知財求人 - 知財ポータルサイト「IP Force」
(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】2024-08-14
(54)【発明の名称】荷電粒子検査における画像歪み補正
(51)【国際特許分類】
G06T 5/60 20240101AFI20240806BHJP
H01J 37/22 20060101ALI20240806BHJP
H01L 21/66 20060101ALI20240806BHJP
【ＦＩ】
G06T5/60
H01J37/22 502H
H01L21/66 J
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2023578906
(86)(22)【出願日】2022-06-02
(85)【翻訳文提出日】2024-02-08
(86)【国際出願番号】 EP2022065032
(87)【国際公開番号】W WO2023280487
(87)【国際公開日】2023-01-12
(31)【優先権主張番号】63/220,370
(32)【優先日】2021-07-09
(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．ブルートゥース
(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】リャン，ハオイ
(72)【発明者】
【氏名】チェン，ジチャオ
(72)【発明者】
【氏名】プ，リンリン
(72)【発明者】
【氏名】チャン，ファン－チェン
(72)【発明者】
【氏名】ユ，リャンジャン
(72)【発明者】
【氏名】ワン，ジェ
【テーマコード（参考）】
4M106
5B057
5C101
【Ｆターム（参考）】
4M106BA02
4M106CA38
4M106DB05
4M106DB12
4M106DB18
4M106DB20
4M106DJ19
5B057AA03
5B057CA02
5B057CA08
5B057CA12
5B057CA16
5B057CB02
5B057CB08
5B057CB12
5B057CB16
5B057CC02
5B057DA03
5B057DA16
5B057DB02
5B057DB05
5B057DB09
5C101AA03
5C101BB10
5C101EE03
5C101EE38
5C101FF02
5C101GG04
5C101GG05
5C101HH11
5C101HH24
5C101HH33
5C101HH40
5C101HH61
(57)【要約】
検査画像の歪みを補正するための改善されたシステム及び方法を開示する。検査画像の歪みを補正するための改善された方法は、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果に基づいてアライメントモデルを決定すること、及びアライメントモデルに基づいて検査画像の歪みを補正することを含む。
【選択図】 図４
【選択図】 図４
【特許請求の範囲】
【請求項1】
検査画像の歪みを補正するための方法であって、検査画像を取得すること、
前記検査画像に対応する基準画像に基づいて前記検査画像の複数のパッチの局所アライメント結果を決定すること、
前記局所アライメント結果の複数のサブセットの各サブセットについて、
前記局所アライメント結果の前記サブセットに基づいてアライメントモデルを決定し、
前記局所アライメント結果の残余集合に対する前記アライメントモデルのフィットに基づいて前記アライメントモデルを評価すること、
前記評価に基づいて前記複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
前記選択されたアライメントモデルに基づいて前記検査画像の歪みを補正すること
を含む、方法。
【請求項2】
前記アライメントモデルを評価することが、前記アライメントモデルにフィットする局所アライメント結果のパーセンテージを前記局所アライメント結果の前記残余集合の中で決定すること
を含む、請求項１に記載の方法。
【請求項3】
前記複数のサブセットがランダムに選択される、請求項１に記載の方法。
【請求項4】
前記基準画像に基づいて前記検査画像の前記複数のパッチをアライメントすること、及び前記複数のパッチの第１のパッチと前記基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を更に含む、請求項１に記載の方法。
【請求項5】
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び前記トレーニング検査画像パッチと前記トレーニング基準画像パッチとの間のアライメントインデックスを予測するように前記機械学習モデルをトレーニングすること
を更に含む、請求項４に記載の方法。
【請求項6】
検査画像の歪みを補正するための装置であって、一組の指令を格納するメモリと、
検査画像を取得すること、
前記検査画像に対応する基準画像に基づいて前記検査画像の複数のパッチの局所アライメント結果を決定すること、
前記局所アライメント結果の複数のサブセットの各サブセットについて、
前記局所アライメント結果の前記サブセットに基づいてアライメントモデルを決定し、
前記局所アライメント結果の残余集合に対する前記アライメントモデルのフィットに基づいて前記アライメントモデルを評価すること、
前記評価に基づいて前記複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
前記選択されたアライメントモデルに基づいて前記検査画像の歪みを補正すること
を前記装置に行わせるための前記一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
【請求項7】
前記アライメントモデルを評価する際、前記少なくとも１つのプロセッサが前記アライメントモデルにフィットする局所アライメント結果のパーセンテージを前記局所アライメント結果の前記残余集合の中で決定すること
を前記装置に更に行わせるための前記一組の指令を実行するように構成される、請求項６に記載の装置。
【請求項8】
前記複数のサブセットがランダムに選択される、請求項６に記載の装置。
【請求項9】
前記少なくとも１つのプロセッサが前記基準画像に基づいて前記検査画像の前記複数のパッチをアライメントすること、及び
前記複数のパッチの第１のパッチと前記基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を前記装置に更に行わせるための前記一組の指令を実行するように構成される、請求項６に記載の装置。
【請求項10】
前記少なくとも１つのプロセッサがトレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
前記トレーニング検査画像パッチと前記トレーニング基準画像パッチとの間のアライメントインデックスを予測するように前記機械学習モデルをトレーニングすること
を前記装置に更に行わせるための前記一組の指令を実行するように構成される、請求項９に記載の装置。
【請求項11】
検査画像の歪みを補正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一組の指令を格納する非一時的コンピュータ可読媒体であって、前記方法は、検査画像を取得すること、
前記検査画像に対応する基準画像に基づいて前記検査画像の複数のパッチの局所アライメント結果を決定すること、
前記局所アライメント結果の複数のサブセットの各サブセットについて、
前記局所アライメント結果の前記サブセットに基づいてアライメントモデルを決定し、
前記局所アライメント結果の残余集合に対する前記アライメントモデルのフィットに基づいて前記アライメントモデルを評価すること、
前記評価に基づいて前記複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
前記選択されたアライメントモデルに基づいて前記検査画像の歪みを補正すること
を含む、非一時的コンピュータ可読媒体。
【請求項12】
前記アライメントモデルを評価する際、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一組の指令が前記アライメントモデルにフィットする局所アライメント結果のパーセンテージを前記局所アライメント結果の前記残余集合の中で決定すること
を前記コンピューティングデバイスに更に行わせる、請求項１１に記載のコンピュータ可読媒体。
【請求項13】
前記複数のサブセットがランダムに選択される、請求項１１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一組の指令が前記基準画像に基づいて前記検査画像の前記複数のパッチをアライメントすること、及び
前記複数のパッチの第１のパッチと前記基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を前記コンピューティングデバイスに更に行わせる、請求項１１に記載のコンピュータ可読媒体。
【請求項15】
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一組の指令がトレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
前記トレーニング検査画像パッチと前記トレーニング基準画像パッチとの間のアライメントインデックスを予測するように前記機械学習モデルをトレーニングすること
を前記コンピューティングデバイスに更に行わせる、請求項１４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] 本願は、２０２１年７月９日に出願され、参照によりその全体を本明細書に援用する米国特許出願第６３／２２０，３７０号の優先権を主張する。
[0001] 本願は、２０２１年７月９日に出願され、参照によりその全体を本明細書に援用する米国特許出願第６３／２２０，３７０号の優先権を主張する。
【0002】
[0002] 本明細書で提供する実施形態は画像向上技術に関し、より具体的には、荷電粒子ビーム検査画像のための歪み補正機構に関する。
【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部品を検査して、それらが設計通りに製造され、欠陥がないことを保証する。走査型電子顕微鏡（ＳＥＭ）などの荷電粒子（例えば、電子）ビーム顕微鏡又は光学顕微鏡を利用した検査システムが用いられることがある。ＩＣ部品の物理的サイズが縮小し続けるにつれ、欠陥検出における精度及び歩留りがより重要になる。ＳＥＭ画像などの検査画像は、製造されるＩＣの欠陥を識別し又は分類するために使用することができる。欠陥検出の性能を改善するには、歪みもミスアライメントもない正確なＳＥＭ画像を得ることが望ましい。
【発明の概要】
【0004】
[0004] 本明細書で提供する実施形態は、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。
【0005】
[0005] いくつかの実施形態では、検査画像の歪みを補正するための方法が提供される。本方法は、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果の複数のサブセットの各サブセットについて、局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び選択されたアライメントモデルに基づいて検査画像の歪みを補正することを含む。
【0006】
[0006] いくつかの実施形態では、検査画像の歪みを補正するための装置が提供される。この装置は、一組の指令を格納するメモリと、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果の複数のサブセットの各サブセットについて、局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び選択されたアライメントモデルに基づいて検査画像の歪みを補正することを装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサとを含む。
【0007】
[0007] 検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指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る。本方法は、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果の複数のサブセットの各サブセットについて、局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び選択されたアライメントモデルに基づいて検査画像の歪みを補正することを含む。
【0008】
[0008] いくつかの実施形態では、検査画像の歪みを補正するための方法が提供される。本方法は、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び選択されたアライメントモデルに基づいて検査画像の歪みを補正することを含む。
【0009】
[0009] いくつかの実施形態では、検査画像の歪みを補正するための装置が提供される。この装置は、一組の指令を格納するメモリと、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び選択されたアライメントモデルに基づいて検査画像の歪みを補正することを装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサとを含む。
【0010】
[0010] 検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指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る。本方法は、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び選択されたアライメントモデルに基づいて検査画像の歪みを補正することを含む。
【0011】
[0011] いくつかの実施形態では、検査画像の歪みを補正するための方法が提供される。本方法は、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果に基づいてアライメントモデルを決定すること、及びアライメントモデルに基づいて検査画像の歪みを補正することを含む。
【0012】
[0012] いくつかの実施形態では、検査画像の歪みを補正するための装置が提供される。この装置は、一組の指令を格納するメモリと、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果に基づいてアライメントモデルを決定すること、及びアライメントモデルに基づいて検査画像の歪みを補正することを装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサとを含む。
【0013】
[0013] いくつかの実施形態では、検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指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る。本方法は、検査画像を取得すること、検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び選択されたアライメントモデルに基づいて検査画像の歪みを補正することを含む。
【0014】
[0014] いくつかの実施形態では、検査画像及び基準画像のアライメントを評価する方法が提供される。本方法は、検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価することを含む。
【0015】
[0015] いくつかの実施形態では、検査画像及び基準画像のアライメントを評価する装置が提供される。この装置は、一組の指令を格納するメモリと、検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価することを装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサとを含む。
【0016】
[0016] いくつかの実施形態では、検査画像及び基準画像のアライメントを評価する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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体。本方法は、検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価することを含む。
【0017】
[0017] 本開示の実施形態の他の利点は、図解及び例を手段として本発明のいくつかの実施形態が記載される添付図面に関連して行われる以下の説明から明白になる。
【0018】
[0018] 本開示の上記の及び他の態様は、添付図面と組み合わせて解釈される例示的実施形態の説明からより明らかになる。
【図面の簡単な説明】
【0019】
【図1】[0019]本開示の実施形態に一致する例示的な荷電粒子ビーム検査システムを示す概略図である。
【図3】[0021]局所ミスアライメントを引き起こし得る例示的パターンを有するＳＥＭ画像を示す。
【図4】[0022]本開示の実施形態に一致する、例示的な歪み補正システムのブロック図である。
【図5A】[0023]本開示の実施形態に一致する、複数のパッチにセグメント化される例示的な検査画像を示す。
【図5B】[0024]本開示の実施形態に一致する局所アライメント結果を示す例示的グラフである。
【図5C】[0025]本開示の実施形態に一致するアライメントモデルを示す例示的グラフである。
【図6A】[0026]局所アライメント結果に従ってＳＥＭ画像の歪みを補正する例示的プロセスを示す。
【図6B】[0027]本開示の実施形態に一致する、アライメントモデルに従ってＳＥＭ画像の歪みを補正する例示的プロセスを示す。
【図6C】[0028]本開示の実施形態に一致する、歪み補正後の入力画像と出力画像との比較例を示す。
【図7A】[0029]シフトされた繰り返しパターンを有する例示的な検査画像を示す。
【図7B】[0030]本開示の実施形態に一致する、アライメント評価モデルのためのトレーニングシステムのブロック図である。
【図8B】[0032]本開示の実施形態に一致するアライメント評価モデルの例示的構成を示す。
【図9】[0033]本開示の実施形態に一致する、検査画像の歪みを補正するための例示的方法を表すプロセスフローチャートである。
【図10】[0034]本開示の実施形態に一致する、アライメント評価モデルをトレーニングするための例示的方法を表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】
【0020】
[0035] ここで、例示的な実施形態を詳細に参照する。これらの実施形態の例が、添付の図面に示されている。以下の説明は添付の図面を参照し、異なる図面中の同じ番号は、特に断りの無い限り、同じ又は同様の要素を表す。例示的な実施形態の以下の説明文中に記載される実施態様は、全ての実施態様を表すものではない。その代わり、それらは、添付の特許請求の範囲に列挙される開示される実施形態に関連する態様と一致する装置及び方法の単なる例にすぎない。例えば、いくつかの実施形態は、電子ビームを利用するという文脈で説明されているが、本開示はそのように限定はされない。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。更に、光学撮像、光検出、ｘ線検出などの他の撮像システムが使用されることができる。
【0021】
[0036] 電子デバイスは、基板と呼ばれる半導体材料の断片上に形成される回路から構成される。半導体材料は、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を含み得る。多数の回路が、同じシリコン片上に一緒に形成されることができ、集積回路又はＩＣと呼ばれる。多数のより多くの回路を基板上に収めることができるように、これらの回路の寸法は劇的に低減された。例えば、スマートフォン内のＩＣチップは、親指の爪ほど小さいことがあり得るが、２０億個を超えるトランジスタを含むことができ、各トランジスタの寸法は、人間の髪の毛の寸法の１／１０００よりも小さい。
【0022】
[0037] これらの極めて小さな構造又は部品を有するＩＣを製造することは、複雑で時間がかかり高価なプロセスであり、しばしば数百にのぼる個別ステップを含む。たった１つのステップでのエラーが、完成したＩＣにおける欠陥をもたらし、そのＩＣを使い物にならなくする可能性がある。従って、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、プロセスにおいて作製される機能的ＩＣの数を最大化すること、即ち、プロセスの全体的歩留まりを向上させることである。
【0023】
[0038] 歩留まりを向上させる１つの構成要素は、チップ作製プロセスを監視して、十分な数の機能的集積回路が製造されていることを確認することである。プロセスを監視する１つの方法は、チップ回路構造物を形成する様々な段階において、チップ回路構造物を検査することである。検査は、走査荷電粒子顕微鏡（ＳＣＰＭ）を使用して行うことができる。例えば、ＳＣＰＭは走査電子顕微鏡（ＳＥＭ）であり得る。ＳＣＰＭは、実際にはウェーハの構造の「写真」を撮り、それらの極めて小さな構造を撮像するために使用することができる。この画像を使用して、構造が適切な位置に適切に形成されたかどうかを判断することができる。構造に欠陥がある場合、その欠陥が再発しにくくなるようにプロセスを調節することができる。
【0024】
[0039] ＩＣ部品の物理的サイズが小さくなり続けるにつれ、欠陥検出の精度及び成果がより重要になる。製造されたＩＣの欠陥を識別又は分類するために、ＳＥＭ画像などの検査画像を使用することができる。欠陥検出性能を改善するためには、歪み又はミスアライメントなしの正確なＳＥＭ画像を得ることが望まれる。ＳＥＭ画像のための様々な歪み補正技法が紹介されているが、それらの多くはＳＥＭ画像の小さなパッチの局所アライメントに依拠する。各パッチ内の歪み量はＳＥＭ画像全体の歪み量よりも少ないが、局所アライメントは、これだけに限定されないが疎の又は繰り返しのパターン、不十分な撮像条件、パターン情報の不足、残留歪みなどを含む様々な理由によって困難であり得る。現在の手法では、ＳＥＭ画像の歪み補正はＳＥＭ画像の小さなパッチの局所アライメントの性能に大きく依存するので、誤りのある又は不完全な局所アライメントはＳＥＭ画像の歪み補正性能を劣化させ得る。
【0025】
[0040] 本開示の実施形態は、ＳＥＭ画像のための歪み補正技法を提供することができる。本開示の一部の実施形態によれば、ＳＥＭ画像の歪みを補正するとき、局所アライメント結果における潜在的な欠陥データ又は汚染データを認識することができ、その影響を最小限に抑えることができる。本開示の実施形態は、ＳＥＭ画像が基準画像に対して良好にアライメントされているかどうかを確実に評価可能な機械学習ベースのアライメント評価アルゴリズムを提供することができる。本開示の一部の実施形態によれば、ＳＥＭ画像クリップ及び基準画像クリップの対を用いて機械学習ベースのアライメント評価アルゴリズムをトレーニングすることができる。
【0026】
[0041] 図面における構成要素の相対的な寸法は、理解しやすいように誇張されていることができる。以下の図面の説明では、同じ又は同様の参照番号は、同じ又は同様の構成要素又はエンティティを指しており、個々の実施形態に関して異なる点のみが説明されている。本明細書で使用する場合、特段の断りが無い限り、「又は」という用語は、実行不可能である場合を除いて、全ての可能な組み合わせを包含する。例えば、構成要素がＡ又はＢを含むことができると記載されている場合、特段の断りが無い限り又は実行不可能で無い限り、構成要素はＡ、又はＢ、又はＡ及びＢを含むことができる。第２の例として、構成要素がＡ、Ｂ、又はＣを含むことができると記載されている場合、特段の断りが無い限り又は実行不可能で無い限り、構成要素は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を含むことができる。
【0027】
[0042] 図１は、本開示の実施形態と一致した、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、撮像のために使用されることができる。図１に示すように、ＥＢＩシステム１００は、メインチャンバ１０１、装填／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内部に配置されている。ＥＦＥＭ１０６は、第１の装填ポート１０６ａ及び第２の装填ポート１０６ｂを含む。ＥＦＥＭ１０６は、追加の装填ポートを含むことができる。第１の装填ポート１０６ａ及び第２の装填ポート１０６ｂは、検査対象のウェーハ（例えば、半導体ウェーハ、又は他の材料で作られたウェーハ）又はサンプル（ウェーハ及びサンプルは、互換的に使用されることができる）を収容するウェーハＦＯＵＰ（front opening unified pod）を受け取る。「ロット」とは、バッチとして処理するために装填されることができる複数のウェーハである。
【0028】
[0043] ＥＦＥＭ１０６内の１つ又は複数のロボットアーム（図示せず）が、ウェーハを装填／ロックチャンバ１０２に運ぶことができる。装填／ロックチャンバ１０２は、装填／ロック真空ポンプシステム（図示せず）に接続され、このポンプシステムは、大気圧よりも低い第１の圧力に達するように、装填／ロックチャンバ１０２内のガス分子を除去する。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）がウェーハを装填／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、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、このポンプシステムは、第１の圧力よりも低い第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。第２の圧力に達した後、ウェーハはビームツール１０４による検査にかけられる。ビームツール１０４は、シングルビームシステム又はマルチビームシステムであり得る。
【0029】
[0044] コントローラ１０９がビームツール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るコンピュータであり得る。図１ではメインチャンバ１０１、ロード／ロックチャンバ１０２、及びＥＦＥＭ１０６を含む構造の外側にあるようにコントローラ１０９を図示するが、コントローラ１０９は構造の一部であり得ることが理解されよう。
【0030】
[0045] 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）を含むことができる。プロセッサは、情報を操作又は処理することができる汎用的な又は特定の電子デバイスであり得る。例えば、プロセッサは、任意の数の、中央処理装置（即ち「ＣＰＵ」）、グラフィックス処理装置（即ち「ＧＰＵ」）、光プロセッサ、プログラマブル論理制御装置、マイクロコントローラ、マイクロプロセッサ、デジタル・シグナル・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）、汎用アレイロジック（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）、及びデータ処理可能な任意の種類の回路、の任意の組み合わせを含むことができる。プロセッサはまた、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またがって分散した１つ又は複数のプロセッサを含む、仮想プロセッサであり得る。
【0031】
[0046] いくつかの実施形態では、コントローラ１０９は更に、１つ又は複数のメモリ（図示せず）を含むことができる。メモリは、（例えば、バスを介して）プロセッサがアクセス可能なコード及びデータを記憶することができる、汎用の又は特定の電子デバイスであり得る。例えば、メモリは、任意の数のランダム・アクセス・メモリ（ＲＡＭ）、読み出し専用メモリ（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（ＣＦ）カード、又は任意の種類の記憶デバイス、の任意の組み合わせを含むことができる。コード及びデータには、オペレーティングシステム（ＯＳ）、及び特定のタスク用の１つ又は複数のアプリケーション・プログラム（即ち「ａｐｐｓ」）が含まれることができる。メモリはまた、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またがって分散した１つ又は複数のメモリを含む、仮想メモリであり得る。
【0032】
[0047] 図２は、本開示の実施形態に一致する、ＥＢＩシステム１００（図１）で使用するよう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とも呼ぶ）及び画像処理システム２９０の概略図を示す。
【0033】
[0048] 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から放出される一次荷電粒子ビーム２１０、放射源変換ユニット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、一次投影光学系２２０、電動ウェーハステージ２８０、ウェーハホルダー２８２、複数の二次荷電粒子ビーム２３６、２３８、及び２４０、二次光学系２４２、及び荷電粒子検出デバイス２４４を含む。一次投影光学系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。
【0034】
[0049] 荷電粒子源２０２、ガンアパーチャ２０４、集光レンズ２０６、放射源変換ユニット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とアライメントすることができる。二次光学系２４２及び荷電粒子検出デバイス２４４は、装置１０４の二次光軸２５２とアライメントすることができる。
【0035】
[0050] 荷電粒子源２０２は、電子、陽子、イオン、ミューオン、又は電荷を搬送する他の任意の粒子などの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は電子放射源であり得る。例えば荷電粒子源２０２はカソード、抽出器、又はアノードを含むことができ、一次電子はカソードから放出され、（仮想の又は現実の）クロスオーバー２０８と共に一次荷電粒子ビーム２１０（この場合は一次電子ビーム）を形成するために抽出又は加速され得る。曖昧さを生じさせることなく説明を容易にするために、本明細書の説明の一部では電子を例として使用する。しかし、本開示の如何なる実施形態でも電子に限らず任意の荷電粒子を使用できることに留意すべきである。一次荷電粒子ビーム２１０は、クロスオーバー２０８から放出されているとき可視化され得る。ガンアパーチャ２０４は、クーロン効果を低減するために一次荷電粒子ビーム２１０の周辺荷電粒子を遮断することができる。クーロン効果は、プローブスポットのサイズの拡大を引き起こし得る。
【0036】
[0051] 放射源変換ユニット２１２は、画像形成素子のアレイ及びビーム制限アパーチャのアレイを含み得る。画像形成素子のアレイは、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。画像形成素子のアレイは、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と共にクロスオーバー２０８の複数の（仮想の又は現実の）平行画像を形成することができる。ビーム制限アパーチャのアレイは、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これに限定されない。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、ビームレットの第１の数は１から１０００までの範囲内にあり得る。いくつかの実施形態では、ビームレットの第１の数は２００～５００の範囲内にあり得る。例示的実施形態では、装置１０４が４００のビームレットを生成することができる。
【0037】
[0052] 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。放射源変換ユニット２１２の下流のビームレット２１４、２１６、及び２１８の電流は、集光レンズ２０６の集束力を調節することによって、又はビーム制限アパーチャのアレイ内の対応するビーム制限アパーチャの半径のサイズを変えることによって変化させることができる。対物レンズ２２８は、ビームレット２１４、２１６、及び２１８を撮像用のウェーハ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。
【0038】
[0053] 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り得る。いくつかの実施形態では、これらが適用される場合、ビームレット２１４、２１６、及び２１８の荷電粒子（例えば電子）に対して静電双極子場が及ぼす力は、荷電粒子に対して磁気双極子場が及ぼす力に対して大きさが実質的に等しく、方向が反対であり得る。従って、ビームレット２１４、２１６、及び２１８はゼロの偏向角でビームセパレータ２２２を真っ直ぐに通過することができる。しかし、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の総分散もゼロでないことがある。ビームセパレータ２２２は、二次荷電粒子ビーム２３６、２３８、及び２４０をビームレット２１４、２１６、及び２１８から分離し、二次荷電粒子ビーム２３６、２３８、及び２４０を二次光学系２４２に導くことができる。
【0039】
[0054] 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の表面エリア上のプローブスポット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におけるビームレット２１４、２１６、及び２１８の入射に応答し、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（エネルギー≦５０ｅＶ）及び後方散乱電子（５０ｅＶとビームレット２１４、２１６、及び２１８のランディングエネルギーとの間のエネルギー）を含む二次電子ビームであり得る。二次光学系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上に収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の表面エリア上の又はその下の構造の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得る。
【0040】
[0055] 生成される信号は、二次荷電粒子ビーム２３６、２３８、及び２４０の強度を表すことができ、荷電粒子検出デバイス２４４、一次投影光学系２２０、及び電動ウェーハステージ２８０と通信する画像処理システム２９０に提供され得る。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上の関心エリアを整然とカバーするように、電動ウェーハステージ２８０の移動速度は偏向走査ユニット２２６によって制御されるビームの偏向と同期され調整され得る。かかる同期及び調整のパラメータは、ウェーハ２３０の様々な材料に適応するように調節することができる。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引き起こし得る異なる抵抗－容量特性を有する場合がある。
【0041】
[0056] 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応じて変化する場合があり、従ってウェーハ２３０が欠陥を含むかどうかを示すことができる。更に、上述したようにビームレット２１４、２１６、及び２１８は、異なる強度を有し得る二次荷電粒子ビーム２３６、２３８、及び２４０を生成するために、ウェーハ２３０の上面の異なる位置上に又はウェーハ２３０の局所構造の異なる側面上に投影することができる。従って、二次荷電粒子ビーム２３６、２３８、及び２４０の強度をウェーハ２３０のエリアとマップすることにより、画像処理システム２９０はウェーハ２３０の内部構造又は外部構造の特性を反映する画像を再構築することができる。
【0042】
[0057] 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を含むことができる。画像取得器２９２は、１つ又は複数のプロセッサを含むことができる。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、任意の種類のモバイル計算装置など、又はそれらの組み合わせを含み得る。画像取得器２９２は、導電体、光ファイバケーブル、携帯ストレージ媒体、ＩＲ、ブルートゥース、インターネット、ワイヤレスネットワーク、ワイヤレス無線、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得る。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から信号を受信することができ、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、輪郭を生成すること、取得された画像上に指示子を重畳することなどの様々な後処理機能を行うこともできる。画像取得器２９２は取得された画像の輝度及びコントラストなどの調節を行うように構成され得る。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）、他の種類のコンピュータ可読メモリなどのストレージ媒体であり得る。ストレージ２９４は画像取得器２９２に結合することができ、走査済み生画像データを元画像及び後処理済み画像として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に接続されていてもよい。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が１つの制御ユニットとして一体化され得る。
【0043】
[0058] 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から受信された撮像信号に基づきウェーハの１つ又は複数のＳＣＰＭ画像を取得し得る。撮像信号は、荷電粒子撮像を行うための走査動作に対応し得る。取得された画像は、複数の撮像エリアを含む単一画像であり得る。単一画像はストレージ２９４内に格納され得る。単一画像は複数の領域に分割され得る元画像であり得る。これらの領域の各々は、ウェーハ２３０のフィーチャを含む１つの撮像エリアを含み得る。取得された画像は、一時系列にわたって複数回サンプリングされるウェーハ２３０の単一の撮像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内に格納され得る。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の同一位置の複数の画像を用いて画像処理工程を行うように構成され得る。
【0044】
[0059] いくつかの実施形態では、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の分布データをウェーハ表面上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使用して、検査中のウェーハ構造の画像を再構築することができる。再構築された画像は、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内に存在する可能性がある任意の欠陥を明らかにするために使用され得る。
【0045】
[0060] いくつかの実施形態では、荷電粒子が電子であり得る。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の粒子と相互作用して一定の深さまでウェーハ２３０の表面を貫通し得る。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）相互作用し、ウェーハ２３０の表面から反射又は跳ね返され得る。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）の全運動エネルギーを保存し、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。このような弾性相互作用から発生する反射電子は、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（例えば非弾性散乱又は衝突の形で）非弾性的に相互作用する場合がある。非弾性相互作用は、相互作用の物体の全運動エネルギーを保存せず、相互作用する物体の運動エネルギーの一部又は全てが他の形態のエネルギーに変換する。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材料の原子の電子励起及び遷移を引き起こす可能性がある。かかる非弾性相互作用は、二次電子（ＳＥ）と呼ばれることがあるウェーハ２３０の表面から出る電子を生成することもある。ＢＳＥ及びＳＥの収量又は放出率は、数ある中でも例えば検査中の材料及び材料の表面上に照射される一次荷電粒子ビーム２１０の電子の照射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）によって部分的に付与される場合がある。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い又は少ない場合がある（更には同じであり得る）。
【0046】
[0061] 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、ウェーハの試験デバイス領域を捕捉した生成画像を、同じ試験デバイス領域を捕捉した基準画像と比較することができる。基準画像は（例えばシミュレーションによって）予め決定され、既知の欠陥を含まない場合がある。生成画像と基準画像との差が許容水準を超える場合、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を走査することであって、各領域は同じように設計された試験デバイス領域を含む、走査すること、及び製造時にそれらの試験デバイス領域を捕捉する複数の画像を生成することができる。複数の画像は互いに比較することができる。複数の画像間の差が許容水準を超える場合、潜在的欠陥が識別され得る。
【0047】
[0062] 図３は、局所ミスアライメントを引き起こし得る例示的パターンを有するＳＥＭ画像３００を示す。図３に示すように、ＳＥＭ画像３００には、局所ミスアライメントを引き起こし得るパターンを有する３つの例示的な部分３０１から３０３が示されている。図３では、第１の部分３０１から第３の部分３０３の拡大図が下部に示されている。第１の部分３０１は疎パターンを示し、第２の部分３０２はデブリパターンを示し、第３の部分３０３はクロッピングデブリパターンを示す。局所ミスアライメントを引き起こすフィーチャとして３つのパターンを示すが、様々なフィーチャがＳＥＭ画像の局所ミスアライメントを引き起こす可能性があることが理解されよう。
【0048】
[0063] 次に、本開示の実施形態に一致する例示的な歪み補正システムのブロック図である図４を参照する。いくつかの実施形態では、歪み補正システム４００は１つ又は複数のプロセッサ及びメモリを含む。様々な実施形態において、歪み補正システム４００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）、又は計算リソグラフィシステム、又は他のフォトリソグラフィシステムの一部とすることができ、又はそれらと別個であり得ることが理解されよう。いくつかの実施形態では、歪み補正システム４００は、本明細書で論じるようにコントローラ１０９又はシステム２９０によって実装され得る１つ又は複数の構成要素（例えばソフトウェアモジュール）を含み得る。図４に示すように、歪み補正システム４００は、検査画像取得器４１０、基準画像取得器４２０、画像アライナ４３０、アライメントモデル生成器４４０、及び歪み補正器４５０を含むことができる。
【0049】
[0064] 本開示の一部の実施形態によれば、検査画像取得器４１０は入力画像として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、検査画像はサンプル又はウェーハのＳＥＭ画像である。いくつかの実施形態では、検査画像は例えば図１のＥＢＩシステム１００又は図２の電子ビームツール１０４によって生成される検査画像であり得る。いくつかの実施形態では、検査画像取得器４１０は、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検査画像を得ることができる。図５Ａは、本開示における一部の実施形態に関して詳細に説明する例示的な検査画像５１０を示す。
【0050】
[0065] 再び図４を参照し、一部の実施形態によれば、基準画像取得器４２０は、検査画像取得器４１０によって取得された検査画像に対応する基準画像を取得することができる。いくつかの実施形態では、基準画像は検査画像に対応するウェーハ設計のためのレイアウトファイルであり得る。このレイアウトファイルは、グラフィックデータベースシステム（ＧＤＳ）フォーマット、グラフィックデータベースシステムＩＩ（ＧＤＳＩＩ）フォーマット、オープンアートワークシステム相互交換標準（ＯＡＳＩＳ：Open Artwork System Interchange Standard）フォーマット、Caltech中間フォーマット（ＣＩＦ：Caltech Intermediate Format）などであり得る。ウェーハの設計は、ウェーハ上に含めるためのパターン又は構造を含むことができる。パターン又は構造は、フォトリソグラフィマスク又はレチクルからウェーハにフィーチャを転写するために使用されるマンスクパターンであり得る。いくつかの実施形態では、とりわけＧＤＳ又はＯＡＳＩＳフォーマットのレイアウトは、ウェーハの設計に関係する平面幾何学的形状、テキスト、及び他の情報を表すバイナリファイルフォーマットで格納されるフィーチャ情報を含み得る。いくつかの実施形態では、基準画像はレイアウトファイルからレンダリングされた画像であり得る。
【0051】
[0066] 本開示の一部の実施形態によれば、画像アライナ４３０は検査画像を複数の小さなパッチにセグメント化することができる。図５Ａには、検査画像５１０が複数のパッチ５１１＿１から５１１＿ｎにセグメント化されていることが示されている。図５Ａでは、検査画像５１０が２次元でセグメント化されることが示されているが、検査画像５１０は任意の次元でセグメント化できることが理解されよう。図５Ａでは、検査画像５１０の第１の行がｎ個のパッチ５１１＿１から５１１＿ｎにセグメント化されることが示されている。１つの次元（例えば図５Ａの水平方向）に配置されるパッチに関して一部の実施形態を説明するが、本開示は様々な次元のパッチに適用できることが理解されよう。
【0052】
[0067] 検査画像５１０を複数のパッチ５１１＿１から５１１＿ｎにセグメント化した後、画像アライナ４３０は、複数のパッチ５１１＿１から５１１＿ｎを検査画像５１０に対応する基準画像とアライメントするように構成される。いくつかの実施形態では、複数のパッチ５１１＿１から５１１＿ｎを基準画像とアライメントすることは、パッチ５１１＿１から５１１＿ｎと基準画像との間のフィーチャマッチングに基づいて実行され得る。いくつかの実施形態では、画像アライナ４３０は、複数のパッチ５１１＿１から５１１＿ｎのそれぞれについて基準画像内の対応する部分又はパッチを決定することができる。本開示のいくつかの実施形態では、複数のパッチ５１１＿１から５１１＿ｎをアライメントする間、検査画像のパッチごとに基準画像の対応するパッチを決定することができる。
【0053】
[0068] 本開示の一部の実施形態によれば、歪み補正システム４００はアライメント評価器４６０を更に含むことができる。アライメント評価器４６０は、本開示の一部の実施形態に一致して、検査画像の複数のパッチが基準画像の対応するパッチに対して良好にアライメントされているかどうかを評価するように構成され得る。いくつかの実施形態では、アライメント評価器４６０は、検査画像のパッチが基準画像の対応するパッチに対して良好にアライメントされているかどうかを評価することにより、検査画像のパッチごとにアライメントインデックスをもたらすことができる。いくつかの実施形態では、アライメントインデックスは、検査画像のパッチが基準画像の対応するパッチに対してアライメントされている信頼度を表すことができる。いくつかの実施形態では、アライメントの評価は、画像アライナ４３０によってアライメントを行うとき使用されるパッチ（例えばパッチ５１１＿１から５１１＿ｎ）に基づいて実行され得る。いくつかの実施形態では、アライメントの評価は、画像アライナ４３０によって使用されるパッチ５１１＿１から５１１＿ｎと異なるパッチに基づいて実行され得る。例えばパッチ５１１＿１から５１１＿ｎはアライメントに基づいてまとめられ、アライメント評価器４６０は、統合されたパッチをアライメントの評価に使用される一組の異なるパッチへと再びセグメント化することができる。再びセグメント化されたパッチは、パッチ５１１＿１から５１１＿ｎのものと異なるサイズ又は異なる形状を有することができる。いくつかの実施形態では、アライメント評価器４６０は、検査画像の複数のパッチに対するアライメント評価結果に基づいて、検査画像が基準画像に対して良好にアライメントされているかどうかを評価することができる。いくつかの実施形態では、画像アライナ４３０は、アライメント評価器４６０からアライメント評価結果を受信し、アライメント評価結果に従って検査画像の複数のパッチを基準画像に対して再びアライメントすることができる。いくつかの実施形態では、アライメント評価器４６０は機械学習ベースのアライメントアルゴリズムであり得る。図７Ａから図８Ｂを参照し、機械学習ベースのアライメント評価アルゴリズムのトレーニング技法について説明する。
【0054】
[0069] いくつかの実施形態では、基準画像に対する複数のパッチ５１１＿１から５１１＿ｎのアライメントに基づき、複数のパッチ５１１＿１から５１１＿ｎに対する局所アライメント結果を生成することができる。図５Ｂは、本開示の実施形態と一致する、複数のパッチに対する局所アライメント結果を示す例示的グラフである。図５Ｂでは、１０個の局所アライメント結果ＬＡが２次元座標系の中で示されており、ｘ軸は基準画像、例えばＧＤＳファイル内の位置を表し、ｙ軸は検査画像５１０、例えばＳＥＭ画像内の位置を表す。図５Ａでは、局所アライメント結果ＬＡは複数のパッチ５１１＿１から５１１＿ｎのうちの１つのパッチに関連し得る。いくつかの実施形態では、各パッチの局所アライメント結果ＬＡは検査画像内の基準点、例えば図５Ａの検査画像５１０内の基準点ＲＰから各パッチの中心までの測定距離とすることができる。
【0055】
[0070] 図５Ｂでは、第１のパッチ５１１＿１に関連する第１の局所アライメント結果ＬＡ１は、検査画像５１０内の第１のパッチ５１１＿１の位置が基準点ＲＰから約０．４である一方、基準画像内の対応するパッチの位置が基準画像内の対応する基準点から１であることを示す。第２のパッチ５１１＿２に関連する第２の局所アライメント結果ＬＡ２は、検査画像５１０内の第２のパッチ５１１＿２の位置が基準点ＲＰから約１．４５である一方、基準画像内の対応するパッチの位置が基準画像内の対応する基準点から１．５であることを示す。同様に、第１０のパッチに関連する第１０の局所アライメント結果ＬＡ１０は、検査画像５１０内の第１０のパッチの位置が約５．６である一方、基準画像内の対応するパッチの位置が基準画像内の対応する基準点から５であることを示す。本開示では、図５Ａ内で右方向を示す正の記号（＋）は省略され、右方向とは反対の方向を示すために負の記号（－）が使用されることに留意されたい。
【0056】
[0071] 再び図４を参照し、本開示の一部の実施形態によれば、アライメントモデル生成器４４０は検査画像、例えば検査画像５１０の歪みを補正するために使用可能なアライメントモデルを生成するように構成される。本開示の一部の実施形態によれば、アライメントモデル生成器４４０は、局所アライメント結果に基づいてアライメントモデルを生成することができる。本開示の一部の実施形態によれば、アライメントモデル生成器４４０は、例えば図５Ｃに示すように、可能な限り多くの局所アライメント結果にフィットするアライメントモデルを生成することができる。図５Ｃに示すように、アライメントモデル５３１は１０個のアライメント結果（即ちＬＡ１からＬＡ１０）のうち８個の局所アライメント結果（即ちＬＡ２からＬＡ９）にフィットする。本開示では、アライメントモデルにフィットする局所アライメント結果を内値（inlier）と呼び、アライメントモデルにフィットしない局所アライメント結果を外れ値と呼ぶことができる。図５Ｃでは、アライメントモデル５３１に対して８個のアライメント結果、即ちＬＡ２からＬＡ９が内値であり、２個のアライメント結果、即ちＬＡ１及びＬＡ１０が外れ値である。いくつかの実施形態では、外れ値は、例えばスナッピング、ハーフピッチシフトなどに起因する欠陥データ又は汚染データだと仮定することができる。いくつかの実施形態では、これらの外れ値はアライメントモデルを推定する際に除外される。
【0057】
[0072] 一部の実施形態によれば、局所アライメント結果とアライメントモデルとの間の非ゼロ距離の総数をカウントするＬ０ノルムを最小化することができるアライメントモデルを、対応する検査画像のアライメントモデルとして決定することができる。図５Ｃでは、アライメントモデル５３１にフィットする局所アライメント結果ＬＡ２からＬＡ９はアライメントモデル５３１からゼロ距離を有し、２つの局所アライメント結果ＬＡ１及びＬＡ０はアライメントモデル５３１から非ゼロ距離を有する。一部の実施形態によれば、アライメントモデルを生成する際に潜在的な欠陥データを認識し無視することができ、それにより検査画像５１０の歪み補正において欠陥データの影響を最小限に抑えることができる。
【0058】
[0073] 本開示の一部の実施形態によれば、アライメントモデルを推定することは、以下のように表されるランダムサンプルコンセンサス（ＲＡＮＳＡＣ）に基づいて実行することができる：
Ｆｏｒ ｅｐｏｃｈ ｉｎ Ｎ：
ＬＡＳ＝Ｓａｍｐｌｅ（Ｏ，ｅｐｏｃｈ，ＬＡ）
Ｆ＝Ｆｉｔ（ＬＡＳ）
Ｆ＊＝Ｅｖａｌｕａｔｅ（Ｆ，Ｐｔ，ＬＡ）
ＥＮＤ ＦＯＲ． アルゴリズム１
ここでＮは反復の総数を表し、ｅｐｏｃｈは現在の反復数を表し、Ｏは回帰次数を表し、ＬＡは局所アライメント結果、例えば図５ＣのＬＡ１からＬＡ１０を表す。
Ｆｏｒ ｅｐｏｃｈ ｉｎ Ｎ：
ＬＡＳ＝Ｓａｍｐｌｅ（Ｏ，ｅｐｏｃｈ，ＬＡ）
Ｆ＝Ｆｉｔ（ＬＡＳ）
Ｆ＊＝Ｅｖａｌｕａｔｅ（Ｆ，Ｐｔ，ＬＡ）
ＥＮＤ ＦＯＲ． アルゴリズム１
ここでＮは反復の総数を表し、ｅｐｏｃｈは現在の反復数を表し、Ｏは回帰次数を表し、ＬＡは局所アライメント結果、例えば図５ＣのＬＡ１からＬＡ１０を表す。
【0059】
[0074] 最初のステップで、回帰次数Ｏに従い、一組の局所アライメント結果から局所アライメント結果のサンプルサブセットをランダムに選択する。回帰次数Ｏは、実施形態による回帰の任意の次数を表すことができる。アライメントモデル、例えばアライメント曲線を一意に定義するために、回帰次数Ｏに基づいてサンプルサブセットに対するいくつかの局所アライメント結果を決定することができる。例えば回帰次数Ｏが線形回帰とも呼ばれる回帰の第一次を識別する場合、２つの局所アライメント結果のサンプルサブセットをランダムに選択することができる。本開示では、２つの局所アライメント結果がサンプルサブセットに選択される実施形態を例示目的で説明する。選択されたアライメント結果を含むサブセットをＬＡＳとして示す。
【0060】
[0075] 本開示の一部の実施形態に一致して、第２のステップで、サブセットＬＡＳに含まれる選択されたアライメント結果にフィットする第１のアライメントモデルＦを決定することができる。いくつかの実施形態では、第１のアライメントモデルＦは、回帰次数Ｏによる線形又は非線形モデルであり得る。いくつかの実施形態では、サブセットＬＡＳに含まれる選択されたアライメント結果にフィットし、定義された回帰次数Ｏを満たす第１のアライメントモデルＦのパラメータが計算され得る。例えば第２の局所アライメント結果ＬＡ２及び第９の局所アライメント結果ＬＡ９が第１のステップで選択され、回帰次数Ｏによって一次回帰が定義される場合、線形方程式であるアライメントモデル５３１を一意に識別することができる。
【0061】
[0076] 第３のステップで、全データセット内で何個の局所アライメント結果が第１のアライメントモデルＦにフィットするのかを調べることにより、第２のステップで得た第１のアライメントモデルＦを評価することができる。一部の実施形態によれば、第１のアライメントモデルＦにフィットする局所アライメント結果の数に基づいて第１のアライメントモデルＦの性能Ｐｔを決定することができる。いくつかの実施形態では、第１のアライメントモデルＦにフィットする局所アライメント結果を内値とみなし、第１のアライメントモデルＦにフィットしない局所アライメント結果を外れ値とみなす。いくつかの実施形態では、局所アライメント結果が第１のアライメントモデルＦにフィットしないが十分近い場合、その局所アライメント結果を内値とみなすことができる。例えば、第１のアライメントモデルＦからの距離が閾値内にある局所アライメント結果は、第１のアライメントモデルＦにフィットするとみなすことができる。いくつかの実施形態では、閾値は第１のアライメントモデルＦからの偏差がノイズの影響に起因するかどうかに基づいて決定され得る。いくつかの実施形態では、第１のアライメントモデルＦの性能Ｐｔは、全データセットの中の内値のパーセンテージに基づいて決定することができる。例えば図５Ｃでは、１０個の局所アライメント結果のうち８個の局所アライメント結果ＬＡ２からＬＡ９が第１のアライメントモデルＦとしてのフィッティング曲線５３１にフィットし、従って第１のアライメントモデルＦの性能Ｐｔは８０％として決定することができる。いくつかの実施形態では、第１のアライメントモデルＦの性能Ｐｔは、残余集合の中の内値のパーセンテージに基づいて決定することができる。例えばサンプルサブセットが第２の局所アライメント結果ＬＡ２及び第９の局所アライメント結果ＬＡ９を含む場合、残余集合内の８個の局所アライメント結果のうちの６個の局所アライメント結果が内値であり、従って第１のアライメントモデルＦの性能Ｐｔは７５％として決定することができる。このステップでは、第１のアライメントモデルＦは潜在的なアライメントモデルＦ＊とみなされる。
【0062】
[0077] 上記で論じたように、第１のステップから第３のステップまでをＮの反復回数にわたって繰り返すことができる。第１の反復の完了後に第２の反復が行われる。第１のステップでは、第２の反復のサブセットの構成が全データセットの中からランダムに選択され得る。第２の反復で選択される局所アライメント結果は、第１の反復で選択されるものと異なり得る。第２のステップで、選択された局所アライメント結果に基づいて第２のアライメントモデルＦを推定し、第３のステップで、第２のアライメントモデルＦの性能Ｐｔを第１の反復と同様のやり方で評価する。第３のステップで、第１の反復における第１のアライメントモデルＦの性能Ｐｔよりも第２のアライメントモデルＦの性能Ｐｔの方が優れている場合、第２のアライメントモデルＦを潜在的なアライメントモデルＦ＊として更新する。さもなければ、第１のアライメントモデルＦを潜在的なアライメントモデルＦ＊として保つ。従って、Ｎの反復回数が完了したとき、Ｎ個のアライメントモデルＦの中で最も高い性能Ｐｔを有するアライメントモデルＦを検査画像５１０のアライメントモデルＦ＊として選択することができる。
【0063】
[0078] 再び図４を参照し、本開示の一部の実施形態に一致し、歪み補正器４５０は、選択されたアライメントモデルＦ＊に基づいて検査画像の歪みを補正するように構成され得る。いくつかの実施形態では、選択されたアライメントモデルＦ＊に基づき、検査画像の内値及び外れ値を含む全ての局所アライメント結果に対応する検査画像の全てのパッチを補正することができる。例えば図５Ｃでは、アライメントモデル５３１に対して内値である第２の局所アライメント結果ＬＡ２に対応する第２のパッチがアライメントモデル５３１に従って補正される。検査画像５１０の歪みを補正するために、第２の局所アライメント結果ＬＡ２に対応する第２のパッチ５１１＿１を図５Ｃのアライメントモデル５３１に従って０．０５だけ移動させることができる。同様に図５Ｃでは、アライメントモデル５３１に対して外れ値である第１の局所アライメント結果ＬＡ１に対応する第１のパッチも、測定された局所アライメント結果ＬＡ１の代わりにアライメントモデル５３１に従って補正される。検査画像５１０を補正するために、第１の局所アライメント結果ＬＡ１に対応する第１のパッチ５１１＿１は、図５Ｃの測定された局所アライメント結果ＬＡ１による０．６の代わりにフィッティングモデル５３１に従って（－）０．０５だけ移動させることができる。本開示のいくつかの実施形態では線形アライメントモデルを示すが、本開示はこれだけに限定されないが変倍、回転、平行移動などを含む任意の種類のアライメントモデルに適用できることが理解されよう。
【0064】
[0079] 図６Ａは、局所アライメントデータに従ってＳＥＭ画像の歪みを補正する例示的プロセスを示す。図６Ａでは、ＳＥＭ画像６１０は、１０００ピクセルのうち１％の歪みを含むようにプログラムされたＳＥＭ画像である。図６Ａで、第１のアローマップ６１１はＳＥＭ画像６１０内の各ピクセルについて測定された局所アライメント結果を示す。第１のアローマップ６１１で、各矢印は、対応する測定された局所アライメント結果に従い、対応する基準画像とマッチするために対応するピクセルをどの方向にどれだけ移動すべきかを表す。図６Ａでは、第１の補正画像６１２は、第１のアローマップ６１１によるＳＥＭ画像６１０の補正画像である。補正されたＳＥＭ画像６１２において示すように、測定された局所アライメント結果に従って検査画像を補正することは、スナッピングなどの別の種類のミスアライメント又は歪みを引き起こすことがある。
【0065】
[0080] 図６Ｂは、本開示の実施形態に一致する、アライメントモデルに従ってＳＥＭ画像の歪みを補正する例示的プロセスを示す。ここでは、図６ＡのＳＥＭ画像６１０も入力検査画像として使用される。図６Ｂにおいて第２のアローマップ６２１は、本開示の一部の実施形態に一致する、選択されたアライメントモデルに対する第１のアローマップ６１１内の矢印のうちの内値に対応する矢印６３２と外れ値に対応する矢印６３１とを表す。第３のアローマップ６２２は、選択されたアライメントモデルによるＳＥＭ画像６１０のフィッティング結果を示す。図６Ｂの第３のアローマップ６２２において示すように、外れ値に対応する矢印６３１は考慮されないが、選択されたアライメントモデルによるフィッティング結果はＳＥＭ画像６１０の歪みを補正する際に考慮される。第３のアローマップ６２２では、各矢印は、選択されたアライメントモデルに従い、対応する基準画像とマッチするために対応するピクセルをどの方向にどれだけ移動すべきかを表す。図６Ｂでは、第２の補正画像６３０は、第３のアローマップ６２２によるＳＥＭ画像６１０の補正画像である。第２の補正されたＳＥＭ画像６３０として示すように、本開示の一部の実施形態に一致するアライメントモデルに従って検査画像の歪みを効果的に補正することができる。例えば一部の例では、ＳＥＭ画像６１０内にプログラムされた歪みの９９．９８％までがＳＥＭ画像６３０内で補正されている。
【0066】
[0081] 図６Ｃは、本開示の実施形態に一致する、歪み補正後の入力検査画像と出力補正画像との比較例を示す。図６Ｃでは、ＳＥＭ画像６１０及び補正ＳＥＭ画像６３０はそれぞれ、本開示の一部の実施形態に一致する歪み補正前及び補正後のＳＥＭ画像である。ＳＥＭ画像６１０は、対応する基準画像に対して良好にアライメントされていない部分６１３、６１４、及び６１５を含む。部分６１３、６１４、及び６１５の拡大画像において、ＳＥＭ画像６１０のパターンＷは白い中空円として示す。対応するＧＤＳ画像のパターンＢも、部分６１３、６１４、及び６１５の拡大画像内に例示目的で示している。部分６１３、６１４、及び６１５の拡大画像の中で示すように、ＳＥＭ画像６１０は対応するＧＤＳ画像と良好にアライメントされていないことに留意されたい。補正されたＳＥＭ画像６３０も、入力ＳＥＭ画像６１０の部分６１３、６１４、及び６１５に対応する部分６３１、６３２、及び６３３を含む。部分６３１、６３２、及び６３３の拡大画像において、ＳＥＭ画像６３０のパターンＷが対応するＧＤＳ画像のパターンＢと良好にアライメントされていることに留意されたい。図６Ｃに示すように、本開示の一部の実施形態に従って入力ＳＥＭ画像の歪みを効果的に補正することができる。
【0067】
[0082] ＳＥＭ画像の歪み補正性能を改善するために、最初にＳＥＭ画像を設計レイアウトに正確にアライメントすることが重要である。図４のアライメント評価器４６０に関して示すように、ＳＥＭ画像が基準画像に対して良好にアライメントされているかどうかは、局所アライメント結果に基づいてアライメントモデルを生成する前に実行することができる。アライメント信頼スコアを提供する多くの機構がある。しかし、アライメント信頼スコアは概して相互相関又は平均二乗誤差（ＭＳＥ）に基づくマッチングアルゴリズムによって計算され、かかるアルゴリズムは視野が繰り返しパターンの比較的大きい部分を含み、欠陥に由来する固有のフィーチャ又は十分な基礎情報を欠く場合はロバストなマッチングスコアをもたらさない。これらのアルゴリズムの下では、繰り返しパターンを有するＳＥＭ画像の位置がずれている場合でさえアライメント信頼スコアが依然として高い場合がある。
【0068】
[0083] 図７Ａは、シフトされた繰り返しパターンを有する例示的な検査画像を示す。図７Ａでは、ＳＥＭ画像が基準画像とアライメントされていない、即ちＳＥＭ画像が基準画像から距離Ｔだけシフトしていることが示されている。例えばＳＥＭ画像７１１のパターン７１２は、その基準画像の対応するパターン７１３からシフトしている。しかし、相互相関又は平均二乗誤差（ＭＳＥ）に基づくマッチングアルゴリズムによるアライメント信頼性スコアは、ＳＥＭ画像７１１のパターンが図７Ａに示されるように繰り返されるため、ＳＥＭ画像７１１に対して依然として高くなり得る。相互相関又はＭＳＥに基づく信頼スコアは、繰り返しパターンを含むＳＥＭ画像のアライメントに対して偽陽性結果をもたらし得ることに留意されたい。本開示の一部の実施形態によれば、アライメント評価器４６０は機械学習ベースのアライメントアルゴリズムとすることができ、アライメント評価モデルはトレーニングシステムによってトレーニングされ得る。
【0069】
[0084] 図７Ｂは、本開示の実施形態に一致する、アライメント評価モデルのためのトレーニングシステム７００（「装置７００」とも呼ぶ）のブロック図である。いくつかの実施形態では、トレーニングシステム７００は、１つ又は複数のプロセッサ及びメモリを含み得る。様々な実施形態において、トレーニングシステム７００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）の一部とすることができ、又は荷電粒子ビーム検査システムとは別個であり得ることが理解されよう。トレーニングシステム７００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に通信可能に結合される１つ又は複数の構成要素又はモジュールを含み得ることも理解されよう。いくつかの実施形態では、トレーニングシステム７００は本明細書で論じたコントローラ１０９又はシステム２９０によって実装可能な１つ又は複数の構成要素（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、トレーニングシステム７００及び歪み補正システム４００は、別々の計算装置上に又は同じ計算装置上に実装される。いくつかの実施形態では、トレーニングシステム７００は、図４の歪み補正システム４００又は歪み補正システム４００のアライメント評価器４６０の一部であり得る。
【0070】
[0085] 図７Ｂに示すように、トレーニングシステム７００は、トレーニング検査画像取得器７１０、トレーニング基準画像取得器７２０、及びモデルトレーナ７３０を含み得る。本開示の一部の実施形態によれば、トレーニング検査画像取得器７１０は検査画像パッチを取得することができる。いくつかの実施形態では、検査画像パッチはサンプル又はウェーハのＳＥＭ画像のパッチである。いくつかの実施形態では、トレーニング検査画像はＳＥＭ画像の複数のパッチのうちの１つであり得る。例えばトレーニング検査画像は、図５Ａに示すパッチ５１１＿１から５１１＿ｎのうちの１つであり得る。
【0071】
[0086] 一部の実施形態によれば、トレーニング基準画像取得器７２０は、トレーニング検査画像取得器７１０によって取得されたトレーニング検査画像と比較される基準画像を取得することができる。いくつかの実施形態では、基準画像はウェーハ設計のためのレイアウトファイルであり得る。いくつかの実施形態では、トレーニング基準画像がトレーニング目的でトレーニング検査画像に対して良好にアライメントされてもされなくてもよい。
【0072】
[0087] 図８Ａは、本開示の実施形態に一致する、図７Ｂのトレーニングシステムのための例示的なトレーニングデータセットを示す。図８Ａは、トレーニング検査画像取得器７１０及びトレーニング基準画像取得器７２０によってそれぞれ取得されたトレーニング検査画像及びトレーニング基準画像の例示的な対を示す。図８Ａでは、トレーニング検査画像取得器７１０はトレーニング検査画像パッチ８１１＿１から８１１＿ｎを取得することができ、トレーニング基準画像取得器７２０はトレーニング基準画像パッチ８２１＿１から８２１＿ｎを取得することができる。いくつかの実施形態では、各トレーニング検査画像８１１がトレーニング基準画像８２１と対にされる。例えば、第１のトレーニング検査画像８１１＿１は第１のトレーニング基準画像８２１＿１と対にされ、第１の対ＰＡ１を構成する。同様に、第２の対ＰＡ２から第ｎの対ＰＡｎが取得される。
【0073】
[0088] 再び図７Ｂを参照し、本開示の一部の実施形態によれば、モデルトレーナ７３０は、入力として提供される各対ＰＡ１からＰＡｎの２つの画像のアライメントインデックスを予測するようにアライメント評価モデル７３１をトレーニングするように構成される。本開示の一部の実施形態によれば、モデルトレーナ７３０は、教師あり学習下でアライメント評価モデル７３１をトレーニングするように構成される。いくつかの実施形態では、モデルトレーナ７３０は、トレーニング検査画像８１１及びトレーニング基準画像８１２がアライメントされているかどうかの情報も提供される。
【0074】
[0089] 図８Ｂは、本開示の実施形態に一致するアライメント評価モデル７３１の例示的な構成を示す。図８Ｂに示すように、アライメント評価モデル７３１は、トレーニング検査画像８１１及びトレーニング基準画像８２１を受信し、それらの２つの画像を処理して２つの画像がどの程度アライメントされているのかを予測することができる。いくつかの実施形態では、アライメント評価モデル７３１は、２つの画像間のアライメントの程度を表すアライメントインデックスを提供するように構成され得る。いくつかの実施形態では、アライメント評価モデル７３１は、シャムニューラルネットワークなどの機械学習システム又はニューラルネットワークであり得る。他の種類の機械学習システムも利用できることが理解されよう。
【0075】
[0090] 図８Ｂに示すように、本開示の一部の実施形態に一致し、アライメント評価モデル７３１は第１のネットワーク７３２及び第２のネットワーク７３３を含むように構成され得る。いくつかの実施形態では、トレーニング検査画像８１１のフィーチャを抽出するように構成される第１のネットワーク７３２にトレーニング検査画像８１１が提供され、基準画像８２１のフィーチャを抽出するように構成される第２のネットワーク７３３にトレーニング基準画像８２１が提供される。いくつかの実施形態では、第１のネットワーク７３２及び第２のネットワーク７３３が同じ構成を有するように構成され得る。例えば第１のネットワーク７３２及び第２のネットワーク７３３は共有重みを有するように構成することができ、それにより２つのネットワーク７３２及び７３３は同等の出力を例えば出力ベクトルとして計算するために２つの異なる入力に対して連携することができる。いくつかの実施形態では、第１のネットワーク７３２及び第２のネットワーク７３３は独立した構成を有するように構成され得る。この例では、第１のネットワーク７３２及び第２のネットワーク７３３が重みを共有しなくてもよい。いくつかの実施形態では、第１のネットワーク７３２及び第２のネットワーク７３３が、これだけに限定されないがVisual Geometry Group（ＶＧＧ）ニューラルネットワーク、残差ニューラルネットワーク（ＲｅｓＮｅｔ）、Dense Convolutional Network（ＤｅｎｓｅＮｅｔ）などを含む様々なネットワークアーキテクチャによって実装され得る。
【0076】
[0091] 図８Ｂに示すように、本開示の一部の実施形態に一致し、アライメント評価モデル７３１は処理層７３４を更に含み得る。いくつかの実施形態では、第１のネットワーク７３２からのフィーチャ及び第２のネットワーク７３３からのフィーチャが処理層７３４に提供され得る。図８Ｂに示すように、２つの画像８１１及び８２１間のアライメントインデックスを出力するために、処理層７３４は２つのネットワーク７３２及び７３３からの入力フィーチャを処理する複数の処理層を含むことができる。いくつかの実施形態では、処理層７３４は入力フィーチャに対するたたみ込み演算を計算することができる。いくつかの実施形態では、第１のネットワーク７３２からのフィーチャ及び第２のネットワーク７３３からのフィーチャは、処理層７３４の入力層において組み合わせ、その後アライメントインデックスを出力するために更に処理することができる。
【0077】
[0092] トレーニング検査画像８１１及びトレーニング基準画像８１２がアライメントされているかどうかの情報とアライメントインデックスが整合していない場合、モデルトレーナ７３０はアライメント評価モデル７３１のパラメータ、重みなどを調節することができる。トレーニング検査画像８１１及びトレーニング基準画像８１２の更なる対ＰＡ１からＰＡｎを用いてアライメント評価モデル７３１がトレーニングされるため、アライメント評価モデル７３１が生成するアライメントインデックスの精度は改善され得る。
【0078】
[0093] 本開示の一部の実施形態に一致し、モデルトレーナ７３０が教師あり学習下でアライメント評価モデル７３１をトレーニングした後、アライメント評価モデル７３１をアライメント評価器４６０として使用することができる。いくつかの実施形態では、トレーニングされたアライメント評価モデル７３１は、入力画像と基準画像との間のアライメントインデックスを予測するために使用され得る。いくつかの実施形態では、トレーニングされたアライメント評価モデル７３１は、検査画像の歪み補正とは独立に、又はそれと組み合わせて使用することができる。いくつかの実施形態では、トレーニングされたアライメント評価モデル７３１をプリントチェックプロセスで使用することができる。プリントチェックプロセスでは、マスクと共にウェーハを露光し、ウェーハを検査してマスクの欠陥を示し得る任意の欠陥が繰り返されているかどうかを検査することにより、マスク又はレチクルを検査することができる。この応用例では、ウェーハの検査画像とウェーハの対応するレイアウト画像との間のアライメントを評価するために、トレーニングされたアライメント評価モデル７３１を使用することができる。
【0079】
[0094] 図９は、本開示の実施形態に一致する、検査画像の歪みを補正するための例示的方法を表すプロセスフローチャートである。方法９００のステップはコンピューティングデバイス、例えば図１のコントローラ１０９上で、或いはその機能を使用して実行されるシステム（例えば図４のシステム４００）によって実行され得る。図示の方法９００は、ステップの順序を修正するために及び追加のステップを含めるために変更できることが理解されよう。
【0080】
[0095] ステップＳ９１０で、検査画像及び基準画像を取得する。ステップＳ９１０は、例えばとりわけ検査画像取得器４１０又は基準画像取得器４２０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、検査画像はサンプル又はウェーハのＳＥＭ画像である。いくつかの実施形態では、基準画像は検査画像に対応するウェーハ設計のためのレイアウトファイルであり得る。いくつかの実施形態では、基準画像はレイアウトファイルからレンダリングされる画像であり得る。
【0081】
[0096] ステップＳ９２０で、検査画像を基準画像とアライメントする。ステップＳ９２０は、例えばとりわけ画像アライナ４３０によって実行することができる。本開示の一部の実施形態によれば、検査画像を複数の小さいパッチにセグメント化することができる。図５Ａでは、検査画像５１０が複数のパッチ５１１＿１から５１１＿ｎにセグメント化されることが示されている。検査画像５１０を複数のパッチ５１１＿１から５１１＿ｎにセグメント化した後、複数のパッチ５１１＿１から５１１＿ｎを検査画像５１０に対応する基準画像とアライメントする。いくつかの実施形態では、複数のパッチ５１１＿１から５１１＿ｎを基準画像とアライメントすることは、パッチ５１１＿１から５１１＿ｎと基準画像との間のフィーチャマッチングに基づいて実行され得る。本開示のいくつかの実施形態では、複数のパッチ５１１＿１から５１１＿ｎをアライメントする間、検査画像のパッチごとに基準画像の対応するパッチを決定することができる。
【0082】
[0097] 本開示のいくつかの実施形態では、方法９００はステップＳ９２１を更に実行することができる。ステップＳ９２１では、ステップＳ９２０で実行した検査画像のアライメントを評価することができる。ステップＳ９２１は、例えばとりわけアライメント評価器４６０によって実行することができる。ステップＳ９２１で、検査画像の複数のパッチが基準画像の対応するパッチに対して良好にアライメントされているかどうかを評価することができる。検査画像のパッチが基準画像の対応するパッチに良好にアライメントされているかどうかを評価することにより、検査画像のパッチごとにアライメントインデックスを生成することができる。いくつかの実施形態では、アライメントインデックスは、検査画像のパッチが基準画像の対応するパッチに対してアライメントされている信頼度を表すことができる。いくつかの実施形態では、検査画像の複数のパッチに対するアライメント評価結果に基づいて、検査画像が基準画像に対して良好にアライメントされているかどうかを評価することができる。いくつかの実施形態では、ステップＳ９２０を繰り返して、アライメント評価結果に従って検査画像の複数のパッチを基準画像に対して再びアライメントすることができる。いくつかの実施形態では、ステップＳ９２１は機械学習ベースのアライメントアルゴリズムであり得る。
【0083】
[0098] ステップＳ９３０で、アライメントモデルを生成する。ステップＳ９３０は、例えばとりわけアライメントモデル生成器４４０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、基準画像に対する複数のパッチ５１１＿１から５１１＿ｎのアライメントに基づき、複数のパッチ５１１＿１から５１１＿ｎに対する局所アライメント結果を生成することができる。本開示の一部の実施形態によれば、局所アライメント結果に基づき、検査画像の歪みを補正するために使用可能なアライメントモデルを生成することができる。本開示の一部の実施形態によれば、可能な限り多くの局所アライメント結果にフィットするアライメントモデルを生成することができる。一部の実施形態によれば、局所アライメント結果とアライメントモデルとの間の非ゼロ距離の総数をカウントするＬ０ノルムを最小化することができるアライメントモデルを、対応する検査画像のアライメントモデルとして決定することができる。いくつかの実施形態では、外れ値は、例えばスナッピング、ハーフピッチシフトなどに起因する欠陥データ又は汚染データだと仮定することができる。いくつかの実施形態では、これらの外れ値はアライメントモデルを推定する際に除外される。
【0084】
[0099] 本開示の一部の実施形態によれば、アライメントモデルの推定はランダムサンプルコンセンサス（ＲＡＮＳＡＣ）に基づいて行うことができる。本開示の一部の実施形態によれば、局所アライメント結果の複数のランダムに選択されたサブセットに対して複数のアライメントアルゴリズムを生成することができる。いくつかの実施形態では、検査画像を補正するためのアライメントアルゴリズムとして、複数のアライメントアルゴリズムの中で最高の性能を示す１つのアライメントアルゴリズムを選択することができる。いくつかの実施形態では、アライメントアルゴリズムの性能は、アライメントアルゴリズムにフィットする局所アライメント結果の数に基づいて決定することができる。本開示ではアライメントモデルを生成するプロセスをアルゴリズム１に関して説明しており、従ってここでは簡潔にするために詳細な説明は省略する。
【0085】
[00100] ステップＳ９４０で、選択されたアライメントモデルに基づいて検査画像の歪みを補正する。ステップＳ９４０は、例えばとりわけ歪み補正器４５０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、選択されたアライメントモデルＦに基づき、検査画像の内値及び外れ値を含む全ての局所アライメント結果に対応する検査画像の全てのパッチを補正することができる。
【0086】
[00101] 図１０は、本開示の実施形態に一致する、アライメント評価モデルをトレーニングするための例示的方法を表すプロセスフローチャートである。方法１０００のステップはコンピューティングデバイス、例えば図１のコントローラ１０９上で、或いはその機能を使用して実行されるシステム（例えば図７Ｂのシステム７００）によって実行され得る。図示の方法１０００は、ステップの順序を修正するために及び追加のステップを含めるために変更できることが理解されよう。
【0087】
[00102] ステップＳ１０１０で、トレーニング検査画像及びトレーニング基準画像の対を取得する。ステップＳ１０１０は、例えばとりわけトレーニング検査画像取得器７１０又はトレーニング基準画像取得器７２０によって実行することができる。トレーニング検査画像は、検査画像パッチであり得る。いくつかの実施形態では、検査画像パッチはサンプル又はウェーハのＳＥＭ画像のパッチである。一部の実施形態によれば、トレーニング基準画像は、トレーニング検査画像と比較される基準画像パッチであり得る。いくつかの実施形態では、基準画像はウェーハ設計のためのレイアウトファイルであり得る。いくつかの実施形態では、トレーニング基準画像がトレーニング目的でトレーニング検査画像に対応してもしなくてもよい。
【0088】
[00103] ステップＳ１０２０で、アライメント評価モデルをトレーニングする。ステップＳ１０２０は、例えばとりわけモデルトレーナ７３０によって実行され得る。本開示の一部の実施形態によれば、アライメント評価モデルは入力として提供される２つの画像のアライメントインデックスを予測するようにトレーニングされる。本開示の一部の実施形態によれば、アライメント評価モデルは教師あり学習下でトレーニングされる。いくつかの実施形態では、トレーニング検査画像及びトレーニング基準画像がアライメントされているかどうかの情報が提供され得る。いくつかの実施形態では、アライメント評価モデルは、２つの画像間のアライメントの程度を表すアライメントインデックスを提供するように構成され得る。トレーニング検査画像及びトレーニング基準画像がアライメントされているかどうかの情報とアライメントインデックスが整合していない場合、アライメント評価モデルのパラメータ、重みなどを調節することができる。トレーニング検査画像及びトレーニング基準画像の更なる対を用いてアライメント評価モデルがトレーニングされるため、アライメント評価モデル７３１が生成するアライメントインデックスの精度は改善され得る。アライメント評価モデルの例示的構成を図８Ｂに関して説明しており、従ってここでは簡潔にするためにその詳細な説明は省略する。
【0089】
[00104] コントローラ（例えば図１のコントローラ１０９）のプロセッサがとりわけ画像検査、画像取得、ステージ位置決め、ビーム集束、電界調節、ビーム曲げ、集光レンズ調節、荷電粒子源の活性化、ビーム偏向、並びに方法９００及び１０００を実行するための指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。非一時的メディアの一般形式は、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ストレージ媒体、コンパクトディスク読み出し専用メモリ（ＣＤ－ＲＯＭ）、任意の他の光学データストレージ媒体、穴のパターンを有する任意の物理的媒体、ランダムアクセスメモリ（ＲＡＭ）、プログラマブルＲＯＭ（ＰＲＯＭ）、及び消去可能プログラマブルＲＯＭ（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、任意の他のメモリチップ又はカートリッジ及びそのネットワーク化バージョンを含む。
【0090】
[00105] 実施形態は以下の条項を用いて更に説明することができる：
１．検査画像の歪みを補正するための方法であって、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、
評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、方法。
２．アライメントモデルを評価することが、
アライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の残余集合の中で決定すること
を含む、条項１に記載の方法。
３．複数のサブセットがランダムに選択される、条項１又は２に記載の方法。
４．基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を更に含む、条項１～３の何れか一項に記載の方法。
５．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項４に記載の方法。
６．検査画像の歪みを補正するための装置であって、
一組の指令を格納するメモリと、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、
評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
７．アライメントモデルを評価する際、少なくとも１つのプロセッサが
アライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の残余集合の中で決定すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項６に記載の装置。
８．複数のサブセットがランダムに選択される、条項６又は７に記載の装置。
９．少なくとも１つのプロセッサが
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項６～８の何れか一項に記載の装置。
１０．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項９に記載の装置。
１１．検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、
評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、非一時的コンピュータ可読媒体。
１２．アライメントモデルを評価する際、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一組の指令が
アライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の残余集合の中で決定すること
をコンピューティングデバイスに更に行わせる、条項１１に記載のコンピュータ可読媒体。
１３．複数のサブセットがランダムに選択される、条項１１又は１２に記載のコンピュータ可読媒体。
１４．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一組の指令が
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
をコンピューティングデバイスに更に行わせる、条項１１～１３の何れか一項に記載のコンピュータ可読媒体。
１５．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項１４に記載のコンピュータ可読媒体。
１６．検査画像の歪みを補正するための方法であって、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、
局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、
評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、方法。
１７．第１のアライメントモデルを評価することが、
第１のアライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の第１の残余集合の中で決定すること
を含む、条項１６に記載の方法。
１８．第１のサブセット及び第２のサブセットがランダムに選択される、条項１６又は１７に記載の方法。
１９．基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を更に含む、条項１６～１８の何れか一項に記載の方法。
２０．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項１９に記載の方法。
２１．検査画像の歪みを補正するための装置であって、
一組の指令を格納するメモリと、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、
局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、
評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
２２．第１のアライメントモデルを評価する際、少なくとも１つのプロセッサが
第１のアライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の第１の残余集合の中で決定すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項２１に記載の装置。
２３．第１のサブセット及び第２のサブセットがランダムに選択される、条項２１又は２２に記載の装置。
２４．少なくとも１つのプロセッサが
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項２１～２３の何れか一項に記載の装置。
２５．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項２４に記載の装置。
２６．検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、
局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、
評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、非一時的コンピュータ可読媒体。
２７．第１のアライメントモデルを評価する際、
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一組の指令が
第１のアライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の第１の残余集合の中で決定すること
をコンピューティングデバイスに更に行わせる、条項２６に記載のコンピュータ可読媒体。
２８．第１のサブセット及び第２のサブセットがランダムに選択される、条項２６又は２７に記載のコンピュータ可読媒体。
２９．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一組の指令が
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
をコンピューティングデバイスに更に行わせる、条項２６～２８の何れか一項に記載のコンピュータ可読媒体。
３０．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項２９に記載のコンピュータ可読媒体。
３１．検査画像の歪みを補正するための方法であって、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果に基づいてアライメントモデルを決定すること、及び
アライメントモデルに基づいて検査画像の歪みを補正すること
を含む、方法。
３２．アライメントの評価に基づいて検査画像の複数のパッチを再びアライメントすること
を更に含む、条項３１に記載の方法。
３３．複数のサブセットがランダムに選択される、条項３１又は３２に記載の方法。
３４．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項３１～３３の何れか一項に記載の方法。
３５．アライメントモデルを決定することが、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、及び
アライメントモデルの評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること
を含む、条項３１～３４の何れか一項に記載の方法。
３６．検査画像の歪みを補正するための装置であって、
一組の指令を格納するメモリと、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果に基づいてアライメントモデルを決定すること、及び
アライメントモデルに基づいて検査画像の歪みを補正すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
３７．少なくとも１つのプロセッサが
アライメントの評価に基づいて検査画像の複数のパッチを再びアライメントすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項３６に記載の装置。
３８．複数のサブセットがランダムに選択される、条項３６又は３７に記載の装置。
３９．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項３６～３８の何れか一項に記載の装置。
４０．アライメントモデルを決定する際、少なくとも１つのプロセッサが
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、及び
アライメントモデルの評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項３６～３９の何れか一項に記載の装置。
４１．検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果に基づいてアライメントモデルを決定すること、及び
アライメントモデルに基づいて検査画像の歪みを補正すること
を含む、非一時的コンピュータ可読媒体。
４２．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一組の指令が
アライメントの評価に基づいて検査画像の複数のパッチを再びアライメントすること
をコンピューティングデバイスに更に行わせる、条項４１に記載のコンピュータ可読媒体。
４３．複数のサブセットがランダムに選択される、条項４１又は４２に記載のコンピュータ可読媒体。
４４．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項４１～４３の何れか一項に記載のコンピュータ可読媒体。
４５．アライメントモデルを決定する際、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一組の指令が
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、及び
アライメントモデルの評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること
をコンピューティングデバイスに更に行わせる、条項４１～４４の何れか一項に記載のコンピュータ可読媒体。
４６．検査画像及び基準画像のアライメントを評価する方法であって、
検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに
複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価すること
を含む、方法。
４７．アライメントを機械学習モデルによって評価することが、
複数のパッチの第１のパッチ及び複数の基準パッチの第１の基準パッチのアライメントを評価すること、及び
第１のパッチが第１の基準パッチとアライメントされている信頼度を表すアライメントインデックスを生成すること
を含む、条項４６に記載の方法。
４８．アライメントを機械学習モデルによって評価することが、
複数のパッチ及び複数の基準パッチの各対のアライメントを評価すること、及び
各対がアライメントされている信頼度を表すアライメントインデックスを各対に対して生成すること
を含む、条項４６に記載の方法。
４９．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項４６～４８の何れか一項に記載の方法。
５０．トレーニング検査画像パッチ及びトレーニング基準画像パッチの対を取得することが
トレーニング検査画像パッチ及びトレーニング基準画像パッチがアライメントされているかどうかの情報を取得すること
を含む、条項４９に記載の方法。
５１．検査画像及び基準画像のアライメントを評価する装置であって、
一組の指令を格納するメモリと、
検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに
複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
５２．アライメントを機械学習モデルによって評価する際、少なくとも１つのプロセッサが
複数のパッチの第１のパッチ及び複数の基準パッチの第１の基準パッチのアライメントを評価すること、及び
第１のパッチが第１の基準パッチとアライメントされている信頼度を表すアライメントインデックスを生成すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５１に記載の装置。
５３．アライメントを機械学習モデルによって評価する際、少なくとも１つのプロセッサが
複数のパッチ及び複数の基準パッチの各対のアライメントを評価すること、及び
各対がアライメントされている信頼度を表すアライメントインデックスを各対に対して生成すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５１に記載の装置。
５４．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５１～５３の何れか一項に記載の装置。
５５．トレーニング検査画像パッチ及びトレーニング基準画像パッチの対を取得する際、少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチがアライメントされているかどうかの情報を取得すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５４に記載の装置。
５６．検査画像及び基準画像のアライメントを評価する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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに
複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価すること
を含む、非一時的コンピュータ可読媒体。
５７．アライメントを機械学習モデルによって評価する際、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一組の指令が
複数のパッチの第１のパッチ及び複数の基準パッチの第１の基準パッチのアライメントを評価すること、及び
第１のパッチが第１の基準パッチとアライメントされている信頼度を表すアライメントインデックスを生成すること
をコンピューティングデバイスに更に行わせる、条項５６に記載のコンピュータ可読媒体。
５８．アライメントを機械学習モデルによって評価する際、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一組の指令が
複数のパッチ及び複数の基準パッチの各対のアライメントを評価すること、及び
各対がアライメントされている信頼度を表すアライメントインデックスを各対に対して生成すること
をコンピューティングデバイスに更に行わせる、条項５６に記載のコンピュータ可読媒体。
５９．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項５６～５８の何れか一項に記載のコンピュータ可読媒体。
６０．トレーニング検査画像パッチ及びトレーニング基準画像パッチの対を取得する際、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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチがアライメントされているかどうかの情報を取得すること
をコンピューティングデバイスに更に行わせる、条項５９に記載のコンピュータ可読媒体。
１．検査画像の歪みを補正するための方法であって、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、
評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、方法。
２．アライメントモデルを評価することが、
アライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の残余集合の中で決定すること
を含む、条項１に記載の方法。
３．複数のサブセットがランダムに選択される、条項１又は２に記載の方法。
４．基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を更に含む、条項１～３の何れか一項に記載の方法。
５．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項４に記載の方法。
６．検査画像の歪みを補正するための装置であって、
一組の指令を格納するメモリと、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、
評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
７．アライメントモデルを評価する際、少なくとも１つのプロセッサが
アライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の残余集合の中で決定すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項６に記載の装置。
８．複数のサブセットがランダムに選択される、条項６又は７に記載の装置。
９．少なくとも１つのプロセッサが
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項６～８の何れか一項に記載の装置。
１０．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項９に記載の装置。
１１．検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、
評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、非一時的コンピュータ可読媒体。
１２．アライメントモデルを評価する際、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一組の指令が
アライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の残余集合の中で決定すること
をコンピューティングデバイスに更に行わせる、条項１１に記載のコンピュータ可読媒体。
１３．複数のサブセットがランダムに選択される、条項１１又は１２に記載のコンピュータ可読媒体。
１４．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一組の指令が
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
をコンピューティングデバイスに更に行わせる、条項１１～１３の何れか一項に記載のコンピュータ可読媒体。
１５．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項１４に記載のコンピュータ可読媒体。
１６．検査画像の歪みを補正するための方法であって、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、
局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、
評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、方法。
１７．第１のアライメントモデルを評価することが、
第１のアライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の第１の残余集合の中で決定すること
を含む、条項１６に記載の方法。
１８．第１のサブセット及び第２のサブセットがランダムに選択される、条項１６又は１７に記載の方法。
１９．基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を更に含む、条項１６～１８の何れか一項に記載の方法。
２０．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項１９に記載の方法。
２１．検査画像の歪みを補正するための装置であって、
一組の指令を格納するメモリと、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、
局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、
評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
２２．第１のアライメントモデルを評価する際、少なくとも１つのプロセッサが
第１のアライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の第１の残余集合の中で決定すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項２１に記載の装置。
２３．第１のサブセット及び第２のサブセットがランダムに選択される、条項２１又は２２に記載の装置。
２４．少なくとも１つのプロセッサが
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項２１～２３の何れか一項に記載の装置。
２５．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項２４に記載の装置。
２６．検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果の第１のサブセットに基づいて第１のアライメントモデルを推定し、局所アライメント結果の第２のサブセットに基づいて第２のアライメントモデルを推定すること、
局所アライメント結果の第１の残余集合に対する第１のアライメントモデルのフィットに基づいて第１のアライメントモデルを評価し、局所アライメント結果の第２の残余集合に対する第２のアライメントモデルのフィットに基づいて第２のアライメントモデルを評価すること、
評価に基づいて第１のアライメントモデル及び第２のアライメントモデルの１つを選択すること、及び
選択されたアライメントモデルに基づいて検査画像の歪みを補正すること
を含む、非一時的コンピュータ可読媒体。
２７．第１のアライメントモデルを評価する際、
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一組の指令が
第１のアライメントモデルにフィットする局所アライメント結果のパーセンテージを局所アライメント結果の第１の残余集合の中で決定すること
をコンピューティングデバイスに更に行わせる、条項２６に記載のコンピュータ可読媒体。
２８．第１のサブセット及び第２のサブセットがランダムに選択される、条項２６又は２７に記載のコンピュータ可読媒体。
２９．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一組の指令が
基準画像に基づいて検査画像の複数のパッチをアライメントすること、及び
複数のパッチの第１のパッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること
をコンピューティングデバイスに更に行わせる、条項２６～２８の何れか一項に記載のコンピュータ可読媒体。
３０．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項２９に記載のコンピュータ可読媒体。
３１．検査画像の歪みを補正するための方法であって、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果に基づいてアライメントモデルを決定すること、及び
アライメントモデルに基づいて検査画像の歪みを補正すること
を含む、方法。
３２．アライメントの評価に基づいて検査画像の複数のパッチを再びアライメントすること
を更に含む、条項３１に記載の方法。
３３．複数のサブセットがランダムに選択される、条項３１又は３２に記載の方法。
３４．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項３１～３３の何れか一項に記載の方法。
３５．アライメントモデルを決定することが、
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、及び
アライメントモデルの評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること
を含む、条項３１～３４の何れか一項に記載の方法。
３６．検査画像の歪みを補正するための装置であって、
一組の指令を格納するメモリと、
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果に基づいてアライメントモデルを決定すること、及び
アライメントモデルに基づいて検査画像の歪みを補正すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
３７．少なくとも１つのプロセッサが
アライメントの評価に基づいて検査画像の複数のパッチを再びアライメントすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項３６に記載の装置。
３８．複数のサブセットがランダムに選択される、条項３６又は３７に記載の装置。
３９．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項３６～３８の何れか一項に記載の装置。
４０．アライメントモデルを決定する際、少なくとも１つのプロセッサが
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、及び
アライメントモデルの評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項３６～３９の何れか一項に記載の装置。
４１．検査画像の歪みを補正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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像を取得すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチをアライメントすること、
複数のパッチの各パッチと基準画像の対応するパッチとの間のアライメントを機械学習モデルによって評価すること、
検査画像に対応する基準画像に基づいて検査画像の複数のパッチの局所アライメント結果を決定すること、
局所アライメント結果に基づいてアライメントモデルを決定すること、及び
アライメントモデルに基づいて検査画像の歪みを補正すること
を含む、非一時的コンピュータ可読媒体。
４２．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一組の指令が
アライメントの評価に基づいて検査画像の複数のパッチを再びアライメントすること
をコンピューティングデバイスに更に行わせる、条項４１に記載のコンピュータ可読媒体。
４３．複数のサブセットがランダムに選択される、条項４１又は４２に記載のコンピュータ可読媒体。
４４．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項４１～４３の何れか一項に記載のコンピュータ可読媒体。
４５．アライメントモデルを決定する際、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一組の指令が
局所アライメント結果の複数のサブセットの各サブセットについて、
局所アライメント結果のサブセットに基づいてアライメントモデルを決定し、
局所アライメント結果の残余集合に対するアライメントモデルのフィットに基づいてアライメントモデルを評価すること、及び
アライメントモデルの評価に基づいて複数のアライメントモデルの中から１つのアライメントモデルを選択すること
をコンピューティングデバイスに更に行わせる、条項４１～４４の何れか一項に記載のコンピュータ可読媒体。
４６．検査画像及び基準画像のアライメントを評価する方法であって、
検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに
複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価すること
を含む、方法。
４７．アライメントを機械学習モデルによって評価することが、
複数のパッチの第１のパッチ及び複数の基準パッチの第１の基準パッチのアライメントを評価すること、及び
第１のパッチが第１の基準パッチとアライメントされている信頼度を表すアライメントインデックスを生成すること
を含む、条項４６に記載の方法。
４８．アライメントを機械学習モデルによって評価することが、
複数のパッチ及び複数の基準パッチの各対のアライメントを評価すること、及び
各対がアライメントされている信頼度を表すアライメントインデックスを各対に対して生成すること
を含む、条項４６に記載の方法。
４９．トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を更に含む、条項４６～４８の何れか一項に記載の方法。
５０．トレーニング検査画像パッチ及びトレーニング基準画像パッチの対を取得することが
トレーニング検査画像パッチ及びトレーニング基準画像パッチがアライメントされているかどうかの情報を取得すること
を含む、条項４９に記載の方法。
５１．検査画像及び基準画像のアライメントを評価する装置であって、
一組の指令を格納するメモリと、
検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに
複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価すること
を装置に行わせるための一組の指令を実行するように構成される少なくとも１つのプロセッサと
を含む、装置。
５２．アライメントを機械学習モデルによって評価する際、少なくとも１つのプロセッサが
複数のパッチの第１のパッチ及び複数の基準パッチの第１の基準パッチのアライメントを評価すること、及び
第１のパッチが第１の基準パッチとアライメントされている信頼度を表すアライメントインデックスを生成すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５１に記載の装置。
５３．アライメントを機械学習モデルによって評価する際、少なくとも１つのプロセッサが
複数のパッチ及び複数の基準パッチの各対のアライメントを評価すること、及び
各対がアライメントされている信頼度を表すアライメントインデックスを各対に対して生成すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５１に記載の装置。
５４．少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５１～５３の何れか一項に記載の装置。
５５．トレーニング検査画像パッチ及びトレーニング基準画像パッチの対を取得する際、少なくとも１つのプロセッサが
トレーニング検査画像パッチ及びトレーニング基準画像パッチがアライメントされているかどうかの情報を取得すること
を装置に更に行わせるための一組の指令を実行するように構成される、条項５４に記載の装置。
５６．検査画像及び基準画像のアライメントを評価する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プロセッサ上によって実行可能な一組の指令を格納する非一時的コンピュータ可読媒体であって、方法は
検査画像の複数のパッチ及び基準画像の複数の基準パッチを取得することであって、複数のパッチは複数の基準パッチに対応する、取得すること、並びに
複数のパッチ及び複数の基準パッチのアライメントを機械学習モデルによって評価すること
を含む、非一時的コンピュータ可読媒体。
５７．アライメントを機械学習モデルによって評価する際、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一組の指令が
複数のパッチの第１のパッチ及び複数の基準パッチの第１の基準パッチのアライメントを評価すること、及び
第１のパッチが第１の基準パッチとアライメントされている信頼度を表すアライメントインデックスを生成すること
をコンピューティングデバイスに更に行わせる、条項５６に記載のコンピュータ可読媒体。
５８．アライメントを機械学習モデルによって評価する際、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一組の指令が
複数のパッチ及び複数の基準パッチの各対のアライメントを評価すること、及び
各対がアライメントされている信頼度を表すアライメントインデックスを各対に対して生成すること
をコンピューティングデバイスに更に行わせる、条項５６に記載のコンピュータ可読媒体。
５９．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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチを取得すること、及び
トレーニング検査画像パッチとトレーニング基準画像パッチとの間のアライメントインデックスを予測するように機械学習モデルをトレーニングすること
をコンピューティングデバイスに更に行わせる、条項５６～５８の何れか一項に記載のコンピュータ可読媒体。
６０．トレーニング検査画像パッチ及びトレーニング基準画像パッチの対を取得する際、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一組の指令が
トレーニング検査画像パッチ及びトレーニング基準画像パッチがアライメントされているかどうかの情報を取得すること
をコンピューティングデバイスに更に行わせる、条項５９に記載のコンピュータ可読媒体。
【0091】
[00106] 図中のブロック図は、本開示の様々な例示的実施形態によるシステム、方法、及びコンピュータハードウェア又はソフトウェア製品の可能な実装のアーキテクチャ、機能、及び動作を示し得る。この点に関して、概略図における各ブロックは、電子回路などのハードウェアを用いて実装され得る一定の算術演算処理又は論理演算処理を表し得る。ブロックは、指定の論理機能を実装するための１つ又は複数の実行可能指令を含むコードのモジュール、セグメント、又は一部を表すこともある。一部の代替的実装形態では、ブロック内に示す機能が図面に示す順序と異なる順序で生じ得ることを理解すべきである。例えば関与する機能にもよるが、連続して示す２つのブロックをほぼ同時に実行又は実装することができ、又は２つのブロックを逆の順序で実行できる場合もある。一部のブロックは省略することもできる。ブロック図の各ブロック及びブロックの組み合わせは、指定の機能又は行為を実行する専用のハードウェアベースのシステムによって、又は専用のハードウェア及びコンピュータ指令の組み合わせによって実装され得ることも理解すべきである。
【0092】
[00107] 本開示の実施形態は、上記で説明し、添付の図面に図示した通りの構成に限定されるものではなく、また、本発明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ることができることを理解されたい。本開示は様々な実施形態に関連して説明されたが、本発明の他の実施形態は本明細書の考察と本明細書において開示された本発明の実行から当業者にとって明白となる。本明細書及び例は例示的にすぎないと考えられ、本発明の真の範囲と精神は以下の特許請求の範囲により指示されるということが意図されている。
【図1】
【図2】
【図3】
【図4】
【図5A】
【図5B】
【図5C】
【図6A】
【図6B】
【図6C】
【図7A】
【図7B】
【図8A】
【図8B】
【図9】
【図10】
【国際調査報告】