[go: up one dir, main page]

TWI773013B - 圖案檢查裝置 - Google Patents

圖案檢查裝置 Download PDF

Info

Publication number
TWI773013B
TWI773013B TW109143801A TW109143801A TWI773013B TW I773013 B TWI773013 B TW I773013B TW 109143801 A TW109143801 A TW 109143801A TW 109143801 A TW109143801 A TW 109143801A TW I773013 B TWI773013 B TW I773013B
Authority
TW
Taiwan
Prior art keywords
pattern
cross
sectional shape
neural network
artificial neural
Prior art date
Application number
TW109143801A
Other languages
English (en)
Other versions
TW202127314A (zh
Inventor
孫偉
後藤泰範
山本磨
榊原慎
Original Assignee
日商日立全球先端科技股份有限公司
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 日商日立全球先端科技股份有限公司 filed Critical 日商日立全球先端科技股份有限公司
Publication of TW202127314A publication Critical patent/TW202127314A/zh
Application granted granted Critical
Publication of TWI773013B publication Critical patent/TWI773013B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical, image processing or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/2206—Combination of two or more measurements, at least one measurement being that of secondary emission, e.g. combination of secondary electron [SE] measurement and back-scattered electron [BSE] measurement
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
    • G01N23/203—Measuring back scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • 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
    • G06N3/0499—Feedforward 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
    • G06N3/08—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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/04—Arrangements of electrodes and associated parts for generating or controlling the discharge, e.g. electron-optical arrangement or ion-optical arrangement
    • H01J37/147—Arrangements for directing or deflecting the discharge along a desired path
    • H01J37/1478—Beam tilting means, i.e. for stereoscopy or for beam channelling
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/244—Detectors; Associated components or circuits therefor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/26—Electron or ion microscopes; Electron or ion diffraction tubes
    • H01J37/28—Electron or ion microscopes; Electron or ion diffraction tubes with scanning beams
    • H10P74/203—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
    • G01N2223/053—Investigating materials by wave or particle radiation by diffraction, scatter or reflection back scatter
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/07—Investigating materials by wave or particle radiation secondary emission
    • G01N2223/079—Investigating materials by wave or particle radiation secondary emission incident electron beam and measuring excited X-rays
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/304—Accessories, mechanical or electrical features electric circuits, signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/30—Accessories, mechanical or electrical features
    • G01N2223/305—Accessories, mechanical or electrical features computer simulations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/244—Detection characterized by the detecting means
    • H01J2237/24475—Scattered electron detectors
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2809—Scanning microscopes characterised by the imaging problems involved
    • H01J2237/281—Bottom of trenches or holes
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)

Abstract

從基準波形(112)及表示來自從後方散亂電子圖像抽出的沿著第1方向的圖案的後方散亂電子訊號強度之BSE訊號波形(211)，產生表示取同後方散亂電子訊號強度的BSE訊號波形的座標與基準波形的座標的差分和後方散亂電子訊號強度的關係之差分波形，根據差分波形來判定在圖案的側壁中未被照射一次電子束的遮蔽區域(203)的有無。在此，所謂基準波形是表示在側壁對於圖案的表面及底面垂直形成的基準圖案掃描一次電子束時之來自沿著第1方向的基準圖案的後方散亂電子訊號強度者。

Description

圖案檢查裝置
本發明是有關檢查被形成於半導體晶圓等的圖案的剖面形狀的圖案檢查裝置。
以往半導體裝置為了記憶體的大容量化及位元成本(bit cost)減低，微細化或高集成化等日益進展。近年來，對高集成化的要求高，作為微細化的代替的構造的立體構造裝置的開發及製造日益進展。
藉由將平面的構造立體化，裝置全體是往變厚的方向。隨之，例如就3D-NAND、DRAM之類的構造而言，層疊膜的層數增加，在形成孔或溝等的工程中，孔或溝的平面大小與深度的比(深寬比(aspect ratio))也有變大的傾向。雖藉由切斷晶圓測定，可取得高深寬比的孔或溝的正確的剖面形狀，但在半導體製造工程中調查晶圓面內的均一性之類的情況，是需要取得多數的孔或溝的剖面形狀，費工花成本。專利文獻1是揭示：從藉由圖案的top-down(由上而下)觀察所取得的後方散亂電子(反射電子)圖像，比較來自圖案的上面、底面及側壁的後方散亂電子訊號強度，根據上面及底面的高度的差來計測圖案側壁的剖 面形狀。
在專利文獻2是揭示：藉由電子線模擬來作成電子顯微鏡圖像，以各種的形狀的模擬圖像作為圖書室(library)記錄。所謂電子線模擬是模擬在掃描型電子顯微鏡中產生電子顯微鏡圖像的過程，計算計測對象形狀與電子顯微鏡圖像的波形的關係者。
先前技術文獻 專利文獻
專利文獻1：日本特開2019-87518號公報
專利文獻2：日本特開2007-218711號公報
高深寬比的圖案是難以控制側壁或底部的形狀的形成，有形成錐形、bowing、twisting之類的形狀的情形。例如專利文獻1般，藉由荷電粒子線裝置之top-down觀察來測定圖案剖面形狀或立體形狀時，依據剖面形狀，有時在側壁的一部分或全部產生未被照射荷電粒子線的遮蔽區域的情況。此情況，有關遮蔽區域是不可能推定正確的剖面形狀。但，遮蔽區域是藉由使荷電粒子線傾斜照射，可解除。
因此，本發明是在藉由top-down觀察來檢查圖案的剖面形狀時，根據後方散亂電子訊號強度，判定遮 蔽區域的有無。只在被判定有遮蔽區域時，使射束的傾斜不同來取得追加的圖像，藉此可使top-down觀察之圖案的剖面形狀檢查的處理能力提升。
進一步，為了高速進行圖案的剖面形狀檢查，而活用學習完了的人工神經網路模型來進行剖面形狀的推定。
本發明之一實施形態的圖案檢查裝置，係檢查被形成於試料的圖案的剖面形狀之圖案檢查裝置，其特徵係具有：電子光學系，其係藉由裝置控制部的控制，對於試料照射一次電子束；電子測出器，其係測出藉由對於圖案掃描一次電子束而被放出的後方散亂電子；圖像處理部，其係由電子測出器的測出訊號來形成圖像；及運算部，其係從基準波形及BSE訊號波形來產生差分波形，根據差分波形來判定在圖案的側壁中有無未被照射一次電子束的遮蔽區域，該BSE訊號波形係表示來自從BSE圖像抽出的沿著第1方向的圖案的後方散亂電子訊號強度，該BSE圖像係圖像處理部由電子測出器的測出訊號來形成，該差分波形係表示取同後方散亂電子訊號強度的BSE訊號波形的座標與基準波形的座標的差分和後方散亂 電子訊號強度的關係。
在此，所謂基準波形，係表示在側壁對於圖案的表面及底面垂直地形成的基準圖案掃描一次電子束時之來自沿著第1方向的基準圖案的後方散亂電子訊號強度。
可精度佳且高處理能力實施深孔或深溝等的剖面形狀的檢查。
1:電子光學管柱
2:試料室
3:電子槍
3a:理想光軸
4:聚焦透鏡
5,6:偏向器
7:對物透鏡
8,9:電子測出器
10:晶圓
11:XY平台
12,13:放大器
14:電子光學系控制部
15:平台控制部
16:控制部
17:圖像處理部
18:運算部
19:記憶部
20:裝置控制部
21:網路
22:計算用伺服器
100:垂直照射射束
101,201:剖面形狀
102:基準剖面形狀
111,211,311:BSE訊號波形
112,312:基準波形
203:遮蔽區域
300:傾斜射束
601:處理器
602:GPU
603:記憶體
604:存儲器
605:網路介面
606:輸出入介面
607:匯流排
701,1001:輸入資料
702,1002:輸出資料
703,1003,1110:人工神經網路模型
705,1005:全結合層
d11,d12:BSE訊號波形111的X座標與基準波形112的差分
s11:差分成為d11時的BSE訊號強度
d21:BSE訊號波形211的X座標與基準波形112的差分
s21:BSE訊號波形211與基準波形112開始產生差時的BSE訊號強度
θth:傾斜度
s31:沿著剖面形狀201的圖案的X方向的BSE訊號波形311與基準波形312相等時的BSE訊號強度
601a:推論部
601b:學習部
704-1,704-2,704-k,1004-1,1004-2,1004-k:隱藏層
s1,s2,sN,se,sh:BSE訊號波形資料
X1、Xe、Xh、XN:X座標
p1,．．．pM:機率資料
M:圖案
901,902,903,904:圖案
910,920,930:近似區域
19-1,19-2,19-3:記憶部
1101,1102,1103:SEM1,SEM2,SEM3(掃描電子顯微鏡)
h1,hN,hh:相對深度資料
1201:圓
1202:矩形
1300:顯示畫面
1301:圓
1302:矩形
1303:範例欄
α:角度
[圖1]是用以說明有關遮蔽區域的判定方法的圖。
[圖2]是用以說明有關遮蔽區域的判定方法的圖。
[圖3]是用以說明有關遮蔽區域的判定方法的圖。
[圖4]是表示圖案檢查裝置的圖。
[圖5]是檢查圖案的剖面形狀的流程圖。
[圖6]是計算用伺服器的硬體構成例。
[圖7]是人工神經網路模型的例子。
[圖8]是表示參數與人工神經網路模型的關係的圖。
[圖9A]是更新人工神經網路模型的流程圖。
[圖9B]是表示特徵量空間的附標籤圖案的圖。
[圖10A]是人工神經網路模型的別的例子。
[圖10B]是更新人工神經網路模型的流程圖。
[圖11]是表示連接複數的SEM的計算用伺服器的圖。
[圖12]是檢查結果的顯示畫面例。
[圖13]是檢查結果的顯示畫面例。
以下，說明有關在半導體製造工程中，特別合適於進行深寬比高的孔圖案或溝圖案的剖面形狀的檢查之圖案檢查裝置、圖案檢查裝置之圖案的剖面形狀的推定方法。舉形成有圖案的半導體晶圓為例，作為檢查對象的試料，但不限於半導體圖案，只要是可在荷電粒子線裝置觀察的試料即可。
首先，利用圖1~圖3來說明有關本實施例的圖案檢查裝置之遮蔽區域的判定方法。皆是在上段顯示沿著檢查對象圖案的X方向的剖面形狀，在中段顯示沿著檢查對象圖案的X方向的BSE(後方散亂電子：backscattered electron)訊號波形，在下段顯示中段的BSE訊號波形與基準波形的差分。
圖1是表示對於無遮蔽區域的圖案，對於試料表面垂直地照射荷電粒子線的情況。在上段是以實線表示檢查對象的圖案的剖面形狀101，以虛線表示基準圖案的剖面形狀的基準剖面形狀102。基準圖案是側壁對於圖案的表面及底面垂直形成。垂直照射射束100是具有預定的開角，因此在試料底面的點徑是比在試料表面的點徑更擴展。圖1的檢查對象圖案是上面視，底面含在表面，直徑從底面位置到表面位置逐漸變大，因此垂直照射射束 100是對於側壁的全區域照射，不存在遮蔽區域。將如此的剖面形狀稱為順錐形形狀。
在中段是以實線表示沿著剖面形狀101的圖案的X方向的BSE訊號波形111，以虛線表示沿著基準剖面形狀102的基準圖案的X方向的BSE訊號波形(基準波形112)。將基準圖案的BSE訊號波形稱為基準波形。縱軸是BSE訊號強度，橫軸是X座標。在此，荷電粒子線被照射於孔圖案或溝圖案而產生的BSE訊號量，是垂直照射射束100的開角=0時，顯示為η．e-H(H是離試料表面的深度，η是係數)。開角不是0時，雖受到對應於開角的點(spot)的擴展的影響，但BSE訊號強度是成為被照射垂直照射射束100的位置之離試料表面的深度的函數。
在下段是表示圖案的右側的側壁的BSE訊號波形111與基準波形112的差分。縱軸是BSE訊號強度，橫軸為取同BSE訊號強度的BSE訊號波形111的X座標與基準波形112的X座標的差分。順錐形形狀時，X座標的差分是表示將試料表面(BSE訊號強度=Max)的差分設為0，且將底面(BSE訊號強度=Min)的差分設為最大(d12)，隨著BSE訊號強度降低而單調增加的波形。
圖2是表示對於有遮蔽區域的圖案，對於試料表面垂直地照射荷電粒子線的情況。被表示於上段的檢查對象圖案的剖面形狀201(實線)是顯示中間膨脹的bowing形狀。因此，存在未被照射垂直照射射束100的遮蔽區域203。
在中段是以實線表示沿著剖面形狀201的圖案的X方向的BSE訊號波形211。如此在遮蔽區域203，因為未被照射垂直照射射束100，在BSE訊號強度不含側壁的深度資訊，只在被照射垂直照射射束100的側壁部分，BSE訊號強度會按照被照射垂直照射射束100的位置之離試料表面的深度而變化。
因此，被顯示於下段的圖案的右側的側壁的BSE訊號波形211與基準波形112的差分，是在對應於遮蔽區域203的區域，差分成為0。另一方面，由於剖面形狀201的遮蔽區域203以外的側壁是成為順錐形形狀，因此在對應於遮蔽區域203以外的區域，X座標的差分是隨著BSE訊號強度降低而單調增加
如此存在未被照射荷電粒子線的遮蔽區域的情況，顯示在差分波形中不論BSE訊號強度，存在X座標的差分形成0的區域之特徵。因此，例如，藉由判定在對於BSE訊號強度的X座標的差分波形的傾斜度有無預定的傾斜度θth以下的區域，可判定有無檢查對象圖案的遮蔽區域。另外，作為根據傾斜度的判定方法，亦可算出差分波形的微分值，依據微分值的大小來判定有無遮蔽區域。又，本判定方法是不被限定於舉例說明的bowing形狀，可一般適用twisting形狀等，在側壁含遮蔽區域的剖面形狀。
圖3是表示對於有與圖2同遮蔽區域的圖案，使荷電粒子線傾斜於X方向而照射的情況。就此例而言， 藉由照射傾斜射束300，有關垂直照射射束100無法照射的遮蔽區域203也可能照射荷電粒子線，遮蔽區域會從右側的側壁消失。
在中段是以實線表示沿著剖面形狀201的圖案的X方向的BSE訊號波形311，以虛線表示沿著基準剖面形狀102的基準圖案的X方向的BSE訊號波形(基準波形312)。由於在右側的側壁不存在遮蔽區域，因此BSE訊號波形311的對應於右側的側壁的區域是含有側壁的深度資訊。因此，可從BSE訊號波形311推定圖案的右側的側壁的剖面形狀。另外，因為荷電粒子線被傾斜，所以基準波形312是與垂直照射射束100的情況的基準波形112不同。
在下段是顯示圖案的右側的側壁的BSE訊號波形311與基準波形312的差分。就此例而言，X座標的差分是顯示試料表面的差分為0，隨著BSE訊號強度降低而最初單調減少，若超過反曲點，則隨著BSE訊號強度降低而最初單調增加的波形。另外，藉由傾斜射束300的照射而也存在遮蔽區域203時，在差分波形中不論BSE訊號強度，X座標的差分形成0的區域會出現。此情況也可根據差分波形的傾斜度，判定遮蔽區域的有無。
在圖4顯示本實施例的圖案檢查裝置。顯示使用掃描電子顯微鏡(SEM：Scanning Electron Microscope)作為圖案檢查裝置的例子。掃描電子顯微鏡本體是以電子光學管柱1及試料室2所構成。
在管柱1的內側是作為電子光學系的主要的構成，具 備：使產生電子且以預定的加速電壓來給予能量的一次電子束的放出源之電子槍3、將電子束集束的聚焦透鏡4、將一次電子束掃描於晶圓(試料)10上的偏向器6、及將一次電子束集束而照射至試料的對物透鏡7。又，設有偏向器5，其係使一次電子束從理想光軸3a離軸，將離軸的射束朝向對於理想光軸3a傾斜的方向偏向，藉此作為傾斜射束。構成該等的電子光學系的各光學要素是藉由電子光學系控制部14來控制。在被設置於試料室2的XY平台11上是載置試料的晶圓10，按照從平台控制部15給予的控制訊號，使晶圓10移動。控制部16的裝置控制部20是藉由控制電子光學系控制部14或平台控制部15，在晶圓10的觀察區域上掃描一次電子束。
本實施例為了檢查高深寬比的深孔或深溝的剖面形狀，而將可到達至圖案的深的部分的高能量(高加速電壓)的一次電子束照射至晶圓10。藉由一次電子束被掃描於晶圓10上而產生的電子是利用第1電子測出器8及第2電子測出器9來測出。從各測出器輸出的測出訊號是分別藉由放大器12及放大器13來變換訊號，輸入至控制部16的圖像處理部17。
第1電子測出器8是以藉由一次電子束被照射於試料而產生的二次電子為主測出。二次電子是所謂藉由一次電子在試料內非彈性散亂來從構成試料的原子激發的電子，其能量為50eV以下者。由於二次電子的放出量是對試料表面的表面形狀敏感，因此第1電子測出器8的測出訊 號是主要顯示晶圓表面(上面)的圖案資訊。另一方面，第2電子測出器9是測出藉由一次電子束被照射於試料而產生的後方散亂電子。後方散亂電子(BSE)是被照射於試料的一次電子會在散亂的過程後方散亂者。BSE的反射電子放出率是主要反映一次電子束的照射處的材料資訊。
控制部16是具有未圖示的輸入部、顯示部，受理使用者的對掃描電子顯微鏡的指示，顯示檢查結果。記憶部19是記憶控制部16所實行的處理的程式。又，從圖像處理部17輸出的圖像也被記憶於記憶部19。
詳細後述，運算部18是利用在SEM攝取的圖像(後方散亂電子(BSE)圖像、二次電子圖像)來進行圖案的剖面形狀的檢查。
另外，在本實施例的圖案檢查裝置中，為了高速地推定圖案的剖面形狀，而設想活用學習完了的人工神經網路模型。由於在人工神經網路模型的學習是需要計算機的高處理能力，因此亦可設置藉由網路21來與控制部16連接的計算用伺服器22。計算用伺服器22並非是被限定於人工神經網路模型的學習目的者。例如，亦可如後述般，在網路21連接複數台的SEM，不是控制部16，而是在計算用伺服器22進行複數台的SEM圖案檢查。運算部18與計算用伺服器22的任務分擔是只要含網路資源，分配為最適即可。
在圖5顯示控制部16所實行的檢查圖案的剖面形狀的流程圖。
S11：裝置控制部20是控制電子光學系，將預定的傾角的一次電子束照射至試料10。圖像處理部17是根據來自第2電子測出器9的測出訊號，形成圖案的top-down-BSE圖像。被形成的top-down-BSE圖像是保存於記憶部19。運算部18是從取得的圖案的top-down-BSE圖像，根據沿著圖案的X方向的像素的亮度值，取得BSE訊號波形。X方向是作為使用者所欲觀察的圖案的剖面方向預先設定。此時的一次電子束的傾角是例如設為0°(對於試料表面垂直)。
S12：運算部18是產生在S11取得的BSE訊號波形與基準波形的差分波形。基準波形是預先藉由電子線模擬來算出，記憶於記憶部19。基準波形是依照一次電子束的光學條件及試料的材料而不同。影響基準波形的光學條件是一次電子束的加速電壓、開角及傾角。因此，最好按每個該等的條件的組合，預先求取基準波形。另外，亦可不預先取得，按每個BSE圖像的取得，根據攝像條件，算出基準波形。此情況，在基準波形的算出大多需要計算機資源，因此最好是將攝像條件發送至計算用伺服器22來使求取基準波形。
S13：依據在於步驟S12求得的差分波形的傾斜度是否有預定的傾斜度θth以下的區域，來判定遮蔽區域的有無，該差分波形的傾斜度是表示取同BSE訊號強度的BSE訊號波形的X座標與基準波形的X座標的差分和BSE訊號強度的關係。差分波形的傾斜度為預定的傾斜度θth 以下的區域是遮蔽區域。
S14：遮蔽區域不存在時(在S13，No)，根據取得的BSE訊號波形，推定剖面形狀。為了高速地進行剖面形狀的推定，詳細後述，本實施例是利用學習完了人工神經網路模型來推定剖面形狀。運算部18是亦可將學習完了人工神經網路模型保存於記憶部19，叫出來進行推定，亦可將取得的BSE訊號波形發送至計算用伺服器22，利用學習完了人工神經網路模型來使推定剖面形狀。計算用伺服器22及控制部16是持有同學習完了人工神經網路模型。
S15：運算部18是將在步驟S14被推定的剖面形狀顯示於顯示部。
相對於此，遮蔽區域存在時(在S13，Yes)是無法從該BSE訊號波形求取剖面形狀。因此，以一次電子束會被照射於遮蔽區域的方式，變更一次電子束的傾角。
S21：決定一次電子束被照射於遮蔽區域之類的攝像條件。例如，若為圖3的例子，則藉由傾斜射束300，在右側的側壁是遮蔽區域會消失，另一方面，在左側的側壁是遮蔽區域會仍然存在。為了消除左側的側壁的遮蔽區域，需要以和傾斜射束300不同的傾角的一次電子束來取得top-down-BSE圖像(另外，在以下想要將以正或負的傾角的一次電子束所取得的圖像特別明示時是稱為傾斜BSE圖像)。如此，在本步驟中，運算部18是以圖案側壁的遮蔽區域會消失的方式，決定1個或複數的攝像條件(傾角)。
從top-down-BSE圖像是遮蔽區域的圖案的剖面形狀的相對性的深度位置會被求取。因此，只要得知圖案的開口的大小與底面的絕對深度(從試料表面到底面的距離)，便可算出消除遮蔽區域之類的傾角。圖案開口的大小是從根據來自第1電子測出器8的測出訊號而形成的圖案的top-down二次電子圖像所求取。又，底面的絕對深度是可由改變傾角而攝像的top-down-BSE圖像的底面的偏離的大小所求取。另外，亦可不是算出每個所希望的傾角，而是內定預定的傾角，預先決定作為遮蔽區域存在時的傾角。
S22：運算部18是確認在步驟S21算出的傾角是否為掃描電子顯微鏡被傾斜的範圍內。若為容許範圍內，則依照在步驟S21決定的攝像條件(傾角)來實行步驟S11以後的處理。
S23：在步驟S22中，在步驟S21算出的傾角超過在掃描電子顯微鏡被容許的範圍時，無法解除遮蔽區域。此情況，運算部18是在顯示部顯示有不能攝像的遮蔽區域的意旨。此情況是無法求取剖面形狀。
另外，作為檢查對象的圖案在試料上複數存在時，在同傾角(含0°)的攝像是與來自之後的BSE圖像的剖面形狀推定處理分離，集中實行，藉此可使處理的效率提升。
本實施例是可利用學習完了人工神經網路，從top-down-BSE圖像，高速地進行剖面形狀的推定。在半 導體製造工程管理中，不一定要測定正確的剖面形狀，只要從top-down-BSE圖像，高速地精度佳判定異常的剖面形狀的發生，便可使檢查的處理能力提升。
在圖6顯示計算用伺服器22的硬體構成例。計算用伺服器22是包含處理器601、GPU(Graphics Processing Unit)602、記憶體603、存儲器604、網路介面605、輸出入介面606，該等的藉由匯流排607來結合。輸出入介面606是與未圖示的鍵盤或操作按鈕等的輸入裝置或顯示器等的顯示裝置連接，實現GUI(Graphical User Interface)。網路介面605是用以和網路21連接的介面。
存儲器604通常是以HDD(Hard Disk Drive)、SSD(Solid State Drive)或ROM(Read Only Memory)、快閃記憶體等的不揮發性記憶體所構成，記憶計算用伺服器22所實行的程式或程式所處理對象的圖像資料等。記憶體603是以RAM(Random Access Memory)所構成，依照處理器601的命令，暫時性地記憶程式或程式的實行所必要的資料等。處理器601是實行從存儲器604下載至記憶體603的程式。另外，在圖中作為處理器的機能，顯示進行根據人工神經網路模型的推論的推論部601a、進行人工神經網路模型的學習的學習部601b，但該等是藉由實行被儲存於存儲器604的程式來實現。另外，由於假想計算用伺服器22實行人工神經網路模型的學習，因此除了CPU(Central Processing Unit)的處理器601以外還搭載GPU602。因為在學習過程中是需要多數次實行重複運算。
在圖7顯示人工神經網路模型(neural network model)的例子。人工神經網路模型703是輸出表示機率的機率資料(p1，p2．．．pM)之模型，該機率是符合輸入資料701的BSE訊號波形資料(s1，s2．．．sN)所預先設定的M個的標籤(分別具有不同的剖面形狀的圖案1~M)的各者。圖案1~M是被定義為具有正常或異常的剖面形狀之圖案，使用者設定。人工神經網路模型703是例如包含K層的隱藏層704。輸入資料701是被輸入至第1層的隱藏層704-1，最終層的隱藏層704-K的輸出是在全結合層705中附加權重，最終機率資料(p1，p2．．．pM)會作為輸出資料702被輸出。就此例而言，在前述的圖5的流程圖的步驟S14中，運算部18(或計算用伺服器22)是推定學習完了人工神經網路模型所輸出最大機率的附標籤圖案的剖面形狀，作為取得的BSE訊號波形的圖案的剖面形狀。另外，輸入資料701的BSE訊號波形資料是亦可為表示例如將在底面的訊號強度設為0，且將在試料表面的訊號強度設為1之相對性訊號強度者。
說明有關在本實施例中使用的人工神經網路模型。BSE訊號波形是如針對基準波形敘述般，即使為同樣的圖案，也會依照光學條件及試料的條件而成為不同的訊號波形。影響BSE訊號波形的光學條件是一次電子束的加速電壓、開角及傾角，影響BSE訊號波形的試料的條件是試料的材料。因此，按該等光學條件的3個及試料的材料的每個組合，使人工神經網路模型學習，利用條件一致 的人工神經網路模型來進行推論。在圖8顯示該等的參數與人工神經網路模型的關係的例子。加速電壓為a類(α1~αa)，開角為b類(β1~βb)、傾角為c類(γ1~γc)，試料的材料為d類(δ1~δd)，、取得時(a，b，c，d分別1以上)，使學習對應於各個的組合的J(=a×b×c×d)個的人工神經網路模型，利用符合的人工神經網路模型來進行剖面形狀的推論。J個的人工神經網路模型是被儲存於存儲器604(記憶部19)。另外，試料條件的材料是只要在照射光學條件相等的一次電子束時產生的BSE訊號量近似，即使化學組成為不同的材料也可當作同樣的材料處理沒問題。
在人工神經網路模型的學習是使用成為人工神經網路模型的輸入的BSE訊號波形資料與該BSE訊號波形所示的剖面形狀的附標籤圖案(圖案i(i=1~M))的組合之學習資料。作為BSE訊號波形資料，可產生圖案i的剖面形狀近似的多數的衍生剖面形狀，對於該等，藉由電子線模擬來求取BSE訊號波形資料而作為學習資料。藉此，即使在實測資料少的初期也可有效地進行人工神經網路模型的學習。另一方面，經由本實施例的圖案檢查來收集被實測的top-down-BSE圖像，因此最好從top-down-BSE圖像來計測圖案剖面形狀，根據此進行人工神經網路模型的更新。在圖9A顯示人工神經網路模型的更新的流程圖。存儲器604是儲存人工神經網路模型更新程式，處理器601是實行更新程式(實行更新程式的處理器601相當於學習部601b)。
S31：處理器601是取得被保持於控制部16的記憶部19的top-down-BSE圖像。此時，設為同時取得剖面形狀的算出所必要的資料。具體而言，包含對於同圖案的top-down二次電子圖像或絕對深度資訊。亦可不是絕對深度資訊本身，而是改變傾角取得的top-down-BSE圖像。另外，此時取得的top-down-BSE圖像是被判定成遮蔽區域不存在(在步驟S13，No)的圖像。
S32：處理器601是從top-down-BSE圖像算出有關預定的方向的剖面形狀。在剖面形狀的算出是例如可利用專利文獻1揭示的圖案計測方法。
S33：處理器601是判定在步驟S32所算出的剖面形狀是否符合既存的附標籤圖案的哪個。如圖9B所示般，附標籤圖案i(i=1~M)是分別被定位於m次元的特徵量空間，以典型圖案為中心，將含在預定距離以內的區域的圖案判定成符合該附標籤圖案。例如，在特徵量空間中，含在離圖案i(901，902)預定的距離以內的區域(稱為近似區域的910，920)的圖案是被判定成符合圖案i。又，所謂某圖案近似於圖案i，是意指該圖案含在圖案i的近似區域。
亦即，針對剖面形狀算出特徵量，被算出的剖面形狀的特徵量空間的位置含在圖案i的近似區域時，該剖面形狀的圖案是判定成符合圖案i，在哪個的近似區域也不含時，該剖面形狀的圖案是判定成在既存附標籤圖案的哪個也不符合。
S34：處理器601是被算出的剖面形狀判定成符合圖案i時，以其BSE訊號波形資料與圖案i(標籤)的組合作為新學習資料。
另一方面，被算出的剖面形狀判定成不符合既存的附標籤圖案的那個時，亦可使不作為學習資料使用，或亦可重新定義新的附標籤圖案。在此，說明定義新的附標籤圖案的情況。
S41：根據被算出的剖面形狀，定義新的附標籤圖案(M+1)903。圖案(M+1)的剖面形狀是亦可為被算出的剖面形狀本身，或根據使用者算出的剖面形狀設定。
S42：處理器601是使近似於圖案(M+1)的剖面形狀的衍生剖面形狀多數產生。所謂衍生剖面形狀是意指含在圖9B所示的圖案(M+1)的近似區域930的圖案904的剖面形狀。為了使利用衍生剖面形狀來進行學習，需要使產生學習所必要的數量份。
S43：處理器601是對於衍生剖面形狀的各者進行電子線模擬，求取BSE訊號波形資料。
S44：以在步驟S43求得的BSE訊號波形資料與圖案(M+1)(標籤)的組合作為新學習資料。新學習資料的數量是成為在步驟S42產生的衍生剖面形狀的數量。
S35：處理器601是利用在步驟S34或步驟S44產生的新學習資料來實行人工神經網路模型的訓練。
S36：處理器601是將藉由步驟S35所更新的人工神經網路模型儲存於存儲器604。
在此，藉由預先定義定義新附標籤圖案時的條件(例如不含在既存附標籤圖案的剖面形狀在特徵量空間的比較附近位置產生一定數量時等)，可自動地實施擴充學習。
另外，在本實施例中使用的人工神經網路模型是不被限於上述者。在圖10A顯示別的人工神經網路模型的例子。人工神經網路模型1003是包含K層的隱藏層1004、全結合層1005，與圖7所示的模型同樣的構成，但作為推定對象的輸出資料不同。相對於輸入資料1001的BSE訊號波形資料(s1，s2．．．sN)(在此的BSE訊號波形資料設為相對值)，輸出同X座標的相對深度資料(h1，h2．．．hN)作為輸出資料1002的模型。各X座標的相對深度是表示相對於圖案底面的深度的該位置的圖案剖面的深度。此情況，在圖5的流程圖的步驟S14中，運算部18(或計算用伺服器22)是藉由在人工神經網路模型所輸出的X方向的圖案的相對深度交合別的途徑求得的底面的絕對深度，可推定正確的剖面形狀。
圖10A的人工神經網路模型的情況，也使學習對應於圖8所示的各個的組合之J(=a×b×c×d)個的人工神經網路模型，利用符合的人工神經網路模型來進行剖面形狀的推論。
有關圖10A的人工神經網路模型，也最好根據經由本實施例的圖案檢查而被收集的實測的top-down-BSE圖像，進行人工神經網路模型的更新。將此流程顯示 於圖10B。
S51：利用人工神經網路模型來推定剖面形狀。本處理是相當於圖5的流程圖的步驟S14的處理。
S52：處理器601是比較被推定的剖面形狀與既存的學習資料的剖面形狀。具體而言，針對各個的剖面形狀算出特徵量，根據圖9B所示的m次元的特徵量空間的距離，判斷類似性的程度。
當被推定的剖面形狀與既存的學習資料的剖面形狀的差大時，恐有推定精度降低之虞。因此，有關與學習的剖面形狀差異大的圖案，最好是重新產生包含近似於該圖案的圖案的學習資料，將人工神經網路模型更新。於是，預先決定m次元的特徵量空間的距離的基準值，判定與既存學習資料的最短距離是否超出基準值(步驟S53)。超出基準值時(在步驟S53，Yes)是前進至步驟S61，在基準值以下時(在步驟S53，No)是前進至步驟S54。
S61：本處理是相當於圖9A的流程圖的步驟S31~S32的處理。
S62：處理器601是使近似於在步驟S61算出的圖案的剖面形狀之衍生剖面形狀多數產生。衍生剖面形狀是含在圖9B所示的圖案的近似區域的圖案的剖面形狀。為了使利用衍生剖面形狀來進行學習，需要使產生學習所必要的數量份。
S63：本處理是相當於圖9A的流程圖的步驟 S43的處理。
S64：處理器601是以在步驟S63求得的BSE訊號波形資料與在步驟S62產生的衍生剖面形狀的相對深度資料的組合作為新學習資料。新學習資料的數量是成為在步驟S62產生的衍生剖面形狀的數量。
另一方面，被推定的剖面形狀與既存的學習資料的剖面形狀十分類似時(在步驟S53，No)，以實測的BSE訊號波形資料與對應的剖面形狀的相對深度資料的組合作為新學習資料。
S54：本處理是相當於圖9A的流程圖的步驟S31~S32的處理。但，由於可想像此情況根據人工神經網路模型之剖面形狀的推定精度十分高，所以亦可省略步驟S54的處理，將推定的剖面形狀原封不動使用在步驟S55。
S55：處理器601是以實測的BSE訊號波形資料及藉由人工神經網路模型所推定的剖面形狀的相對深度資料或在步驟S54所算出的剖面形狀的相對深度資料的組合作為新學習資料。
S56~S57：本處理是相當於圖9A的流程圖的步驟S35~S36的處理。
如圖11所示般，亦可對於計算用伺服器22連接複數的SEM。例如，SEM1101~1103在同半導體製造工程中被用在圖案的剖面形狀的檢查之類的情況，亦可對於SEM1101~1103共通地設置計算用伺服器22。計算用伺服器22是從SEM1101~1103所取得的top-down-BSE圖像來進 行人工神經網路模型1110的訓練、更新，且使被更新的人工神經網路模型1110記憶於SEM1101~1103的記憶部19。在各SEM是使用被記憶於記憶部19的學習完了人工神經網路模型1110來進行圖案的剖面形狀的檢查。
在圖12顯示剖面形狀的檢查結果的顯示例。在表示檢查對象的晶圓的圓1201內顯示區分檢查區域的矩形1202，就此例而言，有關被找出包含Bowing形狀的剖面的圖案之矩形區域是附上顏色或花樣來可識別地表示。此情況，是否為Bowing形狀，可依據圖案的側壁的遮蔽區域的存在來判定，因此若僅Bowing形狀的判定，則可在圖5的流程中省略步驟S14~S15。另外，亦可依據遮蔽區域的存在來判定twisting形狀。
在圖13顯示剖面形狀的檢查結果的別的顯示例。在顯示畫面1300中，在表示檢查對象的晶圓的圓1301內顯示區分檢查區域的矩形1302，就此例而言，是按每個被找出的剖面形狀改變顏色或花樣等來可識別地表示。在範例欄1303被表示於矩形1302的顏色或花樣為表示圖案的剖面形狀。範例的區分是分別相當於圖7所示的附標籤圖案。依據人工神經網路模型的推論，按照是否被判定成符合哪個附標籤圖案，來決定被表示於矩形1302的顏色或花樣。或者，在使用圖10A所示的人工神經網路模型的情況，是按照範例的基準來分類推論結果。
以上，利用圖面說明本發明的實施例。但，本發明不是限定於以上所示的實施形態的記載內容而解釋 者。可在不脫離本發明的技術思想乃至主旨的範圍變更其具體的構成。
又，圖面等中所示的各構成的位置．大小．形狀．及範圍等，為了容易理解發明，而有時未表示實際的位置．大小．形狀．及範圍等。因此，本發明是不被限定於圖面等所揭示的位置．大小．形狀．及範圍等。
又，實施例中，控制線或資訊線是說明上假想為必要者，製品上不一定要顯示全部的控制線或資訊線。例如全部的構成亦可為互相地連接。
又，本發明不是被限定於說明的實施例，包含各種的變形例。說明的實施例是為了容易理解本發明而詳細說明構成者，不是被限定於一定具備說明的全部的構成者。又，可在不產生矛盾的範圍刪除各實施例的構成的一部分，或追加、置換其他的構成。
又，上述的各構成、機能、處理手段是亦可例如藉由積體電路設計等來以硬體實現該等的一部分或全部。又，本發明是亦可藉由實現實施例的機能的軟體的程式碼來實現。此情況，將記錄程式碼的記憶媒體提供給電腦，該電腦所具備的處理器會讀出被儲存於記憶媒體的程式碼。此情況，從記憶媒體讀出的程式碼本身會實現前述的實施例的機能。
100:垂直照射射束
201:剖面形狀
102:基準剖面形狀
211:BSE訊號波形
112:基準波形
203:遮蔽區域
d21:BSE訊號強度相等的BSE訊號波形211的X座標與基準波形112的差分
s21:在BSE訊號波形211與基準波形112開始產生差時的BSE訊號強度
θth:傾斜度

Claims (5)

  1. 一種圖案檢查裝置，係檢查被形成於試料的圖案的剖面形狀之圖案檢查裝置，其特徵係具有：存儲器，其係儲存複數的學習完了人工神經網路模型；及推論部，其係使用被儲存於前述存儲器的複數的學習完了人工神經網路模型的任一個來推定前述圖案的剖面形狀，前述學習完了人工神經網路模型，係以表示來自前述圖案的後方散亂電子訊號強度的BSE訊號波形資料作為輸入資料，該前述圖案係從使用荷電粒子線裝置來對於前述圖案取得的top-down後方散亂電子圖像抽出的沿著第1方向者，前述推論部，係選擇複數的前述學習完了人工神經網路模型之中，前述荷電粒子線裝置取得前述top-down後方散亂電子圖像時的一次電子束的光學條件及前述試料的條件為一致的學習完了人工神經網路模型，作為用以推定前述圖案的剖面形狀的學習完了人工神經網路模型，具有學習部，其係利用新學習資料來訓練前述學習完了人工神經網路模型，將前述學習完了人工神經網路模型更新，前述學習完了人工神經網路模型，係以前述輸入資料符合預先被決定的複數的附標籤圖案的機率作為輸出資料， 前述學習部，係當根據前述top-down後方散亂電子圖像來計測的前述圖案的剖面形狀近似於前述複數的附標籤圖案的任一個剖面形狀時，以前述BSE訊號波形資料與近似的附標籤圖案的組合作為前述新學習資料。
  2. 如請求項1之圖案檢查裝置，其中，作為前述一次電子束的光學條件，包含前述一次電子束的加速電壓、開角及傾角，作為前述試料的條件，包含前述試料的材料。
  3. 如請求項1之圖案檢查裝置，其中，前述學習部，係當根據前述top-down後方散亂電子圖像來計測的前述圖案的剖面形狀不近似於前述複數的附標籤圖案的剖面形狀的任一個時，在新的附標籤圖案被定義時，產生近似於前述新的附標籤圖案的剖面形狀的複數的衍生剖面形狀，針對前述複數的衍生剖面形狀的各者，藉由電子線模擬來產生BSE訊號波形資料，該BSE訊號波形資料係表示來自沿著前述第1方向的具有前述衍生剖面形狀的圖案的後方散亂電子訊號強度，以有關前述衍生剖面形狀的BSE訊號波形資料與前述新的附標籤圖案的組合作為前述新學習資料。
  4. 一種圖案檢查裝置，係檢查被形成於試料的圖案的剖面形狀之圖案檢查裝置，其特徵係具有：存儲器，其係儲存複數的學習完了人工神經網路模型；及推論部，其係使用被儲存於前述存儲器的複數的學習 完了人工神經網路模型的任一個來推定前述圖案的剖面形狀，前述學習完了人工神經網路模型，係以表示來自前述圖案的後方散亂電子訊號強度的BSE訊號波形資料作為輸入資料，該前述圖案係從使用荷電粒子線裝置來對於前述圖案取得的top-down後方散亂電子圖像抽出的沿著第1方向者，前述推論部，係選擇複數的前述學習完了人工神經網路模型之中，前述荷電粒子線裝置取得前述top-down後方散亂電子圖像時的一次電子束的光學條件及前述試料的條件為一致的學習完了人工神經網路模型，作為用以推定前述圖案的剖面形狀的學習完了人工神經網路模型，具有學習部，其係利用新學習資料來訓練前述學習完了人工神經網路模型，將前述學習完了人工神經網路模型更新，前述學習完了人工神經網路模型，係以表示沿著前述第1方向的前述圖案的剖面的深度相對於前述圖案的底面的深度之相對深度資料作為輸出資料，前述學習部，係當藉由前述推論部所推定的前述圖案的剖面形狀與既存的學習資料的剖面形狀的差異為預定的基準以下時，以前述BSE訊號波形資料與藉由前述推論部所推定的前述圖案的剖面形狀的相對深度資料或根據前述top-down後方散亂電子圖像來計測的前述圖案的剖面形狀的相對深度資料的組合作為前述新學習資料。
  5. 如請求項4之圖案檢查裝置，其中，前述學習部，係當藉由前述推論部所推定的前述圖案的剖面形狀與既存的學習資料的剖面形狀的差異超出前述預定的基準時，產生近似於根據前述top-down後方散亂電子圖像來計測的前述圖案的剖面形狀之複數的衍生剖面形狀，針對前述複數的衍生剖面形狀的各者，藉由電子線模擬來產生BSE訊號波形資料，該BSE訊號波形資料係表示來自沿著前述第1方向的具有前述衍生剖面形狀的圖案的後方散亂電子訊號強度，以有關前述衍生剖面形狀的BSE訊號波形資料與前述衍生剖面形狀的相對深度資料的組合作為前述新學習資料。
TW109143801A 2020-01-10 2020-12-11 圖案檢查裝置 TWI773013B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/JP2020/000722 WO2021140662A1 (ja) 2020-01-10 2020-01-10 パターン検査装置
WOPCT/JP2020/000722 2020-01-10

Publications (2)

Publication Number Publication Date
TW202127314A TW202127314A (zh) 2021-07-16
TWI773013B true TWI773013B (zh) 2022-08-01

Family

ID=76787817

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109143801A TWI773013B (zh) 2020-01-10 2020-12-11 圖案檢查裝置

Country Status (6)

Country Link
US (1) US12176181B2 (zh)
JP (1) JP7260675B2 (zh)
KR (1) KR102740249B1 (zh)
CN (1) CN114902390B (zh)
TW (1) TWI773013B (zh)
WO (1) WO2021140662A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240062986A1 (en) * 2021-03-01 2024-02-22 Hitachi High-Tech Corporation Charged Particle Beam Device
US11921063B2 (en) * 2021-07-21 2024-03-05 Applied Materials Israel Ltd. Lateral recess measurement in a semiconductor specimen
JP7672351B2 (ja) 2022-01-25 2025-05-07 株式会社日立ハイテク 観察システム、観察方法およびプログラム
TW202505985A (zh) * 2023-07-27 2025-02-01 日商東京威力科創股份有限公司 評估方法、評估裝置及電腦程式
US20250060289A1 (en) * 2023-08-17 2025-02-20 Fei Company Microscopy sample preparation methods and associated systems
WO2025062546A1 (ja) * 2023-09-21 2025-03-27 株式会社日立ハイテク 検査計測モデルを有する走査型電子顕微鏡及び検査計測モデルの修正方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006258516A (ja) * 2005-03-16 2006-09-28 Hitachi High-Technologies Corp 形状測定装置および形状測定方法
JP2007218711A (ja) * 2006-02-16 2007-08-30 Hitachi High-Technologies Corp 電子顕微鏡装置を用いた計測対象パターンの計測方法
TWI603075B (zh) * 2013-03-15 2017-10-21 克萊譚克公司 用以判定用於光學晶圓檢查之深度之系統及方法
JP2019087518A (ja) * 2017-11-10 2019-06-06 株式会社日立ハイテクノロジーズ パターン計測装置および計測方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5910688Y2 (ja) * 1977-09-14 1984-04-03 富士通株式会社 電子検出器
JP2005149806A (ja) * 2003-11-12 2005-06-09 Sony Corp 電子ビーム照射装置および電子ビーム照射方法
US7348556B2 (en) * 2005-07-19 2008-03-25 Fei Company Method of measuring three-dimensional surface roughness of a structure
JP5174757B2 (ja) * 2009-08-07 2013-04-03 株式会社日立ハイテクノロジーズ 半導体パターンの計測方法及び計測システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006258516A (ja) * 2005-03-16 2006-09-28 Hitachi High-Technologies Corp 形状測定装置および形状測定方法
JP2007218711A (ja) * 2006-02-16 2007-08-30 Hitachi High-Technologies Corp 電子顕微鏡装置を用いた計測対象パターンの計測方法
TWI603075B (zh) * 2013-03-15 2017-10-21 克萊譚克公司 用以判定用於光學晶圓檢查之深度之系統及方法
JP2019087518A (ja) * 2017-11-10 2019-06-06 株式会社日立ハイテクノロジーズ パターン計測装置および計測方法

Also Published As

Publication number Publication date
KR102740249B1 (ko) 2024-12-11
CN114902390B (zh) 2026-01-30
JP7260675B2 (ja) 2023-04-18
US20220359151A1 (en) 2022-11-10
US12176181B2 (en) 2024-12-24
CN114902390A (zh) 2022-08-12
WO2021140662A1 (ja) 2021-07-15
JPWO2021140662A1 (zh) 2021-07-15
TW202127314A (zh) 2021-07-16
KR20220102641A (ko) 2022-07-20

Similar Documents

Publication Publication Date Title
TWI773013B (zh) 圖案檢查裝置
US10692693B2 (en) System and method for measuring patterns
JP4220358B2 (ja) 半導体パターン計測方法
US7816062B2 (en) Method and apparatus for semiconductor device production process monitoring and method and apparatus for estimating cross sectional shape of a pattern
US20090214103A1 (en) Method for measuring a pattern dimension
JP7305422B2 (ja) パターン評価システム及びパターン評価方法
US9536700B2 (en) Sample observation device
US20120126116A1 (en) Pattern shape selection method and pattern measuring device
TWI608512B (zh) Charged particle beam device, simulation method and simulation device
CN110622289B (zh) 测量半导体晶片上的图案中的高度差
TWI709155B (zh) 帶電粒子線裝置，截面形狀推定程式
KR20200118756A (ko) 패턴 단면 형상 추정 시스템, 및 프로그램
TWI744644B (zh) 圖案測定方法、圖案測定工具、及電腦可讀媒體
US11443914B2 (en) Charged-particle beam device and cross-sectional shape estimation program
TWI862828B (zh) 圖案缺陷檢測方法
KR102143803B1 (ko) 화상 해석 장치 및 하전 입자선 장치
KR20190143458A (ko) 반도체 웨이퍼들을 검사하기 위한 기법
WO2012053650A1 (ja) 形状計測方法およびそのシステム
WO2012056639A1 (ja) パターンの判定装置、及びコンピュータプログラム
JP2023009348A (ja) パターンエッジの評価方法