パターン検査方法及びその装置
【課題】
虚報を多発させることなく、システマティック欠陥を検出する半導体パターン検査装置を提供する。
【解決手段】
検査対象パターンを撮像して得た画像から抽出した特徴量と設計データから生成した設計データ画像から抽出した検査対象パターンを撮像して得た画像に対応する箇所の特徴量と検査対象パターンを撮像して得た画像と設計データ画像とを用いて作成した教示データの情報を用いて虚報と欠陥とを識別するための識別境界を算出し、検査対象パターンの検査領域を撮像して得た画像から検査対象パターンの検査領域の画像特徴量を算出し、検査対象パターンの検査領域に対応する設計データから設計データ画像を作成してこの作成した設計データ画像の特徴量を算出し、算出した検査対象パターンの検査領域の画像特徴量と設計データ画像の特徴量と識別境界とに基づいて検査対象パターンの検査領域内の欠陥を検出するようにした。
虚報を多発させることなく、システマティック欠陥を検出する半導体パターン検査装置を提供する。
【解決手段】
検査対象パターンを撮像して得た画像から抽出した特徴量と設計データから生成した設計データ画像から抽出した検査対象パターンを撮像して得た画像に対応する箇所の特徴量と検査対象パターンを撮像して得た画像と設計データ画像とを用いて作成した教示データの情報を用いて虚報と欠陥とを識別するための識別境界を算出し、検査対象パターンの検査領域を撮像して得た画像から検査対象パターンの検査領域の画像特徴量を算出し、検査対象パターンの検査領域に対応する設計データから設計データ画像を作成してこの作成した設計データ画像の特徴量を算出し、算出した検査対象パターンの検査領域の画像特徴量と設計データ画像の特徴量と識別境界とに基づいて検査対象パターンの検査領域内の欠陥を検出するようにした。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、半導体パターンの検査方法及びその装置に関する。
【背景技術】
【０００２】
半導体回路パターンの微細化に伴い、光露光装置の解像度は限界に達し、設計通りのパターンを半導体ウェハ上に形成することが困難になりつつある。半導体ウェハ上に形成されたパターンは、線幅が設計値からずれたり、あるいは、パターン先端に縮退が生じたり、あるいは、パターンの付け根の形状変化といった不良が発生しやすくなる。こうした欠陥は、システマティック欠陥と呼ばれ、全ダイで共通に発生するため、ダイ・ツー・ダイ（ｄｉｅ ｔｏ ｄｉｅ）比較と呼ばれる隣接するダイ間での比較を行う方式では検出することが難しい。
【０００３】
一方、特開２０１１−１７７０５号公報（特許文献１）には、隣接ダイと比較する代わりに、検査対象パターンを、設計データと比較する方法が開示されている。具体的には、検査対象パターンから輪郭線を抽出し、これと、線分もしくは曲線で表現された設計データとを比較して、両者の乖離の程度に応じ、乖離が大きければ欠陥と判定する。設計データとの比較なので、全ダイで共通に発生するシステマティック欠陥であっても、原理的には検出可能である。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０１１−１７７０５号公報
【非特許文献】
【０００５】
【非特許文献１】N. Dalal、 and B. Triggs:”Histograms of Oriented Gradients for Human Detection、” Computer Vision and Pattern Recognition、 Vol. 1、 pp. 886-893(2005)
【非特許文献２】T.Kurita、 and S.Hayamizu、 ”Gesture Recognition using HLAC Features of PARCOR Images and HMM based Recognizer、'' Proc. of Inter. Conf. on Automatic Face and Gesture Recognition : FG'98、 pp.422-427、 1998.
【非特許文献３】C. M. Bishop：Pattern Recognition and Machine learning (日本語版、 上巻)：シュプリンガージャパン、 pp. 185-190(2006)
【非特許文献４】C. M. Bishop：Pattern Recognition and Machine learning (日本語版、 下巻)：シュプリンガージャパン、 pp. 35-55(2006)
【発明の概要】
【発明が解決しようとする課題】
【０００６】
ウェハ上に転写されたパターンには、欠陥とはいえない設計データとの形状の乖離（コーナの丸みの違いなど）が多く存在する。前記特許文献１に記載されている発明では、検査対象パターンから抽出した輪郭線と、線分もしくは曲線で表現された設計データとの乖離が大きければ欠陥と判定する方式であるため、上記のような欠陥とはいえない形状の乖離と、システマティック欠陥との判別が難しい。この結果、システマティック欠陥を検出しようとすると、欠陥とはいえない形状の乖離部分も検出され、虚報が多発するという問題があった。
【０００７】
本発明は上記した従来技術の課題を解決して、虚報を多発させることなく、システマティック欠陥を検出することを可能にするパターン検査方法及びその装置を提供するものである。
【課題を解決するための手段】
【０００８】
上記した目的を達成するために、本発明では、検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥をを検出するパターン検査装置を、検査対象パターンを撮像してこの検査対象パターンの画像を取得する撮像手段と、この撮像手段で検査対象パターンを撮像して得た画像から検査対象パターンの画像の特徴量を算出する検査対象パターン画像特徴量算出手段と、設計データから設計データ画像を作成する設計データ画像作成手段と、この設計データ画像作成手段で検査対象パターンの設計データから作成した設計データ画像の特徴量を算出する設計データ画像特徴量算出手段と、撮像手段で検査対象パターンを撮像して取得した検査対象パターンの画像と設計データ画像作成手段で生成した検査対象パターンの設計データ画像とを表示する表示画面を備えた表示手段と、検査対象パターンの画像と検査対象パターンの設計データ画像とが表示された表示手段の画面で指示された検査対象パターンの欠陥の教示画像データを作成して記憶する教示画像データ作成手段と、検査対象パターン画像特徴量算出手段で算出した検査対象パターンの画像の特徴量と設計データ画像特徴量算出手段で算出した設計データ画像の特徴量と教示画像データ作成手段で作成した教示画像データとを用いて検査対象パターンの画像において虚報と欠陥とを識別する識別境界を算出して記憶する識別境界算出手段と、検査対象パターンの検査領域を撮像手段で撮像して得た画像から検査対象パターン画像特徴量算出手段で算出した検査対象パターンの画像の特徴量と、検査対象パターンの検査領域に対応する設計データから設計データ画像作成手段で作成した画像から設計データ画像特徴量算出手段で算出した設計データ画像の特徴量とから識別境界算出手段に記憶した識別境界を用いて検査対象パターンの欠陥を判定する欠陥判定手段とを備えて構成した。
【０００９】
また上記した目的を達成するために、本発明では、検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法において、検査対象パターンうちのサンプルパターンを撮像してこのサンプルパターンの画像を取得し、この撮像して取得したサンプルパターンの画像からこのサンプルパターンの画像の特徴量を算出し、サンプルパターンの設計データからサンプルパターンの画像に対応する設計データ画像を作成し、この作成した設計データ画像について算出したサンプルパターンの画像の特徴量に対応する特徴量を算出し、撮像して取得したサンプルパターンの画像と作成した設計データ画像とを用いて欠陥を教示するための教示画像データを作成し、算出したサンプルパターンの画像の特徴量と算出したサンプルパターンの画像の特徴量に対応する設計データ画像の特徴量と作成した教示画像データとを用いてサンプルパターンの画像から欠陥の画像を識別するための識別境界を算出し、検査対象パターンの検査領域を撮像して得た画像から検査対象パターンの検査領域の画像特徴量を算出し、検査対象パターンの検査領域に対応する設計データから設計データ画像を作成してこの作成した設計データ画像の特徴量を算出し、算出した検査対象パターンの検査領域の画像特徴量と設計データ画像の特徴量と算出した識別境界とに基づいて検査対象パターンの検査領域内の欠陥を検出するようにした。
【００１０】
更に上記した目的を達成するために、本発明では、検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法において、検査対象パターンを撮像して得た画像から抽出した特徴量と設計データから生成した設計データ画像から抽出した検査対象パターンを撮像して得た画像に対応する箇所の特徴量と検査対象パターンを撮像して得た画像と設計データ画像とを用いて作成した教示データの情報を用いて虚報と欠陥とを識別するための識別境界を算出し、この算出した識別境界を記憶し、検査対象パターンの検査領域を撮像して得た画像から検査対象パターンの検査領域の画像特徴量を算出し、検査対象パターンの検査領域に対応する設計データから設計データ画像を作成してこの作成した設計データ画像の特徴量を算出し、算出した検査対象パターンの検査領域の画像特徴量と設計データ画像の特徴量と記憶しておいた識別境界とに基づいて検査対象パターンの検査領域内の欠陥を検出するようにした。
【発明の効果】
【００１１】
本発明によれば、予め、欠陥部と正常部を教示し、それに基づき、欠陥と正常を判別する識別境界面を求めるので、虚報を多発させることなく、システマティック欠陥を検出することができる。
【図面の簡単な説明】
【００１２】
【図１】本発明の実施例に係る欠陥判定方式の流れを示すフロー図である。
【図２Ａ】本発明の実施例に係る電子線式パターン検査装置の概略の構成を示すブロック図である。
【図２Ｂ】本発明の実施例に係る電子線式パターン検査装置の画像処理部の構成を示すブロック図である。
【図３Ａ】設計データ画像である。
【図３Ｂ】走査電子顕微鏡（ＳＥＭ）撮像して取得した実パターン画像である。
【図３Ｃ】５×５画素で構成されるオペレータのイメージを示す図である。
【図３Ｄ】図３Ｃのオペレータと同じサイズの領域を１画素分として構成したオペレータのイメージを示す図である。
【図３Ｅ】３×３画素で構成されるオペレータのイメージを示す図である。
【図３Ｆ】３×３画素で構成されるオペレータを実パターン画像に重ねて表示した実パターンの画像である。
【図４】特徴空間上において正常と欠陥の二つの空間に分ける識別境界の概念を示した識別境界の曲面図である。
【図５】電子線式パターン検査装置で撮像された画像の帯電の影響を概念的に示したパターンの平面図である。
【図６】実パターン画像と設計データからＧＵＩによる教示データの作成例を示したＧＵＩの正面図である。
【図７】欠陥判定の結果を表示するＧＵＩの例を示したＧＵＩの正面図である。
【図８Ａ】識別境界を求める手法であるＬＤＡとＳＶＭについて説明するグラフである。
【図８Ｂ】識別境界を求める手法であるＬＤＡとＳＶＭについて説明するグラフである。
【図９Ａ】設計データ画像である。
【図９Ｂ】図９Ａの設計データ画像に対応する箇所をＳＥＭで撮像して得た実パターンの画像である。
【図９Ｃ】設計データ画像と実パターンの画像と教示画像データとを並べて配置した図である。
【図９Ｄ】設計データ画像と実パターンの画像と教示画像データとを並べて配置した図である。
【図９Ｅ】設計データ画像と実パターンの画像と教示画像データとを並べて配置した図である。
【図９Ｆ】欠陥種別毎に教示を行うためのＧＵＩの正面図である。
【図１０Ａ】特徴ベクトルの分布と１つの直線の識別境界とを示したグラフである。
【図１０Ｂ】特徴ベクトルの分布と２つの直線の識別境界とを示したグラフである。
【図１１Ａ】設計パターン画像である。
【図１１Ｂ】ＳＥＭで撮像して得た実パターンの画像である。
【図１１Ｃ】特徴ベクトルの分布と２つの曲線の識別境界とを示したグラフである。
【図１２Ａ】正常部と欠陥部におけるある特徴ベクトルのヒストグラムを示したグラフである。
【図１２Ｂ】正常と欠陥を識別する際の感度調整を行うためのＧＵIの正面図である。
【図１３】欠陥判定された画素から後処理で欠陥判定を行う例を示したがそのイメージを示す図である。
【図１４Ａ】if-then ルールに基づく処理の流れを示すフロー図である。
【図１４Ｂ】特徴量空間上の欠陥判定領域を２本の直線で示した状態を表すグラフである。
【図１４Ｃ】if-then ルールに基づく処理の流れを示すフロー図である。
【図１４Ｄ】特徴量空間上の欠陥判定領域を４本の直線で示した状態を表すグラフである。
【図１４Ｅ】特徴量空間上の欠陥判定領域をａｘ＋ｂｙの線形和で表したグラフである。
【図１４Ｆ】特徴量空間上の欠陥判定領域を非線形な関数で表したグラフである。
【図１５Ａ】位置合わせ前の設計データの画像である。
【図１５Ｂ】図１５Ａに対応する位置合わせ前の実画像である。
【図１５Ｃ】実画像と設計データの位置合わせを行う例を表わすイメージである。
【図１５Ｄ】実画像と設計データの位置合わせを行う際の位置をずらしながら差分の二乗和を算出したグラフである。
【発明を実施するための形態】
【００１３】
以下に本発明を実施するための形態を、図を用いて説明する。
【実施例１】
【００１４】
（１）全体構成
図２Ａに本発明に係るパターン検査装置の全体構成を示す。本実施の形態では、検査対象ウェハ２１２の画像を走査電子顕微鏡（ＳＥＭ）２００によって取得する。走査電子顕微鏡２００の電子光学系２０１は、電子線２２１を発生させる電子線源２０３と電子線２２１を収束させるコンデンサレンズ２０４と、電子線２２１をＸＹ方向に偏向する偏向器２０６と、電子線２２１を対象基板上に収束させる対物レンズ２０７を備えている。検査対象ウェハ２１２を真空で保持する試料室２０２には、リターディング電圧２１１が加えられたＸＹステージ２１０と、検査対象ウェハ２１２を外部から試料室に送り込むカセット２１３を備える。
【００１５】
試料上から発生した２次電子２１４は、リターディング電圧２１１に加速され検出器２１５まで引き上げられる。検出器２１５によって検出信号がＡ／Ｄ変換機２１６に送られ、デジタル画像に変換され、記憶装置２２０に蓄えられる。画像処理部２１９は、記憶装置２２０から順次画像を読み出し、設計データとの比較により欠陥検出を行う。検査条件の設定や、検査結果の確認は表示手段２１８上のＧＵＩにて行う。
【００１６】
図２Ｂに、画像処理部２１９の詳細な構成を示す。画像処理部２１９は、設計データから画像を作成する設計データ画像作成部２１９１、設計データ画像作成部２１９１で作成した設計データ画像とＳＥＭ２００で撮像して得た検査対象基板のパターン画像の位置合わせを行う位置合わせ処理部２１９２と、ＳＥＭ２００で撮像して得た検査対象基板のパターン画像の特徴量を算出する検査対象パターン画像特徴量算出部２１９３、設計データ画像作成部２１９１で作成した設計データ画像の特徴量を算出する設計データ画像特徴量算出部２１９４、検査対象基板のパターン画像から作成された教示画像データを記憶する教示画像データ記憶部２１９５、欠陥画像と良品画像とを識別するための識別境界を算出する識別境界算出部２１９６と、識別境界算出部２１９６で算出した識別境界を用いて検査対象パターン画像特徴量算出部２１９３で算出した検査対象パターン画像特徴量と設計データ画像特徴量算出部２１９４で算出した設計データ画像特徴量とから欠陥を判定する欠陥判定部２１９７とを備えている。
【００１７】
（２）欠陥検出の全体フロー
図１は、図２Ａの画像処理装置２１９で行われる欠陥検出の全体フローである。本実施例では、検査に先立ち、検査前準備の処理Ｓ１００として、検査対象ウェハ２１２のいくつかのサンプリング領域を図２で説明した走査電子顕微鏡２００で撮像して取得した少数の実画像１１と、この実画像１１に対応する設計データ画像１２（設計データに基づいて作成した画像）を画像１１とピクセル単位で位置合わせを行い（Ｓ１０１）、それぞれのサンプリング領域に含まれるパターンの特徴を表す特徴量を算出し(Ｓ１０２、Ｓ１０３）、これと、欠陥座標が指定された教示データ１３とから、正常パターンと欠陥パターンとを識別するルールである識別境界を算出する（Ｓ１０４）。
【００１８】
検査時の処理Ｓ１１０では、検査対象ウェハ２１２の検査対象領域の実画像１４と、この実画像１４に対応する設計データ１５を位置合わせを行い（Ｓ１１１）、実画像１４と位置合わせ済みの設計データ１５を、検査前準備の処理Ｓ１００のＳ１０２、Ｓ１０３における特徴量算出ステップと同様に画像処理をして特徴量を算出し（Ｓ１１２、Ｓ１１３）、これらに対し、検査前準備の処理Ｓ１００のＳ１０４にて算出した識別境界を適用することにより、欠陥判定（Ｓ１１４）を行い、判定の結果を画面上に表示する（Ｓ１１５）。
【００１９】
以下、各処理内容（特徴量算出Ｓ１０２、Ｓ１０３、Ｓ１１２、Ｓ１１３、識別境界の算出Ｓ１０４、欠陥判定Ｓ１１４、判定結果表示Ｓ１１５）について詳述する。
【００２０】
（３）位置合わせ
本実施例では、上述のように、実画像および、設計データからそれぞれのパターンの特徴を表す特徴量を算出し、これらに対して、正常と欠陥を識別するルールを適用することで欠陥判定を行う。
【００２１】
まず始めに、実画像と設計データの位置合わせについて図１５Ａ乃至図１５Ｄを用いて説明する。撮像後の実画像と設計データは、普通位置がずれた状態であるため、設計データの位置情報を補正することで実画像との位置を合わせる必要がある。図１５Ａの設計データ画像１５０１とそれに対応する図１５Ｂの実画像１５０２は、座標１５０３と座標１５０４が画像データ上において位置が対応しているが、実際に正しいのは座標１５０３に対して座標は１５０５である。そこで図１５Ｃに示すように実画像１５０６に対して、設計データ画像の原点（画像の左上端の座標など）をパス１５０７に沿ってずらし、実画像と設計データ画像の差の二乗和をそれぞれずらした位置で算出する。図１５Ｄは、軸１５１０をパス１５０７の位置、軸１５０９を差の絶対値の和を取ったときの波形１５０８のグラフある。この波形において最小値１５１１のとる時の設計データの位置を元に正しく位置合わせされた座標として補正を行う。
【００２２】
（４）特徴量の算出
次に、特徴量の算出方法について述べる。検査対象ウェハ２１２を走査電子顕微鏡２００で撮像して取得した実画像（以下、実パターン画像という）から算出する特徴量（図１のＳ１０２とＳ１１２に相当）について述べる。
【００２３】
実パターン画像の特徴量の算出は、実パターン画像の画素ごとに行う。図３Ｂの実パターン画像３０２において注目画素３０４の特徴量を算出することを考える。注目画素３０４の特徴量は、注目画素３０４の周辺画素における輝度値を組み合わせることで算出を行う。最終的によい識別境界を得るには、なるべく注目画素周辺のパターン形状の情報をよく表現するような特徴量であり、かつ特徴量の次元数が小さくなることが望ましい。
【００２４】
もっとも単純な特徴量は、図３Ｃに示したオペレータ３０５のように注目画素３０６の周辺画素におけるそれぞれの輝度値をそのまま特徴量にすることである。これは、オペレータサイズ分（図３Ｃの例では、５画素×５画素）だけ実パターン形状の完全な情報をもっていることになるが、オペレータのサイズを大きくしていくと爆発的に特徴量の次元が増え、形状的な情報としては冗長すぎる。そこで図３Ｄに示したオペレータ３０７のような注目画素３０９よりも十分に大きいオペレータ３０７と同じサイズの領域をオペレータサイズ３０８として様々な統計量を算出し、特徴量にするほうがよい。
【００２５】
図３Ｂの実パターン画像３０２から求められる統計的な特徴量としては、
（ａ）オペレータ内の輝度の平均値
（ｂ）モーメント特徴量
（ｃ）ＨＯＧ（Ｈｉｓｔｏｇｒａｍｓ ｏｆ Ｏｒｉｅｎｔｅｄ ）Ｇｒａｄｉｅｎｔｓ）特徴量（非特許文献１参照）
（ｄ）高次局所自己相関特徴量（非特許文献２参照）
などが有効である。
【００２６】
さらに、図３Ｅに示したオペレータ３１０のように、注目画素３１１の近傍において局所的な領域であるセル３１２の領域をとり、このセル毎に統計的な特徴量をとることで、注目画素回りの広い範囲の形状情報を特徴量として算出することができる。図３Ｆに、オペレータ３１５として図３Ｅに示したオペレータ３１０を図３Ｂの実パターン画像３０２示した注目画素３０４の周辺に適用した例を示す。この例では、セルのＨＯＧ特徴量を算出することでセル３１６とセル３１７において垂直方向のエッジ成分が、セル３１８とセル３１９において斜め方向のエッジ成分が抽出され、注目画素３１９（図３Ｂの注目画素３０４、図３Ｅの注目画素３１１に相当）はラインの角であることが表現される。
【００２７】
また図５はＳＥＭ画像における帯電の影響を示した図である。一般的にＳＥＭ像５００を得る時は、電子ビームを５０１方向にスキャンすることで得られる。そのため、エッジ５０２が存在する領域のスキャン方向側に帯電の影響による影５０３が生じる。このような特徴も、オペレータ３１０で輝度の平均値を算出するなどで表現することができる。
【００２８】
次に、設計データ画像３０１から算出する特徴量（図１のＳ１０３、Ｓ１１３で算出する特徴量に相当）について述べる。
【００２９】
図３Ａに示した設計データ画像３０１からも、実パターン画像３０２の注目画素３０４に対応する注目画素３０３の特徴量を算出する。設計データ画像３０１からの特徴量は、設計データから図３Ａのような輪郭線画像（設計データ画像）を作成し、図３Ｂの実パターン画像３０２と同じ特徴量を求めてもよい。
【００３０】
また、以下のような設計データ専用の特徴量として
（ｉ） 配線構造のベクトル成分
（ｉｉ） 配線上であるか否か
（ｉｉｉ） ラインの端点、連結点の関係
などを算出することも効果的である。
【００３１】
（ｉ）は、設計データの注目画素周辺の配線方向がどちらに伸びているかの度合いである。（ｉｉ）は注目画素がパターン配線の上であるかどうかの特徴量を表す。（ｉｉｉ）は配線構造をグラフ構造にした時、エッジの端点と連結点の場所を求め、注目画素周辺にそれがどのように分布しているかの特徴量を表す。
【００３２】
（５）識別境界の算出
正常と欠陥を識別するルールである識別境界（図１のＳ１０４で算出)の算出方法について述べる。識別境界とはＳ１０２とＳ１０３で求めた各特徴量を軸とする特徴空間４０１（図４参照）において正常の空間４０２と欠陥の空間４０３に分けるような超曲面（２次元上における曲線）４０４のことである。正常部の特徴ベクトル４０５と欠陥部の特徴ベクトル４０６を識別するルールはそれぞれの特徴量に対して条件式を決めた図１４Ａの１４０１の例のようなｉｆ−ｔｈｅｎルールがもっともシンプルである（ｘとｙは特徴量を表す）。このルールを決定する時は解析的に求めても、しきい値であるＡ１とＢ１をユーザに入力してもらってもよい。
【００３３】
図１４Ｂに特徴量空間上の欠陥判定領域を斜線部として１４２０に示す。黒丸点１４２１は正常部の画素から得られた特徴ベクトル、黒罰点１４２２は欠陥部の画素から得られた特徴ベクトルである。判定領域は特徴量の軸に垂直な辺を持つ矩形状の領域で定義される。図１４Ｃの１４０３のようにｉｆ−ｔｈｅｎルールを増やすことで図１４Ｄに示したように、識別境界１４０４の精度を高めることが可能である。しかし、この場合、複雑な境界を矩形の組み合わせで表わすためルールが膨大に増え、ユーザによる調整が困難になる。真の識別境界がｘとｙで相関を持つ時などは、図１４Ｅに示したように、ａｘ＋ｂｙの線形和で表現される識別境界の１４０５や、図１４Ｆに示したように、非線形な関数で表わされる識別境界１４０６のほうがよりよい境界を求めることができる。
【００３４】
これらの境界もユーザによるパラメータ調整で求めることは非常に困難であるが、既に正常か欠陥か既知である特徴ベクトルとする教示データから学習を行うことで、正常部の特徴ベクトル４０５と欠陥部の特徴ベクトル４０６をもっともよく分けるような境界を求めることが可能である。また、教示データにユーザの意図が反映することができれば、識別境界も意図に沿って引くことが可能となる。
【００３５】
始めに教示データ（図１の１３）の作成方法について述べる。
図６は教示データを作成するためのＧＵＩ６００の例を示す。画像表示部６０１には、既に位置合わせ済みの実パターンから抽出した輪郭線６０２（実線）と設計データの輪郭線６０３（点線）とを表示する。２つの輪郭線６０２と６０３とにおいて形状に相違する領域がある時、６０４、６０５、６０６、６０７、６０８のような２つの輪郭線で囲まれた領域が生じる。ユーザは領域選択ツール６１０を選び、画像表示部６０１に表示される画像から欠陥にしたい領域中の一点をポインティングデバイス６１６で指定することで、輪郭線６０２と６０３とに囲まれた領域を選択することができる。実パターンの輪郭線６０２が消失している部分は、鉛筆ツール６１１を選択して輪郭線６０２と６０３とに囲まれた領域が閉じるように修正することができる。また誤って抽出された輪郭線や鉛筆ツールで修正をまちがえた部分は消しゴムツール６１２で消去することができる。
【００３６】
６１３、６１４、６１５はカラー選択ボタンで白６１３を選択すると欠陥部を指定するモードに、黒６１４を選択すると正常部を指定するモードに、灰色６１５を選択するとユーザが欠陥か正常かわからない部分を選択するモードになる。教示画像作成において基本的にクリックされなかった点に関してはすべて正常部と見なす。この画像の場合、６０４、６０６、６０８を欠陥領域と判断し、白い領域を欠陥部、黒い領域を正常部とした教示画像６０９が作成され、確認することができる。確認後、「ＬＯＡＤ」ボタン６２１をポインタ６１６でクリックすると教示画像６０９が画像処理部２１９にロードされる。一方、「ＳＡＶＥ」ボタン６２２をポインタ６１６でクリックすると、教示画像６０９は記憶装置２２０に一時記憶される。
【００３７】
図９Ａは設計データに基づいて作成されたパターン９０１の図、図９Ｂは、設計データに対する正常な実パターン９０２の画像の例である。ここで実際には図９Ｃに示すような実パターン画像９０３が得られたとすると、図９Ｃに示すような画像の領域９０５、９０６が欠陥領域となる欠陥画像９０７が得られ、識別境界を求める時に使う教示データのセットとして、図９Ｃのような設計データに基づいて作成されたパターン９０１と設計データに対する正常な実パターン９０２の画像と欠陥画像９０７とを含む画像のセット９０４を作成することができる。ここで欠陥画像９０７に含まれる欠陥領域の画像９０５と９０６とを、設計データに基づいて作成されたパターン９０１に対して実パターンのラインが膨張している凸欠陥領域の画像９０５と設計データに基づいて作成されたパターン９０１に対して実パターンのラインが縮退している凹欠陥領域の画像９０６に種類を分けることができる。
【００３８】
そこで、図９Ｄに示すように、この凸欠陥領域の画像９０５だけの教示画像９０９を設計データに基づいて作成されたパターン９０１と設計データに対する正常な実パターン９０２の画像と組合せて教示データセットにした凸欠陥教示データセット９０８と、図９Ｅに示すように、凹欠陥領域の画像９０６だけの教示画像９１１を設計データに基づいて作成されたパターン９０１と設計データに対する正常な実パターン９０２の画像と組合せて教示データセットにした凹欠陥教示データセット９１０を作成する。その結果、図９Ｆに示すように、凸欠陥教示データセット９０８と凹欠陥教示データセット９１０それぞれで識別境界９１４を求めることで、欠陥検出と欠陥分類を同時に行うことができる。
【００３９】
図９Ｆは、図９Ｂ、Ｃ、Ｄで説明した画像のセット９０４、９０８及び９１０を一つの画面９１２上に並べて同時に表示した例を示す図である。この図９Ｆに示した画面９１２の例においては、凸欠陥教示データセット９０８が画面上のチェックボックス９１６で選択されていて、凸欠陥教示データセット９０８の識別境界９１４が特徴空間のグラフ９１３上に表示された状態を示している。後述するが、これにより判定精度を高める効果や、欠陥種毎にユーザが感度の調整を行うことができるというメリットがある。今回目的とするようなシステマティック欠陥検出では、欠陥種類を凸欠陥、凹欠陥、ブリッジング、ネッキング、ライン幅の膨張、ライン幅の縮退などでわけるとよい。
【００４０】
図９Ｆの画面９１２は、これら欠陥種毎に識別平面を求めるときに使うことができるＧＵＩである。
図９Ｆの画面９１２に示した９１５の部分で画像のセット９０４、９０８、９１０などの欠陥種別毎に分けたデータセットを選択することができ、また特徴空間のグラフ９１３の部分において選択したデータセット（図９Ｆの例では画像のセット９０８）の特徴空間上の分布や各特徴量に対するヒストグラム（図示せず）が表示されユーザは確認することができる。画面９１２上に表示されている「学習」のボタン９１６をマウスでクリックすることで、選択したデータセットに対する識別境界を求めて特徴空間のグラフ９１３上に識別境界９１４を表示することができる。
【００４１】
識別境界３１４の算出方法としては、一般的なパターン認識手法である、線形判別手法（以下ＬＤＡ）、サポートベクターマシン（以下ＳＶＭ）が適用可能である（非特許文献３、および非特許文献４参照）
図８Ａ及び図８Ｂを用いてＬＤＡの原理を説明する。判り易くするために、設計データの特徴量８０５を１次元（縦軸）、実パターンデータの特徴量８０６を1次元（横軸）として扱う。図８Ａ及び図８Ｂ中の８０３のような罰点は欠陥、８０４のような黒丸点は正常の特徴ベクトルである。直線８０１は線形判別分析（以下ＬＤＡ）によって求められた識別境界である。
【００４２】
図８Ａ中８０１は直線で表現されるが、実際の特徴ベクトルは３次元以上を取るので識別境界は超平面になる。直線８０１を境界にデータを分けることは全特徴ベクトルを特徴量の線形和を求めることで軸８０７に射影し、しきい値８０８（直線８０１に平行な１対の点線で挟まれた範囲）で判別している事と同じである。
【００４３】
ＬＤＡでは、
射影された正常部の特徴ベクトル集合の分散：σＴ２
欠陥部の特徴ベクトル：
全特徴ベクトルの分散：
とした時に表される
分離度：Ｊ＝（σＴ２＋σＮ２）／σＡ２ ・・・（数１）
を最大にするような射影軸を求める。
【００４４】
ＬＤＡの特徴として特徴ベクトル集合の統計量から特徴量の線形和によって表現される識別面および識別境界を求めている。そのため特徴ベクトルの数が多くても学習時間が短く、1個の特徴ベクトルに対する正常・欠陥判定の計算時間も短い。またユーザにとってもよく利いている特徴量がどれなのかわかりやすいというメリットがある。
【００４５】
図８Ｂの曲線８０２は非線形サポートベクターマシン（以下非線形ＳＶＭ）によって求められた識別境界である。非線形ＳＶＭでは特徴ベクトルを超空間上の点に一度変換し、超空間上の超平面を求めることでデータを分割する。この超平面を図８Ｂの２次元上で表現すると、８０２のような曲線になる。識別超平面は超空間上の正常部と欠陥部の特徴ベクトルの間に存在する最も大きなマージン（隙間）を通るような超平面が求められる。２次元上でこのマージンは曲線８０９と８１０の間８１３で表され、サポートベクターと呼ばれる図中の白丸点８１１と白罰点８１２の特徴ベクトルによって決定される。非線形ＳＶＭもＬＤＡと同じように、本質的には１軸上にベクトルを射影ししきい値により正常欠陥を判定している。
【００４６】
ＳＶＭの特徴としては、元の特徴量の次元において超曲面上の識別境界を求めるため、理想的な識別境界である図４に示した識別超曲面４０４に近い識別境界を得ることができ、高い判定精度を持つ。
【００４７】
前述したような図９Ｃの教示データセット９０４から特徴ベクトルを計算すると、図１０Ａのグラフ１００１に示すように欠陥部の特徴ベクトル１０１１が正常部の特徴ベクトル１０１２を挟んで対角線上に分布することがある。図１０Ａのグラフにおいて、縦軸は設計データ特徴量を表し、横軸は実パターン画像特徴量を表す。非線形ＳＶＭでは図８Ｂで説明したように曲線状の識別境界をとることができるので、このような特徴ベクトルの分布に対して対応可能であるが。ＬＤＡで求める識別境界は直線でしか表せないため、求められる識別境界は図１０Ａの直線１００２のようになり、有効な判別境界を求めるには限界がある。しかし、欠陥種によって学習データを分けることで、図１０Ｂに示すように、直線１００３と直線１００４の二つの識別境界を引くことができ、正しく判定することが可能となる。図１０Ｂのグラフにおいて、縦軸は設計データ特徴量を表し、横軸は実パターン画像特徴量を表す。
【００４８】
（６）検査時の処理内容
図１で説明した識別境界算出工程Ｓ１０４で算出された識別境界を用い、検査対象ウェハ２１２の欠陥検出を行う。
【００４９】
検査対象ウェハ２１２を図２で説明したＳＥＭ２００で撮像して得た実パターン画像１４とその設計データ画像１５に対して、Ｓ１０４の識別境界算出工程に用いられた特徴量と同じ特徴量を算出し（Ｓ１１２、Ｓ１１３）、算出して得られた特徴ベクトルに対して識別境界算出工程Ｓ１０４で求められた識別境界で、正常・欠陥の判定を行う（Ｓ１１４）。Ｓ１１２における実パターン画像１４の特徴量の算出は、ＳＥＭによって実パターン画像１４が撮像された後に計算しなくてはならないが、設計データ画像１５の特徴量は検査前に算出しておき、記憶装置に事前に保持しておけば検査時の計算時間の削減になる。
【００５０】
図１１Ａ乃至図１１Ｃは、学習した識別境界から実際に検査対象ウェハの欠陥検出を行う例を示したものである。図１１Ａは検査対象である設計データ画像１１０１を示し、図１１Ｂは実パターン画像１１０２を示す。図１１Ａの設計データ画像１１０１と図１１Ｂの実パターン画像１１０２上の対応する画素１１０３から求めた特徴ベクトルを図１１Ｃに示したグラフ上の点１１０８に、画素１１０４から求められた特徴量ベクトルをグラフ上の点１１０９に表す。検査前準備段階Ｓ１００においては正常部の特徴量ベクトル１１０６や欠陥部の特徴量ベクトル１１０５などから、ＳＶＭによる識別境界１１０７が求められている。この識別境界１１０７により、特徴ベクトル１１０８は正常部として、特徴ベクトル１１０９は欠陥部として判定される。
【００５１】
図１３は画素単位の欠陥判定を行ったあとの後処理について説明する図である。画素単位の欠陥判定後に（ａ）に示すような、欠陥判定で正常と判定された画素を黒、欠陥と判定された画素を白とした画像１３０１が得られる。この時、欠陥部は領域１３０６のように欠陥画素が連結して検出されるが、誤判定によって１画素もしくは数画素で連結された１３０５が同時に得られる。このような極小な領域はノイズとして除去する。具体的には（ｂ）に示すように、欠陥画素に対してモルフォロジー演算などで縮退を行い（画像１３０２）、（ｃ）に示すように、膨張させることで画像１３０３のような画像が得られる。
このほかに（ｄ）に示すように、画像１３０１に対して連結した欠陥画素の領域の長径１３０７を求め、あるしきい値以上であれば欠陥領域とする方法などがある。
【００５２】
最終的に判定された欠陥領域は、図１のＳ１１４における判定結果表示においてユーザに確認される。
【００５３】
図７はＧＵＩ７００による判定結果表示の例を示す。表示領域７０１にはウェハマップが表示され、注目しているダイの位置や、おおまかな欠陥分布の位置を表示する。表示領域７０２にはダイのマップでが表示され、注目している配線パターンの位置７０３の表示や大きな欠陥や欠陥頻度の多い領域などを点７０４にて表示する。表示領域７０５は欠陥種ごとに発生頻度のヒストグラムを表示する部分である。表示領域７０６は注目している配線パターンの座標情報や、表示倍率などを表示する部分である。表示領域７０７は注目している配線パターン領域の設計データ画像７０７１と実パターン画像７０７２を表示する部分である。実パターン画像７０７２上には欠陥判定領域７０７３〜７０７６などが線で囲まれ表示される。７０８は操作パネルで、見たい配線パターンの位置や倍率、欠陥表示の切り替えなどが行える。
【００５４】
（７）欠陥検出感度の調整
図１２Ａ及び図１２Ｂでは、欠陥判定の感度調整について説明する。ＬＤＡやＳＶＭによって求められた識別境界で欠陥判定を行うことは、特徴ベクトルを図１２Ａに示したような１２０１のような１軸上に射影してヒストグラムを求め、しきい値１２０２によってヒストグラムを２つに分けるという操作をしている。ヒストグラムは欠陥部の山１２０３と正常部の山１２０４の２つの山からなる。しきい値１２０２を矢印１２０５の方向に移動することで欠陥に対する感度を低減させ、矢印１２０６の方向に移動することで虚報に対する感度を低減させて虚報の検出率を低減することができる。
【００５５】
これを利用した欠陥種ごと感度調整の例を、図１２ＢのＧＵＩ１２０７によって示す。欠陥種ごとの学習によって得られた複数の識別境界をもとに特徴ベクトルのヒストグラム１２０８−１〜３のように欠陥種ごとに表示する。ユーザは、ポインティングデバイス等を利用しスライダ１２１１を変化させることで欠陥種ごとのしきい値を調整する。調整後の判定結果は実パターン画像１２１２上に実時間で反映され、欠陥領域１２１３や１２１４が表示されたり表示されなくなったりする。ユーザは設計データ画像１２１１と見比べながら、適切なしきい値に調整を行うことができる。
【００５６】
以上、本発明者によってなされた発明を実施例に基づき具体的に説明したが、本発明は前記実施例に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。
【符号の説明】
【００５７】
２００…走査電子顕微鏡 ２１２…検査対象ウェハ ２１５…検出器 ２１６…Ａ／Ｄ変換器 ２１８…表示手段 ２１９…画像処理部 ２２０…記憶装置。
【技術分野】
【０００１】
本発明は、半導体パターンの検査方法及びその装置に関する。
【背景技術】
【０００２】
半導体回路パターンの微細化に伴い、光露光装置の解像度は限界に達し、設計通りのパターンを半導体ウェハ上に形成することが困難になりつつある。半導体ウェハ上に形成されたパターンは、線幅が設計値からずれたり、あるいは、パターン先端に縮退が生じたり、あるいは、パターンの付け根の形状変化といった不良が発生しやすくなる。こうした欠陥は、システマティック欠陥と呼ばれ、全ダイで共通に発生するため、ダイ・ツー・ダイ（ｄｉｅ ｔｏ ｄｉｅ）比較と呼ばれる隣接するダイ間での比較を行う方式では検出することが難しい。
【０００３】
一方、特開２０１１−１７７０５号公報（特許文献１）には、隣接ダイと比較する代わりに、検査対象パターンを、設計データと比較する方法が開示されている。具体的には、検査対象パターンから輪郭線を抽出し、これと、線分もしくは曲線で表現された設計データとを比較して、両者の乖離の程度に応じ、乖離が大きければ欠陥と判定する。設計データとの比較なので、全ダイで共通に発生するシステマティック欠陥であっても、原理的には検出可能である。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２０１１−１７７０５号公報
【非特許文献】
【０００５】
【非特許文献１】N. Dalal、 and B. Triggs:”Histograms of Oriented Gradients for Human Detection、” Computer Vision and Pattern Recognition、 Vol. 1、 pp. 886-893(2005)
【非特許文献２】T.Kurita、 and S.Hayamizu、 ”Gesture Recognition using HLAC Features of PARCOR Images and HMM based Recognizer、'' Proc. of Inter. Conf. on Automatic Face and Gesture Recognition : FG'98、 pp.422-427、 1998.
【非特許文献３】C. M. Bishop：Pattern Recognition and Machine learning (日本語版、 上巻)：シュプリンガージャパン、 pp. 185-190(2006)
【非特許文献４】C. M. Bishop：Pattern Recognition and Machine learning (日本語版、 下巻)：シュプリンガージャパン、 pp. 35-55(2006)
【発明の概要】
【発明が解決しようとする課題】
【０００６】
ウェハ上に転写されたパターンには、欠陥とはいえない設計データとの形状の乖離（コーナの丸みの違いなど）が多く存在する。前記特許文献１に記載されている発明では、検査対象パターンから抽出した輪郭線と、線分もしくは曲線で表現された設計データとの乖離が大きければ欠陥と判定する方式であるため、上記のような欠陥とはいえない形状の乖離と、システマティック欠陥との判別が難しい。この結果、システマティック欠陥を検出しようとすると、欠陥とはいえない形状の乖離部分も検出され、虚報が多発するという問題があった。
【０００７】
本発明は上記した従来技術の課題を解決して、虚報を多発させることなく、システマティック欠陥を検出することを可能にするパターン検査方法及びその装置を提供するものである。
【課題を解決するための手段】
【０００８】
上記した目的を達成するために、本発明では、検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥をを検出するパターン検査装置を、検査対象パターンを撮像してこの検査対象パターンの画像を取得する撮像手段と、この撮像手段で検査対象パターンを撮像して得た画像から検査対象パターンの画像の特徴量を算出する検査対象パターン画像特徴量算出手段と、設計データから設計データ画像を作成する設計データ画像作成手段と、この設計データ画像作成手段で検査対象パターンの設計データから作成した設計データ画像の特徴量を算出する設計データ画像特徴量算出手段と、撮像手段で検査対象パターンを撮像して取得した検査対象パターンの画像と設計データ画像作成手段で生成した検査対象パターンの設計データ画像とを表示する表示画面を備えた表示手段と、検査対象パターンの画像と検査対象パターンの設計データ画像とが表示された表示手段の画面で指示された検査対象パターンの欠陥の教示画像データを作成して記憶する教示画像データ作成手段と、検査対象パターン画像特徴量算出手段で算出した検査対象パターンの画像の特徴量と設計データ画像特徴量算出手段で算出した設計データ画像の特徴量と教示画像データ作成手段で作成した教示画像データとを用いて検査対象パターンの画像において虚報と欠陥とを識別する識別境界を算出して記憶する識別境界算出手段と、検査対象パターンの検査領域を撮像手段で撮像して得た画像から検査対象パターン画像特徴量算出手段で算出した検査対象パターンの画像の特徴量と、検査対象パターンの検査領域に対応する設計データから設計データ画像作成手段で作成した画像から設計データ画像特徴量算出手段で算出した設計データ画像の特徴量とから識別境界算出手段に記憶した識別境界を用いて検査対象パターンの欠陥を判定する欠陥判定手段とを備えて構成した。
【０００９】
また上記した目的を達成するために、本発明では、検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法において、検査対象パターンうちのサンプルパターンを撮像してこのサンプルパターンの画像を取得し、この撮像して取得したサンプルパターンの画像からこのサンプルパターンの画像の特徴量を算出し、サンプルパターンの設計データからサンプルパターンの画像に対応する設計データ画像を作成し、この作成した設計データ画像について算出したサンプルパターンの画像の特徴量に対応する特徴量を算出し、撮像して取得したサンプルパターンの画像と作成した設計データ画像とを用いて欠陥を教示するための教示画像データを作成し、算出したサンプルパターンの画像の特徴量と算出したサンプルパターンの画像の特徴量に対応する設計データ画像の特徴量と作成した教示画像データとを用いてサンプルパターンの画像から欠陥の画像を識別するための識別境界を算出し、検査対象パターンの検査領域を撮像して得た画像から検査対象パターンの検査領域の画像特徴量を算出し、検査対象パターンの検査領域に対応する設計データから設計データ画像を作成してこの作成した設計データ画像の特徴量を算出し、算出した検査対象パターンの検査領域の画像特徴量と設計データ画像の特徴量と算出した識別境界とに基づいて検査対象パターンの検査領域内の欠陥を検出するようにした。
【００１０】
更に上記した目的を達成するために、本発明では、検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法において、検査対象パターンを撮像して得た画像から抽出した特徴量と設計データから生成した設計データ画像から抽出した検査対象パターンを撮像して得た画像に対応する箇所の特徴量と検査対象パターンを撮像して得た画像と設計データ画像とを用いて作成した教示データの情報を用いて虚報と欠陥とを識別するための識別境界を算出し、この算出した識別境界を記憶し、検査対象パターンの検査領域を撮像して得た画像から検査対象パターンの検査領域の画像特徴量を算出し、検査対象パターンの検査領域に対応する設計データから設計データ画像を作成してこの作成した設計データ画像の特徴量を算出し、算出した検査対象パターンの検査領域の画像特徴量と設計データ画像の特徴量と記憶しておいた識別境界とに基づいて検査対象パターンの検査領域内の欠陥を検出するようにした。
【発明の効果】
【００１１】
本発明によれば、予め、欠陥部と正常部を教示し、それに基づき、欠陥と正常を判別する識別境界面を求めるので、虚報を多発させることなく、システマティック欠陥を検出することができる。
【図面の簡単な説明】
【００１２】
【図１】本発明の実施例に係る欠陥判定方式の流れを示すフロー図である。
【図２Ａ】本発明の実施例に係る電子線式パターン検査装置の概略の構成を示すブロック図である。
【図２Ｂ】本発明の実施例に係る電子線式パターン検査装置の画像処理部の構成を示すブロック図である。
【図３Ａ】設計データ画像である。
【図３Ｂ】走査電子顕微鏡（ＳＥＭ）撮像して取得した実パターン画像である。
【図３Ｃ】５×５画素で構成されるオペレータのイメージを示す図である。
【図３Ｄ】図３Ｃのオペレータと同じサイズの領域を１画素分として構成したオペレータのイメージを示す図である。
【図３Ｅ】３×３画素で構成されるオペレータのイメージを示す図である。
【図３Ｆ】３×３画素で構成されるオペレータを実パターン画像に重ねて表示した実パターンの画像である。
【図４】特徴空間上において正常と欠陥の二つの空間に分ける識別境界の概念を示した識別境界の曲面図である。
【図５】電子線式パターン検査装置で撮像された画像の帯電の影響を概念的に示したパターンの平面図である。
【図６】実パターン画像と設計データからＧＵＩによる教示データの作成例を示したＧＵＩの正面図である。
【図７】欠陥判定の結果を表示するＧＵＩの例を示したＧＵＩの正面図である。
【図８Ａ】識別境界を求める手法であるＬＤＡとＳＶＭについて説明するグラフである。
【図８Ｂ】識別境界を求める手法であるＬＤＡとＳＶＭについて説明するグラフである。
【図９Ａ】設計データ画像である。
【図９Ｂ】図９Ａの設計データ画像に対応する箇所をＳＥＭで撮像して得た実パターンの画像である。
【図９Ｃ】設計データ画像と実パターンの画像と教示画像データとを並べて配置した図である。
【図９Ｄ】設計データ画像と実パターンの画像と教示画像データとを並べて配置した図である。
【図９Ｅ】設計データ画像と実パターンの画像と教示画像データとを並べて配置した図である。
【図９Ｆ】欠陥種別毎に教示を行うためのＧＵＩの正面図である。
【図１０Ａ】特徴ベクトルの分布と１つの直線の識別境界とを示したグラフである。
【図１０Ｂ】特徴ベクトルの分布と２つの直線の識別境界とを示したグラフである。
【図１１Ａ】設計パターン画像である。
【図１１Ｂ】ＳＥＭで撮像して得た実パターンの画像である。
【図１１Ｃ】特徴ベクトルの分布と２つの曲線の識別境界とを示したグラフである。
【図１２Ａ】正常部と欠陥部におけるある特徴ベクトルのヒストグラムを示したグラフである。
【図１２Ｂ】正常と欠陥を識別する際の感度調整を行うためのＧＵIの正面図である。
【図１３】欠陥判定された画素から後処理で欠陥判定を行う例を示したがそのイメージを示す図である。
【図１４Ａ】if-then ルールに基づく処理の流れを示すフロー図である。
【図１４Ｂ】特徴量空間上の欠陥判定領域を２本の直線で示した状態を表すグラフである。
【図１４Ｃ】if-then ルールに基づく処理の流れを示すフロー図である。
【図１４Ｄ】特徴量空間上の欠陥判定領域を４本の直線で示した状態を表すグラフである。
【図１４Ｅ】特徴量空間上の欠陥判定領域をａｘ＋ｂｙの線形和で表したグラフである。
【図１４Ｆ】特徴量空間上の欠陥判定領域を非線形な関数で表したグラフである。
【図１５Ａ】位置合わせ前の設計データの画像である。
【図１５Ｂ】図１５Ａに対応する位置合わせ前の実画像である。
【図１５Ｃ】実画像と設計データの位置合わせを行う例を表わすイメージである。
【図１５Ｄ】実画像と設計データの位置合わせを行う際の位置をずらしながら差分の二乗和を算出したグラフである。
【発明を実施するための形態】
【００１３】
以下に本発明を実施するための形態を、図を用いて説明する。
【実施例１】
【００１４】
（１）全体構成
図２Ａに本発明に係るパターン検査装置の全体構成を示す。本実施の形態では、検査対象ウェハ２１２の画像を走査電子顕微鏡（ＳＥＭ）２００によって取得する。走査電子顕微鏡２００の電子光学系２０１は、電子線２２１を発生させる電子線源２０３と電子線２２１を収束させるコンデンサレンズ２０４と、電子線２２１をＸＹ方向に偏向する偏向器２０６と、電子線２２１を対象基板上に収束させる対物レンズ２０７を備えている。検査対象ウェハ２１２を真空で保持する試料室２０２には、リターディング電圧２１１が加えられたＸＹステージ２１０と、検査対象ウェハ２１２を外部から試料室に送り込むカセット２１３を備える。
【００１５】
試料上から発生した２次電子２１４は、リターディング電圧２１１に加速され検出器２１５まで引き上げられる。検出器２１５によって検出信号がＡ／Ｄ変換機２１６に送られ、デジタル画像に変換され、記憶装置２２０に蓄えられる。画像処理部２１９は、記憶装置２２０から順次画像を読み出し、設計データとの比較により欠陥検出を行う。検査条件の設定や、検査結果の確認は表示手段２１８上のＧＵＩにて行う。
【００１６】
図２Ｂに、画像処理部２１９の詳細な構成を示す。画像処理部２１９は、設計データから画像を作成する設計データ画像作成部２１９１、設計データ画像作成部２１９１で作成した設計データ画像とＳＥＭ２００で撮像して得た検査対象基板のパターン画像の位置合わせを行う位置合わせ処理部２１９２と、ＳＥＭ２００で撮像して得た検査対象基板のパターン画像の特徴量を算出する検査対象パターン画像特徴量算出部２１９３、設計データ画像作成部２１９１で作成した設計データ画像の特徴量を算出する設計データ画像特徴量算出部２１９４、検査対象基板のパターン画像から作成された教示画像データを記憶する教示画像データ記憶部２１９５、欠陥画像と良品画像とを識別するための識別境界を算出する識別境界算出部２１９６と、識別境界算出部２１９６で算出した識別境界を用いて検査対象パターン画像特徴量算出部２１９３で算出した検査対象パターン画像特徴量と設計データ画像特徴量算出部２１９４で算出した設計データ画像特徴量とから欠陥を判定する欠陥判定部２１９７とを備えている。
【００１７】
（２）欠陥検出の全体フロー
図１は、図２Ａの画像処理装置２１９で行われる欠陥検出の全体フローである。本実施例では、検査に先立ち、検査前準備の処理Ｓ１００として、検査対象ウェハ２１２のいくつかのサンプリング領域を図２で説明した走査電子顕微鏡２００で撮像して取得した少数の実画像１１と、この実画像１１に対応する設計データ画像１２（設計データに基づいて作成した画像）を画像１１とピクセル単位で位置合わせを行い（Ｓ１０１）、それぞれのサンプリング領域に含まれるパターンの特徴を表す特徴量を算出し(Ｓ１０２、Ｓ１０３）、これと、欠陥座標が指定された教示データ１３とから、正常パターンと欠陥パターンとを識別するルールである識別境界を算出する（Ｓ１０４）。
【００１８】
検査時の処理Ｓ１１０では、検査対象ウェハ２１２の検査対象領域の実画像１４と、この実画像１４に対応する設計データ１５を位置合わせを行い（Ｓ１１１）、実画像１４と位置合わせ済みの設計データ１５を、検査前準備の処理Ｓ１００のＳ１０２、Ｓ１０３における特徴量算出ステップと同様に画像処理をして特徴量を算出し（Ｓ１１２、Ｓ１１３）、これらに対し、検査前準備の処理Ｓ１００のＳ１０４にて算出した識別境界を適用することにより、欠陥判定（Ｓ１１４）を行い、判定の結果を画面上に表示する（Ｓ１１５）。
【００１９】
以下、各処理内容（特徴量算出Ｓ１０２、Ｓ１０３、Ｓ１１２、Ｓ１１３、識別境界の算出Ｓ１０４、欠陥判定Ｓ１１４、判定結果表示Ｓ１１５）について詳述する。
【００２０】
（３）位置合わせ
本実施例では、上述のように、実画像および、設計データからそれぞれのパターンの特徴を表す特徴量を算出し、これらに対して、正常と欠陥を識別するルールを適用することで欠陥判定を行う。
【００２１】
まず始めに、実画像と設計データの位置合わせについて図１５Ａ乃至図１５Ｄを用いて説明する。撮像後の実画像と設計データは、普通位置がずれた状態であるため、設計データの位置情報を補正することで実画像との位置を合わせる必要がある。図１５Ａの設計データ画像１５０１とそれに対応する図１５Ｂの実画像１５０２は、座標１５０３と座標１５０４が画像データ上において位置が対応しているが、実際に正しいのは座標１５０３に対して座標は１５０５である。そこで図１５Ｃに示すように実画像１５０６に対して、設計データ画像の原点（画像の左上端の座標など）をパス１５０７に沿ってずらし、実画像と設計データ画像の差の二乗和をそれぞれずらした位置で算出する。図１５Ｄは、軸１５１０をパス１５０７の位置、軸１５０９を差の絶対値の和を取ったときの波形１５０８のグラフある。この波形において最小値１５１１のとる時の設計データの位置を元に正しく位置合わせされた座標として補正を行う。
【００２２】
（４）特徴量の算出
次に、特徴量の算出方法について述べる。検査対象ウェハ２１２を走査電子顕微鏡２００で撮像して取得した実画像（以下、実パターン画像という）から算出する特徴量（図１のＳ１０２とＳ１１２に相当）について述べる。
【００２３】
実パターン画像の特徴量の算出は、実パターン画像の画素ごとに行う。図３Ｂの実パターン画像３０２において注目画素３０４の特徴量を算出することを考える。注目画素３０４の特徴量は、注目画素３０４の周辺画素における輝度値を組み合わせることで算出を行う。最終的によい識別境界を得るには、なるべく注目画素周辺のパターン形状の情報をよく表現するような特徴量であり、かつ特徴量の次元数が小さくなることが望ましい。
【００２４】
もっとも単純な特徴量は、図３Ｃに示したオペレータ３０５のように注目画素３０６の周辺画素におけるそれぞれの輝度値をそのまま特徴量にすることである。これは、オペレータサイズ分（図３Ｃの例では、５画素×５画素）だけ実パターン形状の完全な情報をもっていることになるが、オペレータのサイズを大きくしていくと爆発的に特徴量の次元が増え、形状的な情報としては冗長すぎる。そこで図３Ｄに示したオペレータ３０７のような注目画素３０９よりも十分に大きいオペレータ３０７と同じサイズの領域をオペレータサイズ３０８として様々な統計量を算出し、特徴量にするほうがよい。
【００２５】
図３Ｂの実パターン画像３０２から求められる統計的な特徴量としては、
（ａ）オペレータ内の輝度の平均値
（ｂ）モーメント特徴量
（ｃ）ＨＯＧ（Ｈｉｓｔｏｇｒａｍｓ ｏｆ Ｏｒｉｅｎｔｅｄ ）Ｇｒａｄｉｅｎｔｓ）特徴量（非特許文献１参照）
（ｄ）高次局所自己相関特徴量（非特許文献２参照）
などが有効である。
【００２６】
さらに、図３Ｅに示したオペレータ３１０のように、注目画素３１１の近傍において局所的な領域であるセル３１２の領域をとり、このセル毎に統計的な特徴量をとることで、注目画素回りの広い範囲の形状情報を特徴量として算出することができる。図３Ｆに、オペレータ３１５として図３Ｅに示したオペレータ３１０を図３Ｂの実パターン画像３０２示した注目画素３０４の周辺に適用した例を示す。この例では、セルのＨＯＧ特徴量を算出することでセル３１６とセル３１７において垂直方向のエッジ成分が、セル３１８とセル３１９において斜め方向のエッジ成分が抽出され、注目画素３１９（図３Ｂの注目画素３０４、図３Ｅの注目画素３１１に相当）はラインの角であることが表現される。
【００２７】
また図５はＳＥＭ画像における帯電の影響を示した図である。一般的にＳＥＭ像５００を得る時は、電子ビームを５０１方向にスキャンすることで得られる。そのため、エッジ５０２が存在する領域のスキャン方向側に帯電の影響による影５０３が生じる。このような特徴も、オペレータ３１０で輝度の平均値を算出するなどで表現することができる。
【００２８】
次に、設計データ画像３０１から算出する特徴量（図１のＳ１０３、Ｓ１１３で算出する特徴量に相当）について述べる。
【００２９】
図３Ａに示した設計データ画像３０１からも、実パターン画像３０２の注目画素３０４に対応する注目画素３０３の特徴量を算出する。設計データ画像３０１からの特徴量は、設計データから図３Ａのような輪郭線画像（設計データ画像）を作成し、図３Ｂの実パターン画像３０２と同じ特徴量を求めてもよい。
【００３０】
また、以下のような設計データ専用の特徴量として
（ｉ） 配線構造のベクトル成分
（ｉｉ） 配線上であるか否か
（ｉｉｉ） ラインの端点、連結点の関係
などを算出することも効果的である。
【００３１】
（ｉ）は、設計データの注目画素周辺の配線方向がどちらに伸びているかの度合いである。（ｉｉ）は注目画素がパターン配線の上であるかどうかの特徴量を表す。（ｉｉｉ）は配線構造をグラフ構造にした時、エッジの端点と連結点の場所を求め、注目画素周辺にそれがどのように分布しているかの特徴量を表す。
【００３２】
（５）識別境界の算出
正常と欠陥を識別するルールである識別境界（図１のＳ１０４で算出)の算出方法について述べる。識別境界とはＳ１０２とＳ１０３で求めた各特徴量を軸とする特徴空間４０１（図４参照）において正常の空間４０２と欠陥の空間４０３に分けるような超曲面（２次元上における曲線）４０４のことである。正常部の特徴ベクトル４０５と欠陥部の特徴ベクトル４０６を識別するルールはそれぞれの特徴量に対して条件式を決めた図１４Ａの１４０１の例のようなｉｆ−ｔｈｅｎルールがもっともシンプルである（ｘとｙは特徴量を表す）。このルールを決定する時は解析的に求めても、しきい値であるＡ１とＢ１をユーザに入力してもらってもよい。
【００３３】
図１４Ｂに特徴量空間上の欠陥判定領域を斜線部として１４２０に示す。黒丸点１４２１は正常部の画素から得られた特徴ベクトル、黒罰点１４２２は欠陥部の画素から得られた特徴ベクトルである。判定領域は特徴量の軸に垂直な辺を持つ矩形状の領域で定義される。図１４Ｃの１４０３のようにｉｆ−ｔｈｅｎルールを増やすことで図１４Ｄに示したように、識別境界１４０４の精度を高めることが可能である。しかし、この場合、複雑な境界を矩形の組み合わせで表わすためルールが膨大に増え、ユーザによる調整が困難になる。真の識別境界がｘとｙで相関を持つ時などは、図１４Ｅに示したように、ａｘ＋ｂｙの線形和で表現される識別境界の１４０５や、図１４Ｆに示したように、非線形な関数で表わされる識別境界１４０６のほうがよりよい境界を求めることができる。
【００３４】
これらの境界もユーザによるパラメータ調整で求めることは非常に困難であるが、既に正常か欠陥か既知である特徴ベクトルとする教示データから学習を行うことで、正常部の特徴ベクトル４０５と欠陥部の特徴ベクトル４０６をもっともよく分けるような境界を求めることが可能である。また、教示データにユーザの意図が反映することができれば、識別境界も意図に沿って引くことが可能となる。
【００３５】
始めに教示データ（図１の１３）の作成方法について述べる。
図６は教示データを作成するためのＧＵＩ６００の例を示す。画像表示部６０１には、既に位置合わせ済みの実パターンから抽出した輪郭線６０２（実線）と設計データの輪郭線６０３（点線）とを表示する。２つの輪郭線６０２と６０３とにおいて形状に相違する領域がある時、６０４、６０５、６０６、６０７、６０８のような２つの輪郭線で囲まれた領域が生じる。ユーザは領域選択ツール６１０を選び、画像表示部６０１に表示される画像から欠陥にしたい領域中の一点をポインティングデバイス６１６で指定することで、輪郭線６０２と６０３とに囲まれた領域を選択することができる。実パターンの輪郭線６０２が消失している部分は、鉛筆ツール６１１を選択して輪郭線６０２と６０３とに囲まれた領域が閉じるように修正することができる。また誤って抽出された輪郭線や鉛筆ツールで修正をまちがえた部分は消しゴムツール６１２で消去することができる。
【００３６】
６１３、６１４、６１５はカラー選択ボタンで白６１３を選択すると欠陥部を指定するモードに、黒６１４を選択すると正常部を指定するモードに、灰色６１５を選択するとユーザが欠陥か正常かわからない部分を選択するモードになる。教示画像作成において基本的にクリックされなかった点に関してはすべて正常部と見なす。この画像の場合、６０４、６０６、６０８を欠陥領域と判断し、白い領域を欠陥部、黒い領域を正常部とした教示画像６０９が作成され、確認することができる。確認後、「ＬＯＡＤ」ボタン６２１をポインタ６１６でクリックすると教示画像６０９が画像処理部２１９にロードされる。一方、「ＳＡＶＥ」ボタン６２２をポインタ６１６でクリックすると、教示画像６０９は記憶装置２２０に一時記憶される。
【００３７】
図９Ａは設計データに基づいて作成されたパターン９０１の図、図９Ｂは、設計データに対する正常な実パターン９０２の画像の例である。ここで実際には図９Ｃに示すような実パターン画像９０３が得られたとすると、図９Ｃに示すような画像の領域９０５、９０６が欠陥領域となる欠陥画像９０７が得られ、識別境界を求める時に使う教示データのセットとして、図９Ｃのような設計データに基づいて作成されたパターン９０１と設計データに対する正常な実パターン９０２の画像と欠陥画像９０７とを含む画像のセット９０４を作成することができる。ここで欠陥画像９０７に含まれる欠陥領域の画像９０５と９０６とを、設計データに基づいて作成されたパターン９０１に対して実パターンのラインが膨張している凸欠陥領域の画像９０５と設計データに基づいて作成されたパターン９０１に対して実パターンのラインが縮退している凹欠陥領域の画像９０６に種類を分けることができる。
【００３８】
そこで、図９Ｄに示すように、この凸欠陥領域の画像９０５だけの教示画像９０９を設計データに基づいて作成されたパターン９０１と設計データに対する正常な実パターン９０２の画像と組合せて教示データセットにした凸欠陥教示データセット９０８と、図９Ｅに示すように、凹欠陥領域の画像９０６だけの教示画像９１１を設計データに基づいて作成されたパターン９０１と設計データに対する正常な実パターン９０２の画像と組合せて教示データセットにした凹欠陥教示データセット９１０を作成する。その結果、図９Ｆに示すように、凸欠陥教示データセット９０８と凹欠陥教示データセット９１０それぞれで識別境界９１４を求めることで、欠陥検出と欠陥分類を同時に行うことができる。
【００３９】
図９Ｆは、図９Ｂ、Ｃ、Ｄで説明した画像のセット９０４、９０８及び９１０を一つの画面９１２上に並べて同時に表示した例を示す図である。この図９Ｆに示した画面９１２の例においては、凸欠陥教示データセット９０８が画面上のチェックボックス９１６で選択されていて、凸欠陥教示データセット９０８の識別境界９１４が特徴空間のグラフ９１３上に表示された状態を示している。後述するが、これにより判定精度を高める効果や、欠陥種毎にユーザが感度の調整を行うことができるというメリットがある。今回目的とするようなシステマティック欠陥検出では、欠陥種類を凸欠陥、凹欠陥、ブリッジング、ネッキング、ライン幅の膨張、ライン幅の縮退などでわけるとよい。
【００４０】
図９Ｆの画面９１２は、これら欠陥種毎に識別平面を求めるときに使うことができるＧＵＩである。
図９Ｆの画面９１２に示した９１５の部分で画像のセット９０４、９０８、９１０などの欠陥種別毎に分けたデータセットを選択することができ、また特徴空間のグラフ９１３の部分において選択したデータセット（図９Ｆの例では画像のセット９０８）の特徴空間上の分布や各特徴量に対するヒストグラム（図示せず）が表示されユーザは確認することができる。画面９１２上に表示されている「学習」のボタン９１６をマウスでクリックすることで、選択したデータセットに対する識別境界を求めて特徴空間のグラフ９１３上に識別境界９１４を表示することができる。
【００４１】
識別境界３１４の算出方法としては、一般的なパターン認識手法である、線形判別手法（以下ＬＤＡ）、サポートベクターマシン（以下ＳＶＭ）が適用可能である（非特許文献３、および非特許文献４参照）
図８Ａ及び図８Ｂを用いてＬＤＡの原理を説明する。判り易くするために、設計データの特徴量８０５を１次元（縦軸）、実パターンデータの特徴量８０６を1次元（横軸）として扱う。図８Ａ及び図８Ｂ中の８０３のような罰点は欠陥、８０４のような黒丸点は正常の特徴ベクトルである。直線８０１は線形判別分析（以下ＬＤＡ）によって求められた識別境界である。
【００４２】
図８Ａ中８０１は直線で表現されるが、実際の特徴ベクトルは３次元以上を取るので識別境界は超平面になる。直線８０１を境界にデータを分けることは全特徴ベクトルを特徴量の線形和を求めることで軸８０７に射影し、しきい値８０８（直線８０１に平行な１対の点線で挟まれた範囲）で判別している事と同じである。
【００４３】
ＬＤＡでは、
射影された正常部の特徴ベクトル集合の分散：σＴ２
欠陥部の特徴ベクトル：
全特徴ベクトルの分散：
とした時に表される
分離度：Ｊ＝（σＴ２＋σＮ２）／σＡ２ ・・・（数１）
を最大にするような射影軸を求める。
【００４４】
ＬＤＡの特徴として特徴ベクトル集合の統計量から特徴量の線形和によって表現される識別面および識別境界を求めている。そのため特徴ベクトルの数が多くても学習時間が短く、1個の特徴ベクトルに対する正常・欠陥判定の計算時間も短い。またユーザにとってもよく利いている特徴量がどれなのかわかりやすいというメリットがある。
【００４５】
図８Ｂの曲線８０２は非線形サポートベクターマシン（以下非線形ＳＶＭ）によって求められた識別境界である。非線形ＳＶＭでは特徴ベクトルを超空間上の点に一度変換し、超空間上の超平面を求めることでデータを分割する。この超平面を図８Ｂの２次元上で表現すると、８０２のような曲線になる。識別超平面は超空間上の正常部と欠陥部の特徴ベクトルの間に存在する最も大きなマージン（隙間）を通るような超平面が求められる。２次元上でこのマージンは曲線８０９と８１０の間８１３で表され、サポートベクターと呼ばれる図中の白丸点８１１と白罰点８１２の特徴ベクトルによって決定される。非線形ＳＶＭもＬＤＡと同じように、本質的には１軸上にベクトルを射影ししきい値により正常欠陥を判定している。
【００４６】
ＳＶＭの特徴としては、元の特徴量の次元において超曲面上の識別境界を求めるため、理想的な識別境界である図４に示した識別超曲面４０４に近い識別境界を得ることができ、高い判定精度を持つ。
【００４７】
前述したような図９Ｃの教示データセット９０４から特徴ベクトルを計算すると、図１０Ａのグラフ１００１に示すように欠陥部の特徴ベクトル１０１１が正常部の特徴ベクトル１０１２を挟んで対角線上に分布することがある。図１０Ａのグラフにおいて、縦軸は設計データ特徴量を表し、横軸は実パターン画像特徴量を表す。非線形ＳＶＭでは図８Ｂで説明したように曲線状の識別境界をとることができるので、このような特徴ベクトルの分布に対して対応可能であるが。ＬＤＡで求める識別境界は直線でしか表せないため、求められる識別境界は図１０Ａの直線１００２のようになり、有効な判別境界を求めるには限界がある。しかし、欠陥種によって学習データを分けることで、図１０Ｂに示すように、直線１００３と直線１００４の二つの識別境界を引くことができ、正しく判定することが可能となる。図１０Ｂのグラフにおいて、縦軸は設計データ特徴量を表し、横軸は実パターン画像特徴量を表す。
【００４８】
（６）検査時の処理内容
図１で説明した識別境界算出工程Ｓ１０４で算出された識別境界を用い、検査対象ウェハ２１２の欠陥検出を行う。
【００４９】
検査対象ウェハ２１２を図２で説明したＳＥＭ２００で撮像して得た実パターン画像１４とその設計データ画像１５に対して、Ｓ１０４の識別境界算出工程に用いられた特徴量と同じ特徴量を算出し（Ｓ１１２、Ｓ１１３）、算出して得られた特徴ベクトルに対して識別境界算出工程Ｓ１０４で求められた識別境界で、正常・欠陥の判定を行う（Ｓ１１４）。Ｓ１１２における実パターン画像１４の特徴量の算出は、ＳＥＭによって実パターン画像１４が撮像された後に計算しなくてはならないが、設計データ画像１５の特徴量は検査前に算出しておき、記憶装置に事前に保持しておけば検査時の計算時間の削減になる。
【００５０】
図１１Ａ乃至図１１Ｃは、学習した識別境界から実際に検査対象ウェハの欠陥検出を行う例を示したものである。図１１Ａは検査対象である設計データ画像１１０１を示し、図１１Ｂは実パターン画像１１０２を示す。図１１Ａの設計データ画像１１０１と図１１Ｂの実パターン画像１１０２上の対応する画素１１０３から求めた特徴ベクトルを図１１Ｃに示したグラフ上の点１１０８に、画素１１０４から求められた特徴量ベクトルをグラフ上の点１１０９に表す。検査前準備段階Ｓ１００においては正常部の特徴量ベクトル１１０６や欠陥部の特徴量ベクトル１１０５などから、ＳＶＭによる識別境界１１０７が求められている。この識別境界１１０７により、特徴ベクトル１１０８は正常部として、特徴ベクトル１１０９は欠陥部として判定される。
【００５１】
図１３は画素単位の欠陥判定を行ったあとの後処理について説明する図である。画素単位の欠陥判定後に（ａ）に示すような、欠陥判定で正常と判定された画素を黒、欠陥と判定された画素を白とした画像１３０１が得られる。この時、欠陥部は領域１３０６のように欠陥画素が連結して検出されるが、誤判定によって１画素もしくは数画素で連結された１３０５が同時に得られる。このような極小な領域はノイズとして除去する。具体的には（ｂ）に示すように、欠陥画素に対してモルフォロジー演算などで縮退を行い（画像１３０２）、（ｃ）に示すように、膨張させることで画像１３０３のような画像が得られる。
このほかに（ｄ）に示すように、画像１３０１に対して連結した欠陥画素の領域の長径１３０７を求め、あるしきい値以上であれば欠陥領域とする方法などがある。
【００５２】
最終的に判定された欠陥領域は、図１のＳ１１４における判定結果表示においてユーザに確認される。
【００５３】
図７はＧＵＩ７００による判定結果表示の例を示す。表示領域７０１にはウェハマップが表示され、注目しているダイの位置や、おおまかな欠陥分布の位置を表示する。表示領域７０２にはダイのマップでが表示され、注目している配線パターンの位置７０３の表示や大きな欠陥や欠陥頻度の多い領域などを点７０４にて表示する。表示領域７０５は欠陥種ごとに発生頻度のヒストグラムを表示する部分である。表示領域７０６は注目している配線パターンの座標情報や、表示倍率などを表示する部分である。表示領域７０７は注目している配線パターン領域の設計データ画像７０７１と実パターン画像７０７２を表示する部分である。実パターン画像７０７２上には欠陥判定領域７０７３〜７０７６などが線で囲まれ表示される。７０８は操作パネルで、見たい配線パターンの位置や倍率、欠陥表示の切り替えなどが行える。
【００５４】
（７）欠陥検出感度の調整
図１２Ａ及び図１２Ｂでは、欠陥判定の感度調整について説明する。ＬＤＡやＳＶＭによって求められた識別境界で欠陥判定を行うことは、特徴ベクトルを図１２Ａに示したような１２０１のような１軸上に射影してヒストグラムを求め、しきい値１２０２によってヒストグラムを２つに分けるという操作をしている。ヒストグラムは欠陥部の山１２０３と正常部の山１２０４の２つの山からなる。しきい値１２０２を矢印１２０５の方向に移動することで欠陥に対する感度を低減させ、矢印１２０６の方向に移動することで虚報に対する感度を低減させて虚報の検出率を低減することができる。
【００５５】
これを利用した欠陥種ごと感度調整の例を、図１２ＢのＧＵＩ１２０７によって示す。欠陥種ごとの学習によって得られた複数の識別境界をもとに特徴ベクトルのヒストグラム１２０８−１〜３のように欠陥種ごとに表示する。ユーザは、ポインティングデバイス等を利用しスライダ１２１１を変化させることで欠陥種ごとのしきい値を調整する。調整後の判定結果は実パターン画像１２１２上に実時間で反映され、欠陥領域１２１３や１２１４が表示されたり表示されなくなったりする。ユーザは設計データ画像１２１１と見比べながら、適切なしきい値に調整を行うことができる。
【００５６】
以上、本発明者によってなされた発明を実施例に基づき具体的に説明したが、本発明は前記実施例に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることは言うまでもない。
【符号の説明】
【００５７】
２００…走査電子顕微鏡 ２１２…検査対象ウェハ ２１５…検出器 ２１６…Ａ／Ｄ変換器 ２１８…表示手段 ２１９…画像処理部 ２２０…記憶装置。
【特許請求の範囲】
【請求項１】
検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する装置であって、
検査対象パターンを撮像して該検査対象パターンの画像を取得する撮像手段と、
該撮像手段で前記検査対象パターンを撮像して得た画像から該検査対象パターンの画像の特徴量を算出する検査対象パターン画像特徴量算出手段と、
設計データから設計データ画像を作成する設計データ画像作成手段と、
該設計データ画像作成手段で前記検査対象パターンの設計データから作成した該設計データ画像の特徴量を算出する設計データ画像特徴量算出手段と、
前記撮像手段で検査対象パターンを撮像して取得した前記検査対象パターンの画像と前記設計データ画像作成手段で生成した前記検査対象パターンの設計データ画像とを表示する表示画面を備えた表示手段と、
前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とが表示された前記表示手段の画面で指示された前記検査対象パターンの欠陥の教示画像データを作成して記憶する教示画像データ作成手段と、
前記検査対象パターン画像特徴量算出手段で算出した前記検査対象パターンの画像の特徴量と前記設計データ画像特徴量算出手段で算出した前記設計データ画像の特徴量と前記教示画像データ作成手段で作成した教示画像データとを用いて前記検査対象パターンの画像において虚報と欠陥とを識別する識別境界を算出して記憶する識別境界算出手段と、
前記検査対象パターンの検査領域を前記撮像手段で撮像して得た画像から前記検査対象パターン画像特徴量算出手段で算出した前記検査対象パターンの画像の特徴量と、前記検査対象パターンの検査領域に対応する設計データから設計データ画像作成手段で作成した画像から前記設計データ画像特徴量算出手段で算出した前記設計データ画像の特徴量とから前記識別境界算出手段に記憶した前記識別境界を用いて前記検査対象パターンの欠陥を判定する欠陥判定手段と
を備えることを特徴とするパターン検査装置。
【請求項２】
前記撮像手段が走査型電子顕微鏡であることを特徴とする請求項１記載のパターン検査装置。
【請求項３】
前記教示画像データ作成手段は、前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とが重ねて表示された画面上で教示画像データを作成することを特徴とする請求項１記載のパターン検査装置。
【請求項４】
前記表示手段は更に前記識別境界算出手段で算出した虚報と欠陥とを識別する識別境界に関する情報を表示画面上に表示し、該表示された識別境界に関する情報から前記識別境界を前記表示画面上で調整することが可能な識別境界調整手段を更に備えることを特徴とする請求項１記載のパターン検査装置。
【請求項５】
前記識別境界算出手段は、設計データ画像特徴量と実パターン画像特徴量とで表わされる特徴量空間において、正常部の特徴ベクトルと欠陥部の特徴ベクトルとを識別する識別境界を算出することを特徴とする請求項１記載のパターン検査装置。
【請求項６】
前記識別境界算出手段は、設計データ特徴量と実パターン画像特徴量とで表わされる特徴量空間において、欠陥種に応じた識別境界を算出することを特徴とする請求項１記載のパターン検査装置。
【請求項７】
検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法であって、
検査対象パターンうちのサンプルパターンを撮像して該サンプルパターンの画像を取得し、
該撮像して取得した前記サンプルパターンの画像から該サンプルパターンの画像の特徴量を算出し、
前記サンプルパターンの設計データから前記サンプルパターンの画像に対応する設計データ画像を作成し、
該作成した設計データ画像について前記算出したサンプルパターンの画像の特徴量に対応する特徴量を算出し、
前記撮像して取得した前記サンプルパターンの画像と前記作成した設計データ画像とを用いて欠陥を教示するための教示画像データを作成し、
前記算出したサンプルパターンの画像の特徴量と前記算出したサンプルパターンの画像の特徴量に対応する設計データ画像の特徴量と前記作成した教示画像データとを用いてサンプルパターンの画像から欠陥の画像を識別するための識別境界を算出し、
前記検査対象パターンの検査領域を撮像して得た画像から前記検査対象パターンの検査領域の画像特徴量を算出し、
前記検査対象パターンの検査領域に対応する設計データから設計データ画像を作成して該作成した設計データ画像の特徴量を算出し、
前記算出した前記検査対象パターンの検査領域の画像特徴量と前記設計データ画像の特徴量と前記算出した識別境界とに基づいて前記検査対象パターンの検査領域内の欠陥を検出する
ことを特徴とするパターン検査方法。
【請求項８】
前記撮像して取得した前記サンプルパターンの画像と前記作成した設計データ画像とから欠陥を教示するための教示画像データを作成することを、前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とを重ねて表示した画面上で行うことを特徴とする請求項７記載のパターン検査方法。
【請求項９】
前記算出した識別境界に関する情報を画面上に表示し、該画面上に表示された識別境界に関する情報から前記識別境界を前記画面上で調整することを特徴とする請求項７記載のパターン検査方法。
【請求項１０】
検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法であって、
検査対象パターンを撮像して得た画像から抽出した特徴量と設計データから生成した設計データ画像から抽出した前記検査対象パターンを撮像して得た画像に対応する箇所の特徴量と前記検査対象パターンを撮像して得た画像と設計データ画像とを用いて作成した教示データの情報を用いて虚報と欠陥とを識別するための識別境界を算出し、
該算出した識別境界を記憶し、
前記検査対象パターンの検査領域を撮像して得た画像から前記検査対象パターンの検査領域の画像特徴量を算出し、
前記検査対象パターンの検査領域に対応する設計データから設計データ画像を作成して該作成した設計データ画像の特徴量を算出し、
前記算出した前記検査対象パターンの検査領域の画像特徴量と前記設計データ画像の特徴量と前記記憶しておいた識別境界とに基づいて前記検査対象パターンの検査領域内の欠陥を検出する
ことを特徴とするパターン検査方法。
【請求項１１】
前記教示画像データを、前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とを重ねて表示した画面上で作成することを特徴とする請求項１０記載のパターン検査方法。
【請求項１２】
前記算出して記憶した識別境界に関する情報を画面上に表示し、該画面上に表示された識別境界に関する情報から前記識別境界を前記画面上で調整し、該調整した識別境界を新たに記憶することを特徴とする請求項１０記載のパターン検査方法。
【請求項１３】
前記サンプルパターンを撮像して得た画像が、ＳＥＭ画像であることを特徴とする請求項７又は１０に記載のパターン検査方法。
【請求項１４】
前記識別境界を算出することを、設計データ画像特徴量と実パターン画像特徴量とで表わされる特徴量空間において、正常部の特徴ベクトルと欠陥部の特徴ベクトルとを識別するような識別境界を算出することを特徴とする請求項７又は１０に記載のパターン検査方法。
【請求項１５】
前記識別境界を算出することを、設計データ画像特徴量と実パターン画像特徴量とで表わされる特徴量空間において、欠陥種に応じた識別境界を算出することを特徴とする請求項７又は１０に記載のパターン検査方法。
【請求項１】
検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する装置であって、
検査対象パターンを撮像して該検査対象パターンの画像を取得する撮像手段と、
該撮像手段で前記検査対象パターンを撮像して得た画像から該検査対象パターンの画像の特徴量を算出する検査対象パターン画像特徴量算出手段と、
設計データから設計データ画像を作成する設計データ画像作成手段と、
該設計データ画像作成手段で前記検査対象パターンの設計データから作成した該設計データ画像の特徴量を算出する設計データ画像特徴量算出手段と、
前記撮像手段で検査対象パターンを撮像して取得した前記検査対象パターンの画像と前記設計データ画像作成手段で生成した前記検査対象パターンの設計データ画像とを表示する表示画面を備えた表示手段と、
前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とが表示された前記表示手段の画面で指示された前記検査対象パターンの欠陥の教示画像データを作成して記憶する教示画像データ作成手段と、
前記検査対象パターン画像特徴量算出手段で算出した前記検査対象パターンの画像の特徴量と前記設計データ画像特徴量算出手段で算出した前記設計データ画像の特徴量と前記教示画像データ作成手段で作成した教示画像データとを用いて前記検査対象パターンの画像において虚報と欠陥とを識別する識別境界を算出して記憶する識別境界算出手段と、
前記検査対象パターンの検査領域を前記撮像手段で撮像して得た画像から前記検査対象パターン画像特徴量算出手段で算出した前記検査対象パターンの画像の特徴量と、前記検査対象パターンの検査領域に対応する設計データから設計データ画像作成手段で作成した画像から前記設計データ画像特徴量算出手段で算出した前記設計データ画像の特徴量とから前記識別境界算出手段に記憶した前記識別境界を用いて前記検査対象パターンの欠陥を判定する欠陥判定手段と
を備えることを特徴とするパターン検査装置。
【請求項２】
前記撮像手段が走査型電子顕微鏡であることを特徴とする請求項１記載のパターン検査装置。
【請求項３】
前記教示画像データ作成手段は、前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とが重ねて表示された画面上で教示画像データを作成することを特徴とする請求項１記載のパターン検査装置。
【請求項４】
前記表示手段は更に前記識別境界算出手段で算出した虚報と欠陥とを識別する識別境界に関する情報を表示画面上に表示し、該表示された識別境界に関する情報から前記識別境界を前記表示画面上で調整することが可能な識別境界調整手段を更に備えることを特徴とする請求項１記載のパターン検査装置。
【請求項５】
前記識別境界算出手段は、設計データ画像特徴量と実パターン画像特徴量とで表わされる特徴量空間において、正常部の特徴ベクトルと欠陥部の特徴ベクトルとを識別する識別境界を算出することを特徴とする請求項１記載のパターン検査装置。
【請求項６】
前記識別境界算出手段は、設計データ特徴量と実パターン画像特徴量とで表わされる特徴量空間において、欠陥種に応じた識別境界を算出することを特徴とする請求項１記載のパターン検査装置。
【請求項７】
検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法であって、
検査対象パターンうちのサンプルパターンを撮像して該サンプルパターンの画像を取得し、
該撮像して取得した前記サンプルパターンの画像から該サンプルパターンの画像の特徴量を算出し、
前記サンプルパターンの設計データから前記サンプルパターンの画像に対応する設計データ画像を作成し、
該作成した設計データ画像について前記算出したサンプルパターンの画像の特徴量に対応する特徴量を算出し、
前記撮像して取得した前記サンプルパターンの画像と前記作成した設計データ画像とを用いて欠陥を教示するための教示画像データを作成し、
前記算出したサンプルパターンの画像の特徴量と前記算出したサンプルパターンの画像の特徴量に対応する設計データ画像の特徴量と前記作成した教示画像データとを用いてサンプルパターンの画像から欠陥の画像を識別するための識別境界を算出し、
前記検査対象パターンの検査領域を撮像して得た画像から前記検査対象パターンの検査領域の画像特徴量を算出し、
前記検査対象パターンの検査領域に対応する設計データから設計データ画像を作成して該作成した設計データ画像の特徴量を算出し、
前記算出した前記検査対象パターンの検査領域の画像特徴量と前記設計データ画像の特徴量と前記算出した識別境界とに基づいて前記検査対象パターンの検査領域内の欠陥を検出する
ことを特徴とするパターン検査方法。
【請求項８】
前記撮像して取得した前記サンプルパターンの画像と前記作成した設計データ画像とから欠陥を教示するための教示画像データを作成することを、前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とを重ねて表示した画面上で行うことを特徴とする請求項７記載のパターン検査方法。
【請求項９】
前記算出した識別境界に関する情報を画面上に表示し、該画面上に表示された識別境界に関する情報から前記識別境界を前記画面上で調整することを特徴とする請求項７記載のパターン検査方法。
【請求項１０】
検査対象パターンを撮像して得た画像と設計データから生成した設計データ画像とを比較することにより検査対象パターンの欠陥を検出する方法であって、
検査対象パターンを撮像して得た画像から抽出した特徴量と設計データから生成した設計データ画像から抽出した前記検査対象パターンを撮像して得た画像に対応する箇所の特徴量と前記検査対象パターンを撮像して得た画像と設計データ画像とを用いて作成した教示データの情報を用いて虚報と欠陥とを識別するための識別境界を算出し、
該算出した識別境界を記憶し、
前記検査対象パターンの検査領域を撮像して得た画像から前記検査対象パターンの検査領域の画像特徴量を算出し、
前記検査対象パターンの検査領域に対応する設計データから設計データ画像を作成して該作成した設計データ画像の特徴量を算出し、
前記算出した前記検査対象パターンの検査領域の画像特徴量と前記設計データ画像の特徴量と前記記憶しておいた識別境界とに基づいて前記検査対象パターンの検査領域内の欠陥を検出する
ことを特徴とするパターン検査方法。
【請求項１１】
前記教示画像データを、前記検査対象パターンの画像と前記検査対象パターンの設計データ画像とを重ねて表示した画面上で作成することを特徴とする請求項１０記載のパターン検査方法。
【請求項１２】
前記算出して記憶した識別境界に関する情報を画面上に表示し、該画面上に表示された識別境界に関する情報から前記識別境界を前記画面上で調整し、該調整した識別境界を新たに記憶することを特徴とする請求項１０記載のパターン検査方法。
【請求項１３】
前記サンプルパターンを撮像して得た画像が、ＳＥＭ画像であることを特徴とする請求項７又は１０に記載のパターン検査方法。
【請求項１４】
前記識別境界を算出することを、設計データ画像特徴量と実パターン画像特徴量とで表わされる特徴量空間において、正常部の特徴ベクトルと欠陥部の特徴ベクトルとを識別するような識別境界を算出することを特徴とする請求項７又は１０に記載のパターン検査方法。
【請求項１５】
前記識別境界を算出することを、設計データ画像特徴量と実パターン画像特徴量とで表わされる特徴量空間において、欠陥種に応じた識別境界を算出することを特徴とする請求項７又は１０に記載のパターン検査方法。
【図１】
【図２Ａ】
【図２Ｂ】
【図３Ａ】
【図３Ｂ】
【図３Ｃ】
【図３Ｄ】
【図３Ｅ】
【図３Ｆ】
【図４】
【図５】
【図６】
【図７】
【図８Ａ】
【図８Ｂ】
【図９Ａ】
【図９Ｂ】
【図９Ｃ】
【図９Ｄ】
【図９Ｅ】
【図９Ｆ】
【図１０Ａ】
【図１０Ｂ】
【図１１Ａ】
【図１１Ｂ】
【図１１Ｃ】
【図１２Ａ】
【図１２Ｂ】
【図１３】
【図１４Ａ】
【図１４Ｂ】
【図１４Ｃ】
【図１４Ｄ】
【図１４Ｅ】
【図１４Ｆ】
【図１５Ａ】
【図１５Ｂ】
【図１５Ｃ】
【図１５Ｄ】
【図２Ａ】
【図２Ｂ】
【図３Ａ】
【図３Ｂ】
【図３Ｃ】
【図３Ｄ】
【図３Ｅ】
【図３Ｆ】
【図４】
【図５】
【図６】
【図７】
【図８Ａ】
【図８Ｂ】
【図９Ａ】
【図９Ｂ】
【図９Ｃ】
【図９Ｄ】
【図９Ｅ】
【図９Ｆ】
【図１０Ａ】
【図１０Ｂ】
【図１１Ａ】
【図１１Ｂ】
【図１１Ｃ】
【図１２Ａ】
【図１２Ｂ】
【図１３】
【図１４Ａ】
【図１４Ｂ】
【図１４Ｃ】
【図１４Ｄ】
【図１４Ｅ】
【図１４Ｆ】
【図１５Ａ】
【図１５Ｂ】
【図１５Ｃ】
【図１５Ｄ】
【公開番号】特開２０１３−５３９８６（Ｐ２０１３−５３９８６Ａ）
【公開日】平成２５年３月２１日（２０１３．３．２１）
【国際特許分類】
【出願番号】特願２０１１−１９３６０５（Ｐ２０１１−１９３６０５）
【出願日】平成２３年９月６日（２０１１．９．６）
【出願人】（５０１３８７８３９）株式会社日立ハイテクノロジーズ (4,325)
【Ｆターム（参考）】
【公開日】平成２５年３月２１日（２０１３．３．２１）
【国際特許分類】
【出願日】平成２３年９月６日（２０１１．９．６）
【出願人】（５０１３８７８３９）株式会社日立ハイテクノロジーズ (4,325)
【Ｆターム（参考）】
[ Back to top ]