KR100897077B1

KR100897077B1 - 표면 모델로부터 추출된 프리미티브 특징의 조합에 의한 빔 이미지의 스캐닝 시뮬레이션을 위한 방법, 제품, 및 시스템

Info

Publication number: KR100897077B1
Application number: KR1020077000306A
Authority: KR
Inventors: 아담 시저; 호스트 하우세커
Original assignee: 인텔 코오퍼레이션
Priority date: 2004-07-08
Filing date: 2005-07-08
Publication date: 2009-05-14
Anticipated expiration: 2025-07-08
Also published as: WO2006010105A2; TW200612354A; US20060008178A1; DE112005001600T5; TWI312486B; WO2006010105A3; CN101014976A; JP2008506199A; KR20070026785A

Abstract

기술은, 복수의 중간 이미지를 생성하기 위해 복수의 필터로 스캐닝 빔 이미지에서 관찰될 수도 있는 객체의 샘플링된 표현을 필터링하는 단계를 포함한다. 중간 이미지를 조합하여, 스캐닝 빔에서 관찰되는 것을 예측하는 시뮬레이션된 이미지를 생성한다.

이미지, 중간 이미지, 필터, 스캐닝, 빔, 시뮬레이션

Description

표면 모델로부터 추출된 프리미티브 특징의 조합에 의한 빔 이미지의 스캐닝 시뮬레이션을 위한 방법, 제품, 및 시스템{SIMULATION OF SCANNING BEAM IMAGES BY COMBINATION OF PRIMITIVE FEATURES EXTRACTED FROM A SURFACE MODEL}

배경

본 발명은, 일반적으로, 예를 들어, 표면 모델로부터 추출되는 프리미티브 특징과 같은, 프리미티브 특징의 조합에 의한 빔 이미지의 스캐닝 시뮬레이션에 관한 것이다.

통상, SEM(scannig electron microscope), FIB(focused ion beam) 도구, 또는 광 스캐너와 같은, 스캐닝 빔 이미징 도구는, 마이크로-스케일 또는 나노-스케일 표면의 이미지를 생성하는데 이용된다. 일 예로서, 표면은 반도체 구조의 층을 형성하는데 이용되는 리소그래피 마스크의 표면 또는 실리콘 반도체 구조의 표면일 수도 있다.

스캐닝 빔 이미징 도구는 표면의 2-D(two-dimensional) 이미지를 제공할 수도 있다. 도구로부터의 2-D 이미지가 표면 특징을 식별하는 강도를 포함하더라도, 인간이 이미지로부터 표면의 3-D(three-dimensional) 구조를 추론하는 것은 어렵다. 2-D 이미지의 해석을 돕기 위해, 표면을 물리적으로 자를 수도 있고, 도구를 이용하여 상기 표면의 단면을 나타낸 추가 2-D 이미지를 생성할 수도 있다.

또한, 시뮬레이션된 이미지를 이용하여 스캐닝 빔 이미징 도구로부터 2-D 이 미지를 해석할 수도 있다. 스캐닝 빔 이미지 도구에 의해 얻은 이미지는, 가상 표면과 도구의 스캐닝 빔 간의 물리적 상호 작용을 모델링하는 컴퓨터-보조 시뮬레이션에 의해 시뮬레이션될 수 있다. 이와 같은 시뮬레이션은 몬테 카를로 시뮬레이션으로 지칭되고, 도구에 의해 생성되는 이미지를 넘어 물리적 현상을 시뮬레이션하기 위한 표준 접근법이다. 몬테 카를로 모델은 전자나 이온 산란의 물리적 시뮬레이션에 기초한다. 산란 시뮬레이션이 무작위화되고, 비교적 낮은 잡음을 갖는 시뮬레이션된 이미지를 생성하기 위해 다수의 입자를 시뮬레이션해야 하므로, 몬테 카를로 시뮬레이션은 수행하는데 상당한 시간 양을 필요로 할 수도 있다. 또한, 몬테 카를로 시뮬레이션은 다음 처리 단계에 이용될 수 있는 해석적 함수의 항으로 시뮬레이션 출력을 표현하지 않는다. 시뮬레이션에 대한 다른 접근법은 셰이딩 모델로 지칭되는 모델을 이용하는 것으로, 스캐닝 빔 이미지에서 강도는 로컬 표면 배향의 함수로서 모델링된다. 상기 방법은 나노미터 스케일 정도로 정확하지 않지만, 해석적 함수의 항으로 시뮬레이션을 표현한다.

이와 같이, 스캐닝 빔 이미지 도구로부터 이미지를 시뮬레이션하는 더 빠르고 더 정확한 방법에 대한 요구가 계속되고 있다. 또한, 해석적 함수를 이용하여 스캐닝 빔 이미지 강도와 나노미터 스케일에서 표면 형상 간의 관계를 표현할 수 있어야 한다.

도면의 간단한 설명

도 1은 본 발명의 일 실시예에 따른 스캐닝 빔 도구 이미지를 시뮬레이션하는 기술을 나타낸 블록도이다.

도 2는 본 발명의 일 실시예에 따른 도 1의 필터 뱅크를 트레인하는 기술을 나타낸 흐름도이다.

도 3은 본 발명의 일 실시예에 따른 시뮬레이션된 이미지를 얻는 트레이닝 및 시뮬레이션 기술을 나타낸 블록도이다.

도 4는 본 발명의 일 실시예에 따른 컴퓨터 시스템의 개략도이다.

상세한 설명

도 1을 참조하면, 본 발명에 따른 시스템(30)의 일 실시예는, 스캐닝 빔 도구(일 예로서, SEM(scanning electron microscope) 또는 FIB(focused ion beam) 도구)에 의해 생성될 수 있는, 표면의 이미지를 시뮬레이션한다. 표면은 "현미경적 표면"으로서, 시뮬레이션 기술이 100 미크론보다 작은 (또한, 본 발명의 일부 실시예에서는, 크기가 10 나노미터보다 작은) 표면상의 특징을 갖는 빔 상호 작용을 모델링할 수 있는 것을 의미한다. 일 예로서, 표면은 반도체 구조의 표면 또는 리소그래피 마스크의 표면일 수도 있다.

시스템(30)은 표면의 특성을 나타내는 입력 이미지(36; 아래에 더 설명함)를 수신하고, 입력 이미지(36)에 기초하여, 시스템(30)은 출력 이미지(46), 즉, 시뮬레이션된 표면의 스캐닝 빔 이미지를 생성한다. 출력 이미지(46)는, 예를 들어, 스캐닝 빔 이미징 도구로부터 얻은 표면의 실제 2-D 이미지를 해석하는 것과 같은, 여러 목적에 이용될 수도 있다.

본 발명의 일부 실시예에서, 입력 이미지(36)는 높이 필드 이미지로서, 이미지(36)의 각 픽셀의 강도가 표면의 결합한 현미경적 특징의 높이를 나타내는 것을 의미한다. 이와 같이, 예를 들어, z-축은 표면에 수직인 일반적인 표면을 따라 연장하는 것으로서 정의될 수도 있고, 각 픽셀의 강도는 표면의 특정 위치에서 표면의 z 좌표(즉, 높이)를 식별한다. 측정하에 있는 표본이 언더커트 또는 공간을 갖더라도, 일부 언더커팅은 언더커트의 구조가 제1 표면 높이에서 예측할 수 있으면상기 접근법에 의해 처리될 수도 있다. 예를 들어, 언더커드의 형상이 스텝 에지의 높이의 함수이면, 여기서 설명된 접근법을 이용하여 언더커트 표면과의 빔 상호 작용으로부터 발생하는 강도를 모델링할 수도 있다.

높이는 여러 반도체 층을 형성하는데 이용된 제조 설계 명세로부터 생성될 수도 있으므로, 관찰된 표면을 형성할 수도 있다. 본 발명의 다른 실시예에서는, 다른 변형도 가능하다.

시스템(30)은 입력 이미지(36)를 수신하는 필터 뱅크(38)를 포함한다. 필터 뱅크(38)는 N개의 필터를 포함하고, 그 각각은 대응하는 중간 이미지(40)를 생성한다. 필터 뱅크(38)의 필터는 관찰된 표면상에 나타날 수도 있는 특정 로컬 특징을 식별하도록 설계된다. 조합 함수(44)는 중간 이미지(40)를 조합하여, 최종 출력 이미지(46)를 생성한다.

아래에서 더 설명하는 바와 같이, 본 발명의 일부 실시예에서, 필터 뱅크(38)의 각 필터는 입력 이미지에 대한 로컬 다항식 근사로부터 얻을 수도 있다. 또한, 다항식 근사는 (본 발명의 일부 실시예에서) 픽셀에서 3개의 로컬 특징 중 하나에 대한 근사를 제공한다: 픽셀에서 표면 기울기와 픽셀에서 표면에 대한 최소 및 최대 주요 곡률.

각 필터는 표면상의 서로 다른 특징 크기를 설명하는, 픽셀 주위의 특정 영역을 정의한다. 예를 들어, 특정 필터는, 다항식 함수를 대략 픽셀 주위의 3 픽셀 × 3 픽셀 영역 상에서 픽셀 강도로 맞추고 다항식의 계수로부터 출력 값을 계산함으로써, 결합한 중간 이미지(40)를 형성할 수도 있다. 다른 필터는 10 픽셀 × 10 픽셀 영역, 30 픽셀 × 30 픽셀 영역 등과 같은, 서로 다른 스케일과 결합할 수도 있다. 이와 같이, 상술한 각각의 3개의 기본 특징(기울기, 최소 곡률 및 최대 곡률)은 서로 다른 스케일과 결합할 수도 있다. 예를 들어, 10개의 필터는 10개의 서로 다른 픽셀 스케일에 대해 각 픽셀을 둘러싸는 로컬 기울기를 근사화할 수도 있다; 10개 이상의 필터는 서로 다른 픽셀 스케일에 대해 각 픽셀을 둘러싸는 최소 주요 곡률을 근사화할 수도 있다; 및 10개의 추가 필터는 10개의 서로 다른 픽셀 스케일에 대해 각 픽셀을 둘러싸는 최대 주요 곡률을 근사화할 수도 있다. 여기서 설명된 숫자는 단지 일 예일 뿐이므로, 필터 뱅크(38)의 필터 수는 본 발명의 특정 실시예에 따라 변한다.

본 발명의 일부 실시예에서, 여기서 설명된 기술은 이미지 형성 모델을 예시적인 실제 표면 쌍과 대응하는 스캐닝 도구 이미지에 맞추는 알고리즘을 포함한다. 또한, 아래에서 설명하는 바와 같이, 기술은 표면 형상을 제어하는 파라미터에 대하여 시뮬레이션된 이미지의 미분을 계산하는 단계를 포함한다. 상기 기술의 주요 특징은 입력 표면에서 일련의 로컬 기하학적 이미지 특징의 함수로서 시뮬레이션된 이미지를 표현하는 것이다.

여기서 설명된 기술은, 이미지 강도와 표면의 기하학적 특성 간의 관계를 알 고 있는 트레이닝 알고리즘을 이용한다. 로컬 특징은, 표본과 스캐닝 빔의 물리적 상호 작용의 서로 다른 스케일에 의해 유도되는 다수의 스케일에 대해 계산된다. 또한, 러닝 알고리즘은 적당한 일련의 로컬 특징과 공간 스케일을 결정하여 정확도의 손실 없이 차원을 줄인다. 시스템을 트레이닝한 후, 입력 표면은, 이를 알고 있는 일련의 로컬 기하학적 특징으로 분해하고 이를 알고 있는 이미지 생성 기능으로 조합함으로써 시뮬레이션될 수도 있다.

더 특정 예로서, 도 2는 기술(50)을 이용하여 필터 뱅크(38)의 필터에 대한 계수를 얻는 것을 나타낸다. 기술(50)은, 필터 뱅크(38)의 각 필터에 의해 입력 이미지(36)를 필터링하여(블록(52)), 중간 이미지(40)의 트레이닝을 생성하는 단계를 포함한다. 다음으로, 주요 컴포넌트 분석을 수행하여(블록(54)), 중복 필터, 즉, 소정의 입력 이미지(36)에 대해 거의 같은 중간 이미지(40)를 생성하는 필터를 제거한다. 끝으로, 기술(50)에 따라, 최소 제곱 문제를 해결하여(블록(58)), 필터 뱅크(38)의 필터의 계수를 결정한다.

이하, 더 특정 상세를 참조하면, 본 발명의 일부 실시예에서, 조합 함수는 다음과 같이 설명될 수도 있다:

(식 1)

여기서, "H"는 높이 필드 이미지를 표현하고; "x"는 특정 픽셀 위치를 표현하고; "i"는 필터에 대한 인덱스로서, 1 내지 N의 범위이고; "F_i"는 필터 뱅크의 제i 필터를 표현하고; "a_i"는 제i 필터에 대한 곱셈 인수 계수를 표현하고, "d"는 상 수 오프셋을 표현한다. 이는, 단지 하나의 가능성일 뿐이다. 비선형 조합 함수도 가능하다. 또한, 트레이닝 절차는 필터 뱅크 출력의 다항식 함수인 임의의 조합 함수에 적용 가능하다.

a_i 계수는 최종 출력 이미지(46)를 계산하는데 어느 필터가 중요한지를 결정하는 트레이닝 절차를 이용하여 얻어진다. 예를 들어, 간단하게 하기 위해, 입력 이미지(36)를 "H_train"으로 지칭하고 결과로서 생기는 출력 이미지(46)를 "I_train"으로 지칭하는 것으로 가정하자. 트레이닝 동안, H_train 이미지를 필터 뱅크(38)의 각 필터에 의해 필터링하여, 일련의 중간 트레이닝 이미지를 생성한다. 다음으로, 출력 이미지의 주요 컴포넌트 분석을 수행하여 필터 기초로 중복 차원을 제거한다.

본 발명의 일부 실시예에서, 주요 컴포넌트는 중간 트레이닝 이미지의 N × N 상관 행렬의 고유 벡터로서 계산된다. 상관 행렬의 고유 벡터는 중간 트레이닝 이미지에서 변화량을 측정한다. 본 발명의 일부 실시예에서, 고유 벡터가 1.0보다 적은 주요 컴포넌트를 무시할 수도 있다. 본 발명의 다른 실시예에서, 고유 벡터가 0.1보다 작지 않으면 주요 컴포넌트를 무시하지 않는다. 본 발명의 다른 실시예에서는, 다른 한계값을 이용할 수도 있다.

주요 컴포넌트를 결정한 후, 아래에 설명된, 다음 선형 최소 제곱 문제를 해결한다:

(식 2)

여기서, "PC_i[j]"는 제i 주요 컴포넌트의 제j 요소를 표현하고(i는 주요 컴포넌트를 최대 고유 벡터에서 최소 고유 벡터 순서로 표시한다); "M"은 0.1보다 큰 고유 벡터를 갖는 주요 컴포넌트의 수를 표현하고(M ≤ N); d는 상수 오프셋을 표현하고; 및 "b_i"는 내적에 의해 계산되는 주요 컴포넌트 필터 출력 이미지의 계수를 표현한다.

끝으로, a_i 컴포넌트는 다음과 같이 얻어진다:

(식 3)

본 발명의 일부 실시예에서, 중간 트레이닝 이미지 중 하나가 전체 출력에 비교적 작은 기여를 하면, 대응하는 필터를 필터 뱅크(38)로부터 제거할 수도 있고, 피팅(fitting) 프로세스를 반복하여, 더 효율적인 모델을 만든다. 일단 파라미터를 상술한 트레이닝 기술로부터 결정하면, 필터 뱅크(38)를 이용하여, 임의의 가상 3-D 표면 모델로부터의 높이를 샘플링함으로써 제공된 새로운 입력 이미지(36)로부터 이미지를 합성할 수도 있다.

이와 같이, 도 3을 참조하면, 본 발명에 따른 기술(80)은, 필터 계수를 이용하여 출력 이미지(36)를 생성하는 시뮬레이션 기술(120)로 필터 계수를 얻는 트레이닝 기술(82)과 겹친다. 트레이닝 기술(82)에 관하여, 트레이닝 입력 이미지(88)는 필터 뱅크(90)에 제공된다. 또한, 필터 뱅크(90)는 N개의 출력(92)을 생성한다. 필터 계수 솔버(86; 즉, 상술한 바와 같이, 주요 컴포넌트와 최소 제곱을 계산하는 솔버)는 출력(92)을 이용하여 필터 계수(94)를 얻는다. 필터 뱅크(90)와 필터 계수(94)는 트레이닝 기술(82)과 시뮬레이션 기술(120) 간에 오버랩을 제공한다. 이 방법으로, 시뮬레이션 기술(120)의 경우, 필터 뱅크(90)는 스캐닝 빔 도구(32)로부터 새로운 입력 이미지(124)를 수신하고, 출력(82)을 계산하고 이들 출력을, 또한 시뮬레이션된 이미지(123)를 생성하는 조합 함수(122)에 제공한다.

본 발명의 일부 실시예에서, 이용되는 필터 뱅크는, 입력 표면에 대한 로컬 입방 근사로부터의 주요 곡률과 높이 경사도 크기의 계산에 기초한다. 그러나, 제안된 알고리즘은 이들 필터에 한정되지 않는다. 임의의 다른 일련의 필터는, 로컬 표면 구조와 이미지 강도 간의 관계를 표현하는데 적당한 경우, 로컬 기하학적 특징을 계산하는데 이용될 수 있다. 비선형 특징의 이용은, 상당히 비선형 현상학적 관계의 표현을 가능케 한다. 필터 뱅크 내의 개개의 필터의 출력은 입력 높이 이미지의 각 픽셀에서 곡률 값과 경사도 크기에 대응한다. 본 발명의 일부 실시예에서, 가우스 가중 피트를 갖는 로컬 입방 근사를 계산하는 필터 커널을 이용한다. 가우스 가중 피트의 이용은 예리한 에지 근방의 바람직하지 않은 링잉 효과를 줄이는 것을 돕는다.

본 발명의 일부 실시예에서, 패싯 모델을 이용하여 기울기와 곡률을 추정한다. 패싯 모델은 각 픽섹의 로컬 근방에서 강도에 대한 다항식 피트로서 이미지를 표현한다. 이와 같이, 이미지는 각 픽셀에 대해 서로 다른 다항식을 갖는 구분적 다항식 함수로서 표현된다(픽셀당 하나의 패싯). 입방 패싯 모델의 경우, 이미지의 로컬 근방, f(r,c)는, 아래에 설명하는 바와 같이, 2-차원 입방 다항식에 의해 근사화된다.

(식 4)

여기서, r ∈ R 및 c ∈ C는 (0,0)에 중심을 갖는 직사각형-형상 근방에 대한 로우 및 컬럼 인덱스를 표현하고, 모든 10개의 K 계수는 특정 픽셀 근방에 중심을 갖는 근방에 특정인 상수이다. 예를 들어, 5 × 5 근방의 경우, R = C = {-2, 1, 0, 1, 2}.

입방 패싯 모델이 주어지면, 각 픽셀에 대한 기울기(경사도 크기)와 곡률(2개의 주요 곡률)은 아래에 설명하는 바와 같이 계산된다:

(식 5)

(식 6)

(식 7)

여기서, "G"는 경사도 크기이고, K₊와 K_는 주요 곡률이다. 그 다음에, 여러 근방 크기에 대한 이들 3개의 연산자를 필터 기초로서 이용한다. 이들 필터의 회로 대칭은, 몬테 카를로 모델이 검출기 기하학에서 회로 대칭을 가정하므로, 적당하다. 이들 식에서 알 수 있는 바와 같이, 단지 K₂, K₃, K₄, K₅ 및 K₆만을 필요로 한다. 다행히, 다항식 계수는, 아래에 설명되는, 컨볼루션 연산을 이용하여 효율적으로 각각 계산될 수 있다.

다른 방법으로는, 더 높은 차수의 다항식 피트에 대한 계수를 이용할 수도 있다. 또한, 가보 필터는 강도에 대한 주기적 구조의 효과를 캡처하는데 유용할 수도 있다. SEM 이미지에서, 통상, 아주 근접한 반복된 구조는 격리시 같은 구조와 다른 콘트라스트를 갖는다. 검출기 기하학이 원 대칭이 아닌 SEM의 경우, 입방 다항식의 계수는, 경사도 크기와 주요 곡률로 조합하는 대신, 필터로서 별개로 이용될 수도 있다.

본 발명의 일부 실시예에서, 가우스 가중 함수를 이용한다. 지원 근방 크기는 계속 홀수의 정수이지만, 가우스 함수에 대한 추가 폭 파라미터는 효과적인 근방 크기에 대한 연속적인 제어를 제공한다. 가우스 가중 함수는 분리성을 보존하는 이점을 갖고 다음과 같이 정의된다:

(식 8)

여기서,

이고, k는 정규화 인자이므로, ∑_r∑_cw(r,c) = 1 이다.

가중 함수를 이용하여 다항식을 맞추기 위해, 가중된 제곱 에러를 아래에 설명하는 바와 같이 최소화한다.

(식 9)

가우스-가중된 패싯 모델의 계수에 대한 컨벌루션 커널은 부록에서 설명된다.

본 발명의 일부 실시예에서, 컨벌루션 커널은, 이미지로 컨벌루션될 때 다음 식을 최소화하는 그 이미지의 패싯 모델 표현을 주는 것으로 계산되고, K 계수에 대한 일반적인 솔루션은 다음과 같이 설명될 수도 있다:

(식 10)

(식 11)

(식 12)

(식 13)

(식 14)

(식 15)

(식 16)

(식 17)

(식 18)

(식 19)

(식 20)

이들 정의의 항에서, 솔루션은 다음과 같다:

(식 21)

(식 22)

(식 23)

(식 24)

(식 25)

(식 26)

(식 27)

(식 28)

(식 29)

(식 30)

각각의 K 계수는, 각 픽셀이 입력 이미지에서 대응하는 픽셀에 중심을 갖는 근방에 대한 피트를 표현하는 2-D 이미지에 대응한다. K 계수에 대한 이미지는 근방의 크기를 컨벌루선 커널을 갖는 컨벌루션에 의해 효율적으로 계산될 수 있다.

가우스-가중된 패싯 모델을 이용하여 K 계수를 계산하기 위해, 식 12 내지 식 20으로부터의 변수(G, A, B, Q, T, U, V, W 및 Z)는, 다음과 같이 정의되는 변수(Rn 및 Cn)을 이용하는 것을 제외하고는 같은 식에 의해 계산된다:

(식 31)

그 다음에, 계수는 다음과 같이 계산된다:

(식 32)

(식 33)

(식 34)

(식 35)

(식 36)

(식 37)

(식 38)

(식 39)

(식 40)

(식 41)

도 4를 참조하면, 본 발명의 일 실시예에 따르면, 상술한 기술은 컴퓨터 시스템(200)과 접속하여 이용될 수도 있다. 더욱 상세하게는, 컴퓨터 시스템(200)은, 프로세서(202)가 상술한 시뮬레이션 및 트레이닝 기술을 수행하도록 하는 명령(212)을 기억하는 메모리(210)를 포함할 수도 있다. 또한, 메모리(210)는, 예를 들어, 높이 필드 이미지와 같은, 입력 이미지(36)를 표현하는 데이터(214)를 기억할 수도 있다. 또한, 메모리(210)는, 시뮬레이션 기술의 결과, 즉, 출력 이미지(46)를 표현하는 데이터(216)를 기억할 수도 있다.

컴퓨터 시스템(200)의 다른 특징 중에서, 컴퓨터 시스템(200)은 메모리(210)를 메모리 허브(206)에 연결하는 메모리 버스(208)를 포함할 수도 있다. 메모리 허브(206)는 프로세서(202)를 따라 로컬 버스(204)에 연결된다. 메모리 허브(206)는, 예를 들어, NIC(270; network interface card)와 (디스플레이(264)를 구동하는) 디스플레이 드라이버(262)에 연결될 수도 있다. 또한, 메모리 허브(206)는, 예를 들어, I/O(input/output) 허브(222)에 (허브 링크(220)를 통하여) 연결될 수도 있다. 또한, I/O 허브(222)는 본 발명의 특정 실시예에 따라 CD ROM 드라이브(260) 및/또는 하드 디스크 드라이브(250)를 위한 인터페이스를 제공할 수도 있다. 또한, I/O 제어기(230)는 키보드(246), 마우스(242) 및 플로피 디스크 드라이브(240)를 위한 인터페이스를 제공하기 위해 I/O 허브(222)에 연결될 수도 있다.

도 4는 프로그램 명령(212), 입력 이미지 데이터(214) 및 출력 이미지 데이터(216)를 메모리(210)에 기억된 것으로서 도시하지만, 이들 명령 및/또는 데이터 중 하나 이상은, CD-ROM 드라이브(260)에 삽입되는 CD ROM과 같은, 탈착식 매체에 또는 하드 디스크 드라이브(250)에서와 같은, 다른 메모리에 기억될 수도 있다. 본 발명의 일부 실시예에서, 시스템(200)은 NIC(270)를 통하여 시스템(200)에 연결되는 스캐닝 빔 이미징 도구(271; 일 예로서, SEM(scanning electron microscope) 또는 FIB(focused ion beam) 도구)를 나타낸다. 도구(271)는 관찰하에 있는 표면의 스캐닝된 이미지(예를 들어, 2-D)를 나타내는 데이터를 제공한다. 시스템(200)은, 디스플레이(264) 상에, 여기서 설명된 기술에 의해 생성된 시뮬레이션된 이미지뿐만 아니라 스캐닝된 이미지도 표시할 수도 있다. 이와 같이, 본 발명의 다수의 실시예는 첨부된 청구항에 의해 정의되는 범위를 고려한다.

이상, 제한된 수의 실시예를 참조하여 본 발명을 개시하였지만, 본 개시 내용의 이점을 갖는, 당해 기술분야의 당업자는, 여러 수정 및 변형을 알 수 있다. 첨부된 청구항은 본 발명의 진정한 사상 및 범위와 부합하는 모든 상기 수정 및 변형을 포함한다.

Claims

빔 이미지의 스캐닝 시뮬레이션을 위한 방법으로서,

복수의 중간 이미지들을 생성하기 위해 복수의 필터들로 스캐닝 빔 이미지에서 관찰되는 객체의 샘플링된 표현을 필터링하는 단계; 및

상기 스캐닝 빔 이미지에서 관찰되는 것을 예측하는 시뮬레이션된 이미지를 생성하기 위해 상기 중간 이미지들을 조합하는 단계

를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제1항에 있어서,

상기 샘플링된 객체 표현은 제조 명세로부터 얻은 높이 필드 이미지를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제1항에 있어서,

상기 필터링하는 단계는 필터를 서로 다른 기하학적 특징과 결합(associate)하는 단계를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제3항에 있어서,

상기 특징은 적어도 하나의 기울기, 최소 곡률 및 최대 곡률을 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제1항에 있어서,

상기 표현은 픽셀을 포함하고,

상기 필터링하는 단계는, 각 필터에 대해, 각 픽셀 표현과 상기 각 픽셀을 둘러싸는 영역으로 정의된 주위 픽셀에 함수를 적용하는 단계를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제5항에 있어서,

서로 다른 필터에 대한 영역 크기를 변경하는 단계를 더 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제1항에 있어서,

상기 표현과 대응하는 출력 이미지는 트레이닝 입력/출력 세트를 포함하고,

상기 방법은 필터의 계수를 결정하기 위해 트레이닝 세트를 이용하는 단계를 더 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제1항에 있어서,

상기 표현은 트레이닝 입력으로서 간주되고,

상기 방법은 필터 중 적어도 하나를 제거하기 위해 트레이닝 입력을 이용하는 단계를 더 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
제8항에 있어서,

상기 트레이닝 입력을 이용하는 단계는,

상기 중간 이미지의 상관 행렬을 결정하는 단계; 및

상기 상관 행렬의 고유값을 결정하는 단계를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 방법.
빔 이미지의 스캐닝 시뮬레이션을 위한 제품으로서,

프로세서-기반 시스템으로 하여금,

복수의 중간 이미지들을 생성하기 위해 복수의 필터들로 객체의 샘플링된 표현을 필터링하고;

상기 객체의 시뮬레이션된 이미지를 생성하기 위해 상기 중간 이미지들을 조합하도록 하는 명령을 기억하는 컴퓨터 판독 가능 기억 매체를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 제품.
제10항에 있어서,

상기 표현은 제조 명세로부터 얻은 높이 필드 이미지를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 제품.
제10항에 있어서,

상기 기억 매체는, 프로세서-기반 시스템으로 하여금 필터를 서로 다른 기하학적 특징과 결합하도록 하는 명령을 기억하는 빔 이미지의 스캐닝 시뮬레이션을 위한 제품.
제10항에 있어서,

상기 표현과 원하는 대응하는 출력 이미지는 트레이닝 입력/출력 세트를 포함하고,

상기 명령을 기억하는 기억 매체는, 프로세서-기반 시스템으로 하여금, 원하는 출력 이미지를 이용하여 필터의 계수를 결정하도록 하는 빔 이미지의 스캐닝 시뮬레이션을 위한 제품.
제10항에 있어서,

상기 표현은 트레이닝 입력을 포함하고,

상기 명령을 기억하는 기억 매체는, 프로세서-기반 시스템으로 하여금, 트레이닝 입력을 이용하여 필터 중 적어도 하나를 제거하도록 하는 빔 이미지의 스캐닝 시뮬레이션을 위한 제품.
제10항에 있어서,

상기 명령을 기억하는 기억 매체는, 프로세서-기반 시스템으로 하여금, 중간 이미지의 상관 행렬을 결정하고, 상관 행렬의 고유값을 결정하고, 상기 결정 결과를 이용하여 필터 중 적어도 하나를 제거하도록 하는 빔 이미지의 스캐닝 시뮬레이션을 위한 제품.
빔 이미지의 스캐닝 시뮬레이션을 위한 시스템으로서,

프로세서;

상기 프로세서로 하여금, 복수의 중간 이미지들을 생성하기 위해 복수의 필터들로 객체의 샘플링된 표현을 필터링하고, 상기 객체의 시뮬레이션된 이미지를 생성하기 위해 상기 중간 이미지들을 조합하도록 하는 명령을 기억하는 메모리

를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.
제16항에 있어서,

상기 표현은 제조 명세로부터 얻은 높이 필드 이미지를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.
제16항에 있어서,

상기 메모리는, 프로세서로 하여금, 합성 객체 표현으로부터 스캐닝 빔 이미징 도구를 시뮬레이션하고, 필터의 계수를 결정하는데 이용된 트레이닝 입력/출력 세트를 구성하는 원하는 출력 이미지를 생성하도록 하는 명령을 기억하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.
제16항에 있어서,

상기 프로세서는 필터를 서로 다른 기하학적 특징과 결합하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.
제16항에 있어서,

상기 표현은 트레이닝 입력을 포함하고,

상기 프로세서는 원하는 대응하는 출력 이미지를 이용하여 필터의 계수를 결정하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.
제16항에 있어서,

상기 표현은 트레이닝 입력을 포함하고,

상기 프로세서는 트레이닝 입력을 이용하여 필터 중 적어도 하나를 제거하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.
빔 이미지의 스캐닝 시뮬레이션을 위한 시스템으로서,

스캐닝 빔 이미징 도구;

프로세서;

상기 프로세서로 하여금, 복수의 중간 이미지들을 생성하기 위해 복수의 필터들로 객체의 샘플링된 표현을 필터링하고, 상기 객체의 시뮬레이션된 이미지를 생성하기 위해 상기 중간 이미지들을 조합하도록 하는 명령을 기억하는 메모리

를 포함하고,

상기 시뮬레이션된 이미지를 이용하여 상기 스캐닝 빔 이미징 도구에 의해 생성된 다른 이미지를 해석하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.
제22항에 있어서,

상기 표현은 제조 명세에서 얻은 높이 필드 이미지를 포함하는 빔 이미지의 스캐닝 시뮬레이션을 위한 시스템.