CN114096917B - 用于减小模型预测不确定性的模型校准的预测数据选择 - Google Patents
用于减小模型预测不确定性的模型校准的预测数据选择 Download PDFInfo
- Publication number
- CN114096917B CN114096917B CN202080048601.3A CN202080048601A CN114096917B CN 114096917 B CN114096917 B CN 114096917B CN 202080048601 A CN202080048601 A CN 202080048601A CN 114096917 B CN114096917 B CN 114096917B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- model
- pattern
- substrate
- 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 claims abstract description 281
- 238000000059 patterning Methods 0.000 claims abstract description 173
- 230000008569 process Effects 0.000 claims abstract description 159
- 230000008859 change Effects 0.000 claims abstract description 18
- 239000000758 substrate Substances 0.000 claims description 95
- 238000013461 design Methods 0.000 claims description 86
- 238000004519 manufacturing process Methods 0.000 claims description 66
- 239000004065 semiconductor Substances 0.000 claims description 51
- 238000004088 simulation Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 210000001747 pupil Anatomy 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 description 69
- 230000003287 optical effect Effects 0.000 description 42
- 238000005286 illumination Methods 0.000 description 35
- 239000010410 layer Substances 0.000 description 33
- 235000012431 wafers Nutrition 0.000 description 25
- 239000002245 particle Substances 0.000 description 24
- 230000015654 memory Effects 0.000 description 22
- 239000000523 sample Substances 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000009826 distribution Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 238000010894 electron beam technology Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 238000005457 optimization Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 14
- 238000007689 inspection Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000001537 neural effect Effects 0.000 description 8
- 239000013598 vector Substances 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000012544 monitoring process Methods 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
- 239000000356 contaminant Substances 0.000 description 5
- 238000005530 etching Methods 0.000 description 5
- 238000001459 lithography Methods 0.000 description 5
- 238000000206 photolithography Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 229910052718 tin Inorganic materials 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
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 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
- 210000002569 neuron Anatomy 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance 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
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000011109 contamination 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
- 230000005670 electromagnetic radiation Effects 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
- 230000005764 inhibitory process Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 230000000737 periodic effect Effects 0.000 description 1
- 238000001020 plasma etching Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G03F7/70516—Calibration of components of the microlithographic apparatus, e.g. light sources, addressable masks or detectors
-
- 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
- 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
- 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
- G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
-
- 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
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Auxiliary Devices For Music (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
描述了用于减小与图案化过程相关联的预测模型中的预测不确定性的***及方法。这些***及方法可以用于例如校准与图案化过程相关联的过程模型。减小预测模型中的不确定性可以包括基于预测数据确定预测不确定性参数。可以使用预测模型确定预测数据。可以已经利用校准数据来校准预测模型。预测不确定性参数可以与预测数据的变化相关联。减小预测模型中的不确定性可以包括:基于预测不确定性参数来选择过程数据的子集;以及使用校准数据以及过程数据的被选择的子集再校准预测模型。
Description
相关申请的交叉引用
本申请要求于2019年7月10日提交的美国申请62/872,521的优先权,该美国申请的全部内容以引用的方式并入本文中。
技术领域
本文中的描述总体上涉及半导体制造及图案化过程。更具体地,本说明书涉及与图案化过程相关联的建模。
背景技术
光刻投影设备可以用于例如制造集成电路(IC)。图案形成装置(例如,掩模)可以包括或提供对应于IC的单层的图案(“设计布局”),并且可以利用诸如通过图案形成装置上的图案来照射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,包括一个或多个管芯)的方法而将此图案转移至该目标部分上。通常,单一衬底包括多个相邻目标部分,图案以一次一个目标部分的方式被光刻投影设备连续转移至该多个相邻的目标部分上。在一种类型的光刻投影设备中,在一个操作中将整个图案形成装置上的图案转移至一个目标部分上。此设备通常被称作步进器。在通常被称作步进扫描设备的替代设备中,投影束在给定参考方向(“扫描”方向)上在整个图案形成装置上进行扫描,同时平行或反向平行于该参考方向同步地移动衬底。图案形成装置上的图案的不同部分逐步转移至一个目标部分。通常,由于光刻投影设备将具有缩减比率M(例如,M=4),所以衬底被移动的速度F将是投影束扫描图案形成装置的速度的1/M倍。可以例如从以引用的方式并入本文中的US 6,046,792中找到关于光刻器件的更多信息。
在将图案从图案形成装置转移至衬底之前,衬底可能经历多种工序,诸如涂底料、抗蚀剂涂覆及软烘烤。在曝光之后,衬底可能经受其他工序(“曝光后工序”),诸如曝光后烘烤(PEB)、显影、硬烘烤及所转移的图案的测量/检测。此工序阵列是用作制造器件(例如,IC)的单层的基础。然后,衬底可能经历多种工序,诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学-机械研磨等,这些工序都意图修整器件的单层。如果在器件中需要若干层,则针对每一层来重复整个工序或其变型。最终,在衬底上的每一个目标部分中将存在器件。然后,利用诸如切块或锯切的技术使这些器件彼此分离,使得可以将单独的器件安装于载体上、连接至引脚等。
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、化学机械研磨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,然后将该多个器件分离成单独的器件。此器件制造过程可以被认为是图案化过程。图案化过程涉及使用光刻设备中的图案形成装置的图案化步骤,诸如光学和/或纳米压印光刻,以将图案形成装置上的图案转移至衬底,并且图案化过程通常但可选地涉及一个或多个相关联的图案处理步骤,诸如由显影设备进行抗蚀剂显影、使用烘烤工具来烘烤衬底、使用蚀刻设备来蚀刻图案等。
如所提及的,光刻是在诸如IC的器件的制造时的中心步骤,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)及其他器件。
随着半导体制造过程继续进步,功能元件的尺寸已经不断地缩减。同时,每器件的诸如晶体管的功能元件的数目已经在稳固地增加,这遵循通常被称作“摩尔定律”的趋势。在目前的技术下,使用光刻投影设备来制造器件的层,所述光刻投影设备使用来自深紫外照射源的照射将设计布局投影至衬底上,从而产生尺寸远低于100nm(即小于来自照射源(例如,193nm照射源)的辐射的波长的一半)的单独或分立的功能元件。
尺寸小于光刻投影设备的经典分辨率极限的特征被印刷的这个过程根据分辨率公式CD=k1×λ/NA而通常被称为低k1光刻,其中,λ是所使用的辐射的波长(当前在大多数情况下是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。通常,k1越小,在衬底上再生类似于由设计者规划的形状及尺寸以便实现特定电功能性及性能的图案变得就越困难。为了克服这些困难,将复杂的微调步骤应用至光刻投影设备、设计布局或图案形成装置。这些步骤包括(例如,但不限于)NA及光学相干设置的优化、自限定照射方案、相移图案形成装置的使用、设计布局中的光学邻近效应校正(OPC,有时也被称作“光学及过程校正”),或者通常被限定为“分辨率增强技术”(RET)的其他方法。
OPC及其他RET利用描述光刻过程的稳健电子模型。因此,需要用于此类光刻模型的校准工序,校准工序在整个过程窗口中提供有效、稳健且准确的模型。当前,使用利用晶片测量的一定数目个一维和/或二维测规图案进行校准。更具体地,一维测规图案包括隔离线、多条线、具有变化的节距及临界尺寸(CD)的线空间图案等。二维测规图案通常包括线端、接触点及随机选择的SRAM(静态随机存取存储器)图案。
发明内容
根据实施例,提供一种用于减小与图案化过程相关联的预测模型中的预测不确定性的方法。该方法包括基于预测数据确定预测不确定性参数。使用与该图案化过程相关联的一个或多个预测模型来确定该预测数据。能够利用校准数据校准该预测模型。该预测不确定性参数与该预测数据的变化相关联。该方法包括:基于该预测不确定性参数来选择数据。选择数据可以包括:选择图案、图案化过程数据、或用于各种应用的任何其他相关数据。所选择的数据可以是图案化过程数据的子集。所选择的数据可以用于使用该校准数据及该图案化过程数据的被选择的子集再校准该预测模型。在一些实施例中,被选择的数据可以是用于训练或校准一个或多个模型的被选择的图案。被选择的图案可以经历由基于光学的或基于电子束的工具(诸如,宽带等离子体光学检查工具、扫描电子显微镜(SEM))进行的量测或检测。
在实施例中,该方法包括:迭代地重复确定预测数据的步骤、确定该预测不确定性参数的步骤、选择的步骤及再校准的步骤,直至该预测模型收敛。在实施例中,模型收敛包括模型误差突破模型误差阈值水平。该模型误差是参考几何形状与由该预测模型对该图案化过程的仿真所产生的仿真几何形状之间的差。在实施例中,该参考几何形状是来自扫描电子显微镜的所测得的几何形状。
在实施例中,该校准数据包括校准图案。该校准图案与衬底(例如,晶片或其他衬底的层)上的图案的几何特征相关联。在实施例中,该预测数据包括预测图案。该预测图案与该衬底上的该图案的被预测几何特征相关联。
在实施例中,该预测不确定性参数与以下各项中的至少一项相关联:衬底的临界尺寸的值;与该图案化过程的图案相关联的曲率;该图案化过程中所使用的强度;以及与该图案化过程的图案相关联的图像斜率。
在实施例中,该预测数据包括被预测图案参数值。该预测不确定性参数与所述被预测图案参数值的变化相关联。基于所述被预测图案参数值的该变化及与该预测模型相关联的拟合要求来确定该预测不确定性参数。作为非限制性示例,该预测数据可以包括被预测临界尺寸值。该预测不确定性参数可以包括临界尺寸变化。可以基于所述被预测临界尺寸值的变化及与该预测模型相关联的拟合要求而确定该临界尺寸变化。
在实施例中,该预测不确定性参数包括单独的图案化过程数据点的排序。在实施例中,该预测不确定性参数包括单独的图案化过程数据点的最大数目。
在实施例中,该预测模型是机器学习模型,并且校准该预测模型包括训练该机器学习模型。
在实施例中,使用该校准数据以及该图案化过程数据的被选择的子集再校准该预测模型会减少来自该预测模型的预测的该预测不确定性。
根据另一个实施例,提供一种用于减小与图案化过程相关联的预测模型中的预测不确定性的方法。该方法包括:使用该预测模型确定预测数据。利用校准数据校准该预测模型。该方法包括:基于该预测数据确定预测不确定性参数。该预测不确定性参数与该预测数据的变化相关联。该方法包括:基于该预测不确定性参数选择图案化过程数据的子集;以及使用该校准数据及该图案化过程数据的被选择的子集再校准该预测模型。该方法包括:基于来自该被再校准的预测模型的预测确定一个或多个半导体器件制造过程参数。
在实施例中,该方法包括:迭代地重复确定预测数据的步骤、确定该预测不确定性参数的步骤、选择的步骤及再校准的步骤,直至该预测模型收敛。在实施例中,模型收敛包括模型误差突破模型误差阈值水平。该模型误差是参考几何形状与从由该预测模型对该图案化过程的仿真产生的仿真几何形状之间的差。在实施例中,该参考几何形状是来自扫描电子显微镜的所测得的几何形状。
在实施例中,该预测不确定性参数与以下各项中的至少一项相关联:衬底(例如,晶片或其他衬底的层)的临界尺寸的值;与该图案化过程的图案相关联的曲率;该图案化过程中所使用的强度;以及与该图案化过程的图案相关联的图像斜率。再校准该模型基于所预测的不确定性参数使用所选择的图案。
在实施例中,被确定的该一个或多个半导体器件制造过程参数包括掩模设计、光瞳形状、剂量或焦距中的一项或多项。
在实施例中,被确定的该一个或多个半导体器件制造过程参数包括掩模设计,并且该方法还包括:基于来自该被再校准的预测模型的所述预测结果将该掩模设计从第一掩模设计调整为第二掩模设计。
在实施例中,该方法还包括:基于被确定的该一个或多个半导体器件制造参数确定对半导体器件制造设备的调整。在实施例中,该方法包括:基于被确定的该一个或多个半导体器件制造参数确定对半导体器件制造过程的调整。在实施例中,该方法包括:基于该被确定的调整来调整该半导体器件制造设备。
在实施例中,该校准数据包括校准图案。该校准图案与衬底(例如,晶片或其他衬底的层)上的图案的几何特征相关联。该预测数据包括预测图案。该预测图案与该衬底上的该图案的被预测几何特征相关联。
根据另一个实施例,提供一种计算机程序产品,该计算机程序产品包括非暂时性计算机可读介质,在所述非暂时性计算机可读介质上记录有指令。所述指令在由计算机执行时实施以上所描述的操作。
附图说明
并入本说明书中并构成本说明书的一部分的附图说明一个或多个实施例并连同描述一起解释这些实施例。现在将参照随附的示意性附图并仅通过示例的方式来描述本发明的实施例,在附图中,对应的附图标记指示对应的部件,并且在附图中:
图1说明根据实施例的光刻投影设备的各种子***的框图。
图2说明根据实施例的用于仿真光刻投影设备中的光刻的示例性流程图。
图3说明根据实施例的被校准的模型输入相对于模型输出的示意图。
图4说明根据实施例的本方法。
图5说明根据实施例的选择预测数据的子集。
图6说明根据实施例的确定预测不确定性参数并基于所确定的预测不确定性参数选择预测数据的子集(例如,以用于再校准)的示例。
图7说明根据实施例的选择由一组候选预测模型(例如,拟合预测数据及校准数据的预测模型的变化)产生的预测数据的子集,并且将预测数据的被选择的子集提供至候选预测模型以再校准(或再训练)预测模型。
图8是根据实施例的示例性计算机***的框图。
图9是根据实施例的光刻投影设备的示意图。
图10是根据实施例的另一个光刻投影设备的示意图。
图11是根据实施例的光刻投影设备的详细视图。
图12是根据实施例的光刻投影设备的源收集器模块的详细视图。
图13示意性地描绘根据实施例的电子束检查设备的实施例。
图14示意性地说明根据实施例的检查设备的另一个实施例。
具体实施方式
对于先前的电子预测(过程)模型,由模型进行的预测的确定性并不清楚。即,在给定输入的情况下,并不清楚先前的模型是否产生准确且一致的输出。产生准确且一致的输出的预测(过程)模型在集成电路制造过程中是重要的。作为非限制性示例,当从掩模布局设计产生掩模布局时,关于模型的预测的不确定性可以在所提议的掩模布局中产生不确定性。这些不确定性可能导致关于例如晶片的最终功能性的问题。每当使用模型以对集成电路制造过程中的单独的操作建模或做出关于该过程中的单独的操作的预测时,都可能将更多不确定性引入该过程中。
为了解决先前的预测模型的这些及其他缺点,本申请的一个或多个方法及***包括用于减小与图案化过程相关联的预测模型中的预测不确定性的方法(和/或配置成减小与图案化过程相关联的预测模型中的预测不确定性的***)。该方法包括基于预测数据确定预测不确定性参数。使用与图案化过程相关联的预测模型(已经使用校准数据校准预测模型)来确定预测数据。该预测不确定性参数与该预测数据的变化相关联。该方法包括:基于预测不确定性参数来选择图案化过程数据的子集(例如,对与给定图案相关联的物理晶片进行的测量);以及使用校准数据以及图案化过程数据的被选择的子集再校准预测模型。换句话说,预测数据可以是来自预测模型的仿真数据。可以使用预测数据以确定预测不确定性参数。在评估预测不确定性(例如,确定预测不确定性参数)之后,可以(例如,基于预测不确定性参数)选择具有较高预测不确定性的图案化过程数据。预测不确定性可以与例如特定图案相关联,使得可以基于预测不确定性参数来选择用于训练或校准的具有较高预测不确定性的图案(及与那些图案相关联的图案化过程数据)。将所选择图案化过程数据与校准数据组合以再校准预测模型。使用过程数据的被选择的子集和校准数据以再校准预测模型减少了来自预测模型的预测的预测不确定性。可以迭代地重复该方法,从而在不断迭代中减少预测不确定性,直至例如预测模型收敛。
现在将参照附图详细地描述实施例,附图被提供为本发明的说明性示例以便本领域技术人员能够实践本发明。值得注意地,以下附图及示例不意图将本发明的范围限制于单个实施例,而是借助于所描述或所说明的元件中的一些或全部的互换而使其他实施例是可能的。此外,在可部分地或完全地使用已知部件来实施本发明的某些元件的情况下,将仅描述理解本发明所必需的这些已知部件的那些部分,并且将省略这些已知部件的其他部分的详细描述以便不混淆本发明。除非本文中另外指定,否则如对于本领域技术人员将显而易见的是,描述为以软件实施的实施例不应局限于此,而是可以包括以硬件或软件与硬件的组合实施的实施例,并且反之亦然。在本说明书中,示出单个部件的实施例不应该被认为是限制性的;相反,除非本文中另有明确陈述,否则本发明意图涵盖包括多个相同部件的其他实施例,并且反之亦然。此外,申请人不意图使本说明书或权利要求书中的任何术语归结于不常见的或特殊的涵义,除非如此明确地阐述。另外,本发明涵盖本文中借助于说明而提及的已知部件的目前及未来的已知等效描述。
尽管在本文中可以特定地参考IC的制造,但是应该明确地理解,本文中的描述具有许多其他可能的应用。例如,本文中的描述可以用于制造集成光学***、用于磁畴存储器的引导及检测图案、液晶显示面板、薄膜磁头等。本领域技术人员将明白的是,在此类替代应用的内容背景中,本文中对术语“掩模版”、“晶片”或“管芯”的任何使用应该被认为分别与更上位的术语“掩模”、“衬底”及“目标部分”可互换。
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)及EUV(极紫外辐射,例如具有在约5nm至100nm的范围内的波长)。
如本文中使用的术语“投影光学元件”应该被广义地解释为涵盖各种类型的光学***,包括例如折射光学元件、反射光学元件、孔径及反射折射光学元件。术语“投影光学元件”也可以包括根据用于集体地或单独地导向、成形或控制投影辐射束的这些设计类型中的任何一个而操作的部件。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(例如,半导体)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及图案形成装置。
(例如,半导体)图案形成装置可以包括或可以形成一个或多个设计布局。可以利用CAD(计算机辅助设计)程序来产生设计布局,此程序经常被称作EDA(电子设计自动化)。大多数CAD程序遵循一组预定的设计规则,以便产生功能设计布局/图案形成装置。通过处理及设计限制来设定这些规则。例如,设计规则限定器件(诸如栅极、电容器等)或互联线之间的空间容许度,以便确保器件或线彼此不会以非所要方式相互作用。设计规则可以包括和/或指定特定参数、关于参数的限制和/或用于参数的范围,和/或其他信息。设计规则限制和/或参数中的一项或多项可以被称作“临界尺寸”(CD)。器件的临界尺寸可以被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,或其他特征。因此,CD确定所设计的器件的总尺寸及密度。器件制作中的目标中的一个目标是(经由图案形成装置)在衬底上如实地再生原始设计意图。
如本文中使用的术语“掩模”或“图案形成装置”可以被广义地解释为指可以用于向入射辐射束赋予图案化横截面的通用半导体图案形成装置,图案化横截面对应于待在衬底的目标部分中产生的图案;术语“光阀”也可以用于此内容背景中。除了经典掩模(透射或反射式;二元式、相移式、混合式等)以外,其他此类图案形成装置的示例包括可编程反射镜阵列及可编程LCD阵列。
可编程反射镜阵列的示例可以是具有黏弹性控制层及反射表面的矩阵可寻址表面。此设备后面的基本原理是例如:反射表面的经寻址区域将入射辐射反射为衍射辐射,而未经寻址区域将入射辐射反射为非衍射辐射。在使用适当滤波器的情况下,可以从反射束滤出该非衍射辐射,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。可以使用合适的电子装置来执行所需矩阵寻址。在以引用的方式并入本文中的美国专利第5,229,872号中给出了可编程LCD阵列的示例。
如本文中使用的,术语“图案化过程”通常是指作为光刻过程的一部分的通过施加光的指定图案来产生被蚀刻衬底的过程。然而,“图案化过程”也可以包括等离子体蚀刻,这是因为本文中描述的许多特征可以为使用等离子体处理形成印刷图案提供益处。
如本文中使用的,术语“目标图案”是指将待蚀刻于衬底上的理想化图案。
如本文中使用的,术语“印刷图案”是指衬底上的基于目标图案而蚀刻的物理图案。例如,印刷图案可以包括凹槽、通道、凹部、边缘或由光刻过程产生的其他二维及三维特征。
如本文中使用的,术语“预测模型”和/或“过程模型”(“预测模型”和/或“过程模型”可互换使用)是指包括仿真图案化过程的一个或多个模型的模型。例如,预测和/或过程模型可以包括光学模型(例如,对用于在光刻过程中传送光的透镜***/投影***建模并且可以包括对光的进至光致抗蚀剂上的最终光学图像建模的光学模型)、抗蚀剂模型(例如,对抗蚀剂的物理效应建模的抗蚀剂模型,抗蚀剂的物理效应诸如由于光导致的化学效应)及OPC模型(例如,可以用于制造目标图案且可以包括次分辨率抗蚀剂特征(SRAF)等的OPC模型)和/或其他模型。
如本文中使用的,术语“校准”是指修改(例如,改善或调谐)和/或验证某物,诸如过程模型。
作为引言,图1说明示例性光刻投影设备10A的各种子***的示意图。主要部件为:辐射源12A,该辐射源12A可以是深紫外准分子激光源或包括极紫外(EUV)源的其他类型的源(如上文所论述,光刻投影设备自身无需具有辐射源);照射光学元件,该照射光学元件例如限定部分相干性(被表示为标准差)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;以及透射光学元件16Ac,该透射光学元件16Ac将图案形成装置图案的图像投影至衬底平面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为衬底与投影光学元件的最后部件之间的介质的折射率,并且Θmax为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,源将照射(即辐射)提供至图案形成装置,并且投影光学元件经由图案形成装置将照射导向至衬底上并且成形该照射。投影光学元件可以包括部件14A、16Aa、16Ab及16Ac中的至少一些。空中图像(AI)是衬底水平处的辐射强度分布。可以使用抗蚀剂模型以根据空中图像计算抗蚀剂图像,可以在全部披露内容以引用的方式并入本文中的美国专利申请公开案第US 2009-0157630号中找到它的示例。抗蚀剂模型与抗蚀剂层的属性(例如,在曝光、曝光后烘烤(PEB)及显影期间发生的化学过程的效应)有关。光刻投影设备的光学属性(例如,照射、图案形成装置及投影光学元件的属性)规定空中图像并且可以被限定于光学模型中。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属性与光刻投影设备的至少包括源及投影光学元件的其余部分的光学属性分离。美国专利申请公开案第US 2008-0301620号、第2007-0050749号、第2007-0031745号、第2008-0309897号、第2010-0162197号及第2010-0180251号中描述了用于将设计布局变换成各种光刻图像(例如,空中图像、抗蚀剂图像等)、使用那些技术及模型来应用OPC并且评估性能(例如,在过程窗口方面)的技术及模型的细节,这些美国专利申请的每一者的披露内容的全文都以引用的方式并入本文中。
可能期望使用一个或多个工具来产生例如可以用于设计、控制、监测等图案化过程的结果。可以提供用于计算上控制、设计等图案化过程的一个或多个方面的一个或多个工具,诸如用于图案形成装置的图案设计(包括例如添加次分辨率辅助特征或光学近接校正)、用于图案形成装置的照射等。因此,在用于计算上控制、设计等涉及图案化的制造过程的***中,制造***部件和/或程序可以由各种功能模块和/或模型描述。在一些实施例中,可以提供描述图案化过程的一个或多个步骤和/或设备的一个或多个电子(例如,数学、参数化等)模型。在一些实施例中,可以使用一个或多个电子模型来执行图案化过程的仿真以仿真图案化过程如何使用由图案形成装置提供的设计图案形成图案化衬底。
图2中说明用于仿真光刻投影设备中的光刻的示例性流程图。照射模型31表示照射的光学特性(包括辐射强度分布和/或相位分布)。投影光学元件模型32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辐射强度分布和/或相位分布的改变)。设计布局模型35表示设计布局的光学特性(包括由给定设计布局造成的辐射强度分布和/或相位分布的改变),该设计布局为在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。可以使用照射模型31、投影光学元件模型32及设计布局模型35来仿真空中图像36。可以使用抗蚀剂模型37而从空中图像36仿真抗蚀剂图像38。光刻的仿真可以例如预测抗蚀剂图像中的轮廓和/或CD。
更具体地,照射模型31可以表示照射的光学特性,所述光学特性包括但不限于NA-标准差(σ)设定,以及任何特定的照射形状(例如,离轴照射,诸如环形、四极、偶极等)。投影光学元件模型32可以表示投影光学元件的光学特性,包括例如像差、失真、折射率、物理大小或尺寸等。设计布局模型35也可以表示物理图案形成装置的一个或多个物理属性,例如全部内容以引用的方式并入本文中的美国专利第7,587,704号中描述的那样。与光刻投影设备相关联的光学属性(例如,照射、图案形成装置及投影光学元件的属性)规定空中图像。由于光刻投影设备中使用的图案形成装置可以改变,所以需要将图案形成装置的光学属性与光刻投影设备的至少包括照射及投影光学元件(因此设计布局模型35)的其余部分的光学属性分离。
可以使用抗蚀剂模型37以根据空中图像计算抗蚀剂图像,可以在全部内容以引用的方式并入本文中的美国专利第8,200,468号中找到它的示例。抗蚀剂模型通常与抗蚀剂层的属性(例如,在曝光、曝光后烘烤和/或显影期间发生的化学过程的效应)有关。
仿真的目标是准确地预测例如边缘放置、空中图像强度斜率和/或CD,然后可以将所述边缘放置、空中图像强度斜率和/或CD与预期设计进行比较。预期设计通常被限定为预OPC设计布局,该预OPC设计布局可以以诸如GDSII、OASIS或其他文件格式的标准化数字文件格式而提供。
根据该设计布局,可以识别被称作“剪辑”的一个或多个部分。在实施例中,提取一组剪辑,该一组剪辑表示设计布局中的复杂图案(通常约为50个至1000个剪辑,但是可以使用任何数目个剪辑)。如本领域技术人员将明白的是,这些图案或剪辑表示设计的较小部分(例如,电路、单元等),并且所述剪辑尤其表示需要特定关注和/或验证的较小部分。换句话说,剪辑可以是设计布局的部分,或者可以是相似的,或者具有设计布局的其中关键特征是通过经验而识别的(包括由客户提供的剪辑)、通过试错法而识别或通过执行全芯片仿真而识别的部分的相似行为。剪辑经常包括一个或多个测试图案或测规图案。可以由客户基于设计布局中需要特定图像优化的已知关键特征区域而先验地提供一组初始较大的剪辑。可替代地,在另一个实施例中,可以通过使用识别关键特征区域的某种自动化(诸如机器视觉)或手动算法而从整个设计布局提取一组初始较大的剪辑。
例如,仿真及建模可以用于配置图案形成装置图案的一个或多个特征(例如,执行光学近接校正)、照射的一个或多个特征(例如,改变照射的空间/角强度分布的一个或多个特性,诸如改变形状)和/或投影光学元件的一个或多个特征(例如,数值孔径等)。此配置通常可以分别被称作掩模优化、源优化及投影优化。可以独立地执行或以不同组合的形式组合此优化。一个此类示例是源-掩模优化(SMO),源-掩模优化(SMO)涉及配置图案形成装置图案的一个或多个特征连同照射的一个或多个特征。优化技术可以聚焦于剪辑中的一项或多项。优化可以使用本文中描述的机器学习模型以预测各种参数(包括图像等)的值。
在一些实施例中,可以将***的优化过程表示为成本函数。优化过程可以包括寻找***的最小化成本函数的一组参数(设计变量、过程变量等)。成本函数可以依赖于优化的目标而具有任何合适形式。例如,成本函数可以是***的某些特性(评估点)相对于这些特性的预期值(例如,理想值)的偏差的加权均方根(RMS)。成本函数也可以是这些偏差的最大值(即,最差偏差)。术语“评估点”应该被广义地解释为包括***或制作方法的任何特性。由于***和/或方法的实施的可行性,***的设计和/或过程变量可以被限制至有限范围和/或可相互依赖。在光刻投影设备的情况下,约束经常与硬件的物理属性及特性(诸如可调谐范围和/或图案形成装置可制造性设计规则)相关联。评估点可以包括衬底上的抗蚀剂图像上的物理点,以及非物理特性,诸如例如剂量及焦距。
在光刻投影设备中,作为示例,可以将成本函数表达为
其中,(z1,z2,…,zN)是N个设计变量或其值,并且fp(z1,z2,…,zN)可以是设计变量(z1,z2,…,zN)的函数,诸如针对设计变量(z1,z2,…,zN)的一组值的特性的实际值与预期值之间的差。在一些实施例中,wp是与fp(z1,z2,…,zN)相关联的权重常数。例如,特性可以是在边缘上的给定点处测量的图案的边缘的位置。不同的fp(z1,z2,…,zN)可以具有不同的权重wp。例如,如果特定边缘具有所准许位置的较窄范围,则用于表示边缘的实际位置与预期位置之间的差的fp(z1,z2,…,zN)的权重wp可以被给予较高值。fp(z1,z2,…,zN)也可以是层间特性的函数,层间特性又是设计变量(z1,z2,…,zN)的函数。当然,CF(z1,z2,…,zN)不限于上述等式中的形式,并且CF(z1,z2,…,zN)可以呈任何其他合适的形式。
成本函数可以表示光刻投影设备、光刻过程或衬底的任何一个或多个合适的特性,例如焦距、CD、图像移位、图像失真、图像旋转、随机变化、吞吐量、局部CD变化、过程窗口、层间特性或其组合。在一些实施例中,成本函数可以包括表示抗蚀剂图像的一个或多个特性的函数。例如,fp(z1,z2,…,zN)可以简单地是抗蚀剂图像中的一点与该点的预期位置之间的距离(即,边缘放置误差EPEp(z1,z2,…,zN))。参数(例如,设计变量)可以包括任何可调整参数,诸如源、图案形成装置、投影光学元件的可调整参数、剂量、焦距等。
参数(例如,设计变量)可以具有约束,该约束可以被表达为(z1,z2,…,zN)∈Z,其中,Z是设计变量的一组可能值。可以由光刻投影设备的期望的吞吐量来施加对设计变量的一个可能约束。在没有由期望的吞吐量施加的此约束的情况下,优化可能产生不切实际的设计变量的一组值。例如,如果剂量是设计变量,则在无此约束的情况下,优化可能产生使吞吐量经济上不可能的剂量值。然而,约束的有用性不应该被解释为必要性。例如,吞吐量可能受光瞳填充比影响。对于一些照射设计而言,较低的光瞳填充比可能舍弃辐射,从而导致较低的吞吐量。吞吐量也可能受到抗蚀剂化学反应的影响。较慢的抗蚀剂(例如,要求适当地曝光于较高量的辐射的抗蚀剂)导致较低的吞吐量。
在一些实施例中,照射模型31、投影光学元件模型32、设计布局模型35、抗蚀剂模型37、SMO模型和/或与集成电路制造过程相关联和/或在集成电路制造过程中所包括的其他模型可以是执行本文中描述的方法的操作的经验模型。该经验模型可以基于各种输入(例如,掩模或晶片图像的一个或多个特性、设计布局的一个或多个特性、图案形成装置的一个或多个特性、光刻过程中所使用的照射的一个或多个特性,诸如波长等)之间的相关性来预测输出。
作为示例,经验模型可以是机器学习模型和/或任何其他参数化模型。在一些实施例中,机器学习模型(例如)可以是和/或包括数学等式、算法、示意图、图表、网络(例如,神经网络)和/或其他工具及机器学习模型部件。例如,机器学习模型可以是和/或包括具有输入层、输出层及一个或多个中间层或隐藏层的一个或多个神经网络。在一些实施例中,一个或多个神经网络可以是和/或包括深度神经网络(例如,在输入层与输出层之间具有一个或多个中间层或隐藏层的神经网络)。
作为示例,一个或多个神经网络可以基于神经单元(或人工神经元)的较大集合。一个或多个神经网络可以(例如,经由由轴突连接的生物神经元的较大的簇)不严格地模仿生物大脑工作的方式。神经网络的每一个神经单元都可以与该神经网络的许多其他神经单元连接。此类连接可以加强或抑制其对所连接的神经单元的激活状态的影响。在一些实施例中,每一单独的神经单元可以具有将所有其输入的值组合在一起的求和函数。在一些实施例中,每一个连接(或神经单元自身)可以具有阈值函数,使得信号在其被允许传播至其他神经单元之前必须超出阈值。这些神经网络***可以是自我学习及训练的,而不是被明确地程序化,并且与传统计算机程序相比,可以在某些问题解决领域中显著更好地执行。在一些实施例中,一个或多个神经网络可以包括多个层(例如,其中,信号路径从前端层横穿至后端层)。在一些实施例中,可以由神经网络利用反向传播技术,其中,使用前向刺激以对“前端”神经单元重设权重。在一些实施例中,对一个或多个神经网络的刺激及抑制可以更自由地流动,其中,连接以较混乱且复杂的方式相互作用。在一些实施例中,一个或多个神经网络的中间层包括一个或多个回旋层、一个或多个周期层和/或其他层。
可以使用一组训练数据来训练一个或多个神经网络(即,确定该一个或多个神经网络的参数)。训练数据可以包括一组训练样本。每一个样本都可以是包括输入对象(通常为向量,该向量可以被称为特征向量)及期望的输出值(也被称为管理信号)的一对。训练算法分析训练数据,并通过基于训练数据调整神经网络的参数(例如,一个或多个层的权重)来调整该神经网络的行为。例如,在给定形式的一组N个训练样本{(x1,y1),(x2,y2),...,(xN,yN)}使得xi是第i个示例的特征向量并且yi是其管理信号的情况下,训练算法寻找神经网络,g:X→Y,其中,X是输入空间并且Y是输出空间。特征向量是表示某物体(例如,以上示例中的晶片设计、剪辑等)的数值特征的n维向量。与这些向量相关联的向量空间经常被称为特征空间。在训练之后,神经网络可以用于使用新样本来进行预测。
在先前的***中,利用校准数据校准(例如,训练)预测(过程)模型。校准数据可以包括被印刷图案(例如,校准图案和/或其他图案)的图像、被印刷图案的仿真图像和/或其他信息。例如,校准可以包括获得基于目标图案的被印刷图案(例如,被印刷晶片或其一部分)的图像。根据所述图像,可以提取对应于被印刷图案上的特征的轮廓(例如,形状、尺寸等)。然后,所述轮廓可以对准至由预测(过程)模型产生的仿真轮廓,以有助于调整模型参数,使得仿真轮廓更准确地匹配测量轮廓。被校准的模型可以用于基于不同目标图案进行新的预测(例如,包括轮廓的尺寸及其他尺寸预测数据)。然而,来自这些先前的***的预测(例如,针对相同输入)变化,产生关于给定模型的不确定性。
例如,图3说明被校准的模型输入302(例如,目标图案/图像属性)相对于模型输出304(例如,CD、抗蚀剂偏置等)的第一示意图300。示意图300说明用于校准模型的(较窄分布)校准数据306及用于验证该被校准的模型的(较宽分布)图案化过程数据308(例如,被预测图案和/或被预测图案的特征或与被预测图案相关的特征)。如示意图300中所示出的,被校准的模型可以良好地拟合校准数据306,但展现出对于过程数据308的不一致的预测结果。这趋向于造成对所选择的特定模型中的不确定性进行的预测。例如,多个候选模型310(例如,用于产生预测数据的预测模型的被调整的版本)可以不同地拟合图案化过程数据308(及校准数据306)。在不背离本发明的范围的情况下,候选模型可以以任何适合方式被配置为彼此不同。
与先前的建模方法形成对比,本方法包括:基于预测数据确定预测不确定性参数;基于该预测不确定性参数选择图案化过程数据的子集(例如,对与给定图案相关联的物理衬底(例如,晶片或其他衬底的层)进行的测量的结果);以及使用图案化过程数据的被选择的子集和/或如本发明所描述的先前使用的校准数据而再校准预测模型。这减小了来自预测模型的预测的不确定性。在一些实施例中,预测不确定性参数指示通过使用多个模型对某图案进行预测的不确定性。如图3的示意图350中所示出的,用于校准模型的校准数据352及由被校准的模型预测的预测数据354(例如,图案等)被较窄地分布(例如,在此示例中数据均匀重叠)。多个候选模型310(例如,用于产生预测数据308的预测模型的被调整的版本)现在相似地拟合预测数据354(及校准数据352)。
图4说明本方法400。在一些实施例中,方法400包括:使用预测模型确定402预测数据、确定404预测不确定性参数、基于预测不确定性参数来选择406图案化过程数据的子集及再校准408预测模型。在一些实施例中,方法400包括:确定410器件制造过程参数、确定412用于半导体器件制造过程和/或装置的调整、和/或其他操作。以下呈现的方法400的操作意图是说明性的。在一些实施例中,方法400可以利用未描述的一个或多个额外操作和/或不利用所论述的一个或多个操作来实现。例如,操作410、412和/或其他操作可以是可选的。另外,在图4中说明及在下文描述方法400的操作所采用的次序不意图是限制性的。例如,方法400可以包括或可以不包括操作410和/或412。
如上文所描述的,在操作402处,使用预测模型来确定预测数据。使用与图案化过程和/或半导体器件制造过程的任何其他部分相关联的预测模型(该预测模型已经使用校准数据进行校准)来确定预测数据。例如,预测模型可以与蚀刻、沉积、OPC、套刻、对准、抗蚀剂层、空中图像、照射、光学元件、设计布局、热点检测、过程窗口资格、过程控制和/或半导体器件制造过程的其他方面相关联。在一些实施例中,预测模型是机器学习模型,并且校准预测模型包括训练机器学习模型。
可以使用校准数据来(例如,先前)校准预测模型。校准数据可以包括与衬底(例如,晶片或其他衬底的层)上的图案的几何特征相关联的校准图案和/或其他数据,以及/或和与衬底(例如,晶片或其他衬底的层)上的图案的几何特征相关联的校准图案和/或其他数据相关联。例如,校准数据可以包括轮廓(例如,形状、尺寸等)、偏差、信号强度和/或基于利用目标图案对图案化过程的仿真而确定的其他信息、目标图案自身,和/或在衬底(例如,物理晶片和/或其他衬底)中产生的目标图案的图像。
预测数据可以包括与衬底(例如,晶片层-基于不同目标图案)上的图案的被预测几何特征相关联的预测图案和/或其他数据,以及/或和与衬底(例如,晶片层-基于不同目标图案)上的图案的被预测几何特征相关联的预测图案和/或其他数据相关联。例如,预测数据可以包括被预测图案参数值。这些图案参数值可以包括几何特征的尺寸(例如,轮廓形状和/或尺寸、长度、宽度、高度、距离、部位等)、偏差、临界尺寸、对准参数、套刻参数、图案化过程中所使用的强度、与图案化过程的图案相关联的图像斜率、和/或其他参数。可以由被校准预测模型基于至被校准预测模型的输入而产生预测数据。输入可以包括新目标图案的特征、此类图案的图像和/或其他输入。
在操作404处,确定预测不确定性参数。预测不确定性参数与例如多个模型之间的预测数据和/或图案参数值的变化相关联。在一些实施例中,预测不确定性参数与以下各项的变化相关联:几何特征(例如,轮廓形状和/或尺寸、长度、宽度、高度、距离、部位等)的尺寸的值、偏差、临界尺寸、CD测规、EP测规、套刻信号、对准信号、图案化过程中所使用的强度、与图案化过程的图案相关联的图像斜率、和/或图案化过程的其他方面。
在一些实施例中,基于被预测图案参数值(和/或预测数据)的变化及与预测模型相关联的拟合要求而确定预测不确定性参数。通过非限制性示例,预测数据可以包括被预测的临界尺寸值。预测不确定性参数可以包括临界尺寸变化(CDV)。可以基于被预测临界尺寸值的变化及与预测模型相关联的拟合要求而确定临界尺寸的变化。然而,有利地,本方法配置成提供可以处置各种不同的预测不确定性参数的标准化工作流程。在一些实施例中,例如,本方法配置成标准化或统一可以处置CD测规测量及EP测规测量的工作流程(例如,和/或用于产生更准确模型的CD测规测量至EP测规测量的转换)。
继续CDV示例,可以基于等式CDV=仿真方差(M1,M2,…MN)/Spec来确定临界尺寸变化,其中,M1、M2、…MN限定候选模型(例如,拟合校准数据及预测数据的候选模型)并且Spec表示与预测模型相关联的拟合要求。仿真方差可以表示不同预测数据点(例如,图3中所示出的预测数据点308)的分布(和/或其他统计属性)。可以调整候选模型和/或预测模型的拟合校准数据及预测数据的不同版本。例如,候选模型可以是预测模型,但具有不同的被调整的模型参数,不同的被调整的模型参数促使给定候选模型(例如,具有给定的一组被调整模型参数)拟合预测数据(及校准数据)。在一些实施例中,候选模型可以是完全不同的模型。在一些实施例中,拟合要求包括临界尺寸误差、边缘放置误差、轮廓形状保真度、和/或其他拟合要求。拟合要求通常可以指用于测量与临界尺寸、边缘放置和/或轮廓形状相关联的模型性能的指标(借助于三个非限制性示例)。拟合要求限定预测数据与物理晶片测量数据之间的差,并且也可以包括和/或相关联于与几何特征、图案和/或过程相关联的数值。
以上示例并不意图是限制性的。预期其他预测不确定性参数。例如,预期与几何特征(例如,轮廓形状和/或尺寸、长度、宽度、高度、距离、部位等)、偏差、套刻和/或对准信号、与图案化过程的图案相关联的图像斜率、图案化过程中所使用的强度相关的预测不确定性参数,和/或其他预测不确定性参数。
在一些实施例中,预测不确定性参数可以是奇异值(例如,CDV)。在一些实施例中,预测不确定性参数可以是值的范围(例如,被预测尺寸的可接受范围和/或其他范围)。在一些实施例中,预测不确定性参数包括单独的过程数据点的排序(例如,其中标绘的较接近校准数据的过程数据点被较高地排序,和/或其他排序)。在一些实施例中,预测不确定性参数包括单独的过程数据点的最大数目(例如,在选择目标数目个数据点之后停止选择过程数据点、数据点的随机选择的目标数目、数据点的最新目标数目、某一值范围内的数据点的最大数目等)。
在操作406处,选择过程数据的子集。基于预测不确定性参数来选择过程数据的子集。如上文所描述的,预测数据为来自预测模型的仿真数据(例如,预测图案等)。使用预测数据以确定预测不确定性参数。预测不确定性可以与例如特定图案相关联,使得可以基于预测不确定性参数来选择具有较高预测不确定性的图案(及与那些图案相关联的过程数据)。在一些实施例中,基于预测不确定性参数来选择过程数据的子集可以包括:选择由预测不确定性参数指定的奇异值的过程数据点;选择与预测不确定性参数相关联的过程数据点的范围;使用预测不确定性参数基于指派给单独的过程数据点的排序来选择过程数据点;选择(例如,随机地或并非随机地)由预测不确定性参数指定的单独的过程数据点的最大数目;以及/或其他选择。例如,继续以上所描述的CDV,可以通过基于CDV值(例如,以递减模式)对过程数据点进行分类并且舍弃作为子集的可允许数目来选择过程数据的子集。
图5说明选择过程数据的子集。例如,图5说明被校准的模型输入302相对于模型输出304的第一示意图300(也在图3中示出)。示意图300说明用于校准模型的(较窄分布)校准数据306及由被校准的模型预测的(较宽分布)预测数据308(例如,被预测图案和/或被预测图案的特征或与被预测图案相关的特征)。如示意图300中所示出的,相对(例如,与校准数据306相比)较宽分布的预测数据308引起关于用于产生预测数据308的被校准的模型的不确定性。例如,多个候选模型310(例如,用于产生预测数据308的预测模型的被调整的版本)可以拟合预测数据308(及校准数据306)。本方法包括:基于预测数据确定预测不确定性参数(如上文所描述的);选择500与基于预测不确定性参数而确定的具有较高不确定性的预测数据308(例如,图案)相关联的图案化过程数据的子集308A及308B;以及使用过程数据的被选择(500)子集308A及308B(连同如本发明所描述的校准数据)再校准502预测模型。这减少了来自预测模型的预测的不确定性。如图5的示意图350中所示出的,用于校准模型的校准数据352及由被校准的模型预测的预测数据354较窄地分布(例如,在此示例中数据均匀重叠)。多个候选模型310(例如,用于产生预测数据308的预测模型的被调整的版本)现在相似地拟合预测数据354(及校准数据352)。
图6说明确定600预测不确定性参数及针对给定预测模型基于确定的预测不确定性参数来选择602与预测数据608相关联的具有较高不确定性的过程数据的子集604(例如,以用于再校准)的示例。如图6中所示出的,使用校准数据606以校准预测模型且产生预测数据608(例如,使得多个候选模型——用于产生预测数据608的预测模型的被调整的版本可以拟合预测数据608及校准数据606)。如上文所描述的,可以确定600许多不同的预测不确定性参数。图6说明例如两个不同的选项600a及600b(但仅两个选项的说明不应该被认为是限制性的)。选项600a可以例如为CDV(例如,上文所描述的)。作为另一个示例,选项600b可以是或相关于来自关于指定图案(例如,使用GDS布局)的一个候选模型的信号与另一个候选模型的信号之间的差。存在许多其他示例。一旦确定预测不确定性参数(例如,600a或600b),则使用预测不确定性参数以选择602预测数据608的子集604。
返回至图4,在操作408处,再校准预测模型。使用校准数据以及过程数据的被选择的子集和/或其他信息来再校准预测模型。使用校准数据以及过程数据的被选择的子集再校准预测模型包括提供校准数据以及过程数据的被选择的子集两者作为至预测模型的输入和/或其他操作。在再校准期间,被赋予晶片的层的目标设计的轮廓可以对准至由预测模型产生的仿真轮廓(例如,由过程数据点的被选择的子集描述),以有助于调整模型参数使得仿真轮廓更准确地匹配测量轮廓。使用校准数据以及过程数据的被选择的子集再校准预测模型会减小来自预测模型的预测的预测不确定性(例如,图3和/或图5中所示出的不同候选模型在其预测中越来越一致)。
图7说明选择过程数据的子集700。基于预测不确定性参数来选择过程数据的子集700,基于由一组候选预测模型702、704、706(例如,预测模型的拟合预测数据及校准数据的变化,如上文所描述的)产生的预测数据而确定该预测不确定性参数;且将过程数据的被选择的子集700提供708至候选预测模型以再校准(或再训练)预测模型。当向候选预测模型提供过程数据的被选择的子集且再校准所述候选预测模型时,关于来自候选模型(例如,预测模型的各种可能版本)的预测的不确定性减少。候选预测模型702、704、706可以被认为是例如参考模型和/或1k测规710。模型702、704及706可以是例如焦距曝光模型(FEM)和/或其他模型。已接收过程数据的被选择的子集700的候选模型712a、714a及716a可以是例如机器学习模型和/或3k测规720。单独的模型的被再校准的版本725可以是例如被更新(或递增地或逐步地再训练)的机器学习模型和/或4k测规730。在一些实施例中,可以将同一组图案馈送至候选模型以产生预测数据。预测不确定性参数指示多个候选模型之间的不一致。可以选择在候选模型之间引起最高不确定性的图案以用于校准或训练的下一次迭代。
返回至图4,在一些实施例中,可以迭代地重复操作402至408(和/或其他操作),从而在不断迭代中减少预测不确定性,直至例如预测模型收敛。在一些实施例中,模型收敛包括模型误差突破模型误差阈值水平。模型误差可以是参考几何形状(例如,轮廓)与从由预测模型对图案化过程的仿真产生的仿真几何形状之间的差。例如,参考几何形状可以是来自扫描电子显微镜的被测量的几何形状。
如上文所描述的,在一些实施例中,方法400包括:确定410器件制造过程参数、确定412用于半导体器件制造过程和/或装置的调整、和/或其他操作。可以基于例如来自被再校准的预测模型的预测和/或其他信息来确定一个或多个半导体器件制造过程参数。可以基于被确定的一个或多个半导体器件制造参数和/或其他信息来确定对半导体器件制造设备的调整。在一些实施例中,方法400包括对设备进行调整。
在一些实施例中,被确定的一个或多个半导体器件制造过程参数包括掩模设计、光瞳形状、剂量、焦距、蚀刻参数、沉积参数、化学机械抛光参数、和/或其他半导体器件制造过程参数中的一项或多项。在一些实施例(例如,如上文所描述的)中,方法包括基于被确定的一个或多个半导体器件制造参数确定对半导体器件制造过程和/或装置的调整。在一些实施例中,方法包括基于被确定的调整来调整晶片制造设备。
作为示例,如果被确定的过程参数为(例如,新的)光瞳形状、剂量或焦距,则可以将制造设备从旧的或先前光瞳形状、剂量或焦距调整为被确定(例如,新的)光瞳形状、剂量或焦距。相似地,如果模型预测与掩模设计有关并且所确定的制造过程参数是新的或被调整的掩模设计,则可以基于此新设计来调整半导体制造设备(例如,技术人员可以基于新的掩模形状、尺寸等调整强度、对准或甚至光瞳形状、剂量或焦距)。
在一些实施例中,例如其中,被确定的一个或多个半导体器件制造过程参数包括掩模设计,该方法可以包括基于来自被再校准的预测模型的预测将掩模设计从第一掩模设计调整为第二掩模设计。
图10是可以用于本文中描述的操作中的一项操作或多项操作的示例性计算机***CS的示意图。计算机***CS包括用于传达信息的总线BS或其他通信机构及与总线BS联接以用于处理信息的处理器PRO(或多个处理器)。计算机***CS还包括联接至总线BS以用于存储待由处理器PRO执行的信息及指令的主存储器MM,诸如随机存取存储器(RAM)或其他动态存储器。主存储器MM还可以用于在由处理器PRO执行指令期间存储暂时性变量或其他中间信息。计算机***CS还包括联接至总线BS以用于存储用于处理器PRO的静态信息及指令的只读存储器(ROM)或其他静态存储器。提供诸如磁盘或光盘的存储器SD,并且将该存储器联接至总线BS以用于存储信息及指令。
计算机***CS可以经由总线BS联接至用于向计算机用户显示信息的显示器DS,诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母按键及其他按键的输入装置ID联接至总线BS以用于将信息及命令选择传达至处理器PRO。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PRO并且用于控制显示器DS上的光标移动的光标控制件CC,诸如鼠标、轨迹球或光标方向按键。此输入装置通常具有在两个轴线——第一轴线(例如,x)及第二轴线(例如,y)——上的两个自由度,这允许该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。
在一些实施例中,可以通过计算机***CS响应于处理器PRO执行主存储器MM中所包括的一个或多个指令的一个或多个序列来执行本文中描述的一种或多种方法的一些部分。可以将这些指令从另一个计算机可读介质(诸如存储器SD)读取至主存储器MM中。主存储器MM中所包括的指令序列的执行使处理器PRO执行本文中描述的过程步骤(操作)。呈多处理配置的一个或多个处理器也可以用于执行主存储器MM中包括的指令序列。在一些实施例中,可以代替或结合软件指令来使用硬件连接电路。因此,本发明的描述不限于硬件电路及软件的任何特定组合。
本文中使用的术语“计算机可读介质”是指参与将指令提供至处理器PRO以供执行的任何介质。此介质可以采取许多形式,包括但不限于非易失性介质、易失性介质及传输介质。非易失性介质包括例如光盘或磁盘,诸如存储器SD。易失性介质包括易失性存储器,诸如主存储器MM。传输介质包括同轴缆线、铜线及光纤,包括电线(电线包括总线BS)。传输介质也可以采取声波或光波的形式,诸如在射频(RF)及红外(IR)数据通信期间产生的声波或光波。计算机可读介质可以是非暂时性的,例如软盘、挠性磁盘、硬盘、磁带、任何其他磁性介质、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匣。非暂时性计算机可读介质可以具有记录于其上的指令。所述指令在由计算机执行时可以实施本文中描述的操作中的任何一个。暂时性计算机可读介质可以包括例如载波或其他传播电磁信号。
可以在将一个或多个指令的一个或多个序列携带至处理器PRO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而发送指令。在计算机***CS本端的调制解调器可以接收电话线上的数据,并且使用红外传输器以将数据转换成红外信号。联接至总线BS的红外检测器可以接收红外信号中所携带的数据且将数据放置于总线BS上。总线BS将数据携带至主存储器MM,处理器PRO从该主存储器获取及执行指令。由主存储器MM接收的指令可以可选地在由处理器PRO执行之前或之后存储于存储器SD上。
计算机***CS也可以包括联接至总线BS的通信接口CI。通信接口CI提供对网络链路NDL的双向数据通信耦合,网络链路NDL连接至局域网络LAN。例如,通信接口CI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CI可以是局域网络(LAN)卡以提供对兼容LAN的数据通信连接。也可以实施无线链路。在任何此类实施中,通信接口CI发送及接收携带表示各种类型的信息的数字数据串流的电信号、电磁信号或光学信号。
网络链路NDL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,网络链路NDL可以经由局域网络LAN向主计算机HC提供连接。这可以包括经由全球封包数据通信网络(现在通常被称作“因特网”INT)而提供的数据通信服务。局域网络LAN(因特网)可以使用携带数字数据串流的电信号、电磁信号或光学信号。经由各种网络的信号及在网络数据链路NDL上并且经由通信接口CI的信号(该信号将数字数据携带至计算机***CS及从计算机***CS携带数字数据)为输送信息的载波的示例性形式。
计算机***CS可以经由网络、网络数据链路NDL及通信接口CI发送消息及接收数据(包括程序代码)。在因特网示例中,主计算机HC可以经由因特网INT、网络数据链路NDL、局域网络LAN及通信接口CI传输用于应用程序的被请求程序代码。例如,一个此类被下载的应用程序可以提供本文中描述的方法的全部或一部分。所接收的程序代码可以在其被接收时由处理器PRO执行,和/或存储于存储器SD或其他非易失性存储器中以供稍后执行。这样,计算机***CS可获得呈载波形式的应用程序代码。
图9是根据实施例的光刻投影设备的示意图。该光刻投影设备可以包括照射***IL、第一平台MT、第二平台WT及投影***PS。照射***IL可以调节辐射束B。在此示例中,照射***也包括辐射源SO。第一物体平台(例如,图案形成装置平台)MT可以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,并且连接至用于相对于物品PS来准确地定位该图案形成装置的第一***。第二物体平台(例如,衬底平台)WT可以具备用于保持衬底W(例如,抗蚀剂涂覆硅晶片)的衬底保持器,并且连接至用于相对于物品PS来准确地定位该衬底的第二***。投影***(例如,投影***包括透镜)PS(例如,折射、反射或反射折射光学***)可以将图案形成装置MA的被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。
如所描绘的,装置可以属于透射类型(即,具有透射型图案形成装置)。然而,通常,装置也可以属于反射类型,例如(具有反射型图案形成装置)。装置可以使用用于经典掩模的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、LPP(激光产生等离子体)EUV源)产生辐射束。例如,该束直接地或在已穿过诸如扩束器的调节构件之后馈送至照射***(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外部及σ内部)。另外,照射器IL通常将包括各种其他部件,诸如积光器IN及聚光器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。
在一些实施例中,源SO可以在光刻投影设备的外壳内(这经常是源SO是例如汞灯时的情况),但源SO也可以远离光刻投影设备。例如,源SO产生的辐射束可以被引导至该设备中(例如,借助于合适的导向反射镜)。后一种情况可以是例如在源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可以随后截取被保持于图案形成装置平台MT上的图案形成装置MA。在已穿过图案形成装置MA的情况下,束B可以传递通过透镜PL,该透镜将束B聚焦至衬底W的目标部分C上。借助于第二定位构件(及干涉测量构件IF),可以准确地移动衬底平台WT,例如以便使不同的目标部分C定位于束PB的路径中。相似地,第一定位构件可以用于例如在从图案形成装置库机械地获取图案形成装置MA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。通常,可以借助于长行程模块(粗定位)及短行程模块(精定位)来实现平台MT、WT的移动。然而,在步进器(相对于步进扫描工具)的情况下,图案形成装置平台MT可以连接至短行程致动器,或者可以是固定的。
可以在两种不同模式——步进模式及扫描模式——中使用所描绘工具。在步进模式中,将图案形成装置平台MT保持基本静止,并且将整个图案形成装置图像在一个操作中投影(即,单次“闪光”)至目标部分C上。可以使衬底平台WT在x和/或y方向上移位,使得不同目标部分C可以由束B照射。在扫描模式中,基本上相同情况适用,在单次“闪光”中不曝光给定目标部分C除外。可替代地,图案形成装置平台MT可以以速度v在给定方向(例如,“扫描方向”,或“y”方向)上移动,使得投影束B在整个图案形成装置图像上进行扫描。与此同时,衬底平台WT以速度V=Mv在相同方向或相反方向上同时地移动,其中,M为透镜的放大率(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较大的目标部分C。
图10为另一个光刻投影设备(LPA)的示意图。LPA可以包括源收集器模块SO、配置成调节辐射束B(例如,EUV辐射)的照射***(照射器)IL、支撑结构MT、衬底平台WT及投影***PS。支撑结构(例如,图案形成装置平台)MT可以构造成支撑图案形成装置(例如,掩模或掩模版)MA并且连接至配置成准确地定位该图案形成装置的第一***PM。衬底平台(例如,晶片台)WT可以构造成保持衬底(例如,抗蚀剂涂覆晶片)W,并且连接至配置成准确地定位该衬底的第二***PW。投影***(例如,反射投影***)PS可以配置成将由图案形成装置MA赋予辐射束B的图案投影至衬底W的目标部分C(例如,包括一个或多个管芯)上。
如此示例中所示出的,LPA可以属于反射类型(例如,使用反射图案形成装置)。应该注意的是,因为大多数材料在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与硅的40个层对,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波长。由于大多数材料在EUV及X射线波长下具有吸收性,所以图案形成装置构形(例如,多层反射器的项部上的TaN吸收体)上的图案化吸收材料的薄件限定特征将在何处印刷(正型抗蚀剂)或不印刷(负型抗蚀剂)。
照射器IL可以从源收集器模块SO接收极紫外辐射束。用于产生EUV辐射的方法包括但不必限于:利用在EUV范围内的一个或多个发射谱线将具有至少一种元素(例如,氙、锂或锡)的材料转换成等离子体状态。在经常被称为激光产生等离子体(“LPP”)的一种此类方法中,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的小滴、串流或团簇)而产生等离子体。源收集器模块SO可以是EUV辐射***的包括激光器(图10中未图示)的部分,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来收集该辐射。例如,当使用CO2激光器来提供用于燃料激发的激光束时,激光与源收集器模块可以是分立的实体。在此示例中,可以不认为激光器形成光刻设备的一部分,并且辐射束可以借助于包括例如合适的导向反射镜和/或扩束器的束传送***而从激光器传递至源收集器模块。在其他示例中,例如,当源为放电产生等离子体EUV产生器(经常被称为DPP源)时,源可以是源收集器模块的整体部分。
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。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和/或内部径向范围(通常分别被称作σ外部及σ内部)。另外,照射器IL可以包括各种其他部件,诸如琢面化场反射镜装置及琢面化光瞳反射镜装置。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可以入射于被保持于支撑结构(例如,图案形成装置平台)MT上的图案形成装置(例如,掩模)MA上,并且被该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将该束聚焦至衬底W的目标部分C上。借助于第二***PW及位置传感器PS2(例如,干涉仪装置、线性编码器或电容式传感器),可以准确地移动衬底平台WT(例如,以使不同目标部分C定位于辐射束B的路径中)。相似地,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。
所描绘的装置LPA可以用于以下模式中的至少一者:步进模式、扫描模式及静止模式。在步进模式中,在将赋予辐射束的整个图案一次投影至目标部分C上时,使支撑结构(例如,图案形成装置平台)MT及衬底平台WT保持基本静止(例如,单次静态曝光)。然后,使衬底平台WT在X和/或Y方向上移位使得可以曝光不同的目标部分C。在扫描模式中,在将赋予辐射束的图案投影至目标部分C上时,同步地扫描支撑结构(例如,图案形成装置平台)MT及衬底平台WT(即单次动态曝光)。衬底平台WT相对于支撑结构(例如,图案形成装置平台)MT的速度及方向可以通过投影***PS的放大率(缩小率)及图像反转特性而被确定。在静止模式中,在将赋予辐射束的图案投影至目标部分C上时,使支撑结构(例如,图案形成装置平台)MT保持基本静止,从而保持可编程图案形成装置,并且移动或扫描衬底平台WT。在此模式中,通常使用脉冲式辐射源,并且在衬底平台WT的每一次移动之后或在扫描期间的连续辐射脉冲之间根据需要而更新可编程图案形成装置。此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11是图10中所示出的光刻投影设备的详细视图。如图11中所示出的,LPA可以包括源收集器模块SO、照射***IL及投影***PS。源收集器模块SO被配置成使得可以将真空环境维持于源收集器模块SO的包围结构220中。可以由放电产生等离子体源形成EUV辐射发射等离子体210。可以由气体或蒸气(例如,Xe气体、Li蒸气或Sn蒸气)而产生EUV辐射,其中,产生热等离子体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产生热等离子体210。为了高效地产生辐射,可能期望是例如10Pa的分压的Xe、Li、Sn蒸气或任何其他合适气体或蒸气。在一些实施例中,提供被激发的锡(Sn)的等离子体以产生EUV辐射。
由热等离子体210发射的辐射经由定位于源腔室211中的开口中或后方的选用气体阻挡部或污染物陷阱230(在一些情况下,也被称作污染物阻挡部或箔片陷阱)而从源腔室211传递至收集器腔室212中。污染物陷阱230可以包括通道结构。污染陷阱230也可以包括气体阻挡部,或气体阻挡部与通道结构的组合。污染物陷阱或污染物阻挡部230(下文所描述的)也包括通道结构。收集器腔室211可以包括可以是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。横穿收集器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”指示的光轴而聚焦于虚源点IF中。虚源点IF通常被称作中间焦距,并且源收集器模块被配置成使得中间焦距IF位于包围结构220中的开口221处或附近。虚源点IF是辐射发射等离子体210的图像。
随后,辐射横穿照射***IL,照射***IL可以包括琢面化场反射镜装置22及琢面化光瞳反射镜装置24,琢面化场反射镜装置22及琢面化光瞳反射镜装置24被配置以提供辐射束21的在图案形成装置MA处的期望的角度分布,以及辐射强度的在图案形成装置MA处的期望的均一性。在辐射束21的在由支撑结构MT保持的图案形成装置MA处的反射后,形成图案化束26,并且由投影***PS将图案化束26经由反射元件28、30而成像至由衬底平台WT保持的衬底W上。比所示出的元件多的元件通常可以存在于照射光学元件单元IL及投影***PS中。依赖于例如光刻设备的类型,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11所示出的反射元件多1至6个的额外反射元件。
如图11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被设置为围绕光轴O轴向对称,并且此类型的收集器光学元件CO可以与经常被称为DPP源的放电产生等离子体源组合使用。
图12是光刻投影设备LPA(先前图中所示出)的源收集器模块SO的详细视图。源收集器模块SO可以是LPA辐射***的部分。激光LA可以被配置以将激光能量沉积至诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中,从而产生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结合期间产生的高能辐射被从等离子体发射,由近正入射收集器光学元件CO收集,并且被聚焦至包围结构220中的开口221上。
本文中所披露的概念可以仿真或数学上建模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。新兴技术包括能够通过使用ArF激光来产生193nm波长并且甚至能够通过使用氟激光器来产生157nm波长的EUV(极紫外)、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射到材料(固体或等离子体)而产生在20nm至50nm的范围内的波长,以便产生在此范围内的光子。
图13示意性地描绘电子束检查设备1320的实施例。在一些实施例中,检查设备可以是产生曝光或转移于衬底上的结构(例如,诸如集成电路的器件的一些结构或全部结构)的图像的电子束检查设备(例如,与扫描电子显微镜(SEM)相同或相似)。从电子源1322发射的初级电子束1324由聚光透镜1326会聚并且然后通过束偏转器1328、E×B偏转器1330及物镜1332以在焦距处照射衬底平台1312上的衬底1310。
当利用电子束1324照射衬底1310时,从衬底1310产生二次电子。该二次电子由E×B偏转器1330偏转并且由二次电子检测器1334检测。二维电子束图像可以通过以下操作获得:与例如由束偏转器1328使电子束进行的二维扫描同步或与由束偏转器1328使电子束1324在X或Y方向上的重复扫描同步,检测从样本产生的电子,以及由衬底平台1312在X或Y方向中的另一者上连续移动衬底1310。因此,在实施例中,电子束检查设备具有用于由角度范围限定的电子束的视场,在该角度范围内的电子束可以由电子束检查设备提供(例如,偏转器1328可以提供电子束1324所遍及的角度范围)。因此,该视场的空间范围是电子束的角度范围可以照射于表面上所到达到的空间范围(其中,该表面可以是静止的或可以相对于该场移动)。
如图13中所示出的,由二次电子检测器1334检测到的信号可以由模拟/数字(A/D)转换器1336转换成数字信号,并且可以将该数字信号发送至图像处理***1350。在实施例中,图像处理***1350可以具有存储器1356以存储数字图像的全部或一部分以供处理单元1358处理。处理单元1358(例如,专门设计的硬件或硬件与软件的组合或包括软件的计算机可读介质)配置成将数字图像转换或处理成表示数字图像的数据集。在实施例中,处理单元1358被配置或程序化以使得执行本文中描述的操作(例如,SEM检测)。另外,图像处理***1350可以具有配置成将数字图像及对应数据集存储于参考数据库中的存储介质1352。显示装置1354可以与图像处理***1350连接,使得操作者可以借助于图形用户接口进行设备的必要操作。
图14示意性地说明检查设备的另一个实施例。该***用于检测样本平台89上的样本90(诸如衬底)并且包括带电粒子束产生器81、聚光透镜模块82、探针形成物镜模块83、带电粒子束偏转模块84、二次带电粒子检测器模块85、图像形成模块86、和/或其他部件。带电粒子束产生器81产生初级带电粒子束91。聚光透镜模块82将所产生的初级带电粒子束91聚光。探针形成物镜模块83将被聚光的初级带电粒子束聚焦成带电粒子束探针92。带电粒子束偏转模块84使所形成的带电粒子束探针92遍及紧固于样本平台89上的样本90上的感兴趣的区域的表面进行扫描。在一些实施例中,带电粒子束产生器81、聚光透镜模块82及探针形成物镜模块83或其等效设计、可替代方案或其任何组合一起形成产生扫描带电粒子束探针92的带电粒子束探针产生器。
二次带电粒子检测器模块85检测在由带电粒子束探针92轰击后即从样本表面发射的二次带电粒子93(也可以与来从样本表面的其他反射或散射带电粒子一起)以产生二次带电粒子检测信号94。图像形成模块86(例如,计算器件)与二次带电粒子检测器模块85联接以从二次带电粒子检测器模块85接收二次带电粒子检测信号94且相应地形成至少一个扫描图像。在实施例中,二次带电粒子检测器模块85及图像形成模块86或其等效设计、可替代方案或其任何组合一起形成图像形成装置,该图像形成装置从由带电粒子束探针92轰击的样本90发射的检测到的二次带电粒子形成扫描图像。
在实施例中,监测模块87联接至图像形成装置的图像形成模块86以监测、控制等图案化过程和/或使用从图像形成模块86接收到的样本90的扫描图像来导出用于图案化过程设计、控制、监测等的参数。在一些实施例中,监测模块87被配置或程序化以致使执行本文中描述的操作。在一些实施例中,监测模块87包括计算装置。在一些实施例中,监测模块87包括配置成提供本文中描述的功能性的计算机程序。在一些实施例中,图14的***中的电子束的探针光点尺寸与例如CD相比显著较大,使得探针光点足够大以便检测速度可以是快速的。然而,分辨率由于较大的探针光点而可能较低。可以处理来自例如图13和/或图14的***的SEM图像以提取图像中描述表示半导体器件结构的物体的边缘的尺寸、形状、轮廓和/或其他信息。可以经由使用者限定的切线处和/或其他部位中的指标(诸如CD)来量化所述形状、轮廓和/或其他信息。在一些实施例中,比较器件结构的图像并且经由指标(诸如,在提取的轮廓上测量的边缘之间距离(CD)或图像之间的简单的像素差)来量化器件结构的图像。可替代地,指标可以包括EP测规和/或其他参数。
本发明的实施例可以由以下方面进一步描述。
1.一种用于减小与图案化过程相关联的预测模型中的预测不确定性的方法,该方法包括:
使用该预测模型确定预测数据,已经利用校准数据校准该预测模型;
基于该预测数据确定预测不确定性参数,该预测不确定性参数与该预测数据的变化相关联;
基于该预测不确定性参数选择图案化过程数据的子集;
使用该校准数据以及该图案化过程数据的被选择的子集再校准该预测模型;以及
基于来自该被再校准的预测模型的预测结果确定一个或多个半导体器件制造过程参数。
2.如方面1所述的方法,还包括:迭代地重复确定预测数据的步骤、确定该预测不确定性参数的步骤、选择的步骤及再校准的步骤,直至该预测模型收敛。
3.如方面2所述的方法,其中,模型收敛包括模型误差突破模型误差阈值水平,该模型误差是参考几何形状与从由该预测模型对该图案化过程的仿真产生的仿真几何形状之间的差。
4.如方面4所述的方法,其中,该参考几何形状是来自扫描电子显微镜的所测得的几何形状。
5.如方面1所述的方法,其中,该预测不确定性参数与以下各项中的至少一项相关联:
衬底的临界尺寸的值;
与该图案化过程的图案相关联的曲率;
该图案化过程中所使用的强度;以及
与该图案化过程的图案相关联的图像斜率。
6.如方面1所述的方法,其中,被确定的该一个或多个半导体器件制造过程参数包括掩模设计、光瞳形状、剂量或焦距中的一项或多项。
7.如方面1所述的方法,其中,被确定的该一个或多个半导体器件制造过程参数包括掩模设计,并且其中,该方法还包括:基于来自该被再校准的预测模型的所述预测结果将该掩模设计从第一掩模设计调整为第二掩模设计。
8.如方面1所述的方法,还包括:基于被确定的该一个或多个半导体器件制造参数确定对半导体器件制造设备的调整。
9.如方面1所述的方法,还包括:基于被确定的该一个或多个半导体器件制造参数确定对半导体器件制造过程的调整。
10.如方面9所述的方法,还包括:基于该被确定的调整来调整该半导体器件制造设备。
11.如方面1所述的方法,其中,该校准数据包括校准图案,该校准图案与衬底上的图案的几何特征相关联,并且其中,该预测数据包括预测图案,该预测图案与该衬底上的该图案的被预测几何特征相关联。
12.一种用于减小与图案化过程相关联的预测模型中的预测不确定性的方法,该方法包括:
基于预测数据确定预测不确定性参数,使用与该图案化过程相关联的该预测模型而确定该预测数据,已经利用校准数据校准该预测模型,该预测不确定性参数与该预测数据的变化相关联;
基于该预测不确定性参数选择图案化过程数据的子集;以及
使用该校准数据以及该图案化过程数据的被选择的子集再校准该预测模型。
13.如方面12所述的方法,还包括:迭代地重复确定预测数据的步骤、确定该预测不确定性参数的步骤、选择的步骤及再校准的步骤,直至该预测模型收敛。
14.如方面13所述的方法,其中,模型收敛包括模型误差突破模型误差阈值水平,该模型误差是参考几何形状与从由该预测模型对该图案化过程的仿真产生的仿真几何形状之间的差。
15.如方面14所述的方法,其中,该参考几何形状是来自扫描电子显微镜的所测得的几何形状。
16.如方面12至15中任一项所述的方法,其中,该校准数据包括校准图案,该校准图案与衬底上的图案的几何特征相关联,并且其中,该预测数据包括预测图案,该预测图案与该衬底上的该图案的被预测几何特征相关联。
17.如方面12至16中任一项所述的方法,其中,该预测不确定性参数与以下各项中的至少一项相关联:
衬底的临界尺寸的值;
与该图案化过程的图案相关联的曲率;
该图案化过程中所使用的强度;以及
与该图案化过程的图案相关联的图像斜率。
18.如方面12至17中任一项所述的方法,其中,该预测数据包括被预测图案参数值。
19.如方面18所述的方法,其中,该预测不确定性参数与所述被预测图案参数值的变化相关联。
20.如方面19所述的方法,其中,基于所述被预测图案参数值的该变化及与该预测模型相关联的拟合要求来确定该预测不确定性参数。
21.如方面12至17中任一项所述的方法,其中,该预测不确定性参数包括单独的图案化过程数据点的排序。
22.如方面12至17中任一项所述的方法,其中,该预测不确定性参数包括单独的图案化过程数据点的最大数目。
23.如方面12至22中任一项所述的方法,其中,该预测模型是机器学习模型,并且校准该预测模型包括训练该机器学习模型。
24.如方面12至23中任一项所述的方法,其中,使用该校准数据以及该预测数据的被选择的子集再校准该预测模型减小来自该预测模型的预测结果的该预测不确定性。
25.一种用于选择与图案化过程相关联的数据的方法,该方法包括:
使用一个或多个预测模型确定预测数据,已经利用校准数据校准所述一个或多个预测模型;
基于所述预测数据确定预测不确定性参数,所述预测不确定性参数与所述预测数据的变化相关联;
基于所述预测不确定性参数选择数据的集合。
26.如方面25所述的方法,其中,所述数据的集合包括图案化过程数据的子集。
27.如方面26所述的方法,还包括:
使用所述校准数据以及所述图案化过程数据的被选择的子集再校准所述预测模型。
28.如方面27所述的方法,还包括:
基于来自被再校准的预测模型的预测结果,确定一个或多个半导体器件制造过程参数。
29.如方面27所述的方法,还包括:迭代地重复确定预测数据的步骤、确定所述预测不确定性参数的步骤、选择的步骤及再校准的步骤,直至所述预测模型收敛。
30.如方面29所述的方法,其中,模型收敛包括模型误差突破模型误差阈值水平,所述模型误差是参考几何形状与由所述预测模型对所述图案化过程的仿真产生的仿真几何形状之间的差。
31.如方面30所述的方法,其中,所述参考几何形状是来自扫描电子显微镜的所测得的几何形状。
32.如方面25所述的方法,其中,所述预测不确定性参数与以下各项中的至少一项相关联:
衬底的临界尺寸的值;
与所述图案化过程的图案相关联的曲率;
在所述图案化过程中使用的强度;以及
与所述图案化过程的图案相关联的图像斜率。
33.如方面25所述的方法,其中,所确定的所述一个或多个半导体器件制造过程参数包括掩模设计、设计图案、光瞳形状、剂量或焦距中的一项或多项。
34.如方面25所述的方法,其中,选择所述数据的集合包括选择图案的集合。
35.如方面34所述的方法,还包括:使用被选择的图案训练或校准预测模型。
36.如方面25所述的方法,其中,所确定的所述一个或多个半导体器件制造过程参数包括掩模设计,并且其中,所述方法还包括:基于来自再校准的预测模型的预测结果将所述掩模设计从第一掩模设计调整为第二掩模设计。
37.如方面25所述的方法,还包括:基于所确定的所述一个或多个半导体器件制造参数确定对半导体器件制造设备的调整。
38.如方面25所述的方法,还包括:基于所确定的所述一个或多个半导体器件制造参数确定对半导体器件制造过程的调整。
39.如方面25所述的方法,其中,所述校准数据包括校准图案,所述校准图案与衬底上的图案的几何特征相关联,并且其中,所述预测数据包括预测图案,所述预测图案与所述衬底上的所述图案的被预测的几何特征相关联。
40.如方面39所述的方法,其中,选择数据包括:选择图案的集合。
41.一种计算机程序产品,包括非暂时性计算机可读介质,在所述非暂时性计算机可读介质上记录有指令,所述指令在由计算机执行时实施以上如方面1至40中任一项所述的方法。
虽然本文中所披露的概念可以用于在诸如硅晶片的衬底上的晶片制造,但是应该理解的是,所披露的概念可以供任何类型的制造***(例如,用于在除了硅晶片以外的衬底上进行制造的制造***)使用。另外,所披露的元件的组合及子组合可以包括单独的实施例。
以上描述意图是说明性的,而不是限制性的。因此,对于本领域技术人员将显而易见的是,可以在不背离下文所阐述的权利要求书的范围的情况下如所描述地进行修改。
Claims (17)
1.一种用于选择与图案化过程相关联的数据的方法,该方法包括:
使用一个或多个预测模型确定预测数据,已经利用校准数据对所述一个或多个预测模型进行校准;
基于所述预测数据确定预测不确定性参数,所述预测不确定性参数与所述预测数据的变化相关联;
基于所述预测不确定性参数选择数据的集合。
2.如权利要求1所述的方法,其中,所述数据的集合包括图案化过程数据的子集。
3.如权利要求2所述的方法,还包括使用所述校准数据以及所述图案化过程数据的被选择的子集再校准预测模型。
4.如权利要求3所述的方法,还包括:基于来自被再校准的预测模型的预测结果,确定一个或多个半导体器件制造过程参数。
5.如权利要求3所述的方法,还包括:迭代地重复确定预测数据的步骤、确定所述预测不确定性参数的步骤、选择的步骤及再校准的步骤,直至所述预测模型收敛。
6.如权利要求5所述的方法,其中,模型收敛由模型误差突破模型误差阈值水平表示,所述模型误差是参考几何形状与由所述预测模型对所述图案化过程的仿真所产生的仿真几何形状之间的差。
7.如权利要求6所述的方法,其中,所述参考几何形状是来自扫描电子显微镜的所测得的几何形状。
8.如权利要求1所述的方法,其中,所述预测不确定性参数与以下各项中的至少一项相关联:
衬底的临界尺寸的值;
与所述图案化过程的图案相关联的曲率;
在所述图案化过程中使用的强度;以及
与所述图案化过程的图案相关联的图像斜率。
9.如权利要求1所述的方法,其中,所确定的所述一个或多个半导体器件制造过程参数包括掩模设计、设计图案、光瞳形状、剂量、或焦距中的一项或多项。
10.如权利要求1所述的方法,其中,选择所述数据的集合包括选择图案的集合。
11.如权利要求10所述的方法,还包括,使用被选择的图案来训练或校准作为机器学习模型或非机器学习模型的预测模型。
12.如权利要求1所述的方法,其中,所确定的所述一个或多个半导体器件制造过程参数包括掩模设计,并且其中,所述方法还包括:基于来自被再校准的预测模型的预测结果将所述掩模设计从第一掩模设计调整为第二掩模设计。
13.如权利要求1所述的方法,还包括:基于所确定的所述一个或多个半导体器件制造参数确定对半导体器件制造设备的调整。
14.如权利要求1所述的方法,还包括:基于所确定的所述一个或多个半导体器件制造参数确定对半导体器件制造过程的调整。
15.如权利要求1所述的方法,其中,所述校准数据包括校准图案,所述校准图案与衬底上的图案的几何特征相关联,并且其中,所述预测数据包括预测图案,所述预测图案与所述衬底上的所述图案的被预测的几何特征相关联。
16.如权利要求15所述的方法,其中,选择数据包括选择图案的集合。
17.一种非暂时性计算机可读介质,在所述非暂时性计算机可读介质上记录有指令,所述指令在由计算机执行时实施根据上述权利要求1至16中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962872521P | 2019-07-10 | 2019-07-10 | |
US62/872,521 | 2019-07-10 | ||
PCT/EP2020/066446 WO2021004725A1 (en) | 2019-07-10 | 2020-06-15 | Prediction data selection for model calibration to reduce model prediction uncertainty |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114096917A CN114096917A (zh) | 2022-02-25 |
CN114096917B true CN114096917B (zh) | 2024-04-16 |
Family
ID=71138719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080048601.3A Active CN114096917B (zh) | 2019-07-10 | 2020-06-15 | 用于减小模型预测不确定性的模型校准的预测数据选择 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220276563A1 (zh) |
KR (1) | KR20220018050A (zh) |
CN (1) | CN114096917B (zh) |
TW (2) | TWI752539B (zh) |
WO (1) | WO2021004725A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240012605A (ko) * | 2021-06-10 | 2024-01-29 | 어플라이드 머티어리얼스, 인코포레이티드 | 머신 러닝을 사용한 기판 프로세스 엔드포인트 검출 |
US11901203B2 (en) | 2021-06-10 | 2024-02-13 | Applied Materials, Inc. | Substrate process endpoint detection using machine learning |
US11965798B2 (en) | 2021-06-10 | 2024-04-23 | Applied Materials, Inc. | Endpoint detection system for enhanced spectral data collection |
US20220397515A1 (en) * | 2021-06-10 | 2022-12-15 | Applied Materials, Inc. | Obtaining substrate metrology measurement values using machine learning |
KR20240063109A (ko) * | 2021-09-02 | 2024-05-09 | 에이에스엠엘 네델란즈 비.브이. | 선택된 패턴 세트를 평가하는 방법 |
US11637582B1 (en) * | 2022-02-08 | 2023-04-25 | Qualcomm Incorporated | Machine learning-based radio frequency (RF) front-end calibration |
TWI803339B (zh) * | 2022-06-07 | 2023-05-21 | 國立成功大學 | 光點陣列掃描系統及其方法 |
CN117722954B (zh) * | 2024-02-07 | 2024-04-19 | 上海强华实业股份有限公司 | 精烧产品形貌检测与尺寸分析***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738871A (zh) * | 2008-11-10 | 2010-06-16 | 睿初科技公司 | 用于光刻术模型校准的图案选择 |
CN102841510A (zh) * | 2011-06-22 | 2012-12-26 | Asml荷兰有限公司 | 用以确保源和图像稳定性的***和方法 |
US9588439B1 (en) * | 2010-12-21 | 2017-03-07 | Asml Netherlands B.V. | Information matrix creation and calibration test pattern selection based on computational lithography model parameters |
Family Cites Families (15)
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 |
JP4075966B2 (ja) | 1996-03-06 | 2008-04-16 | エーエスエムエル ネザーランズ ビー.ブイ. | 差分干渉計システム及びこのシステムを具えたリソグラフステップアンドスキャン装置 |
AU5261200A (en) * | 1999-05-20 | 2000-12-12 | Micronic Laser Systems Ab | A method for error reduction in lithography |
CN101258498B (zh) | 2005-08-08 | 2011-04-13 | Asml荷兰有限公司 | 用于形成光刻工艺的焦点曝光模型的***和方法 |
US7695876B2 (en) | 2005-08-31 | 2010-04-13 | Brion Technologies, Inc. | Method for identifying and using process window signature patterns for lithography process control |
US7617477B2 (en) | 2005-09-09 | 2009-11-10 | Brion Technologies, Inc. | Method for selecting and optimizing exposure tool using an individual mask error model |
US7694267B1 (en) | 2006-02-03 | 2010-04-06 | Brion Technologies, Inc. | Method for process window optimized 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 |
US7707538B2 (en) | 2007-06-15 | 2010-04-27 | Brion Technologies, Inc. | Multivariable solver for optical proximity correction |
US20090157630A1 (en) | 2007-10-26 | 2009-06-18 | Max Yuan | Method of extracting data and recommending and generating visual displays |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
US7765021B2 (en) * | 2008-01-16 | 2010-07-27 | International Business Machines Corporation | Method to check model accuracy during wafer patterning simulation |
NL2003699A (en) | 2008-12-18 | 2010-06-21 | Brion Tech Inc | Method and system for lithography process-window-maximixing optical proximity correction. |
KR102521159B1 (ko) * | 2014-11-25 | 2023-04-13 | 피디에프 솔루션즈, 인코포레이티드 | 반도체 제조 공정을 위한 개선된 공정 제어 기술 |
EP3379356A1 (en) * | 2017-03-23 | 2018-09-26 | ASML Netherlands B.V. | Method of modelling lithographic systems for performing predictive maintenance |
-
2020
- 2020-06-15 WO PCT/EP2020/066446 patent/WO2021004725A1/en active Application Filing
- 2020-06-15 KR KR1020227000816A patent/KR20220018050A/ko not_active Application Discontinuation
- 2020-06-15 US US17/625,125 patent/US20220276563A1/en active Pending
- 2020-06-15 CN CN202080048601.3A patent/CN114096917B/zh active Active
- 2020-06-29 TW TW109121765A patent/TWI752539B/zh active
- 2020-06-29 TW TW110148377A patent/TWI791357B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101738871A (zh) * | 2008-11-10 | 2010-06-16 | 睿初科技公司 | 用于光刻术模型校准的图案选择 |
CN102209935A (zh) * | 2008-11-10 | 2011-10-05 | Asml荷兰有限公司 | 用于光刻校准的参数敏感和正交测规设计的方法和*** |
US9588439B1 (en) * | 2010-12-21 | 2017-03-07 | Asml Netherlands B.V. | Information matrix creation and calibration test pattern selection based on computational lithography model parameters |
CN102841510A (zh) * | 2011-06-22 | 2012-12-26 | Asml荷兰有限公司 | 用以确保源和图像稳定性的***和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114096917A (zh) | 2022-02-25 |
TWI791357B (zh) | 2023-02-01 |
TWI752539B (zh) | 2022-01-11 |
WO2021004725A1 (en) | 2021-01-14 |
KR20220018050A (ko) | 2022-02-14 |
US20220276563A1 (en) | 2022-09-01 |
TW202119133A (zh) | 2021-05-16 |
TW202215166A (zh) | 2022-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI757663B (zh) | 降低於機器學習模型預測中之不確定性之方法 | |
US20230013919A1 (en) | Machine learning based inverse optical proximity correction and process model calibration | |
KR102304331B1 (ko) | 기계 학습에 의해 공정 모델들을 결정하는 방법들 | |
CN114096917B (zh) | 用于减小模型预测不确定性的模型校准的预测数据选择 | |
WO2021175570A1 (en) | Machine learning based subresolution assist feature placement | |
KR20190005986A (ko) | 변위 기반 오버레이 또는 정렬 | |
CN116057466A (zh) | 用于选择信息模式以训练机器学习模型的设备和方法 | |
TWI667553B (zh) | 判定圖案之特性之方法 | |
EP3531206A1 (en) | Systems and methods for improving resist model predictions | |
TW202307722A (zh) | 蝕刻系統、模型、及製造程序 | |
KR20210121153A (ko) | 모델 캘리브레이션을 위한 게이지 선택의 향상 | |
EP3660744A1 (en) | Method for decreasing uncertainty in machine learning model predictions | |
KR20190108609A (ko) | 공정 모델들을 조정하는 방법들 | |
TWI786658B (zh) | 像差影響系統、模型、及製造程序 | |
TWI844942B (zh) | 用於圖案選擇之非暫時性電腦可讀媒體 | |
TWI838957B (zh) | 用於判定基於蝕刻偏差方向之蝕刻功效之非暫時性電腦可讀媒體 | |
TWI839015B (zh) | 用於判定恆定寬度次解析度輔助特徵的方法、軟體、及系統 | |
CN118265950A (zh) | 模拟模型稳定性确定方法 | |
CN118235087A (zh) | 基于蚀刻偏差方向确定蚀刻效果 | |
WO2023016752A1 (en) | Match the aberration sensitivity of the metrology mark and the device pattern | |
WO2023084063A1 (en) | Generating augmented data to train machine learning models to preserve physical trends |
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 |