CN109891341A - 用于控制工业过程的方法和设备 - Google Patents

用于控制工业过程的方法和设备 Download PDF

Info

Publication number
CN109891341A
CN109891341A CN201780064966.3A CN201780064966A CN109891341A CN 109891341 A CN109891341 A CN 109891341A CN 201780064966 A CN201780064966 A CN 201780064966A CN 109891341 A CN109891341 A CN 109891341A
Authority
CN
China
Prior art keywords
product unit
chip
data
unit
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201780064966.3A
Other languages
English (en)
Inventor
寇伟田
A·伊普玛
M·奥普特曼
M·屈珀斯
韩敏燮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Netherlands BV
Original Assignee
ASML Netherlands BV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Netherlands BV filed Critical ASML Netherlands BV
Publication of CN109891341A publication Critical patent/CN109891341A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4188—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by CIM planning or realisation
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2602—Wafer processing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32191—Real time statistical process monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32206—Selection from a lot of workpieces to be inspected
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37224—Inspect wafer
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/42—Servomotor, servo controller kind till VSS
    • G05B2219/42001—Statistical process control spc
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)

Abstract

在多个半导体晶片(900；1020)上执行一种光刻过程。所述方法包括选择一个或更多个晶片作为样本晶片(910‑914；1030‑1034)。仅在所选择的样本晶片上执行量测步骤(922；1042)。基于所选择的样本产品单元的量测结果(924；1046)，限定用于控制所述晶片或未来晶片的处理的校正。样本产品单元的选择至少部分地基于关于晶片测量的物体数据(902；1006)的统计分析。可以使用相同的物体数据或其它数据用于将晶片分组成多个组。选择样本晶片可以包括选择通过所述统计分析识别为它们的组中最具代表性的晶片的晶片(910‑914；1030‑1034)。选择样本晶片可以包括去除被识别为不具有代表性的产品单元(916；1036)。

Description

用于控制工业过程的方法和设备
相关申请的交叉引用
本申请要求于2016年10月21日提交的欧洲申请16195049.8的优先权，该欧洲申请通过引用全文并入本文。
背景技术
光刻过程是光刻设备将期望的图案施加至衬底上(通常施加至衬底的目标部分上)，然后各种化学处理和/或物理处理步骤完成该图案以产生复合产品的功能特征的光刻过程。衬底上的图***放置是用于减小电路部件和可以由光刻术生产的其它产品的大小的主要挑战。具体地说，准确地测量已经放置于衬底上的特征的挑战是能够足够准确地定位叠置的特征的连续层以高良率生产工作器件的关键步骤。通常，所谓的重叠应该在如今的亚微米半导体器件中的数十纳米内实现，降低到最关键层中的几纳米内来实现。
因此，现代光刻设备涉及在目标部位处实际地曝光或以其它方式图案化衬底的步骤之前和之后集中测量或“映射”操作。可以识别性能参数中的许多“指纹”，并且可以应用实现先进过程控制的反馈回路以改善所述过程的总体性能。
先进过程控制(APC)识别性能参数(例如重叠)中的可校正的变化，并且将一组校正应用到一个批次(批)的晶片。在确定这些校正时，考虑来自先前批次的校正以避免过度校正测量中的噪声。为了使当前校正与先前的校正足够平滑，所考虑的校正的历史应该匹配当前批次的情境。在这方面，“情境(context)”涵盖识别出现在相同总工业过程内的变型的任何参数。层ID、层类型、产品ID、产品类型、掩模ID等都是情境参数，这些参数可以在已经完成的性能中导致不同的指纹。除了可以用于高容量制造设施中的单独的扫描仪之外，用于涂层、蚀刻及半导体制造所涉及的其它步骤中的每一个的单独的工具也可以批次间或晶片间发生变化。这些工具中的每一个可以将特定误差“指纹”强加在产品上。除了半导体制造领域以外，相似的情形可能出现在任何工业过程中。
为了确保适于特定情境的准确反馈控制，不同批次(批)的产品单元可以在APC算法中分立的“线程”中被处理。情境数据可以用于将每一个产品单元分配给正确的线程。在制造厂通常通过相同的过程步骤生产高容量的仅几种类型的产品的情况下，不同情境的数目可能相对较小，并且每一个线程中的产品单元的数目将足以允许平滑噪声。具有共同情境的所有批次可以被分配给它们自己的线程，以优化反馈校正及最终的性能。在车间以极少的生产运行时间生产许多不同类型的产品的情况下，该情境可能时常改变，并且具有精确地相同的情境数据的批次的数目可能相当小。仅使用情境数据以将批次分配至不同APC“线程”可能随后导致大量线程，并且每一个线程具有小数目的批次。增加了反馈控制的复杂性，并且用来改善用于小容量产品的性能的能力被降低。将不同批次组合到相同线程而不充分考虑它们的不同情境也将造成性能的损失。
在实际中虽然一个批次内的不同晶片可能具有不同的情境，但当前控制***没有被调适以使用这一不同情境从而允许有效的每个晶片控制。
2016年9月21日的国际专利申请PCT/EP2016/072363未在本申请的优先权日时公布，揭露了控制***，其中用于APC或其他控制回路的批次和晶片按情境准则被分组成线程，其中先前只能设想特定于每个批次的校正，可选地特定于双卡盘设备中的每个卡盘(衬底支撑件)的校正。通过首先使用在产品单元上或与产品单元相关地测量的物体数据执行数据驱动的群集来识别相关的情境参数，然后细化群集以从所有可利用的情境中识别相关的情境准则。这种控制***也在H-G Lee等人的论文(“Reduction of in-lot overlayvariation with integrated metrology，and a holistic control strategy”，Proc.SPIE 9635，Photomask Technology 2015,96351S(2015年10月23日)；doi：10.1117/12.2196879)中描述过。通过提供结构化的方式来识别相关的情境参数，信息可以变成可利用的以允许计算晶片至晶片的过程校正。在专利申请PCT/EP2016/072363中，还披露了通过限定参数特定(例如工具特定的)指纹或校正并通过组合针对当前晶片在情境数据中指示的参数的参数特定的指纹/校正来合成线程特定的指纹/校正，可以进一步有效地减少线程的数目。
任何先进的过程控制***中的显著费用是指提供有意义的反馈和/或前馈校正所需的许多次测量。为了减少这种量测费用，可以在几个样本晶片上仅测量几个样本点，例如使用专利申请WO2015110191A1(Wildenberg&Mos)中公开类型的采样方案优化。为了进一步减少量测费用，可以仅测量几个样本晶片，典型地每个卡盘一个或两个。然而，在多线程控制情况下，要求变为每线程测量一个或更多个晶片。除非测量的样本晶片是所述组(线程)中完全典型的晶片，否则噪声被有效地引入控制***。
专利申请WO2015110191A1和PCT/EP2016/072363的内容以及Lee等人的文献的内容通过引用并入本文，作为本公开的背景。
在公开的专利申请WO2015049087A1中描述了用于在光刻制造设施或其它工业过程中的根本原因分析的诊断设备。诊断设备对在产品单元上或与产品单元相关地所测量的物体数据执行多变量分析。可以在上述群集方法中使用类似类型的多变量分析。诊断设备的一个应用是提供“漂移检测”，换句话说，识别应当排除在进一步处理之外的“异常值”批次，和/或经受进一步检查以去除未来出现类似的批次的“异常值”批次。
用于优化设置和持续的控制操作的技术在2015年12月24日的另一专利申请EP15202675.3中公开，该专利申请也未在本优先权日时公布。
发明内容
本发明用于能够实现对工业过程的改善的监测和控制，包括对于不同的产品单元的过程的性能可以受不同的情境影响的过程。本发明的目的尤其在于改善或维持控制的准确性，而不过度地增加量测费用。本发明在一些实施例中目的在于允许在光刻制造过程中的控制，可选地多线程的过程。
本发明提供一种控制在多个产品单元上执行的工业过程的工业过程方法，所述方法包括：
(a)选择一个或更多个产品单元作为样本产品单元；
(b)仅对所述多个产品单元中的所选择的样本产品单元执行一个或更多个量测步骤；
(c)至少部分地基于在步骤(b)中获得的所选择的样本产品单元的量测结果，限定用于控制所述多个产品单元和/或类似的产品单元的处理的校正，
其中，所述方法还包括接收表示关于所述多个产品单元所测量的一个或更多个参数的物体数据，并且其中，在步骤(a)中，样本产品单元的选择至少部分基于所述物体数据的统计分析。
所述产品单元可以是例如在半导体制造设施中的晶片。通过使用统计分析来选择所述多个晶片中的具有代表性的产品单元，所述量测结果可以给出更可靠的性能改善。可将产品单元分组，并且每组选择样本晶片。
本发明还提供了用于工业过程的控制设备，所述控制设备包括：
用于选择一个或更多个产品单元作为用于量测的样本产品单元的布置；和
用于使用所选择的样本产品单元的量测结果来限定用于控制所述多个产品单元和/或类似的产品单元的处理的校正的布置，
其中，选择布置被布置成接收表示关于所述多个产品单元所测量的一个或更多个参数的物体数据，并且选择样本产品单元，所述样本产品单元至少部分基于所述物体数据的统计分析。
本发明还提供一种计算机程序产品，包括机器可读指令，所述机器可读指令用于引起通用目的数据处理设备实施上述方法和控制设备中的全部或部分。所述机器可读指令可以包含在非暂时性存储介质中。
本发明的另外的特征和优点以及本发明的各实施例的结构和操作将参考附图在下文更详细地进行描述。注意到，本发明不限于此处描述的特定实施例。本文仅出于说明性的目的来呈现这些实施例。基于本文包含的教导，相关领域的技术人员将明白另外的实施例。
附图说明
现在将参考附图仅通过举例方式描述本发明的实施例，在附图中：
图1描绘了根据本发明的实施例的光刻设备；
图2示意性地示出了图1的光刻设备与形成用于半导体器件的制造设施的其它设备的一起使用，该设施包括根据本发明的实施例的控制设备；
图3示意性地示出了应用在图2所示的类型的制造设施中的两种已知的反馈控制方法；
图4示意性地示出了根据本公开的一个实施例的反馈控制方法的操作；
图5和图6示出了物体数据的自动群集的不同示例，示出了原则上根据本公开的原理对代表性的晶片的选择；
图7是根据本公开原理的方法的流程图；
图8是根据本公开的实施例的方法的更详细的流程图；
图9示出了在体现本公开原理的制造方法的一个示例中，将图8的方法应用于提前发送的晶片和漂移晶片的选择；
图10示出了图8的方法在体现本发明原理的制造方法的另一个示例中的应用；
图11示意性地示出了可以应用于图2所示类型的制造设施中的另一种控制方法；
图12是适于应用于图11的控制设备中的根据本公开原理的替代方法的流程图；和
图13示意性地示出了可编程以实施本发明实施例的方法和设备的数据处理硬件。
具体实施方式
在详细地描述本发明的实施例之前，提出一个可以实施本发明的实施例的示例性环境是有指导意义的。
图1示意性地描绘了光刻设备LA。所述设备包括：照射***(照射器)IL，配置成调节辐射束B(例如UV辐射或DUV辐射)；图案形成装置支撑件或支撑结构(例如掩模台)MT，构造成支撑图案形成装置(例如掩模)MA并且连接到第一***PM，所述第一***PM配置成根据特定参数来准确地定位图案形成装置；两个衬底台(例如晶片台)WTa和WTb，每个衬底台被构造成保持衬底(例如涂覆抗蚀剂的晶片)W并且每个衬底台连接到第二***PW，所述第二***PW配置成根据特定参数来准确地定位衬底；以及投影***(例如折射型投影透镜***)PS，配置成将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或更多个管芯)上。参考框架RF连接各种部件，并用作设定和测量图案形成装置和衬底以及图案形成装置和衬底上的特征的位置的参考基准。
照射***可以包括各种类型的光学部件，例如折射型、反射型、磁性型、电磁型、静电型或其它类型的光学部件、或其任意组合，用以引导、成形、或控制辐射。
所述图案形成装置支撑件以依赖于图案形成装置的方向、光刻设备的设计以及诸如例如图案形成装置是否保持在真空环境中等其他条件的方式保持图案形成装置。所述图案形成装置支撑件可以采用机械的、真空的、静电的或其它夹持技术保持图案形成装置。所述图案形成装置支撑件MT可以是框架或台，例如，其可以根据需要是固定的或可移动的。所述图案形成装置支撑件可以确保图案形成装置位于期望的位置上(例如相对于投影***)。
这里使用的术语“图案形成装置”应该被广义地解释为表示能够用于在辐射束的横截面上赋予辐射束图案、以在衬底的目标部分上形成图案的任何装置。应注意，赋予辐射束的图案可以不完全对应于衬底的目标部分中的所期望的图案，例如，如果图案包括相移特征或所谓的辅助特征。通常，赋予辐射束的图案将对应于在目标部分中产生的器件(例如集成电路)中的特定功能层。
如此处所示，所述设备属于透射型(例如，采用透射式图案形成装置)。可替代地，所述设备可以属于反射型(例如，采用如上文所提及类型的可编程反射镜阵列，或采用反射式掩模)。图案形成装置的示例包括掩模、可编程反射镜阵列以及可编程LCD面板。这里使用的任何术语“掩模版”或“掩模”可以被认为与更上位的术语“图案形成装置”同义。术语“图案形成装置”也可以被解释为表示以数字形式存储用于控制这种可编程图案形成装置的图案信息的装置。
这里使用的术语“投影***”应该被广义地理解为包括任何类型的投影***，包括折射光学***、反射光学***、反射折射光学***、磁性光学***、电磁光学***和静电光学***或其任意组合，例如对于所使用的曝光辐射或者对于诸如浸没液体的使用或真空的使用之类的其他因素合适的。这里使用的任何术语“投影透镜”可以被认为与更上位的术语“投影***”同义。
光刻设备也可以是这样一种类型：其中衬底的至少一部分可以被具有相对高折射率的液体(例如水)覆盖，以便填充投影***和衬底之间的空间。浸没液体也可以被施加至光刻设备中的其它空间，例如掩模和投影***之间的空间。本领域中众所周知的是，浸没技术用于增加投影***的数值孔径。
在操作中，照射器IL接收来自辐射源SO的辐射束。例如，当源为准分子激光器时，源和光刻设备可以是分立的实体。在这种情况下，不认为源构成光刻设备的一部分，且辐射束被借助于包括(例如)适合的定向反射镜和/或扩束器的束传递***BD从源SO传递至照射器IL。在其他情况下，例如当源为汞灯时，源可以是所述光刻设备的组成部分。可以将源SO和照射器IL以及需要时设置的束传递***BD一起称为辐射***。
所述照射器IL可以例如包括用于调整所述辐射束的角强度分布的调整器AD、积分器IN和聚光器CO。所述照射器可以用于调节所述辐射束，以在其横截面中具有所期望的均匀性和强度分布。
所述辐射束B入射到保持在图案形成装置支撑件MT上的所述图案形成装置MA上，并且通过所述图案形成装置来形成图案。在已横穿图案形成装置(例如，掩模)MA的情况下，辐射束B穿过投影***PS，所述投影***将所述束聚焦到衬底W的目标部分C上。借助于第二***PW和位置传感器IF(例如，干涉仪器件、线性编码器、二维编码器或电容传感器)，可以准确地移动衬底台WTa或WTb，例如以便将不同的目标部分C定位于辐射束B的路径中。类似地，例如在从掩模库的机械获取之后，或在扫描期间，可以将第一***PM和另一个位置传感器(图1中未明确描绘)用于相对于辐射束B的路径准确地定位图案形成装置(例如，掩模)MA。
可以通过使用掩模对准标记M1、M2和衬底对准标汜P1、P2来对准图案形成装置(例如，掩模)MA和衬底W。尽管所示的衬底对准标记占据了专用目标部分，但是它们可以位于多个目标部分之间的空间(这些公知为划线对准标记)中。类似地，在将多于一个的管芯设置在图案形成装置(例如，掩模)MA上的情况下，掩模对准标记可以位于所述管芯之间。在期望标记尽可能小并且不需要与相邻特征不同的任何成像或过程条件的情况下，在器件特征之中，小的对准标记也可以被包括在管芯内。下面进一步描述检测对准标记的对准***。
所描绘的设备可以用于各种模式中。在扫描模式中，在对图案形成装置支撑件(例如掩模台)MT和衬底台WT同步地进行扫描的同时，将赋予所述辐射束的图案投影到目标部分C上(即，单一的动态曝光)。衬底台WT相对于图案形成装置支撑件(例如掩模台)MT的速度和方向可以通过投影***PS的(缩小)放大率和图像反转特性来确定。在扫描模式中，曝光场的最大尺寸限制了单一动态曝光中目标部分的宽度(沿非扫描方向)，而所述扫描运动的长度决定了目标部分的高度(沿扫描方向)。正如在本领域中众所周知的，其它类型的光刻设备和操作模式是可能的。例如，步进模式是已知的。在所谓的“无掩模”光刻术中，使可编程图案形成装置保持静止，但具有改变的图案，并且移动或扫描衬底台WT。
也可采用上文所描述的使用模式的组合和/或变形例，或完全不同的使用模式。
光刻设备LA是所谓的双平台类型，该双平台类型具有两个衬底台WTa、WTb和两个站-曝光站EXP和测量站MEA-所述衬底台可以在所述两个站之间交换。当一个衬底台上的一个衬底在曝光站上进行曝光时，另一个衬底可以被装载到测量站处的另一个衬底台上，并且执行各种预备步骤。这实现设备的生产量大量增加。预备步骤可以包括使用水平传感器LS来映射衬底的表面高度轮廓和使用对准传感器AS测量衬底上的对准标记的位置。如果位置传感器IF不能够测量衬底台的位置，并且其在测量站处以及在曝光站处时，则可以设置第二位置传感器以实现在两个站处追踪衬底台相对于参考框架RF的位置。其它布置是已知的且可用于代替所示的双平台布置。例如，其中设置衬底台和测量台的其它光刻设备是已知的。这些衬底台和测量台在执行预备测量时被对接在一起，然后在衬底台经历曝光时不进行对接。
所述设备还包括光刻设备控制单元LACU，其控制所描述的各种致动器和传感器的所有运动和测量。LACU还包括信号处理和数据处理能力，以实现与设备的操作相关的期望计算。实际上，控制单元LACU将实现为许多子单元的***，每个子单元处理所述设备内的子***或部件的实时数据获取、处理和控制。例如，一个处理子***可以专用于伺服控制衬底***PW。单独的单元甚至可以处理粗致动器和精致动器，或不同的轴线。另一单元可以专用于位置传感器IF的读出。设备的总体控制可由与这些子***通信的中央处理单元进行控制。
图2中在200处示出了在用于半导体产品的工业制造设施的情境下的光刻设备LA。在光刻设备(或简称“光刻工具”200)内，测量站MEA在202处示出，曝光站EXP在204处示出。控制单元LACU在206处示出。在制造设施内，设备200构成“光刻元”或“光刻簇”的一部分，所述“光刻元”或“光刻簇”还包含涂覆设备208，用于将光敏抗蚀剂和其它涂层施加到衬底W，以用于由设备200进行图案化。在设备200的输出侧，提供焙烤设备210和显影设备212用于将曝光图案显影成实体抗蚀剂图案。
一旦已经施加和显影了图案，图案化的衬底220被转移到诸如在222、224、226处所示的其它处理设备。宽范围的处理步骤是通过典型的制造设施中的各种设备来实现的。为了举例，本实施例中的设备222是蚀刻站，设备224执行蚀刻后的退火步骤。进一步的物理和/或化学处理步骤施加于其它设备226等。可以需要许多类型的操作来制造真实的器件，诸如材料的沉积、表面材料特性的改性(氧化、掺杂、离子注入等)、化学机械抛光(CMP)等。在实践中，设备226可以表示在一个或更多个设备中执行的一系列不同的处理步骤。所描述的包括图案化过程步骤的序列半导体制造过程只是工业过程的一个示例，在所述工业过程中，可以应用本文公开的技术。半导体制造过程包括一系列图案化步骤。每个图案化过程步骤包括图案化操作，例如光刻图案化操作，以及多个其它化学和/或物理操作。
众所周知，半导体器件的制造涉及这种处理的许多重复过程，以在衬底上逐层建立具有适当材料和图案的器件结构。因此，到达光刻簇的衬底230可以是新准备的衬底，或者它们可以是先前已经在该簇中或在另一个设备中完全处理过的衬底。类似地，依赖于所需的处理，离开设备226的衬底232可以返回以用于在相同光刻簇中的后续图案化操作，它们可以被指定用于在不同簇中的图案化操作，或者它们可以是待发送用于切片和封装的成品。
产品结构中的每一层需要一组不同的过程步骤，并且在每一层处的设备226在类型上可能完全不同。此外，即使在待由设备226施加的处理步骤在大型设施中名义上是相同的情况下，也可能存在并行地工作以对不同的衬底执行步骤226的几个假定相同的机器。这些机器之间的设定或故障的微小差异可能意味着它们以不同的方式影响不同的衬底。即使对于每一层是相对地共同的步骤，例如蚀刻(设备222)也可以由几个蚀刻设备实现，这些蚀刻设备名义上是相同的但并行地工作以使生产量最大化。此外，在实践中，不同的层根据待蚀刻材料的细节需要不同的蚀刻过程，例如化学蚀刻、等离子体蚀刻，并且需要特定要求，例如各向异性蚀刻。
可以在其它光刻设备中执行先前和/或后续的过程(如刚才所提到)，且甚至可在不同类型的光刻设备中执行先前和/或后续的过程。例如，在器件制造过程中，在诸如分辨率和重叠等参数上要求极高的一些层相比于其它要求较低的层可以在更先进的光刻工具中执行。因此，一些层可在浸没型光刻工具中曝光，而其它层在“干型”工具中曝光。一些层可在工作在DUV波长下的工具中曝光，而其它层是使用EUV波长辐射曝光。
图2还示出了量测设备240，该量测设备240设置为用于对在制造过程中在期望的阶段的产品的参数进行测量。现代光刻制造设施中的量测站的常见示例是散射仪(例如角分辨散射仪或光谱散射仪)，并且它可以被应用以在设备222中的蚀刻之前在220处测量被显影的衬底的属性。通过使用量测设备240可以确定，例如诸如重叠或临界尺寸(CD)的重要性能参数不满足被显影的抗蚀剂中的指定准确度要求。在蚀刻步骤之前，存在经由光刻簇剥离被显影的抗蚀剂并且重新处理衬底220的机会。还众所周知，来自设备240的量测结果可以用于通过随着时间推移进行小调整来维持光刻簇中的图案化操作的准确性能，由此使得制造出不符合规格且需要返工的产品的风险最小化。当然，量测设备240和/或其它测量设备(未示出)可以应用于测量被处理的衬底232、234及入射衬底230的属性。
量测设备240的另一个特定应用是处理所谓的“预先发送”晶片。这些是待处理的批次或批中的有效样本产品单元。它们在整个过程中预先发送，并且在整个批次处理之前，在这些样本产品单元上测量过程的实际性能。这样，可以计算被定制的校正并将其应用于当前批次的处理中。通常，预先发送的晶片将被剥离并返回所述批次以进行校正处理。预先发送晶片的这种返工由图2中的路径248示意性地指示。
为了改善制造过程在诸如重叠及CD的参数方面的性能，提供先进过程控制(APC)***250。APC***250基于历史性能数据PDAT及基于与单独的衬底相关联的情境数据CDAT实现一种形式的反馈控制，该历史性能数据PDAT可以包括例如量测设备240对重叠和/或CD进行的示例测量值。因此，APC***250访问存储在存储器252中的历史性能数据PDAT。情境数据CDAT也可以被视为“历史”数据，这是因为它并非从产品自身获得的数据，而是表示单独的产品单元(晶片或其它衬底)或产品单元的批的处理历史的全部或部分的数据。在整个图中箭头254示出了情境数据可以如何来自所述设备中的任意一个。利用新衬底230也可以获得情境数据。例如，情境数据可以记录已经应用了哪些类型的过程步骤、哪些单独的设备已经用于那些步骤的执行中、以及哪些参数是由那些设备应用的(例如，当在蚀刻设备222中时的温度或压力情况的设定，或者光刻工具200中的诸如照射模式、对准选配方案等的参数)。所述情境数据存储在存储器256中以供APC***250使用。
性能数据PDAT可以被视为用于本文中公开的技术的一些实施例中的物体数据的示例。可以收集并存储物体数据的其它示例以用于其它实施例中，并且一些实施例可以一起使用不同种类的物体数据，包括性能数据。虽然性能数据是根据针对先前已经经历被控制的处理步骤的产品单元(直接地或间接地)进行的测量导出的，但可以在执行处理之前或期间收集其它物体数据ODAT。图2示出了可选地被收集并存储在数据库260中的这种其它物体数据。这种其它物体数据可以是针对产品单元自身所测量的或针对工业过程中所涉及的其它部件所测量的数据。作为一个示例，存储在数据库260中的物体数据可以包括由光刻设备200使用测量站202中的对准传感器AS常规地获得的对准数据。因为表示在衬底的X-Y平面中的标记的位置的详细测量的所述数据被固有地获得作为正常图案化操作的一部分，所以通过指示控制单元206将该数据存储在物体数据存储器260中，而几乎不招致损失或不招致损失。可替代地或者除了对准数据以外，物体数据可以包括使用水平传感器LS获得的高度数据、来自对准传感器AS的“晶片品质”信号等。在其它实施例中，所述物体数据可以包括在***的其它处测量的、而非针对产品单元自身所测量的数据。这种物体数据的示例可以是使用图1的光刻设备的衬底支撑件中的掩模对准标记M1、M2及传感器所获得的掩模(掩模版)对准数据。
可以分析物体数据的另一个特定示例，可以通过另外的量测设备262来测量晶片形状数据。所述设备可以是例如可以从不同制造商获得的类型的图案化晶片几何扫描仪。在一些生产环境中，这种工具用于测量由过程引起的应力引起的横跨每个晶片的平面外变形(形貌)。光刻设备控制***可以计算对当变形的晶片被平坦地夹持在衬底台上时会被另外地引入的平面内变形(重叠误差)的校正。
概括地说，在背景技术和权利要求书中使用的术语“物体数据”涵盖广泛的多种数据，这些数据可以在制造设施中针对历史产品单元或针对待处理的新产品单元来搜集。具体地说，在背景技术和权利要求书中使用的术语“物体数据”涵盖性能数据PDAT(在处理之后从经过处理的产品单元测得的并存储在存储器252中)及其它类型的物体数据ODAT(在处理之前和/或期间从产品单元或其它***测得的并存储在存储器260中)两者。将在下文中参考图5及图6描述使用两个类型的物体数据的示例。
虽然图2示出了用于情境数据、性能数据及物体数据中每一个的分立的存储器252、256、260，但应该理解，这些不同类型的数据可以存储在一个共同存储单元中，或者可以在较大数目的存储单元上进行分布，可以在需要时从所述存储单元获取数据的特定项目。此外，尽管情境数据254被示出为来自每个单独的设备222、224等，但可以通过整体地控制光刻元和/或制造厂的操作的中央控制***来收集该数据。
情境数据和性能数据存储器中的每一个记录被标注有唯一标识符。应该注意的是，单独的晶片可能在制造过程期间重复地穿过同一光刻工具，或者可能穿过测量相同标记的不同工具，可以在制造过程的不同阶段收集用于同一产品单元的数据。这些测量实例中的每一个可以在分析中被视为独立的产品单元。然而，在复合制造过程中的不同阶段处测量同一晶片的多个实例的情况下，物体数据将包括不仅唯一地识别单独的晶片而且识别其已被测量的处理阶段的识别符。典型地，在光刻过程中，同一衬底的不同实例将与器件结构的图案化连续层相关联。
图3(a)示意性地示出了由APC***250实现的一种类型的控制方法的操作。从存储器252接收历史性能数据PDAT，该历史性能数据已经通过量测设备240或者其它装置从晶片220获得，所述晶片已经被光刻设备200和光刻元的相关联设备处理过。反馈控制器300分析在用于最近批次的性能数据中所表示的性能参数，并且计算被馈送到光刻设备200的过程校正PC。这些过程校正被添加到从光刻设备的对准传感器及其它传感器导出的特定于晶片的校正，以获得用于每一个新批次的处理的组合校正。
为了在提供这种控制方法中减少量测费用，有可能的是，并不是使用量测设备240测量所有的晶片或充分测量所有晶片。下文公开的技术可用于改善对用于量测术的样本晶片的选择。
图3(b)示意性地示出了由已知的APC***250实现的另一类型的控制方法的操作。可以看出，该反馈控制方法的整体形式与图3(a)所示的反馈控制方法相同，但在本示例中，与历史晶片相关的情境数据及与当前晶片相关的情境数据CTX用于提供对性能数据PDAT的更有选择性的使用。具体地说，虽然在较早的示例中，在单一串流(stream)302及修改的方法中组合用于所有历史晶片的性能数据，但来自存储器256的情境数据用来将用于每一个历史批次的性能数据分配给几个线程304中的一个。这些线程由反馈控制器300在并行反馈回路中有效地处理，从而产生多个过程校正306，每一个过程校正基于线程304中的一个中的晶片的历史性能数据。然后，当接收新批次以用于处理时，它们的单独的情境数据CTX可以用于选择线程中的哪一个提供用于当前晶片的适当的情境数据306。用于此目的的情境数据可以包括在将晶片装载到光刻设备之前在晶片上测量的晶片形状数据。
通常，将会看到，制造设施的操作者必须就反馈控制的粒度(granularity)做出决定。在图3(a)的示例中，不应用粒度，并且所有产品单元被处理为单个线程。在已知单独的晶片台或“卡盘”对性能有强烈影响的情况下，则已知要应用对于每批次和每个卡盘的校正。在图3(b)的示例中，然后可以提供不同程度的粒度，但该程度始终依赖于已知的合适性能数据和情境准则。在已知的实践中，通常将为每个批次而非每个单独的晶片提供校正。在许多情况下，将根本不提前知道情境数据的哪些参数与将限定分割成线程的最优度相关，以及哪些参数不与其相关。因此，可以将所述批次分割成比所需的情况小的线程，或者在实际上进一步分割将会产生较佳性能时将其分组成更大的线程。上述的专利申请PCT/EP2016/072363描述了修改的控制***，其可与本公开组合使用。本文将不重复这种控制***的简要细节，而所述专利申请的全部内容通过引用并入本文。Lee等人的文献提供了对这种***的进一步讨论。
再次参考图2，公开了控制***的一个示例，在所述示例中可以采用本公开的技术。在这个经修改的控制***中，除了基于历史物体数据的统计分析与情境信息的组合之外，基于情境数据将历史物体数据(例如历史性能数据)分配至线程。提供统计分析模块270，所述统计分析模块270主要从存储器252接收历史性能数据PDAT并执行历史产品单元的数据驱动的分割。在分割细化模块272中，来自存储器256的历史情境数据CDAT用于细化参考情境的分割。这样，相关情境数据可以用于将性能数据分配至适当的线程中，并且不需要通过参考实际上并非如此相关的情境数据来增加线程的数目。这个步骤的一个益处是，其情境将使其放置在具有不良反馈性能的填充非常不足的线程中的产生单元，因此可以被分配至仍提供有效性能改善的更好地填充的线程。虽然将首先使用来自存储器252的性能数据描述示例，但已经提到的是，在其它示例中，代替性能数据或除了性能数据之外，也可以使用来自存储器260的其它类型的物体数据ODAT。因此，除非情境另有规定，否则在本说明书中对性能数据的提及更通常应该理解为对物体数据的提及。
图4是在图2所示的控制方法的一个实施例中的统计分析模块270和分割细化模块272实施现的方法的流程图。在图的底部处示出了反馈控制器400，所述反馈控制器400以与图3(b)的反馈控制器300非常相似的方式运行。根据来自存储器256的情境数据CDAT，将来自存储器252的历史性能数据PDAT分配至不同的线程404。反馈控制器400产生用于多个线程404的过程校正(PC)406，并且使用当前晶片情境数据CTX选择用于当前晶片的适当过程校正PC。然而，不同于已知的方法，不能仅通过参考历史情境数据来将历史性能数据分配至线程404，而且也考虑到由现在将会描述的方法导出的情境准则CC来分配。当选择待施加到未来晶片的过程校正时，与当前晶片情境数据CTX组合地使用这些相同情境准则。在控制***允许的情况下，可以基于每个晶片选择并施加过程校正，或者对每个批次施加过程校正(如果优选的话)。一些类型的性能数据可以仅基于每个批次是可用的，因为不会频繁地对每一个晶片进行详细的性能测量。然而，对于许多批次，可以使得基于每一个晶片不同情境之间以统计方式进行区分的方式对晶片进行采样。出于此目的，我们在下文进一步描述改善晶片采样的技术。
在步骤410处，在不参考与产品单元(晶片)相关联的情境数据的情况下执行历史性能数据PDAT的统计分析，已经在所述产品单元(晶片)上测量工业过程的性能参数。可以设想不同形式的统计分析，并且这里将出于说明而提到仅一对示例。在一个示例中，步骤410包括执行多变量分析(例如主分量分析(PCA))以识别对从产品单元自身(在这种情况下是晶片)测量的性能参数贡献的多个分量。可以使用不同形式的多变量分析，并且PCA分析在本文中仅仅作为一个示例被提及。在PCA的特定示例的情况下，识别的分量向量在多维空间中正交。在被称作独立分量分析(ICA)的另一种方法中，分量向量是独立的(意思是每一个分量向量都不能被写成其它分量向量的线性组合)。ICA技术保留处于零的所有第二阶及高阶交叉相关度(cross-correlation)，而PCA技术的正交性使得第二阶交叉相关度为零，但可以保留非零高阶交叉相关度。为了方便起见而不期望任何限制，所执行的步骤410及分析将在下文中被称作PCA分析。
在已公布的专利申请WO2015049087A1中描述了光刻制造设施或其它工业过程中的这种统计分析的详细实施方案。该申请的内容以引用的方式并入本文。在已公布的专利申请中，诸如PCA或其它多变量分析的统计分析用于从物体数据(其可以是在处理之后从产品单元测量的性能数据)提取诊断信息，和/或可以包括其它物体数据，诸如在图案化之前使用对准传感器(AS，图1)所测量的位置偏差。在现在描述的方法中，虽然目的可以不同，但分析的原理及结果的形式可以与先前已公布的专利申请中的分析的原理及结果的形式相似。当然，可以在制造设施中与本申请的控制方法同时实现先前的专利申请的诊断方法。
在步骤412处，统计分析的结果被应用于限定表示在历史性能数据中的产品单元的第一分割。这种分割基于每一个产品单元在由主分量向量限定的多维空间中、在由所测量和表示在性能数据PDAT中的性能参数的集合限定的多维空间中的位置。通过“分割”，我们是指产品单元的集合中的每一个的成员关系在两个或更多个子集之间的分配。在“硬”分割中，每一个产品单元是某一个子集的成员或者不是某一个子集的成员。电可以使用“软”分割，其中，将指示成员关系度或多于一个子集的成员关系概率的成员关系值分配给产品单元。技术人员将能够调适本教导以允许软分割。为了简化本说明书，将仅示出硬分割。
图5基于统计分析的结果象征性地说明将产品单元分割成不同的子集或“簇”。用于多个产品单元的性能数据由三维曲线图上的点表示，三维曲线图的轴线是通过统计分析发现的主分量PC1、PC2和PC3。本示例中的产品单元已经被分配至被标注为A、B及C的三个簇。因此，由点502表示的产品单元最初被分配至簇A，由点504及506表示的产品单元最初被分配至簇B，并且点508及510最初被分配至簇C。应该记住的是，三维曲线图的这种二维表示只是简化的图示，并且可以基于3个、4个、10个或更多分量执行分割。
现在考虑应用于表示在历史性能数据中的产品单元的种群内的不同产品单元的不同情境，图5中的数据点的不同形状(菱形、圆形、三角形)用于指示三个不同的子种群，所述三个不同的子种群由它们的可在情境数据中表示的处理历史限定。可以假定，不同的主分量表示由每一个产品单元的处理情境中的特征中的某些特征或组合造成的误差指纹。因此，将会看到，分割成簇A、B及C已成功地对大多数产品单元以及同一子种群(相同形状的数据点)的其它成员进行分组。当处理未来单元时，会仅将情境数据用作用于控制处理的基础。因此，在上文提到的专利申请PCT/EP2016/072363所公开的方法中，将采取另外的步骤以根据统计分析及历史情境数据从适用于每一个产品单元的所有情境参数中识别出哪些是相关情境参数，以用于控制未来单元的目的。
在不参考情境数据的情况下有意地执行统计分析步骤410及初始分割步骤412。因此，可以预期的是，子种群的一些成员(例如统计异常值)最初可能被分配至“错误”簇。可以在已经分组至簇C中的菱形形状数据点510中看到这种示例，其中，大多数数据点是三角形形状并因此具有不同的情境。类似地，一对三角形形状的数据点506已经分组在簇B中，在簇B中，大多数点具有菱形形状。因此，如果历史性能数据的统计分析将用作用于将产品单元分割成线程以用于反馈控制的目的的唯一基础，则用于给定线程的所得的过程校正可能包含来自产品单元的不期望的贡献，所述产品单元与该线程中的其它产品单元具有不同的情境。
图5中还示出了两个不易于分配至任何一个簇的“异常值”或“偏移”晶片520、522。这些可以通过统计分析识别，如下文将进一步描述。在每个簇内，突出显示另外的样本(530、532、534)，下文将对这些样本进行进一步解释。
图6示出了可以应用的统计分析的类型的另一个示例，尤其是混合回归分析。在图6的示例中，水平轴表示穿过光刻设备200的一个批次内的晶片编号。一个批次可以例如在典型半导体制造设施中包括25个晶片。已知的是，某些误差指纹起因于在曝光批次期间生成且在曝光下一批次之前再次散发的热效应。这种效应的示例可以是掩模版(掩模)加热，并且前馈控制***可以限定利用贯穿批次的过程对数性地增加的强度而待施加的掩模版加热校正。为了确定适当的对数曲线及强度水平，通常将会执行历史物体数据的统计分析，而非试图根据任何“第一原理”计算预测所要求的校正。在这样的示例中，如上文所提到的，物体数据可以是除了在经过处理的产品单元上所测量的性能数据以外的数据。所述数据可以是在处理之前或期间在产品单元上或在该***的其它部分上所测量的物体数据。物体数据的示例是从每一个晶片测量的对准数据。另一个示例是使用图案形成装置(掩模或掩模版)上的标记及位于在衬底台或相关联的测量台上的晶片旁边的传感器所测量的掩模对准数据。掩模对准数据可以在识别图6所示的掩模版加热指纹的示例中特别有用。
在分析关于掩模版加热指纹PRH的物体数据的情况下，可以以图6所示的方式在曲线图上相对于晶片编号绘制来自一个或更多个批次的数据点。回归分析可以用于以公知的方式将对数曲线与观察到的数据进行拟合。然而，根据经验，可以知道一个或更多个情境变量也可以起作用，并且没有单个对数曲线可以与数据集合进行拟合。对于这种情况，有可能应用混合模型。混合模型可以基于回归、PCA、ICA及任何其它统计模型。作为示例，可以已经在混合的工具上处理产品单元的历史种群，并且每一个工具的性能可以随时间推移以特定方式漂移。倘若统计数据库足够广泛，则混合模型可以在不具有现有知识的情况下识别并分离这些不同的情境。
返回至图6，混合回归分析例如将允许拟合两个、三个或更多个单独的曲线，每一个曲线与该数据中的一个子种群相关联。可以或不可以提前知道或推测数据库内的种群的数目。在图6的示例中，我们假设已知应该拟合两个曲线602和604。其的一个原因可能是诸如图1所示的光刻设备的光刻设备具有两个卡盘(衬底台WTa和WTb)，并且观察到的掩模版加热误差依赖于正在使用的晶片台而看上去不同，这是因为两个卡盘中的传感器具有稍微不同的响应。因此，图6所示的数据点的种群可能实际上源自产品单元的两个子种群，所述两个子种群在该附图中通过圆形数据点608、610等和三角形数据点612、614等示出。在没有这些点的不同情境的知识的情况下，统计分析步骤410可以例如决定给定的数据点属于将被拟合的第二对数曲线604所在的子种群，而这些产品单元的情境的知识可以指示其通常属于与第一对数曲线602更相关的子种群。在每个子种群内，突出显示几个特定的样本(630、632)，下文将对这些样本进行进一步解释。
基于这种回归分析的掩模版加热校正可以是用作光刻设备内的前馈控制***的一部分的校正，而非用作先进过程控制***250的一部分的校正。然而，对于新产品单元，问题仍然是只有情境是已知的。在没有特定的情境参数(例如卡盘ID)的重要性的现有知识的情况下，控制***如何知道用于提供针对不同情境优化的前馈控制的相关情境参数是哪些？若存在由混合模型发现的两个种群，则它们是由不同卡盘ID造成的还是由某一其它因素造成的？即使所述种群是由两个不同卡盘ID造成的，但它是本设备的卡盘还是造成差异的先前使用的工具的卡盘，或两者的组合？
前馈控制的另一个示例是对准过程，已经在关于图1的光刻设备的操作中描述该对准过程。每一个晶片所测量的对准数据被与用于产生在图案化(曝光)期间将被应用的校正的对准模型进行拟合。在应用上文提及的专利申请PCT/EP2016/072363所公开的原理的情况下，以依赖于针对新晶片接收的情境数据的方式使用针对新晶片所测量的对准数据可以是有利的。一种方式将会是基于情境数据使对准模型(潜在地在不同对准模型之间选择)变化。对历史对准数据和情境数据的分析可以识别出：哪些情境参数与每一个批次或者甚至每一个晶片地选择最适当的对准模型相关。
应该注意的是，用作用于反馈控制的输入的物体数据无需包括在横跨衬底的点处对位置、重叠或某一其它参数的单独的测量。在与上文所说明的类型的先进过程控制相关的一个实施例中，现有的APC反馈控制器300被设计成与通过参数化模型表达的性能数据(由多顶式方程式的系数表达误差指纹)起作用。一起考虑从每一个晶片或晶片的组进行的测量，并且拟合模型。在经修改的反馈控制器400中，可以使用同一参数化模型，并且可以根据该模型表达用于开始晶片的性能数据。类似地，在对准数据的示例中，所使用的物体数据可以是经拟合的对准模型的参数，或是经拟合的模型的残差，而不是原始位置数据。
若该模型具有例如10个参数，则用于每一个晶片或晶片的组的性能数据由用于那些参数的10个值的集合表示，并且晶片或晶片的组可以由10维参数空间中的点表示。相同的参数可以用于表达校正PC，并且光刻设备可以被设计成直接地或者将这些参数转换至另一个模型空间中而响应于这些参数。本领域技术人员将会了解，这只是性能数据的间接表示的一个示例。应该理解的是，如果可以横跨每一个衬底进行100次单独的重叠测量，则将这些测量减小至10参数模型表现出压缩数据的相当大的益处。通常，分析呈无法直接或间接与可以用于光刻设备或其它工业过程的控制***中的校正的参数相关的形式的误差几乎不存在益处。当然，在其它实施例中，可以限定不同的模型，但可以应用相同的原理。
返回至图4，在步骤414中，在所公开的方法中使用来自存储器256的情境数据CDAT，以用于细化历史产品单元的分割及其性能数据，并且尤其用于强加基于统计分析但就情境数据而言被观看时有意义的“逻辑”分割。在上文提到的专利申请PCT/EP2016/072363中更为详细地描述了这种细化步骤的示例。
在416处，分割的细化被总结并且限定最终分割。在418处，已传递情境准则CC的集合，可以利用该集合将表示在历史性能数据中的产品单元及新产品单元明确地分配至多个子集中的一个子集，所述子集对应于反馈控制器400的各个线程404和406。相比于情境数据的所有参数将用于限定用于每一个情境的唯一线程的情况，线程的数目可以少得多。在使用统计分析的情况下，仅实际上与性能的差相关联的那些情境参数需要用作用于将历史和未来产品单元的种群分割成线程的基础。在上文到的专利申请PCT/EP2016/072363中更为详细地描述了用于进一步降低线程数目的可选技术。
步骤410至418连同反馈控制器400自身可以由经连接以便从图2的制造设施接收数据的计算机硬件及软件的组合实现。计算机硬件可以与光刻工具及其它设备位于相同的设施中，或者它可以远程地定位并由电信信道和/或可移除式存储器连接。
图7示出了根据本公开的一个实施例的控制方法中的步骤的一般顺序。在步骤702处，接收产品单元(例如半导体晶片)的集合以用于由工业过程进行处理。在704处，在所述产品单元的集合上或与所述产品单元的集合相关地测量物体数据(或从预先存在的测量接收)。这种物体数据可以是上面背景讨论中提到的任何类型的物体数据。在图2的制造设施中，例如，物体数据可以是在图案化晶片时作为初始步骤在光刻设备200内测量的对准数据，它可以是在图案化晶片之前在晶片形状量测工具262中测量的晶片形状数据，和/或它可以是在已经处理了层的先前步骤之后使用量测设备240测量的性能数据。物体数据可以是多于一种类型。下文将呈现说明这些可能性中的一些的示例应用。
在步骤706处，在这个示例中，正经受工业过程的产品单元的集合被分割成多个子集。可以基于与产品单元一起接收的情境数据来执行这种分割。替代地或另外地，所述分割可以基于使用上面参考图4至图6描述的方法在步骤704中测量的一种或更多种物体数据的统计分析。
然后，对于每个子集，在710处，选择一个或更多个样本产品单元用于量测。使用表示关于多个产品单元测量的一个或更多个参数的物体数据712来执行这个步骤。样本产品单元的选择至少部分地基于物体数据712的统计分析。用于这个步骤的物体数据712可以是与在分割步骤706中使用的物体数据(如果有的话)相同种类的或不同种类的物体数据。
在714处，仅对多个产品单元中的所选的样本产品单元执行一个或更多个量测步骤。在716处，至少部分地基于所选的样本产品单元的量测，导出用于控制多个产品单元的处理的校正。此外，可以使用情境数据718来导出所述校正。在720处使用所述校正来控制产品单元的处理，例如将图案施加于半导体制造设施中的晶片。
测量样本产品单元的方式和使用测量计算校正的方式可以是相关制造领域中已知的任何技术。根据本公开的原理，因为样本产品单元的选择至少部分地基于物体数据的统计分析，所以对于给定水平的量测费用，可以改善可实现的控制准确度。
在用于半导体制造中的批量级和卡盘级控制的典型方法中，选择量测晶片的有限的集合(典型地为每个卡盘2个)。众所周知，从批次的中心选择晶片以避免加热效应进入控制回路。然而，由于一批次在其寿命中经历了复杂的处理情境，所以所述批次内的晶片可以根据它们例如在哪个腔室或工具中已经处理过、它们在那些腔室中的方向等等具有不同的重叠指纹。典型地，这导致指纹的分布，经常导致由于类似的处理历史而具有相似形状和指纹的所述批次的晶片内的“子种群”或分组。当从一批“随机”挑选样本晶片时，这种指纹的分布显然没有被考虑在内，因此这些样本晶片可能不能代表该批次和该批次内的指纹分布，这可能当过程校正基于所选择的晶片和被施加至整个批次时导致重叠损失。此外，在处理误差或其它情况影响某些晶片的情况下存在风险，并且这些“漂移”晶片被偶然被选择为量测晶片。来自漂移晶片的测量随后用其漂移指纹“污染”重叠控制回路。由于在高容量制造情况下需要限制量测费用，所以样本晶片的数目将相对较小，并且这种污染可能具有不成比例的效应。
在可以将晶片的集合分割成子集的情况下，如图7所示，可以通过特定在每个子集内选择样本晶片来进行样本晶片选择的第一改善。于是，在图4的多线程控制方法中，可以将测量的性能数据应用于控制适当的线程。然而，多线程方法使得量测费用的问题更加严重，并且子集内的样本晶片的随机选择仍然可能导致在不能真正代表大多数的晶片上执行量测。
根据本公开的原理，借助于物体数据的统计分析来执行图7的方法中的样本产品单元的选择，从而避免或减少选择不具代表性的产品单元。
为了考虑这一点，再次参考图5和6的示例。已经识别出晶片的三个子集或“簇”，其大体上落在由主分量PC1、PC2、PC3限定的多维空间的三个不同区域中。使用主分量作为参考，可以识别漂移晶片520和522。在图7的方法的一些实施例中，物体数据712的统计分析允许识别这些漂移晶片并排除将这些漂移晶片考虑作为步骤710中用于量测的潜在样本晶片。因此，在这些实施例中，选择样本产品单元或产品单元包括去除由所述统计分析识别为多个产品单元中的不具有代表性的产品单元。即使随后将从每个子集的剩余成员中随机选择样本晶片，至少上文提到的“污染”的问题也将会得以减少。
如果期望的话，可以在多维空间中或在单个维度中限定用于排除漂移晶片的边界。边界可以完全自动地和/或在专家帮助下被限定，并且可以在由统计分析限定的多维空间中具有任意形状。例如，多个紧密边界可以围绕单独的簇，或者一个边界可以涵盖整个集合。所述边界可以随着容量制造进程而被细化，并且可以在开发阶段被设定为较宽。
为了进一步改善监测和性能控制的品质，在该方法的一些实施例中，选择用于量测的样本产品单元包括优先选择由所述统计分析识别的作为所述多个产品单元中最具代表性的产品单元。在图5的示例中，突出显示某些晶片530、532和534，其被认为是其特定簇中最具代表性的。使用一个或更多个观察到的指纹，可以分析簇A的晶片以将晶片530识别为所述簇中具有晶片中最典型的指纹系数的组合。在所述图中，这通过晶片530在多维空间内最靠近簇的晶片分布的中心来说明。类似地，每个晶片532、534分别在簇B和C中的晶片分布中居中地定位。
就实际实施而言，可以应用各种统计测量来识别期望数量的最具代表性的产品单元。通常，基于它们在其簇内的位置和/或相对于相邻簇的位置，选择每个簇和卡盘中的最具代表性的晶片。实现此目的的一种方式是通过将某些用于被限定的算法计算每个晶片的关键性能指标(KPI)或分值。可以用于此的一个示例KPI是由Peter J.Rousseeuw在“Silhouettes：a Graphical Aid to the Interpretation and Validation of ClusterAnalysis”，Computational and Applied Mathematics 20：53-65，1987中描述的“轮廓(silhouette)”值。选择具有最高silhouette值的所述晶片或多个晶片是实现选择代表性的晶片以用作量测的样本晶片的一种方式。根据相同的计算，还可以使用低silhouette值来识别漂移晶片。如果期望的话，可以应用另外的约束，例如以避免选择漂移晶片。约束的另一个示例是避免选择一个批次中的前几个晶片，对前几个晶片的处理由于热效应可能是非典型的。如上所述，可以选择不同的样本晶片来计算对于每个不同子集的校正。量测晶片选择机制可以在“连续运行”控制***中进行细化，所述控制***以自适应方式确定应如何在APC***中实现反馈控制。这种控制策略的选择和优化是上文提到的专利申请EP15202675.3的主题。
在图6的示例中，在通过混合回归分析沿着两条曲线602、604使得晶片群集的情况下，优先于属于相关簇的、但与绘制的参数PRH中的曲线有一定距离的其它晶片，位于曲线上或靠近曲线的晶片630、632可以被选择作为量测的代表性样本。与曲线的距离可以用作在此选择过程中对晶片进行分级的分数。诸如silhouette值之类的KPI可以扩展到基于曲线的空间中的群集，以及主分量中的群集。
如在图5的情况中，附加约束可以设计到样本产品单元的选择中。这种约束在图6中的640处示出，其禁止从所述批次中的第一批数目的晶片中选择样本晶片。换句话说，认为所述批次中最早的晶片不被视为是在大多数晶片中有代表性的，即使它们恰好落在曲线602或604上。
在步骤706中将产品单元的集合分割成子集与在步骤710中用于选择样本产品单元的物体数据相同还是不同是设计选择的问题。下文将说明不同的情况。
图8是包括在图7的方法的实施例中群集(分割)和样本选择的控制方法的更详细的流程图。群集和样本选择可以在许多不同类型的物体数据上执行，只要它代表了所述批次内的重叠指纹的分布即可。这些输入数据可以源自诸如由晶片形状量测设备262提供的离线晶片形状测量，或者在光刻设备200中的图案化操作期间自动获得的对准数据。物体数据在802处被接收，随后在804处被预处理。预处理步骤804可以例如从物体数据中移除异常值(怀疑是有缺陷的测量)。预处理步骤还可以移除非期望的***指纹，诸如可以由主动对准策略捕获的内容。预处理步骤还可以去除可能支配后续分割步骤的卡盘间的偏置。用户输入806可用于配置预处理步骤。
在步骤808中，分解物体数据以便产生可被视为参考指纹的系数(例如主分量PC1、PC2等)的集合。对于每个晶片，当用于组合这些参考指纹时，系数(权重)的特定集合将产生(大致)单个晶片的指纹。这种分解可以通过例如主分量分析(如上所述)或泽尼克(Zernike)分解来实现。替代地，参考指纹已经通过对来自在设定阶段期间获得的经处理的晶片的物体数据的统计分析而获得。在那种情况下，经由将晶片投影到存储的参考指纹上获得新晶片的系数。同样，步骤808的具体实施可以由用户输入810控制。
然后，图8的方法进入群集和样本选择阶段，对应于图7的方法中的步骤706和710。在步骤820中，通过随着数目的分组不断增加对系数的集合执行群集并计算测量群集的“品质”的一个或更多个KPI计算群集的最优数目。对群集品质的一个测量是平均Silhouette。在步骤822处，随后基于所选择的自动群集方法和/或用户输入824将最终群集应用于系数的集合。还可以自动应用附加的约束，例如通过限制群集的数目来限制量测负荷，并避免出现单个晶片组。
建议和/或用户输入也可用于在步骤820和822中应用的不同群集方法之间进行选择。群集方法的示例是“k-均值”，由S P Lloyd在“Least squares quantization in PCM”(PDF)，IEEE Transactions on Information Theory 28(2)：129-137，1982中公开。其它群集方法是可利用的。由于典型地应用过程校正并且每个卡盘地选择晶片，因此应用的群集可能必须考虑到这一点。可以使用情境数据来细化群集，如上面参考图4所描述的。
在下一步骤826中，选择针对每个簇和卡盘的最具代表性的晶片。在基于物体数据的统计分析中，每个晶片在通过统计分析(例如PCA或其他多变量分析技术)限定的多维空间中具有一位置。然后，最具代表性的晶片可以在所述多维空间中基于它们的在它们簇内的位置进行选择。如上文已经关于图7中的步骤710所描述的，实现此目的的一种方式是通过计算每个晶片的Silhouette值，并随后选择具有最高Silhouette值的晶片。可以应用附加约束，也如上文参考步骤710所述。
在另一个步骤828中，基于诸如例如低Silhouette值的准则来检测漂移晶片。在步骤830处输入关于用于漂移晶片检测的方法的其它输入和指令。在制造执行***832中使用任何漂移晶片的识别，使得漂移晶片可以经受进一步调查或返工，或者只是被排除在进一步处理之外。在本公开的情形中，漂移晶片的识别在步骤826中还用作约束，以防止选择漂移晶片作为用于量测的样本晶片。
在步骤834中，以无论何种适当方式接收和处理所选择的样本晶片的测量。然后在步骤836中计算校正，用于控制同一簇中晶片的未来处理(或为同一线程的一部分的相应的未来簇)。可选地，在处理所述批次中的剩余部分之前，将所选择的样本晶片处理为提前发送的晶片并对其进行测量。校正的集合可以根据提前发送的晶片上的测量计算，并应用于当前批次的控制。
如上所述，量测晶片选择机制可以在连续运行的控制***中进行细化。在这种情况下，所述步骤以自动方式执行，并且计算的KPI、分组和晶片选择被传送到制造执行***，以便触发进一步的动作。由于需要更多晶片，量测负荷随后可以与性能改善相平衡，例如通过使用上文也提到的采样方案优化。基于所选择的KPI进行适当漂移检测的阈值设定可以例如通过以本身公知的方式优化接收器操作曲线(ROC)下的面积来完成。标注漂移晶片的正确性可以通过随后的重叠测量来确认，或者由专家操作者标注来确认，例如在设置阶段。
图9和10示意性地呈现了两个不同应用示例中的产品单元(晶片)和信息处理的流程。在图9的示例中，当前批次的晶片的物体数据用于分割批次并选择样本晶片用于提前发送处理和量测。在图10的示例中，预先计算的指纹用于分割当前批次，并且在所述批次已经被处理之后选择样本晶片用于量测。两个示例都应用了上文参考图7和8描述的原理，并且将仅描述所述示例的主要特征。假定在上文参考图2描述的制造设施中正处理晶片。为简单起见，省略了诸如涂覆设备208的辅助步骤和设备，以及其它蚀刻和处理步骤，但是其将被理解为制造过程中隐含的一部分。
在图9中，处理了批次900的晶片。作为预备步骤，使用晶片形状量测设备262测量所有的晶片。晶片形状数据804被传递到处理器，所述处理器被配置为执行图7和8的方法中的计算。在904处，以上文所述的方式处理数据以识别指纹并将晶片分割成簇。在905处，标注所述批次中的每个晶片以识别其的簇。例如，不同簇中的晶片可以是不同产品的不同层，或者它们可以是具有相同产品层但具有不同处理历史的晶片子集。在906处，物体数据和簇信息用于选择代表每个簇的一个或更多个样本晶片。
识别样本晶片的信息908被传递到光刻设备的控制***。图4的簇被示出为一示例。如前所述，样本晶片910、912、914用空心圆、菱形和三角形符号标注。还可以标注一个或更多个漂移晶片914。在920处，所选择的样本晶片在光刻设备200中被处理为提前发送的晶片。每个样本晶片被针对于其特定的簇和情境数据进行处理。
在924处，发送经处理的提前发送的晶片以用于测量量测设备240中的性能参数(例如，重叠)。测量的性能参数924被传递到先进过程控制***以在926处用于计算针对每个簇的过程指纹。根据这些指纹(以及历史性能数据和控制参数)，在928处计算每个簇的校正，并在930处将其传递回光刻设备。
同时，提前发送的晶片910、912、914被送去返工并返回到批次900。然后在940处发送整个批次(除了可能的漂移晶片916以外)以在光刻设备中进行处理。这是使用适合于每个晶片的校正930，根据其簇、情境数据等来完成的。如上文所提到的，可以在双平台设备中对每个卡盘执行计算和校正。这在所示示例中是隐含的，并且为了简单起见将仅示出单个计算。
在处理之后，在942处转递晶片用于随后的物理和化学处理步骤。可选地，在944处，它们中的一些或全部也被发送用于量测设备240中的量测。量测结果946可以被反馈到先进过程控制***250，在所述先进过程控制***中它们用于改善在处理后续批次时的性能。
在图10的示例中，基于来自大量历史晶片1002的历史物体数据，预先计算参考指纹(例如，PCA分量)。虚线框1004包围该方法的历史处理部分。物体数据可以是例如在光刻设备200中测量的对准数据1006，但是这仅是许多可能种类的物体数据中的一种。例如，可以包括晶片几何数据，和/或在先前的处理步骤之后测量的性能数据。在1010处，然后通过物体数据的统计分析来限定诸如PC1、PC2、PC3的参考指纹，如果期望的话，通过性能数据和/或情境数据进行补充。然后在1012输出参考指纹和统计分析的其它结果。其它结果可以例如包括用于漂移检测的准则。
关于当前批次1020，在1022处将它们装载到光刻设备。作为图案化过程的一部分，收集对准数据和其它物体数据。物体数据可以替代地或另外地包括从晶片形状量测设备262(在使用的情况下)进行的晶片几何形状的测量。存储的物体数据，诸如来自处理相同晶片上的先前层的对准数据，也可以用作物体数据。在1024处执行统计分析以基于参考指纹和相关联的数据1012以及可选地情境数据将晶片放置在它们的簇中。
在处理所述批次中的晶片的过程期间或者随后，统计分析还可以识别它们簇的最具有代表性的样本晶片1030、1032、1034。可选地，可以识别漂移晶片1036。在这个示例中，代表性样本晶片不在剩余晶片之前被处理和测量，而是与其它晶片一起处理，并标注用于未来测量。在处理批次1020之后，在1040处将晶片送去进行进一步的化学和/或物理处理。在所述处理之前和/或之后，在1042处将样本晶片1030、1032和1034送到量测设备240以用于性能参数的测量。测量结果在1046处被馈送到先进过程控制***250，以改善后续批次的处理。
图11示意性地示出了实施本公开的原理的控制方法的另一示例的操作。可以看出，反馈控制方法的一般形式在某种意义上是图3(a)和(b)所示方法的混合。在这个示例中，与历史晶片相关的情境数据和与当前晶片相关的情境数据CTX用于提供对性能数据PDAT的更有选择性的生成和使用。在其他示例中，在当前晶片和/或历史晶片上测量的物体数据可用于将晶片分配给不同的组或簇，如上文参考图5至10所描述的。
在这个示例中，来自存储器256的情境数据CDAT或物体数据用于将每个历史批次的性能数据PDAT分配给几个线程1104中的一个。这些线程由反馈控制器1100在并行反馈回路中有效地处理，但是过程校正1106是为整批而产生的，而不是为每个线程的晶片而产生的。在所示的应用于双平台光刻设备的示例中，校正仍然分别是为要在不同卡盘WTa/WTb上处理的晶片而产生的。因此，当接收到新批次用于处理时，仅使用其分配的卡盘标注CHK来选择哪种校正适用于当前的晶片。然而，如现在将参考图12所描述的，校正的计算仍然基于在逐个组的基础上选择一个或更多个产品单元作为样本产品单元。反馈控制器接收单独的晶片的情境数据CTX，用于计算整个批次的最优校正1106。
图12是类似于图7的流程图，其经扩展和修改以示出图11的方法内的处理的差异。编号为1202到1220的步骤对应于图7的步骤702-720，步骤1216和1218被扩展为单独的子步骤1216a-1216c和1218a-1218c，如下文所解释的。
在步骤1202处，接收产品单元(例如半导体晶片)的集合以用于由工业过程处理。在1204处，在所述产品单元的集合上或与所述产品单元的集合相关地测量物体数据(或从预先存在的测量接收)。这种物体数据可以是上面背景讨论和示例中提到的任何类型的物体数据。
在步骤1206处，在这个示例中，正经受工业过程的产品单元的集合被分割成多个子集。可以基于与产品单元一起接收的情境数据来执行这种分割。替代地或另外地，所述分割可以基于使用上面参考图4至图8描述的方法在步骤1204中测量的一种或更多种物体数据的统计分析。
然后，对于每个子集，在1210处，选择一个或更多个样本产品单元用于量测。使用表示关于多个产品单元测量的一个或更多个参数的物体数据1212来执行这个步骤。样本产品单元的选择至少部分地基于物体数据1212的统计分析。用于这个步骤的物体数据1212可以是与在分割步骤1206中使用的物体数据(如果有的话)相同种类的或不同种类的。
在1214处，仅对多个产品单元中的所选的样本产品单元执行一个或更多个量测步骤。在步骤1216a处，至少部分基于所选的样本产品单元的量测，导出针对子集的误差指纹的估计。此外，可以使用情境数据1218a来导出所述估计。
在1216b处，针对不同组计算的估计被组合成加权平均值估计。给予不同组的权重可以仅基于每组的产品单元的数目。例如，如果一个估计代表一组十五个产品单元而另一个估计仅代表五个，则第一个估计将被给出加权平均值估计中的权重的三倍。其它情境数据1218b可用于影响权重。例如，一些晶片可能具有比其它晶片更严格的性能要求，并且它们的估计可以被给出加大的权重。
在1216c处，基于在步骤1216b中获得的加权平均值估计来计算产品单元的整个集合的校正。附加的情境数据1218c可用于影响所述校正。在1220处使用所述校正来控制产品单元的处理，例如将图案施加于半导体制造设施中的晶片。
总结图11和12的示例，将看出，样本产品单元的选择至少部分地基于每个子集(组或群集)内的物理数据的统计分析。然后，对产品单元的整个集合的校正基于对于不同子集的所选的样本产品单元的量测，其组合成给予不同子集不同的权重的加权平均值。相比，在图7至10的示例中，限定了不同的校正以用于控制产品单元的集合中的不同子集的处理。
总之，上述监测和控制方法和***可以依赖于其的实施带来一系列益处。-基于晶片分组选择最具代表性的晶片。本公开说明了使用统计分析来获得可用作晶片分组和晶片选择的关键性能指标(KPI)的值。在其他制造环境中，可以使用类似的原理处理除半导体衬底之外的产品单元。
以上公开的实施例通过计算基于组的批内校正来实现自动部署。它们可以部署在例如连续运行的控制器中，所述控制器可以在开发和高容量制造期间自动地或在用户指导下细化分组和选择准则以及控制***的其它方面。本公开的实施例可以自动地与各种处理工具、量测工具和制造设施的操作者的制造执行***(MES)通信。
本公开的实施例通过选择“最佳晶片”和/或通过避免漂移晶片“污染”前馈和/或反馈控制回路来提供更稳定的控制。这些回路将被设计为优化一个或更多个感兴趣的参数。在以上示例中，重叠被用作重要性能参数的示例。如本领域技术人员将理解的，还可以通过修改物体数据和性能数据的选择来控制诸如CD和CD均匀性的其它参数。
基于物体数据的统计分析的分组和量测选择能够实现基于重叠反馈进行晶片级控制，而不会过度增加量测费用。即使在不可能或不期望晶片级控制的环境中，本公开允许对于整个批次的更好的折衷校正的改善的采样和计算。相同的统计分析可以能够实现监测功能。重叠误差分布的量化可用于监测和触发后续动作，以减少晶片间的变化。
与已知的动态或分布式采样方法相比，本文公开的技术可以允许减少循环时间，包括量测时间。此益处来自以下事实：如果较少地样本晶片被选择为更可靠地代表整个晶片的集合(或子集)，则需要测量较少的样本晶片。如果结合采样优化、动态采样和分布式采样，可以组合可能的益处。
上文所描述的方法的步骤可以在任何通用数据处理硬件(计算机)内自动化，只要它访问性能数据和情境数据即可。所述设备可以与现有处理器集成，诸如图1中所示的光刻设备控制单元LACU或整个过程控制***。硬件可以远离处理设备，甚至位于不同的国家。图13中示出了合适的数据处理设备(DPA)的部件。所述设备可以被安排用于装载包括计算机可执行代码的计算机程序产品。这可以使得计算机组件在下载计算机程序产品时能够实现如上所述的反馈控制***的功能。
连接到处理器1227的存储器1229可以包括多个存储器部件，如硬盘1261、只读存储器(ROM)1262、电可擦除可编程只读存储器(EEPROM)1263和随机存取存储器(RAM)1264。不是需要存在所有的上述存储器部件。此外，上述存储器部件并不需要在物理上非常靠近处理器1227或彼此非常接近。他们可以定位成相隔一距离。
处理器1227还可以连接到某种用户界面，例如键盘1265或鼠标1266。也可以使用触摸屏、轨迹球、语音转换器或本领域技术人员已知的其他接口。
处理器1227可以连接到读取单元1267，读取单元1267被布置成从数据载体(如固态存储器1268或CDROM 1269)读取例如呈计算机可执行代码的形式的数据，并且在一些情况下将所述数据存储在数据载体(如固态存储器1268或CDROM 1269)上。处理器1227还可以连接到打印机1270以在纸张上印刷输出数据，并且处理器1227还连接至显示器1271。
处理器1227可以通过负责输入/输出(I/O)的发送器/接收器1273连接到通信网络1272，例如公共交换电话网(PSTN)、局域网(LAN)、广域网(WAN)等。处理器1227可以被布置为经由通信网络1272与其它通信***通信。在本发明的实施例中，外部计算机(未示出)，例如操作者的个人计算机，可以经由通信网络1272登录到处理器1227。
处理器1227可以实现为独立***或并行操作的多个处理单元，其中每个处理单元被布置为执行较大程序的子任务。处理单元电可以被划分为一个或更多个主处理单元，一个或更多个主处理单元具有几个子处理单元。处理器1227的一些处理单元甚至可以位于相隔其它处理单元的一距离处并且经由通信网络1272进行通信。模块之间的连接可以是有线的或无线的。
计算机***可以是具有被布置成执行这里讨论的功能的模拟和/或数字和/或软件技术的任何信号处理***。
在以下编号实施例的列表中公开了本发明的其他实施例：
1.一种控制在多个产品单元上执行的工业过程的方法，所述方法包括：
(a)选择所述多个产品单元中的一个或多个作为样本产品单元；
(b)仅对所述多个产品单元中的所选择的样本产品单元执行一个或更多个量测步骤；
(c)至少部分地基于在步骤(b)中获得的所选择的样本产品单元的量测结果，限定用于控制所述多个产品单元和/或类似的产品单元的处理的校正，
其中，所述方法还包括接收代表关于所述多个产品单元所测量的一个或更多个参数的物体数据，并且其中，在步骤(a)中，样本产品单元的选择至少部分基于所述物体数据的统计分析。
2.根据实施例1所述的方法，其中，在步骤(a)中，选择样本产品单元或多个样本产品单元包括去除由所述统计分析识别为所述多个产品单元中的不具有代表性的产品单元。
3.根据实施例1或2所述的方法，其中，在步骤(a)中，选择样本产品单元或多个样本产品单元包括优先选择由所述统计分析识别为所述多个产品单元中的最具有代表性的产品单元。
4.根据实施例3所述的方法，其中，所述统计分析包括计算用于多个候选产品单元的性能指标值，并且参考所述性能指标识别所述最具有代表性的产品单元。
5.根据实施例4所述的方法，其中，所述性能指标是鲁索(Rousseeuw)“轮廓”值。
6.根据前述实施例中任一实施例所述的方法，其中，所述物体数据的统计分析基于所述产品单元在多维空间中的位置。
7.根据实施例6所述的方法，其中，至少部分通过用于所述多个产品单元的物体数据的多变量分析来限定所述多维空间。
8.根据实施例6或7所述的方法，其中，至少部分通过用于先前处理的产品单元的物体数据的多变量分析来限定所述多维空间。
9.根据前述实施例中任一实施例所述的方法，其中，所述多个产品单元是正经受所述工业过程的产品单元的集合的一个子集，所述方法包括将产品单元的集合分割成多个子集的预备步骤，对于每个子集分别执行所述方法的步骤(a)和(b)。
10.根据实施例9所述的方法，其中，在步骤(c)中，限定不同的校正以用于控制产品单元的集合的不同子集的处理，所述不同的校正基于对于对应的子集的所选择的样本产品单元的量测结果。
11.根据实施例9所述的方法，其中，在步骤(c)中，限定校正以用于控制产品单元的集合的处理，所述校正基于对于不同子集的所选择的样本产品单元的量测，被组合成给予不同子集不同的权重的加权平均值。
12.根据实施例9或10或11所述的方法，其中，将产品单元的集合分割成子集至少部分基于用于选择样本产品单元的相同物体数据的统计分析。
13.根据实施例9-12中任一实施例所述的方法，其中，将产品单元的集合分割成子集至少部分基于与用于选择所述样本产品单元的所述物体数据不同的物体数据的统计分析。
14.根据实施例9-13中任一实施例所述的方法，其中，使用k-均值执行将产品单元的集合分割成子集。
15.根据实施例9-14中任一实施例所述的方法，其中，分割步骤包括从多个可利用的分割方法中选择分割方法。
16.根据实施例9-15中任一实施例所述的方法，其中，通过统计分析自动确定通过所述分割获得的子集的数目。
17.根据实施例16所述的方法，其中，使用鲁索轮廓优化子集的数目。
18.根据实施例9-17中任一实施例所述的方法，其中，将产品单元的集合分割成子集至少部分基于代表每个产品单元的处理历史的情境数据。
19.根据前述实施例中任一实施例所述的方法，其中，在步骤(b)中在所选择的样本产品单元上执行的量测步骤包括：通过所述工业过程提前发送所述样本产品单元并测量所述样本产品单元上的工业过程的性能，以便限定用于所述多个产品单元的剩余部分的处理的校正。
20.根据实施例19所述的方法，其中，使所述样本产品单元返工并再次经受所述工业过程，但是用限定的校正来进行。
21.根据前述实施例中任一实施例所述的方法，其中，所述工业过程包括对呈衬底形式的产品单元上执行的一个或更多个图案化过程步骤的顺序，每个图案化过程步骤包括一个或更多个图案化操作，之后是一个或更多个物理和/或化学处理操作。
22.根据实施例21所述的方法，其中，在光刻设备中执行所述图案化过程，并且其中，所述物体数据包括在将所述衬底装载到所述光刻设备之前在所述衬底上测量的晶片形状数据。
23.根据实施例21或22所述的方法，其中，在光刻设备中执行所述图案化过程，并且其中，所述物体数据包括在将所述衬底装载到所述光刻设备之后在所述衬底上测量的对准数据。
24.一种用于在一系列产品单元上执行的工业过程的控制设备，所述控制设备包括：
用于选择一个或更多个产品单元作为用于量测的样本产品单元的布置；
用于使用所选择的样本产品单元的量测结果来限定用于控制所述多个产品单元和/或类似的产品单元的处理的校正的布置，
其中，用于选择的布置被布置成接收代表关于所述多个产品单元所测量的一个或更多个参数的物体数据，并且选择样本产品单元至少部分基于所述物体数据的统计分析。
25.根据实施例24所述的控制设备，其中，样本产品单元或多个样本产品单元的选择包括去除由所述统计分析识别为所述多个产品单元中的不具有代表性的产品单元。
26.根据实施例24或25所述的控制设备，其中，样本产品单元或多个样本产品单元的选择包括优先选择由所述统计分析识别为所述多个产品单元中的最具有代表性的产品单元。
27.根据实施例26所述的控制设备，其中，所述统计分析包括计算对于多个候选产品单元的性能指标值，并且参考所述性能指标识别所述最具有代表性的产品单元。
28.根据实施例27所述的控制设备，其中，所述性能指标是鲁索“轮廓”值。
29.根据实施例24-28中任一实施例所述的控制设备，其中，所述物体数据的统计分析基于所述产品单元在多维空间中的位置。
30.根据实施例29所述的控制设备，其中，所述多维空间是至少部分通过对于所述多个产品单元的物体数据的多变量分析来限定。
31.根据实施例29或30所述的控制设备，其中，所述多维空间至少部分通过用于先前处理的产品单元的物体数据的多变量分析来限定。
32.根据实施例24-31中任一实施例所述的控制设备，其中，所述多个产品单元是正经受所述工业过程的产品单元的集合的一个子集，所述控制设备还包括用于将产品单元的集合分割成多个子集的布置，用于选择的布置被布置成对于每个子集分别地选择样本产品单元。
33.根据实施例32所述的控制设备，其中，用于限定校正的布置能够操作以限定不同的校正，从而用于控制产品单元的集合的不同子集的处理，所述不同的校正基于对于对应的子集的所选择的样本产品单元的量测结果。
34.根据实施例32所述的控制设备，其中，用于限定校正的布置能够操作以限定校正，从而用于控制产品单元的集合的处理，所述校正基于对于不同子集的所选择的样本产品单元的量测，被组合成给予不同子集不同的权重的加权平均值。
35.根据实施例32或33或34所述的控制设备，其中，将产品单元的集合分割成子集至少部分基于用于选择样本产品单元的相同物体数据的统计分析。
36.根据实施例32-35中任一实施例所述的控制设备，其中，将产品单元的集合分割成子集至少部分基于与用于选择所述样本产品单元的所述物体数据不同的物体数据的统计分析。
37.根据实施例32-36中任一实施例所述的控制设备，其中，使用k-均值执行将产品单元的集合分割成子集。
38.根据实施例32-37中任一实施例所述的控制设备，其中，用于分割的布置能够操作以实施从多个可利用的分割方法中所选择的分割方法。
39.根据实施例32-38中任一实施例所述的控制设备，其中，用于分割的布置能够操作以通过统计分析自动确定通过所述分割获得的子集的数目。
40.根据实施例39所述的控制设备，其中，子集的数目使用鲁索轮廓优化。
41.根据实施例24-40中任一实施例所述的控制设备，其中，将产品单元的集合分割成子集至少部分基于代表每个产品单元的处理历史的情境数据。
42.根据实施例24-41中任一实施例所述的控制设备，其中，用于限定校正的布置被布置成限定用于在呈衬底形式的产品单元上执行图案化过程步骤的校正。
43.根据实施例42所述的控制设备，其中，所述图案化过程步骤在光刻设备中执行，并且其中，用于选择的布置被布置成使用物体数据，所述物体数据包括在将所述衬底装载到所述光刻设备之前在所述衬底上测量的晶片形状数据。
44.根据实施例42或43所述的控制设备，其中，所述图案化过程在光刻设备中执行，并且其中，用于选择的布置被布置成使用物体数据，所述物体数据包括在将所述衬底装载到所述光刻设备之后在所述衬底上测量的对准数据。
45.一种计算机程序产品，包括机器可读指令，所述机器可读指令用于使得通用目的数据处理设备执行根据实施例1-23中任一实施例所述的方法中的步骤(a)和(c)。
46.一种计算机程序产品，包括机器可读指令，所述机器可读指令用于使得通用目的数据处理设备实施根据实施例24-44中任一实施例所述的控制设备中的用于选择的布置和用于限定校正的布置。
47.一种光刻设备，包括根据实施例24至44中任一实施例所述的控制设备。
虽然在本文中详述了光刻设备用在制造IC中，但是应该理解到这里所述的光刻设备可以有其他的应用，例如制造集成光学***、磁畴存储器的引导和检测图案、平板显示器、液晶显示器(LCD)、薄膜磁头等。如在光刻术中的示例中，经受统计分析的测量的集合可以是针对不同产品单元和/或测量相同产品单元的不同实例所进行的测量。尽管上文已经具体参考了在光学光刻术的情境中的、使用本发明的实施例，但是应当理解，本发明可以用于其它类型的光刻术，例如压印光刻术，并且在情境允许的情况下，不限于光学光刻术。在压印光刻术中，图案形成装置中的形貌限定了在衬底上产生的图案。图案形成装置的形貌可以被压制到被提供给衬底的抗蚀剂层中，于是抗蚀剂通过应用电磁辐射、热、压力或者它们的组合被固化。在抗蚀剂被固化之后该图案形成装置被移出抗蚀剂，在其中留下图案。
这里使用的术语“辐射”和“束”包含全部类型的电磁辐射，包括紫外(UV)辐射(例如具有或约为365nm、248nm、193nm、157nm或126nm的波长)和极紫外(EUV)辐射(例如具有在5nm至20nm的范围内的波长)以及诸如离子束或电子束等粒子束。
如已经提到的，本发明可以应用于与光刻术完全分离的工业处理应用中。将理解，可将分组应用于多个“高混合”制造应用中，其中不同的产品单元经受基本相似的处理，在单独的单元和/或其处理方面具有差异。示例可以在光学部件的生产、汽车制造及任何数目个其他容量制造情形中。
以上的描述旨在是说明性的，而不是限制性的。因此，本领域的技术人员将明白，在不背离下面阐述的权利要求书的精神和范围的情况下，可以对所描述的发明进行修改。另外，应该理解，本文中在任意一个实施例中示出描述的结构特征或方法步骤也可以用于其它实施例中。

Claims (15)

1.一种控制在多个产品单元上执行的工业过程的方法，所述方法包括：
(a)选择所述多个产品单元中的一个或更多个产品单元作为样本产品单元；
(b)仅对所述多个产品单元中的所选择的样本产品单元执行一个或更多个量测步骤；
(c)至少部分地基于在步骤(b)中获得的所选择的样本产品单元的量测结果，限定用于控制所述多个产品单元和/或类似的产品单元的处理的校正，
其中，所述方法还包括接收代表关于所述多个产品单元所测量的一个或更多个参数的物体数据，并且其中，在步骤(a)中，样本产品单元的选择至少部分基于所述物体数据的统计分析。
2.根据权利要求1所述的方法，其中，在步骤(a)中，选择样本产品单元或多个样本产品单元包括去除由所述统计分析识别为所述多个产品单元中的不具有代表性的产品单元。
3.根据权利要求1所述的方法，其中，在步骤(a)中，选择样本产品单元或多个样本产品单元包括优先选择由所述统计分析识别为所述多个产品单元中的最具有代表性的产品单元。
4.根据权利要求3所述的方法，其中，所述统计分析包括计算用于多个候选产品单元的性能指标值，并且参考所述性能指标识别所述最具有代表性的产品单元。
5.根据权利要求1所述的方法，其中，所述物体数据的统计分析基于所述产品单元在多维空间中的位置。
6.根据权利要求5所述的方法，其中，至少部分通过用于所述多个产品单元的物体数据的多变量分析来限定所述多维空间。
7.根据权利要求5所述的方法，其中，至少部分通过用于先前处理的产品单元的物体数据的多变量分析来限定所述多维空间。
8.根据权利要求1所述的方法，其中，所述多个产品单元是正经受所述工业过程的产品单元的集合的一个子集，所述方法包括将产品单元的集合分割成多个子集的预备步骤，对于每个子集分别执行所述方法的步骤(a)和(b)。
9.根据权利要求8所述的方法，其中，将产品单元的集合分割成子集至少部分基于代表每个产品单元的处理历史的情境数据。
10.根据权利要求1所述的方法，其中，在步骤(b)中在所选择的样本产品单元上执行的量测步骤包括：通过所述工业过程提前发送所述样本产品单元并测量所述样本产品单元上的工业过程的性能，以便限定所述校正以用于所述多个产品单元的剩余部分的处理。
11.一种用于在一系列产品单元上执行的工业过程的控制设备，所述控制设备包括：
用于选择一个或更多个产品单元作为用于量测的样本产品单元的布置；和
用于使用所选择的样本产品单元的量测结果来限定用于控制所述多个产品单元和/或类似的产品单元的处理的校正的布置，
其中，用于选择的布置被布置成接收代表关于所述多个产品单元所测量的一个或更多个参数的物体数据，并且选择样本产品单元至少部分基于所述物体数据的统计分析。
12.根据权利要求11所述的控制设备，其中，样本产品单元或多个样本产品单元的选择包括优先选择由所述统计分析识别为所述多个产品单元中的最具有代表性的产品单元。
13.根据权利要求12所述的控制设备，其中，所述物体数据的统计分析基于所述产品单元在多维空间中的位置。
14.一种计算机程序产品，包括机器可读指令，所述机器可读指令用于使得通用目的数据处理设备实施如权利要求11所述的控制设备中的用于选择的布置和用于限定校正的布置。
15.一种光刻***，包括如权利要求11所述的控制设备。
CN201780064966.3A 2016-10-21 2017-09-21 用于控制工业过程的方法和设备 Pending CN109891341A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16195049.8A EP3312693A1 (en) 2016-10-21 2016-10-21 Methods & apparatus for controlling an industrial process
EP16195049.8 2016-10-21
PCT/EP2017/073868 WO2018072962A1 (en) 2016-10-21 2017-09-21 Methods & apparatus for controlling an industrial process

Publications (1)

Publication Number Publication Date
CN109891341A true CN109891341A (zh) 2019-06-14

Family

ID=57208112

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780064966.3A Pending CN109891341A (zh) 2016-10-21 2017-09-21 用于控制工业过程的方法和设备

Country Status (6)

Country Link
US (1) US20200050180A1 (zh)
EP (1) EP3312693A1 (zh)
KR (1) KR102321887B1 (zh)
CN (1) CN109891341A (zh)
TW (2) TWI656413B (zh)
WO (1) WO2018072962A1 (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102353216B1 (ko) * 2016-05-12 2022-01-18 에이에스엠엘 네델란즈 비.브이. 측정치 획득 방법, 프로세스 단계 수행 장치, 계측 장치, 디바이스 제조 방법
EP3396458A1 (en) 2017-04-28 2018-10-31 ASML Netherlands B.V. Method and apparatus for optimization of lithographic process
US11086229B2 (en) 2017-05-05 2021-08-10 Asml Netherlands B.V. Method to predict yield of a device manufacturing process
EP3518040A1 (en) 2018-01-30 2019-07-31 ASML Netherlands B.V. A measurement apparatus and a method for determining a substrate grid
EP3531207A1 (en) 2018-02-27 2019-08-28 ASML Netherlands B.V. Alignment mark positioning in a lithographic process
WO2020108862A1 (en) 2018-11-26 2020-06-04 Asml Netherlands B.V. Method for determining root causes of events of a semiconductor manufacturing process and for monitoring a semiconductor manufacturing process
EP3705959A1 (en) 2019-03-04 2020-09-09 ASML Netherlands B.V. Method for determining root causes of events of a semiconductor manufacturing process and for monitoring a semiconductor manufacturing process
EP3891558A1 (en) 2018-12-03 2021-10-13 ASML Netherlands B.V. Method to predict yield of a semiconductor manufacturing process
KR102603071B1 (ko) 2018-12-07 2023-11-15 에이에스엠엘 네델란즈 비.브이. 반도체 제조 프로세스에서 수율에 영향을 주는 근본 원인을 결정하기 위한 방법
WO2020126774A1 (en) * 2018-12-19 2020-06-25 Asml Netherlands B.V. Methods for sample scheme generation and optimization
EP3683626A1 (en) * 2019-01-15 2020-07-22 ASML Netherlands B.V. Methods for sample scheme generation and optimization
KR102255707B1 (ko) * 2019-06-14 2021-05-24 코오롱베니트 주식회사 제품 제조에 대한 최적조건 설정방법 및 장치
US11635682B2 (en) * 2019-06-26 2023-04-25 Kla Corporation Systems and methods for feedforward process control in the manufacture of semiconductor devices
US11809088B2 (en) 2019-08-22 2023-11-07 Asml Netherlands B.V. Method for controlling a lithographic apparatus
JP7353940B2 (ja) * 2019-11-26 2023-10-02 株式会社日立製作所 転移可能性判定装置、転移可能性判定方法、及び転移可能性判定プログラム
US20210375651A1 (en) * 2020-05-28 2021-12-02 Kla Corporation Fleet Matching Of Semiconductor Metrology Tools Without Dedicated Quality Control Wafers
US11688616B2 (en) 2020-07-22 2023-06-27 Applied Materials, Inc. Integrated substrate measurement system to improve manufacturing process performance
CN114967623B (zh) * 2022-06-07 2023-06-16 中国人民解放军陆军工程大学 城市地下污水处理厂规模优化与工艺选择方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040225396A1 (en) * 2002-11-12 2004-11-11 Jorn Maeritz Method, device, computer-readable memory and computer program element for the computer-aided monitoring and controlling of a manufacturing process
US20040241885A1 (en) * 2002-11-12 2004-12-02 Jorn Maeritz Method, device, computer-readable storage medium and computer program element for the monitoring of a manufacturing process of a plurality of physical objects
CN101398686A (zh) * 2007-09-27 2009-04-01 洛克威尔自动控制技术股份有限公司 通过嵌入式历史机数据实现的自适应工业***
CN101542280A (zh) * 2006-02-07 2009-09-23 东京毅力科创株式会社 用多元分析对来自半导体处理***的计量数据进行变形
CN102147607A (zh) * 2010-02-09 2011-08-10 科博达技术有限公司 一种柔性化的电子产品通用型生产线及其生产方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005069191A1 (en) * 2003-12-31 2005-07-28 Pdf Solutions, Inc. Method and system for failure signal detection analysis
US7403264B2 (en) * 2004-07-08 2008-07-22 Asml Netherlands B.V. Lithographic projection apparatus and a device manufacturing method using such lithographic projection apparatus
US7676077B2 (en) * 2005-11-18 2010-03-09 Kla-Tencor Technologies Corp. Methods and systems for utilizing design data in combination with inspection data
NL2009345A (en) * 2011-09-28 2013-04-02 Asml Netherlands Bv Method of applying a pattern to a substrate, device manufacturing method and lithographic apparatus for use in such methods.
KR101900340B1 (ko) 2013-10-02 2018-09-20 에이에스엠엘 네델란즈 비.브이. 산업 공정과 관련된 진단 정보를 얻는 방법 및 장치
NL2013677A (en) 2014-01-24 2015-07-29 Asml Netherlands Bv Method of determining a measurement subset of metrology points on a substrate, associated apparatus and computer program.

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040225396A1 (en) * 2002-11-12 2004-11-11 Jorn Maeritz Method, device, computer-readable memory and computer program element for the computer-aided monitoring and controlling of a manufacturing process
US20040241885A1 (en) * 2002-11-12 2004-12-02 Jorn Maeritz Method, device, computer-readable storage medium and computer program element for the monitoring of a manufacturing process of a plurality of physical objects
CN101542280A (zh) * 2006-02-07 2009-09-23 东京毅力科创株式会社 用多元分析对来自半导体处理***的计量数据进行变形
CN101398686A (zh) * 2007-09-27 2009-04-01 洛克威尔自动控制技术股份有限公司 通过嵌入式历史机数据实现的自适应工业***
CN102147607A (zh) * 2010-02-09 2011-08-10 科博达技术有限公司 一种柔性化的电子产品通用型生产线及其生产方法

Also Published As

Publication number Publication date
KR20190062580A (ko) 2019-06-05
US20200050180A1 (en) 2020-02-13
TW201928529A (zh) 2019-07-16
WO2018072962A1 (en) 2018-04-26
EP3312693A1 (en) 2018-04-25
KR102321887B1 (ko) 2021-11-04
TW201830155A (zh) 2018-08-16
TWI656413B (zh) 2019-04-11

Similar Documents

Publication Publication Date Title
CN109891341A (zh) 用于控制工业过程的方法和设备
CN108369412B (zh) 用于控制工业过程的方法和设备
CN109154781B (zh) 获得测量的方法、用于执行过程步骤的设备和计量设备
CN113406865B (zh) 确定图案化过程的校正的方法
TWI720654B (zh) 獲得用於訓練半導體製程模型的訓練資料之方法
KR102439008B1 (ko) 공정 매개변수를 기반으로 기판을 라벨링하는 방법
US11372338B2 (en) Method for evaluating control strategies in a semiconductor manufacturing process
CN108713166A (zh) 计算用于控制制造工艺的校正的方法、计量设备、器件制造方法和建模方法
CN110573966A (zh) 用于优化光刻工艺的方法和装置
CN110785707B (zh) 器件制造方法
EP3499311A1 (en) Method for controlling a manufacturing apparatus and associated aparatuses
TWI722596B (zh) 用以根據來自處理站之個別貢獻來特徵化後處理資料的方法
CN108700833A (zh) 量测方法和光刻方法、光刻单元和计算机程序
EP3547030A1 (en) Method for evaluating control strategies in a semicondcutor manufacturing process
US10884342B2 (en) Method and apparatus for predicting performance of a metrology system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination