Deprecated: The each() function is deprecated. This message will be suppressed on further calls in /home/zhenxiangba/zhenxiangba.com/public_html/phproxy-improved-master/index.php on line 456
JP7179909B2 - 半導体画像のための人工知能識別による測定方法 - Google Patents
[go: Go Back, main page]

JP7179909B2 - 半導体画像のための人工知能識別による測定方法 - Google Patents

半導体画像のための人工知能識別による測定方法 Download PDF

Info

Publication number
JP7179909B2
JP7179909B2 JP2021082048A JP2021082048A JP7179909B2 JP 7179909 B2 JP7179909 B2 JP 7179909B2 JP 2021082048 A JP2021082048 A JP 2021082048A JP 2021082048 A JP2021082048 A JP 2021082048A JP 7179909 B2 JP7179909 B2 JP 7179909B2
Authority
JP
Japan
Prior art keywords
artificial intelligence
semiconductor
original image
image
width
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021082048A
Other languages
English (en)
Other versions
JP2021190699A (ja
Inventor
リウ チー－ルン
チェン ジュン－チン
ハオ フアン バン
チェン チャオ－ウェイ
Original Assignee
エムエススコープス カンパニー，リミテッド
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by エムエススコープス カンパニー，リミテッド filed Critical エムエススコープス カンパニー，リミテッド
Publication of JP2021190699A publication Critical patent/JP2021190699A/ja
Application granted granted Critical
Publication of JP7179909B2 publication Critical patent/JP7179909B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01Q—SCANNING-PROBE TECHNIQUES OR APPARATUS; APPLICATIONS OF SCANNING-PROBE TECHNIQUES, e.g. SCANNING PROBE MICROSCOPY [SPM]
    • G01Q60/00—Particular types of SPM [Scanning Probe Microscopy] or microscopes; Essential components thereof
    • G01Q60/24—AFM [Atomic Force Microscopy] or apparatus therefor, e.g. AFM probes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2255—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident ion beams, e.g. proton beams
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)

Description

本願は、２０２０年６月１日に出願された台湾出願第１０９１１８３０８号の利益を主張し、当該出願の事項は参照により本明細書に組み入れられる。
［発明の背景］
技術分野
本発明は、概して半導体画像のための測定方法に関し、とくに、半導体画像のための人工知能識別による測定方法に関する。
関連技術の説明
集積回路のライン幅が徐々に縮小されるにつれて、直前の製造プロセスステップにおける欠陥における半導体画像をいかにして正確に測定するかは、しばしば次のプロセスステップの生産性に大きな影響を及ぼす。したがって、ＩＣの製造プロセス中で、関連する欠陥を正確に発見することは重要な問題である。このため、高速で正確な測定を提供できる半導体画像のための人工知能識別による測定方法が、半導体業界において強く期待されている。
［発明のサマリー］
本発明の一態様は、
半導体画像のための人工知能（ＡＩ）識別による測定方法を提供することであって、
半導体の原画像を提供するステップと、
人工知能によって前記原画像のタイプおよび／またはカテゴリを識別するステップと、
前記原画像の測定信号を生成するために前記原画像を走査するために、識別された前記タイプおよび／または識別された前記カテゴリに対応する所定の寸法測定モードを導入するステップと、
指定対象物の測定信号および前記原画像の測定信号に基づく演算の後に、前記原画像の具体的物理パラメータを生成するために、前記原画像から前記指定対象物を抽出するステップと、
を備える方法を提供することである。
半導体の前記原画像は、走査電子顕微鏡（ＳＥＭ）、トンネル電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影され提供される、上述の半導体画像のための人工知能識別による測定方法。
前記指定対象物は、前記原画像の、指定される構造、指定される高さ、指定される距離、指定される５０％高さ、最小部、最大部、最も底の部分、または最も頂上の部分である、上述の半導体画像のための人工知能識別による測定方法。
前記具体的物理パラメータは、前記半導体の特定層の、厚さ、幅、平均厚さ、平均幅、厚さの標準偏差、幅の標準偏差、厚さの二乗平均平方根、および、幅の二乗平均平方根からなる群の１つまたはこれらの組み合わせから選択され、および／または、
前記具体的物理パラメータは、前記半導体の指定対象物の、長さ、幅、高さ、ギャップ、角度、および、アーク長からなる群の１つまたはこれらの組み合わせから選択される、
上述の半導体画像のための人工知能識別による測定方法。
前記測定信号の前記演算は、強度差演算、積分差演算または微分差演算によって進められる、上述の半導体画像のための人工知能識別による測定方法。
人工知能によって前記原画像のタイプおよび／またはカテゴリを識別する前記ステップは、ニューラルネットワークモジュールによって進められる、上述の半導体画像のための人工知能識別による測定方法。
前記ニューラルネットワークモジュールは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュールである、請求項１に記載の半導体画像のための人工知能識別による測定方法。
本発明の別の態様は、半導体画像のための人工知能（ＡＩ）識別による別の測定方法を提供することであって、
半導体の原画像を提供するステップと、
最適画像を生成するために前記原画像を最適化するステップと、
人工知能によって前記最適画像のタイプおよび／またはカテゴリを識別するステップと、
前記最適画像の測定信号を生成するために前記最適画像を走査するために、識別された前記タイプおよび／または識別された前記カテゴリに対応する所定の寸法測定モードを導入するステップと、
指定対象物の測定信号および前記最適画像の測定信号に基づく演算の後に、具体的物理パラメータを生成するために、前記最適画像から前記指定対象物を抽出するステップと、
を備える方法を提供することである。
半導体の前記原画像は、走査電子顕微鏡（ＳＥＭ）、トンネル電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影され提供される、上述の半導体画像のための人工知能識別による別の測定方法。
最適画像を生成するために前記原画像を最適化する前記ステップは、前記原画像の、明るさ、および／またはコントラスト、および／またはシャープネス、および／または色飽和度、および／またはガンマ補正、および／またはグレースケール、および／または色相、および／または色差分、および／または色温度、および／またはフォーカス、および／または解像度、および／またはノイズ、および／またはエッジ平坦化を最適化する、上述の半導体画像のための人工知能識別による別の測定方法。
前記指定対象物は、前記最適画像の、指定される構造、指定される高さ、指定される距離、指定される５０％高さ、最小部、最大部、最も底の部分、または最も頂上の部分である、上述の半導体画像のための人工知能識別による別の測定方法。
前記具体的物理パラメータは、前記半導体の特定層の、厚さ、幅、平均厚さ、平均幅、厚さの標準偏差、幅の標準偏差、厚さの二乗平均平方根、および、幅の二乗平均平方根からなる群の１つまたはこれらの組み合わせから選択され、および／または、
前記具体的物理パラメータは、前記半導体の指定対象物の、長さ、幅、高さ、ギャップ、角度、および、アーク長からなる群の１つまたはこれらの組み合わせから選択される、
上述の半導体画像のための人工知能識別による別の測定方法。
前記測定信号の前記演算は、強度差演算、積分差演算または微分差演算によって進められる、上述の半導体画像のための人工知能識別による別の測定方法。
人工知能によって前記原画像のタイプおよび／またはカテゴリを識別する前記ステップは、ニューラルネットワークモジュールによって進められる、上述の半導体画像のための人工知能識別による別の測定方法。
前記ニューラルネットワークモジュールは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュールである、上述の半導体画像のための人工知能識別による別の測定方法。
本発明の一実施形態による半導体画像のための人工知能識別による測定方法を示すフローチャートである。 本発明の別の実施形態による半導体画像のための人工知能識別による測定方法を示すフローチャートである。 本発明の一実施形態による半導体画像のための人工知能識別による測定方法によって測定されたフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の断面図である。 本発明の一実施形態による半導体画像のための人工知能識別による測定方法によって測定された、別のフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の断面図である。 本発明の一実施形態による半導体画像のための人工知能識別による測定方法によって測定された、フィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の上面図である。 図３から抽出された指定対象物を示す原ＴＥＭ画像の部分拡大断面図である。 図６Ａに示す、図３から抽出された指定対象物に対応する測定信号の強度分布である。 本発明の別の実施形態による半導体画像のための人工知能識別による別の測定方法によって測定された別のフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の断面図である。 図７Ａに示す原画像の最適画像である。 本発明の別の実施形態による半導体画像のための人工知能識別による別の測定方法によって測定された別のフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の上面図である。 図８Ａに示す原画像の最適画像である。
添付図面に関連して以下に提供される詳細な説明は、本例の説明として意図されるが、本例が構成または利用される限定的な形態を代表するようには意図されない。本説明は、本例の機能および本例を構成し動作させるためのステップの系列を明らかにする。しかしながら、同じまたは等価の機能および系列が、様々な例によって実現可能である。
以下の説明では、読者が以下の例を十分に理解できるように、いくつかの具体的な詳細が説明される。しかしながら、本発明の実施形態は、そのような具体的な詳細なしでも実施可能である。他の場合において、図面を簡素化するために、ただ既知の装置の構造が各図に概略的に図示される。
［実施形態］
［実施形態１］
図１を参照すると、図１は、本発明の実施形態１による半導体画像のための人工知能識別による測定方法を示すフローチャートを図示する。図１に示すフローチャートのように、本発明による実施形態１は、
半導体画像のための人工知能識別による測定方法であって、
半導体の原画像を提供するステップと、
人工知能によって前記原画像のタイプおよび／またはカテゴリを識別するステップと、
前記原画像の測定信号を生成するために前記原画像を走査するために、識別された前記タイプおよび／または識別された前記カテゴリに対応する所定の寸法測定モードを導入するステップと、
指定対象物の測定信号および前記原画像の測定信号に基づく演算の後に、前記原画像の具体的物理パラメータを生成するために、前記原画像から前記指定対象物を抽出するステップと、
を備える方法を提供する。
半導体の前記原画像は、走査電子顕微鏡（ＳＥＭ）、トンネル電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影され提供される、上述の半導体画像のための人工知能識別による測定方法。
前記指定対象物は、前記原画像の、指定される構造、指定される高さ、指定される距離、指定される５０％高さ、最小部、最大部、最も底の部分、または最も頂上の部分である、上述の半導体画像のための人工知能識別による測定方法。
前記具体的物理パラメータは、前記半導体の特定層の、厚さ、幅、平均厚さ、平均幅、厚さの標準偏差、幅の標準偏差、厚さの二乗平均平方根、および、幅の二乗平均平方根からなる群の１つまたはこれらの組み合わせから選択され、および／または、
前記具体的物理パラメータは、前記半導体の指定対象物の、長さ、幅、高さ、ギャップ、角度、および、アーク長からなる群の１つまたはこれらの組み合わせから選択される、
上述の半導体画像のための人工知能識別による測定方法。
人工知能によって前記原画像のタイプおよび／またはカテゴリを識別する前記ステップは、ニューラルネットワークモジュールによって進められる、上述の半導体画像のための人工知能識別による測定方法。
前記ニューラルネットワークモジュールは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュールである、上述の半導体画像のための人工知能識別による測定方法。
実施形態１の例示的説明では、フィン電界効果トランジスタ（ＦｉｎＦＥＴ）が用いられたが、他の半導体も、本発明による実施形態１に開示される半導体画像のための人工知能識別による測定方法によって測定することができる。
まず、図３または４に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の断面図および図５に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の上面図を提供するために、電子顕微鏡（ＴＥＭ）によってフィン電界効果トランジスタ（ＦｉｎＦＥＴ）が写真撮影された。代替的に、フィン電界効果トランジスタ（ＦｉｎＦＥＴ）は、走査電子顕微鏡（ＳＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影されてもよい。
次に、人工知能によって、原画像のタイプおよび／またはカテゴリが識別された。上述のように、人工知能によって原画像のタイプおよび／またはカテゴリを識別するステップは、ニューラルネットワークモジュール（限定でなく例として、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュール）によって進められた。代替的に、人工知能によって原画像のタイプおよび／またはカテゴリを識別するステップは、本発明による他の実施形態では非ニューラルネットワークモジュールによって進めることもできる。図３または４に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の断面図は、人工知能によってフィン電界効果トランジスタ（ＦｉｎＦＥＴ）のＴＥＭ画像の断面図として識別された。図５に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の上面図は、人工知能によってフィン電界効果トランジスタ（ＦｉｎＦＥＴ）のＴＥＭ画像の上面図として識別された。
次に、原画像の測定信号を生成するために、識別されたタイプおよび／または識別されたカテゴリに対応する所定の寸法測定モードによって原画像が走査された。原画像の測定信号を生成するために、フィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の識別された断面図に対応する所定の寸法測定モードによって、図３または４に示す原画像が走査された。原画像の測定信号を生成するために、フィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の識別された上面図に対応する所定の寸法測定モードによって、図５に示す原画像が走査された。
最後に、図３、４または５に示す原画像から指定対象物が抽出され、図３、４または５に示す指定対象物の測定信号および原画像の測定信号に基づいてその後演算することにより、図３、４または５に示す原画像の具体的物理パラメータが生成された。図６Ａおよび６Ｂは例示的説明として採用され、図６Ａは、図３から抽出された指定対象物を示す原ＴＥＭ画像の部分拡大断面図であり、図６Ｂは、図６Ａに示す、図３から抽出された指定対象物に対応する測定信号の強度分布である。図６Ａに示すように、図３に示す原画像から抽出された指定対象物は、図６Ａに示す黒い境界で囲まれた領域であり、図６Ａに示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の部分拡大図において隣接する２つのフィン構造の間のギャップは、限定でなく例として、図６Ａに示す指定対象物の測定信号および図３に示す原画像の測定信号に基づき、強度差演算、積分差演算、または微分差演算によって生成可能である。同様に、図６Ａに示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の部分拡大図の他の具体的物理パラメータもまた、この種類の演算によって取得可能である。
上述のように、図３または図４に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の高さ、幅およびギャップは、図３または図４に示す原画像から指定対象物（限定でなく例としてフィン構造）を抽出し、その後、図３または図４に示す原画像のフィン構造の測定信号および図３または図４に示す原画像の測定信号に基づいて演算することによって取得された。図３または図４に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像のフィン構造の高さ、幅およびギャップを表１に示す。
Figure 0007179909000001
上述のように、図５に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の上面図のセルの高さおよび幅は、図５に示す原画像から指定対象物（限定でなく例としてセル）を抽出し、その後、図５に示す原画像のセルの測定信号および図５に示す原画像の測定信号に基づいて演算することによって取得された。図５に示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像のセルの高さおよび幅を表２に示す。
Figure 0007179909000002
［実施形態２］
実施形態２は、半導体画像のための人工知能識別による別の測定方法を提供する。実施形態１において提供された半導体画像のための人工知能識別による測定方法と、実施形態２において提供される半導体画像のための人工知能識別による測定方法との主な相違は、実施形態２において提供される方法が、さらに、最適画像を生成するために原画像を最適化するステップを備えるということである。したがって、画像の質が低い原画像を、後続の寸法測定の精度を向上させるために前もって最適化することができる。
図２を参照すると、図２は、本発明の実施形態２による半導体画像のための人工知能識別による測定方法を示す別のフローチャートを図示する。図２に示すフローチャートのように、本発明の実施形態２は、
半導体画像のための人工知能識別による別の測定方法であって、
半導体の原画像を提供するステップと、
最適画像を生成するために前記原画像を最適化するステップと、
人工知能によって前記最適画像のタイプおよび／またはカテゴリを識別するステップと、
前記最適画像の測定信号を生成するために前記最適画像を走査するために、識別された前記タイプおよび／または識別された前記カテゴリに対応する所定の寸法測定モードを導入するステップと、
指定対象物の測定信号および前記最適画像の測定信号に基づく演算の後に、前記最適画像の具体的物理パラメータを生成するために、前記最適画像から前記指定対象物を抽出するステップと、
を備える方法を提供する。
半導体の前記原画像は、走査電子顕微鏡（ＳＥＭ）、トンネル電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影され提供される、上述の半導体画像のための人工知能識別による別の測定方法。
前記最適画像を生成するために前記原画像を最適化する前記ステップは、前記原画像の、明るさ、および／またはコントラスト、および／またはシャープネス、および／または色飽和度、および／またはガンマ補正、および／またはグレースケール、および／または色相、および／または色差分、および／または色温度、および／またはフォーカス、および／または解像度、および／またはノイズ、および／またはエッジ平坦化を最適化する、上述の半導体画像のための人工知能識別による別の測定方法。
前記指定対象物は、前記原画像の、指定される構造、指定される高さ、指定される距離、指定される５０％高さ、最小部、最大部、最も底の部分、または最も頂上の部分である、上述の半導体画像のための人工知能識別による別の測定方法。
前記具体的物理パラメータは、前記半導体の特定層の、厚さ、幅、平均厚さ、平均幅、厚さの標準偏差、幅の標準偏差、厚さの二乗平均平方根、および、幅の二乗平均平方根からなる群の１つまたはこれらの組み合わせから選択され、および／または、
前記具体的物理パラメータは、前記半導体の指定対象物の、長さ、幅、高さ、ギャップ、角度、および、アーク長からなる群の１つまたはこれらの組み合わせから選択される、
上述の半導体画像のための人工知能識別による別の測定方法。
人工知能によって前記原画像のタイプおよび／またはカテゴリを識別する前記ステップは、ニューラルネットワークモジュールによって進められる、上述の半導体画像のための人工知能識別による別の測定方法。
前記ニューラルネットワークモジュールは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュールである、上述の半導体画像のための人工知能識別による別の測定方法。
実施形態２の例示的説明では、例としてフィン電界効果トランジスタ（ＦｉｎＦＥＴ）が用いられるが、他の半導体も、本発明による実施形態２に開示される半導体画像のための人工知能識別による測定方法によって測定することができる。
まず、図７Ａに示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の断面図および図８Ａに示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の上面図を提供するために、電子顕微鏡（ＴＥＭ）によってフィン電界効果トランジスタ（ＦｉｎＦＥＴ）が写真撮影された。代替的に、フィン電界効果トランジスタ（ＦｉｎＦＥＴ）は、走査電子顕微鏡（ＳＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影されてもよい。図７Ａおよび図８Ａに示すように、図７Ａに示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の断面図および図８Ａに示すフィン電界効果トランジスタ（ＦｉｎＦＥＴ）の原ＴＥＭ画像の上面図の画像の質は低く、これが後続の寸法測定の精度に影響を与える可能性がある。したがって、本発明による実施形態２の半導体画像のための人工知能識別による測定方法は、後続の寸法測定の精度を向上させるために、さらに、図７Ｂまたは図８Ｂに示す最適画像を生成するために、予め図７Ａまたは図８Ａに示す原画像を最適化するステップを備える。上述のように、最適画像を生成するために原画像を最適化するステップは、原画像の、明るさ、および／またはコントラスト、および／またはシャープネス、および／または色飽和度、および／またはガンマ補正、および／またはグレースケール、および／または色相、および／または色差分、および／または色温度、および／またはフォーカス、および／または解像度、および／またはノイズ、および／またはエッジ平坦化を最適化する。
次に、人工知能によって、図７Ｂまたは図８Ｂに示す最適画像のタイプおよび／またはカテゴリが識別される。上述のように、人工知能によって図７Ｂまたは図８Ｂに示す最適画像のタイプおよび／またはカテゴリを識別するステップは、ニューラルネットワークモジュール（限定でなく例として、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュール）によって進められる。代替的に、人工知能によって図７Ｂまたは図８Ｂに示す最適画像のタイプおよび／またはカテゴリを識別するステップは、非ニューラルネットワークモジュールによって進められてもよい。
次に、図７Ｂまたは図８Ｂに示す最適画像の測定信号を生成するために、識別されたタイプおよび／または識別されたカテゴリに対応する所定の寸法測定モードによって、図７Ｂまたは図８Ｂに示す最適画像が走査された。
最後に、図７Ｂまたは図８Ｂに示す最適画像の、フィン構造の高さ、幅およびギャップ、および／または、セルの高さ、幅およびギャップが、図７Ｂまたは図８Ｂに示す最適画像から指定対象物を抽出し、その後、限定でなく例として、図７Ｂまたは図８Ｂに示す最適画像の指定対象物の測定信号および図７Ｂまたは図８Ｂに示す最適画像の測定信号に基づき、強度差演算、積分差演算、または微分差演算によって演算することにより、取得された。
まとめると、本発明による半導体画像のための人工知能識別による測定方法は、様々なタイプまたはカテゴリに属する半導体の寸法を迅速かつ正確に測定するために、識別されたタイプおよび／または識別されたカテゴリに対応する所定の寸法測定モードを導入するための人工知能によって、原画像のタイプおよび／またはカテゴリを識別することによって物理解析のためのサンプルを準備する従来の方法によって被る不利益を改善することができる。
具体的な実施形態を図示し説明したが、上記の検討は本発明をこれらの実施形態に限定することを意図しないということが理解されるべきである。当業者は、添付の特許請求の範囲によって文言上および等価的にカバーされる本発明の範囲を逸脱することなく、様々な変更および修正を加えることができるということを理解する。

Claims (15)

  1. 半導体画像のための人工知能識別による測定方法であって、
    半導体の原画像を提供するステップと、
    人工知能によって前記原画像のタイプおよび／またはカテゴリを識別するステップと、 前記原画像の測定信号を生成するために前記原画像を走査するために、識別された前記タイプおよび／または識別された前記カテゴリに対応する所定の寸法測定モードを導入するステップと、
    指定対象物の測定信号および前記原画像の測定信号に基づく演算の後に、前記原画像の具体的物理パラメータを生成するために、前記原画像から前記指定対象物を抽出するステップと、
    を備える方法。
  2. 半導体の前記原画像は、走査電子顕微鏡（ＳＥＭ）、トンネル電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影され提供される、請求項１に記載の半導体画像のための人工知能識別による測定方法。
  3. 前記指定対象物は、前記原画像の、指定される構造、指定される高さ、指定される距離、指定される５０％高さ、最小部、最大部、最も底の部分、または最も頂上の部分である、請求項１に記載の半導体画像のための人工知能識別による測定方法。
  4. 前記具体的物理パラメータは、前記半導体の特定層の、厚さ、幅、平均厚さ、平均幅、厚さの標準偏差、幅の標準偏差、厚さの二乗平均平方根、および、幅の二乗平均平方根からなる群の１つまたはこれらの組み合わせから選択され、および／または、
    前記具体的物理パラメータは、前記半導体の指定対象物の、長さ、幅、高さ、ギャップ、角度、および、アーク長からなる群の１つまたはこれらの組み合わせから選択される、請求項１に記載の半導体画像のための人工知能識別による測定方法。
  5. 前記測定信号の前記演算は、強度差演算、積分差演算または微分差演算によって進められる、請求項１に記載の半導体画像のための人工知能識別による測定方法。
  6. 人工知能によって前記原画像のタイプおよび／またはカテゴリを識別する前記ステップは、ニューラルネットワークモジュールによって進められる、請求項１に記載の半導体画像のための人工知能識別による測定方法。
  7. 前記ニューラルネットワークモジュールは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュールである、請求項６に記載の半導体画像のための人工知能識別による測定方法。
  8. 半導体画像のための人工知能識別による測定方法であって、
    半導体の原画像を提供するステップと、
    最適画像を生成するために前記原画像を最適化するステップと、
    人工知能によって前記最適画像のタイプおよび／またはカテゴリを識別するステップと、
    前記最適画像の測定信号を生成するために前記最適画像を走査するために、識別された前記タイプおよび／または識別された前記カテゴリに対応する所定の寸法測定モードを導入するステップと、
    指定対象物の測定信号および前記最適画像の測定信号に基づく演算の後に、具体的物理パラメータを生成するために、前記最適画像から前記指定対象物を抽出するステップと、を備える方法。
  9. 半導体の前記原画像は、走査電子顕微鏡（ＳＥＭ）、トンネル電子顕微鏡（ＴＥＭ）、原子間力顕微鏡（ＡＦＭ）、集束イオンビーム（ＦＩＢ）またはＸ線回折計（Ｘ－ｒａｙ）によって写真撮影され提供される、請求項８に記載の半導体画像のための人工知能識別による測定方法。
  10. 前記最適画像を生成するために前記原画像を最適化する前記ステップは、前記原画像の、明るさ、および／またはコントラスト、および／またはシャープネス、および／または色飽和度、および／またはガンマ補正、および／またはグレースケール、および／または色相、および／または色差分、および／または色温度、および／またはフォーカス、および／または解像度、および／またはノイズ、および／またはエッジ平坦化を最適化する、請求項８に記載の半導体画像のための人工知能識別による測定方法。
  11. 前記指定対象物は、前記最適画像の、指定される構造、指定される高さ、指定される距離、指定される５０％高さ、最小部、最大部、最も底の部分、または最も頂上の部分である、請求項８に記載の半導体画像のための人工知能識別による測定方法。
  12. 前記具体的物理パラメータは、前記半導体の特定層の、厚さ、幅、平均厚さ、平均幅、厚さの標準偏差、幅の標準偏差、厚さの二乗平均平方根、および、幅の二乗平均平方根からなる群の１つまたはこれらの組み合わせから選択され、および／または、
    前記具体的物理パラメータは、前記半導体の指定対象物の、長さ、幅、高さ、ギャップ、角度、および、アーク長からなる群の１つまたはこれらの組み合わせから選択される、請求項８に記載の半導体画像のための人工知能識別による測定方法。
  13. 前記測定信号の前記演算は、強度差演算、積分差演算または微分差演算によって進められる、請求項８に記載の半導体画像のための人工知能識別による測定方法。
  14. 人工知能によって前記最適画像のタイプおよび／またはカテゴリを識別する前記ステップは、ニューラルネットワークモジュールによって進められる、請求項８に記載の半導体画像のための人工知能識別による測定方法。
  15. 前記ニューラルネットワークモジュールは、畳み込みニューラルネットワーク（ＣＮＮ）モジュールまたはリカレントニューラルネットワーク（ＲＮＮ）モジュールである、請求項１４に記載の半導体画像のための人工知能識別による測定方法。
JP2021082048A 2020-06-01 2021-05-14 半導体画像のための人工知能識別による測定方法 Active JP7179909B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW109118308 2020-06-01
TW109118308A TWI777173B (zh) 2020-06-01 2020-06-01 人工智慧辨識之半導體影像量測方法

Publications (2)

Publication Number Publication Date
JP2021190699A JP2021190699A (ja) 2021-12-13
JP7179909B2 true JP7179909B2 (ja) 2022-11-29

Family

ID=78705103

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021082048A Active JP7179909B2 (ja) 2020-06-01 2021-05-14 半導体画像のための人工知能識別による測定方法

Country Status (4)

Country Link
US (1) US11468556B2 (ja)
JP (1) JP7179909B2 (ja)
CN (1) CN113759148B (ja)
TW (1) TWI777173B (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4339624A1 (en) * 2022-09-15 2024-03-20 Infinitesima Limited Image data segmentation
US12548734B2 (en) * 2022-12-22 2026-02-10 Applied Materials Israel Ltd. In-line depth measurements by AFM

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009076863A (ja) 2007-08-27 2009-04-09 Renesas Technology Corp 半導体装置の製造方法
WO2012098615A1 (ja) 2011-01-19 2012-07-26 株式会社日立ハイテクノロジーズ 画像分類方法および画像分類装置
JP2012242119A (ja) 2011-05-16 2012-12-10 Fujitsu Semiconductor Ltd パターン寸法測定方法及びパターン寸法測定装置
JP2019124591A (ja) 2018-01-17 2019-07-25 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
US20190287230A1 (en) 2018-03-19 2019-09-19 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
US20200143099A1 (en) 2018-08-17 2020-05-07 Taiwan Semiconductor Manufacturing Co., Ltd. Wafer-to-design image analysis (wdia) system

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3788279B2 (ja) * 2001-07-09 2006-06-21 株式会社日立製作所 パターン検査方法及び装置
KR100567622B1 (ko) * 2003-12-29 2006-04-04 삼성전자주식회사 반도체 소자의 패턴 선폭 측정 방법 및 장치
US9418413B1 (en) * 2009-07-06 2016-08-16 Camtek Ltd. System and a method for automatic recipe validation and selection
JP5809997B2 (ja) * 2012-02-14 2015-11-11 株式会社日立ハイテクノロジーズ 半導体計測装置及びコンピュータープログラム
US10115040B2 (en) * 2016-09-14 2018-10-30 Kla-Tencor Corporation Convolutional neural network-based mode selection and defect classification for image fusion
TWM550465U (zh) * 2017-06-30 2017-10-11 中華大學 半導體晶圓檢測系統
TWI716684B (zh) * 2018-05-09 2021-01-21 華邦電子股份有限公司 臨界尺寸量測方法及用於量測臨界尺寸的影像處理裝置
CN110553581B (zh) * 2018-06-01 2022-01-14 华邦电子股份有限公司 临界尺寸量测方法及用于量测临界尺寸的图像处理装置
KR102631031B1 (ko) * 2018-07-27 2024-01-29 삼성전자주식회사 반도체 장치의 불량 검출 방법
CN109357630B (zh) * 2018-10-30 2019-10-18 南京工业大学 一种多类型工件批量视觉测量系统及方法
US11569056B2 (en) * 2018-11-16 2023-01-31 Fei Company Parameter estimation for metrology of features in an image
CN109682298A (zh) * 2019-01-14 2019-04-26 明灏科技（北京）有限公司 一种基于计算机视觉的测量装置及方法
CN110414492A (zh) * 2019-08-29 2019-11-05 广东工业大学 一种晶体材料图像识别方法及装置
CN110910445B (zh) * 2019-11-26 2023-08-04 深圳市丰巢科技有限公司 一种物件尺寸检测方法、装置、检测设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009076863A (ja) 2007-08-27 2009-04-09 Renesas Technology Corp 半導体装置の製造方法
WO2012098615A1 (ja) 2011-01-19 2012-07-26 株式会社日立ハイテクノロジーズ 画像分類方法および画像分類装置
JP2012242119A (ja) 2011-05-16 2012-12-10 Fujitsu Semiconductor Ltd パターン寸法測定方法及びパターン寸法測定装置
JP2019124591A (ja) 2018-01-17 2019-07-25 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体
US20190287230A1 (en) 2018-03-19 2019-09-19 Kla-Tencor Corporation Semi-supervised anomaly detection in scanning electron microscope images
US20200143099A1 (en) 2018-08-17 2020-05-07 Taiwan Semiconductor Manufacturing Co., Ltd. Wafer-to-design image analysis (wdia) system

Also Published As

Publication number Publication date
TW202147244A (zh) 2021-12-16
US20210374927A1 (en) 2021-12-02
CN113759148B (zh) 2024-04-16
JP2021190699A (ja) 2021-12-13
US11468556B2 (en) 2022-10-11
CN113759148A (zh) 2021-12-07
TWI777173B (zh) 2022-09-11

Similar Documents

Publication Publication Date Title
US7817860B2 (en) Method and apparatus for measuring dimension using electron microscope
US8338804B2 (en) Sample dimension inspecting/measuring method and sample dimension inspecting/measuring apparatus
JP5202071B2 (ja) 荷電粒子顕微鏡装置及びそれを用いた画像処理方法
KR101764658B1 (ko) 결함 해석 지원 장치, 결함 해석 지원 장치에 의해 실행되는 프로그램 및 결함 해석 시스템
TWI861845B (zh) 圖像處理程式、圖像處理裝置及圖像處理方法
JP6043735B2 (ja) 画像評価装置及びパターン形状評価装置
JP5400882B2 (ja) 半導体検査装置及びそれを用いた半導体検査方法
JP7179909B2 (ja) 半導体画像のための人工知能識別による測定方法
JP2020051771A (ja) パターン形状評価装置、パターン形状評価システム及びパターン形状評価方法
JP2005285898A (ja) パターン画像判定方法及びその方法を用いたパターン画像判定装置
TWI652446B (zh) 圖像解析裝置及荷電粒子束裝置
JP5034570B2 (ja) 走査型電子顕微鏡装置の評価方法及び評価装置
US11455715B2 (en) Epitaxy metrology in fin field effect transistors
JP4604582B2 (ja) パターン画像計測方法
CN114577151A (zh) 厚度测量方法及装置
TWI848804B (zh) 尺寸計測系統、推測系統以及尺寸計測方法
TWI717980B (zh) 顯微試片製備方法、裝置及記錄媒體
TW202518383A (zh) 用於半導體取樣的基於機器學習的計量
WO2025141839A1 (ja) コンピュータシステム、荷電粒子ビーム装置および学習モデルのトレーニング方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210514

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220427

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220524

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220623

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20221018

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221116

R150 Certificate of patent or registration of utility model

Ref document number: 7179909

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250