CN118235094A - 生成用于训练机器学习模型以保持物理趋势的增强数据 - Google Patents
生成用于训练机器学习模型以保持物理趋势的增强数据 Download PDFInfo
- Publication number
- CN118235094A CN118235094A CN202280075532.4A CN202280075532A CN118235094A CN 118235094 A CN118235094 A CN 118235094A CN 202280075532 A CN202280075532 A CN 202280075532A CN 118235094 A CN118235094 A CN 118235094A
- Authority
- CN
- China
- Prior art keywords
- data
- physical
- trend
- pattern
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 151
- 238000012549 training Methods 0.000 title abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 342
- 238000000059 patterning Methods 0.000 claims abstract description 278
- 230000008569 process Effects 0.000 claims abstract description 271
- 238000003384 imaging method Methods 0.000 claims abstract description 135
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims description 271
- 239000000758 substrate Substances 0.000 claims description 139
- 230000006870 function Effects 0.000 claims description 68
- 238000013461 design Methods 0.000 claims description 60
- 230000003416 augmentation Effects 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 26
- 230000006399 behavior Effects 0.000 claims description 23
- 239000004065 semiconductor Substances 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 description 66
- 230000003287 optical effect Effects 0.000 description 40
- 238000005286 illumination Methods 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 30
- 239000010410 layer Substances 0.000 description 27
- 238000005530 etching Methods 0.000 description 26
- 235000012431 wafers Nutrition 0.000 description 22
- 238000004891 communication Methods 0.000 description 16
- 238000005457 optimization Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 14
- 238000000206 photolithography Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 10
- 238000004088 simulation Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 8
- 238000001459 lithography Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 239000000356 contaminant Substances 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 210000001747 pupil Anatomy 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 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
- 238000011156 evaluation Methods 0.000 description 3
- 239000012634 fragment Substances 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
- 238000007493 shaping process Methods 0.000 description 3
- 230000003068 static 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
- 238000003491 array Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000007726 management method Methods 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
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012546 transfer Methods 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
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000003050 axon Anatomy 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
- 238000004590 computer program 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
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method 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
- 150000002500 ions Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 210000003061 neural cell Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 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
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001629 suppression Effects 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
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
机器学习模型可以被训练为预测与由图案化过程产生的晶片上的图案中的变化相关的成像特性。然而,由于用于训练的有限晶片数据提供的图案覆盖率较低,机器学习模型倾向于过度拟合,并且来自机器学习模型的预测结果会偏离表征晶片上的图案和/或与图案变化相关的图案化过程的物理趋势。为了提高图案覆盖率,用符合特定预期物理趋势的图案数据来增强训练数据,并应用于未被先前测量的晶片数据覆盖的新图案。
Description
相关申请的交叉引用
本申请要求于2021年11月15日提交的US申请63/279,263的优先权和2022年10月27日提交的US申请63/420,044的优先权,这些申请通过引用整体并入本文。
技术领域
本公开总体上涉及与计算光刻相关联的机器学习模型。
背景技术
光刻投影设备可以用在例如集成电路(IC)的制造中。图案形成装置(例如,掩模)可以包含或提供与IC的单层(“设计布局”)相对应的图案,并且可以通过诸如通过图案形成装置上的图案照射目标部分的方法,将该图案转印到已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如,硅晶片)上的目标部分(例如,包括一个或多个管芯)上。通常,单个衬底包含多个相邻的目标部分,光刻投影设备每次一个目标部分地将图案连续地转印到目标部分。在一种类型的光刻投影设备中,整个图案形成装置上的图案被在一个操作中转印到一个目标部分上。这种设备通常被称为步进器。在可选设备(通常称为步进扫描设备)中,投影光束在给定的参考方向(“扫描”方向)上在图案形成装置上扫描,同时使衬底平行或反平行于该参考方向移动。图案形成装置上的图案的不同部分被逐渐转印到一个目标部分。通常,由于光刻投影设备将具有减速比M(例如4),因此衬底移动的速度F将是投影束扫描图案形成装置的速度的1/M倍。关于光刻装置的更多信息可以在例如US6,046,792中找到,其通过引用并入本文。
在将图案从图案形成装置转印到衬底之前,所述衬底可以进行各种过程,诸如涂底漆、抗蚀剂涂覆和软烘烤。在曝光之后,衬底可以进行其他过程(“曝光后过程”),诸如曝光后烘烤(PEB)、显影、硬烘烤、以及所转印图案的测量/检查。这一系列过程被用作制备例如IC的装置的单独层的基础。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,所有这些过程都旨在完成器件的各个层。如果在装置中需要若干层,则针对每个层重复整个过程或其变型。最终,器件将存在于衬底上的每个目标部分中。然后,通过诸如切割或锯切的技术使这些器件彼此分离,以便可以将单独的器件装配在载体上、连接到引脚等。
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和多个层。这种层和特征通常使用例如沉积、光刻、蚀刻、化学机械抛光和离子注入来制造和处理。可在衬底上的多个芯片上制造多个器件,并且然后分离成单个器件。这种器件制造过程可以视为图案化过程。图案化过程涉及诸如在光刻设备中使用图案形成装置的光学和/或纳米压印光刻的图案化步骤,以将图案形成装置上的图案转印至衬底,并且通常但可选地涉及一个或多个相关的图案处理步骤,诸如通过显影设备的抗蚀剂显影、使用烘烤工具烘烤衬底、使用蚀刻设备对图案进行蚀刻等。
光刻是制造诸如IC的器件的中心步骤,其中在衬底上形成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、微电子机械***(MEMS)和其他器件。
随着半导体制造过程的不断进步,功能元件的尺寸不断减小。同时,每个器件的功能元件(诸如晶体管)的数量一直稳步增加,这遵循了通常称为“摩尔定律”的趋势。在当前的技术状态下,使用光刻投影装置来制造器件的层,所述光刻投影装置使用来自深紫外照射源的照射将设计布局投影到衬底上,从而产生具有远低于100nm(即,小于来自照射源(例如193nm的照射源)的辐射的波长的一半)的尺寸的单个功能元件。
印制具有比光刻投影设备的经典分辨率极限更小的尺寸的特征的过程通常称为低k1光刻术,根据分辨率公式CD=k1×λ/NA,其中λ是所采用的辐射的波长(目前大多数情况为248nm或193nm),NA是光刻投影设备中投影光学元件的数值孔径,CD是“临界尺寸”(通常是印制的最小特征大小)并且k1是经验分辨率因子。通常,k1越小,则在衬底上再现类似于由电路设计者所规划的形状和尺寸以便实现特定电学功能和性能的图案就变得越困难。为了克服这些困难,可以将复杂的精调谐步骤应用到光刻投影设备、设计布局或图案形成装置。这些步骤包括例如但不限于:NA的优化和光学相干设置、自限定照射方案、使用相移图案形成装置、设计布局中的光学邻近校正(OPC,有时也称为“光学和过程校正”)、源掩模优化(SMO)、或通常被限定为“分辨率增强技术”(RET)的其它方法。
发明内容
机器学习模型可以被训练为预测与由图案化过程产生的晶片上的图案中的变化相关的成像特性。然而,由于用于训练的有限晶片数据提供的图案覆盖率较低,机器学习模型倾向于过度拟合,并且来自机器学习模型的预测结果会偏离表征与图案变化相关的图案化过程的物理趋势。根据本公开的实施例,为了提高图案覆盖率,用符合特定预期物理趋势的图案数据来增强训练数据,并应用于未被先前测量的晶片数据覆盖的新图案。
根据一实施例,提供了一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上具有指令,所述指令当被计算机执行时使得所述计算机执行方法。所述方法包括:获得或以其他方式确定一个或多个成像特性相对于由图案化过程产生的衬底上的图案变化的物理趋势。在一些实施例中,所述物理趋势与图案设计变化和/或图案化过程变化相关联。所述物理趋势基于第一图案集的第一数据和/或所述图案化过程获得或确定。在一些实施例中,所述第一数据包括:所述衬底上的图案的先前确定的测量结果,和/或指示由所述图案化过程产生的所述衬底上的图案的物理行为的信息。所述方法包括:基于所述物理趋势生成增强数据。所述增强数据相对于所述先前确定的测量结果和/或所述指示所述衬底上的图案的物理行为的信息是新的,但仍然符合所述物理趋势。所述增强数据包括:符合所述物理趋势且基于所述第一数据导出的第二数据。所述增强数据被导出用于第二图案集,所述第二图案集不同于所述第一图案集。所述增强数据被配置为作为输入提供给机器学习模型,以训练所述机器学习模型根据所述物理趋势预测所述一个或多个成像特性。
在一些实施例中,所述增强数据作为输入提供给所述机器学习模型,以训练所述机器学习模型符合根据所述物理趋势对所述一个或多个成像特性的预测。
在一些实施例中,所述方法还包括:将所述增强数据提供给所述机器学习模型,以训练所述机器学模型根据所述物理趋势预测所述一个或多个成像特性。
在一些实施例中,所述一个或多个成像特性包括:临界尺寸、边缘位置、曲率、节距、对称性或旋转。
在一些实施例中,所述图案化过程包括光刻过程和/或蚀刻过程。
在一些实施例中,生成所述增强数据是基于包括在所述第一数据中的一个或多个成像特性的测量结果。所述第一数据包括至少部分地限定所述物理趋势的针对所述第一图案集和/或所述图案化过程的先前确定的数据。
在一些实施例中,生成所述增强数据包括:在给定成像特性的测量结果之间进行数学插值,以确定所述给定成像特性的附加测量结果。
在一些实施例中,生成所述增强数据包括:使用所述测量结果校准与所述物理趋势相关联的物理模型,以及使用经校准的物理模型预测符合所述物理趋势的附加测量结果。
在一些实施例中,所述物理模型包括多维算法,所述多维算法具有共同模拟所述物理趋势和/或所述图案化过程的项。
在一些实施例中,生成所述增强数据还包括:使用所述测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并且使用所述物理模型和所述残差模型生成所述增强数据。所述残差模型包括通过将来自所述物理模型的预测结果中的误差拟合到所述测量结果而被校准的纯数学模型。
在一些实施例中,生成所述增强数据是基于所述测量结果和由所述图案化过程产生的所述图案中的对称性。
在一些实施例中,生成所述增强数据包括:基于来自经训练的物理模型的输出确定所述物理趋势。所述趋势可以由所述物理模型预测的成像特性的值之间的相对关系描述,而不是由所述成像特性本身的绝对值描述。
在一些实施例中,所述物理趋势包括:对称趋势、取向趋势、聚焦趋势、剂量趋势、贯通节距趋势、线性趋势和/或贯通临界尺寸趋势。
在一些实施例中,所述机器学习模型被训练为基于损失函数根据所述物理趋势预测所述一个或多个成像特性,所述损失函数被配置为使所述机器学模型拟合由所述物理模型预测的成像特性的值之间的相对关系,而不是拟合所述成像特性本身的绝对值。
在一些实施例中,所述物理趋势是基于所述衬底上的先前图案变化和/或先前图案化过程变化而获得或以其他方式确定。
在一些实施例中,来自所述机器学习模型的输出被配置为被提供给成本函数,以便于确定与各个图案化过程变化相关联的成本。
在一些实施例中,所述第一数据包括由第一图案化过程产生的第一衬底上的第一图案或图案集的先前确定的测量结果。通过(1)提取和/或分类与所述物理趋势相关联的所述第一衬底上的所述第一图案或图案集的测量结果,和/或(2)将物理模型拟合到所述第一图案或图案集的测量结果来确定和/或以其他方式获得所述物理趋势。
在一些实施例中,所述第一图案化过程包括:具有与第二图案化过程相似且可比较的过程条件的一个或多个半导体制造图案化过程。
在一些实施例中,所述第二图案化过程包括:被模拟和/或被构建模型的目标图案化过程。
在一些实施例中,所述增强数据包括基于所述物理趋势生成的和/或由所述物理模型生成的新数据,和/或包括来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集。
在一些实施例中,所述增强数据能够与来自由所述第二图案化过程产生的第二衬底上的第二图案或图案集的第二测量结果相结合。
在一些实施例中,在所述第一图案化过程和所述第二图案化过程相似时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与先前掩模相关联的数据。
在一些实施例中,在相对于所述第一图案化过程调整所述第二图案化过程时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与当前掩模上的不同位置相关联的数据。
在一些实施例中,如果不使用所述增强数据,则与所述第二测量结果的数量相比,所述第二数据包括较少的第二测量结果,所述第二测量结果来自由所述第二图案化过程产生的所述第二衬底上的所述第二图案,所述较少的第二测量结果能够与基于所述物理趋势生成的和/或由所述物理模型生成的新数据、和/或根据所述第一数据先前确定的测量结果的符合所述物理趋势的子集相结合。
在一些实施例中,相对于由所述第一图案化过程产生的所述第一衬底上的所述第一图案的先前确定的测量结果,所述增强数据的总量具有相同或增加的数据密度。
在一些实施例中,所述增强数据与归一化的基于标准偏差的损失函数相关联。
在一些实施例中,所述增强数据、所述第二测量数据和/或所述归一化的基于标准偏差的损失函数用于训练所述机器学习模型。
在一些实施例中,所述归一化的基于标准偏差的损失函数基于与所述物理趋势相关联的第一数据中的所有临界尺寸的范围而被归一化。
根据另一实施例,提供了一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上具有指令,所述指令当被计算机执行时使所述计算机用增强训练数据训练机器学习模型,所述增强训练数据基于与晶片上的图案集和/或由光刻过程产生的过程变化相关联的物理趋势而被确定,所述增强训练数据被配置为提高机器学习模型的相对于与先前模型相关的物理趋势的预测准确性。所述指令引起操作,所述操作包括:确定与由光刻过程产生的晶片上的图案集中的变化相关的一个或多个成像特性的物理趋势,所述物理趋势基于第一图案集的第一数据和/或所述光刻过程获得或以其他方式确定;基于所述物理趋势生成所述增强训练数据,所述增强训练数据包括符合所述物理趋势且基于所述第一数据导出的第二数据,所述增强训练数据被导出用于第二图案集,所述第二图案集不同于所述第一图案集;以及将所述增强训练数据作为输入提供给机器学习模型,以训练所述机器学习模型根据所述物理趋势预测所述一个或多个成像特性。
在一些实施例中,所述一个或多个成像特性包括:临界尺寸、边缘位置、曲率、节距、对称性或旋转。
在一些实施例中,生成所述增强训练数据是基于包括在所述第一数据中的成像特性的测量结果。在一些实施例中,生成所述增强训练数据包括在给定成像特性的测量结果之间进行数学插值,以确定所述给定成像特性的附加测量结果。在一些实施例中,生成所述增强训练数据包括:使用所述测量结果校准与所述物理趋势相关联的物理模型,以及使用经校准的物理模型预测附加测量结果。在一些实施例中,生成所述增强训练数据包括使用所述测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并且使用所述物理模型和所述残差模型生成所述增强训练数据(所述残差模型包括通过将来自所述物理模型的预测结果中的误差拟合到所述测量结果而被校准的纯数学模型)。在一些实施例中,生成所述增强训练数据是基于所述测量结果和由所述光刻过程产生的所述图案中的对称性。
在一些实施例中,生成所述增强训练数据包括基于来自经训练的物理模型的输出确定所述物理趋势,所述趋势由所述物理模型预测的成像特性的值之间的相对关系描述,而不是由所述成像特性本身的绝对值描述。
根据另一实施例,提供了一种用于生成增强数据的方法,所述方法包括上述操作中的一个或多个操作。
根据另一实施例,提供了一种用于生成增强数据的***。所述***包括一个或多个硬件处理器,所述一个或多个硬件处理器被机器可读指令配置为执行上述操作中的一个或多个操作。
附图说明
包含在说明书中并构成说明书的一部分的附图说明了一个或多个实施例,并与说明书一起解释了这些实施例。现在将仅通过示例的方式参考附图描述本发明的实施例,其中对应的附图标记指示对应的部件,并且其中:
图1示出了根据本公开的实施例的光刻投影设备的各种子***的框图。
图2示出了根据本公开的实施例的用于在光刻投影设备中模拟光刻的示例性方法的流程图。
图3示出了根据本公开的实施例的生成增强数据的示例性方法。
图4示出了根据本公开的实施例的用于增强机器学习模型的训练的数据。
图5示出了根据本公开的实施例的通过在给定成像特性的测量结果之间进行数学插值以确定给定成像特征的附加的(插值的)测量数据点(例如,增强训练数据)来生成增强数据。
图6示出了根据本公开的实施例的通过使用先前测量结果校准与物理趋势相关联的物理模型,并使用经校准的物理模型来预测符合物理趋势的附加测量结果来生成增强数据。
图7示出了根据本公开的实施例的通过使用先前测量结果校准残差模型,并使用物理模型和残差模型生成增强数据来生成增强数据,所述残差模型被配置为补偿所预测的附加测量结果中的误差。
图8示出了根据本公开的实施例的生成基于先前测量结果和图案中的对称轴而确定的增强数据。
图9示出了根据本公开的实施例的提供指示聚焦趋势和/或剂量趋势的第一数据的聚焦/剂量矩阵。
图10示出了根据本公开的实施例的贯通散焦数据增强。
图11示出了根据本公开的实施例的相较于来自遵循类似趋势的机器学习模型的所预测的成像特性测量结果、由物理模型预测的成像特性(在该示例中为临界尺寸)测量结果限定的物理趋势。
图12(类似于图4)示出了根据本公开的实施例的用于增强先前确定的在实际衬底上进行的成像特性测量结果的数据,所述成像特性测量结果用于训练机器学习模型(例如,在该示例中为包括多层的神经网络)。
图13是根据本公开的实施例的示例计算机***的框图。
图14是根据本公开的实施例的光刻投影设备的示意图。
图15是根据本公开的实施例的另一光刻投影设备的示意图。
图16是根据本公开的实施例的光刻投影设备的详细视图。
图17是根据本公开的实施例的光刻投影设备的源收集器模块的详细视图。
具体实施方式
如上所述,机器学习模型可以被训练为预测与由图案化过程产生的晶片上的图案变化相关的成像特性。然而,由于用于训练的有限晶片数据提供的图案覆盖率较低,机器学习模型倾向于过度拟合,并且来自机器学习模型的预测结果会偏离表征与图案变化相关的图案化过程的物理趋势。例如,基于神经网络的机器学习模型具有将预测结果准确地拟合到训练数据的强大能力,但也容易过度拟合(例如,对于落在训练数据点之间或落在训练数据点之外的预测结果的过度拟合)。换言之,基于神经网络的机器学习模型可以非常好地拟合已知数据,但对于新数据,来自该模型的预测结果的准确度可能较差(例如,由于过度拟合所导致)。
基于神经网络的机器学习模型通常需要大量数据进行模型训练,以提高预测准确度(例如,减少模型可能看到的可能的新数据的量,并降低过度拟合的可能性)。然而,由于图案化过程和/或量测资源限制,和/或由于其他原因,通常仅有相对较少的特定成像特性的变化(例如,临界尺寸、节距等)可以被收集并用于模型训练。通过提供大量的图案化过程和量测资源来增加图案覆盖率通常是昂贵得难以承受的。
作为半导体制造中的实际示例,对于一维贯通节距图案,在临界尺寸(下文描述为CD)保持恒定而节距变化的情况下,蚀刻偏置被预期具有平滑趋势,从而反映材料负载的逐渐变化。然而,在该示例中,仅相对较少的数据点能够被测量并被提供给基于神经网络的机器学***滑趋势的方式在训练数据点之间波动或以其他方式变化)。除了其他缺点之外,这可能导致较差的模型预测结果以及基于模型的不准确的过程调整和/或其他应用。
根据本公开中描述的实施例,为了增强图案覆盖率,通过基于特定预期物理趋势(例如,上述示例中的所预期的平滑蚀刻偏置趋势)创建新图案的合成增强数据来增强训练数据,其中新图案未被先前测量的晶片数据覆盖。与由图案化过程产生的衬底上的图案变化相关的一个或多个成像特性的物理趋势,被获得或以其他方式确定。例如,物理趋势可以与图案设计变化和/或图案化过程变化相关联。基于第一图案集和/或图案化过程的数据确定物理趋势。该数据可以是先前确定的衬底上的图案的测量结果、指示由图案化过程产生的衬底上的图案的物理行为的信息(例如,工程师已经知道的过程知识)、和/或其他数据。
合成增强数据是从第一图案集的数据中导出并且符合物理趋势。例如,增强数据可以包括未被覆盖在先前确定的测量结果和/或指示在衬底上的图案的物理行为的信息中的,但仍然符合物理趋势的数据。在一些实施例中,该(第一)数据(例如,先前确定的测量结果和/或指示衬底上的图案的物理行为的信息)可以包括实际测量结果(例如,测量值),但是另外地或替代地,也可以是由物理模型生成的信息,或甚至是用户简单获知的趋势信息。导出不同于第一图案集的第二图案集的增强数据。增强数据可以作为输入而被提供给机器学习模型以训练机器学习模型(例如,与第一数据一起)根据物理趋势预测一个或多个成像特性。除了其他优点之外,这可以显著提高机器学习模型的预测准确度(例如,通过减少过度拟合),而不会产生额外的量测和/或其他处理成本。
作为另一实际示例,在图案化过程的显影周期的每次调谐迭代中,新的量测数据被重新收集并且通常必须具有充分的图案覆盖率来训练机器学习模型并减少模型过度拟合。这需要大量的资源并会造成流程显影的瓶颈。因为模型训练目标的目的是降低绝对模型误差,所以来自先前迭代和类似调谐过程的数据不能被简单地添加到当前模型训练数据中,由于图案维度可能略有不同,并且如果用作训练数据,则可能会对模型性能产生负面影响。
根据本公开中描述的实施例,从类似的调谐过程中收集的数据被用于增强任何其他可用的训练数据,并提高图案覆盖率和正则化机器学习模型,而不会产生额外的量测和处理成本。例如,来自同一衬底层的图案化过程可能在不同的过程调谐迭代之间是相似的。然而,来自每次迭代的量测数据不能被直接添加到任何其他可用的模型训练数据中,并且不能与从当前过程中收集的数据相同地处理(如上所述)。相反,确定来自调谐过程的物理趋势,并且将符合这些物理趋势的可用的或新生成的数据用作训练数据。例如,调谐图案化过程可能会导致图案临界尺寸的较小变化,所以来自给定调谐迭代的绝对量测值可能不被直接用于训练数据。然而,调谐过程的总体物理趋势可能与当前图案化过程中的相同。因此,代替使用绝对模型误差作为训练目的,机器学习模型可以被训练为遵循来自类似过程的数据的物理趋势。用于训练的增强数据可以包括基于物理趋势生成的和/或由物理模型生成的新数据,和/或来自先前图案化过程调谐步骤的先前确定的测量结果的符合物理趋势的子集。例如,该增强数据能够与来自当图案化过程所产生的当前衬底上的当前的图案或图案集的附加测量结果相结合。
参考附图详细描述本公开的实施例,附图被提供为本公开的说明性示例,以使本领域技术人员能够实践本公开。注意的是,下面的附图和示例并不意味着将本公开的范围限制于单个实施例,而是通过交换所描述或示出的元件中的一些或全部,其他实施例也是可能的。此外,在可以使用已知部件部分地或完全地实现本公开的某些元件的情况下,将仅描述理解本公开所必需的这些已知部件的那些部分,并且将省略对这些已知部件其他部分的详细描述,以便不模糊本公开。实施例被描述为以软件实施,但是实施例不应限于此,而是可以包括以硬件或软件和硬件的组合实现的实施方式,反之亦然,这对于本领域技术人员来说是显而易见的,除非本文中另有说明。在本说明书中,示出单个部件的实施例不应被认为是限制性的;相反,本公开旨在涵盖包括多个相同部件的其他实施例,反之亦然,除非本文中另有明确地说明。此外,申请人不旨在将说明书或权利要求书中的任何术语赋予不寻常或特殊的含义,除非明确地进行了这种说明。此外,本公开涵盖与本文中通过说明的方式提及的已知部件等同的现有和未来已知部件。
尽管在本文中可以具体参考IC的制造,但是应当明确理解,本文的描述具有许多其他可能的应用。例如,其他可能的应用可以用于制造集成光学***、用于磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。所属领域的技术人员将理解的是,在此类替代应用的上下文中,本文中的术语“掩模版”、“晶片”或“管芯”的任何使用应当被视为可以分别与更上位术语“掩模”、“衬底”和“目标部分”互换。
在本文档中,术语“辐射”和“束”被用于涵盖全部类型的电磁辐射,包括紫外辐射(例如具有365nm、248nm、193nm、157nm或126nm的波长)和EUV(极紫外辐射,例如具有在约5-100nm的范围内的波长)。
本文中使用的术语“投影光学器件”应该广义地解释为包括各种类型的光学***,例如包括折射光学器件、反射光学器件、孔和折反射光学器件。术语“投影光学器件”还可以包括根据用于共同地或单独地引导、整形或控制投影辐射束的这些设计类型中的任何一种操作的部件。术语“投影光学器件”可以包括光刻投影设备中的任何光学部件,无论光学部件位于光刻投影设备的光路上的何处。投影光学器件可以包括用于在来自源的辐射穿过(例如半导体)图案形成装置之前整形、调整和/或投影所述辐射的光学部件,和/或用于在来自源的辐射穿过图案形成装置之后整形、调整和/或投影所述辐射的光学部件。投影光学器件通常不包括源和图案形成装置。
(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图案。可以基于图案或设计布局利用CAD(计算机辅助设计)程序来生成图案,该过程通常被称为EDA(电子设计自动化)。大多数CAD程序遵循预定设计规则集合,以便创建功能设计布局/图案形成装置。通过处理和设计限制来设置这些规则。例如,设计规则定义了器件(诸如栅极、电容器等)之间的空间容差或互连线,以便确保器件或线不以不期望的方式彼此相互作用。设计规则可以包括和/或指定特定参数、参数的限制和/或范围、和/或其他信息。可以将设计规则限制和/或参数中的一个或多个称为“临界尺寸”(CD)。器件的临界尺寸可以被定义为线或孔的最小宽度,或者两条线或两个孔之间的最小间距,或者其他特征。因此,CD决定了所设计器件的整体尺寸和密度。当然,器件制造中的目标之一在于(经由图案形成装置)在衬底上如实地再现原始设计意图。
如本文中所采用的术语“掩模”或“图案形成装置”可以被广义地解释为指代可以用于将经图案化的横截面赋予入射辐射束的通用图案形成装置,所述经图案化的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”也可以用于这种情境中。除了经典掩模(透射式或反射式掩模;二元式掩模、相移式掩模、混合式掩模等)以外,其它这些图案形成装置的示例包括可编程反射镜阵列和可编程LCD阵列。
可编程反射镜阵列的示例可以是具有粘弹性控制层和反射表面的矩阵可寻址表面。这种设备背后的基本原理是,(例如)反射表面的寻址区域将入射辐射反射为衍射辐射,而未寻址区域将入射辐射反射为未衍射辐射。通过使用合适的滤光器,可以从反射束中滤除所述未衍射辐射,仅保留衍射辐射;以这种方式,根据矩阵可寻址表面的寻址图案来图案化束。所需的矩阵寻址可以使用合适的电子装置执行。可编程LCD阵列的示例在美国专利No.5,229,872中给出,该专利通过引用并入本文。
如本文中所使用的,术语“图案化过程”通常是指通过施加具有特定图案的光作为光刻过程的一部分来产生经蚀刻的衬底的过程。然而,“图案化过程”还可以包括(例如,等离子体)蚀刻,因为本文描述的许多特征可以为使用蚀刻(例如,等离子体)处理形成印制图案提供益处。
如本文中所使用的,术语“图案”意指待被蚀刻在衬底(例如,晶片)上的理想化图案-例如,基于上述的设计布局而待被蚀刻在衬底(例如,晶片)上的理想化图案。例如,图案可以包括各种(多个)形状、特征的(多个)布置、(多个)轮廓等。
如本文中所使用的,“印制图案”意指基于目标图案而被蚀刻在衬底上的物理图案。例如,印制图案可以包括槽、通道、凹陷、边缘或由光刻过程产生的其他二维和三维特征。
如本文所使用的,术语“机器学习模型”、“预测模型”、“过程模型”、“电子模型”和/或“模拟模型”(它们可以互换使用)意指包括模拟图案化过程的一个或多个模型的模型。例如,模型可以包括光学模型(例如,对用于在光刻过程中递送光的透镜***/投影***进行建模,并且可以包括对到达光致抗蚀剂上的光的最终光学图像进行建模)、抗蚀剂模型(例如,对抗蚀剂的物理效应(诸如由于光引起的化学效应)建模)、OPC模型(例如,可以用于制作目标图案并且可以包括亚分辨率抗蚀剂特征(SRAF)等)、蚀刻(或蚀刻偏置)模型(例如,模拟蚀刻过程对所印制的晶片图案的物理影响的模型)、源掩模优化(SMO)模型、和/或其他模型。
如本文所使用的,术语“校准”意指修改(例如改进或调整)和/或验证某些事物(诸如模型)。
图案化***可以是包括以上描述的任何或所有部件以及被配置成执行与这些部件相关联的任何或全部操作的其他部件的***。例如,图案化***可以包括光刻投影设备、扫描器、被配置为施加和/或去除抗蚀剂的***、蚀刻***、和/或其他***。
作为介绍,图1示出了示例性光刻投影设备10A的各种子***的示图。主部件是辐射源12A,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(然而,光刻投影设备本身不需要具有辐射源);照射光学器件,所述照射光学器件例如限定部分相干性(表示为西格马或σ),并且可以包括对来自源12A的辐射进行整形的光学部件14A、16Aa和16Ab;图案形成装置18A;以及透射式光学器件16Ac,其将图案形成装置图案的图像投影到衬底平面22A上。在投影光学器件的光瞳平面处的可调整滤光器或孔20A可以限制入射到衬底平面22A上的束的角度范围,其中最大可能的角度限定投影光学器件的数值孔径NA=nsin(Θmax),其中n是衬底与投影光学器件的最后元件之间的介质的折射率,并且Θmax是从投影光学器件出射的仍可以入射到衬底平面22A上的束的最大角度。
在光刻投影设备中,源向图案形成装置提供照射(即辐照),并且投影光学器件经由图案形成装置整形照射并且引导到衬底上。投影光学器件可以包括部件14A、16Aa、16Ab和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。可以使用抗蚀剂模型根据空间图像计算抗蚀剂图像,其示例可以在美国专利申请公开No.US2009-0157630中找到,其公开内容通过引用整体并入本文。抗蚀剂模型与抗蚀剂层的性质(例如,在曝光、曝光后烘烤(PEB)和显影期间发生的化学过程的影响)相关。光刻投影设备的光学性质(例如,照射、图案形成装置和投影光学器件的性质)决定了空间图像,并且可以在光学模型中定义。由于可以改变光刻投影设备中使用的图案形成装置,因此期望将图案形成装置的光学性质与光刻投影设备的其余部分的光学性质分开,所述光刻投影设备的其余部分至少包括源和投影光学器件。用于将设计布局转换成各种光刻图像(例如空间图像、抗蚀剂图像等)的技术和模型的细节、使用这些技术和模型应用OPC并且评估性能(例如在过程窗口方面)被描述在美国专利申请公开No.US2008-0301620、US2007-0050749、US2007-0031745、US2008-0309897、US2010-0162197和US2010-0180251中,它们每个的公开内容通过引用整体并入本文。
可以期望使用一个或多个工具来产生例如可以用于设计、控制、监视等图案化过程的结果。可以提供在以计算方式控制、设计等图案化过程的一个或多个方面,诸如,用于图案形成装置的图案设计(包括例如添加亚分辨率辅助特征或光学邻近校正)、对图案形成装置的照射等中使用)的一个或多个工具。因此,在计算控制、设计等涉及图案化的制造过程的***中,制造***部件和/或过程可以通过各种功能模块和/或模型来描述。在一些实施例中,可以提供一个或多个电子(例如数学、参数化、机器学习、物理等)模型,其描述图案化过程的一个或多个步骤和/或设备。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模拟,以模拟图案化过程如何使用由图案形成装置提供的图案来形成图案化衬底。
在光刻投影设备中模拟光刻的示例性流程图示出在图2中。照射模型231表示照射的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型232表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布和/或相位分布的变化)。设计布局模型235表示设计布局的光学特性(包括由给定设计布局引起的辐射强度分布和/或相位分布的变化),其表示图案形成装置上或由图案形成装置形成的特征的布置。可以使用照射模型231、投影光学器件模型232和设计布局模型235模拟空间图像236。可以使用抗蚀剂模型237根据空间图像236模拟抗蚀剂图像238。例如,对光刻的模拟可以预测抗蚀剂图像中的轮廓和/或CD。
更具体地,照射模型231可以表示照射的光学特性,其包括但不限于NA-西格马(σ)设置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)。投影光学器件模型232可以表示投影光学器件的光学特性,例如包括像差、失真、折射率、物理尺寸或维度等。设计布局模型235还可以表示实体图案形成装置的一个或多个物理特性,例如如美国专利No.7,587,704中所描述的,该专利通过引用整体并入本文。与光刻投影设备相关联的光学特性(例如,照射、图案形成装置和投影光学器件的特性)决定了空间图像。由于光刻投影设备中使用的图案形成装置可以被改变,因此期望将图案形成装置的光学特性与光刻投影设备的其余部分(至少包括照射和投影光学器件(因此包括设计布局模型235))的光学特性分开。
抗蚀剂模型237可以用于根据空间图像计算抗蚀剂图像,其示例可以在美国专利No.8,200,468中找到,该专利通过引用整体并入本文。抗蚀剂模型通常与抗蚀剂层的特性(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果)相关。
全模拟的目的之一是准确地预测例如边缘放置、空间图像强度斜率、和/或CD,然后可以将其与预期设计进行比较。预期设计通常被定义为预OPC设计布局,所述预OPC设计(或图案)布局可以以诸如GDS、GDSII或OASIS的标准化数字文件格式或其他文件格式提供。
根据此设计(图案)布局,可以识别一个或多个部分,这被称为“片段”。在实施例中,提取片段集,这表示设计(图案)布局中的复杂图案(通常数百个或数千个片段,但是可以使用任何数量的片段)。如本领域技术人员将理解的是,这些片段表示设计的小部分(例如电路、单元等),并且可以表示需要特定关注和/或验证的小部分。换言之,片段可以是设计(图案)布局的部分,或者可以类似于设计布局的部分或具有设计(图案)布局的部分的类似行为,其中通过经验(包括由客户提供的片段)、试错法、或者运行全芯片模拟,来识别关键特征。片段可以包含一个或多个测试图案或量规图案。客户可以基于需要进行特定图像优化的设计(图案)布局中的已知关键特征区域预先提供较大的初始片段集。替代地,在另一实施例中,可以通过使用识别关键特征区域的自动(诸如机器视觉)或手动算法从整个设计(图案)布局中提取较大的初始片段集。
基于片段(和/或其他信息),模拟和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,执行光学邻近校正)、照射的一个或多个特征(例如,改变照射的空间/角度强度分布的一个或多个特性,诸如改变形状),和/或投影光学器件的一个或多个特征(例如数值孔径等)。这种配置通常可以分别称为掩模优化、源优化和投影优化。这些优化可以它们自己单独执行,或者以不同的组合而被组合执行。一个这样的示例是源掩模优化(SMO),其涉及将图案形成装置图案的一个或多个特征与照射的一个或多个特征一起配置。优化技术可以集中于一个或多个片段。
可以应用类似的建模技术以优化例如蚀刻过程和/或其他过程。在一些实施例中,例如,照射模型231、投影光学器件模型232、设计布局模型235、抗蚀剂模型237和/或其他模型可以与蚀刻模型结合使用。例如,来自显影后检查(ADI)模型(例如,被包括为设计布局模型235、抗蚀剂模型237和/或其他模型中的一些和/或全部)的输出可以被用于确定ADI轮廓,所述ADI轮廓可以被提供给有效蚀刻偏置(EEB)模型以生成预测的蚀刻后检查(AEI)轮廓。
在一些实施例中,***的优化过程可以表示为成本函数。优化过程可以包括找到使成本函数最小化的***的参数集(设计变量、过程变量等)。根据优化的目标,成本函数可以具有任何合适的形式。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”应广义地解释为包括***或制造方法的任何特性。由于***和/或方法的实施的实用性,因此***的设计和/或过程变量可以被约束在有限范围内和/或相互依赖。在光刻投影设备的情况下,所述约束通常与硬件的物理性质和特性(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。例如,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,一个或多个蚀刻参数、剂量和聚焦等)。
在蚀刻***中,作为示例,成本函数(CF)可以表示为
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,如果特定边缘具有窄范围的允许位置,则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可以被给定较高值。fp(z1,z2,…,zN)也可以是层间特性的函数,所述层间特性又是设计变量(z1,z2,…,zN)的函数。当然,CF(z1,z2,…,zN)不限于上述方程的形式,并且CF(z1,z2,…,zN)可以是任何其他合适的形式。
成本函数可以表示蚀刻***、蚀刻过程、光刻设备、光刻过程或衬底的任何一个或多个合适的特性,例如聚焦、CD、图像偏移、图像失真、图像旋转、随机变化、产量、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)可以简单地是在例如蚀刻过程和/或一些其他过程之后的抗蚀剂图像中的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,诸如蚀刻***、源、图案形成装置、投影光学器件、剂量、聚焦等的可调整参数。
参数(例如设计变量)可以具有约束,其可以表示为(z1,z2,…,zN)∈Z,其中Z是设计变量的一组可能值。对设计变量的一个可能的约束可以由光刻投影设备的期望产出施加。如果没有期望产出所施加的这种约束,优化可能会产生一组不现实的设计变量值。不应将约束解释为必要条件。
在一些实施例中,照射模型231、投影光学器件模型232、设计布局模型235、抗蚀剂模型237、蚀刻模型和/或与集成电路制造过程相关联和/或包括在集成电路制造过程中的其他模型可以是经验模型和/或其他模拟模型。经验模型可以基于各种输入之间的相关性(例如,图案的一个或多个特性、图案形成装置的一个或多个特性、光刻过程中使用的照射的一个或多个特性(诸如波长)等)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/或包括数学方程、算法、绘图、图表、网络(例如神经网络)、和/或其他工具和机器学习模型部件。例如,机器学习模型可以是和/或包括具有输入层、输出层和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,在输入层和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大量神经单元(或人工神经元)。一个或多个神经网络可以松散地模拟生物大脑的工作方式(例如,通过由轴突连接的大的生物神经元簇)。神经网络的每个神经单元可以与神经网络的许多其他神经单元连接。这种连接可以加强或抑制它们对所连接的神经单元的激活状态的影响。在一些实施例中,每个单独的神经单元可以具有将其所有输入的值合并在一起的求和函数。在一些实施例中,每个连接(或神经单元本身)可以具有阈值函数,使得信号在被允许传播到其他神经单元之前必须超过阈值。与传统的计算机程序相比,这些神经网络***可以是自学习和自训练的,而不是被明确编程的,并且在解决某些领域的问题中可以表现得更好。在一些实施例中,一个或多个神经网络可以包括多个层(例如信号路径从前层横穿到后层)。在一些实施例中,神经网络可以利用反向传播技术,其中使用前向刺激来重置“前”神经单元上的权重。在一些实施例中,对一个或多个神经网络的刺激和抑制可以更自由地流动,其中连接以更混乱和复杂的方式交互。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卷积层、一个或多个递归层、和/或其他层。
可以使用训练数据和/或其他信息集来训练一个或多个神经网络(即确定神经网络的参数)。训练数据和/或其他信息可以包括训练样本集。每个样本可以是包括输入对象(通常是向量,可以称为特征向量)和期望输出值(也称为管理信号)的对。训练算法分析训练信息,并通过基于训练数据和/或其他信息调整神经网络的参数(例如,一个或多个层的权重)来调整神经网络的行为。例如,给定形式为{(x1,y1),(x2,y2),…,(xN,yN)}的N个训练样本的集,使得xi是第i样本的特征向量,yi是第i样本的管理信号,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。特征向量是表示某些对象(例如,模拟空间图像、晶片设计、片段等)的数值特征的n维向量。与这些向量相关联的向量空间通常称为特征空间。在训练之后,神经网络可以用于使用新样本进行预测。
作为另一示例,经验(模拟)模型可以包括一个或多个算法。一个或多个算法可以是和/或包括数学方程、曲线图、图表、和/或其他工具和模型组件。在一些实施例中,经验(模拟)模型是包括一个或多个算法的物理模型,所述一个或多个算法具有共同模拟衬底上的图案、图案化过程等的物理行为的项。
图3图示了根据本公开的实施例的用于生成增强数据的示例性方法300。增强数据用于增强用于训练机器学习模型的任何其他可用数据。基于与衬底上的图案集和/或由图案化过程产生的过程变化相关联的物理趋势来确定增强数据。增强数据被配置为相对于先前模型增强机器学习模型的预测准确度。
例如,图4图示了用于增强数据402(参见增强数据1至增强数据…)的数据400,所述数据402(例如,所述数据402可以被预先确定)用于训练机器学习模型(例如,在该示例中包括多层的神经网络)406的神经网络404。基于与衬底上的图案集和/或由图案化过程产生的过程变化相关联的一个或多个物理趋势来确定数据400。数据400与数据402(在该示例中)一起被提供作为输入408,以训练机器学习模型406的神经网络404。在训练模型406中使用数据400可以有利地提高模型预测的准确度。
返回图3,在一些实施例中,方法300包括获得302或以其他方式确定物理趋势(例如,与图案变化相关的特定特性的物理趋势),生成304增强数据,提供306增强数据给机器学习模型(例如,将所述增强数据自己提供给机器学习模型、连同测量数据提供给机器学习模型、和/或连同其他数据(例如无关数据)提供给机器学习模型)以训练机器学习模型,以及为各种下游应用提供308来自机器学习模型的输出。
在一些实施例中,非暂时性计算机可读介质存储指令,所述指令当被计算机执行时使计算机执行操作302-308和/或其他操作中的一个或多个。方法300的操作旨在是说明性的。在一些实施例中,方法300可以用未描述的一个或多个附加操作完成,和/或在没有所描述的操作中的一个或多个的情况下完成。例如,操作308和/或其他操作可以是可选的。此外,图3中图示的本文所述的方法300的操作顺序并不旨在进行限制。
在操作302处,获得或以其他方式确定与衬底上的图案变化相关的一个或多个成像特性的物理趋势,其中成像特性与图案化过程相关联。图案化过程可以是光刻过程、蚀刻过程和/或其他过程。在一些实施例中,一个或多个成像特性包括临界尺寸(CD)、边缘放置位置、曲率、节距、对称性、旋转、纵横比、偏移和/或其他成像特性。
物理趋势可以是成像特性变化的趋势的基于物理的指示。物理趋势描述了当图案设计或过程条件发生变化时,成像特性将如何在“现实世界”中响应/变化,或如何根据物理原理进行响应/变化。例如,物理趋势可以与图案设计变化(例如,成像特性(诸如CD、节距等)的变化)和/或图案化过程变化(例如,由剂量、聚焦等的变化引起的成像特性的变化;蚀刻过程变化(诸如源功率、偏置功率、蚀刻时间、气体化学、气体流量等))相关联。物理趋势基于图案集(例如,第一图案集)和/或图案化过程的数据(例如,第一数据)而获得。在一些实施例中,该(第一)数据包括衬底上的图案的成像特性的先前确定的测量结果、指示由图案化过程引起的或在图案化过程的衬底上的图案的物理行为的信息、和/或其他数据。
本公开不限于可以用于确定物理趋势的任何机制或信息源。在一些实施例中,该(第一)数据可以包括实际测量结果(例如,测量值),但是另外地或替代地,也可以是由物理模型输出的信息,或由用户定义的趋势信息。用于第一图案集和/或图案化过程的第一数据可以是测量结果、来自物理模型的信息、和/或由用户定义的趋势信息。例如,过程知识(例如,第一数据)可以规定蚀刻偏置相对于节距应当是平滑的趋势,从而反应蚀刻过程期间的材料负载的逐渐变化。
例如,在一些实施例中,第一数据可以包括通过第一图案化过程产生的第一衬底上的第一图案或图案集的先前确定的测量结果。可以通过(1)提取和/或分类与物理趋势相关联的第一衬底上的第一图案或图案集的测量结果,和/或(2)将物理模型拟合到第一图案或图案集的测量结果,获得和/或以其他方式确定物理趋势。在该示例中,第一图案化过程可以包括一个或多个第一半导体制造图案调谐过程,所述第一半导体制造图案调谐过程具有与第二图案化过程相似且可比较的过程条件。第二图案化过程可以包括实际的当前制造图案化过程、另一目标图案化过程、一些其他最终图案化过程、被模拟和/或被构建模型的图案化过程、和/或另一图案化过程。
在操作304处,生成增强数据(如本文所述,所述增强数据用于训练)。基于(在操作302处确定的)物理趋势和/或其他信息生成增强数据。增强数据包括符合物理趋势并且是基于上述的图案集和/或图案化过程的数据(例如,第一数据)导出的数据(例如,第二数据)。换言之,增强数据不是随机的或不受控制的。相反,符合物理趋势的(第二)数据包括符合或被限制在某些预期数据值阈值内的数据,所述预期数据值阈值表示将从已知图案和/或给定过程输入的图案化过程预期的物理极限。例如,物理趋势决定了成像特性的相对值/位置。在一些实施例中,例如,物理趋势可以根据所测量的实际数据指示增强数据的值。一致性程度可以通过例如误差描述(但实际上,根据现有数据插值成/生成趋势时会存在误差,并且根据趋势生成增强数据应当没有误差)。在一些实施例中,趋势控制增强数据之间的相对值或关系。例如,趋势曲线的斜率或形状(例如,如本文所描述的)。针对不同的图案集(例如,第二图案集)导出增强数据。相对于先前确定的指示衬底上的图案的物理行为的测量结果和/或信息(例如,第一数据),增强数据是新的,但仍然符合物理趋势。
返回上文的示例,如果过程定义(例如,由用户进行的过程定义)和/或先前的测量结果(例如,第一数据)指示蚀刻偏置相对于节距应当是平滑趋势,从而反映材料负载的逐渐变化,则所生成的增强数据(例如,第二数据)将被限制在某些蚀刻偏置值阈值内,所述蚀刻偏置值阈值表示将从已知蚀刻过程预期的逐渐变化。应当注意,训练数据可以单独包括合成的增强数据(例如,第二数据),和/或可以包括新生成的数据以及先前的测量结果(例如,第一数据)。
合成的增强数据可以用于增强任何已经存在的数据。在一些实施例中,训练数据包括第一数据、第二数据(例如,增强数据)、和/或其他数据。在一些实施例中,训练数据包括新的和/或附加的成像特性的测量结果集,所述新的和/或附加的成像特性的测量结果集被配置为例如增强第一数据中包括的成像特性的任何测量结果。在一些实施例中,附加数据(例如,第二数据)的权重可以相对于已经存在的数据进行调整,然后被提供用于训练(如下文所描述的)。
通常,操作304包括基于物理趋势生成(待用于进行训练的)增强数据,以提高图案覆盖率并正则化机器学习模型(参见下文描述的操作306),而不会产生与生成训练数据相关联的额外量测和处理成本。考虑了基于物理趋势生成的两种主要类型的增强(训练)数据(但是其他类型也是可能的)—(1)基于量测数据的增强;以及(2)非基于量测的、仅基于趋势的数据增强。
关于基于量测数据的增强,在一些实施例中,用于物理趋势的数据点可以先前已经被测量并且可用作训练数据。本文所描述的基于量测数据的增强可以显著提高描述物理趋势的数据的数据密度,以确保(一旦使用在操作304处生成的附加训练数据进行训练)来自机器学习模型的预测结果符合物理趋势(参见下文所描述的操作306)。例如,在一些实施例中,基于一个或多个成像特性的先前测量结果生成增强训练数据。例如,这些增强训练数据可以包括在第一数据中,使得第一数据包括先前确定的至少部分地限定物理趋势的(例如,第一)图案集和/或图案化过程的数据。
在一些实施例中,生成增强数据包括在关于图案变化的给定成像特性的测量结果之间进行数学插值,以确定给定成像特性的附加测量数据点。这可以包括识别与图案变化相关的成像特性的物理趋势(操作302)(诸如描述整个节距行为或整个CD行为的物理趋势),并获得任何相应的先前测量结果。例如,在一些实施例中,物理趋势可以通过二维空间的方程进行描述(例如,通过使因变量Y如何随自变量X变化的方式相关的方程进行描述)。例如,可以基于先前测量结果和/或其他信息确定物理趋势。这可以包括确定先前测量结果之间的数学关系或其他关系,或其他操作(例如,自变量和因变量之间的数学关系)。
可以使用在先前测量结果之间的数学插值来确定先前测量结果之间的中间点(例如,对应于自变量X(诸如图案CD、节距等)的点)的预期成像特性测量数据。插值可以包括线性插值、样条拟合和/或其他技术,以确保中间点的预期成像特性测量数据符合物理趋势。插值可以用于生成附加中间测量数据点。所生成的数据点的数量和密度可以是灵活的,例如可以是从仅几个点至甚至数千个数据点。
例如,可以在这些中间点处生成增强数据,并且可以基于预期测量结果(例如,预测值)设置和/或以其他方式确定量规。附加数据(例如,量规数据)可以被添加到先前测量结果中,并被馈送到机器学习模型一用于训练(如下所描述的)。
作为非限制性示例,图5图示了通过在给定成像特性(例如,本示例中为CD)的测量结果502之间进行数学插值,以确定给定成像特性的附加(插值)测量数据点504(例如,增强数据),来生成增强数据500。在该示例中,一系列测量结果502遵循由趋势线506所示的特定物理趋势。通过插值,测量采样密度沿着趋势线506增加。
返回图3,在一些实施例中,在操作304,生成增强数据包括使用测量结果校准与物理趋势相关联的物理模型,并使用经校准的物理模型来预测符合物理趋势的附加测量结果。这可以再次包括确定物理趋势(操作302)(诸如(例如,基于先前数据)描述整个节距行为或整个CD行为的物理趋势),并获得任何相应的先前测量结果。在一些实施例中,经校准的物理模型可以被配置为预测物理趋势(例如,基于先前测量结果和/或其他信息预测物理趋势)。例如,物理模型可以是具有共同模拟物理趋势和/或图案化过程的项的多维算法。使用所获得的先前测量结果的一些或全部来校准物理模型。在一些实施例中,用于校准的更有限的测量结果集可以帮助物理模型实现高准确度并如实地捕获物理趋势。物理模型可以用于生成物理趋势的附加中间测量数据点。所生成的数据点的数量和密度可以是根据趋势灵活的,例如可以是从仅几个点至甚至数千个数据点。
例如,可以在中间点处生成增强数据,并且可以基于所预测的测量数据点设置和/或以其他方式确定量规。经校准的物理模型用于生成增强数据的目标值。在一些实施例中,可以用来自物理模型的相应预测结果来代替所获得的先前测量结果中的一个或多个。附加数据可以被添加到先前测量结果中,和/或用于代替先前测量结果,并且被提供作为机器学习模型的输入以用于训练(如下文所描述的)。
作为非限制性示例,图6图示了物理趋势线602。图6图示了通过使用先前(CD)测量结果604(在该示例中)校准物理模型,然后使用经校准的物理模型预测符合物理趋势(例如,沿趋势线602的线)的附加测量结果606,来生成增强数据600。在该示例中,一系列测量结果604遵循在由趋势线602所示的数据中明显的特性物理趋势。附加测量结果606的密度相对于先前测量结果604的密度被显著增加。所预测的附加测量结果606可以(与测量结果604一起或不与测量结果604一起)用于机器学习模型训练(如本文所描述的)。
返回图3,在一些实施例中,在操作304处,生成增强数据还包括使用先前测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并使用物理模型和残差模型生成增强数据。例如,残差模型可以补偿物理模型中的不准确性。在一些实施例中,残差模型包括通过将来自物理模型的预测结果中的误差拟合(例如,线性拟合或样条拟合等)到先前测量结果而校准的数学模型。
这可以再次包括识别物理趋势(例如,使用如上所述的经校准的物理模型预测物理趋势)(操作302),诸如描述整个节距行为或整个CD行为的物理趋势(例如方程),并获得任何相应的先前测量结果。可以再次使用所获得的先前测量结果中的一些或全部来校准物理模型。残差模型被校准以(例如,针对每个图案类型)捕获预测器变量和物理模型的模型误差之间的关系。物理模型可以用于生成物理趋势的附加中间测量数据点。所生成的数据点的数量和密度可以是根据趋势灵活的,例如可以是从仅几个点至甚至数千个数据点。
例如,可以在中间点处生成增强数据,并且可以基于所预测的测量数据点设置和/或以其他方式确定量规。可以使用所生成的数据和物理模型来执行模型检查。在一些实施例中,可以用来自物理模型的附加测量结果的相应的经误差补偿的预测结果来代替所获得的先前测量结果中的一个或多个。附加测量结果的经误差补偿的预测结果包括来自由来自残差模型的估计模型误差调整的物理模型的所预测的测量数据点。经误差补偿的附加测量数据可以被添加到先前测量结果中,和/或用于代替先前测量结果,并且被馈送到机器学习模型以用于训练(如下文所描述的)。
作为非限制性示例,图7图示了通过使用先前测量结果校准残差模型来生成增强数据700,所述残差模型被配置为补偿所预测的附加测量结果704中的误差702,并使用物理模型和残差模型生成增强数据。图7图示了蚀刻偏置测量结果(例如,测量值),在该示例中,不同图案类型716、718、720的蚀刻偏置测量结果710、712、714遵循不同的物理趋势722、724、726。(本公开中的先前示例集中于单个图案类型,但可以容易地包括额外的图案类型,如本文中的图7所示。)图7还图示了不同图案类型716、718、720的预测偏置测量结果711、713、715,所述预测偏置测量结果711、713、715大致遵循物理趋势722、724、726。注意的是,对于图案类型716和718,在蚀刻偏置测量结果710和712与相应的所预测的蚀刻偏置测量结果711和713之间存在微小差异(例如,存在误差)。这些微小差异(误差)分别由图案类型716和718的方程750和752描述(对蚀刻偏置测量结果714的预测中存在非常小的误差)。残差模型被配置为分别使用方程750和752(在该示例中)补偿图案类型716和718的所预测的蚀刻偏置测量结果710和712中的误差。如图7所示,对于遵循不同物理趋势722、724、726的不同图案类型716、718、720,经误差补偿的预测结果760、762和764与蚀刻偏置测量结果710、712、714接近一致。经误差补偿的预测结果760、762和764可以(与先前的蚀刻偏置测量结果710、712和714一起或不与先前的蚀刻偏置测量结果710、712和714一起)用于机器学习模型训练(如本文所描述的)。
返回图3,在一些实施例中,在操作304处,生成增强数据是基于先前测量结果和图案中的对称性。例如,图案可以具有与图案的一个或多个其它部分对称的一个或多个部分。这些对称性可以是操作人员已知的、可以基于图案本身确定的、和/或可以以其他方式确定的。如果图案对称性是已知的,并且获得了关于图案的一个对称部分的量测数据,则可以基于对称性来确定关于图案的其他对称部分的量测数据。对称性包括平移对称性、旋转对称性、反射对称性、滑移对称性、和/或其他对称性。
在一些实施例中,基于先前测量结果和由图案化过程产生的图案中的对称性来生成增强数据包括识别图案中的具有对称性的一个或多个部分,并获得图案的所述部分的相应的先前测量结果。可以通过对图案的对称配对部分数学复制(例如,使用用于平移对称性、旋转对称性、反射对称性、滑移对称性、和/或其他对称性的方程)先前测量结果来确定图案的附加测量结果。基于对称性的附加测量数据可以被添加到先前测量结果中,和/或用于代替先前测量结果,并且被馈送到机器学习模型以用于训练(如下文所描述的)。
作为非限制性示例,图8图示了生成基于先前测量结果810、812、814和图案830中的对称轴820、822而确定的增强数据800a、800b、800c;802a、802b、802c;以及804a、804b、804c。例如,图案830可以具有与图案830的一个或多个其它部分852、854、856对称的部分850。如果图案830的对称性是已知的,并且获得了关于图案的一个对称部分850的量测数据,则可以基于对称性来确定关于图案830的其他对称部分852、854、856的量测数据。在该示例中,基于对称性的附加测量数据800a、800b、800c;802a、802b、802c;以及804a、804b、804c可以被添加到先前测量结果810、812、814,和/或用于代替先前测量结果810、812、814,并且被馈送到机器学习模型以用于训练(如下文所描述的)。
关于仅基于趋势而非基于量测的数据增强,可能没有可用的先前测量结果(例如,量测数据),但可能已知特定物理趋势。可以基于物理模型、物理知识和/或其他信息而已知该物理趋势。在这些实施例中,机器学习模型被训练为遵循物理趋势,而不是遵循任何实际的绝对先前测量结果。
例如,在一些实施例中,在操作304处生成增强数据包括基于来自经训练的物理模型的输出来确定物理趋势。该趋势可以通过物理模型所预测的成像特性的测量结果(例如,测量值)之间的相对关系来描述,而不是通过成像特性本身的绝对值来描述。在一些实施例中,物理趋势包括对称趋势、取向趋势、聚焦趋势、剂量趋势、贯通节距趋势、线性趋势、贯通临界尺寸趋势、和/或其他趋势。
在一些实施例中,对于聚焦/剂量趋势,可以使用物理模型来模拟由聚焦/剂量扰动引起的CD(作为一个示例)变化。可以收集聚焦/剂量趋势数据,然后将所述聚焦/剂量趋势数据作为输入提供给机器学习模型以用于训练(例如,使用下文描述的“STD”损失函数)。在一些实施例中,对于贯通节距趋势,掩模CD(作为一个示例)可以保持恒定而改变节距。可以使用物理模型来确定模型CD与节距趋势。该趋势数据可以作为输入提供给机器学习模型以用于训练(例如,再次使用下文描述的“STD”损失函数)。在一些实施例中,对于线性趋势,节距(作为一个示例)可以保持恒定而改变掩模CD。可以使用物理模型来确定CD与CD趋势。该趋势数据可以作为输入提供给机器学习模型以用于训练(例如,再次使用下文描述的“STD”损失函数)。可以对其他趋势(诸如,贯通临界尺寸趋势、和/或其他趋势)执行其他类似的操作。
作为非限制性示例,图9图示了聚焦/剂量矩阵900,所述聚焦/剂量矩阵900提供指示聚焦趋势和/或剂量趋势的第一数据902。例如,该数据可以容易地从物理模型的模拟中获得。例如,在没有衬底CD(或其他成像特性)的情况下,聚焦/剂量趋势可以用于指导机器学习模型训练(例如,如下文在操作306处所描述的)。
作为另一非限制性示例,图10图示了贯通散焦数据增强。图10图示了根据使用基于聚焦曝光矩阵(FEM)物理趋势生成的增强数据训练的机器学习模型,根据物理趋势和标称晶片CD生成的增强数据值1006。图10图示了与虚线1004相关的值1006,所述虚线1004表示已知的物理趋势、来自在没有任何数据增强的情况下训练的机器学习模型的值1002、以及来自在基于先前测量结果的数据增强的情况下训练(例如,如上所述)的机器学习模型的预测CD值1000。如图10所示,用附加的训练数据增强机器学习模型训练校正了最初与值1002相关联的趋势(所述值1002不遵循由线1004所示的已知物理趋势)。在该示例中,实际CD CE数据最初(例如,在增强之前)仅在标称条件(零散焦)下可用。物理模型用于添加附加的趋势信息和/或根据物理趋势预测的数据,以增强来自机器学习模型的预测结果(例如,更好地匹配线1004)。
返回图3,在一些实施例中,增强数据包括基于物理趋势和/或由物理模型生成的新数据、符合物理趋势的(例如,根据上述的第一数据)先前确定的测量结果的子集、和/或其他数据。增强数据能够与来自第二图案化过程所产生的第二衬底上的第二图案或图案集的第二测量结果相结合。如上所述,第二图案化过程可以是实际制造图案化过程、另一个目标图案化过程、一些其他最终图案化过程、被模拟的和/或被构建模型的图案化过程、和/或另一图案化过程。例如,当第一图案化过程和第二图案化过程相似时,根据第一数据先前确定的测量结果的符合物理趋势的子集可以包括与先前掩模相关联的数据。例如,在一些实施例中,当相对于第一图案化过程调整第二图案化过程时,根据第一数据先前确定的测量结果的符合物理趋势的子集包括与当前掩模上的不同位置相关联的数据。
在一些实施例中,与第一测量结果的数量相比,第二数据包括较少的第二测量结果,所述第二测量结果来自由第二图案化过程产生的第二衬底上的第二图案。较少的第二测量结果能够与基于物理趋势和/或由物理模型生成的新数据、和/或根据第一数据先前确定的测量结果的符合物理趋势的子集相结合。在一些实施例中,相对于先前确定的测量结果(例如,由第一图案化过程产生的第一衬底上的第一图案的测量结果),增强数据的总量具有相同或增加的数据密度。
在操作306处,将增强数据提供给机器学习模型以训练机器学习模型。增强数据被配置为作为输入被提供给机器学习模型,以训练机器学习模型来根据物理趋势预测一个或多个成像特性。在一些实施例中,这包括将增强数据作为输入提供给机器学习模型,以训练机器学习模型符合根据物理趋势对一个或多个成像特性的预测。符合物理趋势的数据包括符合或被限制在特定预期数据值阈值内的数据,所述特定预期数据值阈值表示将从已知图案和/或给定过程输入的图案化过程的已知物理趋势预期的物理极限。
在一些实施例中,机器学习模型被训练为基于损失函数、根据物理趋势预测一个或多个成像特性。损失函数包括被配置为评估机器学习模型对训练数据集的建模程度的算法。训练机器学习模型以基于损失函数、根据物理趋势预测一个或多个成像特性可以增强和/或以其他方式使机器学习模型确保预测结果符合物理趋势。
对于通过上文关于图5-8描述的任何操作进行的基于量测数据的增强,增强数据与先前确定的测量结果一样可靠。本***和方法被配置为减少由机器学习模型预测的值与来自物理模型的插值/值的值之间的误差。例如,均方根(RMS)损失函数可以被应用于驱动机器学习模型训练收敛。例如,损失函数可以包括:
其中CDi包括所预测的CD测量结果,CDmeasured是相应的先前确定的CD测量结果(例如,实际的CD测量结果),并且N是测量次数。注意的是,CD可与本示例中的其他可能的成像特性互换。此处,CD被用作示例性成像特性。本文讨论了不同成像特性的其他可能示例。
对于通过上文关于图9-11描述的任何操作进行的仅基于趋势而非基于量测的数据增强,损失函数被配置为使机器学习模型拟合由物理模型预测的成像特性的测量结果(例如测量值)之间的相对关系,而不是拟合成像特性本身的绝对值之间的相对关系。这也可以加强和/或以其他方式使机器学习模型确保预测结果符合物理趋势。在这种类型的训练数据生成(增强)中,可能没有可用的先前确定的测量结果,但基于物理模型和/或物理知识,已知存在有特定物理趋势。损失函数被配置为使机器学习模型被训练为遵循该物理趋势,而不是遵循任何实际的绝对测量结果。在这些实施例中(注意的是,这仅是损失函数的一个示例),以下的基于标准偏差的损失函数可以被应用于驱动机器学习模型训练收敛:
其中STD是误差标准偏差,Errori是相对于物理模型预测结果(预测值)的模型误差,Erroraverage是所有误差的平均值,N是样本数目。该损失函数试图最小化模型误差(相对于物理模型测量结果(测量值))标准偏差,而不要求平均模型误差为零。这可以有效地驱动机器学习模型学习物理趋势,而不是成像特征测量结果的任何实际的绝对准确度。
作为非限制性示例,根据实施例,图11图示了相较于来自遵循类似趋势1106的机器学习模型的所预测的成像特性测量结果1104的、由物理模型预测的成像特性(在该示例中为临界尺寸CD)测量结果1102限定的物理趋势1100。图11图示了虽然测量结果1102与测量结果1104不匹配,但由测量结果1104限定的趋势1106有多接近地遵循趋势1100。上述的损失函数被配置为使机器学习模型拟合由物理模型预测的成像特性(在该示例中为CD)的测量结果1102之间的相对关系,而不是拟合成像特性本身的绝对测量结果(测量值)。
在一些实施例中,(如上所述的)增强数据与上述的基于标准偏差的损失函数的归一化版本相关联。归一化的基于标准偏差的损失函数可以基于与物理趋势相关联的数据(例如,如上所述的来自第一图案化过程的第一数据,和/或来自第二图案化过程和/或其他图案化过程的第二数据)中的所有临界尺寸(CD)的范围而被归一化。例如,以下的归一化的基于标准偏差的损失函数(再次注意的是,这仅是损失函数的另一个示例)可以被应用于驱动机器学习模型训练收敛:
其中STDnorm是归一化的误差标准偏差,Errori是相对于物理模型预测结果(预测值)的模型误差,Errorave是所有误差的平均值,N是样本数目,以及CDrange是物理趋势的所有CD的范围。该损失函数可以被配置为(进一步)基于CD范围归一化相对模型误差。这可以有效地驱动机器学习模型仅学习归一化的趋势。当调谐过程涉及临界尺寸的按比例变化时,例如当改变具有强负载效应的蚀刻步骤的时间时,可以使用所述归一化的趋势。
作为简要总结,图12(类似于图4)图示了用于增强数据1202(例如,先前确定的在实际衬底上进行的成像特性测量结果)的数据1200,所述数据1202用于训练1204机器学习模型(例如,在该示例中为包括多层的神经网络)1206。增强数据1202基于与衬底上的图案集和/或由图案化过程产生的过程变化相关联的物理趋势而被确定。如图12所示,增强数据1200包括分别由本文中描述的基于量测数据的增强;以及仅基于趋势而非基于量测的数据增强生成的数据1240和1250。将增强数据1200与数据1202(在该示例中)一起作为输入1208提供,以训练404机器学习模型1206。机器学习模型1206被训练1204为根据基于损失函数的物理趋势来预测一个或多个成像特性。训练机器学习模型1206以根据基于损失函数的物理趋势来预测一个或多个成像特性可以加强和/或以其他方式使机器学习模型1206确保预测结果符合物理趋势。如图12所示,上述的基于RMS的损失函数用于数据1202和/或数据1240,而上述的基于标准偏差的损失函数用于数据1250。注意的是,例如,图12中所示的基于标准偏差的损失函数STD可以包括基于标准偏差的损失函数(例如STD)和/或上述的归一化的基于标准偏差的损失函数(例如STDnorm)。增强数据1200被配置为提高来自机器学习模型1206的预测结果相对于与先前模型相关的物理趋势的准确度。
返回图3,一旦被训练,机器学习模型就被配置为预测与由图案化过程产生的衬底上的图案中的变化相关的一个或多个成像特性。机器学习模型可以被配置为预测一个或多个图案和/或图案化过程参数可能对一个或多个成像特性产生的影响。机器学习模型可以应用于显影后检查(ADI)、预测蚀刻后检查(AEI)、光学邻近校正(OPC)、热点或缺陷预测、源掩模优化(SMO)、和/或半导体光刻过程、蚀刻过程和/或其他操作中的其他操作。如上所述,除了其他优点之外,向机器学习模型提供增强训练数据还可以显著提高机器学习模型的预测准确度(例如,通过减少过度拟合),而不会产生额外的量测和/或其他处理成本。
在操作308处,将来自机器学习模型的输出提供用于各种下游应用。在一些实施例中,操作308包括提供来自机器学习模型的输出以用于调整和/或优化图案、图案化过程和/或用于其他目的。例如,在一些实施例中,来自机器学习模型的输出被配置为提供给成本函数,以便于确定与各个图案化过程变化相关联的成本。提供可以包括以电子方式发送、上传、和/或以其他方式将来自机器学习模型的预测结果输入到成本函数中。在一些实施例中,这可以与引起操作302-308的其他操作的指令编程在一起(例如,使得不需要“提供”,而是使数据简单地直接流到成本函数)。
可以基于机器学习模型的输出、成本函数、和/或基于其他信息来对图案、图案化过程(例如,半导体制造过程)进行调整。例如,调整可以包括改变一个或多个图案化过程参数。调整可以包括图案参数变化(例如,尺寸、位置和/或其他设计变量),和/或包括任何可调整的参数,诸如蚀刻***、源、图案形成装置、投影光学器件、剂量、聚焦等的可调整参数。参数可以由处理器(例如,计算机控制器)自动地或以其他方式电子调整、由用户手动地调制、或以其他方式调整。在一些实施例中,例如,可以确定参数调整(例如,给定参数应当改变的量),并且可以将参数从先前的参数设置点调整到新的参数设置点。
图13是示例性计算机***CS的示图,该计算机***CS可以用于本文中描述的一个或多个操作。计算机***CS包括用于通信信息的总线BS或其它通信机构,以及与总线BS耦接以用于处理信息的处理器PRO(或多个处理器)。计算机***CS还包括耦接至总线BS以用于储存待由处理器PRO执行的指令和信息的主存储器MM,诸如随机存取存储器(RAM)或其它动态储存装置。主存储器MM也可以用于在由处理器PRO执行指令期间储存临时变量或其它中间信息。计算机***CS还包括耦接至总线BS以用于储存用于处理器PRO的静态信息和指令的只读存储器(ROM)ROM或其它静态储存装置。设置诸如磁盘或光盘的储存装置SD,并且将其耦接至总线BS以用于储存信息和指令。
计算机***CS可以经由总线BS耦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。包括字母数字按键和其它按键的输入装置ID被耦接至总线BS以用于将信息和命令选择通信至处理器PRO。另一类型的用户输入装置是用于将方向信息和命令选择通信至处理器PRO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。这种输入装置通常具有在两个轴线(即第一轴线(例如,x)和第二轴线(例如,y))上的两个自由度,其允许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,可以由计算机***CS响应于处理器PRO执行主存储器MM中所包含的一个或多个指令的一个或多个序列而执行如在本文中所描述的一个或多个方法的部分。可以将这些指令从诸如储存装置SD的另一计算机可读介质读取至主存储器MM中。主存储器MM中所包含的指令序列的执行使处理器PRO执行本文中所描述的过程步骤(操作)。呈多处理布置的一个或多个处理器也可以被采用来执行主存储器MM中所包含的指令序列。在一些实施例中,可代替或结合软件指令而使用硬连线电路***。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”或“机器可读介质”是指参与将指令提供至处理器PRO以供执行的任何介质。这种介质可以采取许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如储存装置SD。易失性介质包括动态存储器,诸如主存储器MM。传输介质包括同轴缆线、铜线和光纤,包括包含总线BS的电线。传输介质也可以采取声波或光波的形式,诸如在射频(RF)和红外线(IR)数据通信期间所产生的声波或光波。计算机可读介质可以是非暂时性的,例如软盘、软性磁盘、硬盘、磁带、任何其它磁性介质、CD-ROM、DVD、任何其它光学介质、打孔卡、纸带、具有孔图案的任何其它实体介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡匣。非暂时性计算机可读介质可以在其上记录指令。当由计算机执行指令时,所述指令可以实施本文中描述的任何操作。例如,暂时性计算机可读介质可以包括载波或其他传播电磁信号。
各种形式的计算机可读介质可被参与到将一个或多个指令的一个或多个序列携载至处理器PRO以供执行。例如,最初可以将指令承载在远程计算机的磁盘上。远程计算机可以将指令加载至其动态存储器中,并且使用调制解调器通过电话线发送指令。在计算机***CS本地的调制解调器可以接收电话线上的数据,并且使用红外线传输器将数据转换成红外线信号。耦接至总线BS的红外线检测器可接收红外线信号中所承载的数据且将数据放置在总线BS上。总线BS将数据承载至主存储器MM,处理器PRO从主存储器MM检索和执行指令。由主存储器MM所接收的指令可以可选地在由处理器PRO执行之前或之后被储存在储存装置SD上。
计算机***CS也可以包括耦接至总线BS的通信接口CI。通信接口CI提供与连接至局域网络LAN的网络链路NDL的双向数据通信耦接。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,以提供通往对应类型的电话线的数据通信连接。作为另一示例,通信接口CI可以是局域网络(LAN)卡以提供通往兼容LAN的数据通信连接。也可以实施无线链路。在任何这种实施中,通信接口CI发送和接收电信号、电磁信号或光学信号,所述信号承载表示各种类型的信息的数字数据串流。
网络链路NDL通常通过一个或多个网络而将数据通信提供至其它数据装置。例如,网络链路NDL可以通过局域网络LAN向主机计算机HC提供连接。这可以包括通过全球封包数据通信网络(现通常被称作“因特网”INT)而提供的数据通信服务。局域网络LAN(因特网)可以使用承载数字数据串流的电信号、电磁信号或光学信号。经过各种网络的信号和在网络数据链路NDL上且经过通信接口CI的信号(所述信号将数字数据承载至计算机***CS和从计算机***CS承载数字数据)是输送信息的载波的示例形式。
计算机***CS可以经过网络、网络数据链路NDL和通信接口CI发送消息和接收包括过程代码的数据。在因特网示例中,主机计算机HC可以经过因特网INT、网络数据链路NDL、局域网络LAN和通信接口CI而传输用于应用程序的所请求的代码。例如,一个这样的下载应用程序可以提供本文中所描述的方法的全部或部分。所接收的代码可以在接收时由处理器PRO执行,和/或被储存在储存装置SD、或其它非易失性储存装置中以供稍后执行。以这种方式,计算机***CS可以获得呈载波形式的应用代码。
图14是根据实施例的光刻投影设备的示意图。光刻投影设备可以包括照射***IL、第一载物台MT、第二载物台WT和投影***PS。照射***IL可以调节辐射束B。在该实施例中,照射***还包括辐射源SO。第一载物台(例如图案形成装置台)MT可以设置有图案形成装置保持件以保持图案形成装置MA(例如掩模版),并且连接到第一***以相对于项PS准确地定位图案形成装置。第二载物台(例如衬底台)WT可以设置有衬底保持件以保持衬底W(例如涂覆抗蚀剂的硅晶片),并且连接到第二***以相对于项PS准确地定位衬底。投影***(例如其包括透镜)PS(例如,折射式光学***、反射式光学***或折反射式光学***)可以将图案形成装置MA的被照射部分成像到衬底W的目标部分C(例如,包括一个或多个管芯)上。例如,可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2对准图案形成装置MA和衬底W。
如所描述的,该设备可以是透射式(即,具有透射式图案形成装置)。然而,通常,它也可以是反射式,例如(具有反射式图案形成装置)。该设备可以采用不同种类的图案形成装置来形成典型掩模;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,该束被直接地或者在横穿调节装置(诸如扩束器)或束递送***BD(包括定向镜、扩束器等)之后馈送至照射***(照射器)IL中。照射器IL可以包括调整装置AD,调整装置AD用于设置束中的强度分布的外部和/或内部径向范围(通常分别称为σ-外部和σ-内部)。另外,调整装置AD通常包括各种其它部件,诸如积分器IN和聚光器CO。以这种方式,照射在图案形成装置MA上的束B在其横截面中具有期望的均一性和强度分布。
在一些实施例中,源SO可以在光刻投影设备的外壳内(例如,当源SO是汞灯时通常是这种情况),但是源SO也可以远离光刻投影设备。例如,可以将源SO所产生的辐射束引导到设备中(例如,借助于合适的引导镜)。例如,后种情况可以是当源SO是准分子激光器(例如,基于KrF、ArF或F2激光)时的情况。
束PB随后可以入射被保持在图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下,束B可以穿过透镜PL,所述透镜PL将束B聚焦至衬底W的目标部分C上。借助于第二定位装置(和干涉测量装置IF),可以准确地移动衬底台WT,例如以便使不同的目标部分C定位在束B的路径中。类似地,例如在从图案形成装置库机械获取图案形成装置MA之后,或在扫描期间,可以使用第一定位装置相对于束B的路径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)和短行程模块(精定位)来实现载物台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可以仅连接至短行程致动器,或可以是固定的。
所描绘的工具可以用于两种不同模式,步进模式和扫描模式。在步进模式中,图案形成装置台MT基本保持静止,并且整个图案形成装置图像被在一次操作中(即单次“闪光”)投影到目标部分C上。衬底台WT可以在x和/或y方向上移动,使得束PB可以辐照不同的目标部分C。在扫描模式中,基本上应用相同场景,除了给定的目标部分C不是以单次“闪光”曝光。相反,图案形成装置台MT可以沿给定方向(例如“扫描方向”或“y”方向)以速度v移动,从而使投影束B在图案形成装置图像上扫描。同时地,衬底台WT同时沿相同或相反方向以速度V=Mv移动,其中M是透镜的放大率(通常,M=1/4或1/5)。以这种方式,可以曝光相对较大的目标部分C,而不必牺牲分辨率。
图15是另一光刻投影设备(LPA)的示意图,所述光刻投影设备可以用于和/或有助于本文中描述的一个或多个操作。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、衬底台WT和投影***PS。支撑结构(例如图案形成装置台)MT可以被构造成支撑图案形成装置(例如,掩模或掩模版)MA,并连接到被配置成准确地定位图案形成装置的第一***PM。衬底台(例如晶片台)WT可以构造成保持衬底(例如涂覆有抗蚀剂的晶片)W,并连接到配置成准确地定位衬底的第二***PW。投影***(例如反射式投影***)PS可以被配置成将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或多个管芯)。
如该示例中所描述的,LPA可以是反射型(例如,采用反射式图案形成装置)。应当注意,因为大多数材料在EUV波长范围内具有吸收性,因此图案形成装置可以具有多层反射器,所述多层反射器例如包括多堆叠的钼和硅。在一个示例中,多堆叠反射器具有40层的钼和硅对,其中每个层的厚度是四分之一波长。利用X射线光刻术可以产生甚至更小的波长。由于大多数材料在EUV和x射线波长下具有吸收性,因此图案形成装置形貌上的经图案化的吸收材料薄块(例如,多层反射器的顶部上的TaN吸收体)限定了特征会被印制(正性抗蚀剂)还是不被印制(负性抗蚀剂)。
照射器IL可以从源收集器模块SO接收极紫外辐射束。产生EUV辐射的方法包括但不必需限于,利用在EUV范围内的一个或多个发射线将材料转换成具有至少一种元素(例如氙、锂或锡)的等离子体状态。在一个这种方法(通常称为激光产生等离子体(“LPP”))中,可以通过用激光束辐照燃料(诸如具有线发射元素的材料的液滴、流或簇)来产生等离子体。源收集器模块SO可以是EUV辐射***的一部分,EUV辐射***包括用于提供激发燃料的激光束的激光器(图15中未示出)。所得到的等离子体发射输出辐射(例如EUV辐射),所述输出辐射被使用设置在源收集器模块中的辐射收集器收集。激光器和源收集器模块可以是单独的实体,例如当使用CO2激光器来提供用于燃料激发的激光束时。在该示例中,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定向反射镜和/或扩束器的束传递***而从激光器传递至源收集器模块。在其它示例中,例如,当源是放电产生等离子体EUV发生器(通常称为DPP源)时,源可以是源收集器模块的组成部分。
照射器IL可以包括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(通常分别被称为σ-外部和σ-内部)。另外,照射器IL可以包括各种其它部件,诸如琢面场和光瞳反射镜装置。照射器可以被用于调节辐射束,以在其横截面中具有期望的均一性和强度分布。
辐射束B入射到被保持在支撑结构(例如图案形成装置台)MT上的图案形成装置(例如掩模)MA上,并且通过图案形成装置而被图案化。在从图案形成装置(例如掩模)MA被反射之后,辐射束B穿过投影***PS,所述投影***PS将束聚焦至衬底W的目标部分C上。借助于第二***PW和位置传感器PS2(例如,干涉量测装置、线性编码器、或电容性传感器),可以准确地移动衬底台WT(例如,以便将不同的目标部分C定位在辐射束B的路径中)。类似地,可以使用第一***PM和另一位置传感器PS1来相对于辐射束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和衬底对准标记P1、P2来对准图案形成装置(例如掩模)MA和衬底W。
所描绘的设备LPA可以用于以下模式中的至少一个中:步进模式、扫描模式及静止模式。在步进模式中,在将赋予至辐射束的整个图案一次性投影至目标部分C上时,使支撑结构(例如图案形成装置台)MT和衬底台WT保持基本上静止(即,单次静态曝光)。接着使衬底台WT在X方向和/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,在将赋予至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(例如图案形成装置台)MT和衬底台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的速度和方向。在静止模式中,在将赋予至辐射束的图案投影至目标部分C上时,使支撑结构(例如图案形成装置台)MT保持基本上静止,从而保持可编程图案形成装置,并且移动或扫描衬底台WT。在该模式中,通常采用脉冲辐射源,并且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新可编程图案形成装置。这种操作模式可以易于应用于利用可编程图案形成装置(诸如,如上所述类型的可编程反射镜阵列)的无掩模光刻术。
图16是图15所示的光刻投影设备的详细视图。如图16所示,LPA可以包括源收集器模型SO、照射***IL和投影***PS。源收集器模型SO被构造成使得可以在源收集器模型SO的封闭结构20中维持真空环境。可以由放电产生等离子体源来形成EUV辐射发射等离子体210。EUV辐射可以由气体或蒸气(例如Xe气、Li蒸气、或Sn蒸气)产生,其中产生热的等离子体210来发射在电磁光谱的EUV范围内的辐射。可以例如通过引起至少部分电离的等离子体的放电来产生热的等离子体210。可能需要例如10Pa分压的Xe、Li、Sn蒸气或任何其它合适气体或蒸气来有效地产生辐射。在一些实施例中,提供被激发的锡(Sn)的等离子体来产生EUV辐射。
由热的等离子体210发射的辐射从源室211经由可选的气体屏障或污染物陷阱230(在一些情况下也称为污染物屏障或翼片阱)而进入收集器室212,气体屏障或污染物陷阱230被定位在源室211的开口中或后面。污染物陷阱230可以包括通道结构。污染物陷阱230还可以包括气体屏障或者气体屏障与通道结构的组合。污染物陷阱或污染物屏障陷阱230还包括通道结构。收集器室211可以包括辐射收集器CO,辐射收集器CO可以是掠入射收集器。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。穿过收集器CO的辐射可以被光栅光谱滤光器240反射出,以沿着由点划线“O”指示的光轴而聚焦在虚拟源点IF处。虚拟源点IF通常被称为中间焦点,并且源收集器模块被布置成使得中间焦点IF被定位在封闭结构220的开口221处或附近。虚拟源点IF是辐射发射等离子体210的像。
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和琢面光瞳反射镜装置24,它们被布置成在图案形成装置MA处提供辐射束21的期望角度分布以及在图案形成装置MA处提供期望的辐射强度均一性。当辐射束21在图案形成装置MA(由支撑结构MT保持)处反射时,形成图案化束26,并且通过投影***PS经由反射元件28、30将图案化束26成像在由衬底台WT保持的衬底W上。通常可以在照射光学单元IL和投影***PS中存在比所示出的更多的元件。例如,光栅光谱滤光器240可以依赖于光刻设备的类型而可选地存在。此外,可以存在比附图所示的反射镜更多的反射镜,例如相比于图16中所示的,可以在投影***PS中存在1-6个另外的反射元件。
如图16中图示的收集器光学器件CO被描绘为具有掠入射反射器253、254和255的巢状收集器,这仅仅是收集器(或收集器反射镜)的示例。掠入射反射器253、254和255被设置为围绕光轴O轴向对称,并且这种类型的收集器光学器件CO可以与放电产生等离子体源(通常被称为DPP源)结合使用。
图17是光刻投影设备LPA(先前附图中所示)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***的一部分。激光器LA可以被布置成将激光能量沉积到诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中,从而产生具有几10eV的电子温度的高度电离的等离子体210。在这些离子的去激发和复合期间产生的高能辐射从等离子体发射,由近正入射收集器光学器件CO收集,并且聚焦到封闭结构220中的开口221上。
本公开的实施例可以通过以下条项进一步描述。
1.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上具有指令,所述指令当被计算机执行时使得所述计算机执行方法,所述方法包括:
确定一个或多个成像特性相对于由图案化过程产生的衬底上的图案变化的物理趋势,所述物理趋势基于第一图案集的第一数据和/或所述图案化过程被确定;以及
基于所述物理趋势生成增强数据,所述增强数据包括符合所述物理趋势且基于所述第一数据导出的第二数据,所述增强数据被导出用于第二图案集,所述第二图案集不同于所述第一图案集;其中
所述增强数据被配置为作为输入被提供给机器学习模型,以训练所述机器学习模型根据所述物理趋势预测所述一个或多个成像特性。
2.根据条项1所述的介质,其中所述物理趋势与所述衬底上的图案设计变化和/或图案化过程变化相关联。
3.根据条项1或2所述的介质,其中所述增强数据作为输入提供给所述机器学习模型,以训练所述机器学习模型符合根据所述物理趋势对所述一个或多个成像特性的预测。
4.根据条项1-3中任一项所述的介质,其中:
所述第一数据包括所述衬底上的图案的先前确定的测量结果,和/或指示由所述图案化过程产生的所述衬底上的图案的物理行为的信息;以及
所述增强数据相对于所述先前确定的测量结果和/或所述指示所述衬底上的图案的物理行为的信息是新的,但仍然符合所述物理趋势。
5.根据条项1-4中任一项所述的介质,其中所述方法还包括:将所述增强数据提供给所述机器学习模型,以训练所述机器学模型根据所述物理趋势预测所述一个或多个成像特性。
6.根据条项1-5中任一项所述的介质,其中所述一个或多个成像特性包括:临界尺寸、边缘位置、曲率、节距、对称性或旋转。
7.根据条项1-6中任一项所述的介质,其中所述图案化过程包括光刻过程和/或蚀刻过程。
8.根据条项1-7中任一项所述的介质,其中生成所述增强数据是基于包括在所述第一数据中的一个或多个成像特性的测量结果,所述第一数据包括至少部分地限定所述物理趋势的针对所述第一图案集和/或所述图案化过程的先前确定的数据。
9.根据条项8所述的介质,其中生成所述增强数据包括:在给定成像特性的测量结果之间进行数学插值,以确定所述给定成像特性的附加测量结果。
10.根据条项8所述的介质,其中生成所述增强数据包括:使用所述测量结果校准与所述物理趋势相关联的物理模型,以及使用经校准的物理模型预测符合所述物理趋势的附加测量结果。
11.根据条项10所述的介质,其中所述物理模型包括多维算法,所述多维算法具有共同模拟所述物理趋势和/或所述图案化过程的项。
12.根据条项10或11所述的介质,其中生成所述增强数据还包括:使用所述测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并且使用所述物理模型和所述残差模型生成所述增强数据,
其中所述残差模型包括通过将来自所述物理模型的预测结果中的误差拟合到所述测量结果而被校准的纯数学模型。
13.根据条项8所述的介质,其中生成所述增强数据是基于所述测量结果和由所述图案化过程产生的所述图案中的对称性。
14.根据条项1-13中任一项所述的介质,其中生成所述增强数据包括:基于来自经训练的物理模型的输出确定所述物理趋势,所述趋势由所述物理模型预测的成像特性的值之间的相对关系描述,而不是由所述成像特性本身的绝对值描述。
15.根据条项14所述的介质,其中所述物理趋势包括:对称趋势、取向趋势、聚焦趋势、剂量趋势、贯通节距趋势、线性趋势和/或贯通临界尺寸趋势。
16.根据条项14或15所述的介质,其中所述机器学习模型被训练为基于损失函数根据所述物理趋势预测所述一个或多个成像特性,所述损失函数被配置为使所述机器学模型拟合由所述物理模型预测的成像特性的值之间的相对关系,而不是拟合所述成像特性本身的绝对值。
17.根据条项1-16中任一项所述的介质,其中所述物理趋势基于所述衬底上的先前图案变化和/或先前图案化过程变化而已知。
18.根据条项1-17中任一项所述的介质,其中来自所述机器学习模型的输出被配置为被提供给成本函数,以便于确定与各个图案化过程变化相关联的成本。
19.根据条项1-3中任一项所述的介质,其中所述第一数据包括由第一图案化过程产生的第一衬底上的第一图案或图案集的先前确定的测量结果,并且其中,通过(1)提取和/或分类与所述物理趋势相关联的所述第一衬底上的所述第一图案或图案集的测量结果,和/或(2)将物理模型拟合到所述第一图案或图案集的测量结果来确定和/或以其他方式获得所述物理趋势。
20.根据条项19所述的介质,其中所述第一图案化过程包括:具有与第二图案化过程相似且可比较的过程条件的一个或多个半导体制造图案化过程。
21.根据条项20所述的介质,其中所述第二图案化过程包括:被模拟和/或被构建模型的目标图案化过程。
22.根据条项19-21中任一项所述的介质,其中所述增强数据包括基于所述物理趋势生成的和/或由所述物理模型生成的新数据,和/或包括来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集。
23.根据条项22所述的介质,其中所述增强数据能够与来自由所述第二图案化过程产生的第二衬底上的第二图案或图案集的第二测量结果相结合。
24.根据条项23所述的介质,其中在所述第一图案化过程和所述第二图案化过程相似时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与先前掩模相关联的数据。
25.根据条项23或24所述的介质,其中在相对于所述第一图案化过程调整所述第二图案化过程时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与当前掩模上的不同位置相关联的数据。
26.根据条项23-25中任一项所述的介质,其中如果不使用所述增强数据,则与所述第二测量结果的数量相比,所述第二数据包括较少的第二测量结果,所述第二测量结果来自由所述第二图案化过程产生的所述第二衬底上的所述第二图案,所述较少的第二测量结果能够与基于所述物理趋势生成的和/或由所述物理模型生成的新数据、和/或根据所述第一数据先前确定的测量结果的符合所述物理趋势的子集相结合。
27.根据条项19-26中任一项所述的介质,其中相对于由所述第一图案化过程产生的所述第一衬底上的所述第一图案的先前确定的测量结果,所述增强数据的总量具有相同或增加的数据密度。
28.根据条项1-27中任一项所述的介质,其中所述增强数据与归一化的基于标准偏差的损失函数相关联。
29.根据条项28所述的介质,其中所述增强数据、所述第二测量数据和/或所述归一化的基于标准偏差的损失函数用于训练所述机器学习模型。
30.根据条项28或29所述的介质,其中所述归一化的基于标准偏差的损失函数基于与所述物理趋势相关联的第一数据中的所有临界尺寸的范围而被归一化。
31.一种用于生成增强数据的方法,所述方法包括:
确定一个或多个成像特性相对于由图案化过程产生的衬底上的图案变化的物理趋势,所述物理趋势基于第一图案集的第一数据和/或所述图案化过程被确定;以及
基于所述物理趋势生成增强数据,所述增强数据包括符合所述物理趋势且基于所述第一数据导出的第二数据,所述增强数据被导出用于第二图案集,所述第二图案集不同于所述第一图案集;其中
所述增强数据被配置为作为输入被提供给机器学习模型,以训练所述机器学习模型根据所述物理趋势预测所述一个或多个成像特性。
32.根据条项31所述的方法,其中所述物理趋势与所述衬底上的图案设计变化和/或图案化过程变化相关联。
33.根据条项31或32所述的方法,其中所述方法还包括:将所述增强数据作为输入提供给所述机器学习模型,以训练所述机器学习模型符合根据所述物理趋势对所述一个或多个成像特性的预测。
34.根据条项31-33中任一项所述的方法,其中:
所述第一数据包括所述衬底上的图案的先前确定的测量结果,和/或指示由所述图案化过程产生的所述衬底上的图案的物理行为的信息;以及
所述增强数据相对于所述先前确定的测量结果和/或所述指示所述衬底上的图案的物理行为的信息是新的,但仍然符合所述物理趋势。
35.根据条项31-34中任一项所述的方法,其中所述方法还包括:将所述增强数据提供给所述机器学习模型,以训练所述机器学模型根据所述物理趋势预测所述一个或多个成像特性。
36.根据条项31-35中任一项所述的方法,其中所述一个或多个成像特性包括:临界尺寸、边缘位置、曲率、节距、对称性或旋转。
37.根据条项31-36中任一项所述的方法,其中所述图案化过程包括光刻过程和/或蚀刻过程。
38.根据条项31-37中任一项所述的方法,其中生成所述增强数据是基于包括在所述第一数据中的一个或多个成像特性的测量结果,所述第一数据包括至少部分地限定所述物理趋势的针对所述第一图案集和/或所述图案化过程的先前确定的数据。
39.根据条项38所述的方法,其中生成所述增强数据包括:在给定成像特性的测量结果之间进行数学插值,以确定所述给定成像特性的附加测量结果。
40.根据条项38所述的方法,其中生成所述增强数据包括:使用所述测量结果校准与所述物理趋势相关联的物理模型,以及使用经校准的物理模型预测符合所述物理趋势的附加测量结果。
41.根据条项40所述的方法,其中所述物理模型包括多维算法,所述多维算法具有共同模拟所述物理趋势和/或所述图案化过程的项。
42.根据条项40或41所述的方法,其中生成所述增强数据还包括:使用所述测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并且使用所述物理模型和所述残差模型生成所述增强数据,
其中所述残差模型包括通过将来自所述物理模型的预测结果中的误差拟合到所述测量结果而被校准的纯数学模型。
43.根据条项38所述的方法,其中生成所述增强数据是基于所述测量结果和由所述图案化过程产生的所述图案中的对称性。
44.根据条项31-43中任一项所述的方法,其中生成所述增强数据包括基于来自经训练的物理模型的输出确定所述物理趋势,所述趋势由所述物理模型预测的成像特性的值之间的相对关系描述,而不是由所述成像特性本身的绝对值描述。
45.根据条项44所述的方法,其中所述物理趋势包括:对称趋势、取向趋势、聚焦趋势、剂量趋势、贯通节距趋势、线性趋势和/或贯通临界尺寸趋势。
46.根据条项44或45所述的方法,其中所述机器学习模型被训练为基于损失函数根据所述物理趋势预测所述一个或多个成像特性,所述损失函数被配置为使所述机器学模型拟合由所述物理模型预测的成像特性的值之间的相对关系,而不是拟合所述成像特性本身的绝对值。
47.根据条项31-46中任一项所述的方法,其中所述物理趋势基于所述衬底上的先前图案变化和/或先前图案化过程变化而已知。
48.根据条项31-47中任一项所述的方法,其中来自所述机器学习模型的输出被配置为被提供给成本函数,以便于确定与各个图案化过程变化相关联的成本。
49.根据条项31-33中任一项所述的方法,其中所述第一数据包括由第一图案化过程产生的第一衬底上的第一图案或图案集的先前确定的测量结果,并且其中,通过(1)提取和/或分类与所述物理趋势相关联的所述第一衬底上的所述第一图案或图案集的测量结果,和/或(2)将物理模型拟合到所述第一图案或图案集的测量结果来确定和/或以其他方式获得所述物理趋势。
50.根据条项49所述的方法,其中所述第一图案化过程包括:具有与第二图案化过程相似且可比较的过程条件的一个或多个半导体制造图案化过程。
51.根据条项50所述的方法,其中所述第二图案化过程包括被模拟和/或被构建模型的目标图案化过程。
52.根据条项49-51中任一项所述的方法,其中所述增强数据包括基于所述物理趋势生成的和/或由所述物理模型生成的新数据,和/或包括来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集。
53.根据条项52所述的方法,其中所述增强数据能够与来自由所述第二图案化过程产生的第二衬底上的第二图案或图案集的第二测量结果相结合。
54.根据条项53所述的方法,其中在所述第一图案化过程和所述第二图案化过程相似时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与先前掩模相关联的数据。
55.根据条项53或54所述的方法,其中在相对于所述第一图案化过程调整所述第二图案化过程时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与当前掩模上的不同位置相关联的数据。
56.根据条项53-55中任一项所述的方法,其中如果不使用所述增强数据,则与所述第二测量结果的数量相比,所述第二数据包括较少的第二测量结果,所述第二测量结果来自由所述第二图案化过程产生的所述第二衬底上的所述第二图案,所述较少的第二测量结果能够与基于所述物理趋势生成的和/或由所述物理模型生成的新数据、和/或根据所述第一数据先前确定的测量结果的符合所述物理趋势的子集相结合。
57.根据条项49-56中任一项所述的方法,其中相对于由所述第一图案化过程产生的所述第一衬底上的所述第一图案的先前确定的测量结果,所述增强数据的总量具有相同或增加的数据密度。
58.根据条项31-57中任一项所述的方法,其中所述增强数据与归一化的基于标准偏差的损失函数相关联。
59.根据条项58所述的方法,其中所述增强数据、所述第二测量数据和/或所述归一化的基于标准偏差的损失函数用于训练所述机器学习模型。
60.根据条项58或59所述的方法,其中所述归一化的基于标准偏差的损失函数基于与所述物理趋势相关联的第一数据中的所有临界尺寸的范围而被归一化。
61.一种用于生成增强数据的***,所述***包括一个或多个处理器,所述一个或多个处理器通过机器可读指令被配置为:
确定一个或多个成像特性相对于由图案化过程产生的衬底上的图案变化的物理趋势,所述物理趋势基于第一图案集的第一数据和/或所述图案化过程被确定;以及
基于所述物理趋势生成增强数据,所述增强数据包括符合所述物理趋势且基于所述第一数据导出的第二数据,所述增强数据被导出用于第二图案集,所述第二图案集不同于所述第一图案集;其中
所述增强数据被配置为作为输入被提供给机器学习模型,以训练所述机器学习模型根据所述物理趋势预测所述一个或多个成像特性。
62.根据条项61所述的***,其中所述物理趋势与所述衬底上的图案设计变化和/或图案化过程变化相关联。
63.根据条项61或62所述的***,其中所述一个或多个处理器还被配置为:将所述增强数据作为输入提供给所述机器学习模型,以训练所述机器学习模型符合根据所述物理趋势对所述一个或多个成像特性的预测。
64.根据条项61-63中任一项所述的***,其中:
所述第一数据包括所述衬底上的图案的先前确定的测量结果,和/或指示由所述图案化过程产生的所述衬底上的图案的物理行为的信息;以及
所述增强数据相对于所述先前确定的测量结果和/或所述指示所述衬底上的图案的物理行为的信息是新的,但仍然符合所述物理趋势。
65.根据条项61-64中任一项所述的***,其中所述一个或多个处理器还被配置为:将所述增强数据提供给所述机器学习模型,以训练所述机器学模型根据所述物理趋势预测所述一个或多个成像特性。
66.根据条项61-65中任一项所述的***,其中所述一个或多个成像特性包括:临界尺寸、边缘位置、曲率、节距、对称性或旋转。
67.根据条项61-66中任一项所述的***,其中所述图案化过程包括光刻过程和/或蚀刻过程。
68.根据条项61-67中任一项所述的***,其中生成所述增强数据是基于包括在所述第一数据中的一个或多个成像特性的测量结果,所述第一数据包括至少部分地限定所述物理趋势的针对所述第一图案集和/或所述图案化过程的先前确定的数据。
69.根据条项68所述的***,其中生成所述增强数据包括:在给定成像特性的测量结果之间进行数学插值,以确定所述给定成像特性的附加测量结果。
70.根据条项68所述的***,其中生成所述增强数据包括使用所述测量结果校准与所述物理趋势相关联的物理模型,以及使用经校准的物理模型预测符合所述物理趋势的附加测量结果。
71.根据条项70所述的***,其中所述物理模型包括多维算法,所述多维算法具有共同模拟所述物理趋势和/或所述图案化过程的项。
72.根据条项70或71所述的***,其中生成所述增强数据还包括:使用所述测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并且使用所述物理模型和所述残差模型生成所述增强数据,
其中所述残差模型包括通过将来自所述物理模型的预测结果中的误差拟合到所述测量结果而被校准的纯数学模型。
73.根据条项68所述的***,其中生成所述增强数据是基于所述测量结果和由所述图案化过程产生的所述图案中的对称性。
74.根据条项71-73中任一项所述的***,其中生成所述增强数据包括:基于来自经训练的物理模型的输出确定所述物理趋势,所述趋势由所述物理模型预测的成像特性的值之间的相对关系描述,而不是由所述成像特性本身的绝对值描述。
75.根据条项74所述的***,其中所述物理趋势包括:对称趋势、取向趋势、聚焦趋势、剂量趋势、贯通节距趋势、线性趋势和/或贯通临界尺寸趋势。
76.根据条项74或75所述的***,其中所述机器学习模型被训练为基于损失函数根据所述物理趋势预测所述一个或多个成像特性,所述损失函数被配置为使所述机器学模型拟合由所述物理模型预测的成像特性的值之间的相对关系,而不是拟合所述成像特性本身的绝对值。
77.根据条项61-76中任一项所述的***,其中所述物理趋势基于所述衬底上的先前图案变化和/或先前图案化过程变化而已知。
78.根据条项61-77中任一项所述的***,其中来自所述机器学习模型的输出被配置为被提供给成本函数,以便于确定与各个图案化过程变化相关联的成本。
79.根据条项61-63中任一项所述的***,其中所述第一数据包括由第一图案化过程产生的第一衬底上的第一图案或图案集的先前确定的测量结果,并且其中,通过(1)提取和/或分类与所述物理趋势相关联的所述第一衬底上的所述第一图案或图案集的测量结果,和/或(2)将物理模型拟合到所述第一图案或图案集的测量结果来确定和/或以其他方式获得所述物理趋势。
80.根据条项79所述的***,其中所述第一图案化过程包括:具有与第二图案化过程相似且可比较的过程条件的一个或多个半导体制造图案化过程。
81.根据条项80所述的***,其中所述第二图案化过程包括被模拟和/或被构建模型的目标图案化过程。
82.根据条项79-81中任一项所述的***,其中所述增强数据包括基于所述物理趋势生成的和/或由所述物理模型生成的新数据,和/或包括来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集。
83.根据条项82所述的***,其中所述增强数据能够与来自由所述第二图案化过程产生的第二衬底上的第二图案或图案集的第二测量结果相结合。
84.根据条项83所述的***,其中在所述第一图案化过程和所述第二图案化过程相似时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与先前掩模相关联的数据。
85.根据条项83或84所述的***,其中在相对于所述第一图案化过程调整所述第二图案化过程时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与当前掩模上的不同位置相关联的数据。
86.根据条项83-85中任一项所述的***,其中如果不使用所述增强数据,则与所述第二测量结果的数量相比,所述第二数据包括较少的第二测量结果,所述第二测量结果来自由所述第二图案化过程产生的所述第二衬底上的所述第二图案,所述较少的第二测量结果能够与基于所述物理趋势生成的和/或由所述物理模型生成的新数据、和/或根据所述第一数据先前确定的测量结果的符合所述物理趋势的子集相结合。
87.根据条项79-86中任一项所述的***,其中相对于由所述第一图案化过程产生的所述第一衬底上的所述第一图案的先前确定的测量结果,所述增强数据的总量具有相同或增加的数据密度。
88.根据条项61-87中任一项所述的***,其中所述增强数据与归一化的基于标准偏差的损失函数相关联。
89.根据条项88所述的***,其中所述增强数据、所述第二测量数据和/或所述归一化的基于标准偏差的损失函数用于训练所述机器学习模型。
90.根据条项88或89所述的***,其中所述归一化的基于标准偏差的损失函数基于与所述物理趋势相关联的第一数据中的所有临界尺寸的范围而被归一化。
91.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上具有指令,所述指令当被计算机执行时使所述计算机用增强训练数据训练机器学习模型,所述增强训练数据基于与晶片上的图案集和/或由光刻过程产生的过程变化相关联的物理趋势而被确定,所述增强训练数据被配置为提高机器学习模型的相对于与先前模型相关的物理趋势的预测准确性,所述指令引起操作,所述操作包括:
确定一个或多个成像特性相对于由图案化过程产生的衬底上的图案变化的物理趋势,所述物理趋势基于第一图案集的第一数据和/或所述光刻过程被确定;以及
基于所述物理趋势生成所述增强训练数据,所述增强训练数据包括符合所述物理趋势且基于所述第一数据导出的第二数据,所述增强训练数据被导出用于第二图案集,所述第二图案集不同于所述第一图案集;其中
将所述增强训练数据作为输入被提供给机器学习模型,以训练所述机器学习模型根据所述物理趋势预测所述一个或多个成像特性。
92.根据条项91所述的介质,其中所述一个或多个成像特性包括:临界尺寸、边缘位置、曲率、节距、对称性或旋转。
93.根据条项91所述的介质,其中生成所述增强训练数据是基于包括在所述第一数据中的成像特性的测量结果;并且其中
(1)生成所述增强训练数据包括在给定成像特性的测量结果之间进行数学插值,以确定所述给定成像特性的附加测量结果;
(2)生成所述增强训练数据包括使用所述测量结果校准与所述物理趋势相关联的物理模型,以及使用经校准的物理模型预测附加测量结果;
(3)生成所述增强训练数据还包括使用所述测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并且使用所述物理模型和所述残差模型生成所述增强训练数据,
其中所述残差模型包括通过将来自所述物理模型的预测结果中的误差拟合到所述测量结果而被校准的纯数学模型;或
(4)生成所述增强训练数据是基于所述测量结果和由所述光刻过程产生的所述图案中的对称性。
94.根据条项91所述的介质,其中生成所述增强训练数据包括:基于来自经训练的物理模型的输出确定所述物理趋势,所述趋势由所述物理模型预测的成像特性的值之间的相对关系描述,而不是由所述成像特性本身的绝对值描述。
本文公开的概念可以模拟或数学建模用于子波长特征的任何通用成像、蚀刻、抛光、检查等***,并且对于能够产生越来越短的波长的新兴成像技术可能特别有用。新兴技术包括能够使用ArF激光器产生193nm波长,甚至使用氟激光器产生157nm波长的EUV(极紫外)、DUV光刻术。此外,EUV光刻术能够使用同步加速器或者通过用高能电子撞击材料(固体或等离子体)来产生在20nm-50nm的范围内的波长,以便产生在该范围内的光子。
虽然本文公开的概念可以用于利用诸如硅晶片的衬底上进行制造,但应当理解,所公开的概念可以用于任何类型的制造***(例如,用于在除了硅晶片之外的衬底上进行制造的制造***)。
此外,所公开的元件的组合和子组合可以包括单独的实施例。例如,上述操作的一个或多个可以包括在单独的实施例中,或者它们可以一起包括在相同实施例中。
以上描述旨在是说明性的而不是限制性的。因此,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的范围的情况下对所描述的本发明进行修改。
Claims (21)
1.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质上具有指令,所述指令当被计算机执行时使得所述计算机执行方法,所述方法包括:
确定一个或多个成像特性相对于由图案化过程产生的衬底上的图案变化的物理趋势,所述物理趋势基于第一图案集的第一数据和/或所述图案化过程被确定;以及
基于所述物理趋势生成增强数据,所述增强数据包括符合所述物理趋势且基于所述第一数据导出的第二数据,所述增强数据被导出用于第二图案集,所述第二图案集不同于所述第一图案集;其中所述增强数据被配置为作为输入被提供给机器学习模型,以训练所述机器学习模型根据所述物理趋势预测所述一个或多个成像特性。
2.根据权利要求1所述的介质,其中所述物理趋势与所述衬底上的图案设计变化和/或图案化过程变化相关联。
3.根据权利要求1所述的介质,还包括:将所述增强数据作为输入提供给所述机器学习模型,以训练所述机器学习模型符合根据所述物理趋势对所述一个或多个成像特性的预测。
4.根据权利要求1所述的介质,其中:
所述第一数据包括所述衬底上的图案的先前确定的测量结果,和/或指示由所述图案化过程产生的所述衬底上的图案的物理行为的信息;以及
所述增强数据相对于所述先前确定的测量结果和/或所述指示所述衬底上的图案的物理行为的信息是新的,但仍然符合所述物理趋势。
5.根据权利要求1所述的介质,其中所述一个或多个成像特性包括:临界尺寸、边缘位置、曲率、节距、对称性或旋转。
6.根据权利要求1所述的介质,其中生成所述增强数据是基于包括在所述第一数据中的一个或多个成像特性的测量结果,所述第一数据包括至少部分地限定所述物理趋势的针对所述第一图案集和/或所述图案化过程的先前确定的数据。
7.根据权利要求6所述的介质,其中生成所述增强数据包括:在给定成像特性的测量结果之间进行数学插值,以确定所述给定成像特性的附加测量结果。
8.根据权利要求6所述的介质,其中生成所述增强数据包括:使用所述测量结果校准与所述物理趋势相关联的物理模型,以及使用经校准的物理模型预测符合所述物理趋势的附加测量结果。
9.根据权利要求8所述的介质,其中所述物理模型包括多维算法,所述多维算法具有共同模拟所述物理趋势和/或所述图案化过程的项。
10.根据权利要求8所述的介质,其中生成所述增强数据还包括:使用所述测量结果校准残差模型,所述残差模型被配置为补偿所预测的附加测量结果中的误差,并且使用所述物理模型和所述残差模型生成所述增强数据,
其中所述残差模型包括通过将来自所述物理模型的预测结果中的误差针对所述测量结果进行拟合而被校准的纯数学模型。
11.根据权利要求6所述的介质,其中生成所述增强数据是基于所述测量结果和由所述图案化过程产生的所述图案中的对称性。
12.根据权利要求1所述的介质,其中生成所述增强数据包括:基于来自经训练的物理模型的输出确定所述物理趋势,所述趋势由所述物理模型预测的成像特性的值之间的相对关系描述,而不是由所述成像特性本身的绝对值描述。
13.根据权利要求1所述的介质,其中所述物理趋势包括:对称趋势、取向趋势、聚焦趋势、剂量趋势、贯通节距趋势、线性趋势和/或贯通临界尺寸趋势。
14.根据权利要求12所述的介质,其中所述机器学习模型被训练为基于损失函数根据所述物理趋势预测所述一个或多个成像特性,所述损失函数被配置为使所述机器学模型拟合由所述物理模型预测的成像特性的值之间的相对关系,而不是拟合所述成像特性本身的绝对值。
15.根据权利要求1所述的介质,其中所述物理趋势基于所述衬底上的先前图案变化和/或先前图案化过程变化而已知。
16.根据权利要求1所述的介质,其中来自所述机器学习模型的输出被配置为被提供给成本函数,以便于确定与各个图案化过程变量相关联的成本。
17.根据权利要求1所述的介质,其中所述第一数据包括由第一图案化过程产生的第一衬底上的第一图案或图案集的先前确定的测量结果,并且其中,所述物理趋势基于(1)与所述物理趋势相关联的所述第一衬底上的所述第一图案或图案集的测量结果,和/或(2)将物理模型针对所述第一图案或图案集的测量结果进行拟合。
18.根据权利要求17所述的介质,其中所述第一图案化过程包括:具有与第二图案化过程实质上相似的过程条件的一个或多个半导体制造图案化过程,并且其中所述第二图案化过程包括:被模拟和/或被构建模型的目标图案化过程,其中所述增强数据包括基于所述物理趋势生成的和/或由所述物理模型生成的新数据,和/或包括来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集。
19.根据权利要求17所述的介质,其中所述增强数据能够与来自由所述第二图案化过程产生的第二衬底上的第二图案或图案集的第二测量结果相结合,其中在所述第一图案化过程和所述第二图案化过程相似时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与先前掩模相关联的数据。
20.根据权利要求19所述的介质,其中在相对于所述第一图案化过程调整所述第二图案化过程时,来自所述第一数据的先前确定的测量结果的符合所述物理趋势的子集包括与当前掩模上的不同位置相关联的数据。
21.根据权利要求1所述的介质,其中所述增强数据与归一化的基于标准偏差的损失函数相关联。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/279,263 | 2021-11-15 | ||
US63/420,044 | 2022-10-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118235094A true CN118235094A (zh) | 2024-06-21 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210286270A1 (en) | Method for decreasing uncertainty in machine learning model predictions | |
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 | |
KR102516045B1 (ko) | 패터닝 공정을 위한 최적화의 흐름 | |
KR102585137B1 (ko) | 특성 패턴을 생성하고 기계 학습 모델을 트레이닝하는 방법들 | |
US20230076185A1 (en) | Systems and methods for process metric aware process control | |
US20210349404A1 (en) | Method to create the ideal source spectra with source and mask optimization | |
US20230267711A1 (en) | Apparatus and method for selecting informative patterns for training machine learning models | |
EP3531206A1 (en) | Systems and methods for improving resist model predictions | |
WO2022268434A1 (en) | Etch simulation model including a correlation between etch biases and curvatures of contours | |
CN118235094A (zh) | 生成用于训练机器学习模型以保持物理趋势的增强数据 | |
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 | |
TWI786658B (zh) | 像差影響系統、模型、及製造程序 | |
CN112889004B (zh) | 通过源和掩模优化创建理想源光谱的方法 | |
TWI844942B (zh) | 用於圖案選擇之非暫時性電腦可讀媒體 | |
WO2023084063A1 (en) | Generating augmented data to train machine learning models to preserve physical trends | |
CN118235087A (zh) | 基于蚀刻偏差方向确定蚀刻效果 | |
WO2023088649A1 (en) | Determining an etch effect based on an etch bias direction | |
WO2023046385A1 (en) | Pattern selection systems and methods | |
WO2023169806A1 (en) | Methods, systems, and software for determination of failure rates of lithographic processes | |
CN118265950A (zh) | 模拟模型稳定性确定方法 | |
WO2023088641A1 (en) | Simulation model stability determination method | |
WO2023016752A1 (en) | Match the aberration sensitivity of the metrology mark and the device pattern | |
WO2024013038A1 (en) | Stochastic-aware source mask optimization based on edge placement probability distribution | |
WO2024041831A1 (en) | Modelling of multi-level etch processes | |
CN116940896A (zh) | 图案化过程的配置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |