特許 7603654 ＳＥＭ画像をレンダリングし、３Ｄデザインを用いて基板の欠陥撮像条件を予測するためのシステムと方法

(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】

(24)【登録日】2024-12-12

(45)【発行日】2024-12-20

(54)【発明の名称】ＳＥＭ画像をレンダリングし、３Ｄデザインを用いて基板の欠陥撮像条件を予測するためのシステムと方法

(51)【国際特許分類】

   H01L 21/66 20060101AFI20241213BHJP

   G06T 7/00 20170101ALI20241213BHJP

   G06V 10/82 20220101ALI20241213BHJP

   G06V 20/64 20220101ALI20241213BHJP

【ＦＩ】

H01L21/66 J

G06T7/00 610B

G06T7/00 350C

G06V10/82

G06V20/64

【請求項の数】 20

(21)【出願番号】P 2022504704

(86)(22)【出願日】2020-07-23

(65)【公表番号】

(43)【公表日】2022-10-07

(86)【国際出願番号】 US2020043162

(87)【国際公開番号】W WO2021021533

(87)【国際公開日】2021-02-04

【審査請求日】2023-06-22

(31)【優先権主張番号】201941030221

(32)【優先日】2019-07-26

(33)【優先権主張国・地域又は機関】IN

(31)【優先権主張番号】16/564,981

(32)【優先日】2019-09-09

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】500049141

【氏名又は名称】ケーエルエー コーポレイション

(74)【代理人】

【識別番号】110001210

【氏名又は名称】弁理士法人ＹＫＩ国際特許事務所

(72)【発明者】

【氏名】ヤティ アルピット

(72)【発明者】

【氏名】グルムルティ チャンドラシェカラン

【審査官】豊島 洋介

(56)【参考文献】

【文献】米国特許出願公開第２０１７／０１４８２２６（ＵＳ，Ａ１）

【文献】国際公開第２０１７／２１０４５５（ＷＯ，Ａ１）

【文献】米国特許出願公開第２０１９／０２２８５２２（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００ － ７／９０

Ｇ０６Ｖ１０／００ －２０／９０

Ｇ０６Ｖ３０／４１８

Ｇ０６Ｖ４０／１６

Ｇ０６Ｖ４０／２０

Ｈ０１Ｌ２１／６４ －２１／６６

(57)【特許請求の範囲】

【請求項1】

標本を特徴付けるためのシステムであって、
標本の１つ以上の画像を取得するように構成された特徴付けサブシステムと、
前記特徴付けサブシステムに通信可能に結合されたコントローラであって、メモリ内に格納されたプログラム命令のセットを実行するように構成された１つ以上のプロセッサを含み、前記プログラム命令のセットが前記１つ以上のプロセッサに、
標本の１つ以上の特徴の１つ以上の訓練画像を前記特徴付けサブシステムから受信させ、前記標本は半導体ウェハを含み、
前記標本の前記１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像を受信させ、
深層学習予測モデルを、前記１つ以上の訓練画像と前記１つ以上の訓練３Ｄデザイン画像に基づいて生成させ、
標本の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像を受信させ、
前記標本の前記１つ以上の特徴の１つ以上のシミュレートされた走査型電子顕微鏡画像または１つ以上の光学画像の少なくとも１つを、前記１つ以上の製品３Ｄデザイン画像に基づき前記深層学習予測モデルを用いて生成させ、
前記標本の１つ以上の材料特性を前記１つ以上のシミュレートされた走査型電子顕微鏡画像または前記１つ以上の光学画像の少なくとも１つに基づいて決定させるように構成された、コントローラと、を備える、
システム。

【請求項2】

前記標本の前記１つ以上の特徴の前記１つ以上の訓練画像の少なくとも１つは、前記標本の光学画像を含む、請求項１に記載のシステム。

【請求項3】

前記標本の前記１つ以上の特徴の前記１つ以上の訓練画像の少なくとも１つは、前記標本の走査型電子顕微鏡（ＳＥＭ）画像を含む、請求項１に記載のシステム。

【請求項4】

前記深層学習予測モデルは条件付き敵対的生成ネットワーク（ＣＧＡＮ）を含む、請求項１に記載のシステム。

【請求項5】

前記１つ以上のプロセッサは、
１つ以上のシミュレートされた訓練画像を前記１つ以上の訓練３Ｄデザイン画像に基づき、前記ＣＧＡＮの生成器を使用して生成し、
前記ＣＧＡＮの弁別器を、前記１つ以上の訓練画像、前記１つ以上の訓練３Ｄデザイン画像、及び前記１つ以上のシミュレートされた訓練画像に基づき訓練する、
ように更に構成される、請求項４に記載のシステム。

【請求項6】

前記１つ以上のプロセッサは、前記ＣＧＡＮの前記生成器を、前記弁別器の１つ以上の弁別器出力に基づき訓練するように更に構成される、請求項５に記載のシステム。

【請求項7】

前記標本の前記１つ以上の特徴の前記１つ以上のシミュレートされた走査型電子顕微鏡画像または前記１つ以上の光学画像を、前記１つ以上の製品３Ｄデザイン画像に基づき前記深層学習予測モデルを用いて生成することは、
前記標本の前記１つ以上の特徴の前記１つ以上のシミュレートされた走査型電子顕微鏡画像または前記１つ以上の光学画像を、前記１つ以上の製品３Ｄデザイン画像に基づき前記ＣＧＡＮの生成器を用いて生成すること、
を含む、請求項５に記載のシステム。

【請求項8】

前記標本の前記１つ以上の特性は、さらに、前記標本の表面のトポグラフィ測定、及び前記標本内の欠陥の位置または前記標本内の欠陥のタイプのうちの少なくとも１つを含む、請求項１に記載のシステム。

【請求項9】

前記１つ以上のプロセッサは、
前記標本の前記１つ以上の製品３Ｄデザイン画像の１つ以上の特性を適応的に修正して、１つ以上の修正された製品３Ｄデザイン画像を生成する、
ように更に構成される、請求項１に記載のシステム。

【請求項10】

前記コントローラに通信可能に結合された１つ以上の作製ツールであって、前記コントローラの前記１つ以上のプロセッサが、
前記１つ以上の作製ツールに、前記１つ以上の修正された製品３Ｄデザイン画像に基づいて製品標本を作製させるように構成された、１つ以上の制御信号を生成する、
ように更に構成される、１つ以上の作製ツールを更に備える、請求項９に記載のシステム。

【請求項11】

前記１つ以上のプロセッサは、
１つ以上のモンテカルロシミュレーションを、前記標本の前記１つ以上の特徴に対応する前記１つ以上の製品３Ｄデザイン画像に対して実行し、１つ以上の比較画像を生成し、
前記深層学習予測モデルの精度メトリックを、前記深層学習予測モデルによって生成された前記１つ以上のシミュレートされた画像と前記１つ以上の比較画像を比較することにより決定する、
ように更に構成される、請求項１に記載のシステム。

【請求項12】

標本を特徴付けるためのシステムであって、
メモリ内に格納されたプログラム命令のセットを実行するように構成された１つ以上のプロセッサを含むコントローラであって、前記プログラム命令のセットが前記１つ以上のプロセッサに、
標本の１つ以上の特徴の１つ以上の訓練画像を受信させ、前記標本は半導体ウェハを含み、
前記標本の前記１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像を受信させ、
深層学習予測モデルを、少なくとも前記１つ以上の訓練画像と前記１つ以上の訓練３Ｄデザイン画像に基づいて生成させ、
標本の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像を受信させ、
前記標本の前記１つ以上の特徴の１つ以上のシミュレートされた走査型電子顕微鏡画像または１つ以上の光学画像の少なくとも１つを、前記１つ以上の製品３Ｄデザイン画像に基づき前記深層学習予測モデルを用いて生成させ、
前記標本の１つ以上の材料特性を前記１つ以上のシミュレートされた走査型電子顕微鏡画像または１つ以上の光学画像の少なくとも１つに基づいて決定させるように構成される、コントローラと、を備える、
システム。

【請求項13】

前記１つ以上の訓練画像は、標本の１つ以上の画像を取得するように構成された特徴付けサブシステムから受信される、請求項１２に記載のシステム。

【請求項14】

前記１つ以上のプロセッサは、
前記標本の前記１つ以上の製品３Ｄデザイン画像の１つ以上の特性を適応的に修正して、１つ以上の修正された製品３Ｄデザイン画像を生成する、
ように更に構成される、請求項１２に記載のシステム。

【請求項15】

前記コントローラに通信可能に結合された１つ以上の作製ツールであって、前記コントローラの前記１つ以上のプロセッサは、
１つ以上の制御信号であって、前記１つ以上の作製ツールに前記１つ以上の修正された製品３Ｄデザイン画像に基づいて製品標本を作製させるように構成された、１つ以上の制御信号を生成するように更に構成される、１つ以上の作製ツール、を更に備える、請求項１４に記載のシステム。

【請求項16】

前記深層学習予測モデルは条件付き敵対的生成ネットワーク（ＣＧＡＮ）を含む、請求項１２に記載のシステム。

【請求項17】

標本を特徴付けるためのシステムであって、
半導体ウェハを含む標本の１つ以上の画像を取得するように構成された特徴付けサブシステムと、
前記特徴付けサブシステムに通信可能に結合されたコントローラであって、メモリ内に格納されたプログラム命令のセットを実行するように構成された１つ以上のプロセッサを含み、前記プログラム命令のセットが前記１つ以上のプロセッサに、
標本の１つ以上の特徴の１つ以上の訓練画像を前記特徴付けサブシステムから受信させ、
前記標本の前記１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像を受信させ、
深層学習予測モデルを、前記１つ以上の訓練画像と前記１つ以上の訓練３Ｄデザイン画像に基づいて生成させ、
標本の１つ以上の特徴の１つ以上の製品画像を受信させ、前記１つ以上の製品画像は、１つ以上の走査型電子顕微鏡画像または１つ以上の光学画像の少なくとも１つを含み、
前記標本の前記１つ以上の特徴の１つ以上のシミュレートされた３Ｄデザイン画像を、前記１つ以上の製品画像に基づき前記深層学習予測モデルを用いて生成させ、
前記標本の１つ以上の材料特性を前記１つ以上のシミュレートされた３Ｄデザイン画像に基づいて決定させる、ように構成された、コントローラと、を備える、
システム。

【請求項18】

標本を特徴付けるためのシステムであって、
メモリ内に格納されたプログラム命令のセットを実行するように構成された１つ以上のプロセッサを含むコントローラであって、前記プログラム命令のセットが前記１つ以上のプロセッサに、
標本の１つ以上の特徴の１つ以上の訓練画像を受信させ、前記標本は半導体ウェハを含み、
前記標本の前記１つ以上の特徴に対応する１つ以上の訓練３Ｄデザイン画像を受信させ、
深層学習予測モデルを、少なくとも前記１つ以上の訓練画像と前記１つ以上の訓練３Ｄデザイン画像に基づいて生成させ、
標本の１つ以上の特徴の１つ以上の製品画像を受信させ、前記１つ以上の製品画像は、１つ以上の走査型電子顕微鏡画像または１つ以上の光学画像の少なくとも１つを含み、
前記標本の前記１つ以上の特徴の１つ以上のシミュレートされた３Ｄデザイン画像を、前記１つ以上の製品画像に基づき前記深層学習予測モデルを用いて生成させ、
前記標本の１つ以上の材料特性を前記１つ以上のシミュレートされた３Ｄデザイン画像に基づいて決定させる、ように構成される、コントローラと、を備える、
システム。

【請求項19】

標本を特徴付けるための方法であって、
半導体ウェハを含む標本の１つ以上の特徴の１つ以上の訓練画像を、特徴付けサブシステムを用いて取得することと、
前記標本の前記１つ以上の特徴の１つ以上の訓練３次元（３Ｄ）デザイン画像を受信することと、
深層学習予測モデルを前記１つ以上の訓練画像と前記１つ以上の訓練３Ｄデザイン画像に基づいて生成することと、
標本の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像を受信することと、
前記標本の前記１つ以上の特徴の１つ以上のシミュレートされた走査型電子顕微鏡画像または１つ以上の光学画像の少なくとも１つを、前記１つ以上の製品３Ｄデザイン画像に基づいて前記深層学習予測モデルを使用して生成することと、
前記標本の１つ以上の材料特性を前記１つ以上のシミュレートされた走査型電子顕微鏡画像または前記１つ以上の光学画像の少なくとも１つに基づいて決定することと、を含む、
方法。

【請求項20】

標本を特徴付けるための方法であって、
半導体ウェハを含む標本の１つ以上の特徴の１つ以上の訓練画像を、特徴付けサブシステムを用いて取得することと、
前記標本の前記１つ以上の特徴の１つ以上の訓練３次元（３Ｄ）デザイン画像を受信することと、
深層学習予測モデルを前記１つ以上の訓練画像と前記１つ以上の訓練３Ｄデザイン画像に基づいて生成することと、
標本の前記１つ以上の特徴の１つ以上の製品画像を受信することであり、前記１つ以上の製品画像は、１つ以上の走査型電子顕微鏡画像または１つ以上の光学画像の少なくとも１つを含み、
前記標本の前記１つ以上の特徴の１つ以上のシミュレートされたデザイン画像を、前記１つ以上の製品画像に基づいて前記深層学習予測モデルを使用して生成することと、
前記標本の１つ以上の特性を前記１つ以上のシミュレートされたデザイン画像に基づいて決定することであり、前記１つ以上の特性は前記標本の材料特性を含む、
方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、一般に、標本の特徴付け及び計測学の分野に関連し、特に、標本の欠陥を、機械学習技術を利用してシミュレートするためのシステム及び方法に関連する。

【背景技術】

【0002】

（関連出願の相互参照）
本出願は、２０１９年７月２６日に出願され、「ＲＥＮＤＥＲＩＮＧ ＳＥＭ ＩＭＡＧＥ ＡＮＤ ＰＲＥＤＩＣＴＩＮＧ ＤＥＦＥＣＴ ＩＭＡＧＩＮＧ ＣＯＮＤＩＴＩＯＮ ＵＳＩＮＧ ３Ｄ ＤＥＳＩＧＮ」と題し、Ａｒｐｉｔ Ｙａｔｉ及びＣｈａｎｄｒａｓｈｅｋａｒａｎ Ｇｕｒｕｍｕｒｔｈｙを発明者として記載する、インド仮特許出願第２０１９４１０３０２２１号の優先権を主張するものであり、それらの開示の全体は参照により本明細書に組み込まれる。

【0003】

より小型のフットプリントと機能を備えた電子論理及びメモリデバイスの需要は、所望のスケールでの作製の範囲を超えた広範囲の製造上の課題を提示する。半導体製造のコンテキストでは、半導体デバイスの欠陥を予測して取り除くことは、スループットと歩留まりを向上させる重要なステップである。欠陥を特定する際の主な課題の１つは、欠陥の位置、タイプ、及び構造を正確に予測できないことである。

【0004】

欠陥の相対的な位置、タイプ、及び構造を予測するために使用される従来の技術は、シミュレーションの使用を伴う。例えば、プロセス技術者が蓋然性の高い欠陥(probable defect)のおおよその位置、タイプ、及び大まかな構造を知っている状況では、モンテカルロシミュレーションを使用して、欠陥の走査型電子顕微鏡（ＳＥＭ）画像をシミュレートし得る。同様に、マクスウェルの方程式を解く光学シミュレーションを使用して、欠陥信号を予測し、識別するために必要な撮像条件を予測し得る。次に、シミュレートされたＳＥＭ画像と識別された撮像条件を使用して、欠陥をより効果的に識別し、スループットと歩留まりを向上し得る。

【先行技術文献】

【特許文献】

【0005】

【文献】米国特許出願公開第２０１７／０１４８２２６号

【文献】米国特許出願公開第２０１９／０２２８５２２号

【発明の概要】

【発明が解決しようとする課題】

【0006】

モンテカルロシミュレーションを利用するこれらの従来の技術は、いくつかの欠点に悩まされる。まず、これらの従来のシミュレーション技術は、計算上コストが高く、時間がかかる。特に、モンテカルロシミュレーションを実行して、ＳＥＭ画像をデザイン画像／データに基づき生成することは、非常に時間がかかる場合がある。したがって、これらの技術は、１日にいくつかの欠陥を予測／識別することのみ可能である場合が有り、これは、半導体製造プロセスのスループットを大きく妨げる。加えて、モンテカルロベースのシミュレーション技術は、デザイン画像／データをＳＥＭ画像に基づいてレンダリングすることができず、シミュレートされたＳＥＭ画像に基づいて標本の材料特性を決定することができない。

【0007】

したがって、上記で特定された以前のアプローチの１つ以上の欠点を取り除くシステム及び方法を提供することが望ましい。

【課題を解決するための手段】

【0008】

標本を特徴付けるためのシステムが開示される。１つの実施形態では、システムは、標本の１つ以上の画像を取得するように構成された特徴付けサブシステムを含む。別の実施形態では、システムは、特徴付けサブシステムに通信可能に結合されたコントローラを含む。コントローラは、標本の１つ以上の特徴の１つ以上の訓練画像を特徴付けサブシステムから受信し、標本の１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像を受信し、深層学習予測モデルを１つ以上の訓練画像と１つ以上の訓練３Ｄデザイン画像に基づいて生成し、標本の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像を受信し、標本の１つ以上の特徴の１つ以上のシミュレートされた画像を、１つ以上の製品３Ｄデザイン画像に基づき深層学習予測モデルを用いて生成し、標本の１つ以上の特性を１つ以上のシミュレートされた画像に基づいて決定する、ように構成され得る。

【0009】

標本を特徴付けるためのシステムが開示される。１つの実施形態では、システムは、コントローラを含み、コントローラは、標本の１つ以上の特徴の１つ以上の訓練画像を受信し、標本の１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像を受信し、深層学習予測モデルを少なくとも１つ以上の訓練画像と１つ以上の訓練３Ｄデザイン画像に基づいて生成し、標本の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像を受信し、標本の１つ以上の特徴の１つ以上のシミュレートされた画像を、１つ以上の製品３Ｄデザイン画像に基づき、深層学習予測モデルを用いて生成し、標本の１つ以上の特性を１つ以上のシミュレートされた画像に基づいて決定する、ように構成される。

【0010】

標本を特徴付けるためのシステムが開示される。１つの実施形態では、システムは、標本の１つ以上の画像を取得するように構成された特徴付けサブシステムと、特徴付けサブシステムに通信可能に結合されたコントローラとを含む。コントローラは、標本の１つ以上の特徴の１つ以上の訓練画像を特徴付けサブシステムから受信し、標本の１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像を受信し、深層学習予測モデルを１つ以上の訓練画像と１つ以上の訓練３Ｄデザイン画像に基づいて生成し、標本の１つ以上の特徴の１つ以上の製品画像を受信し、標本の１つ以上の特徴の１つ以上のシミュレートされた３Ｄデザイン画像を、１つ以上の製品画像に基づき深層学習予測モデルを用いて生成し、標本の１つ以上の特性を１つ以上のシミュレートされた３Ｄデザイン画像に基づいて決定する、ように構成され得る。

【0011】

標本を特徴付けるためのシステムが開示される。１つの実施形態では、システムは、コントローラを含み、コントローラは、標本の１つ以上の特徴の１つ以上の訓練画像を受信し、標本の１つ以上の特徴に対応する１つ以上の訓練３Ｄデザイン画像を受信し、深層学習予測モデルを少なくとも１つ以上の訓練画像と１つ以上の訓練３Ｄデザイン画像に基づいて生成し、標本の１つ以上の特徴の１つ以上の製品画像を受信し、標本の１つ以上の特徴の１つ以上のシミュレートされた３Ｄデザイン画像を、１つ以上の製品画像に基づき、深層学習予測モデルを用いて生成し、標本の１つ以上の特性を１つ以上のシミュレートされた３Ｄデザイン画像に基づいて決定する、ように構成される。

【0012】

標本を特徴付けるための方法が開示される。１つの実施形態では、方法は、標本の１つ以上の特徴の１つ以上の訓練画像を、特徴付けサブシステムを用いて取得することと、標本の１つ以上の特徴の１つ以上の訓練３次元（３Ｄ）デザイン画像を受信することと、深層学習予測モデルを１つ以上の訓練画像と１つ以上の訓練３Ｄデザイン画像に基づいて生成することと、標本の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像を受信することと、標本の１つ以上の特徴の１つ以上のシミュレートされた画像を、１つ以上の製品３Ｄデザイン画像に基づいて深層学習予測モデルを使用して生成することと、標本の１つ以上の特性を１つ以上のシミュレートされた画像に基づいて決定することを含む。

【0013】

標本を特徴付けるための方法が開示される。１つの実施形態では、方法は、標本の１つ以上の特徴の１つ以上の訓練画像を、特徴付けサブシステムを用いて取得することと、標本の１つ以上の特徴の１つ以上の訓練３次元（３Ｄ）デザイン画像を受信することと、深層学習予測モデルを１つ以上の訓練画像と１つ以上の訓練３Ｄデザイン画像に基づいて生成することと、標本の１つ以上の特徴の１つ以上の製品画像を受信することと、標本の１つ以上の特徴の１つ以上のシミュレートされたデザイン画像を、１つ以上の製品画像に基づいて深層学習予測モデルを使用して生成することと、標本の１つ以上の特性を１つ以上のシミュレートされたデザイン画像に基づいて決定することを含む。

【0014】

前述の一般的な説明及び以下の詳細な説明の両方は、例示的かつ説明的なものにすぎず、特許請求される本発明を必ずしも限定するものではないことは理解されるべきである。本明細書に組み込まれ、その一部を構成する添付の図面は、本発明の実施形態を例示し、一般的な説明とともに、本発明の原理を説明するのに役立つ。

【0015】

本開示の多くの利点は、以下の添付の図面を参照することにより、当業者によってよりよく理解され得る。

【図面の簡単な説明】

【0016】

【図1】標本のシミュレートされたＳＥＭ画像を、モンテカルロシミュレーションを使用して生成するためのフローチャートを示す図である。

【図2】本開示の１つ以上の実施形態による、標本を特徴付けるために、機械学習技術を利用して標本のシミュレートされた画像を生成するシステムを示す。

【図3A】本開示の１つ以上の実施形態による、標本を特徴付けるために、機械学習技術を利用して標本のシミュレートされた画像を生成するシステムを示す。

【図3B】本開示の１つ以上の実施形態による、標本を特徴付けるために、機械学習技術を利用して標本のシミュレートされた画像を生成するシステムを示す。

【図4A】本開示の１つ以上の実施形態による、深層学習予測モデルを訓練するためのフローチャートを示す。

【図4B】本開示の１つ以上の実施形態による、標本のシミュレートされた画像を標本の製品３次元デザイン画像に基づいて生成するように構成された、訓練された深層学習予測モデルのフローチャートを示す。

【図4C】本開示の１つ以上の実施形態による、標本のシミュレートされた３次元デザイン画像を標本の製品画像に基づいて生成するように構成された、訓練された深層学習予測モデルのフローチャートを示す。

【図5】本開示の１つ以上の実施形態による、条件付き敵対的生成ネットワーク（ＣＧＡＮ）を含む深層学習予測モデルを訓練するためのフローチャートを示す。

【図6】本開示の１つ以上の実施形態による、深層学習予測モデルを利用する作製プロセスで標本を作製するために使用される３次元デザイン画像を適応的に修正するためのフローチャートを示す。

【図7】本開示の１つ以上の実施形態による、シミュレートされた画像を、３次元デザイン画像に基づき深層学習予測モデルを利用して生成するための方法のフローチャートを示す。

【図8】本開示の１つ以上の実施形態による、シミュレートされた３次元デザイン画像を、走査型電子顕微鏡（ＳＥＭ）画像に基づき深層学習予測モデルを利用して生成するための方法のフローチャートを示す。

【発明を実施するための形態】

【0017】

本開示は、特定の実施形態及びその特定の特徴に関して特に示されて説明されている。本明細書に記載の実施形態は、例示的であり、限定するものではないと解釈される。形態及び詳細の様々な変更と修正が、本開示の趣旨及び範囲から逸脱することなく行い得ることは、当業者には容易に明らかである。

【0018】

ここで、開示された主題を詳細に参照し、それは添付の図面に示される。

【0019】

本開示の実施形態は、シミュレートされた走査型電子顕微鏡（ＳＥＭ）画像及び／又はシミュレートされた光学画像を、３次元（３Ｄ）デザイン画像に基づき、機械学習技術（深層学習予測モデルなど）を利用して生成するためのシステム及び方法に関する。本開示の追加の実施形態は、シミュレートされた３次元（３Ｄ）デザイン画像を、走査型電子顕微鏡（ＳＥＭ）画像に基づき、機械学習技術（深層学習予測モデルなど）を利用して生成するためのシステム及び方法に関する。本開示の更なる実施形態は、標本の３Ｄデザイン画像を、機械学習技術を用いて生成されたシミュレートされたＳＥＭ画像及び／又はシミュレートされた３Ｄデザイン画像を利用して適応的に修正することに関する。

【0020】

本明細書では、本開示の実施形態は、作製プロセス全体を通して標本欠陥のより速く、より効率的な識別を可能にし、それによってスループット及び歩留まりを向上し得る、ことが企図される。加えて、本開示の実施形態は、作製プロセス全体を通して標本の作製を改善するために、３Ｄデザインデータの適応的な修正を可能にし得る。本開示のシステム及び方法は、ＳＥＭ画像から３Ｄデザイン画像／ファイルの生成、ならびに生成されたシミュレートされたＳＥＭ画像を利用する材料特性の予測を可能にし得ることが更に企図され、これは従来のモデリング技術では不可能である。

【0021】

図１は、標本のシミュレートされたＳＥＭ画像を、モンテカルロシミュレーションを使用して生成するためのフローチャート１００を示す。図１に示されたフローチャート１００は、モンテカルロシミュレーションを利用した従来のシミュレーション技術の一例として提供される。本明細書では、フローチャート１００の簡単な説明は、ベースラインを提供し得て、そのベースラインに対して本開示の付随する利点が比較し得ることが企図される。

【0022】

標本（例えば、半導体ウェハ）内の欠陥の相対的な位置、タイプ、及び構造を予測するために、従来の技術は、３次元（３Ｄ）デザイン画像１０２（例えば、３Ｄデザインファイル１０２）を１つ以上のプロセッサに入力し、モンテカルロシミュレーション１０４を実行する。次に、モンテカルロシミュレーション１０４は、標本内の欠陥の相対的な位置、タイプ、及び構造を模倣することを目的とした１つ以上のシミュレートされた走査型電子顕微鏡（ＳＥＭ）画像１０６を生成し得る。

【0023】

モンテカルロシミュレーション１０４を利用するこれらの従来の技術は、いくつかの欠点に悩まされる。まず、これらの従来のシミュレーション技術は、計算上コストが高く、時間がかかる。特に、モンテカルロシミュレーション１０４を実行して、シミュレートされたＳＥＭ画像１０６を３Ｄデザイン画像１０２に基づいて生成することは、非常に時間がかかる場合がある。したがって、これらの技術は、１日にいくつかの欠陥を予測／識別することのみ可能である場合が有り、これは、半導体製造プロセスのスループットを大きく妨げる。更に、モンテカルロベースのシミュレーション技術は、取得されたＳＥＭ画像に基づいて３Ｄデザイン画像１０２をレンダリングすることができず、シミュレートされたＳＥＭ画像１０６に基づいて標本の材料特性を予測することができない。

【0024】

したがって、本開示の実施形態は、上記で特定された以前のアプローチの１つ以上の欠点を取り除くシステム及び方法に関する。

【0025】

図２は、本開示の１つ以上の実施形態による、標本を特徴付けるために、機械学習技術を利用して標本のシミュレートされた画像を生成するシステム２００を示す。システム２００は、限定するものではないが、１つ以上の特徴付けサブシステム２０２を含み得る。システム２００は、限定するものではないが、１つ以上のプロセッサ２０６及びメモリ２０８を含むコントローラ２０４と、ユーザインターフェース２１０を更に含み得る。

【0026】

特徴付けサブシステム２０２は、当技術分野で周知の任意の特徴付けサブシステム２０２を含み得て、限定するものではないが、光学ベースの特徴付けシステム、荷電粒子ベースの特徴付けシステムなどである。例えば、特徴付けサブシステム２０２は、走査型電子顕微鏡（ＳＥＭ）特徴付けシステムを含み得る。１つの実施形態では、コントローラ２０４は、１つ以上の特徴付けサブシステム２０２に通信可能に結合される。これに関して、コントローラ２０４の１つ以上のプロセッサ２０６は、１つ以上の制御信号を生成するように構成され得て、それは特徴付けサブシステム２０２の１つ以上の特性を調整するように構成される。

【0027】

図３Ａは、本開示の１つ以上の実施形態による、標本を特徴付けるために、機械学習技術を利用して標本のシミュレートされた画像を生成するシステム２００を示す。特に、図３Ａは、光学的特徴付けサブシステム２０２ａを含むシステム２００を示す。

【0028】

光学的特徴付けサブシステム２０２ａは、当技術分野で周知の任意の光学ベースの特徴付けシステムを含み得て、限定するものではないが画像ベースの計測ツールを含む。例えば、特徴付けサブシステム２０２ａは、光学的臨界寸法計測ツールを含み得る。光学的特徴サブシステム２０２ａは、限定するものではないが、照明源２１２、照明アーム２１１、収集アーム２１３、及び検出器アセンブリ２２６を含み得る。

【0029】

１つの実施形態では、光学的特徴付けサブシステム２０２ａは、ステージアセンブリ２２２上に配置された標本２２０を検査及び／又は測定するように構成される。照明源２１２は、照明２０１を生成するための当技術分野で周知の任意の照明源を含み得て、限定するものではないが広帯域放射源を含む。別の実施形態では、光学的特徴付けサブシステム２０２ａは、照明２０１を標本２２０に向けるように構成された照明アーム２１１を含み得る。光学的特徴付けサブシステム２０２ａの照明源２１２は、当技術分野で周知の任意の配向で構成され得て、限定するものではないが、暗視野配向、明視野配向などを含むことに留意する。

【0030】

標本２２０は、当技術分野で周知の任意の標本を含み得て、限定するものではないが、ウェハ、レチクル、フォトマスクなどを含む。１つの実施形態では、標本２２０は、ステージアセンブリ２２２の上に配置され、標本２２０の移動を容易にする。別の実施形態では、ステージアセンブリ２２２は、作動可能なステージである。例えば、ステージアセンブリ２２２は、限定するものではないが、標本２２０を１つ以上の直線方向（例えば、ｘ方向、ｙ方向、及び／又はｚ方向）に沿って選択的に並進するのに適した１つ以上の並進ステージを含み得る。別の例として、ステージアセンブリ２２２は、限定するものではないが、標本２２０を回転方向に沿って選択的に回転させるのに適した１つ以上の回転ステージを含み得る。別の例として、ステージアセンブリ２２２は、限定するものではないが、選択的に、標本２２０を直線方向に沿って並進させる、及び／又は標本２２０を回転方向に沿って回転させるのに適した、回転ステージ及び並進ステージを含み得る。本明細書では、システム２００は、当技術分野で周知の任意の走査モードで動作し得ることに留意する。

【0031】

照明アーム２１１は、当技術分野で周知の任意の数及びタイプの光学部品を含み得る。１つの実施形態では、照明アーム２１１は、１つ以上の光学素子２１４、ビームスプリッタ２１６、及び対物レンズ２１８を含む。これに関して、照明アーム２１１は、照明２０１を照明源２１２から標本２２０の表面に集束させるように構成され得る。１つ以上の光学素子２１４は、当技術分野で周知の任意の光学素子を含み得て、限定するものではないが、１つ以上のミラー、１つ以上のレンズ、１つ以上の偏光子、１つ以上のビームスプリッタなどを含む。

【0032】

別の実施形態では、光学的特徴付けサブシステム２０２ａは、標本２２０から反射又は散乱された照明を収集するように構成された収集アーム２１３を含む。別の実施形態では、収集アーム２１３は、反射及び散乱光を、検出器アセンブリ２２６の１つ以上のセンサに１つ以上の光学素子２２４を介して向け、及び／又は集束させ得る。１つ以上の光学素子２２４は、当技術分野で周知の任意の光学素子を含み得て、限定するものではないが、１つ以上のミラー、１つ以上のレンズ、１つ以上の偏光子、１つ以上のビームスプリッタなどである。検出器アセンブリ２２６は、標本２２０から反射又は散乱された照明を検出するための当技術分野で周知の任意のセンサ及び検出器アセンブリを含み得ることに留意する。

【0033】

別の実施形態では、光学的特徴付けサブシステム２０２の検出器アセンブリ２２６は、標本２２０の計測データを標本２２０から反射又は散乱された照明に基づいて収集するように構成される。別の実施形態では、検出器アセンブリ２２６は、収集された／取得された、画像及び／又は計測データをコントローラ２０４に送信するように構成される。

【0034】

本明細書で前述したように、システム２００のコントローラ２０４は、１つ以上のプロセッサ２０６及びメモリ２０８を含み得る。メモリ２０８は、１つ以上のプロセッサ２０６に本開示の様々なステップを実行させるように構成されたプログラム命令を含んでもよい。１つの実施形態では、プログラム命令は、１つ以上のプロセッサ２０６に、光学的特徴付けサブシステム２０２の１つ以上の特性を調整させて、標本２２０の１つ以上の測定を実行するように構成される。

【0035】

追加及び／又は代替の実施形態では、特徴付けサブシステム２０２は、荷電粒子ベースの特徴付けサブシステム２０２を含み得る。例えば、特徴付けサブシステム２０２は、図３Ｂに示されるように、ＳＥＭ特徴付けサブシステムを含み得る。

【0036】

図３Ｂは、本開示の１つ以上の実施形態による、標本を特徴付けるために、機械学習技術を利用して標本のシミュレートされた画像を生成するシステムを示す。特に、図３Ｂは、ＳＥＭ特徴付けサブシステム２０２ｂを含むシステム２００を示す。

【0037】

１つの実施形態では、ＳＥＭ特徴付けサブシステム２０２ｂは、標本２２０に１つ以上の測定を実行するように構成される。これに関して、ＳＥＭ特徴付けサブシステム２０２ｂは、標本２２０の１つ以上の画像を取得するように構成されてもよい。ＳＥＭ特徴付けサブシステム２０２ｂは、限定するものではないが、電子ビーム源２２８、１つ以上の電子光学素子２３０、１つ以上の電子光学素子２３２、及び１つ以上の電子センサ２３６を含む電子検出器アセンブリ２３４を含み得る。

【0038】

１つの実施形態では、電子ビーム源２２８は、１つ以上の電子ビーム２２９を標本２２０に向けるように構成される。電子ビーム源２２８は、電子光学カラムを形成し得る。別の実施形態では、電子ビーム源２２８は、１つ以上の追加及び／又は代替の電子光学素子２３０を含み、それは１つ以上の電子ビーム２２９を標本２２０の表面に集束及び／又は向けるように構成される。別の実施形態では、ＳＥＭ特徴付けサブシステム２０２ｂは、１つ以上の電子光学素子２３２を含み、それは１つ以上の電子ビーム２２９に応答して標本２２０の表面から放出される二次及び／又は後方散乱電子２３１を収集するように構成される。本明細書では、１つ以上の電子光学素子２３０及び１つ以上の電子光学素子２３２は、電子を配向、集束、及び／又は収集するように構成された任意の電子光学素子を含み得て、限定するものではないが、１つ以上の偏向器、１つ以上の電子光学レンズ、１つ以上のコンデンサレンズ（例えば、磁気コンデンサレンズ）、１つ以上の対物レンズ（例えば、磁気コンデンサレンズ）などを含むことに留意する。

【0039】

ＳＥＭ特徴付けサブシステム２０２ｂの電子光学アセンブリは、図３Ｂに示される電子光学素子に限定するものではなく、それは単に例示の目的で提供されることに留意する。システム２００は、１つ以上の電子ビーム２２９を標本２２０に配向／集束させ、それに応答して、放出された二次及び／又は後方散乱電子２３１を電子検出器アセンブリ２３４上に収集及び画像化するために必要な任意の数及びタイプの電子光学素子を含み得ることに更に留意する。

【0040】

例えば、システム２００は、１つ以上の電子ビーム走査要素（図示せず）を含み得る。例えば、１つ以上の電子ビーム走査要素は、限定するものではないが、標本２２０の表面に対する１つ以上の電子ビーム２２９の位置を制御するのに適した１つ以上の電磁走査コイル又は静電偏向器を含み得る。更に、１つ以上の走査要素を利用して、選択されたパターンで標本２２０を横切る１つ以上の電子ビーム２２９を走査し得る。

【0041】

別の実施形態では、二次及び／又は後方散乱電子２３１は、電子検出器アセンブリ２３４の１つ以上のセンサ２３６に向けられる。ＳＥＭ特徴付けサブシステム２０２の電子検出器アセンブリ２３４は、標本２２０の表面から放出される後方散乱及び／又は二次電子２３１を検出するのに適した当技術分野で周知の任意の電子検出器アセンブリを含み得る。１つの実施形態では、電子検出器アセンブリ２３４は、電子検出器アレイを含む。これに関して、電子検出器アセンブリ２３４は、電子検出部分のアレイを含み得る。更に、電子検出器アセンブリ２３４の検出器アレイの各電子検出部分は、入射する１つ以上の電子ビーム２２９の１つに関連する標本２２０からの電子信号を検出するように配置され得る。これに関して、電子検出器アセンブリ２３４の各チャネルは、１つ以上の電子ビーム２２９の電子ビーム２２９に対応し得る。電子検出器アセンブリ２３４は、当技術分野で周知の任意のタイプの電子検出器を含んでもよい。例えば、電子検出器アセンブリ２３４は、マイクロチャネルプレート（ＭＣＰ）、ＰＩＮ又はｐ－ｎ接合検出器アレイ、例えば、限定するものではないが、ダイオードアレイ又はアバランシェフォトダイオード（ＡＰＤ）を含み得る。別の例として、電子検出器アセンブリ２３４は、高速シンチレータ／ＰＭＴ検出器を含み得る。

【0042】

図３Ｂは、ＳＥＭ特徴付けサブシステム２０２ｂを二次電子検出器アセンブリのみを備えている電子検出器アセンブリ２３４を含むものとして示し、これは、本開示の限定と見なされるべきではない。これに関して、電子検出器アセンブリ２３４は、限定するものではないが、二次電子検出器、後方散乱電子検出器、及び／又は一次電子検出器（例えば、インコラム電子検出器）を含み得ることに留意する。別の実施形態では、ＳＥＭ特徴付けサブシステム２０２は、複数の電子検出器アセンブリ２３４を含み得る。例えば、システム２００は、二次電子検出器アセンブリ２３４ａ、後方散乱電子検出器アセンブリ２３４ｂ、及びインコラム電子検出器アセンブリ２３４ｃを含み得る。

【0043】

１つの実施形態では、コントローラ２０４の１つ以上のプロセッサ２０６は、検出器アセンブリ２２６／電子検出器アセンブリ２３４の出力を分析するように構成される。１つの実施形態では、プログラム命令のセットは、１つ以上のプロセッサ２０６に、標本２２０の１つ以上の特性を検出器アセンブリ２２６／電子検出器アセンブリ２３４から受信した画像に基づいて分析させるように構成される。別の実施形態では、プログラム命令のセットは、１つ以上のプロセッサ２０６に、システム２００の１つ以上の特性を修正させて、標本２２０及び／又は検出器アセンブリ２２６／電子検出器アセンブリ２３４への焦点を維持させるように構成される。例えば、１つ以上のプロセッサ２０６は、照明源２１２／電子ビーム源２２８及び／又はシステム２００の他の要素の１つ以上の特性を調整して、照明２０１及び／又は１つ以上の電子ビーム２２９を標本２２０の表面に集束させるように構成され得る。別の例として、１つ以上のプロセッサ２０６は、システム２００の１つ以上の要素を調整して、標本２２０の表面から照明及び／又は二次電子２３１を収集し、収集された照明を検出器アセンブリ２２６／電子検出器アセンブリ２３４に集束するように構成され得る。別の例として、１つ以上のプロセッサ２０６は、電子ビーム源２２８の１つ以上の静電偏向器に印加される１つ以上の集束電圧を調整して、１つ以上の電子ビーム２２９の位置又は整列を独立して調整し、標本２２０を横切って電子ビーム２２９を走査させるように構成され得る。

【0044】

１つの実施形態では、１つ以上のプロセッサ２０６は、メモリ２０８に通信可能に結合され得て、ここで、１つ以上のプロセッサ２０６は、メモリ２０８に格納されたプログラム命令のセットを実行するように構成され、プログラム命令のセットは、１つ以上のプロセッサ２０６に本開示の様々な機能及びステップを実行させるように構成される。

【0045】

別の実施形態では、図２と図３Ａ～図３Ｂに示されるように、システム２００は、コントローラ２０４に通信可能に結合されたユーザインターフェース２１０を含む。別の実施形態では、ユーザインターフェース２１０は、ユーザ入力デバイス及びディスプレイを含む。ユーザインターフェース２１０のユーザ入力デバイスは、ユーザから１つ以上の入力コマンドを受信するように構成され得て、１つ以上の入力コマンドは、システム２００にデータを入力し、及び／又はシステム２００の１つ以上の特性を調整するように構成される。別の実施形態では、ユーザインターフェース２１０のディスプレイは、システム２００のデータをユーザに表示するように構成され得る。

【0046】

本明細書で前述したように、コントローラ２０４の１つ以上のプロセッサ２０６は、メモリ２０８に通信可能に結合され得て、ここで、１つ以上のプロセッサ２０６は、メモリ２０８に格納されたプログラム命令のセットを実行するように構成され、プログラム命令のセットは、１つ以上のプロセッサ２０６に本開示の様々な機能及びステップを実行させるように構成される。これに関して、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の訓練画像２２５を特徴付けサブシステム２０２から受信し、標本２２０の１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像を受信し、深層学習予測モデルを１つ以上の訓練画像２２５と１つ以上の訓練３Ｄデザイン画像に基づいて生成し、標本２２０の１つ以上の特徴の１つ以上の３Ｄ製品デザイン画像を受信し、標本２２０の１つ以上の特徴の１つ以上のシミュレートされた画像を、１つ以上の３Ｄ製品デザイン画像に基づき深層学習予測モデルを用いて生成し、標本２２０の１つ以上の特性を１つ以上のシミュレートされた画像に基づいて決定する、ように構成され得る。コントローラ２０４のこれらのステップ／機能のそれぞれは、本明細書で更に詳細に説明される。

【0047】

図４Ａは、本開示の１つ以上の実施形態による、深層学習予測モデルを訓練するためのフローチャート４００を示す。これに関して、フローチャート４００は、コントローラ２０４の１つ以上のプロセッサ２０６によって／プロセッサ２０６内で実行されるステップを示す概念的なフローチャートと見なしてもよい。

【0048】

１つの実施形態では、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の訓練画像２２５を特徴付けサブシステム２０２から受信するように構成される。本開示の目的のために、「訓練画像」という用語は、機械学習分類器を訓練するための入力として使用される画像と見なし得る。

【0049】

例えば、図３Ａに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の光学訓練画像２２５を、光学的特徴付けサブシステム２０２ａから受信するように構成され得る。別の例として、図３Ｂに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上のＳＥＭ訓練画像２２５を、ＳＥＭ特徴付けサブシステム２０２ｂから受信するように構成され得る。これに関して、図４Ａに示される訓練画像２２５は、光学訓練画像２２５、ＳＥＭ訓練画像２２５などを含み得る。追加及び／又は代替の実施形態では、コントローラ２０４は、１つ以上の訓練画像２２５を１つ以上の特徴付けサブシステム２０２以外のソースから受信するように構成され得る。例えば、コントローラ２０４は、標本２２０の特徴の１つ以上の訓練画像２２５を、外部記憶装置及び／又はメモリ２０８から受信するように構成され得る。別の実施形態では、コントローラ２０４は、受信された訓練画像２２５をメモリ２０８に格納するように更に構成され得る。

【0050】

標本の１つ以上の特徴は、標本２２０の作製／特徴付けプロセス全体を通して関心があり得る任意の特徴を含み得て、限定するものではないが、パターン化された構造、欠陥、高アスペクト比（ＨＡＲ）構造、臨界寸法（ＣＤ）構造などを含む。コントローラ２０４は、１つ以上の訓練画像２２５をメモリ２０８に格納するように構成され得る。

【0051】

別の実施形態では、コントローラ２０４は、標本２２０の１つ以上の特徴に対応する１つ以上の訓練３次元（３Ｄ）デザイン画像４０４を受信するように構成される。「訓練３Ｄデザイン画像４０４」という用語、及び同様の用語は、標本２２０のデザインに関連する任意のデータ、ファイル、又は画像と見なし得る。これに関して、「３Ｄデザイン画像」という用語は、「３Ｄデザインデータ」と「３Ｄデザインファイル」という用語と交換可能に使用され得る。本明細書では、訓練３Ｄデザイン画像４０４は、材料情報及び／又は標本トポグラフィ情報を含み得て、これは、より洗練された深層学習予測モデル４０２の生成を可能にし得るように企図され、深層学習予測モデル４０２は標本２２０の材料及び／又はトポグラフィ特性を後続のステップで決定するように構成される。いくつかの実施形態では、１つ以上の訓練３Ｄデザイン画像４０４は、メモリ２０８に格納され、その結果、コントローラ２０４はメモリ２０８から１つ以上の訓練３Ｄデザイン画像４０４を受信及び／又は検索するように構成される。

【0052】

別の実施形態では、コントローラ２０４は、深層学習予測モデル４０２を、１つ以上の訓練画像２２５及び１つ以上の訓練３Ｄデザイン画像４０４に基づいて生成するように構成される。これに関して、１つ以上の訓練画像２２５及び１つ以上の訓練３Ｄデザイン画像４０４は、入力として使用されて、深層学習予測モデル４０２を訓練し得る。深層学習予測モデル４０２は、当技術分野で周知の任意のタイプの機械学習アルゴリズム／分類器及び／又は深層学習技術若しくは分類器を含み得て、限定するものではないが、条件付き敵対的生成ネットワーク（ＣＧＡＮ）、畳み込みニューラルネットワーク（ＣＮＮ）（例えば、ＧｏｏｇｌｅＮｅｔ、ＡｌｅｘＮｅｔなど）、アンサンブル学習分類器、ランダムフォレスト分類器、人工ニューラルネットワーク（ＡＮＮ）などを含む。実施形態では、コントローラ２０４は、生成された深層学習予測モデル４０２をメモリ２０８に格納するように構成され得る。

【0053】

本明細書では、コントローラ２０４は、深層学習予測モデル４０２を、教師あり学習及び／又は教師なし学習を介して生成するように構成され得ることが企図される。深層学習予測モデル４０２の訓練／生成は、図４Ｂに示されるように、深層学習予測モデル４０２を学習して、シミュレートされた画像４０８を製品３Ｄデザイン画像４０６に基づいて生成することを含み得る。逆に、深層学習予測モデル４０２を訓練／生成することは、図４Ｃに示されるように、深層学習予測モデル４０２を学習して、シミュレートされた３Ｄデザイン画像４１０を製品画像２３５に基づき生成することを含み得る。これに関して、深層学習予測モデル４０２は、シミュレートされた画像４０８及び／又はシミュレートされた３Ｄデザイン画像４１０を生成するように構成された任意のアルゴリズム、分類器、又は予測モデルを含み得る。これは本明細書でさらに詳細に論じられる。

【0054】

図４Ｂは、本開示の１つ以上の実施形態による、標本２２０のシミュレートされた画像４０８を標本２２０の製品３Ｄデザイン画像４０６に基づいて生成するように構成された、訓練された深層学習予測モデル４０２のフローチャート４０１を示す。

【0055】

１つの実施形態では、深層学習予測モデル４０２が訓練された後、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像４０６を受信するように構成され得る。本明細書で使用される場合、「製品」という用語（例えば、「製品」３Ｄデザイン画像４０６、「製品」画像４３５）を用いて、深層学習予測モデル４０２を訓練するのに使用されないデザイン画像／データ及び／又は画像を指してもよい。特に、製品３Ｄデザイン画像４０６は、シミュレートされた画像４０８が望まれる作製／特徴付けプロセスの製品標本２２０のデザインデータ／画像を指すことができる。例えば、製品３Ｄデザイン画像４０６は、作製プロセスで作製される予定の標本２２０のデザイン画像を含み得る。前述のように、１つ以上の製品３Ｄデザイン画像４０６は、メモリ２０８に格納され得て、その結果、コントローラ２０４は、１つ以上の製品３Ｄデザイン画像４１０をメモリ２０８から受信及び／又は検索するように構成される。

【0056】

実施形態では、標本２２０の１つ以上の特徴は、標本２２０の作製／特徴付けプロセス全体にわたって関心のある任意の特徴を含み得て、限定するものではないが、パターン化された構造、欠陥、高アスペクト比（ＨＡＲ）構造、臨界寸法（ＣＤ）構造などを含む。例えば、作製される標本２２０をデザインする場合、プロセス技術者は、標本２２０の作製中に作成される可能性が高い欠陥の相対的な位置、タイプ、及び大まかな構造を知ることができる。蓋然性の高い欠陥の光学及び／又はＳＥＭ画像がどのように見えるかを予測して、作成後の欠陥をより効率的に識別するために、プロセス技術者は、蓋然性の高い欠陥の製造３Ｄデザイン画像４０６を様々な深さで生成してもよい。次に、これらの製品３Ｄデザイン画像４０６は、深層学習予測モデル４０２に入力され得る。

【0057】

別の実施形態では、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上のシミュレートされた画像４０８を、１つ以上の３Ｄ製品デザイン画像に基づき、深層学習予測モデル４０２を用いて生成するように構成される。例えば、上記の同じ例を続けると、将来の標本２２０内の蓋然性の高い欠陥（例えば、特徴）の１つ以上の製品３Ｄデザイン画像４０６は、深層学習予測モデル４０２に入力され得る。コントローラ２０４は、蓋然性の高い欠陥のこれらの製品３Ｄデザイン画像４０６を受信し、蓋然性の高い欠陥（例えば、特徴）の１つ以上のシミュレートされた画像４０８を、深層学習予測モデル４０２を用いて生成するように構成され得る。これに関して、ユーザは、シミュレートされた画像４０８内の様々な蓋然性の高い欠陥の強度を視覚化することが可能であり得る。実施形態では、深層学習予測モデル４０２は、蓋然性の高い欠陥のシミュレートされたＳＥＭ画像（例えば、シミュレートされたＳＥＭ画像４０８）、及び／又は蓋然性の高い欠陥のシミュレートされた光学画像（例えば、シミュレートされた光学画像４０８）を生成するように構成され得る。コントローラ２０４は、１つ以上のシミュレートされた画像４０８をメモリ２０８に格納するように構成され得る。

【0058】

実施形態では、深層学習予測モデル４０２によって生成されたシミュレートされた画像４０８（例えば、シミュレートされたＳＥＭ画像４０８、シミュレートされた光学画像４０８）は、その後の特徴付け、検査、及び検出のための参照画像として使用され得る。例えば、欠陥のシミュレートされた画像４０８を生成することによって、ユーザ及び／又はシステム２００は、欠陥の蓋然性の高い特性（例えば、欠陥強度、欠陥サイズなど）を認識／識別するように構成され得る。標本２２０がその後に検査される場合、システム２００は、シミュレートされた画像４０８内で識別された欠陥の既知の蓋然性の高い特性に基づいて、欠陥をより迅速かつ効率的に識別するように構成され得る。更に、シミュレートされた画像４０８を参照画像として使用することにより、コントローラ２０４は、特徴付けサブシステム２０２の欠陥撮像条件を識別するように構成され得て、それは後続の検査で欠陥を特徴付けるために最適化される。コントローラ２０４は、特徴付けサブシステム２０２の１つ以上の特性を選択的に調整するように構成された１つ以上の制御信号を生成し、識別された欠陥撮像条件を達成し得る。

【0059】

別の実施形態では、コントローラ２０４は、標本２２０の１つ以上の特性を１つ以上のシミュレートされた画像４０８に基づいて決定するように構成される。上記の同じ例を続けると、コントローラ２０４は、将来の標本２２０内の蓋然性の高い欠陥（例えば、特徴）の１つ以上の特性を、生成されたシミュレートされたＳＥＭ画像４０８及び／又は生成されたシミュレートされた光学画像４０８に基づいて決定するように構成され得る。シミュレートされた画像４０８に基づいて決定され得る、標本２２０の特性及び／又は標本２２０の特徴は、当技術分野で周知の標本２２０の任意の特性を含み得て、限定するものではないが、標本２２０内の欠陥の位置、標本２２０内の欠陥のタイプ、標本２２０の材料、及び標本２２０の表面及び／又はパターンのトポグラフィ測定などを含む。

【0060】

前述のように、モンテカルロシミュレーションに基づく従来のモデリング技術は、標本の材料特性を、モンテカルロシミュレーションによって生成されたシミュレートされた画像に基づいて決定することができない場合がある。比較すると、本開示の機械学習技術は、深層学習予測モデル４０２によって生成されたシミュレートされた画像４０８及び／又はシミュレートされた３Ｄデザイン画像４１０に基づく材料特性決定を可能にし得る。

【0061】

別の実施形態では、コントローラ２０４は、標本２２０の１つ以上の製品３Ｄデザイン画像４０６の１つ以上の特性を適応的に修正して、１つ以上の修正された製品３Ｄデザイン画像を生成するように構成され得る。例えば、１つ以上の製品３Ｄデザイン画像４０６が、作製される標本２２０内の蓋然性の高い欠陥のデザインデータを含む場合、コントローラ２０４は、シミュレートされた画像４０８から収集された情報を利用して、製品３Ｄデザイン画像４０６を適応的に修正し、１つ以上の修正された製品３Ｄデザイン画像を生成し得る。作製前に標本２２０の３Ｄデザイン画像／データを修正することにより、標本２２０の様々な特徴及び特性は作製中に修正され得る。例えば、作製前に標本２２０の３Ｄデザイン画像／データを修正することにより、システム２００は、標本２２０内の欠陥の数を減らし、標本２２０内の欠陥のサイズを小さくし、標本２２０内の欠陥の特性を修正して、それらを識別しやすいようにすること、などができる。

【0062】

いくつかの実施形態では、コントローラ２０４は、制御信号を生成するように更に構成され得て、制御信号は作製ツールに、修正された製品３Ｄデザイン画像に基づいて標本２２０を作製させるように構成される。例えば、図３Ａ～図３Ｂを参照すると、システム２００は、コントローラ２０４に通信可能に結合された１つ以上の作製ツールを更に含み得る。１つ以上の作製ツールは、標本２２０を作製するように構成された当技術分野で周知の任意の作製ツールを含み得て、限定するものではないが、リソグラフィツール、エッチングツール、堆積ツール、研磨ツールなどを含む。同じ例を続けると、コントローラ２０４は、１つ以上の制御信号を生成するように構成され得て、制御信号は作製ツールに、メモリ２０８に格納された修正された製品３Ｄデザイン画像に基づいて標本２２０を作製させるように構成される。

【0063】

本明細書では、シミュレートされたＳＥＭ画像４０８の生成は、改善されたＳＥＭ対デザインの位置合わせを可能にし得ることに留意する。特に、シミュレートされたＳＥＭ画像４０８を製品３Ｄデザイン画像４０６に基づいて生成することによって、コントローラ２０４は、シミュレートされたＳＥＭ画像４０８を、そうでなければシミュレートされていないＳＥＭ画像で可能であるよりも、より効率的に配向し、製品３Ｄデザイン画像４０６と位置合わせするように構成され得る。これに関して、本開示の実施形態は、シミュレートされたＳＥＭ画像４０８で識別される標本２２０の特徴の特徴付けを、製品３Ｄデザイン画像内のそれぞれの位置にマッピングすることを可能にし得る。更に、本開示の実施形態は、より正確な臨界寸法（ＣＤ）オーバーレイを可能にし得る。

【0064】

追加及び／又は代替の実施形態では、コントローラ２０４は、モンテカルロシミュレーションを実行して、深層学習予測モデル４０２の精度を評価し、及び／又は結果として得られるシミュレートされたＳＥＭ画像４０８を、シミュレートされていないＳＥＭ画像が利用できないことに対して確認するように構成され得る。例えば、図４Ｂに示されるように、コントローラ２０４は、深層学習予測モデル４０２を介して１つ以上の製品３Ｄデザイン画像４０６から１つ以上のシミュレートされたＳＥＭ画像４０８を生成するように構成され得る。続いて、コントローラ２０４は、１つ以上のモンテカルロシミュレーションを、標本２２０の１つ以上の特徴に対応する１つ以上の製品３Ｄデザイン画像に実行し、１つ以上の比較画像（例えば、比較ＳＥＭ画像）を生成するように構成され得る。次に、コントローラ２０４は、深層学習予測モデル４０２の精度メトリックを、深層学習予測モデル４０２によって生成された１つ以上のシミュレートされたＳＥＭ画像４０８と、モンテカルロシミュレーションによって生成された１つ以上の比較ＳＥＭ画像とを比較することによって決定するように構成され得る。

【0065】

シミュレートされた画像４０８を製品３Ｄデザイン画像４０６に基づいて生成することに加えて、図４Ｂに示すように、深層学習予測モデル４０２はまた、シミュレートされた３Ｄデザイン画像４１０を製品画像２３５に基づいて生成するように訓練され得る。これは、図４Ｃを参照して更に理解され得る。

【0066】

図４Ｃは、本開示の１つ以上の実施形態による、シミュレートされた３Ｄデザイン画像４１０を標本２２０の製品画像２３５に基づいて生成するように構成された、訓練された深層学習予測モデル４０２のフローチャート４０３を示す。

【0067】

１つの実施形態では、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の製品画像２３５を、特徴付けサブシステム２０２から受信するように構成される。例えば、図３Ａに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の光学製品画像２３５を、光学的特徴付けサブシステム２０２ａから受信するように構成され得る。別の例として、図３Ｂに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上のＳＥＭ製品画像２３５を、ＳＥＭ特徴付けサブシステム２０２ｂから受信するように構成され得る。これに関して、図４Ｃに示される製品画像２３５は、光学製品画像２２５、ＳＥＭ製品画像２２５などを含み得る。追加及び／又は代替の実施形態では、コントローラ２０４は、１つ以上の製品画像２３５を１つ以上の特徴付けサブシステム２０２以外のソースから受信するように構成され得る。例えば、コントローラ２０４は、標本２２０の特徴の１つ以上の製品画像２３５を外部記憶装置から受信するように構成され得る。別の実施形態では、コントローラ２０４は、受信された訓練画像２２５をメモリ２０８に格納するように更に構成され得る。

【0068】

別の実施形態では、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上のシミュレートされた３Ｄデザイン画像４１０を、１つ以上の製品画像２３５に基づき、深層学習予測モデル４０２を用いて生成するように構成される。例えば、１つ以上の製品画像２３５は、標本２２０内の欠陥の画像を含み得る。コントローラ２０４は、欠陥のこれらの製品画像２３５を受信し、欠陥（例えば、特徴）の１つ以上のシミュレートされた３Ｄデザイン画像４１０を、深層学習予測モデル４０２を用いて生成するように構成され得る。これに関して、デザインデータ／画像は、関連するデザインデータがない製品画像２３５に対して作成され得る。本明細書で前述したように、モンテカルロシミュレーションに基づく従来のモデリング技術は、デザインデータ／画像を光学画像及び／又はＳＥＭ画像に基づいて再作成することができない。これに関して、本開示のシステム２００は、画像からの３Ｄデザインデータの再作成を可能にすることができ、これは、現在利用可能な技術では実現可能ではない。

【0069】

図４Ｂのシミュレートされた画像４０８に関して本明細書で前述したように、コントローラ２０４は、標本２２０の１つ以上の特性を、シミュレートされた３Ｄデザイン画像４１０に基づいて決定するように更に構成され得る。加えて、シミュレートされた３Ｄデザイン画像４１０はまた、システム２００の１つ以上の特性を適応的に修正するために使用され得る。更に、コントローラ２０４は、１つ以上の制御信号を生成するように構成され得て、制御信号は１つ以上の作製ツールに、生成されたシミュレートされた３Ｄデザイン画像４１０に基づいて標本２２０を作製させるように構成される。

【0070】

本明細書で前述したように、深層学習予測モデル４０２は、当技術分野で周知の任意のタイプの機械学習アルゴリズム／分類器及び／又は深層学習技術若しくは分類器を含み得て、限定するものではないが、条件付き敵対的生成ネットワーク（ＣＧＡＮ）、畳み込みニューラルネットワーク（ＣＮＮ）（例えば、ＧｏｏｇｌｅＮｅｔ、ＡｌｅｘＮｅｔなど）、アンサンブル学習分類器、ランダムフォレスト分類器、人工ニューラルネットワーク（ＡＮＮ）などを含む。ＣＧＡＮを含む深層学習予測モデル４０２は、図５を参照して更に理解され得る。

【0071】

図５は、本開示の１つ以上の実施形態による、条件付き敵対的生成ネットワーク（ＣＧＡＮ）を含む深層学習予測モデル４０２を訓練するためのフローチャートを示す。

【0072】

実施形態では、ＣＧＡＮ（例えば、深層学習予測モデル４０２）は、限定するものではないが、生成器４１２及び弁別器４１４を含み得る。実施形態では、生成器４１２は、シミュレートされた訓練画像４１６（例えば、「偽」像）を生成するように構成され得る。逆に、弁別器４１４は、訓練３Ｄデザイン画像４０４と、訓練画像２３５（例えば、標本２２０の「実」像）又はシミュレートされた訓練画像４１６（例えば、「偽」像）のいずれかとを受信し、訓練３Ｄデザイン画像４０４に関連付けられた画像が、実物か偽物かを判別するように構成され得る。「実物」又は「偽物」の決定は、「弁別器出力」と呼ばれ得る。これに関して、ＣＧＡＮ（例えば、深層学習予測モデル４０２）を訓練することは、弁別器４１４を訓練して、偽像の識別をより正確にすることと、生成器４１２を訓練して、より現実的な「偽」像を生成し、弁別器４１４を「騙す」ことを含み得る。弁別器４１４が実像（例えば、訓練画像２３５）と偽像（例えば、シミュレートされた訓練画像４１６）との間をより良好に解読するようになるにつれて、生成器４１２は、より現実的なシミュレートされた訓練画像４１６をより良好に生成するようになる必要がある。生成器４１２が十分に訓練された後、シミュレートされた訓練画像４１６は、深層学習予測モデル４０２から、図４Ｂに示されるシミュレートされた画像４０８として出力され得る。

【0073】

したがって、いくつかの実施形態では、ＣＧＡＮの生成器４１２は、１つ以上のシミュレートされた画像４０８を、標本２２０の１つ以上の特徴の１つ以上の訓練３Ｄデザイン画像４０４に基づいて生成するように構成され得る。続いて、コントローラ２０４は、ＣＧＡＮの弁別器４１４を、１つ以上の訓練３Ｄデザイン画像４０４、１つ以上の訓練画像２３５、及び１つ以上のシミュレートされた訓練画像４０８に基づいて訓練するように構成され得る。弁別器４１４を訓練することは、弁別器４１４を訓練して、より正確な弁別器出力（例えば、「実物」、「偽物」）を生成することを含み得る。弁別器４１４が「偽物」のシミュレートされた訓練画像４１６をより効率的に識別するようになるにつれて、生成器４１２もまた、より現実的なシミュレートされた訓練画像４１６をより効率的に生成するようになり得る。これに関して、生成器４１２は、弁別器出力に基づいて「訓練」されると言うことができる。したがって、いくつかの実施形態では、弁別器４１４を訓練してより正確な弁別器出力を生成することによって、コントローラ２０４は、ＣＧＡＮの生成器４１２を、弁別器４１４の１つ以上の弁別器出力に基づいて訓練するように更に構成され得る。生成器４１２を訓練すると、生成器４１２は、図４Ｂに示されるように、標本２２０の１つ以上の特徴の１つ以上のシミュレートされた画像４０８を、１つ以上の製品３Ｄデザイン画像４０６に基づいて生成するように構成され得る。

【0074】

図６は、本開示の１つ以上の実施形態による、標本作製プロセス内の深層学習予測モデルを利用する作製プロセスで標本を作製するために使用される３次元デザイン画像／ファイルを適応的に修正するためのフローチャート６００を示す。

【0075】

ステップ６０２において、３Ｄデザイン画像／ファイルが形成される。例えば、３Ｄデザイン画像は、ユーザからの入力の有無にかかわらず、コントローラ２０４によって形成され得る。これらの３Ｄデザイン画像は、メモリ２０８に格納され得る。

【0076】

ステップ６０４において、１つ以上の標本が作製される。１つ以上の標本は、ステップ６０２で生成された３Ｄデザイン画像／ファイルに基づいて作製され得る。本明細書では、１つ以上の標本の作製は、当技術分野で周知の任意の作製プロセス又は作製ツールによって実行され得て、限定するものではないが、リソグラフィツール、エッチングツール、堆積ツール、研磨ツールを含むことに留意する。

【0077】

ステップ６０６において、１つ以上の作製された標本は、検査／レビューされる。１つ以上の標本は、当技術分野で周知の任意の特徴付けツールを介して検査／レビューされ得て、限定するものではないが、光学的特徴付けツール（例えば、光学的特徴付けサブシステム２０２ａ）、ＳＥＭ特徴付けツール（例えば、ＳＥＭ特徴付けサブシステム２０２ｂ）を含む。

【0078】

ステップ６０２において、深層学習予測モデルは訓練される。例えば、コントローラ２０４は、３Ｄデザイン画像（例えば、訓練３Ｄデザイン画像４０４）及び１つ以上の訓練画像２３５を、検査／レビュープロセスから受信し、深層学習予測モデル４０２を訓練するように構成され得る。

【0079】

深層学習予測モデル４０２を訓練した後、コントローラ２０４は、３Ｄデザイン画像及び／又は作製プロセスを適応的に修正するように構成され得る。例えば、深層学習予測モデル４０２を訓練すると、深層学習予測モデル４０２は、標本２２０の１つ以上の特性を、シミュレートされた３Ｄデザイン画像４１０に基づいて決定するように構成され得る。コントローラ２０４は、標本２２０の１つ以上の製品３Ｄデザイン画像４０６の１つ以上の特性を適応的に修正して、１つ以上の修正された製品３Ｄデザイン画像を生成するように構成され得る。例えば、１つ以上の製品３Ｄデザイン画像４０６が、作製される標本２２０内に蓋然性の高い欠陥のデザインデータを含む場合、コントローラ２０４は、シミュレートされた画像２０８から収集された情報を利用して、製品３Ｄデザイン画像４０６を適応的に修正し、１つ以上の修正された製品３Ｄデザイン画像を生成し得る。作製前に標本２２０の３Ｄデザイン画像／データを修正することにより、標本２２０の様々な特徴及び特性を作製中に修正し得る。例えば、作製前に標本２２０の３Ｄデザイン画像／データを修正することにより、システム２００は、標本２２０内の欠陥の数を減らし、標本２２０内の欠陥のサイズを小さくし、標本２２０内の欠陥の特性を修正して、それらを識別しやすいようにすること、などができる。

【0080】

加えて、シミュレートされた３Ｄデザイン画像４１０はまた、システム２００の１つ以上の特性を適応的に修正するために使用され得る。例えば、深層学習予測モデル４０２を訓練した後、コントローラ２０４は、制御信号を生成するように更に構成され得て、制御信号は、作製ツールに、修正された製品３Ｄデザイン画像及び／又はシミュレートされた３Ｄデザイン画像４１０に基づいて標本２２０を作製させるように構成される。

【0081】

本明細書では、システム２００の１つ以上の構成要素は、当技術分野で周知の任意の方法で、システム２００の様々な他の構成要素に通信可能に結合され得ることに留意する。例えば、１つ以上のプロセッサ２０６は、互いに、又は別の構成要素に、有線（例えば、銅線、光ファイバケーブルなど）又は無線接続（例えば、ＲＦ結合、ＩＲ結合、ＷｉＭａｘ、Ｂｌｕｅｔｏｏｔｈ、３Ｇ、４Ｇ、４ＧＬＴＥ、５Ｇなど）を介して通信可能に結合され得る。別の例として、コントローラ２０４は、特徴付けサブシステム２０２の１つ以上の構成要素に、当技術分野で周知の任意の有線又は無線接続を介して通信可能に結合され得る。

【0082】

１つの実施形態では、１つ以上のプロセッサ２０６は、当技術分野で周知の任意の１つ以上の処理要素を含むことができる。この意味で、１つ以上のプロセッサ２０６は、ソフトウェアアルゴリズム及び／又は命令を実行するように構成された任意のマイクロプロセッサタイプのデバイスを含み得る。１つの実施形態では、１つ以上のプロセッサ２０６は、本開示を通して説明されるように、プログラムを実行するように構成されたデスクトップコンピュータ、メインフレームコンピュータシステム、ワークステーション、画像コンピュータ、並列プロセッサ、又は別のコンピュータシステム（例えば、ネットワーク化されたコンピュータ）からなり得て、プログラムはシステム２００を動作させるように構成される。本開示を通して説明されるステップは、単一のコンピュータシステム、又は、代替的に複数のコンピュータシステムによって実行され得ることを認識する必要がある。更に、本開示全体を通して説明されるステップは、１つ以上のプロセッサ２０６のうちの任意の１つ以上で実行され得ることを認識する必要がある。一般に、「プロセッサ」という用語は、１つ以上の処理要素を有する任意のデバイスを包含するように広く定義され得て、それはメモリ２０８からのプログラム命令を実行する。更に、システム２００の異なるサブシステム（例えば、照明源２１２、電子ビーム源２２８、検出器アセンブリ２２６、電子検出器アセンブリ２３４、コントローラ２０４、ユーザインターフェース２１０など）は、本開示を通して説明されるステップの少なくとも一部分を実行するのに適したプロセッサ又は論理要素を含み得る。したがって、上記の説明は、本開示の限定としてではなく、単なる例示として解釈されるべきである。

【0083】

メモリ２０８は、関連する１つ以上のプロセッサ２０６によって実行可能なプログラム命令、及び特徴付けサブシステム２０２から受信されたデータを格納するのに適した、当技術分野で周知の任意の記憶媒体を含み得る。例えば、メモリ２０８は、非一時的なメモリ媒体を含み得る。例えば、メモリ２０８は、限定するものではないが、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、磁気又は光メモリデバイス（例えば、ディスク）、磁気テープ、ソリッドステートドライブなどを含み得る。更に、メモリ２０８は、１つ以上のプロセッサ２０６を備えた共通のコントローラハウジングに収容され得ることに留意する。代替の実施形態では、メモリ２０８は、プロセッサ２０６、コントローラ２０４などの物理的位置に関して遠隔的に配置され得る。別の実施形態では、メモリ２０８は、１つ以上のプロセッサ２０６に、本開示を通じて説明される様々なステップを実行させるためのプログラム命令を維持する。

【0084】

１つの実施形態では、ユーザインターフェース２１０は、コントローラ２０４に通信可能に結合される。１つの実施形態では、ユーザインターフェース２１０は、限定するものではないが、１つ以上のデスクトップ、タブレット、スマートフォン、スマートウォッチなどを含み得る。別の実施形態では、ユーザインターフェース２１０は、ディスプレイを含み、それを使用してシステム２００のデータをユーザに表示する。ユーザインターフェース２１０のディスプレイは、当技術分野で周知の任意のディスプレイを含み得る。例えば、ディスプレイは、限定するものではないが、液晶ディスプレイ（ＬＤＣ）、有機発光ダイオード（ＯＬＥＤ）ベースのディスプレイ、又はＣＲＴディスプレイを含み得る。当業者は、ユーザインターフェース２１０と統合することができる任意のディスプレイデバイスが、本開示における実装に適することを認識する必要がある。別の実施形態では、ユーザは、ユーザに表示されるデータに応答する選択及び／又は命令を、ユーザインターフェース２１０のユーザ入力デバイスを介して入力し得る。

【0085】

図７は、本開示の１つ以上の実施形態による、シミュレートされた画像４０８を、３次元デザイン画像４０６に基づき深層学習予測モデル４０２を利用して生成するための方法７００のフローチャートを示す。本明細書では、方法７００のステップは、システム２００によって全部又は部分的に実装され得ることに留意する。しかしながら、方法７００は、追加又は代替のシステムレベルの実施形態が方法７００のステップの全部又は一部を実行し得る、という点で、システム２００に限定されないことが更に認識される。

【0086】

ステップ７０２において、標本の１つ以上の特徴の１つ以上の訓練画像は、特徴付けサブシステムを用いて取得される。例えば、図３Ａに示されるように、コントローラ２０４は、光学的特徴付けサブシステム２０２ａから、標本２２０の１つ以上の特徴の１つ以上の光学訓練画像２２５を受信するように構成され得る。別の例として、図３Ｂに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上のＳＥＭ訓練画像２２５を、ＳＥＭ特徴付けサブシステム２０２ｂから受信するように構成され得る。

【0087】

ステップ７０４において、標本の１つ以上の特徴の１つ以上の訓練３次元（３Ｄ）デザイン画像が受信される。例えば、１つ以上の訓練３Ｄデザイン画像４０４は、メモリ２０８に格納され得て、その結果、コントローラ２０４が、メモリ２０８から１つ以上の訓練３Ｄデザイン画像４０４を受信及び／又は検索するように構成される。

【0088】

ステップ７０６において、深層学習予測モデルは、１つ以上の訓練画像及び１つ以上の訓練３Ｄデザイン画像に基づき生成される。例えば、１つ以上の訓練画像２２５及び１つ以上の訓練３Ｄデザイン画像４０４は、深層学習予測モデル４０２を訓練するための入力として使用され得る。深層学習予測モデル４０２は、当技術分野で周知の任意のタイプの機械学習アルゴリズム／分類器及び／又は深層学習技術若しくは分類器を含み得て、限定するものではないが、条件付き敵対的生成ネットワーク（ＣＧＡＮ）、畳み込みニューラルネットワーク（ＣＮＮ）（例えば、ＧｏｏｇｌｅＮｅｔ、ＡｌｅｘＮｅｔなど）、アンサンブル学習分類器、ランダムフォレスト分類器、人工ニューラルネットワーク（ＡＮＮ）などを含む。

【0089】

ステップ７０８では、標本の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像が受信される。例えば、図３Ａに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の製品３Ｄデザイン画像４０６を受信するように構成され得る。

【0090】

ステップ７１０では、標本の１つ以上の特徴の１つ以上のシミュレートされた３Ｄデザイン画像は、１つ以上の製品３Ｄデザイン画像に基づき、深層学習予測モデルを用いて生成される。例えば、コントローラ２０４は、蓋然性の高い欠陥の１つ以上の製品３Ｄデザイン画像４０６を受信し、蓋然性の高い欠陥（例えば、特徴）の１つ以上のシミュレートされた画像４０８を、深層学習予測モデル４０２を用いて生成するように構成され得る。

【0091】

ステップ７１２では、標本の１つ以上の特性は１つ以上のシミュレートされた画像に基づき決定される。例えば、同じ例を続けると、コントローラ２０４は、将来の標本２２０の蓋然性の高い欠陥（例えば、特徴）の１つ以上の特性を、生成されたシミュレートされたＳＥＭ画像４０８及び／又は生成されたシミュレートされた光学画像４０８に基づき決定するように構成され得る。シミュレートされた画像４０８に基づいて決定され得る標本２２０の特性及び／又は標本２２０の特徴は、当技術分野で周知の標本の任意の特性を含み得て、限定するものではないが、標本２２０内の欠陥の位置、標本２２０内の欠陥のタイプ、標本２２０の材料、及び標本２２０の表面及び／又はパターンのトポグラフィ測定などを含む。

【0092】

図８は、本開示の１つ以上の実施形態による、シミュレートされた画像４０８を、３次元デザイン画像４０６に基づき深層学習予測モデル４０２を利用して生成するための方法７００のフローチャートを示す。本明細書では、方法７００のステップは、システム２００によって全部又は部分的に実装され得ることに留意する。しかしながら、方法７００は、追加又は代替のシステムレベルの実施形態が方法７００のステップの全部又は一部を実行し得る、という点で、システム２００に限定されないことが更に認識される。

【0093】

ステップ８０２において、標本の１つ以上の特徴の１つ以上の訓練画像は、特徴付けサブシステムを用いて取得される。例えば、図３Ａに示されるように、コントローラ２０４は、光学的特徴付けサブシステム２０２ａから、標本２２０の１つ以上の特徴の１つ以上の光学訓練画像２２５を受信するように構成され得る。別の例として、図３Ｂに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上のＳＥＭ訓練画像２２５を、ＳＥＭ特徴付けサブシステム２０２ｂから受信するように構成され得る。

【0094】

ステップ８０４において、標本の１つ以上の特徴の１つ以上の訓練３次元（３Ｄ）デザイン画像が受信される。例えば、１つ以上の訓練３Ｄデザイン画像４０４は、メモリ２０８に格納され得て、その結果、コントローラ２０４が、メモリ２０８から１つ以上の訓練３Ｄデザイン画像４０４を受信及び／又は検索するように構成される。

【0095】

ステップ８０６において、深層学習予測モデルは、１つ以上の訓練画像及び１つ以上の訓練３Ｄデザイン画像に基づき生成される。例えば、１つ以上の訓練画像２２５及び１つ以上の訓練３Ｄデザイン画像４０４は、深層学習予測モデル４０２を訓練するための入力として使用され得る。深層学習予測モデル４０２は、当技術分野で周知の任意のタイプの機械学習アルゴリズム／分類器及び／又は深層学習技術若しくは分類器を含み得て、限定するものではないが、条件付き敵対的生成ネットワーク（ＣＧＡＮ）、畳み込みニューラルネットワーク（ＣＮＮ）（例えば、ＧｏｏｇｌｅＮｅｔ、ＡｌｅｘＮｅｔなど）、アンサンブル学習分類器、ランダムフォレスト分類器、人工ニューラルネットワーク（ＡＮＮ）などを含む。

【0096】

ステップ８０８では、標本の１つ以上の特徴の１つ以上の製品画像が受信される。例えば、図３Ａに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上の光学製品画像２３５を、光学的特徴付けサブシステム２０２ａから受信するように構成され得る。別の例によると、図３Ｂに示されるように、コントローラ２０４は、標本２２０の１つ以上の特徴の１つ以上のＳＥＭ製品画像２３５を、ＳＥＭ特徴付けサブシステム２０２ｂから受信するように構成され得る。

【0097】

ステップ８１０では、標本の１つ以上の特徴の１つ以上のシミュレートされた３Ｄデザイン画像は、１つ以上の製品画像に基づき、深層学習予測モデルを用いて生成される。例えば、コントローラ２０４は、蓋然性の高い欠陥の１つ以上の製品画像２３５を受信し、蓋然性の高い欠陥（例えば、特徴）の１つ以上のシミュレートされた３Ｄデザイン画像４１０を、深層学習予測モデル４０２を用いて生成するように構成され得る。

【0098】

ステップ８１２では、標本の１つ以上の特性は１つ以上のシミュレートされた３Ｄデザイン画像に基づき決定される。例えば、同じ例を続けると、コントローラ２０４は、将来の標本２２０の蓋然性の高い欠陥（例えば、特徴）の１つ以上の特性を、生成されたシミュレートされたＳＥＭ画像４０８及び／又は生成されたシミュレートされた光学画像４０８に基づき決定するように構成され得る。シミュレートされた画像４０８に基づいて決定され得る標本２２０の特性及び／又は標本２２０の特徴は、当技術分野で周知の標本の任意の特性を含み得て、限定するものではないが、標本２２０内の欠陥の位置、標本２２０内の欠陥のタイプ、標本２２０の材料、及び標本２２０の表面及び／又はパターンのトポグラフィ測定などを含む。

【0099】

当業者は、本明細書に記載の構成要素（例えば、操作）、デバイス、物体、及びそれらに付随する説明が、概念を明確にするための例として使用され、様々な構成の修正が企図されることを認識するであろう。したがって、本明細書で使用されるように、記載された特定の実施例及び付随する議論は、それらのより一般的な分類を代表することを意図する。一般に、特定の実施例の使用は、その分類を表すことを意図しており、特定の構成要素（操作など）、デバイス、及び物体を含まないことを制限するものと見なすべきではない。

【0100】

当業者は、本明細書に説明されるプロセス及び／又はシステム及び／又は他の技術を実施することができる多様な媒体(vehicle)（例えば、ハードウェア、ソフトウェア、及び／又はファームウェア）があることと、好ましい媒体が、プロセス及び／又はシステム及び／又は他の技術が展開される文脈に応じて変わることを理解するであろう。例えば、実施者が、速度及び精度が最重要であると判断する場合、実施者は主にハードウェア及び／又はファームウェア媒体を選択でき、代替的に、柔軟性が最重要である場合、実施者は主にソフトウェア実装を選択でき、又は、再度代替的に、実施者は、ハードウェア、ソフトウェア、及び／又はファームウェアのいくつかの組み合わせを選択し得る。。したがって、本明細書に説明されるプロセス及び／又はデバイス及び／又は他の技術を実施し得るいくつかの可能な媒体があり、利用される任意の媒体は、媒体が展開される文脈、及び実施者の特定の関心（例えば、速度、柔軟性、又は予測性）に応じた選択肢であり、そのどれもが変更されることがあるという点で、本質的に他の媒体より優れているものはない。

【0101】

前述の説明は、当業者が特定の用途及びその要件の文脈で提供されるように本発明を作成及び使用することを可能にするために提示される。本明細書で使用される場合、「上部(top)」、「下部(bottom)」、「上に(over)」、「下に(under)」、「上方(upper)」、「上向き(upward)」、「下方(lower)」、「下へ(down)」、及び「下向き(downward)」などの方向用語は、説明の目的で相対位置を提供することを意図しており、絶対的な基準フレームを指定することを意図するものではない。説明された実施形態に対する様々な修正は、当業者には明らかであり、本明細書で定義された一般原理は、別の実施形態に適用され得る。したがって、本発明は、示され説明された特定の実施形態に限定されることを意図するものではなく、本明細書に開示された原理及び新規の特徴と一致する最も広い範囲を与えられるべきである。

【0102】

本明細書における実質的に任意の複数形及び／又は単数形の用語の使用に関して、当業者は、複数形から単数形へ、及び／又は単数形から複数形へ、文脈及び／又は用途に適切なように解釈し得る。様々な単数形／複数形の順列は、明確にするために、本明細書では明示的に記載されていない。

【0103】

本明細書に記載のすべての方法は、方法の実施形態の１つ以上のステップの結果をメモリに格納することを含んでもよい。結果は、本明細書に記載の任意の結果を含み得て、当技術分野で周知の任意の方法で格納し得る。メモリは、本明細書に記載の任意のメモリ、又は当技術分野で周知の任意の他の好適な格納媒体を含めてもよい。結果を格納した後に、結果は、メモリ内でアクセスされ、本明細書に記載の方法又はシステムの実施形態のいずれかによって使用され、ユーザに表示するためにフォーマット化され、別のソフトウェアモジュール、方法、又はシステムなどによって使用され得る。更に、結果は、「永久的に」「半永久的に」「一時的に」、又は一定期間、格納され得る。例えば、メモリはランダムアクセスメモリ（ＲＡＭ）であってもよく、結果は必ずしもメモリ内に無期限に存続しなくてもよい。

【0104】

上述された方法の実施形態のそれぞれは、本明細書に説明される任意の別の方法（複数可）の任意の別のステップ（複数可）を含んでよいことが更に意図される。加えて、上述された方法の実施形態のそれぞれは、本明細書に説明されるシステムのいずれかによって実行されてもよい。

【0105】

本明細書に記載の主題は、別の構成要素内に含有される、又は別の構成要素と接続される異なる構成要素を示す場合がある。そのような描写されたアーキテクチャは単なる例示であり、実際に、同じ機能を実現する他の多くのアーキテクチャが実装され得ることが理解されるべきである。概念的な意味では、同じ機能を実現するための構成要素の任意の配置は、効果的に「関連付け」られて、所望の機能が実現される。したがって、特定の機能を実現するために組み合わされた本明細書の任意の２つの構成要素は、互いに「関連付けられている」と見なすことができ、その結果、所望の機能はアーキテクチャ又は中間構成要素に関係なく実現される。同様に、そのように関連付けられた任意の２つの構成要素はまた、互いに「接続」又は「結合」されて所望の機能を実現すると見なし得て、かつそのように関連付けられている可能性がある任意の２つの構成要素は、互いに「結合可能」であると見なして、所望の機能を実現し得る。結合可能な特定の例には、限定するものではないが、物理的に相互作用可能及び／又は物理的に相互作用する構成要素、及び／又は無線的に相互作用可能及び／又は無線的に相互作用する構成要素、及び／又は論理的に相互作用する及び／又は論理的に相互作用可能な構成要素を含む。

【0106】

更に、本発明は、添付の特許請求の範囲によって定められることが理解されるべきである。一般に、本明細書で、特に添付の特許請求の範囲（例えば、添付の特許請求の範囲の本文）で使用される用語は、一般的に「開放(open)」用語として意図されていることが当業者によって理解されるであろう（例えば、「含んでいる(including)」という用語は「含んでいるがこれに限定されない」と解釈されるべきであり、「有している(having)」という用語は「少なくとも有している」と解釈されるべきであり、「含む(includes)」という用語は「含むが、それに限定されない」と解釈されるべきであるなど）。特定数の導入された請求項の記載（claim recitation）が意図されている場合、そのような意図は請求の範囲に明示的に記載され、そのような記載がない場合、そのような意図は存在しないことが当業者によって更に理解されるであろう。例えば、理解を助けるために、以下の添付の請求項には、請求項の記載を導入するために、導入句「少なくとも１つ」及び「１つ以上」の使用を含んでもよい。しかしながら、そのような句の使用は、不定冠詞「ａ」又は「ａｎ」による請求項の記載の導入が、そのように導入された請求項の記載を含む任意の特定の請求の範囲を、そのような記載を１つのみ含む発明に限定することを意味すると解釈されるべきではなく、たとえ同じ請求項が導入句「１つ以上」又は「少なくとも１つ」と不定冠詞「ａ」又は「ａｎ」（例えば、「ａ」及び／又は「ａｎ」は通常、「少なくとも１つ」又は「１つ以上」を意味すると解釈されるべきである）を含む場合であっても同様であり、同じことが請求項の記載を導入するために用いられる定冠詞の使用に対しても当てはまる。加えて、導入された請求項の記載の特定数が明示的に記載されている場合でも、当業者は、そのような記載は通常、少なくとも記載された数を意味すると解釈されるべきであることを認識するであろう（例えば、他の修飾語がない「２つの記載」のみの記載は、通常、少なくとも２つの記載、又は２つ以上の記載を意味する）。更に、「Ａ、Ｂ及びＣの少なくとも１つ、など」に類似した慣用語が用いられる例において、一般に、そのような構成は、当業者がその慣用語を理解するであろう意味に意図されている（例えば、「Ａ、Ｂ及びＣの少なくとも１つを有するシステム」は、限定するものではないが、Ａのみ、Ｂのみ、Ｃのみ、ＡとＢを一緒に、ＡとＣを一緒に、ＢとＣを一緒に、及び／又はＡ、ＢとＣを一緒に有するシステムを含む、など）。「Ａ、Ｂ又はＣの少なくとも１つ、など」に類似した慣用語が用いられる例において、一般に、そのような構成は、当業者がその慣用語を理解するであろう意味に意図されている（例えば、「Ａ、Ｂ又はＣの少なくとも１つを有するシステム」は、限定するものではないが、Ａのみ、Ｂのみ、Ｃのみ、ＡとＢを一緒に、ＡとＣを一緒に、ＢとＣを一緒に、及び／又はＡ、ＢとＣを一緒に有するシステムを含む、など）。２つ以上の代替用語を表す実質的に任意の離接語及び／又は句は、説明、特許請求の範囲又は図面においても、用語の１つ、用語のいずれか、又は両方の用語を含む可能性を考慮するように理解すべきであることは、当業者によって更に理解されるであろう。例えば句「Ａ又はＢ」は、「Ａ」又は「Ｂ」又は「Ａ及びＢ」の可能性を含むと理解されるであろう。

【0107】

本開示及びその付随する利点の多くは、前述の説明によって理解されると考えられ、開示された主題から逸脱することなく、又はその重要な利点のすべてを犠牲にすることなく、構成要素の形態、構造、及び配置に様々な変更を加え得ることは明らかであろう。説明される形式は単なる説明であり、以下の特許請求の範囲の意図はそのような変更を包含及び含むことである。更に、本発明は、添付の特許請求の範囲によって定義されることが理解されるべきである。

【図1】

【図2】

【図3A】

【図3B】

【図4A】

【図4B】

【図4C】

【図5】

【図6】

【図7】

【図8】