1.本发明涉及从由扫描电子显微镜生成的图像中检测与半导体制造有关的在晶圆或掩膜等工件上形成的图案的边缘(轮廓线)的方法及装置。此外,本发明涉及用于让计算机执行这样的图案边缘检测的程序。此外,本发明涉及通过机器学习来制作边缘检测模型的方法及装置。
背景技术:
2.以往,在晶圆等工件上形成的图案的边缘(轮廓线)是像下面那样进行检测。首先,利用扫描电子显微镜来生成工件上的图案的图像。接着,利用图案的设计数据(也称为cad数据)来生成cad图案,并将cad图案叠合在图像上的图案上。cad图案是根据设计数据中包含的图案的设计信息(位置、长度、大小等)来制作的假想图案。
3.图25为表示叠合于图像500上的图案501上的cad图案505的示意图。如图25所示,计算机生成相对于cad图案505的边缘而沿法线方向延伸的多条探索线507,并制作沿着这些探索线507的图像500的亮度曲线。图25中,为了简化附图,仅描绘有多条探索线507中的一部分。
4.图26为表示沿着图25所示的探索线的亮度曲线的图。图26的纵轴表示亮度值,横轴表示探索线507上的位置。计算机检测亮度曲线上的亮度值与阈值相等的边缘点510。计算机重复同样的动作而决定沿着所有探索线507的亮度曲线上的多个边缘点。连结这多个边缘点的线被决定为图像500上的图案501的边缘。
5.然而,在图27至图29所示那样的例子中,有时无法正确地决定(检测)图像500上的图案边缘。即,在图27所示的例子中,图案501的边缘缺失了一部分,与cad图案505垂直的探索线507上不存在图案501的边缘。在图28所示的例子中,cad图案505的边缘与图像上的图案501的边缘相距较远,探索线507上不存在图案501的边缘。在图29所示的例子中,无法通过使用探索线507的以往的方法来检测不存在于cad图案505中的图案510的边缘。
6.图27至图29展示了图案的缺陷的例子,检测这样的有缺陷的图案的边缘是比较重要的。然而,实际的图案有时会背离设计数据,使用设计数据的以往的方法有时无法正确地检测有缺陷的图案的边缘。
7.另一方面,业界在开发使用通过机器学习制作出的模型来检测在晶圆等工件上形成的图案的边缘的技术。该技术利用边缘检测模型(已学习模型)来判定出现了图案的图像的各像素是否为构成图案边缘的像素。
8.边缘检测模型是使用预先准备的训练数据而通过机器学习(例如深度学习、决策树学习等)来加以制作。训练数据包含由扫描电子显微镜生成的图案图像和构成该图案图像的各像素的正解数据。正解数据是确定各像素为构成图案的边缘的像素或者不构成边缘的像素中的任一者的信息。通过使用这样的训练数据来执行机器学习,构成边缘检测模型的参数(权重系数等)得到优化。
9.然而,用于训练数据的图案边缘有起伏,而且图像上的边缘与非边缘区域的交界线不清晰。使用这样的训练数据制作出的边缘检测模型存在边缘的检测失败或者边缘发生误检测的情况。要制作精度高的边缘检测模型,就需要机器学习用的大量训练数据,结果,机器学习会耗费极长的时间。现有技术文献专利文献
10.专利文献1:日本专利特开2003-178314号公报专利文献2:日本专利特开2013-98267号公报专利文献3:日本专利特开2020-140518号公报
技术实现要素:
发明要解决的问题
11.本发明提供一种能在不使用图案的设计数据的情况下检测图像上的图案的边缘(轮廓线)的图案边缘检测方法及图案边缘检测装置。此外,本发明提供一种能够制作精度高的边缘检测模型而不会在机器学习上耗费长时间的方法及装置。解决问题的技术手段
12.在一形态中,提供一种图案边缘检测方法,即,生成在工件上形成的目标图案的对象图像,生成表示所述对象图像的各像素的多个特征量的特征向量,将所述特征向量输入至通过机器学习构建出的模型,从所述模型输出表示具有所述特征向量的像素为边缘的像素还是非边缘的像素的判定结果,将得到了表示边缘的像素的判定结果的具有特征向量的多个像素以线相连来生成假想边缘。
13.在一形态中,所述模型为决策树。在一形态中,所述图案边缘检测方法进而包含以下工序:从设计数据中选择多个训练用图案,生成根据所述多个训练用图案分别制作的多个实际图案的多个训练用图像,检测所述多个训练用图像上的所述多个实际图案的边缘,将构成所述多个训练用图像的多个参考像素分类为构成边缘的多个第1参考像素和不构成边缘的多个第2参考像素,生成所述多个第1参考像素的多个第1特征向量和所述多个第2参考像素的多个第2特征向量,使用包含所述多个第1特征向量及所述多个第2特征向量的训练数据、通过机器学习来构建所述模型。
14.在一形态中,所述多个训练用图案是至少具有沿第1方向延伸的边缘、沿与所述第1方向垂直的第2方向延伸的边缘、隅角边缘、末端边缘的多个图案。在一形态中,所述多个实际图案是在所述工件上形成的图案。在一形态中,从设计数据中选择所述多个训练用图案的工序如下:将根据所述设计数据绘制的包含多个图案的设计图式显示在显示画面上,将从所述设计图式中包含的多个图案中选择的所述多个训练用图案或者所述多个训练用图案所处的区域以在视觉上进行了强调的形态显示在所述显示画面上。在一形态中,所述图案边缘检测方法进而包含以下工序:生成沿着相对于所述假想边缘而沿法线方向延伸的多条探索线的所述对象图像的多个亮度曲线,根据多个所述亮
度曲线来决定多个边缘点,将所述多个边缘点以线相连,由此生成更新后的边缘。在一形态中,所述图案边缘检测方法进而包含以下工序:利用设计数据来生成与所述目标图案相对应的cad图案,测定所述cad图案的边缘起到所述更新后的边缘为止的距离。
15.在一形态中,提供一种图案边缘检测装置,其具备:图像生成装置,其生成在工件上形成的目标图案的对象图像;以及运算系统,其连接于所述图像生成装置,所述运算系统生成表示所述对象图像的各像素的多个特征量的特征向量,将所述特征向量输入至通过机器学习构建出的模型,从所述模型输出表示具有所述特征向量的像素为边缘的像素还是非边缘的像素的判定结果,将得到了表示边缘的像素的判定结果的具有特征向量的多个像素以线相连来生成假想边缘。
16.在一形态中,所述模型为决策树。在一形态中,所述运算系统构成为从设计数据中选择多个训练用图案,生成根据所述多个训练用图案分别制作的多个实际图案的多个训练用图像,检测所述多个训练用图像上的所述多个实际图案的边缘,将构成所述多个训练用图像的多个参考像素分类为构成边缘的多个第1参考像素和不构成边缘的多个第2参考像素,生成所述多个第1参考像素的多个第1特征向量和所述多个第2参考像素的多个第2特征向量,使用包含所述多个第1特征向量及所述多个第2特征向量的训练数据、通过机器学习来构建所述模型。
17.在一形态中,所述多个训练用图案是至少具有沿第1方向延伸的边缘、沿与所述第1方向垂直的第2方向延伸的边缘、隅角边缘、末端边缘的多个图案。在一形态中,所述多个实际图案是在所述工件上形成的图案。在一形态中,所述运算系统具有显示画面,所述运算系统构成为将根据所述设计数据绘制的包含多个图案的设计图式显示在所述显示画面上,将从所述设计图式中包含的多个图案中选择的所述多个训练用图案或者所述多个训练用图案所处的区域以在视觉上进行了强调的形态显示在所述显示画面上。在一形态中,所述运算系统构成为生成沿着相对于所述假想边缘而沿法线方向延伸的多条探索线的所述对象图像的多个亮度曲线,根据多个所述亮度曲线来决定多个边缘点,将所述多个边缘点以线相连,由此生成更新后的边缘。在一形态中,所述运算系统构成为利用设计数据来生成与所述目标图案相对应的cad图案,测定所述cad图案的边缘起到所述更新后的边缘为止的距离。
18.在一形态中,提供一种计算机可读取的记录介质,其记录有用于让计算机执行以下步骤的程序:对扫描电子显微镜发出指令而使其生成在工件上形成的目标图案的对象图像;生成表示所述对象图像的各像素的多个特征量的特征向量;将所述特征向量输入至通过机器学习构建出的模型;从所述模型输出表示具有所述特征向量的像素为边缘的像素还是非边缘的像素的判定结果;以及,将得到了表示边缘的像素的判定结果的具有特征向量的多个像素以线相连来生成假想边缘。
19.在一形态中,所述模型为决策树。在一形态中,所述程序构成为进而让所述计算机执行以下步骤:从设计数据中选择多个训练用图案;对所述扫描电子显微镜发出指令而使其生成根据所述多个训练用图案分别制作的多个实际图案的多个训练用图像;检测所述多个训练用图像上的所述多个实际
图案的边缘;将构成所述多个训练用图像的多个参考像素分类为构成边缘的多个第1参考像素和不构成边缘的多个第2参考像素;生成所述多个第1参考像素的多个第1特征向量和所述多个第2参考像素的多个第2特征向量;以及,使用包含所述多个第1特征向量及所述多个第2特征向量的训练数据、通过机器学习来构建所述模型。
20.在一形态中,所述多个训练用图案是至少具有沿第1方向延伸的边缘、沿与所述第1方向垂直的第2方向延伸的边缘、隅角边缘、末端边缘的多个图案。在一形态中,所述多个实际图案是在所述工件上形成的图案。在一形态中,从设计数据中选择所述多个训练用图案的步骤如下:将根据所述设计数据绘制的包含多个图案的设计图式显示在显示画面上;以及,将从所述设计图式中包含的多个图案中选择的所述多个训练用图案或者所述多个训练用图案所处的区域以在视觉上进行了强调的形态显示在所述显示画面上。在一形态中,所述程序构成为进而让所述计算机执行以下步骤:生成沿着相对于所述假想边缘而沿法线方向延伸的多条探索线的所述对象图像的多个亮度曲线;根据多个所述亮度曲线来决定多个边缘点;以及,将所述多个边缘点以线相连,由此生成更新后的边缘。在一形态中,所述程序构成为进而让所述计算机执行以下步骤:利用设计数据来生成与所述目标图案相对应的cad图案;以及,测定所述cad图案的边缘起到所述更新后的边缘为止的距离。
21.在一形态中,提供一种方法,该方法制作用于检测图像上的图案的边缘的边缘检测模型,其中,利用扫描电子显微镜来生成形成有图案的工件的训练用图像,检测所述训练用图像上的所述图案的边缘,算出构成所述训练用图像的像素的特征向量,将所述训练用图像内的目标区域分割为边缘区域、边缘附近区域以及非边缘区域,制作包含所述边缘区域内的多个第1像素的多个特征向量、所述边缘附近区域内的多个第2像素的多个特征向量、以及所述非边缘区域内的多个第3像素的多个特征向量的训练数据,使用所述训练数据、通过机器学习来制作边缘检测模型。
22.在一形态中,在将所述多个第1像素的数量设为a、将所述多个第2像素的数量以及所述多个第3像素的数量的合计设为b时,数量a除以数量b得到的值(a/b)为预先定下的数值。在一形态中,数量a除以数量b得到的值(a/b)处于0.6~1.5的范围。在一形态中,所述非边缘区域与所述边缘区域相距预先定下的像素数程度,所述边缘附近区域位于所述边缘区域与所述非边缘区域之间。在一形态中,将所述训练用图像内的目标区域分割为边缘区域、边缘附近区域以及非边缘区域的工序是将所述训练用图像内的目标区域分割为边缘区域、除外区域、边缘附近区域以及非边缘区域,所述除外区域邻接于所述边缘区域,而且位于所述边缘区域与所述边缘附近区域之间,所述训练数据不包含所述除外区域内的像素的特征向量。在一形态中,所述目标区域包含第1区域、第2区域以及第3区域,所述第1区域包含第1边缘,所述第2区域包含与所述第1边缘垂直的第2边缘,所述第3区域包含隅角边缘及末端边缘。在一形态中,所述第1区域内的像素数、所述第2区域内的像素数以及所述第3区域
内的像素数处于预先定下的比例。
23.在一形态中,提供一种模型生成装置,其制作用于检测图像上的图案的边缘的边缘检测模型,该模型生成装置具备:存储装置,其存放有用于制作所述边缘检测模型的程序;以及运算装置,其按照所述程序中包含的命令来执行运算,所述模型生成装置构成为从扫描电子显微镜获取形成有图案的工件的训练用图像,检测所述训练用图像上的所述图案的边缘,算出构成所述训练用图像的像素的特征向量,将所述训练用图像内的目标区域分割为边缘区域、边缘附近区域以及非边缘区域,制作包含所述边缘区域内的多个第1像素的多个特征向量、所述边缘附近区域内的多个第2像素的多个特征向量、以及所述非边缘区域内的多个第3像素的多个特征向量的训练数据,使用所述训练数据、通过机器学习来制作边缘检测模型。
24.在一形态中,在将所述多个第1像素的数量设为a、将所述多个第2像素的数量以及所述多个第3像素的数量的合计设为b时,数量a除以数量b得到的值(a/b)为预先定下的数值。在一形态中,数量a除以数量b得到的值(a/b)处于0.6~1.5的范围。在一形态中,所述非边缘区域与所述边缘区域相距预先定下的像素数程度,所述边缘附近区域位于所述边缘区域与所述非边缘区域之间。在一形态中,所述模型生成装置构成为将所述训练用图像内的目标区域分割为边缘区域、除外区域、边缘附近区域以及非边缘区域,所述除外区域邻接于所述边缘区域,而且位于所述边缘区域与所述边缘附近区域之间,所述训练数据不包含所述除外区域内的像素的特征向量。在一形态中,所述目标区域包含第1区域、第2区域以及第3区域,所述第1区域包含第1边缘,所述第2区域包含与所述第1边缘垂直的第2边缘,所述第3区域包含隅角边缘及末端边缘。在一形态中,所述第1区域内的像素数、所述第2区域内的像素数以及所述第3区域内的像素数处于预先定下的比例。
25.在一形态中,提供一种计算机可读取的记录介质,其记录有用于让计算机执行以下步骤的程序:从扫描电子显微镜获取形成有图案的工件的训练用图像;检测所述训练用图像上的所述图案的边缘;算出构成所述训练用图像的像素的特征向量;将所述训练用图像内的目标区域分割为边缘区域、边缘附近区域以及非边缘区域;制作包含所述边缘区域内的多个第1像素的多个特征向量、所述边缘附近区域内的多个第2像素的多个特征向量、以及所述非边缘区域内的多个第3像素的多个特征向量的训练数据;以及,使用所述训练数据、通过机器学习来制作边缘检测模型。发明的效果
26.根据本发明,使用通过机器学习制作出的模型代替图案的设计数据来检测边缘。具体而言,根据从模型输出的判定结果来生成假想边缘。预料该假想边缘具有与图像上出现的图案的边缘极为相近的形状。
27.根据本发明,将包含边缘区域内的像素、边缘附近区域内的像素以及非边缘区域内的像素的训练数据用于机器学习。尤其是难以判定的边缘附近区域内的像素包含在训练数据中,所以通过机器学习制作出的边缘检测模型能够高精度地判定所给出的像素是否为
边缘。此外,根据本发明,除外区域内的像素不用于机器学习。该除外区域内的像素也许是边缘的像素、也许是非边缘的像素。也就是说,除外区域内的像素是不确定的像素。通过将这样的不确定的像素的特征向量从训练数据中排除,能使边缘检测模型的机器学习提前完成。
附图说明
28.图1为表示图案边缘检测装置的一实施方式的示意图。图2为表示对象图像的示意图。图3为表示假想边缘的示意图。图4为表示由决策树构成的模型的一实施方式的示意图。图5为表示将某一特征向量输入到图4所示的多个决策树时的判定结果的一例的图。图6为表示将另一特征向量输入到图4所示的多个决策树时的判定结果的另一例的图。图7为表示相对于假想边缘而沿法线方向延伸的多条探索线的图。图8为表示沿着图7所示的探索线中的1条的亮度曲线的一例的图。图9为表示用于训练数据的制作的训练用图案的一例的示意图。图10为表示显示画面上显示的设计图式的一例的示意图。图11为表示将表示所选择的训练用图案所处的区域的框显示在显示画面上的实施方式的图。图12为表示以视觉上相对不同于其他图案的形态显示所选择的训练用图案的实施方式的图。图13为表示包含构成边缘的第1参考像素的第1特征向量和不构成边缘的第2参考像素的第2特征向量的训练数据的示意图。图14为表示图案边缘检测装置的动作的流程图的一部分。图15为表示图案边缘检测装置的动作的流程图的剩余的一部分。图16为说明测定cad图案的边缘起到更新后的边缘为止的距离的实施方式的图。图17为表示图案边缘检测装置的一实施方式的示意图。图18为表示形成有图案的工件的图像的一例的图。图19为表示检测到的边缘的图。图20为将图19所示的检测到的边缘叠合在图18所示的图像上得到的图。图21为说明算出像素的特征量的一实施方式的图。图22为说明将图像内的目标区域分割为边缘区域、边缘附近区域以及非边缘区域的动作的图。图23为说明制作边缘检测模型的另一实施方式的图。图24为表示图像内设定的包含多个区域的目标区域的一例的图。图25为表示图像上的图案上叠合的cad图案的示意图。图26为表示沿着图25所示的探索线的亮度曲线的图。
图27为表示有缺陷的图案的一例的图。图28为表示有缺陷的图案的另一例的图。图29为表示有缺陷的图案的又一例的图。
具体实施方式
29.下面,参考附图,对本发明的实施方式进行说明。图1为表示图案边缘检测装置的一实施方式的示意图。如图1所示,图案边缘检测装置具备扫描电子显微镜1及运算系统3。扫描电子显微镜1是生成工件的图像的图像生成装置的一例。作为工件的例子,可列举与半导体制造有关的晶圆或掩膜。在以下所说明的实施方式中,是采用晶圆作为工件的例子,但本发明并不限定于以下实施方式。图案是形成于工件上的、电子器件的布线图案。
30.扫描电子显微镜1连接于运算系统3,扫描电子显微镜1的动作由运算系统3控制。运算系统3具备存放有数据库5及程序的存储装置6、按照程序中包含的命令来执行运算的处理装置7、以及显示图像及gui(图形用户界面)等的显示画面10。存储装置6具备ram等主存储装置和硬盘驱动器(hdd)、固态驱动器(ssd)等辅助存储装置。作为处理装置7的例子,可列举cpu(中央处理装置)、gpu(图形处理器)。但运算系统3的具体构成并不限定于这些例子。
31.运算系统3进而具备配备有鼠标12a及键盘12b的输入装置12。用户可以使用鼠标12a及/或键盘12b对显示画面10上出现的gui进行操作。配备有鼠标12a及键盘12b的输入装置12为一例,本发明并不限定于本实施方式的输入装置12。
32.运算系统3至少具备1台计算机。例如,运算系统3可为通过通信线连接于扫描电子显微镜1的边缘服务器,也可为通过互联网或局域网等通信网络连接于扫描电子显微镜1的云服务器。运算系统3也可为多个服务器的组合。例如,运算系统3也可为由互联网或局域网等通信网络相互连接在一起的边缘服务器与云服务器的组合,或者是未由通信网络连接在一起的多个服务器的组合。
33.扫描电子显微镜1具有发出由一次电子(带电粒子)构成的电子束的电子枪15、将从电子枪15发出的电子束加以会聚的聚束透镜16、使电子束朝x方向偏转的x偏转器17、使电子束朝y方向偏转的y偏转器18、使电子束聚焦于工件的一例即晶圆w的物镜20。
34.聚束透镜16及物镜20连接于透镜控制装置21,聚束透镜16及物镜20的动作由透镜控制装置21控制。该透镜控制装置21连接于运算系统3。x偏转器17、y偏转器18连接于偏转控制装置22,x偏转器17、y偏转器18的偏转动作由偏转控制装置22控制。该偏转控制装置22也同样连接于运算系统3。二次电子检测器25和反射电子检测器26连接于图像获取装置28。图像获取装置28构成为将二次电子检测器25和反射电子检测器26的输出信号转换为图像。该图像获取装置28也同样连接于运算系统3。
35.配置在腔室30内的载置台31连接于载置台控制装置32,载置台31的位置由载置台控制装置32控制。该载置台控制装置32连接于运算系统3。用于将晶圆w载置到腔室30内的载置台31上的输送装置34也同样连接于运算系统3。
36.从电子枪15发出的电子束经聚束透镜16加以会聚后由x偏转器17、y偏转器18加以偏转而且由物镜20加以会聚而照射至晶圆w的表面。当电子束的一次电子照射至晶圆w时,
从晶圆w发出二次电子及反射电子。二次电子由二次电子检测器25加以检测,反射电子由反射电子检测器26加以检测。检测到的二次电子的信号以及反射电子的信号输入至图像获取装置28而转换为图像。图像发送至运算系统3。
37.晶圆w上形成的图案的设计数据预先存储在存储装置6中。晶圆w上的图案是根据设计数据制作而成。图案的设计数据包含图案的顶点的坐标、图案的位置、形状以及大小、图案所属的层的编号等图案的设计信息。存储装置6中构建有数据库5。图案的设计数据预先存放在数据库5内。运算系统3可以从存储装置6中存放的数据库5中读出设计数据。设计数据也称为cad数据。cad是计算机辅助设计(computer-aided design)的缩写。
38.接着,对检测图像上的图案的边缘(轮廓线)的方法进行说明。首先,扫描电子显微镜1生成在晶圆w上形成的多个图案的多个图像。运算系统3从扫描电子显微镜1获取多个图像中的1个即对象图像。图2为表示对象图像的示意图。对象图像50上出现有应检测边缘的目标图案51。该目标图案51是晶圆w上形成的图案。
39.运算系统3生成表示对象图像50的各像素的多个特征量的特征向量。特征向量是包含各像素的多个特征量的多维向量。特征量是表示像素的特征的数值。在本实施方式中,各像素的多个特征量是该像素的亮度值与其他像素的亮度值的差。在一例中,亮度值是遵循灰阶的0~255的离散数值。在本实施方式中,其他像素为相邻的像素。在一实施方式中,其他像素也可为不相邻的像素。
40.运算系统3对对象图像50运用微分滤波,由此生成包含多个特征量的特征向量。具体而言,运算系统3算出某一像素的亮度值与存在于该像素周围的多个像素的亮度值的多个差。这些算出的多个差构成1个特征向量中包含的多个特征量。
41.例如,在图2所示的像素p1的亮度值为100、存在于该像素p1周围的多个像素的亮度值为200、150、100、50的情况下,算出的差为-100、-50、0、50。因而,该例中的像素p1的特征向量表示为(-100,-50,0,50)。另一方面,在图2所示的像素p2的亮度值为10、存在于该像素p2周围的多个像素的亮度值为20、15、10、10的情况下,算出的差为-10、-5、0、0。因而,该例中的像素p2的特征向量表示为(-10,-5,0,0)。
42.在本实施方式中,特征向量中包含的特征量的数量为4个,但本发明并不限于该实施方式。特征向量也可包含比4个小或者比4个大的数量的特征量。
43.运算系统3将构成特征向量的多个特征量输入至通过机器学习构建出的模型,从模型输出表示边缘的像素或者非边缘的像素的判定结果。该模型是使用训练数据、通过机器学习制作出的已学习模型。训练数据包含多个像素各自的特征向量和这些特征向量的正解数据。正解数据是确定具有某一特征向量的像素为构成图案的边缘的像素或者不构成边缘的像素中的任一者的信息。训练数据中包含的多个像素的特征向量分别与正解数据相联系(相关联)。
44.通过使用这样的训练数据的机器学习而制作出的模型可以根据未知像素的特征向量来判别该未知像素为边缘的像素还是非边缘的像素。即,当未知像素的特征向量输入至模型时,模型输出表示边缘的像素或者非边缘的像素的判定结果。
45.运算系统3选择得到了表示边缘的像素的判定结果的具有特征向量的多个像素,并将所选择的多个像素以线相连来生成假想边缘。图3为表示假想边缘的示意图。运算系统3将得到了表示边缘的像素的判定结果的具有特征向量的多个像素px以线相连,由此形成
假想边缘55。预料该假想边缘55具有与晶圆w上的目标图案51(参考图2)的边缘相近的形状。
46.在本实施方式中,模型使用的是决策树。决策树是按照作为机器学习的算法的一例的随机森林算法构建而成的模型(已学习模型)。
47.图4为表示由决策树构成的模型的一实施方式的示意图。如图4所示,模型60具备多个决策树60a、60b、60c。各像素的特征向量输入至这各个决策树60a、60b、60c。多个决策树60a、60b、60c按照各决策树的算法来判定具有特征向量的像素为边缘的像素还是非边缘的像素。在图4所示的例子中,模型60是由3个决策树60a、60b、60c构成,但决策树的数量并无特别限定。在一实施方式中,模型60也可仅具备1个决策树。
48.图5为表示将特征向量(-100,-50,0,50)输入到图4所示的多个决策树60a、60b、60c时的判定结果的一例的图。特征向量(-100,-50,0,50)被分别输入至3个决策树60a、60b、60c。第1决策树60a及第2决策树60b判定具有特征向量(-100,-50,0,50)的像素为边缘的像素,第3决策树60c判定具有特征向量(-100,-50,0,50)的像素为非边缘的像素。
49.图6为表示将特征向量(-10,-5,0,0)输入到图4所示的多个决策树60a、60b、60c时的判定结果的一例的图。特征向量(-10,-5,0,0)被分别输入至3个决策树60a、60b、60c。所有决策树60a、60b、60c都判定具有特征向量(-10,-5,0,0)的像素为非边缘的像素。
50.存在决策树60a、60b、60c的数量程度的判定结果,有可能存在判定结果根据决策树60a、60b、60c而不同的情况。运算系统3采用表示边缘的像素的判定结果或者表示非边缘的像素的判定结果当中数量多的一方。在图5所示的例子中,3个决策树60a、60b、60c中的2个输出表示边缘的像素的判定结果,另1个输出表示非边缘的像素的判定结果。在该情况下,运算系统3采用数量多的一方的判定结果,决定具有所输入的特征向量(-100,-50,0,50)的像素为边缘的像素。在图6所示的例子中,所有决策树60a、60b、60c都输出表示非边缘的像素的判定结果。在该情况下,运算系统3决定具有所输入的特征向量(-10,-5,0,0)的像素为非边缘的像素。
51.与神经网络等其他模型相比,决策树有能快速结束机器学习这一优点。例如,使用训练数据来构建多个决策树这一目的的机器学习会在1分钟~5分钟左右完成。因而,通过采用具备决策树的模型60,能够缩短从开始机器学习起到生成假想边缘55为止的时间。
52.通常而言,即便在利用相同设计数据来制作图案的情况下,图案的边缘形状也会在每一晶圆上出现些许差异。使用某一晶圆上的图案的图像制作而成的模型有时会在其他晶圆上的图案的边缘检测中失败。根据本实施方式,训练数据的制作中使用的实际图案和应生成假想边缘55的目标图案51形成于相同晶圆(工件)w上。也就是说,学习阶段内的模型60的机器学习和边缘检测阶段内的假想边缘55的生成是使用相同晶圆(工件)w的图像来执行。因而,运算系统3可以利用使用训练数据而通过机器学习构建出的模型60以高精度生成目标图案51的假想边缘55。
53.在本实施方式中,是使用多个决策树作为通过机器学习构建出的模型60,但本发明并不限定于本实施方式。在一实施方式中,通过机器学习构建出的模型60也可为由支持向量机或神经网络构成的模型。在模型60为神经网络的情况下,特征向量输入至神经网络的输入层,从神经网络的输出层输出判定结果。深度学习适合神经网络的机器学习。
54.预料图3所示的假想边缘55具有与图2所示的目标图案51的边缘极为相近的形状。
在一实施方式中,运算系统3可进而执行根据假想边缘55来检测目标图案51的边缘的工序。该目标图案51的边缘检测是以与参考图25及图26而说明过的以往的边缘检测方法相同的方式加以执行。其中,使用假想边缘55代替cad图案。具体而言,如图7所示,运算系统3生成沿着相对于假想边缘55而沿法线方向延伸的多条探索线65的对象图像50的多个亮度曲线,根据多个亮度曲线来决定多个边缘点ep,将多个边缘点ep以线相连,由此生成更新后的边缘67。
55.图8为表示沿着图7所示的探索线65中的1条的亮度曲线的一例的图。运算系统3决定亮度曲线上的亮度值与阈值相等的边缘点ep。如图7所示,运算系统3决定沿着多条探索线65的多个亮度曲线上的多个边缘点ep,将这些边缘点ep以线相连,由此生成更新后的边缘67,将更新后的边缘67绘制在对象图像50上。预料该更新后的边缘67具有与目标图案51(参考图2)的实际的边缘极为相近的形状。
56.接着,对用于构建模型60的机器学习中使用的训练数据进行说明。如上所述,训练数据是利用形成有应生成假想边缘55的目标图案51的晶圆w上的多个实际图案的图像来加以制作。运算系统3从设计数据中选择多个训练用图案。设计数据(也称为cad数据)是晶圆w上形成的图案的设计数据。
57.要提高模型60的边缘判定精度,较理想为利用具有各种边缘形状的图案的图像来制作训练数据。出于这样的观点,用于训练数据的制作的训练用图案像图9所示那样包含多个图案pt1、pt2、pt3,所述多个图案pt1、pt2、pt3具有沿第1方向延伸的边缘e1、沿与第1方向垂直的第2方向延伸的边缘e2、隅角边缘e3、末端边缘e4。运算系统3从设计数据中提取(选择)这样的具有各种形状的边缘e1~e4的多个训练用图案pt1、pt2、pt3。
58.运算系统3构成为将根据设计数据绘制的设计图式显示在显示画面10(参考图1)上。图10为表示显示画面10上显示的设计图式75的一例的示意图。设计图式75中包含根据设计数据绘制的各种图案。用户可以一边通过目视来确认显示画面10上的设计图式75一边选择图9所示那样的、具有沿多个方向延伸的边缘的图案pt1、pt2、pt3。更具体而言,用户可以操作图1所示的配备有鼠标12a及键盘12b的输入装置12而像图10所示那样从设计图式75上的多个图案中选择多个训练用图案pt1、pt2、pt3。
59.用户可以操作输入装置12来删除或变更训练用图案pt1、pt2、pt3的一部分,或者也可以将设计图式75上的别的图案追加到训练用图案pt1、pt2、pt3中。
60.运算系统3将所选择的多个训练用图案pt1、pt2、pt3或者这些图案pt1、pt2、pt3所处的区域以在视觉上进行了强调的形态加以显示。例如,可像图11所示那样将表示所选择的训练用图案pt1、pt2、pt3所处的区域的框80显示在显示画面10上,或者也可像图12所示那样以视觉上相对不同于其他图案的形态显示所选择的训练用图案pt1、pt2、pt3自身。在图12所示的例子中,是以比其他图案粗的线来显示所选择的训练用图案pt1、pt2、pt,但在其他例子中,也能以不同于其他图案的颜色来显示所选择的训练用图案pt1、pt2、pt3。用户可以通过目视来确认显示画面10上的多个训练用图案pt1、pt2、pt3。
61.扫描电子显微镜1生成根据所选择的多个训练用图案分别制作的多个实际图案的多个训练用图像。此时,扫描电子显微镜1可生成应生成假想边缘55的目标图案51的图像。运算系统3从扫描电子显微镜1获取多个训练用图像,并存储在存储装置6内。
62.接着,运算系统3检测多个训练用图像上的多个实际图案的边缘。该边缘检测是按
照参考图25及图26而说明过的以往的边缘检测方法来执行。即,运算系统3利用设计数据来生成分别对应于多个训练用图案的多个cad图案。运算系统3可对各cad图案运用隅角整圆处理来形成带弧度的隅角边缘。接着,运算系统3将这些cad图案分别叠合在训练用图像上的多个图案上。运算系统3生成相对于cad图案的边缘而沿法线方向延伸的多条探索线,制作沿着这些探索线的图像的多个亮度曲线。运算系统3决定1个亮度曲线上的亮度值与阈值相等的边缘点。进而,运算系统3重复同样的动作而决定沿着所有探索线的亮度曲线上的多个边缘点。运算系统3以线来连结这多个边缘点,将连结边缘点而成的线作为训练用图像上的实际图案的边缘。以如此方式检测(决定)训练用图像上的实际图案的边缘。
63.这样的训练用图像上的实际图案的边缘检测的结果是,运算系统3可以对构成训练用图像的各参考像素打上边缘像素的标签或者非边缘像素的标签。即,运算系统3将构成多个训练用图像的多个参考像素分类为构成边缘的第1参考像素和不构成边缘的第2参考像素。
64.运算系统3生成多个第1参考像素的多个第1特征向量和多个第2参考像素的多个第2特征向量。如上所述,各特征向量是包含各参考像素的多个特征量的多维向量。运算系统3制作包含多个第1特征向量及多个第2特征向量和这些特征向量的正解数据的训练数据。正解数据是确定具有某一特征向量的像素为构成图案的边缘的像素或者不构成边缘的像素中的任一者的信息。训练数据中包含的第1特征向量及第2特征向量分别与正解数据相联系(相关联)。
65.图13为表示包含构成边缘的第1参考像素的第1特征向量和不构成边缘的第2参考像素的第2特征向量的训练数据70的示意图。第1特征向量上带有表示边缘的像素的正解数据的标签,第2特征向量上带有表示非边缘的像素的正解数据的标签。运算系统3使用训练数据70、通过机器学习来构建模型60。
66.在本实施方式中,模型60是由多个决策树60a、60b、60c构成。运算系统3制作分别包含从训练数据70中随机提取的多个第1特征向量及多个第2向量的多个数据组70a、70b、70c,使用这些数据组70a、70b、70c来构建多个决策树60a、60b、60c。更具体而言,运算系统3使用数据组70a来决定决策树60a的模型参数。同样地,运算系统3使用数据组70b来决定决策树60b的模型参数,使用数据组70c来决定决策树60c的模型参数。
67.运算系统3使用上述训练数据70来验证模型60,所述模型60由具备像上述那样决定的模型参数的多个决策树60a、60b、60c构成。具体而言,运算系统3将训练数据70中包含的第1特征向量输入至模型60并从模型60输出判定结果,核对判定结果是否表示边缘像素。同样地,运算系统3将训练数据70中包含的第2特征向量输入至模型60并从模型60输出判定结果,核对判定结果是否表示非边缘像素。运算系统3反复执行这样的验证而获取多个判定结果,算出这多个判定结果与正解数据一致的比例即判定精度。
68.若判定精度为设定值以上,则运算系统3像上述那样使用模型60来执行假想边缘55的生成。若判定精度小于设定值,则运算系统3再次执行训练数据的制作以及模型的机器学习。在一实施方式中,在判定精度小于设定值的情况下,运算系统3也可不使用模型60而是按照参考图25及图26而说明过的以往的边缘检测方法来检测目标图案51的边缘。
69.图14及图15为表示到目前为止说明过的图案边缘检测装置的动作的流程图。在步骤1中,运算系统3从设计数据中选择(提取)多个训练用图案。如图9所示,所
选择的训练用图案包含多个图案,所述多个图案具有沿第1方向延伸的边缘e1、沿与第1方向垂直的第2方向延伸的边缘e2、隅角边缘e3、末端边缘e4。在步骤2中,扫描电子显微镜1生成根据所选择的多个训练用图案分别制作的多个实际图案的多个训练用图像。此时,扫描电子显微镜1可生成应生成假想边缘的目标图案51的图像。
70.在步骤3中,运算系统3检测多个训练用图像上的多个实际图案的边缘。该边缘检测是按照参考图25及图26而说明过的以往的边缘检测方法来执行。在步骤4中,运算系统3将构成多个训练用图像的多个参考像素分类为构成边缘的第1参考像素和不构成边缘的第2参考像素。在步骤5中,运算系统3生成多个第1参考像素的多个第1特征向量和多个第2参考像素的多个第2特征向量。具体而言,运算系统3生成表示各参考像素的多个特征量的特征向量。在步骤6中,运算系统3制作包含多个第1特征向量及多个第2特征向量和这些特征向量的正解数据的训练数据70(参考图13)。
71.在步骤7中,运算系统3使用训练数据70来执行机器学习而构建模型60。更具体而言,运算系统3以在某一特征向量被输入到模型60时模型60输出正确的判定结果的方式对模型参数进行调节。在步骤8中,运算系统3使用训练数据70来验证模型60的判定精度。具体而言,运算系统3将训练数据70中包含的多个特征向量逐一输入至模型60,并从模型60输出多个判定结果。运算系统3算出这多个判定结果与正解数据一致的比例即判定精度。
72.在步骤9中,运算系统3将判定精度与设定值进行比较。在判定精度小于设定值的情况下,动作流程返回至步骤6。在一实施方式中,在判定精度小于设定值的情况下,动作流程可不返回至步骤6,运算系统3按照参考图25及图26而说明过的以往的边缘检测方法来检测目标图案51的边缘。
73.在上述步骤9中,若判定精度为设定值以上,则像图15所示那样在步骤10中由运算系统3使用模型60来生成假想边缘。具体而言,运算系统3生成表示对象图像50的各像素的多个特征量的特征向量,将特征向量输入至模型60,从模型60输出表示边缘的像素或者非边缘的像素的判定结果。运算系统3将得到了表示边缘的像素的判定结果的具有特征向量的多个像素以线相连来生成假想边缘。
74.在步骤11中,运算系统3将假想边缘用作基准边缘、按照以往的边缘检测方法来执行边缘检测,生成更新后的边缘。具体而言,如图7及图8所示,运算系统3生成相对于假想边缘55而沿法线方向延伸的多条探索线65,并生成沿着这些探索线65的对象图像50的多个亮度曲线,根据多个亮度曲线来决定多个边缘点ep,将多个边缘点ep以线相连,由此生成更新后的边缘67。
75.在步骤12中,运算系统3检查上述步骤11中生成的更新后的边缘67与cad图案的边缘相距哪一程度。具体而言,如图16所示,运算系统3利用设计数据来生成与目标图案51相对应的cad图案75,将cad图案75叠合在对象图像50上的目标图案51上,在多个测定点上测定cad图案75的边缘起到目标图案51的更新后的边缘67为止的距离。多个测定点排列在cad图案的边缘上。根据该步骤12,得知更新后的边缘67与设计数据存在哪一程度的背离(或者
与设计数据相近到哪一程度)。
76.至少具备1个计算机的运算系统3按照以电气方式存放于存储装置6中的程序中包含的命令进行动作。即,运算系统3执行以下步骤:对扫描电子显微镜1发出指令而使其生成在工件上形成的目标图案51的对象图像50;生成表示对象图像50的各像素的多个特征量的特征向量;将所述特征向量输入至通过机器学习构建出的模型60;从模型60输出表示具有所述特征向量的像素为边缘的像素还是非边缘的像素的判定结果;以及,将得到了表示边缘的像素的判定结果的具有特征向量的多个像素以线相连来生成假想边缘55。
77.用于让运算系统3执行这些步骤的程序记录在作为非暂时性的有形物的计算机可读取的记录介质中,经由记录介质提供给运算系统3。或者,程序也可经由互联网或局域网等通信网络而输入至运算系统3。
78.用于训练数据的图案边缘有起伏,而且图像上的边缘与非边缘区域的交界线不清晰。使用这样的训练数据制作出的模型(以下称为边缘检测模型)存在边缘的检测失败或者边缘发生误检测的情况。要制作精度高的模型,就需要机器学习用的大量训练数据,结果,机器学习会耗费极长的时间。
79.因此,以下所说明的实施方式提供一种能够制作精度高的边缘检测模型而不会在机器学习上耗费长时间的方法及装置。图17为表示图案边缘检测装置的另一实施方式的示意图。不特别说明的本实施方式的构成及动作与参考图1至图16而说明过的实施方式相同,所以省略其重复的说明。
80.运算系统3具备模型生成装置80,所述模型生成装置80生成用于检测在工件w上形成的图案的边缘的边缘检测模型。图像获取装置28连接于模型生成装置80。
81.模型生成装置80由至少1台计算机构成。模型生成装置80具备存放有程序的存储装置80a和按照程序中包含的命令来执行运算的处理装置80b。存储装置80a具备ram等主存储装置和硬盘驱动器(hdd)、固态驱动器(ssd)等辅助存储装置。作为处理装置80b的例子,可列举cpu(中央处理装置)、gpu(图形处理器)。但模型生成装置80的具体构成并不限定于这些例子。存储装置80a也可与存储装置6为一体,处理装置80b也可与处理装置7为一体。
82.模型生成装置80构成为通过机器学习来制作边缘检测模型,所述边缘检测模型用于检测从图像获取装置28送来的图像上的图案的边缘。下面,对边缘检测模型的制作进行说明。
83.首先,准备形成有图案的工件w。扫描电子显微镜1生成工件w的训练用图像,模型生成装置80从扫描电子显微镜1获取训练用图像。图18为表示形成有图案的工件w的训练用图像的一例的图。在图18所示的例子中,训练用图像上出现了多个图案。这些图案是用于训练数据的训练用图案。模型生成装置80检测训练用图像上的图案的边缘。边缘的检测使用索贝尔滤波或坎尼法等公知的图像处理技术。或者,也可按照参考图25及图26而说明过的以往的边缘检测方法来执行边缘检测。在一实施方式中,用户也可对检测到的边缘进行手动修正。进而,在一实施方式中,也可由用户绘制边缘。
84.图19为表示检测到的边缘的图。如图19所示,以线来表示检测到的边缘。模型生成装置80将检测到的边缘叠合在工件w的训练用图像上。图20为将图19所示的检测到的边缘叠合在图18所示的训练用图像上得到的图。
85.接着,模型生成装置80生成表示构成图18所示的训练用图像的各像素的多个特征
量的特征向量。特征向量是包含各像素的多个特征量的多维向量。特征量是表示像素的特征的数值。在本实施方式中,各像素的多个特征量是该像素的亮度值与其他像素的亮度值的差。在一例中,亮度值是遵循灰阶的0~255的离散数值。在本实施方式中,其他像素为相邻的像素。在一实施方式中,其他像素也可为不相邻的像素。
86.参考图21,对算出像素的特征量的一实施方式进行说明。如图21所示,模型生成装置80对训练用图像运用微分滤波而算出各像素的特征量。更具体而言,模型生成装置80沿多个方向对构成训练用图像的像素的亮度值进行微分,针对各像素而算出由沿各方向排列的2个像素间的亮度值的差构成的特征量。
87.在图21所示的例子中,模型生成装置80沿0度、45度、90度、135度的方向对像素的亮度值进行微分。即,模型生成装置80算出沿0度方向排列的像素的亮度值的差、沿45度方向排列的像素的亮度值的差、沿90度方向排列的像素的亮度值的差、以及沿135度方向排列的像素的亮度值的差。因而,针对各像素而获得由4个数值构成的特征量。例如,图21的符号p1所示的像素的特征量以由200、50、0、-50构成的特征向量表示。但微分的角度、角度的数量以及每1像素的特征量的数量并不限定于本实施方式。
88.接着,如图22所示,模型生成装置80将训练用图像内的目标区域100分割为边缘区域r1、边缘附近区域r2以及非边缘区域r3。图22所示的目标区域100为图18所示的工件w的训练用图像的一部分。更具体而言,图22所示的目标区域100是图18所示的训练用图像上的包含图案的边缘的区域。边缘区域r1是包含构成图19所示的检测到的边缘的像素的区域。边缘区域r1的宽度固定。例如,边缘区域r1的宽度可为相当于1像素的宽度,或者也可为相当于预先定下的数量的(例如3个)多个像素的宽度。
89.非边缘区域r3与边缘区域r1相距预先定下的像素数程度。边缘附近区域r2位于边缘区域r1与非边缘区域r3之间。即,边缘附近区域r2邻接于边缘区域r1及非边缘区域r3,而且沿边缘区域r1及非边缘区域r3延伸。边缘附近区域r2的宽度固定。在一实施方式中,边缘附近区域r2的宽度比边缘区域r1的宽度宽。通常,边缘区域r1比边缘附近区域r2小,边缘附近区域r2比非边缘区域r3小。
90.模型生成装置80制作包含边缘区域r1内的多个像素的多个特征向量、边缘附近区域r2内的多个像素的多个特征向量以及非边缘区域r3内的多个像素的多个特征向量的训练数据,使用训练数据、通过机器学习来制作边缘检测模型。作为边缘检测模型的例子,可列举决策树及神经网络。作为机器学习的例子,可列举决策树学习及深度学习。
91.训练数据包含各像素的正解数据(或正解标签)。该正解数据是确定各像素为构成图案的边缘的像素或者不构成边缘的像素中的任一者的信息。边缘区域r1内的像素是构成边缘的像素,边缘附近区域r2及非边缘区域r3内的像素是不构成边缘的像素。机器学习对边缘检测模型的参数(权重系数等)进行优化,所述边缘检测模型用于正确地判定具有输入到边缘检测模型中的特征向量的像素是边缘的像素还是非边缘的像素。如此通过机器学习制作出的边缘检测模型可以根据像素的特征向量来判定该像素是边缘的像素还是非边缘的像素。
92.根据本实施方式,必然包含边缘区域r1内的像素、边缘附近区域r2内的像素以及非边缘区域r3内的像素的训练数据被用于机器学习。尤其是难以判定的边缘附近区域r2内的像素包含在训练数据中,所以通过机器学习制作出的边缘检测模型能够高精度地判定所
给出的像素是否为边缘。
93.若训练数据中包含的非边缘区域r3内的像素的数量相较于训练数据中包含的边缘区域r1内的像素的数量而言过多,则使用这样的训练数据制作出的边缘检测模型的算法会偏向于非边缘的像素检测。结果,边缘检测模型无法正确地判定所输入的像素为边缘的像素这一情况。因此,要提高边缘检测模型的边缘检测精度,优选用于边缘检测模型的机器学习的多个像素均等地包含边缘的像素(即边缘区域r1内的像素)和非边缘的像素(即边缘附近区域r2及非边缘区域r3内的像素)。
94.出于这样的观点,在将边缘区域r1内的像素的数量设为a、将边缘附近区域r2内的像素的数量以及非边缘区域r3内的像素的数量的合计设为b时,数量a除以数量b得到的值(a/b)为预先定下的数值。数量a除以数量b得到的值(a/b)处于0.6~1.5的范围。为了提高边缘检测模型的边缘检测精度,在一实施方式中,训练数据中包含的边缘区域r1内的像素的数量a与训练数据中包含的边缘附近区域r2内的像素的数量以及非边缘区域r3内的像素的数量的合计b相同。
95.边缘附近区域r2内的像素的特征向量具有边缘区域r1内的像素的特征向量与非边缘区域r3内的像素的特征向量之间的值。因此,难以准确地判定边缘附近区域r2内的像素为边缘的像素还是非边缘的像素。从另一观点来看,若使用大量包含边缘附近区域r2内的像素的特征向量的训练数据,则能生成边缘检测精度高的边缘检测模型。因此,在一实施方式中,训练数据中包含的边缘附近区域r2内的像素的数量比训练数据中包含的非边缘区域r3内的像素的数量多。
96.运算系统3使用通过机器学习制作出的边缘检测模型、以如下方式检测工件w的对象图像上的边缘。扫描电子显微镜1生成工件w的对象图像,运算系统3从扫描电子显微镜1接收工件w的对象图像,算出构成工件w的对象图像的像素的特征向量,将特征向量输入至边缘检测模型,从边缘检测模型输出表示具有特征向量的像素为边缘的像素还是非边缘的像素的判定结果,将得到了表示边缘的像素的判定结果的具有特征向量的多个像素以线相连来生成边缘。
97.至少具备1个计算机的模型生成装置80按照以电气方式存放于存储装置80a中的程序中包含的命令进行动作。即,模型生成装置80执行以下步骤:从扫描电子显微镜1获取形成有图案的工件w的训练用图像,检测训练用图像上的图案的边缘,算出构成训练用图像的像素的特征向量,将训练用图像内的目标区域分割为边缘区域r1、边缘附近区域r2以及非边缘区域r3,制作包含边缘区域r1内的多个像素的特征向量、边缘附近区域r2内的多个像素的特征向量以及非边缘区域r3内的多个像素的特征向量的训练数据,使用训练数据、通过机器学习来制作边缘检测模型。
98.用于让模型生成装置80执行这些步骤的程序记录在作为非暂时性的有形物的计算机可读取的记录介质中,经由记录介质提供给模型生成装置80。或者,程序也可经由互联网或局域网等通信网络而输入至模型生成装置80。
99.接着,参考图23,对制作边缘检测模型的另一实施方式进行说明。不特别说明的本实施方式的工序与参考图17至图22而说明过的上述实施方式相同,所以省略其重复的说明。
100.如图23所示,在本实施方式中,模型生成装置80构成为将训练用图像内的目标区
域100分割为边缘区域r1、边缘附近区域r2、非边缘区域r3以及除外区域r4。除外区域r4邻接于边缘区域r1,而且位于边缘区域r1与边缘附近区域r2之间。图23所示的除外区域r4的宽度固定。在一实施方式中,除外区域r4的宽度比边缘附近区域r2的宽度窄。进而,在一实施方式中,除外区域r4的宽度与边缘区域r1的宽度相同或者比边缘区域r1的宽度窄。
101.训练数据不包含除外区域r4内的像素的特征向量。即,训练数据包含边缘区域r1内的多个像素的特征向量、边缘附近区域r2内的多个像素的特征向量、以及非边缘区域r3内的多个像素的特征向量,但不包含除外区域r4内的像素的特征向量。因而,除外区域r4内的像素不用于机器学习。
102.除外区域r4邻接于边缘区域r1,除外区域r4内的各像素的特征向量与边缘区域r1内的各像素的特征向量大体相同。因而,除外区域r4内的像素也许是边缘的像素、也许是非边缘的像素。也就是说,除外区域r4内的像素是不确定的像素。若将这样的不确定的像素包含在训练数据中,则须持续进行机器学习直至边缘检测模型满足所期望的正确回答率为止。结果,会耗费长时间来完成机器学习。根据本实施方式,除外区域r4内的像素的特征向量从训练数据中被排除,所以能使边缘检测模型的机器学习提前完成。
103.为了进一步提高边缘检测模型的边缘检测精度,在一实施方式中,目标区域100包含多个区域,所述多个区域包含训练用图像内的各种图案边缘。其原因在于,训练用图像上的图案的边缘的锐度有可能根据边缘的延伸方向而变化。
104.图24为表示训练用图像内设定的包含多个区域的目标区域100的一例的图。如图24所示,目标区域100包含第1区域t1、第2区域t2以及第3区域t3,所述第1区域t1包含工件w的图像内的图案的第1边缘e1,所述第2区域t2包含与第1边缘e1垂直的第2边缘e2,所述第3区域t3包含图案的隅角边缘e3及末端边缘e4。训练数据包含多个区域t1、t2、t3内的像素的特征向量,所述多个区域t1、t2、t3包含沿不同方向延伸的边缘e1、e2、e3、e4。使用这样的训练数据的机器学习能够提高沿各种方向延伸的边缘的检测精度。
105.为了进一步提高沿不同方向延伸的边缘的检测精度,在一实施方式中,第1区域t1内的像素数、第2区域t2内的像素数以及第3区域t3内的像素数处于预先定下的比例。在以s1表示第1区域t1内的像素数、以s2表示第2区域t2内的像素数、以及以s3表示第3区域t3内的像素数时,s1、s2以及s3的关系以下式表示。s1=m
×
s2=n
×
s3其中,m为0.9~1.1,n为0.01~0.1。
106.记载上述实施方式的目的在于让具有本发明所属的技术领域内的普通知识的人能够实施本发明。只要是本领域技术人员,当然能够实现上述实施方式的各种变形例,本发明的技术思想也能运用于其他实施方式。因而,本发明不限定于所记载的实施方式,而是在遵循由权利要求书定义的技术思想的最大范围内加以解释。产业上的可利用性
107.本发明可以用于从由扫描电子显微镜生成的图像中检测与半导体制造有关的在晶圆或掩膜等工件上形成的图案的边缘(轮廓线)的方法及装置。此外,本发明可以用于让计算机执行这样的图案边缘检测用的程序。此外,本发明可以用于通过机器学习来制作边缘检测模型的方法及装置。符号说明
[0108]1…
扫描电子显微镜3
…
运算系统5
…
数据库6
…
存储装置7
…
处理装置10
…
显示画面12
…
输入装置15
…
电子枪16
…
聚束透镜17
…
x偏转器18
…
y偏转器20
…
物镜21
…
透镜控制装置22
…
偏转控制装置25
…
二次电子检测器26
…
反射电子检测器28
…
图像获取装置30
…
腔室31
…
载置台32
…
载置台控制装置34
…
输送装置50
…
对象图像51
…
目标图案55
…
假想边缘60
…
模型60a、60b、60c
…
决策树65
…
探索线67
…
更新后的边缘70
…
训练数据70a、70b、70c
…
数据组75
…
设计图式80
…
模型生成装置100
…
目标区域w
…
晶圆(工件)。
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。