DE19827183A1

DE19827183A1 - Method of optically preprocessing scattered light data

Info

Publication number: DE19827183A1
Application number: DE19827183A
Authority: DE
Inventors: Joerg Bischoff; Joerg Baumgard; Horst Truckenbrodt
Original assignee: Technische Universitaet Ilmenau
Current assignee: Technische Universitaet Ilmenau
Priority date: 1998-06-18
Filing date: 1998-06-18
Publication date: 1999-12-23

Abstract

The scattered light indicatrix is spatially evaluated by special filters and integrated using a lens. The filters are Gray level filters characterized by a specific spatial filter function. Alternatively they may be spatial light modulators (4) whose filter functions can be adapted to the measurement output by device circuitry. An Independent claim is included for device to preprocess and analyze data using optical/electronic neural network.

Description

Die Erfindung betrifft ein Verfahren und eine Anordnung zur optischen Vorbereitung, Datenkompression und Datenanalyse bei der Klassifizierung bzw. Charakterisierung von Proben auf der Basis einer Streulichtanalyse.The invention relates to a method and an arrangement for optical Preparation, data compression and data analysis during classification or characterization of samples based on a scattered light analysis.

Die Bestimmung des Zustandes technischer Oberflächen mittels Streulicht analyse hat neben taktilen und Mikrosondenverfahren große Bedeutung in der Oberflächenmeßtechnik erlangt. Prinzipiell ist die Messung unterschied lichster Materialien möglich. Wichtige Beispiele sind die Charakterisierung polierter Glasoberflächen der Feinoptik sowie die Oberflächenmessung an mechanisch bearbeiteten Metalloberflächen (Drehen, Honen, Schleifen). Darüber hinaus ist es mittels der optischen Scatterometrie (Diffraktionsana lyse) möglich, periodische Mikroprofile quantitativ zu bestimmen. Beispiels weise können Linienbreite, Korrugationstiefe und Flankenwinkel an trapezförmigen Profilen gemessen werden. Diese Anwendung spielt beson ders in der Mikroelektroniktechnologie eine besondere Rolle und steht kurz vor ihrer Einführung als kommerzielles Verfahren.The determination of the state of technical surfaces using scattered light In addition to tactile and microsensor methods, analysis is of great importance in of surface measurement technology. In principle, the measurement is different possible materials. Characterization is an important example polished glass surfaces of the fine optics as well as the surface measurement mechanically processed metal surfaces (turning, honing, grinding). In addition, it is by means of optical scatterometry (diffraction ana lysis) possible to determine periodic micro profiles quantitatively. Example can indicate line width, depth of corrugation and flank angle trapezoidal profiles can be measured. This application plays particularly well also plays a special role in microelectronics technology and is brief before being introduced as a commercial process.

Das Grundprinzip all dieser streulichtbasierten Verfahren besteht darin, daß ausgehend von einer durch Streulichtmessung gewonnenen Signatur einer Probe eine Datenanalyse auf er Basis statistischer oder neuronaler Verfahren mittels Computer oder Auswerteelektronik durchgeführt wird. Solche Signaturen können z. B. eine bidirektionale Streufunktion=Bildrectional Scattering Distribution Function (BSDF) für eine stochastische Oberfläche bzw. diskrete Beugungseffizienzen für periodische Mikrostrukturen sein. Ziel dieser Datenanalyse ist die Zuordnung der unbekannten Probe zu einer Klasse mit ähnlichen Eigenschaften (Klassifizierung) oder die Extraktion quantitativer Merkmale (Regression). Voraussetzung für die Datenanalyse ist die vorherige Erstellung eines entsprechenden Modells (Statistik) bzw. das Anlernen eines neuronalen Netzes. Insbesondere bei der BSDF-basierten Datenanalyse kann eine Datenvorverarbeitung im Sinne einer Datenreduk tion von Nutzen sein. Eine anerkannte Methode ist die Berechnung von Momenten höherer Ordnung aus der Streulichindikatrix (Skewness, Kurtosis). Diese Berechnung kann auch vollständig oder teilweise in Hardware realisiert werden. Damit könnten die Auswertezeiten bereits erheblich reduziert werden.The basic principle of all these flare-based methods is that based on a signature obtained by scattered light measurement Sample a data analysis based on statistical or neural methods is carried out using a computer or evaluation electronics. Such Signatures can e.g. B. a bidirectional scattering function = image rectional Scattering Distribution Function (BSDF) for a stochastic surface or discrete diffraction efficiencies for periodic microstructures. The aim of this data analysis is to assign the unknown sample to a Class with similar properties (classification) or the extraction quantitative characteristics (regression). Prerequisite for data analysis is the previous creation of a corresponding model (statistics) or teaching a neural network. Especially with the BSDF-based Data analysis can be data preprocessing in the sense of data reduction tion. A recognized method is the calculation of Higher order moments from the scattering indica matrix (skewness, Kurtosis). This calculation can also be made in whole or in part Hardware can be realized. This could already be the evaluation times be significantly reduced.

Der Erfindung liegt die Aufgabe zugrunde, die Datenvorverarbeitung zur Berechnung dieser Momente bzw. die eigentliche Datenanalyse weitestge hend auf optischem Weg zu realisieren und damit die Auswertezeiten weiter drastisch zu reduzieren.The object of the invention is to prepare data for Calculation of these moments or the actual data analysis as far as possible realizing optically and thus the evaluation times further to reduce drastically.

Erfindungsgemäß wird die Aufgabe mit den in den Patentansprüchen angegebenen Merkmalen gelöst.According to the invention the object with the in the claims specified features solved.

Bei der erfindungsgemäßen Anordnung zur optischen Datenvorverarbeitung wird die von der Probe ausgehende Streulichindikatrix mittels eines speziel len Filters (entweder festes Grauwertverlaufsfilter oder spatiales Lichtmodu latorenarray = SLM) bewertet und anschließend auf einen Photosensor fokussiert (Integration). Durch geeignete Wahl der Filterfunktion t wird auf diese Weise die Berechnung einer entsprechenden Gewichtsfunktion optisch nachgebildet. Die höheren Momente werden mittels folgender Operation gebildet:
In the arrangement according to the invention for optical data preprocessing, the scattering-indica matrix emanating from the sample is evaluated by means of a special filter (either a fixed gray value gradient filter or spatial light modulator array = SLM) and then focused on a photosensor (integration). The calculation of a corresponding weight function is optically simulated in this way by a suitable choice of the filter function t. The higher moments are formed using the following operation:

In der Formel charakterisiert µm das Moment m-ter Ordnung, O_n den n-ten Streuwinkel und N die Gesamtzahl der gemessenen Streulichtintensitäten I. Die benötigte Filterfunktion ist t=O_nm. Analog zu diesen rotationssymmetri schen Momenten höherer Ordnung sind auch lineare Kombinationen dieser Momente sowie andere Momente bzw. Filterfunktionen denkbar, die neben dem polaren Winkel 0 auch vom azimutalen Winkel. . . der Streulichtindika trix abhängen. Dieses Prinzip wird erweitert, indem die Streulichtindikatrix direkt einem teilweise oder vollständig nach optischem Prinzip arbeitenden neuronalen Netzwerk zur Weiterverarbeitung zugeführt wird. Dieses Netzwerk besteht im wesentlichen aus einem Dammann-Gitter zur räumli chen Replikation des Eingangssignals (Streulichverteilung) und einem SLM oder festen Grauwertfilter zur Realisierung der Wichtung des entsprechen den Neuroneneingangs. Durch eine nachgeschaltete Optik werden die zusammengehörigen Einzelbeiträge aufsummiert /1/. Auf diese Weise kann eine Verknüpfung der Form:
In the formula, µm characterizes the moment of the mth order, O _n the nth scattering angle and N the total number of measured scattered light intensities I. The filter function required is t = O _nm . Analogous to these higher-order rotationally symmetric moments, linear combinations of these moments as well as other moments or filter functions are also conceivable, in addition to the polar angle 0 and also from the azimuthal angle. . . depend on the scattered light indicators trix. This principle is expanded in that the scattered light indicator matrix is fed directly to a neural network that operates partially or completely on the optical principle for further processing. This network essentially consists of a Dammann grating for spatial replication of the input signal (scatter distribution) and an SLM or fixed gray value filter for realizing the weighting of the corresponding neuron input. The related individual contributions are added up by a downstream optic / 1 /. In this way, a link of the form:

O_ij = _m,nW_i,m,j,n.I_m,n
O _ij = _{m, n} W _{i, m, j, n} .I _{m, n}

realisiert werden, wobei I_m,n die zweidimensionale (d. h. für die erste neuron ale Schicht die zweidimensional Streulichtverteilung), O_i,j die Ausgangsin formation am Detektor und Wi,m,j,n die entsprechenden Wichtungen darstellen. Die Schwellwertfunktion des Neurons kann beispielsweise im PC erfolgen. Das Ergebnis dieser Operation wird dann mittels eines vom PC angesteuerten SLM an eine nachfolgende Neuronenschicht weitergeleitet. Auf diese Weise können, wie in /1/ vorgeschlagen, neuronale Netze mit mehreren versteckten Schichten geniert werden. Jedes Ausgangsneuron liefert ein spezifisches Ausgangsmerkmal der anliegenden Streulichtverteilung. Das neuronale Netz kann sowohl zur Klassifizierung als auch zur Ermittlung quantisierter Ausgangsmerkmale (Regression) genutzt werden. Das impli ziert natürlich auch die Berechnung der oben definierten Momente höherer Ordnung.can be realized, where I _{m, n} the two-dimensional (ie for the first neuronal layer the two-dimensional scattered light distribution), O _{i, j} the output information at the detector and Wi, m, j, n the corresponding weights. The threshold function of the neuron can take place, for example, in the PC. The result of this operation is then forwarded to a subsequent neuron layer by means of an SLM controlled by the PC. In this way, as suggested in / 1 /, neural networks with several hidden layers can be generated. Each output neuron provides a specific output characteristic of the stray light distribution. The neural network can be used both for classification and for the determination of quantized initial characteristics (regression). Of course, this also implies the calculation of the higher order moments defined above.

Die Erfindung wird im folgenden anhand von Ausführungsbeispielen näher erläutert. In der zugehörigen Zeichnung zeigtThe invention is explained in more detail below on the basis of exemplary embodiments explained. In the accompanying drawing shows

Fig. 1 eine schematische Darstellung einer Anordnung zur Bestimmung eines Momentes höherer Ordnung aus einer BSDF auf optischem Weg. Fig. 1 is a schematic representation of an arrangement for determining a higher order moment from a BSDF optically.

Fig. 2 eine entsprechende Anordnung für die gleichzeitige Berechnung mehrerer unterschiedlicher Momente. Fig. 2 shows a corresponding arrangement for the simultaneous calculation of several different moments.

Fig. 3 die schematische Darstellung zweier Filterfunktionen für m=1 und m=2. Fig. 3 is a schematic representation of two filter functions for m = 1 and m = 2.

Fig. 4 die schematische Darstellung einer Anordnung zur Klassifizierung bzw. quantitativen Analyse einer Streulichtprobe mittels eines optischen neuronalen Netzes. Fig. 4 is a schematic representation of an arrangement for classifying or quantitative analysis of a scattered light sample by means of an optical neural network.

Die in Fig. 1 dargestellte Anordnung erläutert die prinzielle Funktionsweise. Die Anordnung ist folgendermaßen aufgebaut. Das von der Probe (1) gestreute Licht (2) wird mittels einer sammelnden Optik (3) kolli miert. Danach wird das entstehende parallele Strahlenbündel über ein entsprechendes Filter bzw. SLM (4) lokal gewichtet. Die Filterfunktion entspricht hierbei der zu realisierenden Gewichtsfunktion. Zwei Beispiele für m=1 und m=2 sind in Fig. 3 zu sehen. Nach der Wichtung wird das parallele Lichtbündel wiederum durch eine sammelnde Optik (5) auf einen Detektor (6) fokussiert. Diese Abbildung entspricht einer optischen Summa tion der zuvor gewichteten Anteile. Eine Möglichkeit der Parallelisierung dieses Meßprinzips zur gleichzeitigen Messung mehrerer, unterschiedlicher Momente zeigt Fig. 2. Hierbei wird das gesteuerte Licht (2) mittels einer sammelnden Optik (3) parallelisiert und dann über eine Anordnung von teildurchlässigen Spiegeln, Prismen (7) oder diffraktiv-optischen Elementen (z. B. Dammann-Gitter) auf mehrere Kanäle aufgeteilt. In diesen Kanälen passieren die geteilten Bündel wiederum Filter oder SLM's (4) mit verschie denen Funktionen. Auf diese Weise können an den Fotodetektoren (6) unterscheidliche Momente der Streulichtverteilung gemessen werden. Eine weitere Option besteht darin, das SLM in Fig. 1 von einem Rechner aus anzusteuern und zeitlich nacheinander verschiedene Filterfunktionen zu reali sieren. Entsprechend synchronisiert können dann zeitlich nacheinander die entsprechenden Momente am Fotodetektor gewonnen werden. Fig. 4 zeigt die Erweiterung des oben erläuterten Prinzips, wobei die gesuchten Momente nicht erst explizit erzeugt und dann einer elektronischen Datenana lyse im Rechner zugeführt werden. Anstatt dessen wird ein Teil der nachfol genden Datenanalyse als neuronales optisches Netzwerk direkt in den optischen Kanal integriert. Hierbei wird das gestreute Licht (2) über eine sammelnde Optik auf ein Dammann-Gitter (8) gebündelt. Aufgrund seiner diffraktiven Eigenschaften erzeugt dieses spezielle ein- oder zweidimensional strukturiertes Bauelement aus dem einfallenden Bündel mehrere gleichartige Teilbündel, die dann über mehrere, in einer Ebene liegende, SLM's bewertet werden. Die Pixel der verschiedenen SLM's emulieren die Eingangswichtun gen der Neuronen der ersten Zwischenschicht des neuronalen Netzwerkes.The arrangement shown in Fig. 1 explains the principle of operation. The arrangement is as follows. The light ( 2 ) scattered by the sample ( 1 ) is colli mated by means of a collecting optics ( 3 ). The resulting parallel beam is then locally weighted using an appropriate filter or SLM ( 4 ). The filter function corresponds to the weight function to be implemented. Two examples for m = 1 and m = 2 can be seen in FIG. 3. After the weighting, the parallel light bundle is again focused on a detector ( 6 ) by means of a collecting optics ( 5 ). This figure corresponds to an optical summa tion of the previously weighted portions. Fig. 2 shows one possibility of parallelizing this measuring principle for the simultaneous measurement of several different moments . The controlled light ( 2 ) is parallelized by means of a collecting optics ( 3 ) and then via an arrangement of partially transparent mirrors, prisms ( 7 ) or diffractive optical elements (e.g. Dammann grating) divided over several channels. The divided bundles in turn pass through filters or SLMs ( 4 ) with various functions in these channels. In this way, different moments of the scattered light distribution can be measured at the photodetectors ( 6 ). Another option is to control the SLM in FIG. 1 from a computer and to implement different filter functions in succession. Correspondingly synchronized, the corresponding moments can then be obtained in succession at the photodetector. Fig. 4 shows the extension of the principle explained above, wherein the searched moments are not first explicitly generated and then an electronic data analysis are supplied to the computer. Instead, part of the subsequent data analysis is integrated directly into the optical channel as a neural optical network. The scattered light ( 2 ) is bundled onto a Dammann grating ( 8 ) via a collecting optics. Due to its diffractive properties, this special one- or two-dimensionally structured component generates several similar sub-bundles from the incident bundle, which are then evaluated using several SLMs lying on one plane. The pixels of the different SLMs emulate the input weightings of the neurons of the first intermediate layer of the neural network.

Nach der Wichtung werden die Strahlenbündel durch eine Sammeloptik (5) jeweils auf ein Fotodetektorarray (9) gebündelt (entsprechend der Summati onsfunktion der Neuronen). Die resultierenden Signals werden einer Steue relektronik (Rechner) (10) zugeleitet, welcher die nichtlineare Übertragungsfunktion des Neurons realisiert. Die Ausgangssignale des Rechners wiederum steuern ein weiteres SLM (4, unteren links) an und transformieren damit das elektrische Ausgangssignal wiederum in ein optisches Signal. Als Träger dient ein einfallendes Parallelbündel, welches durch ein zweites Dammann-Gitter (8, unten) wiederum in mehrere Teilbün del aufgefächert wird. Ein weiteres Array von SLM's (4, unten rechts) reali siert dann die Eingangswichtung der nächsten Neuronenschicht, welche in der Darstellung nach Fig. 4 der Ausgangsschicht entspricht. Die gewichte ten Signale werden danach mittels einer zweiten Sammeloptik (5, unten) auf ein Detektoarray fokussiert (Summationsfunktion der Neuronen der Ausgangsschicht) und wiederum als elektrische Signale dem Rechner zugeführt, in welchem dann die Transferfunktion der Ausgangsneuronen emuliert wird. Zu beachten ist, daß mit diesem Schema jeder neuronale Ausgang der Eingangsschicht auf jedes Neuron der Zwischenschicht und von diesem ebenfalls jeder Ausgang auf jeden Eingang der Ausgangsschicht geschaltet wird. Dieses Schema kann durch das Einfügen zusätzlicher Kaskaden nach dem oben beschriebenen Prinzip erweitert werden und entspricht dann einem neuronalen Netzwerk mit mehreren versteckten Zwischenschichten ("hidden layers"). Das Anlernen des Netzwerkes erfolgt dann mit bekannten Verfahren, wobei in der Regel dem beaufsichtigten Lernen (superise learning) der Vorzug zu geben ist. Dabei werden dem Netzwerk nacheinander bestimmte Streulichtverteilungen angeboten und dessen Reaktion (response) an den Ausgängen mit einem gewünschten Verhalten verglichen. Durch entsprechende Anpassung der Wichtungsfakto ren wird das Netzwerk angelernt, was z. B. nach einem "back propagation" Algorithmus geschehen kann. Auf diese Weise kann das Netzwerk an spezi elle Klassifizierungsfunktionen angepaßt werden. Es ist natürlich auch denkbar, die oben aufgeführten Momente zu implementieren. Die Ergebnisse der Klassifizierung bzw. Regression (Ausgangsmerkmale) sind dann an den Ausgängen der Neuronen der Letzten bzw. Ausgangsschicht als elektrische Signale zur Weiterverarbeitung verfügbar.
After the weighting, the beams are bundled through a collecting optics ( 5 ) each on a photodetector array ( 9 ) (according to the summation function of the neurons). The resulting signals are fed to a control electronics (computer) ( 10 ), which realizes the non-linear transfer function of the neuron. The output signals of the computer in turn control another SLM (4, lower left) and thus transform the electrical output signal again into an optical signal. An incident parallel bundle is used as a carrier, which in turn is fanned out into a plurality of sub-bundles by a second Dammann grating ( 8 , bottom). Another array of SLMs ( 4 , bottom right) then realizes the input weighting of the next neuron layer, which corresponds to the output layer in the illustration in FIG. 4. The weighted signals are then focused on a detector array (summing function of the neurons of the output layer) by means of a second collecting optics ( 5 , bottom) and in turn fed to the computer as electrical signals, in which the transfer function of the output neurons is then emulated. It should be noted that with this scheme, each neural output of the input layer is switched to every neuron of the intermediate layer and from this also each output is switched to each input of the output layer. This scheme can be expanded by inserting additional cascades according to the principle described above and then corresponds to a neural network with several hidden intermediate layers. The network is then learned using known methods, preference being given to supervised learning (superise learning). The network is offered certain scattered light distributions in succession and its response at the outputs is compared with a desired behavior. The network is taught by appropriate adaptation of the weighting factors. B. can be done according to a "back propagation" algorithm. In this way, the network can be adapted to special classification functions. It is of course also conceivable to implement the moments listed above. The results of the classification or regression (output characteristics) are then available at the outputs of the neurons of the last or output layer as electrical signals for further processing.

/1/ Z Wen, P Yeh ans X Yang: "Modified 2d Hamming neutral network and ist optical implementation using Dammann gratings", Optical Engineering Vol. 35 (1996) 8, S. 2136-2144. / 1 / Z Wen, P Yeh ans X Yang: "Modified 2d Hamming neutral network and is optical implementation using Dammann gratings ", Optical Engineering Vol. 35 (1996) 8, pp. 2136-2144.

Reference list

11

Meßoberfläche
Measuring surface

22nd

Streulichtindikatrix
Scattered light index

33rd

Kollimator
Collimator

44th

Spatialer Lichtmodulator (SLM) bzw. Spatiales Filter
Spatial light modulator (SLM) or spatial filter

55

Optischer Integrator
Optical integrator

66

Detektor
detector

77

Strahlteiler
Beam splitter

88th

Dammann-Gitter
Dammann grid

99

Detektorray
Detector array

1010th

Computer
computer

Claims

1. A method for optical preprocessing (in the sense of information compression) of scattered light data, characterized in that the scattered light index is spatially evaluated by means of special filters and is then integrated with the aid of optics.

2. Method for scattered light analysis according to claim 1, characterized net that the preprocessed signals as input variables of a data analysis serve in a calculator with the aim of topographical and material properties spreading body (e.g. a surface or a volume litter ers) to extract.

3. Device for applying the method according to claims 1 or 2, characterized in that gray value filters are used as the filter that are characterized by a specific spatial filter function.

4. Apparatus for applying the method according to claims 1 and 2, characterized in that the filters as spatial light modulators (SLM) can be realized, their filter function by device electronics or a computer adapted to the measuring task.

5. Device according to one of claims 3 or 4, characterized net that the filter function is designed so that directly after the integration the value for a moment or a combination of different moments ten (kurtosis, skewness) is applied to the subsequent detector.

6. Device according to one of claims 3 to 5, characterized characterized in that a splitting of the scattered light distribution (e.g. with a Dammann grating) and in those available afterwards Channels different moments or combinations of moments can be determined simultaneously in parallel.

7. Method for optical data analysis of scattered light data, thereby characterized, the optical described in claims 1 to 6 Pre-processing of the scattered light data and the data analysis combined and can be realized by means of an optically based neural network.

8. Apparatus for applying the method according to claim 7, characterized characterized in that the data preprocessing and data analysis by means of of a hybrid optical / electronic neural network.

9. Apparatus for applying the method according to claim 7, characterized characterized in that the data preprocessing and data analysis by means of of a purely optical neural network.

10. The device according to claim 8, characterized in that

- are used to implement the beam distribution on the neurons of the Dammann grating network,
the weight function of the neurons is realized by means of spatial light modulators,
- The summation function of the neurons is realized via a collecting optics and
- The transfer function of the neurons is emulated in an associated computer.