试样观察装置以及方法与流程

本发明涉及使用带电粒子显微镜等对半导体晶圆等试样进行拍摄，取得试样观察用的图像的方法以及装置，涉及根据拍摄图像推定更高品质的图像的方法以及装置。具备在事先通过机器学习方法学习第一学习用图像与第二学习用图像的对应关系时，推定画质根据区域而不同的图像的装置和方法。

背景技术：

1、在半导体晶圆的制造中，为了确保收益，迅速地启动制造工艺，提前转移到高成品率的量产体制是重要的。为了该目的，在生产线中导入有各种检查装置、观察装置、测量装置。

2、试样观察装置是基于检查装置输出的缺陷位置坐标(表示试样上的缺陷的位置的坐标信息)，高分辨率地拍摄晶圆上的缺陷位置并输出图像的装置，使用了扫描型电子显微镜(sem：scanning electron microscope)的试样观察装置(以下，记载为复查sem)被广泛使用。在半导体的量产线中期望观察作业的自动化，复查sem搭载有进行自动收集试样内的缺陷位置处的图像的缺陷图像自动收集处理(adr：automatic defect review)的功能。

3、形成于半导体晶圆上的电路图案的结构的种类有多种，产生的缺陷也有种类、产生位置等各种各样的缺陷，拍摄、输出缺陷、电路图案等的可视性高的高画质的图像是重要的。因此，对于将从复查sem的检测器得到的信号图像化而得到的原始的拍摄图像，通过使用图像处理技术提高可视性来取得试样观察用图像。作为提高可视性的一种方法，提出了多种事先学习画质不同的图像的对应关系，在输入了与一方的画质相同的图像时，推定另一方的画质的图像的方法。例如，在日本特开2018-137275号公报(专利文献1)中记载了如下方法：通过事先学习以低倍率拍摄到的图像与以高倍率拍摄到的图像的相关性，根据低倍率图像来推定高倍率图像。

4、现有技术文献

5、专利文献

6、专利文献1：日本特开2018-137275号公报

7、非专利文献

8、非专利文献1：dong，chao，et al."image super-resolution using deepconvolutional networks."arxiv preprint arxiv:1501.00092(2014).

技术实现思路

1、发明所要解决的课题

2、在试样观察装置中，为了观察缺陷或电路图案等，输出它们的可视性高的图像是重要的，对拍摄图像应用图像处理，提高图像的可视性。一种方法是通过机器学习方法预先学习拍摄图像与高画质的图像之间的关系，从而以拍摄图像作为输入来推定高画质的图像。通常，在机器学习方法中，通过预先定义的单一损失函数来计算推定图像和高画质图像的损失，并且更新推定处理参数以减小损失。但是，在观察时，希望观察的区域根据观察者而不同，因此有时每个区域所要求的画质不同。在这种情况下，难以通过使用单一损失函数来进行学习以针对各区域推定不同画质的图像。

3、用于解决课题的手段

4、为了解决上述课题，本发明提供一种具有以下特征的外观检查方法及外观检查系统。

5、即，在试样的观察方法及装置中，

6、取得第一学习用图像和与所述第一学习用图像对应的第二学习用图像，

7、使用所述第一学习用图像和第二学习用图像，学习根据第一学习用图像推定第二学习用图像的推定引擎的推定处理参数，

8、在推定处理参数的学习中，将根据第一学习用图像推定出的推定图像和与该第一学习用图像对应的第二学习用图像分割为区域ri(i＝1～n，n：区域数)，

9、使用以预定的基准评价各区域ri中包含的第二学习用图像的像素群pi和推定图像的像素群qi的损失的损失函数fi进行学习。

10、发明效果

11、根据本发明，能够按每个区域变更推定引擎的学习中的损失的计算方法，图像推定引擎的性能提高。

技术特征：

1.一种试样的观察方法及装置，其特征在于，

2.根据权利要求1所述的试样的观察方法及装置，其特征在于，

3.根据权利要求2所述的试样的观察方法及装置，其特征在于，

4.根据权利要求3所述的试样的观察方法及装置，其特征在于，

5.根据权利要求3所述的试样的观察方法及装置，其特征在于，

6.根据权利要求3所述的试样的观察方法及装置，其特征在于，

7.根据权利要求3所述的试样的观察方法及装置，其特征在于，

8.根据权利要求3至7中的任一项所述的试样的观察方法及装置，其特征在于，

技术总结在理想的画质根据推定图像的区域而不同的情况下，难以进行学习以通过单一的损失函数来针对各区域推定不同画质的图像。一种试样的观察方法以及装置，取得第一学习用图像和与所述第一学习用图像对应的第二学习用图像，使用所述第一学习用图像和第二学习用图像，学习从第一学习用图像推定第二学习用图像的推定引擎的推定处理参数，在推定处理参数的学习中，将从第一学习用图像推定出的推定图像和与该第一学习用图像对应的第二学习用图像分割为区域Ri，使用以预定的基准评价各区域Ri中包含的第二学习用图像的像素群Pi和推定图像的像素群Qi的损失的损失函数Fi进行学习，其中，i＝1～N，N为区域数。技术研发人员：伊藤晟,宫本敦,近藤直明,木附洋彦受保护的技术使用者：株式会社日立高新技术技术研发日：技术公布日：2024/12/23