特許 6872670 寸法計測装置、寸法計測プログラム及び半導体製造システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6872670

(24)【登録日】2021年4月21日

(45)【発行日】2021年5月19日

(54)【発明の名称】寸法計測装置、寸法計測プログラム及び半導体製造システム

(51)【国際特許分類】

   H01L 21/66 20060101AFI20210510BHJP

【ＦＩ】

   H01L21/66 J

【請求項の数】20

【全頁数】28

(21)【出願番号】特願2020-520163(P2020-520163)

(86)(22)【出願日】2019年7月4日

(86)【国際出願番号】JP2019026595

(87)【国際公開番号】WO2020121564

(87)【国際公開日】20200618

【審査請求日】2020年4月8日

(73)【特許権者】

【識別番号】501387839

【氏名又は名称】株式会社日立ハイテク

(74)【代理人】

【識別番号】110000350

【氏名又は名称】ポレール特許業務法人

(72)【発明者】

【氏名】奥山 裕

(72)【発明者】

【氏名】大森 健史

(72)【発明者】

【氏名】豊田 康隆

【審査官】 堀江 義隆

(56)【参考文献】

【文献】 特開２００９−２０６４５３（ＪＰ，Ａ）

【文献】 特表２０１８−５０６１６８（ＪＰ，Ａ）

【文献】 特開２００２−３５０１２７（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｈ０１Ｌ ２１／６６

Ｇ０６Ｎ ２０／００

Ｇ０１Ｂ ２１／００

(57)【特許請求の範囲】

【請求項1】

繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する寸法計測装置であって、
プロセッサと、
メモリと、
前記メモリに格納され、前記プロセッサに実行されることにより、前記半導体デバイスの寸法を計測する寸法計測プログラムとを有し、
前記寸法計測プログラムは、モデル推定部と寸法計測部とを有し、
前記モデル推定部は、第１画像認識モデルにより、前記断面画像に対して領域別にラベル付けしたラベル付け画像を出力し、第２画像認識モデルにより、前記断面画像において前記繰り返しパターンを構成する単位パターンそれぞれが位置する座標を出力し、
前記寸法計測部は、前記ラベル付け画像及び前記単位パターンそれぞれが位置する座標を用いて、前記単位パターンごとにあらかじめ定義された複数の特徴点の座標を求め、前記複数の特徴点のうちの所定の２点間の距離として定義される寸法を計測する寸法計測装置。

【請求項2】

請求項１において、
前記第１画像認識モデルが前記断面画像に対してラベル付けする領域には、前記半導体デバイスの断面を構成する各層と前記半導体デバイスの断面以外の背景とを含み、
前記モデル推定部は、前記ラベル付け画像から前記領域の間の領域境界線の座標を求め、前記領域境界線の座標及び前記単位パターンそれぞれが位置する座標から、前記複数の特徴点の座標を求める寸法計測装置。

【請求項3】

請求項２において、
前記寸法計測プログラムは、モデル学習部を有し、
前記モデル学習部は、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像の前記領域別にラベル付けしたラベル付け画像を出力データとする第１の学習データにより前記第１画像認識モデルを学習し、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像において前記単位パターンそれぞれが位置する座標を出力データとする第２の学習データにより前記第２画像認識モデルを学習する寸法計測装置。

【請求項4】

請求項３において、
前記第１画像認識モデルはセマンティック・セグメンテーションモデルであり、前記第２画像認識モデルは物体検出モデルである寸法計測装置。

【請求項5】

請求項４において、
前記第１画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像の画素の帰属する前記領域に対応して定義されたラベル番号を出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルであり、
前記第２画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像に含まれる物体のラベル番号と前記物体の位置する座標とを出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルである寸法計測装置。

【請求項6】

請求項１において、
前記断面画像は、断面ＳＥＭ画像、またはＴＥＭ画像である寸法計測装置。

【請求項7】

請求項１において、
前記寸法計測部は、計測した前記半導体デバイスの寸法をデータベースに保存し、前記半導体デバイスに対する目標寸法値が入力された場合には、前記データベースから前記目標寸法値に近似する寸法を有する断面画像を検索する寸法計測装置。

【請求項8】

請求項１〜７のいずれか１項に記載の寸法計測装置と、
前記半導体デバイスの処理を行う処理装置と、
前記処理装置が前記半導体デバイスの処理を行う最適処理条件を探索する処理条件探索装置とを有し、
前記寸法計測装置は、前記処理条件探索装置が設定した所定の処理条件により前記処理装置が処理を行って得た前記半導体デバイスの寸法を計測し、
前記処理条件探索装置は、前記所定の処理条件を変えつつ、前記寸法計測装置によって計測した前記半導体デバイスの寸法が目標値に収束した場合の処理条件を前記最適処理条件として出力する半導体製造システム。

【請求項9】

繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する寸法計測装置であって、
プロセッサと、
メモリと、
前記メモリに格納され、前記プロセッサに実行されることにより、前記半導体デバイスの寸法を計測する寸法計測プログラムとを有し、
前記寸法計測プログラムは、モデル推定部と寸法計測部とを有し、
前記モデル推定部は、第１画像認識モデルにより、前記断面画像を、輪郭線と背景とにラベル付けした第１のラベル付け画像を出力し、第２画像認識モデルにより、前記断面画像を、前記繰り返しパターンを構成する単位パターンにおいて定義される第１の複数の特徴点と背景とにラベル付けした第２のラベル付け画像を出力し、
前記寸法計測部は、前記第１のラベル付け画像からの前記輪郭線の座標及び前記第２のラベル付け画像からの前記第１の複数の特徴点の座標を用いて第２の複数の特徴点の座標を求め、前記第１の複数の特徴点のうちの所定の点と前記第２の複数の特徴点のうちの所定の点との間の距離として定義される寸法を計測する寸法計測装置。

【請求項10】

請求項９において、
前記断面画像において前記単位パターンは対称性を仮定可能な形状を有し、
前記寸法計測部は、前記対称性に基づき、前記第１の複数の特徴点の座標から前記第２の複数の特徴点の座標を求める寸法計測装置。

【請求項11】

請求項９において、
前記寸法計測プログラムは、モデル学習部を有し、
前記モデル学習部は、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記輪郭線と背景とに分けてラベル付けしたラベル付け画像を出力データとする第１の学習データにより前記第１画像認識モデルを学習し、前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記第１の複数の特徴点と背景とに分けてラベル付けしたラベル付け画像を出力データとする第２の学習データにより前記第２画像認識モデルを学習する寸法計測装置。

【請求項12】

請求項１１において、
前記第１画像認識モデルおよび前記第２画像認識モデルは、セマンティック・セグメンテーションモデルである寸法計測装置。

【請求項13】

請求項１２において、
前記第１画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像の画素が前記輪郭線か背景かに応じて定義されたラベル番号を出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルであり、
前記第２画像認識モデルは、前記半導体デバイスの断面画像の画素の輝度値を入力データ、当該入力データに対応する断面画像の画素が前記第１の複数の特徴点か背景かに応じて定義されたラベル番号を出力データとする教師データを用いて学習されたパラメータを中間層に備えた学習モデルである寸法計測装置。

【請求項14】

請求項９において、
前記断面画像は、断面ＳＥＭ画像、またはＴＥＭ画像である寸法計測装置。

【請求項15】

請求項９において、
前記寸法計測部は、前記第１のラベル付け画像からの前記輪郭線の座標及び計測した前記半導体デバイスの寸法をデータベースに保存し、２つの断面画像が指定された場合には、指定された２つの断面画像の前記輪郭線を重ねて表示するとともに、指定された２つの断面画像に対応する前記半導体デバイスの寸法の差を表示する寸法計測装置。

【請求項16】

請求項９〜１５のいずれか１項に記載の寸法計測装置と、
前記半導体デバイスの処理を行う処理装置と、
前記処理装置が前記半導体デバイスの処理を行う最適処理条件を探索する処理条件探索装置とを有し、
前記寸法計測装置は、前記処理条件探索装置が設定した所定の処理条件により前記処理装置が処理を行って得た前記半導体デバイスの寸法を計測し、
前記処理条件探索装置は、前記所定の処理条件を変えつつ、前記寸法計測装置によって計測した前記半導体デバイスの寸法が目標値に収束した場合の処理条件を前記最適処理条件として出力する半導体製造システム。

【請求項17】

繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する処理をコンピュータに実行させる寸法計測プログラムであって、
第１画像認識モデルにより、前記断面画像に対して領域別にラベル付けしたラベル付け画像を出力する第１のステップと、
第２画像認識モデルにより、前記断面画像において前記繰り返しパターンを構成する単位パターンそれぞれが位置する座標を出力する第２のステップと、
前記ラベル付け画像及び前記単位パターンそれぞれが位置する座標を用いて、前記単位パターンごとにあらかじめ定義された複数の特徴点の座標を求め、前記複数の特徴点のうちの所定の２点間の距離として定義される寸法を計測する第３のステップとを有する寸法計測プログラム。

【請求項18】

請求項１７において、
前記第１〜第３のステップに先立って、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像の前記領域別にラベル付けしたラベル付け画像を出力データとする第１の学習データにより前記第１画像認識モデルを学習する第４のステップと、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像において前記単位パターンそれぞれが位置する座標を出力データとする第２の学習データにより前記第２画像認識モデルを学習する第５のステップとを有する寸法計測プログラム。

【請求項19】

繰り返しパターンを有する半導体デバイスの断面画像から前記半導体デバイスの寸法を計測する処理をコンピュータに実行させる寸法計測プログラムであって、
第１画像認識モデルにより、前記断面画像を、輪郭線と背景とにラベル付けした第１のラベル付け画像を出力する第１のステップと、
第２画像認識モデルにより、前記断面画像を、前記繰り返しパターンを構成する単位パターンにおいて定義される第１の複数の特徴点と背景とにラベル付けした第２のラベル付け画像を出力する第２のステップと、
前記第１のラベル付け画像からの前記輪郭線の座標及び前記第２のラベル付け画像からの前記第１の複数の特徴点の座標を用いて第２の複数の特徴点の座標を求め、前記第１の複数の特徴点のうちの所定の点と前記第２の複数の特徴点のうちの所定の点との間の距離として定義される寸法を計測する第３のステップとを有する寸法計測プログラム。

【請求項20】

請求項１９において、
前記第１〜第３のステップに先立って、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記輪郭線と背景とに分けてラベル付けしたラベル付け画像を出力データとする第１の学習データにより前記第１画像認識モデルを学習する第４のステップと、
前記半導体デバイスの断面画像を入力データ、当該入力データである断面画像を前記第１の複数の特徴点と背景とに分けてラベル付けしたラベル付け画像を出力データとする第２の学習データにより前記第２画像認識モデルを学習する第５のステップとを有する寸法計測プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、処理装置による処理結果を計測する寸法計測装置、寸法計測プログラム、及び寸法計測装置と処理条件探索装置を有する半導体製造システムに関する。

【背景技術】

【0002】

近年、半導体デバイスの性能向上のため、半導体デバイスに新材料が導入され、同時に半導体デバイスの構造が立体化・複雑化している。また、現在の先端半導体デバイスの加工では、ナノメートルレベルの精度が要求される。このため、半導体処理装置は多種の材料を種々の形状に極めて高精度に加工できる必要があり、必然的に多数の制御パラメータ（入力パラメータ）を備えた装置になっている。

【0003】

代表的な半導体処理装置であるエッチング装置では、プラズマ放電を制御するための設定項目数は３０以上ある。これらの設定値を固定した際の放電を１ステップとすると、異なる設定値をもつステップを次々に切替えながら加工が進められる。先端プロセスでは、１つの加工工程において通常でも１０ステップ以上、多い場合には３０ステップ以上が用いられており、ステップの組合せおよびステップ内の全ての設定値を最適化するために数百条件もの加工試験が行われている。装置性能を引出すためのノウハウと高い装置運用スキルをもつエンジニアの数は限られており、今後は条件導出や装置運用が予定通りに進まないケースが増えていくと予想される。

【0004】

この課題に対し、特許文献１では最適な加工条件を自動探索する方法が提案されている。これにより、エンジニアの試行錯誤に頼っていた従来の手法に比べ、各段に工数を削減することができる。

【0005】

また、特許文献２、特許文献３はパターンの断面画像からの寸法計測について開示する先行技術文献である。特許文献２は、画像の輝度値から輪郭線を求め、パターン断面の上部と下部の２点の座標値を用い、断面ＳＥＭ（Scanning Electron Microscope）画像特有の白い影部分の信号成分を手動で除去することにより、側壁角度の測定精度を向上させている。特許文献３は、断面ＳＥＭ画像の輝度値の変化からエッジポイントを求め、パターンの各辺を近似する直線を割り出すことにより、各辺の角度・長さの測定におけるオペレータ依存を減らしている。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特開２０１８−４９９３６号公報

【特許文献2】特開２０１２−６８１３８号公報

【特許文献3】特開２００２−３５０１２７号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

特許文献１の方法において計算時間以外に工数が掛かるのが、断面ＳＥＭ画像からの寸法計測工程である。現状は寸法計測を手作業で行うことが多いが、先端プロセスに適用する場合には構造が複雑になり、画像１枚当たりの測定点数も増えることから、人手で行う寸法抽出は限界に達しつつある。

【0008】

また、所望の構造を実現するプロセスを短期間で構築するには、既存の膨大な実験データの中から類似の構造を検索・参照する必要があるが、その際には加工形状が数値化されたデータベースが必要である。しかし、現状では構造の数値化を手作業で行うことが多い。さらに、条件導出を進める途中で、当初計画していた位置よりも重要な計測箇所が見出された場合、全画像の再計測が必要となる。自動で寸法抽出ができれば、所要時間は大きく短縮されるとともに、より正確な加工形状を把握することが可能となる。また、抽出結果を画像に表示して出力することで、抽出に問題がないかを視覚的に判断できる。このように自動化によるメリットは非常に大きい。

【0009】

手動による計測では計測値にオペレータ依存性が生じる。また、ライン／スペースの単位パターンが繰り返している画像でも、個々のパターンごとに１つ１つ計測するため、計測値の統計量にはプロセスばらつき以外に人的誤差も加算されるなどの課題がある。

【0010】

特許文献２や特許文献３に開示されている手法は、オペレータ依存性をある程度減らせるものの、目視による操作を伴うため、オペレータ依存性は依然残っている。また、１枚ずつ画像を見ながら計測するため、作業時間を要する。さらに、後日寸法計測個所を追加・変更したい場合には、画像取得を最初からやり直すか、画像から目視で測る必要がある。

【0011】

断面ＳＥＭ画像には、明るさが画像ごとに異なる、寸法計測には不必要な奥の構造が写っている、寸法を計測したい異種材料界面の境界が不明瞭、といった測長ＳＥＭ（Critical Dimensional SEM）画像にはない寸法計測の困難さがある。このため、輝度値を用いたエッジ検出法に基づく特許文献２及び特許文献３の方法では、画像ごとにしきい値などのパラメータチューニングを必要としたり、界面位置を目視で判断して指定したりするなどの操作が必要である。目視による調整が不要な完全自動計測を実現するには、局所的な輝度分布ではなく、画像に写っている個々の物体の領域を認識することにより、物体の輪郭を抽出する必要がある。このような目視と同等あるいはそれ以上の性能を有する画像認識は、機械学習、特に深層学習を用いた画像認識技術を応用することにより実現できると考えられる。

【0012】

本発明は、機械学習、特に深層学習による画像認識技術を用いて、断面ＳＥＭから所望の寸法を自動で計測することにより、寸法計測時間の短縮とオペレータ起因の誤差を含まない計測方法を実現することを目的とする。

【課題を解決するための手段】

【0013】

本発明の一態様である、繰り返しパターンを有する半導体デバイスの断面画像から半導体デバイスの寸法を計測する寸法計測装置は、プロセッサと、メモリと、メモリに格納され、プロセッサに実行されることにより、半導体デバイスの寸法を計測する寸法計測プログラムとを有し、寸法計測プログラムは、モデル推定部と寸法計測部とを有し、モデル推定部は、第１画像認識モデルにより、断面画像に対して領域別にラベル付けしたラベル付け画像を出力し、第２画像認識モデルにより、断面画像において繰り返しパターンを構成する単位パターンそれぞれが位置する座標を出力し、寸法計測部は、ラベル付け画像及び単位パターンそれぞれが位置する座標を用いて、単位パターンごとにあらかじめ定義された複数の特徴点の座標を求め、複数の特徴点のうちの所定の２点間の距離として定義される寸法を計測する。

【0014】

また、本発明の他の一態様である、繰り返しパターンを有する半導体デバイスの断面画像から半導体デバイスの寸法を計測する寸法計測装置であって、プロセッサと、メモリと、メモリに格納され、プロセッサに実行されることにより、半導体デバイスの寸法を計測する寸法計測プログラムとを有し、寸法計測プログラムは、モデル推定部と寸法計測部とを有し、モデル推定部は、第１画像認識モデルにより、断面画像を、輪郭線と背景とにラベル付けした第１のラベル付け画像を出力し、第２画像認識モデルにより、断面画像を、繰り返しパターンを構成する単位パターンにおいて定義される第１の複数の特徴点と背景とにラベル付けした第２のラベル付け画像を出力し、寸法計測部は、第１のラベル付け画像からの輪郭線の座標及び第２のラベル付け画像からの第１の複数の特徴点の座標を用いて第２の複数の特徴点の座標を求め、第１の複数の特徴点のうちの所定の点と第２の複数の特徴点のうちの所定の点との間の距離として定義される寸法を計測する。

【発明の効果】

【0015】

オペレータ依存性を低減した高速な寸法計測を実現することができる。前述した以外の課題、構成及び効果は、以下の実施例の説明により明らかにされる。

【図面の簡単な説明】

【0016】

【図1】半導体製造システムのシステム構成例を示す図である。

【図2】処理条件探索装置のシステム構成例を示す図である。

【図3】寸法計測装置のハードウェア構成を示すブロック図である。

【図4】セマンティック・セグメンテーションモデルの一例を示す図である。

【図5】物体検出モデルの一例を示す図である。

【図6】寸法計測装置が入力画像から寸法を計測するフローチャート（実施例１）である。

【図7】処理条件探索装置が処理条件を探索するフローチャートである。

【図8】入力データセット（断面画像）の例である。

【図9】寸法計測個所の例である。

【図10】バウンディング・ボックスの座標系を説明するための図である。

【図11】物体検出モデルの学習に用いるアノテーションデータの記述例である。

【図12】セマンティック・セグメンテーションモデルの学習に用いるアノテーションデータの例である。

【図13】セマンティック・セグメンテーションモデルの学習に用いるアノテーションデータにおけるラベル名・ラベル番号・色の対応関係を示すテーブルである。

【図14】学習ステップ時に表示されるＧＵＩ画面の例である。

【図15】寸法を計測するテスト画像の例である。

【図16】学習済み物体検出モデルにテスト画像を入力して得られた物体検出結果を示す図である。

【図17】学習済み物体検出モデルにテスト画像を入力して得られたバウンディング・ボックスの座標を記したテーブルである。

【図18】学習済みセマンティック・セグメンテーションモデルにテスト画像を入力して得られたセマンティック・セグメンテーション結果を示す図である。

【図19】テスト画像上にバウンディング・ボックスと寸法計測結果とを示した図である。

【図20】パターンごとに計測された寸法値を記したテーブルである。

【図21】推論・計測ステップ時に表示されるＧＵＩ画面の例である。

【図22】目標形状探索ステップ時に表示されるＧＵＩ画面の例である。

【図23】寸法計測装置が入力画像から寸法を計測するフローチャート（実施例２）である。

【図24】輪郭線を検出する第１のセマンティック・セグメンテーションモデルの学習に用いるアノテーション画像の例である。

【図25】第１のセマンティック・セグメンテーションモデルの学習に用いるアノテーション画像におけるラベル名・ラベル番号・色の対応関係を示すテーブルである。

【図26】特徴点を検出する第２のセマンティック・セグメンテーションモデルの学習に用いるアノテーションデータの例である。

【図27】第２のセマンティック・セグメンテーションモデルの学習に用いるアノテーションデータにおけるラベル名・ラベル番号・色の対応関係を示すテーブルである。

【図28】学習ステップ時に表示されるＧＵＩ画面の例である。

【図29】学習済みの第１のセマンティック・セグメンテーションモデルにテスト画像を入力して得られた輪郭線検出結果を示す図である。

【図30】学習済みの第２のセマンティック・セグメンテーションモデルにテスト画像を入力して得られた特徴点検出結果を示す図である。

【図31】検出した特徴点の座標から寸法計測に必要な他の特徴点の座標を求める方法を説明する図である。

【図32】推論・計測ステップ時に表示されるＧＵＩ画面の例である。

【図33】形状比較ステップ時に表示されるＧＵＩ画面の例である。

【発明を実施するための形態】

【0017】

本実施例においては、繰り返しパターンを有する半導体デバイスの断面画像から半導体デバイスの寸法を計測するために２つの画像認識モデルを用いるものとする。なお、ここで半導体デバイスとは完成品のみならず、加工途中の半導体デバイスをも含み、ウェハの状態であるか、個々に分離されたチップの状態にあるかも問わない。第１画像認識モデルは、断面画像全体にわたる加工構造と背景との間の境界線及び／または異種材料間の界面の境界線を抽出する画像認識モデルである。第２画像認識モデルは、第１の画像認識モデルから得られる断面画像全体に及ぶ境界線を、繰り返しパターンを構成する単位パターンごとに区分するための情報を出力する画像認識モデルである。これにより、オペレータの目視による調整を必要とせず、断面ＳＥＭ画像から所定の寸法値を自動で計測することが可能となる。

【0018】

以下、本発明の実施形態を添付図面に基づいて説明する。

【実施例1】

【0019】

実施例１では、加工構造と背景との間の境界線及び異種材料間の界面の境界線の座標を抽出するためにセマンティック・セグメンテーションモデル（第１画像認識モデル）と、単位パターンの座標を検出するために物体検出モデル（第２画像認識モデル）との２種類の画像認識技術を用いる。

【0020】

事前の学習ステップでは、セマンティック・セグメンテーションモデルには、入力データである断面ＳＥＭ画像と、出力データである領域ごとに色分けしたアノテーション画像とを、教師データとして与えて、領域の形状を学習させる。また、物体検出モデルには、入力データである断面ＳＥＭ画像と、出力データである単位パターンの座標（パターンを囲む矩形のバウンディング・ボックスで指定する）を記したアノテーションデータとを、教師データとして与えて、単位パターン形状を学習させる。

【0021】

推論ステップでは、与えられた入力画像に対し、学習済みセマンティック・セグメンテーションモデルで領域ごとに色分けした画像を推定し、学習済み物体検出モデルで単位パターンの座標を推定する。

【0022】

計測ステップでは、領域ごとに色分けした画像から得られる領域境界線の座標を、単位パターン座標を用いてパターンごとに分割し、寸法計測に必要な特徴点の座標を求めることにより、所望の個所の寸法を自動で計測する。

【0023】

図１は、半導体製造システムのシステム構成例を示す図である。半導体製造システム１０は、処理条件探索装置１００と、入力装置１０３と、出力装置１１４と、処理装置１１１と、評価装置１１２と、寸法計測装置２００と、入出力装置２０６とを有する。ユーザは、目標処理結果（加工形状）と処理装置１１１で用いるパラメータ１０１を選択して入力装置１０３から入力し、出力装置１１４から目標加工形状を与える最適処理条件１０２を出力として得る。

【0024】

処理条件探索装置１００は、入力装置１０３から目標加工形状１０１を受け付け、処理装置１１１が最適に目標加工形状を得ることが可能な処理条件を探索し、探索した処理条件を出力装置１１４へ出力する装置である。

【0025】

入力装置１０３は、ＧＵＩなどの入力インタフェースとカードリーダなどの記憶媒体読み出し装置を備え、処理条件探索装置１００にデータを入力する。また、ユーザからのみならず、入出力装置２０６から寸法計測値も同様に受けつけ、処理条件探索装置１００に入力する。入力装置１０３は、例えば、キーボード、マウス、タッチパネル、記憶媒体読み出し装置などを含む。

【0026】

出力装置１１４は、処理条件探索装置１００から渡された処理条件を、最適処理条件１０２としてユーザへ表示する。表示する手段としては、ディスプレイへの表示、またはファイルへの書き出しなどである。出力装置１１４は、例えば、ディスプレイ、プリンタ、記憶媒体書き出し装置などを含む。

【0027】

処理装置１１１は、半導体または半導体を含む半導体デバイスを処理する装置である。処理装置１１１の処理の内容は特に限定されない。例えば、リソグラフィ装置、成膜装置、パターン加工装置を含む。リソグラフィ装置には、たとえば、露光装置、電子線描画装置、Ｘ線描画装置を含む。成膜装置は、たとえばＣＶＤ（Chemical Vapor Deposition）、ＰＶＤ（Physical Vapor Deposition）、蒸着装置、スパッタリング装置、熱酸化装置を含む。パターン加工装置は、たとえば、ウェットエッチング装置、ドライエッチング装置、電子ビーム加工装置、レーザ加工装置を含む。処理装置１１１は、処理条件探索装置１００から入力された処理条件に基づき半導体または半導体デバイスの処理を行い、評価装置１１２に渡す。

【0028】

評価装置１１２は、処理装置１１１で処理された半導体または半導体デバイスの断面を撮影して、処理結果である断面画像２０８を取得する。評価装置１１２は、ＳＥＭ、ＴＥＭ（Transmission Electron Microscope）、光学式モニタを用いた加工寸法計測装置を含む。処理装置１１１で処理された半導体または半導体デバイスの一部を断片として取り出して、その断片を評価装置１１２へ運搬して計測してもよい。取得した断面画像２０８は、入出力装置２０６へ渡される。

【0029】

寸法計測装置２００は、中央処理部２０１、モデル学習部２０２、モデル推定部２０３、寸法計測部２０４とデータベース２０５を有する。入出力装置２０６を介して入力された特徴点と寸法の定義、倍率、学習データセット２０９と断面画像２０８を受け付け、断面画像２０８から所定の寸法を計測し、入出力装置２０６へ出力する。

【0030】

入出力装置２０６は、ＧＵＩなどの入出力インタフェースとカードリーダなど記憶媒体読み出し装置を備え、寸法計測装置２００に特徴点と寸法の定義、倍率、学習データセット２０９を入力する。また、評価装置１１２から断面画像２０８を受けとり、中央処理部２０１に渡す。入出力装置２０６は、例えば、キーボード、マウス、ディスプレイ、タッチパネル、記憶媒体読み出し装置などを含み、寸法計測装置２００から渡された寸法値を、ユーザへ表示するか、あるいは直接入力装置１０３へ転送する。ユーザへ表示する場合、その手段はディスプレイへの表示、またはファイルへの書き出しなどである。

【0031】

図２は、処理条件探索装置１００のシステム構成例を示す図である。処理条件探索装置１００は、中央処理部１０４と、データベース１０５と、初期処理条件設定部１０６と、ターゲット設定部１０７と、モデル学習部１０８と、処理条件探索部１０９と、装置制御部１１０と、収束判定部１１３とを有する。

【0032】

図３に、寸法計測装置２００のハードウェア構成を示すブロック図を示す。寸法計測装置２００は、入出力装置２０６を介して評価装置１１２から入力された断面画像２０８から寸法を計測し、計測結果を入出力装置２０６へ出力する。寸法計測装置２００は、プロセッサ１１６と、通信インタフェース１１５と、ＲＯＭ１１７と、ＲＡＭ１１８とを有する。通信インタフェース１１５は、プロセッサ１１６と、外部の入出力装置２０６とを接続する。プロセッサ１１６は、通信インタフェース１１５と、ＲＯＭ１１７と、ＲＡＭ１１８とが接続される。ＲＯＭ１１７には、プロセッサ１１６で実行する処理プログラムが格納されている。ＲＡＭ１１８には、学習データや学習モデル、特徴点と寸法の定義、倍率などが格納される。

【0033】

なお、図１に示す寸法計測装置２００との対応では、データベース２０５はＲＯＭ１１７及びＲＡＭ１１８として実装され、モデル学習部２０２、モデル推定部２０３、寸法計測部２０４はＲＯＭ１１７及びＲＡＭ１１８に格納されるプログラム及びパラメータとして実装される。

【0034】

図４は、寸法計測装置２００のモデル学習部２０２及びモデル推定部２０３で用いるセマンティック・セグメンテーションモデルの構成の一例である。なお、本例ではニューラルネットワーク２０を用いる例を説明するが、これに限られず、決定木などの機械学習のモデルを用いることもできる。ニューラルネットワークは、入力層に入力された画素情報が、中間層、出力層へと順に伝播され演算されることにより、出力層から各画素の属する領域のラベル番号を出力する。中間層は畳み込み層、プーリング層などが多数層繰り返される。具体的な層構造は採用するモデルにより異なる。学習時には出力された各画素のラベルと正解であるアノテーションデータとの誤差が最小となるように、中間層のパラメータを調整する。

【0035】

図５は、寸法計測装置２００のモデル学習部２０２及びモデル推定部２０３で用いる物体検出モデルの構成の一例である。なお、本例ではニューラルネットワーク３０を用いる例を説明するが、これに限られず、テンプレートマッチングなどの他のモデルを用いることもできる。ニューラルネットワークは、入力層に入力された画素情報が、中間層、出力層へと順に伝播され演算されることにより、出力層から画像に含まれる物体のラベル番号とバウンディング・ボックスの座標値を出力する。中間層は畳み込み層、プーリング層などが多数層繰り返される。具体的な層構造は採用するモデルにより異なる。学習時には出力された物体のラベル番号とバウンディング・ボックスの座標値と正解であるアノテーションデータとの誤差が最小となるように、中間層のパラメータを調整する。

【0036】

図６は、寸法計測装置２００が実行する、入力画像から必要な寸法を計測するまでのフローチャートである。

【0037】

まず、事前に寸法計測装置２００に入力すべき学習データセット２０９を作成する。学習データセットは、入力データである断面ＳＥＭ画像に加え、出力データとなる物体検出モデルに対しては単位パターンを囲むバウンディング・ボックスの座標を記したアノテーションデータ２０９を、セマンティック・セグメンテーションモデルに対しては領域ごとに色分けしたアノテーション画像２０９の組を作成し、それら学習データセットを入出力装置２０６から入力する（ステップＳ１００）。入力された学習データセットはデータベース２０５に保存される。

【0038】

つぎに、中央処理部２０１はデータベース２０５からモデル学習部２０２に学習データセットとモデルを転送し、モデル学習部２０２で２つのモデルの学習を行う（ステップＳ１０１）。学習したモデルのパラメータはデータベース２０５へ保存される。以下の説明では、モデルとしては、畳み込み層やプーリング層を有するニューラルネットワークを用いる場合を説明するが、物体検出モデルとしてテンプレートマッチングなど、セマンティックセグメンテーションモデルとして決定木などの機械学習のモデルを用いることもできる。

【0039】

つぎに、推定ステップで、寸法を計測したいテスト画像を入出力装置２０６から入力する（ステップＳ１０４）。同時に、寸法計測に必要となる特徴点の定義２０９と、計測する寸法の定義２０９とを入出力装置２０６を介してデータベース２０５に格納する（ステップＳ１０２，Ｓ１０３）。入力画像の倍率は、画像を格納するフォルダ名により判断させるようにする。例えば、倍率が１００ｋ倍ならフォルダ名を１００ｋとする。各画像の倍率情報は、データベース２０５に保存される。中央処理部２０１はモデル推定部２０３にデータベース２０５からモデルとパラメータを渡すとともに、入力されたテスト画像を渡し、モデル推定部２０３で推定を行い（ステップＳ１０５）、パターン検出結果であるバウンディング・ボックス座標とセマンティック・セグメンテーション画像を得る（ステップＳ１０６）。

【0040】

つぎに、計測ステップにおいて、中央処理部２０１は寸法計測部２０４にバウンディング・ボックス座標とセマンティック・セグメンテーション画像を渡し、セマンティック・セグメンテーション画像から境界線の座標を求める。つぎに、パターンごとに境界線座標を分割し、データベース２０５に格納してある特徴点の定義を呼び出して特徴点の座標を求め、寸法の定義を呼び出して主要寸法を計算する（ステップＳ１０７）。得られた寸法の単位はピクセル数であるので、データベース２０５に格納してある倍率を呼び出して実寸法に変換する（ステップＳ１０８）。計測した寸法値を入出力装置２０６へ出力するとともに、パターンごとの境界線座標データをデータベース２０５へ保存する（ステップＳ１０９）。

【0041】

さらに、寸法計測個所を新規に追加したい場合には、寸法計測に必要となる新たな特徴点２０９の定義と、新たな寸法計測個所の定義２０９を入出力装置２０６から入力し、データベース２０５に格納する（ステップＳ１１０，Ｓ１１１）。

【0042】

つぎに、新規の寸法計測個所の指定の有無を判定し（ステップＳ１１２）、指定がなければ、寸法計測処理をスキップする。指定があれば、データベース２０５に格納してあるパターンごとの境界線の座標データを読み出して寸法を計算し（ステップＳ１１４）、実寸法にスケール変換（ステップＳ１１５）後、計測した寸法値を入出力装置２０６へ出力する（ステップＳ１１６）。

【0043】

ここで、加工形状の探索をしたい場合には、目標寸法値を入力する（ステップＳ１１７）。中央処理部２０１は形状探索の指定の有無を判定し（ステップＳ１１８）、指定がなければ、寸法計測処理を終了する（ステップＳ１１９）。指定があれば、データベース２０５に格納してある全画像の寸法値を探索し（ステップＳ１２０）、入力した寸法に近い形状を入出力装置２０６へ出力する（ステップＳ１２１）。以上で、処理を終了する（ステップＳ１２２）。

【0044】

図７は、半導体製造システム１０において処理条件探索装置１００が実行する、目標処理結果（目標出力パラメータ値）から処理装置１１１の最適処理条件を決定するフローチャートである。

【0045】

まず、処理装置１１１の行う処理について、目標とする目標処理結果（目標出力パラメータ値）及び、処理装置１１１を制御するパラメータとして選択する入力パラメータ１０１を、入力装置１０３から中央処理部１０４に受け渡す（ステップＳ２００）。

【0046】

つぎに、中央処理部１０４は受け付けた目標出力パラメータ値と選択された入力パラメータ（加工条件パラメータ）とをデータベース１０５に格納するとともに、選択された入力パラメータを初期処理条件設定部１０６へ渡す。初期処理条件設定部１０６では、渡された入力パラメータを元に、データベース１０５から入力パラメータの設定可能範囲のデータを読み取り、初期処理条件を自動設定する（ステップＳ２０１）。中央処理部１０４は設定された初期処理条件をデータベース１０５へ格納するとともに、初期処理条件を装置制御部１１０へ渡す。

【0047】

装置制御部１１０は、初期処理条件を処理装置１１１に転送する。または装置制御部１１０が出力した初期処理条件をユーザが処理装置１１１に入力するのでもよい。処理装置１１１は入力された初期条件に従って処理を行い、評価装置１１２で評価し、入出力装置２０６を介して、評価結果である断面画像２０８を寸法計測装置２００に渡す。寸法計測装置２００で求められた寸法値（ターゲット出力パラメータ値）は入出力装置２０６を介して入力装置１０３へ入力される。中央処理部１０４は、入力装置１０３から初期処理結果を受け渡される（ステップＳ２０２）。中央処理部１０４は、初期処理条件と初期処理結果とを収束判定部１１３に渡す。

【0048】

収束判定部１１３は、初期処理結果を目標処理結果と比較し、所定の精度内で目標処理結果に収束しているかどうかを判定する（ステップＳ２０３）。収束していれば、目標処理結果に収束した初期処理条件を出力装置１１４へ渡し、出力装置１１４は最適処理条件１０２として出力する（ステップＳ２１０）。

【0049】

出力パラメータ値（処理結果）の収束性の判定には、（数１）で与えられる、用いる全出力パラメータに関する出力パラメータ値と目標出力パラメータ値との誤差の２乗和を用いることができる。

【0050】

【数1】

【0051】

ここで、ＮＰは用いる出力パラメータの総数、ｘ_ｉはｉ番目の目標出力パラメータ値、ｙ_ｉはｉ番目の出力パラメータ値（実績値）、Ｗ_ｉはユーザが出力パラメータごとに指定する重みである。

【0052】

一方、収束していなければ処理を継続する命令が収束判定部１１３から中央処理部１０４へ送られ、中央処理部１０４はデータベース１０５に、初期処理条件（初期入力パラメータ値）と初期処理結果（初期出力パラメータ値）とからなる初期学習データを作成する（ステップＳ２０４）。

【0053】

つぎに、中央処理部１０４は目標出力パラメータ値（目標処理結果）と初期学習データとをデータベース１０５から読み込み、ターゲット設定部１０７へ渡す。ターゲット設定部１０７は、ターゲット処理結果（ターゲット出力パラメータ値）を設定する（ステップＳ２０５）。設定されたターゲット出力パラメータ値は、中央処理部１０４へ渡され、データベース１０５に格納される。ターゲット設定部１０７は、既存の学習データの中から目標出力パラメータ値に最も近いベストデータ（出力パラメータ値（実績値））を選び出し、そのときベストな出力パラメータ値と目標出力パラメータ値との間を内挿補間することによりターゲット出力パラメータ値を設定する。設定するターゲットの個数は１個以上ならいくつでも良いが、効率を考えて複数個、例えば４〜５個程度を設定することが望ましい。

【0054】

つぎに、中央処理部１０４は、データベース１０５から初期学習データを読み込み、初期学習データをモデル学習部１０８へ送る。モデル学習部１０８は入力パラメータ値（処理条件）と出力パラメータ値（処理結果）とを関係づける予測モデルを学習する（ステップＳ２０６）。予測モデルとしては、ニューラルネットワーク、サポートベクターマシン、カーネル法などを用いることができる。学習した予測モデルは処理条件探索部１０９へ渡される。

【0055】

つぎに、処理条件探索部１０９は、モデル学習部１０８から渡された予測モデル及びデータベース１０５から読み出した入力パラメータへの制約条件を用いて、データベース１０５から読み出した目標出力パラメータ値及びターゲット出力パラメータ値に対する処理条件を探索する（ステップＳ２０７）。予測モデルは処理条件が入力で、処理結果が出力となっているため、処理結果から処理条件を逆に求めるには、シミュレーテッド・アニーリング法、遺伝的アルゴリズムなど各種の最適解探索手法を用いることができる。処理条件探索部１０９は、探索した処理条件（ターゲット入力パラメータ値）を装置制御部１１０に渡すとともに、中央処理部１０４を介してデータベース１０５へ格納する。

【0056】

装置制御部１１０は、渡された処理条件（ターゲット入力パラメータ値）を処理装置１１１に転送する。または、装置制御部１１０が出力した処理条件をユーザが処理装置１１１に入力するのでもよい。処理装置１１１は入力された初期条件に従って処理を行い、評価装置１１２で評価し、評価結果である断面画像２０８を入出力装置２０６を介して寸法計測装置２００に渡す。寸法計測装置２００で求められた寸法値（ターゲット出力パラメータ値）は入出力装置２０６を介して入力装置１０３へ入力される。中央処理部１０４は、入力装置１０３から処理結果（ターゲット出力パラメータ値）を受け渡される（ステップＳ２０８）。中央処理部１０４は、処理条件（ターゲット入力パラメータ値）と処理結果（ターゲット出力パラメータ値）とを収束判定部１１３に渡す。

【0057】

収束判定部１１３は、処理結果（出力パラメータ値（実績値））を目標処理結果（目標出力パラメータ値）と比較し、所定の精度内で目標処理結果に収束しているかどうかを判定する（ステップＳ２０９）。収束していれば、目標処理結果に収束した処理条件を出力装置１１４へ渡し、出力装置１１４は最適処理条件１０２として出力する（ステップＳ２１０）。

【0058】

一方、収束していなければ処理を継続する命令が収束判定部１１３から中央処理部１０４へ送られ、中央処理部１０４はデータベース１０５の学習データセットに、新たに探索した目標処理結果とターゲット処理結果についての処理条件（入力パラメータ値）と処理結果（出力パラメータ値（実績値））との組を追加学習データとして追加することにより、学習データセットを更新する（ステップＳ２０４）。

【0059】

以下、学習データセットの作成・更新（ステップＳ２０４）〜収束判定（ステップＳ２０９）までの推定プロセスを、処理結果が目標処理結果に収束されるまで繰り返す。このようにして、目標処理結果を実現する最適処理条件を自律的に探索する。

【0060】

以上が、処理条件探索装置１００と寸法計測装置２００を備えた半導体製造システム１０全体の処理フローである。

【0061】

以下、処理装置１１１がエッチング装置である場合を例に説明する。

【0062】

図８は、学習データセットの中の入力データセットとなる断面ＳＥＭ画像の例である。この画像のサイズは１２８０×９６０ピクセルである。サンプルはライン／スペースの単位パターンが繰り返しているトレンチ構造であり、領域は背景３００、マスク３０１、基板３０２の３領域からなる。

【0063】

図９は、寸法計測個所の例である。この例では、寸法計測個所は、（１）Ｌ１：マスク上面の幅３０５、（２）Ｌ２：マスク／基板界面の幅３０６、（３）Ｌ３：基板最狭部の幅３０７、（４）Ｌ４：マスクの高さ３０８、（５）Ｌ５：トレンチの深さ３０９、の５カ所を設定している。なお、マスク上面の幅３０５は、凸状になっている２つのピーク位置の間隔と定義した。ピーク位置が１つしかない形状の場合には幅を０とする。図中のＡからＧまでの７つの点は寸法計測に用いる境界線上の特徴点であり、境界線データのみから一意に定義できる点を用いる。例えば、Ａ，Ｂはマスク上面のピークとなる点、などである。特徴点Ａ〜Ｇの定義及び寸法Ｌ１〜Ｌ５と特徴点Ａ〜Ｇとの対応関係（Ｌ１：Ａ，Ｂ，Ｌ２：Ｃ，Ｄなど）はユーザが入出力装置２０６を介して入力し、データベース２０５に格納されている。具体的には、特徴点と寸法の定義を記述したスクリプトを格納しておく。特徴点と計測寸法の個数・位置は、計測対象の構造に応じて適宜設定する。

【0064】

図１０は、学習データセットの中の出力データセットとなるアノテーションデータのうち、物体検出モデルに与えるアノテーションデータに記述するバウンディング・ボックスの座標の定義を説明する図である。図中に示した枠線（バウンディング・ボックス）で囲まれたライン／スペースの繰り返しの単位構造であるマスクと基板の一部からなる領域に対し「パターン」というラベル名を定義する。この例では、ラベルは１種類のみであり、ラベル番号は０である。図１０には５つのパターンが存在する。バウンディング・ボックスの座標は画像の左上を原点とし、水平方向にＸ軸を、垂直方向にＹ軸を取る。バウンディング・ボックスのＹ軸方向の境界は、マスク上部とトレンチ底が完全に含まれるように、それぞれ数ピクセルのマージンを持たせた位置に設定する。バウンディング・ボックスは矩形であるので、位置を特定するには、左上と右下の２つの座標を与えればよい。

【0065】

図１１は、図１０に対応するアノテーションデータの記載例の抜粋である。必須となる項目のみ抜粋してある。この例ではデータはｘｍｌフォーマットで記述されているが、使用する物体検出モデルが想定しているフォーマットであれば何でも良い。タグ＜folder＞〜＜/folder＞に画像ファイルを格納してあるフォルダ名を、タグ＜filename＞〜＜/filename＞に画像ファイル名を記載する。タグ＜object＞〜＜/object＞がバウンディング・ボックスに関する情報を記載する個所で、画像中に含まれるバウンディング・ボックスの個数分、繰り返される。その中のタグ＜name＞〜＜/name＞がラベル名を指定する個所である。タグ＜bndbox＞〜＜/bndbox＞に記載された４つの数値が、１つ目のバウンディング・ボックスの左上と右下の点の座標である。アノテーションデータは手作業で作成するか、学習済みの物体検出モデルを用いて作成できる。

【0066】

図１２は、学習データセットの中の出力データセットとなるアノテーションデータのうち、セマンティック・セグメンテーションモデルに対するアノテーションデータの例である。アノテーションデータは専用ソフトウェアを用いて手作業で作成するか、学習済みのセマンティック・セグメンテーションモデルを用いて作成できる。データは、領域別に色分けされた画像である。ここで領域は、測定対象とする半導体デバイスの断面を構成する各層と半導体デバイスの断面以外の背景とを含む。この例では、背景３１０、半導体デバイスの断面を構成する各層としてマスク３１１及び基板３１２の３領域からなる。３領域のラベル名は、それぞれ「背景」、「マスク」、「基板」であり、色は、それぞれ黒、グレー、白である。

【0067】

図１３は、ラベル名、ラベル番号、色の対応関係であり、データベース２０５に格納されている。各ラベルに付与するラベル番号と色は任意であるが、寸法計測装置２００内では固定する必要がある。

【0068】

図１４は、学習ステップを行う際に入出力装置２０６に表示されるＧＵＩ画面の一例である。画面は入力データウィンドウ３２３と、アノテーションデータウィンドウ３３１と、ターミナルウィンドウ３３９を含む。入力データウィンドウ３２３では、ロードボタン３２０により、学習データセットの入力データセットが格納されているフォルダを選択する。セレクトボタン３２１により、入力データウィンドウ３２３に表示したい画像ファイルを選択する。クリアボタン３２２により表示結果をクリアする。セル３２４と３２５には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ３２６には選択した画像が表示される。

【0069】

アノテーションデータウィンドウ３３１では、モデルボタン３２８によりセマンティック・セグメンテーションモデルか、物体検出モデルかのいずれかを選択する。選択したモデルに応じてアノテーションデータウィンドウ３３１に表示されるデータの種類は変わる。また、アノテーションデータが含まれるフォルダもモデルに応じて自動で選択される。図１４はセマンティック・セグメンテーションモデルを選択した場合の例である。セレクトボタン３２９によって、ウィンドウ３３４に表示したいサンプルを指定する。セル３３２と３３３には選択したサンプルのあるフォルダ名とファイル名とが表示される。ウィンドウ３３４にはアノテーション画像が、テーブル３３５にはラベル名、ラベル番号、色の対応表が表示される。

【0070】

ターミナルウィンドウ３３９では、スタートボタン３３６により、モデルボタン３２８で選択したモデルの学習が開始される。ターミナルウィンドウ３３９には計算中の途中経過、最終結果がメッセージで表示される。ストップボタン３３７により計算途中でも停止できる。計算結果である学習済みモデルは自動で保存される。

【0071】

図１５は、寸法を計測したいテスト画像の例である。このテスト画像には、前述したように、不要な奥の構造の輪郭が写っている。この構造は、寸法計測の際には無視すべき構造である。

【0072】

図１６は、図１５に示したテスト画像を学習済み物体検出モデルに入力して推論させた結果である。検出された物体のラベル名とともに、バウンディング・ボックス座標が黒枠で示されている。図１６の例では４つのパターンが検出されている。

【0073】

図１７は、図１６に対応するバウンディング・ボックスの座標値データであり、推論後にデータベース２０５に自動で保存される。

【0074】

図１８は、図１５に示したテスト画像を学習済みセマンティック・セグメンテーションモデルに入力して推論させた結果である。領域それぞれの色は、図１３で設定した対応関係に従っており、背景が黒、マスクがグレー、基板が白である。

【0075】

図１８から各領域間の境界線の座標が求まるので、それを図１７のバウンディング・ボックスの座標値を用いて、バウンディング・ボックスごとに境界線座標を切り出す。切り出したバウンディング・ボックスごとの境界線座標から、寸法計測に必要な特徴点Ａ〜Ｇの座標を求め、寸法Ｌ１〜Ｌ５を求める。このようにして、入力した画像からパターンごとに寸法が自動で計測される。

【0076】

図１９は、計測した寸法値を元の入力画像上に表示した例であり、検出されたバウンディング・ボックス位置も矩形で示されている。

【0077】

図２０は図１９の計測結果であり、５つの寸法Ｌ１〜Ｌ５が、パターンごとの値の他に統計値（平均値、標準偏差）も計算され、表示される。結果はデータベース２０５に自動で保存されるとともに、平均値は入出力装置２０６へ出力される。

【0078】

図２１は、推論・計測ステップを行う際に入出力装置２０６に表示されるＧＵＩ画面の一例である。画面は入力データウィンドウ３４５と、推論・計測結果ウィンドウ３５３とを含む。入力データウィンドウ３４５では、定義ボタン３４０により特徴点と寸法との対応を定義したスクリプトを読み込む。読み込まれた定義は定義テーブル３４９に表示される。つぎに、マニュアルボタン３４１によりテスト画像を１枚ずつ選択して推論・計測を行うか、バッチボタン３４２によりテスト画像を含むフォルダを指定してフォルダ内の全画像を一括で推論・計測を行うかを選択する。フォルダ名は画像の倍率に一致させることにより、倍率に関する情報はフォルダ名から得られる。セル３４６と３４７には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ３５０には選択されたテスト画像が表示される。バッチを選択した場合には１枚目のテスト画像のファイル名と画像が、セル３４７と画像ウィンドウ３５０に表示される。スタートボタン３４３により２つの学習済みモデルを用いて推論と寸法計測が行われる。計算結果は自動で保存される。クリアボタン３４４により表示結果をクリアする。

【0079】

推論・計測結果ウィンドウ３５３では、ロードボタン３５１により結果を表示したい元画像を選択する。セル３５４と３５５には選択した画像のフォルダ名とファイル名とが表示される。ウィンドウ３５６にはセマンティック・セグメンテーション結果が、ウィンドウ３５７には物体検出結果が表示される。最終結果ウィンドウ３５８には、元画像上に寸法値が表示された画像が表示され、数値テーブル３５９には計測された寸法値と統計値が表示される。

【0080】

図２２は、所望の寸法に近い形状をデータベース２０５から探索する探索ステップの際に、入出力装置２０６に表示されるＧＵＩ画面の一例であり、ターゲットウィンドウ３６０と探索結果ウィンドウ３６３とを含む。ターゲットウィンドウ３６０では、ターゲット構造セル３６１に目標とする寸法値を入力する。定義ウィンドウ３６２には寸法Ｌ１〜Ｌ５の定義が図示される。

【0081】

探索結果ウィンドウ３６３では、サーチボタン３６４により探索を実行する。探索結果は誤差の小さい順にソートして表示され、フォルダ名３６６、ファイル名３６７、寸法値を記載した画像３６８、寸法の平均値３６９が表示される。

【実施例2】

【0082】

実施例１では第１画像認識モデルとしてセマンティック・セグメンテーションモデルを、第２画像認識モデルとして物体検出モデルを用いたが、寸法計測方法としてはこの組み合わせに限られない。実施例２として、２種類のセマンティックセグメンテーションモデルを用いる方法について説明する。実施例２では、輪郭線を検出させる第１のセマンティック・セグメンテーションモデルと、特徴点を検出させる第２のセマンティック・セグメンテーションモデルとを用いる。以下、実施例２については、画像認識モデルを用いた特徴点の抽出を中心に説明し、実施例１と重複する点については説明を省略する。

【0083】

図２３は、寸法計測装置２００が実行する、事前の学習ステップを経て入力された画像から寸法を計測するフローチャートである。

【0084】

まず、寸法計測に必要な特徴点２０９を定義し、入出力装置２０６を介してデータベース２０５に格納する（ステップＳ３００）。これは学習ステップの前に行う。

【0085】

つぎに、第１のセマンティックセグメンテーションモデル（第１画像認識モデル）に対しては輪郭線とそれ以外に領域分けしたアノテーション画像を、第２のセマンティック・セグメンテーションモデル（第２画像認識モデル）に対しては寸法計測に必要な特徴点とそれ以外に領域分けしたアノテーション画像を作成し、入出力装置２０６から入力する（ステップＳ３０２）。

【0086】

つぎに、中央処理部２０１はモデル学習部２０２に学習データセットを渡し、モデル学習部２０２でモデルの学習を行う（ステップＳ３０３）。以下の説明では、モデルとしては、畳み込み層を有するニューラルネットワークを用いる場合を説明するが、決定木などの機械学習のモデルを用いることもできる。

【0087】

つぎに、寸法を計測したいテスト画像を評価装置１１２から読み込む（ステップＳ３０４）。中央処理部２０１はモデル学習部２０２に画像を渡し、モデル推定部２０３で推定を行い（ステップＳ３０５）、２種類のセマンティック・セグメンテーション画像を得る（ステップＳ３０６）。

【0088】

つぎに、特徴点と寸法計測個所の対応関係２０９を入出力装置２０６から入力し、データベース２０５に格納する（ステップＳ３０１）。

【0089】

つぎに、寸法計測部２０４にて、２種類のセマンティック・セグメンテーション画像から、輪郭線上の特徴点座標を求め、主要寸法を計算し、輪郭線全体の座標データを求める（ステップＳ３０７）。続いて、得られた寸法を実寸法のスケールに変換する（ステップＳ３０８）。計測した寸法値を入出力装置２０６へ出力するとともに、輪郭線の座標データをデータベース２０５へ保存する（ステップＳ３０９）。

【0090】

さらに、加工形状の比較をしたい場合には、比較したい２つのサンプルを指定する（ステップＳ３１０）。続いて、形状比較の指定の有無を判定し（ステップＳ３１１）、指定がなければ、寸法計測処理を終了する（ステップＳ３１２）。指定があれば、データベース２０５に格納してある輪郭線データと寸法値を読み出し、比較した結果を入出力装置２０６へ出力する（ステップＳ３１３）。以上により、処理を終了する（ステップＳ３１４）。

【0091】

以下、処理装置１１１がエッチング装置である場合を例に説明する。図２４は、図８の学習データセットの入力データ画像に対応する輪郭線を教えるアノテーションデータの例である。領域は背景４００と輪郭線４０１との２領域からなる。ラベル名はそれぞれ「背景」、「輪郭」であり、ラベル番号はそれぞれ０、１である。図２５は、ラベル名、ラベル番号、色の対応関係である。各ラベルに付与するラベル番号と色は任意であるが、寸法計測装置２００内では固定する必要がある。

【0092】

図２６は、図８の学習データセットの入力データ画像に対応する特徴点の位置を教えるアノテーションデータの例である。特徴点として図９に示したＡ〜Ｇの７点のうち、Ａ４１１，Ｃ４１２，Ｅ４１３，Ｇ４１４の４点をラベルとして設定し、背景４１０を含めた５つのラベル別に色分けした画像である。他の３つの特徴点Ｂ，Ｄ，Ｆは、対称性を仮定すればＡ，Ｃ，Ｅから求まるのでラベルには含めないこととした。後述するように、特徴点Ａ，Ｃ，Ｅについては特徴点Ｂ，Ｄ，Ｆと輪郭線から求めることにより、目視によらなくても、特徴点Ｂ，Ｄ，Ｆと特徴点Ａ，Ｃ，Ｅとが一つの単位パターンについての特徴点であることを担保することが可能になる。図２７は、ラベル名、ラベル番号、色の対応関係である。各ラベルに付与するラベル番号と色は任意であるが、寸法計測装置２００内では固定する必要がある。

【0093】

図２８は、学習ステップを行う際に入出力装置２０６に表示されるＧＵＩ画面の一例である。画面は入力データウィンドウ３２３と、アノテーションデータウィンドウ３３１と、ターミナルウィンドウ３３９とを含む。入力データウィンドウ３２３では、ロードボタン３２０により、入力画像ファイルの格納されているフォルダを選択する。セレクトボタン３２１により、表示したい画像ファイルを選択する。クリアボタン３２２により表示結果をクリアする。セル３２４と３２５には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ３２６には選択した画像が表示される。

【0094】

アノテーションデータウィンドウ３３１では、モデルボタン４１５により輪郭線用セマンティック・セグメンテーションモデル（第１のセマンティック・セグメンテーションモデル）か、特徴点用セマンティック・セグメンテーションモデル（第２のセマンティック・セグメンテーションモデル）かのいずれかを選択する。選択したモデルに応じてアノテーションデータウィンドウ３３１に表示されるデータの種類は変わる。また、アノテーションデータが含まれるフォルダもモデルに応じて自動で選択される。図２８は輪郭線用セマンティック・セグメンテーションモデルを選択した場合の例である。セレクトボタン３２９によって、ウィンドウに表示したいサンプルを指定する。セル３２４と３２５には選択したサンプルのあるフォルダ名とファイル名とが表示される。ウィンドウ３３４にはアノテーション画像が、テーブル３３５にはラベル名、ラベル番号、色の対応表が表示される。

【0095】

ターミナルウィンドウ３３９では、スタートボタン３３６により、モデルボタン４１５で選択したモデルの学習が開始される。ターミナルウィンドウ３３９には計算中の途中経過、最終結果がメッセージで表示される。ストップボタン３３７により計算途中で停止できる。計算結果であるモデルパラメータは自動で保存される。

【0096】

図２９は、図１５に示したテスト画像を第１の学習済みセマンティックセグメンテーションモデルに入力して推論させた輪郭線の検出結果の画像である。同時に、輪郭線の座標も求まる。

【0097】

図３０は、図１５に示したテスト画像を第２の学習済みセマンティックセグメンテーションモデルに入力して推論させた特徴点Ａ，Ｃ，Ｅ，Ｇの検出結果の画像である。同時に、これら特徴点の座標も求まる。なお、これらの特徴点の座標は図２９で得られた輪郭線上に必ずしも位置しているとは限らないので、図３０で得られた特徴点座標に最も近い図２９の輪郭線上の点を特徴点の座標として採用する。

【0098】

図３１は、特徴点Ａ，Ｃ，Ｅから、対応する特徴点Ｂ，Ｄ，Ｆを求める方法を説明する図である。対応点は、元の点とＹ座標が同一でＸ座標の差が最小、すなわち右側の最近傍の輪郭線上の点とする。実施例１では境界線座標をパターンごとに分割したが、実施例２では対となる２点の座標がわかっているので、分割は不要である。得られた７種の特徴点の座標と、データベース２０５から呼び出した特徴点と寸法の定義により、所定の寸法が計算される。このように、入力した画像から寸法が自動的に計測される。

【0099】

図３２は、推論・計測ステップを行う際に入出力装置２０６に表示されるＧＵＩ画面の一例である。画面は入力データウィンドウ３４５と、推論・計測結果ウィンドウ３５３とを含む。入力データウィンドウ３４５では、定義ボタン３４０により特徴点と寸法との対応を定義したスクリプトを選択して読み込む。読み込まれた定義は定義テーブル３４９に表示される。つぎに、マニュアルボタン３４１によりテスト画像を１枚ずつ選択して推論・計測を行うか、バッチボタン３４２によりテスト画像を含むフォルダを指定してフォルダ内の全画像を一括で推論・計測を行うかを選択する。フォルダ名は画像の倍率に一致させることにより、倍率に関する情報はフォルダ名から得られる。セル３４６と３４７には選択したフォルダ名とファイル名とが表示される。画像ウィンドウ３５０には選択されたテスト画像が表示される。バッチを選択した場合には１枚目のテスト画像のファイル名と画像が、セル３４７と画像ウィンドウ３５０に表示される。スタートボタン３４３により２つの学習済みモデルを用いて推論と寸法計測が行われる。計算結果は自動で保存される。クリアボタン３４４により表示結果をクリアする。

【0100】

推論・計測結果ウィンドウ３５３では、ロードボタン３５１により結果を表示したい元画像を選択する。セル３５４と３５５には選択した画像のフォルダ名とファイル名とが表示される。ウィンドウ４１６には輪郭線に対するセマンティック・セグメンテーション結果が、ウィンドウ４１７には特徴点に対するセマンティック・セグメンテーション結果が表示される。最終結果ウィンドウ３５８には、元画像上に寸法値が表示された画像が表示され、数値テーブル３５９には計測された寸法値と統計値が表示される。

【0101】

図３３は、２つの画像の形状を比較する比較ステップを行う際に入出力装置２０６に表示されるＧＵＩ画面の一例である。画面は入力データウィンドウ４２３と、比較結果ウィンドウ４３６とを含む。入力データウィンドウ４２３では、ロード１ボタン４２０により比較したい１枚目の画像を、ロード２ボタン４２１により比較したい２枚目の画像を選択する。セル４２４と４２５には選択した１枚目の画像のフォルダ名とファイル名が、セル４２６と４２７には選択した２枚目の画像のフォルダ名とファイル名が表示される。画像ウィンドウ４２８と４２９には選択した２つの画像が表示される。輪郭線ウィンドウ４３０、４３１には、選択した２つの画像に対して抽出された輪郭線画像が、データベース２０５から読み出され、表示される。

【0102】

比較結果ウィンドウ４３６は、輪郭線を重ねて表示したウィンドウ４３７と、２つの画像の寸法値の平均値とその差分を示したテーブル４３８が表示される。オートボタン４３２は、２つの輪郭線４３０，４３１を縦方向はマスク上面が一致し、横方向はトレンチ中央が一致するように自動で調整するボタンである。自動調整が失敗した場合あるいは手動で調整したい場合には、マニュアルボタン４３３を押し、ユーザがマウスで画像をドラッグすることにより、位置を調整する。テーブル４３８には、２つの画像に対して計測された寸法値がデータベース２０５から読みだされ、両者の差分が計算されて表示される。セーブボタン４３４によって、重ね書きした輪郭線画像とテーブルの数値をデータベース２０５へ保存する。

【0103】

なお、本発明は前述した実施例に限定されるものではなく、添付した特許請求の範囲の趣旨内における様々な変形例及び同等の構成が含まれる。例えば、前述した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに本発明は限定されない。また、ある実施例の構成の一部を他の実施例の構成に置き換えてもよい。また、ある実施例の構成に他の実施例の構成を加えてもよい。また、各実施例の構成の一部について、他の構成の追加、削除、または置換をしてもよい。例えば、実施例１においてセマンティック・セグメンテーションモデルは半導体デバイスの断面を構成する各層を領域として色分けした画像を出力する例を説明したが、実施例２のように特徴点を出力するセマンティック・セグメンテーションモデルとしてもよい。ただし、この場合は、実施例２の例と違って全ての特徴点（実施例２の例では特徴点Ａ〜Ｇ）を出力する必要がある。

【0104】

また、前述した各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等により、ハードウェアで実現してもよく、プロセッサがそれぞれの機能を実現するプログラムを解釈し実行することにより、ソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、ＳＳＤ（Solid State Drive）等の記憶装置、又は、ＩＣ（Integrated Circuit）カード、ＳＤカード、ＤＶＤ（Digital Versatile Disc）の記録媒体に格納することができる。

【0105】

また、制御線や情報線は説明上必要と考えられるものを示しており、実装上必要な全ての制御線や情報線を示しているとは限らない。実際には、ほとんど全ての構成が相互に接続されていると考えてよい。

【符号の説明】

【0106】

１０：半導体製造システム、２０，３０：ニューラルネットワークモデル、１００：処理条件探索装置、１０１：目標処理結果・パラメータ選択、１０２：最適処理条件、１０３：入力装置、１０４：中央処理部、１０５：データベース、１０６：初期処理条件設定部、１０７：ターゲット設定部、１０８：モデル学習部、１０９：処理条件探索部、１１０：装置制御部、１１１：処理装置、１１２：評価装置、１１３：収束判定部、１１４：出力装置、１１５：インタフェース、１１６：プロセッサ、１１７：ＲＯＭ、１１８：ＲＡＭ、２００：寸法計測装置、２０１：中央処理部、２０２：モデル学習部、２０３：モデル推定部、２０４：寸法計測部、２０５：データベース、２０６：入出力装置、２０８：断面画像、２０９：特徴点と寸法の定義・倍率・学習データセット、３００：背景、３０１：マスク、３０２：基板、３０５：マスク上面幅、３０６：マスク／基板界面幅、３０７：基板最狭部幅、３０８：マスク高さ、３０９：トレンチ深さ、３１０：背景、３１１：マスク、３１２：基板、３２０：ロードボタン、３２１：セレクトボタン、３２２：クリアボタン、３２３：入力データウィンドウ、３２４，３２５：セル、３２６：画像ウィンドウ、３２８：モデルボタン、３２９：セレクトボタン、３３０：クリアボタン、３３２，３３３：セル、３３４：ウィンドウ、３３５：テーブル、３３６：スタートボタン、３３７：ストップボタン、３３８：クリアボタン、３３９：ターミナルウィンドウ、３４０：定義ボタン、３４１：マニュアルボタン、３４２：バッチボタン、３４３：スタートボタン、３４４：クリアボタン、３４５：入力データウィンドウ、３４６，３４７：セル、３４９：定義テーブル、３５０：画像ウィンドウ、３５１：ロードボタン、３５２：クリアボタン、３５３：推論・計測結果ウィンドウ、３５４，３５５：セル、３５６，３５７：ウィンドウ、３５８：最終結果ウィンドウ、３５９：数値テーブル、３６０：ターゲットウィンドウ、３６１：ターゲット構造セル、３６２：定義ウィンドウ、３６３：探索結果ウィンドウ、３６４：サーチボタン、３６５：クリアボタン、３６６：フォルダ名、３６７：ファイル名、３６８：画像、３６９：寸法の平均値、４００：背景、４０１：輪郭線、４１０：背景、４１１：特徴点Ａ、４１２：特徴点Ｃ、４１３：特徴点Ｅ、４１４：特徴点Ｇ、４１５：モデルボタン、４１６，４１７：ウィンドウ、４２０：ロード１ボタン、４２１：ロード２ボタン、４２２：クリアボタン、４２３：入力データウィンドウ、４２４，４２５，４２６，４２７：セル、４２８，４２９：画像ウィンドウ、４３０，４３１：輪郭線ウィンドウ、４３２：オートボタン、４３３：マニュアルボタン、４３４：セーブボタン、４３５：クリアボタン、４３６：比較結果ウィンドウ、４３７：ウィンドウ、４３８：テーブル。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図27】

【図28】

【図29】

【図30】

【図31】

【図32】

【図33】