JP4533689B2 - パターン検査方法 - Google Patents

Description

本発明は、試料のパターン欠陥の有無を検査するパターン検査方法に関するものであって、特に、ＬＳＩ製造に使用されるリソグラフィ用転写マスクに形成された微細パターンの欠陥の有無を検査するパターン検査装置に用いられる。

一般に、ＬＳＩの製造には多大なコストがかかるため、歩留まりの向上が欠かせない。歩留まりを低下させる要因の一つとして、半導体ウェハ上に微細パターンをリソグラフィ技術で露光・転写する際に使用される転写マスクのパターン欠陥があげられる。近年、半導体ウェハ上に形成されるＬＳＩパターン寸法の微細化に伴って、検出しなければならない欠陥の最小寸法も微細化している。そのため、ＬＳＩ製造に使用されるリソグラフィ用転写マスクの欠陥の有無を検査するパターン検査装置の高精度化が必要とされている。

リソグラフィ用転写マスクの微細パターンの欠陥の有無を検査する方法には、大きく分けて、ダイとダイとの比較（Die to Die比較）と、ダイとデータベースとの比較（Die to Database比較）とがある。Die to Die比較は、転写マスク上の２つのダイを比較して欠陥を検出する方法であり、Die to Database比較は、ダイとＬＳＩ設計用ＣＡＤデータから発生させたデータベースとを比較して欠陥を検出する方法である。前者は、データベースを用意する必要がないという長所を持つが２つのダイの共通欠陥を発見できないという短所がある。後者は、共通欠陥に影響されない長所を持つが、データベースの発生に大がかりな仕組みが必要であるという短所を持つ。

一方、上記いずれでもない方法として、透過・反射照明同時検査による比較方法が存在し（例えば、特許文献１参照）、この比較方法にはSTARlight (Simultaneous Transmission And Reflection light)という商標名がつけられている。この方法は、光学系において透過照明と反射照明を用意し、それぞれの照明を転写マスクに当てて得られた各画像同士を比較する方法で、１チップの場合（転写マスク上で比較できる２つのダイが存在しない場合）でも、データベースの発生を必要とせずに欠陥検出ができるのが長所である。この原理は、あらかじめ透過照明によって得られた画像と反射照明によって得られた画像との相関を例えばニューラルネットワークなどを用いて、詳細に学習させることによってデータベース化し、転写マスクの透過照明による画像と反射照明による画像とを比較したときに、その相関データベースから外れている時に欠陥が存在する、と判定するものである。

ただし、この相関データベースは、透過照明による画像と反射照明による画像とで画素位置ズレを生じていたり、倍率が異なっていたりする場合に機能させることは難しいと考えられ、検査光学系の機構設計に融通性がなくなる短所がある。例えば、透過照明による画像と反射照明による画像とを同時刻に取得するような光学系の機構を構築できず、透過照明による画像を取得してから、反射照明による画像を取得するような機構にとどまり、スループットの点で本方法の長所を最大限生かすことができない。
特開平８−７６３５９号公報

従来、検査基準パターンと被検査パターンの２つの画像を比較する方法として、対応する画素同士の座標の差を計算し、これらの差を比較したり（レベル比較）、隣接する画素の座標の差分を計算し、対応する隣接画素の差分同士を比較したり（隣接差分比較）することが行われてきた。この手法を直接比較法と呼ぶ。

しかし、近年、リソグラフィ用転写マスク上のパターンの微細化が進み、画像の画素位置ズレや伸縮ノイズ、センシングノイズに埋もれるほどの欠陥を検出する必要が生じており、直接比較法には限界が生じている。

本発明は、上記事情を考慮してなされたものであって、画像の画素位置ズレや伸縮ノイズ、センシングノイズに埋もれるほどの欠陥を可及的に検出することのできるパターン検査方法を提供することを目的とする。

本発明の一態様によるパターン検査方法は、
パターンを有する被検査試料に光を照射し、前記被検査試料からの反射光または透過光を検出することにより被検査パターン画像を取得し、この取得した被検査パターン画像に基づいて前記被検査試料のパターンの欠陥の有無を検査するパターン検査方法であって、
前記被検査試料から取得された被検査パターン画像を分割した部分検査パターン画像と、前記被検査試料の検査基準パターン画像を分割した、前記部分被検査パターン画像に対応する部分検査基準パターン画像とを重ね合わせて両部分パターン画像のレベル差の２乗和が最小となる条件の下で前記部分検査基準パターン画像と前記部分被検査パターン画像との画素位置ズレを補正し、この画素位置ズレ補正処理を分割された部分被検査パターン画像すべてに対して行う画素位置ズレ補正演算ステップと、画素位置ズレ補正された前記部分検査基準パターン画像を２次元入力データとし、画素位置ズレ補正された前記部分被検査パターン画像を２次元出力データと見なして、パラメータを有する２次元入出力線形予測モデルを設定するために、前記検査基準パターン画像および前記被検査パターン画像を走査して画素位置ズレ補正されたパターン画像データを収集するステップと、前記収集されたパターン画像データに基づいて最小２乗法を用いて前記２次元入出力線形予測モデルのパラメータを同定する同定演算ステップと、前記同定された２次元入出力線形予測モデルのパラメータを用いてシミュレーション演算によって前記部分検査基準パターン画像に対応するモデル画像を得るモデル画像演算ステップと、前記モデル画像と前記部分被検査パターン画像との比較から得られた２乗誤差パターン画像をノイズ除去した後、閾値演算処理して前記部分被検査パターン画像中の欠陥画素の座標を特定する比較演算ステップと、を備えたことを特徴とする。

なお、前記収集するステップの前に前記部分検査基準パターン画像および前記部分被検査パターン画像各々に対して画像を鮮鋭化する２次元ＦＩＲフィルタを用いて鮮鋭化するステップを備えてもよい。

なお、前記検査基準パターン画像および前記被検査パターン画像は、予め複数の領域に分割されており、各領域に対応して、前記画素位置ズレ補正演算ステップ、前記収集するステップ、前記同定演算ステップ、前記モデル画像演算ステップ、および前記比較演算ステップを、並列化して行ってもよい。

なお、前記比較演算ステップのノイズ除去は２次元ＦＩＲフィルタ演算処理により行ってもよい。

なお、前記検査基準パターン画像は、前記被検査パターン画像とは異なる、前記被検査試料から取得したパターン画像であってもよい。

なお、前記検査基準パターン画像は前記被検査試料からの透過光を検出して取得したパターン画像であり、前記被検査パターン画像は前記被検査試料からの反射光を検出して取得したパターン画像であってもよい。

なお、前記検査基準パターン画像と、前記被検査パターン画像とは同時刻に取得してもよい。

なお、前記検査基準パターン画像は、前記被検査試料のパターンの設計データから展開された展開パターン画像であってもよい。

なお、前記検査基準パターン画像は、前記展開パターン画像を膨張・収縮・丸め・ぼかしフィルタ加工して、エッチングプロセスや画像取得用光学系を模擬した模擬パターン画像に置き換えたパターン画像であってもよい。

本発明によれば、画像の画素位置ズレや伸縮ノイズ、センシングノイズに埋もれるほどの欠陥を可及的に検出することができる。

以下、図面を参照して、本発明の実施形態によるパターン検査方法を説明する。

まず、本発明の実施形態によるパターン検査方法を説明する前に、実施形態によるパターン検査方法の概念を説明する。実施形態によるパターン検査方法は、従来技術で説明した直接比較法の限界を超えるためのものであり、図２に示すように、検査基準パターン画像と被検査パターン画像との関係を検査中に、例えば２次元線形予測モデル同定法を用いてオンラインで同定することにより画像の画素位置ズレや伸縮ノイズ、センシングノイズを吸収（フィッティング）した同定モデルを構築し、この同定モデルによって得られる検査基準パターン画像と被検査パターン画像とを比較し、この比較結果によって欠陥を検出するものである。

本発明の実施形態によるパターン検査方法は、被検査試料に光を照射する照射手段と、上記被検査試料からの反射光または透過光を検出してパターン画像を取得する画像取得手段とを備えたパターン検査装置を用いて行われる。このパターン検査装置の一具体例の構成を図３に示す。このパターン検査装置は、図３に示すように、光を発生する光源１０と、被検査試料（転写マスク）２が載置されるステージ１２と、このステージを駆動する図示しないステージ駆動系と、光源１０からの光がステージ１２上に載置された被検査試料２を透過するように構成された透過光学系１４と、光源１０からの光がステージ１２上に載置された被検査試料２に照射しその反射光が検出できるように構成された反射光学系１６と、透過光学系１４による透過光を検出する透過光センサ１８と、反射光学系６からの反射光を検出する反射光センサ２０と、を備えている。透過光学系１４および反射光学系１６はそれぞれ、例えばハーフミラーと、凸レンズとから構成される。上述の光照射手段は光源１０と、透過光学系１４および反射光学系１６の少なくとも一方とを含み、画像取得手段は透過光センサ１８および反射光センサ２０の少なくとも一方を含む。

Die to Die比較方法は、透過光および反射光の少なくとも一方を用いてセンサ１８またはセンサ２０に記録された、転写マスク２上の２つのダイのセンサデータを比較回路４０によって比較することにより欠陥を検出する方法であり、Die to Database比較方法は、透過光および反射光の少なくとも一方を用いてセンサ１８またはセンサ２０に記録された、転写マスク２上の一つダイのセンサデータと、ＬＳＩ設計用ＣＡＤデータ３０に基づいて参照データ発生回路３２から発生された設計データ３４を比較回路４０において比較して欠陥を検出する方法である。

このように、転写マスクに描かれたパターン画像は、例えば図３に示すパターン検査装置で取得される。詳細には、リソグラフィ用転写マスク２を図４に示すようにラインセンサで走査することによって取得される。ここでは便宜上、図４に示すＸ軸方向（転写マスク２の一辺の方向）に細長く切った短冊４の単位を１ストライプと呼び、１ストライプをさらにＹ軸方向（Ｘ軸方向に垂直な方向）に細かく切った正方形の画像５を１サブストライプと呼ぶ。１サブストライプは、２０４８×２０４８画素とし、欠陥の有無の検査は、１サブストライプ毎に行うことにする。なお、１画素は２５６階調のグレースケールとする。

以下の実施形態では、１サブストライプにおけるパターン検査方法についてのみ言及し、この１サブストライプにおけるパターン検査方法が、図４に示す転写マスク２の全面に渡って、次々と適用されるものとする。

（実施形態）
本発明の一実施形態によるパターン検査方法の検査手順を表すフローチャートを図１に示し、これを参照してDie to Die比較方式による欠陥検査方法についてステップ毎に説明する。なお、予め比較する２つのダイは特定されて、例えば図３に示すパターン検査装置によって検査基準パターン画像と被検査パターン画像の各画像が取得されているものとする。

（ａ）画素位置ズレ補正演算ステップＳ１：Die to Die比較する画像の画素位置ズレの補正
まず、検査基準パターン画像と被検査パターン画像を比較するための準備として、両者の画像を重ね合わせて各画素のレベル差の２乗の和で表される評価関数を最小にするように画素位置ズレを補正する。

この場合、画像の伸縮ノイズの影響を小さくするため、１サブストライプを１６分割して、５１２×５１２画素（以下、１フレームと呼ぶ）の範囲で位置ズレを補正する。ただし、画素位置ズレを補正すると周囲が切り落とされ、５１２×５１２画素未満の範囲の画像しか得られないことになり、１サブストライプの内部に検査できない領域が生じてしまう。このため、予め大きめの画像で周辺部が重畳するように分割しておく。なお、このようにしても１サブストライプ周辺の検査はできないことになるが、１ストライプ、１サブストライプを取得するときに、他のストライプ、サブストライプと周辺部が重畳するようにすればマスク全面の検査には支障はない。なお、このステップＳ１では１画素未満の位置画素ズレは補償できす、後に述べる同定演算ステップがさらに必要である。

（ｂ）２次元ＦＩＲ(Finite Response)フィルタ演算ステップＳ２：入力画像と出力画像の鮮鋭化
各画像のコントラストが弱い場合やピンホール欠陥、ピンドット欠陥などの検出に重点を置く場合、検査基準パターン画像と被検査パターン画像それぞれについて、各画素周りの８方向ラプラシアン演算（画像処理で頻繁に用いられる２次元ＦＩＲフィルタ演算）を施した画像を加え合わせるとによって、画像の鮮鋭化を施すことができる。

（ｃ）画像走査ステップＳ３：２次元入出力線形予測モデルの設定
ここでは、ステップＳ１で補正され、さらにステップＳ２で鮮鋭化された検査基準パターン画像を２次元入力データ、ステップＳ１、Ｓ２の演算処理が施された被検査パターン画像を２次元出力データと見なして２次元入出力線形予測モデルを設定する方法について説明する。紙面の都合上、５×５画素の領域を用いた５×５次の２次元線形予測モデルを設定する例を用いて説明する。

まず、５×５次の２次元線形予測モデルに用いられるデータのサフィックスを
に示すように取り、２次元入力データと２次元出力データをそれぞれｕ(i,j)、ｙ(i,j)とする。ここで、i,jは各画素の座標を表しており、i,j=2,3,…である。すなわち、着目する画素のサフィックスをi,jとし、この画素を取り囲む２行前後および２列前後の合計２４個の画素のサフィックスを上述の表のように設定したものである。

後で説明する同定演算ステップＳ４で同定すべき未知パラメータをa₀₀〜a_44, b₀₀〜b₄₄（ただし、a₂₂≡1）として、１組の５×５領域の画素データについて、
に示すような関係式を設定する。なお、ε(i,j)は雑音を表している。すなわち、上述の式（１）は、２次元入力データを線形変換したものと、２次元出力データを他の線形変換したものとは、雑音を除けばほぼ同じものなることを表している。

式（１）は、非因果性モデル（例えば、田口，浜田：多次元ディジタル信号処理における線形予測法、コンピュートロール、No.30、 pp.50-60、コロナ社、1990.参照）の一種であり、その意味するところは、ある被検査パターン画像中の１画素のデータy_k = y(i,j)は、その周りの５×５画素の被検査データと、これら画素に対応する５×５画素の検査基準データの線形結合で表すことができるということである。ここで、式（１）中の雑音εの統計的性質は明らかではなく、後で説明する最小２乗法によるパラメータ同定結果がバイアスを持つ可能性がある。しかし、２次元線形予測モデルの次数を増やしていくことによって、例えば次数を７に増やした７×７の２次元線形予測モデルとすることによって、雑音の各成分がモデルに取り込まれていき、雑音εが白色雑音に近づいていくと考えられ、以下に述べる最小２乗法の精度を向上させることができる。なお、本発明の実施形態においては、パラメータの値自体には意味を持たせていないので、特に支障は生じることはないことを明記しておく。

式（１）をベクトルで表すと、
未知パラメータベクトル：θ = [a₀₀, a₀₁, ..., a₄₄, b₀₀, b₀₁, ..., b₄₄]^T
データベクトル：x_k = [-y(i-2,j-2), -y(i-2,j-1), ..., -y(i+2,j+2),
u(i-2,j-2), u(i-2,j-1), ..., u(i+2,j+2)]^T
x_k ^Tθ=y_k （２）
となるように、まとめられる。式（２）中の未知パラメータベクトルθの要素数は、式（１）から明らかなように、
５×５×２−１＝４９個 （３）
であるから、検査基準パターン画像と被検査パターン画像の座標i, jを走査して（この例では、走査の原点を左上とし、下へ向かって左→右の走査を繰り返し、右下の点で走査を終了すると仮定する）、４９組のデータを連立させれば未知パラメータを同定できることになる。なお、この画像走査ステップＳ３においては、検査基準パターン画像と被検査パターン画像のデータを間引きすることによって、次の、モデル同定演算ステップＳ４を高速化してもよい。

（ｄ）モデル同定演算ステップＳ４：２次元線形予測モデルパラメータの同定
実際には統計的観点から、式（４）のようにｎ（＞４９）組のデータを用意して、次に述べる一括型最小２乗法（例えば、片山：システム同定入門，pp.71-82，朝倉書店，1994.参照）を適用することによって冗長になった連立方程式を解く。
ここで、Ｘ＝[x₁,x₂,…x_n]^T 、ｙ＝[y₁,y₂,…y_n]^T 、x_k ^T θ= y_k （k=1,2,…n）である。

式（４）の連立方程式は正規方程式と呼ばれる。例えば、検査基準パターン画像と被検査パターン画像がそれぞれ５１２×５１２画素であれば、５×５次のモデルの走査によって画像の周囲を２画素ずつ減らされるので、
（５１２−４）×（５１２−４）＝２５８０６４組 （５）
のデータが得られることになり、統計的に見て充分な個数を確保することができる。

ただし、ステップＳ２と、ステップＳ３の信号処理では、画像周辺部の画素が切り取られることになるので、ステップＳ１に遡って、式（５）式のレベルで５１２×５１２画素が確保できるように、予め大きめの画像を設定しておくと、検査されない画素が生じることがない。

ところで、１フレームのまま式（４）の連立方程式を解くのは重い演算である。もし、７×７次のモデルを採用した場合は、同定すべきパラメータが
７×７×２−１＝９７個 （６）
と増加するので、なおさらである。そこで、１フレームをさらに１６分割して、１２８×１２８画素（以下、１ユニットと呼ぶ）の領域で、式（４）を解くことにする。このことによって、１６個の演算装置を並列に配列して演算を行う仕組みを構築できて、欠陥の有無の検査のスループットを向上させることができる。さらに、１フレームの画像内の伸縮ノイズが大きい場合などに、１ユニットに分割することで１組のモデルパラメータが受け持つ領域が１／１６になるので、（１）式における雑音εが減り、モデルの同定精度を向上させることができる。

ここで、演算装置の制約によって、１フレームから１ユニットに演算の対象となる画像のサイズを縮小したとしても、式（４）の連立方程式が解けない場合、忘却係数付き逐次型最小２乗法（例えば、片山：システム同定入門，pp.71-82，朝倉書店，1994.参照）を用いれば良い。このアルゴリズムは、正規方程式を解かなくて済み、２〜３回繰り返して使うと、式（４）の一括型最小２乗法の解に漸近していくので実用的である。ただし、逐次演算であるので検査スループット向上には不利である上、一括型最小２乗法の解と厳密には一致しないことに留意する必要がある。

なお、逐次型最小２乗法を用いると、欠陥箇所を走査する際に同定されるパラメータの収束状況が欠陥の大きさに応じた不連続な挙動を示すため、欠陥座標を特定できる利点がある。

その他、パターンが単調であることがわかっている場合など、精密なパラメータ同定が不要な画像では、走査するデータを間引いたり、モデルの次数を下げたりすることによって、演算量を減らすことができ、検査スループットの向上に寄与することができる。この手法は、あらかじめ大きな欠陥だけピックアップすることにも利用することができる。

（ｅ）モデル画像演算ステップＳ５：比較演算用モデル画像を得るためのシミュレーション演算
同定されたパラメータθと同定に用いた入出力データを式（１）に代入し、画素の座標i, jを走査するシミュレーション演算を行うことによって、次のステップＳ６で用いる比較演算用のモデル画像を得ることができる。このモデル画像は、ステップＳ１で解消されなかった１画素未満の画素位置ズレや伸縮ノイズ、センシングノイズを最小２乗法の働きによって吸収（フィッティング）している。ここで、シミュレーションに用いるデータには当然、欠陥画素が含まれることになるが、同定に用いた全データ数に比べてごく少数であるため、最小２乗法ではフィッティングされず、モデル画像には現れない（モデル次数を高く設定しすぎると、微小な欠陥の場合にフィッティングされてしまうことがある）。次の比較演算のステップＳ６では、この現象を利用することになる。

（ｆ）比較演算ステップＳ６：モデル画像と被検査パターン画像との比較演算
モデル画像と被検査パターン画像を比較し（間接比較）、モデル画像と被検査パターン画像の対応する画素のレベル差の２乗が対応する画素のレベルとなる２乗誤差パターン画像を２次元ＦＩＲフィルタ演算処理（演算の対象となる画素のデータに周辺の８個の画素のデータを加え合わせる等）してノイズ除去した後、閾値演算処理して被検査パターン画像中の欠陥画素の座標を特定する。

実際の欠陥画素の座標検出シミュレーション結果を図５乃至図７を参照して説明する。図５は、ピンドット欠陥を含む１サブストライプ５の被検査パターン画像（透過照明）を１６個のフレーム（５１２×５１２画素）に分割し、フレームＦ５とフレームＦ８のみを模式的に示した図である。図６（ａ）は欠陥を含まないフレームＦ５の画像を示し、図６（ｂ）は欠陥を含まないフレームＦ５についてのシミュレーション結果を示す図である。図７（ａ）はピンドット欠陥を含むフレームＦ８の画像を示し、図７（ｂ）はピンドット欠陥を含むフレームＦ８についてのシミュレーション結果を示す図である。フレームＦ５については、２乗誤差パターンが平坦で欠陥が検出されず、フレームＦ８については、２乗誤差が欠陥画素の位置で突出しており、その座標が特定できていることがわかる。

２乗誤差の突出が小さくて、欠陥かどうか判らないような場合は、入出力データを入れ換えたりして、多数決をとるやり方も採用することができる。

以上、説明したように、本実施形態によれば、画像の画素位置ズレや伸縮ノイズ、センシングノイズに埋もれるほどの欠陥を可及的に検出することができる。

次に、反射照明の画像を中心にして、Die to Die 比較方法以外の手法である、Die to Database比較方法や、透過反射同時比較方法についての適用例を述べる。

図８（ａ）乃至図８（ｆ）に各比較方法で用いる画像を示す。

図８（ａ）は反射用データベース画像、図８（ｂ）は反射用データベース＋リサイズ＋ぼかしフィルタ画像、図８（ｃ）は反射照明のセンサ画像（ピンホール欠陥可検出）、図８（ｄ）は透過照明のセンサ画像（ピンホール欠陥不可検出）、図８（ｆ）は透過照明のセンサ画像白黒反転（ピンホール欠陥不可検出）を示す。

図８（ａ）乃至図８（ｆ）から、反射照明ではピンホール欠陥が検出できるが、透過照明ではピンホール欠陥が検出できないことがわかる。

本実施形態では、データベースで発生したパターン画像にも適用できる汎用性を持っているが、鮮鋭化フィルタを用いる場合は、画像が滑らかである必要があり、ここでは、リサイズ＋ぼかしフィルタを適用した図８（ｂ）を用意した。なお、リサイズには膨張、収縮、丸めを含む。

また、透過反射同時比較をするために、白黒反転させた図８（ｆ）も用意している。

図９（ａ）は図８（ｂ）に示す反射用データベース＋リサイズ＋ぼかしフィルタ画像であり、図９（ｂ）は図８（ｃ）に示す反射照明のセンサ画像を示し、図９（ｃ）は反射データベース検査のシミュレーション結果を示す。図１０（ａ）は図８（ｆ）に示す透過照明のセンサ画像白黒反転（ピンホール欠陥不可検出）であり、図１０（ｂ）は図８（ｃ）に示す反射照明のセンサ画像を示し、図１０（ｃ）は透過反射同時検査のシミュレーション結果を示す。

図９（ｃ）、図１０（ｃ）に示すシミュレーション結果から２つの例ともに、ピンホール欠陥が検出できていることがわかる。

以上述べたように、本実施形態によれば、転写マスク上のパターンの微細化が進んでも、画像の画素位置ズレや伸縮ノイズ、センシングノイズに埋もれるほどの欠陥を検出することができる。また、センサ特性やダイ特性をオンラインで同定しているので、検査装置の運用で設定すべきパラメータが少ないという利点がある。

さて、以上の実施形態以外にも、請求項に基づく様々な組合せが考えられる上に、各種ＦＩＲフィルタなどの演算や最小２乗法の解法などの演算についても、別の手法の適用が考えられるので、本発明は、ここで述べた実施形態に制限されないことは言うまでもない。

本発明の一実施形態によるパターン検査方法の検査手順を示すフローチャート。 本発明の一実施形態によるパターン検査方法の原理を示す概念図。 パターン検査装置の一具体例の構成を示す図。 ラインセンサのマスク走査による画像取得を説明する図。 ピンドット欠陥を含む１サブストライプの被検査パターン画像の模式図。 １サブストライプ中のある欠陥のないフレーム画像を用いた欠陥検出シミュレーション結果を示す図。 １サブストライプ中のある欠陥のあるフレーム画像を用いた欠陥検出シミュレーション結果を示す図。 透過画像と反射画像、データベースをフィルタ処理した画像の例を示す図。 ピンホール欠陥の反射データベース検査のシミュレーション結果を示す図。 ピンホール欠陥の透過反射同時検査のシミュレーション結果を示す図。

符号の説明

２ 被検査試料（転写マスク）
４ ストライプ
５ サブストライプ
１０ 光源
１２ ステージ
１４ 透過光学系
１６ 反射光学系
１８ 透過光センサ
２０ 反射光センサ
３０ ＣＡＤデータ
３２ 参照データ発生回路
３４ 設計データ
４０ 比較回路

Claims (9)

1. パターンを有する被検査試料に光を照射し、前記被検査試料からの反射光または透過光を検出することにより被検査パターン画像を取得し、この取得した被検査パターン画像に基づいて前記被検査試料のパターンの欠陥の有無を検査するパターン検査方法であって、
   前記被検査試料から取得された被検査パターン画像を分割した部分被検査パターン画像と、前記被検査試料の検査基準パターン画像を分割した、前記部分被検査パターン画像に対応する部分検査基準パターン画像とを重ね合わせて両部分パターン画像のレベル差の２乗和が最小となる条件の下で前記部分検査基準パターン画像と前記部分被検査パターン画像との画素位置ズレを補正し、この画素位置ズレ補正処理を分割された前記部分被検査パターン画像すべてに対して行う画素位置ズレ補正演算ステップと、
   画素位置ズレ補正された前記部分検査基準パターン画像を２次元入力データとし、画素位置ズレ補正された前記部分被検査パターン画像を２次元出力データと見なして、パラメータを有する２次元入出力線形予測モデルを設定するために、前記検査基準パターン画像および前記被検査パターン画像を走査して画素位置ズレ補正されたパターン画像データを収集するステップと、
   前記収集されたパターン画像データに基づいて最小２乗法を用いて前記２次元入出力線形予測モデルのパラメータを同定する同定演算ステップと、
   前記同定された２次元入出力線形予測モデルのパラメータを用いて前記２次元入出力線形予測モデルを適用して演算することにより前記部分検査基準パターン画像に対応するモデル画像を得るモデル画像演算ステップと、
   前記モデル画像と前記部分被検査パターン画像との比較から得られた２乗誤差パターン画像をノイズ除去した後、閾値演算処理して前記部分被検査パターン画像中の欠陥画素の座標を特定する比較演算ステップと、
   を備えたことを特徴とするパターン検査方法。
2. 前記収集するステップの前に前記部分検査基準パターン画像および前記部分被検査パターン画像各々に対して画像を鮮鋭化する２次元ＦＩＲフィルタを用いて鮮鋭化するステップを備えたことを特徴とする請求項１記載のパターン検査方法。
3. 前記検査基準パターン画像および前記被検査パターン画像は、予め複数の領域に分割されており、各領域に対応して、前記画素位置ズレ補正演算ステップ、前記収集するステップ、前記同定演算ステップ、前記モデル画像演算ステップ、および前記比較演算ステップを、並列化して行うことを特徴とする請求項１または２記載のパターン検査方法。
4. 前記比較演算ステップのノイズ除去は２次元ＦＩＲフィルタ演算処理により行うことを特徴とする請求項１乃至３のいずれかに記載のパターン検査方法。
5. 前記検査基準パターン画像は、前記被検査パターン画像とは異なる、前記被検査試料から取得したパターン画像であることを特徴とする請求項１乃至４のいずれかに記載のパターン検査方法。
6. 前記検査基準パターン画像は前記被検査試料からの透過光を検出して取得したパターン画像であり、前記被検査パターン画像は前記被検査試料からの反射光を検出して取得したパターン画像であることを特徴とする請求項１乃至５のいずれかに記載のパターン検査方法。
7. 前記検査基準パターン画像と、前記被検査パターン画像とは同時刻に取得したことを特徴とする請求項６記載のパターン検査方法。
8. 前記検査基準パターン画像は、前記被検査試料のパターンの設計データから展開された展開パターン画像であることを特徴とする請求項１乃至４のいずれかに記載のパターン検査方法。
9. 前記検査基準パターン画像は、前記展開パターン画像をリサイズ加工およびぼかしフィルタ加工して、エッチングプロセスや画像取得用光学系を模擬した模擬パターン画像に置き換えたパターン画像であることを特徴とする請求項８記載のパターン検査方法。