知財求人 - 知財ポータルサイト「IP Force」
特表2024-503973ウェーハ検査用の合成欠陥画像を生成するための機械学習ベースのシステム及び方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-01-30
(54)【発明の名称】ウェーハ検査用の合成欠陥画像を生成するための機械学習ベースのシステム及び方法
(51)【国際特許分類】
H01L 21/66 20060101AFI20240123BHJP
H01J 37/22 20060101ALI20240123BHJP
H01J 37/28 20060101ALI20240123BHJP
G01N 23/2251 20180101ALI20240123BHJP
G06T 7/00 20170101ALI20240123BHJP
G06V 10/70 20220101ALI20240123BHJP
【ＦＩ】
H01L21/66 J
H01J37/22 502H
H01J37/28 B
G01N23/2251
G06T7/00 350C
G06T7/00 610C
G06V10/70
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023532454
(86)(22)【出願日】2021-12-08
(85)【翻訳文提出日】2023-07-10
(86)【国際出願番号】 EP2021084837
(87)【国際公開番号】W WO2022135938
(87)【国際公開日】2022-06-30
(31)【優先権主張番号】63/128,772
(32)【優先日】2020-12-21
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＢＬＵＥＴＯＯＴＨ
(71)【出願人】
【識別番号】504151804
【氏名又は名称】エーエスエムエル ネザーランズ ビー．ブイ．
(74)【代理人】
【識別番号】100079108
【弁理士】
【氏名又は名称】稲葉 良幸
(74)【代理人】
【識別番号】100109346
【弁理士】
【氏名又は名称】大貫 敏史
(74)【代理人】
【識別番号】100117189
【弁理士】
【氏名又は名称】江口 昭彦
(74)【代理人】
【識別番号】100134120
【弁理士】
【氏名又は名称】内藤 和彦
(72)【発明者】
【氏名】ワン，ジェ
(72)【発明者】
【氏名】ユ，リャンジャン
(72)【発明者】
【氏名】プ，リンリン
【テーマコード（参考）】
2G001
4M106
5C101
5L096
【Ｆターム（参考）】
2G001AA03
2G001BA07
2G001CA03
2G001HA13
2G001KA03
2G001LA11
4M106AA01
4M106BA02
4M106CA39
4M106DB05
4M106DB16
4M106DJ17
4M106DJ18
4M106DJ28
5C101AA03
5C101FF02
5C101JJ03
5C101JJ04
5C101JJ07
5L096AA06
5L096BA03
5L096BA18
5L096CA18
5L096DA01
5L096FA64
5L096FA69
(57)【要約】
合成欠陥画像を生成するための向上したシステム及び方法が開示される。合成欠陥画像を生成するための向上した方法は、機械学習ベースのジェネレータモデルを取得することと、欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、を含む。
【選択図】 図３
【選択図】 図３
【特許請求の範囲】
【請求項1】
合成欠陥画像を生成するための装置であって、命令の一セットを格納するメモリと、
機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力として前記ジェネレータモデルに提供することと、
前記欠陥のない検査画像に基づいて、前記欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像を前記ジェネレータモデルによって生成することと、
を前記装置に行わせるために前記命令の一セットを実行する少なくとも１つのプロセッサと、
を含む装置。
【請求項2】
前記欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、請求項１に記載の装置。
【請求項3】
前記欠陥属性の組み合わせが、単一の欠陥属性のみを含む、請求項１又は２に記載の装置。
【請求項4】
前記少なくとも１つのプロセッサが、前記欠陥属性の組み合わせを前記ジェネレータモデルに提供する前に、前記欠陥属性の組み合わせを条件ベクトルにエンコードすること
を前記装置にさらに行わせるために前記命令の一セットを実行する、請求項１～３の何れか一項に記載の装置。
【請求項5】
前記ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、請求項１～４の何れか一項に記載の装置。
【請求項6】
前記欠陥のない検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、請求項１～５の何れか一項に記載の装置。
【請求項7】
前記機械学習ベースのジェネレータモデルを取得することにおいて、前記少なくとも１つのプロセッサが、前記機械学習ベースのジェネレータモデルを事前に訓練することを前記装置にさらに行わせるために前記命令の一セットを実行し、前記機械学習ベースのジェネレータモデルを事前に訓練することが、第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥属性の組み合わせを取得することと、
前記第１の訓練用の欠陥のない検査画像に基づいて、前記第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像を前記ジェネレータモデルによって生成することと、
前記第１の予測合成欠陥画像が、前記第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを機械学習ベースの弁別器モデルによって評価することと、
を含む、請求項１～６の何れか一項に記載の装置。
【請求項8】
前記機械学習ベースのジェネレータモデルを事前に訓練することにおいて、前記少なくとも１つのプロセッサが、前記弁別器モデルを訓練することを前記装置にさらに行わせるために前記命令の一セットを実行し、前記弁別器モデルを訓練することが、前記第１の訓練用の欠陥属性の組み合わせに関連付けられた第１の訓練用の欠陥を含む検査画像を取得することと、
前記第１の欠陥を含む検査画像が、前記第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを前記弁別器モデルによって評価することと、
を含む、請求項７に記載の装置。
【請求項9】
前記機械学習ベースのジェネレータモデルを事前に訓練することにおいて、前記少なくとも１つのプロセッサが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の欠陥を含む検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、前記機械学習ベースのジェネレータモデルを訓練することを前記装置にさらに行わせるために前記命令の一セットを実行する、請求項７又は８に記載の装置。
【請求項10】
前記欠陥属性の組み合わせが、前記複数の訓練用の欠陥属性の組み合わせのうちの１つである、請求項９に記載の装置。
【請求項11】
合成欠陥画像を生成するための方法をコンピューティングデバイスに行わせるために前記コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットを格納する非一時的コンピュータ可読媒体であって、前記方法が、機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力として前記ジェネレータモデルに提供することと、
前記欠陥のない検査画像に基づいて、前記欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像を前記ジェネレータモデルによって生成することと、
を含む、非一時的コンピュータ可読媒体。
【請求項12】
前記欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、請求項１１に記載のコンピュータ可読媒体。
【請求項13】
前記欠陥属性の組み合わせが、単一の欠陥属性のみを含む、請求項１１又は１２に記載のコンピュータ可読媒体。
【請求項14】
前記コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な前記命令の一セットが、前記欠陥属性の組み合わせを前記ジェネレータモデルに提供する前に、前記欠陥属性の組み合わせを条件ベクトルにエンコードすること
を前記コンピューティングデバイスにさらに行わせる、請求項１１～１３の何れか一項に記載のコンピュータ可読媒体。
【請求項15】
前記ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、請求項１１～１４の何れか一項に記載のコンピュータ可読媒体。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願の相互参照
[0001] 本出願は、２０２０年１２月２１日に出願された米国特許出願第６３／１２８，７７２号の優先権を主張するものであり、その全体が参照により本明細書に援用される。
[0001] 本出願は、２０２０年１２月２１日に出願された米国特許出願第６３／１２８，７７２号の優先権を主張するものであり、その全体が参照により本明細書に援用される。
【0002】
[0002] 本明細書で提供される実施形態は、合成欠陥画像生成技術、より具体的には、荷電粒子ビーム検査におけるウェーハ検査用の合成欠陥画像生成に関する。
【背景技術】
【0003】
[0003] 集積回路（ＩＣ）の製造プロセスでは、未完成の又は完成した回路コンポーネントが設計通りに製造されていること、及び欠陥がないことを確実にするために検査される。光学顕微鏡又は走査電子顕微鏡（ＳＥＭ）などの荷電粒子（例えば電子）ビーム顕微鏡を利用する検査システムを採用することができる。ＩＣコンポーネントの物理的なサイズが縮小していくにつれ、欠陥検出の精度及び歩留まりは、より重要になる。
【0004】
[0004] 検査プロセスとして、ＳＥＭ画像などの検査画像は、画像向上、欠陥検出、欠陥分類などを受け得る。このような検査プロセスでは、機械学習又は深層学習の技法が利用され得る。欠陥検査の性能を向上させるには、十分な量の訓練欠陥画像を用いて検査画像を検査するための機械学習又は深層学習モデルを訓練することが望ましい。
【発明の概要】
【0005】
[0005] 本明細書に提供される実施形態は、粒子ビーム検査装置、より具体的には、複数の荷電粒子ビームを使用する検査装置を開示する。
【0006】
[0006] いくつかの実施形態では、合成欠陥画像を生成するための方法が開示される。方法は、機械学習ベースのジェネレータモデルを取得することと、欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、を含む。
【0007】
[0007] いくつかの実施形態では、合成欠陥画像を生成するための装置が開示される。方法は、命令の一セットを格納するメモリと、機械学習ベースのジェネレータモデルを取得することと、欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、を装置に行わせるために命令の一セットを実行するように構成された少なくとも１つのプロセッサと、を含む。
【0008】
[0008] いくつかの実施形態では、合成欠陥画像を生成するための方法をコンピューティングデバイスに行わせるためにコンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットを格納する非一時的コンピュータ可読媒体が開示される。方法は、機械学習ベースのジェネレータモデルを取得することと、欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、を含む。
【0009】
[0009] いくつかの実施形態では、合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための方法が開示される。方法は、第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、を含む。
【0010】
[0010] いくつかの実施形態では、合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための装置が開示される。装置は、命令の一セットを格納するメモリと、第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、を装置に行わせるために命令の一セットを実行するように構成された少なくとも１つのプロセッサと、を含む。
【0011】
[0011] いくつかの実施形態では、合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための方法をコンピューティングデバイスに行わせるためにコンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットを格納する非一時的コンピュータ可読媒体が開示される。方法は、第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、を含む。
【0012】
[0012] 本開示の実施形態の他の利点は、本発明の特定の実施形態が実例及び例として示される添付の図面と併せて以下の説明から明らかになるだろう。
【0013】
[0013] 本開示の上記及び他の態様は、添付の図面と併せて例示的実施形態の説明からより明らかになるだろう。
【図面の簡単な説明】
【0014】
【図1】[0014]本開示の実施形態と一致する、例示的荷電粒子ビーム検査システムを示す概略図である。
【図3】[0016]本開示の実施形態と一致する、例示的合成欠陥画像生成システムのブロック図である。
【図4A】[0017]本開示の実施形態と一致する、訓練用の欠陥のない検査画像例を示す。
【図4B】[0018]本開示の実施形態と一致する、訓練用の欠陥を含む検査画像例を示す。
【図5】[0019]本開示の実施形態と一致する、検査画像内の欠陥位置例を示す。
【図6】[0020]本開示の実施形態と一致する、例示的な予測合成欠陥画像を示す。
【図7A】[0021]本開示の実施形態と一致する、合成欠陥画像生成のための例示的な入力画像を示す。
【図7B】[0022]本開示の実施形態と一致する、欠陥タイプ例及び対応する合成欠陥画像の第１のセットを示す。
【図7C】[0023]本開示の実施形態と一致する、欠陥タイプ例及び対応する合成欠陥画像の第２のセットを示す。
【図8】[0024]本開示の実施形態と一致する、合成欠陥画像を生成するための方法例を示すプロセスフローチャートである。
【発明を実施するための形態】
【0015】
[0025] これより、添付の図面に例が示される例示的な実施形態について詳細に言及する。以下の説明は、添付の図面を参照し、添付の図面では、異なる図面における同じ番号は、別段の記載のない限り、同一又は類似の要素を表す。例示的な実施形態の以下の説明に記載される実装形態は、すべての実装形態を表すわけではない。代わりに、それらは、添付の特許請求の範囲に記載されるような、開示される実施形態に関連した態様と一致する装置及び方法の単なる例である。例えば、いくつかの実施形態は、電子ビームを利用する状況で説明されているが、本開示はそれに限定されない。他のタイプの荷電粒子ビームも同様に適用することができる。さらに、光学イメージング、光検出、Ｘ線検出などの他のイメージングシステムが使用されてもよい。
【0016】
[0026] 電子デバイスは、基板と呼ばれる半導体材料片の上に形成された回路により構築される。半導体材料には、例えば、シリコン、ガリウムヒ素、リン化インジウム、又はシリコンゲルマニウムなどが含まれ得る。多くの回路は、同じシリコン片上にまとめて形成することができ、集積回路又はＩＣと呼ばれる。基板上にさらに多くの回路を収めることができるように、これらの回路のサイズは劇的に小さくなっている。例えば、スマートフォン内のＩＣチップは、親指の爪ほどの大きさであり得るが、２０億個を超えるトランジスタを含む場合があり、各トランジスタのサイズは、人間の髪の毛のサイズの１０００分の１未満である。
【0017】
[0027] 非常に小さな構造又はコンポーネントを備えたこれらのＩＣの製造は、複雑で時間のかかる高価なプロセスであり、何百もの個々のステップを伴うことが多い。１つのステップにおけるエラーであっても、完成ＩＣに欠陥をもたらし、完成ＩＣを無用なものにする可能性がある。したがって、製造プロセスの目標の１つは、そのような欠陥を回避して、プロセスで製造される機能ＩＣの数を最大化すること、つまり、プロセスの全体的な歩留まりを向上させることである。
【0018】
[0028] 歩留まりを向上させる１つの要素は、チップの製造プロセスを、それが十分な数の機能集積回路を製造していることを確実にするためにモニタリングすることである。プロセスをモニタリングする１つの方法は、チップの回路構造を形成の様々な段階で検査することである。走査荷電粒子顕微鏡（ＳＣＰＭ）を用いて検査を実施することができる。例えば、ＳＣＰＭは、走査電子顕微鏡（ＳＥＭ）であってもよい。ＳＣＰＭを使用して、これらの非常に小さな構造をイメージングすること、事実上、ウェーハの構造の「写真」を撮ることができる。その画像を使用して、構造が適切な位置に適切に形成されたかどうかを決定することができる。構造に欠陥がある場合には、欠陥が再び起こりにくいようにプロセスを調整することができる。
【0019】
[0029] ＩＣコンポーネントの物理的なサイズが縮小していくにつれ、欠陥検出の精度及び歩留まりは、より重要になる。欠陥検査プロセス中に、ＳＥＭ画像などの検査画像は、画像向上、欠陥検出、欠陥分類などを受ける場合があり、そのようなプロセスを実行するために機械学習又は深層学習技法が利用され得る。機械学習又は深層学習モデルをＳＥＭ画像の検査に使用するためには、モデルは、ＳＥＭ欠陥画像を含む訓練データセットを用いて訓練され得る。正確で高性能な欠陥検査のためには、様々なＳＥＭ欠陥画像を含む訓練データセットを準備することが望ましい。しかしながら、ＳＥＭ画像では重大な欠陥の発生がまばらでランダムであるため、ＳＥＭ欠陥画像の十分なサンプルを収集するためには、時間及び費用がかかる。さらに、例えば研究開発のスケジュール要件内など、様々な欠陥について、同じ量又はバランスの取れた量のサンプル欠陥画像を収集することは現実的ではない場合がある。
【0020】
[0030] この問題に対処する手法の１つは、既存のＳＥＭ欠陥画像に対して簡単な操作（例えば、ランダムシフト、回転、フリッピングなど）により欠陥画像を生成することである。しかしながら、このような操作によって得られるのは、既存のＳＥＭ欠陥画像のコピーにすぎない。本開示のいくつかの実施形態は、ウェーハ検査画像から、画像向上、欠陥検出、欠陥分類などのために欠陥を検査するように設計された機械学習又は深層学習モデルの訓練に使用できる合成欠陥画像を生成するための機械学習ベースの方法及びシステムを提供する。本開示では、欠陥タイプ、欠陥サイズ、欠陥位置などの関心のある欠陥属性を有する様々な合成欠陥画像を生成することができる。
【0021】
[0031] 図面中のコンポーネントの相対的な寸法は、明確にするために誇張されている場合がある。以下の図面の説明内では、同一又は類似の参照番号は、同一又は類似のコンポーネント又はエンティティを指し、個々の実施形態に関する相違点のみが説明される。本明細書において、特に別段の記載のない限り、「又は」という用語は、実行不可能な場合を除き、すべての可能な組み合わせを包含する。例えば、あるコンポーネントがＡ又はＢを含み得ると記載されている場合、特に別段の記載のない限り、又は実行不可能な場合を除き、このコンポーネントは、Ａ、又はＢ、又はＡ及びＢを含み得る。第２の例として、あるコンポーネントが、Ａ、Ｂ、又はＣを含み得ると記載されている場合、特に別段の記載のない限り、又は実行不可能な場合を除き、このコンポーネントは、Ａ、又はＢ、又はＣ、又はＡ及びＢ、又はＡ及びＣ、又はＢ及びＣ、又はＡ及びＢ及びＣを含み得る。
【0022】
[0032] 図１は、本開示の実施形態と一致する例示的な電子ビーム検査（ＥＢＩ）システム１００を示す。ＥＢＩシステム１００は、イメージングに使用することができる。図１に示されるように、ＥＢＩシステム１００は、メインチャンバ１０１、ロード／ロックチャンバ１０２、ビームツール１０４、及び機器フロントエンドモジュール（ＥＦＥＭ）１０６を含む。ビームツール１０４は、メインチャンバ１０１内に配置される。ＥＦＥＭ１０６は、第１のローディングポート１０６ａ及び第２のローディングポート１０６ｂを含む。ＥＦＥＭ１０６は、追加の１つ又は複数のローディングポートを含み得る。第１のローディングポート１０６ａ及び第２のローディングポート１０６ｂは、検査されるウェーハ（例えば、半導体ウェーハ又は１つ若しくは複数の他の材料で作られたウェーハ）又はサンプルを含むウェーハ前面開口式一体型ポッド（ＦＯＵＰ（front opening unified pod））を受け取る（ウェーハ及びサンプルは、言い換え可能に使用され得る）。「ロット」とは、バッチとして処理するためにロードされ得る複数のウェーハである。
【0023】
[0033] ＥＦＥＭ１０６の１つ又は複数のロボットアーム（図示せず）は、ウェーハをロード／ロックチャンバ１０２に運ぶことができる。ロード／ロックチャンバ１０２は、大気圧未満の第１の圧力に達するようにロード／ロックチャンバ１０２内のガス分子を除去するロード／ロック真空ポンプシステム（図示せず）に接続される。第１の圧力に達した後、１つ又は複数のロボットアーム（図示せず）は、ウェーハをロード／ロックチャンバ１０２からメインチャンバ１０１に運ぶことができる。メインチャンバ１０１は、第１の圧力未満の第２の圧力に達するようにメインチャンバ１０１内のガス分子を除去するメインチャンバ真空ポンプシステム（図示せず）に接続される。第２の圧力に達した後、ウェーハは、ビームツール１０４による検査を受ける。ビームツール１０４は、単一ビームシステム又はマルチビームシステムであってもよい。
【0024】
[0034] コントローラ１０９は、ビームツール１０４に電子的に接続される。コントローラ１０９は、ＥＢＩシステム１００の様々な制御を実行するように構成されたコンピュータであってもよい。コントローラ１０９は、メインチャンバ１０１、ロード／ロックチャンバ１０２、及びＥＦＥＭ１０６を含む構造の外にあるものとして図１に示されているが、コントローラ１０９が構造の一部であってもよいことが理解される。
【0025】
[0035] いくつかの実施形態では、コントローラ１０９は、１つ又は複数のプロセッサ（図示せず）を含み得る。プロセッサは、情報を操作又は処理することが可能な汎用又は特定の電子デバイスであってもよい。例えば、プロセッサは、任意の数の中央処理装置（又は「ＣＰＵ」）、グラフィック処理ユニット（又は「ＧＰＵ」）、光プロセッサ、プログラマブルロジックコントローラ、マイクロコントローラ、マイクロプロセッサ、デジタル信号プロセッサ、ＩＰ（intellectual property）コア、プログラマブルロジックアレイ（ＰＬＡ）、プログラマブルアレイロジック（ＰＡＬ）、ジェネリックアレイロジック（ＧＡＬ）、コンプレックスプログラマブルロジックデバイス（ＣＰＬＤ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、システムオンチップ（ＳｏＣ）、特定用途向け集積回路（ＡＳＩＣ）、及びデータ処理が可能な任意のタイプの回路の任意の組み合わせを含み得る。また、プロセッサは、ネットワークを介して結合された複数の機械又はデバイスに分散された１つ又は複数のプロセッサを含む仮想プロセッサであってもよい。
【0026】
[0036] いくつかの実施形態では、コントローラ１０９は、１つ又は複数のメモリ（図示せず）をさらに含み得る。メモリは、プロセッサによって（例えば、バスを介して）アクセス可能なコード及びデータを格納することができる汎用又は特定の電子デバイスであってもよい。例えば、メモリは、任意の数のランダムアクセスメモリ（ＲＡＭ）、リードオンリーメモリ（ＲＯＭ）、光ディスク、磁気ディスク、ハードドライブ、ソリッドステートドライブ、フラッシュドライブ、セキュリティデジタル（ＳＤ）カード、メモリスティック、コンパクトフラッシュ（登録商標）カード（ＣＦカード）、又は任意のタイプのストレージデバイスの任意の組み合わせを含み得る。コード及びデータは、オペレーティングシステム（ＯＳ）、及び特定のタスクのための１つ又は複数のアプリケーションプログラム（又は「アプリ」）を含み得る。また、メモリは、ネットワークを介して結合された複数の機械又はデバイスに分散された１つ又は複数のメモリを含む仮想メモリであってもよい。
【0027】
[0037] 図２は、本開示の実施形態と一致する、ＥＢＩシステム１００（図１）で使用するために構成され得る例示的なマルチビームツール１０４（本明細書では装置１０４とも呼ばれる）及び画像処理システム２９０の概略図を示す。
【0028】
[0038] ビームツール１０４は、荷電粒子源２０２、ガンアパーチャ２０４、集光レンズ２０６、荷電粒子源２０２から放出された一次荷電粒子ビーム２１０、ソース変換ユニット２１２、一次荷電粒子ビーム２１０の複数のビームレット２１４、２１６、及び２１８、一次投影光学システム２２０、電動ウェーハステージ２８０、ウェーハホルダ２８２、複数の二次荷電粒子ビーム２３６、２３８、及び２４０、二次光学システム２４２、並びに荷電粒子検出デバイス２４４を含む。一次投影光学システム２２０は、ビームセパレータ２２２、偏向走査ユニット２２６、及び対物レンズ２２８を含み得る。荷電粒子検出デバイス２４４は、検出サブ領域２４６、２４８、及び２５０を含み得る。
【0029】
[0039] 荷電粒子源２０２、ガンアパーチャ２０４、集光レンズ２０６、ソース変換ユニット２１２、ビームセパレータ２２２、偏向走査ユニット２２６、及び対物レンズ２２８は、装置１０４の一次光軸２６０と位置合わせされてもよい。二次光学システム２４２及び荷電粒子検出デバイス２４４は、装置１０４の二次光軸２５２と位置合わせされてもよい。
【0030】
[0040] 荷電粒子源２０２は、電子、陽子、イオン、ミューオン、又は電荷を運ぶその他の粒子などの１つ又は複数の荷電粒子を放出することができる。いくつかの実施形態では、荷電粒子源２０２は、電子源であってもよい。例えば、荷電粒子源２０２は、カソード、抽出器、又はアノードを含んでいてもよく、一次電子は、カソードから放出され、抽出又は加速されることによって、クロスオーバー（仮想又は実在）２０８を有する一次荷電粒子ビーム２１０（この場合は一次電子ビーム）を形成することができる。曖昧さを生じさせずに説明を簡単にするために、本明細書の記載の一部においては、例として電子が使用される。しかしながら、本開示の何れの実施形態においても、電子に限らず、どのような荷電粒子も使用され得ることに留意されたい。一次荷電粒子ビーム２１０は、クロスオーバー２０８から放出されるように可視化され得る。ガンアパーチャ２０４は、一次荷電粒子ビーム２１０の周辺荷電粒子を遮断してクーロン効果を低減することができる。クーロン効果により、プローブスポットのサイズの拡大が生じ得る。
【0031】
[0041] ソース変換ユニット２１２は、像形成素子アレイ及びビーム制限アパーチャアレイを含み得る。像形成素子アレイは、マイクロ偏向器又はマイクロレンズのアレイを含み得る。像形成素子アレイは、一次荷電粒子ビーム２１０の複数のビームレット２１４、２１６、及び２１８を用いて、クロスオーバー２０８の複数の平行像（虚像又は実像）を形成することができる。ビーム制限アパーチャアレイは、複数のビームレット２１４、２１６、及び２１８を制限することができる。図２には３つのビームレット２１４、２１６、及び２１８が示されているが、本開示の実施形態は、それに限定されない。例えば、いくつかの実施形態では、装置１０４は、第１の数のビームレットを生成するように構成され得る。いくつかの実施形態では、第１のビームレットの数は、１～１０００の範囲内であってもよい。いくつかの実施形態では、第１のビームレットの数は、２００～５００の範囲内であってもよい。例示的な実施形態では、装置１０４は、４００個のビームレットを生成することができる。
【0032】
[0042] 集光レンズ２０６は、一次荷電粒子ビーム２１０を集束させることができる。ソース変換ユニット２１２の下流にあるビームレット２１４、２１６、及び２１８の電流は、集光レンズ２０６の集束力を調整することによって、又はビーム制限アパーチャアレイ内の対応するビーム制限アパーチャの半径方向サイズを変更することによって異ならせることができる。対物レンズ２２８は、イメージングのためにビームレット２１４、２１６、及び２１８をウェーハ２３０上に集束させることができ、ウェーハ２３０の表面上に複数のプローブスポット２７０、２７２、及び２７４を形成することができる。
【0033】
[0043] ビームセパレータ２２２は、静電双極子場及び磁気双極子場を生成するウィーンフィルタ型のビームセパレータであってもよい。いくつかの実施形態では、それらが適用される場合、静電双極子場がビームレット２１４、２１６、及び２１８の荷電粒子（例えば電子）に及ぼす力は、磁気双極子場が荷電粒子に及ぼす力とは大きさが実質的に等しく、方向が反対であってもよい。したがって、ビームレット２１４、２１６、及び２１８は、ゼロの偏向角度で、ビームセパレータ２２２をまっすぐに通過することができる。しかしながら、ビームセパレータ２２２によって生成されるビームレット２１４、２１６、及び２１８の総分散も非ゼロであり得る。ビームセパレータ２２２は、ビームレット２１４、２１６、及び２１８から二次荷電粒子ビーム２３６、２３８、及び２４０を分離し、二次荷電粒子ビーム２３６、２３８、及び２４０を二次光学システム２４２へと誘導することができる。
【0034】
[0044] 偏向走査ユニット２２６は、ビームレット２１４、２１６、及び２１８を偏向させて、ウェーハ２３０の表面エリアにわたってプローブスポット２７０、２７２、及び２７４を走査することができる。プローブスポット２７０、２７２、及び２７４へのビームレット２１４、２１６、及び２１８の入射に応答して、二次荷電粒子ビーム２３６、２３８、及び２４０が、ウェーハ２３０から放出され得る。二次荷電粒子ビーム２３６、２３８、及び２４０は、エネルギーの分布を有する荷電粒子（例えば電子）を含み得る。例えば、二次荷電粒子ビーム２３６、２３８、及び２４０は、二次電子（５０ｅＶ以下のエネルギー）及び後方散乱電子（５０ｅＶ～ビームレット２１４、２１６、及び２１８の着地エネルギーのエネルギー）を含む二次電子ビームであってもよい。二次光学システム２４２は、二次荷電粒子ビーム２３６、２３８、及び２４０を荷電粒子検出デバイス２４４の検出サブ領域２４６、２４８、及び２５０上に集束させることができる。検出サブ領域２４６、２４８、及び２５０は、対応する二次荷電粒子ビーム２３６、２３８、及び２４０を検出し、ウェーハ２３０の表面エリア上又は下にある構造のＳＣＰＭ画像を再構築するために使用される対応する信号（例えば、電圧、電流など）を生成するように構成されてもよい。
【0035】
[0045] 生成された信号は、二次荷電粒子ビーム２３６、２３８、及び２４０の強度を表す場合があり、荷電粒子検出デバイス２４４、一次投影光学システム２２０、及び電動ウェーハステージ２８０と通信している画像処理システム２９０に提供され得る。電動ウェーハステージ２８０の移動速度は、走査プローブスポット（例えば、走査プローブスポット２７０、２７２、及び２７４）の移動がウェーハ２３０上の関心領域を順序正しくカバーできるように、偏向走査ユニット２２６によって制御されるビーム偏向と同期及び連携されてもよい。このような同期及び連携のパラメータは、ウェーハ２３０の異なる材料に適応するように調整され得る。例えば、ウェーハ２３０の異なる材料は、走査プローブスポットの移動に対して異なる信号感度を生じさせ得る異なる抵抗－容量特性を有し得る。
【0036】
[0046] 二次荷電粒子ビーム２３６、２３８、及び２４０の強度は、ウェーハ２３０の外部構造又は内部構造によって異なる場合があるため、ウェーハ２３０が欠陥を含むか否かを示し得る。また、上述したように、ビームレット２１４、２１６、及び２１８は、ウェーハ２３０の上面の異なる場所、又はウェーハ２３０の局所構造の異なる側面上に投影されることにより、強度が異なり得る二次荷電粒子ビーム２３６、２３８、及び２４０を生成し得る。したがって、画像処理システム２９０は、二次荷電粒子ビーム２３６、２３８、及び２４０の強度をウェーハ２３０のエリアとマッピングすることにより、ウェーハ２３０の内部構造又は外部構造の特性を反映した画像を再構築することができる。
【0037】
[0047] いくつかの実施形態では、画像処理システム２９０は、画像取得器２９２、ストレージ２９４、及びコントローラ２９６を含み得る。画像取得器２９２は、１つ又は複数のプロセッサを含み得る。例えば、画像取得器２９２は、コンピュータ、サーバ、メインフレームホスト、端末、パーソナルコンピュータ、あらゆる種類のモバイルコンピューティングデバイスなど、又はそれらの組み合わせを含み得る。画像取得器２９２は、電気導体、光ファイバケーブル、ポータブル記憶媒体、ＩＲ、Bluetooth、インターネット、無線ネットワーク、無線ラジオ、又はそれらの組み合わせなどの媒体を介して、ビームツール１０４の荷電粒子検出デバイス２４４に通信可能に結合されてもよい。いくつかの実施形態では、画像取得器２９２は、荷電粒子検出デバイス２４４から信号を受信し、画像を構築することができる。このようにして、画像取得器２９２は、ウェーハ２３０のＳＣＰＭ画像を取得することができる。画像取得器２９２は、輪郭の生成、取得した画像へのインジケータの重ね合わせなどの様々な後処理機能も実行し得る。画像取得器２９２は、取得した画像の明るさ及びコントラストの調整を行うように構成されてもよい。いくつかの実施形態では、ストレージ２９４は、ハードディスク、フラッシュドライブ、クラウドストレージ、ランダムアクセスメモリ（ＲＡＭ）、他のタイプのコンピュータ可読メモリなどの記憶媒体であってもよい。ストレージ２９４は、画像取得器２９２と結合されてもよく、オリジナル画像としての走査された生画像データ、及び後処理画像を保存するために使用され得る。画像取得器２９２及びストレージ２９４は、コントローラ２９６に接続されてもよい。いくつかの実施形態では、画像取得器２９２、ストレージ２９４、及びコントローラ２９６は、１つの制御ユニットとして統合されてもよい。
【0038】
[0048] いくつかの実施形態では、画像取得器２９２は、荷電粒子検出デバイス２４４から受信したイメージング信号に基づいて、ウェーハの１つ又は複数のＳＣＰＭ画像を取得することができる。イメージング信号は、荷電粒子イメージングを行うための走査動作に対応し得る。取得画像は、複数のイメージングエリアを含む単一の画像であってもよい。単一の画像は、ストレージ２９４に格納されてもよい。単一の画像は、複数の領域に分割され得るオリジナルの画像であってもよい。各領域は、ウェーハ２３０のフィーチャを含む１つのイメージングエリアを含み得る。取得画像は、時間系列にわたって複数回サンプリングされたウェーハ２３０の単一のイメージングエリアの複数の画像を含み得る。複数の画像は、ストレージ２９４に格納されてもよい。いくつかの実施形態では、画像処理システム２９０は、ウェーハ２３０の同じ場所の複数の画像を用いて画像処理ステップを実行するように構成されてもよい。
【0039】
[0049] いくつかの実施形態において、画像処理システム２９０は、検出された二次荷電粒子（例えば二次電子）の分布を得るための測定回路（例えば、アナログ－デジタル変換器）を含み得る。検出時間ウィンドウ中に収集された荷電粒子分布データは、ウェーハ表面に入射するビームレット２１４、２１６、及び２１８の対応する走査パスデータと組み合わせて、検査下のウェーハ構造の画像を再構築するために使用することができる。再構築画像は、ウェーハ２３０の内部構造又は外部構造の様々なフィーチャを明らかにするために使用することができ、それにより、ウェーハに存在し得る欠陥を明らかにするために使用することができる。
【0040】
[0050] いくつかの実施形態では、荷電粒子は電子であってもよい。一次荷電粒子ビーム２１０の電子がウェーハ２３０の表面（例えば、プローブスポット２７０、２７２、及び２７４）上に投影されると、一次荷電粒子ビーム２１０の電子は、ウェーハ２３０の表面を一定の深さまで貫通し、ウェーハ２３０の粒子と相互作用し得る。一次荷電粒子ビーム２１０の一部の電子は、ウェーハ２３０の材料と弾性的に（例えば、弾性散乱又は衝突の形で）相互作用する場合があり、ウェーハ２３０の表面から外へ反射又は反跳する場合がある。弾性相互作用は、相互作用の物体（例えば、一次荷電粒子ビーム２１０の電子）の総運動エネルギーを保存し、この場合、相互作用する物体の運動エネルギーは、他の形態のエネルギー（例えば、熱、電磁エネルギーなど）に変換されない。弾性相互作用によって生成されるこのような反射電子は、後方散乱電子（ＢＳＥ）と呼ばれることがある。一次荷電粒子ビーム２１０の一部の電子は、ウェーハ２３０の材料と非弾性的に（例えば、非弾性散乱又は衝突の形で）相互作用する場合がある。非弾性相互作用は、相互作用の物体の総運動エネルギーを保存せず、この場合、相互作用する物体の運動エネルギーの一部又はすべてが他の形態のエネルギーに変換される。例えば、非弾性相互作用により、一次荷電粒子ビーム２１０の一部の電子の運動エネルギーが、電子励起及び材料の原子の遷移を引き起こし得る。このような非弾性相互作用により、ウェーハ２３０の表面から出る電子も生成される場合があり、これは、二次電子（ＳＥ）と呼ばれることがある。ＢＳＥ及びＳＥの歩留まり又は放出率は、例えば、中でも、検査下の材料、及び材料の表面に着地する一次荷電粒子ビーム２１０の電子の着地エネルギーに依存する。一次荷電粒子ビーム２１０の電子のエネルギーは、その加速電圧（例えば、図２中の荷電粒子源２０２のアノードとカソードとの間の加速電圧）によって部分的に与えられ得る。ＢＳＥ及びＳＥの量は、一次荷電粒子ビーム２１０の注入電子よりも多くても、又は少なくても（又は同じでも）よい。
【0041】
[0051] ＳＥＭによって生成された画像は、欠陥検査に使用することができる。例えば、ウェーハのテストデバイス領域を捕捉した生成画像が、同じテストデバイス領域を捕捉した参照画像と比較されてもよい。参照画像は、（例えばシミュレーションにより）事前に決定されてもよく、既知の欠陥が含まれていない場合がある。生成画像と参照画像の違いが許容レベルを超えると、潜在的欠陥が識別され得る。別の例として、ＳＥＭは、ウェーハの複数の領域（各領域は、同じように設計されたテストデバイス領域を含む）を走査し、製造時にそれらのテストデバイス領域を捕捉した複数の画像を生成してもよい。複数の画像は、互いに比較されてもよい。複数の画像間の違いが許容レベルを超える場合、潜在的欠陥が識別され得る。
【0042】
[0052] ここで、本開示の実施形態と一致する、例示的合成欠陥画像生成システムのブロック図である図３を参照する。図３に示されるように、合成欠陥画像生成システム３００（「装置３００」とも呼ばれる）は、訓練装置３０２及び予測装置３０４を含み得る。いくつかの実施形態では、合成欠陥画像生成システム３００は、１つ又は複数のプロセッサ及びメモリを含む。例えば、合成欠陥画像生成システム３００は、１つ又は複数のコンピュータ、サーバ、メインフレームホスト、端末、パーソナルコンピュータ、あらゆる種類のモバイルコンピューティングデバイスなど、又はそれらの組み合わせを含み得る。様々な実施形態において、合成欠陥画像生成システム３００は、荷電粒子ビーム検査システム（例えば、図１のＥＢＩシステム１００）の一部であってもよいし、又は荷電粒子ビーム検査システムとは別個のものであってもよいことが理解される。合成欠陥画像生成システム３００は、荷電粒子ビーム検査システムとは別個の、及び荷電粒子ビーム検査システムと通信可能に結合された１つ又は複数のコンポーネント又はモジュールを含み得ることも理解される。いくつかの実施形態では、合成欠陥画像生成システム３００は、本明細書で説明するように、コントローラ１０９又はシステム２９０で実装され得る１つ又は複数のコンポーネント（例えば、ソフトウェアモジュール）を含み得る。いくつかの実施形態では、訓練装置３０２及び予測装置３０４は、別個のコンピューティングデバイス上に、又は同じコンピューティングデバイス上に実装される。
【0043】
[0053] 図３に示されるように、訓練装置３０２は、第１の訓練用画像取得器３１０、第２の訓練用画像取得器３１５、訓練条件データ取得器３２０、及びモデル訓練器３３０を含み得る。
【0044】
[0054] 本開示のいくつかの実施形態によれば、第１の訓練用画像取得器３１０は、ウェーハ又はサンプルの欠陥のない検査画像を取得することができる。欠陥のない検査画像とは、その中に欠陥を含まない検査画像である。いくつかの実施形態では、第１の訓練用画像取得器３１０は、複数の欠陥のない検査画像を取得することができる。本開示において、検査画像は、荷電粒子ビーム検査システム（例えば、図１の電子ビーム検査システム１００）によって取得された検査画像を指し得る。例えば、検査画像は、電子ビームツール１０４の電子検出デバイス２４４からの検出信号に基づいて生成された電子ビーム画像であってもよい。本開示のいくつかの実施形態では、ＳＥＭ画像は検査画像と呼ばれるが、本開示がサンプル又はウェーハのどのような検査画像にも適用され得ることが理解されるだろう。
【0045】
[0055] 図４Ａは、本開示の実施形態と一致する、欠陥のない検査画像例を示す。図４Ａにおいて、それぞれがＳＥＭ画像である第１の欠陥のない検査画像４１１及び第２の欠陥のない検査画像４１２が例として示されている。図４Ａに示されるように、欠陥のない検査画像４１１又は４１２はそれぞれ、欠陥のないサンプルのパターン（例えば、ストライプパターン）を示している。いくつかの実施形態では、欠陥のない検査画像４１１又は４１２は、第１の訓練用画像取得器３１０によって取得された第１の訓練用画像として使用される。図４Ａには２つの欠陥のない検査画像が示されているが、本開示の実施形態では、任意の数の欠陥のない検査画像が訓練に利用され得ることが理解されるだろう。
【0046】
[0056] 図３を再び参照し、いくつかの実施形態によれば、第１の訓練用画像取得器３１０は、電子ビームツール１０４の電子検出デバイス２４４からの検出信号に基づいて、欠陥のない検査画像を生成することができる。いくつかの実施形態では、第１の訓練用画像取得器３１０は、画像処理システム２９０に含まれる画像取得器２９２の一部であってもよいし、又は画像処理システム２９０に含まれる画像取得器２９２とは別個のものであってもよい。いくつかの実施形態では、第１の訓練用画像取得器３１０は、画像処理システム２９０に含まれる画像取得器２９２によって生成された欠陥のない検査画像を取得することができる。いくつかの実施形態では、第１の訓練用画像取得器３１０は、欠陥のない検査画像を格納するストレージデバイス又はシステムから欠陥のない検査画像を取得することができる。
【0047】
[0057] 本開示のいくつかの実施形態では、第２の訓練用画像取得器３１５は、ウェーハ又はサンプルの欠陥を含む検査画像を取得することができる。欠陥を含む検査画像は、その中に欠陥を含む検査画像である。いくつかの実施形態では、第２の訓練用画像取得器３１５は、欠陥を含む複数の検査画像を取得することができる。図４Ｂは、本開示の実施形態と一致する、欠陥を含む検査画像例を示している。図４Ｂには、それぞれがＳＥＭ画像である、第１の欠陥を含む検査画像４２１～第４の欠陥を含む検査画像４２４が例として示されている。図４Ｂに示されるように、欠陥を含む検査画像４２１～４２４のそれぞれは、欠陥を有するサンプルのパターン（例えば、横ストライプパターン）を示している。第１の欠陥を含む検査画像４２１は、２つの隣接するストライプ間の垂直接続を有し、これは、本開示ではブリッジ欠陥と呼ばれる。第２の欠陥を含む検査画像４２２は、狭くなったストライプを有し、これは、本開示では狭線欠陥と呼ばれる。第３の欠陥を含む検査画像４２３は、３つの隣接するストライプ間の接続を有し、これも、本開示ではブライド欠陥と呼ばれる。第４の欠陥を含む検査画像４２４は、幅の広くなったストライプを有し、これは、本開示では幅広線欠陥と呼ばれる。図４Ｂには欠陥を含む４つの検査画像が示されているが、本開示の実施形態では、任意の数の欠陥を含む検査画像が訓練に利用され得ることが理解されるだろう。
【0048】
[0058] いくつかの実施形態では、第２の訓練用画像取得器３１５は、電子ビームツール１０４の電子検出デバイス２４４からの検出信号に基づいて、欠陥を含む検査画像を生成することができる。いくつかの実施形態では、第２の訓練用画像取得器３１５は、画像処理システム２９０に含まれる画像取得器２９２の一部であってもよく、又は画像処理システム２９０に含まれる画像取得器２９２とは別個のものであってもよい。いくつかの実施形態では、第２の訓練用画像取得器３１５は、画像処理システム２９０に含まれる画像取得器２９２によって生成された欠陥を含む検査画像を取得することができる。いくつかの実施形態では、第２の訓練用画像取得器３１５は、欠陥のない検査画像を格納するストレージデバイス又はシステムから欠陥を含む検査画像を取得することができる。
【0049】
[0059] 再び図３を参照して、本開示のいくつかの実施形態によれば、訓練条件データ取得器３２０は、第２の訓練用画像取得器３１５によって取得された欠陥を含む検査画像の欠陥属性の組み合わせを取得する。欠陥属性の組み合わせは、欠陥を含む検査画像に含まれる欠陥の１つ又は複数の欠陥属性を含み得る。いくつかの実施形態では、欠陥属性は、欠陥タイプ、欠陥サイズ、欠陥位置、欠陥強度などを含み得る。いくつかの実施形態によれば、ユーザは、ユーザが関心を持つ欠陥の任意のフィーチャ又は特性を表す欠陥属性を定義することができる。いくつかの実施形態によれば、欠陥を含む１つの検査画像に関連付けられた欠陥は、複数の欠陥属性の組み合わせを有し得る。いくつかの実施形態では、欠陥は、２ｎ－１の欠陥属性の組み合わせを有する場合があり、ｎは、欠陥の欠陥属性の数を表す。例えば、欠陥が２つの定義された欠陥属性、すなわち、属性１及び属性２を有する場合、欠陥は、３つの欠陥属性の組み合わせ、すなわち、（属性１）、（属性２）、及び（属性１、属性２）を有し得る。ユーザは、訓練欠陥属性として、欠陥属性の任意の組み合わせを選択することができる。
【0050】
[0060] いくつかの実施形態では、欠陥属性の組み合わせは、欠陥を含む検査画像に含まれる欠陥の条件ベクトルとして表すことができる。欠陥の各属性は、エンコードすることができる。いくつかの実施形態では、欠陥属性は、欠陥タイプ、欠陥サイズ、欠陥位置、欠陥強度などを含み得る。欠陥タイプは、ブリッジ欠陥、狭線欠陥、幅広線欠陥などの複数の欠陥タイプを含み得る。いくつかの実施形態では、固有のコードが、各欠陥タイプに割り当てられてもよい。例えば、ブリッジ欠陥にはコード００１が割り当てられ、狭線欠陥にはコード０１０が割り当てられ、幅広線欠陥には１００が割り当てられるなどである。いくつかの実施形態では、このようなコードマッピングは、事前に決定され、システム及びユーザに知られていることが可能である。欠陥タイプを表すためにバイナリコードが使用されるが、本開示のいくつかの実施形態では、任意の符号語又は任意の符号長が使用され得ることが理解されるだろう。
【0051】
[0061] いくつかの実施形態では、欠陥サイズは、欠陥の長さ、幅、対角線の長さなどで表すことができる。いくつかの実施形態では、欠陥サイズは、検査画像上の実際のサイズ、スケール変更されたサイズなどによってエンコードされてもよい。例えば、第１の欠陥を含む検査画像４２１では、２つのストライプを接続するブリッジの垂直方向の長さ、ブリッジの水平幅などの欠陥サイズが検査画像から測定され得る。いくつかの実施形態では、欠陥サイズは、バイナリコードの代わりにサイズを表す実際の数値でエンコードされてもよい。
【0052】
[0062] いくつかの実施形態では、検査画像内の欠陥を含む領域に従って欠陥位置がエンコードされることも可能である。例えば、検査画像は、複数の領域に分割されてもよく、固有のコードが各領域に割り当てられてもよい。図５は、一例として、検査画像の様々な欠陥位置を示している。図５では、第１の検査画像５１０は、第１の行に欠陥を含み（これは、灰色の円で示される）、第２の検査画像５１０は、第２の行に欠陥を含み、第３の検査画像５３０は、第３の行に欠陥を含む。３つの検査画像５１０、５２０、及び５３０には、欠陥位置属性として、異なるコードが割り当てられてもよい。例えば、第１の検査画像５１０の欠陥位置（例えば、第１の行）にはコード１が割り当てられ、第２の検査画像５２０の欠陥位置（例えば第２の行）にはコード２が割り当てられ、第３の検査画像５３０の欠陥位置（例えば第３の行）にはコード３が割り当てられる。図５に関して、行ごとに欠陥位置を識別することが示されているが、本開示の実施形態では、任意の位置分類（例えば、中心からの距離、グリッドタイプの領域分類など）が使用され得ることが理解されるだろう。
【0053】
[0063] いくつかの実施形態では、欠陥強度は、欠陥感知可能レベルで表すことができ、すなわち、欠陥強度は、検査画像から欠陥をどれだけ簡単に感知できるかを表すことができる。欠陥の検出が容易な場合は、欠陥強度がより強くなり得、その逆も同様である。いくつかの実施形態では、欠陥強度は、欠陥エリアに応じてエンコードされ得る。欠陥エリアは、検査画像内で欠陥が及ぶピクセル数によって測定することができる。ピクセル数が多いほど、欠陥強度は強くなり得る。いくつかの実施形態では、検査画像における欠陥エリアと非欠陥エリアとの間のグレーレベルの差に応じて欠陥強度がエンコードされてもよい。欠陥エリアと非欠陥エリアとの間のグレーレベルの差が大きいほど、欠陥強度は強くなる。そのため、欠陥強度は、欠陥強度の量子化値に応じてエンコードされ得る。
【0054】
[0064] いくつかの実施形態によれば、各欠陥属性の組み合わせは、条件ベクトルにコード化することができる。欠陥属性の組み合わせが複数の欠陥属性、例えば、欠陥タイプとしての属性１、欠陥サイズとしての属性２、欠陥強度としての属性３などを有する場合、欠陥の状態ベクトルは、（コード化属性１、コード化属性２、コード化属性３、コード化属性４、…）として表すことができる。例えば、第１の欠陥を含む検査画像４２１の欠陥属性の組み合わせは、ブリッジ欠陥としての属性１、ブリッジ欠陥のサイズとしての属性２、ブリッジ欠陥の位置としての属性３、及び欠陥強度としての属性４を有する第１の条件ベクトルで表すことができる。エンコードされた属性は、条件ベクトルにおいて使用することができる。いくつかの実施形態では、対応する欠陥属性の組み合わせが要素として１つの欠陥属性を有するため、条件ベクトルは、欠陥属性が１つしかない場合がある。
【0055】
[0065] いくつかの実施形態によれば、欠陥を含む複数の検査画像の複数の欠陥について、複数の欠陥属性の組み合わせを取得することができる。いくつかの実施形態では、欠陥を含む１つの検査画像内の１つの欠陥について、複数の欠陥属性の組み合わせを取得することができる。いくつかの実施形態では、訓練条件データ取得器３２０は、第２の訓練用画像取得器３１５によって取得された欠陥を含む検査画像から条件データとして属性の組み合わせを生成することができる。いくつかの実施形態では、訓練条件データ取得器３２０は、訓練条件データを格納するストレージデバイス又はシステムから、訓練用の欠陥を含む検査画像に対応した訓練用の欠陥属性の組み合わせデータを取得することができる。
【0056】
[0066] 図３を再び参照して、本開示のいくつかの実施形態によれば、モデル訓練器３３０は、ジェネレータ３３１を含む。モデル訓練器３３０は、可能な限り現実的な欠陥を有する合成検査画像を生成するようにジェネレータ３３１を訓練するように構成される。ジェネレータ３３１は、第１の訓練用画像及び条件データを入力として取得するように構成される。ジェネレータ３３１は、第１の訓練用画像に基づいて、条件データの条件下で欠陥を有する合成検査画像を生成するように構成される。いくつかの実施形態によれば、ジェネレータ３３１は、第１の訓練用画像取得器３１０から第１の訓練用画像（すなわち、欠陥のない検査画像）を取得し、及び訓練条件データ取得器３２０から条件データ（すなわち、欠陥属性の組み合わせ）を取得するように構成される。ジェネレータ３３１は、欠陥属性の組み合わせによって識別された欠陥属性を有する欠陥を、欠陥のない検査画像と合成するように構成され得る。
【0057】
[0067] 図６は、ジェネレータ３３１によって生成された例示的な予測合成欠陥画像６３０を示す。合成欠陥画像６３０は、第１の訓練用画像としての図４Ａの第１の欠陥のない検査画像４１１、及び条件データとしての図４Ｂの第１の欠陥を含む検査画像４２１に含まれる欠陥の欠陥属性の組み合わせに基づいてジェネレータ３３１によって生成された合成画像例である。この例では、図４Ｂの第１の欠陥を含む検査画像４２１に含まれる欠陥の欠陥タイプ（例えばブリッジ欠陥）が、欠陥属性として使用される。図４Ｂの第１の欠陥を含む検査画像４２１に含まれる欠陥の他の欠陥属性が、関心のある欠陥を特徴付けるために使用され得ることが理解されるだろう。図６に示されるように、欠陥属性の組み合わせによって定義された欠陥の特性を有する欠陥が、欠陥のない入力検査画像上に合成され得る。
【0058】
[0068] いくつかの実施形態によれば、モデル訓練器３３０は、現実的な合成欠陥画像を生成するようにジェネレータ３３１を訓練するための弁別器３３２をさらに含み得る。いくつかの実施形態では、ジェネレータ３３１によって生成された合成欠陥画像は、弁別器３３２に提供され、弁別器３３２は、入力画像が合成画像の生成に使用された条件データ下で欠陥を有する実際の検査画像として分類されるか否かを評価するように構成される。いくつかの実施形態では、このような分類は、例えば少なくとも部分的に、実際の欠陥検査画像特性又は入力画像から抽出された合成欠陥画像特性に基づいて行うことができる。合成欠陥画像が欠陥を有する実際の検査画像ではないと弁別器３３２が決定した場合、その結果を用いてジェネレータ３３１が更新される。例えば、弁別器３３２の決定に基づいて、ジェネレータ３３１の係数又は重みの更新又は修正を行うことができる。更新された係数又は重みに基づいて、ジェネレータ３３１は、同じ入力セット又は異なる入力セットで合成欠陥画像を生成するように構成され、生成された合成欠陥画像は、弁別器３３２に提供される。このプロセスは、弁別器３３２が、ジェネレータ３３１によって生成された合成欠陥画像を、事前に決定された確率又は許容可能な確率で、関連付けられた欠陥属性の組み合わせに一致する欠陥を有する実際の検査画像として分類するまで繰り返すことができる。説明したように、いくつかの実施形態では、ジェネレータ３３１は、弁別器３３２がジェネレータ３３１によって生成された合成欠陥画像を実際の検査画像として分類するように弁別器３３２を欺くように訓練される。本開示のいくつかの実施形態では、モデル訓練器３３０の目的は、可能な限り現実的な合成欠陥画像を生成し、及びジェネレータ３３１によって生成された合成欠陥画像に対する弁別器３３２の誤り率を増加させるようにジェネレータ３３１を訓練することである。
【0059】
[0069] 図４Ａに関して、１つの訓練用の欠陥のない検査画像及び１つの欠陥属性の組み合わせに基づいて訓練プロセスを示したが、訓練プロセスは、訓練用画像及び条件データの任意の数のペア、又は訓練用画像及び条件データの任意の組み合わせを用いて実行され得ることが理解されるだろう。例えば、ジェネレータ３３１は、複数の欠陥のない検査画像から任意の訓練用画像を入力訓練用画像として受信し、及び複数の欠陥属性の組み合わせからの任意の条件データを受信することにより、受信した条件データ下で欠陥を有する受信した訓練用画像に基づいて合成欠陥画像を生成することができる。
【0060】
[0070] いくつかの実施形態では、ジェネレータ３３１の訓練プロセスは、例えば、新たに収集された欠陥を含む検査画像、新たに収集された欠陥のない検査画像、又は新たに識別された欠陥属性の組み合わせなどに基づいて、定期的に実行することができる。いくつかの実施形態では、ジェネレータ３３１の訓練プロセスは、欠陥を含む新たな検査画像、欠陥のない新たな検査画像、又は新たに識別された欠陥属性の組み合わせが利用可能になったときに、要求に応じて実行することができる。いくつかの実施形態では、ジェネレータ３３１の訓練プロセスは、ジェネレータ３３１用の更新されたアルゴリズム又はモデルを用いて、既存の訓練データに基づいて実行することができる。
【0061】
[0071] 本開示のいくつかの実施形態によれば、弁別器３３２は、ジェネレータ３３１によって生成された合成欠陥画像を評価するように訓練される。いくつかの実施形態では、モデル訓練器３３０は、教師付き学習により弁別器３３２を訓練するように構成される。教師付き学習では、弁別器３３２に供給される訓練データには、所望の出力データが含まれ得る。いくつかの実施形態では、弁別器３３２は、第２の訓練用画像取得器３１５によって取得された欠陥を含む検査画像を用いて訓練される。弁別器３３２には、訓練条件データ取得器３２０によって取得された訓練条件データ（例えば、欠陥属性の組み合わせ）がさらに提供される。訓練中に、弁別器３３２は、欠陥を含む入力検査画像が、欠陥を含む入力検査画像に関連付けられた条件データに対応する欠陥を含む実際の検査画像であることを学習するように訓練され得る。例えば、弁別器３３２には、訓練用画像として、図４Ｂの第１の欠陥を含む検査画像４２１が供給され、及び条件データとして、第１の欠陥を含む検査画像４２１に関連付けられた欠陥属性の組み合わせが供給される。弁別器３３２は、受信した第１の欠陥を含む検査画像４２１が、受信した欠陥属性の組み合わせに対応した実際の欠陥を有する実際の検査画像として分類されるか否かを評価するように構成することができる。第１の欠陥を含む検査画像４２１が欠陥を有する実際の検査画像ではないと弁別器３３２が決定した場合、その結果を用いて弁別器３３２が更新される。
【0062】
[0072] また、いくつかの実施形態では、弁別器３３２は、ジェネレータ３３１によって生成された合成欠陥画像と、対応する合成欠陥画像を生成するために使用された訓練条件データ（例えば、欠陥属性の組み合わせ）とを用いて訓練される。例えば、弁別器３３２には、ジェネレータ３３１によって生成された予測合成欠陥画像と、ジェネレータ３３１によって予測合成欠陥画像を生成するために使用された欠陥属性の組み合わせとが供給される。弁別器３３２は、予測合成欠陥画像が、欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価するように構成することができる。予測合成欠陥画像が欠陥を有する実際の検査画像であると弁別器３３２が決定した場合、その結果を用いて弁別器３３２が更新される。
【0063】
[0073] いくつかの実施形態では、弁別器３３２は、訓練中に実際の欠陥検査画像特性又は合成欠陥画像特性を学習することができる。弁別器３３２が既知の解に対応した正しい推測結果を提供できるように、訓練中に、弁別器３３２の係数又は重みを更新又は修正することができる。弁別器３３２の更新後に、入力画像（例えば、欠陥を含む検査画像又は予測合成欠陥画像）が入力画像に関連付けられた欠陥属性の組み合わせによって定義される欠陥を有する実際の画像として分類されるか否かを弁別器３３２が適切に推測するまで、訓練プロセスを繰り返すことができる。図４Ｂに関して、１つの訓練用の欠陥を含む画像及び１つの条件データに基づいて、並びに１つの合成欠陥画像及び関連付けられた条件データに基づいて、訓練プロセスを示したが、訓練用画像及び条件データの任意の数のペア、又は訓練用画像及び条件データの任意の組み合わせを使用して、訓練プロセスが実行され得ることが理解されるだろう。例えば、弁別器３３２は、欠陥を含む複数の検査画像から任意の画像を訓練用画像として受信し、及び受信した訓練用画像に関連付けられた任意の条件データを訓練条件データとして受信することにより、受信した検査画像が受信した条件データ下で実際のものであるか否かを評価することができる。同様に、弁別器３３２は、ジェネレータ３３１によって生成された複数の合成欠陥画像から任意の画像を訓練用画像として受信し、及び受信した合成欠陥画像を生成する際に使用された条件データを訓練条件データとして受信することにより、受信した合成欠陥画像が受信した条件データ下で実際のものであるか否かを評価することができる。いくつかの実施形態では、弁別器３３２の訓練プロセスは、弁別器３３２が事前に決定された確率又は許容可能な精度で正しい予測を提供するまで継続し得る。例えば、弁別器３３２の訓練プロセスは、弁別器３３２が実際の欠陥を含む検査画像を、関連付けられた欠陥属性の組み合わせによって定義される欠陥を有する実際の検査画像として、所定の確率又は許容可能な精度で分類するまで継続し得る。同様に、弁別器３３２の訓練プロセスは、弁別器３３２が、関連付けられた欠陥属性の組み合わせの条件下で、事前に決定された確率又は許容可能な精度で合成欠陥画像を合成画像として分類するまで継続し得る。
【0064】
[0074] いくつかの実施形態では、ジェネレータ３３１又は弁別器３３２は、機械学習又は深層学習ネットワークモデルとして実装することができる。いくつかの実施形態では、ジェネレータ３３１及び弁別器３３２は、訓練中に互いに相互作用する２つの別個のニューラルネットワークとして実装することができる。例えば、ジェネレータ３３１及び弁別器３３２は、機械学習フレームワークの一種である条件付き生成型敵対的ネットワーク（conditional generative adversarial network）として実装することができる。本開示に示されるジェネレータ３３１又は弁別器３３２のプロセス及び方法を実行するために、任意の機械学習又は深層学習ネットワークモデルを使用できることも理解されるだろう。
【0065】
[0075] 再び図３を参照して、予測装置３０４は、入力画像取得器３４０、入力条件データ取得器３４５、及び画像予測器３５０を含み得る。本開示のいくつかの実施形態によれば、入力画像取得器３４０は、欠陥のない検査画像を入力画像として取得することができる。欠陥のない入力検査画像とは、欠陥検査又は分析の対象であるウェーハ又はサンプルの検査画像である。いくつかの実施形態では、欠陥のない入力検査画像は、複数の訓練用の欠陥のない検査画像のうちの１つであってもよい。いくつかの実施形態では、欠陥のない入力検査画像とは、例えば図１のＥＢＩシステム１００又は図２の電子ビームツール１０４によって新たに生成されたサンプルの検査画像であってもよい。図７Ａは、本開示の実施形態と一致する、例示的な入力画像７０１及び７０２を示す。図７Ａに示されるように、欠陥のない入力検査画像７０１又は７０２は、欠陥のないサンプルのパターンを示す。
【0066】
[0076] 再び図３を参照して、入力条件データ取得器３４５は、関心のある欠陥属性の組み合わせを入力条件データとして取得する。いくつかの実施形態によれば、入力欠陥属性の組み合わせは、訓練プロセス中にジェネレータ３３１又は弁別器３３２を訓練するために使用された複数の欠陥属性の組み合わせから選択することができる。いくつかの実施形態によれば、欠陥属性の組み合わせは、画像予測器３５０に提供される条件ベクトルとして表すことができる。いくつかの実施形態では、ジェネレータ３３１の訓練に使用される訓練用の欠陥の組み合わせとは異なる組み合わせを有する欠陥属性の組み合わせが定義され、ジェネレータ３３１に提供されてもよい。
【0067】
[0077] 画像予測器３５０は、入力画像取得器３４０から入力画像を取得し、及び入力条件データ取得器３４５から条件データを取得するように構成され得る。画像予測器３５０は、入力画像及び条件データに基づいて合成欠陥画像を生成するように構成される。図３に示されるように、画像予測器３５０は、訓練装置３０２によって訓練された訓練済みジェネレータ３５１を含む。訓練済みジェネレータ３５１は、入力画像に基づいて、入力条件データに対応した欠陥を有する合成検査画像を生成するように構成され得る。例えば、訓練済みジェネレータ３５１は、入力欠陥属性の組み合わせに対応した欠陥を、欠陥のない入力検査画像上に合成するように構成される。図３に示されるように、結果として、合成欠陥画像３６０が画像予測器３５０によって生成される。いくつかの実施形態では、予測合成欠陥画像３６０は、関連付けられた検査画像の画像向上、欠陥検査、又は欠陥分類などに用いることができる。
【0068】
[0078] 図７Ｂ及び図７Ｃは、本開示の実施形態と一致する、図７Ａの入力画像７０１及び７０２、並びに様々な欠陥タイプに基づいて生成された合成欠陥画像例を示す。図７Ｂは、欠陥タイプ例及び対応する合成欠陥画像の第１のセットを示している。図７Ｂでは、列７１１～７１４は、異なる欠陥タイプを表す。例えば、第１の列７１１は、押出し欠陥（すなわち、第１の押出し欠陥）を表し、第２の列７２２は、別の押出し欠陥（すなわち、第２の押出し欠陥）を表し、第３の列７１３は、ブリッジ欠陥を表し、第３の列７１４は、オープン欠陥を表す。図７Ｂの最初の２つの行７５５は、対応する列の欠陥タイプに該当する実際の欠陥画像を示す。例えば、第１の列７１１の最初の２つの行の２つの画像は、第１の押出し欠陥タイプとして分類された欠陥を有する実際の検査画像であり、第２の列７１２の最初の２つの行の２つの画像は、第２の押出し欠陥タイプとして分類された欠陥を有する実際の検査画像であり、第３の列７１３の最初の２つの行の２つの画像は、ブリッジ欠陥タイプとして分類された欠陥を有する実際の検査画像であり、第４の列７１４の最初の２つの行の２つの画像は、オープン欠陥タイプとして分類された欠陥を有する実際の検査画像である。
【0069】
[0079] 図７Ｂの最後の２つの行７４１及び７４２は、対応する列の欠陥タイプを表す欠陥属性の組み合わせの下で、欠陥のない入力検査画像に基づいて生成された合成欠陥画像を示す。第３の行７４１及び第４の行７４２は、それぞれ入力画像７０１及び７０２に基づいて生成された合成欠陥画像を示す。例えば、第１の列７１１の第３の行及び第４の行の２つの画像は、第１の押出し欠陥タイプを表す欠陥属性の組み合わせと一致するように合成された欠陥を有する合成欠陥画像である。第２の列７１２の第３の行及び第４の行の２つの画像は、第２の押出し欠陥タイプを表す欠陥属性の組み合わせと一致するように合成された欠陥を有する合成欠陥画像である。同様に、第３の列７１３及び第４の列７１４の最後の２つの画像は、それぞれブリッジ欠陥タイプ及びオープン欠陥タイプを表す欠陥属性の組み合わせと一致するように合成された欠陥を有する合成欠陥画像である。
【0070】
[0080] 図７Ｃは、本開示の実施形態と一致した、欠陥タイプ例及び対応する合成欠陥画像の第２のセットを示している。図７Ｃは、図７Ａの入力画像７０１及び７０２、並びに図７Ｂのものとは異なる欠陥タイプに基づいて生成された合成欠陥画像例を示す。同様に、図７Ｃの列７１５～７１８は、異なる欠陥タイプを示す。図７Ｃの第１の列７１５～第４の列７１８は、それぞれラフエッジ欠陥（すなわち、第１のエッジラフ欠陥）、別のラフエッジ欠陥（すなわち、第２のラフエッジ欠陥）、狭線欠陥、及び幅広線欠陥を示す。図７Ｂと同様に、図７Ｃの最初の２つの行７５６は、対応する列の欠陥タイプに該当する実際の欠陥画像を示している。図７Ｃの最後の２つの行７４３及び７４４は、対応する列の欠陥タイプを表す欠陥属性の組み合わせの下で、欠陥のない入力検査画像に基づいて生成された合成欠陥画像を示す。第３の行７４３及び第４の行７４４は、それぞれ図７Ａの入力画像７０１及び７０２に基づいて生成された合成欠陥画像を示す。
【0071】
[0081] 図７Ｂ及び図７Ｃに示されるように、同じ列の実際の欠陥画像とは異なり得る合成欠陥画像が、実際の欠陥画像と同じ欠陥属性の組み合わせ（例えば、欠陥タイプ）を有する状態で、生成され得る。したがって、本開示のいくつかの実施形態によれば、関心のある欠陥属性を有する様々な欠陥画像を取得することができる。
【0072】
[0082] 図８は、本開示の実施形態と一致する合成欠陥画像を生成するための方法例を示すプロセスフローチャートである。説明のために、図３の合成欠陥画像生成システム３００を参照して、合成欠陥画像を生成する方法を説明する。
【0073】
[0083] ステップＳ８１０では、ジェネレータ（例えば、図３のジェネレータ３３１）及び弁別器（例えば、図３の弁別器３３２）が訓練される。ステップＳ８１０は、例えば、中でもモデル訓練器３３０によって実行することができる。いくつかの実施形態によれば、ステップＳ８１０は、ステップＳ８１１～Ｓ８１４を含む。
【0074】
[0084] ステップＳ８１１では、欠陥のない検査画像、欠陥を含む検査画像、及び欠陥属性の組み合わせの第１のセットが、訓練のために準備される。欠陥のない検査画像は、例えば第１の訓練用画像取得器３１０から取得され、欠陥を含む検査画像は、例えば第２の訓練用画像取得器３１５から取得され、欠陥属性の組み合わせは、例えば訓練条件データ取得器３２０から取得される。欠陥属性の組み合わせは、欠陥を含む検査画像と関連付けられ、条件ベクトルとして表すことができる。
【0075】
[0085] ステップＳ８１２では、欠陥のない検査画像及び欠陥属性の組み合わせに基づいて、合成欠陥画像が生成される。ステップＳ８１２では、ステップＳ８１１で準備された欠陥のない検査画像及び欠陥属性の組み合わせが入力としてジェネレータ３３１に提供される。ジェネレータ３３１は、欠陥属性の組み合わせによって識別された欠陥属性を有する欠陥を、欠陥のない検査画像上に合成するように構成される。
【0076】
[0086] ステップＳ８１３では、欠陥属性の組み合わせの条件下で、合成欠陥画像及び欠陥を含む画像が実際のものであるか否かが予測される。いくつかの実施形態では、弁別器３３２には、ステップＳ８１２で生成された合成欠陥画像、ステップＳ８１１で準備された欠陥を含む画像、並びに欠陥を含む画像に関連付けられ、及び合成欠陥画像の生成に使用される欠陥属性の組み合わせが提供される。ステップＳ８１３では、弁別器３３２は、２つの予測を行うように構成される。第１の予測は、合成欠陥画像が欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かである。第２の予測は、欠陥を含む検査画像が、欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かである。
【0077】
[0087] ステップＳ８１４では、ステップＳ８１３で行われた予測に従って、ジェネレータ３３１又は弁別器３３２が更新される。合成欠陥画像が実際の検査画像ではないと弁別器３３２が予測したことに応答して、ジェネレータ３３１は、弁別器３３２を欺くために、より現実的な合成画像を生成するように更新することができる。弁別器３３２が、合成欠陥画像が実際の検査画像であると予測したこと、又は欠陥を含む検査画像が実際の検査画像ではないと予測したことに応答して、正しい予測を提供するように弁別器３３２を更新することができる。例えば、ジェネレータ３３１又は弁別器３３２の係数又は重みは、ステップＳ８１３で行われた予測に基づいて更新又は修正することができる。いくつかの実施形態によれば、更新されたジェネレータ３３１及び弁別器３３２に基づいて、欠陥のない検査画像、欠陥属性の組み合わせ、及び欠陥属性の組み合わせに関連付けられた欠陥を含む検査画像の第２のセットについて、ステップＳ８１１～Ｓ８１４を繰り返すことができる。同様に、ステップＳ８１１～Ｓ８１４は、いくつかの反復のために繰り返すことができる。いくつかの実施形態では、反復回数は、ユーザによって、又はデフォルトの数によって事前に設定される。
【0078】
[0088] ステップＳ８２０では、訓練済みジェネレータ（例えば、図３の訓練済みジェネレータ３５１）が取得される。ステップＳ８２０は、例えば、中でも画像予測器３５０によって実行することができる。いくつかの実施形態では、訓練済みジェネレータ３５１は、ステップＳ８１０で訓練されたジェネレータ３３１であってもよい。訓練済みジェネレータ３５１は、ステップＳ８１０で修正又は更新された係数又は重みを有する機械学習ベースのネットワークモデルであってもよい。
【0079】
[0089] ステップＳ８３０では、欠陥のない入力検査画像及び欠陥属性の組み合わせに基づいて、合成欠陥画像が生成される。ステップＳ８３０は、例えば、中でも画像予測器３５０によって実行することができる。欠陥のない検査画像とは、欠陥検査又は分析の対象であるウェーハ又はサンプルの検査画像である。いくつかの実施形態では、欠陥のない入力検査画像は、複数の訓練用の欠陥のない検査画像のうちの１つであってもよい。いくつかの実施形態では、欠陥のない入力検査画像とは、例えば図１のＥＢＩシステム１００又は図２の電子ビームツール１０４によって新たに生成されたサンプルの検査画像であってもよい。いくつかの実施形態によれば、入力欠陥属性の組み合わせは、ステップＳ８１０でジェネレータ３３１を訓練するために使用された複数の欠陥属性の組み合わせから選択することができる。いくつかの実施形態によれば、欠陥属性の組み合わせは、画像予測器３５０に提供される条件ベクトルとして表すことができる。
【0080】
[0090] ステップＳ８３０では、欠陥のない入力検査画像に基づいて、入力欠陥属性の組み合わせに対応した欠陥を有する合成検査画像が生成される。いくつかの実施形態では、入力欠陥属性の組み合わせに対応した欠陥が、欠陥のない入力検査画像上に合成される。結果として、ステップＳ８３０において、合成欠陥画像（例えば、図３の合成欠陥画像３６０）が生成される。いくつかの実施形態では、予測合成欠陥画像３６０は、関連付けられた検査画像の画像向上、欠陥検査、又は欠陥分類などに用いることができる。
【0081】
[0091] コントローラ（例えば、図１のコントローラ１０９）のプロセッサが、中でも、画像の検査、画像の取得、ステージの位置決め、ビームフォーカス、電界調整、ビームの曲げ、集光レンズの調整、荷電粒子源の起動、ビームの偏向、及び方法８００を実行するための命令を格納する非一時的コンピュータ可読媒体が提供され得る。非一時的媒体の一般的な形態には、例えば、フロッピーディスク、フレキシブルディスク、ハードディスク、ソリッドステートドライブ、磁気テープ又は任意の他の磁気データ記憶媒体、コンパクトディスクリードオンリーメモリ（ＣＤ－ＲＯＭ）、任意の他の光学データ記憶媒体、孔のパターンを有する任意の物理媒体、ランダムアクセスメモリ（ＲＡＭ）、プログラマブルリードオンリーメモリ（ＰＲＯＭ）、及び消去可能プログラマブルリードオンリーメモリ（ＥＰＲＯＭ）、FLASH-EPROM又は任意の他のフラッシュメモリ、不揮発性ランダムアクセスメモリ（ＮＶＲＡＭ）、キャッシュ、レジスタ、その他のメモリチップ又はカートリッジ、及びそれらのネットワーク化バージョンが含まれる。
【0082】
[0092] 実施形態は、以下の条項を用いてさらに説明することができる。
１． 合成欠陥画像を生成するための方法であって、
機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、
欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、
を含む方法。
２． 欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度のうちの少なくとも１つを含む、条項１に記載の方法。
３． 欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項１又は２に記載の方法。
４． 欠陥属性の組み合わせをジェネレータモデルに提供する前に、欠陥属性の組み合わせを条件ベクトルにエンコードすることをさらに含む、条項１～３の何れか一項に記載の方法。
５． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項１～４の何れか一項に記載の方法。
６． 欠陥のない検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項１～５の何れか一項に記載の方法。
７． 機械学習ベースのジェネレータモデルを取得することが、機械学習ベースのジェネレータモデルを事前に訓練することを含み、機械学習ベースのジェネレータを事前に訓練することが、
第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを機械学習ベースの弁別器モデルによって評価することと、
を含む、条項１～６の何れか一項に記載の方法。
８． 機械学習ベースのジェネレータモデルを事前に訓練することが、弁別器モデルを訓練することをさらに含み、弁別器モデルを訓練することが、
第１の訓練用の欠陥属性の組み合わせに関連付けられた第１の訓練用の欠陥を含む検査画像を取得することと、
第１の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
を含む、条項７に記載の方法。
９． 機械学習ベースのジェネレータモデルを事前に訓練することが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の欠陥を含む検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することを含む、条項７又は８に記載の方法。
１０． 欠陥属性の組み合わせが、複数の訓練用の欠陥属性の組み合わせのうちの１つである、条項９に記載の方法。
１１． 欠陥のない検査画像が、サンプルの欠陥のない検査画像である、条項１～１０の何れか一項に記載の方法。
１２． 合成欠陥画像を生成するための装置であって、
命令の一セットを格納するメモリと、
機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、
欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、
を装置に行わせるために命令の一セットを実行するように構成された少なくとも１つのプロセッサと、
を含む装置。
１３． 欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項１２に記載の装置。
１４． 欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項１２又は１３に記載の装置。
１５． 少なくとも１つのプロセッサが、
欠陥属性の組み合わせをジェネレータモデルに提供する前に、欠陥属性の組み合わせを条件ベクトルにエンコードすること
を装置にさらに行わせるために命令の一セットを実行するように構成される、条項１２～１４の何れか一項に記載の装置。
１６． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項１２～１５の何れか一項に記載の装置。
１７． 欠陥のない検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項１２～１６の何れか一項に記載の装置。
１８． 機械学習ベースのジェネレータモデルを取得することにおいて、少なくとも１つのプロセッサが、機械学習ベースのジェネレータモデルを事前に訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、機械学習ベースのジェネレータモデルを事前に訓練することが、
第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを機械学習ベースの弁別器モデルによって評価することと、
を含む、条項１２～１７の何れか一項に記載の装置。
１９． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、少なくとも１つのプロセッサが、弁別器モデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、弁別器モデルを訓練することが、
第１の訓練用の欠陥属性の組み合わせに関連付けられた第１の訓練用の欠陥を含む検査画像を取得することと、
第１の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
を含む、条項１８に記載の装置。
２０． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、少なくとも１つのプロセッサが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の欠陥を含む検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成された、条項１８又は１９に記載の装置。
２１． 欠陥属性の組み合わせが、複数の訓練用の欠陥属性の組み合わせのうちの１つである、条項２０に記載の装置。
２２． 合成欠陥画像を生成するための方法をコンピューティングデバイスに行わせるためにコンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットを格納する非一時的コンピュータ可読媒体であって、方法が、
機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、
欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、
を含む、非一時的コンピュータ可読媒体。
２３． 欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項２２に記載のコンピュータ可読媒体。
２４． 欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項２２又は２３に記載のコンピュータ可読媒体。
２５． コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、
欠陥属性の組み合わせをジェネレータモデルに提供する前に、欠陥属性の組み合わせを条件ベクトルにエンコードすること
をコンピューティングデバイスにさらに行わせる、条項２２～２４の何れか一項に記載のコンピュータ可読媒体。
２６． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項２２～２５の何れか一項に記載のコンピュータ可読媒体。
２７． 欠陥のない検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項２２～２６の何れか一項に記載のコンピュータ可読媒体。
２８． 機械学習ベースのジェネレータモデルを取得することにおいて、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、機械学習ベースのジェネレータモデルを訓練することをコンピューティングデバイスにさらに行わせ、機械学習ベースのジェネレータモデルを訓練することが、
第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを機械学習ベースの弁別器モデルによって評価することと、
を含む、条項２２～２７の何れか一項に記載のコンピュータ可読媒体。
２９． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、弁別器モデルを訓練することをコンピューティングデバイスにさらに行わせ、弁別器モデルを訓練することが、
第１の訓練用の欠陥属性の組み合わせに関連付けられた第１の訓練用の欠陥を含む検査画像を取得することと、
第１の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
を含む、条項２８に記載のコンピュータ可読媒体。
３０． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の欠陥を含む検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することをコンピューティングデバイスにさらに行わせる、条項２８又は２９に記載のコンピュータ可読媒体。
３１． 欠陥属性の組み合わせが、複数の訓練用の欠陥属性の組み合わせのうちの１つである、条項３０に記載のコンピュータ可読媒体。
３２． 合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための方法であって、
第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、
第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、
を含む、方法。
３３． 第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥を含む検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項３２に記載の方法。
３４． 第１の訓練用の欠陥属性の組み合わせが、第１の訓練用の欠陥を含む検査画像に含まれる欠陥の欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項３２又は３３に記載の方法。
３５． 第１の訓練用の欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項３２～３４の何れか一項に記載の方法。
３６． 第１の訓練用の欠陥属性の組み合わせをジェネレータモデルに提供する前に、第１の訓練用の欠陥属性の組み合わせを条件ベクトルにエンコードすること
をさらに含む、条項３２～３５の何れか一項に記載の方法。
３７． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項３２～３６の何れか一項に記載の方法。
３８． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、方法が、弁別器モデルを訓練することをさらに含み、弁別器を訓練することが、
第１の訓練用の欠陥を含む検査画像及び第１の訓練用の欠陥属性の組み合わせを入力として弁別器モデルに提供することと、
第１の訓練用の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
第１の訓練用の欠陥を含む検査画像が実際の検査画像ではないとの評価に応答して、弁別器モデルを更新することと、
を含む、条項３２～３７の何れか一項に記載の方法。
３９． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、方法が、弁別器モデルを訓練することをさらに含み、弁別器を訓練することが、
第１の予測合成欠陥画像が実際の検査画像であるとの評価に応答して、弁別器モデルを更新すること、
を含む、条項３２～３８の何れか一項に記載の方法。
４０． 複数の訓練用の欠陥のない検査画像、及び複数の訓練用の実際の検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することをさらに含む、条項３２～３９の何れか一項に記載の方法。
４１． 合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための装置であって、
命令の一セットを格納するメモリと、
第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、
第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、
を装置に行わせるために命令の一セットを実行するように構成された少なくとも１つのプロセッサと、
を含む装置。
４２． 第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥を含む検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項４１に記載の装置。
４３． 第１の訓練用の欠陥属性の組み合わせが、第１の訓練用の欠陥を含む検査画像に含まれる欠陥の欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項４１又は４２に記載の装置。
４４． 第１の訓練用の欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項４１～４３の何れか一項に記載の装置。
４５． 少なくとも１つのプロセッサが、
第１の訓練用の欠陥属性の組み合わせをジェネレータモデルに提供する前に、第１の訓練用の欠陥属性の組み合わせを条件ベクトルにエンコードすること
を装置にさらに行わせるために命令の一セットを実行するように構成される、条項４１～４４の何れか一項に記載の装置。
４６． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項４１～４５の何れか一項に記載の装置。
４７． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、少なくとも１つのプロセッサが、弁別器モデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、弁別器を訓練することが、
第１の訓練用の欠陥を含む検査画像及び第１の訓練用の欠陥属性の組み合わせを入力として弁別器モデルに提供することと、
第１の訓練用の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
第１の訓練用の欠陥を含む検査画像が実際の検査画像ではないとの評価に応答して、弁別器モデルを更新することと、
を含む、条項４１～４６の何れか一項に記載の装置。
４８． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、少なくとも１つのプロセッサが、弁別器モデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、弁別器モデルを訓練することが、
第１の予測合成欠陥画像が実際の検査画像であるとの評価に応答して、弁別器モデルを更新すること、
を含む、条項４１～４７の何れか一項に記載の装置。
４９． 少なくとも１つのプロセッサが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の実際の検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成される、条項４１～４８の何れか一項に記載の装置。
５０． 合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための方法をコンピューティングデバイスに行わせるためにコンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットを格納する非一時的コンピュータ可読媒体であって、方法が、
第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、
第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、
を含む、非一時的コンピュータ可読媒体。
５１． 第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥を含む検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項５０に記載のコンピュータ可読媒体。
５２． 第１の訓練用の欠陥属性の組み合わせが、第１の訓練用の欠陥を含む検査画像に含まれる欠陥の欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項５０又は５１に記載のコンピュータ可読媒体。
５３． 第１の訓練用の欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項５０～５２の何れか一項に記載のコンピュータ可読媒体。
５４． コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、
第１の訓練用の欠陥属性の組み合わせをジェネレータモデルに提供する前に、第１の訓練用の欠陥属性の組み合わせを条件ベクトルにエンコードすること
をコンピューティングデバイスにさらに行わせる、条項５０～５３の何れか一項に記載のコンピュータ可読媒体。
５５． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項５０～５４の何れか一項に記載のコンピュータ可読媒体。
５６． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、弁別器モデルを訓練することをコンピューティングデバイスにさらに行わせ、弁別器モデルを訓練することが、
第１の訓練用の欠陥を含む検査画像及び第１の訓練用の欠陥属性の組み合わせを入力として弁別器モデルに提供することと、
第１の訓練用の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
第１の訓練用の欠陥を含む検査画像が実際の検査画像ではないとの評価に応答して、弁別器モデルを更新することと、
を含む、条項５０～５５の何れか一項に記載のコンピュータ可読媒体。
５７． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、弁別器モデルを訓練することをコンピューティングデバイスにさらに行わせ、弁別器モデルを訓練することが、
第１の予測合成欠陥画像が実際の検査画像であるとの評価に応答して、弁別器モデルを更新すること、
を含む、条項５０～５６の何れか一項に記載のコンピュータ可読媒体。
５８． コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の実際の検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することをコンピューティングデバイスにさらに行わせる、条項５０～５７の何れか一項に記載のコンピュータ可読媒体。
１． 合成欠陥画像を生成するための方法であって、
機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、
欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、
を含む方法。
２． 欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度のうちの少なくとも１つを含む、条項１に記載の方法。
３． 欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項１又は２に記載の方法。
４． 欠陥属性の組み合わせをジェネレータモデルに提供する前に、欠陥属性の組み合わせを条件ベクトルにエンコードすることをさらに含む、条項１～３の何れか一項に記載の方法。
５． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項１～４の何れか一項に記載の方法。
６． 欠陥のない検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項１～５の何れか一項に記載の方法。
７． 機械学習ベースのジェネレータモデルを取得することが、機械学習ベースのジェネレータモデルを事前に訓練することを含み、機械学習ベースのジェネレータを事前に訓練することが、
第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを機械学習ベースの弁別器モデルによって評価することと、
を含む、条項１～６の何れか一項に記載の方法。
８． 機械学習ベースのジェネレータモデルを事前に訓練することが、弁別器モデルを訓練することをさらに含み、弁別器モデルを訓練することが、
第１の訓練用の欠陥属性の組み合わせに関連付けられた第１の訓練用の欠陥を含む検査画像を取得することと、
第１の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
を含む、条項７に記載の方法。
９． 機械学習ベースのジェネレータモデルを事前に訓練することが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の欠陥を含む検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することを含む、条項７又は８に記載の方法。
１０． 欠陥属性の組み合わせが、複数の訓練用の欠陥属性の組み合わせのうちの１つである、条項９に記載の方法。
１１． 欠陥のない検査画像が、サンプルの欠陥のない検査画像である、条項１～１０の何れか一項に記載の方法。
１２． 合成欠陥画像を生成するための装置であって、
命令の一セットを格納するメモリと、
機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、
欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、
を装置に行わせるために命令の一セットを実行するように構成された少なくとも１つのプロセッサと、
を含む装置。
１３． 欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項１２に記載の装置。
１４． 欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項１２又は１３に記載の装置。
１５． 少なくとも１つのプロセッサが、
欠陥属性の組み合わせをジェネレータモデルに提供する前に、欠陥属性の組み合わせを条件ベクトルにエンコードすること
を装置にさらに行わせるために命令の一セットを実行するように構成される、条項１２～１４の何れか一項に記載の装置。
１６． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項１２～１５の何れか一項に記載の装置。
１７． 欠陥のない検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項１２～１６の何れか一項に記載の装置。
１８． 機械学習ベースのジェネレータモデルを取得することにおいて、少なくとも１つのプロセッサが、機械学習ベースのジェネレータモデルを事前に訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、機械学習ベースのジェネレータモデルを事前に訓練することが、
第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを機械学習ベースの弁別器モデルによって評価することと、
を含む、条項１２～１７の何れか一項に記載の装置。
１９． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、少なくとも１つのプロセッサが、弁別器モデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、弁別器モデルを訓練することが、
第１の訓練用の欠陥属性の組み合わせに関連付けられた第１の訓練用の欠陥を含む検査画像を取得することと、
第１の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
を含む、条項１８に記載の装置。
２０． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、少なくとも１つのプロセッサが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の欠陥を含む検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成された、条項１８又は１９に記載の装置。
２１． 欠陥属性の組み合わせが、複数の訓練用の欠陥属性の組み合わせのうちの１つである、条項２０に記載の装置。
２２． 合成欠陥画像を生成するための方法をコンピューティングデバイスに行わせるためにコンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットを格納する非一時的コンピュータ可読媒体であって、方法が、
機械学習ベースのジェネレータモデルを取得することと、
欠陥のない検査画像及び欠陥属性の組み合わせを入力としてジェネレータモデルに提供することと、
欠陥のない検査画像に基づいて、欠陥属性の組み合わせと一致する予測欠陥を有する予測合成欠陥画像をジェネレータモデルによって生成することと、
を含む、非一時的コンピュータ可読媒体。
２３． 欠陥属性の組み合わせが、欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項２２に記載のコンピュータ可読媒体。
２４． 欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項２２又は２３に記載のコンピュータ可読媒体。
２５． コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、
欠陥属性の組み合わせをジェネレータモデルに提供する前に、欠陥属性の組み合わせを条件ベクトルにエンコードすること
をコンピューティングデバイスにさらに行わせる、条項２２～２４の何れか一項に記載のコンピュータ可読媒体。
２６． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項２２～２５の何れか一項に記載のコンピュータ可読媒体。
２７． 欠陥のない検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項２２～２６の何れか一項に記載のコンピュータ可読媒体。
２８． 機械学習ベースのジェネレータモデルを取得することにおいて、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、機械学習ベースのジェネレータモデルを訓練することをコンピューティングデバイスにさらに行わせ、機械学習ベースのジェネレータモデルを訓練することが、
第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを機械学習ベースの弁別器モデルによって評価することと、
を含む、条項２２～２７の何れか一項に記載のコンピュータ可読媒体。
２９． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、弁別器モデルを訓練することをコンピューティングデバイスにさらに行わせ、弁別器モデルを訓練することが、
第１の訓練用の欠陥属性の組み合わせに関連付けられた第１の訓練用の欠陥を含む検査画像を取得することと、
第１の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
を含む、条項２８に記載のコンピュータ可読媒体。
３０． 機械学習ベースのジェネレータモデルを事前に訓練することにおいて、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の欠陥を含む検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することをコンピューティングデバイスにさらに行わせる、条項２８又は２９に記載のコンピュータ可読媒体。
３１． 欠陥属性の組み合わせが、複数の訓練用の欠陥属性の組み合わせのうちの１つである、条項３０に記載のコンピュータ可読媒体。
３２． 合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための方法であって、
第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、
第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、
を含む、方法。
３３． 第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥を含む検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項３２に記載の方法。
３４． 第１の訓練用の欠陥属性の組み合わせが、第１の訓練用の欠陥を含む検査画像に含まれる欠陥の欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項３２又は３３に記載の方法。
３５． 第１の訓練用の欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項３２～３４の何れか一項に記載の方法。
３６． 第１の訓練用の欠陥属性の組み合わせをジェネレータモデルに提供する前に、第１の訓練用の欠陥属性の組み合わせを条件ベクトルにエンコードすること
をさらに含む、条項３２～３５の何れか一項に記載の方法。
３７． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項３２～３６の何れか一項に記載の方法。
３８． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、方法が、弁別器モデルを訓練することをさらに含み、弁別器を訓練することが、
第１の訓練用の欠陥を含む検査画像及び第１の訓練用の欠陥属性の組み合わせを入力として弁別器モデルに提供することと、
第１の訓練用の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
第１の訓練用の欠陥を含む検査画像が実際の検査画像ではないとの評価に応答して、弁別器モデルを更新することと、
を含む、条項３２～３７の何れか一項に記載の方法。
３９． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、方法が、弁別器モデルを訓練することをさらに含み、弁別器を訓練することが、
第１の予測合成欠陥画像が実際の検査画像であるとの評価に応答して、弁別器モデルを更新すること、
を含む、条項３２～３８の何れか一項に記載の方法。
４０． 複数の訓練用の欠陥のない検査画像、及び複数の訓練用の実際の検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することをさらに含む、条項３２～３９の何れか一項に記載の方法。
４１． 合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための装置であって、
命令の一セットを格納するメモリと、
第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、
第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、
を装置に行わせるために命令の一セットを実行するように構成された少なくとも１つのプロセッサと、
を含む装置。
４２． 第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥を含む検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項４１に記載の装置。
４３． 第１の訓練用の欠陥属性の組み合わせが、第１の訓練用の欠陥を含む検査画像に含まれる欠陥の欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項４１又は４２に記載の装置。
４４． 第１の訓練用の欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項４１～４３の何れか一項に記載の装置。
４５． 少なくとも１つのプロセッサが、
第１の訓練用の欠陥属性の組み合わせをジェネレータモデルに提供する前に、第１の訓練用の欠陥属性の組み合わせを条件ベクトルにエンコードすること
を装置にさらに行わせるために命令の一セットを実行するように構成される、条項４１～４４の何れか一項に記載の装置。
４６． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項４１～４５の何れか一項に記載の装置。
４７． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、少なくとも１つのプロセッサが、弁別器モデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、弁別器を訓練することが、
第１の訓練用の欠陥を含む検査画像及び第１の訓練用の欠陥属性の組み合わせを入力として弁別器モデルに提供することと、
第１の訓練用の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
第１の訓練用の欠陥を含む検査画像が実際の検査画像ではないとの評価に応答して、弁別器モデルを更新することと、
を含む、条項４１～４６の何れか一項に記載の装置。
４８． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、少なくとも１つのプロセッサが、弁別器モデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成され、弁別器モデルを訓練することが、
第１の予測合成欠陥画像が実際の検査画像であるとの評価に応答して、弁別器モデルを更新すること、
を含む、条項４１～４７の何れか一項に記載の装置。
４９． 少なくとも１つのプロセッサが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の実際の検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することを装置にさらに行わせるために命令の一セットを実行するように構成される、条項４１～４８の何れか一項に記載の装置。
５０． 合成欠陥画像を生成するための機械学習ベースのジェネレータモデルを訓練するための方法をコンピューティングデバイスに行わせるためにコンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットを格納する非一時的コンピュータ可読媒体であって、方法が、
第１の訓練用の欠陥のない検査画像、及び第１の訓練用の欠陥を含む検査画像に関連付けられた第１の訓練用の欠陥属性の組み合わせを取得することと、
第１の訓練用の欠陥のない検査画像に基づいて、第１の訓練用の欠陥属性の組み合わせと一致する第１の予測欠陥を有する第１の予測合成欠陥画像をジェネレータモデルによって生成することと、
第１の予測合成欠陥画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを評価することと、
第１の予測合成欠陥画像が実際の検査画像ではないとの評価に応答して、ジェネレータモデルを更新することと、
を含む、非一時的コンピュータ可読媒体。
５１． 第１の訓練用の欠陥のない検査画像及び第１の訓練用の欠陥を含む検査画像が、ウェーハの走査電子顕微鏡（ＳＥＭ）画像である、条項５０に記載のコンピュータ可読媒体。
５２． 第１の訓練用の欠陥属性の組み合わせが、第１の訓練用の欠陥を含む検査画像に含まれる欠陥の欠陥タイプ、欠陥サイズ、欠陥位置、又は欠陥強度の少なくとも１つを含む、条項５０又は５１に記載のコンピュータ可読媒体。
５３． 第１の訓練用の欠陥属性の組み合わせが、単一の欠陥属性のみを含む、条項５０～５２の何れか一項に記載のコンピュータ可読媒体。
５４． コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、
第１の訓練用の欠陥属性の組み合わせをジェネレータモデルに提供する前に、第１の訓練用の欠陥属性の組み合わせを条件ベクトルにエンコードすること
をコンピューティングデバイスにさらに行わせる、条項５０～５３の何れか一項に記載のコンピュータ可読媒体。
５５． ジェネレータモデルが条件付き生成型敵対的ネットワークモデルである、条項５０～５４の何れか一項に記載のコンピュータ可読媒体。
５６． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、弁別器モデルを訓練することをコンピューティングデバイスにさらに行わせ、弁別器モデルを訓練することが、
第１の訓練用の欠陥を含む検査画像及び第１の訓練用の欠陥属性の組み合わせを入力として弁別器モデルに提供することと、
第１の訓練用の欠陥を含む検査画像が、第１の訓練用の欠陥属性の組み合わせの条件下で実際の検査画像として分類されるか否かを弁別器モデルによって評価することと、
第１の訓練用の欠陥を含む検査画像が実際の検査画像ではないとの評価に応答して、弁別器モデルを更新することと、
を含む、条項５０～５５の何れか一項に記載のコンピュータ可読媒体。
５７． 第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することが、機械学習ベースの弁別器モデルによって、第１の予測合成欠陥画像が実際の検査画像として分類されるか否かを評価することを含み、コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、弁別器モデルを訓練することをコンピューティングデバイスにさらに行わせ、弁別器モデルを訓練することが、
第１の予測合成欠陥画像が実際の検査画像であるとの評価に応答して、弁別器モデルを更新すること、
を含む、条項５０～５６の何れか一項に記載のコンピュータ可読媒体。
５８． コンピューティングデバイスの少なくとも１つのプロセッサによって実行可能な命令の一セットが、複数の訓練用の欠陥のない検査画像、及び複数の訓練用の実際の検査画像に関連付けられた複数の訓練用の欠陥属性の組み合わせを用いて、機械学習ベースのジェネレータモデルを訓練することをコンピューティングデバイスにさらに行わせる、条項５０～５７の何れか一項に記載のコンピュータ可読媒体。
【0083】
[0093] 本開示の実施形態は、上記で説明され、及び添付の図面に示されている正確な構成に限定されず、その範囲から逸脱することなく様々な修正及び変更を加え得ることが理解されるだろう。本開示は、様々な実施形態に関連して説明したが、本明細書に開示される本発明の明細書及び実施を考慮すれば、当業者には、本発明の他の実施形態が明らかとなるだろう。本明細書及び例は単なる例示と見なされるものであり、本発明の真の範囲及び精神は、以下の特許請求の範囲によって示されることが意図される。
【0084】
[0094] 上記の記載は、限定ではなく、説明を目的としたものである。したがって、以下に記載される請求項の範囲から逸脱することなく、説明したように修正を加え得ることが当業者には明らかであろう。
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図5】
【図6】
【図7A】
【図7B】
【図7C】
【図8】
【国際調査報告】