JP4920268B2 - 半導体プロセスモニタ方法およびそのシステム - Google Patents

Description

本発明は、半導体製造プロセスにおいて、ウェーハ上に形成された回路パターンを評価・管理する半導体プロセスモニタ方法およびそのシステムに関し、特に測長ＳＥＭによるパターンの断面形状管理、およびプロセス条件管理に有効な技術に関する。

従来のトランジスタのデバイス特性は、主にゲート配線幅(ゲート長)に依存しており、半導体製造プロセスにおいては、主に測長用の電子顕微鏡(ＳＥＭ：Scanning Electron Microscopy)を用いて、このパターンの配線幅を測長・管理していた。しかし、半導体回路パターンの微細化に伴い、トランジスタの短チャンネル化が進み、デバイス特性に大きな影響を与える要素として、前記配線幅に加え、半導体パターンの断面形状が、重要となってきた。

ところで、特開平１０−１２５７４９号公報(特許文献１)には、パラメータを整合させることで、シュミレーションされた３次元形状モデル(理想画像)と被加工物から取得する３次元画像データとを合成して同一デイスプレイ上に表示し、該表示結果に基づいて被加工物に加工された加工パターンの合否を判定する半導体製品の検査装置及びその製造方法が記載されている。

特開平１０−１２５７４９号公報

ＬＳＩの微細化・高密度化に伴う設計マージンの減少等により、半導体製造工程で形成されるパターンの管理は、従来の寸法管理のみでは、適切な管理ができなくなり、形成されたパターンの断面形状まで管理することが求められつつある。

しかしながら、従来の測長ＳＥＭでは、主に配線パターンの線幅やコンタクトホールの穴径など、トップダウン方向（ウェーハに対して垂直上方）からの２次元形状の寸法の計測に用いられ、様々な断面形状を評価して管理することが困難であった。

また、様々な断面形状について評価して管理を行うには、次のような課題を有していた。
（１）トップダウン方向から撮像したＳＥＭ像（以降、トップダウンＳＥＭ像と呼ぶ。）から、形成パターンの断面形状、またはパターン形成時のプロセスパラメタの一部若しくは全てを計測することは困難であった。
（２）また、前記断面形状、または前記プロセスパラメタの計測結果を基に、形成パターンの良否判定を行う方法がなかった。
（３）また、形成パターンに不良があった場合に、パターン形成不良の要因となるプロセスにおけるプロセス条件の調整量を算出し、該プロセスにフィードバックする方法がなかった。

本発明の目的は、上記課題を解決すべく、測長ＳＥＭ等を用いて計測対象パターンの断面形状またはプロセス条件の全て若しくは一部を非破壊で、しかも高スループットで、管理することを可能にした半導体プロセスモニタ方法およびそのシステムを提供することにある。

また、本発明の他の目的は、測長ＳＥＭ等を用いて計測対象パターンの断面形状またはプロセス条件の推定結果を基に計測対象パターンの良否判定、または適正値(規格値)からのずれ量について算出を行い、必要に応じて、露光プロセス、またはエッチングプロセス、または露光マスク設計等のプロセスへプロセス条件の調整量をフィードバックすることで、高度のプロセス管理を可能にした半導体プロセスモニタ方法およびそのシステムを提供することにある。

本発明は、次の点を特徴とする半導体プロセスモニタ方法およびそのシステムを提供することで、上記目的を達成する。

即ち、本発明は、断面形状推定またはプロセス条件推定において、前記推定を行う各パラメタの予想変動区間に対し、十分な推定精度を得ることができるかを判断する為に、収集した前記学習データのサンプル数、あるい分布を、必要に応じてユーザに提示すると伴に、学習データのサンプル数、あるいは分布を評価する一つ以上の指標値（信頼度）を算出し、該算出された指標値（信頼度）を必要に応じて、ユーザに提示することも可能とすることを特徴とする。前記指標値は、例えば学習データにおいて、前記推定を行う各パラメタの予想変動区間に対し、パターンの断面形状またはプロセス条件の変動に対する画像特徴量の分布状態を解析し、該分布の密度、連続性、ばらつき、密度等を定量化したものある。前記指標値を、以降、画像特徴量の信頼度と呼ぶ。

また、本発明は、前記画像特徴量の信頼度をユーザに提示し、必要に応じて、ユーザに学習データの追加学習を促すことを特徴とする。前記学習データの追加学習が必要な場合には、追加学習が必要な断面形状またはプロセス条件のパターンをユーザに提示し、追加学習を促すことを特徴とする。

また、本発明は、断面形状またはプロセス条件の推定に用いる画像特徴量の指標値、および推定エンジンを選択する為の判断基準となる指標値若しくは前記画像特徴量間の重み調整するための判断基準となる指標値を算出し、且つ必要に応じてユーザに提示し、前記指標値を確認しながら、前記選択、あるいは調整を可能とすることを特徴とする。前記指標値を、以降、画像特徴量の信頼度、推定エンジンの信頼度と呼ぶ。

また、本発明は、断面形状またはプロセス条件の推定結果の信頼性を表す指標値を、前記推定結果をあわせて算出し、必要に応じて、ユーザに提示可能とすることを特徴とする。前記指標値を、以降、推定結果の信頼度と呼ぶ。更に必要に応じて、前記推定結果が設計規格値を満たさず、且つ前記推定結果の信頼度が、設定閾値を満たし、前記推定結果が十分に信頼できる場合に、計測対象のプロセス条件の調整量を算出し、プロセスへフィードバックすることを特徴とする。

また、本発明は、半導体デバイスの製造プロセスの途中において所定の製造プロセスを
経て試料上に形成されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像
に基づきパターンの断面形状をモニタする半導体プロセスモニタ方法およびそのシステム
であって、
予め、学習サンプルである様々な断面形状を有する第１のパターン群の第１のＳＥＭ画
像群を前記測長ＳＥＭを用いて収集し、前記第１のパターン群の第１の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第１のＳＥＭ画像群と前記収集された第１の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録ステップと、該学習データ登録ステップで登録された学習データにおける前記第１のＳＥＭ画像群から、第１のパターン群の断面形状を表わすパラメタに相関のある第１の画像特徴量群の分布を算出する画像特徴量算出ステップと、前記製造プロセスにおいて、前記試料上に形成されたパターンの断面形状を表わすパラメタの予想変動区間における前記画像特徴量算出ステップで算出された第１の画像特徴量群の分布に基づき、前記学習データにおける第１の画像特徴量群の信頼度、前記断面形状を表わすパラメタまたはプロセス条件を表わすパラメタを推定する第１の推定エンジン群の信頼度、並びに該第１の推定エンジン群を用いて断面形状群を表わすパラメタが推定された第１の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出ステップと、該信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第１の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定ステップとを有する学習処理過程と、
計測対象のＳＥＭ画像を取得するＳＥＭ画像取得ステップと、該ＳＥＭ画像取得ステッ
プで取得された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出ステップ
と、該画像特徴量算出ステップで算出された画像特徴量と前記学習処理過程の決定ステッ
プで決定された学習データ並びに第１の推定エンジンに基づいて、計測対象の断面形状を表わすパラメタを推定する推定ステップと、該推定ステップでの推定結果の信頼度を算出する信頼度算出ステップとを有する運用処理過程とを有することを特徴とする。

また、本発明は、前記学習処理過程において、更に、前記信頼度算出ステップで算出さ
れた前記一つまたは複数の信頼度に基づいて前記学習データの追加収集の要／不要の判断
を行って追加収集要の場合には前記学習データを追加収集する学習データ追加ステップと
、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて断面形状を表わすパラメタの推定に用いる前記第１の画像特徴量の選択若しくは第１の画像特徴量間の重みを調整する画像特徴量選択若しくは調整ステップと、前記信頼度算出ステップで算出された推定エンジンの信頼度に基づいて第１の推定エンジンの選択若しくは該第１の推定エンジン間の重みを調整する推定エンジン選択若しくは調整ステップとを有することを特徴とする。

また、本発明は、前記断面形状を表わすパラメタとして、半導体パターンの各高さにおける線幅、頂点部の形状、側壁部の傾斜角、側壁部の形状、裾部の形状、パターン表面のラフネス、コンタクトホールのホール径、及びコンタクトホールの深さの内、一つ若しくは複数の組み合せであることを特徴とする。

また、本発明は、半導体デバイスの製造プロセスの途中において所定の製造プロセスを
経て試料上に形成されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像
に基づきパターンを形成するプロセス条件をモニタする半導体プロセスモニタ方法および
そのシステムであって、
予め、学習サンプルである様々なプロセス条件で形成された第２のパターン群の第２の
ＳＥＭ画像群を前記測長ＳＥＭを用いて収集し、前記第２のパターン群の第２の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第２のＳＥＭ画像群と前記収集された第２の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録ステップと、該学習データ登録ステップで登録された学習データにおける前記第２のＳＥＭ画像群から、第２のパターン群の断面形状を表わすパラメタに相関のある第２の画像特徴量群の分布を算出する画像特徴量算出ステップと、前記製造プロセスにおいて、前記プロセス条件群を表わすパラメタの予想変動区間における前記画像特徴量算出ステップで算出された第２の画像特徴量群の分布に基づき、前記学習データにおける第２の画像特徴量群の信頼度、前記プロセス条件を表わすパラメタを推定する第２の推定エンジン群の信頼度、並びに該第２の推定エンジン群を用いてプロセス条件群を表わすパラメタが推定された第２の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出ステップと、該信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第２の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定ステップとを有する学習処理過程と、
計測対象のＳＥＭ画像を取得するＳＥＭ画像取得ステップと、該ＳＥＭ画像取得ステッ
プで取得された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出ステップ
と、該画像特徴量算出ステップで算出された画像特徴量と前記学習処理過程の決定ステッ
プで決定された学習データ並びに第２の推定エンジンに基づいて、計測対象のプロセス条
件を推定する推定ステップと、該推定ステップでの推定結果の信頼度を算出する信頼度算
出ステップとを有する運用処理過程とを有することを特徴とする。

また、本発明は、前記学習処理過程において、更に、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データの追加収集の要／不要の判断を行って追加収集要の場合には学習データを追加収集する学習データ追加ステップと、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいてプロセス条件の推定に用いる前記第２の画像特徴量の選択若しくは第２の画像特徴量間の重みを調整する画像特徴量選択若しくは調整ステップと、前記信頼度算出ステップで算出された推定エンジンの信頼度に基づいて第２の推定エンジンの選択若しくは該第２の推定エンジン間の重みを調整する推定エンジン選択若しくは調整ステップとを有することを特徴とする。

また、本発明は、
前記プロセス条件として、露光工程におけるフォーカス位置、ドーズ量、露光時間、ベーク温度、ベーク時間、及びレジスト材料の内一つ若しくは複数の組み合せ、またはエッチング工程におけるエッチング時間、チャンバー内温度、ガス流量、及びガス圧の内一つ若しくは複数の組み合せであることを特徴とする。

また、本発明は、前記運用処理過程において、前記推定ステップで推定された計測対象
の断面形状を表わすパラメタまたはプロセス条件を表わすパラメタの推定結果及び前記信頼度算出ステップで算出された断面形状を表わすパラメタまたはプロセス条件を表わすパラメタの推定結果の信頼度を評価し、該評価結果を表示することを特徴とする。

また、本発明は、前記運用処理過程において、前記推定ステップで推定された計測対象
の断面形状を表わすパラメタまたはプロセス条件を表わすパラメタの推定結果及び前記信頼度算出ステップで算出された断面形状を表わすパラメタまたはプロセス条件を表わすパラメタの推定結果の信頼度を評価し、該評価結果が許容範囲外の場合には前記所定の製造プロセスにフィードバックすることを特徴とする。

また、本発明は、前記運用処理過程における前記推定ステップにおいて、前記断面形状を表わすパラメタまたはプロセス条件を表わすパラメタを推定する際、複数の前記第１または第２の推定エンジンを組み合わせて用いることを特徴とする。

また、本発明は、前記学習処理過程において、更に、前記信頼度算出ステップで算出された一つまたは複数の信頼度をＧＵＩとして表示する表示ステップを有することを特徴とする。また、本発明は、前記運用処理過程において、更に、前記信頼度算出ステップで算出された推定結果の信頼度をＧＵＩとして表示する表示ステップを有することを特徴とする。

また、本発明は、前記運用処理過程において、前記信頼度算出ステップで算出された推定結果の信頼度を基に前記学習データの追加収集の要／不要の判断を行って追加収集要の場合には前記学習処理過程の学習データ追加ステップにおいて学習データを追加収集することを特徴とする。

また、本発明は、前記学習処理過程において、更に、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて、不要なデータを学習データから除外する除外ステップを有することを特徴とする。

また、本発明は、運用処理過程における計測対象の断面形状を表わすパラメタの算出結果または断面形状を表わすパラメタの算出結果の信頼度またはプロセス条件を表わすパラメタの算出結果またはプロセス条件を表わすパラメタの算出結果の信頼度、または学習処理過程における学習データ、画像特徴量の信頼度、推定エンジンの信頼度、推定結果の信頼度、前記選択された画像特徴量、前記選択された推定エンジン、前記画像特徴量の重み調整結果、前記推定エンジンの重み調整結果の一つもしくは複数の組み合せ若しくは全てを、ＧＵＩ(Graphical User Interface)表示することを特徴とする。

また、本発明は、前記画像特徴量の選択結果、前記画像特徴量の重み調整結果、前記推定エンジンの選択結果、または前記推定エンジンの重み調整結果で推定に用いる各パラメタの全てあるいは一部を、前記製造プロセスの工程、品種、サイト毎にデータベースに登録し、推定対象の工程、品種、サイトをもとに、前記推定対象の断面形状またはプロセス条件の推定に用いる各パラメタの全てあるいは一部を、前記データベースから呼び出し、前記呼び出された各パラメタを用いて、前記推定を行うことを特徴とする。

本発明によれば、計測対象の断面形状またはプロセス条件の推定に学習型エンジンを用いたプロセス管理に関し、前記学習データのサンプル数、あるいは分布状態が、前記推定を行う各パラメタの予想変動区間に対し、十分な推定精度を得られるだけ取得できているかを判定するための前記信頼度を算出することが可能とし、更に前記信頼度をユーザに提示し、必要に応じて追加学習を促すことを可能とする。また、追加学習を行う場合には、追加学習が必要なサンプルをユーザに提示し、追加学習を促すことで、前記推定において、精度および信頼性が高い推定を行うことが可能となる。

また、本発明によれば、推定に用いる画像特徴量の選択、推定エンジンの選択、および前記画像特徴量間の重みの調整または推定エンジン間の重みの調整を行うための基準となる信頼度を、ユーザに提示し、前記信頼度を用いることで推定対象に適した前記選択または前記重み調整を行うことが可能となる。これにより精度および信頼性が高い推定が可能となる。

本発明に係る半導体製造プロセスにおける半導体ウェーハ上に形成された回路パターンを評価及び管理する半導体プロセスモニタシステムおよびその方法、特に測長ＳＥＭ装置を用いた半導体パターンの断面形状管理およびプロセス条件管理の実施の形態について図面を用いて説明する。

前記半導体パターンの断面形状を管理する方法としては、特願２００５−３２０３１９号に記載されているように、ＳＥＭ画像を用いて、学習型エンジンによるパターンの断面形状推定を行いプロセス管理する方法が提案されている。該方法は、計測対象のパターンのＳＥＭ画像から、計測対象のパターンの断面形状または該パターンのプロセス条件を推定するのに有効な画像特徴量を利用し、予めデータベースに該画像特徴量と、パターンの断面形状またはプロセス条件との対応関係（以降、学習データと呼ぶ）を保存しておき、計測対象のパターンのＳＥＭ画像から算出した画像特徴量を、上記学習データに照合させることにより、計測対象のパターンの断面形状またはプロセス条件を算出するものである。

そこで、本発明においては、上記学習データは、予め様々な断面形状またはプロセス条件で形成されたパターンを準備し、該パターンを計測することで作成するが、上記学習データのサンプル数又は／及び分布が、断面形状またはプロセス条件の推定において、該推定を行う各パラメタの予想変動区間（プロセス変動により形成されることが有り得る断面形状の変動区間、またはパターン形成で実効値となりうるプロセス条件の変動区間）に対し、十分な推定精度を得ることができるように構成したことにある。

また、本発明においては、上記学習データのサンプル数又は／及び分布が、断面形状またはプロセス条件の推定において、該推定を行う各パラメタの予想変動区間に対し、十分な推定精度を得られていないと判断した場合に、どのような断面形状またはプロセス条件のパターンを追加学習する必要があるかを分かるように構成したことにある。

また、本発明においては、半導体パターンのＳＥＭ画像から算出した画像特徴量を用いて断面形状またはプロセス条件の推定を行う時に、上記画像特徴量の選択又は／及び上記画像特徴量間の重みを調整することにより上記推定精度を向上する方法があるが、上記選択を行う為の判断基準又は／及び上記重みの調整を、学習データのサンプル数又は／及び分布が、前記推定を行う各パラメタの予想変動区間に対し、十分な推定精度を得ることができるかをユーザが判断しながら行う方法を提供することにある。

また、本発明においては、推定する対象に応じて、該推定に用いる最適な推定エンジンを選択する必要があるが、該選択を行う為の判断基準に関して、学習データの分布状況や上記推定性能を、ユーザが確認しながら、推定エンジンの選択を容易に行うことができるように構成したことにある。

また、本発明においては、上記学習データを収集するため、様々な断面形状またはプロセス条件でのパターンを形成するが、断面形状またはプロセス条件の推定において、該推定を行う各パラメタの予想変動区間に対し、十分な推定精度を得るだけの学習データのサンプル数又は／及び分布を収集することは、半導体製造装置の調整、あるいは作成時間等の点から容易でない場合があり、このように学習データの収集が十分でない場合においても断面形状またはプロセス条件の推定結果が、どの程度信頼できるかが定量的に例えばＧＵＩを使用して提示することによって、上記推定結果に対して適切な判断をすることができるように構成したことにある。

（測長ＳＥＭ装置の実施例）
図１（ａ）は本発明において試料の二次電子像（Secondary Electron：ＳＥ像）あるいは反射電子像（Backscattered Electron：ＢＳＥ像）を取得する走査型電子顕微鏡（Scanning Electron Microscope：ＳＥＭ）の構成概要のブロックを示す。また、ＳＥ像とＢＳＥ像を総称してＳＥＭ画像と呼ぶ。また、ここで取得される画像は測定対象を垂直方向から観察したトップダウン画像、あるいは任意の傾斜角方向から観察したチルト画像の一部または全てを含む。

走査型電子顕微鏡（測長ＳＥＭ）４０１（４２０、４２１）は、電子線（一次電子）１０４を出射する電子銃１０３と、該電子銃１０３から出射された電子線１０４を集束させるコンデンサレンズ１０５と、偏向制御部１２０によって制御され、上記集束された電子線１０４を偏向させる偏向器１０６と、偏向制御部１２０によって制御され、上記偏向器１０６で偏向される電子線を半導体ウェーハ１０１上に焦点を結んで照射する対物レンズ１０８と、半導体ウェーハ１０１から生じた二次電子を二次電子検出器１０９に向けるＥｘＢ偏向器１０７と、半導体ウェーハ１０１から生じた二次電子を検出する二次電子検出器１０９と、半導体ウェーハ１０１から生じた反射電子を検出する反射電子検出器１１０、１１１とで構成される電子光学系１０２を備えて構成される。走査型電子顕微鏡（測長ＳＥＭ）４０１（４２０、４２１）は、さらに、半導体ウェーハ１０１を載置するＸＹステージ１１７を備え、ステージチルト機能を有し、ステージコントローラ１１９によって制御される。なお、ＸＹステージ１１７は、半導体ウェーハ１０１を移動させ、該半導体ウェーハ１０１の任意の位置の画像撮像を可能にしている。ＸＹステージ１１７により観察位置を変更することをステージシフト、偏向器１０６により電子線を偏向することにより観察位置を変更することをビームシフトと呼ぶ。

このように、偏向器１０６および対物レンズ１０８は、ステージ１１７上に置かれた試料である半導体ウェーハ１０１上の任意の位置において電子線が焦点を結んで照射されるように、電子線１０４の照射位置と絞り（集束）とを制御する。電子線が照射された半導体ウェーハ１０１からは、２次電子と反射電子が放出され、２次電子は２次電子検出器１０９により検出される。一方、反射電子は反射電子検出器１１０及び１１１により検出される。反射電子検出器１１０、１１１とは互いに異なる方向に設置されている。２次電子検出器１０９および反射電子検出器１１０、１１１で検出された２次電子および反射電子はＡ／Ｄ変換器１１２、１１３、１１４でデジタル信号に変換され、処理・制御部１１５内に設けられた画像メモリ１２２に格納され、ＣＰＵ１２１で目的に応じた画像処理が行われる。なお、図１では反射電子像の検出器１１０、１１１を２つ備えた実施例を示したが、上記反射電子像の検出器の数を減らすことも、あるいは増やすことも可能である。

図１（ｂ）（ｃ）は半導体ウェーハ上に電子線を走査して照射した際、半導体ウェーハ上から放出される電子の信号量を画像化する方法を示す。電子線は、例えば図１（ｂ）に示すようにｘ、ｙ方向に１３１〜１３３又は１３４〜１３６のように走査して照射される。電子線の偏向方向を変更することによって走査方向を変化させることが可能である。ｘ方向に走査された電子線１３１〜１３３が照射された半導体ウェーハ上の場所をそれぞれＧ１〜Ｇ３で示している。同様にｙ方向に走査された電子線１３４〜１３６が照射された半導体ウェーハ上の場所をそれぞれＧ４〜Ｇ６で示している。前記Ｇ１〜Ｇ６において放出された電子の信号量は、それぞれ図１（ｃ）内に示した画像１３９における画素Ｈ１〜Ｈ６の明度値になる（Ｇ、Ｈにおける右下の添え字１〜６は互いに対応する）。１３８は画像上のｘ、ｙ方向を示す座標系である。

図１に示す測長ＳＥＭ４０１（４２０、４２１）を用いて測定対象を任意の傾斜角方向から観察したチルトＳＥＭ画像を得る方法としては（１）電子光学系より照射する電子線を偏向し、電子線の照射角度を傾斜させて傾斜画像を撮像する方式（例えば特開２０００−３４８６５８号公報）、（２）半導体ウェーハを移動させるステージ１１７自体を傾斜させる方式（図１においてはチルト角２１８でステージが傾斜している）、（３）電子光学系自体を機械的に傾斜させる方式等がある。

さらに、図１に示す処理・制御部１１５は、コンピュータシステムであり、ステージコントローラ１１９や偏向制御部１２０に対して制御信号を送る、および半導体ウェーハ１０１上の観察画像に対し各種画像処理を行う等の処理及び制御を行う。また、処理・制御部１１５はディスプレイ１１６と接続されており、ユーザに対して画像等を表示するＧＵＩ（Graphic User Interface）を備える。

また、前記処理・制御部１１５における処理・制御の一部又は全てを異なる複数台の処理端末に割り振って処理・制御することも可能である。さらに、測長ＳＥＭ４０１内の処理・制御部１１５は、図３に示す如くネットワーク４００と接続され、他の装置４０２〜４０６、４２０、４２１並びに図４に示す学習処理３００及び運用処理３５０等を実行する画像処理／演算処理装置４０７及びデータベース４０８との間で相互に通信を行え得るように構成される。

（半導体パターンの断面形状の実施例）
本発明に係る推定対象とする半導体パターンの断面形状の代表例を、図２を用いて説明する。図２は、半導体パターンの断面形状の正常形状、および異常形状の例を示した図である。図２（ａ）に示す断面形状２００は、形成する半導体パターンにおいて、一般的に最も望ましいと考えられている断面形状の例を示しており、パターン側壁の傾斜角θがほぼ垂直であり、かつ、パターン底部２２１において、パターン側壁が下地の面に対し、ほぼ直交しており、かつ、パターン上部２２０においても、パターン上面とパターン側壁がほぼ直交している。これに対し、図２（ｂ）〜（ｊ）は、形成する半導体パターンにおいて、一般的に異常形状と分類される断面形状２０１〜２１３であり、所望のデバイス特性が得られない場合があるパターンの例である。ただし、所望の回路を形成する為に、故意に図２（ｂ）〜（ｊ）に示すようにパターン形状２０１〜２１３を形成する場合もある。次に、各形状について、簡単に説明する。図２（ｂ）に示す断面形状２０１は、パターン側壁の傾斜角θが９０°より小さくなったパターンであり、このようなパターンの形状を順テーパと呼ぶ場合がある。図２（ｃ）に示す断面形状２０２は、パターン側壁の傾斜角θが９０°より大きくなったパターンであり、このようなパターンの形状を逆テーパと呼ぶ場合がある。図２（ｄ）に示す断面形状２０３は、パターン中央部が細くなり、パターン側壁が、内側に湾曲した形状２２２のパターンであり、このようなパターンの形状をボーイングと呼ぶ場合がある。図２（ｅ）に示す断面形状２０４は、パターン上部のコーナ形状２２３が、丸まったパターンである。図２（ｆ）に示すパターン形状２０５は、パターン上部のコーナ部２２４が突き出した形状をしたパターンであり、このようなパターンの形状をオーバハングと呼ぶ場合がある。図２（ｇ）に示すパターン形状２０６は、パターン底部の形状が裾を引いた形状２２５をしたパターンであり、このようなパターンの形状を裾引き形状と呼ぶ場合がある。図２（ｈ）に示すパターン形状２０７は、パターン底部で、下地面と側壁部が交わる箇所２２６が、パターン上部の側壁よりもパターン内側に入り込んだ形状をしたパターンであり、このようなパターンの形状をノッチと呼ぶ場合がある。図２（ｉ）に示すパターン２０８、２０９、２１０、２１１は、パターン高さが、所望するパターン高さよりも低くなっているパターンであり、このようなパターンの形状を膜減りと呼ぶ場合がある。図２（ｊ）に示すパターン２１２は、パターン幅が、所望するパターンの太さよりも細く、図２（ｊ）に示すパターン２１３は、パターン幅が、所望するパターンの太さよりも太くなったパターンである。このように、図２（ｂ）〜（ｊ）に示すパターン断面形状２０１〜２１３は、半導体製造プロセス条件が不適切なために生じる形状異常の例である。半導体回路パターンにおいては、ゲート長はパターン底部の寸法となるため、パターンの形状によらず底部の寸法を計測することが重要となるが、ゲート工程では、配線パターンをマスクとして、イオン打ち込みを行い、トランジスタのソース／ドレインを形成する。このため、パターン側壁の傾斜やパターン底部の形状がイオン打ち込み工程の処理結果に影響を与え、その結果デバイス特性が変化することから、ゲートパターンの前記断面形状を管理することが重要である。また露光工程においては、露光マスクをもとにレジスト上にパターンを転写し、転写パターンを基に現像を行い、レジスパターンを形成する。次に形成したレジストパターンをマスクパターンとして、エッチング工程で下地膜のエッチングを行う。ここで、レジストパターンの断面形状に異常がある場合には、エッチング工程においても、下地膜のエッチングパターン形成に異常を引き起こす可能性がある。このように、ゲート工程においても、露光工程においても、パターンの前記断面形状評価は非常に重要である。前記断面形状の算出方法に関しては、後述するが、本発明では、前記断面形状を推定することを特徴する。

（プロセス条件の実施例）
次に、本発明に係る推定対象とするプロセス条件の代表例について説明する。前記プロセス条件の例としては、露光機でのフォーカス位置、あるいはドーズ量、あるいは露光時間、あるいはベーク温度、あるいはベーク時間、またエッチング装置での、エッチング時間、あるいはチャンバー内温度、あるいはガス流量、あるいはガス圧の全てあるいは、一部を算出することを特徴する。また、推定対象の一例として、前記プロセス条件を挙げたが、前記プロセス条件に限定するものでなく、本発明は、露光工程、あるいはエッチング工程で、調整が必要となるプロセス条件を推定対象とすることを特徴とする。

（半導体プロセスモニタシステムの実施例）
次に、本発明に係る半導体製造プロセスにおける半導体ウェーハ上に形成された回路パターンを評価及び管理する半導体プロセスモニタシステム、特に測長ＳＥＭを用いた半導体パターンの断面形状管理およびプロセス条件管理のシステムの構成について図３を用いて説明する。まず、図３（ａ）に示すシステム構成の実施の形態について説明する。本システム構成は、以下に述べる装置４０１〜４０８の一部あるいは全てを、ネットワーク４００により接続し、断面形状若しくはプロセス条件の推定、または各種信頼度算出に用いる入力情報および出力情報を共有することが可能である。上記ネットワーク４００には、測長ＳＥＭ４０１と、断面ＳＥＭ４０２若しくはＡＦＭ（Atomic Force Microscope）４０３若しくはＡＦＭ搭載測長ＳＥＭ４０４若しくはＦＩＢ（Focused Ion Beam microscope）４０５若しくはＯＣＤ（Optical Critical Demension microscope）４０６の一部あるいは全てと、学習処理部４０７１及び運用処理部４０７２を有し、ＧＵＩ機能を有するディスプレイ４０９を接続する画像処理／演算処理装置４０７と、データベース４０８とが接続される。上記測長ＳＥＭ４０１は、計測対象のＳＥＭ画像を取得するのに用いる。上記断面ＳＥＭ４０２、ＡＦＭ４０３、ＡＦＭ搭載測長ＳＥＭ４０４、ＦＩＢ４０５、若しくはＯＣＤ４０６は、後述する学習処理ステップ（３００）において、推定正解値とする断面形状を計測するのに用いる。前記画像処理／演算処理装置４０７は、ＳＥＭ画像から画像特徴量を算出する画像処理、および断面形状推定処理またはプロセス条件推定処理、および信頼度算出処理等の演算処理を行う。上記データベース４０８は、計測対象の断面形状推定またはプロセス条件推定、および併せて算出する信頼度の算出処理で用いるデータ（ＳＥＭ画像、断面形状計測結果、プロセス条件、画像処理条件、断面形状推定条件、及びプロセス条件推定条件等の情報）を保存する。

図３（ｂ）は、複数台の測長ＳＥＭ４０１、４２０、４２１をネットワーク４００に繋げ、データベース４０８および画像処理／演算処理装置４０７等を、複数台の測長ＳＥＭ４０１、４２１、４２０で共有するシステム構成の実施の形態を示した図である。図３（ａ）で示したシステム構成に、ネットワーク４００を介して、複数台の測長ＳＥＭ４２０、４２１を接続することで、断面形状、あるいはプロセス条件の推定に用いる学習データ（ＳＥＭ画像とそれに対応する断面形状情報またはプロセス条件情報との組み合わせのデータ）を同一のものを用いることができる。このようにシステムを構成することで、効率的な断面形状推定およびプロセス条件推定が行うことが可能となる。

なお、画像処理／演算処理装置４０７内の学習処理部４０７１は、測長ＳＥＭ４０１等や他の装置から学習データとして収集されるＳＥＭ画像や断面形状情報又はプロセス条件を基に図４及び図５に示す学習処理ステップ（３００）、（５００）が実行され、運用処理部４０７２は、学習処理部４０７１において決定された推定エンジン及び学習データと、測長ＳＥＭ４０１等で取得される計測対象のＳＥＭ画像とを基に図４及び図５に示す学習処理ステップ（３５０）、（５５０）が実行されて断面形状又はプロセス条件が評価される。なお、運用処理部４０７２は、測長ＳＥＭ４０１（４２０、４２１）内に設けられた処理・制御部１１５内のＣＰＵ１２１において実行しても良い。

（断面形状モニタの実施例）
次に、本発明に係る例えば学習処理部４０７１及び運用処理部４０７２において実行する半導体パターンの断面形状推定、および断面形状推定結果の信頼度算出を行うための処理フローについて図４を用いて説明する。本推定方法は、大きくは、学習処理ステップ（３００）と、運用処理ステップ（３５０）との、２つの処理ステップで構成される。

まず、学習処理ステップ（３００）について説明する。学習処理ステップ（３００）においては、学習データの収集（３０１）、および後述する信頼度を基に、画像特徴量の選択又は／及び調整（３２３）、および推定エンジンの選択又は／及び調整（３１９）を行う。前記学習データの取得（３０１）では、後述する方法で生成した様々な形状の半導体パターン（以降、学習サンプルと呼ぶ）において、ＳＥＭ画像の収集（３０２）、および断面形状情報の収集（３０３）を行う。該断面形状情報の収集（３０３）は、ＡＦＭ（Atomic Force Microscope）計測、あるいはＯＣＤ（Optical Critical Demension microscope）計測、あるいは断面ＳＥＭ計測などの手段、あるいはその他の断面形状計測手段４０１〜４０６、４２０、４２１により、学習サンプルの断面形状の計測を行う。上述で得られた学習サンプルのＳＥＭ画像とそれに対応する断面形状情報との組み合わせのデータを学習データと呼ぶ。測長ＳＥＭ４０１（４２０〜４２１）及び他の計測手段４０２〜４０６で収集した学習データ（３０１）を、例えばネットワーク４００を介してデータベース４０８に登録（３０４）する。ここで、学習処理部４０７１は、収集したＳＥＭ画像より後述の画像特徴量を算出し（３０５）、併せてデータベース４０８に登録する（３０４）。詳細は後述するが、前記画像特徴量は、半導体パターンの立体形状変化に相関のある特徴量である。学習処理部４０７１は、データベース４０８に保存された学習データ（ＳＥＭ画像とそれに対応する断面形状情報との組み合わせのデータ）を用いて、後述の推定エンジンの学習（３０６）を行う。次に、学習処理部４０７１は、学習された推定エンジンにおいて、信頼度の算出（３０７）を行う。該信頼度の算出（３０７）では、次の３種の信頼度を算出する。それぞれ、画像特徴量分布の信頼度（３０８）、推定エンジンの信頼度（３０９）、推定結果の信頼度（３１０）である。前記信頼度は、前記学習データのサンプル数又は／及び分布が、推定エンジンを用いた断面形状の推定において、前記推定を行う断面形状の前記予想変動区間に対し、十分な推定精度を得ることができるのかの判断する指標値となる。前記予想変動区間の設定は、ディスプレイ４０９または１１６等に有する後述のＧＵＩ（Graphical User Interface）で、ユーザがマニュアル入力することも可能であるし、またはデフォルト値、または後述のデータベースに保存した値を用いることもできる。また、前記信頼度は、後述のＧＵＩでユーザに提示（３１３）され、学習データ、または推定エンジンの状態を把握することが可能となり、且つ前記学習データ、あるいは推定エンジンの選択又は／及び調整（３２３）（３１９）を、前記信頼度をユーザが確認しながら行うことが可能となる。このように、本発明の特徴とするところは、信頼度の算出（３０７）において算出された画像特徴量分布の信頼度（３０８）、推定エンジンの信頼度（３０９）、及び推定結果の信頼度（３１０）をＧＵＩ等を用いてユーザに提示（３１３）して、前記学習データのサンプル数又は／及び分布が、断面形状の推定において、前記推定を行う断面形状の前記予想変動区間に対し、十分な推定精度を得ることができるのかの判断する指標値となり、しかも、学習データ、または推定エンジンの状態を把握することが可能となり、且つ前記学習データ、あるいは推定エンジンの選択又は／及び調整を、前記信頼度をユーザが確認しながら行うことが可能となる。

学習処理部４０７１は、詳細は後述するが、画像特徴量分布の信頼度（３０８）をもとに、学習状態の評価（３１１）を行い、前記画像特徴量がパターンの断面形状推定に対し、十分に収集できているかの判断（３１４）を行う。前記画像特徴量が不十分であった場合（３２０）は、追加学習の要／不要判断（３２１）を行い、追加学習が必要な場合（３４３）は、前記学習サンプルからの学習データ（ＳＥＭ画像とそれに対応する断面形状情報との組み合わせのデータ）の再収集、または新たに学習サンプルを追加して学習データの収集を行う（３０１）。前記追加学習の要／不要判断（３２１）において、追加学習が不要な場合（３４４）には、詳細は後述するが、特徴量調整の要／不要の判断（３２２）を行う。画像特徴量調整が必要な場合（３２２）には、画像特徴量の選択又は／及び画像特徴量の重み調整（３２３）を行い、調整後の特徴量を用いて、再び推定エンジンの学習（３０６）を行う。また、推定エンジンの信頼度（３０９）をもとに、推定エンジンの評価（３１５）を行う。前記推定エンジンの評価結果をもとに、推定エンジンが、断面形状推定において、該推定を行う断面形状の前記予想変動区間に対し、十分な推定精度を得ることができるのかの判断（３１６）を行い、推定エンジンが不十分であった場合（３１８）には、詳細は後述するが、推定エンジンの変更又は／及びエンジン間での重みを調整（３１９）を行い、変更後又は重み調整後の推定エンジンを用いて、再び推定エンジンの学習（３０６）を行う。また、推定結果の信頼度（３１０）を基に、推定結果の評価（３１２）を行う。該推定結果の評価結果を基に、推定結果の可否判断（３２４）を行い、推定結果の信頼度が不十分であった場合（３２５）には、追加学習の要／不要判断（３２１）を行い、追加学習が必要な場合（３４３）は、学習サンプルからの学習データの再収集、または新たに学習サンプルを追加して学習データの収集を行う（３０１）。前記追加学習の要／不要判断（３２１）において、追加学習が不要な場合（３４４）には、詳細は後述するが、画像特徴量調整の要／不要の判断（３２２）を行う。画像特徴量調整が必要な場合（３２２）には、画像特徴量の選択又は／及び画像特徴量の重み調整（３２３）を行い、調整後の画像特徴量を用いて、再び推定エンジンの学習（３０６）を行う。

学習処理部４０７１は、前記画像特徴量の良否判断（３１４）、および推定結果の良否判断（３２４）、および推定エンジンの良否判断（３１６）において、推定エンジン、および学習データによる断面形状の推定精度が、前記推定を行う断面形状の前記予想変動区間に対し、十分な推定精度を得ることができるとして、全ての前記良否判断（３１４、３２４，３１６）の結果のＡＮＤ（３２７）において条件を満たしていると判断された場合には、前記推定エンジン及び前記学習データを、次に述べる運用処理ステップ（３５０）で用いる推定エンジン及び学習データ３３１とするように決定し、運用処理部４０７２等に提供（送信）できるようになる（３２８）。

次に、運用処理ステップ（３５０）について説明する。推定ステップ（３３２、３３３）においては、計測対象（計測対象パターン）の断面形状、および断面形状推定結果の信頼度を、前述の学習処理ステップ（３００）で決定した推定エンジン及び学習データ（ＳＥＭ画像とそれに対応する断面形状情報との組み合わせのデータ）を用いて算出する。まず、測長ＳＥＭ４０１（４２０、４２１）により計測対象（計測対象パターン）のＳＥＭ画像を取得して例えばデータベース４０８に記憶する（３２９）。運用処理部４０７２等は、取得したＳＥＭ画像より、画像特徴量を算出する（３３０）。該画像特徴量は、前述の学習処理ステップ（３００）でＳＥＭ画像から算出した画像特徴量（３０５）と同種のものを算出する。運用処理部４０７２等は、詳細は後述するが、（３３０）で算出された画像特徴量と、前述の（３２８）で決定された推定エンジン及び学習データ（３３１）より、計測対象の断面形状の推定（３３２）及び推定結果の信頼度（３３３）を算出する。次に、該推定結果の信頼度が要求される値（閾値）を満たしているかの判断（３３４）を行い、信頼度が該閾値を満たしている場合には、推定された断面形状を、計測対象の断面形状として出力（３３７）する。

画像処理／演算処理装置４０７は、例えば運用処理部４０７２から出力された断面形状を、所望の断面形状で形成されているかを評価（３３９）し、設計規格を満たしていれば（３４１）、満たしている信号をネットワーク４００を介して半導体製造ラインを管理しているプロセス管理装置（図示せず）に送信して計測対象を次のプロセス工程に進める。もし、設計規格を満たしていない場合（３４０）には、画像処理／演算処理装置４０７は、プロセスのフィードバックが必要であるという制御信号を出力（３４０）してネットワーク４００を介してプロセス装置（例えば図７に示す露光機７０２またはエッチング装置７０４）に送信してプロセスへフィードバックする（３４２）。その結果、プロセス装置（例えば露光機７０２またはエッチング装置７０４）においてプロセス条件（露光条件またはエッチング条件）が調整されて設計規格を満たすパターンが形成されることになる。なお、運用処理部４０７２において出力する際に、推定した断面形状を併せて例えばディスプレイ４０９のＧＵＩ画面に出力してユーザに提示することも可能である（３４５）。また、断面形状の評価（３３９）を画像処理／演算処理装置４０７内で行う場合について説明したが、プロセス装置（例えば図７に示す露光機７０２またはエッチング装置７０４）で行って、設計規格を満たしていない場合（３４０）には、プロセス条件（露光条件またはエッチング条件）を調整すればよい。また、推定した断面形状を各プロセス装置に接続されたディスプレイ（図示せず）に提示することも可能である（３４５）。

また、前述の運用処理ステップ（３５０）における推定結果の信頼度の良否判断（３３４）で、断面形状推定結果が不十分であった場合には、学習処理部４０７１において再学習を行うために、学習処理ステップ（３００）において、追加学習の要／不要判断（３２１）を行う。追加学習が必要な場合（３４３）は、学習サンプルからの学習データの再取得、または新たに学習サンプルを追加して学習データの取得を行う（３０１）。前記追加学習の要／不要判断（３２１）において、追加学習が不要な場合（３４４）には、次に詳細は後述するが、画像特徴量調整の要／不要の判断（３２２）を行う。画像特徴量調整が必要な場合には、画像特徴量の選択又は／及び画像特徴量の重み調整（３２３）を行い、調整後の画像特徴量を用いて、再び推定エンジンの学習（３０６）を行う。

特に、本発明においては、前述の学習処理ステップ（３００）の信頼度算出（３０７）において、算出した各種信頼度（３０８、３０９、３１０）の一部あるいは、全てを例えばディスプレイ４０９のＧＵＩからユーザに提示すること（３２３）を特徴とする。

また、本発明においては、運用処理ステップ（３５０）の推定結果の信頼度算出（３３３）においても、算出された計測対象の断面形状推定結果の信頼度（３３３）を例えばディスプレイ４０９のＧＵＩからユーザに提示すること（３３８）を特徴とする。このように算出された計測対象の断面形状推定結果の信頼度（３３３）をユーザに提示することによって、ユーザが推定結果に対して、より適切な判断を下せることが可能となる。

以上説明した処理フローにより、学習型の半導体パターン断面形状推定手法において、学習処理ステップ（３００）で各種信頼度を用いることで、断面形状の推定において、該推定を行う断面形状の予想変動区間に対し、十分な推定精度を得ることができる十分な学習データが収集できているかを判定が可能となる。

また、運用処理ステップ（３５０）において、計測対象の推定結果の信頼度（３３８）を算出することが可能となり、該算出された信頼度により、ユーザが推定結果に対して、より適切な判断を下せるようになる。

（プロセス条件モニタの実施例）
次に、本発明に係る例えば学習処理部４０７１及び運用処理部４０７２において実行する半導体パターンのプロセス条件推定、およびプロセス条件推定結果の信頼度算出を行うための処理フローについて図５を用いて説明する。本推定方法は、大きく、学習処理ステップ（５００）と、運用処理ステップ（５５０）との、２つの処理ステップで構成される。

まず、学習処理ステップ（５００）について説明する。学習処理ステップ（５００）においては、学習データの収集（５０１）、および後述の信頼度を基に、後述の画像特徴量の選択又は／及び調整（５２３）、および推定エンジンの選択又は／及び調整（５１９）を行う。前記学習データの収集（５０１）では、後述する方法で生成したプロセス装置（例えば図７に示す露光機７０２またはエッチング装置７０４）でのプロセス条件で形成した半導体パターン（以降、学習サンプルと呼ぶ）において、測長ＳＥＭ４０１（４２０〜４２１）によりＳＥＭ画像の収集（５０２）、および半導体パターンを形成したときのプロセス条件情報の収集（５０３）を行う。該プロセス条件情報を収集（５０３）するために、例えば露光機７０２の場合ＦＥＭ（Focus Exposure Matrix）ウェーハにより様々な露光パラメタで形成されるパターンを計測し、そのときの、収集されるＳＥＭ画像とプロセス条件との組み合わせを、学習サンプルとする。上述で得られた学習サンプルのＳＥＭ画像とそれに対応するプロセス条件情報との組み合わせのデータを学習データと呼ぶ。様々なプロセス条件で形成した学習サンプルを計測して測長ＳＥＭ４０１（４２０〜４２１）により収集した学習データ（５０１）を、例えばネットワーク４００を介してデータベース４０８に登録（５０４）する。ここで、学習処理部４０７１は、収集したＳＥＭ画像より後述の画像特徴量を算出し、併せてデータベース４０８に登録（５０１）する。詳細は後述するが、前記画像特徴量は、半導体パターンの断面形状変化に相関のある画像特徴量である。学習処理部４０７１は、データベース４０８に保存された学習データを用いて、後述の推定エンジンの学習（５０６）を行う。次に、学習処理部４０７１は、学習された推定エンジンにおいて、信頼度の算出（５０８）を行う。該信頼度の算出（５０８）では、次の３種の信頼度を算出する。それぞれ、画像特徴量分布の信頼度（５０８）、推定エンジンの信頼度（５０９）、推定結果の信頼度（５１０）である。前記信頼度は、前記学習データ（ＳＥＭ画像とそれに対応するプロセス条件情報との組み合わせのデータ）のサンプル数又は／及び分布が、プロセス条件の推定において、前記推定を行う断面形状の前記予想変動区間に対し、十分な推定精度を得ることができるのかの判断する指標値となる。前記予想変動区間の設定は、ディスプレイ４０９または１１６等に有する後述のＧＵＩ（Graphical User Interface）で、ユーザがマニュアル入力することも可能であるし、またはデフォルト値、または後述のデータベースに保存した値を用いることもできる。また、前記信頼度は、後述のＧＵＩでユーザに提示（５１３）され、学習データ、または推定エンジンの状態を把握することが可能となり、且つ前記学習データ、あるいは推定エンジンの選択又は／及び調整（５２３）（５１９）を、前記信頼度をユーザが確認しながら行うことが可能となる。このように、本発明の特徴とするところは、信頼度の算出（５０７）において算出された画像特徴量分布の信頼度（５０８）、推定エンジンの信頼度（５０９）、及び推定結果の信頼度（５１０）をＧＵＩ等を用いてユーザに提示（５１３）して、前記学習データのサンプル数又は／及び分布が、プロセス条件推定において、前記推定を行うプロセス条件の前記予想変動区間に対し、十分な推定精度を得ることができるのかの判断する指標値となり、しかも、学習データ、または推定エンジンの状態を把握することが可能となり、且つ前記学習データ、あるいは推定エンジンの選択又は／及び調整を、前記信頼度をユーザが確認しながら行うことが可能となる。

学習処理部４０７１は、詳細は後述するが、画像特徴量分布の信頼度（５０８）をもとに、学習状態の評価（５１１）を行い、画像特徴量がパターンのプロセス条件推定に対し、十分に収集できているかの判断（５１４）を行う。画像特徴量が不十分であった場合（５２０）は、追加学習の要／不要判断（５２１）を行い、追加学習が必要な場合（５４３）は、学習サンプルからの学習データの再収集（５０１）、または新たに学習サンプルを追加し、学習データの収集（５０１）を行う。前記追加学習の要／不要判断（５２１）において、追加学習が不要な場合（５４４）には、次に詳細は後述するが、画像特徴量調整の要／不要の判断（５２２）を行う。画像特徴量調整が必要な場合（５２２）には、画像特徴量の選択又は／及び画像特徴量の重み調整（５２３）を行い、調整後の画像特徴量を用いて、再び推定エンジンの学習（５０６）を行う。また、詳細は後述するが、推定エンジンの信頼度（５０９）を基に、推定エンジンの評価（５１５）を行う。該推定エンジンの評価結果を基に、推定エンジンがプロセス条件推定において、該推定を行うプロセス条件の前記予想変動区間に対し、十分な推定精度を得ることができるのかの判断（５１６）を行い、推定エンジンが不十分であった場合（５１８）には、推定エンジンの変更又は／及びエンジン間での重みを調整（５１９）を行い、変更後又は重み調整後の推定エンジンを用いて、再び推定エンジンの学習（５０６）を行う。推定結果の信頼度（５１０）を基に、推定結果の評価（５１２）を行う。該推定結果の評価結果を基に、推定結果の可否判断（５２４）を行い、推定結果の信頼度が不十分であった場合（５２５）には、追加学習の要／不要判断（５２１）を行い、追加学習が必要な場合（５４３）は、学習サンプルからの学習データの再収集（５０１）、または新たに学習サンプルを追加し、学習データの収集（５０１）を行う。前記追加学習の要／不要判断（５２１）において、追加学習が不要な場合（５４４）には、次に詳細は後述するが、画像特徴量調整の要／不要の判断（５２２）を行う。画像特徴量調整が必要な場合（５２２）には、画像特徴量の選択又は／及び画像特徴量の重み調整（５２３）を行い、調整後の画像特徴量を用いて、再び推定エンジンの学習（５０６）を行う。

学習処理部４０７１は、前述特徴量の前記判断（５１４）、および推定結果の前記判断（５２４）、および推定エンジンの前記判断（５１６）において、推定エンジン、および学習データによるプロセス条件の推定精度が、前記推定を行う断面形状の前記予想変動区間に対し、十分な推定精度を得ることができるとして、全ての前記判断（５１４、５２４、５１６）の結果のＡＮＤ（５２７）において条件を満たしていると判断された場合に、前記推定エンジン及び前記学習データを、次に述べる運用処理ステップ（５５０）で用いる推定エンジン及び学習データ５３１とするように決定し、運用処理部４０７２等に提供（送信）できるようになる（５２８）。

次に、運用処理ステップ（５５０）について説明する。推定ステップ（５３２、５３３）においては、計測対象（計測対象パターン）のプロセス条件、およびプロセス条件推定結果の信頼度を、前述の学習処理ステップ（５００）で決定した推定エンジン及び学習データを用いて算出する。まず、測長ＳＥＭ４０１（４２０、４２１）により計測対象（計測対象パターン）のＳＥＭ画像を取得して例えばデータベース４０８に記憶する（５２９）。運用処理部４０７２等は、取得したＳＥＭ画像より、画像特徴量を算出する（５３０）。該画像特徴量は、前述の学習処理ステップ（５００）でＳＥＭ画像から算出した特徴量（５０１）と同種のものを算出する。運用処理部４０７２等は、詳細は後述するが、（５３０）で算出された画像特徴量と、前述の（５２８）で決定された推定エンジン及び学習データ（５３１）より、計測対象のプロセス条件の推定（５３２）及び推定結果の信頼度（５３３）を算出する。次に、該推定結果の信頼度が要求される（閾値）を満たしているかの判断（５３４）を行い、信頼度が該閾値を満たされている場合には、推定されたプロセス条件を、計測対象のプロセス条件として出力（５３７）する。

画像処理／演算処理装置４０７は、例えば運用処理部４０７２から出力されたプロセス条件を、所望の断面形状で形成されているかを評価（５３９）し、設計規格を満たしていれば（５４１）、満たしている信号をネットワーク４００を介して半導体製造ラインを管理しているプロセス管理装置（図示せず）に送信して計測対象を次のプロセス工程に進める。設計規格を満たしていない場合（５４０）には、画像処理／演算処理装置４０７は、プロセスのフィードバックが必要であるという制御信号を出力（５４０）してネットワーク４００を介してプロセス装置（例えば図７に示す露光機７０２またはエッチング装置７０４）に送信してプロセスへフィードバックする（５４２）。その結果、プロセス装置（例えば露光機７０２またはエッチング装置７０４）においてプロセス条件（露光条件またはエッチング条件）が調整されて設計規格を満たすパターンが形成されることになる。なお、運用処理部４０７２において出力する際に、推定したプロセス条件を併せて例えばディスプレイ４０９のＧＵＩ画面に出力してユーザに提示することも可能である（５４５）。また、プロセス条件の評価（５３９）を画像処理／演算処理装置４０７内で行う場合について説明したが、プロセス装置（例えば図７に示す露光機７０２またはエッチング装置７０４）で行って、設計規格を満たしていない場合（５４０）には、プロセス条件（露光条件またはエッチング条件）を調整すればよい。また、推定したプロセス条件を各プロセス装置に接続されたディスプレイ（図示せず）に提示することも可能である（５４５）。

また、前述の運用処理ステップ（５５０）における推定結果の良否判断（５３４）で、プロセス条件推定結果が不十分であった場合に、再学習を行うために、学習処理ステップ（５００）における、追加学習の要／不要判断（５２１）を行う。追加学習が必要な場合（５４３）は、学習サンプルからの学習データの再収集（５０１）、または新たに学習サンプルを追加し、学習データの収集（５０１）を行う。前記追加学習の要／不要判断（５２１）において、追加学習が不要な場合（５４４）には、次に詳細は後述するが、画像特徴量調整の要／不要の判断（５２２）を行う。画像特徴量調整が必要な場合（５２２）には、特徴量の選択又は／及び特徴量の重み調整（５２３）を行い、調整後の特徴量を用いて、再び推定エンジンの学習（５０６）を行う。

特に、本発明においては、前述の学習処理ステップ（５００）において、算出した各種信頼度（５０８、５０９、５１０）の一部あるいは、全てを例えばディスプレイ４０９のＧＵＩからユーザに提示すること（５２３）を特徴とする。

また、本発明においては、運用処理ステップ（５５０）においても、計測対象のプロセス条件推定結果の信頼度（５３３）を例えばディスプレイ４０９のＧＵＩからユーザに提示すること（５３８）を特徴とする。このように算出された計測対象のプロセス条件推定結果の信頼度（５３３）をユーザに提示することによって、ユーザが推定結果に対して、より適切な判断を下せることが可能となる。

以上説明した処理フローにより、学習型の半導体パターンプロセス条件推定手法において、学習処理ステップ（５００）で各種信頼度を用いることで、要求されるプロセス条件の推定精度を得るのに十分な学習データが収集できているかを判定が可能となる。

また、運用処理ステップ（５５０）において、計測対象の推定結果の信頼度（５３８）を算出することが可能となり、該算出された信頼度により、ユーザが、該推定結果に対して、より適切な判断を下せるようになる。

（断面形状とプロセス条件を同時に算出）
次に、本発明において、半導体パターンの断面形状の異常検知および、異常検知された場合に対処を実施するため、半導体パターンの断面形状と併せて、プロセス条件を同時に推定する方法について図６を用いて説明する。断面形状推定、およびプロセス条件推定の方法は、上述の図４及び図５について説明と同じ方法を用い、学習型の手法を用いる。

例えば画像処理／演算処理装置４０７の学習処理部４０７１は、学習処理ステップ（３００）及び（５００）において、予め断面形状推定用の推定エンジン及び学習データ（３３１）、並びにプロセス条件推定用の推定エンジン及び学習データ（５３１）を決定し、データベース（４０８）に登録する。

次に、運用処理ステップ（６００）において、測長ＳＥＭ（４０１（４２０、４２１））で計測対象のＳＥＭ画像を取得して例えばデータベース（４０８）に記憶し（６０１（３２９、５２９））、運用処理部４０７２は、該取得された計測対象（計測対象パターン）のＳＥＭ画像から画像特徴量を算出し（６０２（３３０、５３０））、前記登録された各推定エンジン及び学習データ（３３１）、（５３１）から、計測対象の断面形状推定結果（３３２）及び断面形状推定結果信頼度（３３３）、並びに計測対象のプロセス条件推定結果（５３２）及びプロセス条件推定結果信頼度（５３３）を算出する。そして、例えば画像処理／演算処理装置（４０７）は、該算出された計測対象の断面形状推定結果（３３２）及び断面形状推定結果信頼度（３３３）を用いて、後述する計測対象の断面形状評価（３３９）を行う。前記計測対象の断面形状評価（３３９）においては、前記断面形状推定結果（３３２）が設計規格値を満たし、かつ断面形状推定結果信頼度（３３３）が、前記閾値以上で、推定結果が信頼に足るものであるという条件を満たしているか否かの判断を行う。例えば画像処理／演算処理装置４０７は、該計測対象の断面形状評価結果が、後述の条件を満たしている場合には、その信号をプロセス管理装置（図示せず）に送信して測定対象を次のプロセス工程へ移すように管理する（３４１）。そして、例えば画像処理／演算処理装置４０７は、前記計測対象の断面形状評価結果が、前記設計規定値を満たさない場合には、併せて算出した計測対象のプロセス条件推定結果（５３２）を基に、後述するようにプロセス装置（例えば露光機７０２またはエッチング装置７０４）のパラメタ調整量を算出し（６１０）、前記プロセス条件推定結果信頼度（５３３）が、閾値以上で、計測対象のプロセス条件推定結果が信頼に足るものと判断した場合には、計測対象パターンの形成を行ったプロセス（例えばマスク設計プロセス（７０１）、露光プロセス（７０２）またはエッチングプロセス（７０４））へフィードバック（６１１）する。以上により、半導体パターンの断面形状と併せて、半導体パターンを形成したプロセス条件を同時に推定することで、計測対象の断面形状を評価して該断面形状が設計規格値を満たしていない場合（異常が検知された場合）には、プロセス条件推定結果（５３２）を基にプロセスにフィードバックする調整量を算出することによって、プロセスへのフォードバックが可能となる。

（プロセス管理の実施例）
次に、本発明に係る半導体パターンの断面形状推定、および断面形状推定結果の信頼度を用いて、半導体製造工程においてプロセスモニタ（プロセス管理）を行う方法、特にプロセスへのフィードバックの処理フローについて図７を用いて説明する。計測対象パターンの断面形状、またはそのプロセス条件は、図４及び図５で説明した通り、計測対象のＳＥＭ画像を基に算出できる。ここで、前記算出結果は、後述のＧＵＩによって、ユーザに前記断面形状を提示することも可能であるが、ここでは、算出した前記断面形状情報、および前記プロセス条件を用い、プロセス管理を自動で行う実施例について説明する。図７は、本発明に係る半導体プロセス管理の処理フローの説明図であり、露光工程、あるいはエッチング工程において形成されたパターンの断面形状、あるいはプロセス条件をモニタする処理フローの実施例を示している。

図７において、破線で囲んだ箇所は、半導体プロセスのフローを示しており、露光マスクを設計し（７０１）、該設計した露光マスクを用いて露光機により露光（７０２）、および現像装置を用いて現像（７０３）を行い、レジストパターンを形成し、形成したレジストパターンを基に、エッチング装置を用いてエッチング（７０４）を行い、回路パターンを形成する。現像（７０３）後に形成されたレジストパターン、あるいはエッチング（７０４）後に形成されたゲートパターンのＳＥＭ画像を測長ＳＥＭ（４０１（４２０、４２１））を用いて取得して例えばデータベース４０８に記憶し（７２０（３２９、５２９））、画像処理／演算処理装置４０７は、取得したＳＥＭ画像より後述の画像特徴量を算出し（７２１（３３０、５３０））、該算出した画像特徴量並びにデータベース（４０８）に登録している学習データ及び推定エンジン（７１４（３３１、５３１））から、レジストパターンあるいはゲートパターンの断面形状を推定し、併せて該推定結果の信頼度を算出（３３２及び３３３）するか、またはレジストパターンあるいはゲートパターンを形成したプロセス条件（例えば露光マスク設計条件、露光・現像条件、あるいはエッチング条件）を推定し、併せて推定結果の信頼度を算出する（５３２及び５３３）。例えば画像処理／演算処理装置４０７は、算出された断面形状推定結果、またはプロセス条件推定結果が、所望の設計規格範囲内であり、かつそれぞれの信頼度（３３３、５３３）が、前記閾値以上であるかといる条件を満たしているかの判断（３３９、５３９）を行い、前記条件を満たしている場合（３４１、５４１）には、満たす信号をプロセス管理装置（図示せず）に送信して計測対象を次のプロセス工程（７３０）に移すように管理する。

また、例えば画像処理／演算処理装置４０７は、前記断面形状推定結果が前記規格範囲外であり、その信頼度が前記閾値以上である場合（７４０）には、フィードバックするプロセス工程を選択し（７３５）、露光機による露光パラメタの調整量を算出し（７３２）、該算出された露光パラメタの調整量をネットワーク４００を介して露光機による露光プロセス（７０２）にフィードバック（７０７）するか、またはエッチング装置によるエッチングパラメタの調整量を算出し（７３４）、該算出されたエッチングパラメタの調整量をネットワーク（４００）を介してエッチング装置によるエッチングプロセス（７０４）にフィードバック（７３３）するか、またはマスク設計装置によるマスク設計データの補正量を算出し（７４１）、該算出されたマスク設計データの補正量をネットワーク（４００）を介してマスク設計装置によるマスク設計（７０１）へフィードバック（７０６）する。

また、例えば画像処理／演算処理装置４０７は、前記プロセス条件推定結果が設計規格範囲外であり、その信頼度が前記閾値以上である場合（７２５）には、フィードバックするプロセス工程を選択し（７３５）、露光機による露光パラメタの調整量を算出し（７３２）、該算出された露光パラメタの調整量をネットワーク（４００）を介して露光プロセス（７０２）にフィードバック（７０７）するか、またはエッチング装置によるエッチングパラメタの調整量を算出し（７３４）、該算出されたエッチングパラメタの調整量をネットワーク４００を介してエッチングプロセス（７０４）にフィードバック（７３３）するか、またはマスク設計装置によるマスク設計データの補正量を算出し（７４１）、該算出されたマスク設計データの補正量をネットワーク４００を介してマスク設計（７０１）へフィードバック（７０６）する。

なお、露光条件の調整量の算出（７３２）、エッチング条件の調整量の算出（７３４）及びマスク形状の補正量の算出（７４１）は、データベース４０８にアクセスしてプロセス装置側で実行してもよい。

以上によって、露光プロセス、あるいはエッチングプロセスでのパターンの断面形状モニタ、またはプロセス条件モニタを行うことが可能となる。ここで述べた手順は、上述の計測対象のパターンのＳＥＭ画像からパターンの断面形状を推定する方法、あるいはプロセス条件を推定する方法を用いて、プロセス管理するシステムの一実施例であり、このようなシステム構成により、従来はできなかった形成パターンの断面形状情報を用いたプロセス管理が可能となる。

（断面形状情報）
次に、本発明に係る半導体パターンの断面形状推定における推定対象について、図８を用いて説明する。ラインパターンの場合の前記推定箇所は、図８（ａ）に示すように、例えば、（８０９）と（８０８）との間のパターンの高さ（８０４）、線幅情報であるＴＯＰ−ＣＤ（８０１）、Ｍｉｄｄｌｅ−ＣＤ（８０２）、Ｂｏｔｔｏｍ−ＣＤ（８０３）、コーナの丸まり形状をあらわす定量値（８０５）、裾引き形状をあらわす定量値（８０６）、パターン側壁部の形状をあらわす定量値（８０７）などがある。これらを推定可能とすることで、例えば、図２に示した（ａ）正常パターン、（ｂ）順テーパパターン、（ｃ）逆テーパパターン、（ｄ）ボーイングパターン、（ｅ）トップラウンディングパターン、（ｆ）オーバハングパターン、（ｇ）裾引きパターン、（ｈ）ノッチパターンを実施例とするラインパターンの様々な形状を計測することが可能となる。またホールパターンの場合の前記推定箇所は、図８（ｂ）に示すように、例えば、ホール上部のホール径（８１１）、ホール中央部のホール径（８１２）、ホール底のホール径（８１３）、あるいは任意の深さでのホール径、ホールの深さ等がある。なお、（８１０）はホールの深さを示す。またその他、半導体製造プロセスで形成される様々な形状のパターンの断面形状を計測可能とする特徴がある。

（画像特徴量）
本発明で用いる画像特徴量は、パターンの立体形状変化に相関のある画像特徴量であり、特願２００５−３２０３１９号で述べられている画像特徴量の一部、あるいは全て用いる。前記画像特徴量は、ＭＰＰＣ（Multiple Parameters Profile Characterization）画像特徴量、チルトＭＰＰＣ画像特徴量、差分チルトＭＰＰＣ画像特徴量、テクスチャ情報による画像特徴量、ラインプロファイル解析による画像特徴量である。ただし、前記画像特徴量に限定するものではなく、前記断面形状、あるいはプロセス条件の推定に用いることが可能な画像特徴量を選択することが可能である。

即ち、例えば画像処理／演算処理装置（４０７）が測長ＳＥＭ４０１（４２０、４２１）等で取得される学習サンプルまたは計測対象のＳＥＭ画像からパターンの断面形状、またはプロセス条件、またはデバイス特性等を捉える画像特徴量を算出（３０５、５０５；３３０、５３０）する方法の一実施例について図９を用いて説明する。図９（ａ）に示す学習サンプルまたは計測対象のＳＥＭ画像（９０１）から、画像特徴量算出範囲（９０３）を抽出し、図９（ｂ）に示すラインプロファイル（９０４）を作成し、該作成したラインプロファイルから、パターンの断面形状の算出に有効な様々な画像特徴量を算出する。

次に、処理の詳細な手順を説明する。まず、図９（ａ）に示すように、ＳＥＭ画像９０１に対して、ラインプロファイル作成に必要な画像特徴量算出範囲（９０３）を指定する。例えば、パターン（９０２）が、ＳＥＭ画像の視野内をＹ方向（図の上下方向）に伸びるラインパターンであった場合、画像特徴量算出範囲（５０３）とは、Ｘ方向（図の左右方向）に少なくとも画像特徴量を算出する箇所が全て含まれる範囲であり、Ｙ方向にはＳＥＭ画像によるノイズを低減させるために、各Ｘ座標の画素値をＹ方向に平均化する処理に必要な画素数（１次電子の走査ライン数）の範囲であり、例えば図９（ａ）に示すＳＥＭ画像（９０１）上において、Ｙ方向に伸びるラインパターン（９０２）が被パターンである場合には、複数画素分（例えば１００画素）の画像範囲を選択する。このとき、画素値の平均化に用いる画素数が多ければＳＥＭ画像特有のノイズ成分を低減することができる。なお、Ｙ方向の選択範囲は、被パターンの形状により、適宜変更することができる。

次に、選択した画像範囲において、各Ｘ座標の画素値（信号強度値）をＹ方向に平均化する処理を施し、Ｘ方向のラインプロファイルを作成する。これまでの処理により、パターンの画像特徴量算出範囲（９０３）でのラインプロファイル（９１０）を作成する。次に、算出したラインプロファイル（９１０）より、パターンのライン幅、エッジ部の幅などの各種の寸法情報に相当する画像特徴量を算出する。図９（ｂ）の上段および下段の図は、パターンの断面形状（９０５）と、ラインプロファイル（９１０）との関係を示したものである。ラインプロファイル（９１０）は、ＳＥＭにより得られる２次電子強度を現しており、一般的に２次電子強度は、計測対象の傾斜角に応じて大きくなるため、パターンの側壁部（９０７）、（９０８）での信号強度は、平坦部（９０６）での信号強度よりも大きくなる。このようにラインパターンの側壁部などで２次電子強度が大きくなり、それがＳＥＭ画像上で帯状に連なった部分をホワイトバンドと呼ぶ。被パターンの断面形状の変化を捉える画像特徴量として、図９（ｂ）下段に示す種々な画像特徴量を算出する。

即ち、種々な画像特徴量であるパターンのボトム幅（９１１）はラインパターン断面形状の根元での幅の傾向を捉え、パターンのトップ幅（９１２）はラインパターン断面形状の頂上での幅の傾向を捉え、ラインプロファイルのピーク幅（９１３）はラインパターン断面形状の中腹部での幅の傾向を捉え、右側のホワイトバンド内側の平均幅（９１４）はラインパターン断面形状の右側頂点部の丸まりを捉え、左側のホワイトバンド内側の平均幅（９１５）はラインパターン断面形状の左側頂点部の丸まりを捉え、右側のホワイトバンド外側の平均幅（９１６）はラインパターン断面形状の右側根元部の形状を捉え、左側のホワイトバンド外側の平均幅（９１７）はラインパターン断面形状の左根元部の形状を捉え、右側のホワイトバンド幅（９１８）はラインパターン断面形状の右側壁部の幅の傾向を捉え、左側のホワイトバンド幅（９１９）はラインパターン断面形状の左側壁部の幅の傾向を捉える。

次に、チルトＭＰＰＣ画像特徴量について説明する。前述のＳＥＭ画像より算出したラインプロファイルを利用して算出した特徴においては、パターンの断面形状を捉える場合にパターンのトップダウン像のみを用いていることから、例えばラインパターンの側壁形状や高さ情報やフッティング形状が、パターンの形状によっては上手く観測できない可能性がある。そこで、ここでは上述の測長ＳＥＭの説明において述べたチルトＳＥＭ画像を用いることで、上記のような状況においてもパターンの断面形状を捉える画像特徴量を算出する方法について図１０を用いて説明する。

チルトＳＥＭ画像を得る方法は、測長ＳＥＭの構成で説明したようにいくつかあるが、簡単のためパターン（１００５）が相対的に傾き、該パターンを上方からＳＥＭの電子（１０２０）が照射されるとする。このとき、パターン（１００５）が傾斜していることから、ラインパターン（１００５）の右側壁部（１００７）には多くの領域に電子線が照射され、右側壁部（１００７）による右側壁側のホワイトバンド（１０１８）は、トップダウンＳＥＭ画像でのホワイトバンドに比べて太くなる。一方、ラインパターン（１００５）の左側壁部（１００８）では、電子線が照射される領域が少なく、左側壁側のホワイトバンド（１０１９）は、トップダウンＳＥＭ画像でのホワイトバンドに比べて細くなる。

このように、照射される電子線に対してパターンを傾けることにより、ラインパターンの側壁部の観測領域が広くすることができ（パターン（１００５）の右側壁部側）、その側壁部の観測をトップダウンＳＥＭ画像に比べ詳細に行うことが可能となる。チルトＳＥＭ画像より得られたラインプロファイル（１０１０）から、図９（ｂ）に示したＭＰＰＣ画像特徴量（９１１）〜（９１９）と同様の画像特徴量（１０１１）〜（１０１９）を算出することで、チルトＳＥＭ画像によって得られる断面形状を捉える画像特徴量を算出することができる。

次に、差分チルトＭＰＰＣ画像特徴量について説明する。上述のようにチルトＭＰＰＣ画像特徴量（１０１１）〜（１０１９）を用いることで、トップダウンＳＥＭ画像のＭＰＰＣ画像特徴量（９１１）〜（９１９）のみを用いた場合に比べ、より良好な断面形状の算出結果が得ることが可能ではあるが、パターンの断面形状を捉える画像特徴量として、チルト角を変えて算出した画像特徴量の変化量を用いる方法もある（以降、本画像特徴量を差分チルトＭＰＰＣ画像特徴量と呼ぶ。）。ここでは、前記差分チルトＭＰＰＣ画像特徴量がパターンの断面形状算出に有効となる一実施例について図１１（ａ）（ｂ）を用いて説明する。即ち、パターンの断面形状が、正常な場合をパターンＡ（１１０１）、パターン高さが低くなった場合をパターンＢ（１１０２）とする。このパターンＡのＭＰＰＣ画像特徴量およびチルトＭＰＰＣ画像特徴量おいては、上述のようにチルト画像を用いることから、チルトＭＰＰＣ画像特徴量の右側壁部のホワイトバンドは、トップダウンＳＥＭ画像の場合に比べ太り、左側壁部のホワイトバンドはトップダウンＳＥＭ画像の場合に比べ細くなる。一方で、パターンＢのように、パターン高さが低くなったパターンでは、チルトＳＥＭ画像を用いても、チルトＭＰＰＣ画像特徴量の右側壁部のホワイトバンドとトップダウンＳＥＭ画像のＭＰＰＣ画像特徴量の右側壁部のホワイトバンドとの値は、パターンＡの場合に比べ変わらず、また左側側壁部のホワイトバンドとトップダウンＳＥＭ画像のＭＰＰＣ画像特徴量の左側壁部のホワイトバンドとの値も、パターンＡの場合に比べて変わらない。これは、パターンＢの側壁部の高さが短くなっていることから、チルト画像によってパターンの側壁部の観測領域を広くしても、ホワイトバンド幅の増加に現れないことによる。よって、パターンＡの差分チルトＭＰＰＣ画像特徴量のホワイトバンド幅は、パターンＢの差分チルトＭＰＰＣ画像特徴量のホワイトバンド幅に比べて大きな値となる。ここで述べた差分チルトＭＰＰＣ画像特徴量は、チルト角を変えて得られたチルト画像から得られたパターンの立体形状算出に有効な画像特徴量の一実施例である。

次に、テクスチャ解析に基づく画像特徴量について説明する。即ち、パターンのＳＥＭ像から、パターンの断面形状算出に有効な画像特徴量を算出する方法の一実施例を、図１２を用いて説明する。ここで説明する画像特徴量は、パターンのＳＥＭ像から、パターンが含まれる画像領域内の２次元情報を算出することを特徴とする。前記画像特徴量の実施例として、パターンが含まれる画像領域内のテクスチャ解析することで、パターンの断面形状算出に有効な画像特徴量を算出する方法について説明する。図１２（ａ）に示すように、該算出方法は、ＳＥＭ像（１１１１）において、パターンのテクスチャ解析を行うテクスチャ解析領域（１１１２）を指定する。なお、テクスチャ解析領域（１１１２）は、その領域内に少なくともパターンが含まれるように指定する。テクスチャ解析方法の一実施例としては、テクスチャ解析領域（１１１２）内で信号強度の頻度分布（１１１３）を求め、頻度分布（１１１３）の形状を示す画像特徴量を算出し、これをパターンの画像特徴量とする。頻度分布の形状を示す画像特徴量として、例えば平均、分散、歪度、尖度がある。

信号強度ｉの頻度をＰ（ｉ）としたとき、各画像特徴量は（１）式で与えられる。

例えば、半導体プロセス条件によって、パターンの頂上部が平坦でなく、波打った形状となった場合、図１２（ｂ）に示すように、ＳＥＭ像（１１１４）のテクスチャ解析領域（１１１５）内での信号強度の頻度分布（１１１６）より算出したテクスチャ特徴量である歪度と尖度は、パターンの頂上が平坦なパターンのＳＥＭ像（１１１１）に比べ小さくなる。ここで示したようなテクスチャ特徴量を用いることにより、パターンの断面形状の傾向を捉とらえることができる。ここで述べたテクスチャ解析において、ＳＥＭの信号強度の頻度分布から算出される特徴量は、パターンの断面形状を捉える画像特徴量の一実施例である。

次に、ラインプロファイル解析に基づくノッチ検出画像特徴量について説明する。図１３は、パターンのＳＥＭ画像からパターンの断面形状検出に有効な画像特徴量を算出する方法の一実施例を説明する図である。パターンの断面形状に起因して、ＳＥＭ画像から得られる前述のラインプロファイルに特定の傾向が発生し、そのラインプロファイルの傾向を解析し、画像特徴量として算出する。ここでは、前記画像特徴量の一実施例として、レジストパターンのノッチ形状（１１２３）を検出可能とする画像特徴量について図１３を用いて説明する。図１３（ａ）（ｂ）は、ラインパターンの断面形状を示しており、図１３（ａ）は、正常なラインパターンの断面形状（１１２１）であり、図１３（ｂ）は、ラインパターン底部が、ライン内側に入り込み（１１２３）、異常な断面形状のラインパターン（１１２２）である。このような異常な断面形状（１１２３）をノッチと呼ぶ。

図１３（ａ）（ｂ）の各々の形状パターンのＳＥＭ像より得られるラインプロファイルを比較すると、図１３（ｂ）のノッチ（１１２３）に対応するパターン右側壁部のラインプロファイル、即ち図１３（ｄ）のラインプロファイル（１１２５）は、図１３（ａ）の正常なラインパターン（１１２１）のパターン右側壁部に対応する図１３（ｃ）のラインプロファイル（１１２４）と比べて、ラインプロファイルの山の麓部（１１２６）の信号強度が低くなる傾向がある。このような傾向は、パターンの断面形状に起因したパターンの帯電状態、および帯電に伴う２次電子の振る舞いに因ることが考えられる。ここでは、前述のラインプロファイルの山の麓部（１１２６）の信号強度が低くなる傾向を、画像特徴量として算出する。画像特徴量の算出方法として、例えば、観察パターンの下地部のＳＥＭの信号強度とノッチ部の信号強度の差分（１１２７）を画像特徴量として算出する。特に、上述の測長ＳＥＭの説明において述べたチルトＳＥＭ画像を用いることで、ラインパターン底部のノッチ部（１１２３）に直接、ＳＥＭの電子を照射させることで、ノッチ部でのエッジ効果が観測されるＳＥＭ画像を取得し、そのラインプロファイルを解析することで、ノッチの程度をあらわす画像特徴量が算出可能となる。

次に、オーバハング検出画像特徴量について説明する。図１４は、パターンのＳＥＭ画像からパターンの断面形状算出に有効な画像特徴量を算出する方法の一実施例を説明する図である。パターンの断面形状に起因して、チルトＳＥＭ画像から得られる前述のラインプロファイルに特定の傾向が発生し、そのラインプロファイルの傾向を解析し、画像特徴量として算出する。図１４（ａ）は、パターンの断面形状の側壁が逆テーパになったもの（１１３１）で、この形状をオーバハングとよぶ。図１４（ｂ）は、正常な形状のパターンの断面形状（１１３４）を示す。図１４（ｃ）〜（ｆ）は、それぞれ、オーバハングであるパターンのトップダウン（１１３２）のＳＥＭ画像から算出したラインプロファイル（１１３７）およびチルト（１１３３）させたチルト画像から算出したラインプロファイル（１１３８）と、正常な形状パターンのトップダウン（１１３５）のＳＥＭ画像から算出したラインプロファイル（１１３９）およびチルト（１１３６）させたチルト画像から算出したラインプロファイル（１１４０）である。トップダウンＳＥＭ画像から算出したそれぞれのプロファイル（１１３７）（１１３９）には、ほとんど違いはないが、チルトＳＥＭ画像から算出したそれぞれのプロファイル（１１３８）（１１４０）では、正常パターン（１１３４）のラインプロファイル（１１４０）では、上述のように、左右いずれかのホワイトバンドが太くなるが（図１４（ｆ）では右側壁部のホワイトバンドが太っている）、オーバハングしたパターン（１１３１）では、パターン形状に起因した、パターンの帯電状態、２次電子の振る舞いから、ある程度のチルト角までは、ラインプロファイル（１１３８）のホワイトバンドが太らない傾向がある。このような、正常パターン（１１３４）とオーバハングパターン（１１３１）でのラインプロファイルの違いを捉える画像特徴量を算出し、パターンの断面形状算出に用いる画像特徴量とする。このように、ラインプロファイルから算出する画像特徴量としては例えば前述のチルトＭＰＰＣ画像特徴量がある。ここに述べたパターンを撮像したチルトＳＥＭ画像により得られるラインプロファイルのＭＰＰＣ画像特徴量は、オーバハング形状になっているパターンの断面形状算出に有効な画像特徴量の一実施例であり、このようなパターンの様々な断面形状に起因して発生するチルトＳＥＭ画像より得られるラインプロファイルより得られる画像特徴量を用いることで、パターンの断面形状算出において、良好な断面形状の算出結果を得ることが可能となる。

以上説明したトップダウンＭＰＰＣ画像特徴量、チルトＭＰＰＣ画像特徴量、差分チルトＭＰＰＣ画像特徴量、テクスチャ解析に基づく画像特徴量、ラインプロファイル解析に基づくノッチ検出画像特徴量及びオーバハング検出画像特徴量は、図４乃至図７で説明した学習サンプル及び計測対象のパターンの断面形状算出において有効な特徴量となる。またプロセス条件の変動は、形成パターンの断面形状の変動に現れることから、前記画像特徴量により、形成パターンの断面形状の変動を捉えることで、プロセス条件の傾向を捉えることができる。よって、前記画像特徴量は、図５乃至図７で説明したパターンのプロセス条件算出において有効な特徴量となる。更に、形成パターンのデバイス性能においても、その性能はパターンの断面形状に大きな影響を受けることから、前記画像特徴量を用いることでデバイス性能を推定することができる。

（推定エンジン）
本発明に係る推定エンジンは、特願２００５−３２０３１９号で述べられている推定エンジンの一部、あるいは全てを用いることが可能である。該推定エンジンは、例えばｋ−ＮＮ法、尤度推定法等がある。ただし、前記推定エンジンに限定するものではなく、前記断面形状、あるいはプロセス条件の推定に用いることが可能な手法を選択することが可能である。

即ち、本発明に係るモニタ項目（パターンの断面形状、またはパターンを形成するためのプロセス条件）の推定における推定エンジンの選択について説明する。前記推定エンジンは、学習データであらわされるモニタ項目と画像特徴量との対応関係により適当なエンジンを決定する。本推定で用いる推定エンジンの一実施例を挙げるが、推定エンジンは、本実施例に限定されず、その他の推定エンジンを用いることもできる。ここでは、推定エンジンの実施例として、尤度推定法、重回帰分析を使った方法、およびｋ−ＮＮ法を用いた推定を挙げる。

各推定エンジンは、次のような特徴があり、上述の通り、モニタ項目と画像特徴量との関係により適当な推定エンジンを選択する。前記モニタ項目と画像特徴量間の分布において、連続性があり、分布に偏りが少ない場合は、前記分布に対し、関数式による近似を行う尤度推定法、あるいは重回帰法が適している。両手法は、近似を行うことで、学習データに含まれる例外値の影響を受けにくい利点がある。

ただし、近似する適当な関数式を設定する必要があるという課題がある。一方、前記分布において、連続性が低く、分布に偏りがある場合は、分布に対し、関数式の近似を行わないｋ−ＮＮ法が適している。本手法は、関数式による近似を行わないことから、関数式の近似が困難な場合に有効であるとう利点がある。ただし、学習データの例外値に影響を受けやすいという課題がある。以上のような利点、課題を考慮して、モニタ項目と画像特徴量の関係から、適当な推定エンジンを選択する。

次に、尤度推定に基づく計測対象パターンの断面形状またはプロセス条件の推定方法の一実施例について図１５及び図１６を用いて説明する。上述の推定エンジンに、先に述べた尤度推定法を用いる方法について説明する。ここでは、推定対象として、断面形状を推定することとする。プロセス条件を推定する場合は、断面形状をプロセス条件に置き換えればよい。ここでは推定エンジンを尤度推定法としたが、尤度推定法には限らず、その他の推定エンジンを用いることができ、前述の計測対象の画像特徴量を入力として、断面形状またはプロセス条件を推定する手法であれば、特に限定するものはない。

即ち、図１５は、図４に示す学習処理ステップ（３００）の推定エンジンの学習（３０６）おける断面形状推定用の学習データの作成方法を示す図である。図１６は、図４に示す運用処理ステップ（３５０）の計測対象の断面形状の推定（３３２）における計測対象パターンより算出した画像特徴量を断面形状推定用の学習データに照合することで、計測対象パターンの断面形状を算出する方法を示す図である。なお、ここでは、簡単のために、断面形状推定に用いる画像特徴量を３個としている。

学習処理ステップ（３００）において、学習データ取得（３０１）で様々な学習サンプルから様々な断面形状のＳＥＭ画像を取得し、学習処理部４０７１は、該取得されたＳＥＭ画像から画像特徴量を算出し、画像特徴量毎に算出した画像特徴量と計測対象の断面形状との対応関係を求める。図１５の上段のグラフ（１１５１）〜（１１５３）は、算出した画像特徴量ｍｋ（ｔ）と計測対象の断面形状ｔ（例えば、パターン高さ等）との対応関係を、横軸に断面形状、縦軸に各画像特徴量（ｍ１、ｍ２、ｍ３）でプロットしたものである。次に、図１５の下段のグラフ（１１５４）〜（１１５６）に示すように、図１５の上段の各グラフ（１１５１）〜（１１５３）を平滑化することで、計測対象の断面形状ｔと画像特徴量Ｍ１、Ｍ２、Ｍ３を関連付ける学習データ（モデルデータＭｋ（ｔ））を作成する。学習データをあらわす関数をＭｋ（ｔ）とし、ｔは、断面形状をあらわす値であり、画像特徴量毎に学習データを作成する。ｋ（ｋ＝１・・・・ｎ）は、各画像特徴量をあらわす。ｎは画像特徴量の数である。算出した学習データは、一時データベース４０８に登録される（３０６）。その後、信頼度が算出され（３０７）、該算出された信頼度に基いて学習状態の評価、推定エンジンの評価及び推定結果の評価が行われ、基準値を満たす推定エンジン及び学習データが決定されてデータベース４０８に登録されることになる。

運用処理ステップ（３５０）において、計測対象パターンのＳＥＭ画像を取得し、運用処理部４０７２は、該取得したＳＥＭ画像から画像特徴量を算出し（３３０）、算出した画像特徴量をデータベース４０８に登録されている断面形状推定用の推定エンジン及び学習データに照合することで計測対象パターンの断面形状を推定する（３３２）。図１６において、計測対象パターンのＳＥＭ画像から算出した各画像特徴量Ｍ１，Ｍ２，Ｍ３の値をｆ１，ｆ２，ｆ３とする。図１６の上段に示すように、各画像特徴量の値ｆ１，ｆ２，ｆ３が、各学習データ（１１６１），（１１６２），（１１６３）上で、（１１６４）、（１１６５）、（１１６６）であったとする。各画像特徴量の値ｆ１，ｆ２，ｆ３に関し、画像特徴量ｆｋのばらつきが標準偏差σｋの正規分布に従うと仮定して、（２）式に示す尤度関数ｐｋ（ｔ） （ｋ＝１・・・・ｎ）を求める。

ｐｋ（ｔ）は、断面形状（例えばパターンの高さ等）が、ｔである確率を表す値である。なお、σｋは画像特徴量ｆｋのプロセスばらつきの実情に合わせた値を与える。算出した尤度関数の例を、図１６のグラフ（１１６７）、（１１６８）、（１１６９）に示す。各画像特徴量において、この尤度が高くなるほど、計測対象パターンの断面形状に近い断面形状を表していることとなる。次の（３）式に示すように各画像特徴量から算出した尤度分布（ｐ１（ｔ），ｐ２（ｔ），・・・，ｐｎ（ｔ））を掛け合わせ、（４）式で示すように、最も値が高くなる断面形状（１１７０）（ｍａｘＰ（ｊ））が計測対象パターンの断面形状をあらわす値ｔとなる。

次に、重回帰式を用いた計測対象パターンの断面形状またはプロセス条件の推定方法の一実施例について説明する。重回帰分析を用いた推定方法は、計測対象パターンのＳＥＭ画像より算出した画像特徴量毎に、目的とする断面形状推定に適した重み（回帰変数）（ａ，ｂ１，ｂ２，・・・）を掛け合わせ、その和によって計測対象パターンの断面形状を算出する方法である。回帰変数は、図３に示す学習処理ステップ（３００）の断面形状推定用の学習データ作成する段階（３０６）において、様々な学習サンプルのＳＥＭ画像の画像特徴量（ｘ１，ｘ２，・・・）を基に算出し、求められた重回帰式を断面形状推定学習データとして、データベース４０８に登録する。なお、ここで用いる重回帰式の一実施例としては、次の（５）式等であらわされる。

ここで、（目的変数）（ｙ）は計測対象パターンの断面形状（例えばパターンの高さ等）であり、（説明変数）（ｘ１，ｘ２，・・・）はパターンのＳＥＭ像より算出した画像特徴量（例えば線幅特徴量等）であり、（回帰変数）（ａ，ｂ１，ｂ２，・・・）は例えばデータベース４０８に記憶された上記各画像特徴量に掛け合わせる断面形状推定に適した重みであり定数項である（ｉ＝１，２，・・・，ｎ：ｎは画像特徴量の総数）。

運用処理ステップ（３５０）においては、取得される計測対象パターンのＳＥＭ画像から画像特徴量を算出し、該算出した各画像特徴量を（５）式で示される重回帰式の断面形状推定学習データに当てはめ、計測対象のパターンの断面形状を算出する。

次に、ｋ−ＮＮ法を用いた計測対象パターンの断面形状またはプロセス条件の推定方法の一実施例について図１７及び図１８を用いて説明する。図１７及び図１８は、半導体パターンの断面形状またはプロセス条件の推定方法の一実施例として、上述の推定エンジンにｋ−ＮＮ法を用い、図８（ａ）に示すパターンの断面形状のうちパターンの高さ（８０４）を推定する方法について説明する図である。プロセス条件を推定する場合は，推定する断面形状をプロセス条件に置き換えればよい。ここでは推定エンジンをｋ−ＮＮ法としたが、ｋ−ＮＮ法には限らず、その他の推定エンジンを用いることができ、計測対象の画像特徴量を入力として、断面形状またはプロセス条件を推定する手法であれば、特に限定するものはない。

図１７はｋ−ＮＮ法を用いて計測対象パターンの断面形状またはプロセス条件の推定方法の処理フローを示した図である。本手法は図４における断面形状推定用学習データとして、信頼度算出に基づく評価によって決定された学習サンプル（様々な断面形状）のパターンのＳＥＭ画像の画像特徴量とその断面形状との組み合わせを登録する（３３１）。つまり，尤度推定法で行ったような学習データを表す関数の作成は行わない。次に、計測対象パターンのＳＥＭ画像を取得し（３２９）、該取得されたＳＥＭ画像を基にその画像特徴量を算出し（３３０）する。次に、計測対象の断面形状推定（３３２）において、画像特徴量空間において計測対象パターンに対して近傍の上位ｋ個の学習サンプルを選択する（３３２１）。この選択した上位ｋ個の学習サンプルの断面形状（例えばパターンの高さ）について，計測対象パターン−学習サンプル間の変位ベクトルに基づく補間値を算出し（３３２２）、計測対象パターンの断面形状（例えば高さ）の推定値とする（３３２３）。ここでｋは１から学習サンプルの総数までの任意の値を設定することができ、画像特徴量空間内での学習サンプルの分布状態に基づき定める。

（３３２１）での、上記画像特徴量空間において、計測対象パターンに対して近傍上位ｋ個の学習サンプルを選択する際の概念図を図１８に示す。ここでは，画像特徴量の数を９個（ｆ＝(ｆ１，ｆ２，ｆ３，・・・，ｆ９)^Ｔ）とし，その画像特徴量空間内に，学習ステップで登録した学習サンプル（１１８０）が分布している。

次に、計測対象から算出した画像特徴量（ｆ'＝(ｆ１'，・・・，ｆ９')^Ｔ）を基に画像特徴量空間において計測対象パターン（１１８１）との距離ｄ（ｆ，ｆ'）が近い上位ｋ個の学習サンプルを選択する。また、距離ｄ（ｆ，ｆ'）はユークリッド距離として次の（６）式で与えられる。

選択されたｋ個の学習サンプルの断面形状（例えば高さ）から、次の（７）式で与える補間式により、計測対象パターンの断面形状（例えば高さＨ）が推定される。

ここで、ｗｊ（重み），ｈ０は選択されたｋ個の学習サンプルから，最小二乗法により算出する。

以上により、測定対象パターンの断面形状（例えばパターンの高さ）の推定が可能となる。

以上説明したように、測定対象パターンのＳＥＭ像より算出された画像特徴量の一部もしくは全てを基に、学習データ（ＳＥＭ画像とそれに対応する断面形状情報またはプロセス条件情報との組み合わせのデータ）及び尤度推定法、重回帰分析を使った方法、またはｋ−ＮＮ法等からなる推定エンジンを用いて推定処理を行うことで、計測対象パターンの断面形状、またはそれを形成したプロセス条件を推定することが可能となる。

（画像特徴量の信頼度）
図１９は、本発明に係る断面形状、あるいはプロセス条件推定方法の信頼度を利用した推定手法において、ＳＥＭ画像より算出した上述の各画像特徴量の信頼度（図４（３０８）、あるいは図５（５０８））を用いた学習状態の評価方法（３１１，５１１）について説明する図である。前記評価方法は、各画像特徴量の分布状態から、画像特徴量の信頼度（３０８，５０８）を算出し、前記信頼度を基に、学習データの追加学習の要／不要判定（３２１，５２１）、あるいは画像特徴量調整の要／不要判定（３２２，５２２）を可能とすることを特徴とする。図４又は図５で説明した学習データ（１２００）のＳＥＭ画像（３０２，５０２）から算出した画像特徴量に対し、後述する画像特徴量の分布状態の解析（１２０１）を行う。前記画像特徴量分布の解析の結果、画像特徴量の信頼度として、画像特徴量の感度（１２０２）、連続性（１２０３）、分離度（１２０４）、学習密度（１２０５）またはモデル当てはめの良さ（１２０６）を算出する。ここでは、画像特徴量の分布状態をあらわす５つの指標値を示したが、画像特徴量の分布状態をあらわす指標値に関し、これに限定するものではない。算出した信頼度は、後述のＧＵＩにより、ユーザに提示する（３１３，５１３）ことが可能であり、該提示内容を基に、次に述べる画像特徴量が、前記推定を行う各パラメタの予想変動区間に対し、十分な推定精度を得ることができるだけ十分に取得できているかの判断、学習データの追加学習の要／不要判断（３２１，５２１）、画像特徴量の調整の要／不要判断（３２２，５２２）等を行うことを可能とする特徴がある。まずは算出した信頼度を基に、画像特徴量の前記判断（１２１０〜１２１４）を行う。前記可否判断においては、各信頼度で閾値値を指定しておき、前記閾値を満たす場合には、その信頼度の条件を満たしていると判断する。一方、前記閾値を満たさない場合には、追加学習の要／不要判断（３２１，５２１）を行う。追加学習が必要と判断した場合には、追加学習（３４３，５４３）の処理へ進む。前記信頼度を基に追加学習する断面形状、あるいはプロセス条件を定める。例えば、ＧＵＩ表示される信頼度で、設計規格値より値が低くなる断面形状あるいはプロセス条件、あるいは値が低くなる断面形状あるいは、プロセス条件について、追加学習を行う。追加学習後、再び前記ＧＵＩで学習状態を確認し、設計規格値を満たすまで、あるいはユーザが追加学習不要と判断するまで、学習を繰り返すことが可能である。追加学習が不要であった場合には、次に画像特徴量調整の要／不要判断（３２２，５２２）を行う。学習データにおいて画像特徴量調整が必要と判断した場合には、画像特徴量の選択処理又は／及び重み調整処理（３２３，５２３）へ進む。前記重み調整処理により定めれれる重みは、断面形状推定、あるいはプロセス条件推定時の画像特徴量の重み付けとして用いられる。前記重みは、追加学習の要／不要判断と同様に、ＧＵＩで画像特徴量の信頼度を確認しながら設定が可能であり、また後述の推定エンジンの信頼度、および推定結果の信頼度も同時にＧＵＩされ、前記信頼度も確認をしながら設定することが可能である。前記画像特徴量の前記判断において、全信頼度において、ＡＮＤ（１２１０）をとり、全信頼度が前記閾値を満たしていると判断（学習データの画像特徴量の分布が、必要な条件を満たしていると判断）された場合に、学習処理ステップ（図４（３００）、または図５（５００））の次のステップ（３２７，５２７）に進む。以上により、学習データの画像特徴量の分布により算出した画像特徴量の信頼度に基づき、追加学習の要／不要判断、あるいは画像特徴量調整処理の要／不良判断を行うことが可能となる。

図２０は、本発明の実施例において、学習データの画像特徴量の分布に基づき算出する各画像特徴量の信頼度を説明する図である。該信頼度により、学習データのサンプル数又は／及び分布が、断面形状またはプロセス条件の推定において、前記推定を行う各パラメタの前記予想変動区間に対し、十分な推定精度を得ることができるのかの判断が可能となる。ここでは、信頼度をあらわすものとして、５つの指標値(感度、連続性、分離度、学習密度及びモデル当てはめの良さ)を説明するが、これに限定するものではなく、学習データの画像特徴量の分布状態を表す指標値で、且つ学習データの前記判断ができるものであれば、信頼度として用いることが可能である。

図１９で示した感度（１２０２）についての信頼度の指標値（１３１５）は、図２０（ａ）に示す如く、画像特徴量の分布（１３１２）の断面形状、あるいはプロセス条件の変動に対する特徴量の変化の大きさを表す指標値である。ここでの指標値を算出する前記分布の区間は、プロセス変動により形成されることがありうる断面形状の変動区間、あるいは、パターン形成で実効値となりうるプロセス条件の変動区間（予想変動区間（１３６１））である。前記信頼度は、例えば、断面形状、あるいはプロセス条件の変動に対し、特徴量の変化が、小さな区間（１３１０）（他の区間（１３１１）に比べて小さい区間）は、感度の値が小さくなる。つまり、断面形状またはプロセス条件の変動に対する感度の信頼性指標（１３１５）において、前記特徴量の変化が小さな区間（１３１０）の信頼度は低くなり（１３１３）、特徴量の変化が大きな区間（１３１１）の信頼度（１３１４）は大きくなる。このように、画像特徴量において感度の信頼度の指標値が低ければ、適するモデルを用いても正確な断面形状またはプロセス条件を求めることができないことを意味する。なお、前記変化の大きさの算出方法としては、例えば、断面形状、あるいはプロセス条件のある一定区間内（１３１６）での、特徴量の変動量（最大値−最小値）（１３１７）とすることができる。最大値−最小値をとる方法は一例であり、特徴量の変動の傾向を捉える方法であれば、算出方法を限定するものではない。

図１９で示した連続性（１２０３）についての信頼度の指標値（１３２７）は、図２０（ｂ）に示す如く、例えば、特徴量の分布が不連続になる区間（１３２１）では、小さくなる（１３２５）。他方、特徴量の分布が連続している区間（１３２０）（１３２２）では、信頼度の指標（１３２７）が高くなる（１３２４）（１３２６）。連続性の信頼度指標（１３２７）において、小さくなる特徴量が不連続な区間は、学習データの取得失敗等によって学習データの信頼度が下がっていることをあらわす。即ち、画像特徴量において連続性の信頼度の指標値が低ければ、適するモデルを用いても正確な断面形状またはプロセス条件を求めることができないことを意味する。ここでの指標値を算出する分布の区間は、断面形状、あるいはプロセス条件の前記予想変動区間（１３６１）である。

図１９で示した分離度（１２０３）についての信頼度の指標値（１３３３）は、図２０（ｃ）に示す如く、画像特徴量のばらつきを示す指標値であり、ばらつきの大きな区間（１３３０）では、信頼度は小さくなり、ばらつきの小さな区間（１３３１）では、信頼度は大きくなる。即ち、画像特徴量において、分離度の信頼度の指標値（１３３３）が小さいことは、ある断面形状またはプロセス条件に対して画像特徴量のばらつきがおおきく、画像特徴量を基に、適するモデルを用いても正確な断面形状またはプロセス条件を求めることができないことを意味する。ここでの指標値を算出する分布の区間は、断面形状、あるいはプロセス条件の前記予想変動区間（１３６１）である。

図１９で示した学習密度（１２０３）についての信頼度の指標（１３４２）は、図２０（ｄ）に示す如く、学習データ取得の分布をあらわす信頼度であり、学習データの取得数（学習密度）が少ない若しくは無い画像特徴量の分布の区間（１３４０）では信頼度が小さくなり、学習データの取得数（学習密度）が多い画像特徴量の分布の区間（１３４１）では信頼度が大きくなる。即ち、画像特徴量において学習密度の信頼度の指標値が低ければ、学習データが不足していることを意味し、適するモデルを用いても正確な断面形状またはプロセス条件を求めることができないことを意味する。ここでの指標値を算出する前記分布の区間は、断面形状、あるいはプロセス条件の前記予想変動区間（１３６１）である。

図１９で示したモデル当てはめの良さ（１２０３）についての信頼度の指標（１３５２）は、図２０（ｅ）に示す如く、上述した推定手法において、画像特徴量の分布に対し、例えば多値関数当てはめを行って推定に用いるモデルを算出する場合におけるモデルの当てはめの良さを表す指標値である。即ち、モデル当てはめの良さについての信頼度の指標（１３５２）は、画像特徴量の分布（１３５１）に対して算出（選択）したモデル（１３５０）の当てはめの良さを算出し、当てはめが悪い場合には、信頼度が小さくなる。モデルの当てはめの良さを表す信頼度の指標値（１３５２）が小さい場合は、画像特徴量の分布が推定に用いるモデルと乖離していることを意味し、モデルを変更（部分的な修正も含む）又は／重み調整をする必要があることを意味する。ここでの指標値を算出する前記分布の区間は、断面形状またはプロセス条件の前記予想変動区間（１３６１）である。

以上に示したような、画像特徴量の分布状態を表す前記信頼度を算出し、学習データの前記判断（評価）が可能となる。

（推定エンジンの信頼度）
次に、本発明に係る推定エンジンの信頼度を用いた断面形状またはプロセス条件の推定方法の実施例について図２１を用いて説明する。図２１は、本発明に係る推定エンジンの信頼度を用いて断面形状を推定する手法を示した図である。本発明は、図４または図５に示したように、推定エンジンを用いた断面形状またはプロセス条件の推定において、推定エンジンの信頼度を算出し（３０９または５０９）、該算出された信頼度を基に、推定を行う断面形状またはプロセス条件の予想変動区間に対し、十分な推定精度を得ることができるのかの判断である評価（３１５または５１５）を行うことが可能であることを特徴とする。即ち、図１９で説明したように、各種画像特徴量ｆ１，ｆ２，ｆ３，・・・（１４０１）と断面形状またはプロセス条件の指標との関係において、断面形状またはプロセス条件に対する学習データのサンプル数又は／及び分布に関する指標値（感度、連続性、分離度、学習密度及びモデル当てはめの良さ）の信頼度（１４０２〜１４０４）を算出する。該算出された学習データの指標値毎の信頼度に重み付けし（Ｗａ〜Ｗｃ・・・、１４０５〜１４０７・・・）、足し合わすことで画像特徴量毎の総合信頼度（１４０８）を算出する。該算出された総合信頼度を各画像特徴量毎に重み付けし（Ｗ１〜Ｗ３・・・）、足し合わせることで推定エンジンの信頼度（１４１０）を算出する。前記画像特徴量の重み調整処理により定められる重みは、断面形状推定またはプロセス条件推定時の画像特徴量の重み付けとして用いられる。前記総合信頼度および推定エンジンの信頼度の算出方法は、一例であり、これに限定するものではなく、前記信頼度が算出される方法であれば良い。図４及び図５で説明した通り、推定エンジンの判断（評価）（３１５，５１５）においては、前記推定エンジンの信頼度（１４１０）が、設定閾値を満たしているかの判断を行い、前記閾値を満たさない場合には、推定エンジンの選択又は／及び重みの調整（３１９，５１９）を行う。前記推定エンジンの信頼度は、ＧＵＩによりユーザ提示が可能（３１３、５１３）であり、ユーザはＧＵＩで確認しながら前記調整を行うことが可能となる。

（推定結果の信頼度）
図２２は、本発明に係る断面形状またはプロセス条件推定方法の信頼度を利用した断面形状推定手法における、学習処理ステップ（３００，５００）及び運用処理ステップ（３５０，５５０）において推定結果に対する算出された信頼度（３１０，５１０；３３３，５３３）を用いた方法について説明する図である。

前述のｋ−ＮＮ法を用いた推定においては、特願２００５−３２０３１９号に記載されているように、画像特徴量空間内での学習データ（ＳＥＭ画像とそれに対応する断面形状情報またはプロセス条件情報との組み合わせのデータ）と推定対象（学習処理ステップ（３００；５００）における学習サンプルの中から任意に逐次抽出される推定サンプル毎または運用処理ステップ（３５０；５５０）における計測対象）との距離を用いて、推定対象の断面形状またはプロセス条件を推定する。本推定方法は、例えば各学習データと推定対象とのユークリッド距離を求め、推定対象（推定サンプル毎または計測対象）に対して該距離に近いｋ個の学習データを選択し、各々選択した学習データを用いて前記（７）式等に基づく補間処理等により推定対象の断面形状またはプロセス形状条件等を算出する。補間処理は、例えば断面形状またはプロセス条件を、選択した学習データの断面形状またはプロセス条件の各値を前記距離に応じて重み付け（ｗｊ）を行い算出する。本手法では、基本的に、推定対象（推定サンプルまたは計測対象）と学習データとの間の前記距離が近い程、推定対象（推定サンプルまたは計測対象）の画像特徴量を基に推定エンジンの一つであるｋ−ＮＮ法を用いて断面形状またはプロセス条件を推定した際、より信頼性が高い推定結果が得られることになる。そこで、推定結果の信頼度の一実施例として、前記距離を利用する。図２２（ａ）においては、横軸に推定対象（推定サンプルまたは計測対象）の番号、縦軸に推定対象までの距離を示している。本実施例では、大多数の推定対象（１５０２）と学習データとの推定対象までの距離の分布（１５０３）に対して、前記距離が大きく離れている推定対象（１５０１）が存在している。このような学習サンプル中の推定対象（１５０１）による推定結果の信頼度は前述理由により低くなる。そこで、このように、学習サンプル中の推定対象に対して距離が離れている場合には、推定結果の信頼度が低くなるように算出する。推定結果の信頼度としては、例えば距離の逆数あるいは距離の逆数の二乗とすればよい。なお、上記推定対象を計測対象にすれば、ステップ（３３３，５３３）において計測対象に対する推定結果の信頼度が算出されることになる。

また、尤度推定を用いた推定においては、図２２（ｂ）（ｃ）に示すように、基本的に、推定パラメタ（断面形状またはプロセス条件）が変化したときの尤度の分布（１５０５，１５０７）において、尤度が最大値となる点（１５０９，１５０８）を解（推定対象の断面形状または推定対象のプロセス条件）とするが、そのときの前記尤度分布の形状をもとに推定結果の信頼度（３１０，５１０；３３３，５３３）を算出することができる。尤度推定においては、一般的に前記尤度分布の形状が急峻（１５０４）であれば、その推定信頼度が大きくなり、尤度分布がなだらか（１５０６）であれば、推定信頼度を小さくなることが考えられる。そこで、前記尤度分布の形状を定量化した値を推定結果に対する信頼度として算出する。例えば、尤度分布をある閾値（例えば尤度最大に対して８０％等）で切り出し、その時の分布の幅（１５０４，１５０６）を、推定結果の信頼度として算出する。該信頼度を算出する区間は、断面形状またはプロセス条件の前記予想変動区間（１５２４，１５２７）のみから出すこともできる。予想区間内のみから算出することで、生成されることがない断面形状や、設定されることのないプロセス条件を取り除いて信頼度及び解を算出することが可能となる。

以上説明したように、選択した推定エンジンにおいて、推定対象（推定サンプル及び計測対象）の推定結果の信頼度の算出する。なお推定結果の信頼度の算出方法は、本方法に限定するものではなく、前記推定対象の推定結果の信頼度が算出できる方法であれば良い。前記推定対象の推定結果の信頼度は、後述のＧＵＩによりユーザ提示（３１３，５１３；３３８，５３８）が可能であり、ユーザはＧＵＩで確認しながら、学習サンプル（推定サンプル）の推定結果に対する良否判断（３２４，５２４）及び測定対象の推定結果の可否判断（３３４，５３４）を行うことが可能となる。

次に、本発明に係る推定エンジンの選択又は／及び重み付け方法の一実施例について図２３を用いて説明する。本方法は、前述の画像特徴量分布の解析結果（１２０１）である前記信頼度を基に、１つ以上の推定エンジン（１６０２）の選択及び重み付け（Ｗ１、Ｗ２、…、Ｗｎ）を行うこと（１６０３）で、複数の推定エンジンを組み合わせて断面形状またはプロセス条件等を推定（１６０４）することが可能となる特徴がある。例えば前記推定エンジンの推定結果を、前記重み付けして足し合わすことで前記推定値を算出する。前記選択及び重みは後述のＧＵＩで設定することが可能であり、前記ＧＵＩには、画像特徴量の信頼度、推定エンジンの信頼度、および推定結果の信頼度も併せて表示されており、該信頼度を基に、追加学習の要否を含めて画像特徴量及び推定エンジンの調整をすることが可能であり、また、前記選択および重みの調整を反映した後の前記信頼度を算出し、ＧＵＩで確認をしながら調整可能である。前記重みは、運用処理ステップ（３５０，５５０）における断面形状推定、またはプロセス条件推定に用いる。以上によって、推定エンジンの選択、および重み付けの調整が可能となる。

（ＧＵＩ１）
次に、本発明に係る半導体モニタ装置（断面形状モニタ装置またはプロセス条件モニタ装置）における画像処理／演算処理装置４０７に接続された学習処理ステップ（３００，５００）でのＧＵＩ１の画面の一実施例について図２４を用いて説明する。本ＧＵＩ１により、ユーザは、断面形状モニタまたはプロセス条件モニタによる半導体プロセスモニタの詳細な各種設定が可能となる。本発明の半導体モニタ装置は、本図２４に示した機能を選択可能とする項目の全て、あるいは一部を、入力ＧＵＩ１として持つことを特徴とする。以下に、選択可能とする項目について述べる。本ＧＵＩ１の実施例は、大きくは２つの項目に別れており、学習データ設定（１７００）に関するＧＵＩと、学習データの信頼度（１７５０）に関するＧＵＩである。まず、学習データ設定（１７００）のＧＵＩの実施例について説明する。一つは、評価対象とする製造プロセスを指定する項目（１７０１）であり、リソグラフィ工程（１７０２）およびエッチング工程（１７０３）の選択を可能とする。一つは、評価モードを指定する項目（１７１２）であり、断面形状モニタ（１７１３）、およびプロセス条件モニタ（１７１４）の選択を可能とする。また、一つは、評価パターン種を指定する項目（１７０４）であり、ラインパターン（１７０５）の場合は設計線幅、設計膜厚等を指定でき、ホールパターン（１７０６）の場合は、設計ホール径、設計アスペクト等を指定できる。また、一つは、推定に使用する画像特徴量の項目（１７０７）であり、前述の推定に用いる画像特徴量を選択できる（例えば、ＭＰＰＣ特徴量（１７０８）、テクスチャ情報（１７０９）など）。また、一つは、断面形状モニタにおいて、計測ポイントを指定およびグラフィカルに表示する項目（１７２５）であり、評価パターンの高さ、幅（１７２９）、コーナ部形状（１７２６）、側壁の形状（１７２７）、フッティング部の形状（１７２８）、側壁の傾斜角等を指定できる。また、一つは、計測ポイントを選択する項目であり、例えば、ｍｉｄｄｌｅ−ＣＤ（１７２１）、ｂｏｔｔｏｍ−ＣＤ（１７７４）等の計測ポイントが指定可能である。また前記計測ポイントにおいて、予想変動範囲を入力することが可能である（１７７３、１７７４）。また、一つは、推定エンジンの学習設定の項目であり、推定に用いる画像特徴量の詳細設計が可能であり、画像特徴量の選択（１７３２）が可能であり、また選択した前記画像特徴量の前記重み（１７３１）を設定することが可能である。更に前記推定エンジンの選択（１７３４）、および推定エンジンの各パラメタの調整（１７３５）、推定エンジン間の重みの調整（１７３３）を行うことも可能である。また、以上にあげた項目は、すべてをユーザが設定することが可能であり、また、一部の項目を選んだ場合に、適当な選択項目を自動選択させることも可能である。選択項目は、以前の計測履歴をもとに学習を行い、代表的な計測項目を自動的に選択させることも可能である。例えば、評価プロセス（１７０１）がリソグラフィ工程（１７０２）、評価モードが断面形状（１７１３）、評価パターン種（１７０４）が、ラインパターン（１７０５）の場合に、推定に使用する特徴量（１７０７）として、ＭＰＰＣ特徴量（１７０８）を自動選択し、出力評価指標として、ｂｏｔｔｏｍ−ＣＤ（１７２２）を、推定エンジンにｋ−ＮＮ法のみを用いる。Ｋ−ＮＮ法のｋの値は３、というように自動選択するなどが可能である。更には推定対象の工程、品種、サイト毎に、例えば前記画像特徴量の選択結果、あるいは前記画像特徴量の重み調整結果、あるいは、前記推定エンジンの選択結果、あるいは前記推定エンジンの重み調整結果で前記推定に用いる各パラメタの全て、あるいは一部をデータベース４０８に登録しておき、必要に応じて、前記データベース４０８から前記パラメタの全て、あるいは一部を呼び出して、各種推定の設定を行うことも可能である。

次に、学習データの信頼度（１７５０）に関するＧＵＩについて説明する。一つは、前記画像特徴量の情報を特徴量毎に表示するものである（１７５１）。また、一つは、前記画像特徴量の分布（１７５３）を表示し、分布の状況の確認、あるいは後述の信頼度を基に、不要な学習サンプルの除去（１７５５）を行うことが可能である。ここでは、前記予想変動範囲（１７７０）も併せて表示することが可能である。また、一つは、表示する画像特徴量の信頼度を選択する項目（１７５６）であり、例えば前記画像特徴量の感度（１７５７）、連続性（１７５８）、分離度（１７５９）、学習密度（１７６０）などが選択可能である。前記画像特徴量の信頼度の評価を行うための前述の閾値（１７６１）が入力可能である。一つは、前記画像特徴量の信頼度を表示する項目（１７６２）である。断面形状またはプロセス条件に対する前記信頼度を表示可能（１７６３）である。また、一つは、前記推定エンジンの信頼度を表示する項目（１７６４）である。断面形状またはプロセス条件に対する前記信頼度を表示可能（１７６５）である。一つは、前記推定結果の信頼度を表示する項目（１７６６）である。学習データでの推定のセルフチェック（学習データ中の推定サンプルを用いたセルフチェック）による推定結果（１７６７）、および推定結果の信頼度（１７６８）を表示可能である。ユーザは、本ＧＵＩで表示する学習データ設定（１７００）、および信頼度（１７５０）の情報をもとに、所望の推定を行うための学習データ、推定エンジンの設定を行うことが可能となる。ここで述べたＧＵＩによるモニタ装置における各種設定項目は、ユーザに各設定を可能にする方法の一例であるが、このようにユーザにモニタの詳細設定方法を提供することで、様々なプロセス管理の要求に対応することが可能とする。

（ＧＵＩ２）
次に、本発明に係る半導体モニタ装置（断面形状モニタ装置またはプロセス条件モニタ装置）における画像処理／演算処理装置４０７に接続された運用処理ステップ（３５０，５５０）での出力ＧＵＩ２の画面の一実施例について図２５を用いて説明する。本出力ＧＵＩ２により、ユーザは、断面形状モニタまたはプロセス条件モニタでの詳細なモニタリング結果を、詳細かつ判りやすく確認することができる。一つは、評価プロセス（１８００）を表示する項目であり、リソグラフィ工程、あるいはエッチング工程など、計測対象のプロセスを表示する。また、一つは、評価モードを表示する項目であり、断面形状モニタ（１８０２）、あるいはプロセス条件（１８０３）を表示する。また、一つは、評価パターン種（１８０４）を表示する項目であり、例えば、ラインパターン、あるいはホールパターン等を表示する。また、一つは、モニタしている断面形状の算出結果を表示する項目（１８２０）であり、算出した断面形状（断面形状）をグラフィカルに表示し、かつ、各計測箇所および、計測結果をオーバレイ表示可能である。例えば、パターンの幅（１８０９）、コーナ形状（１８０６）、側壁形状（１８０７）、フッティング形状（１８０８）、側壁傾斜角等を表示する。また、一つは、算出した計測値を表示する項目（１８１０）であり、例えば、ｍｉｄｄｌｅ−ＣＤを管理する場合（１８１１）、推定値が表示され、併せて推定結果の信頼度（１８１２）が表示される。また複数の推定結果を並べて表示可能である。また、一つは、計測対象のパターンから算出した前記推定結果、および前記推定結果の信頼度を、ウェーハ面内の複数箇所で算出した場合に、前記推定結果、および前記信頼度のウェーハ面内での分布を表示する（１８１５）。数値の違いを、表示色の違い或いは、明度値の違いで表現し（１８１６）、ウェーハ面上での分布を表示する。ここで表示する計測対象は指定可能であり（１８１４）、複数の指標値を評価指標の一覧から選択して（１８１３）、表示することが可能である。また、計測対象のパターンから推定した前記断面形状、あるいは前記プロセス条件の時間変化を表示する（１８１９）。本実施例では、横軸に時間をとり、縦軸にモニタする断面形状、あるいはプロセス条件をとった例である（１８２０）。ここで表示する項目は、ＧＵＩにより指定可能であり（１８１８）、複数の評価指標を一覧から選択し表示することが可能である（１８１７）。また併せて前記推定結果の信頼度（１８２１）の時間変化も表示することが可能である。本ＧＵＩは、時間変化をモニタする方法の一実施例であり、このよう、推定結果、および、推定結果の信頼度の時間変化をモニタすることにより、ユーザがパターン形成条件の変化を随時モニタすることが可能となる。ここにで述べたＧＵＩ出力によるモニタ装置における各種表示項目は一例であるが、このようにユーザに算出結果を詳細に表示可能とすることで、様々なプロセス管理の要求に対応し、またグラフィカルに表示することにより、ユーザにプロセスの管理状況を分かり分かりやすく提供することが可能となる。

本発明によれば、露光プロセスまたはエッチングプロセスで形成されたパターンの断面形状を、被評価パターンを非破壊でＳＥＭ画像から算出することを可能とし、その結果効率の良いプロセス管理が可能となり、その産業上の利用可能性は高い。

本発明に係る走査型電子顕微鏡の一実施例の説明図である。 本発明に係る計測対象（様々パターンの断面形状）を示す図である。 本発明に係るシステム構成を示す構成図である。 本発明に係る断面形状モニタの学習処理ステップと運用処理ステップとの一実施例を示す概要図である。 本発明に係るプロセス条件モニタの学習処理ステップと運用処理ステップとの一実施例を示す概要図である。 本発明に係る断面形状とプロセス条件を同時に算出する方法の一実施例を示す概要図である。 本発明に係る製造プロセス管理の一実施例を示す概要図である。 本発明に係る断面形状情報の説明図である。 本発明に係る学習サンプルまたは計測対象のＳＥＭ画像からパターンの断面形状またはプロセス条件またはデバイス特性等を捉える画像特徴量を算出する方法の一実施例の説明図である。 本発明に係る学習サンプルまたは計測対象のチルトＳＥＭ画像からパターンの断面形状を捉えるチルト画像特徴量を算出する方法の一実施例の説明図である。 本発明に係る学習サンプルまたは計測対象のチルト角を変えたＳＥＭ画像からパターンの断面形状を捉える差分チルト画像特徴量を算出する方法の一実施例の説明図である。 本発明に係るテクスチャ解析に基づく画像特徴量についての説明図である。 本発明に係るラインプロファイル解析に基づくノッチ検出画像特徴量についての説明図である。 本発明に係るオーバハング検出画像特徴量についての説明図である。 本発明に係る断面形状推定用の学習データの作成方法の一実施例を示す図である。 本発明に係る計測対象パターンの断面形状を算出（推定）する方法の一実施例を示す図である。 本発明に係るｋ−ＮＮ法を用いた計測対象パターンの断面形状、プロセス条件またはデバイス特性の推定方向の処理手順を示す図である。 本発明に係るｋ−ＮＮ法を用いた計測対象パターンの断面形状、プロセス条件またはデバイス特性の推定方向の説明図である。 本発明に係る学習状態（画像特徴量）評価概要の説明図である。 本発明に係る画像特徴量の信頼度の説明図である。 本発明に係る推定エンジンの信頼度の説明図である。 本発明に係る推定結果の信頼度の説明図である。 本発明に係る計測対象の断面形状またはプロセス条件を推定する際の推定エンジンの組み合わせの説明図である。 本発明に係る学習処理ステップでのＧＵＩの一実施例を示す図である。 本発明に係る運用処理ステップでのＧＵＩの一実施例を示す図である。

符号の説明

１０１…半導体ウェーハ、１０２…電子光学系、１０３…電子銃、１０４…電子線、１０５…コンデンサレンズ、１０６…偏向器、１０７…ＥｘＢ偏向器、１０８…対物レンズ、１０９…二次電子検出器、１１０，１１１…反射電子検出器、１１２、１１３、１１４…Ａ／Ｄ変換器、１１５…処理・制御部、１１６…表示装置、１１７…ＸＹステージ、１１９…ステージコントローラ、１２０…偏向制御部、１２１…ＣＰＵ、１２２…画像メモリ、４００…ネットワーク、４０１，４２０，４２１…走査型電子顕微鏡（測長ＳＥＭ）、４０２…断面ＳＥＭ、４０３…ＡＦＭ、４０４…ＡＦＭ搭載測長ＳＥＭ、４０５…ＦＩＢ、４０６…ＯＣＤ、４０７…画像処理／演算処理装置、４０８…データベース、４０９…表示装置、４０７１…学習処理部、４０７２…運用処理部、７０１…マスク設計工程（プロセス）、３００、５００…学習処理ステップ、３５０、５５０、６００…運用処理ステップ、７０２…露光工程（プロセス）、７０３…現像工程（プロセス）、７０４…エッチング工程（プロセス）。

Claims (20)

1. 半導体デバイスの製造プロセスの途中において所定の製造プロセスを経て試料上に形成
   されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像に基づきパターン
   の断面形状をモニタする半導体プロセスモニタ方法であって、
   予め、学習サンプルである様々な断面形状を有する第１のパターン群の第１のＳＥＭ画
   像群を前記測長ＳＥＭを用いて収集し、前記第１のパターン群の第１の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第１のＳＥＭ画像群と前記収集された第１の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録ステップと、該学習データ登録ステップで登録された学習データにおける前記第１のＳＥＭ画像群から、第１のパターン群の断面形状を表わすパラメタに相関のある第１の画像特徴量群の分布を算出する画像特徴量算出ステップと、前記製造プロセスにおいて、前記試料上に形成されたパターンの断面形状を表わすパラメタの予想変動区間における前記画像特徴量算出ステップで算出された第１の画像特徴量群の分布に基づき、前記学習データにおける第１の画像特徴量群の信頼度、前記断面形状を表わすパラメタを推定する第１の推定エンジン群の信頼度、並びに該第１の推定エンジン群を用いて断面形状群を表わすパラメタが推定された第１の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出ステップと、該信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第１の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定ステップとを有する学習処理過程と、
   計測対象のＳＥＭ画像を取得するＳＥＭ画像取得ステップと、該ＳＥＭ画像取得ステップで取得された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出ステップと、該画像特徴量算出ステップで算出された画像特徴量と前記学習処理過程の決定ステップで決定された学習データ並びに第１の推定エンジンに基づいて、計測対象の断面形状を表わすパラメタを推定する推定ステップと、該推定ステップでの推定結果の信頼度を算出する信頼度算出ステップとを有する運用処理過程とを有することを特徴とする半導体プロセスモニタ方法。
2. 半導体デバイスの製造プロセスの途中において所定の製造プロセスを経て試料上に形成
   されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像に基づきパターン
   の断面形状をモニタする半導体プロセスモニタ方法であって、
   予め、学習サンプルである様々な断面形状を有する第１のパターン群の第１のＳＥＭ画
   像群を前記測長ＳＥＭを用いて収集し、前記第１のパターン群の第１の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第１のＳＥＭ画像群と前記収集された第１の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録ステップと、該学習データ登録ステップで登録された学習データにおける前記第１のＳＥＭ画像群から、第１のパターン群の断面形状を表わすパラメタに相関のある第１の画像特徴量群の分布を算出する画像特徴量算出ステップと、前記製造プロセスにおいて、前記試料上に形成されたパターンの断面形状を表わすパラメタまたはプロセス条件群を表わすパラメタの予想変動区間における前記画像特徴量算出ステップで算出された第１の画像特徴量群の分布に基づき、前記学習データにおける第１の画像特徴量群の信頼度、前記断面形状を表わすパラメタを推定する第１の推定エンジン群の信頼度、並びに該第１の推定エンジン群を用いて断面形状を表わすパラメタが推定された第１の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出ステップと、前記信頼度算出ステップで算出された前記一つまたは複数の信頼度に基づいて前記学習データの追加収集の要／不要の判断を行って追加収集要の場合には前記学習データを追加収集する学習データ追加ステップと、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて断面形状の推定に用いる前記第１の画像特徴量の選択若しくは第１の画像特徴量間の重みを調整する画像特徴量選択若しくは調整ステップと、前記信頼度算出ステップで算出された推定エンジンの信頼度に基づいて第１の推定エンジンの選択若しくは該第１の推定エンジン間の重みを調整する推定エンジン選択若しくは調整ステップと、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第１の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定ステップとを有する学習処理過程と、
   計測対象のＳＥＭ画像を取得するＳＥＭ画像取得ステップと、該ＳＥＭ画像取得ステッ
   プで取得された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出ステップ
   と、該画像特徴量算出ステップで算出された画像特徴量と前記学習処理過程の決定ステッ
   プで決定された学習データ並びに第１の推定エンジンに基づいて、計測対象の断面形状を表わすパラメタを推定する推定ステップと、該推定ステップでの推定結果の信頼度を算出する信頼度算出ステップとを有する運用処理過程とを有することを特徴とする半導体プロセスモニタ方法。
3. 前記断面形状を表わすパラメタとしては、半導体パターンの各高さにおける線幅、頂点部の形状、側壁部の傾斜角、側壁部の形状、裾部の形状、パターン表面のラフネス、コンタクトホールのホール径、及びコンタクトホールの深さの内、一つ若しくは複数の組み合せであることを特徴とする請求項１または２記載の半導体プロセスモニタ方法。
4. 前記運用処理過程において、前記推定ステップで推定された計測対象の断面形状を表わすパラメタの推定結果及び前記信頼度算出ステップで算出された断面形状を表わすパラメタの推定結果の信頼度を評価し、該評価結果を表示することを特徴とする請求項１または２記載の半導体プロセスモニタ方法。
5. 前記運用処理過程において、前記推定ステップで推定された計測対象の断面形状の推定
   結果及び前記信頼度算出ステップで算出された断面形状の推定結果の信頼度を評価し、該
   評価結果が許容範囲外の場合には所定の製造プロセスにフィードバックすることを特徴と
   する請求項１または２記載の半導体プロセスモニタ方法。
6. 前記運用処理過程における前記推定ステップにおいて、前記断面形状を表わすパラメタを推定する際、複数の前記第１の推定エンジンを組み合わせて用いることを特徴とする請求項１または２記載の半導体プロセスモニタ方法。
7. 半導体デバイスの製造プロセスの途中において所定の製造プロセスを経て試料上に形成
   されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像に基づきパターン
   を形成するプロセス条件をモニタする半導体プロセスモニタ方法であって、
   予め、学習サンプルである様々なプロセス条件で形成された第２のパターン群の第２の
   ＳＥＭ画像群を前記測長ＳＥＭを用いて収集し、前記第２のパターン群の第２の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第２のＳＥＭ画像群と前記収集された第２の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録ステップと、該学習データ登録ステップで登録された学習データにおける前記第２のＳＥＭ画像群から、第２のパターン群の断面形状を表わすパラメタに相関のある第２の画像特徴量群の分布を算出する画像特徴量算出ステップと、前記製造プロセスにおいて、前記プロセス条件群を表わすパラメタの予想変動区間における前記画像特徴量算出ステップで算出された第２の画像特徴量群の分布に基づき、前記学習データにおける第２の画像特徴量群の信頼度、前記プロセス条件を推定する第２の推定エンジン群の信頼度、並びに該第２の推定エンジン群を用いてプロセス条件群を表わすパラメタが推定された第２の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出ステップと、該信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第２の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定ステップとを有する学習処理過程と、
   計測対象のＳＥＭ画像を取得するＳＥＭ画像取得ステップと、該ＳＥＭ画像取得ステッ
   プで取得された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出ステップ
   と、該画像特徴量算出ステップで算出された画像特徴量と前記学習処理過程の決定ステッ
   プで決定された学習データ並びに第２の推定エンジンに基づいて、計測対象のプロセス条
   件を推定する推定ステップと、該推定ステップでの推定結果の信頼度を算出する信頼度算
   出ステップとを有する運用処理過程とを有することを特徴とする半導体プロセスモニタ方
   法。
8. 半導体デバイスの製造プロセスの途中において所定の製造プロセスを経て試料上に形成
   されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像に基づきパターン
   を形成するプロセス条件をモニタする半導体プロセスモニタ方法であって、
   予め、学習サンプルである様々なプロセス条件で形成された第２のパターン群の第２の
   ＳＥＭ画像群を前記測長ＳＥＭを用いて収集し、前記第２のパターン群の第２の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第２のＳＥＭ画像群と前記収集された第２の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録ステップと、該学習データ登録ステップで登録された学習データにおける前記第２のＳＥＭ画像群から、第２のパターン群の断面形状を表わすパラメタに相関のある第２の画像特徴量群の分布を算出する画像特徴量算出ステップと、前記製造プロセスにおいて、前記プロセス条件群を表わすパラメタの予想変動区間における前記画像特徴量算出ステップで算出された前記第２の画像特徴量群の分布に基づき、前記学習データにおける第２の画像特徴量群の信頼度、前記プロセス条件を推定する第２の推定エンジン群の信頼度、並びに該第２の推定エンジン群を用いてプロセス条件群を表わすパラメタが推定された第２の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出ステップと、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データの追加収集の要／不要の判断を行って追加収集要の場合には学習データを追加収集する学習データ追加ステップと、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいてプロセス条件の推定に用いる前記第２の画像特徴量の選択若しくは第２の画像特徴量間の重みを調整する画像特徴量選択若しくは調整ステップと、前記信頼度算出ステップで算出された推定エンジンの信頼度に基づいて第２の推定エンジンの選択若しくは該第２の推定エンジン間の重みを調整する推定エンジン選択若しくは調整ステップと、前記信頼度算出ステップで算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第２の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定ステップとを有する学習処理過程と、
   計測対象のＳＥＭ画像を取得するＳＥＭ画像取得ステップと、該ＳＥＭ画像取得ステッ
   プで取得された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出ステップ
   と、該画像特徴量算出ステップで算出された画像特徴量と前記学習処理過程の決定ステッ
   プで決定された学習データ並びに第２の推定エンジンに基づいて、計測対象のプロセス条
   件を表わすパラメタを推定する推定ステップと、該推定ステップでの推定結果の信頼度を算出する信頼度算出ステップとを有する運用処理過程とを有することを特徴とする半導体プロセスモニタ方法。
9. 前記プロセス条件を表わすパラメタとしては、露光工程におけるフォーカス位置、ドーズ量、露光時間、ベーク温度、ベーク時間、及びレジスト材料の内一つ若しくは複数の組み合せ、またはエッチング工程におけるエッチング時間、チャンバー内温度、ガス流量、及びガス圧の内一つ若しくは複数の組み合せであることを特徴とする請求項７または８記載の半導体プロセスモニタ方法。
10. 前記運用処理過程において、前記推定ステップで推定された計測対象のプロセス条件を表わすパラメタの推定結果及び前記信頼度算出ステップで算出されたプロセス条件を表わすパラメタの推定結果の信頼度を評価し、該評価結果を表示することを特徴とする請求項７または８記載の半導体プロセスモニタ方法。
11. 前記運用処理過程において、前記推定ステップで推定された計測対象のプロセス条件を表わすパラメタの推定結果及び前記信頼度算出ステップで算出されたプロセス条件を表わすパラメタの推定結果の信頼度を評価し、該評価結果が許容範囲外の場合には所定の製造プロセスにおけるプロセス条件の調整量を算出して前記所定の製造プロセスにフィードバックすることを特徴とする請求項７または８記載の半導体プロセスモニタ方法。
12. 前記運用処理過程における前記推定ステップにおいて、前記プロセス条件を表わすパラメタを推定する際、複数の前記第２の推定エンジンを組み合わせて用いることを特徴とする請求項７または８記載の半導体プロセスモニタ方法。
13. 前記学習処理過程において、更に、前記信頼度算出ステップで算出された一つまたは複
    数の信頼度をＧＵＩとして表示する表示ステップを有することを特徴とする請求項１また
    は２または７または８記載の半導体プロセスモニタ方法。
14. 前記運用処理過程において、更に、前記信頼度算出ステップで算出された推定結果の信
    頼度をＧＵＩとして表示する表示ステップを有することを特徴とする請求項１または２ま
    たは７または８記載の半導体プロセスモニタ方法。
15. 前記運用処理過程において、前記信頼度算出ステップで算出された推定結果の信頼度を
    基に前記学習データの追加収集の要／不要の判断を行って追加収集要の場合には前記学習
    処理過程の学習データ追加ステップにおいて学習データを追加収集することを特徴とする
    請求項２または８記載の半導体プロセスモニタ方法。
16. 前記学習処理過程において、更に、前記信頼度算出ステップで算出された一つまたは複
    数の信頼度に基づいて、不要なデータを学習データから除外する除外ステップを有するこ
    とを特徴とする請求項１または２または７または８記載の半導体プロセスモニタ方法。
17. 半導体デバイスの製造プロセスの途中において所定の製造プロセスを経て試料上に形成
    されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像に基づきパターン
    の断面形状をモニタする半導体プロセスモニタシステムであって、
    予め、学習サンプルである様々な断面形状を有する第１のパターン群の第１のＳＥＭ画
    像群を前記測長ＳＥＭを用いて収集し、前記第１のパターン群の第１の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第１のＳＥＭ画像群と前記収集された第１の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録手段と、該学習データ登録手段で登録された学習データにおける前記第１のＳＥＭ画像群から、第１のパターン群の断面形状を表わすパラメタに相関のある第１の画像特徴量群の分布を算出する画像特徴量算出手段と、前記製造プロセスにおいて、前記試料上に形成されたパターンの断面形状を表わすパラメタの予想変動区間における前記画像特徴量算出手段で算出された前記第１の画像特徴量群の分布に基づき、前記学習データにおける第１の画像特徴量群の信頼度、前記断面形状を表わすパラメタを推定する第１の推定エンジン群の信頼度、並びに該第１の推定エンジン群を用いて断面形状を表わすパラメタが推定された第１の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出手段と、前記信頼度算出手段で算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第１の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定手段とを有する学習処理部と、
    計測対象のＳＥＭ画像を取得するＳＥＭ画像取得手段と、該ＳＥＭ画像取得手段で取得
    された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出手段と、該画像特
    徴量算出手段で算出された画像特徴量と前記学習処理部の決定手段で決定された学習デー
    タ並びに第１の推定エンジンに基づいて、計測対象の断面形状を表わすパラメタを推定する推定手段と、該推定手段での推定結果の信頼度を算出する信頼度算出手段とを有する運用処理部とを備えたことを特徴とする半導体プロセスモニタシステム。
18. 半導体デバイスの製造プロセスの途中において所定の製造プロセスを経て試料上に形成
    されたパターンを測長ＳＥＭで観察して得た前記パターンのＳＥＭ画像に基づきパターン
    を形成するプロセス条件をモニタする半導体プロセスモニタシステムであって、
    予め、学習サンプルである様々なプロセス条件で形成された第２のパターン群の第２の
    ＳＥＭ画像群を前記測長ＳＥＭを用いて収集し、前記第２のパターン群の第２の断面形状の情報群を他の計測装置を用いて収集し、前記収集された第２のＳＥＭ画像群と前記収集された第２の断面形状の情報群との対応関係を学習データとして、データベースに登録する学習データ登録手段と、該学習データ登録手段で登録された学習データにおける前記第２のＳＥＭ画像群から、第２のパターン群の断面形状を表わすパラメタに相関のある第２の画像特徴量群の分布を算出する画像特徴量算出手段と、前記製造プロセスにおいて、前記プロセス条件群を表わすパラメタの予想変動区間における前記画像特徴量算出手段で算出された前記第２の画像特徴量群の分布に基づき、前記学習データにおける第第２の画像特徴量群の信頼度、前記プロセス条件を表わすパラメタを推定する第２の推定エンジン群の信頼度、並びに該第２の推定エンジン群を用いてプロセス条件群を表わすパラメタが推定された第２の推定結果群の信頼度の内一つまたは複数の信頼度を算出する信頼度算出手段と、該信頼度算出手段で算出された一つまたは複数の信頼度に基づいて前記学習データから一以上の学習データを決定し、前記第２の推定エンジン群から一以上の推定エンジンを決定してデータベースに登録する決定手段とを有する学習処理部と、
    計測対象のＳＥＭ画像を取得するＳＥＭ画像取得手段と、該ＳＥＭ画像取得手段で取得
    された計測対象のＳＥＭ画像から画像特徴量を算出する画像特徴量算出手段と、該画像特
    徴量算出手段で算出された画像特徴量と前記学習処理部の決定手段で決定された学習デー
    タ並びに第２の推定エンジンに基づいて、計測対象のプロセス条件を表わすパラメタを推定する推定手段と、該推定手段での推定結果の信頼度を算出する信頼度算出手段とを有する運用処理部とを
    備えたことを特徴とする半導体プロセスモニタシステム。
19. 前記学習処理部において、更に、前記信頼度算出手段で算出された一つまたは複数の信
    頼度をＧＵＩとして表示する表示手段を有することを特徴とする請求項１７または１８記
    載の半導体プロセスモニタシステム。
20. 前記運用処理部において、更に、前記信頼度算出手段で算出された推定結果の信頼度を
    ＧＵＩとして表示する表示手段を有することを特徴とする請求項１７または１８記載の半
    導体プロセスモニタシステム。

Images