TWI745863B - 訓練機器學習模型以判定光罩的光學接近校正的方法及相關聯電腦程式產品 - Google Patents
訓練機器學習模型以判定光罩的光學接近校正的方法及相關聯電腦程式產品 Download PDFInfo
- Publication number
- TWI745863B TWI745863B TW109104469A TW109104469A TWI745863B TW I745863 B TWI745863 B TW I745863B TW 109104469 A TW109104469 A TW 109104469A TW 109104469 A TW109104469 A TW 109104469A TW I745863 B TWI745863 B TW I745863B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- opc
- design layout
- difference
- machine learning
- Prior art date
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
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- 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
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- 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
- G03F7/70058—Mask illumination systems
- G03F7/70125—Use of illumination settings tailored to particular mask 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
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
本文描述訓練方法及一種光罩校正方法。該等方法中之一者係針對訓練經組態以預測用於一光罩之一後光學接近校正(OPC)影像之一機器學習模型。該方法涉及:獲得(i)與待印刷於一基板上之一設計佈局相關聯的一預OPC影像;(ii)與該設計佈局相關聯的該光罩之一或多個輔助特徵之一影像;及(iii)該設計佈局之一參考後OPC影像;及將該預OPC影像及該一或多個輔助特徵之該影像用作輸入來訓練該機器學習模型,使得縮減該參考影像與該機器學習模型之一經預測後OPC影像之間的一差異。
Description
本文中之描述係關於微影裝置及程序,且更特定言之用於判定圖案化程序之校正之方法。
微影投影裝置可用於(例如)積體電路(IC)之製造中。在此狀況下,圖案化器件(例如,光罩)可含有或提供對應於IC之個別層之電路圖案(「設計佈局」),且可藉由諸如經由圖案化器件上之電路圖案而輻照已被塗佈有輻射敏感材料(「抗蝕劑」)層之基板(例如,矽晶圓)上之目標部分(例如,包含一或多個晶粒)的方法將此電路圖案轉印至該目標部分上。大體而言,單一基板含有複數個鄰近目標部分,電路圖案係由微影投影裝置順次地轉印至該複數個鄰近目標部分,一次一個目標部分。在一種類型之微影投影裝置中,將整個圖案化器件上之電路圖案一次性轉印至一個目標部分上;此裝置通常被稱作晶圓步進器(wafer stepper)。在通常被稱作步進掃描裝置(step-and-scan apparatus)之替代裝置中,投影光束在給定參考方向(「掃描」方向)上遍及圖案化器件進行掃描,同時平行或反平行
於此參考方向而同步地移動基板。將圖案化器件上之電路圖案之不同部分漸進地轉印至一個目標部分。大體而言,因為微影投影裝置將具有放大因數M(通常<1),所以基板被移動之速度F將為投影光束掃描圖案化器件之速度的因數M倍。可例如自以引用方式併入本文中之US 6,046,792搜集到關於如本文中所描述之微影裝置的更多資訊。
在將電路圖案自圖案化器件轉印至基板之前,基板可經歷各種工序,諸如,上底漆、抗蝕劑塗佈及軟烘烤。在曝光之後,基板可經受其他工序,諸如,曝光後烘烤(PEB)、顯影、硬烘烤,及經轉印電路圖案之量測/檢測。此工序陣列係用作製造一器件(例如IC)之個別層的基礎。基板接著可經歷各種程序,諸如,蝕刻、離子植入(摻雜)、金屬化、氧化、化學-機械拋光等等,該等程序皆意欲精整器件之個別層。若在器件中需要若干層,則針對每一層來重複整個工序或其變體。最終,在基板上之每一目標部分中將存在一器件。接著藉由諸如切塊或鋸切之技術來使此等器件彼此分離,據此,可將個別器件安裝於載體上、連接至銷釘,等等。
如所提及,微影蝕刻術(microlithography)為在IC之製造時的中心步驟,其中形成於基板上之圖案界定IC之功能元件,諸如,微處理器、記憶體晶片等。相似微影技術亦用於形成平板顯示器、微機電系統(MEMS)及其他器件。
隨著半導體製造程序繼續進步,幾十年來,功能元件之尺寸已不斷地縮減,而每器件的諸如電晶體之功能元件之量已在穩固地增加,此遵循通常被稱作「莫耳定律(Moore's law)」之趨勢。在目前先進技術下,使用微影投影裝置來製造器件之層,該等微影投影裝置使用來自深
紫外線照明源之照明將設計佈局投影至基板上,從而產生尺寸充分地低於100奈米、亦即小於來自照明源(例如193奈米照明源)之輻射之波長之一半的個別功能元件。
供印刷尺寸小於微影投影裝置之經典解析度極限之特徵的此程序根據解析度公式CD=k1×λ/NA而通常被稱為低k1微影,其中λ為所使用輻射之波長(當前在大多數狀況下為248奈米或193奈米),NA為微影投影裝置中之投影光學件之數值孔徑,CD為「臨界尺寸」(通常為所印刷之最小特徵大小),且k1為經驗解析度因數。大體而言,k1愈小,則在基板上再生類似於由電路設計者規劃之形狀及尺寸以便達成特定電功能性及效能的圖案變得愈困難。為了克服此等困難,將複雜微調步驟應用至微影投影裝置及/或設計佈局。此等步驟包括(例如但不限於)NA及光學相干設定之最佳化、自訂照明方案、相移圖案化器件之使用、設計佈局中之光學接近校正(OPC,有時亦被稱作「光學及程序校正」),或通常被定義為「解析度增強技術」(RET)之其他方法。如本文中所使用之術語「投影光學件」應被廣泛地解譯為涵蓋各種類型之光學系統,包括(例如)折射光學件、反射光學件、孔隙及反射折射光學件。術語「投影光學件」亦可包括用於集體地或單個地導向、塑形或控制投影輻射光束的根據此等設計類型中之任一者而操作之組件。術語「投影光學件」可包括微影投影裝置中之任何光學組件,而不論光學組件位於微影投影裝置之光學路徑上之何處。投影光學件可包括用於在來自源之輻射通過圖案化器件之前塑形、調整及/或投影該輻射的光學組件,及/或用於在輻射通過圖案化器件之後塑形、調整及/或投影該輻射的光學組件。投影光學件通常排除源及圖案化器件。
在一實施例中,提供一種訓練經組態以預測用於一光罩之一後光學接近校正(OPC)影像之一機器學習模型的方法。該方法涉及:獲得(i)與待印刷於一基板上之一設計佈局相關聯的一預OPC影像;(ii)與該設計佈局相關聯的該光罩之一或多個輔助特徵之一影像;及(iii)該設計佈局之一參考後OPC影像;及將該預OPC影像及該一或多個輔助特徵之該影像用作輸入來訓練該機器學習模型,使得縮減該參考影像與該機器學習模型之一經預測後OPC影像之間的一差異。
此外,在一實施例中,提供一種用於訓練用以預測用於一光罩之一後光學接近校正(OPC)之一機器學習模型的方法。該方法涉及:獲得(i)與待印刷於一基板上之一設計佈局相關聯的一預OPC影像,及(ii)該設計佈局之一參考後OPC影像;及將該預OPC影像用作輸入來訓練該機器學習模型使得縮減該機器學習模型之一經預測後OPC影像與該參考影像之間的一差異。
此外,提供一種用於判定用於一光罩之一後OPC影像之方法。該方法涉及:獲得與待印刷於一基板上之一設計佈局相關聯的一預OPC影像;藉由使用該預OPC影像模擬一經訓練第一機器學習模型來判定該光罩之一第一後OPC影像,其中該第一後OPC影像包含該光罩之一或多個輔助特徵;提取該第一後OPC影像之該一或多個輔助特徵之幾何形狀;及藉由使用該設計佈局之該預OPC影像及該第一後OPC影像之該一或多個輔助特徵之該等經提取幾何形狀來判定用於該光罩之一第二後OPC影像。
此外,在一實施例中,提供一種用於判定對一設計佈局之校正之方法。該方法涉及:獲得(i)經由使用該設計佈局之一預OPC影像及
與該設計佈局相關聯之一或多個輔助特徵之一影像的一訓練機器學習模型之一經預測之後OPC影像,及(ii)該設計佈局之幾何形狀;將該設計佈局之該等幾何形狀分割成複數個區段;及判定對該複數個區段之校正使得縮減該設計佈局之一影像與沿著該等幾何形狀之該經預測後OPC影像之間的一差異。
此外,提供一種電腦程式產品,其包含其上經記錄有指令之一非暫時性電腦可讀媒體,該等指令在由一電腦執行時實施如以上請求項中任一項之方法。
10A:微影投影裝置
12A:輻射源
14A:光學件/組件
16Aa:光學件/組件
16Ab:光學件/組件
16Ac:透射光學件/組件
20A:可調整濾光器或孔徑
21:輻射光束
22:琢面化場鏡面器件
22A:基板平面
24:琢面化光瞳鏡面器件
26:經圖案化光束
28:反射元件
30:反射元件
31:源模型
32:投影光學件模型
35:設計佈局模型
36:空中影像
37:抗蝕劑模型
38:抗蝕劑影像
100:電腦系統
102:匯流排
104:處理器
105:處理器
106:主記憶體
108:唯讀記憶體(ROM)
110:儲存器件
112:顯示器
114:輸入器件
116:游標控制件
118:通信介面
120:網路鏈路
122:區域網路
124:主機電腦
126:網際網路服務提供者(ISP)
128:網際網路
130:伺服器
210:極紫外線(EUV)輻射發射電漿/極熱電漿/高度離子化電漿
211:源腔室
212:收集器腔室
220:圍封結構
221:開口
230:選用氣體障壁或污染物截留器/污染截留器
240:光柵光譜濾光器
251:上游輻射收集器側
252:下游輻射收集器側
253:掠入射反射器
254:掠入射反射器
255:掠入射反射器
300:訓練方法
302:預光學接近校正(OPC)影像
304:影像
306:參考後光學接近校正(OPC)影像
310:經訓練機器學習模型/經訓練第二模型/經訓練第二機器學習模型
314:區段
316:校正
320:光罩佈局
402:影像
402a:特徵
404a:輔助特徵(SRAF)
406:參考影像
407:部位
410:差異
417:差異
420:經預測後光學接近校正(OPC)影像
422:預光學接近校正(OPC)影像
424:輔助特徵影像
426:參考影像
429:部位
430:經預測後光學接近校正(OPC)影像/差異
440:經預測後光學接近校正(OPC)影像
447:差異
500:訓練方法
502:預光學接近校正(OPC)影像
506:參考後光學接近校正(OPC)影像
510:經訓練機器學習模型/經訓練第一機器學習模型
602:預光學接近校正(OPC)影像
604:參考影像
604a:部位
605:差異
607:經預測後光學接近校正(OPC)影像
622:預光學接近校正(OPC)影像
624:參考影像
624a:部位
625:差異
627:經預測後光學接近校正(OPC)影像
632:預光學接近校正(OPC)影像
634:參考影像
634a:部位
635:差異
637:經預測後光學接近校正(OPC)影像
637a:部位
700:方法
702:預光學接近校正(OPC)影像
704:第一後光學接近校正(OPC)影像
706:幾何形狀
708:第二後光學接近校正(OPC)影像
710:校正
720:光罩佈局
800:方法
802:經預測之後光學接近校正(OPC)影像
804:幾何形狀
808:所產生影像
820:光罩佈局
901:特徵
910:幾何形狀
1200A:照明源之特性
1200B:投影光學件之特性
1200C:設計佈局之特性
AD:調整構件
B:輻射光束
BD:光束遞送系統
C:目標部分
CO:聚光器/輻射收集器/近正入射收集器光學件
IF:虛擬源點/中間焦點
IL:照明系統/照明器/照明光學件單元
IN:積光器
LA:雷射
M1:圖案化器件對準標記
M2:圖案化器件對準標記
MA:圖案化器件
MT:第一物件台/圖案化器件台/支撐結構
O:光軸
P1:基板對準標記
P2:基板對準標記
P301:程序
P303:程序
P312:程序
P314:程序
P316:程序
P320:程序
P501:程序
P503:程序
P702:程序
P704:程序
P706:程序
P708:程序
P710:程序
P712:程序
P802:程序
P804:程序
P805:程序
P806:程序
P808:程序
P810:程序
P812:程序
PM:第一***
PS:項目/投影系統/透鏡
PS2:位置感測器
PW:第二***
SO:源收集器模組
S1:區段
S2:區段
S3:區段
S4:區段
S5:區段
S6:區段
S7:區段
S8:區段
S502:步驟
S504:步驟
S506:步驟
S508:步驟
S510:步驟
S512:步驟
S514:步驟
S516:步驟
S518:步驟
S520:步驟
S522:步驟
S702:步驟
S704:步驟
S706:步驟
S710:步驟
S712:步驟
S714:步驟
S716:步驟
S718:步驟
S720:步驟
S722:步驟
S802:步驟
S804:步驟
S806:步驟
S808:步驟
S810:步驟
S812:步驟
S814:步驟
S816:步驟
S1202:步驟
S1204:步驟
S1206:步驟
S1302:步驟
S1304:步驟
S1306:步驟
S1308:步驟
S1310:步驟
W:基板
WT:第二物件台/基板台
現在將參考隨附圖式而僅作為實例來描述實施例,在該等圖式中:
圖1為根據一實施例之微影系統之各種子系統的方塊圖。
圖2為根據一實施例之對應於圖1中之子系統之模擬模型的方塊圖。
圖3為根據一實施例的訓練機器學習模型之方法的流程圖,該機器學習模型經組態以預測用於光罩之後光學接近校正(OPC)影像。
圖4A為根據一實施例的圖3之訓練方法之訓練資料集及結果的實例。
圖4B為根據一實施例的圖3之訓練方法之訓練資料集及結果的另一實例。
圖5為根據一實施例的訓練另一機器學習模型之另一方法的流程圖,該另一機器學習模型經組態以預測用於光罩之後光學接近校正(OPC)影像。
圖6A、圖6B及圖6C說明根據一實施例的圖5之訓練方法之訓練集及結果的實例。
圖7為根據一實施例的用於使用圖5之經訓練第一機器學習模型及圖3之經訓練第二機器學習模型來判定用於光罩之後OPC影像的方法。
圖8為根據一實施例的用於判定對設計佈局之校正之方法的流程圖。
圖9為根據一實施例的圖7之光罩校正程序之實例結果。
圖10為說明根據一實施例的聯合最佳化之實例方法之態樣的流程圖。
圖11展示根據一實施例的另一最佳化方法之實施例。
圖12A、圖12B及圖13展示根據一實施例的各種最佳化程序之實例流程圖。
圖14為根據一實施例之實例電腦系統的方塊圖。
圖15為根據一實施例之微影投影裝置之示意圖。
圖16為根據一實施例之另一微影投影裝置的示意圖。
圖17為根據一實施例之圖16中之裝置的更詳細視圖。
圖18為根據一實施例之圖16及圖17之裝置的源收集器模組SO之更詳細視圖。
現在將參看圖式詳細地描述實施例,該等圖式被提供為說明性實例以便使熟習此項技術者能夠實踐該等實施例。值得注意地,以下之諸圖及實例不意欲將範疇限於單一實施例,而是借助於所描述或所說明元件中之一些或全部之互換而使其他實施例係可能的。在任何方便之處,
將遍及該等圖式使用相同元件符號來指相同或類似部分。在可部分地或完全地使用已知組件來實施此等實施例之某些元件的情況下,將僅描述理解該等實施例所必需之此等已知組件之彼等部分,且將省略此等已知組件之其他部分之詳細描述以便不混淆實施例之描述。在本說明書中,展示單數組件之實施例不應被視為限制性的;實情為,除非本文中另有明確陳述,否則範疇意欲涵蓋包括複數個相同組件之其他實施例,且反之亦然。此外,申請人不意欲使本說明書或申請專利範圍中之任何術語歸結於不常見或特殊涵義,除非如此明確闡述。另外,範疇涵蓋本文中借助於說明而提及之組件的目前及未來已知等效者。
儘管在本文中可特定地參考IC製造,但應明確理解,本文之描述具有許多其他可能應用。舉例而言,本文之描述可用於製造整合式光學系統、用於磁疇記憶體之導引及偵測圖案、液晶顯示面板、薄膜磁頭等。熟習此項技術者應瞭解,在此等替代應用之內容背景中,在本文中對術語「倍縮光罩」、「晶圓」或「晶粒」之任何使用應被認為是可分別與更一般之術語「光罩」、「基板」及「目標部分」互換。
在本文件中,術語「輻射」及「光束」用以涵蓋所有類型之電磁輻射,包括紫外線輻射(例如,具有365奈米、248奈米、193奈米、157奈米或126奈米之波長),及極紫外線輻射(EUV,例如,具有在5奈米至20奈米之範圍內之波長)。
如本文中所使用之術語「最佳化(optimizing/optimization)」意謂:調整微影投影裝置,使得微影之結果及/或程序具有更合意的特性,諸如,設計佈局在基板上的投影之較高準
確度、較大程序窗等。
另外,微影投影裝置可屬於具有兩個或多於兩個基板台(及/或兩個或多於兩個圖案化器件台)之類型。在此等「多載物台」器件中,可並行地使用額外台,或可在一或多個台上進行預備步驟,同時將一或多個其他台用於曝光。舉例而言,以引用方式併入本文中之US 5,969,441中描述雙載物台微影投影裝置。
上文所提及之圖案化器件包含或可形成設計佈局。可利用電腦輔助設計(computer-aided design;CAD)程式來產生設計佈局,此程序常常被稱作電子設計自動化(electronic design automation;EDA)。大多數CAD程式遵循一預定設計規則集合,以便產生功能設計佈局/圖案化器件。藉由處理及設計限制來設定此等規則。舉例而言,設計規則定義電路器件(諸如閘、電容器等)或互連線之間的空間容許度,以便確保電路器件或線彼此不會以非所要方式相互作用。設計規則限制通常被稱作「臨界尺寸」(CD)。電路之臨界尺寸可被定義為線或孔之最小寬度或兩條線或兩個孔之間的最小空間。因此,CD判定經設計電路之總大小及密度。當然,積體電路製造中之目標中之一者係在基板上如實地再生原始電路設計(經由圖案化器件)。
如本文中所使用之術語「光罩」或「圖案化器件」可被廣泛地解譯為係指可用以向入射輻射光束賦予經圖案化橫截面之通用圖案化器件,經圖案化橫截面對應於待在基板之目標部分中產生之圖案;術語「光閥」亦可用於此內容背景中。除了經典光罩(透射或反射;二元、相移、混合式等)以外,其他此等圖案化器件之實例亦包括:
-可程式化鏡面陣列。此器件之實例為具有黏彈性控制層及反射表
面之矩陣可定址表面。此裝置所隱含之基本原理為(例如):反射表面之經定址區域將入射輻射反射為繞射輻射,而未經定址區域將入射輻射反射為非繞射輻射。在使用適當濾光器的情況下,可自反射光束濾出該非繞射輻射,從而僅留下繞射輻射;以此方式,光束根據矩陣可定址表面之定址圖案而變得圖案化。可使用合適電子構件來執行所需矩陣定址。可例如自以引用方式併入本文中之美國專利第5,296,891號及第5,523,193號搜集到關於此類鏡面陣列之更多資訊。
-可程式化LCD陣列。以引用方式併入本文中之美國專利第5,229,872號中給出此構造之實例。
作為簡要介紹,圖1說明例示性微影投影裝置10A。主要組件為:輻射源12A,其可為深紫外線準分子雷射源或包括極紫外線(EUV)源的其他類型之源(如上文所論述,微影投影裝置自身無需具有輻射源);照明光學件,其界定部分相干性(被表示為均方偏差)且可包括塑形來自源12A之輻射的光學件14A、16Aa及16Ab;圖案化器件18A;及透射光學件16Ac,其將圖案化器件圖案之影像投影至基板平面22A上。投影光學件之光瞳平面處之可調整濾光器或孔徑20A可限定照射於基板平面22A上之光束角度之範圍,其中最大可能角度定義投影光學件之數值孔徑NA=sin(Θmax)。
在系統之最佳化程序中,可將該系統之優值(figure of merit)表示為成本函數。最佳化程序歸結為找到最小化成本函數的系統之參數(設計變數)集合的程序。成本函數可取決於最佳化之目標而具有任何合適形式。舉例而言,成本函數可為系統之某些特性(評估點)相對於此等特性之預期值(例如,理想值)之偏差的加權均方根(RMS);成本函數亦可為此等偏差之最大值(亦即,最差偏差)。本文中之術語「評估點」應被廣
泛地解譯為包括系統之任何特性。由於系統之實施方案的實務性,系統之設計變數可經限制至有限範圍及/或可相互相依。在微影投影裝置之狀況下,約束常常與硬體之實體屬性及特性(諸如可調諧範圍,及/或圖案化器件可製造性設計規則)相關聯,且評估點可包括基板上之抗蝕劑影像上的實體點,以及諸如劑量及焦點之非實體特性。
在微影投影裝置中,源提供照明(亦即,光);投影光學件經由圖案化器件而對照明進行導向及塑形,且將照明導向至基板上。此處,術語「投影光學件」被廣泛地定義為包括可變更輻射光束之波前的任何光學組件。舉例而言,投影光學件可包括組件14A、16Aa、16Ab及16Ac中之至少一些。空中影像(AI)為基板位階處之輻射強度分佈。曝光基板上之抗蝕劑層,且將空中影像轉印至抗蝕劑層以在其中作為潛伏「抗蝕劑影像」(RI)。可將抗蝕劑影像(RI)定義為抗蝕劑層中之抗蝕劑之溶解度的空間分佈。可使用抗蝕劑模型以自空中影像演算抗蝕劑影像,可在揭示內容之全文特此以引用方式併入的共同讓渡之美國專利申請案第12/315,849號中找到此情形之實例。抗蝕劑模型係僅與抗蝕劑層之屬性(例如在曝光、PEB及顯影期間發生之化學程序之效應)相關。微影投影裝置之光學屬性(例如源、圖案化器件及投影光學件之屬性)規定空中影像。因為可改變用於微影投影裝置中之圖案化器件,所以需要使圖案化器件之光學屬性與至少包括源及投影光學件的微影投影裝置之其餘部分之光學屬性分離。
圖2說明用於模擬微影投影裝置中之微影的例示性流程圖。源模型31表示源之光學特性(包括輻射強度分佈及/或相位分佈)。投影光學件模型32表示投影光學件之光學特性(包括由投影光學件引起的輻射強
度分佈及/或相位分佈之改變)。設計佈局模型35表示設計佈局之光學特性(包括由給定設計佈局33造成的輻射強度分佈及/或相位分佈之改變),該設計佈局為在圖案化器件上或由圖案化器件形成之特徵之配置的表示。可自設計佈局模型35、投影光學件模型32及設計佈局模型35模擬空中影像36。可使用抗蝕劑模型37而自空中影像36模擬抗蝕劑影像38。微影之模擬可(例如)預測抗蝕劑影像中之輪廓及CD。
更具體言之,應注意,源模型31可表示源之光學特性,該等光學特性包括但不限於NA均方偏差(σ)設定,以及任何特定照明源形狀(例如,離軸輻射源,諸如,環形、四極及偶極等等)。投影光學件模型32可表示投影光學件之光學特性,該等光學特性包括像差、失真、折射率、實體大小、實體尺寸等。設計佈局模型35亦可表示實體圖案化器件之實體屬性,如(例如)全文以引用方式併入本文中之美國專利第7,587,704號中所描述。模擬之目標係準確地預測(例如)邊緣置放、空中影像強度斜率及CD,可接著將該等邊緣置放、空中影像強度斜率及CD與預期設計進行比較。預期設計通常被定義為預OPC設計佈局,其可以諸如GDSII或OASIS或其他檔案格式之標準化數位檔案格式而提供。
自此設計佈局,可識別被稱作「剪輯」之一或多個部分。在一實施例中,提取剪輯集合,其表示設計佈局中之複雜圖案(通常為約50個至1000個剪輯,但可使用任何數目個剪輯)。如熟習此項技術者應瞭解,此等圖案或剪輯表示設計之小部分(亦即,電路、格胞或圖案),且該等剪輯尤其表示需要特定關注及/或驗證之小部分。換言之,剪輯可為設計佈局之部分,或可相似或具有臨界特徵係藉由經驗而識別(包括由客戶提供之剪輯)、藉由試誤法而識別或藉由執行全晶片模擬而識別的設計佈
局之部分的相似行為。剪輯通常含有一或多個測試圖案或量規圖案。
可由客戶基於設計佈局中需要特定影像最佳化之已知臨界特徵區域而先驗地提供初始較大剪輯集合。替代地,在另一實施例中,可藉由使用識別臨界特徵區域之某種自動化(諸如,機器視覺)或手動演算法而自整個設計佈局提取初始較大剪輯集合。
光學接近校正(OPC)為通常用於補償歸因於繞射及程序效應之影像誤差之光微影增強技術。現有的以模型為基礎之OPC通常由若干步驟組成,包括:(i)導出包括規則再靶向之晶圓目標圖案;(ii)置放次解析度輔助特徵(SRAF);及(iii)執行包括模型模擬之反覆校正(例如藉由演算晶圓上之強度圖)。模型模擬之最耗時的部分為基於光罩規則檢查(MRC)之以模型為基礎之SRAF產生及清除,以及光罩繞射、光學成像及抗蝕劑顯影之模擬。
OPC模擬中之挑戰中的一者為執行時間及準確度。通常,結果愈準確,OPC流程就愈慢。為了得到較佳程序窗,在每一OPC反覆中需要在不同條件(標稱條件、散焦條件、劑量不足條件)下之較多模型模擬。又,包括的圖案化程序相關模型愈多,需要愈多的反覆以使OPC結果收斂至目標圖案。由於需要處理之大量資料(晶片上之數十億個電晶體),因此執行時間要求對OPC相關演算法之複雜度強加嚴格約束。另外,隨著積體電路之縮小繼續,準確度要求變得更嚴厲。因而,需要新的演算法及技術來解決此等挑戰。舉例而言,需要不同的解決方案例如以用於以多邊形為基礎之OPC。舉例而言,本發明提供用於判定後OPC佈局之方法。該等方法在維持高速度的同時提供了高準確度,並且簡化後OPC佈局。
在一實施例中,本發明論述產生機器學習模型以預測後
OPC影像或自後OPC影像提取之後OPC圖案之方法。該方法是用預先存在之OPC流程以獲得訓練圖案,收集包含目標圖案、後OPC圖案、用於基板之單獨層之SRAF/SERIF佈局的資料。使用此資料以訓練機器學習模型(例如迴旋神經網路(CNN))。在一實施例中,為了產生訓練資料集,OPC演算法可與獲取高準確度資料所需一樣複雜,此係由於與全晶片相比,訓練圖案之數目有限。
本發明提供若干優點。經訓練模型可經應用以預測任何目標佈局/設計佈局之全晶片後OPC佈局。在一實施例中,後OPC佈局可經應用於目標(再靶向層)上之以多邊形為基礎之校正,其中該等校正經判定以大致匹配於後OPC佈局(由經訓練模型判定)。該等校正可進一步用於現有OPC流程中,此將需要少得多的反覆。
該方法之另外優點包括較簡單光罩佈局。由於後OPC在使用光罩光柵化之初始步驟及隨後現有OPC校正步驟兩者中來自以多邊形為基礎之校正,因此較容易應用光罩規則檢查且光罩佈局形狀將簡單得多。又,與現有OPC流程相比,本發明之經訓練機器學習模型導致更快速OPC及SMO結果。
圖3為訓練機器學習模型之方法300的流程圖,該機器學習模型經組態以預測用於光罩之後光學接近校正(OPC)影像。該訓練係基於與預OPC佈局相關聯之影像或影像資料,及輔助特徵。在一實施例中,預OPC佈局可為設計佈局或偏置設計佈局。在一實施例中,預OPC資料及輔助特徵資料可為單獨的(例如表示為兩個不同的影像)或呈組合形式(例如呈單個影像之形式)。訓練模型以預測與參考資料(例如經最佳化OPC影像)緊密匹配的後OPC資料(例如後OPC影像)。根據一實施例,將方法300
之實例程序論述如下。
在程序P301中,該方法涉及獲得(i)與待印刷於基板上之設計佈局相關聯的預OPC影像302;(ii)與設計佈局相關聯的光罩之一或多個輔助特徵之影像304;及(iii)設計佈局之參考後OPC影像306。在一實施例中,預OPC影像302、輔助特徵之影像、經預測後OPC影像及參考影像為經像素化影像。
在一實施例中,獲得預OPC影像302及一或多個輔助特徵之影像304涉及獲得設計佈局及輔助特徵之幾何形狀(例如多邊形形狀,諸如正方形、矩形或圓形形狀等),且經由影像處理自設計佈局之幾何形狀產生預OPC影像302且自輔助特徵之幾何形狀產生另一影像。在一實施例中,影像處理包含基於幾何形狀之光柵化操作。舉例而言,將幾何形狀(例如呈向量圖形格式)轉換成像素化影像之光柵化操作。在一實施例中,光柵化可進一步涉及應用低通濾波器以明確識別特徵形狀且縮減雜訊。
在一實施例中,獲得輔助特徵之幾何形狀涉及經由以規則為基礎之途徑判定與設計佈局相關聯的輔助特徵之幾何形狀。在一實施例中,經由以模型為基礎之途徑判定與設計佈局相關聯的輔助特徵之幾何形狀。在全文係以引用方式併入本文中的2014年5月20日申請之美國專利申請案第14/282,754號及2007年6月4日申請之美國專利第7,882,480號中論述了用以獲得SRAF(例如以規則為基礎或以模型為基礎)之實例方式。
在一實施例中,獲得參考影像涉及使用設計佈局執行光罩最佳化程序及/或源光罩最佳化程序。在一實施例中,光罩最佳化程序使用光學接近校正程序。實例OPC程序係關於圖10至圖13加以進一步論述。
在程序P303中,該方法涉及將預OPC影像302及一或多個輔助特徵之影像304用作輸入來訓練機器學習模型,使得縮減參考影像與機器學習模型之經預測後OPC影像之間的差異。在訓練程序結束時,獲得經訓練機器學習模型310(亦被稱作經訓練第二模型310)。
在一實施例中,機器學習模型之訓練係反覆程序,反覆涉及:將預OPC影像302及一或多個輔助特徵之影像304輸入至機器學習模型;藉由模擬機器學習模型預測後OPC影像302;判定經預測後OPC影像與參考影像之間的差異;及調整機器學習模型之權重使得經預測影像與參考影像之間的差異縮減。
在一實施例中,調整權重係基於差異之梯度下降。在一實施例中,可基於最小化差異之其他最佳化方法而調整權重。熟習此項技術者可理解,本發明不限於梯度下降方法,且可使用可指導如何調整權重使得縮減經預測影像與參考影像之間的差異之其他適當途徑。在一實施例中,執行訓練直至最小化經預測影像與參考影像之間的差異。
圖4A說明訓練方法300之訓練集及結果的實例,其中機器學習模型(例如亦被稱作第二機器學習模型)經訓練以判定/預測經預測後OPC影像(例如420)。在本實例中,訓練集包含影像402,該影像包括與設計佈局之主要特徵相關聯之特徵402a,以及與設計佈局之主要特徵相關聯之輔助特徵(SRAF)404a。因此,在本實例中,影像402為預OPC影像及輔助特徵之影像之組合。另外,參考影像406(例如經由複雜OPC模擬之若干次反覆獲得之經最佳化後OPC影像)係作為地面實況用於在訓練程序期間修改機器學習模型之權重。
在訓練程序期間,修改權重使得反覆地縮減參考影像406與
經預測後OPC影像(例如420)之間的差異410。在一實施例中,基於梯度下降方法(未說明)來修改權重,其中基於差異410之微分來計算梯度圖。差異410之梯度圖充當修改機器學習模型之權重的指導,使得該差異縮減(在一實施例中,在若干次反覆之後經最小化)。因此,在一實施例中,當使參考影像406與經預測OPC影像420之間的差異最小化時,模型被認為係經訓練機器學習模型310。換言之,訓練程序(或模擬)收斂且不存在差異410之進一步改良,藉此經訓練機器學習模型310之結果與參考影像406緊密匹配。
在一實施例中,經預測後OPC影像可能不與參考影像406確切匹配。舉例而言,在參考影像406中之部位407處,觀測到相對較大差異417。此差異417指示在此部位處,經預測後OPC影像包括大體上但不明顯不同的特徵。然而,即使在具有此差異417的情況下,經預測後OPC影像420亦使能夠縮減OPC模擬程序之反覆之數目(例如與在僅使用設計佈局時之1000次反覆相比,少於10次反覆)以進一步改良設計佈局之後OPC佈局。換言之,當經預測後OPC影像420用作OPC模擬之初始點或起始點時,OPC模擬執行及收斂地快得多,藉此節省計算時間及資源。
圖4B說明訓練方法300之訓練集及結果的另一實例,其中機器學習模型(例如第二機器學習模型)經訓練以判定/預測經預測後OPC影像(例如440)。在本實例中,預OPC影像422及輔助特徵影像424係單獨的。在一實施例中,如早先所論述,可經由設計佈局之光柵化獲得預OPC影像422。可經由與設計佈局相關聯之SRAF之光柵化(例如SRAF之幾何形狀)獲得輔助特徵影像424。在一實施例中,可經由SRAF指導圖、SRAF規則或以模型為基礎之OPC途徑來獲得此類SRAF,如早先所提
及。另外,參考影像426(例如經由複雜OPC模擬之若干次反覆獲得之經最佳化後OPC影像)係作為地面實況用於在訓練程序期間修改機器學習模型之權重。該訓練程序與上文在圖3及圖4A中所論述之訓練程序相似。在訓練程序期間,修改權重使得參考影像426與經預測後OPC影像(例如440)之間的差異430反覆地縮減(在一實施例中,在若干次反覆之後經最小化)。
與以上論述相似地,經預測後OPC影像440可能不與參考影像426確切匹配。舉例而言,在參考影像426中之部位429處,觀測到相對較大差異447。此差異447指示在此部位處,經預測後OPC影像440包括大體上但不明顯不同的特徵。儘管如此,經預測後OPC影像440亦使能夠縮減OPC模擬程序之反覆之數目(例如與在僅使用設計佈局時之1000次反覆相比,少於10次反覆)以進一步改良設計佈局之後OPC佈局。換言之,OPC模擬運用經預測影像420執行及收斂地快得多,藉此節省計算時間及資源。
返回參看圖3,方法300可進一步涉及光罩模型校正程序,該光罩模型校正程序涉及基於經訓練機器學習模型判定對設計佈局之校正316。舉例而言,該方法進一步涉及如下所論述之程序P312至P316。程序P312涉及獲得設計佈局之幾何形狀312。舉例而言,幾何形狀312可為具有所要CD值(例如長度及寬度)之矩形、具有所要CD值之正方形、具有所要CD值(例如直徑)之接觸孔(例如圓形),或其他幾何形狀。在一實施例中,在用於圖案化程序模擬中之GDS檔案中可用此類幾何形狀。
程序P314涉及將設計佈局(或一般而言預OPC佈局)之幾何形狀312分割成複數個區段314。幾何形狀之分割係指將幾何形狀劃分成
較小區段或片段使得該等個別區段或片段可相對於其他區段或片段移動。舉例而言,可將線劃分成具有相似長度之3個區段。幾何形狀之分割可使得每一區段具有相似長度。然而,本發明不限於特定分割途徑(例如相等長度或不等長度)。隨後所論述之圖9展示分割幾何形狀之實例。
程序P316涉及判定對複數個區段314之校正316使得縮減與設計佈局相關聯之影像與沿著幾何形狀之經預測後OPC影像之間的差異。在一實施例中,校正316涉及區段之幾何屬性或相對於其他區段之相對屬性。舉例而言,校正可為一特定區段相對於其他區段移動之距離之量(例如在上游方向上2奈米)。在一實施例中,校正可關於區段之角度位置或曲率。在一實施例中,校正(例如距離、角度、方向、曲率半徑)係與可在最佳化程序期間(例如在OPC中)儲存及進一步使用之每一區段相關聯。
在一實施例中,判定校正316係反覆程序,反覆涉及:調整幾何形狀312之複數個區段314(例如距離、長度、曲率半徑、角度);(例如使用光柵化操作)自設計佈局之經調整幾何形狀產生影像;及評估所產生影像與沿著各別影像內之幾何形狀之經預測後OPC影像之間的差異。
在一實施例中,影像為經像素化影像,且所產生影像與經預測影像之間的差異為沿著幾何形狀之強度值之差。在一實施例中,沿著或相對接近於幾何形狀之像素值可用以判定該差異。
在一實施例中,調整複數個區段314涉及調整複數個區段之至少一部分之形狀及/或位置使得縮減所產生影像與經預測影像之間的差異。在一實施例中,使所產生影像與經預測後OPC影像之間的差異最小化。在一實施例中,調整或校正316可導致設計佈局之原始幾何形狀之實質修改。換言之,不保留原始形狀。
在一實施例中,程序P316可涉及將一或多個評估點置放於複數個區段之每一區段上。評估點為區段中評估度量(例如EPE)之部位。在一實施例中,可評估每一評估點處之度量之值之總和,且可執行對區段之調整使得度量之總和縮減(在一實施例中,經最小化)。
方法300可經進一步擴展以使用經訓練機器學習模型310及校正316來執行OPC模擬。舉例而言,程序P320涉及經由使用設計佈局及對設計佈局之校正316進行之OPC模擬,判定待用於製造用於圖案化程序之光罩之光罩佈局320。
在一實施例中,OPC模擬涉及經由使用設計佈局之幾何形狀312及與複數個區段316相關聯之校正316來模擬圖案化程序模型,而判定將被印刷於基板上之經模擬圖案;及判定對設計佈局之光學接近校正使得經模擬圖案與設計佈局之間的差異縮減。
在一實施例中,判定光學接近校正係反覆程序,反覆涉及:調整與設計佈局之主要特徵及/或輔助特徵相關聯的多邊形之形狀及/或大小,使得圖案化程序之效能度量縮減。在一實施例中,自機器學習模型之經預測後OPC影像提取輔助特徵。在一實施例中,效能度量包含經模擬圖案與設計佈局之間的邊緣置放誤差,及/或經模擬圖案之CD值。隨後在本發明中參看圖10至圖13進一步論述其他實例OPC模擬程序。
圖5為用於訓練另一機器學習模型(亦被稱作第一機器學習模型)以預測用於設計光罩之後光學接近校正(OPC)之方法。
在程序P501中,該方法涉及獲得(i)與待印刷於基板上之設計佈局相關聯的預OPC影像502,及(ii)該設計佈局之參考後OPC影像506。在一實施例中,獲得預OPC影像係與方法300中所論述內容相似,
其涉及獲得設計佈局之幾何形狀;及經由影像處理自該等幾何形狀產生影像。在一實施例中,影像處理包含使用幾何形狀之光柵化操作,如早先所論述。
在一實施例中,獲得參考後OPC影像506係與方法300中所論述內容相似。舉例而言,藉由使用設計佈局執行光罩最佳化程序及/或源光罩最佳化程序來獲得參考影像506。在一實施例中,光罩最佳化程序包含光學接近校正。
在程序P503中,方法涉及將預OPC影像502用作輸入來訓練機器學習模型,使得機器學習模型之經預測後OPC影像與參考影像506之間的差異縮減。
在一實施例中,機器學習模型之訓練係反覆程序,反覆涉及:將預OPC影像502輸入至機器學習模型;藉由模擬機器學習模型預測後OPC影像;判定經預測後OPC影像與參考影像之間的差異;及調整機器學習模型之權重使得經預測影像與參考影像之間的差異縮減(在一實施例中,經最小化)。在一實施例中,調整權重係基於差異之梯度下降。
圖6A、圖6B及圖6C說明訓練方法500之訓練集及結果之實例,其中機器學習模型(例如第一機器學習模型)經訓練以判定/預測經預測後OPC影像(例如607、627及637)。在本實例中,訓練集包含預OPC影像(例如分別為圖6A至圖6C中之602、622及632),該預OPC影像包括與設計佈局之主要特徵相關聯之特徵,但無輔助特徵(例如SRAF)。另外,參考影像(例如分別為與602、622及632相關聯之參考影像604、624及634)係作為地面實況用於在訓練程序期間修改機器學習模型之權重。在一實施例中,參考影像為經由使用所關注設計佈局進行之複雜OPC模擬之若干次反
覆獲得的經最佳化後OPC影像。
在(例如方法500之)訓練程序期間,修改機器學習模型(例如亦被稱作第一機器學習模型)之權重使得參考影像(例如604、624及634)與經預測後OPC影像(例如607、627及637)之間的差異(例如605、625及635)反覆縮減。在一實施例中,如早先所提及,基於梯度下降方法(未說明)修改權重。因此,在一實施例中,當使參考影像與經預測OPC影像之間的差異最小化時,模型被認為係經訓練機器學習模型510。換言之,訓練程序(或模擬)收斂且不存在差異(例如605、625及635)之實質改良。
與以上論述(關於圖4A及圖4B)相似,經預測後OPC影像607/627/637可能不與參考影像604/624/634確切匹配。舉例而言,在參考影像604/624/634中之部位604a/624a/634a處,觀測到相對較大差異。此差異指示在此部位處,經預測後OPC影像包括大體上(在一些狀況下明顯)不同的特徵。儘管如此,經預測後OPC影像607/627/637亦使能夠縮減OPC模擬程序之反覆之數目以進一步改良設計佈局之後OPC佈局。換言之,OPC模擬運用經預測影像607/627/637執行及收斂地快得多,藉此節省計算時間及資源。如上文所提及,可藉由自影像440提取主要特徵及輔助特徵而將經預測後OPC影像607/627/637轉換成例如GDS格式,且接著將此GDS檔案用於OPC模擬中。
在一實施例中,經訓練機器學習模型510產生較簡單SRAF,其可為高度需要的,此係因為此類較簡單SRAF容易製造。舉例而言,在圖6C中之部位634a處,若干個小且離散的SRAF彼此相對接近地置放。另一方面,在部位637a(對應於634a)處,產生筆直且較不離散的較簡單SRAF。自光罩製造視點,此較筆直SRAF係有利的。
參看圖4A至圖4B及圖6A至圖6C,可觀測到,經預測後OPC影像607/627/637(亦被稱作第一經預測OPC影像)明顯不同於參考影像604/624/634。另一方面,經預測後OPC影像420/440與參考影像406/426更緊密匹配。
在一實施例中,第一後OPC影像607/627/637包括與主要特徵相關聯之SRAF。可提取此類SRAF且將其進一步用作至經訓練第二機器學習模型(例如310)之輸入以預測第二後OPC影像。與經由諸如以規則為基礎及以模型為基礎之現有途徑獲得之SRAF,此類第二後OPC影像可得以進一步改良。另外,使用經訓練第一機器學習模型(例如510)以獲得SRAF可比現有途徑快得多。下文關於圖7論述使用經訓練機器學習模型510及310之實例方法。
圖7為用於判定用於光罩之後OPC影像之方法700的流程圖。在程序P702中,該方法涉及獲得與設計佈局相關聯之預OPC影像702。該預OPC影像702係以與之前在方法300及500中所論述相似之方式獲得。在程序P704中,該方法藉由使用預OPC影像702執行經訓練第一機器學習模型(例如510)來判定光罩之第一後OPC影像704,其中該第一後OPC影像704包含用於光罩之輔助特徵。另外,程序P706涉及提取第一後OPC影像之輔助特徵之幾何形狀706。
在程序P708中,該方法藉由使用設計佈局之預OPC影像702及第一後OPC影像704之輔助特徵之經提取幾何形狀706來模擬經訓練第二機器學習模型(例如310)從而判定用於光罩之第二後OPC影像708。
在一實施例中,方法700可進一步擴展以判定對如早先在圖3中所論述之設計佈局之校正。在一實施例中,程序P710涉及基於第二後
OPC影像708及設計佈局判定對設計佈局之校正710。
在一實施例中,如早先所論述,判定校正710係反覆程序,反覆涉及:獲得設計佈局之幾何形狀;將設計佈局之幾何形狀分割成複數個區段;調整該複數個區段;自設計佈局之經調整幾何形狀產生影像;及評估所產生影像與沿著各別影像之幾何形狀之第二後OPC影像708之間的差異。
在一實施例中,調整複數個區段涉及調整複數個區段之至少一部分之形狀及/或位置使得所產生影像與沿著各別影像之幾何形狀之第二後OPC影像708之間的差異縮減(在一實施例中,經最小化)。
方法700可經進一步擴展以執行OPC模擬。舉例而言,程序P712涉及經由使用設計佈局及對設計佈局之校正710進行之OPC模擬,判定待用於製造用於圖案化程序之光罩之光罩佈局720。
圖8為用於判定對設計佈局之校正之實例方法800,其與上文關於圖3所論述之方法相似。
在程序P802中,該方法涉及獲得(i)經由使用設計佈局之預OPC影像及與設計佈局相關聯之一或多個輔助特徵之影像的訓練機器學習模型之經預測之後OPC影像802,及(ii)設計佈局之幾何形狀804。
在程序P804中,該方法涉及將設計佈局之幾何形狀分割成複數個區段。另外,如下文所論述,該方法涉及判定對複數個區段之校正810使得與設計佈局相關聯之影像與沿著幾何形狀之經預測後OPC影像之間的差異縮減。
在程序P805中,該方法將一或多個評估點置放於複數個區段之每一區段上,如早先關於方法300所論述。
在一實施例中,判定校正810係反覆程序,反覆涉及程序P806、P808及P810。
程序P806涉及經由一或多個評估點調整複數個區段。程序P808涉及自設計佈局之經調整幾何形狀產生影像。程序P810涉及評估在幾何形狀之複數個區段上之一或多個評估點處所產生影像808與經預測後OPC影像802之間的差異。在一實施例中,所產生影像與經預測影像之間的差異為一或多個評估點處之強度值之差。在一實施例中,程序P812判定差異是否經最小化。若否,則程序繼續在程序P806中調整區段。
在一實施例中,在程序P806中,調整複數個區段涉及調整複數個區段之至少一部分之形狀及/或位置使得所產生影像與經預測影像之間的差異縮減。
在一實施例中,當程序P812判定所產生影像與經預測後OPC影像之間的差異經最小化時,校正程序停止。在反覆結束時,獲得對於複數個區段之每一區段之校正810。
圖9為如方法700中所論述之結果光罩校正程序的實例(其亦可經應用於方法300及500中)。舉例而言,特徵901為設計佈局之一部分,其中該特徵901具有矩形幾何形狀。在一實施例中,將幾何形狀劃分(或分割)成複數個區段S1、S2、S3、S4、S5、S6、S7及S8。此等區段S1至S8係基於經預測後OPC影像(例如早先所提及之第一經預測後OPC影像或第二經預測後OPC影像)或其中之特徵之幾何形狀予以修改。舉例而言,使設計佈局之特徵901之區段S1、S2及S3以不同方式向上移動。舉例而言,S1及S3比區段S2相對更遠地移動。相似地,區段S4至S7亦獨立移動。
區段S1至S7之每一移動引起不同的幾何形狀,其當用以產生影像(例如經由光柵化)時將沿著幾何形狀具有不同的像素強度。將此所產生影像與經預測後OPC影像進行比較(如在方法700中所論述)以縮減該等影像之間的差異。在若干次反覆之後,如方法700中所論述,獲得區段S1至S7之最終位置且對應幾何形狀910可用作光罩佈局之一部分,其進一步用以產生待在圖案化程序中用以印刷設計佈局之光罩。
由於相對於經預測後OPC影像而非現有OPC模擬程序來執行對設計佈局之校正,因此獲得比現有OPC模擬程序快多個數量級的所得光罩佈局。藉此,與現有OPC模擬方法相比,此類校正不僅提供用於設計光罩佈局之準確解決方案,而且縮減計算時間及資源。
在一實施例中,方法800可進一步擴展以在快得多的速率下使用以上所判定之校正810來執行OPC模擬(例如程序P320)以進一步改良OPC模擬之後OPC結果,此係由於模擬程序藉由已經接近於最終後OPC結果(例如經預測後OPC)之校正而初始化。在一實施例中,該方法涉及經由使用設計佈局及對設計佈局之校正之OPC模擬來判定光罩佈局820。在一實施例中,OPC模擬涉及:經由使用設計佈局之幾何形狀及與幾何形狀之複數個區段相關聯之校正來模擬圖案化程序,而判定將被印刷於基板上之經模擬圖案;及判定對設計佈局之光學接近校正使得經模擬圖案與設計佈局之間的差異縮減。
在一實施例中,判定光學接近校正係反覆程序,反覆涉及:調整與設計佈局之主要特徵及/或輔助特徵相關聯的多邊形之形狀及/或大小,使得圖案化程序之效能度量縮減。在一實施例中,自機器學習模型之經預測後OPC影像提取輔助特徵。
在一實施例中,效能度量包含經模擬圖案與設計佈局之間的邊緣置放誤差,及/或經模擬圖案之CD值。
在一實施例中,根據方法300、500、700及/或800所判定之校正及後OPC影像可用於最佳化圖案化程序或調整圖案化程序之參數。作為一實例,OPC處理如下事實:投影於基板上之設計佈局的影像之最終大小及置放將不相同於或簡單地僅取決於該設計佈局在圖案化器件上之大小及置放。應注意,可在本文中互換地利用術語「光罩」、「倍縮光罩」、「圖案化器件」。又,熟習此項技術者應認識到,尤其是在微影模擬/最佳化之內容背景中,術語「光罩」/「圖案化器件」及「設計佈局」可被互換地使用,此係因為:在微影模擬/最佳化中,未必使用實體圖案化器件,但可使用設計佈局以表示實體圖案化器件。對於存在於某一設計佈局上之小特徵大小及高特徵密度,給定特徵之特定邊緣之位置將在某種程度上受到其他鄰近特徵之存在或不存在影響。此等接近效應起因於自一個特徵耦接至另一特徵的微小量之輻射及/或諸如繞射及干涉之非幾何光學效應。相似地,接近效應可起因於在通常跟隨微影之曝光後烘烤(PEB)、抗蝕劑顯影及蝕刻期間之擴散及其他化學效應。
為了確保設計佈局之經投影影像係根據給定目標電路設計之要求,需要使用設計佈局之複雜數值模型、校正或預失真來預測及補償接近效應。論文「Full-Chip Lithography Simulation and Design Analysis-How OPC Is Changing IC Design」(C.Spence,Proc.SPIE,第5751卷,第1至14頁(2005年))提供當前「以模型為基礎」之光學接近校正程序的綜述。在典型高端設計中,設計佈局之幾乎每一特徵皆具有某種修改,以便達成經投影影像至目標設計之高保真度。此等修改可包括邊緣
位置或線寬之移位或偏置,以及意欲輔助其他特徵之投影的「輔助」特徵之應用。
在一晶片設計中通常存在數百萬個特徵的情況下,將以模型為基礎之OPC應用於目標設計涉及良好的程序模型及相當大的計算資源。然而,應用OPC通常不為「嚴正科學(exact science)」,而為並不總是補償所有可能接近效應之經驗反覆程序。因此,需要藉由設計檢測(亦即,使用經校準數值程序模型之密集型全晶片模擬)來驗證OPC之效應(例如,在應用OPC及任何其他RET之後的設計佈局),以便最小化將設計瑕疵建置至圖案化器件圖案中的可能性。此情形係藉由如下各者驅使:製造高端圖案化器件之巨大成本,其在數百萬美元的範圍內;以及對產品製作時程之影響,其係因重工或修復實際圖案化器件(一旦其已被製造)而引起。
OPC及全晶片RET驗證兩者可基於如(例如)美國專利申請案第10/815,573號及Y.Cao等人之名為「Optimized Hardware and Software For Fast,Full Chip Simulation」(Proc.SPIE,第5754卷,405(2005年))之論文中描述的數值模型化系統及方法。
一個RET係關於設計佈局之全域偏置之調整。全域偏置為設計佈局中之圖案與意欲印刷於基板上之圖案之間的差。舉例而言,25奈米直徑之圓形圖案可藉由設計佈局中之50奈米直徑圖案或藉由設計佈局中之20奈米直徑圖案但以高劑量印刷於基板上。
除了對設計佈局或圖案化器件之最佳化(例如,OPC)以外,亦可與圖案化器件最佳化聯合地抑或分離地最佳化照明源,以致力於改良總微影保真度。術語「照明源」及「源」在本文件中可被互換地使
用。自1990年代以來,已引入諸如環形、四極及偶極之許多離軸照明源,且該等離軸照明源已提供針對OPC設計之更多自由度,藉此改良成像結果。如吾人所知,離軸照明為用以解析圖案化器件中含有之精細結構(亦即,目標特徵)的被證實方式。然而,相比於傳統照明源,離軸照明源通常提供針對空中影像(AI)之較小輻射強度。因此,變得需要試圖最佳化照明源以在較精細解析度與縮減之輻射強度之間達成最佳平衡。
舉例而言,可在Rosenbluth等人之名為「Optimum Mask and Source Patterns to Print A Given Shape」(Journal of Microlithography,Microfabrication,Microsystems 1(1),第13至20頁(2002年))之論文中找到眾多照明源最佳化途徑。將源分割成若干區,該等區中每一者對應於光瞳光譜之某一區。接著,將源分佈假定為在每一源區中均一,且針對程序窗來最佳化每一區之亮度。然而,源分佈在每一源區中均一之此假定並不總是有效,且結果,此途徑之有效性受損。在Granik之名為「Source Optimization for Image Fidelity and Throughput」(Journal of Microlithography,Microfabrication,Microsystems 3(4),第509至522頁(2004年))之論文中所闡述的另一實例中,綜述若干現有源最佳化途徑,且提議將源最佳化問題轉換成一系列非負最小平方最佳化的基於照明器像素之方法。儘管此等方法已證實一些成就,但其通常需要多次複雜反覆以進行收斂。另外,可難以判定用於一些額外參數(諸如,Granik方法中之γ)之適當/最佳值,此情形規定在最佳化用於基板影像保真度之源與該源之平滑度要求之間的取捨。
對於低k1光微影,源及圖案化器件兩者之最佳化有用於確保用於臨界電路圖案之投影的可行程序窗。一些演算法(例如,Socha等人
之Proc.SPIE,第5853卷,2005年,第180頁)在空間頻域中將照明離散化成獨立源點且將光罩離散化成繞射階,且基於可藉由光學成像模型自源點強度及圖案化器件繞射階而預測之程序窗度量(諸如,曝光寬容度)來分離地公式化成本函數(其被定義為選定設計變數之函數)。如本文所使用之術語「設計變數」包含微影投影裝置或微影程序之參數集合,例如,微影投影裝置之使用者可調整之參數,或使用者可藉由調整彼等參數而調整之影像特性。應瞭解,微影投影程序之任何特性(包括源、圖案化器件、投影光學件之特性,及/或抗蝕劑特性)可在最佳化中之設計變數當中。成本函數常常為設計變數之非線性函數。接著使用標準最佳化技術以最小化成本函數。
相關地,不斷減低設計規則之壓力已驅使半導體晶片製造者在現有193奈米ArF微影的情況下更深入於低k1微影時代。朝向較低k1之微影對RET、曝光工具及針對微影親和設計之需要提出了很高的要求。未來可使用1.35 ArF超數值孔徑(NA)曝光工具。為了幫助確保電路設計可以可工作程序窗而產生至基板上,源-圖案化器件最佳化(在本文中被稱作源-光罩最佳化(source-mask optimization)或SMO)正變為用於2×奈米節點之顯著RET。
2009年11月20日申請且被公開為WO2010/059954之名為「Fast Freeform Source and Mask Co-Optimization Method」的共同讓渡之國際專利申請案第PCT/US2009/065359號中描述允許在無約束之情況下且在可實行之時間量內使用成本函數來同時地最佳化源及圖案化器件的源及圖案化器件(設計佈局)最佳化方法及系統,該專利申請案之全文係特此以引用方式併入。
2010年6月10日申請且被公開為美國專利申請公開案第2010/0315614號之名為「Source-Mask Optimization in Lithographic Apparatus」的共同讓渡之美國專利申請案第12/813456號中描述涉及藉由調整源之像素來最佳化源的另一源及光罩最佳化方法及系統,該專利申請案之全文係特此以引用方式併入本文中。
其中(z 1,z 2,…,z N )為N個設計變數或其值。f p (z 1,z 2,…,z N )可為設計變數(z 1,z 2,…,z N )之函數,諸如針對(z 1,z 2,…,z N )之設計變數之一組值在評估點處之特性之實際值與預期值之間的差。w p 為與f p (z 1,z 2,…,z N )相關聯之權重常數。可向比其他評估點或圖案更臨界之評估點或圖案指派較高w p 值。亦可向具有較大出現次數之圖案及/或評估點指派較高w p 值。評估點之實例可為基板上之任何實體點或圖案、虛擬設計佈局上之任何點,或抗蝕劑影像,或空中影像,或其組合。f p (z 1,z 2,…,z N )亦可為諸如LWR之一或多個隨機效應之函數,該一或多個隨機效應為設計變數(z 1,z 2,…,z N )之函數。成本函數可表示微影投影裝置或基板之任何合適的特性,例如特徵之失效率、焦點、CD、影像移位、影像失真、影像旋轉、隨機效應、產出率、CDU或其組合。CDU為局部CD變化(例如,局部CD分佈之標準偏差的三倍)。CDU可被互換地稱作LCDU。在一項實施例中,成本函數表示LCDU、產出率及隨機效應(亦即,為LCDU、產出率及隨機效應之函數)。在一項實施例中,成本函數表示EPE、產出率及隨機效應(亦即,為EPE、產出率及隨機效應之函數)。在一項實施例中,設計變數(z 1,z 2,…,z N )包含劑量、圖案化器件之全域偏置、來自源之照明之形狀,或其組
合。由於抗蝕劑影像常常規定基板上之電路圖案,故成本函數常常包括表示抗蝕劑影像之一些特性之函數。舉例而言,此評估點之f p (z 1,z 2,…,z N )可僅僅為抗蝕劑影像中之一點與彼點之預期位置之間的距離(亦即,邊緣置放誤差EPE p (z 1,z 2,…,z N ))。設計變數可為任何可調整參數,諸如,源、圖案化器件、投影光學件、劑量、焦點等等之可調整參數。投影光學件可包括被集體地稱為「波前操控器」之組件,其可用以調整輻照光束之波前及強度分佈及/或相移之形狀。投影光學件較佳地可調整沿著微影投影裝置之光學路徑之任何部位處(諸如,在圖案化器件之前、在光瞳平面附近、在影像平面附近、在焦平面附近)之波前及強度分佈。投影光學件可用以校正或補償由(例如)源、圖案化器件、微影投影裝置中之溫度變化、微影投影裝置之組件之熱膨脹造成的波前及強度分佈之某些失真。調整波前及強度分佈可改變評估點及成本函數之值。可自模型模擬此等改變或實際上量測此等改變。當然,CF(z 1,z 2,…,z N )不限於方程式1中之形式。CF(z 1,z 2,…,z N )可呈任何其他合適形式。
應注意,f p (z 1,z 2,…,z N )之正常加權均方根(RMS)被定義為
,因此,最小化f p (z 1,z 2,…,z N )之加權RMS等效於最
小化方程式1中所定義之成本函數。因此,出於本文中之記法簡單起見,可互換地利用f p (z 1,z 2,…,z N )及方程式1之加權RMS。
另外,若考慮最大化程序窗(Process Window;PW),則吾人可將來自不同PW條件之同一實體部位認為(方程式1)中之成本函數之不同評估點。舉例而言,若考慮N個PW條件,則吾人可根據評估點之PW條
件來分類該等評估點且將成本函數書寫為:
其中f Pu (z 1,z 2,...,z N )為在第u PW條件u=1,…,U下之f p (z 1,z 2,…,z N )之值。當f p (z 1,z 2,…,z N )為EPE時,則最小化以上成本函數等效於最小化在各種PW條件下之邊緣移位,因此,此情形導致最大化PW。詳言之,若PW亦由不同光罩偏置組成,則最小化以上成本函數亦包括最小化光罩誤差增強因數(MEEF),該光罩誤差增強因數(MEEF)被定義為基板EPE與誘發性光罩邊緣偏置之間的比率。
設計變數可具有約束,可將該等約束表達為(z 1,z 2,…,z N ) Z,其中Z為設計變數之可能值之集合。可藉由微影投影裝置之所要產出率來強加對設計變數之一個可能約束。所要產出率可限制劑量,且因此具有針對隨機效應之蘊涵(例如,對隨機效應強加下限)。較高產出率通常導致較低劑量、較短曝光時間及較大隨機效應。基板產出率及隨機效應最小化之考慮可約束設計變數之可能值,此係因為隨機效應為設計變數之函數。在無藉由所要產出率而強加之此約束的情況下,最佳化可得到不切實際的設計變數之值集合。舉例而言,若劑量係在設計變數當中,則在無此約束之情況下,最佳化可得到使產出率經濟上不可能的劑量值。然而,約束之有用性不應被解譯為必要性。產出率可受到對圖案化程序之參數之以失效率為基礎的調整影響。期望在維持高產出率的同時具有特徵之較低失效率。產出率亦可受到抗蝕劑化學反應影響。較慢抗蝕劑(例如要求適當地曝光較高量之光的抗蝕劑)導致較低產出率。因此,基於涉及由於抗蝕劑化學反應或波動引起的特徵之失效率以及針對較高產出率之劑量要求的最佳化程序,可判定圖案化程序之適當參數。
圖10中說明根據一實施例的最佳化微影投影裝置之一般方法。此方法包含定義複數個設計變數之多變數成本函數之步驟S1202。設計變數可包含選自照明源之特性(1200A)(例如,光瞳填充比率,即,傳遞通過光瞳或孔徑的源之輻射的百分比)、投影光學件之特性(1200B)及設計佈局之特性(1200C)的任何合適組合。舉例而言,設計變數可包括照明源之特性(1200A)及設計佈局之特性(1200C)(例如,全域偏置),但不包括投影光學件之特性(1200B),此情形導致SMO。替代地,設計變數可包括照明源之特性(1200A)、投影光學件之特性(1200B)及設計佈局之特性(1200C),此情形導致源-光罩-透鏡最佳化(SMLO)。在步驟S1204中,同時地調整設計變數,使得成本函數移動朝向收斂。在步驟S1206中,判定是否滿足預定義終止條件。預定終止條件可包括各種可能性,亦即,成本函數可被最小化或最大化(如由所使用之數值技術所需要)、成本函數之值已等於臨限值或已超越臨限值、成本函數之值已達到預設誤差極限內,或達到預設數目次反覆。若滿足步驟S1206中之條件中之任一者,則方法結束。若皆未滿足步驟S1206中之條件中之任一者,則反覆地重複步驟S1204及S1206直至獲得所要結果為止。最佳化未必導致用於設計變數之單一值集合,此係因為可存在由諸如失效率、光瞳填充因數、抗蝕劑化學反應、產出率等等之因素造成的實體抑制。最佳化可提供用於設計變數及關聯效能特性(例如,產出率)之多個值集合,且允許微影裝置之使用者拾取一或多個集合。
在微影投影裝置中,可交替地最佳化源、圖案化器件及投影光學件(被稱作交替最佳化),或可同時地最佳化源、圖案化器件及投影光學件(被稱作同時最佳化)。如本文所使用之術語「同時的」、「同時地」、「聯合的」及「聯合地」意謂源、圖案化器件、投影光學件之特性之設計變數及/或任何其他設計變數被允許同時改變。如本文所使用之術語「交替的」及「交替地」意謂並非所有設計變數皆被允許同時改變。
在圖11中,同時地執行所有設計變數之最佳化。此流程可被稱為同時流程或共同最佳化流程。替代地,交替地執行所有設計變數之最佳化,如圖11所說明。在此流程中,在每一步驟中,使一些設計變數固定,而最佳化其他設計變數以最小化成本函數;接著,在下一步驟中,使一不同變數集合固定,而最佳化其他變數集合經最佳化以最小化成本函數。交替地執行此等步驟直至符合收斂或某些終止條件為止。
如圖11之非限制性實例流程圖中所展示,首先,獲得設計佈局(步驟S1302),接著,在步驟S1304中執行源最佳化之步驟,其中最佳化(SO)照明源之所有設計變數以最小化成本函數,而使所有其他設計變數固定。接著在下一步驟S1306中,執行光罩最佳化(MO),其中最佳化圖案化器件之所有設計變數以最小化成本函數,同時使所有其他設計變數固定。交替地執行此兩個步驟,直至在步驟S1308中符合某些終止條件為止。V可使用各種終止條件,諸如,成本函數之值變得等於臨限值、成本函數之值超越臨限值、成本函數之值達到預設誤差極限內,或達到預設數目次反覆,等等。應注意,SO-MO交替最佳化係用作該替代流程之實例。該替代流程可採取許多不同形式,諸如:SO-LO-MO交替最佳化,其中交替地且反覆地執行SO、LO(透鏡最佳化)及MO;或可執行第一SMO
一次,接著交替地且反覆地執行LO及MO;等等。最後,在步驟S1310中獲得最佳化結果之輸出,且程序停止。
如之前所論述之圖案選擇演算法可與同時或交替最佳化整合。舉例而言,當採用交替最佳化時,首先可執行全晶片SO,識別「熱點」及/或「溫點」,接著執行MO。鑒於本發明,次最佳化之眾多排列及組合係可能的,以便達成所要最佳化結果。
圖12A展示一種例示性最佳化方法,其中最小化成本函數。在步驟S502中,獲得設計變數之初始值,包括設計變數之調諧範圍(若存在)。在步驟S504中,設置多變數成本函數。在步驟S506中,在圍繞用於第一反覆步驟(i=0)之設計變數之起點值的足夠小之鄰域內展開成本函數。在步驟S508中,應用標準多變數最佳化技術以最小化成本函數。應注意,最佳化問題可在S508中之最佳化程序期間或在最佳化程序中之後期施加約束,諸如,調諧範圍。步驟S520指示出針對用於已為了最佳化微影程序而選擇之經識別評估點之給定測試圖案(亦被稱為「量規」)進行每一反覆。在步驟S510中,預測微影回應。在步驟S512中,比較步驟S510之結果與步驟S522中獲得之所要或理想微影回應值。若在步驟S514中滿足終止條件,亦即,最佳化產生足夠接近於所要值之微影回應值,則在步驟S518中輸出設計變數之最終值。輸出步驟亦可包括使用設計變數之最終值來輸出其他函數,諸如,輸出光瞳平面(或其他平面)處之波前像差調整映像、經最佳化源映像,及經最佳化設計佈局等等。若未滿足終止條件,則在步驟S516中,運用第i反覆之結果來更新設計變數之值,且程序返回至步驟S506。下文詳細地闡述圖12A之程序。
在例示性最佳化程序中,未假定或近似設計變數(z 1,z 2,…,
z N )與f p (z 1,z 2,…,z N )之間的關係,惟f p (z 1,z 2,…,z N )足夠平滑(例如,存在
一階導數(n=1,2,…N)除外),其通常在微影投影裝置中有效。可應用諸如高斯-牛頓(Gauss-Newton)演算法、雷文柏格-馬括特(Levenberg-Marquardt)演算法、梯度下降演算法、模擬退火、遺傳演算法之演算法以找到(,,…,)。
此處,將高斯-牛頓演算法用作一實例。高斯-牛頓演算法為適用於一般非線性多變數最佳化問題之反覆方法。在設計變數(z1,z2,…,zN)取值(z1i,z2i,…,zNi)之第i次反覆中,高斯-牛頓演算法線性化(z1i,z2i,…,zNi)附近之fp(z1,z2,…,zN),且接著演算(z1i,z2i,…,zNi)附近之給出CF(z1,z2,…,zN)之最小值(z1(i+1),z2(i+1),…,zN(i+1))。設計變數(z1,z2,…,zN)在第(i+1)次反覆中採取值(z1(i+1),z2(i+1),…,zN(i+1))。此反覆繼續直至收斂(亦即,CF(z 1,z 2,…,z N )不再縮減)或達到預設數目次反覆為止。
若設計變數(z 1,z 2,…,z N )係在呈J個不等式之形式(例如,(z 1,z 2,…,z N )之調諧範圍)之約束下(其中j=1,2,…J);且在呈K
個等式之形式(例如,設計變數之間的相互相依性)之約束下(其中k=1,2,…K);則最佳化程序變為經典二次規劃問題,其中A nj 、B j 、C nk 、D k 為常數。可針對每一反覆來強加額外約束。舉例而言,可引入「阻尼因數」Δ D 以限制(z 1(i+1),z 2(i+1),…,z N(i+1))與(z 1i ,z 2i ,…,z Ni )之間的差,使得方程式3之近似成立。可將此類約束表達為z ni -Δ D z n z ni +Δ D 。可使用(例如)Jorge Nocedal及Stephen J.Wright(Berlin New York:Vandenberghe.Cambridge University Press)之Numerical Optimization(第2版)中描述的方法來導出(z 1(i+1),z 2(i+1),…,z N(i+1))。
代替最小化f p (z 1,z 2,…,z N )之RMS,最佳化程序可將評估點當中之最大偏差(最差缺陷)之量值最小化至其預期值。在此途徑中,可替代地將成本函數表達為5),其中CL p 為用於f p (z 1,z 2,…,z N )之最大允許值。此成本函數表示評估點當中之最差缺陷。使用此成本函數之最佳化會最小化最差缺陷之量值。反覆貪心演算法可用於此最佳化。
可將方程式5之成本函數近似為:
其中q為正偶數,諸如,至少4,較佳地為至少10。方程式6模仿方程式5之行為,同時允許藉由使用諸如最深下降方法、共軛梯度方法等等之
方法來分析上執行最佳化且使最佳化加速。
最小化最差缺陷大小亦可與f p (z 1,z 2,…,z N )之線性化組合。具體言之,與在方程式3中一樣,近似f p (z 1,z 2,…,z N )。接著,將對最差缺陷大小之約束書寫為不等式E Lp f p (z 1,z 2,…,z N ) E Up ,其中E Lp 及E Up 為指定用於f p (z 1,z 2,…,z N )之最小偏差及最大允許偏差之兩個常數。***方程式3,將此等約束變換至如下方程式(其中p=1,…P):
及
由於方程式3通常僅在(z 1i ,z 2i ,…,z Ni )附近有效,故倘若在此附近不能達成所要約束E Lp f p (z 1,z 2,…,z N ) E Up (其可藉由該等不等式當中之任何衝突予以判定),則可放寬常數E Lp 及E Up 直至可達成該等約束為止。此最佳化程序最小化(z 1i ,z 2i ,…,z Ni )附近之最差缺陷大小。接著,每一步驟逐步地縮減最差缺陷大小,且反覆地執行每一步驟直至符合某些終止條件為止。此情形將導致最差缺陷大小之最佳縮減。
用以最小化最差缺陷之另一方式係在每一反覆中調整權重w p 。舉例而言,在第i反覆之後,若第r評估點為最差缺陷,則可在第(i+1)反覆中增加w r ,使得向彼評估點之缺陷大小之縮減給出較高優先級。
其中λ為指定對缺陷大小之RMS之最佳化與對最差缺陷大小之最佳化之間的取捨之預設常數。詳言之,若λ=0,則此方程式變為方程式4,且僅最小化缺陷大小之RMS;而若λ=1,則此方程式變為方程式5,且僅最小化最差缺陷大小;若0<λ<1,則在最佳化中考量以上兩種情況。可使用多種方法來解決此最佳化。舉例而言,相似於先前所描述之方法,可調整每一反覆中之加權。替代地,相似於自不等式最小化最差缺陷大小,方程式6'及6"之不等式可被視為在二次規劃問題之求解期間的設計變數之約束。接著,可遞增地放寬對最差缺陷大小之界限,或對最差缺陷大小之界限遞增地增加用於最差缺陷大小之權重、計算用於每一可達成最差缺陷大小之成本函數值,且選擇最小化總成本函數之設計變數值作為用於下一步驟之初始點。藉由反覆地進行此操作,可達成此新成本函數之最小化。
最佳化微影投影裝置可擴展程序窗。較大程序窗在程序設計及晶片設計方面提供更多靈活性。程序窗可被定義為使抗蝕劑影像在抗蝕劑影像之設計目標之某一極限內的焦點及劑量值集合。應注意,此處所論述之所有方法亦可擴展至可藉由除了曝光劑量及散焦以外之不同或額外基參數而建立的廣義程序窗定義。此等基參數可包括(但不限於)諸如NA、均方偏差、像差、偏振之光學設定,或抗蝕劑層之光學常數。舉例而言,如早先所描述,若PW亦由不同光罩偏置組成,則最佳化包括光罩誤差增強因數(MEEF)之最小化,該光罩誤差增強因數(MEEF)被定義為基板EPE與誘發性光罩邊緣偏置之間的比率。對焦點及劑量值所定義之程序窗在本發明中僅用作一實例。下文描述根據一實施例的最大化程序窗之方法。
若允許標稱焦點f 0及標稱劑量ε 0移位,則其可與設計變數(z 1,z 2,…,z N )聯合地被最佳化。在下一步驟中,若可找到(z 1,z 2,…,z N )之集合,則接受(f 0±Δf,ε 0±Δε)作為程序窗之部分,以使得成本函數在預設極限內。
替代地,若不允許焦點及劑量移位,則在焦點及劑量固定於標稱焦點f 0及標稱劑量ε 0的情況下最佳化設計變數(z 1,z 2,…,z N )。在一替代實施例中,若可找到(z 1,z 2,…,z N )之值集合,則接受(f 0±Δf,ε 0±Δε)作為程序窗之部分,使得成本函數係在預設極限內。
本發明中早先所描述之方法可用以最小化方程式7、7'或7"之各別成本函數。若設計變數為投影光學件之特性,諸如任尼克係數,則最小化方程式7、7'或7"之成本函數導致基於投影光學件最佳化(亦即LO)之程序窗最大化。若設計變數為除了投影光學件之特性以外的源及圖案化器件之特性,則最小化方程式7、7'或7"之成本函數會導致基於SMLO之程序窗最大化,如圖24所說明。若設計變數為源及圖案化器件之特性,則
最小化方程式7、7'或7"之成本函數會導致基於SMO之程序窗最大化。方程式7、7'或7"之成本函數亦可包括至少一個f p (z 1,z 2,…,z N ),諸如在方程式7或方程式8中之f p (z 1,z 2,…,z N ),其為諸如2D特徵之LWR或局部CD變化以及產出率之一或多個隨機效應的函數。
圖13展示同時SMLO程序可如何使用高斯-牛頓演算法以用於最佳化之一項特定實例。在步驟S702中,識別設計變數之起始值。亦可識別用於每一變數之調諧範圍。在步驟S704中,使用設計變數來定義成本函數。在步驟S706中,圍繞用於設計佈局中之所有評估點之起始值而展開成本函數。在選用步驟S710中,執行全晶片模擬以覆蓋全晶片設計佈局中之所有臨界圖案。在步驟S714中獲得所要微影回應度量(諸如,CD或EPE),且在步驟S712中比較所要微影回應度量與彼等量之所預測值。在步驟S716中,判定程序窗。步驟S718、S720及S722相似於如關於圖12A所描述之對應步驟S514、S516及S518。如之前所提及,最終輸出可為光瞳平面中之波前像差映像,其經最佳化以產生所要成像效能。最終輸出亦可為經最佳化源映像及/或經最佳化設計佈局。
圖12B展示用以最佳化成本函數之例示性方法,其中設計變數(z 1,z 2,…,z N )包括可僅採取離散值之設計變數。
該方法藉由界定照明源之像素群組及圖案化器件之圖案化器件圖案塊而開始(步驟S802)。通常,像素群組或圖案化器件圖案塊亦可被稱作微影程序組件之劃分部。在一種例示性途徑中,將照明源劃分成117個像素群組,且針對圖案化器件界定94個圖案化器件圖案塊(大體上如上文所描述),從而引起總共211個劃分部。
在步驟S804中,選擇一微影模型作為用於光微影模擬之基
礎。光微影模擬產生用於演算光微影度量或回應之結果。將一特定光微影度量定義為待最佳化之效能度量(步驟S806)。在步驟S808中,設置用於照明源及圖案化器件之初始(預最佳化)條件。初始條件包括用於照明源之像素群組及圖案化器件之圖案化器件圖案塊的初始狀態,使得可參考初始照明形狀及初始圖案化器件圖案。初始條件亦可包括光罩偏置、NA,及焦點斜坡範圍。儘管步驟S802、S804、S806及S808被描繪為依序步驟,但應瞭解,在本發明之其他實施例中,可以其他順序執行此等步驟。
在步驟S810中,對像素群組及圖案化器件圖案塊順位。可使像素群組及圖案化器件圖案塊在順位中交錯。可使用各種順位方式,包括:依序地(例如,自像素群組1至像素群組117及自圖案化器件圖案塊1至圖案化器件圖案塊94)、隨機地、根據該等像素群組及圖案化器件圖案塊之實體部位(例如,將較接近於照明源之中心之像素群組順位較高),及根據該像素群組或圖案化器件圖案塊之變更如何影響效能度量。
一旦對像素群組及圖案化器件圖案塊順位,就調整照明源及圖案化器件以改良效能度量(步驟S812)。在步驟S812中,按順位之次序分析像素群組及圖案化器件圖案塊中之每一者,以判定像素群組或圖案化器件圖案塊之變更是否將引起效能度量改良。若判定效能度量將被改良,則相應地變更像素群組或圖案化器件圖案塊,且所得改良型效能度量及經修改照明形狀或經修改圖案化器件圖案形成基線以供比較以用於後續分析較低順位之像素群組及圖案化器件圖案塊。換言之,保持改良效能度量之變更。隨著進行及保持對像素群組及圖案化器件圖案塊之狀態之變更,初始照明形狀及初始圖案化器件圖案相應地改變,使得經修改照明形狀及經修改圖案化器件圖案由步驟S812中之最佳化程序引起。
在其他途徑中,亦在S812之最佳化程序內執行像素群組及/或圖案化器件圖案塊之圖案化器件多邊形形狀調整及成對輪詢。
在一替代實施例中,交錯式同時最佳化工序可包括變更照明源之像素群組,且在發現效能度量之改良的情況下,逐步升高及降低劑量以尋找進一步改良。在另外替代實施例中,可藉由用圖案化器件圖案之偏置改變來替換劑量或強度之逐步升高及降低,以尋找在同時最佳化工序之進一步改良。
在步驟S814中,進行關於效能度量是否已收斂之判定。舉例而言,若在步驟S810及S812之最後幾次反覆中已證明效能度量之很小改良或無改良,則效能度量可被認為已收斂。若效能度量尚未收斂,則在下一反覆中重複步驟S810及S812,其中自當前反覆之經修改之照明形狀及經修改之圖案化器件係用作用於下一反覆之初始照明形狀及初始圖案化器件(步驟S816)。
上文所描述之最佳化方法可用以增加微影投影裝置之產出率。舉例而言,成本函數可包括為曝光時間之函數的f p (z 1,z 2,…,z N )。此成本函數之最佳化較佳地受到隨機效應之量度或其他度量約束或影響。具體言之,用於增加微影程序之產出率之電腦實施方法可包括最佳化為微影程序之一或多個隨機效應之函數且為基板之曝光時間之函數的成本函數,以便最小化曝光時間。
在一項實施例中,成本函數包括為一或多個隨機效應之函數的至少一個f p (z 1,z 2,…,z N )。隨機效應可包括特徵之失效、如在圖3之方法中所判定之量測資料(例如SEPE)、2D特徵之LWR或局部CD變化。在一項實施例中,隨機效應包括抗蝕劑影像之特性之隨機變化。舉例而言,此
等隨機變化可包括特徵之失效率、線邊緣粗糙度(LER)、線寬粗糙度(LWR)及臨界尺寸均一性(CDU)。在成本函數中包括隨機變化會允許找到最小化隨機變化之設計變數之值,藉此縮減歸因於隨機效應之缺陷之風險。
圖14為說明可輔助實施本文所揭示之最佳化方法及流程之電腦系統100的方塊圖。電腦系統100包括用於傳達資訊之匯流排102或其他通信機構,及與匯流排102耦接以用於處理資訊之一處理器104(或多個處理器104及105)。電腦系統100亦包括耦接至匯流排102以用於儲存待由處理器104執行之資訊及指令的主記憶體106,諸如,隨機存取記憶體(RAM)或其他動態儲存器件。主記憶體106亦可用於在待由處理器104執行之指令之執行期間儲存暫時性變數或其他中間資訊。電腦系統100進一步包括耦接至匯流排102以用於儲存用於處理器104之靜態資訊及指令的唯讀記憶體(ROM)108或其他靜態儲存器件。提供諸如磁碟或光碟之儲存器件110,且儲存器件110耦接至匯流排102以用於儲存資訊及指令。
電腦系統100可經由匯流排102而耦接至用於向電腦使用者顯示資訊之顯示器112,諸如,陰極射線管(CRT)或平板顯示器或觸控面板顯示器。包括文數字按鍵及其他按鍵之輸入器件114耦接至匯流排102以用於將資訊及命令選擇傳達至處理器104。另一類型之使用者輸入器件為用於將方向資訊及命令選擇傳達至處理器104且用於控制顯示器112上之游標移動的游標控制件116,諸如,滑鼠、軌跡球或游標方向按鍵。此輸入器件通常具有在兩個軸線-第一軸(例如,x)及第二軸(例如,y)上之兩個自由度,從而允許該器件指定在平面中之位置。觸控面板(螢幕)顯示器亦可用作輸入器件。
根據一實施例,可由電腦系統100回應於處理器104執行主記憶體106中含有之一或多個指令之一或多個序列而執行最佳化程序之部分。可將此類指令自另一電腦可讀媒體(諸如儲存器件110)讀取至主記憶體106中。主記憶體106中所含有之指令序列之執行使處理器104執行本文中所描述之程序步驟。呈多處理配置之一或多個處理器亦可用以執行主記憶體106中含有之指令序列。在一替代實施例中,可代替或結合軟體指令而使用硬連線電路系統。因此,本文之描述不限於硬體電路及軟體之任何特定組合。
本文中所使用之術語「電腦可讀媒體」係指參與將指令提供至處理器104以供執行之任何媒體。此媒體可採取許多形式,包括但不限於非揮發性媒體、揮發性媒體及傳輸媒體。非揮發性媒體包括(例如)光碟或磁碟,諸如,儲存器件110。揮發性媒體包括動態記憶體,諸如主記憶體106。傳輸媒體包括同軸纜線、銅線及光纖,其包括包含匯流排102之電線。傳輸媒體亦可採取聲波或光波之形式,諸如,在射頻(RF)及紅外線(IR)資料通信期間產生之聲波或光波。電腦可讀媒體之常見形式包括例如軟碟、可撓性磁碟、硬碟、磁帶、任何其他磁性媒體、CD-ROM、DVD、任何其他光學媒體、打孔卡、紙帶、具有孔圖案之任何其他實體媒體、RAM、PROM及EPROM、FLASH-EPROM、任何其他記憶體晶片或卡匣、如下文所描述之載波,或可供電腦讀取之任何其他媒體。
可在將一或多個指令之一或多個序列攜載至處理器104以供執行時涉及電腦可讀媒體之各種形式。舉例而言,最初可將該等指令承載於遠端電腦之磁碟上。遠端電腦可將指令載入至其動態記憶體中,且使用數據機經由電話線而發送指令。在電腦系統100本端之數據機可接收電話
線上之資料,且使用紅外線傳輸器將資料轉換成紅外線信號。耦接至匯流排102之紅外線偵測器可接收紅外線信號中所攜載之資料且將資料置放於匯流排102上。匯流排102將資料攜載至主記憶體106,處理器104自該主記憶體106擷取及執行指令。由主記憶體106接收之指令可視情況在由處理器104執行之前或之後儲存於儲存器件110上。
電腦系統100亦較佳包括耦接至匯流排102之通信介面118。通信介面118提供對網路鏈路120之雙向資料通信耦合,網路鏈路120連接至區域網路122。舉例而言,通信介面118可為整合式服務數位網路(ISDN)卡或數據機以提供至對應類型之電話線的資料通信連接。作為另一實例,通信介面118可為區域網路(LAN)卡以提供對相容LAN之資料通信連接。亦可實施無線鏈路。在任何此類實施中,通信介面118發送且接收攜載表示各種類型之資訊之數位資料串流的電信號、電磁信號或光信號。
網路鏈路120通常經由一或多個網路而向其他資料器件提供資料通信。舉例而言,網路鏈路120可經由區域網路122而向主機電腦124或向由網際網路服務提供者(ISP)126操作之資料設備提供連接。ISP 126又經由全球封包資料通信網路(現在通常被稱作「網際網路」)128而提供資料通信服務。區域網路122及網際網路128兩者皆使用攜載數位資料串流之電信號、電磁信號或光信號。經由各種網路之信號及在網路鏈路120上且經由通信介面118之信號(該等信號將數位資料攜載至電腦系統100及自電腦系統100攜載數位資料)為輸送資訊的載波之例示性形式。
電腦系統100可經由網路、網路鏈路120及通信介面118而發送訊息且接收資料(包括程式碼)。在網際網路實例中,伺服器130可能
經由網際網路128、ISP 126、區域網路122及通信介面118而傳輸用於應用程式之經請求程式碼。一個此類經下載應用程式可提供(例如)實施例之照明最佳化。所接收程式碼可在其被接收時由處理器104執行,及/或儲存於儲存器件110或其他非揮發性儲存器中以供稍後執行。以此方式,電腦系統100可獲得呈載波之形式的應用程式碼。
圖15示意性地描繪可利用本文所描述之方法而最佳化照明源的例示性微影投影裝置。該裝置包含:- 照明系統IL,其用以調節輻射光束B。在此特定狀況下,照明系統亦包含輻射源SO;- 第一物件台(例如,光罩台)MT,其具備用以固持圖案化器件MA(例如,倍縮光罩)之圖案化器件固持器,且連接至用以相對於項目PS來準確地定位該圖案化器件之第一***;- 第二物件台(基板台)WT,其具備用以固持基板W(例如,抗蝕劑塗佈矽晶圓)之基板固持器,且連接至用以相對於項目PS來準確地定位該基板之第二***;- 投影系統(「透鏡」)PS(例如折射、反射或反射折射光學系統),其用以將圖案化器件MA之經輻照部分成像至基板W之目標部分C(例如包含一或多個晶粒)上。
如本文中所描繪,該裝置屬於透射類型(亦即具有透射光罩)。然而,一般而言,其亦可屬於例如反射類型(具有反射光罩)。替代地,裝置可使用另一種類之圖案化器件作為對經典光罩之使用的替代例;實例包括可程式化鏡面陣列或LCD矩陣。
源SO(例如,水銀燈或準分子雷射)產生輻射光束。舉例而
言,此光束係直接地抑或在已橫穿諸如光束擴展器Ex之調節構件之後饋入至照明系統(照明器)IL中。照明器IL可包含調整構件AD以用於設定光束中之強度分佈之外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外,照明器IL通常將包含各種其他組件,諸如,積光器IN及聚光器CO。以此方式,照射於圖案化器件MA上之光束B在其橫截面中具有所要均一性及強度分佈。
關於圖15應注意,源SO可在微影投影裝置之外殼內(此常常為源SO為(例如)水銀燈時之狀況),但其亦可遠離微影投影裝置,其產生之輻射光束經導引至該裝置中(例如,憑藉合適導向鏡);此後一情境常常為當源SO為準分子雷射(例如,基於KrF、ArF或F2雷射作用)時之狀況。
光束B隨後截取被固持於圖案化器件台MT上之圖案化器件MA。在已橫穿圖案化器件MA的情況下,光束B傳遞通過透鏡PL,該透鏡PS將光束B聚焦至基板W之目標部分C上。憑藉第二定位構件(及干涉量測構件IF),可準確地移動基板台WT,例如以便使不同目標部分C定位於光束B之路徑中。相似地,第一定位構件可用以(例如)在自圖案化器件庫機械地擷取圖案化器件MA之後或在掃描期間相對於光束B之路徑來準確地定位圖案化器件MA。一般而言,將憑藉未在圖15中明確地描繪之長衝程模組(粗略定位)及短衝程模組(精細定位)來實現物件台MT、WT之移動。然而,在晶圓步進器(相對於步進掃描工具)之狀況下,圖案化器件台MT可僅連接至短衝程致動器,或可固定。
可在兩種不同模式中使用所描繪工具:- 在步進模式中,將圖案化器件台MT保持基本上靜止,且將整個
圖案化器件影像一次性投影((亦即,單次「閃光」)至目標部分C上。接著使基板台WT在x方向及/或y方向上移位,使得可由光束B輻照不同目標部分C;- 在掃描模式中,基本上相同情境適用,惟單次「閃光」中不曝光給定目標部分C除外。取而代之,圖案化器件台MT可在給定方向(所謂「掃描方向」,例如,y方向)上以速度v移動,使得造成投影光束B遍及圖案化器件影像進行掃描;同時發生地,基板台WT以速度V=Mv在相同或相對方向上同時地移動,其中M為透鏡PS之放大率(通常,M=1/4或=1/5)。以此方式,可在不必損害解析度的情況下曝光相對較大目標部分C。
圖16示意性地描繪可利用本文所描述之方法而最佳化照明源的另一例示性微影投影裝置1000。
微影投影裝置1000包括:源收集器模組SO;照明系統(照明器)IL,其經組態以調節輻射光束B(例如,EUV輻射);支撐結構(例如,光罩台)MT,其經建構以支撐圖案化器件(例如,光罩或倍縮光罩)MA,且連接至經組態以準確地定位該圖案化器件之第一***PM;基板台(例如,晶圓台)WT,其經建構以固持基板(例如,抗蝕劑塗佈晶圓)W,且連接至經組態以準確地定位該基板之第二***PW;及投影系統(例如,反射投影系統)PS,其經組態以將由圖案化器件MA賦予至輻射光束B之圖案投影至基板W之目標部分C(例如,包含一或
多個晶粒)上。
如此處所描繪,裝置1000屬於反射類型(例如使用反射光罩)。應注意,因為大多數材料在EUV波長範圍內具吸收性,所以光罩可具有包含例如鉬與矽之多堆疊的多層反射器。在一項實例中,多堆疊反射器具有鉬與矽之40個層對,其中每一層之厚度為四分之一波長。可運用X射線微影來產生更小波長。因為大多數材料在EUV及x射線波長下具吸收性,所以圖案化器件構形(topography)上之經圖案化吸收材料薄片段(例如,多層反射器之頂部上之TaN吸收器)界定特徵將印刷(正型抗蝕劑)或不印刷(負型抗蝕劑)之處。
參看圖16,照明器IL自源收集器模組SO接收極紫外線輻射光束。用以產生EUV輻射之方法包括但未必限於:運用在EUV範圍內之一或多個發射譜線將具有至少一個元素(例如氙、鋰或錫)之材料轉換成電漿狀態。在一種此類方法(常常被稱為雷射產生電漿「LPP」)中,可藉由運用雷射光束來輻照燃料(諸如具有譜線發射元素之材料小滴、串流或叢集)而產生電漿。源收集器模組SO可為包括雷射(圖16中未繪示)之EUV輻射系統之部分,該雷射用於提供激發燃料之雷射光束。所得電漿發射輸出輻射,例如EUV輻射,該輻射係使用安置於源收集器模組中之輻射收集器予以收集。舉例而言,當使用CO2雷射以提供用於燃料激發之雷射光束時,雷射與源收集器模組可為單獨實體。
此等狀況下,不認為雷射形成微影裝置之部件,且輻射光束係憑藉包含(例如)合適導向鏡及/或光束擴展器之光束遞送系統而自雷射傳遞至源收集器模組。在其他狀況下,舉例而言,當源為放電產生電漿EUV產生器(常常被稱為DPP源)時,源可為源收集器模組之整體部件。
照明器IL可包含用於調整輻射光束之角強度分佈之調整器。通常,可調整照明器之光瞳平面中之強度分佈之至少外部徑向範圍及/或內部徑向範圍(通常分別被稱作σ外部及σ內部)。另外,照明器IL可包含各種其他組件,諸如琢面化場鏡面器件及琢面化光瞳鏡面器件。照明器可用以調節輻射光束,以在其橫截面中具有所要均一性及強度分佈。
輻射光束B入射於被固持於支撐結構(例如光罩台)MT上之圖案化器件(例如光罩)MA上,且係由該圖案化器件而圖案化。在自圖案化器件(例如,光罩)MA反射之後,輻射光束B傳遞通過投影系統PS,投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二***PW及位置感測器PS2(例如,干涉器件、線性編碼器或電容性感測器),可準確地移動基板台WT,例如,以便使不同目標部分C定位於輻射光束B之路徑中。相似地,第一***PM及另一位置感測器PS1可用以相對於輻射光束B之路徑來準確地定位圖案化器件(例如,光罩)MA。可使用圖案化器件對準標記M1、M2及基板對準標記P1、P2來對準圖案化器件(例如光罩)MA及基板W。
所描繪裝置1000可用於以下模式中之至少一者中:
1.在步進模式中,在將被賦予至輻射光束之整個圖案一次性投影至目標部分C上時,使支撐結構(例如光罩台)MT及基板台WT保持基本上靜止(亦即,單次靜態曝光)。接著,使基板台WT在X及/或Y方向上移位,使得可曝光不同目標部分C。
2.在掃描模式中,在將被賦予至輻射光束之圖案投影至目標部分C上時,同步地掃描支撐結構(例如,光罩台)MT及基板台WT(亦即,單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來
判定基板台WT相對於支撐結構(例如,光罩台)MT之速度及方向。
3.在另一模式中,在將被賦予至輻射光束之圖案投影至目標部分C上時,使支撐結構(例如,光罩台)MT保持基本上靜止,從而固持可程式化圖案化器件,且移動或掃描基板台WT。在此模式中,通常使用脈衝式輻射源,且在基板台WT之每一移動之後或在掃描期間之順次輻射脈衝之間根據需要而更新可程式化圖案化器件。此操作模式可易於應用於利用可程式化圖案化器件(諸如,上文所提及之類型之可程式化鏡面陣列)之無光罩微影。
圖17更詳細地展示裝置1000,其包括源收集器模組SO、照明系統IL及投影系統PS。源收集器模組SO經建構及配置成使得可將真空環境維持於源收集器模組SO之圍封結構220中。可由放電產生電漿源形成EUV輻射發射電漿210。可藉由氣體或蒸汽(例如,Xe氣體、Li蒸汽或Sn蒸汽)而產生EUV輻射,其中產生極熱電漿210以發射在電磁光譜之EUV範圍內之輻射。舉例而言,藉由造成至少部分離子化電漿之放電來產生極熱電漿210。為了輻射之有效率產生,可需要為(例如)10帕斯卡之分壓之Xe、Li、Sn蒸汽或任何其他合適氣體或蒸汽。在一實施例中,提供受激發錫(Sn)電漿以產生EUV輻射。
由極熱電漿210發射之輻射係經由經定位於源腔室211中之開口中或後方的選用氣體障壁或污染物截留器230(在一些狀況下,亦被稱作污染物障壁或箔片截留器)而自源腔室211傳遞至收集器腔室212中。污染物截留器230可包括通道結構。污染截留器230亦可包括氣體障壁,或氣體障壁與通道結構之組合。如在此項技術中已知,本文中進一步指示之污染物截留器或污染物障壁230至少包括通道結構。
收集器腔室212可包括可為所謂的掠入射收集器之輻射收集器CO。輻射收集器CO具有上游輻射收集器側251及下游輻射收集器側252。橫穿收集器CO之輻射可自光柵光譜濾光器240反射以沿著由點虛線「O」指示之光軸而聚焦於虛擬源點IF中。虛擬源點IF通常被稱作中間焦點,且源收集器模組經配置以使得中間焦點IF位於圍封結構220中之開口221處或附近。虛擬源點IF為EUV輻射發射電漿210之影像。
隨後,輻射橫穿照明系統IL,照明系統IL可包括琢面化場鏡面器件22及琢面化光瞳鏡面器件24,琢面化場鏡面器件22及琢面化光瞳鏡面器件24經配置以提供在圖案化器件MA處輻射光束21之所要角度分佈,以及在圖案化器件MA處之輻射強度之所要均一性。在由支撐結構MT固持之圖案化器件MA處的輻射光束21之反射後,即形成經圖案化光束26,且由投影系統PS將經圖案化光束26經由反射元件28、30而成像至由基板台WT固持之基板W上。
比所展示元件多的元件通常可存在於照明光學件單元IL及投影系統PS中。取決於微影裝置之類型,可視情況存在光柵光譜濾光器240。另外,可存在比諸圖所展示之鏡面多的鏡面,例如,在投影系統PS中可存在比圖17所展示之反射元件多1至6個的額外反射元件。
如圖17所說明之收集器光學件CO被描繪為具有掠入射反射器253、254及255之巢套式收集器,僅僅作為收集器(或收集器鏡面)之實例。掠入射反射器253、254及255經安置成圍繞光軸O軸向地對稱,且此類型之收集器光學件CO係較佳地結合放電產生電漿源(其常常被稱為DPP源)而使用。
替代地,源收集器模組SO可為如圖34所展示之LPP輻射系
統之部件。雷射LA經配置以將雷射能量沈積至諸如氙(Xe)、錫(Sn)或鋰(Li)之燃料中,從而產生具有數十電子伏特之電子溫度之高度離子化電漿210。在此等離子之去激發及再結合期間產生之高能輻射係自電漿發射、由近正入射收集器光學件CO收集,且聚焦至圍封結構220中之開口221上。
本文中所揭示之概念可模擬或數學上模型化用於使子波長特徵成像之任何通用成像系統,且可尤其供能夠產生愈來愈短波長之新興成像技術使用。已經在使用中之新興技術包括能夠藉由使用ArF雷射來產生193奈米波長且甚至能夠藉由使用氟雷射來產生157奈米波長之極紫外線(EUV)、DUV微影。此外,EUV微影能夠藉由使用同步加速器或藉由運用高能電子來撞擊材料(固體或電漿)而產生在20奈米至5奈米之範圍內的波長,以便產生在此範圍內之光子。
可使用以下條項進一步描述實施例:
1.一種訓練經組態以預測用於一光罩之一後光學接近校正(OPC)影像之一機器學習模型的方法,該方法包含:獲得(i)與待印刷於一基板上之一設計佈局相關聯的一預OPC影像;(ii)與該設計佈局相關聯的該光罩之一或多個輔助特徵之一影像;及(iii)該設計佈局之一參考後OPC影像;及將該預OPC影像及該一或多個輔助特徵之該影像用作輸入來訓練該機器學習模型,使得縮減該參考影像與該機器學習模型之一經預測後OPC影像之間的一差異。
2.如條項1之方法,其中該獲得該預OPC影像及該一或多個輔助特徵之該影像包含:
獲得該設計佈局及該一或多個輔助特徵之幾何形狀;及經由影像處理自該設計佈局之該等幾何形狀產生該預OPC影像且自該一或多個輔助特徵之幾何形狀產生另一影像。
3.如條項2之方法,其中該影像處理包含基於該等幾何形狀之一光柵化操作。
4.如條項2之方法,其中該獲得該一或多個輔助特徵之該等幾何形狀包含:經由一以規則為基礎之途徑判定與該設計佈局相關聯的一或多個輔助特徵之該等幾何形狀;及/或經由一以模型為基礎之途徑判定與該設計佈局相關聯的一或多個輔助特徵之幾何形狀。
5.如條項1至4中任一項之方法,其中該獲得該參考影像包含:使用該設計佈局執行一光罩最佳化程序及/或一源光罩最佳化程序。
6.如條項5之方法,其中該光罩最佳化程序使用光學接近校正程序。
7.如條項1至6之方法,其中該訓練該機器學習模型係一反覆程序,一反覆包含:將該預OPC影像及該一或多個輔助特徵之該影像輸入至該機器學習模型;藉由模擬該機器學習模型而預測該後OPC影像;判定該經預測後OPC影像與該參考影像之間的該差異;及調整該機器學習模型之權重使得縮減該經預測影像與該參考影像之間的該差異。
8.如條項7之方法,其中該調整該等權重係基於該差異之一梯度下降。
9.如條項7至8中任一項之方法,其中使該差異最小化。
10.如條項1至9中任一項之方法,其進一步包含:獲得該設計佈局之幾何形狀;將該設計佈局之該等幾何形狀分割成複數個區段;及判定對該複數個區段之校正使得縮減與該設計佈局相關聯之一影像與沿著該等幾何形狀之該經預測後OPC影像之間的一差異。
11.如條項10之方法,其進一步包含:將一或多個評估點置放於複數個區段之每一區段上。
12.如條項10至11中任一項之方法,其中該判定該等校正係一反覆程序,一反覆包含:調整該等幾何形狀之該複數個區段;自該設計佈局之該等經調整幾何形狀產生一影像;及評估該所產生影像與沿著該等各別影像內之該等幾何形狀之該經預測後OPC影像之間的差異。
13.如條項12之方法,其中該所產生影像與該經預測影像之間的該差異為沿著該等幾何形狀之強度值之一差。
14.如條項12至13中任一項之方法,其中該調整該複數個該等區段包含:調整該複數個區段之至少一部分之形狀及/或位置使得縮減該所產生影像與該經預測影像之間的該差異。
15.如條項12至14中任一項之方法,其中使該所產生影像與該經預
測後OPC影像之間的該差異最小化。
16.如條項12至15中任一項之方法,其進一步包含:經由使用該設計佈局及對該設計佈局之該等校正進行之OPC模擬,判定待用於製造用於一圖案化程序之該光罩之一光罩佈局。
17.如條項16之方法,其中該OPC模擬包含:經由使用該設計佈局之該等幾何形狀及與該複數個區段相關聯之該等校正來模擬一圖案化程序模型,而判定將被印刷於一基板上之一經模擬圖案;及判定對該設計佈局之光學接近校正使得縮減該經模擬圖案與該設計佈局之間的一差異。
18.如條項17之方法,其中該判定光學接近校正係一反覆程序,一反覆包含:調整該設計佈局之主要特徵及/或該一或多個輔助特徵的幾何形狀之形狀及/或大小使得縮減該圖案化程序之一效能度量。
19.如條項18之方法,其中自該機器學習模型之該經預測後OPC影像提取該一或多個輔助特徵。
20.如條項18至19中任一項之方法,其中該效能度量包含該經模擬圖案與該設計佈局之間的一邊緣置放誤差,及/或該經模擬圖案之CD值。
21.如條項1至20中任一項之方法,其中該預OPC影像、該輔助特徵之該影像、該經預測後OPC影像及參考影像為經像素化影像。
22.一種用於訓練用以預測用於一光罩之一後光學接近校正(OPC)之一機器學習模型的方法,該方法包含:獲得(i)與待印刷於一基板上之一設計佈局相關聯的一預OPC影像,
及(ii)該設計佈局之一參考後OPC影像;及將該預OPC影像用作輸入來訓練該機器學習模型使得縮減該機器學習模型之一經預測後OPC影像與該參考影像之間的一差異。
23.如條項22之方法,其中該獲得該預OPC影像包含:獲得該設計佈局之幾何形狀;及經由影像處理自該等幾何形狀產生一影像。
24.如條項23之方法,其中該影像處理包含使用該等幾何形狀之光柵化操作。
25.如條項22至24中任一項之方法,其中該獲得該參考影像包含:使用該設計佈局執行一光罩最佳化程序及/或一源光罩最佳化程序。
26.如條項25之方法,其中該光罩最佳化程序包含光學接近校正。
27.如條項22至26中任一項之方法,其中該訓練該機器學習模型係一反覆程序,一反覆包含:將該預OPC影像輸入至該機器學習模型;藉由模擬該機器學習模型而預測該後OPC影像;判定該經預測後OPC影像與該參考影像之間的該差異;及調整該機器學習模型之權重使得縮減該經預測影像與該參考影像之間的該差異。
28.如條項27之方法,其中該調整該等權重係基於該差異之一梯度下降。
29.如條項22至27中任一項之方法,其中使該差異最小化。
30.一種用於判定用於一光罩之一後OPC影像之方法,該方法包含:
獲得與待印刷於一基板上之一設計佈局相關聯的一預OPC影像;藉由使用該預OPC影像模擬一經訓練第一機器學習模型來判定該光罩之一第一後OPC影像,其中該第一後OPC影像包含該光罩之一或多個輔助特徵;提取該第一後OPC影像之該一或多個輔助特徵之幾何形狀;及藉由使用該設計佈局之該預OPC影像及該第一後OPC影像之該一或多個輔助特徵之該等經提取幾何形狀來判定用於該光罩之一第二後OPC影像。
31.如條項30之方法,其進一步包含:基於該第二後OPC影像及該設計佈局判定對該設計佈局之校正。
32.如條項31之方法,其中該判定該等校正係一反覆程序,一反覆包含:獲得該設計佈局之幾何形狀;將該設計佈局之該等幾何形狀分割成複數個區段;調整該複數個區段;自該設計佈局之該等經調整幾何形狀產生一影像;及評估該所產生影像與沿著該等各別影像之該等幾何形狀之該第二後OPC影像之間的該差異。
33.如條項32之方法,其中該調整該複數個該等區段包含:調整該複數個區段之至少一部分之形狀及/或位置使得縮減該所產生影像與沿著該等各別影像之該等幾何形狀之該第二後OPC影像之間的該差異。
34.如條項30至33中任一項之方法,其進一步包含:
經由使用該設計佈局及對該設計佈局之該等校正進行之OPC模擬,判定待用於製造用於一圖案化程序之該光罩之一光罩佈局。
35.一種用於判定對一設計佈局之校正之方法,該方法包含:獲得(i)經由使用該設計佈局之一預OPC影像及與該設計佈局相關聯之一或多個輔助特徵之一影像的一訓練機器學習模型之一經預測之後OPC影像,及(ii)該設計佈局之幾何形狀;將該設計佈局之該等幾何形狀分割成複數個區段;及判定對該複數個區段之校正使得縮減該設計佈局之一影像與沿著該等幾何形狀之該經預測後OPC影像之間的一差異。
36.如條項35之方法,其進一步包含:將一或多個評估點置放於複數個區段之每一區段上。
37.如條項36之方法,其中判定該等校正係一反覆程序,一反覆包含:經由該一或多個評估點調整該複數個區段;自該設計佈局之該等經調整幾何形狀產生一影像;及評估在該等幾何形狀之該複數個區段上之該一或多個評估點處該所產生影像與該經預測後OPC影像之間的該差異。
38.如條項37之方法,其中該所產生影像與該經預測影像之間的該差異為該一或多個評估點處之強度值之一差。
39.如條項37之方法,其中該調整該複數個該等區段包含:調整該複數個區段之至少一部分之形狀及/或位置使得縮減該所產生影像與該經預測影像之間的該差異。
40.如條項35至39中任一項之方法,其中使該所產生影像與該經預
測後OPC影像之間的該差異最小化。
41.如條項35至40中任一項之方法,其進一步包含:經由使用該設計佈局及對該設計佈局之該等校正進行之OPC模擬來判定一光罩佈局。
42.如條項41之方法,其中該OPC模擬包含:經由使用該設計佈局之該等幾何形狀及與該等幾何形狀之該複數個區段相關聯之該等校正來模擬一圖案化程序,而判定將被印刷於一基板上之一經模擬圖案;及判定對該設計佈局之光學接近校正使得縮減該經模擬圖案與該設計佈局之間的一差異。
43.如條項42之方法,其中該判定光學接近校正係一反覆程序,一反覆包含:調整該設計佈局之主要特徵及/或該一或多個輔助特徵的幾何形狀之形狀及/或大小使得縮減該圖案化程序之一效能度量。
44.如條項43之方法,其中自該機器學習模型之該經預測後OPC影像提取該一或多個輔助特徵。
45.如條項43至44中任一項之方法,其中該效能度量包含該經模擬圖案與該設計佈局之間的一邊緣置放誤差,及/或該經模擬圖案之CD值。
46.一種電腦程式產品,其包含其上經記錄有指令之一非暫時性電腦可讀媒體,該等指令在由一電腦執行時實施以上條項中任一項之方法。
雖然本文中所揭示之概念可用於在諸如矽晶圓之基板上的成像,但應理解,所揭示之概念可與任何類型之微影成像系統一起使用,例如,用於在不同於矽晶圓的基板上之成像的微影成像系統。
以上描述意欲為說明性,而非限制性的。因此,對於熟習此項技術者將顯而易見,可在不脫離下文所闡明之申請專利範圍之範疇的情況下如所描述進行修改。
300:訓練方法
302:預光學接近校正(OPC)影像
304:影像
306:參考後光學接近校正(OPC)影像
310:經訓練機器學習模型/經訓練第二模型/經訓練第二機器學習模型
314:區段
316:校正
320:光罩佈局
P301:程序
P303:程序
P312:程序
P314:程序
P316:程序
P320:程序
Claims (15)
- 一種訓練經組態以預測用於一光罩之一後光學接近校正(OPC)影像之一機器學習模型的方法,該方法包含:獲得(i)與待印刷於一基板上之一設計佈局相關聯的一預OPC影像;(ii)與該設計佈局相關聯的該光罩之一或多個輔助特徵(assist features)之一影像;及(iii)該設計佈局之一參考影像;及藉由一硬體電腦將該預OPC影像及該一或多個輔助特徵之該影像用作輸入來訓練該機器學習模型,使得縮減該參考影像與該機器學習模型之一經預測後OPC影像之間的一差異。
- 如請求項1之方法,其中該獲得該預OPC影像及該一或多個輔助特徵之該影像包含:獲得該設計佈局及該一或多個輔助特徵之幾何形狀;及經由影像處理自該設計佈局之該等幾何形狀產生該預OPC影像且自該一或多個輔助特徵之幾何形狀產生另一影像。
- 如請求項2之方法,其中該影像處理包含基於該等幾何形狀之一光柵化操作。
- 如請求項2之方法,其中該獲得該一或多個輔助特徵之該等幾何形狀包含:經由一以規則為基礎之途徑判定與該設計佈局相關聯的一或多個輔 助特徵之該等幾何形狀;及/或經由一以模型為基礎之途徑判定與該設計佈局相關聯的一或多個輔助特徵之幾何形狀。
- 如請求項1之方法,其中該獲得該參考影像包含:使用該設計佈局執行一光罩最佳化程序及/或一源光罩最佳化程序。
- 如請求項5之方法,其中該光罩最佳化程序使用光學接近校正程序。
- 如請求項1之方法,其中該訓練該機器學習模型係一反覆程序,一反覆包含:將該預OPC影像及該一或多個輔助特徵之該影像輸入至該機器學習模型;藉由模擬該機器學習模型而預測該後OPC影像;判定該經預測後OPC影像與該參考影像之間的該差異;及調整該機器學習模型之權重使得縮減該經預測後OPC影像與該參考影像之間的該差異。
- 如請求項7之方法,其中該調整該等權重係基於該差異之一梯度下降。
- 如請求項7之方法,其中使該差異最小化。
- 如請求項1之方法,其進一步包含:獲得該設計佈局之幾何形狀;將該設計佈局之該等幾何形狀分割成複數個區段;及判定對該複數個區段之校正使得縮減與該設計佈局相關聯之一影像與沿著該等幾何形狀之該經預測後OPC影像之間的一差異。
- 如請求項10之方法,其進一步包含:將一或多個評估點置放於複數個區段之每一區段上。
- 如請求項10之方法,其中該判定該校正係一反覆程序,一反覆包含:調整該等幾何形狀之該複數個區段;自該設計佈局之該等經調整幾何形狀產生一影像;及評估該所產生影像與沿著該等各別影像內之該等幾何形狀之該經預測後OPC影像之間的差異。
- 如請求項12之方法,其中該所產生影像與該經預測後OPC影像之間的該差異為沿著該等幾何形狀之強度值之一差,及/或其中該調整該複數個該等區段包含:調整該複數個區段之至少一部分之形狀及/或位置使得縮減該所產生影像與該經預測後OPC影像之間的該差異。
- 如請求項12之方法,其中使該所產生影像與該經預測後OPC影像之 間的該差異最小化。
- 一種電腦程式產品,其包含其上經記錄有指令之一電腦非暫時性可讀媒體,該等指令在由一電腦執行時實施如請求項1之方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962808410P | 2019-02-21 | 2019-02-21 | |
US62/808,410 | 2019-02-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202101109A TW202101109A (zh) | 2021-01-01 |
TWI745863B true TWI745863B (zh) | 2021-11-11 |
Family
ID=69326519
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110137906A TWI795944B (zh) | 2019-02-21 | 2020-02-13 | 訓練用以預測用於光罩之後光學接近校正(opc)之機器學習模型的方法、判定用於光罩之後opc影像之方法及判定對設計佈局之校正之方法 |
TW109104469A TWI745863B (zh) | 2019-02-21 | 2020-02-13 | 訓練機器學習模型以判定光罩的光學接近校正的方法及相關聯電腦程式產品 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110137906A TWI795944B (zh) | 2019-02-21 | 2020-02-13 | 訓練用以預測用於光罩之後光學接近校正(opc)之機器學習模型的方法、判定用於光罩之後opc影像之方法及判定對設計佈局之校正之方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220137503A1 (zh) |
KR (1) | KR20210116613A (zh) |
CN (1) | CN113454532A (zh) |
TW (2) | TWI795944B (zh) |
WO (1) | WO2020169303A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10522322B2 (en) | 2017-04-13 | 2019-12-31 | Fractilia, Llc | System and method for generating and analyzing roughness measurements |
US10176966B1 (en) | 2017-04-13 | 2019-01-08 | Fractilia, Llc | Edge detection system |
US11380516B2 (en) | 2017-04-13 | 2022-07-05 | Fractilia, Llc | System and method for generating and analyzing roughness measurements and their use for process monitoring and control |
US20210342991A1 (en) * | 2020-04-29 | 2021-11-04 | University Of Southern California | Ml-enabled assured microelectronics manufacturing: a technique to mitigate hardware trojan detection |
KR20230070230A (ko) * | 2020-09-25 | 2023-05-22 | 에이에스엠엘 네델란즈 비.브이. | 패터닝 공정을 위한 스캐너 스루풋 및 이미징 품질의 최적화 |
US20220121957A1 (en) * | 2020-10-15 | 2022-04-21 | Synopsys, Inc. | Lithography simulation using machine learning |
KR20230117366A (ko) | 2020-12-18 | 2023-08-08 | 에이에스엠엘 네델란즈 비.브이. | 마스크 패턴을 결정하고 기계학습 모델을 트레이닝하는 방법 |
EP4020085A1 (en) * | 2020-12-22 | 2022-06-29 | ASML Netherlands B.V. | Machine learning based image generation of after-development or after-etch images |
US20240119582A1 (en) * | 2021-02-23 | 2024-04-11 | Asml Netherlands B.V. | A machine learning model using target pattern and reference layer pattern to determine optical proximity correction for mask |
CN113168086A (zh) * | 2021-03-19 | 2021-07-23 | 长江存储科技有限责任公司 | 用于设计光掩模的***和方法 |
WO2022246286A1 (en) * | 2021-05-21 | 2022-11-24 | Synopsys, Inc. | Machine learning for selecting initial source shapes for source mask optimization |
KR20240011719A (ko) * | 2021-05-25 | 2024-01-26 | 에이에스엠엘 네델란즈 비.브이. | 마스크 규칙 체크 위반 및 마스크 디자인 결정 |
TWI833241B (zh) * | 2021-06-18 | 2024-02-21 | 荷蘭商Asml荷蘭公司 | 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體 |
CN115510795A (zh) * | 2022-08-22 | 2022-12-23 | 华为技术有限公司 | 一种数据处理方法以及相关装置 |
CN117332745B (zh) * | 2023-11-22 | 2024-02-13 | 全芯智造技术有限公司 | 用于生成版图的方法、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201510636A (zh) * | 2013-05-30 | 2015-03-16 | Synopsys Inc | 使用多數機學習核心之微影熱點偵測 |
TW201901285A (zh) * | 2017-05-26 | 2019-01-01 | 荷蘭商Asml荷蘭公司 | 基於機器學習之輔助特徵置放 |
US10198550B2 (en) * | 2017-04-04 | 2019-02-05 | Globalfoundries Inc. | SRAF insertion with artificial neural network |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523193A (en) | 1988-05-31 | 1996-06-04 | Texas Instruments Incorporated | Method and apparatus for patterning and imaging member |
DE59105735D1 (de) | 1990-05-02 | 1995-07-20 | Fraunhofer Ges Forschung | Belichtungsvorrichtung. |
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
WO1997033205A1 (en) | 1996-03-06 | 1997-09-12 | Philips Electronics N.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
DE69735016T2 (de) | 1996-12-24 | 2006-08-17 | Asml Netherlands B.V. | Lithographisches Gerät mit zwei Objekthaltern |
CN1622206A (zh) * | 2003-11-26 | 2005-06-01 | 皇家飞利浦电子股份有限公司 | 一种光盘刻写参数的优化方法及装置 |
US7617477B2 (en) | 2005-09-09 | 2009-11-10 | Brion Technologies, Inc. | Method for selecting and optimizing exposure tool using an individual mask error model |
JP4714854B2 (ja) * | 2006-09-05 | 2011-06-29 | 独立行政法人産業技術総合研究所 | マスクパターン設計方法、マスクパターン設計装置および半導体装置の製造方法 |
US7882480B2 (en) | 2007-06-04 | 2011-02-01 | Asml Netherlands B.V. | System and method for model-based sub-resolution assist feature generation |
US7707538B2 (en) * | 2007-06-15 | 2010-04-27 | Brion Technologies, Inc. | Multivariable solver for optical proximity correction |
CN102224459B (zh) | 2008-11-21 | 2013-06-19 | Asml荷兰有限公司 | 用于优化光刻过程的方法及设备 |
NL2003699A (en) * | 2008-12-18 | 2010-06-21 | Brion Tech Inc | Method and system for lithography process-window-maximixing optical proximity correction. |
US8786824B2 (en) | 2009-06-10 | 2014-07-22 | Asml Netherlands B.V. | Source-mask optimization in lithographic apparatus |
WO2016008711A1 (en) * | 2014-07-14 | 2016-01-21 | Asml Netherlands B.V. | Optimization of assist features and source |
CN104865788B (zh) * | 2015-06-07 | 2019-05-31 | 上海华虹宏力半导体制造有限公司 | 一种光刻版图opc方法 |
US10546085B2 (en) * | 2017-04-12 | 2020-01-28 | Anchor Semiconductor Inc. | Pattern centric process control |
WO2019048506A1 (en) * | 2017-09-08 | 2019-03-14 | Asml Netherlands B.V. | METHODS OF LEARNING OPTICAL CORRECTION OF PROXIMITY ERROR ASSISTED BY AUTOMATIC APPRENTICESHIP |
US10691864B2 (en) * | 2017-11-14 | 2020-06-23 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of post optical proximity correction (OPC) printing verification by machine learning |
CN107908071B (zh) * | 2017-11-28 | 2021-01-29 | 上海集成电路研发中心有限公司 | 一种基于神经网络模型的光学邻近校正方法 |
US10579764B2 (en) * | 2018-06-06 | 2020-03-03 | International Business Machines Corporation | Co-modeling post-lithography critical dimensions and post-etch critical dimensions with multi-task neural networks |
US10796068B2 (en) * | 2018-09-11 | 2020-10-06 | Samsung Electronics Co., Ltd. | Standard cell design system, standard cell design optimization method thereof, and semiconductor design system |
US11092899B2 (en) * | 2018-11-30 | 2021-08-17 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method for mask data synthesis with wafer target adjustment |
KR20240033567A (ko) * | 2022-09-05 | 2024-03-12 | 삼성전자주식회사 | Sem 측정 방법, 및 장치 |
-
2020
- 2020-01-24 US US17/429,770 patent/US20220137503A1/en active Pending
- 2020-01-24 KR KR1020217026561A patent/KR20210116613A/ko not_active Application Discontinuation
- 2020-01-24 CN CN202080015204.6A patent/CN113454532A/zh active Pending
- 2020-01-24 WO PCT/EP2020/051778 patent/WO2020169303A1/en active Application Filing
- 2020-02-13 TW TW110137906A patent/TWI795944B/zh active
- 2020-02-13 TW TW109104469A patent/TWI745863B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201510636A (zh) * | 2013-05-30 | 2015-03-16 | Synopsys Inc | 使用多數機學習核心之微影熱點偵測 |
US10198550B2 (en) * | 2017-04-04 | 2019-02-05 | Globalfoundries Inc. | SRAF insertion with artificial neural network |
TW201901285A (zh) * | 2017-05-26 | 2019-01-01 | 荷蘭商Asml荷蘭公司 | 基於機器學習之輔助特徵置放 |
Non-Patent Citations (3)
Title |
---|
Bo-Yi Yu, Yong Zhong, Shao-Yun Fang and Hung-Fei Kuo. Deep Learning-Based Framework for Comprehensive Mask Optimization. ASPDAC '19: Proceedings of the 24th Asia and South Pacific Design Automation Conference, January 21-24, 2019, Pages 311–316. (https://doi.org/10.1145/3287624.3288749) |
Bo-Yi Yu, Yong Zhong, Shao-Yun Fang and Hung-Fei Kuo. Deep Learning-Based Framework for Comprehensive Mask Optimization. ASPDAC '19: Proceedings of the 24th Asia and South Pacific Design Automation Conference, January 21-24, 2019, Pages 311–316. (https://doi.org/10.1145/3287624.3288749); * |
Xiaoqing Xu, Tetsuaki Matsunawa, Shigeki Nojima, Chikaaki Kodama, Toshiya Kotani, and David Z. Pan. A Machine Learning Based Framework for Sub-Resolution Assist Feature Generation. ISPD '16: Proceedings of the 2016 on International Symposium on Physical Design, April 3-6, 2016, Pages 161–168. (https://doi.org/10.1145/2872334.2872357) * |
Also Published As
Publication number | Publication date |
---|---|
TW202205007A (zh) | 2022-02-01 |
WO2020169303A1 (en) | 2020-08-27 |
TW202101109A (zh) | 2021-01-01 |
US20220137503A1 (en) | 2022-05-05 |
TWI795944B (zh) | 2023-03-11 |
CN113454532A (zh) | 2021-09-28 |
KR20210116613A (ko) | 2021-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI745863B (zh) | 訓練機器學習模型以判定光罩的光學接近校正的方法及相關聯電腦程式產品 | |
TWI747212B (zh) | 在圖案化程序中判斷圖案之方法 | |
TWI624765B (zh) | 用以改良微影程序之電腦實施方法及電腦程式產品 | |
TWI806002B (zh) | 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體 | |
CN107430347B (zh) | 图像对数斜率(ils)优化 | |
US11768442B2 (en) | Method of determining control parameters of a device manufacturing process | |
TWI749522B (zh) | 用於判定光罩之特徵校正之方法 | |
EP3650940A1 (en) | A method in the manufacturing process of a device, a non-transitory computer-readable medium and a system configured to perform the method | |
TW202240280A (zh) | 用於判定光罩圖案及訓練機器學習模型之方法 | |
TWI753600B (zh) | 用於目標圖案之基於規則之重定目標的方法 | |
US20230023153A1 (en) | Method for determining a field-of-view setting | |
TWI822578B (zh) | 用於基於缺陷而判定圖案化程序之特性以減少熱點的方法 | |
EP3462240A1 (en) | Method of determining control parameters of a device manufacturing process | |
TWI845880B (zh) | 用於目標圖案之基於規則之重定目標的方法 | |
US20230333483A1 (en) | Optimization of scanner throughput and imaging quality for a patterning process | |
EP3822703A1 (en) | Method for determining a field-of-view setting |