JP2018137275A - 試料観察装置および試料観察方法 - Google Patents

Abstract

【課題】試料観察装置において、試料観察のため画像を撮像するための時間を短縮してスループット向上させることと試料の高品質な画像を得ることとを両立させる。【解決手段】試料観察装置を、移動可能なテーブルに載置した試料に荷電粒子線を照射し走査して試料を撮像する荷電粒子顕微鏡と、荷電粒子顕微鏡で試料を撮像する撮像条件を変えて取得した試料の同一箇所の画質が悪い劣化画像と画質が良い高画質画像とを記憶する画像記憶部と、画像記憶部に記憶した劣化画像と高画質画像とを用いて劣化画像から高画質画像を推定するための推定処理パラメータを求める演算部と、荷電粒子顕微鏡で試料の所望の箇所を撮像して得られた試料の所望の箇所の劣化画像を演算部で求めた推定処理パラメータを用いて処理して所望の領域の高画質画像を推定する高画質画像推定部と、高画質画像推定部で推定した推定高画質画像を出力する出力部とを備えて構成した。【選択図】 図３

Description

本発明は荷電粒子顕微鏡などを用いて、試料である半導体ウェハ上に形成された回路パターンや欠陥を観察する、試料観察装置および試料観察方法に関するものである。

半導体ウェハの製造では、製造プロセスを迅速に立ち上げ、高歩留まりの量産体制に早期に移行させることが、収益確保のため重要である。この目的のため、製造ラインには各種の検査装置や試料上の欠陥を観察する装置、計測装置が導入されている。

試料上の欠陥を観察する装置とは、検査装置が出力した欠陥位置座標（試料（ウェハ）上の欠陥の位置を示した座標情報）をもとに、ウェハ上の欠陥位置を高解像度に撮像し、画像を出力する装置であり、走査型電子顕微鏡（ＳＥＭ：Ｓｃａｎｎｉｎｇ Ｅｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）を用いた欠陥観察装置(以下、レビューＳＥＭと記載)が広く使われている。

半導体の量産ラインでは観察作業の自動化が望まれており、レビューＳＥＭは試料内の欠陥位置における画像を自動収集する欠陥画像自動収集処理（ＡＤＲ：Ａｕｔｏｍａｔｉｃ Ｄｅｆｅｃｔ Ｒｅｖｉｅｗ）を行う機能と、収集した欠陥画像を自動で分類する欠陥画像自動分類処理（ＡＤＣ：Ａｕｔｏｍａｔｉｃ Ｄｅｆｅｃｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）を行う機能とを搭載している。

なお、検査装置が出力した欠陥位置座標には誤差が含まれているため、ＡＤＲでは検査装置が出力した欠陥位置座標を中心に視野を広くして撮像した画像から、欠陥を再検出し、再検出した欠陥位置を高倍率で撮像し観察用画像を得る機能を備えている。ＳＥＭ画像からの欠陥検出方法として、欠陥部位と同一の回路パターンが形成されている領域を撮像した画像を参照画像とし、欠陥部位を撮像した画像と参照画像を比較することで欠陥を検出する方法が特開２００１−１８９３５８号公報（特許文献１）に記載されている。
また、欠陥部位を撮像した画像１枚から欠陥を検出する方法が特開２００７−４０９１０号公報（特許文献２）に記載されている。

また、低解像画像と高解像画像のペアで構成される学習用画像をパッチと呼ばれる小領域に分割し、その対応関係に基づいて辞書を作成し、入力された低解像パッチに類似する低解像パッチを辞書から抽出し、この抽出された低解像パッチに対応する高解像パッチを辞書から抽出して入力された低解像パッチに対応する高解像パッチを推定することにより高解像画像を生成する方法が、特開２０１５−１２９９８７号公報（特許文献３）に記載されている。

また、特開２０１１−３４３４２号公報（特許文献４）には、低解像情報と高解像情報の射影関係を学習し、復元ステップでは低解像情報を高解像情報に射影する方法が開示されている。また、非特許文献１には畳み込みニューラルネットワークを用いた方法が開示されている。

特開２００１−１８９３５８号公報 特開２００７−４０９１０号公報 特開２０１５−１２９９８７号公報 特開２０１１−３４３４２号公報

Dong、 Chao、 et al. "Image super-resolution using deep convolutional networks." arXiv preprint arXiv:1501.00092 (2014).

本発明に係る試料上の欠陥を観察する装置（以下、試料観察装置と記す）は、半導体ウェハなどの試料を撮像し、画像を取得して、その画像を観察する装置に関するものである。

試料観察装置においては、欠陥や回路パターンなどの視認性が高い、高画質な画像を撮像、出力することが重要である。また、同時に単位時間あたりにより多くの画像を取得する（スループット高く動作する）ことが重要である。

しかし、一般的にスループットと画質にはトレードオフが生じる。つまり、試料観察装置に用いられるＳＥＭなどの荷電粒子顕微鏡においては、画像のＳＮＲ（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ）を向上させるためには、一画素あたりの荷電粒子の照射量（ドーズ量）を上げることが有効である。即ち、画像のＳＮＲを向上させるためには、荷電粒子を試料表面に照射しながら走査するスキャンスピードを下げ、加算フレーム数を多くすることが効果的である。

しかし、その分、画像取得時間が増加し、多数の箇所を順次観察する場合のスループット低下につながる。また、荷電粒子ビームのフォーカス高さが試料表面に一致していない場合には画像にぼやけが生じるため、フォーカス高さの自動調整（オートフォーカス）が必要であるが、このオートフォーカスを実行するには、時間を要する。

また、荷電粒子顕微鏡などの撮像装置は視野が狭いため、半導体ウェハなどの試料はＸＹステージに搭載され、所望の撮像位置が撮像視野内に含まれるようにステージが制御される。スループットを向上させるには、ステージを高速に移動させることが効果的である。しかし、高速に作動させたステージに対して停止する様に制御を掛けた後、完全にステージが停止するまでには時間を要する。

このため、移動しているステージが停止制御信号を受けて停止した後に撮像を開始するまでには、ステージが完全に停止するまでの待ち時間を設定する必要がある。走査型の荷電粒子顕微鏡において、ステージが停止する前に荷電粒子ビームの走査（スキャン）を開始した場合には、撮像して得られた画像の面内において像揺れや歪みが生じ、例えば本来直線的な構造物が湾曲して撮像されてしまう。

以上をまとめると、加算フレーム数を少なくし、フォーカス高さの自動調整を実行せず、ステージ停止制御時からスキャン開始までの待ち時間を短くすれば高スループットで画像を取得することが可能である。この様な撮像条件を以降、高スループット撮像条件と記載する。

高スループット撮像条件に起因した劣化を含む画像から、劣化要因を取り除き高画質画像を得ることが可能であれば、高スループット化と高画質化の両立が可能となる。そのため、撮像装置の検出器から得られた信号を画像化した生の撮像画像に対し、画像処理技術を用いて視認性を高めることが行われている（以降、これらの手法を学習型手法と呼ぶ）。その一方法として、事前に画質が低い画像と画質が高い画像の対応関係を学習し、画質が低い画像が入力された際に、画質が高い画像を推定する方法が多数提案されている。例えば、特許文献３及び４並びに非特許文献1に記載されているような方法が該当する。

学習型の高画質画像推定処理を用いることで、スループットが高い撮像条件においても高画質な画像を出力することが可能となる。ただし、学習型手法においては、学習に用いる低画質画像と高画質画像の画像対を取得することが必要である。

この際、学習に用いる劣化画像は実際に撮像される画像（高倍率画像の推定処理（復元処理）の入力となる画像）と対応している必要がある。つまり、低解像度画像と高解像度画像の画像対のみを用いて学習させた場合、低解像度画像から高解像度画像の推定（復元）は可能であるが、フォーカスはずれ等によりぼやけた画像から、ぼやけが小さい画像を推定することは難しい。しかし、特許文献３及び４並びに非特許文献1には、フォーカスはずれ等によりぼやけた画像から、ぼやけが小さい画像を推定することについては触れられていない。

学習用画像の取得方法として、特許文献３や非特許文献１には、高解像度画像をダウンサンプリングした画像を低解像度画像として用いる方法が記載されている。

しかし、荷電粒子顕微鏡においては高解像度画像をダウンサンプリングした画像と、実際に解像度低く取った画像には乖離が生じる。これは解像度高く撮像する場合と解像度低く撮像する場合において、一画素あたりの荷電粒子の照射量（ドーズ量）が異なるため、試料表面の帯電状況が変わることなどによる。

また、フォーカスはずれなどによるぼやけ画像を高画質画像から作る場合、点広がり関数（ＰＳＦ：Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）などを畳み込む方法が考えられるが、一般的に点広がり関数を正確に求めることは困難である。

以上の様に、実際に発生し得る劣化要因を含む画像（劣化画像）を、高画質画像から作成することは困難である。前述の公知例のいずれもこの問題について解決する方法について言及がない。

本発明は、上記した従来技術の課題を解決して、高スループットの撮像条件下で生じる劣化要因（解像度低下やＳＮＲ低下、ぼやけ、像揺れなど）を含む劣化画像に対して、精度高く高画質画像を推定することを可能にして、高画質な画像をスループット高く取得することを可能にする試料観察装置および試料観察方法を提供するものである。

上記課題を解決するために、例えば特許請求の範囲に記載の構成を採用する。
本発明は、上記課題を解決する手段を複数含んでいるが、その一例を挙げるならば、試料観察装置を、移動可能なテーブルに載置した試料に荷電粒子線を照射し走査して試料を撮像する荷電粒子顕微鏡と、この荷電粒子顕微鏡で試料を撮像する撮像条件を変えて取得した試料の同一箇所の画質が悪い劣化画像と画質が良い高画質画像とを記憶する画像記憶部と、この画像記憶部に記憶した劣化画像と高画質画像とを用いて劣化画像から高画質画像を推定するための推定処理パラメータを求める演算部と、荷電粒子顕微鏡で試料の所望の箇所を撮像して得られた試料の所望の箇所の劣化画像を前記演算部で求めた前記推定処理パラメータを用いて処理して前記所望の領域の高画質画像を推定する高画質画像推定部と、高画質画像推定部で推定した推定高画質画像を出力する出力部とを備えて構成した。

また、本発明は、試料観察装置を、移動可能なテーブルに載置した試料に荷電粒子線を照射し走査して試料を撮像する荷電粒子顕微鏡と、荷電粒子顕微鏡で試料を低倍率で撮像して得た低倍率画像と試料の低倍率で撮像した領域の一部を高倍率で撮像して得た高画質画像とを記憶する画像記憶部と、この画像記憶部に記憶した低倍率画像のうち高画質画像に対応する領域の画像を拡大して生成した拡大画像である劣化画像から高画質画像に相当する画像を推定するための推定処理パラメータを求める演算部と、荷電粒子顕微鏡で試料の所望の箇所を撮像して得られた試料の所望の箇所の低倍率画像の一部の領域について演算部で求めた推定処理パラメータを用いて処理して一部の領域の高画質画像を推定する高画質画像推定部と、この高画質画像推定部で推定した推定高画質画像を出力する出力部とを備えて構成した。

また、本発明は、荷電粒子顕微鏡を用いて試料を観察する方法において、移動可能なテーブルに載置した試料を荷電粒子顕微鏡で撮像し、荷電粒子顕微鏡で試料を撮像する撮像条件を変えて取得した試料の同一箇所の画質が悪い劣化画像と画質が良い高画質画像とを画像記憶部に記憶し、画像記憶部に記憶した劣化画像と高画質画像とを用いて劣化画像から高画質画像を推定するための推定処理パラメータを演算部で求め、荷電粒子顕微鏡で試料の所望の箇所を撮像して得られた試料の所望の箇所の劣化画像を演算部で求めた推定処理パラメータを用いて高画質画像推定部で処理して所望の領域の高画質画像を推定し、高画質画像推定部で推定した推定高画質画像を出力部から出力するようにした。

更に、本発明は、荷電粒子顕微鏡を用いて試料を観察する方法において、荷電粒子顕微鏡で試料を低倍率で撮像して得た画像と試料の低倍率で撮像した領域の一部を高倍率で撮像して得た高画質画像とを画像記憶部に記憶し、画像記憶部に記憶した低倍率画像のうち高画質画像に対応する領域の画像を拡大して生成した拡大画像である劣化画像から高画質画像に相当する画像を推定するための推定処理パラメータを演算部で求め、荷電粒子顕微鏡で試料の所望の箇所を撮像して得られた試料の所望の箇所の低倍率画像の一部について演算部で求めた推定処理パラメータを用いて高画質画像推定部で処理して一部の領域の高画質画像を推定し、高画質画像推定部で推定した推定高画質画像を出力部から出力するようにした。

本発明によれば、高スループットの撮像条件下で生じる劣化要因（解像度低下やＳＮＲ低下、ぼやけ、像揺れなど）を含む画像に対して、精度高く高画質画像を推定することが可能となる。これにより、高画質な画像をスループット高く取得することが可能となる。

また、型番や機種が異なる撮像装置間で生じる画質の違いを合わせ混むことも可能である。これは、任意の装置で取得した画像を高画質画像と見なし、異なる装置で撮像した画像を劣化画像と見なして、学習と推定を行えば容易に実現できる。これにより、機差を低減することが可能となり、例えば計測誤差などを低減可能となる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の実施例1に係る試料観察装置の概略の構成を示すブロック図である。 本発明の実施例1に係る試料観察装置の制御部と記憶部、演算部の構成を示すブロック図である。 本発明の実施例1に係る試料観察装置の処理の流れを示すフロー図である。 本発明の実施例1に係る試料観察装置の処理の学習シーケンスの処理の流れを示すフロー図である。 本発明の実施例1に係る試料観察装置の処理の学習シーケンスにおける学習用画像対を取得する処理のフロー図である。 本発明の実施例1に係る試料観察装置の処理の学習シーケンスの学習用画像対を取得する処理における劣化画像を取得する処理のフロー図である。 本発明の実施例1に係る試料観察装置の処理の学習シーケンスにおける推定処理パラメータを学習する処理のフロー図である。 本発明の実施例1に係る試料観察装置における高画質画像を推定する畳み込みニューラルネットワークの構成を示すブロック図である。 本発明の実施例1に係る試料観察装置における画像撮像条件を設定するためのＧＵＩである。 本発明の実施例1に係る試料観察装置における学習ステップごとの推定誤差を確認するためのＧＵＩである。 本発明の実施例1に係る試料観察装置における劣化画像から推定した高画質画像のうち表示する画像を指定するためのＧＵＩである。 本発明の実施例1に係る試料観察装置における劣化画像から推定した高画質画像のうち指定された画像を表示するためのＧＵＩである。 本発明の実施例２に係る試料観察装置における自動欠陥観察処理の流れのうち、学習シーケンスの処理の流れを示すフロー図である。 本発明の実施例２に係る試料観察装置における自動欠陥観察処理の流れのうち、自動欠陥観察の処理の流れを示すフロー図である。 本発明の実施例２に係る試料観察装置と比較する従来の試料観察装置における自動欠陥観察処理のタイミングチャートである。 本発明の実施例２に係る試料観察装置における自動欠陥観察処理のタイミングチャートである。 本発明の実施例２に係る試料観察装置における画像の処理を示す図であって、低倍率画像の図である。 本発明の実施例２に係る試料観察装置における画像の処理を示す図であって、低倍率画像の一部を拡大した拡大画像の図である。 本発明の実施例２に係る試料観察装置における画像の処理を示す図であって、図１４Ｂの拡大画像に対応する高倍率画像の図である。 本発明の実施例３に係る複数の試料観察装置をネットワークで接続した構成を例示したブロック図である。

本発明に係る試料観察装置は、画質が劣化した劣化画像から劣化が少ない高画質な画像を推定し、この推定した高品質な画像を観察するように構成したものである。

なお、劣化画像の例としては、解像度が低い（画素数が少ない）画像やＳＮＲ（Ｓｉｇｎａｌ ｔｏ Ｎｏｉｓｅ Ｒａｔｉｏ）が低い画像、フォーカスはずれによりぼやけた画像、撮像中に試料を保持するステージの揺れなどにより像揺れした画像などがある。これに対し高画質な画像の例としては、解像度やＳＮＲが高い画像、ぼやけや像揺れなどが十分に小さい画像などである。

本発明に係る装置は、試料上の同一箇所に対して撮像条件を変えることで劣化画像と高画質画像の画像対を取得し、両者の対応関係を機械学習の手法により学習し、劣化画像が入力された際に、高画質な画像を推定する方法を備える。

すなわち、各劣化要因に対応した劣化画像を取得し、これを学習に用いることで、様々な要因により劣化した画像から、劣化の少ない高画質な画像を推定可能にし、高画質な画像を取得するための撮像を行うことなく試料の高品質画像を観察することを可能にしたものである。

本発明では、試料観察方法において、画質の異なる画像対を複数含んだ学習用画像群を取得する学習用画像取得ステップと、学習用画像群に含まれる画像対を対象とし、劣化画像から高画質画像を推定するための推定処理パラメータを学習し記憶する推定処理パラメータ学習ステップと、劣化画像から高画質画像に相当する画像を推定し出力する高画質画像推定ステップを備える。

そして、学習用画像取得ステップにおいて対となる画像を取得するステップは、所望の画質が得られるように予め設定された撮像条件から１つ以上の撮像条件を変化させて撮像した画像を劣化画像とし、劣化画像の撮像視野を含むように予め設定された撮像条件で撮像した画像を高画質画像とするステップであって、撮像した劣化画像および高画質画像に対して画像処理を適用するステップを備える。
以下に、本発明の実施例を、図を用いて説明する。

本実施例に関わる試料観察装置について、図を用いて説明する。本実施例では、試料を撮像する撮像装置として、走査型電子顕微鏡（ＳＥＭ：Ｓｃａｎｎｉｎｇ Ｅｌｅｃｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）を備えた試料観察装置を対象に説明する。しかし、本実施例に関わる撮像装置は、ＳＥＭ以外でも良く、光学顕微鏡やイオンなどの荷電粒子を用いた撮像装置でも良い。また、観察対象の画像として半導体ウェハ上の欠陥を撮像した画像を対象に説明するが、フラットパネルディスプレイや生体試料など他の試料を撮像した画像でも良い。

図１は、本実施例にかかるＳＥＭを用いた撮像装置１０１（以下、ＳＥＭ１０１と記す）を含む試料観察装置１００の構成を表している。試料観察装置１００は、試料の撮像を行うＳＥＭ１０１と、制御システム部１２０とを備えて構成されている。

制御システム部１２０は、全体の制御を行う制御部１０２、磁気ディスクや半導体メモリなどに情報を記憶する記憶部１０３、プログラムに従い演算を行う演算部１０４、装置に接続された外部の記憶媒体との情報の入出力を行う外部記憶媒体入出力部１０５、ユーザとの情報の入出力を制御するユーザインターフェース制御部１０６、ネットワーク１１４を介して図示していない欠陥画像分類装置などと通信を行うネットワークインターフェース部１０７を備えている。

また、ユーザインターフェース制御部１０６には、キーボードやマウス、ディスプレイ１１３０などから構成される入出力端末１１３が接続されている。

ＳＥＭ１０１は、観察対象である試料ウェハ１０８を搭載してＸ−Ｙ平面内又はＸ−Ｙ−Ｚ空間内で移動可能なステージ１０９、試料ウェハ１０８に照射する電子ビーム１１５を発生させる電子源１１０、電子ビーム１１５が照射された試料ウェハ１０８から発生した二次電子１１７や反射電子１１８などを検出する検出器１１１の他、電子ビーム１１５を試料ウェハ１０８上に収束させる電子レンズ（図示せず）や、電子ビーム１１５を試料ウェハ１０８上で走査するための偏向器（図示せず）を備えて構成される。

図２は、制御システム部１２０の制御部１０２、記憶部１０３、演算部１０４について本実施例にかかる構成を示したものである。

制御部１０２は、ステージ制御部２０１、電子ビームスキャン制御部２０２、検出器制御部２０３を備えている。

ステージ制御部２０１は、ステージ１０９の移動や停止などの制御を行う。電子ビームスキャン制御部２０２は、所定の視野内において電子ビーム１１５が照射されるように偏向器（図示せず）を制御して、試料ウェハ１０８上の電子ビーム１１５のスキャン領域を制御する。検出器制御部２０３は、図示していない偏向器により駆動された電子ビーム１１５のスキャンに同期して検出器１１１からの信号をサンプリングし、ゲインやオフセットなどを調整しデジタル画像を生成する。

記憶部１０３には、生成されたデジタル画像を付帯情報とともに記憶する画像記憶部２０４、画像の撮像条件などを記憶する画像撮像条件記憶部２０５、高画質画像の推定処理に係わるパラメータを記憶する推定処理パラメータ記憶部２０６を備える。

また、演算部１０４は、処理パラメータに基づいて劣化画像から高画質画像を推定する高画質画像推定部２０７、ＳＥＭ１０１による撮像条件を高画質画像を取得するための条件に設定した状態で撮像して得られる高画質画像と、この画像に対応する高スループットの撮像条件化で生じる劣化要因を含む劣化画像から推定した高画質画像との間の誤差を算出する推定誤差算出部２０８、この推定誤差算出部２０８で算出された推定誤差をもとに推定処理のパラメータを更新する推定処理パラメータ更新部２０９を備える。

試料の観察方法に関して、図３を用いて説明する。
まず、観察対象となる半導体ウェハ(試料ウェハ)１０８をステージ上にロードし（Ｓ３０１）、観察対象である試料ウェハ１０８に対応した撮像条件を画像撮像条件記憶部２０５から読み込む（Ｓ３０２）。

試料ウェハ１０８上に形成された半導体パターンは、多数の製造工程を経て製造されており、各工程において外観が大きく異なる場合がある。更に、帯電のしやすさなど試料の特性も異なる場合がある。そのため、工程やデバイスごとに撮像条件を調整し、記憶させるのが一般的である。同様の理由により、高画質画像の推定処理パラメータも工程ごとに管理することで推定精度が向上する。

撮像条件読み込み後、試料ウェハ１０８が処理された工程に対応した推定処理パラメータが記憶されているか判定し（Ｓ３０３）、記憶されていない場合（Ｓ３０３で「無」の場合）は、後述する学習シーケンスにより推定処理パラメータを学習、記憶する（Ｓ３０４）。次に、高倍率画像の推定処理パラメータを推定処理パラメータ記憶部２０６から読み出す（Ｓ３０５）。

次に、試料ウェハ１０８上の観察対象領域をＳＥＭ１０１を用いて高スループット撮像条件下で順次撮像して、一連の観察を行う。まず、制御部１０２でステージ１０９を制御して、試料ウェハ１０８上の観察対象領域がＳＥＭ１０１の撮像視野に含まれるように調整する（Ｓ３０６）。次に、ＳＥＭ１０１により電子ビーム１１５を試料ウェハ１０８上に照射して走査する。電子ビーム１１５が照射された観察対象領域から発生した二次電子１１７や反射電子１１８を検出した検出器１１１からの検出信号を検出器制御部２０３で処理して、観察対象領域の画像(デジタル画像)を取得する（Ｓ３０７）。ここで取得された画像は、高スループット撮像条件下での様々な劣化要因により画質が劣化した画像（劣化画像）である。

次に、検出器制御部２０３において、Ｓ３０７で撮像された劣化画像に対してノイズ除去などの画像前処理（Ｓ３０８）を行う。次に、画像前処理を行った劣化画像に対して、Ｓ３０５において記憶部１０３の推定処理パラメータ記憶部２０６から読み出した推定処理パラメータをもとに、演算部１０４の高画質画像推定部２０７において高画質画像を推定する処理を行う（Ｓ３０９）。

以上のＳ３０６からＳ３０８までの撮像処理とＳ３０９の高画質画像推定処理を、試料ウェハ１０８の複数の観察対象領域について繰り返し実行する。なお、観察対象領域とは、例えば、図示していない光学式欠陥検査装置により予め検出された欠陥部位を含む領域でも良いし、ユーザが指定した領域でも良い。

また、学習シーケンス（Ｓ３０４）の実行は、ユーザインターフェース制御部１０６の入出力端末１１３のディスプレイ１１３０に表示されるＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）などを通したユーザ指示により、適宜実行されても良い。

Ｓ３０４における学習シーケンスとは、図４に示す通り、学習用画像対の取得（Ｓ４０１）と、推定処理パラメータ学習（Ｓ４０２）の一連の流れを指す。

Ｓ４０１における学習用画像対の取得は、試料ウェハ1上の同じ箇所について劣化画像と高画質画像を対にして複数組取得する処理である。この処理の流れを、図５を用いて説明する。

まず、試料ウェハ１から学習用画像を取得する領域を設定する（Ｓ５０１）。これは、与えられた観察対象領域をサンプリングして抽出しても良いし、試料面内においてランダムに設定しても良い。この設定した学習用画像の取得領域がＳＥＭ１０１の撮像視野に含まれるようにステージ１０９を制御（Ｓ５０２）した後、ＳＥＭ１０１で学習用画像の取得領域を撮像して、後述するような劣化画像の取得（Ｓ５０３）と高画質画像の取得（Ｓ５０４）を行う。画像の取得の順番はどちらが先でも良い。取得した後、画像が対になるように付帯情報を付加した上で、画像記憶部２０４に記憶する。

劣化画像の取得（Ｓ５０３）の処理の詳細について図６を用いて説明する。
ここでは高スループット撮像条件下で生じる劣化を含む画像を取得するのが目的である。そのため、撮像条件として、加算フレーム数設定（Ｓ６０１）や画像解像度設定（Ｓ６０２）、電子ビームフォーカス高さ設定（Ｓ６０３）、ステージ停止制御後のスキャン開始待ち時間設定（Ｓ６０４）を、高スループット撮像条件と同等の条件になるように行った上で、試料ウェハ１をＳＥＭ１０１で撮像する（Ｓ６０５）。

Ｓ６０１で設定する加算フレーム数は、画像ＳＮＲに関連した撮像条件であり、加算フレーム数を大きくするとＳＮＲが向上して得られる画像は高画質化するが、撮像時間は増大する。そのため、高スループット撮像条件においては、加算フレーム数として、高画質画像を取得するときの撮像条件よりも少ない値を設定する。その結果、高スループット撮像条件化で取得される画像は、高画質画像と比べてノイズ成分を多く含むＳＮＲが低い画像となる。

また、Ｓ６０２で設定する画像解像度は、視野に対する画像サイズを意味したものであり、高画質画像を、例えば５００×５００画素で撮像する場合、高スループット撮像条件下では、同じ視野をそれよりも少ない画素数、例えば２００×２００画素で撮像する。これは、高画質画像に比べて、高スループット撮像条件化で撮像して得られる画像の1画素あたりの画素サイズが大きくなることに相当し、これにより画像取得時間を短くすることが出来る
また、撮像スループット向上のためには、ＳＥＭ１０１の電子ビーム１１５のフォーカス位置を試料ウェハ１の表面に合せるためのフォーカス高さの自動調整（オートフォーカス）に係る時間を削減することが効果的である。しかし、自動調整を行うと、フォーカスはずれを起こす原因となる。

そこで、電子ビームフォーカス高さ設定（Ｓ６０３）では、電子ビーム１１５のフォーカス位置を試料ウェハ１０８の表面からはずれた位置に設定することによりぼやけた画像を劣化画像として取得するために、自動調整により得られた電子ビーム１１５のフォーカス高さに対して予め設定された範囲でランダムにオフセットを加える。

また、ステージ制御部２０１からステージ１０９を停止するように制御命令を発行した時から、電子ビームスキャン制御部２０２からの制御信号に基づいて電子ビーム１１５のスキャンを開始するまでの待ち時間を短く設定することで、ＳＥＭ１０１による撮像時間の短縮が可能である。しかし、ステージ１０９が完全に静止していない状態で電子ビーム１１５のスキャンを開始すると、検出器制御部で生成される画像面内で像揺れや歪みなどが生じる。

劣化画像を取得するためのスキャン待ち時間設定処理（Ｓ６０４）では、スキャン待ち時間を、高画質画像を取得するときのような、ステージ１０９が完全に静止するまでの時間よりも短く設定することで、像揺れや歪みなどが生じた劣化画像が取得されるようにする。なお、劣化画像の撮像条件についてはＧＵＩなどを通してユーザが設定可能である。

高画質画像の取得（Ｓ５０４）の処理の流れも、図６で説明した劣化画像取得の処理の流れと同様である。しかし、高画質画像を取得するためには、劣化が十分に小さい画像が得られるように、画像撮像条件を設定する。

具体的には、図６の加算フレーム数設定（Ｓ６０１）に対応するステップにおいては、ノイズが目立たない程度に加算フレーム数を劣化画像の取得時と比べて大きくする。また画像解像度設定（Ｓ６０２）に対応するステップにおいては、画像の解像度も回路パターンや欠陥の構造が観察可能な程度に大きな値に設定する。

また、図６の電子ビームフォーカス高さ設定（Ｓ６０３）に対応するステップにおいては、電子ビーム１１５の試料ウェハ１０８の表面に対するフォーカス高さも画像取得ごとにオートフォーカス処理により自動調整するようにする。

また、図６のスキャン待ち時間設定（Ｓ６０４）に対応するステップにおいては、ステージ制御部２０１からステージ１０９を停止するように制御命令を発行した時から電子ビーム１１２による試料ウェハ１０８表面のスキャンを開始するまでの待ち時間を、ステージが完全に停止するまでの時間に設定すれば良い（劣化画像の撮像終了時からさらに待ち時間を設けても良い）。

なお、これらの条件で高画質画像を撮像するには、劣化画像を取得する場合と比べて時間を要するが、観察対象である試料ウェハ１０８を処理した工程に対して、試料ウェハ１０８ごとに学習シーケンスを繰り返し行う必要は無く、最初の試料ウェハ１０８に対して少なくとも一度行えば良い。したがって、同じ工程で処理された試料ウェハ１０８が入力された場合には、学習シーケンスは不要であり、高画質画像の取得は不要である。高画質画像の撮像条件においてもＧＵＩなどを通してユーザが設定可能である。

図４のフローに戻って、Ｓ４０１で学習用の劣化画像と高画質画像の画像対を複数取得した後、推定処理パラメータの学習を行う（Ｓ４０２）。

Ｓ４０２における推定処理パラメータ学習の詳細な処理のフローを図７に沿って説明する。まず、Ｓ４０１で撮像して得た全ての劣化画像と高画質画像に対して、ノイズ除去などの画像前処理を行う（Ｓ７０１）。

次に、劣化画像と高画質画像の位置合わせを行う（Ｓ７０２）。劣化画像はステージ１０９が移動後、静定する前にＳＥＭ１０１で電子ビーム１１５のスキャンを開始して取得した画像であるので、高画質画像の撮像位置とずれている場合がある。そのために、劣化画像と高画質画像の位置合わせが必要となる。ただし、像揺れや歪み、ぼやけなどの劣化があるため、完全に撮像位置を合わせることが困難である。

ここで、厳密に位置合わせを行う必要はなく、正規化相関や平均二乗誤差などを評価値とし、評価値が最大もしくは最小になる位置をもとに位置合わせを行えば良い。なお、画像解像度（同じ視野の1枚の画像あたりの画素数、即ち画像サイズ）が異なる場合には、位置合わせを行う前に線形補間などで高画質画像に合わせて劣化画像を拡大して画像解像度（画素サイズ）を揃えておくものとする。

次に、推定処理のパラメータを初期化する（Ｓ７０３）。この際、以前に学習した推定処理パラメータを推定処理パラメータ記憶部２０６から読み出して初期値として利用しても良い。

次に、推定処理パラメータに基づいて劣化画像から高画質画像の推定を行い（Ｓ７０４）、撮像した高画質画像に対する推定誤差を算出し（Ｓ７０５）、推定誤差が小さくなるように推定処理パラメータを更新する（Ｓ７０６）。

以上の、Ｓ７０４〜Ｓ７０６の処理を予め設定された指定回数繰り返すことで学習を行う。ただし、得られた推定誤差と予め設定されたしきい値を適宜比較し（Ｓ７０７）、しきい値よりも低い場合は繰り返し処理を途中で終了するようにしても良い。最後に得られた推定処理パラメータを工程名などの付帯情報とともに推定処理パラメータ記憶部２０６に記憶して保存する（Ｓ７０８）。

Ｓ７０４において劣化画像から高画質画像を推定する一方法として、非特許文献１に記載されている畳み込みニューラルネットワークを用いれば良い。具体的には図８に示す様な３層構造を持つニューラルネットワークを用いれば良い。ここで、Ｙは入力画像、Ｆ１（Ｙ）、Ｆ２（Ｙ）は中間データを示し、Ｆ（Ｙ）が高画質画像の推定結果である。

中間データと最終結果は下記の数式、（数１）〜（数３）により算出される。ただし、（数１）〜（数３）において、“＊”は畳み込み演算を表す。ここで、Ｗ１はｎ１個のｃ０×ｆ１×ｆ１サイズのフィルタであり、ｃ０は入力画像のチャネル数、ｆ１は空間フィルタのサイズを表す。入力画像にｃ０×ｆ１×ｆ１サイズのフィルタをｎ１回畳み込むことでｎ１次元の特徴マップが得られる。

Ｂ１はｎ１次元のベクトルであり、ｎ１個のフィルタに対応したバイアス成分である。同様に、Ｗ２はｎ１×ｆ２×ｆ２サイズのフィルタ、Ｂ２はｎ２次元のベクトル、Ｗ３はｎ２×ｆ３×ｆ３サイズのフィルタ、Ｂ３はｃ３次元のベクトルである。

Ｆ１（Ｙ）＝ ｍａｘ（０、Ｗ１＊Ｙ＋Ｂ１） ・・・（数１）
Ｆ２（Ｙ）＝ ｍａｘ（０、Ｗ２＊Ｆ１（Ｙ）＋Ｂ２） ・・・（数２）
Ｆ（Ｙ）＝ Ｗ３＊Ｆ２（Ｙ）＋Ｂ３ ・・・（数３）

このうち、ｃ０とｃ３は劣化画像と高画質画像のチャネル数により決まる値である。また、ｆ１やｆ２、ｎ１、ｎ２は学習シーケンス前にユーザが決定するハイパーパラメータであり、たとえばｆ１＝９、ｆ２＝５、ｎ１＝１２８、ｎ２＝６４とすれば良い。推定処理パラメータの学習処理（Ｓ４０２）により調整するパラメータは、Ｗ１、Ｗ２、Ｗ３、Ｂ１、Ｂ２、Ｂ３である。

なお、以上示した畳み込みニューラルネットワークの構成として、他の構成を用いても良い。例えば、層の数を変更しても良く、４層以上のネットワークなどを用いても良い。また、畳み込みニューラルネットワーク以外の方法を用いても良い。例えば、特許文献３に記載されているように、劣化画像と高画質画像のペアで構成される学習用画像をパッチと呼ばれる小領域に分割し、その対応関係を用いて、入力された劣化画像パッチに対する高画質画像パッチを推定することにより高画質画像を生成しても良い。

推定処理パラメータ更新処理（Ｓ７０６）においては、ニューラルネットワークの学習において一般的な誤差逆伝搬法を用いれば良い。また、推定誤差を算出する際に、取得した学習用画像対の全てを用いても良いが、ミニバッチ方式を取っても良い。つまり、学習用画像対の中から数枚の画像をランダムに抜き出し、パラメータを更新することを繰り返し実行しても良い。さらには、ひとつの画像対からパッチ画像をランダムに切り出し、ニューラルネットワークの入力画像Ｙとしても良い。これにより、学習が効率的に行える。

推定誤差算出処理（Ｓ７０５）は、推定結果Ｆ（Ｙ）と高画質画像の差異(誤差)を評価する処理であり、本処理で求めた推定誤差が小さくなるようにパラメータの更新が行われる。画像間の差異(誤差)を定量化する方法としては、平均二乗誤差（Ｍｅａｓｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）などを用いれば良い。

次に、本実施例にかかるＧＵＩについて説明する。まず、学習用画像対取得工程Ｓ４０１において、劣化画像および高画質画像の撮像条件を設定するためのＧＵＩ９００を備える（図９）。本ＧＵＩ９００を通して「撮像条件」９１０の欄に設定した項目ごとに「劣化画像」９０２の撮像条件、「高画質画像」９３０の撮像条件を設定した後、「学習開始」ボタン９４０を押すことでＳ３０４の学習シーケンスを実行することができる。

「撮像条件」９１０の欄で設定する項目には、Ｓ６０２で設定する画像解像度、Ｓ６０１で設定する加算フレーム数、ＳＥＭ１０１で試料ウェハ１０８に照射する電子ビーム１１５の電流であるプローブ電流、Ｓ６０３で設定する電子ビーム１１２のフォーカス高さのオフセット量、Ｓ６０４で設定するスキャン待ち時間などがある。

また、学習シーケンスを実行している最中に「キャンセル」ボタン９５０を押すと、学習シーケンスを中断することができる。更に、ＧＵＩ９００には、学習用画像取得枚数を設定する入力部９６１、推定誤差しきい値ThErrを設定する入力部９６２、最大繰り返し数を設定する入力部９６３が表示されている。

また、「進捗確認」ボタン９７０を押すと、図１０に示すような推定処理パラメータ更新処理の進捗を確認する画面（ＧＵＩ）１０００に切り替わる。本画面においては、パラメータ更新の繰り返し回数と推定誤差の推移をグラフ１０１０に表示するインターフェースを備える。図１０の画面上で「停止」ボタン１００２を押すと、パラメータ更新の繰り返しを停止する。

また、「推定画像確認」ボタン１００１を押すと、図１１Ａに示すような画面（ＧＵＩ）１１００に切替る。この画面１１００上で、Ｃｈａｎｎｅｌ選択部１１０１で二次電子像（ＳＥ）や反射電子像（ＢＳＥ）などの画像の種類を指定し、画像ＩＤ選択ボタン１１０２を押して画像の番号を指定し、「実行」ボタン１１１０を押すと、更新された推定パラメータを用いて指定された画像ＩＤに対する推定処理が実行される。

この推定処理が完了すると、図１１Ｂに示すような画面（ＧＵＩ）１１５０上に、指定された画像ＩＤに対応する劣化画像１１２１とこの劣化画像１１２１から推定処理により求められた推定結果１１２２、及び高画質画像１１２３が表示される。

この画面１１５０上で推定結果１１２２を確認し、「ＯＫ」ボタン１１４０を押すと、図９に示したような元の画面９００の表示に切替る。画面１１５０上で推定結果１１２２を確認した結果が良好であれば、学習工程におけるパラメータ更新の操作を終了する。一方、画面１１５０上で推定結果１１２２を確認した結果が良好でなかった場合には、画面９００上で撮像条件のパラメータを調整し、再度学習を実行する。

以上説明したように、本実施例では、試料を観察する処理において、学習シーケンスとして、試料ウェハ１上の同じ箇所で画質の異なる画像対を複数含んだ学習用画像群を取得する学習用画像取得ステップ（Ｓ４０１）と、取得した学習用画像群に含まれる画像対を対象とし、劣化画像から高画質画像を推定するための推定処理パラメータを学習し記憶する推定処理パラメータ学習ステップ（Ｓ４０２）とを実行し、学習した推定パラメータを用いて劣化画像から高画質画像に相当する画像を推定し出力する高画質画像推定ステップ（Ｓ３０９）を行うようにした。

これにより、ＳＥＭ１０１で試料ウェハ１を比較的長い時間をかけて撮像して高画質画像を取得することを行わなくても、高スループットモードで撮像して比較的短い時間で取得した劣化画像から高画質画像を推定することが出来るようになった。

また、学習用画像取得ステップ（Ｓ４０１）において一対の画像を取得することを、所望の画質が得られるように予め設定された高画質画像の撮像条件から１つ以上の撮像条件を変化させて撮像した画像を劣化画像とし、劣化画像の撮像視野を含むように高画質画像を撮像すればよい。

本実施例によれば、欠陥観察装置に以上説明した処理機能を備えることで、高スループット撮像条件で撮像した劣化画像から高画質な画像を推定することが可能となり、高画質な画像を取得するための条件でＳＥＭ１０１を用いて試料ウェハ1を撮像して比較的長い時間をかけて高画質な画像を取得することが必要なくなるので、高スループット化と高画質化を両立させることが可能となる。

以上説明した手法により推定した高画質画像を用いて、欠陥検出や検出した欠陥の観察、分類、及び回路パターン計測などを実施しても良い。

実施例１では高スループット撮像条件下で撮像された劣化画像から同じ視野（同じ撮像領域）における高画質画像を推定することで高スループット化と高画質化を両立させる方法について述べた。実施例２では、自動欠陥観察において、低倍率で撮像した画像（低倍率画像）から、この低倍率画像に含まれる領域の一部について、高倍率で撮像したときに得られるであろう画像（高倍率画像）を推定する方法について述べる。これにより、高倍率で撮像する工程を削除することが可能になり、スループットを向上させることができる。

本実施例にかかる自動欠陥観察機能を備えた欠陥観察装置の構成は、実施例１で説明した図１および図２に示した構成と基本的に同様である。また、本実施例に係る欠陥観察装置の自動欠陥観察の処理フローは、実施例１で説明した図３〜図７で示した処理フローと同等の処理フローを備える。また、本実施例に係る欠陥観察装置のＧＵＩは、実施例１で説明した図９〜図１１で示したものと同等のインターフェースを備える。

本実施例では、自動欠陥観察処理に実施例１で説明した高画質画像推定処理を導入することで、複数の欠陥を順次観察する場合のスループットの向上を実現するようにしたものである。

本実施例に係る欠陥観察装置における自動欠陥観察処理について、実施例１で説明した図３に示した処理フローのうち、Ｓ３０１乃至Ｓ３０４の学習シーケンス実行に対応する処理フローを、図１２に示す。

まず、観察対象試料である試料ウェハ１０８をＳＥＭ１０１のステージ１０９上にロードし（Ｓ１２０１：図３のＳ３０１に相当）、学習対象欠陥の座標情報を読み込む（Ｓ１２０２：図３のＳ３０２に相当）。ここでの学習対象欠陥の座標情報とは、図示していない他の外観検査装置などで予め検査して出力された欠陥の位置の座標情報であり、ネットワーク１１４を介して、記憶部１０３に記憶された情報である。

次に、Ｓ１２０２で学習対象欠陥を撮像するために読み込んだ学習対象欠陥の位置の座標がＳＥＭ１０１の撮像視野に含まれるように、ステージ制御部２０１で制御してステージ１０９を移動する（Ｓ１２０３：図５のＳ５０２に相当）。

ただし、図示していない外観検査装置が出力した欠陥座標には、数マイクロメートル（μｍ）程度の誤差が含まれているため、ＳＥＭ１０１による試料ウェハ１０８上の視野が１μｍ程度の高倍率で画像を撮像すると、撮像した視野内に学習対象欠陥が含まれない場合がある。そのため、ＳＥＭ１０１の視野を１０μｍ程度に拡げた、比較的広い視野の低倍率画像を撮像し（Ｓ１２０４：図５のＳ５０３に相当）、撮像した画像から欠陥部位（欠陥）を検出し（Ｓ１２０５）、検出した欠陥部位を視野を狭めて高倍率で撮像する（Ｓ１２０６：図５のＳ５０４に相当）と言った段階を踏む。なお、Ｓ１２０５における欠陥部位（欠陥）の検出方法については特許文献１や特許文献２などに記載の方法を用いれば良い。Ｓ１２０４からＳ１２０６までの各ステップの処理は、検出器制御部２０３で制御されて実行される。

次に、低倍率画像で検出された欠陥部位を含む領域を拡大して拡大画像を生成し、この拡大画像から高倍率の画像（高倍率画像）を推定するための推定処理パラメータを求める、推定パラメータ学習（Ｓ１２０７）を行う。この低倍率画像の一部を拡大して生成した拡大画像は、低倍率画像に含まれるノイズ成分が増幅されており、低倍率画像と比べて画質が劣化した画像になる。

この推定パラメータの学習においては、Ｓ１２０４で撮像した低倍率画像のうち、Ｓ１２０６において高倍率で撮像する領域、即ち、Ｓ１２０５で検出した欠陥部位を含む領域と同じ領域の画像を拡大して生成した拡大画像を、実施例１における劣化画像と見做す。

また、Ｓ１２０６で取得した欠陥部位を含む領域を高倍率で撮像した画像を実施例１における高画質画像と見做す。これらの劣化画像と高画質画像を用いて、実施例１で図７を用いて説明した処理と同じ処理を行う。

即ち、図７で説明したＳ７０１からＳ７０８までの推定処理パラメータの学習と同じ手順で、Ｓ１２０５で検出した欠陥部位を含む領域の低倍率画像を拡大して生成した拡大画像（劣化画像）から高倍率画像である高画質画像を推定するための推定処理パラメータを求める。

次に、本実施例に係る欠陥観察装置を用いた自動欠陥観察処理において、実施例１で説明した図３に示した処理フローのうち、学習した推定処理パラメータを読み出して観察対象領域を順次観察するシーケンスＳ３０５乃至Ｓ３０９に対応する処理フローを、図１３に示す。

まず、図１２で説明したフローで求めた、ＳＥＭ１０１で取得した低倍率画像の一部を拡大して生成した拡大画像（劣化画像）からＳＥＭ１０１で取得した高倍率画像（高画質画像）を推定するための推定処理パラメータを、推定処理パラメータ記憶部２０６から読み出す（Ｓ１３０１）。

次に、制御部１０２を通して、試料ウェハ１０８上の観察対象欠陥がＳＥＭ１０１の撮像視野に含まれるようにステージを制御して移動させる（Ｓ１３０２）。次に、ＳＥＭ１０１により電子ビーム１１５を試料ウェハ１０８上の観察対象欠陥を含む比較的広い領域に照射して走査し、発生した二次電子１１７や反射電子１１８を検出器１１１で検出することにより観察対象欠陥を含む比較的広い領域を撮像し、この撮像して得た検出器１１１からの検出信号を検出器制御部２０３で処理して、観察対象の欠陥を含む比較的広い領域の低倍率画像を取得する（Ｓ１３０３）。

検出器制御部２０３において、Ｓ１３０３で撮像して取得された低倍率画像に対して実施例1で説明したのと同様にノイズ除去などの画像前処理（Ｓ１３０４）を適用した後、Ｓ１２０５と同様な処理を行って欠陥部位を検出する。（Ｓ１３０５）。

次に、Ｓ１３０５で検出した欠陥部位を含む領域、即ち、Ｓ１３０２で取得した比較的広い領域の低倍率画像のうちの欠陥部位を含む一部の領域の画像を拡大して拡大画像(劣化画像)を生成し、記憶部１０３の推定処理パラメータ記憶部２０６から読み出した推定処理パラメータをもとに、演算部１０４の高画質画像推定部２０７において、この拡大画像(劣化画像)から高画質画像を推定する（Ｓ１３０６）。この推定された高画質画像は、記憶部１０３の画像記憶部２０４に記憶される。

以上のＳ１３０２からＳ１３０６までの処理を、試料ウェハ１の全ての観察対象欠陥について繰り返し実行する。なお、観察対象欠陥とは、例えば光学式欠陥検査装置などにより予め検出された欠陥でも良いし、ユーザが指定した欠陥でも良い。

また、学習シーケンス（Ｓ１２０３乃至Ｓ１２０７）の実行はユーザインターフェース制御部１０６の入出力端末１１３のディスプレイ１１３０に表示されるＧＵＩなどを通したユーザ指示により、適宜実行されても良い。

図１４Ａに、図１２で説明した学習シーケンスにおいて、観察対象欠陥（１）と（２）とを順次自動欠陥観察する場合における、各処理のタイミングチャートを示す。横軸は時間を表し、縦軸は観察対象欠陥を表している。

学習シーケンスにおいては、まず、工程１４１１で、観察対象欠陥（１）を含む領域に移動し（Ｓ）、観察対象欠陥（１）を含む比較的広い領域をＳＥＭ１０１で撮像して観察対象欠陥（１）を含む比較的広い領域の低倍率画像を取得し（ＬＩ）、この低倍率画像を処理して欠陥を検出し（Ｄ）、この検出した欠陥を含む比較的狭い領域の高倍率画像（高画質画像）を取得し（ＨＩ）、低倍率画像の一部を拡大して生成した拡大画像（劣化画像）と高倍率画像（高画質画像）を用いて推定処理パラメータを学習（Ｐ）する。

次に、工程１４１２で、観察対象欠陥（２）を含む領域の撮像のためステージを移動させる必要がある。

工程１４１１において観察対象欠陥（１）を含む領域(以下、観察対象欠陥(１)と記載する)を撮像して低倍率画像を取得（ＬＩ）した後、欠陥を検出し（Ｄ）、観察対象欠陥（１）の高倍率画像撮像（ＨＩ）が終了するまで観察対象欠陥（１）がＳＥＭ１０１の撮像視野内に留まっている。すなわち、工程１４１２で観察対象欠陥（２）を撮像するためのステージ移動Ｓは、高倍率画像撮像（ＨＩ）が終了した後に行う。

一方、図１４Ｂには、図１３で説明した本実施例により観察対象欠陥（１）と（２）とを順次自動欠陥観察する場合における、各処理のタイミングチャートを示す。横軸と縦軸の関係は、図１４Ａの場合と同じである。

自動欠陥観察のシーケンスでは、工程1４２１での低倍率画像撮像（ＬＩ）において取得された低倍率画像における欠陥を含む一部分の領域の画像を拡大して生成された拡大画像を劣化画像と見做し、工程１４２１の高倍率画像推定（ＨＥ）において高倍率画像を高画質画像として推定することで、図１４Ａで説明した学習シーケンスの工程１４１１における高倍率画像撮像（ＨＩ）の工程が不要となる。

これにより、工程１４２１において、観察対象欠陥（１）について低倍率画像撮像（ＬＩ）が終了すると、試料ウェハ１０８上の観察対象欠陥（１）がＳＥＭ１０１の撮像視野内に留まっている必要がなくなり、工程１４２２における次の観察対象欠陥（２）の欠陥点座標へのステージ移動（Ｓ）を行うことが可能となる。

即ち、図１４Ｂに示す様に、工程１４２１における観察対象欠陥（１）の欠陥検出処理（Ｄ）および高倍率画像推定処理（ＨＥ）と、工程１４２２における観察対象欠陥（２）へのステージ移動（Ｓ）および低倍率画像撮像（ＬＩ）を並列して実行することができる。これにより、欠陥観察装置を用いて試料ウェハ１０８上の観察対象の複数の欠陥を順次観察する場合のスループットを向上させることが可能になる。

図１５Ａは、ＳＥＭ１０１で撮像して得られた低倍率画像１４０１、図１５Ｂは図１５Ａの低倍率画像１５０１から高倍率画像の撮像領域に相当する領域１５０４を線形補間により拡大して生成した拡大画像１５０２、図１５Ｃは、ＳＥＭ１０１で撮像して得られた高倍率画像１５０３の例である。

図１５Ａの低倍率画像１５０１の一部を拡大して得られる図１５Ｂの拡大画像１５０２は、パターン１５１２の輪郭がぼやけており、これを劣化画像と見做す。一方、図１５Ｃの高倍率画像１５０３はパターン１５１３の輪郭が明瞭であり、これを高画質画像とする。この劣化画像(拡大画像)１５０２と高画質画像(高倍率画像)１５０３とを用いて実施例１の学習シーケンスＳ３０４で述べた方法により推定処理パラメータを学習し、対応関係を学習することで、低倍率画像の一部分を拡大して生成した拡大画像から高倍率画像を推定することが可能となる。

実施例１におけるＳ４０１の学習用画像対収集に相当する処理として、図１２の処理フローを図１４Ａに示したような、観察対象欠陥（１）の高倍率画像撮像（ＨＩ）の後に観察対象欠陥（２）がＳＥＭ１０１の観察視野に入るようにステージ移動（Ｓ）を行うタイミングチャートで実行することで、低倍率画像と高倍率画像の収集ができる。その後、推定処理パラメータ学習（Ｐ）において、画像処理により低倍率画像から高倍率画像の撮像領域に相当する領域を切り出し、線形補間により拡大した画像に対して推定処理パラメータの学習を行うことで劣化画像を生成することが可能である。

実施例１および実施例２では、劣化画像から高画質な画像を推定する方法について述べた。より具体的には、一台の撮像装置を対象に、撮像条件が異なる画像間の対応関係を学習し、劣化画像から高画質な画像を推定する方法について述べた。実施例３では複数の欠陥観察装置間の画質を合わせ混む方法について述べる。

半導体などの製造ラインにおいては、欠陥観察装置が複数台導入されていることが多い。この際、異なる機種（モデル）が導入されている場合もある。この場合、機種間で検出器の構成や特性の違いにより、得られる像質が異なる。また、同一機種であっても、ビームプロファイルや検出器の特性の微妙な違い（機差）により、像質が異なる場合がある。これらは特に回路パターンの寸法を高精度に計測する際に問題になる。つまり、同一試料の同一箇所を複数の欠陥観察装置で計測した場合においても、それぞれの欠陥観察装置で取得される画像の像質の違いにより異なる寸法が計測されてしまう。

本課題に対し、実施例１で述べた方法を用いることで画像の像質を合わせ混むことが可能である。つまり、図１６に示すように、欠陥観察装置１６０１と欠陥観察装置１６０２で同一試料の同一箇所をそれぞれ撮像し、欠陥観察装置１６０１で撮像した画像を高画質画像と見做し、欠陥観察装置１６０２で撮像した画像を劣化画像と見做し、推定処理パラメータを学習すれば良い。

これにより、欠陥観察装置１６０２の画像から欠陥観察装置１６０１の画像を推定することが可能となる。３台以上の欠陥観察装置が存在する場合、マスターとなる欠陥観察装置を決定し（図１６に示した例では、欠陥観察装置１６０１をマスター装置とする）、他の欠陥観察装置はそれぞれマスター装置の画質を得られるように、各々推定処理パラメータを学習するようにすればよい。

また、本実施例は、異なる生産拠点間での複数の欠陥観察装置間での推定処理パラメータの学習にも応用することが出来る。

以上説明した方法を実施するにあたっては、図１６に示す様に、各欠陥観察装置１６０１から１６０３をネットワーク１６２０で接続し、各欠陥観察装置１６０１から１６０３の間で画像を送受信可能にすれば良い。ネットワーク１６２０には、実施例１において図１を用いて説明したネットワークインターフェース部１０７を介して接続する。推定処理パラメータの学習は各欠陥観察装置１６０１から１６０３がマスター装置（欠陥観察装置１６０１）の画像を受信し、マスター装置以外の各欠陥観察装置内において実行すれば良い。

もしくは実施例１で説明した図１の演算部１０４を含む画像処理装置１６１０をネットワーク上に設置し、この画像処理装置１６１０で各欠陥観察装置１６０１から１６０３に対応する推定処理パラメータを学習するようにしてもよい。

以上説明した方法により、装置間の画質の合わせ込みが可能となり、機差による計測結果などの違いを低減することが可能となる。

１００・・・試料観察装置 １０１・・・撮像装置 １０２・・・制御部 １０３・・・記憶部 １０４・・・演算部 １０５・・・外部記憶媒体入出力部 １０６・・・ユーザインターフェース制御部 １０７・・・ネットワークインターフェース部 ２０７・・・高画質画像推定部 ２０８・・・推定誤差算出部 ２０９・・・推定処理パラメータ更新部。

Claims (16)

1. 移動可能なテーブルに載置した試料に荷電粒子線を照射し走査して前記試料を撮像する荷電粒子顕微鏡と、
   前記荷電粒子顕微鏡で前記試料を撮像する撮像条件を変えて取得した前記試料の同一箇所の画質が悪い劣化画像と画質が良い高画質画像とを記憶する画像記憶部と、
   前記画像記憶部に記憶した前記劣化画像と前記高画質画像とを用いて前記劣化画像から前記高画質画像を推定するための推定処理パラメータを求める演算部と、
   前記荷電粒子顕微鏡で前記試料の所望の箇所を撮像して得られた前記試料の所望の箇所の劣化画像を前記演算部で求めた前記推定処理パラメータを用いて処理して前記所望の領域の高画質画像を推定する高画質画像推定部と、
   前記高画質画像推定部で推定した推定高画質画像を出力する出力部と
   を備えたことを特徴とする試料観察装置。
2. 請求項１記載の試料観察装置であって、前記演算部は、前記劣化画像から前記推定処理パラメータを用いて推定した推定高画質画像と前記撮像して取得した高画質画像との差異を誤差として求める誤差算出部と、前記誤差算出部で求めた誤差を予め設定したしきい値と比較して差異が前記しきい値よりも小さくなったときの前記推定処理パラメータを記憶する推定処理パラメータ記憶部とを備えることを特徴とする試料観察装置。
3. 請求項１記載の試料観察装置であって、前記荷電粒子顕微鏡で前記試料を撮像するための撮像条件を記憶する撮像条件記憶部を更に備え、前記撮像条件記憶部に、前記画質が悪い劣化画像を得る撮像条件として、前記荷電粒子顕微鏡により高スループットで撮像できるような、加算フレーム数、画像解像度、前記試料の表面に対する前記荷電粒子顕微鏡の荷電粒子線のフォーカス高さ、前記試料の移動を停止させてから前記荷電粒子顕微鏡で前記試料の観察を開始するまでの時間の何れか記憶することを特徴とする試料観察装置。
4. 請求項１記載の試料観察装置であって、前記高画質画像推定部で前記所望の領域の高画質画像を推定しているときに、前記荷電粒子顕微鏡は前記試料の別の所望の箇所が前記荷電粒子顕微鏡の視野に入るように前記試料を載置した前記テーブルの位置を移動させることを特徴とする試料観察装置。
5. 移動可能なテーブルに載置した試料に荷電粒子線を照射し走査して前記試料を撮像する荷電粒子顕微鏡と、
   前記荷電粒子顕微鏡で前記試料を低倍率で撮像して得た低倍率画像と前記試料の前記低倍率で撮像した領域の一部を高倍率で撮像して得た高画質画像とを記憶する画像記憶部と、
   前記画像記憶部に記憶した前記低倍率画像のうち前記高画質画像に対応する領域の画像を拡大して生成して拡大画像である劣化画像から前記高画質画像に相当する画像を推定するための推定処理パラメータを求める演算部と、
   前記荷電粒子顕微鏡で前記試料の所望の箇所を撮像して得られた前記試料の所望の箇所の低倍率画像の一部の領域について前記演算部で求めた前記推定処理パラメータを用いて処理して前記一部の領域の高画質画像を推定する高画質画像推定部と、
   前記高画質画像推定部で推定した推定高画質画像を出力する出力部と
   を備えたことを特徴とする試料観察装置。
6. 請求項５記載の試料観察装置であって、前記演算部は、前記劣化画像から前記推定処理パラメータを用いて推定した画像と前記高画質画像との差異を誤差として求める誤差算出部と、前記誤差算出部で求めた誤差を予め設定したしきい値と比較して前記誤差が前記しきい値よりも小さくなったときの前記推定処理パラメータを記憶する推定処理パラメータ記憶部とを備えることを特徴とする試料観察装置。
7. 請求項５記載の試料観察装置であって、前記低倍率で撮像して得られた画像から前記試料の欠陥を検出する制御部を更に備え、前記画像記憶部に記憶する前記低倍率で撮像した領域の一部を高倍率で撮像して得た高画質画像は、前記制御部で検出した欠陥を含む領域を高倍率で撮像して得られた高画質画像であることを特徴とする試料観察装置。
8. 請求項５記載の試料観察装置であって、前記高画質画像推定部で前記所望の領域の高画質画像を推定しているときに、前記荷電粒子顕微鏡は前記試料の別の所望の箇所が前記荷電粒子顕微鏡の視野に入るように前記試料を載置したテーブルの位置を移動させることを特徴とする試料観察装置。
9. 荷電粒子顕微鏡を用いて試料を観察する方法であって、
   移動可能なテーブルに載置した試料を荷電粒子顕微鏡で撮像し、
   前記荷電粒子顕微鏡で前記試料を撮像する撮像条件を変えて取得した前記試料の同一箇所の画質が悪い劣化画像と画質が良い高画質画像とを画像記憶部に記憶し、
   前記画像記憶部に記憶した前記劣化画像と前記高画質画像とを用いて前記劣化画像から前記高画質画像を推定するための推定処理パラメータを演算部で求め、
   前記荷電粒子顕微鏡で前記試料の所望の箇所を撮像して得られた前記試料の所望の箇所の劣化画像を前記演算部で求めた前記推定処理パラメータを用いて高画質画像推定部で処理して前記所望の領域の高画質画像を推定し、
   前記高画質画像推定部で推定した推定高画質画像を出力部から出力する
   ことを特徴とする試料観察方法。
10. 請求項９記載の試料観察方法であって、前記推定処理パラメータを求めることを、前記演算部で、前記劣化画像から前記推定処理パラメータを用いて推定した推定高画質画像と前記撮像して取得した高画質画像との差異を誤差として求め、前記求めた誤差を予め設定したしきい値と比較して前記誤差が前記しきい値よりも小さくなったときの前記推定処理パラメータを推定処理パラメータとすることを特徴とする試料観察方法。
11. 請求項９記載の試料観察方法であって、前記画質が悪い劣化画像が得られる撮像条件として、前記荷電粒子顕微鏡により高スループットで撮像できるような、加算フレーム数、画像解像度、前記試料の表面に対する前記荷電粒子顕微鏡の荷電粒子線のフォーカス高さ、前記試料の移動を停止させてから前記荷電粒子顕微鏡で前記試料の観察を開始するまでの時間の何れかを設定することを特徴とする試料観察方法。
12. 請求項９記載の試料観察方法であって、前記高画質画像推定部で前記所望の領域の高画質画像を推定しているときに、前記荷電粒子顕微鏡は前記試料の別の所望の箇所が前記荷電粒子顕微鏡の視野に入るように前記試料を載置したテーブルの位置を移動させることを特徴とする試料観察方法。
13. 荷電粒子顕微鏡を用いて試料を観察する方法であって、
    前記荷電粒子顕微鏡で前記試料を低倍率で撮像して得た画像と前記試料の前記低倍率で撮像した領域の一部を高倍率で撮像して得た高画質画像とを画像記憶部に記憶し、
    前記画像記憶部に記憶した前記低倍率画像のうち前記高画質画像に対応する領域の画像を拡大して生成して拡大画像である劣化画像から前記高画質画像に相当する画像を推定するための推定処理パラメータを演算部で求め、
    前記荷電粒子顕微鏡で前記試料の所望の箇所を撮像して得られた前記試料の所望の箇所の低倍率画像の一部について前記演算部で求めた前記推定処理パラメータを用いて高画質画像推定部で処理して前記一部の領域の高画質画像を推定し、
    前記高画質画像推定部で推定した推定高画質画像を出力部から出力する
    ことを特徴とする試料観察方法。
14. 請求項１３記載の試料観察方法であって、前記演算部で推定処理パラメータを求めることを、前記劣化画像から前記推定処理パラメータを用いて推定した推定高画質画像と前記高倍率で撮像して得た高画質画像との差異を誤差として求め、前記求めた誤差を予め設定したしきい値と比較して前記誤差が前記しきい値よりも小さくなったときの前記推定処理パラメータを推定処理パラメータとすることを特徴とする試料観察方法。
15. 請求項１３記載の試料観察方法であって、前記試料を低倍率で撮像して得た画像から前記試料の欠陥を検出し、前記低倍率で撮像した領域の中の前記検出した欠陥を含む一部の領域を高倍率で撮像することにより前記高画質画像を得ることを特徴とする試料観察方法。
16. 請求項１３記載の試料観察方法であって、前記高画質画像推定部で前記所望の領域の高画質画像を推定しているときに、前記荷電粒子顕微鏡は前記試料の別の所望の箇所が前記荷電粒子顕微鏡の視野に入るように前記試料を載置したテーブルの位置を移動させることを特徴とする試料観察方法。

Images