DE112021005916T5 - Verfahren und computerprogramme zur konfiguration eines stichprobenplan-erzeugungsmodells - Google Patents

Verfahren und computerprogramme zur konfiguration eines stichprobenplan-erzeugungsmodells Download PDF

Info

Publication number
DE112021005916T5
DE112021005916T5 DE112021005916.5T DE112021005916T DE112021005916T5 DE 112021005916 T5 DE112021005916 T5 DE 112021005916T5 DE 112021005916 T DE112021005916 T DE 112021005916T DE 112021005916 T5 DE112021005916 T5 DE 112021005916T5
Authority
DE
Germany
Prior art keywords
model
sampling plan
substrate
trained
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE112021005916.5T
Other languages
English (en)
Inventor
Roy Werkman
Jochem Sebastiaan Wildenberg
Reza SAHRAEIAN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Netherlands BV
Original Assignee
ASML Netherlands BV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Netherlands BV filed Critical ASML Netherlands BV
Publication of DE112021005916T5 publication Critical patent/DE112021005916T5/de
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • GPHYSICS
    • G03PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03FPHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0475Generative networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/094Adversarial learning

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Debugging And Monitoring (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)

Abstract

Es wird ein Verfahren zum Ableiten eines aktuellen Stichprobenplans für ein oder mehrere aktuelle Substrate bereitgestellt, wobei das Verfahren Folgendes beinhaltet: Erhalten eines ersten Modells, das trainiert ist, um auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit einem oder mehreren vorhergehenden Substraten assoziiert sind, einen optimalen Stichprobenplan abzuleiten, wobei das erste Modell abhängig von einem Ergebnis eines zweiten Modells trainiert wird, das konfiguriert ist, um zwischen dem abgeleiteten optimalen Stichprobenplan und einem vorgegebenen optimalen Stichprobenplan zu diskriminieren; und Verwenden des erhaltenen ersten Modells, um den aktuellen Stichprobenplan auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit dem einen oder den mehreren aktuellen Substraten assoziiert sind, abzuleiten.

Description

  • QUERVERWEIS AUF VERWANDTE ANMELDUNGEN
  • Diese Anmeldung beansprucht die Priorität der EP-Anmeldung 20206977.9 , die am 11. November 2020 angemeldet wurde und hierin in vollem Umfang durch Bezugnahme aufgenommen ist.
  • GEBIET
  • Die vorliegende Erfindung betrifft Verfahren und Computerprogramme, die eingerichtet sind, um ein Modell zur Erzeugung eines Stichprobenplans zu konfigurieren. Genauer gesagt bezieht sich der Stichprobenplan auf eine Verteilung von Stichprobenstellen über ein Substrat, das einem lithographischen Prozess unterworfen wird, und die Auswahl von Substraten innerhalb eines Loses zur Messung.
  • HINTERGRUND
  • Ein lithographisches Gerät ist eine Maschine, die konstruiert ist, um ein gewünschtes Muster auf ein Substrat aufzubringen. Ein lithographisches Gerät kann zum Beispiel bei der Herstellung integrierter Schaltungen (ICs) verwendet werden. Ein lithographisches Gerät kann zum Beispiel ein Muster (oft auch als „Entwurfslayout“ oder „Entwurf“ bezeichnet) an einer Musteraufbringungsvorrichtung (z. B. einer Maske) auf eine auf einem Substrat (z. B. einem Wafer) bereitgestellte Schicht aus strahlungsempfindlichem Material (Photolack) projizieren.
  • Um ein Muster auf ein Substrat zu projizieren, kann ein lithographisches Gerät elektromagnetische Strahlung verwenden. Die Wellenlänge dieser Strahlung bestimmt die minimale Größe von Merkmalen, die auf dem Substrat gebildet werden können. Typische Wellenlängen, die derzeit verwendet werden, sind 365 nm (i-Linie), 248 nm, 193 nm und 13,5 nm. Ein lithographisches Gerät, das extreme ultraviolette (EUV) Strahlung mit einer Wellenlänge innerhalb der Spanne von 4-20 nm, zum Beispiel 6,7 nm oder 13,5 nm, verwendet, kann verwendet werden, um kleinere Merkmale auf einem Substrat zu bilden als ein lithographisches Gerät, das zum Beispiel Strahlung mit einer Wellenlänge von 193 nm verwendet.
  • Eine Lithographie mit niedrigem k1 kann verwendet werden, um Merkmale mit Abmessungen, die kleiner als die klassische Auflösungsgrenze eines lithographischen Geräts sind, zu verarbeiten. In derartigen Prozessen kann die Auflösungsformel als CD = k1 × λ/NA ausgedrückt werden, wobei λ die Wellenlänge der eingesetzten Strahlung ist, NA die numerische Apertur der Projektionsoptik in dem lithographischen Gerät ist, CD die „kritische Abmessung“ (im Allgemeinen die kleinste gedruckte Merkmalsgröße, aber in diesem Fall Halb-Abstand) ist und k1 ein empirischer Auflösungsfaktor ist. Im Allgemeinen wird, je kleiner k1 ist, es desto schwieriger, das Muster auf dem Substrat zu reproduzieren, das der Form und den Abmessungen, die von einem Schaltungsentwickler geplant wurden, um eine bestimmte elektrische Funktionalität und Leistung zu erreichen, ähnelt. Um diese Schwierigkeiten zu überwinden, können auf das lithographische Projektionsgerät und/oder das Entwurfslayout hoch entwickelte Feinabstimmungsschritte angewandt werden. Diese umfassen beispielsweise, ohne darauf beschränkt zu sein, die Optimierung der NA, speziell angepasste Beleuchtungspläne, die Verwendung von Phasenverschiebungs-Musteraufbringungsvorrichtungen, verschiedene Optimierungen des Entwurfslayouts, wie etwa optische Nahbereichskorrektur (Optical Proximity Correction, OPC, gelegentlich auch als „optische und Prozesskorrektur“ bezeichnet) im Entwurfslayout, oder andere Verfahren, die allgemein als „Auflösungsverbesserungstechniken“ (Resolution Enhancement Techniques, RET) definiert sind. Alternativ können strenge Regelschleifen zum Steuern einer Stabilität des lithographischen Geräts verwendet werden, um die Reproduktion des Musters bei niedrigem k1 zu verbessern.
  • Lithographische Prozesse brauchen oft ausreichende Daten, um die Überwachung und/oder Steuerung eines in dem lithographischen Prozess verwendeten Geräts, wie etwa eines lithographischen Werkzeugs, Ätzerwerkzeugs oder eines Aufbringungswerkzeugs, zu ermöglichen. Die Daten können Metrologiedaten sein, die Messungen beinhalten, welche an durch das lithographische Gerät gemusterten Substraten durchgeführt werden. Die Messungen werden typischerweise an vorgegebenen Stellen über das Substrat/die Substrate durchgeführt, den sogenannten „Stichprobenstellen“. Typischerweise wird ein Algorithmus zur Stichprobenplanerzeugung verwendet, um diese (optimalen) Stichprobenstellen zu bestimmen, zum Beispiel auf der Basis der Kenntnis eines Modells, das zum Beschreiben der Messdaten verwendet wird, und/oder auf der Basis einer typischerweise beobachteten Verteilung der Messdaten (Werte) über ein oder mehrere Substrate.
  • Die Messung an jeder Stichprobenstelle braucht wertvolle Metrologiezeit, die sonst für eine lithographische Verarbeitung von Substraten hätte verwendet werden können, die direkt zu der Erschaffung von durch den lithographischen Prozess hergestellten Halbleitervorrichtungen beiträgt. Wenn es erforderlich ist, viele Stichprobenstellen zu messen, werden zusätzlich oft mehrere Metrologiewerkzeuge benötigt, was wertvolle Standfläche kostet. Es ist somit von äußerstem Interesse, dass der genutzte Stichprobenplangenerator auch kosteneffektiv ist und verhindert, dass mehr Stichprobenstellen als für eine akzeptable Prozessüberwachung/zu Steuerungszwecken nötig festgelegt werden. Eine mögliche Verbesserung von (statischen) Stichprobenplangeneratoren wurde in der Vergangenheit vorgeschlagen. Beispielsweise ist der in der internationalen Patentanmeldung WO2017194289 beschriebene Stichprobenplangenerator konfiguriert, um Stichprobenstellen dynamischer auszuwählen, indem er ein Muster über einen ersten Satz Stichprobenstellen erkennt, und auf der Basis des erkannten Musters einen zweiten Satz Stichprobenstellen auszuwählen (dynamisch). Der oben beschriebene dynamische Stichprobenplangenerator ist jedoch immer noch relativ beschränkt darin, einen (dynamischen) Stichprobenplan (z. B. einen Satz Stichprobenstellen) für eine große Vielfalt von potenziell unterschiedlichen Mustern von Messdaten über das eine oder die mehreren Substrate wahrhaftig speziell anzupassen; die Sätze der ersten und der zweiten Stichprobenstellen sind typischerweise vorgegeben. Die Beschränkung eines vorgegebenen, aber dynamisch auswählbaren, diskreten Satzes von Stichprobenplänen kann eine optimale Stichprobennahme der Substrate verhindern, da immer noch mehr Stichprobenstellen als erforderlich Messungen unterworfen werden können, während sie in Hinblick auf eine zufriedenstellende Prozessüberwachung und/oder -steuerung strenggenommen nicht benötigt werden.
  • Es ist ein Ziel der Erfindung, ein Verfahren für eine dynamische Stichprobenplanerzeugung bereitzustellen, das konfiguriert ist, um eine Festlegung von Stichprobenstellen, die nichts oder wenig zu der Qualität der Prozessüberwachung und/oder Prozesssteuerung beitragen, zu vermeiden.
  • ÜBERSICHT
  • Es ist ein Ziel der vorliegenden Erfindung, Verfahren und Geräte zum Konfigurieren eines Stichprobenplangenerators bereitzustellen.
  • Gemäß einem ersten Aspekt der Erfindung wird ein Verfahren bereitgestellt, das Folgendes beinhaltet: Erhalten eines trainierten Modells, das konfiguriert ist, um einen bevorzugten Stichprobenplan für ein Substrat auf der Basis von Messdaten, die Stichprobenstellen auf dem Substrat und entsprechende Messwerte beinhalten, abzuleiten; und Verwenden von aktuellen Messdaten, die mit einem aktuellen Substrat assoziiert sind, als Eingang für das trainierte Modell, um zu bestimmen, ob eine weitere Messung an dem aktuellen Substrat erforderlich ist.
  • Gemäß einem zweiten Aspekt der Erfindung wird ein Verfahren bereitgestellt, um einen aktuellen Stichprobenplan für ein oder mehrere aktuelle Substrate abzuleiten, wobei das Verfahren Folgendes beinhaltet: Erhalten eines ersten Modells, das trainiert ist, um auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit einem oder mehreren vorhergehenden Substraten assoziiert sind, einen optimalen Stichprobenplan abzuleiten, wobei das erste Modell abhängig von einem Ergebnis eines zweiten Modells trainiert wird, das konfiguriert ist, um zwischen dem abgeleiteten optimalen Stichprobenplan und einem vorgegebenen optimalen Stichprobenplan zu unterscheiden; und Verwenden des erhaltenen ersten Modells, um den aktuellen Stichprobenplan auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit dem einen oder den mehreren aktuellen Substraten assoziiert sind, abzuleiten.
  • Gemäß einem dritten Aspekt der Erfindung wird ein Verfahren zum Bereitstellen einer Entscheidung über das Beenden oder das Fortsetzen der Durchführung von Messungen an Stichprobenstellen für ein oder mehrere Substrate bereitgestellt, wobei das Verfahren Folgendes beinhaltet: Erhalten eines anfänglichen Satzes von Messwerten, die einem anfänglichen Stichprobenplan entsprechen; Erhalten eines Modells, das Folgendes beinhaltet: i) ein erstes Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, ob eine oder mehrere Anforderungen, die durch eine Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellt werden, erfüllt sind; und ii) ein zweites Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, dass ein oder mehrere weitere Messwerte erfasst werden müssen, bevor die durch die Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellten Anforderungen erfüllt sind; Eingeben des anfänglichen Satzes von Messwerten in das Modell, um die Entscheidung zu erhalten, wobei die Entscheidung auf dem Abgleichen des Ausgangs des ersten und des zweiten Modells basiert.
  • Gemäß einem vierten Aspekt der Erfindung wird ein Computerprogrammprodukt bereitgestellt, das computerlesbare Anweisungen beinhaltet, die konfiguriert sind, um das Verfahren gemäß einem vorhergehenden Aspekt der Erfindung zu implementieren.
  • Figurenliste
  • Ausführungsformen der Erfindung werden nun unter Bezug auf die begleitenden schematischen Zeichnungen lediglich beispielhaft beschrieben, wobei:
    • - 1 eine schematische Übersicht über ein lithographisches Gerät abbildet;
    • - 2 eine schematische Übersicht über eine lithographische Zelle abbildet;
    • - 3 eine schematische Darstellung einer holistischen Lithographie abbildet, die eine Kooperation zwischen drei Schlüsseltechnologien zur Optimierung der Halbleiterherstellung darstellt;
    • - 4 ein Diagramm abbildet, das ein Verfahren gemäß einer Ausführungsform der Erfindung darstellt;
    • - 5 ein Diagramm abbildet, das ein Verfahren gemäß einer Ausführungsform der Erfindung darstellt.
  • DETAILLIERTE BESCHREIBUNG
  • Im vorliegenden Dokument werden die Begriffe „Strahlung“ und „Strahl“ verwendet, um alle Arten von elektromagnetischer Strahlung einzuschließen, einschließlich ultravioletter Strahlung (z. B. mit einer Wellenlänge von 365, 248, 193, 157 oder 126 nm) und EUV (extreme ultraviolette Strahlung, z. B. mit einer Wellenlänge in der Spanne von ca. 5-100 nm).
  • Die Begriffe „Retikel“, „Maske“ oder „Musteraufbringungsvorrichtung“, wie sie in diesem Text eingesetzt werden, können dahingehend breit ausgelegt werden, dass sie sich auf eine generische Musteraufbringungsvorrichtung beziehen, die verwendet werden kann, um einen ankommenden Strahlungsstrahl mit einem gemusterten Querschnitt zu versehen, der einem Muster entspricht, das in einem Zielabschnitt des Substrats geschaffen werden soll. In diesem Kontext kann auch der Begriff „Lichtventil“ verwendet werden. Neben der klassischen Maske (durchlässig oder reflektierend, binär, phasenverschiebend, hybrid usw.) umfassen Beispiele anderer derartiger Musteraufbringungsvorrichtungen ein programmierbares Spiegelarray und ein programmierbares LCD-Array.
  • 1 bildet schematisch ein lithographisches Gerät LA ab. Das lithographische Gerät LA umfasst ein Beleuchtungssystem (auch als Beleuchter bezeichnet) IL, das zum Konditionieren eines Strahlungsstrahls B (z. B. UV-Strahlung, DUV-Strahlung oder EUV-Strahlung) konfiguriert ist, eine Maskenstütze (z. B. einen Maskentisch) MT, die zum Stützen einer Musteraufbringungsvorrichtung (z. B. einer Maske) MA konstruiert und mit einem ersten Positionierer PM verbunden ist, welcher zum genauen Positionieren der Musteraufbringungsvorrichtung MA in Übereinstimmung mit gewissen Parametern konfiguriert ist, eine Substratstütze (z. B. einen Wafertisch) WT, die zum Halten eines Substrats (z. B. eines mit Photolack beschichteten Wafers) konstruiert und mit einem zweiten Positionierer PW verbunden sind, welcher zum genauen Positionieren der Substratstütze in Übereinstimmung mit gewissen Parametern konfiguriert ist, und ein Projektionssystem (z. B. ein brechendes Projektionslinsensystem) PS, das konfiguriert ist, um ein Muster, das dem Strahlungsstrahl B durch die Musteraufbringungsvorrichtung MA verliehen wird, auf einen Zielabschnitt C (der z. B. ein oder mehrere Dies beinhaltet) des Substrats W zu projizieren.
  • Im Betrieb empfängt das Beleuchtungssystem IL einen Strahlungsstrahl von einer Strahlungsquelle SO, z. B. über ein Strahlliefersystem BD. Das Beleuchtungssystem IL kann verschiedene Arten optischer Komponenten umfassen, wie etwa brechende, reflektierende, magnetische, elektromagnetische, elektrostatische und/oder andere Arten optischer Komponenten oder eine beliebige Kombination davon, um Strahlung zu lenken, zu formen und/oder zu steuern. Der Beleuchter IL kann verwendet werden, um den Strahlungsstrahl B so zu konditionieren, dass er in seinem Querschnitt in einer Ebene der Musteraufbringungsvorrichtung MA eine gewünschte Raum- und Winkelintensitätsverteilung aufweist.
  • Der hier verwendete Begriff „Projektionssystem“ PS ist im weiten Sinne als verschiedene Arten von Projektionssystem umfassend auszulegen, was brechende, reflektierende, katadioptrische, anamorphotische, magnetische, elektromagnetische und/oder elektrostatische optische Systeme oder jegliche Kombination davon umfasst, wie für die verwendete Belichtungsstrahlung und/oder für andere Faktoren, wie etwa die Verwendung einer Immersionsflüssigkeit oder die Verwendung eines Vakuums, geeignet. Jede Verwendung des Begriffs „Projektionslinse“ hierin kann als synonym mit dem allgemeineren Begriff „Projektionssystem“ PS angesehen werden.
  • Das lithographische Gerät LA kann von einer Art sein, bei der mindestens ein Abschnitt des Substrats durch eine Flüssigkeit bedeckt sein kann, die einen relativ hohen Brechungsindex aufweist, z. B. Wasser, um einen Raum zwischen dem Projektionssystem PS und dem Substrat W zu füllen - was auch als Immersionslithografie bezeichnet wird. Mehr Informationen über Immersionstechniken sind in US6952253 gegeben, das hierin durch Bezugnahme aufgenommen ist.
  • Das lithographische Gerät LA kann auch von einer Art mit zwei oder mehr Substratstützen WT (auch „Dual Stage“ genannt) sein. Bei derartigen „Multi-Stage“-Maschinen können die Substratstützen WT parallel verwendet werden und/oder können bei der Vorbereitung einer nachfolgenden Belichtung des Substrats W Schritte an dem Substrat W, das sich auf einer der Substratstützen WT befindet, vollzogen werden, während ein anderes Substrat W auf der anderen Substratstütze WT zum Belichten des anderen Substrats W mit einem Muster verwendet wird.
  • Zusätzlich zu der Substratstütze WT kann das lithographische Gerät LA auch eine Messplattform beinhalten. Die Messplattform ist eingerichtet, um einen Sensor und/oder eine Reinigungsvorrichtung zu halten. Der Sensor kann eingerichtet sein, um eine Eigenschaft des Projektionssystems PS oder eine Eigenschaft des Strahlungsstrahls B zu messen. Die Messplattform kann mehrere Sensoren halten. Die Reinigungsvorrichtung kann eingerichtet sein, um einen Teil des lithographischen Geräts zu reinigen, zum Beispiel einen Teil des Projektionssystems PS oder einen Teil eines Systems, das die Immersionsflüssigkeit bereitstellt. Die Messplattform kann sich unter dem Projektionssystem PS bewegen, wenn die Substratstütze WT fern von dem Projektionssystem PS befindlich ist.
  • Im Betrieb fällt der Strahlungsstrahl B auf die Musteraufbringungsvorrichtung, z. B. Maske, MA, die auf der Maskenstütze MT gehalten wird, und wird mit dem auf der Musteraufbringungsvorrichtung MA vorhandenen Muster (Entwurfslayout) gemustert. Nach dem Durchqueren der Maske MA durchläuft der Strahlungsstrahl B das Projektionssystem PS, welches den Strahl auf einen Zielabschnitt C des Substrats W fokussiert. Mit der Hilfe des zweiten Positionierers PW und eines Positionsmesssystems IF kann die Substratstütze WT genau bewegt werden, z. B. um unterschiedliche Zielabschnitte C an einer fokussierten und ausgerichteten Position in dem Weg des Strahlungsstrahls B zu positionieren. Auf ähnliche Weise können der erste Positionierer PM und möglicherweise ein weiterer Positionssensor (der in 1 nicht ausdrücklich abgebildet ist) verwendet werden, um die Musteraufbringungsvorrichtung MA in Bezug auf den Weg des Strahlungsstrahls B genau zu positionieren. Die Musteraufbringungsvorrichtung MA und das Substrat W können unter Verwendung von Maskenausrichtungsmarkierungen M1, M2 und Substratausrichtungsmarkierungen P1, P2 ausgerichtet werden. Obwohl die Substratausrichtungsmarkierungen P1, P2 in der Veranschaulichung speziell dafür vorgesehene Zielabschnitte einnehmen, können sie auch in Räumen zwischen Zielabschnitten befindlich sein. Die Substratausrichtungsmarkierungen P1, P2 sind als Ritzgrabenausrichtungsmarkierungen bekannt, wenn diese zwischen den Zielabschnitten C befindlich sind.
  • Wie in 2 gezeigt, kann die lithographische Vorrichtung LA Teil einer lithographischen Zelle LC sein, die manchmal auch als eine Lithozelle oder ein (Litho)cluster bezeichnet wird und oft auch Geräte zum Durchführen von Vor- und Nachbelichtungsprozessen an einem Substrat W umfasst. Herkömmlicherweise umfassen diese Rotationsbeschichter SC zum Aufbringen von Photolackschichten, Entwickler DE zum Entwickeln von belichtetem Photolack, Kühlplatten CH und Härteplatten BK, z. B. zum Konditionieren der Temperatur von Substraten W, z. B. zum Konditionieren von Lösungsmitteln in den Photolackschichten. Ein Substrathandhaber, oder Roboter, RO ergreift die Substrate W von Eingangs-/Ausgangsöffnungen I/O1, I/O2, bewegt sie zwischen den unterschiedlichen Prozessgeräten und liefert die Substrate W an die Ladebucht LB des lithographischen Geräts LA. Die Vorrichtungen in der Lithozelle, die oft auch insgesamt als Track bezeichnet werden, unterliegen typischerweise der Steuerung einer Track-Steuereinheit TCU, die ihrerseits durch ein überwachendes Steuersystem SCS gesteuert werden kann, das möglicherweise außerdem das lithographische Gerät LA steuert, z. B. über die Lithographiesteuereinheit LACU.
  • Damit die Substrate W, die durch das lithographische Gerät LA belichtet werden, korrekt und einheitlich belichtet werden, ist es wünschenswert, Substrate zu inspizieren, um Eigenschaften von gemusterten Strukturen, wie etwa Überdeckungsfehler zwischen benachbarten Schichten, Liniendicken, kritische Abmessungen (CD) usw., zu messen. Zu diesem Zweck können Inspektionswerkzeuge (nicht gezeigt) in der Lithozelle LC umfasst sein. Wenn Fehler detektiert werden, können zum Beispiel an Belichtungen nachfolgender Substrate oder an anderen Verarbeitungsschritten, die an den Substraten W durchzuführen sind, Justierungen vorgenommen werden, insbesondere wenn die Inspektion erfolgt, bevor andere Substrate W derselben Charge oder desselben Loses noch zu belichten oder zu verarbeiten sind.
  • Ein Inspektionsgerät, das auch als ein Metrologiegerät bezeichnet werden kann, wird verwendet, um Eigenschaften der Substrate W zu bestimmen und insbesondere zu bestimmen, wie Eigenschaften unterschiedlicher Substrate W variieren oder wie Eigenschaften, die mit unterschiedlichen Schichten desselben Substrats W assoziiert sind, von Schicht zu Schicht variieren. Das Inspektionsgerät kann alternativ konstruiert sein, um Defekte auf dem Substrat W zu identifizieren, und kann zum Beispiel Teil der Lithozelle LC sein oder in das lithographische Gerät LA integriert sein oder sogar ein Einzelgerät sein. Das Inspektionsgerät kann die Eigenschaften an einem latenten Bild (Bild in einer Photolackschicht nach der Belichtung) oder an einem semilatenten Bild (Bild in einer Photolackschicht nach einem Nachbelichtungs-Härteschritt PEB) oder an einem entwickelten Photolackbild (in dem die belichteten oder die nichtbelichteten Teile des Photolacks entfernt wurden) oder sogar an einem geätzten Bild (nach einem Musterübertragungsschritt wie etwa Ätzen) messen.
  • Der Musteraufbringungsprozess in einem lithographischen Gerät LA ist typischerweise einer der kritischsten Schritte bei der Verarbeitung, der eine hohe Genauigkeit der Abmessung und Platzierung von Strukturen auf dem Substrat W erfordert. Um diese hohe Genauigkeit zu gewährleisten, können drei Systeme in einer sogenannten „holistischen“ Steuerumgebung kombiniert werden, wie schematisch in 3 abgebildet. Eines dieser Systeme ist das lithographische Gerät LA, das (virtuell) mit einem Metrologiewerkzeug MT (einem zweiten System) und einem Computersystem CL (einem dritten System) verbunden ist. Der Schlüssel zu einer derartigen „holistischen“ Umgebung besteht darin, die Kooperation zwischen diesen drei Systemen zu optimieren, um das Gesamtprozessfenster zu verbessern und strenge Regelschleifen bereitzustellen, um zu gewährleisten, dass die durch das lithographische Gerät LA durchgeführte Musteraufbringung innerhalb eines Prozessfensters bleibt. Das Prozessfenster definiert eine Prozessparameterspanne (z. B. Dosis, Fokus, Überdeckung), innerhalb derer ein spezifischer Herstellungsprozess ein definiertes Resultat ergibt (z. B. eine funktionsfähige Halbleitervorrichtung) - innerhalb derer die Prozessparameter in dem lithographischen Prozess oder dem Musteraufbringungsprozess typischerweise variieren dürfen.
  • Das Computersystem CL kann das zu musternde Entwurfslayout (oder einen Teil davon) verwenden, um vorherzusagen, welche Auflösungsverbesserungstechniken zu verwenden sind, und um rechnerische Lithographiesimulationen und Berechnungen durchzuführen, um zu bestimmen, welches Maskenlayout und welche Einstellungen des lithographischen Geräts das größte Gesamtprozessfenster des Musteraufbringungsprozesses erreichen (abgebildet in 3 durch den doppelten Pfeil in der ersten Skala SC1). Typischerweise sind die Auflösungsverbesserungstechniken eingerichtet, um mit den Musteraufbringungsmöglichkeiten des lithographischen Geräts LA zusammenzupassen. Das Computersystem CL kann auch verwendet werden, um zu detektieren, wo innerhalb des Prozessfensters das lithographische Gerät LA aktuell arbeitet (z. B. unter Verwendung eines Eingangs von dem Metrologiewerkzeug MT), um vorherzusagen, ob Defekte aufgrund von z. B. nicht optimaler Verarbeitung vorhanden sein können (abgebildet in 3 durch den Pfeil, der in der zweiten Skala SC2 auf „0“ zeigt).
  • Das Metrologiewerkzeug MT kann dem Computersystem CL Eingang bereitstellen, um genaue Simulationen und Vorhersagen zu ermöglichen, und dem lithographischen Gerät LA Rückkopplung bereitstellen, um mögliche Driften, z. B. bei einem Kalibrierungsstatus des lithographischen Geräts LA, zu identifizieren (abgebildet in 3 durch die mehreren Pfeile in der dritten Skala SC3).
  • Metrologiewerkzeuge MT können ein Substrat während unterschiedlicher Stadien des lithographischen Musteraufbringungsprozesses messen. Die Metrologie eines Substrats kann für unterschiedliche Zwecke verwendet werden. Messungen eines Substrats können zum Beispiel zur Überwachung und/oder Aktualisierung der Einstellungen eines lithographischen Prozesses, zur Fehlererkennung, zur Analyse des Geräts im Verlauf der Zeit, Qualitätskontrolle usw. verwendet werden. Einige Messungen sind leichter zu erhalten als andere. Zum Beispiel können einige Messungen erfordern, dass auf einem Substrat spezifische Zielstrukturen vorhanden sind. Einige Messungen können im Vergleich zu anderen Messungen eine relativ lange Zeit zur Durchführung brauchen. Lange Messungen können viel Zeit von teuren Metrologiewerkzeugen MT beanspruchen. Das kann diese Messungen in Hinsicht auf Ausrüstungsverwendung und Zeit teuer machen. Infolgedessen werden derartige Messungen möglicherweise weniger häufig durchgeführt. Dies kann bedeuten, dass für einige Parameter nur dünn besetzte Messdaten verfügbar sind und/oder dass die Messungen möglicherweise nicht an jedem Substrat durchgeführt werden.
  • Die Kosten der Metrologiezeit werden zu einem großen Teil durch Folgendes bestimmt: a) die Zahl der pro Substrat vorgenommenen Messungen, z. B. die Zahl der Stichprobenstellen, die innerhalb eines genutzten Stichprobenplans beinhaltet sind, und b) die Zahl der pro Los oder Strang (Thread) gemessenen Substrate. Es ist von höchster Wichtigkeit, Stichprobenstellen in Hinsicht auf ihren Informationsgehalt auszuwählen. Es kann zum Beispiel angenommen werden, dass die Messdaten unter Verwendung eines (polynomen) Modells, das Substratkoordinaten einem modellierten Wert eines Messparameters zuordnet, genau beschrieben werden können. Eine Kenntnis des Modells (Basisfunktionen, Verhalten) kann verwendet werden, um bevorzugte Stichprobenstellen über das Substrat oder einen Bereich auf dem Substrat (ein Feld oder ein Die oder einen Satz von Feldern und/oder Dies) zu bestimmen. Alternativ können alte Messdaten verwendet werden, um den Stichprobenplan zu bestimmen; beispielsweise auf der Basis eines oder mehrerer der Folgenden: a) eines typischerweise beobachteten Fingerprints des Messparameters, wobei zum Beispiel die Dichte der Stichprobenstellen mit der räumlichen Änderungsrate des Messparameters über das Substrat (den Bereich) zu- bzw. abnimmt; und b) zuvor bestimmter Verteilungen der Messqualitätskennzahlen (KPI), zum Beispiel Auslassen von Stellen auf dem Substrat, die für prozessinduzierte Messfehler anfällig sind.
  • Bislang ist noch kein Mechanismus vorgeschlagen worden, um die Messdaten, die erhalten werden, während die Messungen noch weiterlaufen, aktiv und dynamisch zu analysieren und die Verfügbarkeit von Messdaten und ihr Ausreichen für Zwecke der Prozessüberwachung und/oder Prozesssteuerung zu evaluieren. Falls ein solcher Mechanismus vorhanden ist, könnte er Stichprobenstellen in Echtzeit bereitstellen; er könnte z. B. kontinuierlich Stichprobenstellen zur Messung vorschlagen, bis eine gewissen Anforderung, die mit der Steuerung/Überwachung im Zusammenhang steht, erfüllt ist. Die Stichprobenstellen bei dieser vorgeschlagenen Arbeitsweise sind nicht statisch (vorgegeben), sondern werden als Reaktion auf einen erwarteten (abgeleiteten) optimalen Stichprobenplan erzeugt.
  • Dieser Ansatz kann implementiert werden, indem ein Modell verwendet wird, das konfiguriert ist, um einen bevorzugten Stichprobenplan auf der Basis verschiedener Eingänge vorherzusagen. Typischerweise muss ein derartiges Modell trainiert werden und basiert zum Beispiel auf einem neuronalen Netzwerk. Die verschiedenen Eingänge während der Verwendung des Modells zur dynamischen Stichprobenplanbestimmung beinhalten mindestens Messdaten, die für ein Substrat bis zu einer gewissen Zeit „t“ erhalten wurden, und vorzugsweise Kontext- und/oder Vorbelichtungsdaten, wie etwa Ausrichtungs- und Nivellierungsdaten, die mit dem Substrat assoziiert sind. Alternativ oder zusätzlich dazu können die Vorbelichtungsdaten Messdaten von einem oder mehreren vorhergehenden Substraten oder vorhergehenden Losen beinhalten, zum Beispiel gemessene Überdeckungsdaten eines vorhergehenden Loses, das wahrscheinlich einen Überdeckungsfingerprint über das Substrat aufweist, der dem Substrat ähnlich ist. Die Kontextdaten können zum Beispiel die Verarbeitungsgeschichte des Substrats beinhalten (z. B. die Identifizierung von bei der Verarbeitung des Substrats verwendeten Werkzeugen, zum Beispiel der spezifischen Ätzkammer, des spezifischen Aufbringungswerkzeugs oder des spezifischen lithographischen Geräts, die/das bei der Musterung des Substrats verwendet wurde). Das Modell muss typischerweise mit alten Messdaten, die mit einem oder mehreren vorhergehenden Stichprobenplänen assoziiert sind, wie etwa verteilten Stichprobenplänen, bei denen Substrate innerhalb eines Loses gemäß unterschiedlichen Unter-Stichprobenplänen gemessen werden, trainiert werden. In einem weiteren Beispiel beinhalten die Messdaten eine Mischung aus dünn besetzt gemessenen Daten und/oder (weniger häufig gemessenen) dicht besetzten Messdaten. Zusätzlich zu den Messdaten können auch Kontextdaten, Vorbelichtungsdaten und Stichprobenplandaten als Eingang für die Trainingsphase des Modells verwendet werden. Die Trainingsdaten können zum Beispiel vormals bestimmte optimale Stichprobenpläne für bereits verarbeitete Substrate einschließlich ihrer assoziierten Kontext- und/oder Vorbelichtungsdaten sein. Die Trainingsphase erstellt eine erste Version des Modells, das zum Ableiten optimierter Stichprobenpläne auf der Basis verfügbarer Messdaten und (wenn verfügbar) Kontext- und/oder Vorbelichtungsdaten verwendet wird. Die verfügbaren Messdaten können über die Messdaten eines gewissen Substrats, das der Inspektion unterworfen wird, hinausgehen, sie können zum Beispiel auch Messdaten für kürzlich gemessene Substrate (zum Beispiel Substrate, die zu demselben Los wie das der Inspektion unterworfene Substrat gehören) umfassen. Nach dem Training kann das Modell für eine dynamische Stichprobenplanfestlegung verwendet werden; das bedeutet, dass während der Substratinspektion Daten kontinuierlich in das Modell eingespeist werden und der abgeleitete bevorzugte Stichprobenplan kontinuierlich mit dem Satz Stichprobenstellen, die bisher der Messung (Inspektion) unterworfen wurden, verglichen wird. In dem Fall, dass bereits verfügbare Stichprobenstellen im Einklang mit dem dynamisch abgeleiteten optimalen Stichprobenplan (gut genug) sind, kann das Modell kommunizieren, dass eine weitere Strichprobenahme des Substrats von Interesse beendet werden kann. Wenn alternativ noch immer zu wenige Stichprobenstellen inspiziert/gemessen wurden, kann das Modell vorschlagen, eine oder mehrere Stichprobenstellen zur Inspektion/Messung aufzunehmen. Das Modell kann zusätzlich ferner spezifizieren, welche Substrate aus dem einen oder den mehreren Losen von Substraten zu messen sind, und ferner spezifizieren, für welche Substrate welche Stichprobenstellen auszuwählen sind. Diese Strategie ist in 4 abgebildet. Kontext- und/oder Vorbelichtungsdaten 405 und aktuelle Messdaten 410 werden als Eingang für ein Modell 400 verwendet, das konfiguriert ist, um einen optimalen Stichprobenplan abzuleiten und weitere Messaktionen anzuraten (z. B. Auswahl, welche Substrate zu messen sind, und der entsprechenden Stichprobenstellen für jedes ausgewählte Substrat), einschließlich des Vorschlagens einer oder mehrerer weiterer Stichprobenstellen und/oder des Anratens der Fortsetzung durch das Messen der nächsten Stichprobenstelle oder des Beendens der Messung für das aktuelle Substrat (z. B. des Substrats, das aktuell der Messung/Inspektion unterworfen ist).
  • Des Weiteren werden die aktuellen Messdaten verwendet, um das Modell zu aktualisieren; indem dem Modell kontinuierlich Messdaten geboten werden, die dem bestimmten optimalen Stichprobenplan entsprechen, wird das Modell kontinuierlich trainiert, und dementsprechend wird das Modell zunehmend besser trainiert und dynamisch trainiert.
  • In einer Ausführungsform der Erfindung wird ein Verfahren bereitgestellt, wobei das Verfahren Folgendes beinhaltet: Erhalten eines trainierten Modells, das konfiguriert ist, um einen bevorzugten Stichprobenplan für ein Substrat auf der Basis von Messdaten, die mit dem Substrat assoziiert sind, abzuleiten; und Verwenden von aktuellen Messdaten, die mit einem aktuellen Substrat assoziiert sind, als Eingang für das trainierte Modell, um zu bestimmen, ob eine weitere Messung an dem aktuellen Substrat erforderlich ist.
  • In einer Ausführungsform basiert das Modell auf einem neuronalen Netzwerk.
  • In einer Ausführungsform beinhalten die Messdaten Informationen von Stichprobenstellen, die mit innerhalb der Messdaten beinhalteten Messwerten assoziiert sind.
  • In einer Ausführungsform beinhaltet das Verfahren ferner das Eingeben von Vorbelichtungsdaten und/oder Kontextdaten, die mit dem aktuellen Substrat assoziiert sind, in das trainierte Modell.
  • In einer Ausführungsform beinhaltet das Verfahren ferner das Konfigurieren des trainierten Modells auf der Basis der aktuellen Messdaten.
  • Das oben beschriebene trainierte Modell kann auch als Generative Adversarial Network (GAN) konfiguriert sein. In diesem Fall beinhaltet das Modell ein generatives Modell, das trainiert ist, um einen Stichprobenplan (auf der Basis angemessener Eingangsdaten) zu erzeugen, und ein diskriminierendes Modell, das trainiert ist, um zwischen einem abgeleiteten (optimalen) Stichprobenplan (unter Verwendung des generativen Modells) und einem tatsächlich optimalen Stichprobenplan zu unterscheiden.
  • 5 bildet einen GAN-basierten Stichprobenplangenerator 510 ab. Der Stichprobengenerator 510 ist Teil eines GAN 500, das auch ein diskriminierendes Modell 520 beinhaltet, welches trainiert ist, um zwischen einem erzeugten optimalen Stichprobenplan 501 und einem realen optimierten Stichprobenplan 502 zu diskriminieren. Der Generator 510 wird während einer Trainingsphase trainiert, indem ein oder mehrere „Schlimmster-Fall“-Stichprobenpläne 503 eingegeben werden, die typischerweise (sehr) dicht besetzte Stichprobenpläne sind, welche konfiguriert sind, um ausreichende Informationen zur Prozessüberwachung und/oder-steuerung für alle beliebigen Bedingungen (z. B. Kontext-/Vorbelichtungsdatengehalt) bereitzustellen. Relevante Kontext- und/oder Vorbelichtungsdaten werden dem Generator 510 (und typischerweise auch dem Diskriminator 520) als Eingang zur Erzeugung des optimierten Stichprobenplans 501 bereitgestellt, der typischerweise dünner besetzt ist als der Schlimmster-Fall-Stichprobenplan 503. Der Generator 510 und der Diskriminator 520 werden gemeinsam trainiert (abhängig voneinander), so dass der Generator 510 trainiert wird, einen Stichprobenplan 501 bereitzustellen, der besser (dünner besetzt) als der Schlimmster-Fall-Stichprobenplan 503 ist, während er für eine gegebene Kontext- und/oder Vorbelichtungsdatenbedingung angemessen ist. Angemessen bedeutet hierbei, dass der erzeugte Stichprobenplan 501 von einem wahrhaftig optimierten Stichprobenplan 502 nicht unterscheidbar ist (erstes Trainingsziel). Gleichzeitig wird der Diskriminator trainiert, zunehmend besser darin zu werden, den erzeugten optimalen Stichprobenplan 501 als einen wahrhaftig optimierten Stichprobenplan 502 zurückzuweisen (zweites Trainingsziel). Sowohl der Generator als auch der Diskriminator sind typischerweise neuronale Netzwerke.
  • Wenn der Generator 510 für unterschiedliche Bedingungen (z. B. unterschiedliche Sätze von entsprechenden Kontext- und/oder Vorbelichtungsdaten) trainiert ist, kann zum Herleiten eines vollständigen optimalen Stichprobenplans für ein Substrat oder ein Los von Substraten auf der Basis der Kontext- und/oder Vorbelichtungsdaten, die dem Substrat oder Los von Substraten entsprechen, verwendet werden.
  • In einer Ausführungsform wird ein Verfahren zum Ableiten eines aktuellen Stichprobenplans für ein oder mehrere aktuelle Substrate bereitgestellt, wobei das Verfahren Folgendes beinhaltet: Erhalten eines ersten Modells, das trainiert ist, um auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit einem oder mehreren vorhergehenden Substraten assoziiert sind, einen optimalen Stichprobenplan abzuleiten, wobei das erste Modell abhängig von einem Ergebnis eines zweiten Modells trainiert wird, das konfiguriert ist, um zwischen dem abgeleiteten optimalen Stichprobenplan und einem vorgegebenen optimalen Stichprobenplan zu unterscheiden; und Verwenden des erhaltenen ersten Modells, um den aktuellen Stichprobenplan auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit dem einen oder den mehreren aktuellen Substraten assoziiert sind, abzuleiten.
  • In einer Ausführungsform ist das erste Modell ein generatives Modell und das zweite Modell ein diskriminierendes Modell, und das erste und das zweite Modell formen ein Generative Adversarial Network (GAN).
  • In einer Ausführungsform wird das erste Modell unter Verwendung von Eingangsdaten, die die Kontext- und/oder Vorbelichtungsdaten beinhalten, und eines dicht besetzten Stichprobenplans, der dichter besetzt ist als der abgeleitete aktuelle Stichprobenplan, trainiert.
  • In einer Ausführungsform ist der dicht besetzte Stichprobenplan konfiguriert, ein Stichprobenplan zu sein, der erwartungsgemäß für jegliche Bedingung des Substrats ausreicht, wobei die Bedingung durch mit dem Substrat assoziierte Kontext- und/oder Vorbelichtungsdaten gekennzeichnet ist.
  • Die GAN-basierte Stichprobenplanerzeugung, wie oben beschrieben, basiert auf der Vorhersage eines vollständigen Stichprobenplans und der Anleitung, welche Substrate mit welchem Stichprobenplan in einem Durchgang zu messen sind. Alternativ kann auf der Basis eines GAN-artigen Stichprobenplan-Erzeugungsverfahrens auch ein spontaneres Stichprobenentscheidungsverfahren entwickelt werden. In diesem Fall werden erfasste Messdaten (die zum Beispiel während einer Punkt-um-Punkt-Stichprobennahme von Stellen, die innerhalb eines anfänglichen Stichprobenplans beinhaltet sind, erhalten werden) kontinuierlich in ein generatives Modell eingespeist, das trainiert ist, die bisher erfassten Messdaten (und wenn passend auch verfügbare Kontext- und Vorbelichtungsdaten) zu verwenden, um festzustellen, dass die Anforderungen an die Prozessüberwachung/-steuerung erfüllt sind und keine weitere Messung verlangt wird (z. B. eine oder mehrere Messstellen, ein oder mehrere nächste Substrate für die Messung überspringen). Das entgegengesetzte Ziel wird von dem diskriminierenden Modell verfolgt, das trainiert worden ist, die bisher erfassten Daten (und jegliche potenziell verfügbaren Kontext- und/oder Vorbelichtungsdaten) zu verwenden, um abzuleiten, dass immer noch ein beträchtliches Verbesserungspotenzial der Prozessüberwachung/-steuerung vorliegt und die aktuell verfügbaren Messdaten nicht ausreichend sind, z. B. ist der Diskriminator trainiert, Hinweise zugunsten kontinuierlicher Messungen zu finden. Die Zielsetzungen des generativen Modells und des diskriminierenden Modells sind somit entgegengesetzt, und das kombinierte generative und diskriminierende Modell ist konfiguriert, eine ausgeglichene Stichprobenentscheidung bereitzustellen. Das kombinierte Modell ist verwendbar, um Messungen an Stichprobenstellen so zu steuern, dass sowohl ausreichende Messdaten erfasst werden als auch verhindert wird, dass mehr Messzeit als streng notwendig verbraucht wird, um gewissen Prozessüberwachungs- und/der Prozesssteuerungsanforderungen zu genügen.
  • In einer Ausführungsform wird ein Verfahren zum Bereitstellen einer Entscheidung über das Beenden oder das Fortsetzen der Durchführung von Messungen an Stichprobenstellen für ein oder mehrere Substrate bereitgestellt, wobei das Verfahren Folgendes beinhaltet: Erhalten eines anfänglichen Satzes von Messwerten, die einem anfänglichen Stichprobenplan entsprechen; Erhalten eines Modells, das Folgendes beinhaltet: i) ein erstes Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, dass eine oder mehrere Anforderungen, die durch eine Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellt werden, erfüllt sind; und ii) ein zweites Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, dass ein oder mehrere weitere Messwerte erfasst werden müssen, bevor die durch die Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellten Anforderungen erfüllt sind; Eingeben des anfänglichen Satzes von Messwerten in das Modell, um die Entscheidung zu erhalten, wobei die Entscheidung auf dem Abgleichen des Ausgangs des ersten und des zweiten Modells basiert.
  • In einer Ausführungsform ist das erste Modell ein generatives Modell und das zweite Modell ein diskriminierendes Modell, und das Modell ist ein Generative Adversarial Network (GAN).
  • Die hier beschriebenen Verfahren können unter Verwendung eines oder mehrerer Prozessoren ausgeführt werden, die Anweisungen durchführen, welche in einem Speicher gespeichert sind, auf den die Prozessoren zugreifen können. Die Prozessoren können einen Teil eines Computersystems CL bilden, das einen Teil eines holistischen lithographischen Systems bildet. Alternativ oder zusätzlich dazu können die Verfahren auf einem Computersystem durchgeführt werden, das von dem lithographischen System getrennt ist.
  • Obwohl in diesem Text spezifisch auf die Verwendung eines lithographischen Geräts bei der Herstellung von ICs Bezug genommen wird, versteht es sich, dass das hier beschriebene lithographische Gerät andere Anwendungen finden kann. Mögliche andere Anwendungen umfassen die Herstellung integrierter optischer Systeme, Führungs- und Detektionsmuster für Magnetdomänenspeicher, Flachbildschirme, Flüssigkristallanzeigen (LCDs), Dünnschichtmagnetköpfe usw.
  • Obwohl in diesem Text spezifisch auf Ausführungsformen der Erfindung in dem Kontext eines lithographischen Geräts Bezug genommen wird, können Ausführungsformen der Erfindung auch in anderen Geräten verwendet werden. Ausführungsformen der Erfindung können Teil eines Maskenprüfgeräts, eines Messgeräts oder irgendeines Geräts sein, das ein Objekt, wie etwa einen Wafer (oder ein anderes Substrat) oder eine Maske (oder eine andere Musteraufbringungsvorrichtung) misst oder bearbeitet. Diese Geräte können allgemein als lithografische Werkzeuge bezeichnet werden. Ein solches lithografisches Werkzeug kann Vakuumbedingungen oder Umgebungsbedingungen (nicht Vakuum) verwenden.
  • Obwohl oben spezifisch auf die Verwendung von Ausführungsformen der Erfindung in dem Kontext der optischen Lithographie Bezug genommen wurde, ist einzusehen, dass die Erfindung, soweit es der Kontext erlaubt, nicht auf die optische Lithographie beschränkt ist und in anderen Anwendungen, zum Beispiel bei der Prägelithographie, verwendet werden kann.
  • Es wurden zwar spezifische Ausführungsformen der Erfindung oben beschrieben, doch versteht es sich, dass die Erfindung anders als beschrieben praktiziert werden kann. Die obigen Beschreibungen sind zur Veranschaulichung gedacht und nicht einschränkend. So wird es für einen Fachmann offensichtlich sein, dass Modifikationen an der beschriebenen Erfindung vorgenommen werden können, ohne dass von dem Schutzbereich der unten dargelegten Ansprüche abgewichen wird.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • EP 20206977 [0001]
    • WO 2017194289 [0007]
    • US 6952253 [0020]

Claims (15)

  1. Ein Verfahren, wobei das Verfahren Folgendes beinhaltet: Erhalten eines trainierten Modells, das konfiguriert ist, um einen bevorzugten Stichprobenplan für ein Substrat auf der Basis von Messdaten, die Stichprobenstellen auf dem Substrat und entsprechende Messwerte beinhalten, abzuleiten; und Verwenden von aktuellen Messdaten, die mit einem aktuellen Substrat assoziiert sind, als Eingang für das trainierte Modell, um zu bestimmen, ob eine weitere Messung an dem aktuellen Substrat erforderlich ist.
  2. Verfahren gemäß Anspruch 1, wobei das Modell auf einem neuronalen Netzwerk basiert.
  3. Verfahren gemäß einem der vorstehenden Ansprüche, das ferner das Eingeben von Vorbelichtungsdaten und/oder Kontextdaten, die mit dem aktuellen Substrat assoziiert sind, in das trainierte Modell beinhaltet.
  4. Verfahren gemäß Anspruch 3, wobei die Vorbelichtungsdaten vorhergehende Messdaten beinhalten, die mit Stichprobenstellen und entsprechenden Messwerten eines oder mehrerer vorhergehender Substrate assoziiert sind.
  5. Verfahren gemäß einem der vorstehenden Ansprüche, das ferner das Konfigurieren des trainierten Modells auf der Basis der aktuellen Messdaten beinhaltet.
  6. Ein Verfahren zum Ableiten eines aktuellen Stichprobenplans für ein oder mehrere aktuelle Substrate, wobei das Verfahren Folgendes beinhaltet: Erhalten eines ersten Modells, das trainiert ist, um auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit einem oder mehreren vorhergehenden Substraten assoziiert sind, einen optimalen Stichprobenplan abzuleiten, wobei das erste Modell abhängig von einem Ergebnis eines zweiten Modells trainiert wird, das konfiguriert ist, um zwischen dem abgeleiteten optimalen Stichprobenplan und einem vorgegebenen optimalen Stichprobenplan zu unterscheiden; und Verwenden des erhaltenen ersten Modells, um den aktuellen Stichprobenplan auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit dem einen oder den mehreren aktuellen Substraten assoziiert sind, abzuleiten.
  7. Verfahren gemäß Anspruch 6, wobei das erste Modell ein generatives Modell und das zweite Modell ein diskriminierendes Modell ist und das erste und das zweite Modell ein Generative Adversarial Network (GAN) formen.
  8. Verfahren gemäß Anspruch 6 oder 7, wobei das erste Modell unter Verwendung von Eingangsdaten, die die Kontext- und/oder Vorbelichtungsdaten beinhalten, und Messdaten, die mit einem dicht besetzten Stichprobenplan assoziiert sind, der dichter besetzt ist als der abgeleitete aktuelle Stichprobenplan, trainiert wird.
  9. Verfahren gemäß Anspruch 8, wobei der dicht besetzte Stichprobenplan konfiguriert ist, ein Stichprobenplan zu sein, der erwartungsgemäß für jegliche Bedingung des Substrats ausreicht, wobei die Bedingung durch mit dem Substrat assoziierte Kontext- und/oder Vorbelichtungsdaten gekennzeichnet ist.
  10. Ein Verfahren zum Bereitstellen einer Entscheidung über das Beenden oder Fortsetzen der Durchführung von Messungen an Stichprobenstellen auf einem oder mehreren Substraten, wobei das Verfahren Folgendes beinhaltet: Erhalten eines anfänglichen Satzes von Messwerten, die einem anfänglichen Stichprobenplan entsprechen; Erhalten eines Modells, das Folgendes beinhaltet: i) ein erstes Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, ob eine oder mehrere Anforderungen, die durch eine Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellt werden, erfüllt sind; und ii) ein zweites Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, dass ein oder mehrere weitere Messwerte erfasst werden müssen, bevor die durch die Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellten Anforderungen erfüllt sind; und Eingeben des anfänglichen Satzes von Messwerten in das Modell, um die Entscheidung zu erhalten, wobei die Entscheidung auf dem Abgleichen des Ausgangs des ersten und des zweiten Modells basiert.
  11. Verfahren gemäß Anspruch 10, wobei das erste Modell ein generatives Modell und das zweite Modell ein diskriminierendes Modell ist und das Modell ein Generative Adversarial Network (GAN) ist.
  12. Ein Computerprogrammprodukt, das computerlesbare Anweisungen beinhaltet, die zum Durchführen von Folgendem konfiguriert sind: Erhalten eines trainierten Modells, das konfiguriert ist, um einen bevorzugten Stichprobenplan für ein Substrat auf der Basis von Messdaten, die Stichprobenstellen auf dem Substrat und entsprechende Messwerte beinhalten, abzuleiten; und Verwenden von aktuellen Messdaten, die mit einem aktuellen Substrat assoziiert sind, als Eingang für das trainierte Modell, um zu bestimmen, ob eine weitere Messung an dem aktuellen Substrat erforderlich ist.
  13. Ein Computerprogrammprodukt, das computerlesbare Anweisungen beinhaltet, die zum Durchführen von Folgendem konfiguriert sind: Erhalten eines ersten Modells, das trainiert ist, um auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit einem oder mehreren vorhergehenden Substraten assoziiert sind, einen optimalen Stichprobenplan abzuleiten, wobei das erste Modell abhängig von einem Ergebnis eines zweiten Modells trainiert wird, das konfiguriert ist, um zwischen dem abgeleiteten optimalen Stichprobenplan und einem vorgegebenen optimalen Stichprobenplan zu unterscheiden; und Verwenden des erhaltenen ersten Modells, um den aktuellen Stichprobenplan auf der Basis der Eingabe von Kontext- und/oder Vorbelichtungsdaten, die mit dem einen oder den mehreren aktuellen Substraten assoziiert sind, abzuleiten.
  14. Computerprogrammprodukt gemäß Anspruch 13, wobei das erste Modell ein generatives Modell ist und das zweite Modell ein diskriminierendes Modell ist und das erste und das zweite Modell ein Generative Adversarial Network (GAN) formen.
  15. Ein Computerprogrammprodukt, das computerlesbare Anweisungen beinhaltet, die zum Durchführen von Folgendem konfiguriert sind: Erhalten eines anfänglichen Satzes von Messwerten, die einem anfänglichen Stichprobenplan entsprechen; Erhalten eines Modells, das Folgendes beinhaltet: i) ein erstes Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, ob eine oder mehrere Anforderungen, die durch eine Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellt werden, erfüllt sind; und ii) ein zweites Modell, das trainiert ist, um aus einem Satz von Messwerten abzuleiten, dass ein oder mehrere weitere Messwerte erfasst werden müssen, bevor die durch die Strategie zur Prozessüberwachung und/oder Prozesssteuerung gestellten Anforderungen erfüllt sind; und Eingeben des anfänglichen Satzes von Messwerten in das Modell, um die Entscheidung zu erhalten, wobei die Entscheidung auf dem Abgleichen des Ausgangs des ersten und des zweiten Modells basiert.
DE112021005916.5T 2020-11-11 2021-10-26 Verfahren und computerprogramme zur konfiguration eines stichprobenplan-erzeugungsmodells Pending DE112021005916T5 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20206977 2020-11-11
EP20206977.9 2020-11-11
PCT/EP2021/079621 WO2022100998A1 (en) 2020-11-11 2021-10-26 Methods and computer programs for configuration of a sampling scheme generation model

Publications (1)

Publication Number Publication Date
DE112021005916T5 true DE112021005916T5 (de) 2023-08-24

Family

ID=73343945

Family Applications (1)

Application Number Title Priority Date Filing Date
DE112021005916.5T Pending DE112021005916T5 (de) 2020-11-11 2021-10-26 Verfahren und computerprogramme zur konfiguration eines stichprobenplan-erzeugungsmodells

Country Status (7)

Country Link
US (1) US20230400778A1 (de)
EP (1) EP4244675A1 (de)
KR (1) KR20230098587A (de)
CN (1) CN116457728A (de)
DE (1) DE112021005916T5 (de)
TW (1) TWI791321B (de)
WO (1) WO2022100998A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952253B2 (en) 2002-11-12 2005-10-04 Asml Netherlands B.V. Lithographic apparatus and device manufacturing method
WO2017194289A1 (en) 2016-05-12 2017-11-16 Asml Netherlands B.V. Method of obtaining measurements, apparatus for performing a process step and metrology apparatus

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3637186A1 (de) * 2018-10-09 2020-04-15 ASML Netherlands B.V. Verfahren zur kalibrierung einer vielzahl von metrologievorrichtungen, verfahren zur bestimmung eines parameters von interesse und metrologievorrichtung
CN112969968B (zh) * 2018-11-08 2024-06-11 Asml荷兰有限公司 基于过程变化度的空间特性对不合格的预测

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952253B2 (en) 2002-11-12 2005-10-04 Asml Netherlands B.V. Lithographic apparatus and device manufacturing method
WO2017194289A1 (en) 2016-05-12 2017-11-16 Asml Netherlands B.V. Method of obtaining measurements, apparatus for performing a process step and metrology apparatus

Also Published As

Publication number Publication date
TW202236023A (zh) 2022-09-16
US20230400778A1 (en) 2023-12-14
EP4244675A1 (de) 2023-09-20
CN116457728A (zh) 2023-07-18
WO2022100998A1 (en) 2022-05-19
KR20230098587A (ko) 2023-07-04
TWI791321B (zh) 2023-02-01

Similar Documents

Publication Publication Date Title
US11086305B2 (en) Determining a correction to a process
DE602006000256T2 (de) Kennzeichnungsverfahren für ein Substrat, Verfahren zur Kennzeichnung eines Arbeitsganges, Geräteherstellungsverfahren und Computerprogramm
DE10393394B4 (de) Intelligentes integriertes Lithographiesteuerungssystem auf der Grundlage des Produktaufbaus und Ausbeuterückkopplungssystem und Verfahren zu dessen Anwendung
DE102010030758B4 (de) Steuerung kritischer Abmessungen in optischen Abbildungsprozessen für die Halbleiterherstellung durch Extraktion von Abbildungsfehlern auf der Grundlage abbildungsanlagenspezifischer Intensitätsmessungen und Simulationen
DE102006017938A1 (de) Fokusüberwachungsverfahren, Photomaske und photolithographisches System
DE102009038558A1 (de) Verfahren zur Emulation eines fotolithographischen Prozesses und Maskeninspektionsmikroskop zur Durchführung des Verfahrens
DE112019000022T5 (de) Verfahren zum Kennzeichnen von Substraten auf der Basis von Prozessparametern
US6774998B1 (en) Method and apparatus for identifying misregistration in a complimentary phase shift mask process
DE102013213785A1 (de) Verfahren und System zur Bestimmung von Überlappungsprozessfenstern in Halbleitern durch Inspektionstechniken
TW202038017A (zh) 用以控制製程之方法及相關設備
DE102005009554B4 (de) Verfahren zur Fokuskorrektur eines Belichtungsgeräts bei der lithographischen Projektion und Verfahren zur Auswertung von Messergebnissen eines Messgeräts für die Fokuskorrektur eines Belichtungsgeräts in einer Halbleiterfertigungsanlage
WO2019101646A1 (de) Verfahren zur qualifizierung einer maske für die mikrolithographie
DE102007052052A1 (de) Verfahren zum Erkennen von Wiederholungsdefekten in Lithographiemasken auf der Grundlage von Testsubstraten, die unter veränderlichen Bedingungen belichtet werden
EP3650939A1 (de) Vorhersage eines wertes eines halbleiterherstellungsverfahrensparameters
DE112018000173T5 (de) Verfahren zur bestimmung des beitrags zu einem fingerabdruck
DE10337286B4 (de) Verfahren zur Projektion eines auf einer Maske angeordneten Schaltungsmusters auf einen Halbleiterwafer
WO2017076702A2 (de) Verfahren und vorrichtung zur charakterisierung eines durch wenigstens einen lithographieschritt strukturierten wafers
DE112021005916T5 (de) Verfahren und computerprogramme zur konfiguration eines stichprobenplan-erzeugungsmodells
CN114008535B (zh) 用于确定特征对性能的贡献的方法和设备
US20220334503A1 (en) Determining lithographic matching performance
EP3913435A1 (de) Konfiguration eines eingebermodells
EP4139749A1 (de) Konfiguration eines eingebermodells
DE102016213925A1 (de) Verfahren und Vorrichtung zur Charakterisierung eines durch wenigstens einen Lithographieschritt strukturierten Wafers
DE112021004238T5 (de) Verfahren und vorrichtung zum identifizieren von verunreinigungen in einer halbleiterfabrik
US20230185202A1 (en) Methods and apparatus for diagnosing unobserved operational parameters

Legal Events

Date Code Title Description
R012 Request for examination validly filed