WO2020246150A1 - 半導体検査方法及び半導体検査装置 - Google Patents

半導体検査方法及び半導体検査装置 Download PDF

Info

Publication number
WO2020246150A1
WO2020246150A1 PCT/JP2020/016753 JP2020016753W WO2020246150A1 WO 2020246150 A1 WO2020246150 A1 WO 2020246150A1 JP 2020016753 W JP2020016753 W JP 2020016753W WO 2020246150 A1 WO2020246150 A1 WO 2020246150A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
pattern image
pattern
semiconductor device
semiconductor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2020/016753
Other languages
English (en)
French (fr)
Inventor
智親 竹嶋
樋口　貴文
和宏 堀田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hamamatsu Photonics KK
Original Assignee
Hamamatsu Photonics KK
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hamamatsu Photonics KK filed Critical Hamamatsu Photonics KK
Priority to CN202080041089.XA priority Critical patent/CN113966524A/zh
Priority to SG11202111977XA priority patent/SG11202111977XA/en
Priority to EP20818826.8A priority patent/EP3958210B1/en
Priority to JP2021524695A priority patent/JP7413376B2/ja
Priority to KR1020217030941A priority patent/KR20220016030A/ko
Priority to US17/608,857 priority patent/US12211199B2/en
Publication of WO2020246150A1 publication Critical patent/WO2020246150A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G06F30/392—Floor-planning or layout, e.g. partitioning or placement
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Definitions

  • the present disclosure relates to a semiconductor inspection method and a semiconductor inspection apparatus for inspecting a semiconductor device.
  • Patent Document 1 discloses that an optical image such as an LSM image is made high resolution to generate a reconstructed image, and the reconstructed image is aligned with a CAD image. According to such a method, accurate alignment of optical images becomes possible.
  • the tendency of the pattern appearing in the optical image does not always match the tendency of the pattern in the CAD image. Therefore, there are cases where the accuracy of alignment using a pattern image showing a pattern of a semiconductor device cannot be sufficiently improved.
  • the embodiment has been made in view of such a problem, and an object of the present invention is to provide a semiconductor inspection method capable of accurately aligning a semiconductor device based on a pattern image acquired.
  • the semiconductor inspection method has a step of acquiring a first pattern image showing a pattern of a semiconductor device and a second pattern image showing a pattern of a semiconductor device having a resolution different from that of the first pattern image.
  • the step of acquiring the image and the reconstruction process of the second pattern image using the first pattern image as teacher data are learned by machine learning, and the second pattern image is reconstructed based on the result of the learning.
  • another form of the semiconductor inspection apparatus of the present disclosure includes a first pattern image showing a pattern of a semiconductor device and a second pattern image showing a pattern of a semiconductor device having a resolution different from that of the first pattern image.
  • the acquisition unit for acquiring the image and the first pattern image are used as teacher data to learn the reconstruction process of the second pattern image by machine learning, and the second pattern is reconstructed based on the result of the learning.
  • An image conversion unit that reconstructs an image into a reconstructed image having a resolution different from that of the second pattern image, a region calculated to have high certainty by the reconstructing process in the reconstructed image, and a first pattern image. It is provided with an alignment unit for performing alignment based on the above.
  • a first pattern image and a second pattern image showing patterns of semiconductor devices having different resolutions are acquired, and the second pattern image is a result of learning by machine learning.
  • the image is converted into a reconstruction image that resembles the resolution of the first pattern image, and the alignment is performed based on the highly reliable region of the reconstruction image and the first pattern image. Will be done. This makes it possible to improve the accuracy of alignment when aligning two pattern images having different pattern tendencies.
  • FIG. 1 It is a schematic block diagram of the observation system 1 which concerns on embodiment. It is a figure which shows the structure of the learning model of the reconstruction process by the computer 19 of FIG. (A) is a diagram showing an example of a second pattern image that is the target of the reconstruction process, and (b) is a reconstruction generated by the reconstruction process for the second pattern image of (a). A figure showing an example of an image, (c) is a figure showing an example of a CAD image which is the first pattern image of (a). It is a flowchart which shows the flow of the process of the pre-learning which generates the learning model of the reconstruction process by an observation system 1. It is a flowchart which shows the flow of the analysis processing of the semiconductor device S by the observation system 1.
  • FIG. 1 is a schematic configuration diagram of an observation system 1 which is a semiconductor inspection device according to the present embodiment.
  • the observation system 1 shown in FIG. 1 is an optical system that acquires and processes images such as heat-generating images of semiconductor devices in order to inspect semiconductor devices such as logic LSIs, ICs (integrated circuits) such as memories, and power devices. ..
  • the observation system 1 includes an optical device (optical system) 13, an objective lens 15, and a stage 17 incorporating a plurality of detectors 3, a two-dimensional camera 5, a lighting device 7, a dichroic mirror 9, and a beam splitter 11 such as a half mirror. , Computer (Personal Computer) 19, tester 21, input device 23, and display device 25.
  • Computer Personal Computer
  • Each of the plurality of detectors 3 is a photodetector that detects (measures) light from the semiconductor device S mounted on the stage 17.
  • the detector 3 may be an imaging device such as an InGaAs (indium gallium arsenide) camera or an InSb (indium antimonide) camera having sensitivity to infrared wavelengths.
  • the detector 3 acquires an LSM (Laser Scanning Microscope) image or an EOFM (Electro Optical Frequency Mapping) image by detecting the reflected light while scanning the laser light two-dimensionally on the semiconductor device S. It may be a detection system that outputs a detection signal of.
  • Each of the plurality of detectors 3 is switched to the optical device 13 so as to be optically connectable, and detects the light from the semiconductor device S via the objective lens 15 and the dichroic mirror 9 in the optical device 13. ..
  • the two-dimensional camera 5 is a camera incorporating a CCD (Charge Coupled Device) image sensor, a CMOS (Complementary Metal-Oxide Semiconductor) image sensor, and the like, and detects the reflected light from the semiconductor device S mounted on the stage 17 ( It is an optical detector that outputs a detection signal of a two-dimensional pattern image of a semiconductor device (measurement).
  • the two-dimensional camera 5 detects a two-dimensional pattern image of the semiconductor device S via the objective lens 15, the dichroic mirror 9 in the optical device 13, and the beam splitter 11.
  • the objective lens 15 is provided so as to face the semiconductor device S, and sets the magnification of the image formed on the plurality of detectors 3 and the two-dimensional camera 5.
  • the objective lens 15 includes a plurality of built-in lenses having different magnifications, and has a function of switching the built-in lens that forms an image on the detector 3 or the two-dimensional camera 5 between a high-magnification lens and a low-magnification lens.
  • the dichroic mirror 9 transmits light in a predetermined wavelength range in order to guide an image such as an emission image, a heat generation image, or a reflection image of the semiconductor device S to the detector 3, and two-dimensionally transmits a two-dimensional pattern image of the semiconductor device S.
  • Light having a wavelength other than the predetermined wavelength range is reflected in order to guide the light to the camera 5.
  • the beam splitter 11 transmits the pattern image reflected by the dichroic mirror 9 toward the two-dimensional camera 5, and reflects the illumination light for generating the two-dimensional pattern image emitted from the lighting device 7 toward the dichroic mirror 9.
  • the illumination light is applied to the semiconductor device S via the dichroic mirror 9 and the objective lens 15.
  • the tester 21 applies a predetermined electric signal test pattern, a predetermined voltage, or a predetermined current to the semiconductor device S. By applying this test pattern, light emission or heat generation due to a failure of the semiconductor device S is generated.
  • the computer 19 is an image processing device that processes the detection signals acquired by the detector 3 and the two-dimensional camera 5.
  • the computer 19 is composed of a storage unit 27, an image processing unit (acquisition unit) 29, an image analysis unit (image conversion unit, alignment unit) 31, and a control unit 33 as functional components. ..
  • the computer 19 is provided with an input device 23 such as a mouse and a keyboard for inputting data to the computer 19, and a display device 25 such as a display device for displaying the image processing result by the computer 19. ..
  • an arithmetic processing unit such as a CPU of the computer 19 executes a computer program (image processing program) stored in a storage medium such as an internal memory of the computer 19 or a hard disk drive. It is a function realized by doing.
  • the arithmetic processing unit of the computer 19 causes the computer 19 to function as each functional unit of FIG. 1 by executing this computer program, and sequentially executes the semiconductor inspection processing described later.
  • Various data necessary for executing the computer program and various data generated by executing the computer program are all stored in an internal memory such as a ROM or RAM of the computer 19 or a storage medium such as a hard disk drive.
  • the storage unit 27 is an optical image which is a light emission image acquired by the detector 3, a measurement image in which a heat generation image or the like is detected, and a pattern image showing a pattern of the semiconductor device S acquired by the detector 3 or the two-dimensional camera 5.
  • a CAD image which is a pattern image showing a high-resolution pattern of the semiconductor device S created based on the CAD data acquired from the outside is stored.
  • the optical image is an image showing the optical measurement result of the two-dimensional pattern of the semiconductor device S, and may be an image of the two-dimensional pattern detected by the two-dimensional camera 5 or the detector 3 or detected. It may be an LSM image based on the detection signal detected by the device 3.
  • the image processing unit 29 sequentially generates measurement images and optical images based on the detection signal received from the detector 3 or the two-dimensional camera 5, and sequentially stores the measurement images and optical images in the storage unit 27. Further, the image processing unit 29 receives input of CAD data from an external storage unit 35 constructed in an external PC, a server device, or the like via the network NW, generates a CAD image from the CAD data, and stores it in the storage unit 27. Let me. This CAD data is based on design information regarding the layout of each layer such as the diffusion layer, the metal layer, the gate layer, and the element separation layer of the semiconductor device S, and is stored in an external PC or server device such as software called a layout viewer. Generated by. This CAD data is used as a first CAD image showing a pattern image of the semiconductor device S.
  • the control unit 33 controls data processing in the computer 19 and processing of a device connected to the computer 19. Specifically, the control unit 33 emits illumination light by the illumination device 7, images by the plurality of detectors 3 and the two-dimensional camera 5, switches the connection of the plurality of detectors 3 to the optical device 13, and sets the objective lens 15. It controls switching of magnification, application of test patterns by tester 21, display of observation results by display device 25, and the like.
  • the image analysis unit 31 executes a reconstruction process and an alignment process on various images sequentially stored in the storage unit 27. Details of the functions of each process of the image analysis unit 31 will be described below.
  • the image analysis unit 31 reconstructs the one pattern image (referred to as the second pattern image) described in the storage unit 27 to resemble the resolution of the other pattern image (referred to as the first pattern image). Generate an image (reconstruction process). That is, the image analysis unit 31 reconstructs the second pattern image into reconstructed images having different resolutions.
  • These first pattern image and second pattern image are images having different resolutions, showing patterns in the same range on the surface of the same semiconductor device S.
  • the resolution of the first pattern image may be higher or lower than the resolution of the second pattern image as long as it is different from the resolution of the second pattern image, but in terms of improving the accuracy of the alignment processing described later. It is preferable that the resolution of the first pattern image is higher than the resolution of the second pattern image.
  • the first pattern image is a CAD image
  • the second pattern image is an image having a lower resolution than the CAD image
  • the LSM image the image captured by the InGaAs camera, and the image captured by the InSb camera.
  • it is an image acquired by the two-dimensional camera 5.
  • the first pattern image is an LSM image
  • the second pattern image is an image having a lower resolution than the LSM image
  • the plurality of second pattern images acquired in advance are used as training data, and the first pattern image corresponding to the second pattern image is used as teacher data for machine learning. It is executed using a learning model obtained as a result of pre-learning by a kind of deep learning.
  • the learning model data obtained by the prior learning is stored in the storage unit 27 and is referred to during the subsequent reconstruction process.
  • CNN Convolutional Neural Network
  • FCN Fully Convolutional Networks
  • U-Net ResNet (Residual Network), etc.
  • the number of nodes and the number of layers in the model can be set arbitrarily.
  • FIG. 2 shows the configuration of a neural network learning model for modeling the reconstruction process by prior learning.
  • the learning model M of the reconstruction process is composed of an input layer, an intermediate layer, and an output layer, and has a plurality of output layers from a plurality of nodes N 1 of the input layer via a plurality of nodes N 2 of the intermediate layer. it is possible to propagate the value to the node N 3. Pixel values of each pixel of the input image are input to each node N 1 of the input layer, and values are assigned to each pixel of the output image from the plurality of nodes N 3 of the output layer.
  • each node N 3 is labeled in the output layer (e.g., whether each pixel is a gate, or a diffusion layer, or a metal, to indicate whether an element isolation layer ) it is and the value propagated to each node N 3 is calculated as certainty of the node N 3, which is the labeled.
  • a function having an output value of 0 to 1 such as sigmoid or softmax or a function normalized to an output value in the range of 0 to 1 is used, and the output value itself is acquired as a certainty.
  • the image analysis unit 31 in the reconstruction process using a learning model described above that the input image and the second pattern image, to each pixel of the reconstructed image as an output image, output from the node N 3 of the output layer A pixel value is assigned and a certainty indicating the reliability of the reconstruction process related to the pixel value is acquired.
  • the value finally assigned to each pixel of the reconstructed image may be a value corresponding to the label having the highest certainty, or may be a value of the certainty of the pixel itself.
  • the nodes N 31 , N 32 , and N 33 of the output layer of FIG. 2 are assigned to specific pixels of the reconstructed image, and each node is a “gate”, a “diffusion layer”, and an “element separation layer”.
  • the image analysis unit 31 sets the certainty of the nodes N 31 , N 32 , and N 33 to “0.7”. , "0.2", “0.1", the pixel value of a specific pixel of the reconstructed image may be acquired as the highest certainty "0.7”, and has the highest certainty. It may be acquired as a value corresponding to the label “gate” of node N 31 . Further, the node N 31 having high certainty may be assigned to the diffusion layer which is considered to form the optical contrast in the advanced device, or conversely, the element separation layer.
  • FIG. 3 shows an example of the image processed by the image analysis unit 31, where (a) is the second pattern image to be reconstructed, and LSM images GA 1 and (b) are (b).
  • the reconstructed images GB 1 and (c) generated by the reconstructed process for the LSM image GA 1 of a) are CAD images which are the first pattern images corresponding to the second pattern image of (a).
  • GC 1 is shown respectively.
  • the low-resolution and unclear portion of the LSM image GA 1 is converted so as to be closer to the CAD image GC 1 by the reconstruction process, and the reconstruction image GB 1 that resembles the resolution of the CAD image GC 1 as a whole is generated.
  • each pixel is divided into levels using the certainty acquired for each pixel.
  • the reconstructed image GB 1 is classified by the image analysis unit 31 into regions R 1 , R 2 , and R 3 having three certainty levels in descending order of certainty using threshold values.
  • the image analysis unit 31 has a first pattern corresponding to the range of the reconstructed image GB 1 generated by the reconstructed process described above and the second pattern image on which the reconstructed image is based on the semiconductor device S. Based on the pattern image, alignment with respect to each other's image positions is performed by applying pattern matching. At this time, the image analysis unit 31 preferentially uses the region of the reconstructed image GB 1 classified as having a high degree of certainty to perform the alignment. For example, the reconstructed image GB 1 may be aligned using the region R 1 classified with the highest certainty, or the reconstructed image GB 1 may be aligned in each region R 1 , R 2 , R 3. It may be aligned by weighting according to the level of.
  • the image analysis unit 31 uses the alignment result to measure the same range as the LSM image GA 1 which is the second pattern image, thereby detecting the heat generation image and the like, and the first The CAD image GC 1 which is a pattern image is superimposed and displayed on the display device 25.
  • FIG. 4 is a flowchart showing the flow of the pre-learning process for generating the learning model of the reconstruction process
  • FIG. 5 is a flowchart showing the flow of the analysis process of the semiconductor device S.
  • step S01 when the computer 19 starts learning of the reconstruction process at an arbitrary timing such as a user operation, the computer 19 acquires a plurality of CAD data from the outside, and the CAD data thereof.
  • a CAD image as teacher data is acquired as a first pattern image and stored in the storage unit 27 based on the above (step S01).
  • step S01 even if a plurality of optical images (for example, LSM images) of the semiconductor device S are acquired as the first pattern image by controlling the detector 3, the two-dimensional camera 5, the lighting device 7, and the like. Good.
  • step S02 by controlling the detector 3, the two-dimensional camera 5, the lighting device 7, and the like by the computer 19, a plurality of second pattern images, which are training data, are acquired and stored in the storage unit 27 (step S02).
  • the image analysis unit 31 of the computer 19 constructs a learning model of the reconstruction process by deep learning. (Step S03). As a result, the data of the learning model acquired by the image analysis unit 31 is stored in the storage unit 27 (step S04).
  • the computer 19 controls the detector 3, the two-dimensional camera 5, the lighting device 7, and the like to acquire a second pattern image and a measurement image for the semiconductor device S and store them in the storage unit 27. (Step S101, step S102).
  • the image analysis unit 31 of the computer 19 refers to the data of the learning model stored in the storage unit 27 and performs the reconstruction process on the second pattern image, thereby forming the reconstructed image.
  • the certainty corresponding to each pixel of the reconstructed image is acquired (step S103).
  • the image processing unit 29 acquires a first pattern image showing a pattern in the same range on the semiconductor device S as the second pattern image, and stores it in the storage unit 27 (step S104).
  • the image analysis unit 31 weights the reconstructed image according to the certainty, so that the reconstructed image and the first pattern image are aligned.
  • the image analysis unit 31 superimposes the measurement image on the first pattern image and displays it on the display device 25 using the result of the alignment (step S105).
  • a first pattern image and a second pattern image showing patterns of the semiconductor device S having different resolutions are acquired, and the second pattern image is obtained by machine learning.
  • the image is converted into a reconstruction image that resembles the resolution of the first pattern image, and the region of the reconstruction image having a high certainty of the reconstruction process is preferentially used.
  • Alignment with the first pattern image is performed. This makes it possible to improve the accuracy of alignment when aligning two pattern images having different tendencies such as pattern resolution.
  • the second pattern image can be effectively converted so as to be closer to the resolution of the first pattern image.
  • the region with high certainty is preferentially used in the reconstructed image acquired by the reconstructed process for positioning. As a result, the accuracy of alignment between the first pattern image and the second pattern image can be effectively improved.
  • the certainty based on the output value of the node of the output layer in the learning model of the reconstructed process is used.
  • the alignment is performed based on the region predicted to be close to the first pattern image in the reconstructed image, so that the accuracy of the alignment can be improved more effectively.
  • the image analysis unit 31 of the above embodiment superimposes and displays the measurement image and the first pattern image using the alignment result, but the first pattern image or the first pattern image Only the data on which the image is based may be displayed.
  • the computer 19 may have a function of setting an analysis position for irradiating light based on the result of alignment on the displayed first pattern image or the data on which the first pattern image is based.
  • the computer 19 has a function of superimposing and displaying a signal such as a light emission signal detected from the semiconductor device S on the first pattern image or the data on which the signal is based based on the alignment result. You may. By displaying an image with high resolution in this way, the user can easily recognize the position.
  • the degree of coincidence used for weighting in the above embodiment can also be used for displaying images and waveforms reconstructed by deep learning.
  • the observation system shown in FIG. 1 it is possible to irradiate the DUT with light and observe the waveform inside the DUT from the information contained in the reflected light.
  • This waveform can be observed as a good waveform with a high SN ratio if the number of integrations is large, but the analysis time becomes longer according to the number of integrations. Therefore, in order to display a waveform with good visibility with a small number of integrations, waveform reconstruction by deep learning is applied. As a result, it is possible to convert a waveform with a small number of integrations into a waveform with a high SN ratio.
  • the result is also output according to the waveform.
  • This certainty is superimposed on the waveform and displayed.
  • Various display methods are possible, such as changing the color of the line indicating the waveform for each time zone, or displaying the time zone itself in different colors.
  • the machine learning may be deep learning. In this case, even when pattern images having different pattern tendencies are targeted, it is possible to effectively convert one pattern image so as to approach the resolution of the other pattern image. As a result, the accuracy of alignment can be further improved.
  • the certainty may be based on the output value of the node of the output layer in the learning model of the reconstruction process.
  • the alignment is performed based on the region predicted to be close to the first pattern image in the reconstructed image, and the accuracy of the alignment can be surely improved.
  • the reconstructed image may be weighted according to the certainty, and then the reconstructed image and the first pattern image may be aligned. In this way, the region of the reconstructed image that is predicted to be close to the first pattern image is weighted and then aligned, so that the accuracy of the alignment can be reliably improved.
  • the first pattern image or the second pattern image may be acquired by measuring the semiconductor device, or the first pattern image or the second pattern image may be obtained based on the CAD data related to the semiconductor device. You may get it in.
  • a semiconductor inspection method for inspecting a semiconductor device and a semiconductor inspection device are used, and the semiconductor device can be accurately aligned based on a pattern image acquired for the target.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Architecture (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

観察システム１による半導体検査方法は、半導体デバイスＳのパターンを示す第１のパターン画像を取得するステップと、半導体デバイスＳのパターンを示す、第１のパターン画像とは分解能が異なる第２のパターン画像を取得するステップと、第１のパターン画像を教師データとして用いて第２のパターン画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた再構成処理により、第２のパターン画像を第２のパターン画像とは分解能が異なる再構成画像に再構成するステップと、再構成画像における再構成処理によって確実度が高いと計算された領域と、第１のパターン画像とに基づいて、位置合わせを行うステップと、を備える。

Description

半導体検査方法及び半導体検査装置
　本開示は、半導体デバイスを検査する半導体検査方法及び半導体検査装置に関する。
　従来から、半導体デバイスを検査対象デバイス（ＤＵＴ：ｄｅｖｉｃｅ　ｕｎｄｅｒ　ｔｅｓｔ）として画像を取得して、その画像を基に故障箇所の特定等の各種分析が行われている（下記特許文献１および下記特許文献２参照）。例えば、下記特許文献１には、ＬＳＭ画像等の光学画像を高解像度化して再構成画像を生成し、再構成画像をＣＡＤ画像に対してアライメントすることが開示されている。このような方法によれば、光学画像の正確なアライメントが可能となる。
米国特許２０１８／０２９３３４６号公報 国際公開２０１５／０９８３４２号公報
　上述した従来のアライメントの方法においては、光学画像に現れるパターンの傾向がＣＡＤ画像のパターンの傾向と必ずしも一致するとは限らない。そのため、半導体デバイスのパターンを示すパターン画像を用いた位置合わせの精度を十分に高めることができない場合があった。
　実施形態は、かかる課題に鑑みてなされたものであり、半導体デバイスを対象に取得されたパターン画像を基に精度よく位置合わせすることが可能な半導体検査方法を提供することを課題とする。
　本開示の一形態の半導体検査方法は、半導体デバイスのパターンを示す第１のパターン画像を取得するステップと、半導体デバイスのパターンを示す、第１のパターン画像とは分解能が異なる第２のパターン画像を取得するステップと、第１のパターン画像を教師データとして用いて第２のパターン画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた再構成処理により、第２のパターン画像を第２のパターン画像とは分解能が異なる再構成画像に再構成するステップと、再構成画像における再構成処理によって確実度が高いと計算された領域と、第１のパターン画像とに基づいて、位置合わせを行うステップと、を備える。
　あるいは、本開示の他の形態の半導体検査装置は、半導体デバイスのパターンを示す第１のパターン画像と、半導体デバイスのパターンを示す、第１のパターン画像とは分解能が異なる第２のパターン画像とを取得する取得部と、第１のパターン画像を教師データとして用いて第２のパターン画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた再構成処理により、第２のパターン画像を第２のパターン画像とは分解能が異なる再構成画像に再構成するする画像変換部と、再構成画像における再構成処理によって確実度が高いと計算された領域と、第１のパターン画像とに基づいて、位置合わせを行う位置合わせ部と、を備える。
　上記一形態あるいは上記他の形態によれば、半導体デバイスのパターンを示す互いに分解能が異なる第１のパターン画像及び第２のパターン画像が取得され、第２のパターン画像が機械学習による学習の結果に基づいた再構成処理により、第１のパターン画像の分解能に似せた再構成画像に変換され、その再構成画像のうちの確実度が高い領域と第１のパターン画像とに基づいて、位置合わせが行われる。これにより、パターンの傾向が異なる２つのパターン画像を対象に位置合わせを行う場合に、位置合わせの精度を高めることができる。
　実施形態によれば、半導体デバイスを対象に取得されたパターン画像を基に精度よく位置合わせすることができる。
実施形態にかかる観察システム１の概略構成図である。 図１のコンピュータ１９による再構成処理の学習モデルの構成を示す図である。 （ａ）は、再構成処理の対象である第２のパターン画像の一例を示す図、（ｂ）は、（ａ）の第２のパターン画像を対象にした再構成処理により生成された再構成画像の一例を示す図、（ｃ）は、（ａ）の第１のパターン画像であるＣＡＤ画像の一例を示す図である。 観察システム１による再構成処理の学習モデルを生成する事前学習の処理の流れを示すフローチャートである。 観察システム１による半導体デバイスＳの解析処理の流れを示すフローチャートである。
　以下、添付図面を参照して、本開示の実施形態について詳細に説明する。なお、説明において、同一要素又は同一機能を有する要素には、同一符号を用いることとし、重複する説明は省略する。
　図１は、本実施形態にかかる半導体検査装置である観察システム１の概略構成図である。図１に示す観察システム１は、ロジックＬＳＩ、メモリ等のＩＣ（集積回路）、パワーデバイス等の半導体デバイスを検査するために、半導体デバイスの発熱像等の画像を取得及び処理する光学システムである。この観察システム１は、複数の検出器３、２次元カメラ５、照明装置７、ダイクロイックミラー９とハーフミラーなどのビームスプリッタ１１とを内蔵する光学装置（光学系）１３、対物レンズ１５、ステージ１７、コンピュータ（Personal　Computer）１９、テスタ２１、入力装置２３、及び表示装置２５を含んで構成されている。
　複数の検出器３は、それぞれ、ステージ１７に載置される半導体デバイスＳからの光を検出（測定）する光検出器である。例えば、検出器３は、赤外波長に感度を持つＩｎＧａＡｓ(インジウムガリウムアーセナイド)カメラあるいはＩｎＳｂ（インジウムアンチモン）カメラ等の撮像装置であってもよい。また、検出器３は、レーザ光を半導体デバイスＳ上で２次元的に走査しながら反射光を検出することにより、ＬＳＭ（Laser　Scanning　Microscope）画像またはＥＯＦＭ（Electro　Optical　Frequency　Mapping）画像を取得するための検出信号を出力する検出システムであってもよい。複数の検出器３は、それぞれ、光学装置１３に対して切り替えて光学的に接続可能にされ、半導体デバイスＳからの光を、対物レンズ１５及び光学装置１３内のダイクロイックミラー９を介して検出する。
　２次元カメラ５は、ＣＣＤ（Charge Coupled Device）イメージセンサ、ＣＭＯＳ（Complementary Metal-Oxide Semiconductor）イメージセンサ等を内蔵するカメラであり、ステージ１７に載置される半導体デバイスＳからの反射光を検出（測定）して半導体デバイスの２次元パターン像の検出信号を出力する光検出器である。この２次元カメラ５は、対物レンズ１５と、光学装置１３内のダイクロイックミラー９及びビームスプリッタ１１とを介して半導体デバイスＳの２次元パターン像を検出する。
　対物レンズ１５は、半導体デバイスＳに対向して設けられ、複数の検出器３及び２次元カメラ５に結像する像の倍率を設定する。この対物レンズ１５には、複数の倍率の異なる内蔵レンズが含まれ、検出器３或いは２次元カメラ５に像を結ぶ内蔵レンズを、高倍率レンズと低倍率レンズとの間で切り替える機能を有する。
　ダイクロイックミラー９は、半導体デバイスＳの発光像、発熱像、反射像等の像を検出器３に導光するために所定波長範囲の光を透過し、半導体デバイスＳの２次元パターン像を２次元カメラ５に導光するために所定波長範囲以外の波長の光を反射させる。ビームスプリッタ１１は、ダイクロイックミラー９によって反射されたパターン像を２次元カメラ５に向けて透過させるとともに、照明装置７から出射された２次元パターン像生成用の照明光をダイクロイックミラー９に向けて反射させることにより、その照明光をダイクロイックミラー９及び対物レンズ１５を経由して半導体デバイスＳに照射する。
　テスタ２１は、半導体デバイスＳに所定の電気信号のテストパターン、所定の電圧、又は所定の電流を印加する。このテストパターンの印加によって、半導体デバイスＳの故障に起因する発光あるいは発熱が発生する。
　コンピュータ１９は、検出器３及び２次元カメラ５で取得された検出信号を処理する画像処理装置である。詳細には、コンピュータ１９は、機能的構成要素として、記憶部２７、画像処理部（取得部）２９、画像解析部（画像変換部、位置合わせ部）３１、及び制御部３３により構成されている。また、コンピュータ１９には、コンピュータ１９に対してデータを入力するためのマウス、キーボード等の入力装置２３、コンピュータ１９による画像処理結果を表示するためのディスプレイ装置等の表示装置２５が付属している。
　図１に示すコンピュータ１９の各機能部は、コンピュータ１９のＣＰＵ等の演算処理装置（プロセッサ）がコンピュータ１９の内蔵メモリやハードディスクドライブなどの記憶媒体に格納されたコンピュータプログラム（画像処理プログラム）を実行することによって実現される機能である。コンピュータ１９の演算処理装置は、このコンピュータプログラムを実行することによってコンピュータ１９を図１の各機能部として機能させ、後述する半導体検査処理を順次実行する。このコンピュータプログラムの実行に必要な各種データ、及び、このコンピュータプログラムの実行によって生成された各種データは、全て、コンピュータ１９のＲＯＭやＲＡＭ等の内蔵メモリやハードディスクドライブなどの記憶媒体に格納される。
　ここで、コンピュータ１９の各機能部の機能について説明する。
　記憶部２７は、検出器３によって取得された発光像、発熱像等が検出された測定画像、検出器３あるいは２次元カメラ５によって取得された半導体デバイスＳのパターンを示すパターン像である光学画像、及び外部から取得されたＣＡＤデータを基に作成された半導体デバイスＳの高分解能のパターンを示すパターン画像であるＣＡＤ画像を記憶する。光学画像は、半導体デバイスＳの二次元的なパターンの光学的な測定結果を表す画像であり、２次元カメラ５あるいは検出器３によって検出された２次元パターンの画像であってもよいし、検出器３によって検出された検出信号に基づくＬＳＭ画像であってもよい。画像処理部２９は、検出器３あるいは２次元カメラ５から受信した検出信号を基に、測定画像及び光学画像を順次生成し、それらの測定画像及び光学画像を順次記憶部２７に記憶させる。また、画像処理部２９は、外部のＰＣあるいはサーバ装置等に構築された外部記憶部３５からネットワークＮＷを介してＣＡＤデータの入力を受け付け、ＣＡＤデータからＣＡＤ画像を生成して記憶部２７に記憶させる。このＣＡＤデータは、半導体デバイスＳの拡散層、メタル層、ゲート層、素子分離層等の各層のレイアウトに関する設計情報に基づいて、外部のＰＣあるいはサーバ装置等に格納されたレイアウトビューアと呼ばれるソフトウェア等によって生成される。このＣＡＤデータを半導体デバイスＳのパターン像を表した第１のＣＡＤ画像として使用する。
　制御部３３は、コンピュータ１９におけるデータ処理、及びコンピュータ１９に接続されたデバイスの処理を制御する。詳細には、制御部３３は、照明装置７による照明光の出射、複数の検出器３及び２次元カメラ５による撮像、複数の検出器３の光学装置１３への接続の切り替え、対物レンズ１５の倍率の切り替え、テスタ２１によるテストパターンの印加、表示装置２５による観察結果の表示等を制御する。
　画像解析部３１は、記憶部２７に順次記憶される各種画像を対象に、再構成処理、及び位置合わせ処理を実行する。画像解析部３１の各処理の機能の詳細について以下に述べる。
　画像解析部３１は、記憶部２７に記載された一方のパターン画像（第２のパターン画像とする）を基にもう一方のパターン画像（第１のパターン画像とする）の分解能に似せた再構成画像を生成する（再構成処理）。すなわち、画像解析部３１は、第２のパターン画像を分解能の異なる再構成画像に再構成する。これらの第１のパターン画像及び第２のパターン画像は、同一の半導体デバイスＳの面上の同一の範囲におけるパターンを示す、互いに分解能が異なる画像である。第１のパターン画像の分解能は、第２のパターン画像の分解能と異なっていれば第２のパターン画像の分解能よりも高くても低くてもよいが、後述する位置合わせ処理の精度を高める点では、第１のパターン画像の分解能は第２のパターン画像の分解能よりも高いことが好適である。例えば、第１のパターン画像がＣＡＤ画像であって、第２のパターン画像がＣＡＤ画像よりも低分解能の画像であって、ＬＳＭ画像、ＩｎＧａＡｓカメラで撮像された画像、ＩｎＳｂカメラで撮像された画像、あるいは、２次元カメラ５によって取得された画像である。また、第１のパターン画像がＬＳＭ画像であって、第２のパターン画像がＬＳＭ画像よりも低分解能の画像であって、ＩｎＧａＡｓカメラで撮像された画像、ＩｎＳｂカメラで撮像された画像、あるいは、２次元カメラ５によって取得された画像である。
　画像解析部３１による再構成処理は、事前に取得された複数の第２のパターン画像を訓練データとして、それらの第２のパターン画像に対応する第１のパターン画像を教師データとして、機械学習の一種であるディープラーニングによって事前に学習した結果得られた学習モデルを用いて実行される。事前の学習によって得られる学習モデルのデータは記憶部２７に記憶され、その後の再構成処理時に参照される。例えば、ディープラーニングの学習モデルとしては、ＣＮＮ（Convolutional　Neural　Network）、ＦＣＮ（Fully　Convolutional　Networks）、Ｕ－Ｎｅｔ、ＲｅｓＮｅｔ（Residual　Network）等が使用されるが、特定のものには限定されず、学習モデルのノードの数、層の数は任意に設定されうる。
　図２には、再構成処理を事前の学習によってモデル化するためのニューラルネットワークの学習モデルの構成を示している。このように、再構成処理の学習モデルＭは、入力層、中間層、及び出力層からなり、入力層の複数のノードＮ１から中間層の複数のノードＮ２を経由して出力層の複数のノードＮ３まで値を伝播することができる。入力層の各ノードＮ１には、入力画像の各画素の画素値が入力され、出力層の複数のノードＮ３から出力画像の各画素に値が割り当てられる。事前の学習では、各ノードＮ１，Ｎ２，Ｎ３間を値が伝播する際の各ノードの出力値の計算に利用される活性化関数、重みパラメータ、バイアスパラメータ等が、最適化問題を解くことにより学習される。また、学習モデルＭにおいては、出力層の各ノードＮ３がラベル付け（例えば、各画素がゲートであるか、拡散層であるか、メタルであるか、素子分離層であるかを示すように）されており、各ノードＮ３に伝播する値が、そのラベル付けされたノードＮ３の確実度として算出される。例えば、出力層の活性化関数としてsigmoid、softmax等の出力値０～１の関数または出力値が０～１の範囲に規格化された関数が用いられ、その出力値自体が確実度として取得される。
　画像解析部３１は、第２のパターン画像を入力画像とした上述した学習モデルを用いた再構成処理において、出力画像としての再構成画像の各画素に、出力層のノードＮ３から出力された画素値を割り当てるとともにその画素値に関する再構成処理の信頼性を示す確実度を取得する。このとき、最終的に再構成画像の各画素に割り当てる値は、確実度が最も高いラベルに相当する値としてもよいし、その画素の確実度そのものの値としてもよい。例えば、図２の出力層のノードＮ３１，Ｎ３２，Ｎ３３が、再構成画像の特定の画素に割り当てられており、それぞれのノードが“ゲート”、“拡散層”、“素子分離層”、及び“メタル”のいずれかにラベル付けされた学習モデルＭを用いる場合を想定する。画像解析部３１は、このような学習モデルＭを用いてある第２のパターン画像を対象に再構成処理を実行した結果、ノードＮ３１，Ｎ３２，Ｎ３３の確実度として“０．７”、“０．２”、“０．１”を取得した場合、再構成画像の特定の画素の画素値を、最も高い確実度“０．７”として取得もよいし、最も高い確実度を持つノードＮ３１のラベル“ゲート”に対応する値として取得してもよい。また、先端デバイスにおいて光学的なコントラストを形成すると考えられる拡散層、あるいは逆に素子分離層に確実度の高いノードＮ３１を割り当ててもよい。
　図３には、画像解析部３１によって処理された画像の一例を示しており、（ａ）は、再構成処理の対象の第２のパターン画像であるＬＳＭ画像ＧＡ１、（ｂ）は、（ａ）のＬＳＭ画像ＧＡ１を対象にした再構成処理により生成された再構成画像ＧＢ１、（ｃ）は、（ａ）の第２のパターン画像に対応する第１のパターン画像であるＣＡＤ画像ＧＣ１を、それぞれ示す。このように、ＬＳＭ画像ＧＡ１の低分解能で不鮮明な部分が再構成処理によってＣＡＤ画像ＧＣ１に近づけるように変換され、全体としてＣＡＤ画像ＧＣ１の分解能に似せた再構成画像ＧＢ１が生成される。さらに、画像解析部３１によって生成された再構成画像ＧＢ１は、画素毎に取得された確実度を用いて各画素がレベル分けされる。例えば、再構成画像ＧＢ１は、画像解析部３１によって、閾値を用いて確実度が高い順に３つの確実度のレベルの領域Ｒ１、Ｒ２，Ｒ３に分類される。
　さらに、画像解析部３１は、上述した再構成処理によって生成された再構成画像ＧＢ１と、再構成画像の基になった第２のパターン画像の半導体デバイスＳ上の範囲に対応する第１のパターン画像とに基づいて、互いの画像位置に関する位置合わせをパターンマッチングを適用して実行する。このとき、画像解析部３１は、再構成画像ＧＢ１のうち確実度が高いとレベル分けされた領域を優先的に用いて位置合わせを実行する。例えば、再構成画像ＧＢ１のうち最も高い確実度に分類された領域Ｒ１を用いて位置合わせしてもよいし、再構成画像ＧＢ１を領域Ｒ１，Ｒ２，Ｒ３毎に確実度のレベルに応じて重み付けをして用いて位置合わせしてもよい。そして、画像解析部３１は、位置合わせの結果を用いて、第２のパターン画像であるＬＳＭ画像ＧＡ１と同一の範囲を測定することによって発熱像等が検出された測定画像と、第１のパターン画像であるＣＡＤ画像ＧＣ１とを重畳して表示装置２５に表示させる。
　次に、観察システム１によって実行される及び半導体検査方法の処理の手順について、図４及び図５を参照しながら説明する。図４は、再構成処理の学習モデルを生成する事前学習の処理の流れを示すフローチャート、図５は、半導体デバイスＳの解析処理の流れを示すフローチャートである。
　まず、図４を参照して、コンピュータ１９によって、ユーザの操作等の任意のタイミングで再構成処理の学習が開始されると、コンピュータ１９によって、ＣＡＤデータが外部から複数取得され、それらのＣＡＤデータを基に教師データとなるＣＡＤ画像が第１のパターン画像として取得され記憶部２７に保存される（ステップＳ０１）。あるいは、ステップＳ０１では、検出器３、２次元カメラ５、照明装置７等が制御されることにより、第１のパターン画像として半導体デバイスＳの光学画像（例えば、ＬＳＭ画像）が複数取得されてもよい。次に、コンピュータ１９によって、検出器３、２次元カメラ５、照明装置７等が制御されることにより、訓練データである第２のパターン画像が複数取得され記憶部２７に保存される（ステップＳ０２）。
　その後、記憶部２７に保存された第１のパターン画像と第２のパターン画像との複数の組み合わせに対して、コンピュータ１９の画像解析部３１により、ディープラーニングにより再構成処理の学習モデルが構築される（ステップＳ０３）。その結果、画像解析部３１により、取得された学習モデルのデータは記憶部２７に記憶される（ステップＳ０４）。
　図５を参照して、再構成処理の学習モデルの構築後の半導体デバイスＳの解析処理の手順を説明する。最初に、コンピュータ１９によって、検出器３、２次元カメラ５、照明装置７等が制御されることにより、半導体デバイスＳを対象にした第２のパターン画像及び測定画像が取得され記憶部２７に保存される（ステップＳ１０１、ステップＳ１０２）。
　次に、コンピュータ１９の画像解析部３１により、第２のパターン画像を対象に、記憶部２７に記憶された学習モデルのデータが参照されて再構成処理が施されることにより、再構成画像と、その再構成画像の各画素に対応する確実度とが取得される（ステップＳ１０３）。その後、画像処理部２９により、第２のパターン画像と同一の半導体デバイスＳ上の範囲のパターンを示す第１のパターン画像が取得されて記憶部２７に記憶される（ステップＳ１０４）。そして、画像解析部３１により、再構成画像が確実度によって重み付けされることにより、再構成画像と第１のパターン画像との位置合わせが行われる。最後に、画像解析部３１によって、その位置合わせの結果を用いて、測定画像が第１のパターン画像と重畳されて表示装置２５上に表示される（ステップＳ１０５）。
　以上説明した本実施形態にかかる観察システム１によれば、半導体デバイスＳのパターンを示す互いに分解能が異なる第１のパターン画像及び第２のパターン画像が取得され、第２のパターン画像が機械学習による学習の結果に基づいた再構成処理により、第１のパターン画像の分解能に似せた再構成画像に変換され、その再構成画像のうちの再構成処理の確実度が高い領域を優先的に用いて、第１のパターン画像との位置合わせが行われる。これにより、パターンの解像度等の傾向が異なる２つのパターン画像を対象に位置合わせを行う場合に、位置合わせの精度を高めることができる。特に、ディープラーニングによる事前の学習の結果構築された再構成処理を実行することによって、第２のパターン画像を第１のパターン画像の分解能に寄せるように効果的に変換することができる。また、その再構成処理によって取得される再構成画像のうち確実度の高い領域を優先的に用いて位置合わせを行っている。その結果、第１のパターン画像と第２のパターン画像との位置合わせの精度を効果的に高めることができる。
　また、本実施形態では、第１のパターン画像と再構成画像との位置合わせの際には、再構成処理の学習モデルにおける出力層のノードの出力値に基づく確実度を用いている。このようにすることで、再構成画像のうちで第１のパターン画像に近いと予測される領域を基に位置合わせが為されるので、位置合わせの精度をより効果的に高めることができる。
　以上、本開示の種々の実施形態について説明したが、本開示は上記実施形態に限定されるものではなく、各請求項に記載した要旨を変更しない範囲で変形し、又は他のものに適用したものであってもよい。
　例えば、上記実施形態の画像解析部３１は、測定画像と第１のパターン画像とを位置合わせの結果を用いて重畳して表示させていたが、第１のパターン画像、あるいは第１のパターン画像の基となったデータのみを表示させてもよい。この場合、コンピュータ１９は、表示された第１のパターン画像あるいはその基となったデータ上で、位置合わせの結果に基づいて光を照射する解析位置を設定させる機能を有していてもよい。また、コンピュータ１９は、半導体デバイスＳから検出された発光信号等の信号を、位置合わせの結果を基に第１のパターン画像あるいはその基となったデータに重畳して表示させる機能を有していてもよい。このように分解能の高い画像を表示させることにより、ユーザにとって位置の認識が容易となる。
　なお、上記実施形態で重み付けに用いている一致度はディープラーニングによって再構成された画像や波形の表示にも利用することができる。例えば、図１に示す観察システムでは、ＤＵＴに光を照射し、反射してきた光に含まれる情報から、ＤＵＴ内部の波形を観察することも可能である。この波形は積算回数が多ければＳＮ比の高い良好な波形として観察できるが、積算回数に応じて解析時間が長くなる。このため、少ない積算回数で視認性の良い波形を表示するために、ディープラーニングによる波形の再構成を適用する。その結果、少ない積算回数の波形を高ＳＮ比の波形に変換することはできる。その際、波形の時間帯毎に確実度が計算できているため、その結果も波形に合わせて出力される。この確実度を波形に重ねて表示する。表示は時間帯毎に波形を示す線の色を変える、あるいは、時間帯自体を色分けして表示する等、各種の表示方法が可能である。これによって波形を解析する際、どの時間帯の波形かが明確になる。もし、波形解析で着目すべき時間帯の波形の確実度が高ければ、その波形を解析結果として採用する。逆に確実度のその時間帯であまり高くなければ、積算回数を増やして再度波形を取得する等、解析者に解析を進める上での判断基準を提示することができる。
　上記実施形態においては、機械学習は、ディープラーニングであってもよい。この場合、パターンの傾向が異なるパターン画像を対象にした場合であっても、一方のパターン画像を他方のパターン画像の分解能に寄せるように効果的に変換することができる。その結果、位置合わせの精度をより高めることができる。
　また、確実度は、再構成処理の学習モデルにおける出力層のノードの出力値に基づくものであってもよい。この場合、その再構成画像のうちで第１のパターン画像に近いと予測される領域を基に位置合わせが為され、位置合わせの精度を確実に高めることができる。
　さらに、再構成画像に対して確実度に応じて重み付けを行った上で、再構成画像と第１のパターン画像との位置合わせを行ってもよい。こうすれば、その再構成画像のうちで第１のパターン画像に近いと予測される領域に重み付けをしたうえで位置合わせが為され、位置合わせの精度を確実に高めることができる。
　ここで、第１のパターン画像あるいは第２のパターン画像を、半導体デバイスを測定することにより取得してもよいし、第１のパターン画像あるいは第２のパターン画像を、半導体デバイスに関するＣＡＤデータを基に取得してもよい。
　実施形態は、半導体デバイスを検査する半導体検査方法及び半導体検査装置を使用用途とし、半導体デバイスを対象に取得されたパターン画像を基に精度よく位置合わせすることができるものである。
　１…観察システム、３…検出器、５…２次元カメラ、１９…コンピュータ、２９…画像処理部（取得部）、３１…画像解析部（画像変換部、位置合わせ部）、Ｓ…半導体デバイス。

Claims (12)

  1. 　半導体デバイスのパターンを示す第１のパターン画像を取得するステップと、
    　前記半導体デバイスのパターンを示す、前記第１のパターン画像とは分解能が異なる第２のパターン画像を取得するステップと、
    　前記第１のパターン画像を教師データとして用いて前記第２のパターン画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた前記再構成処理により、前記第２のパターン画像を前記第２のパターン画像とは分解能が異なる再構成画像に再構成するステップと、
    　前記再構成画像における前記再構成処理によって確実度が高いと計算された領域と、第１のパターン画像とに基づいて、位置合わせを行うステップと、
    を備える半導体検査方法。
  2. 　前記機械学習は、ディープラーニングである、
    請求項１記載の半導体検査方法。
  3. 　前記確実度は、再構成処理の学習モデルにおける出力層のノードの出力値に基づく、
    請求項２記載の半導体検査方法。
  4. 　前記再構成画像に対して前記確実度に応じて重み付けを行った上で、前記再構成画像と前記第１のパターン画像との位置合わせを行う、
    請求項１～３のいずれか１項に記載の半導体検査方法。
  5. 　第１のパターン画像あるいは第２のパターン画像を、前記半導体デバイスを測定することにより取得する、
    請求項１～４のいずれか１項に記載の半導体検査方法。
  6. 　第１のパターン画像あるいは第２のパターン画像を、前記半導体デバイスに関するＣＡＤデータを基に取得する、
    請求項１～５のいずれか１項に記載の半導体検査方法。
  7. 　半導体デバイスのパターンを示す第１のパターン画像と、前記半導体デバイスのパターンを示す、前記第１のパターン画像とは分解能が異なる第２のパターン画像とを取得する取得部と、
    　前記第１のパターン画像を教師データとして用いて前記第２のパターン画像の再構成処理を機械学習によって学習し、当該学習の結果に基づいた前記再構成処理により、前記第２のパターン画像を前記第２のパターン画像とは分解能が異なる再構成画像に再構成するする画像変換部と、
    　前記再構成画像における前記再構成処理によって確実度が高いと計算された領域と、第１のパターン画像とに基づいて、位置合わせを行う位置合わせ部と、
    を備える半導体検査装置。
  8. 　前記機械学習は、ディープラーニングである、
    請求項７記載の半導体検査装置。
  9. 　前記確実度は、再構成処理の学習モデルにおける出力層のノードの出力値に基づく、
    請求項８記載の半導体検査装置。
  10. 　前記位置合わせ部は、前記再構成画像に対して前記確実度に応じて重み付けを行った上で、前記再構成画像と前記第１のパターン画像との位置合わせを行う、
    請求項７～９のいずれか１項に記載の半導体検査装置。
  11. 　前記取得部は、第１のパターン画像あるいは第２のパターン画像を、前記半導体デバイスを測定することにより取得する、
    請求項７～１０のいずれか１項に記載の半導体検査装置。
  12. 　前記取得部は、第１のパターン画像あるいは第２のパターン画像を、前記半導体デバイスに関するＣＡＤデータを基に取得する、
    請求項７～１１のいずれか１項に記載の半導体検査装置。
PCT/JP2020/016753 2019-06-03 2020-04-16 半導体検査方法及び半導体検査装置 Ceased WO2020246150A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202080041089.XA CN113966524A (zh) 2019-06-03 2020-04-16 半导体检查方法及半导体检查装置
SG11202111977XA SG11202111977XA (en) 2019-06-03 2020-04-16 Method for inspecting semiconductor and semiconductor inspecting device
EP20818826.8A EP3958210B1 (en) 2019-06-03 2020-04-16 Method for inspecting semiconductor and semiconductor inspecting device
JP2021524695A JP7413376B2 (ja) 2019-06-03 2020-04-16 半導体検査方法及び半導体検査装置
KR1020217030941A KR20220016030A (ko) 2019-06-03 2020-04-16 반도체 검사 방법 및 반도체 검사 장치
US17/608,857 US12211199B2 (en) 2019-06-03 2020-04-16 Method for inspecting semiconductor and semiconductor inspecting device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-103831 2019-06-03
JP2019103831 2019-06-03

Publications (1)

Publication Number Publication Date
WO2020246150A1 true WO2020246150A1 (ja) 2020-12-10

Family

ID=73652093

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/016753 Ceased WO2020246150A1 (ja) 2019-06-03 2020-04-16 半導体検査方法及び半導体検査装置

Country Status (8)

Country Link
US (1) US12211199B2 (ja)
EP (1) EP3958210B1 (ja)
JP (1) JP7413376B2 (ja)
KR (1) KR20220016030A (ja)
CN (1) CN113966524A (ja)
SG (1) SG11202111977XA (ja)
TW (1) TWI863993B (ja)
WO (1) WO2020246150A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022186326A1 (ja) * 2021-03-05 2022-09-09 株式会社日立ハイテク 学習器の学習方法、及び画像生成システム
US20230206422A1 (en) * 2020-06-08 2023-06-29 Hamamatsu Photonics K.K. Semiconductor inspecting method and semiconductor inspecting device

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220067525A1 (en) * 2020-08-25 2022-03-03 Nvidia Corporation Techniques for pruning neural networks
KR20250107055A (ko) * 2024-01-04 2025-07-11 삼성전자주식회사 반도체 패턴의 생성 방법 및 장치

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009162718A (ja) * 2008-01-10 2009-07-23 Olympus Corp 基板検査装置および検査領域設定方法
WO2015098342A1 (ja) 2013-12-26 2015-07-02 浜松ホトニクス株式会社 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体
US20170148226A1 (en) * 2015-11-19 2017-05-25 Kla-Tencor Corporation Generating simulated images from design information
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170345140A1 (en) * 2016-05-25 2017-11-30 Kla-Tencor Corporation Generating simulated images from input images for semiconductor applications
US20180293346A1 (en) 2017-04-07 2018-10-11 Fei Company Alignment of cad data to images in high resolution optical fault analysis
JP2019129169A (ja) * 2018-01-22 2019-08-01 株式会社日立ハイテクノロジーズ 画像評価方法及び画像評価装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6848087B2 (en) 2001-05-30 2005-01-25 Credence Systems Corporation Sub-resolution alignment of images
CN104000655B (zh) * 2013-02-25 2018-02-16 西门子公司 用于腹腔镜外科手术的组合的表面重构和配准
JP2015098342A (ja) 2013-11-19 2015-05-28 株式会社エンプラス 密閉容器および密閉容器セット
WO2017017742A1 (ja) * 2015-07-24 2017-02-02 オリンパス株式会社 画像処理装置、画像処理方法およびプログラム
WO2017095862A1 (en) 2015-11-30 2017-06-08 Trustees Of Boston University Gate-level mapping of integrated circuits using multi-spectral imaging
TWI797699B (zh) * 2015-12-22 2023-04-01 以色列商應用材料以色列公司 半導體試樣的基於深度學習之檢查的方法及其系統
TWI751233B (zh) 2016-11-28 2022-01-01 美商克萊譚克公司 用於從低解析度檢測影像重建高解析度點擴散函數之系統及方法
US10733744B2 (en) * 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
JP6957197B2 (ja) 2017-05-17 2021-11-02 キヤノン株式会社 画像処理装置および画像処理方法
CN107481188A (zh) * 2017-06-23 2017-12-15 珠海经济特区远宏科技有限公司 一种图像超分辨率重构方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009162718A (ja) * 2008-01-10 2009-07-23 Olympus Corp 基板検査装置および検査領域設定方法
WO2015098342A1 (ja) 2013-12-26 2015-07-02 浜松ホトニクス株式会社 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体
US20170148226A1 (en) * 2015-11-19 2017-05-25 Kla-Tencor Corporation Generating simulated images from design information
US20170193680A1 (en) * 2016-01-04 2017-07-06 Kla-Tencor Corporation Generating high resolution images from low resolution images for semiconductor applications
US20170345140A1 (en) * 2016-05-25 2017-11-30 Kla-Tencor Corporation Generating simulated images from input images for semiconductor applications
US20180293346A1 (en) 2017-04-07 2018-10-11 Fei Company Alignment of cad data to images in high resolution optical fault analysis
JP2019129169A (ja) * 2018-01-22 2019-08-01 株式会社日立ハイテクノロジーズ 画像評価方法及び画像評価装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3958210A4

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230206422A1 (en) * 2020-06-08 2023-06-29 Hamamatsu Photonics K.K. Semiconductor inspecting method and semiconductor inspecting device
US12340504B2 (en) * 2020-06-08 2025-06-24 Hamamatsu Photonics K.K. Semiconductor inspecting method and semiconductor inspecting device
WO2022186326A1 (ja) * 2021-03-05 2022-09-09 株式会社日立ハイテク 学習器の学習方法、及び画像生成システム
US12400383B2 (en) 2021-03-05 2025-08-26 Hitachi High-Tech Corporation Training method for learning apparatus, and image generation system

Also Published As

Publication number Publication date
EP3958210A1 (en) 2022-02-23
TW202101292A (zh) 2021-01-01
KR20220016030A (ko) 2022-02-08
EP3958210B1 (en) 2025-05-28
US12211199B2 (en) 2025-01-28
TWI863993B (zh) 2024-12-01
JP7413376B2 (ja) 2024-01-15
JPWO2020246150A1 (ja) 2020-12-10
SG11202111977XA (en) 2021-11-29
EP3958210A4 (en) 2023-05-03
CN113966524A (zh) 2022-01-21
US20220301135A1 (en) 2022-09-22

Similar Documents

Publication Publication Date Title
US12211199B2 (en) Method for inspecting semiconductor and semiconductor inspecting device
TWI774863B (zh) 用於獲得一對準晶粒對晶粒檢測影像之方法，用於半導體晶粒對晶粒檢測影像中之非暫時性電腦可讀儲存媒體，及半導體晶粒對晶粒檢測系統
TWI742277B (zh) 用於對準以不同模態所獲取之影像之以學習為基礎之方法
TWI706485B (zh) 光學晶粒對資料庫檢查
JP6718534B2 (ja) 画像処理方法、画像処理装置、画像処理プログラム、及び画像処理プログラムを記憶した記憶媒体
JP6893514B2 (ja) ハイブリッドインスペクタ
US20150379707A1 (en) Mask inspection apparatus, mask evaluation method and mask evaluation system
CN115516295A (zh) 使用深度学习方法的缺陷尺寸测量
TW201903391A (zh) 基於輪廓之缺陷偵測
KR20190004000A (ko) 반도체 애플리케이션을 위한 신경망 및 순방향 물리적 모델을 포함하는 방법 및 시스템
US10591539B2 (en) Automated scan chain diagnostics using emission
JP6961846B1 (ja) Ｅｕｖマスク検査装置、ｅｕｖマスク検査方法、ｅｕｖマスク検査プログラム及びｅｕｖマスク検査システム
US12094138B2 (en) Semiconductor inspection device and semiconductor inspection method
US9958502B2 (en) Defect isolation methods and systems
US12340504B2 (en) Semiconductor inspecting method and semiconductor inspecting device

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20818826

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021524695

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20217030941

Country of ref document: KR

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020818826

Country of ref document: EP

Effective date: 20211116

NENP Non-entry into the national phase

Ref country code: DE

WWG Wipo information: grant in national office

Ref document number: 11202111977X

Country of ref document: SG

WWP Wipo information: published in national office

Ref document number: 11202111977X

Country of ref document: SG

WWG Wipo information: grant in national office

Ref document number: 2020818826

Country of ref document: EP