JP2022524970A - パターニングプロセスにおいてパターンを決定するための方法 - Google Patents
パターニングプロセスにおいてパターンを決定するための方法 Download PDFInfo
- Publication number
- JP2022524970A JP2022524970A JP2021551938A JP2021551938A JP2022524970A JP 2022524970 A JP2022524970 A JP 2022524970A JP 2021551938 A JP2021551938 A JP 2021551938A JP 2021551938 A JP2021551938 A JP 2021551938A JP 2022524970 A JP2022524970 A JP 2022524970A
- Authority
- JP
- Japan
- Prior art keywords
- model
- pattern
- machine learning
- image
- resist
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 603
- 230000008569 process Effects 0.000 title claims abstract description 405
- 238000000059 patterning Methods 0.000 title claims abstract description 275
- 239000000758 substrate Substances 0.000 claims abstract description 143
- 238000010801 machine learning Methods 0.000 claims abstract description 119
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000005530 etching Methods 0.000 claims description 174
- 230000000694 effects Effects 0.000 claims description 65
- 238000009826 distribution Methods 0.000 claims description 36
- 239000002253 acid Substances 0.000 claims description 25
- 238000009792 diffusion process Methods 0.000 claims description 19
- 238000011068 loading method Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 11
- 238000006386 neutralization reaction Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 abstract description 8
- 238000013461 design Methods 0.000 description 142
- 230000006870 function Effects 0.000 description 88
- 238000005457 optimization Methods 0.000 description 87
- 238000005259 measurement Methods 0.000 description 86
- 238000001459 lithography Methods 0.000 description 77
- 230000005855 radiation Effects 0.000 description 67
- 230000003287 optical effect Effects 0.000 description 56
- 230000000704 physical effect Effects 0.000 description 51
- 230000007547 defect Effects 0.000 description 36
- 238000005286 illumination Methods 0.000 description 32
- 238000013527 convolutional neural network Methods 0.000 description 26
- 239000002245 particle Substances 0.000 description 24
- 239000004065 semiconductor Substances 0.000 description 22
- 230000004044 response Effects 0.000 description 21
- 238000004088 simulation Methods 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 18
- 239000000523 sample Substances 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 16
- 230000008080 stochastic effect Effects 0.000 description 16
- 235000012431 wafers Nutrition 0.000 description 14
- 238000012937 correction Methods 0.000 description 13
- 210000001747 pupil Anatomy 0.000 description 13
- 238000012804 iterative process Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000010894 electron beam technology Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000000206 photolithography Methods 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 230000002745 absorbent Effects 0.000 description 3
- 239000002250 absorbent Substances 0.000 description 3
- 238000010669 acid-base reaction Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000969 carrier Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000001393 microlithography Methods 0.000 description 3
- 230000010363 phase shift Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012795 verification Methods 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
- 238000004458 analytical method Methods 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000002285 radioactive effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000001878 scanning electron micrograph Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 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
- 101000652337 Homo sapiens Transcription factor SOX-21 Proteins 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 102100030247 Transcription factor SOX-21 Human genes 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002508 compound effect Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000000609 electron-beam lithography Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 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
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000036470 plasma concentration Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000009958 sewing Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70653—Metrology techniques
- G03F7/70666—Aerial image, i.e. measuring the image of the patterned exposure light at the image plane of the projection system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
[0001] 本出願は、2019年3月25日に出願された米国特許出願第62/823,029号、2019年12月20日に出願された米国特許出願第62/951,097号の優先権を主張するものであり、これらの特許出願は、その全体が参照により本明細書に組み込まれる。
-プログラマブルミラーアレイ。そのようなデバイスの一例は、粘弾性制御層及び反射面を有するマトリックスアドレス可能面である。そのような装置の背後にある基本原理は、(例えば)反射面のアドレスエリアが、入射放射を回折放射として反射し、非アドレスエリアが、入射放射を非回折放射として反射することである。適切なフィルタを使用して、上記の非回折放射が反射ビームから除去され、回折放射のみを後に残すことができ、このようにして、ビームが、マトリックスアドレス可能面のアドレッシングパターンに従ってパターン付けされる。必要とされるマトリックスアドレッシングは、適切な電子手段を使用して行うことができる。そのようなミラーアレイに関するより多くの情報を、例えば、参照により本明細書に組み込まれる米国特許第5,296,891号及び第5,523,193号から収集することができる。
-プログラマブルLCDアレイ。そのような構造の例が、参照により本明細書に組み込まれる米国特許第5,229,872号で与えられる。
R=cA×A+cMav×MAV+cAp×Ap*GAp+cBp×Bp*GBp+cAm×A*GAm+・・・
-放射のビームBを調整するための、照明システムIL。この特定の場合には、照明システムは放射源SOも含む。
-第1のオブジェクトテーブル(例えば、マスクテーブル)MTであって、パターニングデバイスMA(例えば、レチクル)を保持するためにパターニングデバイスホルダーを備え、アイテムPSに対してパターニングデバイスを正確に位置決めするために第1のポジショナに接続された、第1のオブジェクトテーブルMT。
-第2のオブジェクトテーブル(基板テーブル)WTであって、基板W(例えば、レジストコーティングされたシリコンウェーハ)を保持するために基板ホルダーを備え、アイテムPSに対して基板を正確に位置決めするために第2のポジショナに接続された、第2のオブジェクトテーブルWT。
-パターニングデバイスMAの照射された部分を基板Wのターゲット部分C(例えば、1つ又は複数のダイを含む)上に結像させるための、投影システム(「レンズ」)PS(例えば、屈折型、反射型、又は反射屈折型の光学系)。
-ステップモードでは、パターニングデバイステーブルMTは、基本的に静止したままであり、及びパターニングデバイス像全体が、一回(すなわち、単一の「フラッシュ」)でターゲット部分C上に投影される。次いで、異なるターゲット部分CがビームPBによって照射され得るように、基板テーブルWTが、x及び/又はy方向にシフトされる;
-スキャンモードでは、所与のターゲット部分Cが、単一の「フラッシュ」で露光されないことを除き、基本的に同じシナリオが当てはまる。代わりに、パターニングデバイステーブルMTは、投影ビームBがパターニングデバイス像上をスキャンさせられるように、速度vで、所与の方向(いわゆる「スキャン方向」、例えば、y方向)に移動可能である。並行して、基板テーブルWTが、速度V=Mv(Mは、レンズPLの倍率である(一般的に、M=1/4又は1/5))で、同じ又は反対方向に同時に移動される。このようにして、解像度を妥協する必要なしに、比較的大きなターゲット部分Cを露光させることができる。
-ソースコレクタモジュールSO
-放射ビームB(例えば、EUV放射)を調節するように構成された照明システム(イルミネータ)IL。
-パターニングデバイス(例えば、マスク又はレチクル)MAを支持するように構築され、パターニングデバイスを正確に位置決めするように構成された第1のポジショナPMに接続されたサポート構造(例えば、マスクテーブル)MT;
-基板(例えば、レジストコートウェーハ)Wを保持するように構築され、基板を正確に位置決めするように構成された第2のポジショナPWに接続された基板テーブル(例えば、ウェーハテーブル)WT;及び
-パターニングデバイスMAによって放射ビームBに付与されたパターンを基板Wのターゲット部分C(例えば、1つ又は複数のダイを含む)上に投影するように構成された投影システム(例えば、反射型投影システム)PS。
1.ステップモードでは、放射ビームに付与されたパターン全体が、一回でターゲット部分C上に投影される間に、サポート構造(例えば、マスクテーブル)MT及び基板テーブルWTは、基本的に静止したままである(すなわち、単一静的露光)。次いで、異なるターゲット部分Cが露光され得るように、基板テーブルWTが、X及び/又はY方向にシフトされる。
2.スキャンモードでは、放射ビームに付与されたパターンが、ターゲット部分C上に投影される間に、サポート構造(例えば、マスクテーブル)MT及び基板テーブルWTは、同期してスキャンされる(すなわち、単一動的露光)。サポート構造(例えば、マスクテーブル)MTに対する基板テーブルWTの速度及び方向は、投影システムPSの縮小及び像反転特性によって決定され得る。
3.別のモードでは、放射ビームに付与されたパターンが、ターゲット部分C上に投影される間に、サポート構造(例えば、マスクテーブル)MTは、プログラマブルパターニングデバイスを保持して基本的に静止したままであり、基板テーブルWTは、移動又はスキャンされる。このモードでは、一般にパルス放射源が用いられ、及びプログラマブルパターニングデバイスが、基板テーブルWTの各移動後に、又はスキャン中の連続する放射パルスの合間に、必要に応じて更新される。この動作モードは、上記で言及したようなタイプのプログラマブルミラーアレイなどのプログラマブルパターニングデバイスを利用するマスクレスリソグラフィに容易に適用することができる。
1.パターニングプロセスモデルを訓練するための方法であって、上記パターニングプロセスモデルは、パターニングプロセス時に形成されることになるパターンを予測するように構成され、上記方法は、
(i)所望のパターンに関連付けられた像データ、(ii)基板の測定されたパターンであって、上記所望のパターンと関連付けられている、測定されたパターン、(iii)上記パターニングプロセスの一側面に関連付けられた第1のモデルであって、第1のパラメータの組を含む、第1のモデル、及び(iv)上記パターニングプロセスの別の側面に関連付けられた機械学習モデルであって、第2のパラメータの組を含む、機械学習モデル、を取得することと、
上記第1のパラメータの組及び上記第2のパラメータの組の値を反復して決定して、上記パターニングプロセスモデルを訓練することと、を含み、反復には、
上記像データを使用して、上記第1のモデル及び上記機械学習モデルを実行して、上記基板の印刷されるパターンを協働して予測すること、及び
上記パターニングプロセスモデルの上記測定されたパターンと上記予測されたパターンとの間の差が低減されるように、上記第1のパラメータの組及び上記第2のパラメータの組の値を修正すること、が含まれる、方法。
2.上記第1のモデル及び上記機械学習モデルは、畳み込み型深層ニューラルネットワークフレームワークにおいて構成され訓練される、条項1に記載の方法。
3.上記訓練することは、
上記第1のモデル及び上記機械学習モデルの出力の順伝播により、上記印刷されるパターンを予測することと、
上記パターニングプロセスモデルの上記測定されたパターンと上記予測されたパターンとの間の差を決定することと、
上記第1のパラメータの組及び上記第2のパラメータの組に対する上記差の差分を決定することと、
上記差の上記差分に基づいて、上記第1のモデル及び上記機械学習モデルの上記出力の逆伝播により、上記第1のパラメータの組及び上記第2のパラメータの組の値を決定することと、を含む、条項2に記載の方法。
4.上記第1のモデルは、直列又は並列の組み合わせで上記機械学習モデルに接続される、条項1~3の何れか一項に記載の方法。
5.上記モデルの上記直列の組み合わせは、
上記第1のモデルの出力を上記機械学習モデルへの入力として提供することを含む、条項4に記載の方法。
6.上記モデルの上記直列の組み合わせは、
上記機械学習モデルの出力を上記第1のモデルへの入力として提供することを含む、条項4に記載の方法。
7.上記モデルの上記並列の組み合わせは、
同一の入力を上記第1のモデル及び上記機械学習モデルへ提供することと、
上記第1のモデル及び上記機械学習モデルの出力を組み合わせることと、
それぞれのモデルの上記組み合わされた出力に基づいて、上記予測される印刷パターンを決定することと、を含む、条項4に記載の方法。
8.上記第1のモデルは、レジストモデル及び/又は空間モデルである、条項1~7の何れか一項に記載の方法。
9.上記レジストモデルの上記第1のパラメータの組は、
初期の酸分布、
酸の拡散、
像のコントラスト、
長距離パターンローディング効果、
長距離パターンローディング効果、
中和後の酸濃度、
中和後の塩基濃度、
高い酸濃度に起因する拡散、
高い塩基濃度に起因する拡散、
レジスト収縮、
レジスト現像、又は
二次元の凸曲率効果、のうちの少なくとも1つに対応する、条項8に記載の方法。
10.上記第1のモデルは、上記パターニングプロセスの第1の側面の物理的現象を正確にモデル化する経験的モデルである、条項1~9の何れか一項に記載の方法。
11.上記第1のモデルは、上記基板の露光後の酸ベースの拡散に関係した上記第1の側面に対応する、条項1~10の何れか一項に記載の方法。
12.上記機械学習モデルは、物理学に基づく理解が比較的になされていない上記パターニングプロセスの第2の側面をモデル化するニューラルネットワークである、条項1~9の何れか一項に記載の方法。
13.上記第2のパラメータの組は、上記ニューラルネットワークの1つ又は複数の層の重み及びバイアスを含む、条項12に記載の方法。
14.上記パターニングプロセスモデルは、上記パターニングプロセスの露光後プロセスの上記第2の側面に対応する、条項1~13の何れか一項に記載の方法。
15.上記露光後プロセスの上記第1の側面及び/又は上記第2の側面は、レジストベーキング、レジスト現像、及び/又はエッチングを含む、条項1~14の何れか一項に記載の方法。
16.パターニングプロセスに対する光近接効果補正を決定するための方法であって、
所望のパターンに関連付けられた像データを取得することと、
上記像データを使用して、訓練されたパターニングプロセスモデルを実行して、基板上に印刷されることになるパターンを予測することと、
上記パターニングプロセスにかけられる上記基板上に印刷されることになる上記予測されたパターンを使用して、光近接効果補正及び/又は欠陥を決定することと、を含む方法。
17.上記像データは、上記所望のパターンの空間像及び/又はマスク像である、条項16に記載の方法。
18.上記訓練されたパターニングプロセスモデルは、上記パターニングプロセスの第1の側面の第1のモデルと、上記基板上に印刷されることになる上記パターンを団結して予測するように構成された、上記パターニングプロセスの第2の側面の機械学習モデルと、を含む、条項16に記載の方法。
19.上記第1のモデル及び上記機械学習モデルは、直列の組み合わせ及び/又は並列の組み合わせになっている、条項18に記載の方法。
20.上記第1のモデルは、上記パターニングプロセスの露光後プロセスの上記第1の側面の物理的現象を正確にモデル化する経験的モデルである、条項16~19の何れか一項に記載の方法。
21.上記第1のモデルは、上記基板の露光後の酸ベースの拡散に関係した上記第1の側面に対応する、条項16~20の何れか一項に記載の方法。
22.上記機械学習モデルは、物理学に基づく理解が比較的になされていない上記パターニングプロセスの上記第2の側面をモデル化するニューラルネットワークである、条項16~21の何れか一項に記載の方法。
23.上記光近接効果補正を上記決定することは、
上記予測されたパターンと所望のパターンとの間の差が低減されるように、上記所望のパターンを調節すること、及び/又は上記所望のパターンの周りにアシストフィーチャを配置すること、を含む、条項16~22の何れか一項に記載の方法。
24.上記欠陥を上記決定することは、
上記予測されたパターンに対して、リソグラフィ製造可能性チェックを実施することを含む、条項16~22の何れか一項に記載の方法。
25.エッチングプロセスに関係したエッチングバイアスを決定するように構成された機械学習モデルを訓練するための方法であって、
(i)基板上に印刷されることになるターゲットパターンに関連付けられたレジストパターンデータ、(ii)上記ターゲットパターンに対する上記エッチングプロセスの効果を特徴付ける物理的効果データ、(iii)レジストパターンと印刷された基板上に形成されたエッチングパターンとの間の測定されたバイアス、を取得することと、
上記レジストパターンデータ、上記物理的効果データ、及び上記測定されたバイアスに基づいて、上記機械学習モデルを訓練して、上記測定されたバイアスと上記予測されたエッチングバイアスとの間の差を低減することと、を含む方法。
26.上記機械学習モデルは、上記機械学習モデルの第1の層において上記レジストパターンデータを受け取るように構成され、上記物理的効果データは、上記機械学習モデルの最後の層において受け取られる、条項25に記載の方法。
27.上記最後の層の出力は、(i)入力として上記レジストパターンデータを使用して上記機械学習モデルを実行することにより予測された上記エッチングバイアスと、(ii)上記エッチングプロセスに関係した上記物理的効果データに基づいて決定された別のエッチングバイアスとの、線形の組み合わせである、条項26に記載の方法。
28.上記最後の層の上記出力は、エッチングバイアスマップであり、上記エッチングバイアスマップから上記エッチングバイアスが抽出され、上記エッチングバイアスマップは、
入力として上記レジストパターンデータを使用して上記機械学習モデルを実行してエッチングバイアスマップを出力することであって、上記エッチングバイアスマップはバイアスをかけられたレジストパターンを含む、こと、及び、
上記エッチングバイアスマップを上記物理的効果データと組み合わせること、により、生成される、条項27に記載の方法。
29.上記機械学習モデルは、上記機械学習モデルの上記第1の層において、上記レジストパターンデータ及び上記物理的効果データを受け取るように構成される、条項28に記載の方法。
30.上記機械学習モデルを上記訓練することは、
(a)入力として上記レジストパターンデータ及び上記物理的効果データを使用して上記機械学習モデルを実行することにより、上記エッチングバイアスを予測することと、
(b)上記測定されたバイアスと上記予測されたエッチングバイアスとの間の上記差を決定することと、
(c)上記機械学習モデルのモデルパラメータに関する上記差の勾配を決定することと、
(d)上記勾配をガイドとして使用して、上記測定されたバイアスと上記予測されたエッチングバイアスとの間の上記差が低減されるように、モデルパラメータの値を調節することと、
(e)上記差が最小化されたか又は訓練閾値を超えたかを判断することと、
(f)上記差が最小化されていないか又は上記訓練閾値が超えられていないことに応答して、ステップ(a)~(e)を実施することと、を含む反復プロセスである、条項25~29の何れか一項に記載の方法。
31.上記レジストパターンデータを上記取得することは、
上記基板上に印刷されることになる上記ターゲットパターンを使用して、上記パターニングプロセスのレジストモデルを含む1つ又は複数のプロセスモデルを実行すること、を含む、条項25~30の何れか一項に記載の方法。
32.上記レジストパターンデータはレジスト像として表され、上記レジスト像はピクセル化された像である、条項25~31の何れか一項に記載の方法。
33.上記物理的効果データは、エッチング効果を特徴付けるエッチング項に関係したデータであり、上記エッチング項は、
上記ターゲットパターンに関連付けられた上記レジストパターンのトレンチ内部のプラズマの濃度、
上記基板のレジスト層の上部上のプラズマの濃度、
上記レジストパターンを特定のモデルパラメータを有するGaussian Kernelと畳み込むことにより決定されるローディング効果、
上記エッチングプロセス中の上記レジストパターンに対する上記ローディング効果の変化、
上記基板上の隣接パターンに対する上記レジストパターンの相対位置、
上記レジストパターンのアスペクト比、又は
2つ以上のエッチングプロセスパラメータの複合効果に関係した項、のうちの少なくとも1つを含む、条項25~32の何れか一項に記載の方法。
34.上記物理的効果データを上記取得することは、
上記エッチング項の1つ又は複数と、上記エッチング項の上記1つ又は複数のそれぞれに対して規定されたGaussian kernelと、を含む、物理的効果モデルを実行すること、を含む、条項25~33の何れか一項に記載の方法。
35.上記物理的効果データは、ピクセル化された像として表され、各ピクセル強度は、上記ターゲットパターンに関連付けられた上記レジストパターンに対する物理的効果を示す、条項25~34の何れか一項に記載の方法。
36.上記レジストパターンのレジストコンターを取得することと、
上記レジストコンターに上記エッチングバイアスを適用することにより、エッチングコンターを生成することと、を更に含む、条項25~35に記載の方法。
37.エッチングプロセスに関係したエッチングバイアスを決定するためのシステムであって、
半導体処理装置、及び
プロセッサであって、
物理的効果モデルを実行することにより、基板に対する上記エッチングプロセスの効果を特徴付ける物理的効果データを決定し、
入力として上記レジストパターン及び上記物理的効果データを使用して、訓練された機械学習モデルを実行して、上記エッチングバイアスを決定し、
上記エッチングバイアスに基づいて、上記半導体装置又は上記エッチングプロセスを制御する、ように構成されたプロセッサ、を含む、システム。
38.上記訓練された機械学習モデルは、上記測定されたバイアスと上記決定されたエッチングバイアスとの間の差が最小化されるように、複数のレジストパターン、上記複数のレジストパターンの各レジストパターンに関連付けられた上記物理的効果データ、及び各レジストパターンに関連付けられた上記測定されたバイアス、を使用して訓練される、条項37に記載のシステム。
39.上記訓練された機械学習モデルは、特定の重み及びバイアスを含む畳み込み型ニューラルネットワーク(CNN)であり、上記CNNの上記重み及びバイアスは、上記測定されたバイアスと上記決定されたエッチングバイアスとの間の差が最小化されるように、上記複数のレジストパターン、上記複数のレジストパターンの各レジストパターンに関連付けられた上記物理的効果データ、及び各レジストパターンに関連付けられた上記測定されたバイアス、を使用する訓練プロセスを介して、決定される、条項37~38の何れか一項に記載のシステム。
40.上記半導体処理装置の上記制御は、
上記パターニングプロセスの歩留まりが改善されるように、上記半導体装置の1つ又は複数のパラメータの値を調節すること、を含む、条項37~39の何れか一項に記載のシステム。
41.上記半導体処理装置の上記1つ又は複数のパラメータの値を上記調節することは、
(a)上記半導体処理装置の調節機構を介して、上記1つ又は複数のパラメータの現在の値を変更することと、
(b)上記半導体処理装置を介して、基板上に印刷された上記レジストパターンを取得することと、
(c)上記レジストパターンを使用して上記訓練された機械学習モデルを実行することにより、上記エッチングバイアスを決定すること、及び、更に、上記エッチングバイアスを上記レジストパターンに適用することにより、上記エッチングパターンを決定することと、
(d)上記エッチングパターンに基づいて、上記パターニングプロセスの上記歩留まりが所望の歩留まり範囲内にあるかどうかを判断することと、
上記歩留まり範囲内にはないことに応答して、ステップ(a)~(d)を実施することと、を含む反復プロセスである、条項40に記載のシステム。
42.上記エッチングプロセスの上記制御は、
上記エッチングバイアスを上記レジストパターンに適用することにより、上記エッチングパターンを決定することと、
上記エッチングパターンに基づいて、上記パターニングプロセスの上記歩留まりを決定することと、
上記パターニングプロセスの上記歩留まりが改善されるように、上記エッチングパターンに基づいて、上記エッチングプロセスのエッチングレシピを決定することと、を含む、条項37~41の何れか一項に記載のシステム。
43.上記パターニングプロセスの上記歩留まりは、設計仕様を満たす上記基板全体のエッチングパターンのパーセンテージである、条項37~42の何れか一項に記載のシステム。
44.上記半導体処理装置はリソグラフィ装置である、条項37~43の何れか一項に記載のシステム。
45.プロセスモデルを較正するための方法であって、上記プロセスモデルはシミュレートされたコンターを生成するように構成され、上記方法は、
(i)パターン上の複数の測定位置における測定データ、(ii)上記測定データに基づいて規定されるコンター制約、を取得することと、
上記シミュレートされたコンターが上記コンター制約を満たすまで、上記プロセスモデルのモデルパラメータの値を調節することにより、上記プロセスモデルを較正することと、を含む、方法。
46.上記複数の測定位置は、印刷されたパターン上又は上記印刷されたパターンの印刷されたコンター上に配置されたエッジ配置(EP)ゲージである、条項45に記載の方法。
47.上記測定データは、複数の角度を含み、各角度は、上記パターン上又は上記印刷されたパターンの上記印刷されたコンター上に配置された各測定位置において定義される、条項45~46の何れか一項に記載の方法。
48.各測定位置における各角度は、上記印刷されたコンターとターゲットコンターとの間のエッジ配置誤差を決定する方向を定義する、条項47に記載の方法。
49.各コンター制約は、所与の測定位置における上記シミュレートされたコンターへの接線と、上記所与の位置での上記測定データの上記角度との間の接線角度の関数である、条項45~48の何れか一項に記載の方法。
50.上記モデルパラメータの上記値を調節することは、
(a)上記モデルパラメータの所与の値を使用して上記プロセスモデルを実行して、上記シミュレートされたコンターを生成することであって、上記所与の値は、最初の反復ではランダムな値であり、後に続く反復では調節された値である、ことと、
(c)上記測定位置のそれぞれにおいて、上記シミュレートされたコンターの接線を決定することと、
(d)上記測定位置のそれぞれにおいて、上記接線と上記測定データの上記角度との間の接線角度を決定することと、
(e)上記測定位置の1つ又は複数において、上記接線角度が垂直範囲内にあるかどうかを判断することと、
(f)上記接線角度が垂直範囲内にないことに応答して、上記モデルパラメータの上記値を調節し、ステップ(a)~(d)を実施することと、を含む、反復プロセスである、条項45~49の何れか一項に記載の方法。
51.上記垂直範囲は、88°~92°の間の角度の値、好ましくは90°である、条項45~50の何れか一項に記載の方法。
52.上記調節することは、上記モデルパラメータに関する各接線角度の勾配に基づいており、上記勾配は、上記接線角度が、モデルパラメータ値の変化に対してどの位敏感であるかを示す、条項45~51の何れか一項に記載の方法。
53.上記プロセスモデルは、経験的なモデル及び/又は機械学習モデルを含む、データ駆動型のモデルである、条項45~52の何れか一項に記載の方法。
54.上記機械学習モデルは畳み込み型ニューラルネットワークであり、上記モデルパラメータは、複数の層に関連付けられた重み及びバイアスである、条項45~53の何れか一項に記載の方法。
55.ターゲットパターンの像を予測するように構成されたプロセスモデルを較正するための方法であって、
(i)上記ターゲットパターンに関連付けられた基準像、(ii)上記基準像に関して規定される勾配制約、を取得することと、
(i)シミュレートされた像と上記基準像との間の強度差又は周波数差を最小化し、(ii)上記勾配制約を満たす、上記シミュレートされた像を上記プロセスモデルが生成するように、上記プロセスモデルを較正することと、を含む、方法。
56.上記プロセスモデルの上記較正は、
(a)上記ターゲットパターンを使用して上記プロセスモデルを実行して、上記シミュレートされた像を生成することと、
(b)上記シミュレートされた像の強度値と上記基準像の強度値との間の上記強度差を決定すること、及び/又は、上記シミュレートされた像及び上記基準像を、Fourier変換を介して周波数ドメインに変換すること、及び上記シミュレートされた像に関係した周波数と上記基準像に関係した周波数との間の上記周波数差を決定することと、
(c)上記シミュレートされた像内の信号のシミュレートされた勾配を決定することであって、上記信号は、シミュレートされた像を通過する所与の線に沿った信号である、ことと、
(d)条件:(i)上記強度差又は上記周波数差が最小化される、(ii)上記シミュレートされた勾配が、上記基準像に関連付けられた上記勾配制約を満たす、かどうか判断することと、
(e)条件(i)及び(ii)が満たされていないことに応答して、上記プロセスモデルのモデルパラメータの値を調節すること、及び上記条件(i)及び(ii)が満たされるまで、ステップ(a)~(d)を実施することと、を含む反復プロセスである、条項55に記載の方法。
57.上記シミュレートされた勾配は、上記シミュレートされた像を通過する上記所与の線に沿って上記信号の一次導関数を取得することにより、決定される、条項55~56の何れか一項に記載の方法。
58.上記勾配制約は、上記基準像を通過する上記所与の線に沿って信号の一次導関数を取ることによって取得される、条項55~57の何れか一項に記載の方法。
59.上記シミュレートされた像からシミュレートされたコンターを抽出し、上記基準像から基準コンターを抽出することであって、上記シミュレートされたコンター及び上記基準コンターは上記ターゲットパターンに関連付けられている、ことと、
上記シミュレートされたコンターがコンター形状制約を満たすように、上記プロセスモデルを較正することであって、上記コンター形状制約は、上記シミュレートされたコンターが上記基準コンターの形状と一致することを確実にする、ことと、を更に含む、条項55~58の何れか一項に記載の方法。
60.上記コンター形状制約が満たされているかどうかを判断することは、
上記シミュレートされたコンターの2次導関数が、上記基準コンターの2次導関数の所望の範囲内にあることを判断することを含む、条項55~59の何れか一項に記載の方法。
61.上記基準像は、上記ターゲットパターンを使用してパターニングプロセスの物理学ベースのモデルをシミュレートすることにより取得され、上記基準像は、
上記ターゲットパターンの空間像、
上記ターゲットパターンのレジスト像、及び/又は、
上記ターゲットパターンのエッチング像、を含む、条項55~60の何れか一項に記載の方法。
62.上記プロセスモデルは、印刷された基板上のパターンの印刷されたコンターに関して定義されるコンター制約を満たすように構成される、条項55~61の何れか一項に記載の方法。
63.各コンター制約は、所与の測定位置におけるシミュレートされたコンターへの接線と、上記所与の位置における上記測定データの上記角度との間の接線角度の関数になり、ここで、上記シミュレートされたコンターは、上記ターゲットパターンを使用した上記プロセスモデルの実行を介して決定される、上記シミュレートされたパターンのコンターである、条項55~62の何れか一項に記載の方法。
64.プロセスモデルを較正するためのシステムであって、上記プロセスモデルはシミュレートされたコンターを生成するように構成され、上記システムは、
パターン上の複数の測定位置において測定データを取得するように構成されたメトロロジツールと、
プロセッサであって、
上記シミュレートされたコンターが上記コンター制約を満たすまで、上記プロセスモデルのモデルパラメータの値を調節することにより、上記プロセスモデルを較正するように構成されたプロセッサと、を含み、上記コンター制約は、上記測定データに基づいている、システム。
65.上記複数の測定位置は、印刷されたパターン上又は上記印刷されたパターンの印刷されたコンター上に配置されたエッジ配置(EP)ゲージである、条項64に記載のシステム。
66.上記測定データは、複数の角度を含み、各角度は、上記パターン上又は上記印刷されたパターンの上記印刷されたコンター上に配置された各測定位置において、定義される、条項64~65の何れか一項に記載のシステム。
67.各測定位置における各角度は、上記印刷されたコンターとターゲットコンターとの間のエッジ配置誤差を決定する方向を定義する、条項66に記載のシステム。
68.各コンター制約は、所与の測定位置における上記シミュレートされたコンターへの接線と、上記所与の位置での上記測定データの上記角度との間の接線角度の関数である、条項64~67の何れか一項に記載のシステム。
69.上記モデルパラメータの上記値を上記調節することは、
(a)上記モデルパラメータの所与の値を使用して上記プロセスモデルを実行して、上記シミュレートされたコンターを生成することであって、上記所与の値は、最初の反復ではランダムな値であり、後に続く反復では調節された値である、ことと、
(c)上記測定位置のそれぞれにおいて、上記シミュレートされたコンターの接線を決定することと、
(d)上記測定位置のそれぞれにおいて、上記接線と上記測定データの上記角度との間の接線角度を決定することと、
(e)上記測定位置の1つ又は複数において、上記接線角度が垂直範囲内にあるかどうかを判断することと、
(f)上記接線角度が垂直範囲内にないことに応答して、上記モデルパラメータの上記値を調節し、ステップ(a)~(d)を実施することと、を含む、反復プロセスである、条項64~68の何れか一項に記載のシステム。
70.上記垂直範囲は、88°~92°の間の角度の値、好ましくは90°である、条項64~69の何れか一項に記載のシステム。
71.上記調節することは、上記モデルパラメータに関する各接線角度の勾配に基づいており、上記勾配は、上記接線角度が、モデルパラメータ値の変化に対してどの位敏感であるかを示す、条項64~70の何れか一項に記載のシステム。
72.上記プロセスモデルは、経験的なモデル及び/又は機械学習モデルを含む、データ駆動型のモデルである、条項64~71の何れか一項に記載のシステム。
73.上記機械学習モデルは畳み込み型ニューラルネットワークであり、上記モデルパラメータは、複数の層に関連付けられた重み及びバイアスである、条項64~72の何れか一項に記載のシステム。
74.上記メトロロジツールは電子ビーム装置である、条項64~73の何れか一項に記載のシステム。
75.上記メトロロジツールは、印刷された基板上のパターンのキャプチャされた像からコンターを識別及び抽出するように構成された、走査電子顕微鏡である、条項64~74の何れか一項に記載のシステム。
76.ターゲットパターンの像を予測するように構成されたプロセスモデルを較正するためのシステムであって、
上記ターゲットパターンに関連付けられた基準像を取得するように構成されたメトロロジツールと、
プロセッサであって、
(i)シミュレートされた像と上記基準像との間の強度差又は周波数差を最小化し、(ii)上記基準像に関係した勾配制約を満たす、上記シミュレートされた像を上記プロセスモデルが生成するように、上記プロセスモデルを較正する、ように構成されたプロセッサと、を含むシステム。
77.上記プロセスモデルの上記較正は、
(a)上記ターゲットパターンを使用して上記プロセスモデルを実行して、上記シミュレートされた像を生成することと、
(b)上記シミュレートされた像の強度値と上記基準像の強度値との間の上記強度差を決定すること、及び/又は、上記シミュレートされた像及び上記基準像を、Fourier変換を介して周波数ドメインに変換すること、及び上記シミュレートされた像に関係した周波数と上記基準像に関係した周波数との間の上記周波数差を決定することと、
(c)上記シミュレートされた像内の信号のシミュレートされた勾配を決定することであって、上記信号は、シミュレートされた像を通過する所与の線に沿った信号である、ことと、
(d)条件:(i)上記強度差又は上記周波数差が最小化される、(ii)上記シミュレートされた勾配が、上記基準像に関連付けられた上記勾配制約を満たす、かどうか判断することと、
(e)条件(i)及び(ii)が満たされていないことに応答して、上記プロセスモデルのモデルパラメータの値を調節すること、及び上記条件(i)及び(ii)が満たされるまで、ステップ(a)~(d)を実施することと、を含む反復プロセスである、条項76に記載のシステム。
78.上記シミュレートされた勾配は、上記シミュレートされた像を通過する上記所与の線に沿って上記信号の一次導関数を取ることにより、決定される、条項76~77の何れか一項に記載のシステム。
79.上記勾配制約は、上記基準像を通過する上記所与の線に沿って信号の一次導関数を取ることによって取得される、条項76~78の何れか一項に記載のシステム。
80.上記プロセッサは、更に、
上記シミュレートされた像からシミュレートされたコンターを抽出し、上記基準像から基準コンターを抽出するように構成され、ここで、上記シミュレートされたコンター及び上記基準コンターは上記ターゲットパターンに関連付けられており、
上記シミュレートされたコンターがコンター形状制約を満たすように、上記プロセスモデルを較正するように構成され、ここで、上記コンター形状制約は、上記シミュレートされたコンターが上記基準コンターの形状と一致することを確実にする、条項76~79の何れか一項に記載のシステム。
81.上記コンター形状制約が満たされているかどうかを判断することは、
上記シミュレートされたコンターの2次導関数が、上記基準コンターの2次導関数の所望の範囲内にあることを判断することを含む、条項76~80の何れか一項に記載のシステム。
82.上記基準像は、上記ターゲットパターンを使用してパターニングプロセスの物理学ベースのモデルをシミュレートすることにより取得され、上記基準像は、
上記ターゲットパターンの空間像、
上記ターゲットパターンのレジスト像、及び/又は、
上記ターゲットパターンのエッチング像、を含む、条項76~81の何れか一項に記載のシステム。
83.上記プロセスモデルは、印刷された基板上のパターンの印刷されたコンターに関して定義されるコンター制約を満たすように構成される、条項76~82の何れか一項に記載のシステム。
84.各コンター制約は、所与の測定位置におけるシミュレートされたコンターへの接線と、上記所与の位置における上記測定データの上記角度との間の接線角度の関数になり、ここで、上記シミュレートされたコンターは、上記ターゲットパターンを使用した上記プロセスモデルの実行を介して決定される、上記シミュレートされたパターンのコンターである、条項76~83の何れか一項に記載のシステム。
85.命令を含む非一時的なコンピュータ可読媒体であって、上記命令は、1つ又は複数のプロセッサによって実行されると、
(i)基板上に印刷されることになるターゲットパターンに関連付けられたレジストパターンデータ、(ii)上記ターゲットパターンに対するエッチングプロセスの効果を特徴付ける物理的効果データ、(iii)レジストパターンと印刷された基板上に形成されたエッチングパターンとの間の測定されたバイアス、を取得することと、
上記レジストパターンデータ、上記物理的効果データ、及び上記測定されたバイアスに基づいて、上記機械学習モデルを訓練して、上記測定されたバイアスと上記予測されたエッチングバイアスとの間の差を低減することと、を含む動作を引き起こす、非一時的なコンピュータ可読媒体。
86.命令を含む非一時的なコンピュータ可読媒体であって、上記命令は、1つ又は複数のプロセッサによって実行されると、
(i)パターン上の複数の測定位置における測定データ、(ii)上記測定データに基づいて規定されるコンター制約、を取得することと、
上記シミュレートされたコンターが上記コンター制約を満たすまで、上記プロセスモデルのモデルパラメータの値を調節することにより、プロセスモデルを較正することと、を含む動作を引き起こす、非一時的なコンピュータ可読媒体。
87.命令を含む非一時的なコンピュータ可読媒体であって、上記命令は、1つ又は複数のプロセッサによって実行されると、
(i)ターゲットパターンに関連付けられた基準像、(ii)上記基準像に関して規定される勾配制約、を取得することと、
(i)シミュレートされた像と上記基準像との間の強度差又は周波数差を最小化し、(ii)上記勾配制約を満たす、上記シミュレートされた像をプロセスモデルが生成するように、上記プロセスモデルを較正することと、を含む動作を引き起こす、非一時的なコンピュータ可読媒体。
Claims (15)
- パターニングプロセスモデルを訓練するための方法であって、前記パターニングプロセスモデルは、パターニングプロセス時に形成されることになるパターンを予測するように構成され、前記方法は、
(i)所望のパターンに関連付けられた像データ、(ii)基板の測定されたパターンであって、前記所望のパターンと関連付けられている、測定されたパターン、(iii)前記パターニングプロセスの一側面に関連付けられた第1のモデルであって、第1のパラメータの組を含む、第1のモデル、及び(iv)前記パターニングプロセスの別の側面に関連付けられた機械学習モデルであって、第2のパラメータの組を含む、機械学習モデル、を取得することと、
前記第1のパラメータの組及び前記第2のパラメータの組の値を反復して決定して、前記パターニングプロセスモデルを訓練することと、を含み、反復には、
前記像データを使用して、前記第1のモデル及び前記機械学習モデルを実行して、前記基板の印刷されるパターンを協働して予測すること、及び
前記パターニングプロセスモデルの前記測定されたパターン及び前記予測されたパターンに基づいて、前記第1のパラメータの組及び前記第2のパラメータの組の値を修正すること、が含まれる、方法。 - 前記第1のモデル及び前記機械学習モデルは、畳み込み型深層ニューラルネットワークフレームワークにおいて構成され訓練される、請求項1に記載の方法。
- 前記訓練することは、
前記第1のモデル及び前記機械学習モデルの出力の順伝播により、前記印刷されるパターンを予測することと、
前記パターニングプロセスモデルの前記測定されたパターンと前記予測されたパターンとの間の差を決定することと、
前記第1のパラメータの組及び前記第2のパラメータの組に対する前記差の差分を決定することと、
前記差の前記差分に基づいて、前記第1のモデル及び前記機械学習モデルの前記出力の逆伝播により、前記第1のパラメータの組及び前記第2のパラメータの組の値を決定することと、を含む、請求項2に記載の方法。 - 前記第1のモデルは、直列の組み合わせ又は並列の組み合わせで前記機械学習モデルに結合される、請求項1に記載の方法。
- 前記第1のモデルと前記機械学習モデルとの前記直列の組み合わせは、
前記第1のモデルの出力を前記機械学習モデルへの入力として提供することを含む、請求項4に記載の方法。 - 前記第1のモデルと前記機械学習モデルとの前記直列の組み合わせは、前記機械学習モデルの出力を前記第1のモデルへの入力として提供することを含む、請求項4に記載の方法。
- 前記第1のモデルと前記機械学習モデルとの前記並列の組み合わせは、
同一の入力を前記第1のモデル及び前記機械学習モデルへ提供することと、
前記第1のモデル及び前記機械学習モデルの出力を合成することと、
それぞれのモデルの前記合成された出力に基づいて、前記予測される印刷パターンを決定することと、を含む、請求項4に記載の方法。 - 前記第1のモデルは、レジストモデル及び/又は空間像モデルである、請求項1に記載の方法。
- 前記レジストモデルの前記第1のパラメータの組は、
初期の酸分布、
酸の拡散、
像のコントラスト、
長距離パターンローディング効果、
長距離パターンローディング効果、
中和後の酸濃度、
中和後の塩基濃度、
高い酸濃度に起因する拡散、
高い塩基濃度に起因する拡散、
レジスト収縮、
レジスト現像、又は
二次元の凸曲率効果、のうちの少なくとも1つに対応する、請求項8に記載の方法。 - 前記第1のモデルは、前記パターニングプロセスの第1の側面の物理的現象をモデル化する経験的モデルである、請求項1に記載の方法。
- 前記第1のモデルは、前記基板の露光後の酸ベースの拡散に関係した前記第1の側面に対応する、請求項10に記載の方法。
- 前記機械学習モデルは、前記パターニングプロセスの第2の側面をモデル化するニューラルネットワークである、請求項1に記載の方法。
- 前記第2のパラメータの組は、前記ニューラルネットワークの1つ又は複数の層の重み及びバイアスを含む、請求項12に記載の方法。
- 前記パターニングプロセスモデルは、前記パターニングプロセスの露光後プロセスの前記第2の側面に対応する、請求項13に記載の方法。
- 前記露光後プロセスの前記第1の側面及び/又は前記第2の側面は、レジストベーキング、レジスト現像、及び/又はエッチングを含む、請求項14に記載の方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2023054693A JP2023089034A (ja) | 2019-03-25 | 2023-03-30 | パターニングプロセスにおいてパターンを決定するための方法 |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962823029P | 2019-03-25 | 2019-03-25 | |
US62/823,029 | 2019-03-25 | ||
US201962951097P | 2019-12-20 | 2019-12-20 | |
US62/951,097 | 2019-12-20 | ||
PCT/EP2020/055785 WO2020193095A1 (en) | 2019-03-25 | 2020-03-05 | Method for determining pattern in a patterning process |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023054693A Division JP2023089034A (ja) | 2019-03-25 | 2023-03-30 | パターニングプロセスにおいてパターンを決定するための方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022524970A true JP2022524970A (ja) | 2022-05-11 |
JP7256287B2 JP7256287B2 (ja) | 2023-04-11 |
Family
ID=69784422
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021551938A Active JP7256287B2 (ja) | 2019-03-25 | 2020-03-05 | パターニングプロセスにおいてパターンを決定するための方法 |
JP2023054693A Pending JP2023089034A (ja) | 2019-03-25 | 2023-03-30 | パターニングプロセスにおいてパターンを決定するための方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023054693A Pending JP2023089034A (ja) | 2019-03-25 | 2023-03-30 | パターニングプロセスにおいてパターンを決定するための方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220179321A1 (ja) |
JP (2) | JP7256287B2 (ja) |
KR (1) | KR20210130784A (ja) |
CN (1) | CN113892059A (ja) |
TW (2) | TWI747212B (ja) |
WO (1) | WO2020193095A1 (ja) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220001262A (ko) * | 2020-06-29 | 2022-01-05 | 삼성전자주식회사 | 반도체 공정의 근접 보정 방법 |
US11900042B2 (en) * | 2020-11-12 | 2024-02-13 | Synopsys, Inc. | Stochastic-aware lithographic models for mask synthesis |
KR20230121053A (ko) * | 2020-12-21 | 2023-08-17 | 에이에스엠엘 네델란즈 비.브이. | 리소그래피 공정을 모니터링하는 방법 |
EP4030236A1 (en) * | 2021-01-18 | 2022-07-20 | ASML Netherlands B.V. | A method of monitoring a lithographic process and associated apparatuses |
KR20230163492A (ko) * | 2021-03-30 | 2023-11-30 | 에이에스엠엘 네델란즈 비.브이. | 하전 입자 시스템 검사 중 국소 초점을 결정하는 시스템 및 방법 |
EP4105746A1 (en) * | 2021-06-17 | 2022-12-21 | Saint-Gobain Glass France | Method for adjusting parameters of a coating process to manufacture a coated transparent substrate |
WO2023280511A1 (en) * | 2021-07-06 | 2023-01-12 | Asml Netherlands B.V. | Determining localized image prediction errors to improve a machine learning model in predicting an image |
WO2023088649A1 (en) * | 2021-11-17 | 2023-05-25 | Asml Netherlands B.V. | Determining an etch effect based on an etch bias direction |
WO2023198381A1 (en) * | 2022-04-14 | 2023-10-19 | Asml Netherlands B.V. | Methods of metrology and associated devices |
WO2024020363A1 (en) * | 2022-07-18 | 2024-01-25 | Syncell (Taiwan) Inc. | Training ai model for a microscope-based pattern photoillumination system |
WO2024041831A1 (en) * | 2022-08-25 | 2024-02-29 | Asml Netherlands B.V. | Modelling of multi-level etch processes |
CN115598937B (zh) * | 2022-12-13 | 2023-04-07 | 华芯程(杭州)科技有限公司 | 一种光刻掩膜形状预测方法及装置、电子设备 |
US20240193415A1 (en) * | 2022-12-13 | 2024-06-13 | Samsung Electronics Co., Ltd. | Method and apparatus with semiconductor pattern correction |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009042275A (ja) * | 2007-08-06 | 2009-02-26 | Toshiba Corp | プロセスモデル作成方法、プロセスモデル作成プログラム及びパターン補正方法 |
JP2009224409A (ja) * | 2008-03-13 | 2009-10-01 | Canon Inc | パラメータ決定方法、露光方法、デバイス製造方法及びプログラム |
JP2010122438A (ja) * | 2008-11-19 | 2010-06-03 | Nec Electronics Corp | リソグラフィシミュレーションモデルの検証方法、検証プログラム及び検証装置 |
JP2017129896A (ja) * | 2016-01-18 | 2017-07-27 | 富士通株式会社 | 機械学習装置、機械学習方法及び機械学習プログラム |
WO2017171891A1 (en) * | 2016-04-02 | 2017-10-05 | Intel Corporation | Systems, methods, and apparatuses for modeling reticle compensation for post lithography processing using machine learning algorithms |
WO2018153866A1 (en) * | 2017-02-24 | 2018-08-30 | Asml Netherlands B.V. | Methods of determining process models by machine learning |
US20180300434A1 (en) * | 2017-04-12 | 2018-10-18 | Anchor Semiconductor Inc. | Pattern centric process control |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523193A (en) | 1988-05-31 | 1996-06-04 | Texas Instruments Incorporated | Method and apparatus for patterning and imaging member |
EP0527166B1 (de) | 1990-05-02 | 1995-06-14 | Fraunhofer-Gesellschaft Zur Förderung Der Angewandten Forschung E.V. | Belichtungsvorrichtung |
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
EP0824722B1 (en) | 1996-03-06 | 2001-07-25 | Asm Lithography B.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
EP0890136B9 (en) | 1996-12-24 | 2003-12-10 | ASML Netherlands B.V. | Two-dimensionally balanced positioning device with two object holders, and lithographic device provided with such a positioning device |
US7363099B2 (en) * | 2002-06-07 | 2008-04-22 | Cadence Design Systems, Inc. | Integrated circuit metrology |
KR100982135B1 (ko) | 2005-09-09 | 2010-09-14 | 에이에스엠엘 네델란즈 비.브이. | 개별 마스크 오차 모델을 사용하는 마스크 검증 방법 및시스템 |
JP5629691B2 (ja) | 2008-11-21 | 2014-11-26 | エーエスエムエル ネザーランズ ビー.ブイ. | 高速自由形式ソース・マスク同時最適化方法 |
US8786824B2 (en) | 2009-06-10 | 2014-07-22 | Asml Netherlands B.V. | Source-mask optimization in lithographic apparatus |
US8473271B2 (en) * | 2010-03-12 | 2013-06-25 | Synopsys, Inc. | Fast photolithography process simulation to predict remaining resist thickness |
US11520239B2 (en) * | 2016-02-22 | 2022-12-06 | Asml Netherlands B.V. | Separation of contributions to metrology data |
EP3336608A1 (en) * | 2016-12-16 | 2018-06-20 | ASML Netherlands B.V. | Method and apparatus for image analysis |
KR102644214B1 (ko) * | 2018-02-23 | 2024-03-07 | 에이에스엠엘 네델란즈 비.브이. | 컴퓨테이션 리소그래피를 위한 머신 러닝 모델을 트레이닝시키기 위한 방법 |
US10579764B2 (en) * | 2018-06-06 | 2020-03-03 | International Business Machines Corporation | Co-modeling post-lithography critical dimensions and post-etch critical dimensions with multi-task neural networks |
-
2020
- 2020-03-05 KR KR1020217030792A patent/KR20210130784A/ko active IP Right Grant
- 2020-03-05 JP JP2021551938A patent/JP7256287B2/ja active Active
- 2020-03-05 CN CN202080024772.2A patent/CN113892059A/zh active Pending
- 2020-03-05 US US17/442,662 patent/US20220179321A1/en active Pending
- 2020-03-05 WO PCT/EP2020/055785 patent/WO2020193095A1/en active Application Filing
- 2020-03-24 TW TW109109826A patent/TWI747212B/zh active
- 2020-03-24 TW TW110139786A patent/TWI790792B/zh active
-
2023
- 2023-03-30 JP JP2023054693A patent/JP2023089034A/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009042275A (ja) * | 2007-08-06 | 2009-02-26 | Toshiba Corp | プロセスモデル作成方法、プロセスモデル作成プログラム及びパターン補正方法 |
JP2009224409A (ja) * | 2008-03-13 | 2009-10-01 | Canon Inc | パラメータ決定方法、露光方法、デバイス製造方法及びプログラム |
JP2010122438A (ja) * | 2008-11-19 | 2010-06-03 | Nec Electronics Corp | リソグラフィシミュレーションモデルの検証方法、検証プログラム及び検証装置 |
JP2017129896A (ja) * | 2016-01-18 | 2017-07-27 | 富士通株式会社 | 機械学習装置、機械学習方法及び機械学習プログラム |
WO2017171891A1 (en) * | 2016-04-02 | 2017-10-05 | Intel Corporation | Systems, methods, and apparatuses for modeling reticle compensation for post lithography processing using machine learning algorithms |
WO2018153866A1 (en) * | 2017-02-24 | 2018-08-30 | Asml Netherlands B.V. | Methods of determining process models by machine learning |
US20180300434A1 (en) * | 2017-04-12 | 2018-10-18 | Anchor Semiconductor Inc. | Pattern centric process control |
Also Published As
Publication number | Publication date |
---|---|
TWI790792B (zh) | 2023-01-21 |
JP2023089034A (ja) | 2023-06-27 |
TW202206950A (zh) | 2022-02-16 |
TWI747212B (zh) | 2021-11-21 |
CN113892059A (zh) | 2022-01-04 |
WO2020193095A1 (en) | 2020-10-01 |
TW202316203A (zh) | 2023-04-16 |
JP7256287B2 (ja) | 2023-04-11 |
US20220179321A1 (en) | 2022-06-09 |
KR20210130784A (ko) | 2021-11-01 |
TW202043938A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7256287B2 (ja) | パターニングプロセスにおいてパターンを決定するための方法 | |
CN107430347B (zh) | 图像对数斜率(ils)优化 | |
US11768442B2 (en) | Method of determining control parameters of a device manufacturing process | |
KR102182005B1 (ko) | 레지스트 변형을 결정하는 방법들 | |
KR20210117332A (ko) | 프린트된 패턴들의 확률적 변동을 결정하는 방법 | |
CN113924525A (zh) | 用于确定对掩模的特征的校正的方法 | |
US11669019B2 (en) | Method for determining stochastic variation associated with desired pattern | |
TW202409967A (zh) | 在器件之製造程序中之方法、非暫態電腦可讀取媒體及經組態以執行該方法之系統 | |
EP3462240A1 (en) | Method of determining control parameters of a device manufacturing process | |
CN114514476A (zh) | 用于确定视场设定的方法 | |
TW202105057A (zh) | 用於基於缺陷而判定圖案化程序之特性以減少熱點的方法 | |
TWI839039B (zh) | 用於訓練機器學習模型之方法及微影方法 | |
US20230333483A1 (en) | Optimization of scanner throughput and imaging quality for a patterning process | |
TWI837495B (zh) | 器件製造程序中的方法 | |
EP3822703A1 (en) | Method for determining a field-of-view setting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211028 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211028 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220928 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221005 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230301 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230330 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7256287 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |