尺寸计测装置、半导体制造装置以及半导体装置制造系统的制作方法

1.本发明涉及能够根据由观察装置获取到的器件的剖面图像，自动地计测器件构造的尺寸的尺寸计测装置、半导体制造装置以及半导体装置制造系统。


背景技术：

2.在半导体制造工艺开发中，需要从半导体器件的剖面图像获取形状尺寸，开发了自动尺寸计测技术。在尺寸计测处理中，为了决定计测起点和终点等计测的位置，有对计测对象区域的轮廓进行检测的处理。在该轮廓检测方法中，有通过手动描绘边界线的方法、基于局部的亮度变化的边缘检测方法、以及使用了深度学习的检测方法等。
3.无论在哪种轮廓检测方法中，检测到的轮廓都有可能从实际的轮廓偏移。因此，从包含该偏移的轮廓计测出的器件构造的尺寸产生误差。为了降低该计测误差，认为对检测到的轮廓进行校正的处理是有效的。
4.在专利文献1中公开了如下的技术，即，在被检测体的医用图像中，对生成的轮廓设定可动点和基准点，根据可动点与基准点的位置关系对可动点进行修正，由此校正轮廓。
5.在先技术文献
6.专利文献
7.专利文献1：日本特开2013-5983号公报


技术实现要素：

8.发明要解决的课题
9.如果使用专利文献1所公开的技术，则通过手动一点一点地修正，由此能够容易地校正轮廓。然而，在该技术中，为了轮廓校正而需要对象区域的初始设定。在医疗关系的应用中，由于在图像中仅包含一个对象区域，所以存在不需要初始设定的情况，但是在存在如半导体器件的剖面图像那样的多个不同的对象区域的情况下，不能进行校正。
10.此外，在专利文献1所公开的技术中，移动设定在轮廓的可动点来校正轮廓，但是对于移动的方向、距离等可动点的移动方法需要由操作员进行操作。因此，存在如下课题，即，轮廓校正的效果被认为依赖于操作员的主观判断，如果校正处理花费时间，则存在因操作员经验、主观判断而产生的误差。
11.本发明的目的在于解决上述的课题，提供一种在校正处理过程中不需要操作员的判断而能够自动地校正轮廓的偏移的尺寸计测装置以及半导体制造装置以及半导体装置制造系统。
12.用于解决课题的手段
13.为了达成上述的目的，本发明提供一种尺寸计测装置，使用图像来计测计测对象的尺寸，在所述尺寸计测装置中，基于计测对象的轮廓中的给定的点，直到满足给定的必要条件为止反复进行轮廓的移动，使用反复进行了移动的轮廓，计测计测对象的尺寸，给定的必要条件是对使用机器学习而推定出的轮廓的偏移进行校正的必要条件。
14.本发明的尺寸计测装置中的轮廓的移动在通过机器学习而推定出轮廓后进行。
15.发明效果
16.通过对从剖面图像检测到的轮廓进行校正，能够提高自动尺寸计测处理的计测精度。
附图说明
17.图1是示出各实施例涉及的半导体制造装置的一个结构例的图。
18.图2是示出实施例1涉及的尺寸计测处理的一个例子的图。
19.图3是示出实施例1涉及的轮廓校正效果例的图。
20.图4是示出实施例1涉及的轮廓校正处理例的图。
21.图5是示出实施例1涉及的轮廓校正处理流程的一个例子的图。
22.图6是示出实施例1涉及的轮廓检测处理流程的一个例子的图。
23.图7是示出实施例1涉及的代表点移动处理流程的一个例子的图。
24.图8是示出实施例1涉及的亮度分布(profile)的一个例子的图。
25.图9是示出将实施例2涉及的复杂的区域划分为简单形状的处理的一个例子的图。
26.图10是示出实施例2涉及的包含物体检测的尺寸计测处理的一个例子的图。
具体实施方式
27.本发明的实施方式是具有尺寸计测装置的等离子体处理装置。等离子体处理装置的尺寸计测装置是具备了处理器和存储器的一般的计算机，可以是按照程序进行处理的软件的安装，也可以是不是一般的计算机，而是专用的硬件的安装。
28.此外，也可以在计算机组装专用的硬件，组合软件的安装和硬件的安装来安装。尺寸计测装置可以外部连接，也可以作为与其他数据处理兼用的模块而外部连接。以下，使用附图对各种实施例进行说明。
29.另外，在本说明书中利用移动规则，移动规则中有多个规则。一个规则包含亮度分布、与亮度分布对应的移动方向的判定条件、以及与亮度分布对应的移动距离的判定条件。根据尺寸计测装置作为对象的sem图像与材料、形状的关系，能够事先设定该移动规则。
30.亮度分布是用于从多个规则中选择一个适当的规则的信息，移动方向决定代表点朝向重心移动还是远离重心，移动距离决定将代表点移动与几个像素对应的量。在不需要移动的情况下，成为0。
31.实施例1
32.实施例1是作为具备尺寸计测装置的半导体制造装置的等离子体处理装置的实施例。
33.图1所示的等离子体处理装置1具有尺寸计测装置10、输入输出装置11、输入装置12、输出装置13、处理条件搜索装置14、处理装置15、以及评价装置16。
34.在等离子体处理装置1中，选择加工形状等的目标处理结果和在处理装置中使用的参数，从输入装置12输入，并输出给出目标加工形状的最佳处理条件。
35.处理条件搜索装置14是从输入装置12接受目标加工形状，并向输出装置13输出最佳处理条件的装置。
36.输入装置12具备gui等输入界面和读卡器等存储介质读出装置，并对处理条件搜索装置14输入各种数据。此外，不仅从用户接受，而且还从输入输出装置11也同样地接受尺寸计测值，并输入到处理条件搜索装置14。输入装置12例如包含键盘、鼠标、触摸面板、存储介质读出装置等。
37.输出装置13向用户显示从处理条件搜索装置14传递的处理条件作为最佳处理条件。作为显示的手段，是向显示器的显示、或向文件的写出等。输出装置13例如包含显示器、打印机、存储介质写出装置等。
38.处理装置15是对半导体或包含半导体的半导体器件进行处理的装置。处理装置的处理的内容没有特别限定。例如包含光刻装置、成膜装置、以及图案加工装置。光刻装置例如包含曝光装置、电子射线描绘装置、以及x射线描绘装置。成膜装置例如包含cvd(chemical vapor deposition，化学气相沉积)、pvd(physical vapor deposition，物理气相沉积)、蒸镀装置、溅射装置、以及热氧化装置。图案加工装置例如包含湿蚀刻装置、干蚀刻装置、电子束加工装置、以及激光加工装置。
39.处理装置15基于从加工条件搜索装置输入的处理条件进行半导体或半导体器件的处理，并传递到评价装置16。
40.评价装置16对由处理装置15进行了处理的半导体或半导体器件的剖面进行拍摄，获取作为处理结果的剖面的图像17。评价装置16包含sem(scanning electron microscope，扫描电子显微镜)、tem(transmission electron microscope，透射电子显微镜)、使用了光学式监视器的加工尺寸计测装置。也可以将由处理装置15进行了处理的半导体或半导体器件的一部分作为断片取出，并将该断片搬运到评价装置16进行计测。获取到的剖面图像17向输入输出装置11传递。
41.使用图像来计测计测对象的尺寸的尺寸计测装置10是如下的尺寸计测装置，即，基于计测对象的轮廓中的给定的点直到满足给定的必要条件为止反复进行轮廓的移动，使用反复进行了移动的轮廓，计测计测对象的尺寸，给定的必要条件是对使用机器学习而推定出的轮廓的偏移进行校正的必要条件。
42.在该尺寸计测装置中，轮廓的移动在通过机器学习来推定出轮廓后进行。然后，使用通过将反复进行了移动的轮廓作为学习数据的机器学习来推定出的轮廓，计测计测对象的尺寸。
43.作为计测对象的器件的剖面构造的尺寸计测装置具备：模型学习部，获取学习用剖面图像和附加在学习用剖面图像的不同的区域的学习用标签，使用学习用剖面图像和学习用标签生成模型；模型推定部，将模型应用于对象图像，对独立的各个区域附加标签；轮廓校正部，使用对象图像和由模型推定部附加的标签来检测各个区域的轮廓，对区域的轮廓设定代表点，根据移动规则移动各个代表点，直到满足校正完成条件为止反复进行轮廓的移动；以及尺寸计测部，使用通过由轮廓校正部反复进行移动而进行校正的轮廓，计测器件剖面构造的尺寸。
44.如图1所示，尺寸计测装置10具备中央处理部101和数据库102，中央处理部101作为进行机器学习的模型学习部、模型推定部、轮廓校正部、尺寸计测部发挥功能。中央处理部101接受经由输入输出装置11输入的特征点和尺寸的定义、倍率、学习用数据集和剖面图像，根据剖面图像计测给定的尺寸，向输入输出装置11输出。
45.输入输出装置11具备gui等输入输出界面和读卡器等存储介质读出装置，对尺寸计测装置10输入特征点和尺寸的定义、倍率、学习用数据集。此外，从评价装置16接受剖面图像，传递到中央处理部101。输入输出装置11例如包含键盘、鼠标、显示器、触摸面板、存储介质读出装置等。此外，将从尺寸计测装置10传递的尺寸值向用户显示，或者直接向输入装置12传送。在向用户显示的情况下，其手段是向显示器的显示、或向文件的写出等。
46.图2是示出尺寸计测装置10中的尺寸计测处理的一个例子的图。尺寸计测装置10的处理包含模型学习部103、模型推定部104、轮廓校正部105、尺寸计测部106等的处理。
47.模型学习部103使用输入的学习用sem图像和学习用标签生成图像区域分割用的深度学习模型，并向模型推定部104发送。学习用sem图像是用户事先准备的图像，例如是1280
×
960的灰度的像素矩阵。准备的图像的数量可以根据深度学习算法和深度网络的构造来决定。学习用标签是用户事先向学习用sem图像的各像素附加的标签，例如是如0、1、2那样的数字。
48.模型学习部103将学习用剖面图像和学习用标签输入到图像分割的深度学习方法中，生成深度学习模型，模型推定部将该模型应用于对象图像，并附加标签。
49.例如，如图3所示，在sem图像中存在真空30、掩模31、硅32这三种区域的情况下，分别使用数字0(真空)、数字1(掩模)、数字2(硅)作为标签来标记。在此，在sem图像中存在的独立的区域的数量并不限于是3个。有可能存在多个各种区域。在该例子中，对一片sem图像生成1280
×
960的标签矩阵，标签的保存和输入输出的形式可以遵循深度学习算法的要求。
50.模型推定部104将由模型学习部103生成的学习模型应用于输入的sem图像，生成该图像的标签(例如，1280
×
960的数字矩阵)，将该标签向轮廓校正部105发送。
51.轮廓校正部105从标签信息提取独立区域的轮廓，使用在sem图像中存在的亮度信息对轮廓进行校正，并将进行了校正的轮廓向尺寸计测部106发送。
52.此时，预先指定与至少一个亮度分布对应的移动规则，轮廓校正部105将从通过移动的代表点和重心的直线提取的亮度分布与预先指定的亮度分布进行比较，应用与类似度最高的指定的亮度分布对应的移动规则。而且，轮廓校正部从由模型推定部进行了分割的独立的区域提取轮廓，依次输出。尺寸计测部106使用进行了校正的轮廓，计算并输出计测对象区域的宽度、高度、面积等尺寸信息。
53.使用图3对轮廓校正效果进行说明。另外，在图3中仅示出1280
×
960的sem图像的一部分。在本实施例的sem图像中存在真空30、掩模31、硅32这三种区域。而且，关于掩模种类，存在多个相互不相连的独立区域。包围三个掩模区域的白色线311、312、313是基于由模型推定部生成的标签信息而提取的轮廓。作为偏移而显示的是所提取的轮廓与实际的轮廓之差。如图3的校正前的轮廓311和校正后的轮廓314所示，轮廓校正部105的处理是对轮廓偏移进行校正的处理。
54.另外，在图3的sem图像中，虽然存在三种区域，但是区域的种类的数量并不限于三个，也可以是n个种类的区域。即，在对象图像中存在n个不同的种类的区域的情况下，学习用标签将n个不同的数字附加在对象图像的各像素，由此进行标记。
55.图4是示出轮廓校正处理的一个例子的图，通过由初始轮廓、代表点设定、代表点移动、移动完成构成的一系列处理，进行对一个掩模区域的轮廓校正。即，基于由模型推定部104生成的标签信息，提取一个掩模的轮廓40。将该轮廓40称为初始轮廓。如该轮廓40所
示，初始轮廓从灰色显示的实际的掩模的轮廓偏移。提取一个掩模的轮廓这样的单独区域的轮廓的处理的必要性将在后面叙述。此外，提取该单独区域的轮廓的方法将在后面叙述。
56.接着，为了轮廓校正，首先进行对初始轮廓设定多个代表点41的代表点设定。校正中和校正完成的轮廓由将代表点41和代表点41相连的直线构成。在图4的代表点设定中，作为一个例子示出12个代表点，但是实际的代表点的数量也可以比12个多。若比较用这些代表点与代表点之间的直线显示的轮廓与作为初始轮廓的轮廓40，则代表点越少，用代表点显示的轮廓越粗糙。另一方面，若代表点变多，则校正的处理时间变长，相邻的代表点的位置关系有可能混乱。在实际的处理中，也可以以给定间隔设定代表点。给定间隔能够使用经验值的5像素，或者由用户进行调整。此外，也可以随机选择轮廓的全部像素数的给定的比例(例如，25％)的轮廓像素，设定为代表点。
57.接着，为了移动代表点，使用所设定的代表点来计算轮廓的重心。这里的重心通过代表点坐标(x、y)的平均值来计算。重心是后面的校正处理的重要的基准点，必须分别计算各个独立区域的重心。为此，需要提取独立区域，需要用于提取独立区域的图像区域分割。不进行图像分割而直接检测轮廓(边缘)的方法有很多，但是在本实施例中进行区域分割处理。
58.如图4的代表点移动所示，轮廓校正通过移动各代表点41来进行。例如，沿着通过代表点p1和重心42的直线移动p1。移动的目的在于，使代表点接近实际的轮廓来校正偏移。然后，依次移动代表点。例如，按照如p1、p2、p3、p4那样的顺序移动全部的代表点。为了将全部的代表点移动到最佳的位置，换言之，移动到实际的轮廓，反复进行轮廓的移动处理。将最后的移动完成的结果的轮廓43显示于图4的移动完成中。关于代表点的移动方向、移动距离的决定将在后面叙述。
59.图5是示出轮廓校正的处理流程的例子的图。输入到轮廓校正部的数据是对sem图像进行了分割的区域分割结果(s50)。在本实施例中，在该结果中包含1280
×
960的sem图像和1280
×
960的标签的数字矩阵。标签的可能的值与图3对应，是数字0(背景)、数字1(掩模)、数字2(硅)。
60.首先，在轮廓检测处理中，通过标签检测属于轮廓的像素(s51)。在此，例如，检测并处理作为一个掩模区域的独立区域的轮廓。为了从一个sem图像提取多个独立区域的轮廓，依次一个一个地进行校正处理。独立区域的提取方法将在后面叙述。
61.轮廓校正部根据各个代表点的坐标计算轮廓的重心，根据从移动的代表点与重心的位置关系和通过移动的代表点和重心的直线提取的亮度分布来选择移动规则并决定代表点的移动方法。此外，轮廓校正部根据所选择的移动规则决定移动方向，根据亮度分布选择移动规则，根据所选择的移动规则决定移动距离。
62.以下，对一个独立区域的轮廓校正处理进行说明。如前述的代表点设定的记载那样，以等间隔(5个像素)设定代表点(s52)。然后，根据代表点的坐标的平均计算轮廓的重心(s53)。坐标的单位是像素，重心的坐标是计算出的平均值四舍五入后的整数。选择任意一个代表点。决定所选择的代表点的移动方向和移动距离(s55)，移动代表点(s56)。在存在未移动的代表点的情况下选择下一代表点(s54)。
63.在移动了全部的代表点的情况下(s57)，判定是否满足校正完成条件，即停止条件(s58)。停止条件通过代表点的移动距离之和来判定。例如，如果本次的代表点的移动距离
之和例如比10像素小，则完成轮廓校正(s59)。在代表点的移动距离之和比10像素大的情况下，返回到重心计算的步骤，再一次进行代表点移动。
64.图6是示出轮廓检测的处理流程的例子的图。使用该图对独立区域的轮廓的提取方法进行说明。接受区域分割结果(s60)，在标签(1280
×
960的数字矩阵)中，例如从矩阵的左上起依次检查各像素，将数字不同的相邻像素检测为轮廓(s61)。将全部的轮廓像素设定为“未处理”状态(s62)。从未处理的轮廓像素取出任意一个像素，设定为“处理中”状态(s63)。
65.接着，如果在全部的处理中的轮廓像素的相邻轮廓像素之中存在未处理的轮廓像素，则设定为“处理中”状态(s64)。直到在全部的处理中的轮廓像素的相邻轮廓像素之中没有未处理的轮廓像素为止重复该设定(s65)。其结果是，能够提取包含最初取出的轮廓像素的独立区域的轮廓。
66.将所提取的独立区域的轮廓信息输出到下一前述代表点设定步骤，将轮廓状态设定为“已处理”(s67)。如果还存在未处理的轮廓(s68)，则返回到前面的步骤，接着提取独立区域的轮廓，如果没有则完成(s69)。
67.图7是示出代表点移动的处理流程的例子的图。根据代表点设定的结果(s70)计算重心(s71)。然后，依次移动代表点，但是以下对一个代表点(例如，图8的p1)的移动进行说明。
68.如图8所示，将代表点p1设为移动的代表点(s72)。沿着通过代表点p1和重心的直线，提取亮度分布(s73)。提取的亮度分布的长度如用图8的虚线示出的那样，为了包含实际的轮廓像素而设定得长。例如，对于p1，实际的轮廓在p1与重心之间，但是也存在如p4、p5那样的实际的轮廓在重心与代表点的延长线上的情况。
69.将提取的亮度分布与事先设定的亮度分布进行对照，选择对应的移动规则(s74)。例如，在亮度分布如图8的亮度分布例1那样重心像素明亮的情况下，移动方向设为朝向90％重心亮度的像素，移动距离设为代表点与90％重心亮度的像素的距离的0.25。例如，在亮度分布如图8的亮度分布例2那样重心像素暗的情况下，移动方向设为朝向亮度最大值的像素，移动距离设为代表点与亮度最大值的像素的距离的0.25。
70.另外，根据sem图像的特征，也能够进行其他的规则设定和参数设定。亮度分布的对照也可以利用一般的图像处理、信号处理的图案匹配方法。
71.根据移动规则，决定移动的方向和移动的距离(s75-s76)，移动代表点(s77)。然后，为了维持轮廓良好的精度和连续性，在代表点移动后进行代表点的插入和删除处理(s78)。例如，在进行了移动的代表点与相邻的代表点的距离比2个像素小的情况下，将该代表点删除。在进行了移动的代表点与相邻的代表点的距离比10个像素大的情况下，在该代表点与相邻代表点的正中间插入新的代表点(s79)。由于新的代表点在下一校正处理中进行移动，所以在插入时从实际的轮廓偏移也没有关系。
72.将上述处理应用于全部的代表点，完成一次轮廓校正(s80、s81)。
73.另外，代表点的移动方向朝向亮度分布平滑后的亮度最大值的坐标移动。此外，代表点的移动距离设为代表点与亮度分布平滑后的亮度最大值的距离的1/2。
74.实施例2
75.在该实施例中，对存在形状复杂的区域的情况下的处理进行说明。没有说明的部
分与实施例1相同。在本实施例中，模型推定部在对对象图像进行了分割后，在存在形状复杂的区域的情况下，使用物体检测深度学习方法将形状复杂的区域分割为具有多个简单形状的区域。
76.在此，物体检测深度学习方法将学习用剖面图像和具有简单形状的物体的位置信息输入到深度学习方法中，生成物体检测模型，将该模型应用于输入的对象图像，检测具有简单形状的物体的位置，根据检测到的物体的位置对前述形状复杂的区域的轮廓进行分割。
77.图9是示出将复杂的区域划分为简单形状的处理的例子的图。如图9的上段的形状复杂的对象区域所示，即使计算下部的硅的部分的重心，也不能良好地校正轮廓。有可能在代表点与重心之间存在多个轮廓。相对于此，如图9的下段的划分为简单的形状的结果所示，划分为简单的形状而分别进行轮廓校正。
78.图10是示出包含物体检测部的尺寸计测装置的例子的图。物体检测部107使用学习用剖面sem图像和学习用物体位置的信息，通过深度学习方法生成物体检测模型。在此，将简单形状定义为物体。物体位置是表示各简单形状的位置的坐标(单位为像素)。例如，可以用包围某个简单形状的长方形的左上角和右下角的坐标来显示。具体的形式遵循物体检测深度学习算法的要求。
79.将物体检测模型应用于输入的sem图像，输出全部的简单形状的区域坐标信息。将其坐标信息和检测到的独立区域的轮廓进行组合，能够进一步分割复杂的区域的轮廓。然后，与其他的独立区域相同地，进行轮廓校正处理。
80.本发明并不限定于以上说明的实施例，包含各种各样的变形例。例如，上述的实施例为了易于理解地说明本发明而详细进行了说明，而并不限定于必须具备所说明的全部的结构。此外，对于各实施例的结构的一部分，还能够追加、删除、置换其他实施例包含的结构。
81.附图标记说明
82.1：等离子体处理装置；
83.10：尺寸计测装置；
84.101：中央处理部；
85.102：数据库；
86.103：模型学习部；
87.104：模型推定部；
88.105：轮廓校正部；
89.106：尺寸计测部；
90.107：物体检测部；
91.11：输入输出装置；
92.12：输入装置；
93.13：输出装置；
94.14：处理条件搜索装置；
95.15：处理装置；
96.16：评价装置；
97.17：图像。