图案匹配装置、图案测定系统、图案匹配程序的制作方法

1.本公开涉及实施图像间的图案匹配的技术。


背景技术：

2.对形成于半导体晶圆上的图案进行测量、检查的装置大多利用模板匹配技术，使检查装置的视野对准期望的测量或测量位置。模板匹配是从搜索对象的图像找到与预先登记的模板图像最一致的区域的处理。专利文献1记载了这样的模板匹配的1例。
3.专利文献2记载了基于半导体器件的设计数据来制作模板匹配用的模板的方法。如果能够基于设计数据制作模板，则具有消除为了制作模板而特意用检查装置取得图像这样的麻烦等优点。
4.非专利文献1记载了将2个图像作为输入，将存在于图像的变换参数(例如匹配偏移量)作为输出的能够学习的模型。通过使用监督数据进行学习，能够实现高精度的模型的学习，具有无需手动进行输入图像的处理等优点。
5.现有技术文献
6.专利文献
7.专利文献1：日本专利第4218171号公报(对应美国专利第6627888号说明书)
8.专利文献2：日本专利第4199939号公报(对应美国专利第7235782号说明书)
9.非专利文献
10.非专利文献1：i.rocco,r.arandjelovic and j.sivic.convolutional neural network architecture for geometric matching.in proceedings of the ieee conference on computer vision and pattern recognition(cvpr)，2017


技术实现要素：

11.发明所要解决的课题
12.在模板匹配中，在模板图像与被搜索图像之间图像的外观的偏离较大的情况下，有时匹配失败。作为在模板图像与被搜索图像之间图像的外观的偏离变大的理由，例如可以举出以下那样的情况：(a)登记了模板时的检查装置的拍摄条件与拍摄被搜索图像时的检查装置的拍摄条件之差变大的情况、(b)登记了模板时拍摄到的半导体图案的最终品质与拍摄被搜索图像时的半导体图案的最终品质的差异变大的情况、(c)在多层图案中，登记了模板时拍摄到的半导体多层图案的上下层的偏差情况与拍摄被搜索图像的半导体多层图案的上下层的偏差情况的差异变大的情况、(d)登记了模板时的半导体图案的半导体工艺与拍摄被搜索图像时的半导体图案的制造工艺不同的情况(有时为了在其他工艺中沿用制作模板图像来减少模板登记工时而实施该情况)。
13.专利文献1没有公开在模板图像与被搜索图像之间产生偏离的情况下，如何处理匹配处理。
14.专利文献2公开了对基于设计数据而生成的图形数据实施平滑化处理，并使图案
的各部分变圆，由此制作接近实际图像的图案的模板。然而，难以应对模板图像与被搜索图像之间的所有偏离。
15.此外，在如专利文献1和2那样的以往的图案匹配中，在模板匹配由于这样的偏离而失败时，算法的改善花费时间，不能在短时间内简单地改善。
16.非专利文献1能够通过短时间的学习来吸收2个图像间的偏离，并且实现高精度的模型的学习。然而，在半导体图案中特征性的重复图案(匹配正解位置即具有多个匹配偏移量的图案)中，难以学习模型。这是因为，重重图案在接近范围内(例如视野内)具有多个相同的形状，因此存在多个匹配正解位置的候选，难以确定真正的正解位置。
17.本公开是为了解决这样的课题而完成的，特别是提出一种即使在包含重复图案的半导体图案中也能够实现以具有学习功能为特征的匹配处理的图案匹配装置。
18.用于解决课题的手段
19.本公开的图案匹配装置具备学习器，该学习器推定具有表示第一图像与第二图像之间的相关性的数值作为像素值的第一相关图像，所述图案匹配装置计算具有表示从所述第一图像生成的派生图像与所述第一图像之间的相关性的数值作为像素值的第二相关图像，所述学习器以减小所述第一相关图像与所述第二相关图像之间的差分的方式进行学习。
20.发明效果
21.根据本公开的图案匹配装置，特别是即使在包含重复图案的半导体图案中，也能够实现以具有学习功能为特征的匹配处理。
附图说明
22.图1表示实施方式1的图案匹配装置100的结构例。
23.图2表示相关图像计算部1202的结构例。
24.图3是表示相关图像推定部1201所具备的学习模型301的结构例的框图。
25.图4是表示用户输入匹配偏移量的gui的1例的图。
26.图5是说明图案匹配装置100的动作的流程图。
27.图6表示包含图案匹配装置100和sem600的图案测定系统的结构例。
28.图7表示图6的图案测定系统的另一结构例。
29.图8表示实施方式2的图案匹配装置100的结构例。
30.图9表示学习数据生成部8206的结构例。
31.图10是说明实施方式2的图案匹配装置100的动作的流程图。
32.图11是说明实施方式3的图案匹配装置100的动作的流程图。
具体实施方式
33.以下，参照附图对本公开的图案匹配装置、图案测定系统以及图案匹配程序进行说明。在附图中，有时也以相同的编号或对应的编号来显示功能上相同的要素。附图表示基于本公开的原理的实施方式和安装例，但这些附图是用于本公开的理解的，绝不用于限定性地解释本公开。本说明书的记述只不过是典型的例示，在任何意义上也不限定本公开的请求专利权的技术方案或应用例。
34.＜实施方式1＞
35.图1表示本公开的实施方式1的图案匹配装置100的结构例。图案匹配装置100能够构成为执行图案匹配处理的运算装置。图案匹配装置100能够由存储介质110、图案匹配系统120、输入装置130构成。
36.图1表示特别是通过运算处理装置来执行图案匹配处理的结构例。图案匹配处理例如包括求出用于存储于存储介质1103的模板图像(由测量装置取得的sem像1104)与存储于存储介质1101的被搜索图像(从设计数据得到的设计图1102)之间的位置对准的匹配偏移量的工艺。模板图像并不限定于sem像，也可以设为其他种类的图像例如设计图。另外，被搜索图像并不限定于设计图，也可以设为其他种类的图像例如sem像。
37.在本实施方式1中，作为测量装置的1例，使用扫描型电子显微镜(scanning electron microscope：sem)。sem例如用于测量形成在半导体晶圆上的半导体器件的图案的尺寸。关于sem的具体结构例，使用图6在后面叙述。
38.图案匹配系统120由包含1个以上的cpu(central processing unit：中央处理单元)或gpu(graphics processing unit：图形处理单元)的1个以上的计算机子系统构成。图案匹配系统120具备由该1个以上的计算机子系统执行的1个以上的组件。1个以上的计算机系统也能够使用1个以上的处理器以软件实现后述的处理，也能够通过电子电路等硬件实现该处理的一部分或者全部。
39.图案匹配系统120在存储于存储介质1101的设计图1102与存储于存储介质1103的sem像1104之间执行图案匹配处理。作为图案匹配处理的结果，输出推定匹配偏移量1301。推定匹配偏移量1301表示设计图1102和sem像1104之间的位置偏移量或位置差。
40.推定匹配偏移量1301能够由2维的标度值、例如(x方向的偏移量、y方向的偏移量)表示。
41.作为1例，图案匹配系统120具备相关图像推定部1201、相关图像计算部1202、推定误差计算部1203、推定参数更新部1204和匹配偏移量计算部1205。图案匹配系统120构成为从输入装置130接收各种信息的输入。
42.相关图像推定部1201推定设计图1102与sem像1104之间的推定相关图像1211。匹配偏移量计算部1205使用推定相关图像1211来计算推定匹配偏移量1301。
43.相关图像是将模板图像与被搜索图像之间的相关值排列在整个被搜索图像上的图像。更具体而言，从被搜索图像截取与模板图像相同尺寸区域的图像，求出该截取图像与模板图像之间的相关值。对被搜索图像进行光栅扫描而截取(滑动窗口)截取图像。将使所求出的相关值按照截取图像的x方向的位移(滑动)和y方向的位移(滑动)而排列为像素值的图像称为相关图像。如果模板图像与截取图像越一致，则相关值被计算得越高(也有相反以计算得越低的方式设计的情况)。因此，在被搜索图像与截取图像之间的相关性高的位置，像素值变大(亮度值高)，在低的位置，像素值变小(亮度值小)。
44.相关图像推定部1201由学习器构成，该学习器将设计图1102和sem像1104作为输入，推定该2个输入图像间的推定相关图像1211。相关图像推定部1201也将更新了推定参数1212的模型作为输入，使用该学习模型来执行推定相关图像1211的推定。推定参数1212由推定参数更新部1204适当地更新，并且被提供给相关图像推定部1201。学习器例如能够由后述的图3中说明的神经网络结构构成。
45.相关图像计算部1202将设计图1102和输入匹配偏移量1302作为输入，使用这些输入对计算相关图像1213进行计算。输入匹配偏移量1302能够从输入装置130输入。计算相关图像1213能够用作学习器实施学习时的监督数据。
46.推定误差计算部1203计算推定相关图像1211与计算相关图像1213之间的推定误差1214。具体而言，通过误差函数求出由相关图像推定部1201推定出的推定相关图像1211的各像素值与成为监督数据的计算相关图像1213的各像素值之间的差异的总和。例如，通过均方误差、平均绝对误差等来计算误差。误差函数并不限定于这些，只要能够计算图像间的差即可。
47.推定参数更新部1204以使推定相关图像1211中的各像素值的推定误差变小的方式调整相关图像推定部1201内的学习器的参数，并提供给相关图像推定部1201。
48.通过重复进行1次以上的上述那样的推定和逆传播，能够学习使推定相关图像1211接近计算相关图像1213的学习模型。如半导体图案中特征性的重复图案等那样，即使是具有多个匹配正解位置的图像，相关图像也仅是1个，因此能够适当地进行学习。
49.使用相关图像推定部1201所具备的已学习模型，推定作为匹配对象的设计图1102与sem像1104之间的推定相关图像1211。匹配偏移量计算部1205从推定相关图像1211来计算推定匹配偏移量1301。作为计算匹配偏移量的方法，例如能够使用以下那样的步骤。
50.(计算匹配偏移量的步骤其1)
51.确定推定相关图像1211的像素值中的最高的像素值(最高亮度像素)。最高亮度像素的位置是设计图1102与sem像1104最一致的位置，因此表示匹配偏移量。但是，需要以下的原点校正。推定相关图像1211的像素值例如通过将推定相关图像1211的左上端部作为原点，一边使坐标偏移一边计算各偏移位置处的相关值来进行设置。另一方面，设计图1102或sem像1104有时以中心位置为原点。这样，在推定相关图像1211与设计图1102之间、或者推定相关图像1211与sem像1104之间原点位置不同的情况下，需要使原点位置一致的校正。根据原点校正后的最高亮度像素的位置，能够得到设计图1102和sem像1104之间的匹配偏移量。
52.(计算匹配偏移量的步骤其2)
53.也可以代替具有最高亮度的像素，将阈值以上的像素值全部确定，在其中使用最接近图像内的指定位置(例如图像中心)的像素值，得到匹配偏移量。在需要原点校正的情况下，与上述其1同样地实施。
54.如上所述，相关图像推定部1201(已学习模型)推定相关图像，并且匹配偏移量计算部1205从该相关图像来推定匹配偏移量，由此即使在包括重复图案的半导体图案中，也能够实现用于求出匹配偏移量的学习模型。
55.在相关图像的学习中，也可以分离图案的横向边缘和纵向边缘的信息，学习强调各个方向上的信息的相关图像(强调相关图像)。在该情况下，学习器构成为，(a)推定纵向相关图像，该纵向相关图像在纵向上具有表示设计图1102与sem像1104一致的程度的相关值作为像素值，(b)推定横向相关图像，该横向相关图像在横向上具有表示设计图1102与sem像1104一致的程度的相关值作为像素值。图案匹配系统120能够通过合成纵向相关图像和横向相关图像来生成推定相关图像1211。通过分离横向相关性和纵向相关性并分别进行学习，能够强调信息量较少的方向的信息来进行学习。由此，能够稳定地进行匹配。图案的
信息分离并不限定于横边缘和纵边缘，只要是能够稳定地学习的方向的边缘即可。
56.图2表示相关图像计算部1202的结构例。图像211是设计图1102的例子，图像212是sem像1104的例子。输入匹配偏移量1302是由用户输入的图像211与图像212之间的匹配偏移量。
57.图像截取部201从图像211截取图像202。图像202是在输入匹配偏移量1302所指定的位置从图像211截取与图像212相同尺寸的区域而得的图像。相关运算部203计算图像202与图像211之间的相关图像204。相关运算部203例如使用归一化互相关等方法来计算相关图像204。也可以以成为容易学习的相关图像的方式，对图像211和图像202进行预处理。计算相关图像204的方法并不限定于这些方法，只要计算出匹配正解位置的相关值最高(或低)即可。
58.图3是表示相关图像推定部1201所具备的学习模型301的结构例的框图。学习模型301例如能够由卷积神经网络构成。学习模型301调整参数(神经元间的耦合权重、偏置等)，以使计算相关图像1213与推定相关图像1211之间的差分变小。学习过程通过该参数调整来实施。学习例如能够通过利用误差逆传播法依次更新参数来实施。
59.具体而言，推定参数更新部1204计算输出数据(推定相关图像1211)与监督数据(计算相关图像1213)之间的误差相对于各参数如何变化(例如梯度)。推定参数更新部1204根据该变化量一点点地更新参数，以成为最佳的输出的方式调整参数。
60.作为1例，学习模型301由输入层311、输出层316、多个中间层312、313、314、315构成。
61.对输入层311输入作为输入图像的设计图1102(被搜索图像)和sem像1104(模板图像)。在从输入层311到中间层312、以及从中间层312到中间层313为止，通过基于预定系数滤波器的卷积运算、图像缩小来汇集层内的数据。中间层313存储汇集了设计图1102和sem像1104的数据。
62.从中间层313到中间层314，通过计算设计图1102的汇集数据与sem像1104的汇集数据之间的相关值，计算两者的相关数据。该相关数据被存储在中间层314中。
63.在中间层314至中间层315以及中间层315至输出层316中，通过基于预定系数滤波器的卷积运算、图像放大来展开层内的数据。输出层316内的数据是设计图1102与sem像1104之间的推定相关图像1211。
64.推定误差计算部1203计算推定相关图像1211与计算相关图像1213之间的误差。推定参数更新部1204使用该误差，通过误差逆传播法更新各层的参数(权重、偏置)。
65.这样，将作为匹配对象的2个图像作为输入，将相关图像作为输出的模型能够通过端到端来学习(对于学习的任务直接学习输入输出关系那样的学习)。通过用端到端进行学习，在中间层213中，能够自动地汇集使模板图像与被搜索图像接近的数据。由此，具有吸收输入图像间的偏离的效果。另外，中间层315能够根据存储在中间层314中的相关数据自动地选择生成推定相关图像1211所需的数据。即使在sem图像内映入有剩余的图案(虽然没有设计图，但处于sem像的图案)，也具有推定稳定地接近计算相关图像1213的推定相关图像1211的效果。
66.为了容易吸收输入图像间的偏离，也可以在模板图像和被搜索图像中分别输入多个图像(多通道)。多通道图像例如是(a)对相同的拍摄对象变更拍摄条件而拍摄到的图像、
(b)如在图6中后述那样由不同的检测器拍摄到的图像、(c)由检测器拍摄到的图像和由光学式照相机拍摄到的图像等。多通道的图像并不限定于这些图像，也可以是容易吸收输入图像间的偏离的图像。
67.也可以以推定相关图像1211的对比度(匹配正解位置的相关值与其他位置的相关值之间的差)变大的方式，经由输入图像的1个通道等对学习模型输入辅助信息。作为辅助信息，例如可举出提高关注匹配的区域的亮度值的权重图像。通过输入这样的信息，能够重视关注的区域的数据，并且能够减少除此以外的部分的数据的重要度，得到对比度更高的相关图像。辅助信息并不限定于这些，只要是容易进行推定出的对比度大的相关图像的推定的信息即可。
68.图4是表示用户输入匹配偏移量的gui(graphical user interface：图形用户界面)的1例的图。图4例示的gui401例如能够显示于图1所示的输入装置130。用户可以通过gui401输入相关图像推定部1201学习时所需的输入匹配偏移量1302。gui401包括图像显示区域402、图像透明度设定区域403、匹配偏移量输入区域404和设定按钮405。
69.图像显示区域402显示设计图421、sem像422、光标423。设计图421和sem像422以覆盖(overlay)方式显示。用户能够通过光标423将sem像422移动到与设计图421匹配的位置。sem像422的移动量相当于匹配偏移量。通过移动光标423而变化的匹配偏移量实时地反映到匹配偏移量设定框441中。
70.用户还可以通过匹配偏移量输入区域404中的匹配偏移量设定框441直接输入匹配偏移量。输入的匹配偏移量通过sem像422相对于设计图421相对地移动来反映。
71.用户能够在图像透明度设定区域403中对框431输入设计图421和sem像422的透明度(强度)，使得容易确认匹配结果。
72.当用户按下设定按钮405时，匹配偏移量作为输入匹配偏移量1302被提供给相关图像计算部1202。
73.使用图4对匹配偏移量的输入方法进行了说明，但匹配偏移量的输入方法并不限定于所说明的方法，也可以是能够输入匹配的偏移量的方法。
74.图5是说明图案匹配装置100的动作的流程图。以下对图5的各步骤进行说明。
75.(图5：步骤s501～s502)
76.图案匹配系统120取得存储在存储介质中的学习数据(设计图1102、sem像1104)(s501)。用户通过从图4例示的gui401手动匹配设计图1102和sem像1104，输入两者的匹配偏移量(s502)。
77.(图5：步骤s503)
78.相关图像计算部1202接收设计图1102和输入匹配偏移量1302，对计算相关图像1213进行计算。
79.(图5：步骤s504)
80.相关图像推定部1201接收设计图1102和sem像1104，生成推定相关图像1211。推定误差计算部1203使用误差函数，计算推定相关图像1211与计算相关图像1213之间的差分、即相关图像推定部1201的推定误差1214。推定参数更新部1204通过逆传播推定误差1214来计算神经网络的权重和偏置的变化，并且更新其值。通过反复进行1次以上那样的推定和逆传播，实施学习。
81.(图5：步骤s505～s506)
82.相关图像推定部1201使用已学习模型来推定推定相关图像1211(s505)。匹配偏移量计算部1205从推定相关图像1211计算推定匹配偏移量1301(s506)。
83.图6表示包括图案匹配装置100和sem600的图案测定系统的结构例。sem600测量例如形成在半导体晶圆603上的半导体器件的图案尺寸。图案测定系统中的运算处理装置或计算机系统例如能够构成为控制部614。
84.控制部614具备运算单元(例如cpu/gpu616)和存储单元(例如包含图像存储器615的存储器)。在存储单元中能够存储信息，例如存储与图案匹配处理相关的程序。
85.cpu/gpu616执行该程序，从而执行图1所示的图案匹配处理。即，控制部614作为图案匹配装置100发挥功能。换言之，该程序使计算机系统作为图案匹配装置100所包含的运算处理装置发挥功能，执行图1所示的图案匹配处理。
86.sem600从电子枪601产生电子束。控制偏转器604和物镜605使得电子束在作为放置在工作台602上的样品的半导体晶圆603上的任意位置处聚焦而照射。
87.从被照射电子束的半导体晶圆603释放2次电子，由2次电子检测器606检测。检测出的2次电子通过a/d转换器607转换为数字信号。由数字信号表示的图像被存储在控制部614内的图像存储器615中。
88.该图像例如被用作sem像1104，基于该图像，通过控制部614或者cpu/gpu616，实施图1所示的图案匹配处理所示的学习处理。
89.关于这些处理所需的设定处理以及处理结果的显示能够通过输入装置130进行。
90.在使用了比sem低倍率的光学式照相机的对准中，也可以使用光学式照相机611。通过光学照相机611拍摄半导体晶圆603而得到的信号被a/d转换器612转换为数字信号(在来自光学式照相机611的信号为数字信号的情况下，不需要a/d转换器612)，由数字信号表示的图像被存储在控制部614内的图像存储器615中，cpu/gpu616实施与目的对应的图像处理。
91.sem600也可以具备反射电子检测器608。在具备反射电子检测器608的情况下，通过反射电子检测器608检测从半导体晶圆603释放的反射电子，将检测出的反射电子通过a/d转换器609或者610转换为数字信号。由数字信号表示的图像被存储在控制部614内的图像存储器615中，cpu/gpu616实施与目的对应的图像处理。
92.也可以与图像存储器615分开地设置存储单元621。控制部614可以经由工作台控制器630控制工作台602，也可以经由偏转控制部631控制物镜605等。
93.在图6的例子中，作为与图案匹配装置100一起使用的检查装置的例子而示出了sem600，但能够与图案匹配装置100一起使用的装置不限于此。能够将取得图像并进行图案匹配处理的任意的装置(测量装置、检查装置等)与图案匹配装置100一起使用。
94.图7表示图6的图案测定系统的另一结构例。图7的结构例也可以理解为相对于与图6相同的结构的其他表现。图案测定系统具备：sem主体701、控制sem主体701的控制装置702、执行图1的图案匹配处理的运算处理装置704、存储设计数据的设计数据存储介质705、用于向运算处理装置704输入必要的信息的输入装置130。
95.运算处理装置704具有运算单元(例如运算处理部707)和存储单元(例如存储器708)。在存储单元中能够存储信息，例如存储与图案匹配处理相关的程序。
96.运算处理部707通过执行该程序，执行图1所示的图案匹配处理。即，运算处理装置704作为图案匹配装置100发挥功能。换言之，该程序使计算机系统作为图案匹配装置100所包含的运算处理装置发挥功能，执行图1所示的图案匹配处理。
97.运算处理部707具备：方案制作部711，其设定模板的条件；匹配处理部712，其基于所设定的模板来执行图案匹配处理；以及图案测定部710，其执行由匹配处理部712确定的测定位置的测定处理。
98.通过电子束的扫描而得到的2次电子、反射电子等被检测器703捕捉，基于该检测信号生成sem像(与图1的sem像1104对应)。sem像作为匹配处理部712的被搜索图像以及作为图案测定部710的测定用信号被发送到运算处理装置704。
99.在图7中，控制装置702和运算处理装置704构成为不同装置，但它们也可以是一体型的装置。
100.基于由检测器703捕捉到的电子的信号通过内置于控制装置702的a/d转换器转换为数字信号。基于该数字信号，通过内置于运算处理装置704的图像处理硬件(cpu、gpu、asic、fpga等)，实施与目的相应的图像处理。
101.方案制作部711具备截取部713。截取部713从设计数据存储介质705读出设计数据，截取该设计数据的一部分。从设计数据截取的部分例如基于从输入装置130设定的坐标信息等图案识别数据来决定。
102.方案制作部711基于所截取的设计数据(布局数据)，制作供匹配的图案数据。这里制作的图案数据可以用作图1的设计数据104。
103.匹配处理部712内的处理如使用图1所说明的那样。在存储器708中存储有设计数据、方案信息、图像信息、测定结果等。
104.运算处理装置704中的处理的一部分或者全部也能够通过搭载有cpu、gpu以及能够蓄积图像的存储器的电子计算机等来实现。
105.输入装置130还作为拍摄方案制作装置发挥功能，制作拍摄方案。拍摄方案表示测定条件，例如包括测定和检查中所需的电子器件的坐标、图案的种类、拍摄条件(光学条件、工作台的移动条件)等。
106.输入装置130也可以具备将所输入的坐标信息、图案的种类相关的信息与设计数据的层信息或图案的识别信息进行对照，并从设计数据存储介质705读出所需的信息的功能。
107.存储在设计数据存储介质705中的设计数据能够以任意的形式来表现，例如能够通过gds格式、oasis格式等来表现。用于显示设计数据的适当的软件能够显示基于设计数据的各种格式的设计数据，或者作为图形数据来处理。图形数据可以是表示基于设计数据而形成的图案的理想形状的线段图像信息，也可以是通过对其实施曝光模拟而实施了接近实际图案那样的变形处理的线段图像信息。
108.也可以将进行图1中说明的处理的程序预先登记于存储介质，通过具有图像存储器并向扫描电子显微镜供给所需的信号的控制处理器来执行该程序。
109.＜实施方式2＞
110.图8表示本公开的实施方式2的图案匹配装置100的结构例。对于与实施方式1(图1)相同的构成要素，在图8中标注相同的参考附图标记，因此以下省略重复的说明。
111.本实施方式2的图案匹配装置100在生成学习数据时不需要匹配偏移量的手动输入、sem像的拍摄等，能够不依赖于扫描显微镜而离线地学习学习器。具体而言，图案匹配系统120除了图1中说明的结构以外，还具备学习数据生成部8206。学习数据生成部8206从被搜索图像(设计图1102)生成学习所需的伪模板图像(伪sem像8216)和生成匹配偏移量8215(后述)。学习数据生成部8206的输入并不限定于设计图，也可以设为其他种类的例如sem像。
112.图9表示学习数据生成部8206的结构例。图像901是设计图1102的1例。
113.匹配偏移量生成部904产生匹配偏移量并作为生成匹配偏移量903。作为匹配偏移量的生成方法，例如可以举出在匹配偏移量的可能范围内随机产生偏移量的方法。匹配偏移量的生成方法并不限定于这些方法，也可以是生成匹配偏移量的方法。
114.将生成匹配偏移量903和图像901输入到图像截取部905，图像截取部905截取与模板图像相同尺寸的图像906。
115.伪sem图像生成部907根据图像906生成伪sem图像902。所生成的伪sem图像的画质根据图像样式908(对比度、噪声、图案的变形情况等)而调整。图像908样式可以由用户输入，也可以随机产生。伪sem图像生成部907例如能够由从已学习的设计图变换为像的模型、或者从设计图变换为sem像的模拟器等构成。伪sem图像生成部907并不限定于这些，只要能够变换画质可调整的伪图像即可。
116.使用学习数据生成部8206生成的伪sem像8216和设计图1102，如在实施方式1中说明的那样，学习相关图像推定部1201的学习模型。相关图像计算部1202根据生成匹配偏移量8215和设计图1102，生成计算相关图像1213。
117.使用相关图像推定部1201所具备的已学习模型，推定作为匹配对象的设计图1102与sem像1104之间的推定相关图像1211。匹配偏移量计算部1205从推定相关图像1211计算推定匹配偏移量1301。
118.如上所述，通过在学习阶段使用学习数据生成部8206，能够仅通过设计图1102进行学习，因此能够离线进行学习。而且，通过使用样式可调整的伪sem图像进行学习，能够学习通用性高的模型。
119.图10是说明本实施方式2的图案匹配装置100的动作的流程图。以下对图10的各步骤进行说明。
120.(图10：步骤s1001)
121.图案匹配系统120取得存储介质中存储的数据(设计图1102)，学习数据生成部8206生成学习数据。学习数据由伪sem像8216和生成匹配偏移量8215构成。
122.(图10：步骤s1002)
123.相关图像计算部1202接收设计图1102和生成匹配偏移量8215，计算计算相关图像1213。
124.(图10：步骤s1003)
125.相关图像推定部1201接收设计图1102和伪sem像8216，并且生成推定相关图像1211。推定误差计算部1203使用误差函数，计算推定相关图像1211与计算相关图像1213之间的差分、即相关图像推定部1201的推定误差1214。推定参数更新部1204通过对推定误差1214进行逆传播来计算神经网络的权重和偏置的变化，并且更新其值。通过反复进行1次以
上那样的推定和逆传播，实施学习。
126.(图10：步骤s1004～s1006)
127.在学习完成后，图案匹配系统120取得设计图1102和sem像1104(s1004)。所取得的图像被输入到相关图像推定部1201。相关图像推定部1201推定输入图像之间的推定相关图像1211(s1005)。匹配偏移量计算部1205从推定相关图像1211中计算推定匹配偏移量1301(s1006)。
128.＜实施方式2：总结＞
129.在本实施方式2的图案匹配装置100中，通过学习数据生成部8206自动生成学习数据，能够节省用户进行的匹配偏移量的输入、通过扫描显微镜的拍摄进行的图像取得的工夫，能够不依赖于扫描显微镜而学习学习器。
130.＜实施方式3＞
131.在本公开的实施方式3中，对在具有多层的设计数据与sem像的匹配中能够分别输出各层的匹配偏移量的图案匹配装置100进行说明。图案匹配装置100的结构与实施方式1～2相同，因此以下主要对与各层的匹配偏移量等相关的事项进行说明。
132.在形成半导体图案的工艺中，由于加工精度、环境等的影响，有可能在所形成的半导体图案的各层间产生配置偏差。由此，拍摄到的sem像有可能相对于设计图发生层间偏差。在具有多层的设计图和sem像中，通过分别推定各层的匹配偏移量，具有能够在后级的测量工艺中例如实施覆盖测量，或者高精度地调整测量位置的效果。此处的覆盖测量是层间的偏差的测量，例如分别测量上层图案的匹配偏移量和下层图案的匹配偏移量，将该差作为层间的偏差。
133.对本实施方式3中的学习的流程进行说明。设计图1102是包含上下层各自的设计信息的设计图。sem像1104是与设计图1102的一部分对应的sem像。在设计图1102中，也可以预先删除隐藏于上层图案的下层图案。
134.将设计图1102和sem像1104输入到相关图像推定部1201，对推定相关图像1211进行推定。推定相关图像1211例如通过多通道图像的形式来保持上层的相关图像与下层的相关图像。
135.相关图像计算部1202计算成为监督数据的计算相关图像1213。计算相关图像1213以与推定相关图像1211相同的方式保持上层的计算相关图像和下层的计算相关图像。上层的计算相关图像如实施方式1中说明的那样，使用上层的设计图和上层的匹配偏移量进行计算。上层的匹配偏移量如图4中说明的那样，从输入装置130输入。下层的计算相关图像如实施方式1中说明的那样，使用下层的设计图与下层的匹配偏移量进行计算。下层的匹配偏移量如图4中说明的那样，从输入装置130输入。在sem像上看不到位于上层图案之下的下层图案的情况下，也可以预先在设计图上删除隐藏于上层图案的下层图案。
136.如在实施方式1中说明的那样，通过反复进行1次以上的推定和逆传播，学习使推定相关图像1211接近计算相关图像1213的学习模型。
137.使用相关图像推定部1201所包含的已学习模型，推定作为匹配对象的设计图1102与sem像1104之间的推定相关图像1211。推定相关图像1211包括上层推定相关图像和下层推定图像。
138.匹配偏移量计算部1205从推定相关图像1211计算推定匹配偏移量1301。推定匹配
偏移量1301包括上层匹配偏移量和下层匹配偏移量。上层匹配偏移量由推定出的上层相关图像来计算。下层匹配偏移量由推定出的下层相关图像来计算。
139.如上所述，通过分别计算上下层的匹配偏移量，在后级的测量工艺中，例如具有能够实施覆盖测量，或者高精度地调整测量位置的效果。
140.为了离线实施学习，也可以使用在实施方式2中说明的学习数据生成部8206生成学习数据。学习数据生成部8206根据设计图1102生成伪sem像8216和生成匹配偏移量8215。学习数据生成部8206在生成伪sem像8216时，首先使上层图案与下层图案稍微错开。使用该错开的设计图，如图9中说明的那样生成伪sem像8216。对于生成匹配偏移量加上上下层图案间的偏差量，作为上层匹配偏移量和下层匹配偏移量。
141.使用学习数据生成部8206生成的伪sem像8216和设计图1102，如在图1中说明的那样，学习相关图像推定部1201的学习模型。相关图像计算部1202根据生成匹配偏移量8215和设计图1102，对计算相关图像1213进行计算。
142.通过使用学习数据生成部8206，能够仅通过设计图1102进行学习，因此能够离线进行学习。而且，通过使用样式可调整的伪sem像8216进行学习，能够学习通用性高的模型。
143.图11是说明本实施方式3的图案匹配装置100的动作的流程图。以下对图11的各步骤进行说明。
144.(图11：步骤s1101：其1)
145.图案匹配系统120取得存储在存储介质中的学习数据(设计图1102、sem像1104)。用户在图4例示的gui401中，通过手动对设计图和sem像进行匹配，输入两者的上层匹配偏移量和下层匹配偏移量。准备设计图、sem像、匹配偏移量作为学习数据。
146.(图11：步骤s1101：其2)
147.在利用了学习数据生成部8206的情况下，取得存储在存储介质中的学习数据(设计图1102)。学习数据生成部8206生成伪sem像和生成匹配偏移量。准备设计图、伪sem像、生成匹配偏移量作为学习数据。
148.(图11：步骤s1102～s1103)
149.相关图像计算部1202接收设计图1102的上层部分和上层匹配偏移量，计算上层计算相关图像(s1102)。相关图像计算部1202接收设计图1102的下层部分和下层匹配偏移量，计算下层计算相关图像(s1103)。
150.(图11：步骤s1104)
151.相关图像推定部1201接收设计图1102和sem像1104(使用图像生成部情况下的伪sem像)，生成包含上层推定相关图像和下层相关图像的推定相关图像1211。推定误差计算部1203使用误差函数，计算推定相关图像1211与计算相关图像1213之间的差分、即相关图像推定部1201的推定误差1214。推定参数更新部1204通过对推定误差1214进行逆传播来计算神经网络的权重和偏置的变化，并且更新其值。通过反复进行1次以上那样的推定和逆传播，实施学习。
152.(图11：步骤s1105～s1106)
153.在学习完成后，图案匹配系统120取得设计图1102和sem像1104(s1105)。将所取得的设计图和sem像输入到已学习模型(s1106)。
154.(图11：步骤s1107～s1108)
155.相关图像推定部1201使用已学习模型推定上层推定相关图像(s1107)。匹配偏移量计算部1205从上层推定相关图像计算上层匹配偏移量(s1108)。
156.(图11：步骤s1109～s1110)
157.相关图像推定部1201以与上层图案相同的方式使用已学习模型来推定下层推定相关图像(s1109)。匹配偏移量计算部1205从下层推定相关图像计算下层匹配偏移量(s1110)。
158.(图11：步骤s1111)
159.图案匹配系统120通过计算计算出的上层匹配偏移量与下层匹配偏移量之差(矢量差分)，能够计算先前所述的层间的偏差。或者，也可以不计算层间的偏差，而将上层匹配偏移量和下层匹配偏移量作为测量位置在后级的测量工艺中使用。
160.＜实施方式3：总结＞
161.本实施方式3的图案匹配装置100通过分别计算上下层的匹配偏移量，在后级的测量工艺中，例如具有能够实施覆盖测量或者高精度地调整测量位置的效果。
162.＜关于本公开的变形例＞
163.本公开并不限定于上述的实施方式，包含各种变形例。例如，上述的实施方式是为了容易理解地说明本公开而详细地进行了说明的实施方式，并不限定于必须具备所说明的全部结构。另外，能够将某实施方式的结构的一部分置换为其他实施方式的结构，另外，也能够在某实施方式的结构中添加其他实施方式的结构。另外，对于各实施方式的结构的一部分，能够进行其他结构的追加、删除、置换。
164.在实施方式3中，说明了针对每个上下层计算匹配偏移量的情况，但在具有3层以上的试样中也同样地，针对每个层计算匹配偏移量，求出各真偏移量之间的矢量差分，由此能够计算层间的位置偏差。
165.在以上的实施方式中，说明了相关图像计算部1202求出将设计图1102截取而生成的图像与设计图1102之间的相关图像(计算相关图像1213)的情况。如果需要作为监督数据的正确性，则最优选。另一方面，也存在需要具有各种精度的监督数据的情况。在这样的情况下，也可以代替截取设计图1102或者与其并用，求出以下那样的相关图像，并将其作为学习数据来使用。在并用的情况下，作为学习数据中的一部分，使用下述那样的相关图像即可。
166.(计算相关图像1213的变形例1其一)
167.在与sem像1104相同的位置，计算与设计图1102相同种类的设计图和设计图1102之间的相关图像作为计算相关图像1213。在该情况下，能够节省用户输入匹配偏移量的工夫。
168.(计算相关图像1213的变形例其2)
169.也可以考虑1102是sem像，1104是sem像的情况。sem像1104是通过与sem像1102不同的手段取得的sem像(例如，在与sem像1102的拍摄条件不同的条件下拍摄的sem像)。在该情况下，计算与sem像1102相同位置的设计图和与sem像1104相同位置的设计图(与上述设计图相同种类)之间的相关图像作为计算相关图像1213。在该情况下，即使sem像的种类为多个，也具有能够将计算计算相关图像1213的基准统一的优点。
170.(计算相关图像1213的变形例其3)
171.在1102为sem像、1104为sem像(通过与sem像1102不同的手段取得)的情况下，计算在与sem像1102相同的位置与sem像1104相同种类的sem像(由图像生成工具等生成的伪sem图像等)和sem像1104之间的相关图像作为计算相关图像1213。在该情况下，能够节省准备设计图的工夫。
172.(计算相关图像1213的变形例其4)
173.在1102为sem像、1104为sem像(通过与sem像1102不同的手段取得)的情况下，计算在与sem像1104相同的位置与sem像1102相同种类的sem像(由图像生成工具等生成的伪sem图像等)和sem像1102之间的相关图像作为计算相关图像1213。在该情况下，能够节省准备设计图的工夫。
174.(计算相关图像1213的变形例5)
175.在1102为sem像、1104为设计图的情况下，计算在与sem像1102相同的位置与设计图1104相同种类的设计图和设计图1104的相关图像作为计算相关图像1213。在该情况下，具有即使sem像的种类为多个也能够将计算计算相关图像1213的基准统一的优点。
176.(计算相关图像1213的变形例其6)
177.在1102为sem像、1104为设计图的情况下，计算在与设计图1104相同的位置与sem像1102相同种类的sem像和sem像1102的相关图像作为计算相关图像1213。在该情况下，能够节省准备设计图的工夫。
178.附图标记说明
179.100：图案匹配装置
180.110：存储介质
181.1102：设计图
182.1104：sem像
183.120：图案匹配系统
184.1201：相关图像推定部
185.1202：相关图像计算部
186.1204：推定参数更新部
187.1205：匹配偏移量计算部
188.1206：推定误差计算部
189.130：输入装置
190.8206：学习数据生成部。