TWI717737B - 評估微影製程中的元件缺陷之未知效應的方法與裝置 - Google Patents

評估微影製程中的元件缺陷之未知效應的方法與裝置 Download PDF

Info

Publication number
TWI717737B
TWI717737B TW108116926A TW108116926A TWI717737B TW I717737 B TWI717737 B TW I717737B TW 108116926 A TW108116926 A TW 108116926A TW 108116926 A TW108116926 A TW 108116926A TW I717737 B TWI717737 B TW I717737B
Authority
TW
Taiwan
Prior art keywords
image
design data
defects
item
machine learning
Prior art date
Application number
TW108116926A
Other languages
English (en)
Other versions
TW202012919A (zh
Inventor
亞歷安卓 法泰格
克里斯托夫 胡澤曼
德克 賽德爾
卡斯坦 舒密特
Original Assignee
德商卡爾蔡司Ｓｍｔ有限公司
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 德商卡爾蔡司Ｓｍｔ有限公司 filed Critical 德商卡爾蔡司Ｓｍｔ有限公司
Publication of TW202012919A publication Critical patent/TW202012919A/zh
Application granted granted Critical
Publication of TWI717737B publication Critical patent/TWI717737B/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
    • G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

本發明係關於一種判定微影製程中的元件(450)的缺陷(650、660)之至少一未知效應(250)的方法與裝置。該方法(1000)包含下列步驟：(a)針對一影像(600)、有關該影像(600)的設計資料(240)、及由該影像(600)產生的微影製程中的該元件(450)的該等缺陷(650、660)之至少一效應之間的關係，提供一機器學習模型(200、300)；(b)藉由用於訓練目的之大量影像(830)、有關用於訓練目的之該等影像(830)的設計資料(240)、及該等缺陷(650、660)之對應效應，訓練該機器學習模型(200、300)；及(c)藉由將該經訓練模型(200、300)應用於一經測量影像(600)及有關該經測量影像(600)的設計資料(240)，判定該等缺陷(650、660)之至少一未知效應。

Description

評估微影製程中的元件缺陷之未知效應的方法與裝置
本發明係關於一種評估微影製程中的元件缺陷之未知效應的方法與裝置。特別是，本發明係關於一種透過應用在影像、有關該影像的設計資料、及由該影像產生的該等缺陷之效應之間建立關係的機器學習(Machine Learning，ML)模型，針對微影製程中的一或多個元件評估缺陷之未知效應的方法與裝置。
由於半導體產業中的積體密度不斷增加，用於奈米壓印微影術的微影光罩或模板必須在晶圓上成像越來越小的結構。在半導體晶圓上以及因此在用於曝光該等晶圓的該等微影光罩、光罩或僅僅光罩上微型化結構方面的進步，對檢驗微影光罩、計量光罩、及分析光罩缺陷具有深遠效應。通常，光罩會憑藉測量光罩部位之潛像(aerial image)，並將該光罩部位之潛像與一參考潛像進行比較而加以分析。在熟習該項技藝者領域中，此流程稱為晶粒對晶粒(die-to-die)方法。可基於此比較確定該光罩部位缺陷之缺陷機率圖、缺陷圖、或缺陷效應圖。
光罩上該等結構之複雜性日益提高，例如透過更時常應用光學鄰近校正(Optical proximity correction，OPC)放大，可能導致光罩上某些 結構不再重複或僅偶爾重複(所謂單晶粒光罩)。因此，不再可能再藉助前述晶粒對晶粒方法並花費較長時間搜尋合適參考位置之後進行光罩品質評估(如缺陷檢驗或缺陷檢閱)，或只有在耗時更大的情況下才得以進行。
可在這情況下(但亦與其無關)使用的方法係該所謂的晶粒比對資料庫(die-to-database)方法，其中參考潛像藉助來自設計資料(例如來自佈局資料)的光學成像模擬(渲染(rendering))得到。其中參考影像從光罩之設計資料產生的方法，可不受到該前述問題影響。
借助於該模擬的光罩之參考潛像，可能事先以兩種方式產生。首先，參考潛像可借助於從頭開始(ab-initio)或嚴密模擬計算出。然而，生成用於分析缺陷及/或用於基於從頭開始模擬(其數值求解馬克士威方程式組)校正缺陷的參考潛像非常耗時，因此目前以及在不久的將來，很難在製造環境中實作。
其次，為了藉助模擬從設計資料產生參考潛像，可使用已知為「克希何夫模型」(Kirchhoff model)或「純量成像模型」(scalar imaging model)，假設該等二維光罩結構且該等自由傳播繞射波的簡化模型。基於該克希何夫模型模擬參考潛像比嚴密模擬更快速幾個數量級；然而，無法足夠準確成像所有的光罩效應。因此，藉助克希何夫模型生成的參考潛像之品質在許多情況下皆不足。
在新的進一步方法中，目前正在嘗試借助於機器學習(ML)模型解決對光罩進行品質評估方面的眾多挑戰。下列專利文獻為針對此流程而以示例性方式明確說明：WO 2017/087 653 A1、WO 2017/117 568 A1、WO 2017/120 253 A1、WO 2017/123 555 A1、WO 2017/123 561 A1、WO 2017/117 573 A1、WO 2017/123 555 A1及WO 2017/205 537 A1。
如前的解說，生成用於微影光罩的參考潛像為複雜程序，無論是透過測量還是藉助於模擬。
因此，本發明之目的之一在於明確說明一種在評估微影光罩 之品質時至少部分避免該等前述缺點的方法與裝置。
根據本發明之一態樣，此問題透過例如申請專利範圍第1項之方法解決。
一種判定微影製程中的元件缺陷之至少一未知效應的方法可包含下列步驟：(a)針對一影像、有關該影像的設計資料、及由該影像產生的微影製程中的該元件該等缺陷之至少一效應之間的關係，提供一機器學習模型；(b)藉由用於訓練目的之大量影像、有關用於訓練目的之該等影像的設計資料、及該等缺陷之對應效應，以訓練該機器學習模型；及(c)藉由將該經訓練機器學習模型應用於一經測量影像及有關該經測量影像的設計資料，以判定該等缺陷之至少一未知效應。
根據本發明的方法可避免複雜生成能夠評估微影光罩及/或晶圓之品質的參考影像。此外，根據本發明的方法將經測量影像與參考影像進行比較。
舉例來說，該機器學習模型或該ML模型之複雜訓練程序可針對生成該等潛像的指定光罩類型及某個光學測量系統一併執行。舉例來說，該訓練程序可在為了此目的而最佳配備的中心位置處執行。然後，用於不同光罩類型的該等經訓練ML模型可具有該光學測量或成像系統及製造環境中的設計資料。透過將該經訓練ML模型應用於經測量潛像，並透過提供該相關聯設計資料，然後可直接或在最小限度擬合(fitting)之後，判定該經測量潛像所代表該光罩之一部位中的該等缺陷之事先未知效應。
機器學習模型從經驗生成知識。機器學習模型可從學習或訓練階段中，以訓練或學習資料之形式提供給該模型的範例學習。使用此方式，該模型之內部變量(例如參數映射(parametric mapping)之參數)可由合適值占用，以能夠說明該訓練資料中的關係。因此，該ML模型在作為規則 的訓練階段中並非僅僅透過記憶牢記該訓練資料，而是識別該訓練資料中的模式及/或規則。該等所學習到關係之品質通常會基於驗證資料進行評估，以評估該經訓練模型對新資料(即在該訓練期間未知的資料)之通則性。若提供該相關聯設計資料，則經訓練ML模型可應用於微影製程中的元件，以預測該ML模型未知影像中缺陷之該等潛在效應。在完成該訓練階段之後，若提供該相關聯設計資料，則成功經訓練ML模型(即普遍良好的經訓練ML模型)因此能夠評估其未知資料(即未知影像)。
該影像可包含來自下列所組成群組的至少一要素：透過一光學測量系統記錄的影像、透過一掃描粒子顯微鏡記錄的影像，及透過一掃描探針顯微鏡記錄的影像。
一光學測量系統可包含一潛像量測系統(Aerial Image Metrology System，AIMSTM)、PROVE®、及/或WLCD工具。掃描粒子顯微鏡可包含一掃描電子顯微鏡(Scanning electron microscope，SEM)及/或一掃描離子顯微鏡。掃描探針顯微鏡可包含來自下列所組成群組的一要素：一掃描穿隧顯微鏡、一掃描力顯微鏡、一磁力顯微鏡、一近場掃描光學顯微鏡，及一掃描近場聲學顯微鏡。
應用根據本發明的方法不限於透過光學測量系統記錄的影像。而是，根據本發明的方法可用於透過不同成像模態(imaging modality)生成的影像。
該設計資料可包含來自下列所組成群組的至少一要素：佈局資料及電腦輔助設計(Computer-aided design，CAD)資料。該設計資料可以像素資料及/或多邊形(polygons)或多邊形鏈之形式取得。
該機器學習模型可包含一子符號(sub-symbolic)系統。
在符號系統之情況下，知識(即該訓練資料和該等所引致規則)被明確地表現。但在子符號系統中，則是在對該等所學習到解決方案路徑沒有詳細觀察的情況下，教導可計算行為以建立一模型。
該機器學習模型可包含來自下列所組成群組的至少一要素：一參數映射、一人工類神經網路(Artificial neural network，ANN)、一深度類神經網路(Deep neural network，DNN)、一時間延遲類神經網路、一卷積類神經網路(Convolutional neural network，CNN)、一遞迴類神經網路(Recurrent neural network，RNN)、一長短期記憶(Long short-term memory，LSTM)網路，及一生成(generative)模型。
辨察(discriminative)模型可從輸入資料生成輸出資料；生成模型可從輸入資料生成輸出資料，並可附加再生成該輸入資料。
該機器學習模型可包含：(a)至少一編碼器區塊，用於判定一影像之資訊攜帶特徵及有關該影像的設計資料；及(b)至少一解碼器區塊，用於從該等經判定資訊攜帶特徵生成該等缺陷之至少一效應。
此外，該機器學習模型可包含：(a)至少一編碼器層，用於判定一影像之資訊攜帶特徵及有關該影像的設計資料；及(b)至少一解碼器層，用於從該等經判定資訊攜帶特徵生成該等缺陷之至少一效應，其中該等缺陷之效應顯示該影像與一參考影像之疊置(overlay)概況。
該機器學習模型可包含至少2層、最好為10至1500層、更好為15至1000層，及更好為30至100層。
該機器學習模型之該等層可能實現各種參數化與非參數化函數。因此，人工類神經網路可包含兩或多個卷積層及兩或多個去卷積層。在本說明書，該等卷積濾波器之大小可能選擇為較大，尤其是針對少數卷積層，以能夠在該處理期間求助於足夠多的資料。此外，該人工類神經網路可包含兩或多個匯集(pooling)層及兩或多個去匯集層。而且，機器學習模型可含有用於實現複雜關係的兩或多個非線性活化函數(activation functions)，例如雙曲正切、S型、及/或分段線性函數。與其無關，機器學習模型可含有兩或多個可適性歸一化(adaptive normalization)層，例如批量(batch)歸一化。
根據本發明的方法可更包括下列步驟：將該機器學習模型之若干層擬合成潛像之所預定或所需求準確度。特別是，根據本發明的方法可包括下列步驟：將若干編碼器層及/或解碼器層擬合成影像之所預定準確度。
人工類神經網路(ANN)通常由複數個層之連結構成，所以實現例如將該等輸入順序變換為輸出。該網路之形狀結構(即該層數)、選擇每層之函數、該等層之每一者之該等參數或模型參數(例如濾波器核之數量和大小)，及該等個別層之間的該等連接，皆依要達成之目的而定選擇。在本說明書，該ANN之一層之該等輸出可提供為除後續層以外的輸入。
該微影製程中的該元件可包含來自下列所組成群組的至少一要素：一微影光罩、一用於奈米壓印技術的模板，及一晶圓。該微影光罩可包含一透射或反射光罩。
根據本發明的方法不限於判定微影光罩中缺陷之配置。而是，可亦用於分析來自奈米壓印技術和晶圓之領域的模板。
該等缺陷可包含來自下列所組成群組的至少一要素：該微影製程中的一或多個元件之一或多個圖案元件之設置誤差；該微影製程中的該元件之一或多個圖案元件之關鍵尺寸(Critical dimension)誤差；及該微影製程中的該元件之材料缺陷。
判定缺陷之至少一未知效應可包含對下列問題之一的至少一答案：該缺陷之效應是否低於所預定臨界值？該缺陷是否在晶圓上可見？在晶圓上可見的缺陷是否可校正？
透過該光學成像系統記錄的影像可包含一潛像，及/或該潛像可包含一潛像疊焦(focus stack)。
相同設計資料構成疊焦之各種潛像的基礎。預測微影製程中的元件缺陷之效應之精確度，可透過使用潛像疊焦(而非個別潛像)對該ML模型執行至少部分訓練而提高。為此目的所需ML模型可實現為例如共同 模型，其接收來自潛像疊焦或個別潛像的資料作為輸入。然而，亦可能使用經由例如共同參數值耦合的兩個單獨ML模型。
訓練該機器學習模型可包含：提供用於訓練目的之該等大量潛像及有關用於訓練目的之該等潛像的該等大量設計資料作為輸入資料，及提供對應於用於訓練目的之該等潛像的該等缺陷之該等大量效應作為用於該機器學習模型之輸出資料的比較資料。
本發明所申請內容之特點之一在於，同時在該訓練階段期間及在該使用階段期間，在每種情況下皆向該ML模型呈現來自兩個資料來源的資料，前述資料來源彼此具有連接。
用於訓練目的之該等潛像可包含經測量潛像及/或經模擬潛像。
根據本發明的方法之優勢之一在於，無需測量訓練目的所需所有該等潛像。
根據本發明的方法可更包括下列步驟：為了生成經模擬影像之目的，模擬該微影製程中的該元件之設計資料及/或經修改設計資料。此外，根據本發明的方法可包括下列步驟：為了生成經模擬潛像之目的，模擬微影光罩之設計資料及/或經修改設計資料。
訓練資料記錄應包含無缺陷的影像或潛像，即分別可用作參考影像和參考潛像的影像或潛像。然而，此外，訓練資料記錄應亦包含影像/潛像，其具有大量微影製程中的元件該等已知相關缺陷或光罩之情況下該等已知相關光罩缺陷。若用於訓練目的之該等影像/潛像已借助於模擬工具部分或整體產生，則構成該等經模擬影像/潛像的基礎的設計資料可能以該等經模擬影像/潛像展示該微影製程中的該元件該等已知相關缺陷(例如該等已知相關光罩缺陷)的方式改變或修改。
生成經模擬影像/潛像可包含來自下列所組成群組的至少一要素：透過數值求解馬克士威方程式組執行一嚴密模擬，其中該微影製程 中的該元件之設計資料及/或經修改設計資料用作輸入資料；借助於一克希何夫模型執行一模擬，其中該微影製程中的該元件之設計資料及/或經修改設計資料用作輸入資料；執行一基於粒子束的成像模擬，其中該微影製程中的該元件之設計資料及/或經修改設計資料用作輸入資料；及執行一基於掃描探針的成像模擬，其中該微影製程中的該元件之設計資料及/或經修改設計資料用作輸入資料。
訓練該機器學習模型可包含判定該機器學習模型之可學習參數。在卷積層之情況下，訓練該機器學習模型可包含判定該等濾波器光罩之加權。
在卷積與去卷積層之情況下，該等可學習參數通常係該等個別卷積層之該等濾波器光罩之該等加權。為了提高該模型複雜性，層之該等卷積結果經常另外以非線性方式變換。為此目的，如前所述，輸入藉助離散卷積確定的每個神經元皆借助於活化函數轉換為卷積層中的輸出，即例如透過應用S型函數(sig(t)=0.5．(1+tanh(t/2))或經整流線性單位(ReLU,f(x)=max(o,x))。串列(concatenation)複數個卷積層(每個皆包含一活化函數)允許複合模式同時針對感知目標及針對各種資料模態之間(例如設計資料與影像資料之間)的變換兩者，從該所提供資料學習到。
本申請案中所採用ML模型具有特點：該ML模型基於兩輸入資料記錄(具體而言影像和設計資料)預測輸出(具體而言微影製程中的元件至少一缺陷之至少一效應)。在第一具體實施例中，該等兩輸入資料記錄可串列(concatenated)形成單個輸入。在此具體實施例中，該ML模型之架構與慣用示例性具體實施例無異。
然而，在第二具體實施例中，該ML模型亦可能在用於結合於該ML模型內的該等兩影像和設計資料輸入的輸入側上，具有兩個單獨分支或輸入分支。此第二具體實施例促成單獨處理該等兩個輸入，以針對在該ML模型之一或多個共同層中的共同處理以針對性方式準備這兩個輸 入。該ML模型之該等兩個單獨輸入分支可能具有相同層數。然而，目前最好為將該ML模型之該等兩個輸入分支之該等層數擬合成該各自輸入資料之該等細節(specifics)。該等兩個單獨輸入分支之個別層可彼此連接。
ML模型之第二具體實施例，如前的解說，可以各種方式加以訓練：該等初始模型參數(I)可隨機選擇、(II)可從已執行相似目標的ML模型導入、及/或(III)可事先以非監督方式學習到。
關於(I)：若該等模型參數之該等初始數值隨機選擇，則相同隨機分佈或不同隨機分佈可針對該ML模型之該等兩個輸入分支選擇。
關於(II)：若具有與訓練中的ML模型之該等兩個輸入分支相同或相似架構的其他ML模型已使用，則其該等模型參數可用作該訓練階段的初始模型參數。因此，用於該訓練程序的該等模型參數之該等初始數值可針對該ML模型之該等兩個單獨輸入分支單獨設定。該ML模型之訓練程序可透過模組化判定該等初始模型參數簡化。
關於(III)：若該ML模型之該等兩個輸入分支具體實施為自動編碼器，即該等輸入分支之輸入資料可在其輸出再生成，例如若該等輸入分支以編碼器-解碼器架構之形式實現的情況，則從再生成該輸入資料判定的該等模型參數可用作該ML模型之起始參數。因此，經訓練該等兩個輸入分支之該等模型參數，通常有助於在該訓練階段中初始化該整個ML模型。
為了訓練該機器學習模型而供應缺陷之對應效應可更包含下列步驟：將用於訓練目的之一影像與用於生成對應於該影像的該等缺陷之至少一效應的一參考影像疊置(overlaying)。
提供為了訓練該機器學習模型的缺陷之對應效應可更包含下列步驟：透過下列方式判定一參考影像：成像該微影製程中的該元件之一實質上無缺陷區域，其具有相同於該經測量影像之區域的圖案元件，及/或模擬用於該微影製程中的該元件之經測量影像之區域的設計資料。提供 為了訓練該機器學習模型的缺陷之對應效應可更包含下列步驟：透過下列方式判定一參考潛像：成像該微影光罩中的一實質上無缺陷區域，其具有相同於該經測量潛像之區域的圖案元件，及/或模擬用於該微影光罩中的該經測量潛像之區域的設計資料。
將該影像與該參考影像疊置可包含：形成該影像與該參考影像之間的差異。此外，將該潛像與該參考潛像疊置可包含：形成該潛像與該參考潛像之間的差異。
形成該差異可包含來自下列所組成群組的至少一要素：判定一關鍵尺寸(CD)之偏差、判定一對比偏差，及判定一或多個圖案元件之一設置偏差。
通常，經測量影像(就像參考影像)會以二維像素配置之形式呈現。每個像素通常與某個位元深度相關聯，使得該位元深度可表示為灰階值梯級(steps)。例示缺陷之效應的差異影像，透過疊置參考潛像和潛像產生。
微影製程(例如光罩)中的元件缺陷之效應可在缺陷效應圖中擷取。缺陷效應圖說明經測量影像相對於參考影像之偏差之效應，如前的解說。舉例來說，該等可印出缺陷(即在該光罩或該光罩部位上的晶圓上可見的該等缺陷)之配置隨後可透過預定一或多個臨界值條件，直接從該缺陷效應圖確定。而且，除了該缺陷之該等所預測效應之外，該ML模型可加以訓練以另外預測可印出缺陷是否可校正。
該訓練可更包括下列步驟：將透過從用於訓練目的之影像訓練中的機器學習模型判定的該等缺陷之至少一效應，與對應於用於訓練目的之影像的該等缺陷之至少一效應進行比較。
訓練該機器學習模型可包含經監督學習。經監督學習在C.M,Bishop所著作的書籍名稱「模式識別與機器學習(Pattern Recognition and Machine Learning)」(Springer 2006，ISBN-10：0-387-31073-8)中說明。
訓練該機器學習模型可包含：(a)在一第一階段中，使用一第一數量的經模擬影像、有關具有該等缺陷之對應效應的該等經模擬影像的設計資料訓練該機器學習模型；及(b)在一第二階段中，使用一第二數量的經測量影像、有關具有該等缺陷之對應效應的該等經測量影像的設計資料訓練該機器學習模型，其中該第一階段在該第二階段之前執行。第一數量的經模擬影像可大於第二數量的經測量影像。第一數量的經模擬影像可10倍大於第二數量的經測量影像。
訓練該機器學習模型可更包含下列步驟：進行該等前述步驟(a)和(b)至少兩次。
測量該等大量影像(例如訓練該ML模型所需潛像等數千幅影像)可能很複雜。根據本發明的方法使得可在第一步驟中，基於經模擬影像和相關聯設計資料訓練該ML模型。經模擬影像可借助於模擬工具大量生成。在第二步驟中，事先藉助該等經模擬影像訓練的ML模型最後借助於有限數量的經測量影像準備供其使用。
一種可包含在透過電腦系統執行時提示該電腦系統執行以上所明確說明該等態樣之該等方法步驟的指令的電腦程式。
根據本發明之進一步態樣，以上所明確說明問題透過例如申請專利範圍第18項之裝置解決。
一種判定微影製程中的元件的缺陷之至少一未知效應的裝置可包含：(a)一提供構件，針對一影像、有關該影像的設計資料、及由該影像產生的該等缺陷之至少一效應之間的關係，提供一機器學習模型；(b)一訓練構件，藉由用於訓練目的之大量影像、有關用於訓練目的之該等影像的設計資料、及該等缺陷之對應效應，以訓練該機器學習模型；及(c)一判定構件，藉由將該經訓練機器學習模型應用於一經測量影像及有關該經測量影像的設計資料，以判定該等缺陷之至少一未知效應的構件。
該裝置可包含一用於該微影製程中的該元件之曝光系統；及 一放大透鏡，其具體實施成在一光偵測器上成像該微影製程中的該元件之一部位。該裝置可包含一AIMSTM工具。
200、300‧‧‧機器學習模型
210‧‧‧輸入層
220‧‧‧輸出層
230‧‧‧潛像
240‧‧‧設計資料
250‧‧‧效應
290、390、900‧‧‧圖式
310、315‧‧‧層
320、325、330、335、340、345、350、360‧‧‧層
370‧‧‧主要部分
375‧‧‧第一共同層
380‧‧‧第一輸入分支
385‧‧‧第二輸入分支
395‧‧‧輸出層
400‧‧‧電腦系統
410‧‧‧連接
420‧‧‧測量器材
430‧‧‧交互作用
450‧‧‧光罩
460‧‧‧介面
490‧‧‧裝置
500‧‧‧參考潛像；參考影像；經模擬影像
510、520、540‧‧‧條紋；條紋結構；圖案元件
530‧‧‧條紋；條紋結構；第三條紋；圖案元件
600‧‧‧影像；經測量影像；經測量潛像；經測量示 例性潛像；潛像
650‧‧‧缺陷
660‧‧‧缺陷
700‧‧‧缺陷效應圖
710‧‧‧部位
800‧‧‧機器學習模型
810‧‧‧部位
830‧‧‧影像；潛像
850、860‧‧‧缺陷
870‧‧‧雙頭箭頭
910、920、930、1010、1020、1030、1040、1050‧‧‧步驟
1000‧‧‧方法
下列實施方式參考附圖說明本發明之目前較佳示例性具體實施例，在該等圖式中：
圖1 示意性顯示目前時常所使用評估微影製程中的元件之品質的工作流程；
圖2 示意性顯示具有一輸入層、一輸出層、及該相關聯輸入資料和輸出資料的機器學習模型之範例；
圖3 示意性例示具有兩單獨輸入分支的機器學習模型之第二範例之剖面圖；
圖4 示意性顯示藉助可實現本申請案中所述方法的裝置之剖面圖；
圖5 示意性例示微影製程中的元件之一部位之參考潛像；
圖6 示意性顯示微影製程中的元件之一部位之潛像。
圖7 示意性呈現缺陷機率圖之一部位；
圖8 示意性闡明機器學習模型之訓練階段之訓練週期；
圖9 示意性顯示評估微影製程中的元件之品質的工作流程(在經訓練模型為此目的而使用時)，所述經訓練模型在經測量潛像與該相關聯設計資料之間建立關係，因此促成預測微影製程中的元件之缺陷分佈；及
圖10最後例示判定微影製程中的元件缺陷之未知配置的方法之流程圖。
根據本發明的方法及根據本發明的裝置之目前較佳具體實施例是基於判定微影光罩中缺陷之未知效應更詳細解說。然而，應用根據 本發明的方法及根據本發明的裝置不限於光罩。而是，前述裝置與方法可應用於微影製程中更多元件，例如可用於取代光罩的奈米壓印微影術中模板或模具。此外，根據本發明的方法及根據本發明的裝置可用於在處理晶圓期間評估其品質。一般來說，本申請案中所述方法可用於評估設計資料呈現且缺陷可成像的物件之品質。
圖1示意性顯示目前較佳所使用評估光罩之品質的工作流程。目前時常所使用確定微影光罩之缺陷效應圖的方法提供判定要在第一步驟中檢測的光罩區域之參考潛像。若光罩包含有圖案元件之相同配置的許多區域或部分面積、或至少其複數個區域或面積，則該光罩之無缺陷區域可選擇以記錄參考潛像。為了測量潛像之目的，因此亦為了測量參考潛像，可使用例如用於判定設置誤差的AIMSTM工具及/或PROVE®工具，或用於判定該關鍵尺寸(CD)的WLCD。
在半導體與微系統技術中，用於關鍵尺寸的術語「CD」表示測試結構中所定義的大小，其測量允許關於製程步驟之製造品質做出陳述。
若具有圖案元件之等同配置的區域或部分面積未在光罩上重複，或僅以很長的時間間隔重複，則前述用於判定參考潛像的方法(該所謂的晶粒對晶粒方法)無法使用，或只能在耗時更大的情況下使用，即在相對較長的時間搜尋合適參考位置之後。可為了產生參考潛像之目的而在這情況下(但亦與其無關)使用的方法係該所謂的晶粒對資料庫方法，其中參考潛像藉助來自設計資料(例如來自佈局資料)的光學成像模擬(渲染)得到。
光罩之理想參考潛像借助於從頭開始或嚴密模擬計算出。從頭開始模擬考慮該光學成像系統之照射輻射(即入射於該光罩上的該等電磁波)與該光罩之該等結構之光學交互作用(散射、繞射、吸收、反射)，及該後續基於馬克士威方程式組，以數值嚴密方式將該光罩上游或下游所透射及/或所反射電磁場傳播到光學分析系統之偵測器平面中。這意指馬克士威 方程式組藉由合適數值方法針對該等各自邊界條件在三個維度上求解。這代表特別挑戰，特別是針對結構或圖案由於光罩之該等不同材料而出現該三維照射輻射的該等光罩。
假設該等二維光罩結構且該等自由傳播繞射波的簡化模型稱為「克希何夫模型」或「純量成像模型」。基於該克希何夫模型模擬參考潛像更快速幾個數量級；然而，無法足夠準確成像所有光罩效應。
在判定參考潛像(透過模擬或透過測量無缺陷光罩部位)之後，光罩或一般來說微影製程中的元件之所要分析區域之潛像在第二步驟中進行測量。再者，如以上所明確說明，此測量可借助於例如該等前述工具之一者實施。
因此，例如該等各自圖案元件之該等位置或該CD資料是在第三步驟中從該等兩影像(即該經測量潛像和該參考潛像)擷取。
其後，缺陷效應圖透過比較從該等兩影像擷取的該等兩資料記錄，針對要檢測的區域或針對光罩之整個活性(active)表面在第四步驟中建立。在本說明書，比較擷取自該等兩影像的該等兩資料記錄可透過形成差異實施。
最後，必要時，該等缺陷(例如該等可顯影出缺陷)之該等效應可基於一或多個臨界值(圖1未例示)從該缺陷效應圖在該光罩之一部位中或在該整個光罩上方確定。
圖2中的圖式290示意性顯示機器學習模型200或ML模型200，其例示潛像230、有關潛像230的設計資料240、及從潛像230呈現的微影製程中的元件缺陷之一或多個效應250之間的關係。ML模型200可包含一人工類神經網路(ANN)。該ANN可包含一深度類神經網路。將機器學習模型200擬合成該所需預測準確度為宜。舉例來說，擬合ML模型200可透過適當選擇層數目實施。選擇性地或額外地，將ML模型200之函數說明擬合成要達成之目的(具體而言預測該等缺陷之一或多個效應250)或微 影光罩之缺陷效應圖250將會更具優勢。
ML模型200具有一輸入層210。輸入資料230、240在操作期間經由輸入層210提供給經訓練ML模型200。在本說明書所述應用中，操作期間的輸入資料230、240首先係經測量影像或潛像230，其次係有關經測量影像或潛像230的設計資料240。舉例來說，設計資料240可為光罩之佈局資料或電腦輔助設計(CAD)資料，並可能例如以像素資料之形式或例如作為多邊形或多邊形鏈呈現。若該設計資料可用作多邊形，則有必要將該等多邊形鏈轉換為像素資料。
此外，ML模型200具有經訓練機器學習模型200藉助在該輸出處提供其輸出資料250(具體而言缺陷效應圖250)的輸出層220。在圖2所例示範例中，這預測微影光罩或光罩之一部位中的一或多個缺陷之(該等)效應250。
圖3中的圖式390示意性顯示機器學習模型300，其架構具體而言擬合成要達成之目的。圖3之示例性ML模型300具有六個層310、320、330、340、350、360的一第一輸入分支380，其中第一層310構成藉助將潛像230提供給ML模型300的輸入層。ML模型300之第一輸入分支380之該等層310至360事先處理潛像230，使得第一輸入分支380之輸出可提供作為ML模型300之主要部分370之第一共同層375的輸入。
此外，在圖3中以示例性方式例示的ML模型300具有含有四個層315、325、335、345的第二輸入分支385。以類似於第一輸入分支380的方式，第二輸入分支385之第一層315具體實施為用來將設計資料240提供給ML模型300的輸入層。ML模型300之第二輸入分支385之該等層315至345處理設計資料240，使得第二輸入分支385之輸出可提供作為ML模型300之主要部分370之第一共同層375的輸入(平行於第一輸入分支380之輸入)。就像ML模型200，ML模型300經由主要部分370之輸出層395輸出其輸出資料250(具體而言缺陷效應圖250)。
在ML模型200、300可用於預測目的之前，必須使用盡可能全面性的資料記錄加以訓練。圖4示意性顯示透過可用於測量潛像230的裝置490的剖面圖。此外，裝置490可用於測量用作用於訓練ML模型200、300的訓練資料記錄之一部分的潛像。
裝置490包含一電腦系統400，其藉由一連接410連結到一測量器材420。連接410可以有線或無線方式具體實施。在圖4中所例示範例中，測量器材420藉助交互作用430檢測微影光罩450。光罩450可為透射或反射光罩。圖4之光罩450係微影製程中的元件450之範例。測量器材420可為成像測量器材420。舉例來說，測量器材420可為AIMSTM或AIMSTM EUV(即用於該極紫外光波長範圍的AIMS)。此外，測量器材420可包含一PROVE®工具及/或一WLCD工具。測量器材420可用於透過變化該焦平面生成潛像疊焦。因此，測量器材420促成測量光罩450之潛像疊焦。
除了藉助光子交互作用分析光罩450並生成潛像230的光學測量器材420之外，然而，測量器材420可亦借助於中性或帶電部分射束而與光罩450交互作用430，並可基於所反射及/或所透射中性及/或帶電粒子產生該樣本(即微影光罩450)之影像。測量器材420可包含一掃描電子顯微鏡，特別是若該微影製程中的該元件說明一晶圓(圖4中未顯示)。
然而，測量器材420可亦包含一掃描探針顯微鏡，其探測光罩450之表面，因此，生成光罩450或更普遍微影製程中的元件450之表面輪廓之影像(圖4未例示)。掃描探針顯微鏡可包含一掃描力顯微鏡，舉例來說。而且，測量器材420可包含一成像測量器材，及此外，一掃描探針顯微鏡，舉例來說。光罩450之三維影像可基於成像測量器材和掃描探針顯微鏡之測量資料生成。
電腦系統400藉由連接410以控制測量器材420。此外，電腦系統400藉由連接410接收測量器材420之測量資料。圖4之電腦系統 400可從測量器材420之測量資料生成潛像230。此外，在圖4中所例示範例中，電腦系統400包含ML模型200、300。電腦系統400設計成執行經訓練ML模型200、300。此外，電腦系統400構成以使其可實現訓練以下所述ML模型200、300。圖形處理器(Graphical processor unit，GPU)特別合適用於執行機器學習模型200、300。因此，若電腦系統400含有一或多個有能力的圖形處理器或另一目標最佳化電腦硬體則具優勢，例如谷歌(Google)的張力處理單元(Tensor processing unit，TPU)(圖4未例示)。
此外，電腦系統400包含一介面460。電腦系統400可經由介面460接收屬於光罩450的設計資料240或佈局資料240(透過測量器材420加以分析)。介面460可為企業內部網路(intranet)或網際網路(the Internet)的無線或有線通訊介面。此外，介面460可包含一資料媒體驅動裝置(drive)。
訓練圖2和圖3之該等ML模型200、300是基於下面圖5至圖8以示例性方式解說。ML模型200、300可借助於圖4之裝置490加以訓練。然而，為了執行訓練ML模型200、300之目的，亦可能將具體而言為此目的所設計電腦系統、輸入資料230、240、及所提供對應輸出資料提供給所述電腦系統。
圖5示意性顯示用於微影光罩450之一部位的參考潛像500之平面圖。以示例性方式在圖5所例示參考潛像500呈現具有四個條紋510、520、530、540的垂直條紋結構，其具有吸收微影光罩450之光化波長的材料。圖5中的參考潛像500之條紋結構實質上沒有缺陷。在本說明書，類似在本發明申請案之內容中，用語「實質上」(substantially)意指若使用根據用於該測量的先前技術的測量設備，則相對於所預定設計沒有可偵測改變的測量值。
舉例來說，圖5之參考潛像500可透過裝置490之測量器材420測量。為此目的，選擇光罩450上的位置，其包含在圖5中所再生成的 條紋結構510、520、530、540，且其已知為光罩450沒有缺陷的位置。
然而，若光罩450在要檢測的光罩450之區域附近沒有無缺陷條紋結構510、520、530、540，或是若參考潛像500中所再生成的條紋結構僅在光罩450上呈現一次，則參考潛像500可借助於模擬工具從對應於參考潛像500的光罩450之設計資料240生成。如前所解說，用於產生參考潛像500的模擬可基於藉由馬克士威方程式組針對透過參考潛像500再生成的光罩450之部位之數值解的設計資料240之嚴密或從頭開始模擬進行。執行嚴密模擬提供高度精確參考潛像500；然而，這通常係耗時程序。
因此基於所謂的「克希何夫模型」或「純量成像模型」實施參考潛像500可為替代例，此取決於參考潛像500所需準確度而定。相較於該嚴密模擬，此模擬程序無需顯著耗時。
圖6顯示用於如圖5中的光罩450之相同部位的光罩450之經測量潛像600。在圖6所例示範例中，條紋520具有缺失吸收體材料之缺陷650。而且，第三條紋530在經測量示例性潛像600中具有過量吸收材料之缺陷660。經測量潛像600可為訓練資料記錄之一部分。然而，經測量潛像600可亦為了預測該等缺陷650、660之效應250之目的，而與相關聯設計資料240一起輸入經訓練ML模型200、300中。最後，基於借助於模擬工具的經修改設計資料產生的訓練資料記錄之經模擬潛像，可非常相似於經測量潛像600。
圖7呈現缺陷效應圖700之特殊表現形式之一部位710。缺陷效應圖700之部位710藉由將參考潛像500與經測量潛像600進行比較形成。詳細來說，缺陷效應圖700之部位710可透過形成參考潛像500與經測量潛像600之間的差異形成。如前所解說，該差異影像基於參考潛像500和經測量潛像600之灰階值實施。由於該差異影像具有比參考潛像500和經測量潛像600較高的位元深度，因此缺失吸收體材料650和過量吸收體材料660之該等缺陷650、660可在缺陷效應圖700之部位710中區別出。 憑藉在整個光罩450上方或在光罩450之所有相關區域上方所判定出缺陷效應圖700之部位710，可針對微影光罩450或通常針對微影製程中的元件450產生缺陷效應圖700。缺陷效應圖700之部位710可併入用於ML模型200、300的訓練資料記錄中，作為該等缺陷650、660之對應效應。
對於在訓練程序中判定ML模型200、300之該等內部模型參數，取得足夠的一致性和代表性訓練資料很重要。圖8示意性顯示用於ML模型800的訓練週期之範例。在設計方面及就該函數特性分析而言，圖8之模型800相同於圖2和圖3之ML模型200、300。然而，不像ML模型200、300，ML模型800尚未加以訓練。在圖8所例示範例中，經測量潛像600和相關聯設計資料240作為該訓練順序之輸入資料提供給機器學習模型800之輸入層210。在其輸出層220處，訓練中的ML模型800從這些輸入資料預測具有該等缺陷850和860的缺陷效應圖之部位810。將該缺陷效應圖之部位810與圖7之缺陷效應圖700之部位710進行比較。在圖8中，該比較透過雙頭箭頭870表示。
有各種方法判定訓練階段期間ML模型800之該等模型參數，此取決於所選擇ML模型800而定。舉例來說，該「隨機梯度下降法」(stochastic gradient descent)迭代技術或對應變化例已針對可用於深度類神經網路形式的ML模型800建立。在此訓練方法中，該訓練資料(即用於訓練目的之潛像830，例如經測量潛像600和相關聯設計資料240)係對模型800重複呈現，即後者使用該等現有模型參數計算缺陷效應圖之部位810，並將所計算出部位810與缺陷效應圖700之經測量部位710進行比較。ML模型800之該等模型參數在該等兩部位710與810之間的偏差之情況下修改。通常，針對輸入資料記錄的訓練階段會在部位810已到達(局部)最佳時終止，意指該等部位710與810之間的該等偏差在所有成對的影像上方，或在所預定時間間隔已到期或所預定訓練步驟數量已進行之後幾乎不再改變。或者，ML模型800之訓練程序可在該驗證準確度在使用單獨驗證資料記錄而 顯著提高時完成，這表示ML模型800過度擬合(overfitting)。
模型800可採取兩個步驟加以訓練。在第一步驟中，形式為用於訓練目的之經模擬潛像的潛像830可與相關聯設計資料240一起提供給ML模型800之輸入層210。在第二步驟中，經測量潛像600後續與對應設計資料240一起提供給ML模型800作為用於訓練目的之潛像830。
在使用經訓練ML模型200、300之前，經訓練的ML模型200、300之預測能力可借助於驗證步驟加以分析。在驗證經訓練ML模型200、300時，預測經訓練ML模型200、300之精確度是基於獨立驗證資料記錄加以分析。
圖9之圖式900顯示若在該程序中使用經訓練ML模型200、300而非比較參考潛像500與經測量潛像600，用於評估微影製程中的元件450之品質的工作流程。最初，微影光罩450之潛像600在步驟910進行測量。因此，屬於經測量潛像600的設計資料240在步驟920提供給經訓練機器學習模型200、300。經訓練ML模型200、300基於經測量潛像600和相關聯設計資料240，在步驟930中直接確定潛像600之該等缺陷650、660之效應250。在圖9中所示工作流程避免判定參考潛像500。
最後，圖10之流程圖1000呈現判定微影製程中的元件450之缺陷650、660之至少一未知效應的方法之工作流程。該方法是從步驟1010開始。在步驟1020，針對潛像600、有關潛像600的設計資料240、及由潛像600產生的微影製程中的元件450之該等缺陷650、660之效應之間的關係，提供機器學習模型200、300。
在下一步驟1030，機器學習模型200、300使用用於訓練目的之大量潛像830、有關用於訓練目的之該等潛像830的設計資料240、及該等缺陷650、660之對應效應250加以訓練。
因此，在步驟1040，該等缺陷650、660之未知效應透過將經訓練ML模型200、300應用於經測量潛像600及有關經測量潛像600的 設計資料240判定。最後，該方法在步驟1050結束。
本說明書中所提及的特色、優點、或類似表達方式並不表示，可以本發明實現的所有特色及優點應在本發明之任何單一的具體實施例內。而是應明白，有關特色及優點的表達方式是指結合具體實施例所述的特定特色、優點、或特性係包含在本發明的至少一具體實施例內。因此，本說明書中對於特色及優點、及類似表達方式的論述與相同具體實施例有關，但亦非必要。
200‧‧‧機器學習模型；經訓練模型；ML模型；模型；經訓練ML模型；經訓練機器學習模型
210‧‧‧輸入層
220‧‧‧輸出層
230‧‧‧潛像
240‧‧‧設計資料
250‧‧‧效應
290‧‧‧圖式

Claims (19)

  1. 一種判定微影製程中的元件(450)的缺陷(650、660)之至少一未知效應(250)的方法(1000)，其中該方法(1000)包含下列步驟：a.針對一影像(600)、有關該影像(600)的設計資料(240)、及由該影像(600)產生的微影製程中的該元件(450)的該等缺陷(650、660)之至少一效應(250)之間的關係，提供一機器學習模型(200、300、800)；b.藉由用於訓練目的之大量影像(830)、有關用於訓練目的之該等影像(830)的設計資料(240)、及該等缺陷(650、660)之對應效應(250)，以訓練該機器學習模型(200、300、800)；及c.藉由將該經訓練機器學習模型(200、300、800)應用於一經測量影像(600)及有關該經測量影像(600)的設計資料(240)，以判定該等缺陷(650、660)之至少一未知效應(250)，其中該影像(600)包含透過一光學成像系統(420)記錄之影像；及其中透過該光學成像系統(420)記錄的影像(600)包含微影製程中的該元件(450)之一部分之一潛像，及/或其中該潛像包含一潛像疊焦。
  2. 如申請專利範圍第1項之方法(1000)，其中該影像(600)更包含來自下列所組成群組的至少一要素：透過一掃描粒子顯微鏡記錄的一影像，及透過一掃描探針顯微鏡記錄的一影像。
  3. 如申請專利範圍第1項或第2項之方法(1000)，其中該機器學習模型(200、300、800)包含來自下列所組成群組的至少一要素：一參數映射、一人工類神經網路、一深度類神經網路、一時間延遲類神經網路、一卷積類神經網路、一遞迴類神經網路、一長短期記憶網路、及/或一生成模型。
  4. 如申請專利範圍第1項或第2項之方法(1000)，其中該機器學習模型(200、300、800)包含：a.至少一編碼器區塊，用於判定一影像(600)之資訊攜帶特徵及有關該影像(600)的設計資料(240)；及b.至少一解碼器區塊，用於從該等經判定資訊攜帶特徵生成該等缺陷(650、660)之至少一效應(250)，其中該等缺陷(650、660)之至少一效應(250)顯示該影像(600)與一參考影像(500)之疊置概況。
  5. 如申請專利範圍第1項或第2項之方法(1000)，其中該等缺陷(650、660)包含來自下列所組成群組的至少一要素：該微影製程中的該元件(450)之一或多個圖案元件之設置誤差；該微影製程中的該元件(450)之一或多個圖案元件之關鍵尺寸誤差；及兩或多個微影光罩(450)之疊置誤差。
  6. 如申請專利範圍第1項或第2項之方法(1000)，其中訓練該機器學習模型(200、300、800)包含：提供用於訓練目的之該等複數個影像(600)及有關用於訓練目的之該等影像(600)的該等複數個設計資料(240)作為輸入資料，及提供對應於用於訓練目的之該等影像的該等缺陷(650、660)之該等複數個效應(250)作為用於該機器學習模型(200、300、800)之輸出資料的比較資料。
  7. 如申請專利範圍第1項或第2項之方法(1000)，其中用於訓練目的之影像(600)包含經測量影像(600)及/或經模擬影像。
  8. 如申請專利範圍第7項之方法(1000)，其更包括下列步驟：為了生成經模擬影像之目的，針對該微影製程而模擬該元件(450)之設 計資料(240)及/或經修改設計資料。
  9. 如申請專利範圍第8項之方法(1000)，其中生成經模擬影像包含來自下列所組成群組的至少一要素：透過數值求解馬克士威方程式組(Maxwell’s equations)執行一嚴密模擬，其中該微影製程中的該元件(450)之設計資料(240)及/或經修改設計資料用作輸入資料；借助於一克希何夫模型(Kirchhoff model)執行一模擬，其中該微影製程中的該元件(450)之設計資料(240)及/或經修改設計資料用作輸入資料；執行基於粒子束的成像模擬，其中該微影製程中的該元件(450)之設計資料(240)及/或經修改設計資料用作輸入資料；及執行一基於掃描探針的成像模擬，其中該微影製程中的該元件(450)之設計資料(240)及/或經修改設計資料用作輸入資料。
  10. 如申請專利範圍第1項之方法(1000)，其中提供為了訓練該機器學習模型(200、300、800)之目的之該等缺陷(650、660)之對應效應(250)更包含下列步驟：將用於訓練目的之一影像(600)與用於生成對應於該影像(600)的該等缺陷(650、660)之至少一效應(250)的一參考影像(500)疊置。
  11. 如申請專利範圍第1項之方法(1000)，其中提供為了訓練該機器學習模型(200、300、800)之目的之該等缺陷(650、660)之對應效應(250)更包含下列步驟：透過下列方式判定一參考影像(500)：成像該微影製程中的該元件(450)之一實質上無缺陷區域，其具有與該經測量影像(600)之區域相同的圖案元件(510、520、530、540)，及/或模擬用於該微影製程中的該元件(450)之經測量影像(600)之區域的設計資料(240)。
  12. 如申請專利範圍第10項或第11項之方法(1000)，其中將該影像(600)與該參考影像(500)疊置包含：形成該影像(600)與該參考影像(500)之間的差異。
  13. 如申請專利範圍第1項或第2項之方法(1000)，其中形成該差異包含來自下列所組成群組的至少一要素：判定一關鍵尺寸之偏差、判定一對比偏差、及判定一或多個圖案元件(510、520、530、540)之設置偏差。
  14. 如申請專利範圍第1項之方法(1000)，其中訓練該機器學習模型(200、300、800)包含：a.在一第一階段中，使用一第一數量的經模擬影像(500)、有關具有該等缺陷(650、660)之對應效應(250)的該等經模擬影像(500)的設計資料(240)，以訓練該機器學習模型(200、300、800)；及b.在一第二階段中，使用一第二數量的經測量影像(600)、有關具有該等缺陷(650、660)之對應效應(250)的該等經測量影像(600)的設計資料(240)，以訓練該機器學習模型(200、300、800)，其中該第一階段在該第二階段之前執行。
  15. 如申請專利範圍第14項之方法(1000)，其中該第一數量的經模擬影像大於該第二數量的經測量影像(600)。
  16. 如申請專利範圍第14項或第15項之方法(1000)，其中步驟a.和步驟b.執行至少兩次。
  17. 一種電腦程式，其包含指令在透過電腦系統執行時，提示該電腦系統執行申請專利範圍第1項至第16項其中之一之方法步驟。
  18. 一種用於判定微影製程中的元件(450)的缺陷(650、660)之至少一未知效應(250)的裝置(490)，其包含：a.一提供構件，用於針對一影像(600)、有關該影像(600)的設計資料(240)、及由該影像(600)產生的該等缺陷(650、660)之至少一效應(250)之間的關係，提供一機器學習模型(200、300、800)；b.一訓練構件，藉由用於訓練目的之大量影像(830)、有關用於訓練目的之該等影像(830)的設計資料(240)、及該等缺陷(650、660)之該等對應效應(250)，以訓練該機器學習模型(200、300)；及c.一判定構件，用於藉由將該經訓練機器學習模型(200、300、800)應用於一經測量影像(600)及有關該經測量影像(600)的設計資料(240)，以判定該等缺陷(650、660)之未知效應(250)，其中該影像(600)包含透過光學成像系統(420)記錄的影像，及其中透過該光學成像系統(420)記錄的影像(600)包含微影製程中的該元件(450)之一部分之一潛像，及/或其中該潛像包含一潛像疊焦。
  19. 如申請專利範圍第18項之裝置(490)，其中該裝置(490)包含一曝光系統，用於該微影製程中的該元件(450)；及一放大透鏡，其具體實施成在一光偵測器上成像該微影製程中的該元件(450)之一部位。
TW108116926A 2018-05-18 2019-05-16 評估微影製程中的元件缺陷之未知效應的方法與裝置 TWI717737B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018207880.7A DE102018207880A1 (de) 2018-05-18 2018-05-18 Verfahren und Vorrichtung zum Bewerten einer unbekannten Auswirkung von Defekten eines Elements eines Photolithographieprozesses
DE102018207880.7 2018-05-18

Publications (2)

Publication Number Publication Date
TW202012919A TW202012919A (zh) 2020-04-01
TWI717737B true TWI717737B (zh) 2021-02-01

Family

ID=66597594

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108116926A TWI717737B (zh) 2018-05-18 2019-05-16 評估微影製程中的元件缺陷之未知效應的方法與裝置

Country Status (7)

Country Link
US (2) US11774859B2 (zh)
JP (1) JP7100198B2 (zh)
KR (1) KR102533520B1 (zh)
CN (1) CN112189169B (zh)
DE (1) DE102018207880A1 (zh)
TW (1) TWI717737B (zh)
WO (1) WO2019219826A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11182929B2 (en) * 2019-02-25 2021-11-23 Center For Deep Learning In Electronics Manufacturing, Inc. Methods and systems for compressing shape data for electronic designs
DE102019117558B4 (de) * 2019-06-28 2022-08-18 Carl Zeiss Smt Gmbh Verfahren und Computerprogramm zum Bestimmen einer Qualität einer Maske einer Fotolithographie-Vorrichtung
DE102020112496A1 (de) 2020-05-08 2021-11-11 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zur Inspektion der Oberfläche eines optischen Elements
JP7494037B2 (ja) * 2020-07-15 2024-06-03 キヤノン株式会社 情報処理装置、判定方法、検査装置、成形装置、および物品の製造方法
CN112561873B (zh) * 2020-12-11 2022-11-25 上海集成电路装备材料产业创新中心有限公司 一种基于机器学习的cdsem图像虚拟测量方法
JP2022114331A (ja) * 2021-01-26 2022-08-05 日東電工株式会社 検査システム、検査方法及び検査プログラム
CN112686892A (zh) * 2021-03-10 2021-04-20 北京妃灵科技有限公司 手表成色智能评估方法、装置、设备和存储介质
CN112712524B (zh) * 2021-03-29 2022-06-21 北京妃灵科技有限公司 基于深度学习模型的箱包品质检测方法、装置及存储介质
CN113049607B (zh) * 2021-03-30 2024-04-26 上海华力微电子有限公司 监控特殊形貌颗粒缺陷的方法
DE102021123440A1 (de) * 2021-09-10 2023-03-16 Carl Zeiss Smt Gmbh Verfahren zum Teilchenstrahl-induzierten Bearbeiten eines Defekts einer Photomaske für die Mikrolithographie
DE102022125479A1 (de) * 2022-10-04 2024-04-04 Pva Tepla Analytical Systems Gmbh Verfahren zur automatisierten Defekt-Klassifikation bei akustischer Ultraschallmikroskopie, Softwareprogrammprodukt sowie Ultraschallmikroskop

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086081A1 (en) * 1998-09-17 2003-05-08 Applied Materials, Inc. Reticle design inspection system
WO2014186407A2 (en) * 2013-05-14 2014-11-20 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
TW201743141A (zh) * 2016-03-01 2017-12-16 Ａｓｍｌ荷蘭公司 用於判定圖案化製程參數的方法和設備
WO2018089459A1 (en) * 2016-11-10 2018-05-17 Kla-Tencor Corporation High sensitivity repeater defect detection

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0368845A (ja) * 1989-08-09 1991-03-25 Hitachi Ltd はんだ付け検査方法およびその装置
JP2004354251A (ja) * 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
US7379924B1 (en) * 2004-12-01 2008-05-27 Advanced Micro Devices, Inc. Quantifying and predicting the impact of line edge roughness on device reliability and performance
DE102011079382B4 (de) * 2011-07-19 2020-11-12 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Analysieren und zum Beseitigen eines Defekts einer EUV Maske
US9222895B2 (en) * 2013-02-25 2015-12-29 Kla-Tencor Corp. Generalized virtual inspector
KR101924487B1 (ko) * 2013-12-17 2018-12-03 에이에스엠엘 네델란즈 비.브이. 수율 추산 및 제어
US9087176B1 (en) * 2014-03-06 2015-07-21 Kla-Tencor Corporation Statistical overlay error prediction for feed forward and feedback correction of overlay errors, root cause analysis and process control
US10409165B2 (en) * 2014-12-15 2019-09-10 Asml Netherlands B.V. Optimization based on machine learning
JP2016145887A (ja) * 2015-02-06 2016-08-12 株式会社ニューフレアテクノロジー 検査装置および検査方法
JP6527808B2 (ja) 2015-10-27 2019-06-05 株式会社ニューフレアテクノロジー 検査方法および検査装置
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US9965901B2 (en) 2015-11-19 2018-05-08 KLA—Tencor Corp. Generating simulated images from design information
EP3398123A4 (en) * 2015-12-31 2019-08-28 KLA - Tencor Corporation ACCELERATED TRAINING OF A MODEL BASED ON AUTOMATIC LEARNING FOR SEMICONDUCTOR APPLICATIONS
US9916965B2 (en) 2015-12-31 2018-03-13 Kla-Tencor Corp. Hybrid inspectors
US10648924B2 (en) 2016-01-04 2020-05-12 Kla-Tencor Corp. Generating high resolution images from low resolution images for semiconductor applications
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
US11443083B2 (en) * 2016-05-12 2022-09-13 Asml Netherlands B.V. Identification of hot spots or defects by machine learning
US10395356B2 (en) 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US10282509B2 (en) * 2016-10-28 2019-05-07 Toshiba Memory Corporation Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030086081A1 (en) * 1998-09-17 2003-05-08 Applied Materials, Inc. Reticle design inspection system
WO2014186407A2 (en) * 2013-05-14 2014-11-20 Kla-Tencor Corporation Machine learning method and apparatus for inspecting reticles
TW201743141A (zh) * 2016-03-01 2017-12-16 Ａｓｍｌ荷蘭公司 用於判定圖案化製程參數的方法和設備
WO2018089459A1 (en) * 2016-11-10 2018-05-17 Kla-Tencor Corporation High sensitivity repeater defect detection

Also Published As

Publication number Publication date
JP7100198B2 (ja) 2022-07-12
KR20210013600A (ko) 2021-02-04
US11774859B2 (en) 2023-10-03
US20230408929A1 (en) 2023-12-21
CN112189169B (zh) 2023-06-06
JP2021523425A (ja) 2021-09-02
KR102533520B1 (ko) 2023-05-17
US20210073969A1 (en) 2021-03-11
CN112189169A (zh) 2021-01-05
WO2019219826A1 (en) 2019-11-21
DE102018207880A1 (de) 2019-11-21
TW202012919A (zh) 2020-04-01

Similar Documents

Publication Publication Date Title
TWI717737B (zh) 評估微影製程中的元件缺陷之未知效應的方法與裝置
CN108431937B (zh) 光学裸片对数据库检查
US11847570B2 (en) Deep learning for semantic segmentation of pattern
TWI713672B (zh) 為樣品產生模擬輸出之系統，非暫時性電腦可讀媒體及電腦實施方法
JP6893514B2 (ja) ハイブリッドインスペクタ
CN108475351B (zh) 用于训练基于机器学习的模型的***和计算机实施方法
JP6853273B2 (ja) ニューラルネットワークと順物理モデルを半導体用途に組み込んだシステムおよび方法
CN107454980B (zh) 光学裸片到数据库检验
TW201734825A (zh) 用於半導體應用之以機器學習之模型為基礎之加速訓練
TWI721298B (zh) 度量衡方法及相關之電腦程式產品
TW201945861A (zh) 訓練用於低解析度影像中之缺陷偵測之神經網路
KR102522444B1 (ko) 트레이닝된 뉴럴 네트워크 제공 및 물리적 시스템의 특성 결정
JP7236435B2 (ja) クリティカルディメンション測定用の検査ガイド付きクリティカルサイト選択