KR20240063929A - 계측 데이터 변환 방법 - Google Patents
계측 데이터 변환 방법 Download PDFInfo
- Publication number
- KR20240063929A KR20240063929A KR1020247011073A KR20247011073A KR20240063929A KR 20240063929 A KR20240063929 A KR 20240063929A KR 1020247011073 A KR1020247011073 A KR 1020247011073A KR 20247011073 A KR20247011073 A KR 20247011073A KR 20240063929 A KR20240063929 A KR 20240063929A
- Authority
- KR
- South Korea
- Prior art keywords
- sem
- model
- metrology
- data set
- data
- Prior art date
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 144
- 238000006243 chemical reaction Methods 0.000 title description 2
- 238000010801 machine learning Methods 0.000 claims abstract description 200
- 239000000758 substrate Substances 0.000 claims abstract description 147
- 238000012549 training Methods 0.000 claims abstract description 107
- 230000001131 transforming effect Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 71
- 238000013461 design Methods 0.000 claims description 65
- 238000001878 scanning electron micrograph Methods 0.000 claims description 58
- 230000000704 physical effect Effects 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 26
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 abstract description 3
- 238000004626 scanning electron microscopy Methods 0.000 description 201
- 230000008569 process Effects 0.000 description 44
- 238000000059 patterning Methods 0.000 description 41
- 239000002245 particle Substances 0.000 description 25
- 230000005855 radiation Effects 0.000 description 24
- 239000000523 sample Substances 0.000 description 20
- 238000012545 processing Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 14
- 230000003287 optical effect Effects 0.000 description 13
- 238000010894 electron beam technology Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 239000004065 semiconductor Substances 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005530 etching Methods 0.000 description 6
- 238000012804 iterative process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 235000012431 wafers Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000001459 lithography Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000005381 magnetic domain Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 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
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- 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
- G03F7/70616—Monitoring the printed patterns
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- 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
- G03F7/70641—Focus
-
- 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
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- 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
- G03F7/70655—Non-optical, e.g. atomic force microscope [AFM] or critical dimension scanning electron microscope [CD-SEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/094—Adversarial learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
- H01J37/02—Details
- H01J37/22—Optical or photographic arrangements associated with the tube
- H01J37/222—Image processing arrangements associated with the tube
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
- G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/28—Scanning microscopes
- H01J2237/2813—Scanning microscopes characterised by the application
- H01J2237/2817—Pattern inspection
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
- H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
- H01J2237/26—Electron or ion microscopes
- H01J2237/282—Determination of microscope properties
- H01J2237/2826—Calibration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
- Holo Graphy (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
훈련된 기계 학습(ML) 모델을 통해 계측 데이터를 변환하는 계측 시스템 및 방법이 설명된다. 상기 방법은 제1 SEM(scanning electron metrology) 시스템에 의해 획득된 제1 SEM 데이터 세트(예를 들어, 이미지, 윤곽 등) 및 제2 SEM 시스템에 의해 획득된 제2 SEM 데이터 세트에 액세스하는 단계(상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는 패터닝된 기판과 연관됨)를 포함한다. 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트를 훈련 데이터로 사용하여, 기계 학습(ML) 모델은 훈련(상기 훈련된 ML 모델은 제2 SEM 시스템에 의해 획득되는 계측 데이터 세트를 제1 SEM 시스템에 의해 획득되는 계측 데이터와 유사한 특성을 갖는 변환된 데이터 세트로 변환하도록 구성됨)된다. 또한, 변환된 SEM 데이터를 기반으로 측정값이 결정될 수 있다.
Description
본 출원은 2021년 9월 9일에 출원된 국제출원 PCT/CN2021/117420의 우선권을 주장하며, 그 전문은 본 명세서에 참조로 포함된다.
본 명세서의 설명은 일반적으로 계측 시스템에 의해 획득된 계측 데이터를 처리하는 방법에 관한 것이며, 더 구체적으로는 기계 학습 모델을 사용하여 계측 데이터를 처리하는 방법에 관한 것이다.
리소그래피 투영 장치는, 예를 들어 집적 회로(IC)의 제조 시에 사용될 수 있다. 이러한 경우, 패터닝 디바이스(예를 들어, 마스크)는 IC의 개별층에 대응하는 패턴("디자인 레이아웃")을 포함하거나 제공할 수 있으며, 패터닝 디바이스 상의 패턴을 통해 타겟부를 조사(irradiate)하는 것과 같은 방법들에 의해, 이 패턴이 방사선-감응재("레지스트")층으로 코팅된 기판(예를 들어, 실리콘 웨이퍼) 상의 (예를 들어, 하나 이상의 다이를 포함하는) 타겟부 상으로 전사(transfer)될 수 있다. 일반적으로, 단일 기판은 리소그래피 투영 장치에 의해 패턴이 한 번에 한 타겟부씩 연속적으로 전사되는 복수의 인접한 타겟부들을 포함한다. 일 형태의 리소그래피 투영 장치에서는 전체 패터닝 디바이스 상의 패턴이 한 타겟부 상으로 한 번에 전사되며; 이러한 장치는 통상적으로 스테퍼(stepper)라 칭해진다. 통상적으로 스텝-앤드-스캔(step-and-scan) 장치라 칭해지는 대안적인 장치에서는 투영 빔이 주어진 기준 방향("스캐닝" 방향)으로 패터닝 디바이스에 걸쳐 스캐닝하는 한편, 동시에 이 기준 방향과 평행하게 또는 역-평행하게(anti-parallel) 기판이 이동된다. 패터닝 디바이스 상의 패턴의 상이한 부분들이 점진적으로 한 타겟부에 전사된다. 일반적으로, 리소그래피 투영 장치가 축소율(M)(예를 들어, 4)을 갖기 때문에, 기판이 이동되는 속력(F)은 투영 빔이 패터닝 디바이스를 스캐닝하는 속력의 1/M 배가 될 것이다. 리소그래피 디바이스들에 관련된 더 많은 정보는, 예를 들어 본 명세서에서 인용참조되는 US 6,046,792로부터 얻을 수 있다.
패터닝 디바이스로부터 기판으로 패턴을 전사하기에 앞서, 기판은 전처리(priming), 레지스트 코팅 및 소프트 베이크(soft bake)와 같은 다양한 절차들을 거칠 수 있다. 노광 이후, 기판은 노광-후 베이크(post-exposure bake: PEB), 현상, 하드 베이크(hard bake) 및 전사된 패턴의 측정/검사와 같은 다른 절차들("노광-후 절차들")을 거칠 수 있다. 이러한 일련의 절차들은 디바이스, 예를 들어 IC의 개별층을 구성하는 기초로서 사용된다. 그 후, 기판은 에칭, 이온-주입(도핑), 금속화(metallization), 산화, 화학-기계적 연마 등과 같은 다양한 공정들을 거칠 수 있으며, 이는 모두 디바이스의 개별층을 마무리하도록 의도된다. 디바이스에서 여러 층이 요구되는 경우, 각각의 층에 대해 전체 과정 또는 그 변형이 반복된다. 결과적으로, 디바이스가 기판 상의 각 타겟부에 존재할 것이다. 그 후, 이 디바이스들은 다이싱(dicing) 또는 소잉(sawing)과 같은 기술에 의해 서로 분리되며, 개개의 디바이스들은 핀에 연결되는 캐리어 등에 장착될 수 있다.
따라서, 반도체 디바이스들과 같은 디바이스들을 제조하는 것은 통상적으로 디바이스들의 다양한 피처들 및 다수 층들을 형성하기 위해 다수의 제작 공정들을 이용하여 기판(예를 들어, 반도체 웨이퍼)을 처리하는 것을 수반한다. 이러한 층들 및 피처들은 통상적으로, 예를 들어 증착, 리소그래피, 에칭, 화학-기계적 연마, 및 이온 주입을 이용하여 제조되고 처리된다. 다수 디바이스들은 기판의 복수의 다이들 상에 제작된 후, 개별적인 디바이스들로 분리될 수 있다. 이 디바이스 제조 공정은 패터닝 공정으로 간주될 수 있다. 패터닝 공정은 기판에 패터닝 디바이스 상의 패턴을 전사하기 위해 리소그래피 장치에서 패터닝 디바이스를 이용하는 광학 및/또는 나노임프린트(nanoimprint) 리소그래피와 같은 패터닝 단계를 수반하며, 통상적이지만 선택적으로 현상 장치에 의한 레지스트 현상, 베이크 툴을 이용한 기판의 베이킹, 에칭 장치를 이용하는 패턴을 이용한 에칭 등과 같은 하나 이상의 관련 패턴 처리 단계를 수반한다.
반도체 제조에서는 유사한 측정 원리 또는 패터닝된 기판으로부터의 유사한 신호 생성 메커니즘으로 작동하는 여러 계측 툴이 사용될 수 있다. 예를 들어, 패터닝된 기판과의 전자 빔 상호작용을 기반으로 측정값을 결정하는 다중 주사 전자 현미경(SEM)이 반도체 제조 중에 사용될 수 있다. 계측 스루풋, 측정 정확도, 비용 효율성을 개선하기 위해 및 기타 이유들로 여러 계측 시스템을 사용할 수 있다. 예를 들어, 패터닝 공정을 개선하기 위해 측정이 사용될 수 있다. 하나의 계측 시스템은 작동 방식은 비슷하지만 기계적 서브-시스템, 전기적 서브-시스템, 전자 장치, 신호 감지, 이미지 획득 알고리즘, 이미지 처리 알고리즘, 윤곽 추출 알고리즘 또는 기타 구조 및 소프트웨어 등 다양한 측면에서 다른 계측 시스템과 상이할 수 있다. 따라서, 다중 계측 시스템을 사용하면 동일한 기판에서 동일한 패턴의 측정 결과가 일관되지 않을 수 있다. 본 발명은 훈련된 기계 학습 모델을 사용하여 특정 계측 툴로부터 획득된 계측 데이터(예를 들어, SEM 이미지 또는 윤곽)를 변환하는 메커니즘을 제공한다. 이렇게 변환된 계측 데이터는 다른 계측 툴(예: 기준 계측 시스템)과 일치하거나 비교 가능하므로, 상이한 계측 툴들 간의 측정 일관성을 유지할 수 있다. 예를 들어, 변환된 신호 및/또는 CD는 다른 계측 툴에 의해 획득된 신호 및/또는 CD와 일치하는 패터닝된 기판의 특징과 연관된 신호 및/또는 CD를 갖는다. 즉, 변환된 계측 데이터 또는 변환된 계측 데이터로부터 파생된 측정값은 다른 계측 툴을 사용하여 계측 데이터 또는 측정값을 획득하는 것과 유사하다.
계측 시스템은 예를 들어 다중 주사 전자 현미경(SEM)일 수 있다. 일 실시예에서, 메커니즘은 하나의 SEM 시스템에 의해 획득된 SEM 이미지를 다른 SEM 시스템에 의해 획득된 이미지로 변환하도록 기계 학습(ML) 모델을 훈련하는 것을 포함한다. 따라서, 변환된 이미지에 대해 수행된 패터닝된 피처의 물리적 특성을 측정하는 것은 다른 SEM 시스템에서 획득한 이미지에 대한 측정을 수행하는 것과 유사하다. 실시예에서, 상이한 툴들로부터 측정 데이터 간의 차이(예를 들어, CD 불일치 및/또는 SEM 이미지 불일치)가 ML 모델을 훈련하는 비용 함수에 포함될 수 있다. 일 예에서, SEM 신호를 포함하는 측정 데이터는 이미지 변환을 가이딩하는 데 사용될 수 있다. 또한, 메커니즘은 훈련 데이터를 사용하여 측정 설정(예: CD 측정 설정)을 획득하고 이를 변환된 이미지에 적용하여 패터닝된 기판과 관련된 측정값(예: CD)을 획득하는 것을 포함한다. 이러한 측정값은 다른 SEM 시스템(예를 들어, 기준 SEM 시스템)에서 수집한 것과 같다.
실시예에서, 기계 학습 모델을 훈련하고 계측 데이터를 변환하기 위해 훈련된 기계 학습 모델을 사용하는 방법이 제공된다. 방법은 제1 SEM(scanning electron metrology) 시스템에 의해 획득된 제1 SEM 데이터 세트 및 제2 SEM 시스템에 의해 획득된 제2 SEM 데이터 세트에 액세스하는 단계(상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는 패터닝된 기판과 연관됨)를 포함한다. 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트를 훈련 데이터로 사용하여, 기계 학습(ML) 모델은 훈련(상기 훈련된 ML 모델은 상기 제2 SEM 시스템에 의해 획득되는 계측 데이터 세트를 상기 제1 SEM 시스템에 의해 획득되는 계측 데이터와 유사한 특성을 갖는 변환된 데이터 세트로 변환하도록 구성됨)된다.
일 실시예에서, 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트는 패터닝된 기판의 이미지 세트, 패터닝된 기판 상의 피처의 윤곽, 패터닝된 기판 상의 패턴과 연관된 물리적 특성, 또는 이들의 조합일 수 있다. 일 실시예에서, 물리적 특성은 패터닝된 기판 상의 패턴의 임계 치수(CD)를 포함한다.
일 실시예에서, ML 모델을 훈련하는 단계는: 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트를 비교하는 단계; 및 상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련시키는 데 사용되는 비용 함수에 영향을 미치는 단계를 포함한다.
일 실시예에서, ML 모델을 훈련하는 단계는 신호 대 신호 매칭 또는 CD 대 CD 매칭을 포함한다. 예를 들어, ML 모델 학습에는 제1 SEM 데이터 세트의 제1 CD 값과 제2 SEM 데이터 세트의 제2 CD 값을 비교하는 것이 포함되고, 비교를 기반으로 ML 모델의 파라미터를 조정하여 제1 및 제2 SEM 데이터 세트 간의 CD 매칭을 개선하는 데 사용되는 비용 함수에 영향을 주며, 비용 함수는 제1 CD 값과 제2 CD 값의 함수이다.
일 실시예에서, 방법은 제1 SEM 시스템으로부터 기판의 물리적 특성 측정값 및 제1 SEM 데이터 세트에 기반하여 계측 시스템에 대한 계측 측정 레시피를 수신하는 단계; 및 변환된 계측 데이터에 계측 측정 레시피를 적용하여 다른 물리적 특성 측정값을 결정하는 단계를 포함한다. 일 실시예에서, 상기 계측 측정 레시피는 CD 측정이 수행된 상기 캡처된 계측 데이터 상의 위치를 나타내는 CD 임계값을 포함한다.
일 실시예에서, 계측 측정 레시피를 결정하는 방법은: 제1 윤곽 추출 알고리즘을 통해, 상기 제1 SEM 데이터 세트의 이미지로부터 윤곽을 추출하는 단계; 상기 윤곽을 가로지르는 위치에 절단선을 그려 CD를 측정하는 단계; 및 상기 절단선을 따른 신호에 기초하여, 상기 측정된 CD에 대응하는 CD 임계값을 결정하는 단계를 포함한다.
일 실시예에서, 계측 시스템이 제공된다. 계측 시스템은 훈련된 기계 학습(ML) 모델이 저장되어 있고 실행 시: 패터닝된 기판의 계측 데이터를 캡처하고; 훈련된 ML 모델을 통해 캡처된 계측 데이터를 다른 계측 시스템에서 캡처한 것과 같은 특성을 갖는 변환된 계측 데이터로 변환하게 하는, 컴퓨터 프로그램 명령어로 프로그래밍된 하나 이상의 프로세서를 포함하는 프로세서 또는 컴퓨터 시스템을 포함한다.
실시예에 따르면, 명령어가 기록된 비일시적 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 시스템이 제공된다. 상기 명령어는 컴퓨터에 의해 실행될 때 상기 방법의 단계들을 구현한다.
전술된 양태들과 다른 양태들 및 특징은 첨부 도면과 함께 특정 실시예에 대한 다음 설명의 검토로 당업자에게 명백해질 것이다.
도 1은 일 실시예에 따른 리소그래피 시스템의 다양한 서브시스템에 대한 블록도를 도시한다.
도 2는 일 실시예에 따른, 특정 계측 시스템에 의해 획득된 이미지를 다른 계측 시스템에 의해 획득된 이미지로 변환하는 방법의 예시적인 흐름도이다.
도 3은 일 실시예에 따른, 제1 계측 시스템 및 제2 계측 시스템에 의해 획득된 예시적인 측정 데이터를 도시한다.
도 4는 일 실시예에 따른, 도 3에서 획득된 이미지의 일부 내의 신호를 도시한다.
도 5는 일 실시예에 따른, 생성적 대립 네트워크(GAN)를 사용한 ML 모델의 예시적인 훈련을 도시한다.
도 6a는 일 실시예에 따른, 변환된 이미지를 생성하기 위해 제2 계측 시스템에 의해 획득된 제2 이미지를 도 2의 훈련된 모델에 입력하는 것을 도시한다.
도 6b는 일 실시예에 따른 제1 계측 시스템에 의해 획득된 예시적인 제1 이미지를 도시하며, 예시적인 이미지는 실시예에 따라 비교를 위해 도 6a의 변환된 이미지에 인접하게 배치된다.
도 7은 일 실시예에 따른 도 6a 및 도 6b의 제1 이미지, 제2 이미지 및 변환 이미지의 일부 내의 신호를 도시한 것으로, 제1 이미지와 변환 이미지의 신호가 서로 중첩되어 제1 이미지와 유사한 특성을 갖는 변환 이미지임을 도시한다.
도 8은 일 실시예에 따른, 제2 계측 시스템에 의해 획득된 이미지를 제1 계측 시스템에 의해 획득한 이미지로 변환하도록 구성된 기계 학습(ML) 모델의 예시적인 훈련 및 훈련된 ML 모델의 측정값 결정 적용에 대한 블록도이다.
도 9는 일 실시예에 따른 주사 전자 현미경(SEM)의 실시예를 개략적으로 도시한다.
도 10은 일 실시예에 따른 전자 빔 검사 장치의 실시예를 개략적으로 도시한다.
도 11은 일 실시예에 따른 예시적인 컴퓨터 시스템의 블록도이다.
도 1은 일 실시예에 따른 리소그래피 시스템의 다양한 서브시스템에 대한 블록도를 도시한다.
도 2는 일 실시예에 따른, 특정 계측 시스템에 의해 획득된 이미지를 다른 계측 시스템에 의해 획득된 이미지로 변환하는 방법의 예시적인 흐름도이다.
도 3은 일 실시예에 따른, 제1 계측 시스템 및 제2 계측 시스템에 의해 획득된 예시적인 측정 데이터를 도시한다.
도 4는 일 실시예에 따른, 도 3에서 획득된 이미지의 일부 내의 신호를 도시한다.
도 5는 일 실시예에 따른, 생성적 대립 네트워크(GAN)를 사용한 ML 모델의 예시적인 훈련을 도시한다.
도 6a는 일 실시예에 따른, 변환된 이미지를 생성하기 위해 제2 계측 시스템에 의해 획득된 제2 이미지를 도 2의 훈련된 모델에 입력하는 것을 도시한다.
도 6b는 일 실시예에 따른 제1 계측 시스템에 의해 획득된 예시적인 제1 이미지를 도시하며, 예시적인 이미지는 실시예에 따라 비교를 위해 도 6a의 변환된 이미지에 인접하게 배치된다.
도 7은 일 실시예에 따른 도 6a 및 도 6b의 제1 이미지, 제2 이미지 및 변환 이미지의 일부 내의 신호를 도시한 것으로, 제1 이미지와 변환 이미지의 신호가 서로 중첩되어 제1 이미지와 유사한 특성을 갖는 변환 이미지임을 도시한다.
도 8은 일 실시예에 따른, 제2 계측 시스템에 의해 획득된 이미지를 제1 계측 시스템에 의해 획득한 이미지로 변환하도록 구성된 기계 학습(ML) 모델의 예시적인 훈련 및 훈련된 ML 모델의 측정값 결정 적용에 대한 블록도이다.
도 9는 일 실시예에 따른 주사 전자 현미경(SEM)의 실시예를 개략적으로 도시한다.
도 10은 일 실시예에 따른 전자 빔 검사 장치의 실시예를 개략적으로 도시한다.
도 11은 일 실시예에 따른 예시적인 컴퓨터 시스템의 블록도이다.
실시예들을 상세히 설명하기 전에, 실시예가 구현될 수 있는 예시적인 환경을 제시하는 것이 유리하다.
본 명세서에서는, IC의 제조에 대하여 특히 언급되지만, 본 명세서의 기재내용은 다수의 다른 가능한 적용예들을 갖는다는 것을 명확히 이해하여야 한다. 예를 들어, 이는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이 패널, 박막 자기 헤드 등의 제조 시에 채택될 수 있다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "레티클", "웨이퍼" 또는 "다이"라는 용어의 어떠한 사용도 각각 "마스크", "기판" 및 "타겟부"라는 좀 더 일반적인 용어와 교환 가능한 것으로 간주되어야 함을 이해할 것이다.
본 명세서에서 "방사선" 및 "빔"이라는 용어는 자외선(예를 들어, 365, 248, 193, 157 또는 126nm 파장) 및 EUV(극자외선, 예를 들어, 약 5-100nm 범위 파장)를 포함한 모든 유형의 전자기 방사선을 포괄하는 데 사용될 수 있다.
패터닝 디바이스는 하나 이상의 디자인 레이아웃을 포함하거나 형성할 수 있다. 디자인 레이아웃은 CAD(computer-aided design) 프로그램을 사용하여 생성될 수 있으며, 이 프로세스는 흔히 EDA(electronic design automation)라고 칭해진다. 대부분의 CAD 프로그램은 기능적인 디자인 레이아웃/패터닝 디바이스를 생성하기 위해 기결정된 디자인 규칙들의 세트를 따른다. 이러한 규칙들은 처리 및 디자인 제한들에 의해 설정된다. 예를 들어, 디자인 규칙들은 디바이스들 또는 라인들이 바람직하지 않은 방식으로 서로 상호작용하지 않도록 하기 위해, (게이트, 커패시터 등과 같은) 디바이스들 또는 상호연결 라인들 사이의 간격 공차(space tolerance)를 정의한다. 디자인 규칙 제한들 중 하나 이상은 "임계 치수"(CD)라고 칭해질 수 있다. 디바이스의 임계 치수는 라인 또는 홀의 최소 폭, 또는 두 라인들 또는 두 홀들 간의 최소 간격으로서 정의될 수 있다. 따라서, CD는 디자인된 디바이스의 전체 크기 및 밀도를 결정한다. 물론, 디바이스 제작의 목표들 중 하나는 원래 디자인 의도를 (패터닝 디바이스를 통해) 기판 상에 충실하게 재현하는 것이다.
패턴 레이아웃 디자인은 예를 들어 OPC(Optical Proximity Corrections)와 같은 분해능 향상 기술의 적용을 포함할 수 있다. OPC는 기판에 투영된 디자인 레이아웃 이미지의 최종 크기 및 배치가 패터닝 장치의 디자인 레이아웃 크기와 배치와 동일하지 않거나 단순히 이에 의존할 수 있다는 점을 해결한다. "마스크", "레티클", "패터닝 디바이스"라는 용어는 본 명세서에서 상호 교환적으로 사용된다는 점에 해야 한다. 또한, 당업자는 "마스크", "패터닝 디바이스" 및 "디자인 레이아웃"이라는 용어가 상호 교환적으로 사용될 수 있으며, RET의 맥락에서 물리적 패터닝 디바이스가 반드시 사용되는 것은 아니지만 디자인 레이아웃이 물리적 패터닝 디바이스를 나타내는 데 사용될 수 있음을 이해할 것이다. 일부 디자인 레이아웃에 존재하는 작은 피처 크기와 높은 피처 밀도의 경우, 주어진 피처의 특정 에지 위치는 다른 인접한 피처의 유무에 따라 어느 정도 영향을 받는다 이러한 근접 효과는 한 피처에서 다른 피처로 결합된 미세한 양의 방사선 또는 회절 및 간섭과 같은 비기하학적 광학 효과로 인해 발생한다. 마찬가지로, 근접 효과는 일반적으로 리소그래피 이후에 발생하는 PEB(노광 후 베이킹), 레지스트 현상 및 에칭 중에 확산 및 기타 화학적 효과로 인해 발생할 수 있다.
디자인 레이아웃의 투영된 이미지가 주어진 대상 회로 디자인의 요구 사항에 부합할 가능성을 높이기 위해 정교한 수치 모델, 디자인 레이아웃의 수정 또는 사전 왜곡을 사용하여 근접 효과를 예측하고 보상할 수 있다. “Full-Chip Lithography Simulation and Design Analysis - How OPC Is Changing IC Design”, C. Spence, Proc. SPIE, Vol. 5751, pp 1-14 (2005) 논문은 현재의 '모델 기반' 광학 근접 보정 프로세스에 대한 개요를 제공한다. 일반적인 하이엔드 디자인에서는 타겟 디자인에 투영된 이미지의 충실도를 높이기 위해 디자인 레이아웃의 거의 모든 피처를 일부 수정한다. 이러한 수정에는 에지 위치 또는 선 너비의 이동 또는 편향뿐만 아니라 다른 피처의 투영을 지원하기 위한 "어시스트" 피처의 적용도 포함될 수 있다.
어시스트 피처는 패터닝 디바이스의 피처와 디자인 레이아웃의 피처 간의 차이로 볼 수 있다. "주 피처" 및 "어시스트 피처"라는 용어는 패터닝 디바이스의 특정 피처가 둘 중 하나로 라벨링되어야 함을 의미하지 않는다.
본 명세서에서 채택된 "마스크" 또는 "패터닝 디바이스"라는 용어는 기판의 타겟부에 생성될 패턴에 대응하여 입사하는 방사선 빔에 패터닝된 단면을 부여하는 데 사용될 수 있는 일반적인 패터닝 디바이스를 언급하는 것으로 폭넓게 해석될 수 있으며, "광 밸브(light valve)"라는 용어가 이러한 맥락에서 사용될 수도 있다. 기존 마스크(투과형 또는 반사형, 바이너리, 위상 변이, 하이브리드 등) 외에도 이러한 패터닝 디바이스의 예는 다음과 같다.
- 프로그래밍 가능한 거울 어레이: 이러한 디바이스의 일 예시는 점탄성 제어층 및 반사 표면을 갖는 매트릭스-어드레서블 표면(matrix-addressable surface)이다. 이러한 장치의 기본 원리는, (예를 들어) 반사 표면의 어드레싱된 영역들은 입사 방사선을 회절 방사선(diffracted radiation)으로서 반사시키는 반면, 어드레싱되지 않은 영역들은 입사 방사선을 비회절 방사선으로서 반사시킨다는 것이다. 적절한 필터를 사용하면, 반사된 빔 중에서 상기 비회절 방사선을 필터링하여 회절 방사선만이 남게 할 수 있다; 이러한 방식으로, 매트릭스-어드레서블 표면의 어드레싱 패턴에 따라 빔이 패터닝되게 된다. 필요한 매트릭스 어드레싱은 적절한 전자 수단을 이용하여 수행될 수 있다.
- 프로그래밍 가능한 LCD 어레이: 이러한 구성의 일 예시는 미국 특허 제 5,229,872호에서 주어지며, 이는 본 명세서에서 인용참조된다.
간략히 소개하면, 도 1은 예시적인 리소그래피 투영 장치(10A)를 나타낸다. 주요 구성요소들은 심자외선 엑시머 레이저 소스(deep-ultraviolet excimer laser source) 또는 극자외선(EUV) 소스를 포함한 다른 형태의 소스일 수 있는 방사선 소스(12A)(앞서 언급된 바와 같이, 리소그래피 투영 장치 자체가 방사선 소스를 가질 필요는 없음); 예를 들어, 소스(12A)로부터의 방사선을 성형하는 광학기(14A, 16Aa 및 16Ab)를 포함할 수 있고, (시그마로서 표시된) 부분 간섭성(partial coherence)을 정의하는 조명 광학기; 패터닝 디바이스(18A); 및 기판 평면(22A) 상으로 패터닝 디바이스 패턴의 이미지를 투영하는 투과 광학기(16Ac)이다. 투영 광학계의 퓨필 평면에서의 조정가능한 필터 또는 어퍼처(20A)가 기판 평면(22A) 상에 충돌하는 빔 각도들의 범위를 제한할 수 있으며, 이때 가능한 최대 각도는 투영 광학계의 개구수 NA = n sin(Θmax)를 정의하고, 여기서 n은 투영 광학계의 최종 요소와 기판 사이의 매질의 굴절률이며, Θmax는 기판 평면(22A) 상에 여전히 충돌할 수 있는 투영 광학계로부터 나오는 빔의 최대 각도이다.
리소그래피 투영 장치에서, 소스는 패터닝 디바이스에 조명(즉, 방사선)을 제공하고, 투영 광학계는 패터닝 디바이스를 통해 기판 상으로 조명을 지향하고 성형한다. 투영 광학계는 구성요소들(14A, 16Aa, 16Ab 및 16Ac) 중 적어도 일부를 포함할 수 있다. 에어리얼 이미지(AI)는 기판 레벨에서의 방사선 세기 분포이다. 기판 상의 레지스트 층이 노광되고, 에어리얼 이미지는 그 안에 잠재적인 "레지스트 이미지"(RI)로서 레지스트 층으로 전사된다. 레지스트 이미지(RI)는 레지스트 층에서 레지스트의 용해도의 공간 분포로서 정의될 수 있다. 에어리얼 이미지로부터 레지스트 이미지를 계산하기 위해 레지스트 모델이 사용될 수 있으며, 이 예시는 본 명세서에서 그 전문이 인용참조되는 미국 특허 출원 공개공보 US 2009-0157360호에서 찾아볼 수 있다. 레지스트 모델은 레지스트 층의 속성들[예를 들어, 노광, PEB 및 현상 시 일어나는 화학 공정들의 효과들]에 관련된다. 리소그래피 투영 장치의 속성들(예를 들어, 조명, 패터닝 디바이스 및 투영 광학계의 속성들)이 에어리얼 이미지를 좌우한다. 리소그래피 투영 장치에서 사용되는 패터닝 디바이스는 바뀔 수 있기 때문에, 패터닝 디바이스의 광학적 속성들을 적어도 소스 및 투영 광학계를 포함한 리소그래피 투영 장치의 나머지의 광학적 속성들과 분리하는 것이 바람직할 수 있다.
본 명세서에서는, IC 제조에 있어서 리소그래피 장치의 특정 사용예에 대하여 언급되지만, 본 명세서에 서술된 리소그래피 장치는 집적 광학 시스템, 자기 도메인 메모리용 안내 및 검출 패턴, 액정 디스플레이(LCD), 박막 자기 헤드 등의 제조와 같은 다른 적용예들을 가질 수 있다는 것을 이해하여야 한다. 당업자라면, 이러한 대안적인 적용예와 관련하여, 본 명세서의 "웨이퍼" 또는 "다이"라는 용어의 어떠한 사용도 각각 "기판" 또는 "타겟부"라는 좀 더 일반적인 용어와 동의어로 간주될 수도 있음을 이해할 것이다. 본 명세서에서 언급되는 기판은 노광 전후에, 예를 들어 트랙(일반적으로, 기판에 레지스트 층을 도포하고 노광된 레지스트를 현상하는 툴), 또는 메트롤로지 검사 툴에서 처리될 수 있다. 적용 가능하다면, 이러한 기판 처리 툴과 다른 기판 처리 툴에 본 명세서의 기재내용이 적용될 수 있다. 또한, 예를 들어 다층 IC를 생성하기 위하여 기판이 한 번 이상 처리될 수 있으므로, 본 명세서에서 사용되는 기판이라는 용어는 이미 여러 번 처리된 층들을 포함하는 기판을 칭할 수도 있다.
본 명세서에서 사용되는 "방사선" 및 "빔"이라는 용어는 자외선(UV) 방사선(예: 파장이 365, 248, 193, 157 또는 126nm인 방사선) 및 극자외선(EUV) 방사선(예: 파장이 5-20nm인 방사선), 이온 빔 또는 전자 빔과 같은 입자 빔을 포함한 모든 유형의 전자기 방사선을 포함한다.
반도체 제조에서는 패터닝된 기판의 하나 이상의 물리적 특성(예: CD, EPE, 오버레이 등)을 측정하기 위해 유사한 원리로 작동하는 여러 계측 시스템을 사용할 수 있다. 작동 원리는 비슷할 수 있지만, 다중 계측 시스템은 기계적 서브-시스템, 전기적 서브-시스템, 전자 장치, 이미지 처리 알고리즘, 윤곽 추출 알고리즘, 기타 구조적 및 소프트웨어 구성 요소 등 다양한 측면에서 서로 달라 측정값에 차이를 초래할 수 있다. 그러나, 동일한 패터닝된 기판 또는 상이한 툴을 사용하여 수행된 상이한 패터닝된 기판의 패턴 측정이 일치하는 것이 바람직하다. 상이한 계측 시스템 간에 일관된 측정값을 얻기 위해 기준 계측 시스템에 의해 획득된 데이터와 일치하는 계측 데이터가 필요할 수 있다. 예를 들어, 제1 툴(예를 들어, 기준 계측 시스템)을 사용하여 얻은 패터닝된 기판의 계측 데이터는 제2 툴을 사용하여 얻은 동일한 패터닝된 기판의 계측 데이터와 일치해야 한다. 이러한 방식으로, 툴 간 편차로 인한 편차는 측정 결과 편차에서 크게 감소 또는 제거되고, 유리하게는 측정 결과 편차는 기판 편차를 정확하게 나타낸다. 실시예에서, 기준 계측 시스템은 제2 계측 시스템과 동일한 공급자일 수도 있고, 상이한 공급자일 수도 있다. 예를 들어, 툴에는 상이한 제조사 또는 동일한 제조사에서 제공하는 상이한 프로세스 모델이나 디자인이 포함될 수 있다. 일부 경우에는 툴에 동일한 프로세스 모델이 포함되어 있어도 여전히 다르게 동작할 수 있으며, 즉, 툴 별로 변형이 있을 수 있다.
기존 접근 방식에서는 계측 데이터(예를 들어, SEM 이미지 또는 패터닝된 피처의 윤곽)를 획득한 후 계측 시스템 설정(예: 제2 계측 툴의 조정 가능한 파라미터)을 결정하여 계측 데이터에서 측정값(예: CD)을 추출할 수 있다. 예를 들어, 기준 계측 시스템을 사용하여 얻은 CD와 최상의 CD 매칭 결과를 얻기 위해 계측 시스템 설정이 결정될 수 있다. 대부분의 경우 사용 가능한 여러 파라미터 또는 모든 파라미터를 조정하더라도 사양과 일치하는 측정값(예: CD)이 충족되지 않을 수 있다. 실시예에서, 계측 설정은 도즈, 시야(FOV), 또는 제2 계측 툴의 다른 파라미터와 같은 조정 가능한 파라미터를 포함할 수 있다. 실시예에서, 도즈, FOV와 같은 조정 가능한 파라미터는 제1 툴과 제2 툴로부터의 측정치 사이의 CD 대 CD 매칭을 얻기 위해 수정되지 않을 수 있다. 예를 들어, 제2 계측 툴은 제1 계측 툴에 비해 더 높은 도즈를 사용하거나, 더 빠른 이미지 획득 속도를 갖거나, 더 큰 FOV를 가질 수 있다. 이러한 조정 가능 항목은 더 빠른 계측 측정에 유리하다. 또한, 이러한 파라미터를 변경하면 대전 효과가 달라져 측정값에 추가적인 차이가 발생할 수 있다. 이와 같이, 실시예에서, 속도 및 FOV와 같은 유리한 조정 가능 파라미터는 수정되지 않을 수 있는 반면, SEM 이미지로부터 CD 측정 동안 적용되는 CD 임계값과 같은 다른 파라미터는 수정될 수 있다. 따라서, 제2 계측 시스템의 유리한 설정을 유지하면서, 제1 계측 툴로부터의 측정 결과의 매칭을 달성할 수 있다.
본 발명은 기계 학습 모델을 사용하여 특정 계측 툴로부터 획득된 계측 데이터(예를 들어, SEM 이미지 또는 윤곽)를 변환하는 메커니즘을 제공한다. 변환된 계측 데이터는 다른 계측 툴(예: 기준 계측 시스템)와 일치하거나 다른 계측 툴에서 계측 데이터를 획득하는 것과 유사하다. 예를 들어, 메커니즘은 하나의 SEM 시스템에 의해 획득된 이미지를 다른 SEM 시스템에 의해 획득된 이미지로 변환할 수 있도록 기계 학습(ML) 모델을 훈련하는 것을 포함한다. 일 실시예에서, ML 모델은 신호, CD 값, 또는 다른 SEM 시스템에 의해 획득되는 SEM 시스템에 의해 결정된 다른 특성을 변환할 수 있다. 따라서, 변환된 이미지에 대해 수행된 패터닝된 피처의 물리적 특성을 측정하는 것은 다른 SEM 시스템에서 획득한 이미지에서 수행한 측정과 비교할 수 있다(예: 매칭과의 비교). 실시예에서, 상이한 툴들로부터 메트롤로지 데이터 간의 차이(예를 들어, CD 불일치 및/또는 SEM 이미지 불일치)가 ML 모델을 훈련하는 비용 함수에 포함될 수 있다. 예로서, SEM 이미지 신호(예를 들어, 강도 값)를 포함하는 계측 데이터가 변환을 가이딩하는 데 사용될 수 있다.
또한, 메커니즘은 기준 계측 데이터(예를 들어 기준 계측 시스템으로부터)를 사용하여 측정 설정(예를 들어 CD 측정값을 얻기 위해 사용되는 CD 임계값과 같은 계측 시스템 설정)을 획득하는 것을 포함한다. 이러한 설정은 변환된 이미지에 적용되어 패터닝된 기판과 연관된 측정값(예: CD)을 얻을 수 있으므로 측정값은 예를 들어 기준 계측 시스템에 의해 획득된 것과 같다. 실시예에서, 계측 시스템은 서로 다른 SEM 시스템, 예를 들어 기준 SEM 시스템 및 또 다른 상이한 SEM 시스템일 수 있다. 예시적인 계측 시스템은 도 9 및 10과 관련하여 설명 및 논의된다. 실시예에서, 본원의 메커니즘은 이러한 계측 시스템에 의해 캡처된 이미지(예를 들어, SEM 이미지)와 함께 사용될 수 있다.
본 발명의 메커니즘은 여러 장점을 갖는다. 예를 들어, 유사한 패턴과 관련된 일관된 측정은 다양한 계측 툴을 사용하여 얻을 수 있다. 계측 툴이 측정 획득, 이미지에서 윤곽 추출, 피처 또는 윤곽을 식별하기 위한 이미지 향상, 이미지 또는 윤곽 분할, 참조와 이미지 또는 윤곽 정렬, 측정값 도출 등에 다른 알고리즘을 사용하더라도 본 발명의 메커니즘을 적용한 후 얻은 최종 측정값은 기준 계측 시스템의 측정값과 거의 일치하는 결과를 얻을 수 있다. 실시예에서, 제1 계측 데이터와 제2 계측 데이터 간의 매칭은 제1 계측 데이터와 제2 계측 데이터 간의 차이, 계측 데이터와 연관된 통계, 계측 데이터 내의 검출 강도 값, 또는 다른 매칭 파라미터를 특징으로 할 수 있다. 예를 들어, 근접 일치는 차이 임계값, 기준 통계, 기준 강도 값 또는 일치하는 기준 데이터를 특성화하는 데 사용되는 기타 방법에 대한 일치를 의미한다.
본 발명의 메커니즘은 또한 패터닝된 기판의 측정에 실질적인 변화를 일으키지 않으면서 반도체 칩의 더 빠른 생산을 위해 다양한 계측 시스템을 사용하는 것을 가능하게 할 수 있다. 따라서, 기준 계측 시스템으로부터의 측정에 기초하여 이루어진 패터닝 공정에 대한 조정은 실질적으로 동일하게 유지될 수 있으며, 그에 따라 패터닝 공정의 유사한 생산 설정을 유지하여 원하는 스루풋을 얻을 수 있다.
도 2는 실시예에 따라 특정 계측 시스템에 의해 획득된 계측 데이터를 다른 계측 시스템에 의해 획득된 특성을 갖는 계측 데이터로 변환하는 방법(300)의 예시적인 흐름도이다. 실시예에서, 방법(300)은 계측 데이터를 변환하기 위해 ML 모델을 훈련시키는 단계를 포함한다. ML 모델은 CNN(Convolutional Neural Network), DNN(Deep Convolutional Neural Network), GAN(Generative Adversarial Network) 또는 기타 유형의 신경망일 수 있다. 훈련은 동일한 패터닝된 기판의 계측 데이터 세트를 기반으로 하지만 상이한 계측 시스템에 의해 획득될 수 있다. ML 모델은 알 수 없는 알고리즘, 상이한 측정 레시피, 상이한 계측 툴 구성 또는 작동 원리 등으로 인해 발생할 수 있는 상이한 시스템의 계측 데이터의 차이를 학습한다. 훈련을 마친 ML 모델은 다른 시스템(예를 들어, 기준 계측 시스템)을 사용하여 측정한 계측 데이터를 예측할 수 있다. 따라서, 훈련된 ML 모델은 상이한 계측 시스템이 사용될 때 패터닝된 기판 측정의 일관성을 향상시키는 데 유리하게 사용될 수 있다. 방법(300)의 예시적인 구현은 ML 모델을 훈련하기 위한 프로세스(P301 및 P303)를 포함한다. 또한, 계측 데이터를 변환하고 패터닝된 기판의 측정값을 예측하기 위해 훈련된 ML 모델을 적용하기 위한 프로세스(P305, P307, P309 및 P311)가 포함될 수 있다. 프로세스는 아래에서 더 자세히 설명된다.
프로세스(P301)는 동일한 패터닝된 기판(예를 들어, 패터닝된 훈련 기판)에 대해 다양한 계측 툴로부터 훈련 데이터를 획득하는 단계를 포함한다. 실시예에서, 프로세스(P301)는 제1 계측 시스템(TS1)에 의해 획득된 제1 계측 데이터 세트(MD1) 및 제2 계측 시스템(TS2)에 의해 획득된 제2 계측 데이터 세트(MD2)에 액세스하는 단계를 포함한다. 예를 들어, 제1 주사 전자 계측(SEM) 시스템에 의해 획득된 제1 SEM 데이터 세트 및 제2 SEM 시스템에 의해 획득된 제2 SEM 데이터 세트에 액세스한다. 제1 계측 데이터 세트(MD1)(예를 들어, 제1 SEM 데이터 세트) 및 제2 계측 데이터 세트(MD2)(예를 들어, 제2 SEM 데이터 세트)는 동일한 패터닝된 기판과 연관된다. 실시예에서, ML 모델을 훈련하기 위해 사용되는 계측 데이터 세트는 훈련 데이터로 지칭될 수 있고, 패터닝된 기판은 훈련 기판으로 지칭될 수 있다.
실시예에서, 제1 계측 데이터 세트(MD1) 및 제2 계측 데이터 세트(MD2)는 각각 제1 계측 시스템(예를 들어, SEM과 같은 기준 계측 시스템) 및 제2 계측 시스템(예를 들어, 다른 SEM)에서 획득된 패터닝된 기판(또는 훈련 기판)의 이미지 세트(예를 들어, SEM 이미지)를 포함할 수 있다. 따라서, 제1 계측 데이터 세트(MD1)는 제1 SEM 이미지 세트로 지칭될 수 있고, 제2 계측 데이터 세트(MD2)는 제2 SEM 이미지 세트로 지칭될 수 있다. 실시예에서, 제1 계측 데이터 세트(MD1) 및 제2 계측 데이터 세트(MD2)는 패터닝된 기판 상의 피처의 윤곽을 포함할 수 있다. 실시예에서, 윤곽은 패터닝된 기판의 이미지(예를 들어, SEM 이미지)로부터 추출될 수 있다. 실시예에서, 제1 계측 시스템(TS1)에 의해 추출된 제1 윤곽은 제1 추출 알고리즘(예를 들어, 고정 또는 조정 불가능한 파라미터를 갖는 알려지지 않은 알고리즘)을 사용할 수 있고, 제2 계측 시스템(TS2)에 의해 추출된 제2 윤곽은 제1 알고리즘과 다른 제2 추출 알고리즘(예를 들어, 조정 가능한 파라미터를 갖는 알려진 알고리즘)을 사용할 수 있다. 실시예에서, 제1 계측 데이터 세트(MD1) 및 제2 계측 데이터 세트(MD2)는 패터닝된 기판 상의 패턴과 연관된 물리적 특성(예를 들어, CD, 오버레이 등)을 포함할 수 있다.
실시예에서, 제1 계측 시스템은 CD 측정치를 출력할 수 있는 반면, CD 측정치를 결정하는 데 사용되는 구현 세부사항(예를 들어, 알고리즘, 이미지 처리 등)은 알려지지 않을 수 있다. 본 개시는 제1 계측 시스템으로부터의 CD 측정값과 일치하도록 제2 계측 시스템의 하나 이상의 파라미터를 조정하는 메커니즘(예를 들어, 훈련된 ML 모델에 의해 변환된 이미지를 생성하는 것)을 제공한다. 예를 들어, 제2 계측 시스템을 사용하여 캡처한 SEM 이미지가 제1 계측 시스템과 다른 경우, 단순히 제2 계측 시스템의 파라미터를 조정하는 것만으로는 만족스러운 CD 대 CD 매칭 결과를 달성하지 못할 수 있다. 그러나, 여기서 학습된 ML 모델을 사용하여 제2 계측 시스템의 캡처 이미지를 변환하고 이러한 변환된 이미지를 기반으로 파라미터(예: CD 임계값)를 조정하면 원하는 CD 대 CD 매칭 또는 기타 측정 매칭 결과를 얻을 수 있다는 장점이 있다.
도 3은 실시예에 따른, 제1 계측 시스템(TS1) 및 제2 계측 시스템(TS2)에 의해 획득된 패터닝된 기판(W)의 예시적인 계측 데이터를 도시한다. 본 예에서, 제1 계측 시스템(TS1)은 기준 계측 시스템, 예를 들어 제1 SEM일 수 있다. 제1 계측 시스템(TS1)은 패터닝된 기판(W) 또는 패터닝된 기판(W)의 일부의 제1 이미지(예를 들어, SEM 이미지)를 캡처할 수 있다. 예를 들어, SEM 이미지 IMG1은 기판(W)에 패터닝된 피처[예를 들어, 기판(W)에 표시되지 않은 F]에 대응하는 피처(F1)[이미지(IMG1)에서 밝은 색의 타원형 부분으로 표시됨]을 포함한다. 실시예에서, 절단선(CL1)은 절단선(CL1)을 따라 픽셀의 강도 값을 측정하기 위해 피처(F1)를 가로질러 그려질 수 있다. 이러한 강도 값은 제1 신호(S1)로 표시된다(도 5 참조).
유사하게, 제2 계측 시스템(TS2)은 제1 SEM과 다른 상이한 계측 시스템, 예를 들어 제2 SEM일 수 있다. 제2 계측 시스템(TS2)은 패터닝된 기판(W) 또는 패터닝된 기판(W)의 일부의 제2 이미지(예를 들어, 다른 SEM 이미지)를 캡처할 수 있다. 예를 들어, SEM 이미지(IMG2)는 기판(W)에 패터닝된 동일한 피처[예를 들어, 기판(W)에 표시되지 않은 F]에 대응하는 피처(F1′)[이미지(IMG2)에서 밝은 색의 타원형 부분으로 표시됨]을 포함하며, 이는 기판(W)에 표시되어 있다. 실시예에서, 절단선(CL1)은 절단선(CL1)을 따라 픽셀의 강도 값을 측정하기 위해 피처(F1′)를 가로질러 그려질 수 있다. 이러한 강도 값은 제2 신호(S2)로 표시된다(도 5 참조).
도 5에서, 기판(W) 상에 패터닝된 동일한 피처에 대한 제1 신호(S1)와 제2 신호(S2)를 비교하는 것은 제1 계측 시스템(TS1)과 제2 계측 시스템(TS2)이 동일한 피처에 대해 서로 다른 측정값을 생성할 수 있다는 것을 나타낸다. 예를 들어, 제1 신호(S1)에 기초하여 절단선(CL1)을 따라 CD를 측정하는 경우, 측정된 CD는 제2 신호(S2)에 기초하여 측정된 CD와 다를 것이다. 예를 들어, CD는 신호의 인접한 피크 사이의 거리의 함수로 정의된 CD 임계값을 기반으로 측정될 수 있다. 일부 실시예에서 시스템은 동일하거나 다른 제조사에 의해 공급되는 것과 다른 디자인 구성(예: 다른 제품 모델)을 가질 수 있다. 동일한 피처에 대한 신호의 차이는 툴의 구조적 차이(예: 기계, 전기 및 전자 구성에서 설계된 시스템 차이 등), 시스템(TS1 및 TS2)에서 사용하는 알고리즘의 차이(예: 신호 획득 메커니즘, 신호 처리 알고리즘, 이미지 향상 메커니즘 등), 각 시스템(TS1 및 TS2)에 대해 측정 중에 사용되는 레시피의 차이(예: 윤곽 추출 알고리즘, 절단선 배치 알고리즘 등) 또는 시스템(TS1 및 TS2) 간의 기타 알려진 또는 알려지지 않은 차이와 관련이 있을 수 있다. 일부 실시예에서 시스템은 동일한 디자인 구성(예: 동일한 제품 모델)을 가질 수 있으며, 측정 차이는 제조, 조립 및/또는 시스템 드리프트 등의 변화로 인해 발생하는 의도하지 않은 시스템 변화에 기인할 수 있다.
다시 도 3을 참조하면, 이미지 IMG1에서 피처(F1)에 대응하는 윤곽(C1)이 추출될 수 있다. 실시예에서, 윤곽(C1)은 제1 계측 시스템(TS1)에 구현된 제1 알고리즘을 사용하여 추출될 수 있다. 실시예에서, 제1 윤곽 추출 알고리즘의 구현 세부 사항은 알려지지 않거나 고정될 수 있는데, 이는 알고리즘 내의 그러한 파라미터가 윤곽(C1)을 추출할 때 조정 가능하지 않을 수 있기 때문이다. 실시예에서, 계측 시스템 구성은 기준으로 취급되므로 고정될 수 있으며, 특정 차이 또는 차이의 원인에 대한 지식이 필요하지 않을 수 있다. 실시예에서, 그러한 윤곽(C1)은 제1 계측 데이터로서 사용될 수 있다. 마찬가지로, 이미지(IMG2)의 피처(F1')에 대응하는 또 다른 윤곽(C2)이 추출될 수 있다. 실시예에서, 윤곽(C2)은 제2 계측 시스템(TS2)에 구현된 제2 알고리즘을 사용하여 추출될 수 있다. 실시예에서, 추출 알고리즘의 구현 세부 사항은 알려져 있을 수 있으며, 제2 알고리즘의 하나 이상의 파라미터(예를 들어, 피처의 에지를 특징짓는 강도 임계값, 가우시안 시그마와 같은 추출 모델 파라미터 등)는 윤곽을 조정하는 동안 조정될 수 있다.
일 실시예에서는 추출된 윤곽(C1)에 기초하여 피처(F1)의 CD와 같은 특징값이 결정될 수 있다. 일 실시예에서, CD는 피처(F1)의 길이를 따라 양단 간의 거리를 평균함으로써 결정될 수 있다. 마찬가지로, 추출된 윤곽(C2)을 기반으로 피처(F1')의 CD 등의 물리적 특성 값이 결정될 수 있다. 실시예에서, 피처(F1 및 F1')의 CD 값을 결정하기 위해 동일한 알고리즘이 사용될 수 있다. 본 발명은 특정 측정 방법에 제한되지 않는다. 예를 들어, CD는 계측 시스템의 선형 모드 또는 임계값 모드에서 측정될 수 있다. 다른 예에서, 피처의 몇몇 이웃하는 위치의 최대값, 최소값 또는 평균값을 사용하여 CD 값을 결정할 수 있다. 또 다른 예에서, 윤곽(C1 및 C2)의 형상 맞춤이 수행될 수 있다. 또 다른 예에서, 강도 임계값, 신호 평활화 윈도우(signal smoothing window) 크기, 피처의 에지 위치를 찾기 위한 시작점, 또는 다른 조정 가능한 파라미터와 같은 파라미터가 원하는 CD 대 CD 일치 결과에 대해 수행될 수 있다.
본 개시는 특정 기술을 사용하여 측정값을 추출하는 것으로 제한되지 않는다. 윤곽 추출 및 조정 알고리즘을 기반으로 결정된 CD 측정값은 단지 예시일 뿐이며 본 발명의 범위를 제한하지 않는다. 일 실시예에서, 계측 시스템은 이미지로부터 기판 상에 패터닝된 피처의 윤곽을 추출하지 않고 피처의 CD를 결정하기 위해 이미지 처리 알고리즘 및/또는 CD 측정 알고리즘을 사용할 수 있다.
그러나, 윤곽(C1 및 C2)이 각각 파생되는 이미지(IMG1 및 IMG2)의 고유한 차이로 인해 기판(W) 상에 패터닝된 동일한 피처의 측정된 CD는 다를 수 있다.
본 발명에서, 훈련된 ML 모델은 제1 계측 데이터[예를 들어, 제1 신호(S1)]와 밀접하게 일치하도록 제2 계측 데이터[예를 들어, 제2 신호(S2)]를 변환하도록 구성된다. 따라서, 변환된 계측 데이터[예를 들어, 제2 신호(S2)의 변환된 버전]를 사용하여 이루어진 임의의 측정은 유사한 측정을 가질 수 있다.
도 2를 다시 참조하면, 프로세스(P303)에는 제1 계측 데이터 세트(MD1)와 제2 계측 데이터 세트(MD2)를 기반으로 ML 모델을 훈련하는 과정이 포함된다. 훈련 프로세스를 완료한 후, 훈련된 ML 모델(TML)은 제2 계측 시스템에 의해 획득된 계측 데이터 세트를 제1 계측 시스템(TS1)(예: 기준 계측 시스템)에 의해 획득된 것과 같은 특성을 갖는 변환된 데이터 세트로 변환하도록 구성된다.
실시예에서, ML 모델을 훈련시키는 단계는 패터닝된 훈련 기판의 제1 계측 데이터 세트(MD1)과 제2 계측 데이터 세트(MD2)를 비교하는 단계를 포함한다. 비교를 기반으로 ML 모델의 파라미터를 조정하여 ML 모델을 훈련하는 데 사용되는 비용 함수에 영향을 미칠 수 있다. 예를 들어, 비용 함수는 제1 및 제2 계측 데이터 세트(MD1 및 MD2) 사이의 차이의 함수일 수 있다. ML 모델 파라미터(예: 가중치)가 조정됨에 따라 비용 함수 값(예: 차이 값)이 점차 감소한다. 일 실시예에서, 비용 함수는 최소화된다. 일 실시예에서, ML 모델 파라미터의 조정은 주어진 반복 횟수에 도달할 때, 비용 함수 값이 원하는 임계값 내에 있을 때, 비용 함수 값이 후속 반복에서 크게 감소하지 않을 때, 또는 다른 중지 기준에 따라 중지된다.
실시예에서, ML 모델 훈련은 CD-CD 또는 제1 SEM 데이터 세트와 제2 SEM 데이터 세트 사이의 신호 대 신호 매칭을 얻기 위해 수행된다. 예를 들어, ML 모델 학습에는 제1 SEM 데이터 세트의 제1 CD 값과 제2 SEM 데이터 세트의 제2 CD 값을 비교하고, 비교를 기반으로 ML 모델의 파라미터를 조정하여 제1 및 제2 SEM 데이터 세트 간의 CD 매칭을 개선하는 데 사용되는 비용 함수에 영향을 주며, 비용 함수는 제1 CD 값과 제2 CD 값의 함수이다.
실시예에서, ML 모델을 훈련하는 단계는 동일한 디자인 레이아웃으로 정렬된 계측 데이터를 포함하는 훈련 데이터 세트를 사용하는 단계를 포함한다. 예를 들어, 제1 계측 데이터 세트(MD1)의 제1 이미지 세트(예를 들어, 제1 SEM 이미지)는 디자인 레이아웃 이미지와 정렬될 수 있다. 다른 예로서, 제1 윤곽은 디자인 레이아웃의 디자인 윤곽과 정렬될 수 있다. 유사하게, 제2 계측 데이터 세트(MD2)의 제2 이미지 세트(예를 들어, 또 다른 SEM 이미지)는 디자인 레이아웃 이미지와 함께 있을 수 있거나, 제2 윤곽은 디자인 레이아웃의 디자인 윤곽과 정렬될 수 있다. 실시예에서, 정렬된 제1 이미지 세트(또는 정렬된 제1 윤곽) 및 정렬된 제2 이미지 세트(또는 정렬된 제2 윤곽)는 ML 모델을 훈련하기 위한 훈련 데이터로서 사용될 수 있다.
예를 들어, ML 모델 훈련을 훈련하는 단계는 제1 이미지 세트와 제2 이미지 세트의 강도 값을 비교하고 비교를 기반으로 ML 모델의 파라미터를 조정하여 ML 모델 훈련에 사용되는 비용 함수에 영향을 미치는 단계를 포함한다. 실시예에서, 제1 이미지 세트의 각 픽셀의 강도 값은 제2 이미지 세트의 대응 픽셀의 강도 값과 비교될 수 있다.
실시예에서, ML 모델을 훈련하는 단계는 반복적인 프로세스이다. 각 반복에는 (i) 조정된 파라미터가 포함된 ML 모델을 사용하여 제2 계측 데이터 세트(MD2)를 변환된 계측 데이터 세트(MD2')로 변환하는 단계, (ii) 제1 계측 데이터 세트(MD1)와 변환된 계측 데이터 세트(MD2')의 강도 값을 비교하는 단계; (iii) 비용 함수에 영향을 미치기 위해(예를 들어, 원하는 임계값 이내로 또는 최소화되도록) 비교를 기반으로 ML 모델의 파라미터를 추가로 조정하는 단계; (iv) 비용 함수가 원하는 임계값 이내(또는 최소화됨)인지 여부를 결정하는 단계; (v) 비용 함수가 원하는 임계값 이내(또는 최소화됨)에 있지 않은 경우 (i)-(iv)를 반복하여 대응하는 단계가 포함될 수 있다.
실시예에서, 비용 함수는 계측 데이터 세트(MD1 및 MD2) 간의 차이를 포함할 수 있다. 예를 들어, 비용 함수는 제1 계측 데이터 세트(MD1)의 제1 강도 값과 제2 계측 데이터 세트(MD2) 또는 변환된 데이터 세트(MD2')의 대응하는 제2 강도 값 사이의 차이를 포함할 수 있다. 실시예에서, 강도 값은 제1 계측 데이터 세트(MD1) 및 제2 계측 데이터 세트(MD2)로부터 피처를 가로질러 그려진 절단선을 따라 결정될 수 있다. 실시예에서, 강도 값을 결정하는 단계는 제1 계측 데이터 세트(MD1) 및 제2 계측 데이터 세트(MD2)로부터 절단선을 따라 픽셀 강도 값을 결정하는 단계를 포함한다.
실시예에서, 강도 값을 결정하는 단계는 제1 계측 데이터 세트(MD1)에 제1 계측 시스템(TS1)과 연관된 제1 윤곽 추출 알고리즘을 적용하는 단계; 및 제2 계측 데이터 세트(MD2)에 제2 계측 시스템(TS2)와 연관된 제2 윤곽 추출 알고리즘을 적용하는 단계를 포함한다.
실시예에서, ML 모델을 훈련하는 프로세스(P303)는 생성적 대립 네트워크를 사용한다. 이 예에서 훈련 프로세스에는 판별기 모델과 함께 생성기 모델을 훈련하는 단계가 포함된다. 생성기 모델은 제1 계측 데이터 세트(MD1)과 유사한 데이터를 생성하기 위해 제2 계측 데이터 세트(MD2)를 입력으로서 사용하여 훈련될 수 있고, 생성된 데이터를 제1 계측 데이터 세트(MD1)과 구별하기 위해 판별기 모델을 훈련시킬 수 있다. 생성기 모델과 판별기 모델은 서로 협력하여 훈련될 수 있으므로 생성기 모델은 실제 데이터(예: 일치하는 기준 데이터)를 생성하는 반면, 판별기 모델은 이러한 생성기 모델 데이터를 비실제로 분류한다.
GAN의 예시적인 훈련 프로세스는 반복 프로세스이다. 각 훈련 반복에는 (i) 훈련 데이터(예: MD2 및 MD1)에서 훈련 샘플[예를 들어, 도 4의 정렬된 이미지(IMG1 및 IMG2)]을 무작위로 선택하는 단계 및 (ii) 생성기 모델을 훈련하여 MD2에서 선택한 입력 데이터를 변환 데이터(MD2')로 변환하고 변환 데이터(MD2') 및 기준 데이터(MD1)를 사용하여 판별기 모델을 훈련하는 단계가 포함될 수 있다. 판별기 모델 학습을 위한 비용 함수는 판별기 모델이 변환 데이터(MD2')를 거짓(또는 비실제)으로 분류하고 기준 데이터(MD1)를 참(또는 실제)으로 분류하게끔 판별기 모델의 가중치를 조정하도록 구성될 수 있다. 예를 들어, 판별기 관련 비용 함수는 실제 이미지와 비실제 이미지에 할당된 확률을 최대화할 수 있다. 생성기 모델에 대한 비용 함수는 예를 들어 생성기 출력이 판별기에 의해 거짓으로 분류될 확률을 최소화하도록 구성된 두 부분을 포함할 수 있다. 제1 부분은 판별기 모델이 변환 데이터(MD2')를 참(또는 실제)으로 표시하도록 구성된 항을 포함할 수 있다. 제2 부분은 이미지(MD2’및 MD1) 사이의 픽셀당 세기 차이 등의 항을 포함할 수 있다. 제2 부분은 생성기 모델이 실제 변환 데이터(MD2')를 생성하도록 감소(예를 들어 최소화)될 수 있다. 원하는 결과를 얻을 때까지 위의 학습 과정[예를 들어, 단계 (i) 및 (ii)]이 반복된다.
도 5는 일 실시예에 따른, 생성적 대립 네트워크(GAN)를 사용한 ML 모델의 예시적인 훈련을 도시한다. 예를 들어, ML 모델은 생성기 모델(GM)과 판별기 모델(DM)으로 구성된다. 생성기 모델(GM)은 계측 데이터를 입력으로 수신하고 기준 데이터와 유사한 데이터를 생성하도록 구성될 수 있다. 예를 들어, 생성기 모델(GM)은 제2 계측 시스템[예를 들어, 도 3의(TS2)]에서 획득한 계측 데이터[예: SEM 이미지(IMG2) 또는 윤곽]를 수신하고 계측 데이터(예: PIMG2 또는 윤곽)를 생성하도록 구성된다. 실시예에서, 생성된 계측 데이터는 생성된 계측 데이터가 제1 계측 시스템(예를 들어, 도 3의 TS1)에 의해 획득된 것과 같은 특성(예를 들어, 강도, 피처의 형상, 피처의 크기 등)을 갖는다. 판별기 모델(DM)은 생성기 모델(GM)이 출력하는 생성 데이터를 수신하여 생성기 데이터가 기준 데이터와 유사한지 여부를 판단하도록 구성된다. 예를 들어, 판별기 모델(DM)은 생성된 계측 데이터(예: PIMG2)를 수신하고 생성된 계측 데이터(예: PIMG2)가 기준 데이터(예: SEM 이미지 IMG1)와 유사한지 여부를 판단하도록 구성된다. 훈련 과정에서 생성기 모델(GM)과 판별기 모델(DM)이 서로 경쟁하여, 생성기 모델(GM) 프로그레시브는 사실적인 이미지를 생성하고 판별기 모델은 생성된 이미지를 거짓(비실제)으로 분류하려고 시도한다.
도 5a에 도시된 예에서, 판별기 모델(DM)은 생성된 제2 이미지(PIMG2)를 입력으로 사용하고 기판의 제1 이미지(IMG1)(예: 도 3의 W)을 기준 데이터로 사용하여 훈련될 수 있다. 실시예에서, 판별기 모델(DM)은 입력된 이미지를 제1 카테고리(예를 들어, ‘실제’로 라벨링됨) 또는 제2 카테고리(예를 들어, ‘비실제’로 라벨링됨)로 분류한다. 예를 들어, 제1 카테고리는 기준 데이터를 나타내고 제2 카테고리는 모델(예: GM)에서 생성된 데이터를 나타낸다. 일 실시예에서, 판별기 모델(DM)의 가중치(WTS)는 DM 모델이 생성된 이미지(PIMG2)를 ‘실제’로 결정할 때까지 조정될 수 있다. 일 실시예에서 ‘실제’는 판별기 모델(DM)에 의해 생성된 이미지(PIMG2)에 할당된 라벨을 의미하며, ‘실제’는 생성된 이미지(PIMG2)가 제1 이미지(IMG1)와 유사함을 나타낸다. 실시예에서, 판별기 모델(DM)의 가중치(WTS)의 조정은 비용 함수(CF)에 의해 가이딩된다. 일 실시예에서, 비용 함수(CF)는 제1 이미지(IMG1)와 생성된 이미지(PIMG2)의 차이의 함수일 수 있다. 일 실시예에서, 차이는 라벨(예를 들어, 실제 대 비실제, 이미지의 강도 차이 등)에 의해 특징지어질 수 있다.
도 5b에 도시된 예에서, 생성기 모델(GM)은 기판의 제2 이미지 IMG2(예를 들어, 도 3의 W)를 입력으로 사용하고 기판의 제1 이미지(IMG1)(예를 들어, 도 3의 W)를 기준 데이터로 사용하여 훈련될 수 있다. 일 실시예에서, 생성기 모델(GM)은 입력된 이미지(예: IMG2)를 기준 데이터(예: IMG1)와 유사한 특성(예: 이미지 강도, 강도 기울기 또는 기타 이미지 특성)을 갖는 이미지(PIMG2)로 변환한다.
일 실시예에서, 생성기 모델(GM)의 가중치(WTS')는 비용 함수(CF)에 기초하여 조정될 수 있다. 일 실시예에서, 비용 함수(CF)는 제1 이미지(IMG1)와 생성된 이미지(PIMG2)의 차이, 그리고 판별기 모델(DM)이 생성된 이미지(PIMG2)를 제2 카테고리로 분류하는지 제1 카테고리로 분류하는지에 관한 함수일 수 있다. 일 실시예에서, 비용 함수는 생성기 모델(GM)의 가중치(WTS')를 조정하여 이미지 (PIMG2 및 IMG1) 사이의 차이가 감소되도록(일 실시예에서는, 최소화되도록) 가이딩하고, 생성된 이미지(PIMG2)는 판별기 모델(DM)에 의해 제1 카테고리(예를 들어, 실제)로 분류된다.
일 실시예에서, 훈련된 ML 모델(TML)은 ML 모델이 훈련되는 계측 툴에 의해 캡처된 계측 데이터를 변환하기 위해 적용될 수 있다. 예로서, 방법(300)은 프로세스(P305 및 P307)을 더 포함할 수 있다. 프로세스(P305)는 제2 계측 시스템(TS2)을 통해 패터닝된 기판(예를 들어, ML 모델을 훈련하는 데 사용되는 기판과 상이한 기판)의 계측 데이터(310)를 캡처하는 단계를 포함한다. 프로세스(P307)은 훈련된 ML 모델(TML)을 통해 캡처된 계측 데이터(310)를 변환된 계측 데이터(311)로 변환하는 단계를 포함한다. 패터닝된 기판의 변환된 계측 데이터(311)는 제1 계측 시스템(TS1)에 의해 캡처된 것과 같은 특성을 갖는다.
도 6a는 일 실시예에 따라 변환 이미지(605)를 생성하기 위해 제2 계측 시스템(예를 들어 TS2)에 의해 획득된 제2 이미지(601)를 훈련된 ML 모델(TML)[예를 들어 방법(300)에 따라 훈련됨]에 입력하는 것을 도시한다. 도 6b는 제1 계측 시스템에 의해 획득된 예시적인 제1 이미지(610)를 도시한다. 제1 이미지(610)와 제2 이미지(601)는 동일한 기판과 연관되어 있다. 변환된 이미지(605)와 제1 이미지(610)를 비교하면 이들 이미지가 서로 밀접하게 일치함을 알 수 있다. 예를 들어, 도 7은 이미지(601, 605, 610) 각각의 피처를 가로질러 그려진 절단선을 따른 신호(예: 강도 값)를 도시한다. 제2 이미지(601)(도 6a)에서 얻은 신호(S10)과 제1 이미지(610)에서 얻은 신호(S30)를 비교하면 강도 값에 상당한 차이가 있음을 알 수 있다. 한편, 변환된 이미지(605)로부터 획득된 신호(S20)와 신호(S30)는 서로 밀접하게 일치한다. 예를 들어, 신호 간의 차이를 이용하여 신호가 거의 일치하는지 여부를 판단할 수 있다. 따라서, 유리하게는 변환된 이미지(605)는 이미지(605)의 특징의 물리적 특성과 관련된 측정을 수행하는 데 사용될 수 있다.
실시예에서, 계측 레시피는 제1 계측 시스템(TS1)으로부터 획득된 제1 계측 데이터에 기초하여 결정될 수 있다. 패터닝된 기판 상의 패턴의 물리적 특성(예를 들어, CD, 오버레이 등)의 측정값을 결정하기 위해 훈련된 ML 모델(TML)로부터 획득된 변환된 계측 데이터에 계측 레시피가 추가로 사용될 수 있다. 일 예로서, 방법(300)은 프로세스(P307 및 P311)를 더 포함할 수 있다. 프로세스(P309)는 제1 계측 데이터 세트(MD1) 및 제1 계측 시스템(TS1)으로부터의 패터닝된 기판의 물리적 특성 측정값(PC1)에 기초하여 제2 계측 시스템(TS2)에 대한 계측 측정 레시피(315)를 결정하는 단계를 포함한다. 예를 들어, 계측 측정 레시피(315)는 CD 측정이 수행되는 캡처된 계측 데이터(311) 상의 위치를 나타내는 CD 임계값을 포함한다. 실시예에서, 계측 측정 레시피(315)를 결정하는 단계는, 제1 윤곽 추출 알고리즘을 통해, 제1 계측 데이터 세트(MD1)의 이미지로부터 윤곽을 추출하는 단계; 윤곽을 가로지르는 위치에서 절단선(예를 들어, 도 3의 선 CL1)을 가로질러 CD를 측정하는 단계; 및 절단선을 따라 신호(예를 들어, 도 4의 제1 신호 S1)를 기반으로, 측정된 CD에 대응하는 CD 임계값을 결정하는 단계를 포함한다.
실시예에서, 패터닝된 기판의 계측 데이터(예를 들어, 310)는 제2 계측 시스템(TS2)을 사용하여 캡처될 수 있고 캡처된 계측 데이터(예를 들어, 311)는 훈련된 ML 모델(TML)을 사용하여 변환될 수 있다. 변환된 계측 데이터(311)에 대해 프로세스(P311)가 수행될 수 있다. 프로세스(P311)는 패터닝된 기판의 물리적 특성 측정(PC2)을 결정하기 위해 변환된 계측 데이터(311)에 계측 측정 레시피(315)를 적용하는 단계를 포함한다. 예를 들어, 물리적 특성 측정값(PC2)은 임계 치수(CD) 측정값, 오버레이 측정값, 에지 배치 오차, 또는 패터닝된 기판과 관련된 다른 특성일 수 있다.
도 8은 일 실시예에 따라 계측 데이터를 변환하고 변환된 계측 데이터를 사용하여 측정값을 결정하기 위해 수행되는 예시적인 작업의 블록도이다. 예를 들어, 계측 시스템(예: SEM)에서 획득한 계측 데이터는 기준 계측 시스템의 측정 단계와 일치하도록 변환된다. 실시예에서, 단계(801)는 ML 모델을 훈련하기 위한 훈련 데이터를 획득하는 단계를 포함하며, 여기서 ML 모델은 기준 계측 툴에 의해 획득되는 계측 데이터와 비교 가능하도록 계측 데이터를 변환한다. 실시예에서, 훈련 데이터는 프로세스(P301)(도 3)에 대해 논의된 바와 같이 획득된 패터닝된 기판(예를 들어, 훈련 기판)의 계측 데이터 세트를 포함한다. 예를 들어, 계측 데이터 세트는 제1 계측 시스템(TS1) 및 제2 계측 시스템(TS2)으로부터 각각 획득된 이미지(IMG1 및 IMG2)를 포함한다. 실시예에서, 이미지(IMG1 및 IMG2)는 훈련 데이터로 사용될 정렬된 이미지(AIMG1 및 AIMG2)를 생성하기 위해 디자인 레이아웃에 정렬될 수 있다.
단계(803)에서 훈련 데이터는 ML 모델 훈련에 사용된다. ML 모델은 프로세스(P303)(도 3)에 따라 훈련될 수 있다. 훈련 후에, 훈련된 ML 모델(TML)이 획득된다.
단계(805)에서, 측정될 패터닝된 기판의 계측 데이터(810)(예를 들어, SEM 이미지 또는 윤곽선)가 획득될 수 있다. 예를 들어, 계측 데이터(810)는 기준 계측 시스템이 아닌 계측 시스템으로부터 획득된다. 또한, 계측 데이터(810)는 훈련된 ML 모델(TML)에 입력되어 계측 데이터(810)를 변환 데이터(820)로 변환할 수 있다.
단계(811)에서, 기준 계측 데이터(예를 들어, IMG1) 및 기준 측정값(예를 들어, IMG1과 연관된 CD 값)가 기준 계측 시스템으로부터 획득될 수 있다. 이 데이터에 기초하여 계측 레시피(R1)가 결정될 수 있다. 예를 들어, 계측 레시피에는 피처의 CD 값을 결정하기 위해 이미지(IMG1)의 피처를 가로지르는 절단선을 따라 신호에 적용되는 CD 임계값이 포함된다.
단계(813)에서, 계측 레시피(R1)는 변환된 계측 데이터(820)에 적용되어 패터닝된 기판의 물리적 특성(예를 들어, CD)의 측정값(830)을 결정할 수 있다. 변환된 계측 데이터는 기준 계측 시스템에 의해 획득되는 것과 유사하고 계측 레시피(R1)도 기준 계측 시스템에 대응하므로, 측정값(830)은 기준 계측 툴에 의해 획득되는 것과 유사할 것이다. 따라서, 변환된 계측 데이터(820)와 계측 레시피(R1)의 조합은 기준 계측 시스템과 일치하는 측정을 제공하는 것이 유리하다.
일부 실시예에서, 검사 장치 또는 계측 장치는 기판 상에 노광되거나 전사된 구조물(예를 들어, 장치의 구조물의 일부 또는 전부)의 이미지를 생성하는 주사 전자 현미경(SEM)일 수 있다. 도 9는 SEM 툴의 실시예를 도시한다. 전자 소스(ESO)로부터 방출된 1차 전자 빔(EBP)은 집속 렌즈(CL)에 의해 집속된 후 빔 편향기(EBD1), ExB 편향기(EBD2), 대물 렌즈(OL)를 통과하여 기판 테이블(ST)의 기판(PSub)에 일정 시간 동안 초첨을 맞춰 조사된다.
기판(PSub)에 전자 빔(EBP)이 조사되면 기판(PSub)으로부터 2차 전자가 생성된다. 2차 전자는 ExB 편향기(EBD2)에 의해 편향되고 2차 전자 검출기(SED)에 의해 검출된다. 2차원 전자 빔 이미지는 예를 들어 빔 편향기(EBD1)에 의한 전자 빔의 2차원 스캐닝 또는 빔 편향기(EBD1)에 의한 전자 빔(EBP)의 반복적인 스캐닝과 함께 기판 테이블(ST)에 의한 기판(PSub)의 X 또는 Y 방향 중 다른 방향으로의 연속 이동과 동기화하여 샘플에서 생성된 전자를 검출하여 얻을 수 있다.
2차 전자 검출기(SED)에서 검출된 신호는 아날로그/디지털(A/D) 변환기(ADC)를 통해 디지털 신호로 변환되고, 디지털 신호는 이미지 처리 시스템(IPU)으로 전송된다. 일 실시예에서, 이미지 처리 시스템(IPU)은 처리 유닛(PU)에 의한 처리를 위해 디지털 이미지의 전부 또는 일부를 저장하는 메모리(MEM)를 가질 수 있다. 처리 유닛(PU)(예를 들어, 특별히 설계된 하드웨어 또는 하드웨어와 소프트웨어의 조합)은 디지털 이미지를 디지털 이미지를 나타내는 데이터 세트로 변환하거나 처리하도록 구성된다. 또한, 이미지 처리 시스템(IPU)는 디지털 이미지와 대응하는 데이터 세트를 기준 데이터베이스에 저장하도록 구성된 저장 매체(STOR)를 가질 수 있다. 디스플레이 장치(DIS)는 이미지 처리 시스템(IPU)과 연결되어 작업자가 그래픽 사용자 인터페이스(GUI)를 통해 장비의 필요한 동작을 수행할 수 있다.
위에서 언급한 바와 같이, SEM 이미지는 이미지에서 장치 구조체를 나타내는 객체의 에지를 설명하는 윤곽을 추출하기 위해 처리될 수 있다. 그런 다음, 이러한 윤곽은 CD와 같은 측정 항목을 통해 정량화된다. 따라서, 일반적으로 장치 구조체의 이미지는 에지 간 거리(CD) 또는 이미지 간의 단순한 픽셀 차이와 같은 단순한 측정 기준을 통해 비교 및 정량화된다. CD를 측정하기 위해 이미지에서 객체의 에지를 감지하는 일반적인 윤곽 모델은 이미지 그라데이션을 사용한다. 실제로 이러한 모델은 강력한 이미지 그라데이션에 의존한다. 그러나 실제로 이미지에는 일반적으로 노이즈가 많고 불연속적인 경계가 있다. 평활화, 적응형 임계값, 에지 검출, 침식 및 확대와 같은 기술을 사용하여 이미지 그라데이션 윤곽 모델의 결과를 처리하여 노이즈가 많고 불연속적인 이미지를 처리할 수 있지만 궁극적으로 고분해능 이미지를 저분해능으로 정량화할 수 있다. 따라서, 대부분의 경우 노이즈를 줄이고 에지 검출을 자동화하기 위해 장치 구조체의 이미지를 수학적 조작하면 이미지의 분해능이 손실되어 정보가 손실된다. 결과적으로, 복잡한 고분해능 구조체를 단순하게 표현하는 저분해능 정량화가 가능해졌다.
따라서, 예를 들어 구조가 잠상 레지스트 이미지에 있든, 현상된 레지스트 이미지에 있든, 에칭에 의해 기판의 레이어에 전사되든, 예를 들어 분해능을 보존하면서도 구조체의 일반적인 형태를 설명할 수 있는 패터닝 공정을 사용하여 생성되거나 생성될 구조[예: 회로 피처, 정렬 마크 또는 계측 타겟부(예: 격자 피처 등)]의 수학적 표현이 바람직하다. 리소그래피 또는 기타 패터닝 공정의 맥락에서 구조체는 제조 중인 장치 또는 장치의 일부일 수 있으며 이미지는 구조체의 SEM 이미지일 수 있다. 일부 경우에, 구조체는 반도체 장치, 예를 들어 집적 회로의 피처일 수 있다. 이 경우, 상기 구조체는 반도체 소자의 복수의 피처를 포함하는 패턴 또는 원하는 패턴으로 지칭될 수 있다. 일부 경우에, 구조체는, 객체(예를 들어, 기판)와 다른 객체(예를 들어, 패터닝 디바이스) 또는 계측 타겟과의 정렬을 결정하기 위해 정렬 측정 공정에서 사용되는 정렬 마크 또는 그 일부(예를 들어, 정렬 마크의 격자) 또는 패터닝 공정의 파라미터(예를 들어, 오버레이, 포커스, 도즈 등)를 측정하는 데 사용되는 계측 타겟 또는 그 일부(계측 타겟의 격자)일 수 있다. 일 실시예에서, 계측 타겟은 예를 들어 오버레이를 측정하는 데 사용되는 회절 격자이다.
도 10은 검사 장치의 추가적인 실시예를 개략적으로 도시한다. 이 시스템은 샘플 스테이지(88)에서 샘플(예: 기판)을 검사하는 데 사용되며, 하전 입자 빔 발생기(81), 집속 렌즈 모듈(82), 프로브 형성 대물 렌즈 모듈(83), 하전 입자 빔 편향 모듈(84), 보조 하전 입자 검출기 모듈(85) 및 이미지 형성 모듈(86)을 포함한다.
하전 입자 빔 생성기(81)는 1차 하전 입자 빔(91)을 생성한다. 집속 렌즈 모듈(82)은 생성된 1차 하전 입자 빔(91)을 집속한다. 프로브 형성 대물 렌즈 모듈(83)은 집속된 1차 하전 입자 빔을 하전 입자 빔 프로브(92)에 집속시킨다. 하전 입자 빔 편향 모듈(84)은 샘플 스테이지(88)에 고정된 샘플(90)의 관심 영역 표면을 가로질러 형성된 하전 입자 빔 프로브(92)를 스캔한다. 실시예에서, 하전 입자 빔 발생기(81), 집속 렌즈 모듈(82) 및 프로브 형성 대물 렌즈 모듈(83) 또는 이들의 동등한 설계, 대안 또는 이들의 임의의 조합은 스캐닝 하전 입자 빔 프로브(92)를 생성하는 하전 입자 빔 발생기를 함께 형성한다.
2차 하전 입자 검출기 모듈(85)은 하전 입자 빔 프로브(92)에 의해 조사될 때 샘플 표면으로부터 방출되는 2차 하전 입자(93)를 검출하여(샘플 표면으로부터 반사되거나 산란된 다른 하전 입자와 함께) 2차 하전 입자 검출 신호(94)를 생성한다. 이미지 형성 모듈(86)(예를 들어, 컴퓨팅 장치)은 2차 하전 입자 검출기 모듈(85)과 결합되어 2차 하전 입자 검출기 모듈(85)로부터 2차 하전 입자 검출 신호(94)를 수신하고 그에 따라 적어도 하나의 스캔 이미지를 형성한다. 실시예에서, 2차 하전 입자 검출기 모듈(85) 및 이미지 형성 모듈(86) 또는 이들의 동등한 설계, 대안 또는 이들의 임의의 조합은, 하전 입자 빔 프로브(92)에 의해 조사되는 샘플(90)에서 방출된 검출된 2차 하전 입자로부터 스캔된 이미지를 형성하는 이미지 형성 장치를 함께 형성한다.
일 실시예에서, 모니터링 모듈(87)은 이미지 형성 장치의 이미지 형성 모듈(86)에 결합되어 이미지 형성 모듈(86)로부터 수신된 샘플(90)의 스캔 이미지를 이용하여 패터닝 공정을 모니터링, 제어 등을 수행하거나 패터닝 공정 설계, 제어, 모니터링 등을 위한 파라미터를 도출할 수 있다. 따라서, 실시예에서, 모니터링 모듈(87)은 본 명세서에 설명된 방법을 실행하도록 구성되거나 프로그래밍된다. 실시예에서, 모니터링 모듈(87)은 컴퓨팅 장치를 포함한다. 실시예에서, 모니터링 모듈(87)은 본 발명의 기능을 제공하기 위한 컴퓨터 프로그램을 포함하며, 컴퓨터 판독 가능 매체 상에 인코딩되어 모니터링 모듈(87) 내에 형성되거나 배치된다.
실시예에서, 프로브를 사용하여 기판을 검사하는 도 9의 전자 빔 검사 툴과 같이, 도 10의 시스템에서의 전자 전류는 예를 들어 도 9에 도시된 것과 같은 CD SEM에 비해 상당히 커서, 프로브 스폿이 충분히 커서 검사 속도가 빠를 수 있다. 그러나, 프로브 스폿이 크기 때문에 CD SEM에 비해 분해능이 높지 않을 수 있다. 일 실시예에서, 전술된 검사 장치는 본 발명의 범위를 제한하지 않으면서, 단일 빔 또는 다중 빔 장치일 수 있다.
예를 들어, 도 9 및/또는 도 10의 시스템으로부터의 SEM 이미지는 이미지에서 장치 구조체를 나타내는 객체의 에지를 설명하는 윤곽을 추출하도록 처리될 수 있다. 이러한 윤곽은 일반적으로 사용자 정의 절단선에서 CD와 같은 측정항목을 통해 정량화된다. 따라서, 일반적으로 장치 구조체의 이미지는 추출된 윤곽에서 측정된 에지 간 거리(CD) 또는 이미지 간의 단순한 픽셀 차이와 같은 측정 기준을 통해 비교 및 정량화된다.
실시예에서, 프로세스(300)의 하나 이상의 절차는 컴퓨터 시스템[예를 들어, 컴퓨터 시스템(100)의 프로세스(104)]의 프로세서에서 명령어(예를 들어, 프로그램 코드)로 구현될 수 있다. 실시예에서, 절차는 컴퓨팅 효율성을 향상시키기 위해 복수의 프로세서(예를 들어, 병렬 계산)에 걸쳐 분산될 수 있다. 일 실시예에서, 비일시적 컴퓨터 판독 가능 매체를 포함하는 컴퓨터 프로그램 제품에는 명령어가 기록되어 있으며, 명령어는 컴퓨터 하드웨어 시스템에 의해 실행될 때 본 명세서에 설명된 방법을 구현한다.
도 11은 본 명세서에 개시된 방법, 흐름, 또는 장치들을 구현하는 데 도움이 될 수 있는 컴퓨터 시스템(100)을 나타내는 블록 다이어그램이다. 컴퓨터 시스템(100)은 정보를 전달하는 버스(102) 또는 다른 통신 기구, 및 정보를 처리하는 버스(102)와 커플링된 프로세서(104)[또는 다중 프로세서들(104 및 105)]를 포함한다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 의해 실행될 정보 및 명령어들을 저장하는 RAM(random access memory) 또는 다른 동적 저장 디바이스와 같은, 버스(102)에 커플링된 주 메모리(106)를 포함한다. 또한, 주 메모리(106)는 프로세서(104)에 의해 실행될 명령어들의 실행 시 임시 변수들 또는 다른 매개 정보(intermediate information)를 저장하는 데 사용될 수도 있다. 또한, 컴퓨터 시스템(100)은 프로세서(104)에 대한 정적 정보 및 명령어들을 저장하는 버스(102)에 커플링된 ROM(read only memory: 108) 또는 다른 정적 저장 디바이스를 더 포함한다. 자기 디스크 또는 광학 디스크와 같은 저장 디바이스(110)가 제공되고 버스(102)에 커플링되어 정보 및 명령어들을 저장한다.
컴퓨터 시스템(100)은 버스(102)를 통해, 컴퓨터 사용자에게 정보를 보여주는 CRT(cathode ray tube) 또는 평판 또는 터치 패널 디스플레이(touch panel display)와 같은 디스플레이(112)에 커플링될 수 있다. 영숫자 및 다른 키들을 포함한 입력 디바이스(114)는 정보 및 명령 선택(command selection)들을 프로세서(104)로 전달하기 위해 버스(102)에 커플링된다. 또 다른 타입의 사용자 입력 디바이스는 방향 정보 및 명령 선택들을 프로세서(104)로 전달하고, 디스플레이(112) 상의 커서 움직임을 제어하기 위한 마우스, 트랙볼(trackball) 또는 커서 방향키들과 같은 커서 제어부(cursor control: 116)이다. 이 입력 디바이스는, 통상적으로 디바이스로 하여금 평면에서의 위치들을 특정하게 하는 2 개의 축선인 제 1 축선(예를 들어, x) 및 제 2 축선(예를 들어, y)에서 2 자유도를 갖는다. 또한, 입력 디바이스로서 터치 패널(스크린) 디스플레이가 사용될 수도 있다.
일 실시예에 따르면, 주 메모리(106)에 포함된 1 이상의 명령어들의 1 이상의 시퀀스를 실행하는 프로세서(104)에 응답하여 컴퓨터 시스템(100)에 의해 본 명세서에 설명된 1 이상의 방법의 부분들이 수행될 수 있다. 이러한 명령어들은 저장 디바이스(110)와 같은 또 다른 컴퓨터-판독가능한 매체로부터 주 메모리(106)로 읽혀질 수 있다. 주 메모리(106) 내에 포함된 명령어들의 시퀀스들의 실행은, 프로세서(104)가 본 명세서에 설명된 공정 단계들을 수행하게 한다. 또한, 주 메모리(106) 내에 포함된 명령어들의 시퀀스들을 실행하기 위해 다중 처리 구성(multi-processing arrangement)의 1 이상의 프로세서가 채택될 수 있다. 대안적인 실시예에서, 하드웨어에 내장된 회로(hard-wired circuitry)가 소프트웨어 명령어들과 조합하거나 그를 대신하여 사용될 수 있다. 따라서, 본 명세서의 기재내용은 하드웨어 회로와 소프트웨어의 여하한의 특정 조합에 제한되지 않는다.
본 명세서에서 사용된 "컴퓨터-판독가능한 매체"라는 용어는 실행을 위해 프로세서(104)에 명령어를 제공하는 데 관여하는 여하한의 매체를 칭한다. 이러한 매체는 비휘발성 매체(non-volatile media), 휘발성 매체 및 전송 매체를 포함하는 다수의 형태를 취할 수 있으며, 이에 제한되지는 않는다. 비휘발성 매체는, 예를 들어 저장 디바이스(110)와 같은 광학 또는 자기 디스크를 포함한다. 휘발성 매체는 주 메모리(106)와 같은 동적 메모리를 포함한다. 전송 매체는 버스(102)를 포함하는 와이어들을 포함하여, 동축 케이블(coaxial cable), 구리선 및 광섬유를 포함한다. 또한, 전송 매체는 무선 주파수(RF) 및 적외선(IR) 데이터 통신 시 발생되는 파장들과 같이 음파(acoustic wave) 또는 광파의 형태를 취할 수도 있다. 컴퓨터-판독가능한 매체의 보편적인 형태들은, 예를 들어 플로피 디스크(floppy disk), 플렉시블 디스크(flexible disk), 하드 디스크, 자기 테이프, 여하한의 다른 자기 매체, CD-ROM, DVD, 여하한의 다른 광학 매체, 펀치 카드(punch card), 종이 테이프(paper tape), 홀(hole)들의 패턴을 갖는 여하한의 다른 물리적 매체, RAM, PROM, 및 EPROM, FLASH-EPROM, 여하한의 다른 메모리 칩 또는 카트리지(cartridge), 이후 설명되는 바와 같은 반송파, 또는 컴퓨터가 판독할 수 있는 여하한의 다른 매체를 포함한다.
다양한 형태의 컴퓨터 판독가능한 매체는 실행을 위해 1 이상의 명령어들의 1 이상의 시퀀스를 프로세서(104)로 전달하는 데 관련될 수 있다. 예를 들어, 명령어들은 초기에 원격 컴퓨터의 자기 디스크 상에 저장되어 있을 수 있다(bear). 원격 컴퓨터는 동적 메모리로 명령어들을 로딩하고, 모뎀을 이용하여 전화선을 통해 명령어들을 보낼 수 있다. 컴퓨터 시스템(100)에 로컬인 모뎀이 전화선 상의 데이터를 수신하고, 상기 데이터를 적외선 신호로 전환하기 위해 적외선 송신기를 사용할 수 있다. 버스(102)에 커플링된 적외선 검출기는 적외선 신호로 전달된 데이터를 수신하고, 상기 데이터를 버스(102)에 놓을 수 있다. 버스(102)는, 프로세서(104)가 명령어들을 회수하고 실행하는 주 메모리(106)로 상기 데이터를 전달한다. 주 메모리(106)에 의해 수신된 명령어들은 프로세서(104)에 의한 실행 전이나 후에 저장 디바이스(110)에 선택적으로 저장될 수 있다.
또한, 컴퓨터 시스템(100)은 버스(102)에 커플링된 통신 인터페이스(118)를 포함할 수 있다. 통신 인터페이스(118)는 로컬 네트워크(122)에 연결되는 네트워크 링크(120)에 커플링하여 양방향(two-way) 데이터 통신을 제공한다. 예를 들어, 통신 인터페이스(118)는 ISDN(integrated services digital network) 카드 또는 대응하는 타입의 전화선에 데이터 통신 연결을 제공하는 모뎀일 수 있다. 또 다른 예시로서, 통신 인터페이스(118)는 호환성 LAN에 데이터 통신 연결을 제공하는 LAN(local area network) 카드일 수 있다. 또한, 무선 링크가 구현될 수도 있다. 여하한의 이러한 구현에서, 통신 인터페이스(118)는 다양한 타입의 정보를 나타내는 디지털 데이터 스트림들을 전달하는 전기적, 전자기적 또는 광학적 신호들을 송신하고 수신한다.
통상적으로, 네트워크 링크(120)는 1 이상의 네트워크를 통해 다른 데이터 디바이스에 데이터 통신을 제공한다. 예를 들어, 네트워크 링크(120)는 로컬 네트워크(122)를 통해 호스트 컴퓨터(host computer: 124), 또는 ISP(Internet Service Provider: 126)에 의해 작동되는 데이터 장비로의 연결을 제공할 수 있다. 차례로, ISP(126)는 이제 통상적으로 "인터넷"(128)이라고 칭하는 월드와이드 패킷 데이터 통신 네트워크를 통해 데이터 통신 서비스를 제공한다. 로컬 네트워크(122) 및 인터넷(128)은 둘 다 디지털 데이터 스트림을 전달하는 전기적, 전자기적 또는 광학적 신호들을 사용한다. 다양한 네트워크를 통한 신호들, 및 컴퓨터 시스템(100)에 또한 그로부터 디지털 데이터를 전달하는 통신 인터페이스(118)를 통한 네트워크 링크(120) 상의 신호들은 정보를 전달하는 반송파의 예시적인 형태들이다.
컴퓨터 시스템(100)은 네트워크(들), 네트워크 링크(120) 및 통신 인터페이스(118)를 통해 메시지들을 송신하고, 프로그램 코드를 포함한 데이터를 수신할 수 있다. 인터넷 예시에서는, 서버(130)가 인터넷(128), ISP(126), 로컬 네트워크(122) 및 통신 인터페이스(118)를 통해 어플리케이션 프로그램에 대한 요청된 코드를 전송할 수 있다. 하나의 이러한 다운로드된 어플리케이션은, 예를 들어 본 명세서에 설명된 방법의 일부 또는 전부를 제공할 수 있다. 수신된 코드는 수신될 때 프로세서(104)에 의해 실행될 수 있고, 및/또는 추후 실행을 위해 저장 디바이스(110) 또는 다른 비휘발성 저장소에 저장될 수 있다. 이 방식으로, 컴퓨터 시스템(100)은 반송파의 형태로 어플리케이션 코드를 얻을 수 있다.
본 발명의 실시예는 다음 조항들에 의해 추가로 설명될 수 있다.
1. 명령어가 기록된 비일시적 컴퓨터 판독 가능 매체로서, 상기 명령어는 컴퓨터에 의해 실행될 때 계측 시스템과 연관된 데이터를 변환하는 방법을 구현하며, 상기 방법은:
제1 SEM(scanning electron metrology) 시스템에 의해 획득된 제1 SEM 데이터 세트 및 제2 SEM 시스템에 의해 획득된 제2 SEM 데이터 세트에 액세스하는 단계 - 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는 패터닝된 기판과 연관됨 - ; 및
상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트를 훈련 데이터로 사용하여, 기계 학습(ML) 모델을 훈련하는 단계 - 상기 훈련된 ML 모델은 상기 제2 SEM 시스템에 의해 획득되는 계측 데이터 세트를 상기 제1 SEM 시스템에 의해 획득되는 계측 데이터와 유사한 특성을 갖는 변환된 데이터 세트로 변환하도록 구성됨 - 를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
2. 제 1 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트 및 제2 SEM 데이터 세트를 비교하는 단계; 및 상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 학습시키는 데 사용되는 비용 함수에 영향을 미치는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
3. 제 2 항에 있어서, 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트는 패터닝된 기판의 이미지 세트를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
4. 제 3 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 시스템에 의해 획득된 제1 이미지 세트와 상기 제2 SEM 시스템에 의해 획득된 제2 이미지 세트를 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 비용 함수에 영향을 미쳐, 상기 제2 이미지 세트를 상기 ML 모델에 입력으로 사용하는 ML-생성 이미지와 상기 제1 이미지 세트 간의 매칭을 개선하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
5. 제 2 항에 있어서, 상기 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트는:
상기 패터닝된 기판 상의 피처의 윤곽; 및/또는
상기 패터닝된 기판 상의 패턴과 연관된 물리적 특성을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
6. 제 4 항에 있어서, 상기 물리적 특성은 상기 패터닝된 기판 상의 상기 패턴의 임계 치수(CD)를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
7. 제 5 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트의 제1 CD 값과 상기 제2 SEM 데이터 세트의 제2 CD 값을 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 학습시키는 데 사용되는 비용 함수 - 상기 비용 함수는 상기 제1 CD 값과 상기 제2 CD 값의 함수임 - 에 영향을 미쳐, 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트 간의 CD 매칭을 개선하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
8. 제 3 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트의 제1 이미지 세트 또는 제1 윤곽을 디자인 레이아웃의 디자인 레이아웃 이미지 또는 디자인 윤곽과 정렬하는 단계;
상기 제2 SEM 데이터 세트의 제2 이미지 세트 또는 제2 윤곽을 상기 디자인 레이아웃의 상기 디자인 레이아웃 이미지 또는 상기 디자인 윤곽과 정렬하는 단계; 및
상기 정렬된 제1 이미지 세트와 상기 정렬된 제2 이미지 세트를 상기 기계 학습 모델 훈련에 훈련 데이터로서 사용하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
9. 제 6 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터의 강도 값을 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 상기 비용 함수에 영향을 미치는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
10. 제 7 항에 있어서, ML 모델을 훈련하는 단계는 반복적인 프로세스이며, 각각의 반복은: (i) 조정된 파라미터를 사용하여 ML 모델을 통해 제1 SEM 데이터 세트를 제2 SEM 데이터 세트로 변환하는 단계; (ii) 제1 SEM 데이터 세트와 변환된 데이터 세트의 강도 값을 비교하는 단계; (iii) 비용 함수가 원하는 임계값 이내가 되도록 영향을 미치기 위해 비교를 기반으로 ML 모델의 파라미터를 추가로 조정하는 단계; (iv) 비용 함수가 원하는 임계값 이내인지 여부를 결정하는 단계; (v) 비용 함수가 원하는 임계값 이내에 있지 않은 경우 (i)-(iv)를 반복하여 대응하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
11. 제 8 항에 있어서, 비용 함수는 제1 SEM 데이터 세트의 제1 강도 값과 제2 SEM 데이터 세트 또는 변환된 데이터 세트의 대응하는 제2 강도 값 사이의 차이인, 비일시적 컴퓨터 판독 가능 매체.
12. 제 7 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트 및 제2 SEM 데이터 세트로부터 피처를 가로질러 그려진 절단선을 따라 강도 값을 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
13. 제 10 항에 있어서, 강도 값을 결정하는 단계는 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트로부터 절단선을 따라 픽셀 강도 값을 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
14. 제 11 항에 있어서, 강도 값을 결정하는 단계는:
상기 제1 SEM 데이터 세트에 상기 제1 SEM 시스템과 연관된 제1 윤곽 추출 알고리즘을 적용하는 단계; 및
상기 제2 SEM 데이터 세트에 상기 제2 SEM 시스템과 연관된 제2 윤곽 추출 알고리즘을 적용하는 단계를 수행하여, 상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터 강도 값을 결정하는 단계를 더 포함하는, 비일시적 컴퓨터 판독 가능 매체.
15. 제 1 항에 있어서,
상기 제2 SEM 시스템을 통해 다른 패터닝된 기판의 계측 데이터를 캡처하는 단계; 및
상기 훈련된 ML 모델을 통해, 상기 캡처된 계측 데이터를 변환된 계측 데이터로 변환하는 단계 - 상기 다른 패터닝된 기판의 상기 변환된 계측 데이터는 상기 제1 SEM 시스템에 의해 캡처된 것과 같은 특성을 가짐 - 를 더 포함하는, 비일시적 컴퓨터 판독 가능 매체.
16. 제 1 항에 있어서,
상기 제1 SEM 시스템으로부터의 상기 패터닝된 기판의 물리적 특성 측정값 및 상기 제1 SEM 데이터 세트를 기반으로 상기 제2 SEM 시스템에 대한 계측 측정 레시피를 결정하는 단계;
상기 제2 SEM 시스템을 사용하여 상기 패터닝된 기판의 계측 데이터를 캡처하는 단계;
상기 훈련된 기계 학습 모델을 사용하여 상기 캡처된 계측 데이터를 변환하는 단계; 및
상기 변환된 계측 데이터에 상기 계측 측정 레시피를 적용하여 다른 물리적 특성 측정값을 결정하는 단계를 더 포함하는, 비일시적 컴퓨터 판독 가능 매체.
17. 제 14 항에 있어서, 상기 물리적 특성 측정값은 임계 치수(CD) 측정값, 오버레이 측정값, 및 에지 배치 오차(edge placement errors) 중 적어도 하나를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
18. 제 15 항에 있어서, 상기 계측 측정 레시피는 CD 측정이 수행된 상기 캡처된 계측 데이터 상의 위치를 나타내는 CD 임계값을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
19. 제 16 항에 있어서, 상기 계측 측정 레시피를 결정하는 단계는:
제1 윤곽 추출 알고리즘을 통해, 상기 제1 SEM 데이터 세트의 이미지로부터 윤곽을 추출하는 단계;
상기 윤곽을 가로지르는 위치에 절단선을 그려 CD를 측정하는 단계; 및
상기 절단선을 따른 신호에 기초하여, 상기 측정된 CD에 대응하는 CD 임계값을 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
20. 제 1 항에 있어서, 상기 제1 SEM 시스템은 제1 제조사에 의해 제조되고, 상기 제2 계측 시스템은 제2 제조사에 의해 제조되는, 비일시적 컴퓨터 판독 가능 매체.
21. 제 1 항에 있어서, ML 모델은 컨볼루션 신경망인, 비일시적 컴퓨터 판독 가능 매체.
22. 제 1 항에 있어서, 상기 ML 모델은 생성적 대립 네트워크(Generative Adversarial Network)아키텍처를 사용하여 훈련되고, 상기 ML 모델은 생성기 모델과 판별기 모델을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
23. 제 20 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트와 유사한 데이터를 생성하기 위해 입력으로서 제2 SEM 데이터 세트를 사용하여 판별기 모델과 함께 생성기 모델을 훈련시키는 단계; 및
생성된 데이터를 제1 SEM 데이터 세트와 구별하기 위해 판별기 모델을 훈련시키는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체.
24. 계측 시스템으로서,
훈련된 기계 학습(ML) 모델이 저장되어 있고, 실행 시:
패터닝된 기판의 계측 데이터를 캡처하고,
훈련된 ML 모델을 통해 캡처된 계측 데이터를 다른 계측 시스템에서 캡처한 것과 같은 특성을 갖는 변환된 계측 데이터로 변환하게 하는, 컴퓨터 프로그램 명령어로 프로그래밍된 하나 이상의 프로세서를 포함하는 프로세서 또는 컴퓨터 시스템을 포함하는, 시스템.
25. 제 22 항에 있어서, 컴퓨터 시스템은 ML 모델을 훈련하게 되고, 상기 훈련은:
제1 SEM 시스템에 의해 획득된 제1 SEM 데이터 세트 및 계측 시스템에 의해 획득된 제2 SEM 데이터 세트에 액세스하는 단계 - 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는 훈련 기판과 연관됨 - ; 및
상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트를 훈련 데이터로 사용하여, 기계 학습(ML) 모델을 훈련하는 단계 - 상기 훈련된 ML 모델은 상기 계측 시스템에 의해 획득되는 계측 데이터 세트를 상기 제1 SEM 시스템에 의해 획득되는 계측 데이터와 유사한 특성을 갖는 변환된 데이터 세트로 변환하도록 구성됨 - 를 포함하는, 시스템.
26. 제 23 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트와 제2 SEM 데이터 세트를 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 상기 비용 함수에 영향을 미치는 단계를 포함하는, 시스템.
27. 제 24 항에 있어서, 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트는 훈련 기판의 이미지 세트를 포함하는, 시스템.
28. 제 27 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 시스템에 의해 획득된 제1 이미지 세트와 상기 제2 SEM 시스템에 의해 획득된 제2 이미지 세트를 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 비용 함수에 영향을 미쳐, 상기 제2 이미지 세트를 상기 ML 모델에 입력으로 사용하는 ML-생성 이미지와 상기 제1 이미지 세트 간의 매칭을 개선하는 단계를 포함하는, 시스템.
29. 제 25 항에 있어서, 상기 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트는:
상기 훈련 기판 상의 피처의 윤곽; 및/또는
상기 훈련 기판 상의 패턴과 연관된 물리적 특성을 포함하는, 시스템.
30. 제 27 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트의 제1 이미지 세트 또는 제1 윤곽을 디자인 레이아웃의 디자인 레이아웃 이미지 또는 디자인 윤곽과 정렬하는 단계;
상기 제2 SEM 데이터 세트의 제2 이미지 세트 또는 제2 윤곽을 상기 디자인 레이아웃의 상기 디자인 레이아웃 이미지 또는 상기 디자인 윤곽과 정렬하는 단계; 및
상기 정렬된 제1 이미지 세트와 상기 정렬된 제2 이미지 세트를 상기 기계 학습 모델 훈련에 훈련 데이터로서 사용하는 단계를 포함하는, 시스템.
31. 제 30 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터의 강도 값을 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 상기 비용 함수에 영향을 미치는 단계를 포함하는, 시스템.
32. 제 31 항에 있어서, ML 모델을 훈련하는 단계는 반복적인 프로세스이며, 각각의 반복은:
(i) 조정된 파라미터를 사용하여 ML 모델을 통해 제1 SEM 데이터 세트를 제2 SEM 데이터 세트로 변환하는 단계; (ii) 제1 SEM 데이터 세트와 변환된 데이터 세트의 강도 값을 비교하는 단계; (iii) 비용 함수가 원하는 임계값 이내가 되도록 영향을 미치기 위해 비교를 기반으로 ML 모델의 파라미터를 추가로 조정하는 단계; (iv) 비용 함수가 원하는 임계값 이내인지 여부를 결정하는 단계; (v) 비용 함수가 원하는 임계값 이내에 있지 않은 경우 (i)-(iv)를 반복하여 대응하는 단계를 포함하는, 시스템.
33. 제 32 항에 있어서, 비용 함수는 제1 SEM 데이터 세트의 제1 강도 값과 제2 SEM 데이터 세트 또는 변환된 데이터 세트의 대응하는 제2 강도 값 사이의 차이인, 시스템.
34. 제 31 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트 및 제2 SEM 데이터 세트로부터 피처를 가로질러 그려진 절단선을 따라 강도 값을 결정하는 단계를 포함하는, 시스템.
35. 제 34 항에 있어서, 강도 값을 결정하는 단계는 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트로부터 절단선을 따라 픽셀 강도 값을 결정하는 단계를 포함하는, 시스템.
36. 제 35 항에 있어서, 강도 값을 결정하는 단계는:
상기 제1 SEM 데이터 세트에 상기 제1 SEM 시스템과 연관된 제1 윤곽 추출 알고리즘을 적용하는 단계; 및
상기 제2 SEM 데이터 세트에 상기 계측 시스템과 연관된 제2 윤곽 추출 알고리즘을 적용하는 단계를 수행하여, 상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터 강도 값을 결정하는 단계를 더 포함하는, 시스템.
37. 제 36 항에 있어서,
상기 제1 SEM 데이터 세트 및 상기 제1 SEM 시스템으로부터의 상기 기판의 물리적 특성 측정값을 기반으로 상기 계측 시스템에 대한 계측 측정 레시피를 수신하는 단계; 및
상기 변환된 계측 데이터에 상기 계측 측정 레시피를 적용하여 다른 물리적 특성 측정값을 결정하는 단계를 더 포함하는, 시스템.
38. 제 37 항에 있어서, 상기 물리적 특성 측정값은 임계 치수(CD) 측정값, 오버레이 측정값, 및 에지 배치 오차(edge placement errors) 중 적어도 하나를 포함하는, 시스템.
39. 제 38 항에 있어서, 상기 계측 측정 레시피는 CD 측정이 수행된 상기 캡처된 계측 데이터 상의 위치를 나타내는 CD 임계값을 포함하는, 시스템.
40. 제 39 항에 있어서, 상기 계측 측정 레시피를 결정하는 단계는:
제1 윤곽 추출 알고리즘을 통해, 상기 제1 SEM 데이터 세트의 이미지로부터 윤곽을 추출하는 단계;
상기 윤곽을 가로지르는 위치에 절단선을 그려 CD를 측정하는 단계; 및
상기 절단선을 따른 신호에 기초하여, 상기 측정된 CD에 대응하는 CD 임계값을 결정하는 단계를 포함하는, 시스템.
41. 제 24 항에 있어서, 상기 계측 시스템은 주사 전자 현미경인, 시스템.
42. 제 24 항에 있어서, ML 모델은 컨볼루션 신경망인, 시스템.
43. 제 24 항에 있어서, 상기 ML 모델은 생성적 대립 네트워크(Generative Adversarial Network)아키텍처를 사용하여 훈련되고, 상기 ML 모델은 생성기 모델과 판별기 모델을 포함하는, 시스템.
44. 제 43 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트와 유사한 데이터를 생성하기 위해 입력으로서 제2 SEM 데이터 세트를 사용하여 판별기 모델과 함께 생성기 모델을 훈련시키는 단계; 및
생성된 데이터를 제1 SEM 데이터 세트와 구별하기 위해 판별기 모델을 훈련시키는 단계를 포함하는, 시스템.
45. 계측 시스템과 관련된 데이터를 변환하는 방법으로서,
제1 SEM(scanning electron metrology) 시스템에 의해 획득된 제1 SEM 데이터 세트 및 제2 SEM 시스템에 의해 획득된 제2 SEM 데이터 세트에 액세스하는 단계 - 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는 패터닝된 기판과 연관됨 - ; 및
상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트를 훈련 데이터로 사용하여, 기계 학습(ML) 모델을 훈련하는 단계 - 상기 훈련된 ML 모델은 상기 제2 SEM 시스템에 의해 획득되는 계측 데이터 세트를 상기 제1 SEM 시스템에 의해 획득되는 계측 데이터와 유사한 특성을 갖는 변환된 데이터 세트로 변환하도록 구성됨 - 를 포함하는, 방법.
46. 제 45 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트와 제2 SEM 데이터 세트를 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 상기 비용 함수에 영향을 미치는 단계를 포함하는, 방법.
47. 제 46 항에 있어서, 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트는 패터닝된 기판의 이미지 세트를 포함하는, 방법.
48. 제 47 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 시스템에 의해 획득된 제1 이미지 세트와 상기 제2 SEM 시스템에 의해 획득된 제2 이미지 세트를 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 비용 함수에 영향을 미쳐, 상기 제2 이미지 세트를 상기 ML 모델에 입력으로 사용하는 ML-생성 이미지와 상기 제1 이미지 세트 간의 매칭을 개선하는 단계를 포함하는, 방법.
49. 제 42 항에 있어서, 상기 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트는:
상기 패터닝된 기판 상의 피처의 윤곽; 및/또는
상기 패터닝된 기판 상의 패턴과 연관된 물리적 특성을 포함하는, 방법.
50. 제 47 항에 있어서, 상기 물리적 특성은 상기 패터닝된 기판 상의 상기 패턴의 임계 치수(CD)를 포함하는, 방법.
51. 제 50 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트의 제1 CD 값과 상기 제2 SEM 데이터 세트의 제2 CD 값을 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 학습시키는 데 사용되는 비용 함수 - 상기 비용 함수는 상기 제1 CD 값과 상기 제2 CD 값의 함수임 - 에 영향을 미쳐, 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트 간의 CD 매칭을 개선하는 단계를 포함하는, 방법.
52. 제 49 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트의 제1 이미지 세트 또는 제1 윤곽을 디자인 레이아웃의 디자인 레이아웃 이미지 또는 디자인 윤곽과 정렬하는 단계;
상기 제2 SEM 데이터 세트의 제2 이미지 세트 또는 제2 윤곽을 상기 디자인 레이아웃의 상기 디자인 레이아웃 이미지 또는 상기 디자인 윤곽과 정렬하는 단계; 및
상기 정렬된 제1 이미지 세트와 상기 정렬된 제2 이미지 세트를 상기 기계 학습 모델 훈련에 훈련 데이터로서 사용하는 단계를 포함하는, 방법.
53. 제 52 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터의 강도 값을 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 상기 비용 함수에 영향을 미치는 단계를 포함하는, 방법.
54. 제 53 항에 있어서, ML 모델을 훈련하는 단계는 반복적인 프로세스이며, 각각의 반복은:
(i) 조정된 파라미터를 사용하여 ML 모델을 통해 제1 SEM 데이터 세트를 제2 SEM 데이터 세트로 변환하는 단계; (ii) 제1 SEM 데이터 세트와 변환된 데이터 세트의 강도 값을 비교하는 단계; (iii) 비용 함수가 원하는 임계값 이내가 되도록 영향을 미치기 위해 비교를 기반으로 ML 모델의 파라미터를 추가로 조정하는 단계; (iv) 비용 함수가 원하는 임계값 이내인지 여부를 결정하는 단계; (v) 비용 함수가 원하는 임계값 이내에 있지 않은 경우 (i)-(iv)를 반복하여 대응하는 단계를 포함하는, 방법.
55. 제 54 항에 있어서, 비용 함수는 제1 SEM 데이터 세트의 제1 강도 값과 제2 SEM 데이터 세트 또는 변환된 데이터 세트의 대응하는 제2 강도 값 사이의 차이인, 방법.
56. 제 53 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트 및 제2 SEM 데이터 세트로부터 피처를 가로질러 그려진 절단선을 따라 강도 값을 결정하는 단계를 포함하는, 방법.
57. 제 56 항에 있어서, 강도 값을 결정하는 단계는 제1 SEM 데이터 세트 및 제2 SEM 데이터 세트로부터 절단선을 따라 픽셀 강도 값을 결정하는 단계를 포함하는, 방법.
58. 제 57 항에 있어서, 강도 값을 결정하는 단계는:
상기 제1 SEM 데이터 세트에 상기 제1 SEM 시스템과 연관된 제1 윤곽 추출 알고리즘을 적용하는 단계; 및
상기 제2 SEM 데이터 세트에 상기 제2 SEM 시스템과 연관된 제2 윤곽 추출 알고리즘을 적용하는 단계를 수행하여, 상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터 강도 값을 결정하는 단계를 더 포함하는, 방법.
59. 제 45 항에 있어서,
상기 제2 SEM 시스템을 통해 다른 패터닝된 기판의 계측 데이터를 캡처하는 단계; 및
상기 훈련된 ML 모델을 통해, 상기 캡처된 계측 데이터를 변환된 계측 데이터로 변환하는 단계 - 상기 다른 패터닝된 기판의 상기 변환된 계측 데이터는 상기 제1 SEM 시스템에 의해 캡처된 것과 같은 특성을 가짐 - 를 더 포함하는, 방법.
60. 제 45 항에 있어서,
상기 제1 SEM 시스템으로부터의 상기 패터닝된 기판의 물리적 특성 측정값 및 상기 제1 SEM 데이터 세트를 기반으로 상기 제2 SEM 시스템에 대한 계측 측정 레시피를 결정하는 단계;
상기 제2 SEM 시스템을 사용하여 상기 패터닝된 기판의 계측 데이터를 캡처하는 단계;
상기 훈련된 기계 학습 모델을 사용하여 상기 캡처된 계측 데이터를 변환하는 단계; 및
상기 변환된 계측 데이터에 상기 계측 측정 레시피를 적용하여 다른 물리적 특성 측정값을 결정하는 단계를 더 포함하는, 방법.
61. 제 60 항에 있어서, 상기 물리적 특성 측정값은 임계 치수(CD) 측정값, 오버레이 측정값, 및 에지 배치 오차(edge placement errors) 중 적어도 하나를 포함하는, 방법.
62. 제 61 항에 있어서, 상기 계측 측정 레시피는 CD 측정이 수행된 상기 캡처된 계측 데이터 상의 위치를 나타내는 CD 임계값을 포함하는, 방법.
63. 제 62 항에 있어서, 상기 계측 측정 레시피를 결정하는 단계는:
제1 윤곽 추출 알고리즘을 통해, 상기 제1 SEM 데이터 세트의 이미지로부터 윤곽을 추출하는 단계;
상기 윤곽을 가로지르는 위치에 절단선을 그려 CD를 측정하는 단계; 및
상기 절단선을 따른 신호에 기초하여, 상기 측정된 CD에 대응하는 CD 임계값을 결정하는 단계를 포함하는, 방법.
64. 제 45 항에 있어서, 상기 제1 SEM 시스템은 제1 제조사에 의해 제조되고, 상기 제2 계측 시스템은 제2 제조사에 의해 제조되는, 방법.
65. 제 45 항에 있어서, ML 모델은 컨볼루션 신경망인, 방법.
66. 제 45 항에 있어서, 상기 ML 모델은 생성적 대립 네트워크(Generative Adversarial Network)아키텍처를 사용하여 훈련되고, 상기 ML 모델은 생성기 모델과 판별기 모델을 포함하는, 방법.
67. 제 66 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 데이터 세트와 유사한 데이터를 생성하기 위해 입력으로서 제2 SEM 데이터 세트를 사용하여 판별기 모델과 함께 생성기 모델을 훈련시키는 단계; 및
생성된 데이터를 제1 SEM 데이터 세트와 구별하기 위해 판별기 모델을 훈련시키는 단계를 포함하는, 방법.
68. 주사 전자 현미경(SEM) 시스템에 의해 획득된 SEM 이미지를 변환하는 방법으로서,
제1 SEM 시스템에 의해 획득된 제1 SEM 이미지 세트 및 제2 SEM 시스템에 의해 획득된 제2 SEM 이미지 세트에 액세스하는 단계 - 상기 제1 SEM 이미지 세트 및 제2 상기 SEM 이미지 세트는 패터닝된 기판과 연관됨 - ; 및
상기 제1 SEM 이미지 세트 및 상기 제2 SEM 이미지 세트를 훈련 데이터로 사용하여, 기계 학습(ML) 모델을 훈련하는 단계 - 상기 훈련된 ML 모델은 상기 제2 SEM 시스템에 의해 획득되는 SEM 이미지 세트를 상기 제1 SEM 시스템에 의해 획득되는 SEM 이미지 유사한 특성을 갖는 변환된 이미지 세트로 변환하도록 구성됨 - 단계를 포함하는, 방법.
69. 제 68 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 이미지 세트와 제2 SEM 이미지 세트를 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 상기 비용 함수에 영향을 미치는 단계를 포함하는, 방법.
70. 제 68 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
제1 SEM 이미지 세트를 디자인 레이아웃 이미지와 정렬하는 단계;
제2 SEM 이미지 세트를 디자인 레이아웃 이미지와 정렬하는 단계; 및
상기 정렬된 제1 SEM 이미지 세트와 상기 정렬된 제2 SEM 이미지 세트를 상기 기계 학습 모델 훈련에 훈련 데이터로서 사용하는 단계를 포함하는, 방법.
71. 제 69 항에 있어서, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 이미지 세트 및 상기 제2 SEM 이미지 세트로부터의 강도 값을 비교하는 단계; 및
비교를 기반으로 ML 모델의 파라미터를 조정하여 비용 함수에 영향을 미쳐, ML 모델에 제2 SEM 이미지 세트를 입력으로 사용하는 이미지와 제1 이미지 세트 간의 강도 값의 차이를 줄이는 단계를 포함하는, 방법.
72. 제 71 항에 있어서, ML 모델을 훈련하는 단계는 반복적인 프로세스이며, 각각의 반복은:
(i) 조정된 파라미터를 사용하여 ML 모델을 통해 제1 SEM 이미지 세트를 제2 SEM 이미지 세트로 변환하는 단계; (ii) 제1 SEM 이미지 세트와 변환된 이미지 세트의 강도 값을 비교하는 단계; (iii) 비용 함수가 원하는 임계값 이내가 되도록 영향을 미치기 위해 비교를 기반으로 ML 모델의 파라미터를 추가로 조정하는 단계; (iv) 비용 함수가 원하는 임계값 이내인지 여부를 결정하는 단계; (v) 비용 함수가 원하는 임계값 이내에 있지 않은 경우 (i)-(iv)를 반복하여 대응하는 단계를 포함하는, 방법.
73. 제 72 항에 있어서, 비용 함수는 제1 SEM 이미지 세트의 제1 강도 값과 제2 SEM 이미지 세트 또는 변환된 이미지 세트의 대응하는 제2 강도 값 사이의 차이인, 방법.
74. 제 68 항에 있어서,
제2 SEM 시스템을 통해 또 다른 패터닝된 기판의 SEM 이미지를 캡처하는 단계; 및
훈련된 ML 모델을 통해 캡처된 SEM 이미지를 변환된 SEM 이미지로 변환하는 단계 - 다른 패터닝된 기판의 변환된 SEM 이미지는 제1 SEM 시스템에 의해 캡처된 이미지와 유사한 특성을 가짐 - 를 더 포함하는, 방법.
75. 제 68 항에 있어서,
상기 제1 SEM 이미지 세트 및 상기 제1 SEM 시스템으로부터의 상기 패터닝된 기판의 CD 측정값을 기반으로 상기 제2 SEM 시스템에 대한 계측 측정 레시피를 결정하는 단계;
제2 SEM 시스템을 사용하여 패터닝된 기판의 SEM 이미지를 캡처하는 단계;
훈련된 ML 모델을 사용하여 캡처된 SEM 이미지를 변환하는 단계; 및
변환된 SEM 이미지에 계측 측정 레시피를 적용하여 다른 CD 측정값을 결정하는 단계를 더 포함하는, 방법.
76. 제 75 항에 있어서, 상기 계측 측정 레시피는 CD 측정이 수행된 상기 캡처된 SEM 이미지 상의 위치를 나타내는 CD 임계값을 포함하는, 방법.
77. 제 68 항에 있어서, ML 모델은 컨볼루션 신경망인, 방법.
78. 제 68 항에 있어서, 상기 ML 모델은 생성적 대립 네트워크(Generative Adversarial Network)아키텍처를 사용하여 훈련되고, 상기 ML 모델은 생성기 모델과 판별기 모델을 포함하는, 방법.
본 명세서에 개시된 개념은 실리콘 웨이퍼와 같은 기판 상의 이미징에 사용될 수 있지만, 개시된 개념은 모든 유형의 리소그래피 이미징 시스템, 예를 들어 실리콘 웨이퍼 이외의 기판 상의 이미징에 사용되는 것과 함께 사용될 수 있는 것으로 이해되어야 한다.
위의 설명은 예시를 위한 것이지 제한하려는 것이 아니다. 따라서, 당업자에게는 아래에 기재된 청구범위를 벗어나지 않고 설명된 바와 같이 수정이 이루어질 수 있음이 명백할 것이다.
Claims (15)
- 명령어가 기록된 비일시적 컴퓨터 판독 가능 매체로서, 상기 명령어는 컴퓨터에 의해 실행될 때 계측 시스템과 연관된 데이터를 변환하는 방법을 구현하며, 상기 방법은:
제1 SEM(scanning electron metrology) 시스템에 의해 획득된 제1 SEM 데이터 세트 및 제2 SEM 시스템에 의해 획득된 제2 SEM 데이터 세트에 액세스하는 단계 - 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는 패터닝된 기판과 연관됨 - ; 및
상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트를 훈련 데이터로 사용하여, 기계 학습(ML) 모델을 훈련하는 단계 - 상기 훈련된 ML 모델은 상기 제2 SEM 시스템에 의해 획득되는 계측 데이터 세트를 상기 제1 SEM 시스템에 의해 획득되는 계측 데이터와 유사한 특성을 갖는 변환된 데이터 세트로 변환하도록 구성됨 - 를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는 상기 패터닝된 기판 상의 SEM 이미지를 포함하고, 상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 시스템에 의해 획득된 제1 이미지 세트와 상기 제2 SEM 시스템에 의해 획득된 제2 이미지 세트를 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 비용 함수에 영향을 미쳐, 상기 제2 이미지 세트를 상기 ML 모델에 입력으로 사용하는 ML-생성 이미지와 상기 제1 이미지 세트 간의 매칭을 개선하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트는:
상기 패터닝된 기판 상의 피처의 윤곽; 및/또는
상기 패터닝된 기판 상의 패턴과 연관된 물리적 특성을 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 물리적 특성은 상기 패터닝된 기판 상의 상기 패턴의 임계 치수(CD)를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트의 제1 CD 값과 상기 제2 SEM 데이터 세트의 제2 CD 값을 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 비용 함수 - 상기 비용 함수는 상기 제1 CD 값과 상기 제2 CD 값의 함수임 - 에 영향을 미쳐, 상기 제1 SEM 데이터 세트 및 상기 제2 SEM 데이터 세트 간의 CD 매칭을 개선하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트의 제1 이미지 세트 또는 제1 윤곽을 디자인 레이아웃의 디자인 레이아웃 이미지 또는 디자인 윤곽과 정렬하는 단계;
상기 제2 SEM 데이터 세트의 제2 이미지 세트 또는 제2 윤곽을 상기 디자인 레이아웃의 상기 디자인 레이아웃 이미지 또는 상기 디자인 윤곽과 정렬하는 단계; 및
상기 정렬된 제1 이미지 세트와 상기 정렬된 제2 이미지 세트를 상기 기계 학습 모델 훈련에 훈련 데이터로서 사용하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 2 항에 있어서,
상기 ML 모델을 훈련하는 단계는:
상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터의 픽셀 강도 값을 비교하는 단계; 및
상기 비교를 기반으로 상기 ML 모델의 파라미터를 조정하여 상기 ML 모델을 훈련하는 데 사용되는 상기 비용 함수에 영향을 미치는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 7 항에 있어서,
상기 ML 모델을 훈련하는 단계는:
상기 제1 SEM 데이터 세트에 상기 제1 SEM 시스템과 연관된 제1 윤곽 추출 알고리즘을 적용하는 단계; 및
상기 제2 SEM 데이터 세트에 상기 제2 SEM 시스템과 연관된 제2 윤곽 추출 알고리즘을 적용하는 단계를 수행하여, 상기 제1 이미지 세트 및 상기 제2 이미지 세트로부터 강도 값을 결정하는 단계를 더 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 제2 SEM 시스템을 통해 다른 패터닝된 기판의 계측 데이터를 캡처하는 단계; 및
상기 훈련된 ML 모델을 통해, 상기 캡처된 계측 데이터를 변환된 계측 데이터로 변환하는 단계 - 상기 다른 패터닝된 기판의 상기 변환된 계측 데이터는 상기 제1 SEM 시스템에 의해 캡처된 것과 같은 특성을 가짐 - 를 더 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 제1 SEM 시스템으로부터의 상기 패터닝된 기판의 물리적 특성 측정값 및 상기 제1 SEM 데이터 세트를 기반으로 상기 제2 SEM 시스템에 대한 계측 측정 레시피를 결정하는 단계;
상기 제2 SEM 시스템을 사용하여 상기 패터닝된 기판의 계측 데이터를 캡처하는 단계;
상기 훈련된 기계 학습 모델을 사용하여 상기 캡처된 계측 데이터를 변환하는 단계; 및
상기 변환된 계측 데이터에 상기 계측 측정 레시피를 적용하여 다른 물리적 특성 측정값을 결정하는 단계를 더 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 10 항에 있어서,
상기 물리적 특성 측정값은, 임계 치수(CD) 측정값, 오버레이 측정값, 및 에지 배치 오차(edge placement errors) 중 적어도 하나를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 10 항에 있어서,
상기 계측 측정 레시피는 CD 측정이 수행된 상기 캡처된 계측 데이터 상의 위치를 나타내는 CD 임계값을 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 10 항에 있어서,
상기 계측 측정 레시피를 결정하는 단계는:
제1 윤곽 추출 알고리즘을 통해, 상기 제1 SEM 데이터 세트의 이미지로부터 윤곽을 추출하는 단계;
상기 윤곽을 가로지르는 위치에 절단선을 그려 CD를 측정하는 단계; 및
상기 절단선을 따른 신호에 기초하여, 상기 측정된 CD에 대응하는 CD 임계값을 결정하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 제1 SEM 시스템은 제1 제조사에 의해 제조되고, 상기 제2 SEM 시스템은 제2 제조사에 의해 제조되는, 비일시적 컴퓨터 판독 가능 매체. - 제 1 항에 있어서,
상기 ML 모델은 생성적 대립 네트워크(Generative Adversarial Network) 아키텍처를 사용하여 훈련되고, 상기 ML 모델은 생성기 모델과 판별기 모델을 포함하는, 비일시적 컴퓨터 판독 가능 매체.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2021/117420 | 2021-09-09 | ||
CN2021117420 | 2021-09-09 | ||
PCT/EP2022/073343 WO2023036593A1 (en) | 2021-09-09 | 2022-08-22 | Method for converting metrology data |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240063929A true KR20240063929A (ko) | 2024-05-10 |
Family
ID=83280448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020247011073A KR20240063929A (ko) | 2021-09-09 | 2022-08-22 | 계측 데이터 변환 방법 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4399573A1 (ko) |
KR (1) | KR20240063929A (ko) |
CN (1) | CN115797251A (ko) |
TW (2) | TWI814571B (ko) |
WO (1) | WO2023036593A1 (ko) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
JP4075966B2 (ja) | 1996-03-06 | 2008-04-16 | エーエスエムエル ネザーランズ ビー.ブイ. | 差分干渉計システム及びこのシステムを具えたリソグラフステップアンドスキャン装置 |
US7171284B2 (en) * | 2004-09-21 | 2007-01-30 | Timbre Technologies, Inc. | Optical metrology model optimization based on goals |
US7361941B1 (en) * | 2004-12-21 | 2008-04-22 | Kla-Tencor Technologies Corporation | Calibration standards and methods |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
US10152678B2 (en) * | 2014-11-19 | 2018-12-11 | Kla-Tencor Corporation | System, method and computer program product for combining raw data from multiple metrology tools |
EP3579052A1 (en) * | 2018-06-08 | 2019-12-11 | ASML Netherlands B.V. | Metrology apparatus and method for determining a characteristic of one or more structures on a substrate |
EP3637186A1 (en) * | 2018-10-09 | 2020-04-15 | ASML Netherlands B.V. | Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus |
EP3657257A1 (en) * | 2018-11-26 | 2020-05-27 | ASML Netherlands B.V. | Method for of measuring a focus parameter relating to a structure formed using a lithographic process |
KR20220058639A (ko) * | 2019-10-17 | 2022-05-09 | 에이에스엠엘 네델란즈 비.브이. | 측정 데이터를 모델에 근사화하고 성능 파라미터 분포를 모델링하는 방법 및 연관된 장치 |
-
2022
- 2022-08-22 EP EP22768710.0A patent/EP4399573A1/en active Pending
- 2022-08-22 WO PCT/EP2022/073343 patent/WO2023036593A1/en active Application Filing
- 2022-08-22 KR KR1020247011073A patent/KR20240063929A/ko unknown
- 2022-08-25 CN CN202211028992.XA patent/CN115797251A/zh active Pending
- 2022-09-07 TW TW111133804A patent/TWI814571B/zh active
- 2022-09-07 TW TW112130492A patent/TWI830682B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI814571B (zh) | 2023-09-01 |
CN115797251A (zh) | 2023-03-14 |
WO2023036593A1 (en) | 2023-03-16 |
TW202328821A (zh) | 2023-07-16 |
EP4399573A1 (en) | 2024-07-17 |
TW202347048A (zh) | 2023-12-01 |
TWI830682B (zh) | 2024-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102606115B1 (ko) | 패턴의 시맨틱 분할을 위한 딥 러닝 | |
CN111512235A (zh) | 基于计算量测的校正和控制 | |
US20220291590A1 (en) | Modeling method for computational fingerprints | |
TW201828335A (zh) | 用於影像分析之方法及設備 | |
KR20240005965A (ko) | 원시 이미지들로부터 고품질 평균 sem 이미지들의 자동 선택 시 기계 학습 활용 | |
KR20220053029A (ko) | 현상 후 이미지에 기초하여 패턴의 결함이 있음을 결정하는 방법 | |
TWI808444B (zh) | 用於產生消除雜訊模型之裝置及方法 | |
EP3663855A1 (en) | Sem fov fingerprint in stochastic epe and placement measurements in large fov sem devices | |
TWI796056B (zh) | 基於機器學習的顯影後或蝕刻後影像之影像產生 | |
US20230298158A1 (en) | Apparatus and method for selecting high quality images from raw images automatically | |
WO2023117250A1 (en) | Method and apparatus to determine overlay | |
TWI830682B (zh) | 用於轉換度量衡資料之方法 | |
CN115398346A (zh) | 对准畸变图像 | |
TWI846094B (zh) | 圖案匹配方法 | |
TWI798861B (zh) | 用於產生解模糊模型及解模糊影像之設備及方法 | |
TWI844923B (zh) | 使用帶電粒子檢測系統之圖案化參數判定 | |
US20240212125A1 (en) | Patterning parameter determination using a charged particle inspection system | |
KR102690502B1 (ko) | 컴퓨테이션 기법 기반 정정 및 제어 | |
WO2023066657A1 (en) | Pattern matching method | |
JP2024522605A (ja) | 検査データフィルタリングのシステム及び方法 | |
WO2023165824A1 (en) | Image analysis based on adaptive weighting of template contours | |
TW202422411A (zh) | 用於產生消除雜訊模型之裝置及方法 |