TW202147256A - 對準失真影像 - Google Patents

對準失真影像 Download PDF

Info

Publication number
TW202147256A
TW202147256A TW110112088A TW110112088A TW202147256A TW 202147256 A TW202147256 A TW 202147256A TW 110112088 A TW110112088 A TW 110112088A TW 110112088 A TW110112088 A TW 110112088A TW 202147256 A TW202147256 A TW 202147256A
Authority
TW
Taiwan
Prior art keywords
image
distorted
optimized
test
encoder
Prior art date
Application number
TW110112088A
Other languages
English (en)
Other versions
TWI801837B (zh
Inventor
柯恩 艾德瑞安納斯 凡斯庫瑞恩
史考特 安德森 米德雷布魯克斯
馬克辛 帕薩瑞可
Original Assignee
荷蘭商Ａｓｍｌ荷蘭公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 荷蘭商Ａｓｍｌ荷蘭公司 filed Critical 荷蘭商Ａｓｍｌ荷蘭公司
Publication of TW202147256A publication Critical patent/TW202147256A/zh
Application granted granted Critical
Publication of TWI801837B publication Critical patent/TWI801837B/zh

Links

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
    • G03F7/70491—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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/754—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries involving a deformation of the sample pattern or of the reference pattern; Elastic matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • G06T2207/10061—Microscopic image from scanning electron microscope
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Image Processing (AREA)
  • Diaphragms For Electromechanical Transducers (AREA)
  • Manufacture Or Reproduction Of Printing Formes (AREA)
  • Treatments For Attaching Organic Compounds To Fibrous Goods (AREA)

Abstract

一種用於判定一編碼器及解碼器網路之一最佳化權重的方法；該方法包含： 對於複數個測試權重中之每一者，藉由使用該測試權重操作之該編碼器及解碼器執行以下步驟： (a)     使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； (b)    使用該解碼器對該編碼進行解碼以形成指示該參考影像與一失真影像之間的一差異之一失真圖； (c)     藉由該失真圖在空間上變換該失真影像以獲得一對準影像； (d)    比較該對準影像與該參考影像以獲得一類似性量度；及 (e)     判定至少部分由該類似性量度界定之一損耗函數； 其中該最佳化權重經判定為具有一最佳化損耗函數之該測試權重。

Description

對準失真影像
本發明係關於用於判定編碼器-解碼器網路之操作且用於使用編碼器-解碼器網路對準失真影像的方法，尤其係用於使用微影設備進行裝置製造的方法。
微影設備為將所要圖案施加至基板上(通常施加至基板之目標部分上)之機器。微影設備可用於例如積體電路(IC)之製造中。在彼情況下，圖案化裝置(其替代地稱為遮罩或倍縮光罩)可用於產生待形成於IC之個別層上的電路圖案。此圖案可轉印至基板(例如，矽晶圓)上之目標部分(例如，包括晶粒之部分、一個晶粒或若干晶粒)上。通常經由成像至提供於基板上之輻射敏感材料(抗蝕劑)層上而進行圖案之轉印。大體而言，單個基板將包含經連續圖案化之鄰近目標部分的網路。
大多數半導體裝置需要待形成且轉印至基板上之複數個圖案層。為了使裝置正常運行，通常對邊緣定位之可容許誤差存在限制，該誤差以邊緣置放誤差或EPE形式量化。EPE可由於連續層之相對定位之誤差(稱為疊對)或由於特徵之尺寸(特定言之臨界尺寸或CD)之誤差而引起。隨著微影領域中持續不斷地需要減小可形成(縮小)之特徵之大小，對EPE之限制變得愈來愈嚴格。
疊對可由微影程序中之多種原因(例如基板在經投影影像中之曝光及像差期間之定位的誤差)引起。亦可在用以將圖案轉印至基板上之程序步驟(諸如蝕刻)期間引起疊對。一些此類程序步驟在基板內產生引起基板之局部或整體變形的應力。在基板上形成諸如最近開發之記憶體類型及MEMS所需之三維結構亦可引起基板之顯著變形。CD變化亦可源自包括劑量或聚焦誤差之多種原因。
本發明旨在實現例如用於微影裝置製造程序中之較準確度量衡。
根據一實施例，提供一種用於判定一編碼器及解碼器網路之一最佳化權重的方法；該方法包含： 對於複數個測試權重中之每一者，藉由使用該測試權重操作之該編碼器及解碼器執行以下步驟： (a)使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； (b)使用該解碼器對該編碼進行解碼以形成指示該參考影像與一失真影像之間的一差異之一失真圖； (c)藉由該失真圖在空間上變換該失真影像以獲得一對準影像； (d)比較該對準影像與該參考影像以獲得一類似性量度；及 (e)判定至少部分由該類似性量度界定之一損耗函數； 其中該最佳化權重經判定為具有一最佳化損耗函數之該測試權重。
根據一實施例，提供一種用於對準一失真影像之方法，該方法包含： 使用以根據上文方法判定的一最佳化權重操作之一編碼器-解碼器網路且執行以下各項： 使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； 使用該解碼器對該編碼進行解碼以形成一最佳化失真圖；及 使用該失真圖在空間上變換該失真影像以便獲得一對準影像。
根據一實施例，提供一種用於對準一失真影像之方法，該方法包含： 使用經訓練以自潛空間進行解碼以產生一失真圖的一經預訓練編碼器-解碼器網路，且針對複數個不同測試潛在向量中之每一者執行以下各項： 基於該測試潛在向量在空間上變換該失真影像以提供一測試對準影像； 比較該測試對準影像與一參考影像； 基於該對準影像與參考影像之該比較獲得一類似性量度； 判定對應於提供一最佳化類似性量度之該測試潛在向量的一最佳化潛在向量； 藉由用該經預訓練解碼器解碼該最佳化潛在向量來判定一最佳化失真圖；及 藉由該最佳化失真圖在空間上變換該失真影像以輸出一對準影像。
根據一實施例，提供一種檢測工具，其包含： 一成像系統，其經組態以使一半導體基板之一部分成像；及 一影像分析系統，其經組態以執行根據上文所描述方法中之任一者的用於對準一失真影像的方法。
根據一實施例，提供一種製造一半導體基板之方法，該方法包含以下步驟： 製造該半導體基板之至少部分； 執行根據上文所描述方法中之任一者的方法以用於對準一失真影像； 分析該對準影像以獲得該影像之一量度；及 比較該量度與一目標量度且在該量度並不滿足該目標量度時採取補救措施。
電子裝置由通常形成於稱為基板之矽塊上的電路構成，該基板可被稱為半導體基板。當然，任何其他合適材料可用於基板。許多電路可一起形成於同一矽塊上且被稱為積體電路或IC。此等電路之大小已顯著降低，使得電路中之許多電路可安裝於基板上。例如，在智慧型電話中，IC晶片可為拇指甲大小且又可包括超過20億個電晶體，每一電晶體之大小小於人類毛髮之1/1000。
製造此等極小IC為常常涉及數百個個別步驟之複雜、耗時且昂貴之程序。甚至一個步驟中之誤差亦有可能引起成品IC之缺陷，從而致使成品IC無用。因此，製造程序之一個目標為避免此類缺陷以最大化程序中所製得之功能性IC的數目，亦即改良程序之總良率。
改良良率之一個組成部分為監視晶片製造程序，以確保該晶片製造程序正生產充分數目個功能性積體電路。監視程序之一種方式為在電路結構形成之不同階段處檢測晶片電路結構。可使用掃描電子顯微鏡(SEM)、光學檢測系統等來進行檢測。此類系統可用以對此等結構成像，實際上，用能夠對此等結構中之最小者成像的SEM來拍攝晶圓之結構的「圖像」。影像可用以判定結構是否適當地形成於適當位置中。若結構係有缺陷的，則可調整程序，使得缺陷不大可能再現。
為了控制微影製造程序中之誤差，諸如不同層(稱為疊對)中之特徵的相對位置及特徵之大小(稱為CD變化)的誤差，有必要在可施加校正之前，諸如藉由使用掃描電子顯微鏡(SEM)、光學檢測系統等來量測誤差。當使用SEM或其他檢測系統時，通常獲得基板之影像，且根據該等影像量測基板上之特徵之大小。此允許對例如CD變化或EPE之判定。然而，由檢測系統(例如SEM)獲得之影像常常係失真的。例如，此類失真可包含視場(FOV)失真，其由於電子光學設計中之限制而產生(類似於例如光學系統中之枕形及桶形失真)，以及由於充電之效應(電子射束-樣本相互作用，從而導致例如射束彎曲)。由於失真，對基板上之特徵之量測可能並非完全準確，且因此失真會引入量測誤差。鑒於此類基板上之特徵之量測的較小容差，此類型之誤差並不合乎需要，且會引起對製造程序進行不必要或過於極端之改變。用於實現失真影像之對準的當前解決方案中之一者包括失真影像至參考影像之子像素對準。然而，此程序之計算成本極其高且因此不適於處理大量失真影像。
本文中所揭示之一些方法涉及使用經組態以產生失真圖之編碼器-解碼器網路，該失真圖可用以將失真影像變換成對準影像，其中至少部分地自對準影像移除了失真。可接著使用對準影像來執行量測且可增大量測之準確度。此可因此改良對晶片製造程序之監視。
本文中所揭示之方法包含判定編碼器-解碼器網路之權重，例如操作參數，使得編碼器-解碼器網路可將參考影像及失真影像作為輸入，並輸出表示失真影像與參考影像之間的失真之失真圖。此方法包含在一系列測試權重內進行反覆直至找出失真圖為止，該失真圖在施加至失真影像時傳回類似於參考影像之對準影像。此方法係基於已知對準影像應類似於參考影像。本文中揭示利用經預訓練編碼器-解碼器網路之另一方法，可藉由將複數個不同輸入失真圖編碼至潛空間中且對編碼進行解碼以獲得經解碼失真圖來訓練該網路。再次，為了使經解碼失真圖儘可能類似於輸入失真圖，可判定編碼器及解碼器之權重。一旦經訓練，在給出參考影像及失真影像的情況下，可找出參考影像與藉由數個不同潛在向量變換之失真影像之間的差異。一旦已判定最大類似性，可由經訓練解碼器解碼最佳潛在向量以傳回失真圖。接著可將此失真圖施加至失真影像以傳回對準影像。
在詳細描述實施例之前，呈現可實施本文中所揭示技術的實例環境為具指導性的。
圖1說明半導體生產設施之典型佈局。微影設備100將所要圖案施加至基板上。微影設備用於例如積體電路(IC)之製造中。在彼情況下，替代地稱為遮罩或倍縮光罩之圖案化裝置MA包含待形成於IC之個別層上之特徵(常常稱為「產品特徵」)的電路圖案。經由使圖案化裝置曝光104至提供於基板上之輻射敏感材料(抗蝕劑)層上，此圖案轉印至基板'W' (例如，矽晶圓)上之目標部分(例如，包含晶粒之部分、一個晶粒或若干晶粒)上。大體而言，單個基板將包含經連續圖案化之鄰近目標部分的網路。
已知微影設備藉由照明圖案化裝置，同時同步地將基板之目標部分定位於圖案化裝置之影像位置處而輻照每一目標部分。基板之經輻照目標部分稱為「曝光場」或僅稱為「場」。基板上之場的佈局通常為根據笛卡爾(Cartesian)二維座標系統對準(例如，沿著X軸及Y軸對準，兩軸彼此正交)之鄰近矩形或其他形狀的網路。
對微影設備之要求係將所要圖案準確地複製至基板上。所施加之產品特徵之位置及尺寸需要在一定容差內。位置誤差可引起疊對誤差(常常稱為「疊對」)。疊對為在相對於第二層內之第二產品特徵將第一產品特徵置放於第一層內時的誤差。微影設備藉由在圖案化之前將每一晶圓與參考物準確地對準來減小疊對誤差。此操作係藉由量測施加至基板之對準標記的位置來進行。基於對準量測，在圖案化程序期間控制基板位置，以便防止出現超出容差之疊對誤差。對準標記通常形成為產品影像之部分，從而形成量測疊對之參考物。替代地，可使用先前所形成層之對準標記。
產品特徵之臨界尺寸(CD)之誤差可在與曝光104相關聯之所施加劑量不在規格內時出現。出於此原因，微影設備100必須能夠準確地控制施加至基板之輻射的劑量。曝光104受整合至微影設備100中之量測工具102控制。CD誤差亦可在基板相對於與圖案影像相關聯之聚焦平面未正確地定位時出現。聚焦位置誤差通常與基板表面之非平坦度相關聯。微影設備藉由在圖案化之前使用位準感測器量測基板表面構形來減小此等聚焦位置誤差。在後續圖案化期間施加基板高度校正以確保圖案化裝置至基板上之正確成像(聚焦)。
為驗證與微影程序相關聯之疊對及CD誤差，由度量衡設備140檢測經圖案化基板。度量衡設備之常見實例為散射計及掃描電子顯微鏡。散射計習知地量測專用度量衡目標之特性。除了此等度量衡目標之尺寸通常較大以便允許準確量測之外，此等度量衡目標表示產品特徵。散射計藉由偵測與疊對度量衡目標相關聯之繞射圖案的不對稱性來量測疊對。藉由對與CD度量衡目標相關聯之繞射圖案進行分析來量測臨界尺寸。CD度量衡目標用於量測最近曝光之層的結果。疊對目標用於量測先前層與最近層之位置之間的差異。基於電子射束(e-beam)之檢測工具，諸如掃描電子顯微鏡(SEM)可較適於較小疊對及CD值之量測。
在半導體生產設施內，微影設備100及度量衡設備140形成「微影製造單元」或「微影叢集」之部分。微影叢集亦包含用於將感光抗蝕劑施加至基板W之塗佈設備108、烘烤設備110、用於將曝光圖案顯影成實體抗蝕劑圖案之顯影設備112、蝕刻站122、執行蝕刻後退火步驟之設備124以及可能的其他處理設備126等。度量衡設備140經組態以在顯影設備112處之顯影或在其他處理(例如，蝕刻站122處之蝕刻)之後檢測基板。微影製造單元內之各種設備受監督控制系統SCS控制，該SCS發佈控制信號166以經由微影設備控制單元LACU 106控制微影設備來執行配方R。SCS允許操作不同設備，從而得到最大產出率及產品良率。重要控制機制為度量衡設備140對各種設備(經由SCS)、尤其對微影設備100之回饋146。基於度量衡回饋之特性，判定校正動作以改良後續基板之處理品質。SCS可為可通信或可不通信之一個電腦或多個電腦。配方R可實施為一個配方或多個獨立配方。例如，用於諸如蝕刻之程序步驟的配方可完全獨立於用以檢測彼程序步驟(例如，蝕刻)之結果的配方。例如，用於個別步驟之兩個或更多個配方可為相關的，使得調整一個配方以考慮相同或不同基板上之另一配方的效能結果。
習知地藉由諸如描述於例如US2012008127A1中之進階程序控制(APC)之方法來控制及校正微影設備之效能。進階程序控制技術使用施加至基板之度量衡目標之量測。製造執行系統(MES)排程APC量測，且將量測結果傳達至資料處理單元。資料處理單元將量測資料之特性轉譯為包含用於微影設備之指令的配方。此方法對於抑制與微影設備相關聯之漂移現象極有效。
藉由處理設備執行之度量衡資料至校正性動作之處理對於半導體製造至關重要。除了度量衡資料之外，亦可需要個別圖案化裝置、基板、處理設備之特性及其他內容脈絡資料以進一步使製造程序最佳化。其中可用度量衡及內容脈絡資料整體上用以使微影程序最佳化之框架通常被稱為整體微影之部分。例如，與倍縮光罩上之CD誤差相關之內容脈絡資料可用以控制各種設備(微影設備、蝕刻站)，使得該等CD誤差將不會影響製造程序之良率。後續度量衡資料可接著用於驗證控制策略之有效性且可判定其他校正動作。
為了限定程序窗，用現有工具中之一或多者來執行單獨CD及疊對量測且將其合併成邊緣置放誤差(EPE)預算。常常，一個度量衡步驟可在顯影(ADI)之後執行，而另一度量衡步驟可在蝕刻步驟(AEI)之後執行，且校準兩個此類不同量測以得到等效結果存在固有困難。
EPE對確保半導體裝置適當工作極其重要，例如其可影響後段程序模組中是否存在充分電接觸。此使EPE量測對確保程序窗容納充分EPE預算及控制程序保留於窗內極有價值。
度量衡設備140可獲得半導體基板之影像以便檢測及獲得基板之量測。然而，如先前所提及，由度量衡設備獲得之影像可係失真的。圖2展示說明用於判定其中之缺陷的典型影像處理的流程圖，其包括用於解決影像失真問題之手段。在取得使用合適度量衡設備140 (其可包含SEM)獲得之影像的情況下，執行影像預處理步驟S1。影像預處理可例如包含任何數目個合適的預處理步驟。預處理可包含用於判定其中之缺陷的對基板之影像雜訊估計、影像聚焦指數計算、影像品質增強(EQE)。一旦已執行此預處理，在步驟S2中執行圖案處理。圖案處理可例如包含影像之全域對準。在全域對準之後，執行步驟S3中之局域對準。此局域對準可包含晶粒至晶粒(D2D)或晶粒至資料庫(D2DB)對準。此局域對準可校正諸如失真或充電之問題。在步驟S3中之對準之後，在步驟S4中執行預設偵測之最終步驟。在此步驟S4中，可執行缺陷偵測及分類。此可例如包含量測影像之特徵以算出CD或EPE。接著可比較此等CD及EPE與預定量度以判定基板上之缺陷的存在及範圍。
視場(FOV)失真及充電假影會影響場之不同部分中的結構之直接量測及比較，或在視場發生改變時影響不同影像之間的直接量測及比較。用於執行局域對準之先前技術包含在已執行全域對準步驟S2之後對小塊影像進行子像素對準。全域對準可例如在大約10 nm之數量級上。然而，用於局域對準之此方法在計算上係密集的。結果，為了執行此處理，需要昂貴的計算系統。此外，在使用SEM之度量衡設備的情況下，計算要求隨著所使用射束之數目而按比例縮放且很快就變得不可行。
本文中所揭示之一些方法旨在解決與局域對準相關聯之上文問題，且提供用於實現計算上較不密集之局域對準的替代機制。
可使用經組態以編碼至潛空間中且自潛空間解碼之編碼器-解碼器網路來執行失真影像對準。本文中揭示用於判定編碼器及解碼器網路之最佳化權重的方法；其可執行此目的。圖3之流程圖中說明此方法。圖3之流程圖的一些步驟亦示意性地描繪於圖4中。下文參考圖3及圖4兩者。該方法在步驟S101處起始。反覆進行步驟S102至S110以找出用於編碼器-解碼器網路之最佳化測試權重。在步驟102之第一反覆中，將網路之編碼器及解碼器設定為以初始測試權重進行操作。可使用多種方法選擇初始測試權重。例如，可將所有值設定成最大值、最小值或中間範圍值，隨機值或自該方法之先前使用獲得之值。步驟S103包含選擇參考影像及失真影像以供分析。在步驟S104中，使用編碼器將參考影像及失真影像編碼至潛空間中以形成編碼。在此步驟之後，執行步驟S105，其中由解碼器對該編碼進行解碼以形成指示參考影像與失真影像之間的差異之失真圖。一旦已形成失真圖，在步驟S106中藉由失真圖在空間上變換失真影像以獲得對準影像。
在獲得對準影像之情況下，在步驟S107中判定損耗函數。損耗函數至少部分由類似性量度界定，該類似性量度係藉由比較對準影像與參考影像而獲得。可藉由將參考影像及對準影像輸入至取決於影像之類似性而輸出值之鑑別器網路中來獲得損耗量度。例如，對於類似輸入，網路可輸出接近0的值，且對於顯著不同之輸入，輸出接近1的值。當然，可使用任何量度。
損耗函數亦可至少部分由平滑度量度來界定，平滑度量度係由失真圖之平滑度界定。因此，步驟S107中判定損耗函數之步驟可進一步包含判定失真圖之平滑度量度。此平滑度量度在圖4中示意性地展示為
Figure 02_image001
。平滑度量度可由失真圖的表示平滑度之任何合適量測來界定。在一實例中，平滑度量度至少部分由失真圖之空間梯度來界定。已知使用SEM獲得的半導體基板之影像顯示一階、二階且有時三階之失真。因此，藉由最佳化失真圖之平滑度，亦即最大化其平滑度，有可能設定編碼器-解碼器網路之權重，使得可產生適當失真圖。較高頻率失真可係由於失真影像之經量測幾何形狀在相比於參考影像時的實際差異(在自基板上之不同位置獲得失真影像及參考影像時)或係由於雜訊，且因此形成校正此等差異之失真圖可能並不合乎需要。此確保失真圖指示影像中之失真，而非參考影像與失真影像之間的其他差異。在一些情況下，預期對準影像可與參考影像具有一些差異，例如，在自基板上之不同地點獲得或自不同模態導出對準影像及參考影像(例如，比較SEM影像與遮罩影像、GDSII或模擬影像)時。
可僅使用單個參考影像及單個失真影像來執行該方法。然而，為了獲得較穩定且能夠較準確地對準失真影像之編碼器-解碼器網路，可針對參考影像與失真影像之數個不同組合重複該程序。因此，該方法可包括步驟S108，其涉及判定是否已分析所有適當影像組合。若情況並非如此，則對於每一測試權重，針對參考影像與失真影像之複數個不同組合重複步驟S103至S107。可利用參考影像與失真影像之任一組合。例如，複數個組合可包含至少一個參考影像與複數個不同失真影像之組合。可使用複數個不同參考影像。例如，複數個組合可包含複數個不同參考影像與複數個不同失真影像之組合。增大參考影像與失真影像之組合的數目可產生較佳的最佳化測試權重。
一旦已針對所有適當組合執行此等步驟，該方法可接著進行至步驟S109，其中給定測試權重之損耗函數係基於針對參考影像與失真影像之不同組合中之每一者所判定的損耗函數之組合。可以任何合適方式組合每一組合之損耗函數。例如，可將每一組合之損耗函數加總在一起以提供特定測試權重之總損耗函數。
在已針對特定測試權重進行上文方法的情況下，在步驟S110處判定是否已滿足終止條件。終止條件可為以下條件中之一或多者：已實現損耗函數之預定值；損耗函數相比於先前反覆之改良低於預定值；已找出損耗函數中之局部最小值；及已執行預定數目次反覆。若未滿足終止條件，則在步驟S113中調整測試權重，且該方法返回至步驟S102，並重複上文所描述程序，不同之處在於測試權重不同。在步驟S113中，以預測為最小化損耗函數之方式調整測試權重之值。在一實施例中，亦可添加隨機分量以防止最佳化常式限於局部最小值。
可因此根據以下等式判定損耗函數L ：
Figure 02_image003
(1)
其中w 為特定權重，Lsim 為類似性量度，Lsmooth 為平滑度量度，f 為參考影像，m 為失真影像且
Figure 02_image005
為失真圖。每一權重之損耗函數為每一影像組合i 之類似性量度與平滑度量度之總和。
一旦已對所有必要測試權重進行反覆，該方法進行至步驟S111，其中最佳化權重被判定為具有最佳化損耗函數之測試權重。接著將編碼器-解碼器網路之權重設定為最佳化權重且該方法在步驟S112處結束。
若對於特定測試權重或對於一組測試權重，損耗函數指示已找出最佳化權重，則無需對所有測試權重反覆進行上文所描述方法。例如，損耗函數可達到預設為指示最佳化權重之某一位準。類似地，複數個測試權重之損耗函數可指示存在最佳化權重，而無需執行其他反覆。例如，對於特定測試權重，損耗函數可最小化，且隨後對於其他測試權重，損耗函數增大。僅基於此資訊，有可能判定提供經最小化損耗函數之測試權重為最佳化權重，而無需進行其他測試權重之進一步反覆。
最佳化損耗函數可係取決於參考影像及對準影像，尤其係正被執行之對準類型。最佳化損耗函數可對應於對準影像與參考影像之間的最大類似性。
上文所描述方法可不受監督，且可能不必為每對參考及失真影像提供地面實況失真圖。此係有益的，因為其簡化了訓練此模型之程序，此係由於僅需要成對SEM影像而非失真圖。
上文所描述方法可利用自資料庫獲得之參考影像。可將來自資料庫之影像按比例擴大、像素化且變換成模擬影像，例如模擬SEM影像。
用於判定編碼器-解碼器網路之權重的上文所描述方法有效地提供了對用於編碼器-解碼器網路之權重的全域最佳化。儘管此最佳化權重判定之計算成本可相對較高，但其可在分析所關注之失真影像之前離線執行。此外，一旦經執行，其提供在判定用於給定對參考與失真影像之失真圖方面極其快速的編碼器-解碼器網路。該程序可比先前技術快若干數量級。其評估極其快速。共用權重w之使用確保了在相同真實失真下，所產生失真圖對於不同圖案係一致的。
上文所描述方法之另一優勢為在較大視場(相對於小塊)上判定最佳化權重具有經改良穩定性及準確度之額外優勢。此係因為考慮了所有相關資料，從而大大降低了例如雜訊及離散化誤差之影響。相比於雜訊/離散化誤差且甚至裝置特徵，實際失真在空間上相對極平滑。因此，當在較大範圍上‘擬合’此類失真並使用極多資料點時，相比於僅在較小範圍上局部判定失真之情況，所得‘擬合誤差’會平均化並大大降低。
上文所描述方法涉及設定編碼器-解碼器網路之權重。進一步揭示使用編碼器-解碼器網路來對準失真影像之方法，該方法利用其權重係根據上文所描述方法設定之編碼器-解碼器網路。在第一步驟中，該方法包含使用編碼器將參考影像及失真影像編碼至潛空間中以形成編碼。在此之後，執行使用解碼器對該編碼進行解碼以形成最佳化失真圖之步驟。接下來，執行使用失真圖在空間上變換失真影像以便獲得對準影像之步驟。除了並無權重最佳化及並不針對不同影像組合進行重複之外，此方法大體上對應於上文參考圖3及圖4所描述之方法。此等步驟對應於上文所描述步驟S104、S105、S106，其中編碼器-解碼器網路以最佳化測試權重操作。
上文所描述方法涉及對編碼器-解碼器網路進行訓練，且涉及使用此網路以將參考影像及失真影像編碼至潛空間中並輸出失真圖以變換失真影像。本文中亦揭示用於對準失真影像之另一方法。此另一方法說明於圖5中。該方法使用經訓練以自潛空間進行解碼以產生失真圖的經預訓練編碼器-解碼器網路。
該方法在步驟S201中起始。在起始之後，在步驟S202中基於測試潛在向量在空間上變換失真影像以提供測試對準影像。一旦已判定測試對準影像，在步驟S203中將測試對準影像與參考影像進行比較。在比較之後，在步驟S204中獲得類似性量度。類似性量度係基於對準影像與參考影像之比較。類似性量度之特定形式可取決於所執行比較的類型。在步驟S205處，判定是否已測試複數個測試潛在向量，且若否，則程序返回至步驟S202且重複步驟S202至S204。若在測試所有測試潛在向量之前判定了最佳類似性量度，則可能不必要分析所有測試潛在向量。
一旦已處理充分測試潛在向量，該方法行進至步驟S206，其包含判定最佳化潛在向量，最佳化潛在向量對應於產生類似性量度之最佳值的測試潛在向量。最佳化類似性量度可在程序開始之前經預設，例如，其可為低於某一位準之類似性量度，或其可為對應於與參考影像最類似之對準影像的類似性量度。在判定了最佳化潛在向量的情況下，在步驟S207中判定最佳化失真圖。此係藉由用經預訓練解碼器來解碼最佳化潛在向量而實現。在步驟S208中，藉由最佳化失真圖在空間上變換失真影像以輸出對準影像。該程序接著在步驟S209處結束。此方法有效地利用編碼至潛空間中之失真圖的分佈，以便判定用於給定對參考與失真影像之適當失真圖。藉由在潛空間中執行最佳化，最佳化問題之維數得以減小，因此使該程序之計算成本較低。經由在潛空間中執行最佳化，此可允許基於梯度之最佳化以高效地導引對最佳化潛在向量之搜尋。
此方法中之類似性量度可為指示參考影像與測試對準影像之間的類似性之任何合適量度。例如，可藉由對參考影像與測試對準影像之間的差求平方來判定上文步驟S204中獲得之類似性量度。在此情況下，類似性量度愈小，測試對準影像愈類似於參考影像。因此，在此情況下，最佳化潛在向量可對應於類似性量度經最小化之測試潛在向量。在對參考影像與對準影像之間的差求平方之情況下，用於找出最佳化潛在向量z * 的上文所描述程序在數學上描述於以下等式中：
Figure 02_image007
(2)
其中Rk 為潛在向量之k維實值空間，f 為參考影像，m 為失真影像且D ( z ) 為藉由使用經預訓練編碼器-解碼器網路解碼z 獲得的失真圖。如上文所描述，一旦找出了最佳化潛在向量
Figure 02_image009
(例如，使用梯度下降或類似演算法)，藉由經由解碼器之解正向傳遞來計算所估計失真圖。
可藉由任何合適手段來訓練上文所描述方法中使用的經預訓練編碼器-解碼器網路，使得其能夠以所需方式編碼及解碼影像。圖6為描繪用於訓練經預訓練編碼器-解碼器之例示性方法的流程圖。該訓練在步驟S301中起始。在起始之後，在步驟S302中設定編碼器-解碼器網路之權重。此權重判定了編碼器如何編碼至潛空間中及解碼器如何自潛空間進行解碼。在設定了權重的情況下，在步驟S303中將訓練影像編碼至潛空間中以形成訓練編碼。
接著在步驟S304中對訓練編碼進行解碼以形成經解碼影像。接著將經解碼影像與最初由編碼器編碼之訓練影像進行比較，以便獲得訓練類似性量度。在步驟S306中，判定權重是否已產生最佳化類似性量度。若情況並非如此，則程序返回至步驟S302並使用不同測試權重，且針對儘可能多的不同權重重複步驟S302至S306，直至實現最佳化類似性量度為止。一旦獲得了最佳化類似性量度，使用實現此最佳化類似性量度之權重來設定編碼器-解碼器網路之權重。此等步驟因此形成編碼器-編碼器網路之預訓練的部分。合意地，自動編碼器係變分的，在此情況下，其能夠針對單個輸入預測多個輸出。彼等多個輸出可視為來自分佈之樣本。若網路對於輸出係確定的，則所有輸出皆將極類似(具有低方差之分佈)。若網路對於輸出並不確定，則輸出將較不彼此類似(具有高方差之分佈)。因此，有可能判定由網路產生之預測的確定性。
訓練類似性量度可係基於經典的損耗函數，或使用鑑別器網路直接自資料習得的量度。鑑別器網路學習區分真實與虛假失真圖，藉此產生習得之類似性量度；藉由鑑別器預測之影像愈真實，其愈類似於地面實況(且反之亦然)。
用於訓練網路之訓練影像可包含失真圖。圖7展示說明上文所描述步驟S303及S304的示意圖。在圖7中所示之說明中，失真圖用於訓練編碼器-解碼器網路。如所示，在步驟S303中編碼器將失真圖編碼至潛空間中，且在步驟S304中解碼器對來自潛空間之編碼進行解碼。編碼器E ( x ) 將失真圖x ∈ Cn 轉換成較低維度之實值連續潛在向量z ∈ Rk (k
Figure 02_image011
n)，其中n 為失真圖之維數且k 為潛空間之維數。編碼器亦模型化此潛在向量之不確定性。解碼器D ( z ) 將連續潛在向量轉換回成輸入失真圖之複本x ' 。編碼器-解碼器網路之訓練目標為設定編碼器及解碼器之權重，使得解碼器可自潛空間進行解碼以獲得與最初由編碼器編碼之影像儘可能類似的影像。上文訓練程序中使用之失真圖可為經量測或模擬之失真圖。較大不確定性意謂網路對於特定失真圖之預測並不確信。可藉由將高不確定性失真圖之較多實例添加至訓練組中而使網路較確信，藉此導引訓練。此互動式訓練程序稱為主動學習。
編碼器-解碼器網路因此教示如何將失真圖編碼至低維潛空間中且在給出低維輸入向量z 的情況下，解碼器能夠產生新失真圖D ( z ) 。
在上文所描述方法中之任一者中，可藉由計算失真影像與最佳化失真圖之函數複合來獲得未失真影像。
在上文所論述實例中之任一者中，參考影像及失真影像可屬於半導體基板。在所論述實例中之任一者中，參考影像可包含合成影像。例如，參考影像可包含自資料庫顯現之影像，而非基板之實際影像。例如，合成影像可為來自用以製造基板之資料庫的影像。參考影像因此可為基板上之特徵的合成影像。
在上文所論述實例中之任一者中，可使用掃描電子顯微鏡(例如，電壓對比SEM或橫截面SEM)或透射電子顯微鏡(TEM)、散射計等來獲得參考影像及失真影像中之至少一者。
在用於基於失真影像及參考影像產生失真圖的上文所描述方法中之任一者中，由該等方法產生之失真圖可用作效能指示符。其可用作度量衡設備(例如，SEM)之效能的指示符。例如，在產生了指示異常大的失真程度之失真圖時，此可指示度量衡設備未適當運行。在此指示之後，可相應地調整度量衡設備以便較準確地執行。
本文中所揭示之技術可降低SEM程序之複雜度。
本文中所揭示之技術可用於控制迴路及晶圓配置之一系列量測。
雖然上文已描述特定技術，但將瞭解，可與所描述不同的其他方式來實踐本發明。
實施例可包括包含機器可讀指令之一或多個序列之電腦程式，該等機器可讀指令經組態以指示如圖1中所描繪之各種設備執行量測及最佳化步驟，且控制如上文所描述之後續曝光程序。例如，可在圖1之控制單元LACU或監督控制系統SCS或兩者之組合內執行此電腦程式。亦可提供其中儲存有此電腦程式之資料儲存媒體(例如，半導體記憶體，磁碟或光碟)。
儘管上文可已特定參考光學微影，但應瞭解，本文中所揭示之技術可用於其他應用中，例如壓印微影。在壓印微影中，圖案化裝置中之構形界定產生於基板上之圖案。可將圖案化裝置之構形壓入被供應至基板之抗蝕劑層中，在基板上，抗蝕劑係藉由施加電磁輻射、熱、壓力或其組合而固化。在抗蝕劑固化之後將圖案化裝置移出抗蝕劑，從而在其中留下圖案。
本文中所使用之術語「輻射」及「射束」涵蓋所有類型之電磁輻射，包括紫外線(UV)輻射(例如，具有為或約為365、355、248、193、157或126 nm之波長)及極紫外線(EUV)輻射(例如，具有在1至100 nm之範圍內之波長)，以及粒子射束，諸如離子射束或電子射束。可使用合適源在UV及EUV波長內進行散射計及其他檢測設備之實施，且本發明決不限於使用IR及可見光輻射之系統。
術語「透鏡」在內容脈絡允許的情況下可指各種類型之光學組件中之任一者或其組合，包括折射、反射、磁性、電磁及靜電光學組件。反射組件很可能用於在UV及/或EUV範圍內操作之設備中。
如本文中所使用，除非另外特定陳述，否則術語「或」涵蓋所有可能組合，除非不可行。例如，若陳述組件可包括A或B，則除非另外特定陳述或不可行，否則組件可包括A，或B，或A及B。作為第二實例，若陳述組件可包括A、B或C，則除非另外特定陳述或不可行，否則組件可包括A，或B，或C，或A及B，或A及C，或B及C，或A及B及C。
在以下編號條項中闡明本發明之態樣： 1.         一種用於判定一編碼器及解碼器網路之一最佳化權重的方法，該方法包含： 對於複數個測試權重中之每一者，藉由使用該測試權重操作之該編碼器及解碼器執行以下步驟： (a)        使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； (b)       使用該解碼器對該編碼進行解碼以形成指示該參考影像與一失真影像之間的一差異之一失真圖； (c)        藉由該失真圖在空間上變換該失真影像以獲得一對準影像； (d)       比較該對準影像與該參考影像以獲得一類似性量度；及 (e)        判定至少部分由該類似性量度界定之一損耗函數； 其中該最佳化權重經判定為具有一最佳化損耗函數之該測試權重。 2.         如條項1之方法，其中該最佳化損耗函數對應於該對準影像與該參考影像之間的一最大類似性。 3.         如條項1或2之方法，其中該損耗函數進一步至少部分由一平滑度量度界定，該平滑度量度係由該失真圖之平滑度界定。 4.         如條項3之方法，其中該平滑度量度至少部分由該失真圖之空間梯度界定。 5.         如條項1至4中任一項之方法，其中對於每一測試權重，針對參考影像與失真影像之複數個不同組合重複步驟(a)至(e)，且其中一給定測試權重之該損耗函數係基於針對參考影像與失真影像之該等不同組合中之每一者所判定的該等損耗函數之一組合。 6.         如條項5之方法，其中該複數個組合包含至少一個參考影像與複數個不同失真影像之組合。 7.         如條項5或6之方法，其中該複數個組合包含複數個不同參考影像與複數個不同失真影像之組合。 8.         一種用於對準一失真影像之方法，該方法包含： 使用以如條項1之方法判定的一最佳化權重操作之一編碼器-解碼器網路且執行以下各項： 使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； 使用該解碼器對該編碼進行解碼以形成一最佳化失真圖；及 使用該失真圖在空間上變換該失真影像以便獲得一對準影像。 9.         一種用於對準一失真影像之方法，該方法包含： 使用經訓練以自潛空間進行解碼以產生一失真圖的一經預訓練編碼器-解碼器網路，且針對複數個不同測試潛在向量中之每一者執行以下各項： (a)        基於各別測試潛在向量在空間上變換該失真影像以提供一測試對準影像； (b)       比較該測試對準影像與一參考影像； (c)        基於該對準影像與參考影像之該比較獲得一類似性量度； (d)       判定對應於提供一最佳化類似性量度之該測試潛在向量的一最佳化潛在向量； (e)        藉由用該經預訓練解碼器解碼該最佳化潛在向量來判定一最佳化失真圖；及 (f)        藉由該最佳化失真圖在空間上變換該失真影像以輸出一對準影像。 10.       如條項9之方法，其中類似性量度係藉由對該參考影像與該測試對準影像之間的差求平方來判定，且其中該最佳化潛在向量對應於該類似性量度經最小化之該測試潛在向量。 11.       如條項9或10之方法，其中藉由以下各項來訓練該經預訓練編碼器-解碼器網路： (a)        將訓練影像編碼至一潛空間中以形成訓練編碼； (b)       對該等訓練編碼進行解碼以形成經解碼影像； (c)        比較該等經解碼影像與該等訓練影像以獲得一訓練類似性量度； 且其中針對該編碼器-解碼器網路之不同權重重複步驟(a)至(c)，以找出該訓練類似性量度經最佳化之一最佳化權重。 12.       如條項1至11中任一項之方法，其中藉由該最佳化失真圖在空間上變換該失真影像包含判定該失真影像與該失真圖之點積。 13.       如條項1至12中任一項之方法，其中該參考影像及失真影像係屬於一半導體基板。 14.       如條項1至13中任一項之方法，其中使用一掃描電子顯微鏡獲得該參考影像及失真影像中之至少一者。 15.       如條項1至14中任一項之方法，其中該參考影像包含一合成影像(例如，自一資料庫獲得)。 16.       如條項1至15中任一項之方法，其中該等訓練影像包含失真圖。 17.       一種檢測工具，其包含： 一成像系統，其經組態以使一半導體基板之一部分成像；及 一影像分析系統，其經組態以執行如條項1至16中任一項之用於對準一失真影像的方法。 18.       一種製造一半導體基板之方法，該方法包含以下步驟： 製造該半導體基板之至少部分； 執行如條項1至16中任一項之方法； 分析該對準影像以獲得該影像之一量度；及 比較該量度與一目標量度且在該量度並不滿足該目標量度時採取補救措施。 19.       一種檢測工具，其包含： 一成像系統，其經組態以擷取一半導體基板之一部分的一影像；及 一影像分析系統，其經組態以藉由判定包含一編碼器及一解碼器之一網路的一最佳化權重來減少由該成像系統擷取之一影像中的失真，其中該影像分析系統經組態以： 對於複數個測試權重中之每一者，藉由使用該測試權重操作之該編碼器及解碼器執行以下步驟： 使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； 使用該解碼器對該編碼進行解碼以形成指示該參考影像與一失真影像之間的一差異之一失真圖； 藉由該失真圖在空間上變換該失真影像以獲得一對準影像； 比較該對準影像與該參考影像以獲得一類似性量度；及 判定至少部分由該類似性量度界定之一損耗函數； 其中該最佳化權重經判定為具有一最佳化損耗函數之該測試權重。 20.       如條項19之檢測工具，其中該最佳化損耗函數對應於該對準影像與該參考影像之間的一最大類似性。 21.       如條項19或20之檢測工具，其中該損耗函數進一步至少部分由一平滑度量度界定，該平滑度量度係由該失真圖之平滑度界定。 22.       如條項21之檢測工具，其中該平滑度量度至少部分由該失真圖之空間梯度界定。 23.       如條項19至22中任一項之檢測工具，其中對於每一測試權重，針對參考影像與失真影像之複數個不同組合重複步驟(a)至(e)，且其中一給定測試權重之該損耗函數係基於針對參考影像與失真影像之該等不同組合中之每一者所判定的該等損耗函數之一組合。 24.       如條項23之檢測工具，其中該複數個組合包含至少一個參考影像與複數個不同失真影像之組合。 25.       如條項23之檢測工具，其中該複數個組合包含複數個不同參考影像與複數個不同失真影像之組合。 26.       如條項19至25中任一項之檢測工具，其中該影像分析系統進一步經組態以： 以該最佳化權重使用該網路以： 使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； 使用該解碼器對該編碼進行解碼以形成一最佳化失真圖；及 使用該失真圖在空間上變換該失真影像以便獲得一對準影像。 27.       一種檢測工具，其包含： 一成像系統，其經組態以擷取一半導體基板之一部分的一影像；及 一影像分析系統，其經組態以使由該成像系統擷取之一失真影像對準，該影像分析系統包含一經預訓練編碼器-解碼器網路，該網路經訓練以自潛空間進行解碼以產生一失真圖且經組態以針對複數個不同測試潛在向量中之每一者執行以下各項： 基於該測試潛在向量在空間上變換該失真影像以提供一測試對準影像； 比較該測試對準影像與一參考影像； 基於該對準影像與參考影像之該比較獲得一類似性量度； 判定對應於提供一最佳化類似性量度之該測試潛在向量的一最佳化潛在向量； 藉由用該經預訓練解碼器解碼該最佳化潛在向量來判定一最佳化失真圖；及 藉由該最佳化失真圖在空間上變換該失真影像以輸出一對準影像。 28.       如條項27之檢測工具，其中該類似性量度係藉由對該參考影像與該測試對準影像之間的差求平方來判定，且其中該最佳化潛在向量對應於該類似性量度經最小化之該測試潛在向量。 29.       如條項27之檢測工具，其中藉由以下各項來訓練該經預訓練編碼器-解碼器網路： (a) 將訓練影像編碼至一潛空間中以形成訓練編碼； (b) 對該等訓練編碼進行解碼以形成經解碼影像； (c) 比較該等經解碼影像與該等訓練影像以獲得一訓練類似性量度； 且其中針對該編碼器-解碼器網路之不同權重重複步驟(a)至(c)，以找出該訓練類似性量度經最佳化之一最佳化權重。 30.       如條項19至29中任一項之檢測工具，其中藉由該最佳化失真圖在空間上變換該失真影像包含判定該失真影像與該失真圖之點積。 31.       如條項19至30中任一項之檢測工具，其中該參考影像及失真影像係屬於一半導體基板。 32.       如條項19至31中任一項之檢測工具，其中使用一掃描電子顯微鏡獲得該參考影像及失真影像中之至少一者。 33.       如條項19至32中任一項之檢測工具，其中該參考影像包含一合成影像(例如，自一資料庫獲得)。 34.       一種電腦程式(合意地體現於一非暫時性電腦可讀媒體中)，其包含程式碼，該程式碼在由一電腦系統執行時指示該電腦系統執行一判定一編碼器及解碼器網路之一最佳化權重的方法，該方法包含： 對於複數個測試權重中之每一者，藉由使用該測試權重操作之該編碼器及解碼器執行以下步驟： (a)        使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； (b)       使用該解碼器對該編碼進行解碼以形成指示該參考影像與一失真影像之間的一差異之一失真圖； (c)        藉由該失真圖在空間上變換該失真影像以獲得一對準影像； (d)       比較該對準影像與該參考影像以獲得一類似性量度；及 (e)        判定至少部分由該類似性量度界定之一損耗函數； 其中該最佳化權重經判定為具有一最佳化損耗函數之該測試權重。 35.       一種電腦程式(合意地體現於一非暫時性電腦可讀媒體中)，其包含程式碼，該程式碼在由一電腦系統執行時指示該電腦系統執行一用於對準一失真影像之方法，該方法包含： 使用經訓練以自潛空間進行解碼以產生一失真圖的一經預訓練編碼器-解碼器網路，且針對複數個不同測試潛在向量中之每一者執行以下各項： (a)        基於該測試潛在向量在空間上變換該失真影像以提供一測試對準影像； (b)       比較該測試對準影像與一參考影像； (c)        基於該對準影像與參考影像之該比較獲得一類似性量度； (d)       判定對應於提供一最佳化類似性量度之該測試潛在向量的一最佳化潛在向量； (e)        藉由用該經預訓練解碼器解碼該最佳化潛在向量來判定一最佳化失真圖；及 (f)        藉由該最佳化失真圖在空間上變換該失真影像以輸出一對準影像。 36.       一種用於對準一失真影像之方法，該方法包含： 使用以一最佳化權重操作之一編碼器-解碼器網路以執行以下各項： 使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； 使用該解碼器對該編碼進行解碼以形成一最佳化失真圖；及 使用該失真圖在空間上變換該失真影像以便獲得一對準影像。
在已描述本發明之實施例的情況下，應瞭解，對本發明之變化可能在本發明及隨附申請專利範圍以及其等效物之精神及範疇內。
100:微影設備 102:量測工具 104:曝光 106:微影設備控制單元LACU 108:塗佈設備 110:烘烤設備 112:顯影設備 122:蝕刻站 124:設備 126:其他處理設備 140:度量衡設備 146:回饋 166:控制信號 MA:圖案化裝置 R:配方 S1:影像預處理步驟 S2:步驟 S3:步驟 S4:步驟 S101:步驟 S102:步驟 S103:步驟 S104:步驟 S105:步驟 S106:步驟 S107:步驟 S108:步驟 S109:步驟 S110:步驟 S111:步驟 S112:步驟 S113:步驟 S201:步驟 S202:步驟 S203:步驟 S204:步驟 S205:步驟 S206:步驟 S207:步驟 S208:步驟 S209:步驟 S301:步驟 S302:步驟 S303:步驟 S304:步驟 S305:步驟 S306:步驟 S307:步驟 S309:步驟 SCS:監督控制系統 W:基板
現將參考附圖藉助於實例來描述實施例。
圖1描繪微影設備連同形成用於半導體裝置之生產設施的其他設備。
圖2描繪說明用於判定影像中之缺陷的方法的流程圖。
圖3描繪說明用於設定編碼器-解碼器網路之權重的方法的流程圖。
圖4為圖3中所示之方法在半導體基板之參考影像及失真影像之例示性情況下的示意性說明。
圖5描繪說明用於獲得對準影像之方法的流程圖。
圖6描繪說明用於訓練圖5之方法中所利用之類型的編碼器-解碼器網路的方法的流程圖。
圖7描繪根據圖6中所說明之方法訓練的編碼器-解碼器網路之說明。
S103:步驟
S104:步驟
S105:步驟
S106:步驟
S107:步驟

Claims (15)

  1. 一種檢測工具，其包含： 一成像系統，其經組態以擷取一半導體基板之一部分的一影像；及 一影像分析系統，其經組態以藉由判定包含一編碼器及一解碼器之一網路的一最佳化權重來減少由該成像系統擷取之一影像中的失真，其中該影像分析系統經組態以： 對於複數個測試權重中之每一者，藉由使用該測試權重操作之該編碼器及解碼器執行以下步驟： (f)    使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； (g)   使用該解碼器對該編碼進行解碼以形成指示該參考影像與一失真影像之間的一差異之一失真圖； (h)   藉由該失真圖在空間上變換該失真影像以獲得一對準影像； (i)    比較該對準影像與該參考影像以獲得一類似性量度；及 (j)    判定至少部分由該類似性量度界定之一損耗函數； 其中該最佳化權重經判定為具有一最佳化損耗函數之該測試權重。
  2. 如請求項1之檢測工具，其中該最佳化損耗函數對應於該對準影像與該參考影像之間的一最大類似性。
  3. 如請求項1之檢測工具，其中該損耗函數進一步至少部分由一平滑度量度界定，該平滑度量度係由該失真圖之平滑度界定。
  4. 如請求項3之檢測工具，其中該平滑度量度至少部分由該失真圖之空間梯度界定。
  5. 如請求項1之檢測工具，其中對於每一測試權重，針對參考影像與失真影像之複數個不同組合重複步驟(a)至(e)，且其中一給定測試權重之該損耗函數係基於針對參考影像與失真影像之該等不同組合中之每一者所判定的該等損耗函數之一組合。
  6. 如請求項5之檢測工具，其中該複數個組合包含至少一個參考影像與複數個不同失真影像之組合。
  7. 如請求項5之檢測工具，其中該複數個組合包含複數個不同參考影像與複數個不同失真影像之組合。
  8. 如請求項1之檢測工具，其中該影像分析系統進一步經組態以： 以該最佳化權重使用該網路以： 使用該編碼器將一參考影像及一失真影像編碼至一潛空間中以形成一編碼； 使用該解碼器對該編碼進行解碼以形成一最佳化失真圖；及 使用該失真圖在空間上變換該失真影像以便獲得一對準影像。
  9. 一種檢測工具，其包含： 一成像系統，其經組態以擷取一半導體基板之一部分的一影像；及 一影像分析系統，其經組態以使由該成像系統擷取之一失真影像對準，該影像分析系統包含一經預訓練編碼器-解碼器網路，該網路經訓練以自潛空間進行解碼以產生一失真圖且經組態以針對複數個不同測試潛在向量中之每一者執行以下各項： 基於各別測試潛在向量在空間上變換該失真影像以提供一測試對準影像； 比較該測試對準影像與一參考影像； 基於該對準影像與參考影像之該比較獲得一類似性量度； 判定對應於提供一最佳化類似性量度之該測試潛在向量的一最佳化潛在向量； 藉由用該經預訓練解碼器解碼該最佳化潛在向量來判定一最佳化失真圖；及 藉由該最佳化失真圖在空間上變換該失真影像以輸出一對準影像。
  10. 如請求項9之檢測工具，其中該類似性量度係藉由對該參考影像與該測試對準影像之間的差求平方來判定，且其中該最佳化潛在向量對應於該類似性量度經最小化之該測試潛在向量。
  11. 如請求項9之檢測工具，其中藉由以下各項來訓練該經預訓練編碼器-解碼器網路： (a)        將訓練影像編碼至一潛空間中以形成訓練編碼； (b)       對該等訓練編碼進行解碼以形成經解碼影像； (c)        比較該等經解碼影像與該等訓練影像以獲得一訓練類似性量度； 且其中針對該編碼器-解碼器網路之不同權重重複步驟(a)至(c)，以找出該訓練類似性量度經最佳化之一最佳化權重。
  12. 如請求項9之檢測工具，其中藉由該最佳化失真圖在空間上變換該失真影像包含判定該失真影像與該失真圖之點積。
  13. 如請求項9之檢測工具，其中該參考影像及失真影像係屬於一半導體基板。
  14. 如請求項9之檢測工具，其中使用一掃描電子顯微鏡獲得該參考影像及失真影像中之至少一者。
  15. 如請求項9之檢測工具，其中該參考影像包含一合成影像。
TW110112088A 2020-04-10 2021-04-01 對準失真影像 TWI801837B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP20169199.5A EP3893057A1 (en) 2020-04-10 2020-04-10 Aligning a distorted image
EP20169199.5 2020-04-10

Publications (2)

Publication Number Publication Date
TW202147256A true TW202147256A (zh) 2021-12-16
TWI801837B TWI801837B (zh) 2023-05-11

Family

ID=70285585

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110112088A TWI801837B (zh) 2020-04-10 2021-04-01 對準失真影像

Country Status (5)

Country Link
US (1) US20230036630A1 (zh)
EP (1) EP3893057A1 (zh)
CN (1) CN115398346A (zh)
TW (1) TWI801837B (zh)
WO (1) WO2021204638A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023237272A1 (en) * 2022-06-07 2023-12-14 Asml Netherlands B.V. Method and system for reducing charging artifact in inspection image

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9177219B2 (en) 2010-07-09 2015-11-03 Asml Netherlands B.V. Method of calibrating a lithographic apparatus, device manufacturing method and associated data processing apparatus and computer program product
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
CN106548210B (zh) * 2016-10-31 2021-02-05 腾讯科技（深圳）有限公司 基于机器学习模型训练的信贷用户分类方法及装置
US10395362B2 (en) * 2017-04-07 2019-08-27 Kla-Tencor Corp. Contour based defect detection
US10733744B2 (en) * 2017-05-11 2020-08-04 Kla-Tencor Corp. Learning based approach for aligning images acquired with different modalities
US10572991B2 (en) * 2017-11-07 2020-02-25 Kla-Tencor Corporation System and method for aligning semiconductor device reference images and test images
US10529534B2 (en) * 2018-01-05 2020-01-07 Kla-Tencor Corporation Compensating for scanning electron microscope beam distortion-induced metrology error using design
US10692203B2 (en) * 2018-02-19 2020-06-23 International Business Machines Corporation Measuring defectivity by equipping model-less scatterometry with cognitive machine learning
KR20210010897A (ko) * 2018-06-15 2021-01-28 에이에스엠엘 네델란즈 비.브이. 기계 학습 기반 역 광 근접 보정 및 공정 모델 캘리브레이션
EP3594750A1 (en) * 2018-07-10 2020-01-15 ASML Netherlands B.V. Hidden defect detection and epe estimation based on the extracted 3d information from e-beam images

Also Published As

Publication number Publication date
CN115398346A (zh) 2022-11-25
US20230036630A1 (en) 2023-02-02
WO2021204638A1 (en) 2021-10-14
EP3893057A1 (en) 2021-10-13
TWI801837B (zh) 2023-05-11

Similar Documents

Publication Publication Date Title
US11847570B2 (en) Deep learning for semantic segmentation of pattern
KR102349124B1 (ko) 측정 방법 및 장치
TWI669750B (zh) 用於影像分析之方法及設備
CN111512235B (zh) 基于计算量测的校正和控制
KR101723688B1 (ko) 마이크로 브리징 및 러프니스 분석
TWI682473B (zh) 處理參數之間接判定
TWI776447B (zh) 自影像移除假影
CN112602020A (zh) 利用机器学***均扫描电镜图像
TW202134796A (zh) 基於機器學習的影像產生以用於模型基礎對準
CN116685909A (zh) 显影后或蚀刻后图像的基于机器学习的图像生成
US20230036630A1 (en) Aligning a distorted image
KR20210037696A (ko) 매칭 퓨필 결정
EP4123583A1 (en) Aligning a distorted image
US20240233305A1 (en) Aligning a distorted image
TWI814571B (zh) 用於轉換度量衡資料之方法
EP4113210A1 (en) A method of monitoring a measurement recipe and associated metrology methods and apparatuses
WO2023156143A1 (en) Methods of metrology
WO2024046691A1 (en) Method for configuring a field of view of an inspection apparatus
WO2023131476A1 (en) Method and computer program for grouping pattern features of a substantially irregular pattern layout