CN110692017A - 基于机器学习的辅助特征放置 - Google Patents
基于机器学习的辅助特征放置 Download PDFInfo
- Publication number
- CN110692017A CN110692017A CN201880034754.5A CN201880034754A CN110692017A CN 110692017 A CN110692017 A CN 110692017A CN 201880034754 A CN201880034754 A CN 201880034754A CN 110692017 A CN110692017 A CN 110692017A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic
- machine learning
- assist feature
- feature
- 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
Links
Images
Classifications
-
- 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
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/392—Floor-planning or layout, e.g. partitioning or placement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Architecture (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
一种方法,包括:获得设计布局的一部分(505);基于所述部分或所述部分的特性(510)确定(520)辅助特征的特性(530);和使用包括样本的训练数据(540)来训练(550)机器学习模型,所述样本的特征向量包括所述部分的特性(510)且所述样本的标签包括所述辅助特征的特性(530)。所述机器学习模型可以用于确定(560)设计布局的任何部分的辅助特征的特性,即使所述部分并不是所述训练数据的部分。
Description
相关申请的交叉引用
本申请要求于2017年5月26日提交的美国申请62/511,937的优先权,所述申请的全部内容通过引用并入本文。
技术领域
本文中的描述涉及光刻设备和过程,并且更特别地涉及用于将辅助特征放置到设计布局中的工具和方法。
背景技术
光刻设备例如可以用于集成电路(IC)或其它器件的制造中。在这样的情况下,图案形成装置(例如,掩模)可以包含或提供相应于所述器件的单个层的图案(“设计布局”),并且可以经由诸如通过图案形成装置上的图案辐照所述目标部分之类的方法来将这种图案转印到已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如,硅晶片)上的目标部分(例如,包括一个或更多个管芯)上。通常,单个衬底包括多个相邻的目标部分,所述图案被光刻设备连续地、以每次一个目标部分的方式被转印到所述多个相邻的目标部分。在种类型的光刻设备中,整个图案形成装置上的图案被一次性转印到一个目标部分上;这样的设备通常称为为步进器。在种替代的设备(通常称为步进扫描设备)中,投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描,同时沿与所述参考方向平行或反向平行的方向同步移动衬底。图案形成装置上的图案的不同部分被逐渐地转印到一个目标部分上。因为通常,光刻设备将具有放大因子M(通常<1),衬底移动的速率F将为投影束扫描图案形成装置的速率的因子M倍。
在将图案从图案形成装置转印到器件制造过程的衬底的器件制作工序之前,衬底可能经历器件制造过程的各种器件制作工序,诸如涂底料、抗蚀剂涂覆和软焙烤。在曝光之后,衬底可能经历器件制造过程的其它器件制作工序,诸如曝光后焙烤(PEB)、显影、硬焙烤。这种器件制作工序的阵列被用作为制作器件(例如IC)的单个层的基础。然后,衬底可能经历器件制造过程的各种器件制作工序,诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等,所有这些都旨在完成器件的单个层。如果器件中需要多个层,则针对每个层重复全部过程或其变形例。最终,器件将存在于衬底上的每个目标部分中。如果存在多个器件,则随后通过诸如切片或锯切等技术将这些器件彼此分离,据此单独的器件可以安装在载体上、连接至引脚等。
因此,制造器件(诸如半导体器件)典型地涉及使用多个制作过程处理衬底(例如,半导体晶片),以形成所述器件的各种特征和多个层。这些层和特征典型地使用例如沉积、光刻术、蚀刻、化学机械抛光、离子注入来制造和处理。可以在衬底上的多个管芯上制作多个器件,之后将它们分离成单独的器件。这种器件制造过程可被认为是图案化过程。图案化过程涉及使用光刻设备的图案化步骤,诸如光学和/或纳米压印光刻,以将图案提供到衬底上,而且图案化过程典型地但可选地涉及一个或更多个有关的图案处理步骤,诸如通过显影设备进行抗蚀剂显影、使用焙烤工具来焙烤衬底、使用蚀刻设备使用所述图案进行蚀刻等。另外,图案化过程典型地涉及一个或更多个量测过程。
发明内容
本发明中公开一种方法,包括:获得设计布局中的一部分;基于所述部分或所述部分的特性确定辅助特征的特性;使用计算机利用包括样本的训练数据来训练机器学习模型,所述样本的特征向量包括所述部分的特性且所述样本的标签包括所述辅助特征的特性。
根据实施例,所述设计布局是二元设计布局或连续色调设计布局。
根据实施例,所述部分的特性包括所述部分中的图案的几何特性、所述部分中的所述图案的统计特性、所述部分的参数化,或从所述部分导出的图像。
根据实施例,所述部分的参数化是所述部分在一个或更多个基函数上的投影。
根据实施例,所述图像是像素化图像、二元图像或连续色调图像。
根据实施例,所述辅助特征的特性包括所述辅助特征的几何特性、所述辅助特征的统计特性,或所述辅助特征的参数化。
根据实施例,所述图像是所述部分的像素化图像,其中所述像素化图像是关于与所述部分的特征对准的参考物。
本发明中公开一种方法,包括:获得设计布局的一部分或所述部分的特性;使用计算机使用机器学习模型基于所述部分或所述部分的特性而获得用于所述部分的辅助特征的特性。
根据实施例,所述部分的特性包括所述部分中的图案的几何特性、所述部分中的图案的统计特性、所述部分中的图案的参数化,或从所述部分导出的图像。
根据实施例,所述部分的参数化是所述部分在一个或更多个基函数上的投影。
根据实施例,所述图像是像素化图像、二元图像或连续色调图像。
根据实施例,所述图像是将所述部分中的图案的边缘用作参考物而像素化的图像。
根据实施例,所述辅助特征的特性包括所述辅助特征的几何特性、所述辅助特征的统计特性,或所述辅助特征的参数化。
根据实施例,所述方法还包括在光刻过程中使用所述设计布局的部分和所述辅助特征来图案化衬底。
根据实施例,所述方法还包括将辅助特征的所述特性用作用于优化器或分辨率增强技术中的初始条件。
根据实施例,所述方法还包括计算指示所述辅助特征的特性的可信度的置信指标。
根据实施例,所述特性包括所述辅助特征的二元图像,且所述置信指标指示所述二元图像的任一色调中的概率。
根据实施例,所述机器学习模型是概率模型,且其中所述置信指标包括在类别集合上的概率分布。
根据实施例,所述置信指标表示所述设计布局的部分与用于训练所述机器学习模型的训练数据之间的相似度。
根据实施例,当所述置信指标未能满足条件时,所述方法还包括使用包括所述部分的特性的训练数据来再训练所述机器学习模型。
根据实施例,当所述置信指标未能满足条件时,所述方法还包括通过不使用所述机器学习模型的方法来确定所述辅助特征。
根据实施例,基于所述机器学习模型的输出来计算所述置信指标。
本发明中公开一种计算机程序产品,包括其上记录有指令的计算机可读介质,所述指令在由计算机执行时实施本发明中的方法。
附图说明
图1是光刻***的各种子***的框图。
图2示意性地描绘了光刻单元或光刻簇的实施例。
图3示意性地描绘了将辅助特征(连接到主要特征的辅助特征或独立的辅助特征)放置到设计布局中的方法。
图4A和图4B示意性地示出了用于根据实施例的利用机器学习模型放置辅助特征的方法的流程图。
图4C示意性地示出了利用设计布局的边缘作为参考物进行像素化的更多细节。
图4D示意性地示出了可以利用与特征的边缘中的每个对准的参考物来确定特征的像素化图像。
图5是示例性算机***的框图。
图6是光刻投影设备的示意图。
图7是另一光刻投影设备的示意图。
图8是图7中的设备的更详细的视图。
具体实施方式
随着半导体或其它器件制造过程持续进步,几十年来,功能元件的尺寸已经不断地减小的同时每个器件的功能元件(诸如晶体管)的量已经在稳定地增加,这遵循着通常称为“摩尔定律(Moore's law)”的趋势。在当前的技术状态下,使用光刻设备来制造器件的层,光刻设备使用来自深紫外线(例如,193nm)照射源或极紫外线(例如,13.52nm)照射源的照射将设计布局投影到衬底上,从而产生具有远低于30mm的尺寸的单独的功能元件。
其中具有尺寸小于光刻设备的经典分辨率极限的特征被印制的这种过程通常被称为低k1光刻术,它所依据的分辨率公式为CD=k1×λ/NA,其中,λ是所采用的辐射的波长(当前大多数情况下是248nm或193nm),NA是光刻设备中的投影光学装置的数值孔径,CD是“临界尺寸”-通常是所印制的最小特征大小-k1是经验分辨率因子。通常,k1越小,在衬底上再现类似于由电路设计者规划的形状和尺寸的图案以实现特定电学功能和性能就变得越困难。为了克服这些困难,将复杂的精调步骤应用到光刻设备或设计布局。这些步骤包括例如但不限于:NA和光学相干性设定的优化、自定义照射方案、相位偏移的图案形成装置的使用、设计布局中的光学邻近校正(OPC,有时也被称为“光学和过程校正”)、或通常被定义为“分辨率增强技术”(RET)的其它方法。
作为RET、OPC的示例,提出以下事实:被投影在衬底上的设计布局的图像的最终大小和放置将不会与在图案形成装置上的设计布局的大小和放置一致、或仅依赖于在图案形成装置上的设计布局的大小和放置。应注意,术语“掩模”、“掩模版”、“图案形成装置”在本文中可互换地使用。本领域技术人员也将认识到,在RET的背景下,术语“掩模”、“图案形成装置”和“设计布局”可以可互换地使用,不必使用物理的图案形成装置,但是可以用设计布局表示物理的图案形成装置。对于在某个设计布局上呈现的小的特征大小和高的特征密度,给定特征的特定边缘的位置将在某种程度上受到存在或不存在其它相邻的特征的影响。这种邻近效应起因于将一个特征与另一特征耦接的最小辐射量或非几何学光学效应(诸如衍射和干涉)。类似地,邻近效应可能起因于在通常在光刻之后进行的曝光后焙烤(PEB)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应。
为了增加设计布局的被投影的图像符合给定的目标电路设计的要求的概率,可以利用设计布局的复杂的数字模型、校正或预变形对邻近效应进行预测和补偿。C.Spence的论文“Full-Chip Lithography Simulation and Design Analysis-How OPC Is ChangingIC Design”,Proc.SPIE,第5751卷,第1-14页(2005年)提供了对于当前的“基于模型的”光学邻近校正过程的综述。在典型的高端设计中,设计布局的几乎每个特征都具有某种修改以便实现被投影的图像的到目标设计的高保真度。这些修改可以包括边缘位置或线宽度的偏移或偏置,以及旨在辅助其它特征的投影的“辅助”特征的应用。
OPC的最简单的形式之一是选择性偏置。在给出CD与节距曲线的情况下,通过改变图案形成装置水平处的CD,至少在最佳聚焦和曝光下所有不同的节距都可能被迫使产生相同的CD。因此,如果特征在衬底水平处印制得太小,则图案形成装置水平的特征将被偏置成稍微大于名义值,反之亦然。由于从图案形成装置水平到衬底水平的图案转印过程是非线性的,因此偏置的量不简单地是在最佳聚焦和曝光下的测量到的CD误差乘以缩小比率,而且可以用模型化和实验确定的适当的偏置。选择性偏置是邻近效应问题的不完全的解决方案,特别是其仅在名义过程条件下施加的情况下。即使这种偏置在原理上可以被施加以在最佳聚焦和曝光下给出均一的CD对节距曲线,但是一旦曝光过程的名义条件改变,则每个被偏置的节距曲线将不同地响应,由此针对不同特征导致不同过程窗口。因此,对给出相同的CD对节距的“最佳”偏置甚至可以对总过程窗口产生负面影响,从而减少而不是扩大聚焦和曝光范围,在所述范围内所述目标特征在期望的过程公差内印制在衬底上。
除了上文中的一维偏置示例外,还开发了用于应用的其它更复杂的OPC技术。二维邻近效应是线端缩短的。线端具有作为曝光和聚焦的函数的从它们的期望的端点部位“拉回”的倾向。在许多情况下,长线端的端缩短的程度可以比相应的线变窄程度大几倍。如果线端没有完全地横跨旨在覆盖的基础层(诸如源漏极区上的多晶硅栅极层),则这种类型的线端拉回可能导致正在被制造的器件的灾难性失败。由于这种类型的图案对聚焦和曝光非常敏感,因此仅将线端偏置成比设计长度更长是不够的,因为在最佳聚焦和曝光下或在曝光不足条件下所述线将过长,从而导致被延长的线端接触相邻结构时会发生短路,或者在电路中的各个单独特征之间添加更多的空间的条件下电路尺寸会不必要地较大。由于集成电路设计和制造的目标之一是在最大化功能元件的数目的同时最小化每个芯片需要的面积,因此增加过度的间隔是不期望的解决方案。
二维OPC接近可以帮助解决线端拉回问题。诸如“锤头”或“配线”的额外的结构(也已知为“辅助特征”)可以被添加至线端以将它们有效地锚固到适当位置并在整个过程窗口上提供减少的拉回。甚至在最佳聚焦和曝光下,这些额外的结构也没有被分辨,而是在其自身完全没有被分辨的情况下改变了主要特征的外观。在本文中使用的“主要特征”意思是旨在在过程窗口中的一些或全部条件下印制在衬底上的特征。辅助特征可以采用比添加到线端的简单的锤头状线更积极多样(aggressive)的形式,在某种程度上在图案形成装置上的图案不再简单地是被缩小比率放大的期望的衬底图案。辅助特征(诸如配线)可以在除了简单减少线端拉回之外的更多的情形。内部配线和外部配线可以被施加到任何边缘,尤其是二维边缘,以减少角部倒圆或边缘挤压。使用足够的选择性偏置和全尺寸和极性的辅助特征,在图案形成装置上的特征承担越来越少的与在衬底水平处期望的最终图案相类似的类似之处。通常,图案形成装置图案变成衬底水平图案的预变形的形式,其中所述变形旨在抵消或消除将在制造过程期间发生的图案变形以在衬底上产生与设计者意图的图案尽可能接近的图案。
代替连接到主要特征的那些辅助特征(例如,配线)或除连接到主要特征的那些辅助特征之外,另一OPC技术涉及利用完全独立的且不可分辨的辅助特征。此处术语“独立的”意思是这些辅助特征的边缘不连接到主要特征的边缘。这些独立的辅助特征不旨在或期望印制为在衬底上的特征,而是旨在修改主要特征附近的空间图像以提高所述主要特征的可印制性和过程公差。这些辅助特征(经常被称为“散射条”或“SBAR”)可以包括子分辨率辅助特征(SRAF),其是主要特征的边缘外的特征;和子分辨率逆特征(SRIF),即从主要特征的边缘内取出的特征。SBAR的存在为图案形成装置图案增加了又一层复杂度。使用散射条的简单示例是,隔离线特征的两侧都绘制规则的不可分辨的散射条阵列,这从空间图像的角度看具有使隔离线看起来更能代表密集的线阵列内的单条线的效应,从而导致过程窗口的聚焦和曝光容许度更接近密集的图案的聚焦和曝光容许度。与在图案形成装置水平下隔离时绘制的特征相比,在这样的被装饰的隔离特征与密集的图案之间的共同的过程窗口将具有对聚焦和曝光变化来说更大的共同的容许度。
辅助特征可以被看作在图案形成装置上的特征与在设计布局中的特征之间的差异。术语“主要特征”和“辅助特征”不暗示在图案形成装置上的特定特征必须被标注为一个或另一个。
作为简要介绍,图1图示了示例性光刻投影设备10A。主要部件包括:照射光学装置,其限定部分相干性(被表示为西格玛或均方差)且其可以包括成形来自辐射源12A的辐射的光学装置14A、16Aa和16Ab,所述辐射源可以是深紫外线准分子激光源或包括极紫外线(EUV)源的其它类型的源(如上文论述的,光刻投影设备自身无需具有所述辐射源);和光学装置16Ac,其将图案形成装置18A的图案形成装置图案的图像投影到衬底平面22A上。在投影光学装置的光瞳平面处的可调整滤光器或孔20A可以限制射在衬底平面22A上的束的角度的范围,其中最大可能的角度限定投影光学装置的数值孔径NA=sin(Θmax)。
在光刻投影设备中,投影光学装置经由图案形成装置将来自源的所述照射引导并成形到衬底上。此处术语“投影光学装置”被广义地定义为包括可以改变辐射束的波前的任何光学部件。例如,投影光学装置可以包括部件14A、16Aa、16Ab和16Ac中的至少一些部件。空间图像(AI)是衬底水平下的辐射强度分布。曝光衬底上的抗蚀剂层,并且将空间图像转印到抗蚀剂层以作为其中的潜在的“抗蚀剂图像”(RI)。可以将抗蚀剂图像(RI)定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型根据空间图像来计算抗蚀剂图像,可以在美国专利申请公开出版物No.US 2009-0157630中找到这种方案的示例,所述美国专利申请的全部内容通过引用并入本文中。抗蚀剂模型仅与抗蚀剂层的属性有关(例如,所述属性例如是在曝光、曝光后焙烤(PEB)和显影期间出现的化学过程的效应)。光刻投影设备的光学属性(例如照射、图案形成装置和投影光学装置的属性)规定空间图像并且可以被限定在光学模型中。由于可以改变在光刻投影设备中使用的图案形成装置,所以期望使图案形成装置的光学属性与至少包括源和投影光学装置的光刻投影设备的其余部分的光学属性分离。
如图2所示,光刻设备LA可以构成光刻单元LC的部分,并且有时被称为光刻元或光刻簇,光刻单元还包括用于在衬底上执行一个或更多个曝光前和曝光后过程的设备。常规地,这些设备包括:用于沉积抗蚀剂层的一个或更多个旋涂器SC、用于显影曝光后的抗蚀剂的一个或更多个显影机DE、一个或更多个激冷板CH和一个或更多个焙烤板BK。衬底处理装置或机器人RO从输入/输出端口I/O1、I/O2拾取衬底,在不同的过程装置之间移动衬底,然后将所述衬底传递到光刻设备的进料台LB。这些装置通常统称为轨道或涂覆显影***,并且由涂覆显影***控制单元TCU控制,所述涂覆显影***控制单元TCU本身由监督控制***SCS控制,所述监督控制***SCS也经由光刻控制单元LACU来控制光刻设备。因此,可以操作不同的设备以最大化生产量和处理效率。光刻单元LC可以还包括用于蚀刻衬底的一个或更多个蚀刻器和配置成测量衬底的参数的一个或更多个测量装置。测量装置可以包括配置成测量衬底的物理参数的光学测量装置,诸如散射仪、扫描电子显微镜等。测量装置可以被结合在光刻设备LA中。本发明的实施例可以在监督控制***SCS或光刻控制单元LACU中实施,或者与监督控制***SCS或光刻控制单元LACU一起实施。例如,来自监督控制***SCS或光刻控制单元LACU的数据可以被本发明的实施例使用,并且来自本发明的实施例的一个或更多个信号可以被提供至监督控制***SCS或光刻控制单元LACU。
图3示意性地描绘了将辅助特征(连接到主要特征的辅助特征或独立的辅助特征)放置到设计布局中的方法。设计布局可以是在施加RET之前的设计布局或在施加RET之后的设计布局。设计布局可以是二元的或连续的色调。计算模型或经验模型213可以用于放置辅助特征(例如,确定一个或更多个特性,诸如确定辅助特征的存在性、部位、类型、形状等)。模型213可以考虑器件制造过程的一个或更多个特性211(也被称为处理参数)或一个或更多个设计布局参数212,或两者。一个或更多个处理参数211是与器件制造过程相关联而不是与设计布局相关联的一个或更多个参数。例如,一个或更多个处理参数211可以包括照射的特性(例如,强度、光瞳轮廓等)、投影光学装置的特性、剂量、聚焦、抗蚀剂的特性、抗蚀剂的显影的特性、抗蚀剂的曝光后焙烤的特性、或蚀刻的特性。一个或更多个设计布局参数212可以包括在设计布局上的各种特征的一个或更多个形状、尺寸、相对部位或绝对部位,并且还可以包括在不同设计布局上的特征的重叠。在经验模型中图像(例如,抗蚀剂图像、光学图像、蚀刻图像)未被模拟;作为替代,经验模型基于输入(例如,一个或更多个处理参数211或设计布局参数212)与辅助特征之间的相互关系来放置辅助特征。在计算模型中,计算图像的部分或特性,并且基于所述部分或特性放置辅助特征。
实验模型的示例为机器学习模型。无监督机器学习和监督机器学习模型两者都可以用于放置辅助特征。在不限制本发明的范围的情况下,下文描述了监督机器学习算法的应用。
监督学习是从被标注的训练数据推断函数的机器学习任务。训练数据包括训练示例集合。在监督学习中,每个示例是具有输入对象(典型地为向量)和期望的输出值(也称为监督信号)的对。监督学习算法分析训练数据并产生可以用于映射新示例的推断函数。最佳情境将允许算法正确地确定未见过的实例的类别标签。这要求学习算法以“合理”的方式从训练数据推广到未见过的情形。
在给出具有形式{(x1,y1),(x2,y2),…,(xN,yN)}的N个训练示例的集合使得xi为第i个示例的特征向量且yi为其标签(即类别)的情况下,学习算法寻求函数g:X→Y,其中X为输入空间且Y为输出空间。特征向量为表示一些对象的数值特征的n维向量。机器学习中的许多算法需要对象的数值表示,因为这些表示促进处理和统计分析。当表示图像时,特征值可能对应于图像的像素,当表示文字时,特征值可能称为出现频率。与这些向量相关联的向量空间常常被称为特征空间。函数g为可能函数G的一些空间(经常被称为假设空间)的元素。有时以下操作是方便的:使用计分函数f:来表示g,使得g被定义为返回给出最高计分的y值:假设F表示计分函数的空间。
尽管G和F可以是函数的任何空间,但许多学习算法是概率模型,其中g采取条件概率模型g(x)=P(y|x)的形式,或f采取联合概率模型f(x,y)=P(x,y)的形式。例如,朴素贝叶斯(naive Bayes)和线性判别分析为联合概率模型,而逻辑回归为条件概率模型。
存在用于选择f或g的两种基本途径:经验风险最小化和结构风险最小化。经验风险最小化寻求对训练数据最佳拟合的函数。结构风险最小化包括控制偏差/方差取舍的惩罚函数。
监督学习的示例性模型包括决策树、集成(装袋、增强、随机森林)、k-NN、线性回归、朴素贝叶斯、神经网络、逻辑回归、感知(Perception)、支持向量机(Support vectormachine;SVM)、相关性向量机(Relevance vector machine;RVM)和深度学习。
SVM为监督学习模型的示例,其分析数据且识别图案,且可以用于分类和回归分析。在给出训练示例集合的情况下,每个训练示例被标记为属于两个种类中的一个种类,SVM训练算法建立将新示例指派至一个种类或另一种类中的模型,使得其为非概率二元线性分类器。SVM模型为如空间中的点的示例的表示,其被映射使得分立的种类的示例由尽可能宽的清晰间隙分隔。接着将新示例映射至同一空间中,且基于其落在间隙的哪一侧来预测其属于的种类。
除了执行线性分类以外,SVM也可以使用被称为核心方法来有效地执行非线性分类,从而隐含地将其输入映射至高维特征空间中。
核心方法涉及使用者指定的核心,即,在原始表示中数据点对的相似度函数。核心方法的名称是由于核心函数的使用,核心函数使其能够在高维、隐式特征空间中操作而无需不断计算所述空间中的数据的坐标,而是通过简单地计算特征空间中的所有数据对的图像之间的内积。所述操作在计算上常常比坐标的显式计算代价更低。这种方式被称为“核心技巧(kernel trick)”。
SVM的有效性依赖于对核心、核心的参数和软间隔(soft margin)参数C的选择。常见选择为高斯核心,其具有单个参数γ。常常通过利用呈指数增长的C和γ的序列(例如C∈{2-5,2-4,…,215,216};γ∈{2-15,2-14,…,24,25}进行的格点搜索(也被称为“参数扫描”)来选择C与γ的最佳组合。
格点搜索为经由学习算法的超参数空间的手动指定子集的穷举搜索。格点搜索算法是由某一性能指标引导,所述性能指标典型地通过对训练集合的交叉验证或对留存验证集合的评估来测量。
可以使用交叉验证来检查参数选择的每个组合,且拾取具有最佳交叉验证准确度的参数。
交叉验证(有时被称为旋转估计)为用于评估统计分析的结果将如何一般化或推广成独立的数据集合的模型验证技术。其主要用于目标为预测且希望估计预测模型在实践中将执行的准确程度的设定中。在预测问题中,经常向模型提供正在运行训练的已知数据的数据集(训练数据集),和模型被测试所对照的未知数据(或首次看见的数据)的数据集(测试数据集)。交叉验证的目标为定义用于在训练阶段“测试”模型的数据集合(即,验证数据集合),以便限制如过度拟合之类的问题,给出对模型将如何一般化成独立的数据集合(即,未知数据集合,例如来自真实问题)的启示等。交叉验证的一个回合涉及将数据样本分割成互补子集、对一个子集(被称为训练集合)执行分析,和验证对另一子集(被称为验证集合或测试集合)的分析。为了降低变异性,使用不同分割执行多个回合的交叉验证,且在所述回合上平均化验证结果。
接着使用所选参数对整个训练集合训练可以用于测试且用于将新数据分类的最终模型。
监督学习的另一示例为回归。回归从因变量的值与自变量的对应值的集合推断因变量与一个或更多个自变量之间的关系。在给出自变量的情况下,回归可估计因变量的条件期望值。推断出的关系可被称为回归函数。推断出的关系可以是概率模型。
图4A和图4B示意性地示出根据实施例的用于使用机器学***均值或方差。一个或更多个特性510可以包括部分505的参数化(即部分505的函数的一个或更多个值)、诸如在某些基函数上的投影。一个或更多个特性510可以包括从部分505导出的图像(像素化、二元曼哈顿(Manhattan)、二元曲线或连续色调)。
在工序520中,使用任何合适的方法基于部分505或其一个或更多个特性510来确定辅助特征的一个或更多个特性530。例如,辅助特征的一个或更多个特性530可以使用美国专利No.9,111,062中描述的方法或Y.Shen等人的“Level-Set-Based InverseLithography For Photomask Synthesis(Optics Express,第17卷,第23690-23701页(2009年))描述的方法来确定,这些技术的全部公开内容通过引用并入本文。例如,一个或更多个特性530可以包括辅助特征的一个或更多个几何特性(例如,绝对部位、相对部位或形状)、辅助特征的一个或更多个统计特性、或辅助特征的参数化。辅助特征的统计特性的示例可以包括辅助特征的几何尺寸的平均值或方差。
设计布局的部分的一个或更多个特性510的值和辅助特征的一个或更多个特性530的值作为样本包括在训练数据540中。一个或更多个特性510为样本的特征向量(也被称为输入向量),且一个或更多个特性530为样本的标签(也被称为监督信号或应答向量)。在工序550中,使用训练数据540来训练机器学习模型560。
图4B示意性地示出用于使用机器学习模型560来放置一个或更多个辅助特征的流程。获得设计布局534的部分533或所述部分的一个或更多个特性535。设计布局534的部分533和任何其它部分均不必须为训练数据的部分。部分533可以是设计布局534的边缘附近的部分。一个或更多个特性535可以包括部分533中的一个或更多个图案的一个或更多个几何特性(例如绝对部位、相对部位或形状)。一个或更多个特性535可以包括部分533中的一个或更多个图案中的一个或更多个统计特性。一个或更多个特性535可以包括部分533的参数化,诸如在某些基函数上的投影。一个或更多个特性535可以包括从部分533导出的图像(像素化、二元曼哈顿、二元曲线或连续色调)。例如,如果部分533为设计布局534的边缘附近的部分,则一个或更多个特性535可与作为参考物的边缘相关(例如将边缘用作参考物而获得的像素化、二元曼哈顿、二元曲线或灰阶图像或到基底上的投影),由此,即使边缘相对于在设计布局中固定的参考物移动,所述一个或更多个特性535也不改变,如下文参考图4C和图4D进一步解释的。
在工序570中,将部分534或一个或更多个特性535作为输入提供至机器学习模型560中,且从机器学习模型560的输出获得用于部分533的一个或更多个辅助特征的一个或更多个特性580。一个或更多个特性580可以包括辅助特征的一个或更多个几何特性(例如绝对部位、相对部位或形状)。一个或更多个特性580可以包括辅助特征的参数化,诸如在某些基函数上的投影。一个或更多个特性580可以包括辅助特征的图像(像素化、二元曼哈顿、二元曲线或连续色调)。可以例如使用美国专利申请公开出版物No.2008/0301620中描述的方法来调整辅助特征的一个或更多个特性580以避免它们之中的冲突,所述专利申请公开出版物的全部内容通过引用并入本文。
在可选工序590中,在光刻过程中使用设计布局534的部分533和辅助特征来图案化衬底。
在工序570中,机器学习模型560可以可选地计算置信指标585,所述置信指标指示一个或更多个特性580的可信度。例如,当一个或更多个特性580包括辅助特征的二元图像(例如二元曼哈顿图像、二元曲线图像)时,置信指标可以是二元图像的任一色调的概率。一些机器学习模型,诸如朴素贝叶斯、逻辑回归和多层感知(当在适当的损失函数下训练时)自然地为概率模型。概率模型输出在类别集合上的概率分布,而不是仅输出输入应属于的最可能的类别。诸如支持向量机之类的一些其它机器学习模型并不是自然地为概率模型,但存在用于将其变成概率分类器的方法。回归问题可被转换成多类别分类问题且接着使用概率作为指标,或使用自举法(bootstrap method)来建立许多模型且接着计算模型预测的方差。可以基于机器学习模型的输出(例如在类别集合上的概率分布)来计算置信指标(例如熵、GINI指数等)。
置信指标585的其它形式可以是可行的。例如,对于非常不同于训练数据中的部分的设计布局的那些部分,机器学习模型具有相对较高的有问题的几率。可以合适的方式构造测量所述输入的部分与所述训练数据中的部分之间的相似度的置信指标585。输入中的部分与训练数据的部分的每个之间的最大欧几里得距离(Euclidean distance)可以是这样的示例。在另一示例中,可以将训练数据的部分簇成几个群组,且可以将到每个群组的中心的输入的图像的欧几里得距离用作置信指标585。
若置信指标585未能满足条件(例如用于指示一个或更多个特性580并不足够可信),则可忽视所述一个或更多个特性580且可以在可选工序586中使用不同方法(例如美国专利No.9,111,062中描述的方法)来放置辅助特征,或可以在可选工序587中(例如使用图4A中的流程)使用包括输入中导致不符合条件的置信指标585的一个或更多个特性535的训练数据来再训练机器学习模型560。
其特性是由机器学习模型570产生的辅助特征与设计布局534的部分533组合可以用作用于另一RET(诸如OPC)、照射和图案形成装置图案优化(有时被称为SMO)、图案形成装置优化(MO)的初始条件,或用作为了加速收敛的严格优化器的初始条件。这是另一使用情况。
图4C示意性地示出将设计布局的边缘用作参考物的像素化的更多细节。特征600的像素化图像可依赖于参考物的选择。例如,如图4C中示出的,使用参考物601的特征600的像素化图像为像素化图像603,但使用参考物602(其仅仅相对于参考物601移位)的同一特征600的像素化图像为像素化图像604,像素化图像604不同于像素化图像603。为了避免像素化对参考物选择的依赖性,可以将对准至例如参考物602的边缘(例如这里为右边缘)或特征600的角部的参考物用于特征600的像素化。用于不同特征的参考物可以不同。
图4D示意性地示出可以使用对准至特征700的边缘中的每一个的参考物710来确定所述特征700的像素化图像720。像素化图像720中的每一个可以用作图4B的流程中的特性535,以获得辅助特征的一个或更多个特性580(例如辅助特征的形状730)。即,对于每个边缘,获得辅助特征的一个或更多个特性580(例如辅助特征的形状730)的集合。可以将特征700用作参考物而将一个或更多个特性580(例如辅助特征的形状730)的集合彼此对准,且将所述一个或更多个特性的集合一起合并为辅助特征的一个或更多个特性的合并集合(例如辅助特征的合并形状740)。可以接着分辨辅助特征的一个或更多个特性的合并集合中的冲突(例如移除合并形状740中的交叠)。虽然像素化图像720在这里用作相对于边缘而获得的一个或更多个特性535的示例,但与所述边缘有关的一个或更多个特性535可以是一个或更多个其它合适的特性,诸如将边缘用作参考物而获得的二元、或灰阶图像或到基底上的投影。
图5为说明可以辅助实施本发明中公开的方法和流程的计算机***100的框图。计算机***100包括用于通信信息的总线102或其它通信机构,和与总线102耦接以处理信息的处理器104(或多个处理器104和105)。计算机***100也包括耦接至总线102以储存或供应待由处理器104执行的信息和指令的主存储器106,诸如随机存取存储器(RAM)或其它动态储存装置。主存储器106可以用于在待由处理器104执行的指令的执行期间储存或供应暂时性变量或其它中间信息。计算机***100可以还包括耦接至总线102以储存或供应用于处理器104的静态信息和指令的只读存储器(ROM)108或其它静态储存装置。可以提供诸如磁盘或光盘的储存装置110,且可以将诸如磁盘或光盘的储存装置110耦接至总线102以储存或供应信息和指令。
计算机***100可以经由总线102而耦接至用于向计算机用户显示信息的显示器112,诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母和数字以及其它按键的输入装置114可以耦接至总线102以将信息和命令选择通信至处理器104。另一类型的用户输入装置可以是用于将方向信息和命令选择通信至处理器104且控制显示器112上的光标移动的光标控制器116,诸如鼠标、轨迹球或光标方向按键。所述输入装置典型地具有在两个轴线(第一轴线(例如x轴)和第二轴线(例如y轴))中的两个自由度,其允许所述装置指定在平面中的位置。触控面板(屏幕)显示器也可以用作输入装置。
根据一个实施例,可以由计算机***100响应于处理器104执行主存储器106中包含的一个或更多个指令的一个或更多个序列而执行本发明中描述的过程的部分。可以将这样的指令从另一计算机可读介质(诸如储存装置110)读取至主存储器106中。主存储器106中包含的指令序列的执行使处理器104执行本发明中描述的过程步骤。呈多处理布置的一个或更多个处理器可以用于执行主存储器106中包含的指令序列。在替代实施例中,可代替或结合软件指令而使用硬联机电路。因此,本发明的描述不限于硬件电路和软件的任何特定组合。
本发明中所使用的术语“计算机可读介质”是指参与将指令提供至处理器104以供执行的任何介质。所述介质可采取多种形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括(例如)光盘或磁盘,诸如储存装置110。易失性介质包括动态存储器,诸如主存储器106。传输介质包括同轴缆线、铜线和光纤,其包括包含总线102的电线。传输介质也可以采取声波或光波的形式,诸如在射频(RF)和红外线(IR)数据通信期间产生的声波或光波。计算机可读介质的常见形式包括例如软盘、柔性磁盘、硬盘、磁带、任何其它磁性介质、CD-ROM、DVD、任何其它光学介质、打孔卡、纸带、具有孔图案的任何其它实体介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡匣、如下文描述的载波,或可供计算机读取的任何其它介质。
可以在将一个或更多个指令的一个或更多个序列携载至处理器104以供执行时涉及计算机可读介质的各种形式。例如,最初可以将所述指令承载于远程计算机的磁盘或存储器上。远程计算机可以将所述指令加载至其动态存储器中,且经由通信路径发送所述指令。计算机***100可以从路径接收数据且将数据放置于总线102上。总线102将数据携载至主存储器106,处理器104从所述主存储器106获取和执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存于储存装置110上。
计算机***100可以包括耦接至总线102的通信接口118。通信接口118提供对网络链路120的双向数据通信耦合,网络链路120连接至网络122。例如,通信接口118可提供有线或无线数据通信连接。在任何这样的实施方式中,通信接口118发送和接收携载表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路120通常经由一个或更多个网络而向其它数据装置提供数据通信。例如,网络链路120可经由网络122而向主计算机124或向由因特网服务提供商(ISP)126操作的数据设备提供连接。ISP126又经由全球分组数据通信网络(现在通常被称为“因特网”)128而提供数据通信服务。网络122和因特网128两者都使用携载数字数据流的电信号、电磁信号或光信号。经由各种网络的信号和在网络链路120上且经由通信接口118的信号(所述信号将数字数据携载至计算机***100和从计算机***100携载数字数据)为输送信息的载波的示例性形式。
计算机***100可经由网络、网络链路120和通信接口118而发送消息和接收数据,包括程序代码。在因特网示例中,服务器130可能经由因特网128、ISP126、网络122和通信接口118而传输用于应用程序的被请求的代码。例如,一个这样的被下载的应用程序可提供用于实施本文的方法的代码。被接收的代码可以在其被接收时由处理器104执行,或储存于储存装置110或其它非易失性储存器中以供稍后执行。以这种方式,计算机***100可以获得呈载波的形式的应用程序代码。
图6示意性地描绘示例性光刻投影设备。所述设备包括:
-照射***IL,其用于调节辐射束B。在这种特定情况下,照射***也包括辐射源SO;
-第一物体台(例如掩模台)MT,其设置有用于保持图案形成装置MA(例如掩模版)的图案形成装置保持器,且连接至用于相对于项目PS来准确地定位所述图案形成装置的第一***PM;
-第二物体台(衬底台)WT,其设置有用于保持衬底W(例如涂覆有抗蚀剂的硅晶片)的衬底保持器,且连接至用于相对于项目PS来准确地定位所述衬底的第二***PW;
-投影***PS(例如折射式、反射式或反射折射式光学***),其用于将图案形成装置MA的被辐照的部分成像至衬底W的目标部分C(例如包括一个或更多个管芯)上。
如本发明中描绘的,所述设备是透射型的(即具有透射式掩模)。然而,通常,其也可以是例如反射型的(具有反射式掩模)。可替代地,所述设备可以使用另一种类的图案形成装置作为对经典掩模的使用的替代;示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如汞灯或准分子激光器)产生辐射束。所述束直接地或在已横穿诸如扩束器的调节器之后被馈入至照射***(照射器)IL中。照射器IL可以包括被配置成设定束中的强度分布的外部径向范围或内部径向范围(通常分别被称为σ-外部和σ-内部)的调整器AD。另外,照射器IL通常将包括各种其它部件,诸如积分器IN和聚光器CO。以所述方式,照射于图案形成装置MA上的束B在其横截面中具有期望的均一性和强度分布。
关于图6应注意,源SO可以在光刻投影设备的壳体内(例如,当源SO为汞灯时常常是这种情况),但源SO也可以远离光刻投影设备,源SO产生的辐射束被引导至所述设备中(例如借助于合适的定向反射镜BD);后一种情境常常为源SO为准分子激光器(例如基于KrF、ArF或F2激光作用)时的情况。
束B随后被保持于图案形成装置台MT上的图案形成装置MA所拦截。在已横穿图案形成装置MA的情况下,束B传递通过投影***PS,投影***PS将所述束B聚焦至衬底W的目标部分C上。借助于第二***PW(和干涉仪IF),可准确地移动衬底台WT,例如以便使不同目标部分C定位在束B的路径中。类似地,第一***PM可以用于例如在将图案形成装置MA自图案形成装置库机械获取之后或在扫描期间相对于束B的路径来准确地定位所述图案形成装置MA。通常,将借助于未在图6中明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现物体台MT、WT的移动。
可以使用图案形成装置对准标记Ml、M2和衬底对准标记P1、P2来对准图案形成装置(例如掩模)MA和衬底W。尽管如所说明的衬底对准标记占据专用目标部分,但所述衬底对准标记可以位于目标部分之间的空间中(这些标记被称为划线对准标记)。类似地,在多于一个管芯被提供于图案形成装置(例如掩模)MA上的情形中,图案形成装置对准标记可以位于所述管芯之间。小的对准标识也可以被包括在器件特征的管芯内,在这种情况下,期望使标识尽可能地小且无需与邻近特征不同的任何成像或过程条件。
图7示意性地描绘了另一示例性光刻投影设备1000。光刻投影设备1000包括:
-源收集器模块SO;
-照射***(照射器)IL,其被配置成调节辐射束B(例如EUV辐射);
-支撑结构(例如掩模台)MT,其构造成支撑图案形成装置(例如掩模或掩模版)MA且连接至被配置成准确地定位所述图案形成装置的第一***PM;
-衬底台(例如晶片台)WT,其构造成保持衬底(例如涂覆有抗蚀剂的晶片)W,且连接至被配置成准确地定位所述衬底的第二***PW;和
-投影***(例如反射式投影***)PS,其被配置成将由图案形成装置MA赋予至辐射束B的图案投影至衬底W的目标部分C(例如包括一个或更多个管芯)上。
如这里描绘的,设备1000是反射型的(例如使用反射式掩模)。应注意,由于大多数材料在EUV波长范围内具有吸收性,所以图案形成装置可以具有包括(例如)钼与硅的多叠层的多层反射器。在一个示例中,多叠层反射器具有钼和硅的40层对。可利用X射线光刻来产生更小的波长。由于大多数材料在EUV和x射线波长下具有吸收性,因此图案形成装置形貌上的被图案化的吸收材料的薄片(例如多层反射器的顶部上的TaN吸收体)限定特征将在何处印制(正型抗蚀剂)或不印制(负型抗蚀剂)。
参考图7,照射器IL接收来自源收集器模块SO的极紫外线(EUV)辐射束。用于产生EUV辐射的方法包括但不限于:利用在EUV范围内的一个或更多个发射线将具有至少一个元素(例如氙、锂或锡)的材料转换成等离子体状态。在一个这样的方法(常常被称为激光产生等离子体“LPP”)中,可以通过利用激光束来辐照燃料(诸如具有所述线发射元素的材料液滴、束流或簇团)而产生等离子体。源收集器模块SO可以是包括激光器(图7中未示出)的EUV辐射***的部件,所述激光器用于提供用于激发燃料的激光束。得到的等离子体发射输出辐射,例如EUV辐射,所述辐射是使用设置在源收集器模块中的辐射收集器来收集的。例如,当使用CO2激光器以提供用于燃料激发的激光束时,激光器与源收集器模块可以是分立的实体。
在这样的情况下,不认为激光器构成光刻设备的一部分,且辐射束是借助于包括例如合适的定向反射镜或扩束器的束递送***而从激光器传递至源收集器模块。在其它情况下,例如,当源为放电产生等离子体EUV发生器(常常被称为DPP源)时,源可以是源收集器模块的组成部分。
照射器IL可以包括被配置成调整辐射束的角强度分布的调整器。通常,可以调整照射器的光瞳平面中的强度分布的至少外部径向范围或内部径向范围(通常分别被称为σ-外部和σ-内部)。另外,照射器IL可以包括各种其它部件,诸如琢面场反射镜装置和光瞳反射镜装置。照射器可以用于调节辐射束,以在其横截面中具有期望的均一性和强度分布。
辐射束B入射在被保持于支撑结构(例如掩模台)MT上的图案形成装置(例如掩模)MA上,并且被所述图案形成装置图案化。在从图案形成装置(例如掩模)MA反射之后,辐射束B传递通过投影***PS,投影***PS将所述束聚焦至衬底W的目标部分C上。借助于第二***PW和位置传感器PS2(例如干涉仪器件、线性编码器或电容式传感器),可以准确地移动衬底台WT,例如以便使不同目标部分C定位在辐射束B的路径中。类似地,第一***PM和另一位置传感器PS1可以用于相对于辐射束B的路径来准确地定位图案形成装置(例如掩模)MA。可以使用图案形成装置对准标记Ml、M2和衬底对准标记PI、P2来对准图案形成装置(例如掩模)MA和衬底W。
所描绘设备可以用于以下模式中的至少一种中:
1.在步进模式中,在将被赋予至辐射束的整个图案一次性投影至目标部分C上时,使支撑结构(例如掩模台)MT和衬底台WT保持基本上静止(即,单一的静态曝光)。接着,使衬底台WT在X或Y方向上移位,使得可以曝光不同的目标部分C。
2.在扫描模式中,在将被赋予至辐射束的图案投影至目标部分C上时,在给定方向(所谓的“扫描方向”)上同步地扫描支撑结构(例如,掩模台)MT和衬底台WT(即,单一的动态曝光)。可以通过投影***PS的放大率(缩小率)和图像反转特性来确定衬底台WT相对于支撑结构(例如掩模台)MT的速度和方向。
3.在另一模式中,在将被赋予至辐射束的图案投影至目标部分C上时,使用于保持可编程图案形成装置的支撑结构(例如掩模台)MT保持基本上静止,并且移动或扫描衬底台WT。在这种模式中,通常使用脉冲式辐射源,且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要更新可编程图案形成装置。所述操作模式可易于应用于利用可编程图案形成装置(诸如上文所提及的类型的可编程反射镜阵列)的无掩模光刻。
另外,光刻设备可以是具有两个或更多个台(例如两个或更多个衬底台、两个或更多个图案形成装置台、或衬底台和没有衬底的台)的类型。在这些“多平台”装置中,可以并行地使用额外的台,或可以在一个或更多个台上进行预备步骤,同时将一个或更多个其它台用于曝光。
图8更详细地示出设备1000,其包括源收集器模块SO、照射***IL和投影***PS。源收集器模块SO被构造和配置成使得可以在源收集器模块SO的围封结构220中维持真空环境。可以由放电产生等离子体源形成EUV辐射发射等离子体210。可以通过气体或蒸气(例如,Xe气体、Li蒸气或Sn蒸气)产生EUV辐射,其中产生非常热的等离子体210以发射在电磁光谱的EUV范围内的辐射。例如,通过产生至少部分离子化的等离子体的放电来产生非常热的等离子体210。为了高效地产生辐射,可能需要例如10Pa的分压的Xe、Li、Sn蒸气或任何其它合适气体或蒸气。在实施例中,提供被激发的锡(Sn)等离子体以产生EUV辐射。
由热的等离子体210发射的辐射是经由被定位在源腔室211中的开口中或其后方的可选气体阻挡件或污染物阱230(在一些情况下,也被称为污染物阻挡件或箔片阱)而从源腔室211传递至收集器腔室212中。污染物阱230可以包括通道结构。污染物阱230也可以包括气体阻挡件、或气体阻挡件与通道结构的组合。如在本领域中已知的,本发明中进一步指示的污染物阱或污染物阻挡件230至少包括通道结构。
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器CO。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。横穿收集器CO的辐射可以从光栅光谱滤光器240反射以沿着由点虚线“O”指示的光轴而聚焦于虚拟源点IF中。虚拟源点IF通常被称为中间焦点,且源收集器模块被布置成使得中间焦点IF位于围封结构220中的开口221处或其附近。虚拟源点IF为发射辐射的等离子体210的图像。
随后,辐射横穿照射***IL,照射***IL可以包括琢面场反射镜装置2和琢面光瞳反射镜装置24,琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成在图案形成装置MA处提供辐射束21的期望的角分布,以及在图案形成装置MA处提供辐射强度的期望的均一性。在由支撑结构MT保持的图案形成装置MA处的辐射束21的反射后,就形成经图案化束26,且由投影***PS将图案化束26经由反射元件28、30而成像至由衬底台WT保持的衬底W上。
通常在照射光学元件单元IL和投影***PS中存在比示出的元件更多的元件。依赖于光刻设备的类型,可以可选地存在光栅光谱滤光器240。另外,可以存在比附图中示出的反射镜更多的反射镜,例如,在投影***PS中可以存在比图8中示出的反射元件多1至6个的额外的反射元件。
如图8中说明的收集器光学装置CO被描绘为具有掠入射反射器253、254和255的巢状收集器,仅仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255被设置成关于光轴O轴向地对称,且这种类型的收集器光学装置CO期望结合放电产生等离子体源(常常被称为DPP源)而使用。可替代地,源收集器模块SO可以是LPP辐射***的一部分。
可以使用以下方面进一步描述实施例:
1.一种方法,包括:
获得设计布局的一部分;
基于所述部分或所述部分的特性确定辅助特征的特性;和
通过硬件计算机使用包括样本的训练数据来训练机器学习模型,所述样本的特征向量包括所述部分的特性且所述样本的标签包括所述辅助特征的特性。
2.根据方面1所述的方法,其中所述设计布局是二元设计布局或连续色调设计布局。
3.根据方面1或方面2中所述的方法,其中所述部分的特性包括所述部分中的图案的几何特性、所述部分中的所述图案的统计特性、所述部分的参数化,或从所述部分导出的图像。
4.根据方面3所述的方法,其中所述部分的特性包括所述部分的参数化,并且其中所述部分的参数化是所述部分在一个或更多个基函数上的投影。
5.根据方面3所述的方法,其中所述部分的特性包括所述图像,并且其中所述图像是像素化图像、二元图像或连续色调图像。
6.根据方面3所述的方法,其中所述部分的特性包括所述图像,并且其中所述图像是所述部分的像素化图像且所述像素化图像是关于与所述部分的特征对准的参考物。
7.根据方面1至6中任一项所述的方法,其中所述辅助特征的特性包括所述辅助特征的几何特性、所述辅助特征的统计特性,或所述辅助特征的参数化。
8.一种方法,包括:
获得设计布局的一部分或所述部分的特性;和
通过硬件计算机使用机器学习模型基于所述部分或所述部分的特性而获得用于所述部分的辅助特征的特性。
9.根据方面8所述的方法,其中所述部分的特性包括所述部分中的图案的几何特性、所述部分中的图案的统计特性、所述部分中的图案的参数化,或从所述部分导出的图像。
10.根据方面9所述的方法,其中所述部分的特性包括所述部分的参数化,并且其中所述部分的参数化是所述部分在一个或更多个基函数上的投影。
11.根据方面9所述的方法,其中所述部分的特性包括所述图像,并且其中所述图像是像素化图像、二元图像或连续色调图像。
12.根据方面9所述的方法,其中所述部分的特性包括所述图像,并且所述图像是将所述部分中的图案的边缘用作参考物而像素化的图像。
13.根据方面8至12中任一项所述的方法,其中所述辅助特征的特性包括所述辅助特征的几何特性、所述辅助特征的统计特性、或所述辅助特征的参数化。
14.根据方面8至13中任一项所述的方法,还包括在光刻过程中使用所述设计布局的部分和所述辅助特征来图案化衬底。
15.根据方面8至13中任一项所述的方法,还包括将所述辅助特征的特性用作用于优化器或分辨率增强技术中的初始条件。
16.根据方面8至14中任一项所述的方法,还包括计算指示所述辅助特征的特性的可信度的置信指标。
17.根据方面16所述的方法,其中所述特性包括所述辅助特征的二元图像,并且其中所述置信指标指示所述二元图像的任一色调中的概率。
18.根据方面16所述的方法,其中所述机器学习模型是概率模型,并且其中所述置信指标包括在类别集合上的概率分布。
19.根据方面16所述的方法,其中所述置信指标表示所述设计布局的部分与用于训练所述机器学习模型的训练数据之间的相似度。
20.根据方面16所述的方法,其中响应于所述置信指标未能满足条件,所述方法还包括使用包括所述部分的特性的训练数据来再训练所述机器学习模型。
21.根据方面16所述的方法,其中响应于所述置信指标未能满足条件,所述方法还包括通过不使用所述机器学习模型的方法来确定所述辅助特征。
22.根据方面16所述的方法,其中基于所述机器学习模型的输出来计算所述置信指标。
23.一种计算机程序产品,包括其上记录有指令的计算机可读介质,所述指令在由计算机执行时实施根据方面1至22中任一项所述的方法。
本发明中使用的术语“投影***”应被广泛地解释为涵盖任何类型的投影***,包括折射式、反射式、反射折射式、磁性式、电磁式和静电式光学***、或其任意组合,如对于所使用的曝光辐射所适合的或对诸如浸没液体的使用或真空的使用的其它因素适合的。
本发明中公开的构思可适用于涉及光刻设备的任何器件制造过程,且可以对能够产生具有越来越小的大小的波长的新兴成像技术尤其有用。已经在使用中的新兴技术包括能够通过使用ArF激光器来产生193nm波长且甚至能够通过使用氟激光器来产生157nm波长的深紫外线(DUV)光刻术。此外,EUV光刻术能够产生在5nm至20nm的范围内的波长。
虽然本发明所公开的构思可以用于在诸如硅晶片的衬底上的器件制造,但应理解,所公开的构思可供任何类型的光刻成像***使用,例如用于在除了硅晶片以外的衬底上成像的光刻成像***。
上文提及的图案形成装置包括或可以形成设计布局。可以利用计算机辅助设计(CAD)程序来产生设计布局。所述过程常常被称为电子设计自动化(EDA)。大多数CAD程序遵循预定的设计规则集合,以便产生功能设计布局/图案形成装置。通过处理和设计限制来设定这些规则。例如,设计规则定义电路器件(诸如栅极、电容器等)或互联线之间的空间容差,以便确保电路器件或线不会以不期望的方式相互作用。设计规则限制通常被称为“临界尺寸”(CD)。电路的临界尺寸可被定义为线或孔的最小宽度或两条线或两个孔之间的最小空间。因此,CD确定被设计的电路的总大小和密度。当然,集成电路制作中的目标中的一个是在衬底上如实地再生原始电路设计(经由图案形成装置)。
如本文中所使用的术语“掩模”或“图案形成装置”可被广泛地解释为是指可以用于向入射辐射束赋予图案化的横截面的通用的图案形成装置,被图案化的横截面对应于要在衬底的目标部分中产生的图案;术语“光阀”也可以用于所述内容背景中。除了经典的掩模(透射式或反射式;二元、相移、混合式等)以外,其它这样的图案形成装置的示例也包括:
-可编程反射镜阵列。这样的装置的示例为具有黏弹性控制层和反射表面的矩阵可寻址表面。这样的设备背后的基本原理为(例如):反射表面的被寻址的区域将入射辐射反射为衍射辐射,而未被寻址的区域将入射辐射反射为非衍射辐射。在使用适当的滤光器的情况下,可以从反射束滤出所述非衍射辐射,从而仅留下衍射辐射;以这种方式,束根据矩阵可寻址表面的寻址图案而变得被图案化。可以使用合适电子件来执行需要的矩阵寻址。
-可编程LCD阵列。
尽管在本文中可以特定地参考1C的制造,但应明确理解,本文中的描述具有许多其它可能的应用。例如,其可以用于制造集成光学***、用于磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。本领域技术人员应了解,在这些替代应用的内容背景中,在本文中任何使用的“掩模版”、“晶片”或“管芯”被认为是可分别与更上位的术语“掩模”、“衬底”和“目标部分”互换。
因此,如所提及的,显微光刻术(microlithography)为在诸如1C的器件的制造中的重要步骤,其中形成于衬底上的图案限定1C的功能元件,诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电***(MEMS)和其它器件。
在本文中,术语“辐射”和“束”用于涵盖所有类型的电磁辐射,包括紫外线辐射(例如具有为365nm、248nm、193nm、157nm或126nm的波长)和极紫外线(EUV辐射,例如具有在5nm至20nm的范围内的波长)。
如本发明中所使用的术语“优化(optimizing/optimization)”是指或意思是调整图案化过程设备、图案化过程的一个或更多个步骤等,使得图案化的结果和/或过程具有更期望的特性,诸如设计布局在衬底上的转印的较高准确度、较大过程窗口等。因此,如本发明所使用的术语“优化(optimizing/optimization)”是指或意思是识别用于一个或更多个参数中的一个或更多个值的过程,所述一个或更多个值与用于那些一个或更多个参数的一个或更多个值的初始集合相比提供至少一个相关指标的改善,例如局部最佳。应相应地解释“最佳”和其它相关术语。在实施例中,可反复地应用优化步骤,以提供一个或更多个指标的进一步改善。
在框图中,所说明的部件被描绘为离散功能块,但实施例不限于本发明中描述的功能如说明的那样来组织的***。由部件中的每个提供的功能可以由软件或硬件模块提供,所述模块以与目前描绘的方式不同的方式组织,例如,可掺和、结合、复写、解散、分配(例如,在数据中心内或按地区),或另外以不同的方式组织所述软件或硬件。本发明中描述的功能可以由执行储存于有形的、非暂时性机器可读介质上的代码的一个或更多个计算机的一个或更多个处理器提供。在一些情况下,第三方内容递送网络可以主控经由网络传递的信息中的一些或全部,在这种情况下,在称为供应或以其他方式提供的范围信息(例如内容)的情况下,可以通过发送指令以从内容递送网络获取所述信息。
除非另外特别陈述,否则如从论述来看明显的,应了解,贯穿本说明书的,利用诸如“处理”、“用计算机计算(computing)”、“计算(calculating)”、“确定”等的术语的论述是指诸如专用计算机或类似的专用电子处理/计算装置之类的特定设备的动作或过程。
读者应理解,本申请描述了几个发明。申请人已将这些发明分组成单个文献,而不是将这些发明分成多个单独的专利申请,这是因为所述发明的相关主题可以在应用过程中有助于经济节约。但不应合并这些发明的相异的优点和方面。在一些情况下,实施例解决本发明中提及的所有缺陷,但应理解,所述发明是独立地起作用的,且一些实施例仅解决这些问题的子集或提供其它未提及的益处,所述益处对于检阅本发明的本领域技术人员将是明显的。由于成本约束,目前可不要求保护本发明中所公开的一些发明,且可以在稍后的申请文件(诸如继续申请)中或通过修改本权利要求要求保护所述发明。类似地,由于空间约束,本文献的摘要和发明内容的发明章节都不应被视为包含所有这些发明的全面清单或这些发明的所有方面。
应理解,描述和附图并不旨在将本发明限于所公开的特定形式,而是,本发明旨在涵盖属于如由所附申请专利范围所限定的本发明的精神和范围的所有修改、等效物和替代方案。
鉴于本说明书,本发明的各种方面的修改和替代实施例将对于本领域技术人员而是明显的。因此,本说明书和附图应被解释为仅为说明性的且是出于教导本领域技术人员进行本发明的一般方式的目的。应理解,本发明中示出和描述的本发明的形式应被视为实施例的示例。元件和材料可替代本发明中说明和描述的元件和材料,部件和过程可被反转或被省略,可独立地利用某些特征,且可组合实施例或实施例的特征,所有这些对本领域技术人员在获得本发明的本说明书的益处之后将是明显的。可以在不背离在随附权利要求中描述的本发明的精神和范围的情况下对本发明中描述的元件作出改变。本发明中使用的标题是仅出于组织的目的,且不旨在用于限制本说明书的范围。
如贯穿本申请所使用的,词语“可以”是在许可性意义(即,意味着有可能)而非强制性意义(即,意味着必须)下使用的。词语“包括(include/including/includes)”等意味着包括但不限于。如贯穿本申请所使用的,单数形式“a/an/the”包括多个参照物,除非内容另有明确地指示。因此,例如,对“元件(an element/a element)”的提及包括两个或更多个元件的组合,尽管会针对一个或更多个元件使用其它术语和词组,诸如“一个或更多个”。除非另有指示,否则术语“或”是非排他性的,即,涵盖“和”与“或”两者。描述条件关系的术语,例如“响应于X,Y”、“在X时,Y”、“如果X,则Y”、“当X时,Y”等,包括因果关系,其中前提为必要的因果条件,前提为充分的因果条件,或前提是结果的促成因果条件,例如,“在条件Y获得时状态X发生”对于“仅在Y时X发生”和“在Y和Z时X发生”是上位的。这样的条件关系并不限于在前提获得之后立即产生的结果,因为一些结果可能被延迟,并且在条件陈述中,前提与它们的结果相关联,例如前提与结果发生的可能性相关。其中多个属性或功能被映射到多个对象(例如,执行步骤A、B、C和D的一个或更多个处理器)的表述包含所有这些属性或功能被映射到所有这些对象和属性或功能的子集被映射到所述属性或功能的子集两者(例如,所有处理器中的每个执行步骤A-D,及其中处理器1执行步骤A、处理器2执行步骤B和步骤C的一部分、并且处理器3执行步骤C的一部分和步骤D的情况两者),除非另外说明。此外,除非另外说明,否则一个值或动作“基于”另一条件或值的陈述涵盖其中所述条件或值是唯一因素的实例以及其中所述条件或值是多个因素中的一个因素的实例两者。除非另外说明,否则某些集合的“每个”实例具有某一属性的陈述不应被读出排除较大集合中的一些其它相同或类似构件不具有所述属性的情况,即,每个并不一定意味着每个或任一个。
以上描述旨在为说明性的,而非限制性的。因此,对于本领域技术人员将是明显的是,可以在不背离下文所阐明的权利要求的范围的情况下如所描述的那样进行修改。
Claims (16)
1.一种方法,包括:
获得设计布局的部分或所述部分的特性;和
通过硬件计算机使用机器学习模型基于所述部分或所述部分的特性而获得用于所述部分的辅助特征的特性。
2.根据权利要求1所述的方法,其中所述部分的特性包括所述部分中的图案的几何特性、所述部分中的图案的统计特性、所述部分中的图案的参数化,或从所述部分导出的图像。
3.根据权利要求2所述的方法,其中所述部分的特性包括所述部分的参数化,并且其中所述部分的参数化是所述部分在一个或更多个基函数上的投影。
4.根据权利要求2所述的方法,其中所述部分的特性包括所述图像,并且其中所述图像是像素化图像、二元图像或连续色调图像。
5.根据权利要求2所述的方法,其中所述部分的特性包括所述图像,并且所述图像是将所述部分中的图案的边缘用作参考物而像素化的图像。
6.根据权利要求1所述的方法,其中所述辅助特征的特性包括所述辅助特征的几何特性、所述辅助特征的统计特性、或所述辅助特征的参数化。
7.根据权利要求1所述的方法,还包括在光刻过程中使用所述设计布局的所述部分和所述辅助特征来图案化衬底。
8.根据权利要求1所述的方法,还包括将所述辅助特征的特性用作用于优化器或分辨率增强技术的初始条件。
9.根据权利要求1所述的方法,还包括计算指示所述辅助特征的特性的可信度的置信指标。
10.根据权利要求9所述的方法,其中所述特性包括所述辅助特征的二元图像,并且其中所述置信指标指示所述二元图像的任一色调的概率。
11.根据权利要求9所述的方法,其中所述机器学习模型是概率模型,并且其中所述置信指标包括在类别的集合上的概率分布。
12.根据权利要求9所述的方法,其中所述置信指标表示所述设计布局的所述部分与用于训练所述机器学习模型的训练数据之间的相似度。
13.根据权利要求9所述的方法,其中响应于所述置信指标未能满足条件,所述方法还包括使用包括所述部分的特性的训练数据再训练所述机器学习模型。
14.根据权利要求9所述的方法,其中响应于所述置信指标未能满足条件,所述方法还包括通过不使用所述机器学习模型的方法确定所述辅助特征。
15.根据权利要求9所述的方法,其中基于所述机器学习模型的输出计算所述置信指标。
16.一种计算机程序产品,包括其上记录有指令的计算机可读介质,所述指令在由计算机执行时实施根据权利要求1所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762511937P | 2017-05-26 | 2017-05-26 | |
US62/511,937 | 2017-05-26 | ||
PCT/EP2018/061488 WO2018215188A1 (en) | 2017-05-26 | 2018-05-04 | Assist feature placement based on machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110692017A true CN110692017A (zh) | 2020-01-14 |
Family
ID=62116457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880034754.5A Pending CN110692017A (zh) | 2017-05-26 | 2018-05-04 | 基于机器学习的辅助特征放置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20200050099A1 (zh) |
KR (3) | KR20230035145A (zh) |
CN (1) | CN110692017A (zh) |
TW (1) | TWI681250B (zh) |
WO (1) | WO2018215188A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668718A (zh) * | 2021-01-19 | 2021-04-16 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、电子设备以及存储介质 |
CN113238460A (zh) * | 2021-04-16 | 2021-08-10 | 厦门大学 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
CN113454532A (zh) * | 2019-02-21 | 2021-09-28 | Asml荷兰有限公司 | 训练机器学习模型以确定掩模的光学邻近效应校正的方法 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6833873B2 (ja) | 2016-05-17 | 2021-02-24 | シリコン ストーリッジ テクノロージー インコーポレイテッドSilicon Storage Technology, Inc. | 不揮発性メモリアレイを使用したディープラーニングニューラルネットワーク分類器 |
US10699779B2 (en) | 2017-11-29 | 2020-06-30 | Silicon Storage Technology, Inc. | Neural network classifier using array of two-gate non-volatile memory cells |
US10803943B2 (en) | 2017-11-29 | 2020-10-13 | Silicon Storage Technology, Inc. | Neural network classifier using array of four-gate non-volatile memory cells |
WO2019203877A1 (en) * | 2018-04-18 | 2019-10-24 | Siemens Aktiengesellschaft | Method for reconstructing an object |
EP3660744A1 (en) * | 2018-11-30 | 2020-06-03 | ASML Netherlands B.V. | Method for decreasing uncertainty in machine learning model predictions |
US11500442B2 (en) | 2019-01-18 | 2022-11-15 | Silicon Storage Technology, Inc. | System for converting neuron current into neuron current-based time pulses in an analog neural memory in a deep learning artificial neural network |
CN113366504B (zh) * | 2019-01-29 | 2022-09-13 | 硅存储技术股份有限公司 | 使用四栅极非易失性存储器单元阵列的神经网络分类器 |
EP3918420A1 (en) * | 2019-01-29 | 2021-12-08 | ASML Netherlands B.V. | Method for decision making in a semiconductor manufacturing process |
US10720217B1 (en) * | 2019-01-29 | 2020-07-21 | Silicon Storage Technology, Inc. | Memory device and method for varying program state separation based upon frequency of use |
TWI730288B (zh) * | 2019-01-31 | 2021-06-11 | 鴻齡科技股份有限公司 | 深度學習方法、系統、伺服器及可讀存儲介質 |
US11061318B2 (en) | 2019-02-28 | 2021-07-13 | Taiwan Semiconductor Manufacturing Co., Ltd. | Lithography model calibration |
EP3705944A1 (en) | 2019-03-06 | 2020-09-09 | ASML Netherlands B.V. | Extracting a feature from a data set |
US20200293894A1 (en) * | 2019-03-12 | 2020-09-17 | Samsung Electronics Co., Ltd. | Multiple-input multiple-output (mimo) detector selection using neural network |
WO2020187578A1 (en) * | 2019-03-21 | 2020-09-24 | Asml Netherlands B.V. | Training method for machine learning assisted optical proximity error correction |
US11423979B2 (en) | 2019-04-29 | 2022-08-23 | Silicon Storage Technology, Inc. | Decoding system and physical layout for analog neural memory in deep learning artificial neural network |
US10831976B1 (en) * | 2019-05-30 | 2020-11-10 | International Business Machines Corporation | Predicting local layout effects in circuit design patterns |
US10831977B1 (en) * | 2019-06-03 | 2020-11-10 | Globalfoundries Inc. | Curvilinear mask models |
US10885259B2 (en) * | 2019-08-30 | 2021-01-05 | Intel Corporation | Random forest model for prediction of chip layout attributes |
US11010529B2 (en) * | 2019-09-16 | 2021-05-18 | Taiwan Semiconductor Manufacturing Company Limited | Integrated circuit layout validation using machine learning |
US11762283B2 (en) | 2019-12-13 | 2023-09-19 | Synopsys, Inc. | Inverse lithography and machine learning for mask synthesis |
CN114981724A (zh) | 2019-12-13 | 2022-08-30 | Asml荷兰有限公司 | 用于改善掩模图案生成一致性的方法 |
WO2021175570A1 (en) * | 2020-03-03 | 2021-09-10 | Asml Netherlands B.V. | Machine learning based subresolution assist feature placement |
KR20220001262A (ko) | 2020-06-29 | 2022-01-05 | 삼성전자주식회사 | 반도체 공정의 근접 보정 방법 |
KR20220014760A (ko) | 2020-07-29 | 2022-02-07 | 삼성전자주식회사 | 심층 학습에 기반한 마스크 상의 형태 형성 방법, 및 그 형성 방법을 이용한 마스크 제조방법 |
KR20220014541A (ko) | 2020-07-29 | 2022-02-07 | 삼성전자주식회사 | 공정 근접 효과 보정 방법 및 컴퓨팅 장치 |
US11270054B1 (en) * | 2020-08-31 | 2022-03-08 | Siemens Industry Software Inc. | Method and system for calculating printed area metric indicative of stochastic variations of the lithographic process |
TWI833241B (zh) | 2021-06-18 | 2024-02-21 | 荷蘭商Asml荷蘭公司 | 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040209169A1 (en) * | 2003-04-15 | 2004-10-21 | International Business Machines Corporation | Method of Verifying the Placement of Sub-Resolution Assist Features in a Photomask Layout |
US20150213374A1 (en) * | 2014-01-24 | 2015-07-30 | International Business Machines Corporation | Detecting hotspots using machine learning on diffraction patterns |
WO2016132145A1 (en) * | 2015-02-19 | 2016-08-25 | Magic Pony Technology Limited | Online training of hierarchical algorithms |
CN106164777A (zh) * | 2014-04-14 | 2016-11-23 | Asml荷兰有限公司 | 光刻过程的优化流程 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080077907A1 (en) * | 2006-09-21 | 2008-03-27 | Kulkami Anand P | Neural network-based system and methods for performing optical proximity correction |
US7882480B2 (en) | 2007-06-04 | 2011-02-01 | Asml Netherlands B.V. | System and method for model-based sub-resolution assist feature generation |
US20090157630A1 (en) | 2007-10-26 | 2009-06-18 | Max Yuan | Method of extracting data and recommending and generating visual displays |
CN102224459B (zh) | 2008-11-21 | 2013-06-19 | Asml荷兰有限公司 | 用于优化光刻过程的方法及设备 |
US20150161320A1 (en) * | 2013-12-09 | 2015-06-11 | Spansion Inc. | Scattering bar optimization apparatus and method |
WO2016096309A1 (en) * | 2014-12-15 | 2016-06-23 | Asml Netherlands B.V. | Optimization based on machine learning |
CN107438842A (zh) * | 2014-12-18 | 2017-12-05 | Asml荷兰有限公司 | 通过机器学习的特征搜索 |
US10670973B2 (en) * | 2015-05-20 | 2020-06-02 | Asml Netherlands B.V. | Coloring aware optimization |
KR102682483B1 (ko) * | 2016-09-30 | 2024-07-05 | 삼성전자주식회사 | 픽셀 기반 학습을 이용한 마스크 최적화 방법 |
-
2018
- 2018-05-04 KR KR1020237006802A patent/KR20230035145A/ko not_active Application Discontinuation
- 2018-05-04 CN CN201880034754.5A patent/CN110692017A/zh active Pending
- 2018-05-04 WO PCT/EP2018/061488 patent/WO2018215188A1/en active Application Filing
- 2018-05-04 KR KR1020217030676A patent/KR20210119578A/ko not_active Application Discontinuation
- 2018-05-04 KR KR1020197038130A patent/KR20200010496A/ko not_active IP Right Cessation
- 2018-05-04 US US16/606,791 patent/US20200050099A1/en active Pending
- 2018-05-15 TW TW107116367A patent/TWI681250B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040209169A1 (en) * | 2003-04-15 | 2004-10-21 | International Business Machines Corporation | Method of Verifying the Placement of Sub-Resolution Assist Features in a Photomask Layout |
US20150213374A1 (en) * | 2014-01-24 | 2015-07-30 | International Business Machines Corporation | Detecting hotspots using machine learning on diffraction patterns |
CN106164777A (zh) * | 2014-04-14 | 2016-11-23 | Asml荷兰有限公司 | 光刻过程的优化流程 |
WO2016132145A1 (en) * | 2015-02-19 | 2016-08-25 | Magic Pony Technology Limited | Online training of hierarchical algorithms |
Non-Patent Citations (1)
Title |
---|
XIAOQING XU ET. AL.: "A Machine Learning Based Framework for Sub-Resolution Assist Feature Generation", 《INTERNATIONAL SYMPOSIUM ON PHYSICAL DESIGN》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113454532A (zh) * | 2019-02-21 | 2021-09-28 | Asml荷兰有限公司 | 训练机器学习模型以确定掩模的光学邻近效应校正的方法 |
CN112668718A (zh) * | 2021-01-19 | 2021-04-16 | 北京市商汤科技开发有限公司 | 神经网络训练方法、装置、电子设备以及存储介质 |
CN113238460A (zh) * | 2021-04-16 | 2021-08-10 | 厦门大学 | 一种基于深度学习的用于超紫外的光学邻近校正方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI681250B (zh) | 2020-01-01 |
KR20210119578A (ko) | 2021-10-05 |
WO2018215188A1 (en) | 2018-11-29 |
KR20200010496A (ko) | 2020-01-30 |
US20200050099A1 (en) | 2020-02-13 |
KR20230035145A (ko) | 2023-03-10 |
TW201901285A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111051993B (zh) | 用于机器学习辅助的光学邻近误差校正的训练方法 | |
TWI681250B (zh) | 獲得輔助特徵之特性的方法及電腦程式產品 | |
TWI736262B (zh) | 用於計算微影之機器學習模型的訓練方法 | |
US11029605B2 (en) | Optimization based on machine learning | |
US20210271172A1 (en) | Methods of determining process models by machine learning | |
US11815820B2 (en) | Training method for machine learning assisted optical proximity error correction | |
US20170357911A1 (en) | Feature search by machine learning | |
US20230393458A1 (en) | Method for generating mask pattern |
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 |