例的图。
32.图15是表示自动执行标记处理的学习工序的流程图。
33.图16是表示在使用了学习器的推定处理工序中进行学习器的再学习的工序的流程图。
34.图17是用于说明使用元素分析结果将doi(defect of interest：感兴趣的缺陷)、妨害(nuisance)的标记作业自动化来提高学习处理(工序)的作业效率的例子的流程图。
具体实施方式
35.以下，参照附图对晶片检查系统的实施方式进行说明。本公开的目的、特征、优点及其构思通过本说明书的记载，对于本领域技术人员而言是清楚明了的，为了说明的明确，有时适当地进行说明的省略或简化，但即使如此，只要是本领域技术人员，就能够根据本说明书的记载容易地再现本公开。以下记载的实施方式等表示优选的实施方式，是为了例示或说明而示出的，并不将本公开限定于此。因此，本公开也能够以其他各种方式实施。在本说明书中公开的本公开的意图以及范围内，基于本说明书的记载，能够进行各种改变以及修饰，这对于本领域技术人员而言是清楚明了的。
36.另外，在以下的说明中，有时说明对执行程序而进行的处理，但程序通过由处理器(例如cpu、gpu)执行，从而适当地使用存储资源(例如存储器)和/或接口设备(例如通信端口)等来进行规定的处理，因此也可以将处理的主体设为处理器。同样地，执行程序而进行的处理的主体也可以是具有处理器的控制器、装置、系统、计算机、节点。执行程序而进行的处理的主体只要是运算部即可，也可以包括进行特定处理的专用电路(例如fpga、asic)。
37.程序(模块)也可以从程序源安装于计算机这样的装置。程序源例如也可以是程序发布服务器或者计算机可读取的存储介质。在程序源为程序发布服务器的情况下，程序发布服务器也可以包含处理器和存储发布对象的程序的存储资源，程序发布服务器的处理器将发布对象的程序发布到其他计算机。另外，在以下的说明中，既可以将两个以上的程序作为一个程序来实现，也可以将一个程序作为两个以上的程序来实现。
38.(1)晶片检查系统
39.《晶片检查系统的结构》
40.以下，使用附图对晶片检查系统的概要进行说明。图1是表示作为图像取得工具的一种的扫描电子显微镜100的概要的图。
41.图1所例示的扫描电子显微镜100具有进行晶片的拍摄的观察装置101、进行整体的控制的控制部102、在磁盘或半导体存储器等中存储信息的存储部103、按照程序进行运算的运算部(能够由处理器等构成)104、进行与连接于装置的外部的存储介质之间的信息的输入输出的外部存储介质输入输出部105、控制与用户之间的信息的输入输出的用户界面控制部(能够由处理器等构成)106、经由网络与缺陷图像分类装置进行通信的网络接口部107。
42.另外，在用户界面控制部106连接有由键盘、鼠标、显示器等构成的输入输出终端113。观察装置101能够具备用于搭载试样晶片108的能够在xy方向上移动的可动载台109、作为拍摄单元的用于向试样晶片108照射电子束的电子源110、检测从试样晶片产生的二次电子、反射电子的检测装置111、使电子束收敛于试样上的电子透镜(未图示)、以及用于使电子束在试样晶片上进行扫描的偏转器112。
43.另外，在本实施方式中，作为图像取得工具，采用扫描电子显微镜100为例进行说明，但不限于此，也可以采用聚焦离子束装置等其他图像取得工具。
44.并且，在图1所例示的扫描电子显微镜100中，能够另外设置用于元素分析的检测器。为了进行元素分析，例如在使用能量分散型x射线分析(energy dispersive x-ray spectrometry：eds)的情况下，能够采用对接受照射到检查对象的电子束而产生的x射线进行检测的检测器。此时，控制部102进行x射线检测的打开/关闭(on/off)的控制。然后，在运算部104中对检测出的x射线光谱进行光谱分析，提取所含有的元素的信息。此外，作为x射线检测器，也能够使用能量分辨率高的tes(transition edge sensor：过渡边缘传感器)型的检测器。
45.《内部结构例》
46.图2是表示控制部102、存储部103以及运算部104各自的内部结构例的图。
47.控制部102例如包括载台控制部201、电子束扫描控制部202以及检测器控制部203。载台控制部201进行载台的移动、停止的控制。电子束扫描控制部202控制偏转器112以便在预定的视野内照射电子束。检测器控制部203与电子束的扫描同步地对来自检测装置
111的信号进行采样，调整增益、偏移等而生成数字图像。
48.存储部103包括图像存储部204、处理参数存储部205以及观察坐标存储部206。图像存储部204将生成的数字图像与附带信息一起存储。处理参数存储部205存储拍摄条件、缺陷检测处理参数、分类处理参数等。观察坐标存储部206例如存储由用户(操作员)输入的观察对象的缺陷检查坐标。
49.运算部104包括观察坐标方位角导出部207、缺陷检测部208、缺陷图像分类部209以及图像处理部210。观察坐标方位角导出部207导出从晶片中心观察到的观察坐标的方位角。缺陷检测部208从图像中检测出缺陷部位。缺陷图像分类部209按照缺陷的种类或用户指定的分类基准对图像进行分类。图像处理部210进行平滑化、对比度调整等图像预处理、图像的移动、旋转等变形(图像变形单元)，或者向图像存储部204、缺陷检测部208、用户界面控制部106输出图像处理后的图像(图像输出单元)。
50.《检测装置的结构例》
51.对从试样晶片108产生的二次电子、反射电子进行检测的检测装置的结构、配置没有特别限定，检测装置所包含的电子检测器的结构、数量也没有特别限定，以下，对图3所示的检测装置111的一个实施方式进行详细说明。图3是示意性地表示检测器301～305与试样晶片108的位置关系的图。图3的(a)是投影图，图3的(b)以及(c)分别是从z轴、y轴观察的图(检测器305未图示)。
52.在图3中，检测器301～304是构成为选择性地检测具有特定的释放角度(仰角及方位角)的电子的检测器，例如，从试样晶片108向y方向释放的电子主要由检测器301检测。由此，能够取得犹如从检测器方向照射光那样的带有对比度的图像。另外，例如，检测器305是主要检测从试样晶片108释放的二次电子的检测器。
53.《缺陷检查》
54.接着，对缺陷检查法的概要进行说明。在此说明的检查方法包括：一边使半导体晶片在平面上沿xy方向移动，一边拍摄包括半导体晶片的边缘在内的多个部位的拍摄工序、针对拍摄得到的多个各图像输出晶片的边缘在多个图像内大致平行的图像的输出工序、以及在输出的图像中检测半导体晶片的缺陷的缺陷检测工序。
55.图4是用于说明拍摄图像的原理的图。电子束扫描控制部202(参照图2)控制偏转器112以便向预定的拍摄视野内照射电子束。具体而言，电子束扫描控制部202以如下方式控制偏转器112：反复进行在拍摄视野内沿一定方向进行扫描之后沿正交的方向偏移而再次进行扫描，对拍摄视野整体照射电子束。此时，检测器控制部203与基于偏转器112的电子束的扫描同步地对由检测装置111检测到的信号进行数字转换，由此能够得到图像。
56.图4的(a)示意性地表示针对试样401内的拍摄视野402扫描电子束的情况和所得到的图像403。另外，图4的(b)是通过控制电子束的扫描方向而在试样401的坐标系(x，y)中使拍摄区域带有角度的例子，示意性地表示对试样401扫描带有角度r的区域404的情况和所获得的图像405。所获得的图像405是相对于图像403旋转的图像。以下，将带有角度地拍摄图像的情况记载为扫描旋转，将此时的角度r记载为扫描旋转角度。另外，将试样的坐标系记载为(x，y)，将图像的坐标系记载为(u，v)。
57.《半导体晶片的边缘的试样观察处理》
58.接着，使用图5来说明一边使半导体晶片在平面上沿xy方向移动一边对包含半导
体晶片的边缘在内的多个部位进行拍摄的拍摄处理的一例。图5是用于说明本实施方式的试样观察处理的详细情况的流程图。
59.首先，将作为观察对象的半导体晶片设置在载台上(或者，控制部102检测由机械臂进行的半导体晶片向载台109的设置)(步骤501)，控制部102从存储部205读入与对象半导体晶片对应的处理参数(步骤502)。此外，半导体通过多个制造工序来制造，除了在各工序中外观有较大不同的情况以外，有时带电的容易度等试样的特性也有不同。因此，通常按照每个工序、设备来调整拍摄条件、处理参数并进行存储。
60.控制部102读入处理参数后，或者并行地从存储部206读入进行观察的位置的坐标列表(观察坐标)(步骤503)。观察坐标可以是其他缺陷检查装置(未图示)输出的缺陷坐标，也可以是用户输入的想要观察的坐标。
61.接着，观察装置101响应于控制部102的指示，进行半导体晶片位置的对准(步骤504)。使用机械臂等将半导体晶片设置在载台109上，但此时产生数百微米左右的位置偏移、旋转偏移。因此，运算部104(也可以是控制部102)拍摄晶片的边缘部和位置已知的独特图案，然后通过图像处理计算出位置偏移量。由此，除了能够进行观察坐标的校正以外，还能够正确地计算出晶片的中心坐标。
62.接着，针对第i个观察坐标取得缺陷部位的图像，按照缺陷的种类或用户指定的分类基准对图像进行分类，以下说明其顺序的一个实施方式。首先，载台控制部201移动载台109，以使对象的观察坐标进入观察装置101的视野内(步骤505)。此时，为了吸收载台109的移动误差，进行载台位置的测量，在图像拍摄时以消除移动误差的方式进行射束照射位置的调整。
63.接着，电子束扫描控制部202通过控制偏转器112使电子束的扫描方向旋转，以使半导体晶片的边缘在多个图像内平行(步骤506)。对其具体的方法的一例进行叙述。例如，导出从半导体晶片中心观察到的观察坐标的方位角θi。图6是表示连接观察坐标601与半导体晶片中心坐标602的直线603和方位角θ604的图。图像606是表示区域605的放大图像的图。根据该定义，以半导体晶片中心为原点的观察坐标(dxi，dyi)处的方位角θi通过式1求出。
64.θi＝atan(dyi，dxi)
…
(式1)
65.另外，函数atan(y，x)是在[-π，π]弧度的范围内返回y/x的反正切的函数，象限根据自变量(y，x)适当地求出。在本实施方式中，将方位角θ定义为直线603与x轴之间的角度，但只要能够规定扫描方向的旋转，也可以是其他定义。观察坐标的方位角运算由运算部104的观察坐标方位角导出部207执行。
[0066]
控制部102在导出方位角θi后，通过下述的式2决定图像拍摄时的扫描旋转角度ri，并设定为拍摄参数(步骤507)。
[0067]
ri＝θi α
…
(式2)
[0068]
α是预先决定的参数，以使半导体晶片的边缘在多个图像内大致平行的方式预先决定。例如，如果设定为-π/2弧度(-90度)，则能够调整为背景区域在图像上位于上侧。
[0069]
接着，检测器控制部203以所设定的扫描旋转角度ri对拍摄视野进行扫描，取得图像(步骤508)。图6的区域607是拍摄观察坐标601的视野区域，示出了设定有扫描旋转角度r608的情形。此外，在方位角θ以及扫描旋转角度r的导出中，也可以不进行基于式1以及式2
的计算，而参照按每个观察坐标存储有方位角θ或者扫描旋转角度r的数据库。
[0070]
在图像拍摄(步骤508)之后，缺陷检测部208从拍摄到的图像中检测出缺陷部位(步骤509)，对缺陷图像进行分类(步骤510)。在此，对缺陷部位的检测方法进行说明。图7是对5个观察坐标拍摄到的图像的示意图，图像701至705表示不进行扫描旋转而拍摄到的图像，图像706至710表示在设定了扫描旋转角度的基础上拍摄到的图像。另外，在各图像中，黑色区域表示晶片外区域(背景区域)，白色区域表示晶片内区域。关于图像701至705的图像，晶片内区域与背景区域的位置关系在各图像中不同，例如即使对图像701和702进行(u，v)方向的对位，区域边界的倾斜也不同，因此不存在适当的解。因此，难以进行基于比较检查的缺陷检测。另一方面，图像706至710的图像是以背景区域来到图像的上侧的方式调整扫描旋转角度而拍摄的。
[0071]
《斜面图像不适于参照图像的理由》
[0072]
如上所述，通过进行扫描旋转，能够不依赖于边缘的朝向，而朝向与边缘的方向相同的方向(与边缘垂直的方向)扫描射束。但是，通过对斜面的射束扫描而得到的图像有时不适合用于比较检查的参照图像。以下详述其理由。
[0073]
图8是说明斜面的形状和由斜面取得的图像的状态的图。斜面是指形成于晶片的侧壁的斜面。近来，半导体晶片的多层化取得进展，成为将多个层重叠多层而成的结构。而且，由于各层的终端801形成在斜面上，所以如图8例示的那样，在对斜面进行射束扫描而得到的图像802中包含多个层的终端。该终端(边界)的形状大多根据部位而不同，并且，有时根据部位而发生膜的剥离等。
[0074]
即，即使在不存在缺陷、异物的情况下，图像所包含的边缘形状也根据位置而不同，因此在此取得的图像不适合于比较检查所使用的参照图像。
[0075]
(2)异物等检测系统
[0076]
以下，说明不使用参考图像而能够检测斜面上的异物、缺陷等的系统(异物等检测系统900)以及存储由计算机系统执行的程序的非临时性计算机可读介质。
[0077]
图9是表示检测斜面上的异物等的异物等检测系统900的一结构例的图。图9所例示的系统由1个以上的计算机系统构成。本例中说明的检查处理可以由设置于观察装置101的运算部104进行，也可以由与观察装置101可通信地连接的外部的计算机系统进行。图9以功能框图来表现。图9所例示的计算机系统901是机器学习系统，包含一个以上的处理器，构成为执行存储于预定的存储介质的一个以上的运算模块(未图示)。
[0078]
另外，也可以使用ai加速器进行后述那样的推定处理。在图9所例示的计算机系统901中，具备从sem图像存储部(存储介质)902、输入输出装置903输入用于学习的训练数据、推定处理所需的数据的输入部904。
[0079]
内置于计算机系统901的学习器905将从输入部904输入的斜面的图像数据以及由未图示的图像处理装置等提取出的图像的特征中的至少一方和从输入输出装置903输入的与斜面上的异物或划痕有关的信息的组(数据集)作为训练数据来受理。
[0080]
异物缺陷推定部907读出由学习器905学习并存储于学习模型存储部906的学习模型，执行使用了该学习模型的推定处理。
[0081]
《训练数据生成条件输入用gui的结构例》
[0082]
图10是表示在输入用于生成训练数据的条件时在输入输出装置903的显示画面上
显示的gui(graphical user interface：图形用户界面)的结构例的图。
[0083]
图10所例示的gui画面包括显示与从sem图像存储部(存储介质)902输入的图像数据相关的信息的附带信息显示栏1001、显示sem图像的图像显示栏1002、设定异物或缺陷的种类的设定栏1003而作为构成区域。
[0084]
附带信息显示栏1001显示图像显示栏1002中显示的sem图像的附带信息即sem图像的取得位置(location)和采样编号。另外，在图10的例子中，将图6中说明的方位角显示为位置信息，但也可以显示x、y坐标。
[0085]
图像显示栏1002显示斜面图像。用户(操作员)观看所显示的斜面图像，能够从设定栏1003进行异物、缺陷的种类的设定。
[0086]
设定栏1003能够进行斜面上的异物、划痕、膜的剥离等设定。另外，关于异物，能够选择是金属制的异物还是非金属的异物。在用户目视观察sem图像时，在经验上能够判别是金属还是非金属的情况下，也可以构成为能够进行基于该信息的选择。作为其理由，有时因euv(extra ultra violet：超紫外线)曝光而产生的金属物质附着于在后续工序中生成的图案上，成为因使图案间导通而导致的元件破坏的原因。这样的金属材料在euv曝光时产生，在附着于斜面部的状态下被带入后续工序时，有可能成为元件破坏的主要原因。因此，特别是有无金属异物的检查在提高半导体器件的成品率方面非常重要。
[0087]
《学习处理的详细内容》
[0088]
图11是用于说明由运算部104或计算机系统901执行的学习处理(工序)的流程图。
[0089]
首先，观察装置101沿着斜面取得图像(步骤1101)。计算机系统901等在图10所例示的gui画面上显示所取得的图像。然后，用户(操作员)查看gui屏幕上显示的图像，设定(标记)图像中包括的异物或缺陷的种类，并且输入部904取得标记的信息(步骤1102)。标记工序例如通过图10所例示的gui画面的设定栏1003中的缺陷种类的选择来确定缺陷种类。
[0090]
学习器905等将该确定的缺陷种类数据和图像数据或在图像数据内选择的roi(region of interest：感兴趣区域)的图像数据的数据集作为训练数据，生成学习模型(步骤1103)，并将该学习模型存储于学习模型存储部906(步骤1104)。
[0091]
在图10所示的gui画面的设定栏1003中，可以将未知异物设置为异物的种类。在选择了未知的异物的情况下，为了之后确定未知的异物的元素，考虑进行eds分析，使用通过eds分析确定的金属、非金属的信息，生成训练数据。在计算机系统901中，例如基于未知的异物的设定和此时的位置信息来生成检查方案，并存储于预定的存储介质中，由此能够生成基于准确的元素确定的训练数据。
[0092]
另外，在gui画面上选择了未知的异物的情况下，也可以生成选择性地进行eds分析那样的检查方案。
[0093]
而且，设定栏1003能够选择不是缺陷的膜的边界。斜面部显示膜的终端1004，但其形状不是固定的。该膜的终端1004映入图像内成为难以进行比较检查的主要原因。但是，由于膜的终端1004不是异物或划痕，因此通过学习该结构是正常的，能够提高推定的可靠性。
[0094]
此外，在图10的gui画面中，对通过指示设备等的操作而移动的指针1005来设定roi1006并设定roi内的缺陷种类的例子进行了说明，但也可以如图12所例示的那样，通过对图像数据本身进行分类来进行标记。在gui画面1201设置有左栏1205和右栏1208，所述左栏1205显示有多个斜面图像1202和该斜面图像的附带信息1203成为一组的缩略图1204，所
述右栏1208设置有每个缺陷种类的输入栏1206、1207。
[0095]
用户(操作员)观察斜面图像1202，判断有无异物、异物的种类、有无划痕、有无膜的剥离等，使用指示设备等使缩略图1204移动到右栏1208的对应的缺陷种类的输入栏，由此能够更新学习数据。输入部904生成将缩略图1204中包含的斜面图像1202作为输入、将输入了缩略图1204的输入栏的缺陷种类作为输出的数据集，作为学习器905的训练数据。
[0096]
通过使用了经由以上那样的学习工序生成的学习模型的推定，能够判定斜面上的异物等的有无等。此外，也可以以制造工序为单位准备学习模型。作为其理由，由于斜面部所包含的边界的数量(多层膜的数量)根据制造工序而不同，因此通过准备与制造工序相应的模型(与膜的数量相应的模型)，能够实现高精度的推定。另外，也可以除了斜面图像以外还将工序信息作为输入数据，由此进行高精度推定。
[0097]
《异物等的制定处理》
[0098]
图13是用于说明使用了所生成的学习模型的异物等的推定处理(工序)的流程图。
[0099]
首先，如图8所例示的那样，使用观察装置(扫描电子显微镜)101沿着斜面取得图像(步骤1301)。
[0100]
接着，异物缺陷推定部907使用在学习工序中得到的学习器905来执行推定处理(步骤1302)。具体而言，图9所例示的异物缺陷推定部907读出由学习器905学习并存储于学习模型存储部906的学习模型，执行使用了该学习模型的推定处理。异物缺陷推定部907基于从输入输出装置903输入的工序信息，从学习模型存储部906读出与该工序信息相关联地存储的学习模型。而且，在使用将工序信息作为输入数据的学习模型的情况下，异物缺陷推定部907通过取得所输入的工序信息和斜面图像来执行推定处理。
[0101]
异物缺陷推定部907将推定结果输出到推定结果存储部908和设置于输入输出装置903的显示装置中的至少一方(步骤1303)。
[0102]
根据图9所例示的计算机系统901，能够不使用用于比较检查的参照图像而检测出斜面上的异物等。此外，作为学习器，例如能够使用神经网络、回归树、贝叶斯识别器等。
[0103]
《元素分析系统》
[0104]
包含安装于图1所例示的观察装置(扫描电子显微镜)101的eds分析装置和可通信地与该eds分析装置连接的1个以上的计算机系统的元素分析系统1400(参照图14)能够进行扫描电子显微镜的视野内的图分析(面分析)。具体而言，元素分析系统1400将视野内划分为1个以上的预定的像素(单位区域)，利用x射线检测器测定各像素的x射线强度，由此能够得到元素图数据(元素分布的信息)。
[0105]
元素图数据是包含元素的二维分布信息的数据，包含二维位置(坐标)和各位置处的x射线的强度的信息。另外，通过将各位置处的x射线的强度转换为各位置处的元素的浓度，能够得到表示试样上的位置和各位置处的元素的浓度的元素图数据。按每个元素得到元素图数据。
[0106]
如上述那样附着于斜面上的异物根据材质而有可能成为对在之后的工序中形成的半导体元件造成损伤的主要原因。另一方面，基于x射线光谱分析的元素确定相对于基于二次电子、背散射电子的检测的图像形成需要相对的处理时间。因此，以下，本实施方式提出了能够在短时间内实现有可能对半导体元件造成损伤的异物的确定的元素分析系统(缺陷检查系统)1400。
[0107]
图14是表示基于由图像取得工具得到的图像数据导出元素图数据的系统(元素分析系统)1400的构成例的图。图14所例示的元素分析系统1400是根据由图像取得工具(观察装置(扫描电子显微镜)101)得到的数据来推定试样所包含的元素和元素分布中的至少一方的系统。该元素分析系统1400具备计算机系统901和该计算机系统901执行的运算模块(未图示：例如包含输入部904、学习器905和元素信息推定部1406的模块)。计算机系统901具备输出试样晶片108中包含的元素和元素分布中的至少一方的学习器905，该学习器905使用将由图像取得工具得到的图像作为输入、将由元素分析系统1400得到的元素和元素分布信息中的至少一个作为输出的训练数据，预先实施学习。运算模块是通过对学习器905输入由图像取得工具得到的图像数据来输出元素和元素分布信息中的至少一个的模块。
[0108]
基于通过带电粒子束的照射得到的带电粒子(特别是背散射电子)的检测而形成的图像虽然比通过eds分析装置(x射线分析装置1405)得到的元素图差，但元素组成差表现为亮度差(对比度)。并且，基于带电粒子的检测而形成的图像与eds分析装置的x射线光谱分析相比，能够在短时间内取得。因此，通过使用学习器进行推定，能够高速地进行试样的元素确定，所述学习器使用以基于带电粒子的检测而得到的图像(或者从图像中提取的特征)为输入、以由eds分析装置等得到的元素信息、元素图为输出的训练数据进行学习。
[0109]
在图14所例示的系统1400中，在学习模型的学习处理(工序)中，基于从电子检测器1402输出的信号，通过图像处理装置1403生成图像数据，并且通过x射线分析装置1405对由x射线检测器1404检测到的x射线进行eds分析，由此生成向计算机系统901的输入部904输入的数据。并且，计算机系统901将图像数据和x射线分析结果的数据集作为训练数据，通过学习器905进行学习。
[0110]
另外，在推定处理(工序)中，元素信息推定部1406使用存储于学习模型存储部906的学习模型，根据所输入的图像数据推定元素信息。元素信息是指例如通过eds分析确定出的含有元素信息、元素分布信息。
[0111]
根据具备以上那样的结构和功能的元素分析系统1400，能够高速地进行元素分析。另外，生成通过将元素图信息和sem图像(基于二次电子、背散射电子的检测而形成的图像)作为输入、将关注的元素信息作为输出的训练数据学习到的学习模型，并向该学习模型输入元素图信息、元素信息和sem图像，由此能够简化学习时的标记作业所花费的工夫。通过准备这样的标记用学习模型，能够在不通过人工进行标记的情况下进行学习模型的自动更新。并且，通过设为根据基于机器学习推定出的缺陷、异物的种类而选择性地进行eds分析那样的系统，能够缩短检查时间。
[0112]
《标记处理》
[0113]
图15是用于说明自动进行标记的处理(标记处理)的流程图。
[0114]
利用图14所例示的元素分析系统1400，将电子束的视野定位于斜面部的多个位置，取得电子显微镜图像，并且进行eds分析(步骤1501)。
[0115]
预先从输入输出装置903等设定应设为doi(defect of interest)的缺陷的元素信息。然后，在通过x射线分析装置1405检测到成为doi的对象的元素时，输入部905进行电子显微镜图像的标记(步骤1502)。
[0116]
计算机系统901根据被标记的电子显微镜图像生成训练数据(步骤1503)，使学习器905使用该训练数据进行学习，将所生成的学习模型存储于学习模型存储部906(步骤
1504)。
[0117]
通过进行使用了如以上那样生成的学习模型的推定，不进行相对需要时间的x射线分析，就能够进行doi或包含doi的坐标(视野位置)的检测。此外，也可以进行不仅包含能够成为doi的元素，还包含能够由x射线分析装置1405检测出的其他元素的标记。
[0118]
并且，也可以将元素图和电子显微镜图像的数据集作为训练数据。通过生成能够推定元素图的学习器，还能够确定视野内包含的doi的大小、位置。
[0119]
另外，在进行使用了学习器905的推定的情况下，在doi的检测精度(accuracy)较低的情况下、或推定为明显包含doi的情况下(精度较高的情况下)，选择性地进行eds分析，由此能够进行是否适当地进行了使用机器学习的推定的评价。即，例如，在doi的检测精度(accuracy)较低的情况下(低于第一阈值的情况下)，为了改善基于学习的推定精度，需要进行再学习。另外，在doi的检测精度(accuracy)较高的情况下(高于第二阈值(》第一阈值)的情况下)，为了进一步提高基于学习的制定精度，可以进行再学习。
[0120]
《再学习处理》
[0121]
图16是用于说明在使用学习器905的推定处理中，根据需要进行再学习的再学习处理的详细情况的流程图。
[0122]
开始后，首先，电子束扫描控制部202进行视野移动，以使电子显微镜的视野位于斜面上(步骤1601)。
[0123]
接着，检测器控制部203基于射束扫描生成图像(步骤1602)，经由图像处理装置1403及输入部904将所生成的图像输入至学习器905。
[0124]
然后，元素信息推定部1406使用学习器905进行异物等的推定处理(异物等的有无判断)(步骤1603)。这里使用的学习器905预先实施了相应的学习。
[0125]
并且，元素信息推定部1406评价此时从学习器905输出的精度等指标值(步骤1604)。在精度为预定值(第2阈值)以上(或高)的情况下，或者预定值(第1阈值(《第2阈值))以下(或低)的情况下(步骤1605中“是”的情况下)，处理转移到步骤1606。另外，例如，在指标值处于第1阈值与第2阈值之间的情况下(在步骤1605中“否”的情况下)，处理转移到步骤1609。
[0126]
在步骤1606中，为了进行追加学习而使用x射线分析装置1405进行元素分析。在精度高的情况下，认为该电子显微镜图像和元素信息的组适合作为训练数据。另一方面，在精度低的情况下，认为包含未知的异物或缺陷。在满足某特定的条件时，通过选择性地进行元素分析，能够抑制元素分析所需的时间，并且能够进行追加学习，以成为能够进行可靠性更高的推定的学习器。相对于电子显微镜图像形成，元素分析装置的分析需要相当长的时间，因此根据自动地执行图16所例示的处理的系统，能够抑制检查时间的增加地进行针对学习器的适当的再学习。此外，也可以设为对异物、划痕、膜的剥离、膜端等有可能存在于视野内的多种对象物进行推定的学习器905，并且在这些推定对象的精度均低的情况下，判断为视野内包含未知的对象物，选择性地进行元素分析。
[0127]
接着，学习器905根据元素分析结果(元素名、元素图等)和电子显微镜图像的数据集生成训练数据(步骤1607)，使用所生成的训练数据来执行学习器905的再学习(步骤1608)。此外，例如，作为关于accuracy的预定条件，当检测到特定元素(例如，影响后续工序的金属等)时，也可以选择性地生成训练数据。另外，例如，为了能够进行手动辅助，也可以
与元素分析信息一起显示图10所例示的gui画面，通过选择异物或异物以外的伪影的种类来生成训练数据。按照这样的差异学习处理，通过在显示装置(输入输出装置903的显示画面)一并显示元素图和电子显微镜图像，能够确定金属异物那样的临界的异物以外的伪影，通过将该伪影和缺陷的种类的数据集作为训练数据，能够生成临界的金属异物和其以外的伪影的识别能力优异的学习器905。
[0128]
根据编程为对多个检查点自动进行反复步骤1601～1608为止的处理的系统，能够提高学习器的识别功能，并且高效地进行异物等的检查(步骤1609
→
步骤1601)。
[0129]
此外，斜面部与晶片表面不同，是倾斜面，因此有时高度根据视野位置而不同。在高度不同的情况下，电子束的聚焦条件根据视野位置而变化。若聚焦条件变化，则画质不同，因此也可以准备多个与聚焦条件、或者与斜面部的高度相关联地存储的位置信息相对应的模型，根据与聚焦条件、位置信息对应的学习模型的选择来进行推定处理。
[0130]
《标记的自动化》
[0131]
图17是用于说明使用元素分析结果，使doi(defect of interest)、的标记作业自动化来提高学习处理(工序)的作业效率的例子的流程图。
[0132]
首先，电子束扫描控制部202进行视野移动，以使观察装置(电子显微镜)101的视野位于斜面上(步骤1701)。
[0133]
接着，检测器控制部203基于射束扫描生成图像(步骤1702)。
[0134]
缺陷检测部208执行缺陷候补检测处理(步骤1703)。该缺陷候补检测处理也可以使用学习器905来执行。在使用学习器905的情况下，将所取得的图像输入到学习器905来进行缺陷候补检测处理。在使用学习器905的情况下，需要预先实施相应的学习。此时，通过限定需要详细分析的缺陷候选，能够抑制元素分析所需的时间。学习精度越高，则越能够高精度地限定缺陷候补，因此能够抑制元素分析所需的时间。
[0135]
接着，元素分析系统1400对检测出的缺陷候补执行元素分析(步骤1704)。然后，在元素分析系统1400中，如果元素分析的结果为doi，则作为doi进行标记(步骤1706)，如果为妨害，则作为进行标记(步骤1707)。元素分析结果中包含进行了元素分析的坐标、区域，因此通过将它们与sem图像进行对照，能够在sem图像上自动标记进行了元素分析的区域和元素。通过使用元素分析结果进行标记，与操作员根据经验仅基于sem图像来判断doi/相比，能够期待高精度且稳定的标记结果。
[0136]
学习器905从标记结果中使用学习所需的标记结果来执行学习(步骤1709)。如上所述，通过使用元素分析结果，能够高精度且自动地执行学习处理(工序)中的标记作业。
[0137]
符号说明
[0138]
101 观察装置
[0139]
102 控制部
[0140]
103 存储部
[0141]
104 运算部
[0142]
105 外部存储介质输入输出部
[0143]
106 用户界面控制部
[0144]
107 网络接口部
[0145]
108 试样晶片
[0146]
109 可动载台
[0147]
110 电子源
[0148]
111 检测装置
[0149]
112 偏转器
[0150]
113 输入输出终端
[0151]
201 载台控制部
[0152]
202 电子束扫描控制部
[0153]
203 检测器控制部
[0154]
204 图像存储部
[0155]
205 处理参数存储部
[0156]
206 观察坐标存储部
[0157]
207 观察坐标方位角导出部
[0158]
208 缺陷检测部
[0159]
209 缺陷图像分类部
[0160]
210 图像处理部
[0161]
301～305 检测器
[0162]
401 试样
[0163]
402 拍摄视野
[0164]
403 图像
[0165]
404 带有角度r的区域
[0166]
405 图像
[0167]
601 观察坐标
[0168]
602 半导体晶片中心坐标
[0169]
603 直线
[0170]
604 方位角
[0171]
608 扫描旋转角度
[0172]
701～705 不进行扫描旋转而拍摄到的图像
[0173]
706～710 在设定了扫描旋转角度的基础上拍摄到的图像
[0174]
900 异物等检测系统
[0175]
901 计算机系统
[0176]
902 sem图像存储部
[0177]
903 输入输出装置
[0178]
904 输入部
[0179]
905 学习器
[0180]
906 学习模型存储部
[0181]
907 异物缺陷推定部
[0182]
908 推定结果存储部
[0183]
1400 元素分析系统
[0184]
1402 电子检测器
[0185]
1403 图像处理装置
[0186]
1404 x射线检测器
[0187]
1405 x射线分析装置
[0188]
1406 元素信息推定部。