CN112889005B - 用于生成特性图案和训练机器学习模型的方法 - Google Patents
用于生成特性图案和训练机器学习模型的方法 Download PDFInfo
- Publication number
- CN112889005B CN112889005B CN201980068610.6A CN201980068610A CN112889005B CN 112889005 B CN112889005 B CN 112889005B CN 201980068610 A CN201980068610 A CN 201980068610A CN 112889005 B CN112889005 B CN 112889005B
- Authority
- CN
- China
- Prior art keywords
- pattern
- model
- training
- feature
- feature pattern
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 331
- 238000012549 training Methods 0.000 title claims abstract description 125
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 208
- 238000000059 patterning Methods 0.000 claims abstract description 180
- 238000004088 simulation Methods 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 38
- 239000000758 substrate Substances 0.000 claims description 110
- 238000013461 design Methods 0.000 claims description 105
- 230000006870 function Effects 0.000 claims description 49
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 239000003550 marker Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000012804 iterative process Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 description 75
- 230000003287 optical effect Effects 0.000 description 61
- 230000007547 defect Effects 0.000 description 35
- 239000010410 layer Substances 0.000 description 34
- 238000012545 processing Methods 0.000 description 22
- 238000005286 illumination Methods 0.000 description 20
- 238000009826 distribution Methods 0.000 description 19
- 238000012937 correction Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 15
- 238000011161 development Methods 0.000 description 14
- 238000007689 inspection Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 9
- 230000003042 antagnostic effect Effects 0.000 description 8
- 238000005530 etching Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000001459 lithography Methods 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000001747 pupil Anatomy 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000001311 chemical methods and process Methods 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 230000003750 conditioning effect Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000000206 photolithography Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 238000007493 shaping process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 229910052718 tin Inorganic materials 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 229910052724 xenon Inorganic materials 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 244000208734 Pisonia aculeata Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002925 chemical effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000000151 deposition Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000005381 magnetic domain Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- -1 refractive index Substances 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000004528 spin coating Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- 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
- 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
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Geometry (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
Abstract
一种生成用于图案化过程的特征图案和训练机器学习模型的方法。用于生成特征图案的方法包括:获得经训练的生成器模型和输入图案,该经训练的生成器模型被配置为生成特征图案(例如热点图案);以及经由经训练的生成器模型(例如CNN)的模拟,基于输入图案生成特征图案,其中,输入图案是随机向量、一种类型图案中的至少一者。
Description
相关申请的交叉引用
本申请要求于2018年10月17日提交的美国申请62/746,784的优先权,该美国申请的全部内容通过引用并入本文中。
技术领域
本文的描述总体上涉及图案化过程以及确定对应于设计布局的特征图案的设备和方法。
背景技术
光刻投影设备可以用于制造例如集成电路(IC)。在这种情况下,图案形成装置(例如掩模)可以包含或提供对应于IC的单层的图案(“设计布局”),并且该图案可以通过诸如经由图案形成装置上的图案照射目标部分的方法,被转移到其上已经涂覆有一层辐射敏感材料(“抗蚀剂”)的衬底(例如硅晶片)上的目标部分(例如包括一个或多个管芯)上。一般而言,单个衬底包含多个相邻目标部分,图案由光刻投影设备连续地转移到该多个相邻目标部分,一次一个目标部分。在一种类型的光刻投影设备中,将整个图案形成装置上的图案一次转移到一个目标部分上;该设备通常被称为步进器。在通常被称为步进扫描设备的可替代设备中,投影束在给定参考方向(“扫描”方向)上遍及图案形成装置进行扫描,同时平行或反向平行于该参考方向而同步地移动衬底。图案形成装置上的图案的不同部分渐进地转移到一个目标部分。一般而言,由于光刻投影设备将具有减小的比率M(例如4),所以移动衬底的速度F将为投影束扫描图案形成装置的速度的1/M倍。可以例如从以引用方式并入本文中的US 6,046,792搜集到关于如本文中所描述的光刻设备的更多信息。
在将图案从图案形成装置转移到衬底之前,衬底可以经历各种工序,诸如涂底料、抗蚀剂涂覆和软烘烤。在曝光之后,衬底可以经受其他工序(“曝光后工序”),诸如曝光后烘烤(PEB)、显影、硬烘烤及对经转移图案的测量/检测。该工序阵列被用作制造器件(例如IC)的单层的基础。然后,衬底可以经历各种过程,诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学-机械抛光等,这些过程都意图精加工器件的单层。如果在器件中需要多个层,则针对每一层来重复整个工序或其变型。最终,器件将存在于衬底上的每一个目标部分中。然后,通过诸如切块或锯切等技术来使这些器件彼此分离,由此可以将个体器件安装于载体上、连接到针脚等。
因此,制造器件(诸如半导体器件)通常涉及使用多个制造过程来处理衬底(例如半导体晶片),以形成器件的各种特征及多个层。通常使用例如沉积、光刻、蚀刻、化学机械抛光及离子注入来制造及处理这些层及特征。可以在衬底上的多个管芯上制作多个器件,然后将这些器件分离成个体器件。可以将该器件制造过程视为图案化过程。图案化过程涉及图案化步骤,诸如使用光刻设备中的图案形成装置来将图案形成装置上的图案转移到衬底的光学和/或纳米压印光刻术,并且图案化过程通常但可选地,涉及一个或多个相关图案处理步骤,诸如通过显影设备的抗蚀剂显影、使用烘烤工具的衬底的烘烤、使用蚀刻设备的使用图案的蚀刻等。
如所提及的,光刻是制造诸如IC的器件时的中心步骤,其中,形成于衬底上的图案限定器件的功能元件,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)和其他装置。
随着半导体制造过程持续进步,几十年来,功能元件的尺寸已经不断地减小,而每器件的诸如晶体管的功能元件的量已经在稳定地增大,这遵循通常被称为“摩尔定律”的趋势。在当前技术状态下,使用光刻投影设备制造器件的层,光刻投影设备使用来自深紫外照射源的照射将对应于设计布局的图案投影到衬底上,由此产生尺寸远低于100nm,即小于来自照射源(例如193nm照射源)的辐射的波长的一半,的独立功能元件。
根据分辨率公式CD=k1×λ/NA印刷尺寸小于光刻投影设备的经典分辨率限制的特征的过程通常被称为低k1光刻,其中,λ是所使用辐射的波长(当前在大多数情况下为248nm或193nm),NA是光刻投影设备中的投影光学元件的数值孔径,CD是“临界尺寸”(通常是所印刷的最小特征尺寸),并且k1是经验分辨率因子。一般而言,k1越小,则在衬底上再现类似于由设计者规划的形状及尺寸以便达成特定电功能性及性能的图案变得越困难。为了克服这些困难,将复杂微调步骤应用到光刻投影设备、设计布局或图案形成装置。这些微调步骤包括(例如但不限于):NA及光学相干设定的优化、定制的照射方案、相移图案形成装置的使用、设计布局中的光学邻近校正(OPC,有时也称为“光学及过程校正”),或通常被定义为“分辨率增强技术”(RET)的其他方法。如本文中所使用的术语“投影光学元件”应该被宽泛地解释为涵盖各种类型的光学***,包括例如折射型光学元件、反射型光学元件、孔隙及反射折射型光学元件。术语“投影***”也可以包括用于统一地或单个地引导、成形或控制投影辐射束的根据这些设计类型中的任一者而操作的部件。术语“投影光学元件”可以包括光刻投影设备中的任何光学部件,而不论光学部件位于光刻投影设备的光学路径上的何处。投影光学元件可以包括用于在来自源的辐射通过图案形成装置之前成形、调整和/或投影该辐射的光学部件,和/或用于在辐射通过图案形成装置之后成形、调整和/或投影该辐射的光学部件。投影光学元件通常不包括源和图案形成装置。
发明内容
根据实施例,提供一种生成用于图案化过程的特征图案的方法。该方法包括:获得经训练的生成器模型和输入图案,该经训练的生成器模型被配置为生成特征图案;以及经由该经训练的生成器模型的模拟,基于该输入图案生成该特征图案,其中,该输入图案是随机向量或图案类别中的至少一者。
在实施例中,该特征图案是在经受该图案化过程的衬底上的待印刷的图案形成装置图案。
在实施例中,经由以设计布局作为导致热点图案的输入的图案化过程的过程模型的模拟而获得该输入图案。
在实施例中,该过程模型包括光学邻近校正模型及光刻可制造性检查模型。
在实施例中,方法还包括:将该特征图案转换为特征轮廓表示;将设计规则检查应用于特征轮廓表示;以及基于设计规则检查修改特征轮廓表示以增大特征图案能够印刷的可能性。
在实施例中,转换该特征图案包括:提取该特征图案内的特征的轮廓;以及将该轮廓转换为几何形状和/或使该特征图案曼哈顿化(Manhattanize)。
在实施例中,该方法还包括:经由该光学邻近校正模型的模拟确定用于经修改的特征轮廓的光学邻近校正;经由该图案化过程的该过程模型的模拟确定该衬底的对应于经修改的特征轮廓的模拟图案。
在实施例中,该方法还包括:经由该图案化过程的该过程模型的模拟基于该特征图案和/或经修改的特征轮廓确定该图案化过程的设定。
在实施例中,该图案化过程的该设定是包括剂量、焦点和/或光学参数的过程变量的值。
在实施例中,该方法还包括:经由该光刻设备应用该图案化过程的该设定将该特征图案印刷在该衬底上。
在实施例中,该经训练的生成器模型是卷积神经网络。
在实施例中,根据称作生成对抗式网络的机器学习训练方法来训练该经训练的生成器模型。
在实施例中,该特征图案及该输入图案是像素化图像。
在实施例中,该输入图案包括设计布局,该设计布局包括热点图案。
此外,本公开内容提供一种训练用于生成图案化过程的特征图案的机器学习模型的方法。该方法包括:获得机器学习模型,该机器学习模型包括:(i)生成器模型,其被配置为生成在经受图案化过程的衬底上待印刷的特征图案,和(ii)鉴别器模型,其被配置为区分该特征图案与训练图案;以及经由计算机硬件***,基于包括该训练图案的训练集以相互协作方式训练该生成器模型和该鉴别器模型,使得该生成器模型生成匹配该训练图案的该特征图案,并且该鉴别器模型将该特征图案识别为该训练图案,其中,该特征图案和该训练图案包括热点图案。
在实施例中,该训练是迭代过程,迭代包括:经由以输入向量的该生成器模型的模拟来生成该特征图案;评估与该生成器模型相关的第一成本函数;经由该鉴别器模型区分该特征图案与该训练图案;评估与该鉴别器模型相关的第二成本函数;以及调整该生成器模型的参数以改善该第一成本函数,并且调整该鉴别器模型的参数以改善该第二成本函数。
在实施例中,该输入向量是随机向量和/或种子热点图像。
在实施例中,从以设计布局作为输入光刻过程的模拟获得该种子热点图像。
在实施例中,该区分包括:确定该特征图案是该训练图案的概率;以及响应于该概率,分配标记给该特征图案,该标记指示该特征图案是真实图案还是虚假图案。
在实施例中,响应于该概率突破阈值,将该特征图案标记为真实图案。
在实施例中,该第一成本函数包括第一对数-似然度项,其确定在给定该输入向量的情况下该特征图案为虚假的概率。
在实施例中,调整该生成器模型的参数使得该第一对数-似然度项被最小化。
在实施例中,该第二成本函数包括第二对数-似然度项,其确定在给定该训练图案的情况下该特征图案为真实的概率。
在实施例中,调整第二模型参数使得该第二对数-似然度项被最大化。
在实施例中,该训练图案包括热点图案。
在实施例中,从该图案化过程的过程模型的模拟、经印刷衬底的量测数据和/或存储印刷图案的数据库获得该训练图案。
在实施例中,该特征图案包括类似于该训练图案的特征。
在实施例中,该特征图案和该训练图案还包括非热点图案和/或用户定义的图案。
在实施例中,该方法还包括经由经训练的生成器模型的模拟生成包括热点图案和/或用户定义的图案的设计图案。
在实施例中,该生成器模型和该鉴别器模型是卷积神经网络。
附图说明
对于本领域普通技术人员而言,在结合附图审阅特定实施例的以下描述后,以上方面及其他方面和特征就将变得显而易见,在附图中:
图1示出了根据实施例的光刻***的各种子***的框图;
图2示出了根据实施例的处理变量的示例性类别;
图3是根据实施例的用于模型化和/或模拟图案化过程的部分的流程图;
图4示出了根据实施例的用于确定光刻过程中的缺陷之存在的方法的流程图;
图5是根据实施例的基于机器学习的热点图案生成方法的概略图;
图6是根据实施例的生成用于图案化过程的特征图案的方法的流程图;
图7说明了根据实施例的基于生成对抗式网络架构的机器学习模型的训练过程的概述;
图8是根据实施例的训练图6的生成器模型的示例性方法的流程图;
图9A是根据实施例的印刷在衬底上的真实图案的示例;
图9B是根据实施例的通过图7的经训练的生成器模型生成的对应于图9A的特征图案的示例;
图10说明了根据实施例的示例性缺陷及解决该缺陷的示例性方式;
图11是根据实施例的示例计算机***的框图;
图12是根据实施例的光刻投影设备的示意图;
图13是根据实施例的另一个光刻投影设备的示意图;
图14是根据实施例的图12中的设备的更详细视图;
图15是根据实施例的图13和图14的设备的源收集器模块SO的更详细视图。
具体实施方式
在详细地描述实施例之前,呈现可供实施实施例的示例性环境是有指导性的。
尽管在本文中可以特定地参考IC制造,但是应该明确地理解,本文的描述具有许多其他可能应用。例如,其可以用于制造集成光学***、引导及检测用于磁畴存储器的图案、液晶显示面板、薄膜磁头等。本领域技术人员将明白的是,在这类可替代应用的内容背景中,应该认为在本文中对术语“掩模版”、“晶片”或“管芯”的任何使用都可以分别与更上位的术语“掩模”、“衬底”及“目标部分”互换。
在本文件中,术语“辐射”及“束”用于涵盖所有类型的电磁辐射,包括紫外辐射(例如具有为365nm、248nm、193nm、157nm或126nm的波长)和极紫外辐射(EUV,例如具有在约5至100nm的范围内的波长)。
图案形成装置可以包括或者可以形成一个或多个设计布局。可以利用计算机辅助设计(CAD)程序来生成设计布局,该过程经常被称为电子设计自动化(EDA)。大多数CAD程序遵循预定设计规则的集合,以便生成功能设计布局/图案形成装置。通过处理及设计限制来设定这些规则。例如,设计规则定义器件(诸如门、电容器等)或互联机之间的空间容许度,以便确保器件或线彼此不会以不理想方式相互作用。设计规则限制中的一个或多个可以被称为“临界尺寸”(CD)。可以将器件的临界尺寸限定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确定经设计器件的总尺寸及密度。当然,器件制造的目标中的一个是在衬底上如实地再生原始设计意图(经由图案形成装置)。
作为示例,图案布局设计可以包括诸如光学邻近校正(OPC)的分辨率增强技术的应用。OPC处理如下事实:投影于衬底上的设计布局的图像的最终尺寸及放置将不同于或简单地仅依赖于图案形成装置上的该设计布局的尺寸及放置。应该注意的是,术语“掩模”、“掩模版”、“图案形成装置”在本文中可以被互换地利用。此外,本领域技术人员将认识到,可以互换地使用术语“掩模”、“图案形成装置”及“设计布局”,如在RET的内容背景中,不一定使用实体图案形成装置,而可以使用设计布局来表示实体图案形成装置。对于一些设计布局上的小特征尺寸及高特征密度,给定特征的特定边缘的位置将在某种程度上受到其他相邻特征之存在或不存在的影响。这些邻近效应起因于从一个特征耦接至另一个特征的微量的辐射或诸如衍射及干涉的非几何光学效应。类似地,邻近效应可以起因于在通常继光刻之后的曝光后烘烤(PEB)、抗蚀剂显影及蚀刻期间的扩散及其他化学效应。
为了增大设计布局的经投影图像是根据给定目标电路设计的要求的机会,可以使用设计布局的复杂数值模型、校正或预失真来预测及补偿邻近效应。论文“Full-ChipLithography Simulation and Design Analysis-How OPC Is Changing IC Design”(C.Spence,Proc.SPIE,第5751卷,第1至14页(2005年))提供了当前“以模型为基础”的光学邻近校正程序的综述。在典型高端设计中,设计布局的几乎每一个特征都具有一些修改,以便达成经投影图像至目标设计的高保真度。这些修改可以包括边缘位置或线宽的移位或偏置,以及意图辅助其他特征的投影的“辅助”特征的应用。
辅助特征可以被视为图案形成装置上的特征与设计布局中的特征之间的差异。术语“主特征”及“辅助特征”并不暗示图案形成装置上的特定特征必须被标注为主特征或辅助特征。
如本文中所使用的术语“掩模”或“图案形成装置”可以被宽泛地解释为指可以用于向入射辐射束赋予经图案化横截面的通用图案形成装置,经图案化横截面对应于待在衬底的目标部分中生成的图案;术语“光阀”也可以用于此内容背景中。除了经典掩模(透射或反射型;二元式、相移式、混合式等)以外,其他这些图案形成装置的示例还包括:
-可编程反射镜阵列。该装置的示例是具有黏弹性控制层及反射表面的矩阵可寻址表面。该设备所隐含的基本原理为(例如):反射表面的经寻址区域使入射辐射被反射为衍射辐射,而未经寻址区域使入射辐射被反射为非衍射辐射。在使用适当滤波器的情况下,该非衍射辐射可以从经反射的束被滤除,从而仅留下衍射辐射;这样,束根据矩阵可寻址表面的寻址图案而被图案化。可以使用适当电子构件来执行所需矩阵寻址。
-可编程LCD阵列。在以引用方式并入本文中的美国专利第5,229,872号中给出了这类构造的示例。
作为简要介绍,图1说明了示例性光刻投影设备10A。主要部件为:辐射源12A,其可以是深紫外准分子激光源或者包括极紫外(EUV)源及照射型光学元件的其他类型源(如上文所论述的,光刻投影设备自身不一定具有辐射源),该照射型光学元件例如限定部分相干性(表示为西格玛),并且可以包括成形来自源12A的辐射的光学元件14A、16Aa及16Ab;图案形成装置18A;以及透射型光学元件16Ac,其将图案形成装置的图案的图像投影到衬底平面22A上。在投影光学元件的光瞳平面处的可调整滤波器或孔径20A可以限定照射于衬底平面22A上的束角度的范围,其中,最大可能角度限定投影光学元件的数值孔径NA=n sin(Θmax),其中,n是衬底与投影光学元件的最终元件之间的介质的折射率,并且Θmax是从投影光学元件射出的仍然可以照射于衬底平面22A上的束的最大角度。
在光刻投影设备中,源提供照射(即辐射)至图案形成装置,投影光学元件经由图案形成装置将照射引导并成形到衬底上。投影光学元件可以包括部件14A、16Aa、16Ab及16Ac中的至少一些。空间图像(AI)是在衬底水平处的辐射强度分布。曝光衬底上的抗蚀剂层,并且将空间图像转移到抗蚀剂层以在其中作为潜影“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以从空间图像计算抗蚀剂图像,可以在美国专利申请公开案第US 2009-0157360号中找到它的示例,其全部公开内容以引用方式并入本文中。抗蚀剂模型仅与抗蚀剂层的性质(例如在曝光、PEB及显影期间发生的化学过程的效果)相关。光刻投影设备的光学性质(例如源、图案形成装置及投影光学元件的性质)规定空间图像。由于可以改变用于光刻投影设备中的图案形成装置,所以可能需要使图案形成装置的光学性质与至少包括源及投影光学元件的光刻投影设备的其余部分的光学性质分离。
尽管在本文中可以特定地参考光刻设备在IC制造中的使用,但是应该理解的是,本文中所描述的光刻设备可以具有其他应用,诸如制造集成光学***、用于磁畴存储器的引导及检测图案、液晶显示器(LCD)、薄膜磁头等。本领域技术人员将明白的是,在这些可替代应用的内容背景中,可以认为本文中对术语“晶片”或“管芯”的任何使用分别与更上位的术语“衬底”或“目标部分”同义。可以在曝光之前或之后在例如轨道(通常将抗蚀剂层施加到衬底并显影所曝光抗蚀剂的工具)或量测工具或检查工具中处理本文所提及的衬底。在适用情况下,可以将本文中的公开内容应用于这些及其他衬底处理工具。此外,可以将衬底处理多于一次,例如以便生成多层IC,使得本文中所使用的术语“衬底”也可以指已经包含多个经处理层的衬底。
本文中所使用的术语“辐射”及“束”涵盖所有类型的电磁辐射,包括紫外(UV)辐射(例如具有365、248、193、157或126nm的波长)和极紫外(EUV)辐射(例如具有在5至20nm的范围内的波长)以及粒子束,诸如离子束或电子束。
图案形成装置上或由图案形成装置提供的各种图案可以具有不同过程窗口,即,将在规范内生成图案所根据的处理变量的空间。关于潜在***性缺陷的图案规格的示例包括检查颈缩、线拉回、线薄化、CD、边缘放置、重叠、抗蚀剂顶部损耗、抗蚀剂底切和/或桥接。可以通过合并每一个个体图案的过程窗口(例如使过程窗口重叠)来获得图案形成装置或其区域上的所有图案的过程窗口。所有图案的过程窗口的边界包含个体图案中的一些的过程窗口的边界。换句话说,这些个体图案限制所有图案的过程窗口。这些图案可以被称作“热点”或“过程窗口限制图案(PWLP)”,“热点”与“过程窗口限制图案(PWLP)”在本文中可以互换地使用。当控制图案化过程的一部分时,可能且经济的是聚焦于热点。当热点没有缺陷时,最有可能的是所有图案都没有缺陷。
在实施例中,已经开发出基于模拟的方法来在制造掩模之前校验设计及掩模布局的正确性。在标题为“System and Method for Lithography Simulation”的美国专利第7,003,758号中描述了一种这类方法,该美国专利的主题以全文引用的方式并入本文中并且在本文中被称为“模拟***”。即使在最佳可能的RET实施及校验的情况下,仍然不可能优化设计的每一个特征。一些结构经常由于技术限制、实施错误或与相邻特征的冲突而不会被恰当地校正。模拟***可以识别设计的特定特征,所述特征将导致不可接受地小的过程窗口或在处理条件的通常预期距离内的过度临界尺寸(CD)变化,诸如焦点及曝光变化。这些缺陷区域必须在制作掩模之前进行校正。然而,即使在最佳设计中,也将存在无法最优地校正的结构或结构部分。尽管这些弱区域可能生成良好芯片,但是它们可能最低限度地具有可接受过程窗口,并且可能处于器件内将在变化的处理条件(由于晶片处理条件、掩模处理条件或两者的组合的变化)下最可能发生故障的部位。这些弱区域在本文中被称为“热点”。
图案化过程的变量称作“处理变量”。术语处理变量也可以可互换地被称为“图案化过程参数”或“处理参数”。图案化过程可以包括光刻设备中的图案的实际转移的上游及下游的过程。图2示出处理变量370的示例性类别。第一类别可以是光刻设备或用于光刻过程中的任何其他设备的变量310。该类别的示例包括光刻设备的照射件、投影***、衬底平台等变量。第二类别可以是在图案化过程中执行的一个或多个工序的变量320。该类别的示例包括焦点控制或焦点测量、剂量控制或剂量测量、带宽、曝光持续时间、显影温度、用于显影中的化学成份等。第三类别可以是设计布局及其在图案形成装置中或使用图案形成装置进行的实施的变量330。该类别的示例可以包括辅助特征的形状和/或部位、通过分辨率增强技术(RET)而应用的调整、掩模特征的CD等。第四类别可以是衬底的变量340。示例包括抗蚀剂层下方的结构的特性、抗蚀剂层的化学成份和/或物理尺寸等。第五类别可以是图案化过程的一个或多个变量的时间变化的特性350。该类别的示例包括高频平台移动(例如频率、振幅等)、高频激光带宽改变(例如频率、振幅等)和/或高频激光波长改变的特性。这些高频改变或移动为高于用于调整基础变量(例如平台位置、激光强度)的机构的响应时间的高频改变或移动。第六类别可以是光刻设备中的图案转移的上游或下游的过程的特性360,所述过程是诸如旋涂、曝光后烘烤(PEB)、显影、蚀刻、沉积、掺杂和/或封装。
如将明白的是,这些变量中的许多变量(如果不是全部的话)将对图案化过程的参数有影响,并且经常对感兴趣的参数有影响。图案化过程的参数的非限制性示例可以包括临界尺寸(CD)、临界尺寸均一性(CDU)、焦点、重叠、边缘位置或放置、侧壁角、图案移位等。这些参数经常表达来自名义值(例如设计值、平均值等)的误差。参数值可以是个体图案的特性的值或图案群组的特性的统计量(例如平均值、方差等)。
可以通过适当方法确定处理变量中的一些或全部或与其相关的参数的值。例如,可以根据利用各种量测工具(例如衬底量测工具)获得的数据来确定所述值。可以从图案化过程中的设备的各种传感器或***(例如光刻设备的诸如水平传感器或对准传感器的传感器、光刻设备的控制***(例如衬底或图案形成装置台控制***)、轨道工具中的传感器等)获得所述值。所述值可以来自图案化过程的操作者。
在图3中说明了用于模型化和/或模拟图案化过程的部分的示例性流程图。如将明白的是,所述模型可以表示不同图案化过程,并且无需包括下文所描述的所有模型。源模型1200表示图案形成装置的照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。源模型1200可以表示照射的光学特性,包括但不限于数值孔径设定、照射西伽马(σ)设定以及任何特定照射形状(例如离轴辐射形状,诸如环形、四极、偶极等),其中,σ(或西伽马)是照射器的外部径向范围。
投影光学元件模型1210表示投影光学元件的光学特性(包括由投影光学元件引起的对辐射强度分布和/或相位分布的改变)。投影光学元件模型1210可以表示投影光学元件的光学特性,该光学特性包括像差、失真、一个或多个折射率、一个或多个物理尺寸、一个或多个物理尺寸等。
图案形成装置/设计布局模型模块1220获取在图案形成装置的图案中布局设计特征的方式,并且可以包括如例如美国专利第7,587,704号中所描述的图案形成装置的详细物理性质的表示,该美国专利以全文引用的方式并入本文中。在实施例中,图案形成装置/设计布局模型模块1220表示设计布局(例如对应于集成电路、存储器、电子装置等的特征的器件设计布局)的光学特性(包括由给定设计布局生成的辐射强度分布和/或相位分布的改变),它是图案形成装置上或由图案形成装置形成的特征的布置的表示。由于可以改变用于光刻投影设备中的图案形成装置,所以需要使图案形成装置的光学性质与至少包括照射及投影光学元件的光刻投影设备的其余部分的光学性质分离。模拟的目标经常是准确地预测例如边缘放置及CD,然后可以将其与器件设计进行比较。器件设计通常被定义为预OPC图案形成装置布局,并且将以诸如GDSII或OASIS的标准化数字文件格式被提供。
可以由源模型1200、投影光学元件模型1210和图案形成装置/设计布局模型1220模拟空间图像1230。空间图像(AI)是在衬底水平处的辐射强度分布。光刻投影设备的光学性质(例如照射件、图案形成装置及投影光学元件的性质)决定空间图像。
衬底上的抗蚀剂层由空间图像曝光,并且该空间图像被转移到抗蚀剂层而作为其中的潜影“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1240由空间图像1230模拟抗蚀剂图像1250。可以使用抗蚀剂模型以由空间图像计算抗蚀剂图像,可以在美国专利申请公开案第US2009-0157360号中找到其示例,其全部公开内容以引用方式并入本文中的。抗蚀剂模型通常描述在抗蚀剂曝光、曝光后烘烤(PEB)和显影期间出现的化学过程的效果,以便预测例如形成于衬底上的抗蚀剂特征的轮廓,并且因此其通常仅与抗蚀剂层的这些性质(例如在曝光、曝光后烘烤及显影期间出现的化学过程的效果)相关。在实施例中,抗蚀剂层的光学性质(例如折射率、膜厚度、传播及偏振效果)可以被获取作为投影光学元件模型1210的部分。
因此,一般而言,光学模型与抗蚀剂模型之间的连接是抗蚀剂层内的经模拟的空间图像强度,其起因于辐射到衬底上的投影、抗蚀剂界面处的折射及抗蚀剂膜叠层中的多个反射。辐射强度分布(空间图像强度)是通过入射能量的吸收而变为潜影“抗蚀剂图像”,它通过扩散过程及各种负载效应而被进一步修改。足够快地用于全芯片应用的有效率的模拟方法通过二维空间(及抗蚀剂)图像来近似抗蚀剂叠层中的实际三维强度分布。
在实施例中,可以将抗蚀剂图像用作至图案转移后过程模型模块1260的输入。图案转移后过程模型1260限定一个或多个抗蚀剂显影后过程(例如蚀刻、显影等)的性能。
图案化过程的模拟可以例如预测抗蚀剂和/或经蚀刻图像中的轮廓、CD、边缘放置(例如边缘放置误差)等。因此,模拟的目标是准确地预测例如印刷图案的边缘放置,和/或空间图像强度斜率,和/或CD等。可以将这些值与想要的设计进行比较,以例如校正图案化过程、识别预测出现缺陷的部位等。想要的设计通常被定义为可以以诸如GDSII或OASIS或其他文件格式的标准化数字文件格式而提供的预OPC设计布局。
因此,模型公式化描述总的过程的大多数(如果不是全部的话)已知物理学及化学过程,并且模型参数中每一者理想地对应于相异的物理或化学效应。因此,模型公式化设定关于模型可以用来模拟总的制造过程可以达到的良好程度的上限。
图4示出了根据实施例的用于确定光刻过程中的缺陷之存在的方法的流程图。在过程P411中,使用任何适合的方法根据图案(例如图案形成装置上的图案)来识别热点或其部位。例如,可以通过使用经验模型或计算模型来分析图案上图案来而识别热点。在经验模型中,不模拟图案的图像(例如抗蚀剂图像、光学图像、蚀刻图像);作为替代,经验模型基于处理参数、图案的参数与缺陷之间的相关性来预测缺陷或缺陷的概率。例如,经验模型可以是分类模型或有缺陷倾向的图案的数据库。在计算模型中,计算或模拟图像的一部分或特性,并且基于该部分或该特性来识别缺陷。例如,可以通过寻找太远离期望部位的线端来识别线拉回缺陷;可以通过寻找两条线不理想地接合的部位来识别桥接缺陷;可以通过寻找分离层上的不理想地重叠或不理想地未重叠的两个特征来识别重叠缺陷。经验模型通常相比于计算模型通常计算上较不昂贵。可以基于个体热点的热点部位及过程窗口而确定热点的过程窗口和/或将热点的过程窗口编译成映射图—即,确定依据部位而变化的过程窗口。该过程窗口映射图可以特性化图案的布局特定敏感度及处理裕度。在另一个示例中,可以诸如通过FEM晶片检测或适当量测工具通过实验确定热点、其部位和/或其过程窗口。缺陷可以包括在显影后检测(ADI)(通常为光学检测)中无法检测的那些缺陷,诸如,抗蚀剂顶部损耗、抗蚀剂底切等。常规检查仅在衬底被不可逆地处理(例如蚀刻)之后揭露这些缺陷,此时晶片无法二次加工。因此,在草拟本文件时,无法使用当前光学技术来检测这些抗蚀剂顶部损耗缺陷。然而,模拟可以用于确定可以在何处发生抗蚀剂顶部损耗和严重性将达到何种程度。基于该信息,可以决定使用更准确的检查方法(且通常更耗时)来检测特定可能缺陷以确定缺陷是否需要返工,或者可以决定在进行不可逆处理(例如蚀刻)之前返工特定抗蚀剂层的成像(移除具有抗蚀剂顶部损耗缺陷的抗蚀剂层,并重新涂覆晶片以重新进行该特定层的成像)。
在过程P412中,确定热点被处理(例如成像或蚀刻到衬底上)所依据的处理参数。处理参数可以是局域的—依赖于热点的部位、管芯的部位,或它们两者。处理参数可以是全局的—与热点及管芯的部位无关。一种用于确定处理参数的示例性方式是确定光刻设备的状态。例如,可以从光刻设备测量激光带宽、焦点、剂量、源参数、投影光学元件参数及这些参数的空间或时间变化。另一个示例性方式是从对衬底执行的测量获得的数据或从处理设备的操作者推断处理参数。例如,量测可以包括使用衍射工具(例如ASML YieldStar)、电子显微镜或其他适当的检查工具来检测衬底。可以获得关于经处理衬底上的任何部位(包括经识别热点)的处理参数。可以将处理参数编译成依据部位而变化的映射图—光刻参数或过程条件。当然,其他处理参数可以被表示为依据部位而变化,即映射图。在实施例中,可以在处理每个热点之前并且优选地紧接在处理每个热点之前确定处理参数。
在过程P413中,使用处理热点所依据的处理参数来确定热点处的缺陷之存在、存在概率、特性或其组合。该确定可以简单地比较处理参数与热点的过程窗口—如果处理参数落在过程窗口内,则不存在缺陷;如果处理参数落在过程窗口外,则将预期存在至少一个缺陷。也可以使用适当经验模型(包括统计模型)来确定。例如,分类模型可以用于提供缺陷之存在概率。用于进行该确定的另一种方式是使用计算模型以模拟在处理参数下的热点的图像或所预期图案化轮廓,并且测量图像或轮廓参数。在实施例中,可以紧接在处理图案或衬底之后(即,在处理图案或下一个衬底之前)确定处理参数。缺陷的经确定存在和/或特性可以用作用于处置(返工或接受)的决策的基础。在实施例中,处理参数可以用于计算光刻参数的移动平均值。移动平均值用于捕捉光刻参数的长期漂移,而不受到短期波动干扰。
在实施例中,基于衬底上的图案的模拟图像来检测热点。一旦完成对图案化过程的模拟(例如包括过程模型这类OPC及可制造性检查),就可以根据一个或多个限定(例如某些法则、阈值或指标)来计算在设计中随过程条件变化而变化的潜在弱点,即热点。热点可以基于以下各项来确定:绝对CD值、CD相对于在模拟中变化的参数中的一个或多个的变化率(“CD敏感度”)、空间图像强度的斜率或NILS(即“边缘斜率”或“标准化图像对数斜率”,通常缩写为“NILS”,其指示清晰度的缺失或图像模糊),其中,抗蚀剂特征的边缘是已预期的(根据单个阈值/偏置模型或更完整的抗蚀剂模型来计算)。或者,可以基于诸如用于设计法则检查***中的那些预定法则的集合来确定热点,所述预定法则包括但不限于线端拉回、拐角圆化、与相邻特征的邻近度、图案颈缩或收缩及相对于期望图案的图案变形的其他指标。对掩模CD的较小改变的CD敏感度是尤其重要的光刻参数,该参数已知为MEF(掩模误差因子)MEEF(掩模误差增强因子)。对MEF相对于聚焦及曝光的计算提供通过晶片过程变化卷积的掩模程序变化将导致特定图案元件的不可接受的图案劣化的概率的临界指标。也可以基于重叠误差相对于底层或后续程序层的变化及CD变化,或通过对多曝光程序中的曝光之间的重叠和/或CD的变化的敏感度来识别热点。
随着半导体制造进行到接下来的技术节点(例如个位数nm节点),使用设计图案来驱动过程准确性、稳定性及可预测性的改善。制造设施始终寻找改善其制造IC的循环时间的方式。在显影循环的早期阶段,新节点处的全芯片设计并不存在,但将存在标准单胞库及极小的单胞区块。为了增大其图案覆盖,制造商经由设计缩减或某一自定义图案建立方法而建立其自身的模型打样(mock-up)图案。在第一遍模型和图案化过程选配方案生成之后,可以形成热点及非热点图案的早期理解。这类图案对于驱动模拟模型、设计规则、OPC及校验选配方案的改善以及源照射及掩模优化是有价值的。最终,制造商将拥有更可能表示期望图案或设计布局的图案集合,但可能要花费数年才能达到此目标。
制造商在早期过程开发循环中并不具有足够的图案信息,从而阻碍其较快速地增大其学习及开发速率的能力。
现今的用于在出现新技术节点之后不久生成图案的方法导致与在真实衬底被印刷时在真实衬底上最终将遇到的图案相比很多不切实际的图案。不能命令经由现有方法生成的新图案仅生成热点图案或仅生成非热点图案,从而导致不利的软件处理额外负担(例如在时间、存储器、资源等方面)来恰当地确证新建立的图案。
图5是提供本文中所描述的基于机器学习的特征图案(例如热点图案)生成方法的概略图的说明。根据本公开内容的方法,训练生成器模型以生成诸如热点图案的特征图案、区分特征图案是热点图案还是非热点图案,以及进一步相对于设计规则检查(DRC)验证特征图案。验证特征图案(例如是热点图案),并且将其存储于热点数据库中。热点图案在图案化过程的早期阶段期间可以用于不同目的,具体地,用于掩模布局设计及确定图案化过程的设备的最优设定。
在实施例中,可以获得包括热点图案501a及非热点图案501b的训练集以用于本公开中稍后更详细地论述的包括生成器模型及鉴别器模型的机器学习模型的初始训练。训练集可以以GDS格式被提供为特征向量。在实施例中,标记(例如热点、非热点等)也可以被包括在训练集中。
在过程P501中,将具有图案501a及501b的训练集输入到机器学习模型。过程P501涉及训练相对于图6详细论述的生成器模型及鉴别器模型。在训练过程期间,可以通过生成器模型生成多个特征图案。然后,鉴别器模型可以将这些特征图案的一个子集识别为热点图案,将另一个子集识别为非热点图案,并且又一个子集可以是待忽略的其他图案。此外,过程P501涉及对特征图案的子集(例如热点图案的子集)执行DRC规则检查。在该子集内,仅特定图案可以满足DRC(例如510内标记有圆的图案),而一些图案未通过检查(例如510内标记有叉号的图案)。同时,可以忽略一些其他图案,这是因为这些图案没有资格作为热点图案或非热点图案。
在过程P503中,可以将被识别为热点图案并且满足DRC的特征图案的子集存储于数据库中。因此,建立可以在图案化过程中用于各种应用的热点图案数据库。
图6是生成用于图案化过程的特征图案的方法的流程图。该方法涉及:生成用于设计图案、掩模图案的早期设计及开发的特征图案(例如热点图案);和/或确定用于在图案化过程中使用的一个或多个设备的设定(例如剂量、焦点等的最优值)或图案化过程的不同参数的值。在实施例中,可以使用被配置为生成特征图案(例如掩模布局)的经训练的生成器模型生成多个特征图案。例如热点图案或一组热点图案的这类特征图案例如在限定新技术节点(例如小于10nm)或限定新的较复杂的设计布局时对于设定图案化过程是至关重要的。在实施例中,特征图案及输入图案可以表示为像素化图像、像素化图像的每一个像素的向量表示的强度,或在图像处理中使用的其他图像相关格式。
在过程P611中,该方法涉及获得被配置为生成特征图案的经训练生成器模型601,以及输入图案603。
在实施例中,特征图案是可以用于针对新技术节点在衬底上设计图案的任何图案形成装置图案(例如掩模图案)。在实施例中,特征图案是可以潜在地被印刷在经受图案化过程的衬底上的预测图案。可以基于例如设计布局的缩减来确定(例如经由模拟)预测图案。在实施例中,特征图案可以是一个或多个热点图案或类似于先前印刷在经受图案化过程的衬底上的热点图案的图案。在实施例中,特征图案可以是在几何形状上不同于热点图案的一个或多个图案。在实施例中,特征图案可以是满足设计规则检查和/或光刻可制造性检查的图案。
经训练的生成器模型601是被训练以生成特征图案的机器学习模型。训练可以基于包括热点图案的一个样本(或多个样本)和/或指示特征图案是热点图案还是非热点图案的标记的训练集。也可以训练经训练的生成器模型601,以标记所生成的图案(即,特征图案)。标记可以指示所生成的模型是热点图案、非热点图案、用户定义的图案,还是感兴趣的其他类的图案(例如具有最高密度、出现频率的图案、量测图案)。
在实施例中,经训练的生成器模型601是卷积神经网络(CNN)。卷积神经网络例如在权重及偏差值、层数、成本函数及在CNN的训练期间修改的其他模型参数方面受到约束。因此,CNN是基于包括例如热点图案的特定训练数据组训练的特定模型。依赖于训练方法,经训练的生成器模型601可以具有不同结构、权重、偏差等。参照图6论述用于训练机器学习模型(例如CNN)的示例性训练方法。在实施例中,根据被称为生成对抗式网络的训练方法来训练经训练的生成器模型601。基于生成对抗式网络的训练包括一起训练的两个机器学习模型,使得生成器模型逐渐地生成更准确且鲁棒的结果。
在实施例中,经训练的生成器模型601可以以例如具有热点的设计布局或随机向量作为输入,并且生成呈以例如GDS格式表示的像素化图像的形式的图案。
输入图案603可以是随机向量、特定类型图案(例如接触孔、长条,或其组合)的图案、设计布局,和/或先前设计布局的经缩减版本(例如通过按比例缩小先前设计布局的一个或多个特征而获得)。在实施例中,经由以设计布局作为导致热点图案的输入的图案化过程的过程模型的模拟而获得输入图案。因此,基于感兴趣的图案类型,经训练的生成器模型可以预测对应的特征图案。在实施例中,输入图案可以是指示可供生成热点图案的一种类型图案的任何输入。
另外,在过程P613中,该方法涉及经由经训练的生成器模型的模拟来基于输入图案生成特征图案613。在实施例中,输入图案是包括热点图案的设计布局。在实施例中,特征图案613对应于热点图案。在实施例中,特征图案及相关输入图案可以存储于热点图案数据库中。
在另一个实施例中,可以如下文所论述地进一步修改、校验及验证特征图案,以确保特征图案在经受图案化过程时满足设计规范。验证可以基于使用特征模型对图案化过程的模拟。图案化过程的模拟结果可以是能够印刷在衬底上的模拟图案。可以相对于设计规则检查和/或可制造性规则检查来校验模拟结果。以下过程论述该方法的额外步骤。
在实施例中,在过程P615中,该方法包括将特征图案转换为特征轮廓表示。特征轮廓表示是指特征图案内的图案的轮廓(即,外形或几何形状)。将特征图案转换为轮廓表示包括提取特征图案内的特征的轮廓。可以例如基于被配置为识别图案的边缘或大体形状的图像处理来提取轮廓。一旦提取边缘,就可以将轮廓转换为几何形状(例如以GDS格式)以进行进一步分析,诸如设计规则检查。
在实施例中,在过程P616中,在分析轮廓或几何形状之前,可以对自由形式轮廓(例如曲线图案)执行预处理。例如,预处理可以涉及使轮廓表示规则化以对自由形式轮廓进行“曼哈顿化”,使得在转换成的多边形中仅获得水平及竖直延伸的区段。
在过程P617中,对几何形状或特征轮廓表示(例如经曼哈顿化的多边形)的分析涉及将设计规则检查应用于特征轮廓表示。设计规则检查可以是包括条件性语句(例如果-则条件)的算法,其限定特征图案是否可以在设计规范内印刷。例如,设计规则检查可以基于几何形状及维度。在实施例中,特征图案(或轮廓)的一部分可能不满足设计规则检查。换句话说,识别在印刷时可能具有缺陷或错误的特征图案部分。
可以修改图案的不满足设计规则检查的部分。例如,在过程P619中,基于设计规则检查修改特征轮廓表示以增大特征图案能够印刷的可能性。例如,修改可以涉及增大和/或减小特征图案内的特征的CD。修改量可以是预定规则或基于图案化过程的模拟。
在实施例中,光学邻近校正(OPC)可以应用于特征图案。例如,过程P621涉及经由光学邻近校正模型的模拟来确定用于经修改的特征轮廓的光学邻近校正。
另外,以OPC修改的特征图案可以通过图案化过程的模拟过程。例如,在过程P623中,包括经由图案化过程的过程模型(例如先前所论述的)的模拟来确定对应于经修改的特征轮廓的衬底的模拟图案。模拟图案可以用于校验及验证经修改的特征图案。校验可以基于从对应于类似于特征图案的图案的印刷衬底获得的缺陷数据的比较。校验可以指示特征图案是否对应于热点图案。
以上方法具有多个应用。例如,上文获得的特征图案(或经修改的特征图案)可以用于在过程P625中经由图案化过程的过程模型的模拟来基于特征图案和/或经修改的特征轮廓确定图案化过程的设定。图案化过程的设定可以涉及图案化过程的参数的优化。在实施例中,图案化过程的设定是包括剂量、焦点和/或光学参数的过程变量的值。
基于特征图案而确定的设定可以进一步用于在过程P627中经由光刻设备将特征图案印刷在衬底上。
图7说明基于生成对抗式网络架构的机器学习模型的训练过程的概述。在实施例中,生成器模型701接收呈像素化图像或向量形式的输入图案701a。在实施例中,输入图案701a是100维向量,每一个元素具有介于0与1之间的真实值。生成器模型701是具有多个层的卷积神经网络,如所说明的那样。每一层可以具有特定步长及特定内核。生成器模型701的最后一层输出特征图案705(也被称为虚假图案705)。通过作为另一个CNN的鉴别器模型702接收特征图案705。鉴别器模型702也接收呈像素化图像形式的真实图案706(或一组真实图案)。基于真实图案706,鉴别器模型确定特征图案是虚假的(例如标记L1)还是真实的(例如标记L2),并且相应地分配标记。真实图案的集合可以是印刷晶片的片段的集合。因此,模型702的训练是基于多个真实图案。因此,训练是基于一批真实图案连同一批虚假的所生成图案。图8在下文更详细地论述训练方法。
在实施例中,输入图案701可以是种子热点图像。可以从以一个或多个设计布局作为输入的光刻过程模拟来获得种子热点图像。例如,模拟可以涉及OPC模拟以经由OPC模型及掩模模型模拟来确定掩模布局。另外,可以执行光学模型、抗蚀剂模型及可制造性检查模拟以获得模拟衬底图案。模拟图案可以是在OPC校正设计布局经受图案化过程的情况下揭露缺陷是否可以显现在衬底上的热点图案或非热点图案。
在实施例中,可以多个设计布局被模拟,并且设计布局上观察到热点的部位可以被选择为种子热点图像。
图8是训练上文所论述用于生成图案化过程的特征图案的生成器模型的方法的流程图。以下训练方法是基于生成对抗式网络(GAN),其包括一起训练(具体地,彼此相对)的两个机器学习模型:生成器模型(例如CNN)和鉴别器模型(例如CNN)。生成器模型可以以随机向量(z)作为输入,并且输出可以被称为虚假图像的图像。虚假图像是特定类型的图像(例如热点图案),其在以前从未实际上存在。另一方面,真实图像是指先前存在的图像(例如用于经印刷衬底的热点图案),其可以在训练生成器模型及鉴别器模型期间使用。真实图像也可以被称为地面真相(ground truth)或训练图案。训练目标为训练生成器模型以生成紧密地类似于真实图像的虚假图像。例如,虚假图像的特征至少95%匹配真实图像的特征。因此,经训练的生成器模型能够以高度的准确性生成特定类型(例如热点、非热点等)的虚假图像(即,特征图案)。
在过程P801中,训练方法涉及获得机器学习模型,其包括被配置为生成特征图案的生成器模型及被配置为区分特征图案与训练图案的鉴别器模型。在训练期间,生成器模型不了解训练图案(例如热点图案)(即,真实图案)看起来如何。另一方面,鉴别器模型了解训练图案。因此,在完成训练过程之后,生成器模型是鲁棒的,并且可以以高准确性生成用于任何类型的图案的特征图案。
在实施例中,训练图案包括从先前经印刷的衬底获得的热点图案或一组非热点图案。在实施例中,可以经由图案化过程过程模型(例如先前所论述的)的模拟、经印刷的衬底的量测数据和/或存储印刷图案的数据库生成训练图案。训练图案可以与诸如热点的标记相关联。在实施例中,标记可以是非热点、图案类型1、图案类型2、真实图案等。图案类型1和图案类型2是指任何用户定义的图案。
在实施例中,生成器模型(G)可以是卷积神经网络。生成器模型(G)以随机噪声向量z为输入并且生成图像。在实施例中,图像可以被称为虚假图像或特征图像。虚假图像可以表达为Xfake=G(z)。在实施例中,生成器模型可以在训练过程期间以诸如标记的补充信息扩增。因此,经训练的生成器模型可以按用户的需要生成特定标记(例如热点图案)的特征图像。
生成器模型(G)可以与第一成本函数相关联。第一成本函数使得能够调谐生成器模型的参数,使得成本函数得以改善(例如最大化或最小化)。在实施例中,第一成本函数包括第一对数-似然度项,其确定在给定输入向量的情况下特征图案为虚假的概率。
第一成本函数的示例可以由以下等式1来表达:
Ls=E[log P(S=fake|Xfake)]…(1)
在以上等式1中,计算条件性概率的对数似然度。在该等式中,S是指由鉴别器模型分配为虚假的源,并且Xfake是生成器模型的输出,即虚假图像。因此,在实施例中,训练方法使第一成本函数(L)最小化。因此,生成器模型将生成虚假图像(即,特征图像),使得鉴别器模型将虚假图像实现为虚假的条件性概率是低的。换句话说,生成器模型将逐渐地生成越来越真实的图像或图案。
在另一个示例中,生成器模型可以被配置为基于特定类型生成图像。在这种情况下,第一成本函数(在等式1中)可以包括与类型c的概率相关的附加项,如下式所示:
Lc=E[logP(C=c|Xfake)]…(2)
以上等式2指示生成器模型生成特定类型c的图像的对数似然度。在实施例中,标记c可以是热点图案或非热点图案。在实施例中,Lc可以最大化,以例如使生成热点图案的概率最大化。
在实施例中,鉴别器模型(D)可以是卷积神经网络。鉴别器模型(D)接收作为输入的真实图像和虚假图像,并且输出所输入的是虚假图像或真实图像的概率。该概率可以表达为P(S|X)=D(X)。换句话说,如果通过生成器模型生成的虚假图像并不良好(即,接近于真实图像),则鉴别器模型将对于输入图像输出低概率值(例如小于50%)。这指示输入图像为虚假图像。随着训练进展,生成器模型生成的图像极其类似于真实图像,因此,最终,鉴别器模型可能不能够区分输入图像是虚假图像还是真实图像。
在实施例中,鉴别器模型可以与第二成本函数相关联。第二成本函数使得能够调谐鉴别器模型的参数,使得成本函数得以改善(例如最大化)。在实施例中,第二成本函数包括第二对数-似然度项,其确定在给定训练图案的情况下虚假图案(即,特征图案)为真实的条件性概率。虚假图案与训练图案之间的概率性比较允许鉴别器模型在从真实图像识别虚假图像方面逐渐变得更好。
第二成本函数的示例可以由以下等式3来表达:
Ls=E[logP(S=real|Xreal)]+E[logP(S=fake|Xfake)]…(3)
在以上等式中,计算条件性概率的对数似然度。在所述式中,S是指在输入为真实图像Xreal的情况下分配为真实的源,和在输入图像为虚假图像Xfake(即,生成器模型的虚假图像)的情况下分配为虚假的源。在实施例中,训练方法使第二成本函数(等式3)最大化。因此,鉴别器模型在区分真实图像与虚假图像方面逐渐变得更好。
在另一个示例中,鉴别器模型可以被配置为基于特定类型将标记分配到图像。在这种情况下,第二成本函数(等式3中)可以包括与类型c的概率相关的附加项,如下式所示:
Lc=E[log P(C=c|Xreal)]+E[logP(C=c|Xfake)]…(4)
以上等式4指示鉴别器模型分配特定类型c(例如热点或非热点)的图像的对数似然度。
因此,生成器模型与鉴别器模型同时接受训练,使得鉴别器模型就虚假图像的品质(即,虚假图像有多接近类似于真实图像)向生成器模型提供回馈。另外,虚假图像的品质变得更好,鉴别器模型需要在区分虚假图像与真实图像方面变得更好。目标是训练所述模型,直到它们不再彼此改善。例如,该改善可以通过在进一步迭代时并不实质上改变的相应成本函数的值来指示。
另外,过程P803涉及基于包括训练图案的训练集以协作方式(例如以串联方式)训练生成器模型与鉴别器模型,使得生成器模型生成匹配训练图案的特征图案,并且鉴别器模型将特征图案识别为训练图案。换句话说,生成器模型与鉴别器模型协作地接受训练,并且反之亦然,以使得一个模型的输出改善另一个模型或来自该模型的预测。
训练是迭代过程,其中,迭代包括:经由具有输入向量的生成器模型的模拟来生成特征图案,以及评估第一成本函数(例如上文所论述的等式1或等式2)。在实施例中,输入向量可以是n维随机向量(例如100维向量、100×100维向量),其中,向量的每一个元素为随机分配的值。例如,输入向量的每一个元素可以具有特定值或介于0与1之间的随机值,例如表示概率值。例如,输入向量可以是[0,0.01,0.05,0.5,0.6,0.02…]。在实施例中,随机值可以随机地选自高斯概率分布。
在实施例中,输入向量可以是种子热点图像。可以从以一个或多个设计布局作为输入光刻过程的模拟获得种子热点图像,如先前相对于过程P611所论述的那样。
在实施例中,生成器模型生成包括类似于训练图案的特征的特征图案。在实施例中,特征图案及训练图案可以包括非热点图案和/或用户定义的图案。
另外,在过程P803内的迭代中,特征图案由鉴别器模型接收,以区分特征图案与对应的真实图案或训练图案并且评估第二成本函数。鉴别器模型了解真实图案,因为真实图案是出于训练目的而输入到鉴别器模型的输入中的一者。
在实施例中,区分涉及确定特征图案为训练图案的概率。例如,使用等式3或4,其中给出真实图案,并且从生成器模型接收虚假图案作为特征图案。响应于概率值,将标记分配到特征图案。标记指示特征图案是真实图案还是虚假图案。
在实施例中,响应于该概率,突破阈值(例如大于90%),将特征图案标记为真实图案。
另外,训练涉及调整生成器模型的参数,以改善第一成本函数,并且调整鉴别器模型的参数以改善第二成本函数。在实施例中,调整参数可以基于涉及经由机器学习模型的各种层反向传播以更新模型参数的技术。在实施例中,可以在反向传播期间计算成本函数的梯度,并且可以基于该梯度调整不同层的权重及偏差以例如减小(或最小化)成本函数。
在实施例中,可以减小(或最小化)第一成本函数以使得生成器模型生成的虚假图像紧密地类似于真实图像,如先前相对于等式1及2所论述的那样。类似地,可以增大(或最大化)第二成本函数以使得鉴别器模型可以更好地区分虚假图像与真实图像,如先前相对于等式1及2所论述的那样。
在训练过程的多次迭代之后,生成器模型及鉴别器模型收敛。换句话说,对相应的模型的参数的调整并不改善相应成本函数。因此,生成器模型被视为经训练的生成器模型810(经训练的生成器模型601的示例)。现在,经训练的生成器模型810可以用来基于例如对应于设计布局的接种热点图像,直接确定特征图案。有效地,经由经训练的生成器模型的模拟生成包括热点图案和/或用户定义的图案的设计图案。
图9A是真实图案901的示例,并且图9B为通过经训练的生成器模型(例如603或910)生成的特征图案902的示例。特征图案902包括实质上类似于真实图案901的特征的特征。因此,经训练的生成器模型(例如603或910)生成可以匹配真实图案的图案。在实施例中,特征图案内的多个特征可能并不与真实图案内的对应特征完全匹配(例如在形状、尺寸、部位、取向等方面)。
图10说明了示例性缺陷及克服该缺陷的示例性方式。例如,如图10中所示出的,对于诸如剂量/焦点的过程变量的某些设定,可以观测到基脚2402及颈缩2412类型的失效。在基脚情况下,可以执行除渣(de-scumming)以移除衬底处的基脚2404。在颈缩2412情况下,可以通过移除顶部层2414来减小抗蚀剂厚度。因此,可以以抗蚀剂为代价来改善基于缺陷的过程窗口。在实施例中,可以执行模型化/模拟以确定最优厚度而不改变/损害过程窗口(即,具有期望的良率),因此可以观测到较少缺陷(例如颈缩/基脚)。
根据实施例,提供一种生成用于图案化过程的特征图案的方法。该方法包括:获得经训练的生成器模型和输入图案,该经训练的生成器模型被配置为生成特征图案;以及经由所述经训练的生成器模型的模拟,基于所述输入图案生成所述特征图案,其中,所述输入图案是随机向量或图案类型中的至少一者。
在实施例中,所述特征图案是待印刷在经受所述图案化过程的衬底上的图案形成装置图案。
在实施例中,经由以设计布局作为导致热点图案的输入的图案化过程的过程模型的模拟而获得所述输入图案。
在实施例中,所述过程模型包括光学邻近校正模型及光刻可制造性检查模型。
在实施例中,所述方法还包括:将所述特征图案转换为特征轮廓表示;将设计规则检查应用于所述特征轮廓表示;以及基于所述设计规则检查修改所述特征轮廓表示以增大所述特征图案能够印刷的可能性。
在实施例中,转换所述特征图案包括:提取所述特征图案内的特征的轮廓;以及将所述轮廓转换为几何形状和/或使所述特征图案曼哈顿化。
在实施例中,所述方法还包括:经由所述光学邻近校正模型的模拟确定用于经修改的特征轮廓的光学邻近校正;经由所述图案化过程的所述过程模型的模拟,确定所述衬底的对应于经修改的特征轮廓的模拟图案。
在实施例中,所述方法还包括:经由所述图案化过程的所述过程模型的模拟,基于所述特征图案和/或经修改的特征轮廓确定所述图案化过程的设定。
在实施例中,图案化过程的所述设定是包括剂量、焦点和/或光学参数的过程变量的值。
在实施例中,所述方法还包括:经由该光刻设备应用该图案化过程的所述设定将所述特征图案印刷在所述衬底上。
在实施例中,经训练的生成器模型是卷积神经网络。
在实施例中,根据被称为生成对抗式网络的机器学习训练方法来训练经训练的生成器模型。
在实施例中,所述特征图案和所述输入图案是像素化图像。
在实施例中,所述输入图案包括设计布局,该设计布局包括热点图案。
此外,本公开内容提供一种训练用于生成图案化过程的特征图案的机器学习模型的方法。该方法包括:获得机器学习模型,该机器学习模型包括:(i)生成器模型,其被配置为生成待印刷在经受图案化过程的衬底上的特征图案,和(ii)鉴别器模型,其被配置为区分所述特征图案与训练图案;以及经由计算机硬件***,基于包括所述训练图案的训练集以相互协作方式训练所述生成器模型和所述鉴别器模型,使得所述生成器模型生成匹配所述训练图案的所述特征图案,并且所述鉴别器模型将所述特征图案识别为所述训练图案,其中,所述特征图案和所述训练图案包括热点图案。
在实施例中,训练是迭代过程,迭代包括:经由利用输入向量的所述生成器模型的模拟来生成所述特征图案;评估与所述生成器模型相关的第一成本函数;经由所述鉴别器模型区分所述特征图案与所述训练图案;评估与所述鉴别器模型相关的第二成本函数;以及调整所述生成器模型的参数以改善所述第一成本函数,并且调整所述鉴别器模型的参数以改善所述第二成本函数。
在实施例中,输入向量是随机向量和/或种子热点图像。
在实施例中,从以设计布局作为输入的光刻过程的模拟获得种子热点图像。
在实施例中,区分包括:确定所述特征图案是所述训练图案的概率;以及响应于所述概率,将标记分配到所述特征图案,所述标记指示所述特征图案是真实图案还是虚假图案。
在实施例中,响应于所述概率突破阈值,将所述特征图案标记为真实图案。
在实施例中,所述第一成本函数包括第一对数-似然度项,其确定在给定所述输入向量的情况下所述特征图案为虚假的概率。
在实施例中,调整所述生成器模型的参数使得所述第一对数-似然度项最小化。
在实施例中,所述第二成本函数包括第二对数-似然度项,其确定在给定所述训练图案的情况下所述特征图案为真实的概率。
在实施例中,调整第二模型参数使得所述第二对数-似然度项最大化。
在实施例中,所述训练图案包括热点图案。
在实施例中,从所述图案化过程的过程模型的模拟、经印刷衬底的量测数据和/或存储印刷图案的数据库获得所述训练图案。
在实施例中,所述特征图案包括类似于所述训练图案的特征。
在实施例中,所述特征图案和所述训练图案还包括非热点图案和/或用户定义的图案。
在实施例中,所述方法还包括经由经训练的生成器模型的模拟生成包括热点图案和/或用户定义的图案的设计图案。
在实施例中,所述生成器模型和所述鉴别器模型是卷积神经网络。
图11是说明可以辅助实施本文中所公开的方法、流程或设备的计算机***100的框图。计算机***100包括用于传达信息的总线102或其他通信机构,以及与总线102耦接以用于处理信息的处理器104(或多个处理器104及105)。计算机***100还包括主存储器106,诸如随机存取存储器(RAM)或其他动态存储,其耦接至总线102以用于存储待由处理器104执行的信息及指令。主存储器106在执行待由处理器104执行的指令期间也可以用于存储临时变量或其他中间信息。计算机***100还包括耦接至总线102以用于存储用于处理器104的静态信息及指令的只读存储器(ROM)108或其他静态存储装置。提供存储装置110(诸如磁盘或光盘)并且将其耦接至总线102以用于存储信息及指令。
计算机***100可以经由总线102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。包括字母数字按键及其他按键的输入装置114耦接至总线102以用于将信息及命令选择传达至处理器104。另一类型的使用者输入装置是用于将方向信息及命令选择传达至处理器104,以及用于控制显示器112上的光标移动的光标控制件116,诸如鼠标、轨迹球或光标方向按键。该输入装置通常在两个轴线(第一轴线(例如x)和第二轴线(例如y))中具有两个自由度,该自由度允许装置在平面中指定位置。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,可以通过计算机***100响应于处理器104执行主存储器106中所包含的一个或多个指令的一个或多个序列来执行本文中所描述的一种或多种方法的一些部分。可以将这类指令从另一个计算机可读介质(诸如存储装置110)读取至主存储器106中。主存储器106中所包含的指令序列的执行促使处理器104执行本文中所描述的处理步骤。也可以使用多处理配置中的一个或多个处理器,以执行包含于主存储器106中的指令序列。在可替代实施例中,可以取代或结合软件指令来使用硬联机电路。因此,本文中的描述不限于硬件电路与软件的任何特定组合。
如本文中所使用的术语“计算机可读介质”是指参与将指令提供到处理器104以供执行的任何介质。这类介质可以呈许多形式,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,诸如存储装置110。易失性介质包括易失性存储器,诸如主存储器106。传输介质包括同轴电缆、铜线及光纤,包括包含总线102的线。传输介质也可以呈声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间所生成的声波或光波。计算机可读介质的常见形式包括例如软性磁盘、可挠性磁盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光学介质、打孔卡、纸带、具有孔图案的任何其他物理介质、RAM、PROM及EPROM、FLASH-EPROM、任何其他存储器芯片或卡盒、如下文所描述的载波,或者可供计算机读取的任何其他介质。
各种形式的计算机可读介质可以涉及将一个或多个指令的一个或多个序列携载至处理器104以供执行。例如,初始地可以将指令承载于远程计算机的磁盘上。远程计算机可以将指令加载至其易失性存储器中,并且使用调制解调器经由电话线发送指令。在计算机***100本地端的调制解调器可以接收电话线的数据,并且使用红外传输器以将数据转换成红外信号。耦接至总线102的红外检测器可以接收红外信号中携载的数据,并将该数据放置于总线102上。总线102将数据携载至主存储器106,处理器104从主存储器获取并执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后存储于存储装置110上。
计算机***100还可以包括耦接至总线102的通信接口118。通信接口118提供对网络链接120的双向数据通信耦接,该网络链接连接到局域网122。例如,通信接口118可以是综合业务数字网(ISDN)卡或调制解调器,以提供对对应类型的电话线的数据通信连接。作为另一个示例,通信接口118可以是局域网(LAN)卡以提供到兼容LAN的数据通信连接。也可以实施无线连接。在任何这类实施中,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串流的电信号、电磁信号或光信号。
网络链接120通常经由一个或多个网络而向其他数据装置提供数据通信。例如,网络链接120可以经由局域网122提供与主计算机124或与由因特网服务提供商(ISP)126操作的数据装备的连接。ISP 126又经由全球封包数据通信网络(现在通常被称作“因特网”128)而提供数据通信服务。局域网122和因特网128都使用携载数字数据串流的电信号、电磁信号或光信号。经由各种网络的信号及在网络链接120上并经由通信接口118的信号是输送信息的示例性形式的载波,所述信号将数字数据携载至计算机***100并且从该计算机***携载数字数据。
计算机***100可以经由网络、网络链接120及通信接口118发送消息及接收数据(包括代码)。在因特网的示例中,服务器130可以经由因特网128、ISP 126、局域网122及通信接口118传输用于应用程序的所请求代码。例如,一个这类经下载应用程序可以提供本文中所描述的方法的全部或一部分。所接收的代码可以在其被接收时由处理器104执行,和/或存储于存储装置110或其他非易失性存储器中以供稍后执行。这样,计算机***100可以获得呈载波形式的应用代码。
图12示意性地描绘了可以结合本文中所描述的技术的示例性光刻投影设备。该设备包括:
-照射***IL,其用于调节辐射束B。在此特定情况下,照射***还包括辐射源SO;
-第一物体台(例如图案形成装置台)MT,其具备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,并且连接到用于相对于项目PS来准确地定位该图案形成装置的第一***;
-第二物体台(衬底台)WT,其具备用于保持衬底W(例如抗蚀剂涂覆硅晶片)的衬底保持器,并且连接到用于相对于项目PS来准确地定位该衬底的第二***;
-投影***(“透镜”)PS(例如折射型、反射型或反射折射型光学***),其用于将图案形成装置MA的经照射部分成像至衬底W的目标部分C(例如包括一个或多个管芯)上。
如本文所描绘的,该设备是透射类型(即,具有透射型图案形成装置)。然而,一般而言,它也可以是反射类型,例如(具有反射型图案形成装置)。该设备可以使用与经典掩模不同种类的图案形成装置;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、激光产生等离子体(LPP)EUV源)产生辐射束。例如,该束直接地或在已穿过诸如扩束器Ex的调节构件之后馈送到照射***(照射器)IL中。照射器IL可以包括调整构件AD以用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ外部和σ内部)。另外,照射器IL通常将包括各种其他部件,诸如积分器IN和聚光器CO。这样,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及强度分布。
关于图12应该注意的是,源SO可以在光刻投影设备的外壳内(这经常是当源SO是例如汞灯时的情况),但它也可以远离光刻投影设备,它所生成的辐射束被引导到该设备中(例如借助于适当的引导反射镜);后一种情形经常是当源SO是准分子激光器(例如基于KrF、ArF或F2激光器作用)时的情况。
束PB随后截取被保持于图案形成装置台MT上的图案形成装置MA。穿过图案形成装置MA后,束B穿过透镜PL,透镜PL将束B聚焦到衬底W的目标部分C上。借助于第二定位构件(和干涉测量构件IF),可以准确地移动衬底台WT例如以便使不同目标部分C定位于束PB的路径中。类似地,第一定位构件可以用于例如在从图案形成装置库对图案形成装置MA的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图案形成装置MA。一般而言,将借助于未在图12中明确地描绘的长冲程模块(粗定位)和短冲程模块(精定位)来实现物体台MT、WT的移动。然而,在步进器(相对于步进扫描工具)的情况下,图案形成装置台MT可以仅连接到短冲程致动器,或者可以是固定的。
可以在两种不同模式中使用所描绘的工具:
-在步进模式中,使图案形成装置台MT保持基本上静止,并且将整个图案形成装置图像一次(即,单次“闪光”)投影到目标部分C上。然后,使衬底台WT在x和/或y方向上移位,使得不同目标部分C可以由束PB照射;
-在扫描模式中,基本上相同情形适用,但单次“闪光”中不曝光给定目标部分C除外。可替代地,图案形成装置台MT可以以速度v在给定方向(所谓“扫描方向”,例如y方向)上移动,使得投影束B遍及图案形成装置图像进行扫描;同时,衬底台WT以速度V=Mv同时在相同或相反方向上移动,其中,M是透镜PL的放大率(通常M=1/4或1/5)。这样,可以在不必损害分辨率的情况下曝光相对大目标部分C。
图13示意性地描绘了可以结合本文中所描述的技术利用的另一个示例性光刻投影设备1000。
该光刻投影设备1000包括:
-源收集器模块SO;
-照射***(照射器)IL,其被配置为调节辐射束B(例如EUV辐射);
-支撑结构(例如图案形成装置台)MT,其被构造成支撑图案形成装置(例如掩模或掩模版)MA,并且连接到被配置为准确地定位该图案形成装置的第一***PM;
-衬底台(例如晶片台)WT,其被构造成保持衬底(例如涂覆有抗蚀剂的晶片)W,并且连接到被配置为准确地定位该衬底的第二***PW;以及
-投影***(例如反射性投影***)PS,其被配置为通过图案形成装置MA将赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或多个管芯)上。
如此处所描绘的,设备1000属于反射类型(例如使用反射型图案形成装置)。应该注意的是,由于大多数材料在EUV波长范围内具吸收性,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40个层对的钼与硅,其中,每一层的厚度为四分之一波长。可以利用X射线光刻来产生更小的波长。由于大部分材料在EUV和X射线波长下具有吸收性,所以图案形成装置拓扑上的图案化吸收材料的薄件(例如在多层反射器的顶部上的TaN吸收体)限定特征将印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)在何处。
参考图13,照射器IL从源收集器模块SO接收极紫外辐射束。用于产生EUV辐射的方法包括但不一定限于将材料转换为等离子体状态,其具有的至少一种元素具有在EUV范围中的一个或多个发射谱线,例如氙、锂或锡。在一种这类方法(经常被称为激光产生等离子体(“LPP”))中,可以通过利用激光束来照射燃料(诸如具有谱线发射元素的材料小滴、串流或簇)而产生等离子体。源收集器模块SO可以是包括激光器(图13中未示出)的EUV辐射***的部件,该激光器用于提供激发燃料的激光束。所得到的等离子体发射输出辐射,例如EUV辐射,使用安置于源收集器模块中的辐射收集器收集该辐射。例如,当使用CO2激光器以提供用于燃料激发的激光束时,激光器及源收集器模块可以是分离的实体。
在这些情况下,激光器不被视为形成光刻设备的部件,并且辐射束借助于包括例如适当的引导反射镜和/或扩束器的束传送***而从激光器传送至源收集器模块。在其他情况下,例如,当源为放电生成等离子体EUV生成器(经常被称为DPP源)时,源可以是源收集器模块的整体部件。
照射器IL可以包括用于调整辐射束的角强度分布的调整器。一般而言,可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和/或内部径向范围(通常分别称作σ外部和σ内部)。另外,照射器IL可以包括各种其他部件,诸如琢面场反射镜装置及琢面光瞳反射镜装置。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及强度分布。
辐射束B入射于图案形成装置(例如掩模)MA上(图案形成装置MA保持于支撑结构(例如图案形成装置台)MT上)并且由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将辐射束B聚焦到衬底W的目标部分C上。借助于第二***PW及位置传感器PS2(例如干涉测量装置、线性编码器或电容式传感器),可以精确地移动衬底台WT,例如以便使不同目标部分C定位于辐射束B的路径中。类似地,第一***PM及另一个位置传感器PS1可以用于相对于辐射束B的路径准确地定位图案形成装置(例如掩模)MA。可以使用图案形成装置对准标记M1、M2及衬底对准标记P1、P2来对准图案形成装置(例如掩模)MA及衬底W。
所描绘设备1000可以用于以下模式中的至少一者中:
1.在步进模式中,在将被赋予至辐射束的整个图案一次投影到目标部分C上的同时,使支撑结构(例如图案形成装置台)MT及衬底台WT保存基本上静止(即,单次静态曝光)。然后,使衬底台WT在X和/或Y方向上移位,从而使得可以曝光不同目标部分C。
2.在扫描模式中,在将被赋予至辐射束的图案投影到目标部分C上时,同步地扫描支撑结构(例如图案形成装置台)MT及衬底台WT(即,单次动态曝光)。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(例如图案形成装置台)MT的速度及方向。
3.在另一种模式中,支撑结构(例如图案形成装置台)MT保持基本上固定以保持可编程图案形成装置,并且在将赋予辐射束的图案投影到目标部分C上的同时移动或扫描衬底台WT。在该模式中,通常,使用脉冲式辐射源,并且在衬底台WT的每一次移动之后或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。该操作模式可以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。
图14更详细地示出了设备1000,其包括源收集器模块SO、照射***IL及投影***PS。源收集器模块SO被构造及配置以使得可以将真空环境维持于源收集器模块SO的围封结构220中。可以通过放电生成等离子体源形成EUV辐射发射等离子体210。可以通过气体或蒸汽(例如Xe气体、Li蒸汽或Sn蒸汽)而生成EUV辐射,其中,生成极热等离子体210以发射在电磁光谱的EUV范围内的辐射。例如,通过造成至少部分离子化等离子体的放电来生成极热等离子体210。为了辐射的高效生成,可能需要例如10Pa的分压的Xe、Li、Sn蒸汽或任何其他适当的气体或蒸汽。在实施例中,提供经激发锡(Sn)等离子体以生成EUV辐射。
由热等离子体210发射的辐射系经由定位于源腔室211中的开口中或后方的可选地选用的气体阻挡件或污染物陷阱230(在一些情况下,也被称为污染物阻挡件或箔片陷阱)而从源腔室211传送至收集器腔室212中。污染物陷阱230可以包括沟道结构。污染物陷阱230也可以包括气体阻挡件,或气体阻挡件与沟道结构的组合。如在此项技术中已知,本文中进一步所指示的污染物陷阱或污染物阻挡件230至少包括沟道结构。
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及下游辐射收集器侧252。穿过收集器CO的辐射可以从光栅光谱滤波器240反射,以沿着由点虚线“O”指示的光轴而聚焦在虚拟源点IF中。虚拟源点IF通常被称为中间焦点,并且源收集器模块被配置为使得中间焦点IF位于围封结构220中的开口221处或附近。虚拟源点IF为辐射发射等离子体210的图像。
随后,辐射穿过照射***IL,照射***IL可以包括琢面场反射镜装置22及琢面光瞳反射镜装置24,琢面场反射镜装置22及琢面光瞳反射镜装置24经配置以提供在图案形成装置MA处的辐射束21的所要角分布,以及在图案形成装置MA处的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,就形成经图案化的束26,并且由投影***PS将经图案化的束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。
比所示出的元件更多的元件通常可以存在于照射型光学元件单元IL及投影***PS中。依赖于光刻设备的类型,可以可选地存在光栅光谱滤波器240。另外,可以存在比诸图所示出的反射镜多的反射镜,例如,在投影***PS中可以存在比图14所示出的反射元件多1至6个的额外反射元件。
如图14所说明的收集器光学元件CO被描绘为具有掠入射反射器253、254及255的巢状收集器,仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254及255安置为围绕光轴O轴向对称,并且该类型的收集器光学元件CO可以与经常被称为DPP源的放电生成等离子体源组合使用。
可替代地,源收集器模块SO可以是如图15中所示出的LPP辐射***的部件。激光器LA经配置以将激光能量沉积至诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中,从而生成具有数十电子伏特的电子温度的高度离子化等离子体210。在这些离子的去激发及再组合期间生成的高能辐射从等离子体发射、由近正入射收集器光学元件CO收集,并且聚焦到围封结构220中的开口221上。
可以使用以下条项进一步描述实施例:
1.一种生成用于图案化过程的特征图案的方法,该方法包括:
获得经训练的生成器模型和输入图案,所述经训练的生成器模型被配置为生成特征图案;以及
经由所述经训练的生成器模型的模拟,基于所述输入图案生成所述特征图案,其中,所述输入图案是随机向量或一种类型图案中的至少一者。
2.如条项1所述的方法,其中,所述特征图案是在经受所述图案化过程的衬底上的待印刷的图案形成装置图案。
3.如条项1至2中任一项所述的方法,其中,经由以设计布局作为导致热点图案的输入的所述图案化过程的过程模型的模拟获得所述输入图案。
4.如条项3所述的方法,其中,所述过程模型包括光学邻近校正模型及光刻可制造性检查模型。
5.如条项1至4中任一项所述的方法,还包括:
将所述特征图案转换为特征轮廓表示;
将设计规则检查应用于所述特征轮廓表示;以及
基于所述设计规则检查修改所述特征轮廓表示以增大所述特征图案能够印刷的可能性。
6.如条项5所述的方法,其中,所述转换所述特征图案包括:
提取所述特征图案内的特征的轮廓;以及
将所述轮廓转换为几何形状和/或使所述特征图案曼哈顿化。
7.如条项4至6中任一项所述的方法,还包括:
经由所述光学邻近校正模型的模拟,确定用于经修改的特征轮廓的光学邻近校正;
经由所述图案化过程的所述过程模型的模拟,确定所述衬底的对应于经修改的特征轮廓的模拟图案。
8.如条项1至7中任一项所述的方法,还包括:
经由所述图案化过程的所述过程模型的模拟,基于所述特征图案和/或经修改的特征轮廓确定所述图案化过程的设定。
9.如条项8所述的方法,其中,所述图案化过程的设定是包括剂量、焦点和/或光学参数的过程变量的值。
10.如条项8至9中任一项所述的方法,还包括:
经由所述光刻设备,应用所述图案化过程的所述设定将所述特征图案印刷在所述衬底上。
11.如条项1至10中任一项所述的方法,其中,所述经训练的生成器模型是卷积神经网络。
12.如条项1至11中任一项所述的方法,其中,所述经训练的生成器模型根据被称为生成对抗式网络的机器学习训练方法被训练。
13.如条项1至12中任一项所述的方法,其中,所述特征图案及所述输入图案是像素化图像。
14.如条项1至3中任一项所述的方法,其中,所述输入图案包括设计布局,所述设计布局包括热点图案。
15.一种训练用于生成图案化过程的特征图案的机器学习模型的方法,所述方法包括:
获得机器学习模型,所述机器学习模型包括:(i)生成器模型,其被配置为生成在经受图案化过程的衬底上待印刷的特征图案,和(ii)鉴别器模型,其被配置为区分所述特征图案与训练图案;以及
经由计算机硬件***,基于包括所述训练图案的训练集以相互协作方式训练所述生成器模型和所述鉴别器模型,使得所述生成器模型生成匹配所述训练图案的所述特征图案并且所述鉴别器模型将所述特征图案识别为所述训练图案,
其中,所述特征图案和所述训练图案包括热点图案。
16.如条项15所述的方法,其中,所述训练是迭代过程,迭代包括:
经由利用输入向量的所述生成器模型的模拟生成所述特征图案;
评估与所述生成器模型相关的第一成本函数;
经由所述鉴别器模型区分所述特征图案与所述训练图案;
评估与所述鉴别器模型相关的第二成本函数;以及
调整所述生成器模型的参数以改善所述第一成本函数,并且调整所述鉴别器模型的参数以改善所述第二成本函数。
17.如条项15至16中任一项所述的方法,其中,所述输入向量是随机向量和/或种子热点图像。
18.如条项17所述的方法,其中,从以设计布局作为输入的光刻过程的模拟获得所述种子热点图像。
19.如条项16至18中任一项所述的方法,其中,所述区分包括:
确定所述特征图案是所述训练图案的概率;以及
响应于所述概率,分配标记给所述特征图案,所述标记指示所述特征图案是真实图案还是虚假图案。
20.如条项19所述的方法,其中,响应于所述概率突破阈值,将所述特征图案标记为真实图案。
21.如条项16至20中任一项所述的方法,其中,所述第一成本函数包括第一对数-似然度项,其确定在被给定所述输入向量的情况下所述特征图案为虚假的概率。
22.如条项21所述的方法,其中,调整所述生成器模型的参数使得所述第一对数-似然度项被最小化。
23.如条项16至22中任一项所述的方法,其中,所述第二成本函数包括第二对数-似然度项,其确定在给定所述训练图案的情况下所述特征图案为真实的概率。
24.如条项23所述的方法,其中,调整第二模型参数使得所述第二对数-似然度项被最大化。
25.如条项15至23中任一项所述的方法,所述训练图案包括热点图案。
26.如条项15至25中任一项所述的方法,从所述图案化过程的过程模型的模拟、经印刷衬底的量测数据和/或存储印刷图案的数据库获得所述训练图案。
27.如条项15至26中任一项所述的方法,所述特征图案包括类似于所述训练图案的特征。
28.如条项15至27中任一项所述的方法,其中,所述特征图案和所述训练图案还包括非热点图案和/或用户定义的图案。
29.如条项15至28中任一项所述的方法,还包括经由经训练的生成器模型的模拟,生成包括热点图案和/或用户定义的图案的设计图案。
30.如条项14至29中任一项所述的方法,其中,所述生成器模型和所述鉴别器模型是卷积神经网络。
本文中所公开的概念可以模拟或数学上模型化用于使子波长特征成像的任何通用成像***,并且可以尤其供能够产生越来越短波长的新兴成像技术使用。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波长并且甚至能够通过使用氟激光器来产生157nm波长的极紫外(EUV)、DUV光刻。此外,EUV光刻能够通过使用同步加速器或通过利用高能电子来射到材料(固体或等离子体)而产生在20nm至5nm的范围内的波长,以便产生在此范围内的光子。
虽然本文中所公开的概念可以用于在诸如硅晶片的衬底上的成像,但是应该理解的是,所公开的概念可以与任何类型的光刻成像***一起使用,例如,用于在不同于硅晶片的衬底上的成像的光刻成像***。
以上描述意图是说明性的,而非限制性的。因此,对于本领域技术人员将显而易见的是,可以在不脱离下文所阐述的权利要求的范畴的情况下如所描述进行修改。
Claims (14)
1.一种训练用于生成图案化过程的特征图案的机器学习模型的方法,所述方法包括:
获得机器学习模型,所述机器学习模型包括:(i)生成器模型,其被配置为生成在经受图案化过程的衬底上的待印刷的特征图案,和(ii)鉴别器模型,其被配置为区分所述特征图案与训练图案;以及
经由计算机硬件***,基于包括所述训练图案的训练集以相互协作方式训练所述生成器模型和所述鉴别器模型,使得所述生成器模型生成匹配所述训练图案的所述特征图案,并且所述鉴别器模型将所述特征图案识别为所述训练图案,
其中,所述特征图案和所述训练图案包括热点图案。
2.如权利要求1所述的方法,其中,所述训练是迭代过程,迭代包括:
经由利用输入向量的所述生成器模型的模拟生成所述特征图案;
评估与所述生成器模型相关的第一成本函数;
经由所述鉴别器模型区分所述特征图案与所述训练图案;
评估与所述鉴别器模型相关的第二成本函数;以及
调整所述生成器模型的参数以改善所述第一成本函数,并且调整所述鉴别器模型的参数以改善所述第二成本函数。
3.如权利要求2所述的方法,其中,所述输入向量是随机向量和/或种子热点图像。
4.如权利要求3所述的方法,其中,从以设计布局作为输入的光刻过程的模拟获得所述种子热点图像。
5.如权利要求2所述的方法,其中,所述区分包括:
确定所述特征图案是所述训练图案的概率;以及
响应于所述概率,分配标记给所述特征图案,所述标记指示所述特征图案是真实图案还是虚假图案,和/或
其中,响应于所述概率突破阈值,将所述特征图案标记为真实图案。
6.如权利要求2所述的方法,其中,所述第一成本函数包括第一对数-似然度项,所述第一对数-似然度项确定在给定所述输入向量的情况下所述特征图案为虚假的概率。
7.如权利要求6所述的方法,其中,调整所述生成器模型的参数使得所述第一对数-似然度项被最小化。
8.如权利要求2所述的方法,其中,所述第二成本函数包括第二对数-似然度项,所述第二对数-似然度项确定在给定所述训练图案的情况下所述特征图案为真实的概率,和/或
其中,调整所述生成器模型的参数使得所述第二对数-似然度项被最大化。
9.如权利要求1所述的方法,所述训练图案包括热点图案。
10.如权利要求1所述的方法,从所述图案化过程的过程模型的模拟、经印刷的衬底的量测数据和/或存储印刷图案的数据库获得所述训练图案。
11.如权利要求1所述的方法,所述特征图案包括类似于所述训练图案的特征。
12.如权利要求1所述的方法,其中,所述特征图案和所述训练图案还包括非热点图案和/或用户定义的图案。
13.如权利要求1所述的方法,还包括经由经训练的生成器模型的模拟生成包括热点图案和/或用户定义的图案的设计图案。
14.如权利要求1所述的方法,其中,所述生成器模型和所述鉴别器模型是卷积神经网络。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862746784P | 2018-10-17 | 2018-10-17 | |
US62/746,784 | 2018-10-17 | ||
PCT/EP2019/077146 WO2020078762A1 (en) | 2018-10-17 | 2019-10-08 | Methods for generating characteristic pattern and training machine learning model |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112889005A CN112889005A (zh) | 2021-06-01 |
CN112889005B true CN112889005B (zh) | 2024-07-30 |
Family
ID=68289914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980068610.6A Active CN112889005B (zh) | 2018-10-17 | 2019-10-08 | 用于生成特性图案和训练机器学习模型的方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210357566A1 (zh) |
KR (1) | KR102585137B1 (zh) |
CN (1) | CN112889005B (zh) |
WO (1) | WO2020078762A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230175346A (ko) * | 2018-12-28 | 2023-12-29 | 에이에스엠엘 네델란즈 비.브이. | 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정 |
KR20220001262A (ko) * | 2020-06-29 | 2022-01-05 | 삼성전자주식회사 | 반도체 공정의 근접 보정 방법 |
KR20220051868A (ko) * | 2020-10-19 | 2022-04-27 | 삼성전자주식회사 | 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치 |
EP4020085A1 (en) * | 2020-12-22 | 2022-06-29 | ASML Netherlands B.V. | Machine learning based image generation of after-development or after-etch images |
US11966156B2 (en) * | 2022-08-16 | 2024-04-23 | Kla Corporation | Lithography mask repair by simulation of photoresist thickness evolution |
CN116339081B (zh) * | 2023-05-24 | 2023-09-12 | 合肥晶合集成电路股份有限公司 | 一种光学邻近校正模型的建模方法、装置、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108463876A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 为样品产生模拟输出 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
WO1997033205A1 (en) | 1996-03-06 | 1997-09-12 | Philips Electronics N.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
US7003758B2 (en) | 2003-10-07 | 2006-02-21 | Brion Technologies, Inc. | System and method for lithography simulation |
CN102662309B (zh) | 2005-09-09 | 2014-10-01 | Asml荷兰有限公司 | 采用独立掩模误差模型的掩模验证***和方法 |
US8126255B2 (en) * | 2007-09-20 | 2012-02-28 | Kla-Tencor Corp. | Systems and methods for creating persistent data for a wafer and for using persistent data for inspection-related functions |
NL1036189A1 (nl) * | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
JP6208552B2 (ja) * | 2013-11-14 | 2017-10-04 | 株式会社デンソーアイティーラボラトリ | 識別器、識別プログラム、及び識別方法 |
KR101924487B1 (ko) * | 2013-12-17 | 2018-12-03 | 에이에스엠엘 네델란즈 비.브이. | 수율 추산 및 제어 |
US20170357911A1 (en) * | 2014-12-18 | 2017-12-14 | Asml Netherlands B.V. | Feature search by machine learning |
US10181185B2 (en) * | 2016-01-11 | 2019-01-15 | Kla-Tencor Corp. | Image based specimen process control |
US11443083B2 (en) * | 2016-05-12 | 2022-09-13 | Asml Netherlands B.V. | Identification of hot spots or defects by machine learning |
US10606975B2 (en) * | 2018-05-31 | 2020-03-31 | International Business Machines Corporation | Coordinates-based generative adversarial networks for generating synthetic physical design layout patterns |
US10706200B2 (en) * | 2018-06-05 | 2020-07-07 | International Business Machines Corporation | Generative adversarial networks for generating physical design layout patterns of integrated multi-layers |
US10699055B2 (en) * | 2018-06-12 | 2020-06-30 | International Business Machines Corporation | Generative adversarial networks for generating physical design layout patterns |
US10539881B1 (en) * | 2018-09-24 | 2020-01-21 | International Business Machines Corporation | Generation of hotspot-containing physical design layout patterns |
US11093683B2 (en) * | 2018-10-31 | 2021-08-17 | Taiwan Semiconductor Manufacturing Co., Ltd. | Test pattern generation systems and methods |
JP7316867B2 (ja) * | 2019-07-25 | 2023-07-28 | キオクシア株式会社 | 半導体画像処理装置 |
CN114402342A (zh) * | 2019-09-16 | 2022-04-26 | Asml荷兰有限公司 | 用于生成特性图案以及训练机器学习模型的方法 |
US11250199B1 (en) * | 2020-09-16 | 2022-02-15 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for generating shape data for electronic designs |
KR20230131715A (ko) * | 2022-03-07 | 2023-09-14 | 삼성전자주식회사 | 딥러닝 기반 opc 패턴의 코너 라운딩 방법, 및 그 코너 라운딩 방법을 포함한 opc 방법과 마스크 제조방법 |
-
2019
- 2019-10-08 WO PCT/EP2019/077146 patent/WO2020078762A1/en active Application Filing
- 2019-10-08 CN CN201980068610.6A patent/CN112889005B/zh active Active
- 2019-10-08 KR KR1020217011412A patent/KR102585137B1/ko active IP Right Grant
- 2019-10-08 US US17/281,123 patent/US20210357566A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108463876A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 为样品产生模拟输出 |
Also Published As
Publication number | Publication date |
---|---|
KR20210057807A (ko) | 2021-05-21 |
WO2020078762A1 (en) | 2020-04-23 |
US20210357566A1 (en) | 2021-11-18 |
TW202028849A (zh) | 2020-08-01 |
KR102585137B1 (ko) | 2023-10-06 |
CN112889005A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI753517B (zh) | 半導體裝置幾何方法及系統 | |
US20230013919A1 (en) | Machine learning based inverse optical proximity correction and process model calibration | |
TWI463245B (zh) | 用於全晶片之光源及遮罩最佳化的圖案選擇 | |
CN112889005B (zh) | 用于生成特性图案和训练机器学习模型的方法 | |
TWI806002B (zh) | 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體 | |
TWI791357B (zh) | 用於選擇與圖案化程序相關聯之資料之方法及相關的非暫時性電腦可讀媒體 | |
CN114402342A (zh) | 用于生成特性图案以及训练机器学习模型的方法 | |
US20230107556A1 (en) | Machine learning based subresolution assist feature placement | |
CN114981724A (zh) | 用于改善掩模图案生成一致性的方法 | |
CN109313391B (zh) | 基于位移的重叠或对准 | |
US20230267711A1 (en) | Apparatus and method for selecting informative patterns for training machine learning models | |
TWI725325B (zh) | 缺陷預測 | |
CN111492317B (zh) | 用于减少抗蚀剂模型预测误差的***和方法 | |
US20210033978A1 (en) | Systems and methods for improving resist model predictions | |
TWI846742B (zh) | 產生特徵圖案與訓練機器學習模型之方法 | |
TWI820723B (zh) | 光罩規則檢查(mrc)之方法及相關聯非暫時性電腦可讀媒體 | |
CN110121681B (zh) | 在制造过程中引导过程模型和检查的方法 | |
WO2023016752A1 (en) | Match the aberration sensitivity of the metrology mark and the device pattern | |
CN115047719A (zh) | 基于由光刻设备或过程特性表征的图案表示来选择该图案 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |