CN103443900B - 用于计量的宽处理范围库 - Google Patents

用于计量的宽处理范围库 Download PDF

Info

Publication number
CN103443900B
CN103443900B CN201280008607.3A CN201280008607A CN103443900B CN 103443900 B CN103443900 B CN 103443900B CN 201280008607 A CN201280008607 A CN 201280008607A CN 103443900 B CN103443900 B CN 103443900B
Authority
CN
China
Prior art keywords
storehouse
process range
parameter
range
splicing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201280008607.3A
Other languages
English (en)
Other versions
CN103443900A (zh
Inventor
J·J·亨奇
金文�
鲍君威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KLA Corp
Original Assignee
KLA Tencor Corp
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 KLA Tencor Corp filed Critical KLA Tencor Corp
Publication of CN103443900A publication Critical patent/CN103443900A/zh
Application granted granted Critical
Publication of CN103443900B publication Critical patent/CN103443900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • 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
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • General Factory Administration (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

描述了生成用于计量的宽处理范围库的方法。例如，方法包括生成第一库，该第一库具有针对第一参数的第一处理范围。生成第二库，该第二库具有针对所述第一参数的第二处理范围。所述第二处理范围与所述第一处理范围重叠。所述第二库被拼接至所述第一库以生成第三库，该第三库具有针对所述第一参数的第三处理范围。所述第三处理范围比所述第一处理范围和第二处理范围的中每一者都宽。

Description

用于计量的宽处理范围库
技术领域
本发明的实施方式涉及光学计量领域，并且，尤其涉及生成用于计量的宽处理范围库的方法。
背景技术
在过去的几年，严格耦合波方法（RCWA）和类似算法已广泛用于衍射结构的研究和设计。在RCWA方法中，周期性结构的轮廓（profile）由给定数量的足够薄的平面光栅（grating）板来近似。具体来说，RCWA包含三个主要步骤，即，光栅内的场的傅里叶展开、表征衍射信号的恒定系数矩阵的特征值和特征向量的计算，以及由边界匹配条件推断出的线性系统的解决方案。RCWA将问题分为三个不同的空间区域：1）支持入射面波场及所有反射的衍射级（order）的总和的周围区域，2）光栅结构以及下面的非图案（pattern）层，其中波场被视为与每个衍射级相关联的模式的叠加，以及3）包含所传送的波场的基底。
RCWA解决方案的精确度部分依赖于在波场的空间谐波展开中保留的项数，一般满足能量守恒。保留的项数是在计算过程中考虑到的衍射级数的函数。针对给定的假定轮廓的仿真衍射信号的有效生成包括为衍射信号的横向磁（TM）分量和/或横向电（TE）分量二者在每个波长处选择衍射级的最佳集合。在数学上，选择的衍射级越多，仿真的精确度越高。但是，衍射级数越高，计算仿真的衍射信号所需的计算量也越大。此外，计算时间是所使用的级数的非线性函数。
发明内容
本发明的实施方式包括生成宽处理范围库的方法，该宽处理范围库用于在半导体衬底或晶片上重复结构的计量。
在实施方式中，方法包括生成第一库，该第一库具有针对第一参数的第一处理范围。该方法还包括生成第二库，该第二库具有针对所述第一参数的第二处理范围，所述第二处理范围与所述第一处理范围重叠。所述方法还包括将所述第二库拼接至所述第一库来生成第三库，该第三库具有针对所述第一参数的第三处理范围，所述第三范围比所述第一处理范围和第二处理范围中的每一者都宽。
在实施方式中，方法包括生成第一库，该第一库具有多个处理范围，每个处理范围对应多个参数中的不同参数。所述方法还包括生成第二库，该第二库具有针对所述多个参数的第一参数的处理范围，所述第二库的处理范围不同于针对所述多个参数的第一参数的所述第一库的处理范围但与该处理范围重叠。所述方法还包括将所述第二库拼接至所述第一库。所述方法还包括针对所述多个参数的一个或多个附加参数重复进行以上生成和拼接以提供最终库。
在另一实施方式中，一种在其上存储有指令的机器可访问存储介质，所述指令使数据处理系统执行生成用于宽处理范围库的计量的方法。该方法包括生成第一库，该第一库具有针对第一参数的第一处理范围。所述方法还包括生成第二库，该第二库具有针对所述第一参数的第二处理范围，所述第二处理范围与所述第一处理范围重叠。所述方法还包括将所述第二库拼接至所述第一库来生成第三库，该第三库具有针对所述第一参数的第三处理范围，所述第三处理范围比所述第一处理范围和第二处理范围中的每一者都宽。
在另一实施方式中，一种在其上存储有指令的机器可访问存储介质，所述指令使数据处理系统执行生成用于宽处理范围库的计量的方法。该方法包括生成第一库，该第一库具有多个处理范围，每个处理范围对应多个参数中的不同参数。所述方法还包括生成第二库，该第二库具有针对所述多个参数的第一参数的处理范围，所述第二库的处理范围不同于针对所述多个参数的第一参数的所述第一库的处理范围但与该处理范围重叠。所述方法还包括将所述第二库拼接至所述第一库。所述方法还包括针对所述多个参数的一个或多个附加参数重复进行以上生成和拼接以提供最终库。
附图说明
图1根据本发明实施方式描述了表示生成用于计量的宽处理范围库的操作的示例性序列的流程图。
图2A根据本发明实施方式描述了具有在x-y平面中变化的轮廓的周期性光栅。
图2B根据本发明实施方式描述了具有在x-方向变化而不在y-方向变化的轮廓的周期性光栅。
图3根据本发明实施方式描述了表示生成用于计量的宽处理范围库的操作的示例性序列的流程图。
图4A根据本发明实施方式示出了表示与侧库重叠并拼接的主库的框图。
图4B根据本发明实施方式示出了表示与多个侧库重叠并拼接的增长的主库的框图。
图5根据本发明实施方式描述了表示确定和利用用于自动化处理和设备控制的结构参数的操作的示例性序列的流程图。
图6是根据本发明实施方式确定和利用用于自动化处理和设备控制的结构参数的系统的示例性框图。
图7是根据本发明实施方式示出利用光学计量来确定在半导体晶片上的结构轮廓的体系结构图。
图8根据本发明实施方式示出了示例性计算机系统的框图。
具体实施方式
于此描述了生成用于计量的宽处理范围库的方法。在以下的描述中，提出了多个具体细节，诸如结构的不对称特性的示例，以提供对本发明实施方式的全面理解。对本领域技术人员显而易见的是，本发明的实施方式可以在没有这些具体细节的情况下实施。在其他情况中，公知的处理步骤，诸如制造有图案的材料层的叠层，没有被详细描述以免不必要地使本发明的实施方式难理解。此外，可以理解，图中所示的各种实施方式是说明性的表示，不必按比例绘制。
在近年来的光学临界尺寸（OCD）应用中，期望宽处理范围，或者在处理的寿命期间存在范围转换。同样，用户甚至可以期望建立库来覆盖两个处理范围。经常，用户针对第一使用实例用小处理范围建立了良好的库，并且打算保持该库作为基础。根据本发明的实施方式，在随后的过程中附加库被添加至基础库来覆盖更宽的处理范围，该过程在此作为库拼接被描述。
在本发明的一个或多个实施方式中，良好库（库A）用相对小的处理范围来建立。用户可以期望针对几个参数来扩展范围以覆盖进一步的处理，但是希望保持用于先前范围的库A，这是由于结果良好并且可适用于在该范围内的进一步测量。因此，在实施方式中，新库被迭代地被建立。该迭代可以包含始于基础库或者主库，并且将附加库拼接至该基础库或者在该处形成的最新的库。最终库可以提供适于达到用户目标的良好库。在这种实施方式中，每次迭代仅扩展起始库中范围的一个维度。
作为示例，在实施方式中，处理包括：（a）标识良好库（库A），该良好库在需要时可以是多范围的，（b）在相同的工作簿（workbook）中建立另一个良好库（库B）作为新项目（除了期望扩展的维度，库B的范围在所有维度可以相等，对于该维度，通过估计的诸如2纳米的重叠量与库A重叠）；（c）将其它尺寸扩展至期望的量，其中重叠量从重叠区域以及库Ａ和库B的库误差估计的组合函数的求导中估计出，（d）设置另一个库C文件夹并且将库Ａ和库Ｂ拼接在一起以提供库Ｃ，该库Ｃ是由Ａ和Ｂ中的所有子库组成的多范围库，（e）设置A=C并且返回至（a）来扩展另一个维度以建立另一个库B并进行拼接以形成另一个库C，以及（f）重复（e）来结束扩展所有期望的维度。
总的来说，在这里描述的处理和方法可以提供一种创新的方式来为大处理范围建立良好库。可以通过每次扩展一个维度的范围来迭代地建立库，接着将库拼接到一起来提供具有大的库范围的库。下面将具体描述重叠区域的确定以及如何将两个这种库拼接。所描述的方法可以非常精确地建立大范围库。
在这里描述的拼接库的方法可以帮助用户通过迭代方法建立良好库来覆盖大处理范围。该方法在扩展维度方面是灵活多变的，考虑到了个别用户的需求和期望时间二者。例如，用户可以为先前的范围保留已经提供了一致结果的先前的库。接着，任何使用的新库以大而精确的范围被传递。
这里详细描述的方法与传统的分区方法不同，在传统的分区方法中，库被分为片段，该片段接下来被再次添加到一起。相反地，在实施方式中，从拼接至附加库、重叠库的基础库或主库中建立库。本方法可以找到初始建立单个库的问题以覆盖宽范围。来自拼接在一起的复合库的总响应可以提供具有不可忽视的贡献的子库的加权和。因此，库的增加可以以在功能上平滑的方式执行。
图1根据本发明实施方式描述了表示生成用于计量的宽处理范围库的操作的示例性序列的流程图100。
参照流程图100的操作102，生成第一库，该第一库具有针对第一参数的第一处理范围。接着，参照流程图100的操作104，生成第二库，该第二库具有针对第一参数的第二处理范围。第二处理范围与第一处理范围重叠。接着，参照流程图100的操作106，第二库被拼接至第一库以生成具有针对第一参数的第三处理范围的第三库。第三处理范围比第一处理范围和第二处理范围中的每一者都要宽。
根据本发明的实施方式，为了简化，拼接可以被视为组合两个重叠的库。例如，确定两个库函数，f1(x)和f2(x)，其中将给定标量参数变量x用于针对参数值的给定范围的光谱信号。对于这种重叠的库的拼接，具有针对由公式1中提供的两个函数的凸组合给出的光谱信号的范围：
f(x)＝c(x)f1(x)+(1-c(x))f2(x) (1)
用于混合两个库函数的函数c(x)基于由公式2提供的S形（sigmoid）对数：
c ( x ) = ( 1 + e κ ( x - x 0 ) ρ ) - 1 , - - - ( 2 )
其中，K=13.82，ρ是重叠区域的长度，且其中x0是重叠区域的中间值。类似的方法可以被应用于子库。例如，在实施方式中，再次参照流程图100，第一库具有一个或多个子库，第二库具有一个或多个子库，并且第三库包括第一库和第二库的所有子库。
根据本发明的实施方式，再次参照流程图100，第一库具有一个或多个附加参数。第二库也具有一个或多个附加参数。针对一个或多个附加参数的处理范围在第一库和第二库二者中是相同的。在这种实施方式中，第一库和第二库仅在第一处理范围和第二处理范围上有不同。然而，在替换的实施方式中，第一库和第二库的处理范围在一个或多个附加参数中也不同，并且甚至不重叠。对于这些参数，结果库包括不连续的范围。
在实施方式中，所述第一库和第二库以重叠量进行重叠。在这种实施方式中，根据流程图100描述的方法还包括基于第二处理范围与第一处理范围重叠的区域中组合函数的导数确定重叠量的操作。该确定还基于针对第一库和第二库中的每个库的库误差估计。
关于重叠区域的确定，重叠量基于两个区域的函数中的每个函数的特征以及组合函数的特征。例如，可以确定重叠区域的一个方法在实施方式中基于公式3提供的组合函数的导数：
▽f＝(c▽f1+(1-c)▽f2)+▽c(f1-f2) (3)
重叠范围的中间值可以被利用以使组合函数对导数的贡献小于插值函数的导数。也就是说，公式3的第一项将支配第二项。使用在公式2中定义的逻辑函数，公式4可以提供如下：
J ‾ f > | ▿ c ( x 0 ) | | f 1 ( x 0 ) - f 2 ( x 0 ) |
> | κ 4 ρ | | f 1 ( x 0 ) - f 2 ( x 0 ) | - - - ( 4 )
其中求解4得到重叠区域结果（yield），公式5：
ρ > κ 4 | J ‾ f | | f 1 ( x 0 ) - f 2 ( x 0 ) | - - - ( 5 )
由于在计算库之前不能得到重叠区域的中间值中的误差范数，通常用期望的信号误差Ef来替代以用于库。该方法由公式6提供：
ρ > κE f 4 | J ‾ f | = 3.455 E f | J ‾ f | - - - ( 6 )
应该理解的是，上述仅表示了一种可能性示例。例如，可以有用于混合函数的S形函数。在一个实施方式中，使用了余弦扁（squasher）S形函数。虽然上述的公式（1）在无论何种S形函数被使用时均不变，公式（2、4、5、6）可以相应地改变。可使用的S形函数的示例可以在文章“UniversalApproximation by Ridge Computational Models and Neural Networks:ASurvey”（M.Sanguineti，The Open Applied Mathematics Journal，2008年，第31-58页）中以及“Approximation theory of the MLP model in neural networks”（A.Pinkus，Acta Numerica(1999)，第143-195页，剑桥大学出版社）中找到。
根据本发明的实施方式，再次参照流程图100，方法还包括生成第四库，该第四库具有针对第一参数的第四处理范围。第四处理范围与第三处理范围重叠。此外，将第四库拼接至第三库来生成第五库的操作被执行，该第五库具有针对第一参数的第五处理范围。第五处理范围比第三处理范围和第四处理范围中的每一者都要宽。
可以理解的是，拼接不需要被限定于在给定时间的单个参数。相反地，在单个拼接处理中可以修改多个参数。例如，在实施方式中，再次参照流程图100，第一库还具有针对第二参数的第四处理范围，第二库还具有针对第二参数的第五处理范围，第五处理范围与第四处理范围重叠，并且第三库还具有针对第二参数的第六处理范围，第六处理范围比第四处理范围和第五处理范围都要宽。
参照流程图100描述的第一参数在实施方式中可以是二维或三维光栅结构的个体特征的参数。这里使用的术语“三维光栅结构”是指除了z方向上的深度之外还具有在二维中变化的x-y轮廓的结构。例如，图2A根据本发明实施方式描述了具有在x-y平面上变化的轮廓的周期性光栅200。该周期性光栅的轮廓在z方向的变化是x-y轮廓的函数。
这里使用的术语“二维光栅结构”是指除了z方向上的深度之外还具有仅在一个维度变化的x-y轮廓的结构。例如，图2B根据本发明实施方式描述了具有在x方向变化但在y方向不变化的轮廓的周期性光栅202。该周期性光栅的轮廓在z方向的变化是x轮廓的函数。可以理解的是，二维结构在y方向上不变化不必是无限的，但是在图案中的任何偏差都被视为长范围的，如y方向上来自图案的任何偏差基本上进一步与x方向上图案中的偏差隔开。
在个体特征属于二维或三维光栅结构的实施方式中，第一参数诸如但不限于个体特征的宽度、高度、长度、上圆角、底部基础或者侧壁角。
在实施方式中，再次参照流程图100，第三库包括仿真光谱，并且在根据流程图100描述的方法还包括将仿真光谱与样本光谱比较的操作。在一个实施方式中，仿真光谱从空间谐波级集合中获得。在一个实施方式中，样本光谱从结构中采集，诸如但不限于物理参考样本或物理产品样本。在实施方式中，通过使用回归计算来执行比较。在一个实施方式中，一个或多个非差分信号被同时用于计算中。一个或多个非差分信号可以是诸如但不限于方位角、入射角、偏振/分析角和额外的测量目标。
在本发明的一个方面，库拼接可以被用于扩展初始库中的多个参数的范围。例如，图3根据本发明实施方式描述了表示生成用于计量的宽处理范围库的操作的另一个示例性序列的流程图300。
参照流程图300的操作302，生成具有多个处理范围的第一库。每个处理范围对应于多个参数中的不同参数。参照流程图300的操作304，生成具有针对多个参数中的第一个参数的处理范围的第二库。第二库的处理范围不同于但重叠于针对所述多个参数中的第一个参数的第一库的处理范围。参照流程图300的操作306，如上所述，第二库被拼接至第一库。
参照流程图300的操作308，针对多个参数的一个或多个附加参数（不同于多个参数中的第一个参数）重复进行以上生成和拼接（如经由循环310）来提供最终库。根据本发明的实施方式，最终库的每个处理范围宽于或等于第一库的所述多个处理范围中的相应的处理范围。在实施方式中，最终库包括仿真光谱。在这种实施方式中，如上所述，流程图300的方法还包括将仿真光谱与样本光谱比较的操作。
关于从流程图100和300的方法中提供的对拼接库的使用，在实施方式中，这类方法包括基于与拼接的库中的仿真参数一致或不一致来改变处理工具的参数。通过使用诸如但不限于反馈技术、前馈技术和原位控制技术的技术可以执行改变处理工具的参数。在实施方式中，拼接库可以被用于更精确地建立装置结构轮廓和CD计量工具配方（recipe）中的几何结构。在实施方式中，拼接库被用作CD计量工具校验、诊断和特征的一部分。
侧库扩展过程作为于此预期的计量的一个或多个以上实施方式的示例性实现被描述。图4A根据本发明实施方式示出了表示与侧库重叠并拼接的主库的框图。
参照图4A，库400包括拼接至现存的库402的侧库404，除了扩展的维度，侧库404继承了来自所有维度中主库的范围。如上所述，未被继承的维度的侧库404中的范围不等于，但重叠于主库402中的对应范围。因此，如上所述，虽然描述了在初始范围与新扩展的范围之间的结果边界线，但是实际上在两个库之间存在重叠区域406。
在实现中，在按下“扩展”按钮之后，图形用户界面（GUI）窗口弹出针对所有维度的主库的范围。用户可以改变在一个维度中的参数范围的一个值，之后所有其它参数范围被固定。以相同的库设置来创建新的项目，除了使用被修改以对应于侧库的范围。侧库可以被自动创建。在一个特定的实施方式中，三个独立库可以使得用于在侧库和主库的边界附近的测量位移的测试容易。
在另一实现中，存在Matlab模板来获得两个库（A和B）并将这两个库合并成第三个库。带有改变的一个范围，库B通过复制A得到，成为侧库。库C是扩展库。该模板产生工作库。针对初始库相对于侧库的样本数量的比值是库范围的体积的比值。用于连接库的原理可以类似于库分区原理，其中稍微重叠的子库被组合以形成一个主库。重叠自动地从主库中继承，或者必要的情况下进行重新计算。虽然扩展库的过程可以被无限地重复，但是在特定的实施方式中，最大重复次数是4次。在另一特定的实施方式中，最大重复次数公式7提供：
库扩展的最大重复次数=2·NDOF, (7)
其中NDOF是自由度的数量，并且等同于库中的范围的数量。
在另一种实现中，侧库的扩展过程使用以下的示例性操作来执行。该示例起始于简单的膜堆栈的2自由度模型。在第一操作中，创建基础库，如，良好的测试是具有粗略库设置的简单2膜项目。接下来，使用粗略设置来创建基础库。一旦该操作完成，该库就可以被扩展。在下一个操作中，侧库被创建。用户可以具有扩展参数范围的选择权。在下一个操作中，基础库和侧库被连接。在下一个操作中，库被组合，并在组合之后，新项目可以被创建。
在实施方式中，所有的新库具有自动地针对每个参数范围计算并存储的重叠长度，即使该库没有被分区。这种方法很大程度上简化了库扩展算法。同样，在实施方式中，在库设置与GUI中的设置之间至少存在一些一致性。在实施方式中，如果设置已经被改变则侧库不被允许。侧库可以以一些样式被设计为侧库，允许其仅与基础库连接，侧库从该基础库中生成。接下来，库文档中足够的信息可以呈现出来以用于重建GUI中的所有设置。
侧库扩展过程可以在多重迭代中被执行。图4B根据本发明实施方式示出了表示与多个侧库重叠并拼接的增长的主库的框图。
参照图4B，库450包括基础库452。侧库被拼接至基础库452（或者从先前的迭代中得到的新库）。例如，按顺序，侧库454被建立，与基础库452的一个维度重叠，除了正被扩展的维度以外从基础库452中继承所有维度的范围。接着，侧库456被建立，与新库（1+2）的一个维度重叠，除了正被扩展的维度以外从新库（1+2）中继承所有维度的范围。接着，侧库458被建立，与新库（1+2+3）的一个维度重叠，除了正被扩展的维度以外从新库（1+2+3）中继承所有维度的范围。接着，侧库460被建立，与新库（1+2+3+4）的一个维度重叠，除了正被扩展的维度以外从新库（1+2+3+4）中继承所有维度的范围。最后，侧库462（6）被建立，与新库（1+2+3+4+5）的一个维度重叠，除了正被扩展的维度以外从新库（1+2+3+4+5）中继承所有维度的范围。
如上所述，未继承的维度的每个侧库（454、456、458、460或462）中的范围不等于但重叠于先前迭代的库中的相应的范围。因此，如上所述，虽然描述了在初始范围与新扩展的范围之间的结果边界线，但实际上在所示的每个邻接库之间存在重叠区域。
在这里描述的拼接库可以包括基于衍射信号的级的仿真光谱。衍射信号的级可以被仿真为从周期性结构中获取。相对于周期性结构的法线N，第零级表示等于假定入射光束的入射角的角度处的衍射信号。更高的衍射级被指定为+1、+2、+3、-1、-2、-3等。例如，诸如结构侧壁角的轮廓参数可以被模仿以在光学计量中使用。还可以考虑称为无限小的（evanescent）级的其他级。根据本发明的实施方式，生成仿真衍射信号以在光学计量中使用。例如，诸如结构侧壁角度的轮廓参数可以被模仿以在光学计量中使用。在晶片结构中诸如折射率索引和消光系数（n和k）的材料的光学性能也可以被模仿以在光学计量中使用。
如上所述，拼接库的使用可以包括将仿真光谱与样本光谱进行比较。在一个实施方式中，衍射级的集合被仿真以表示来自二或三维光栅结构的由椭圆偏振（ellipsometric）光学计量系统生成的衍射信号。这类光学计量系统以下参照图7被描述。但是，应当理解的是相同的概念和原理同样适用于其他光学计量系统，诸如反射测量（reflectometric）系统。所表示的衍射信号可以说明诸如但不限于轮廓、尺寸或材料组成物的二维或三维光栅结构的特征。
基于计算的仿真衍射级可以指示有图案的膜（诸如有图案的半导体膜或光阻层）的轮廓参数，并可以被用于校准自动过程或设备控制。图5根据本发明实施方式描述了表示确定和使用用于自动过程和设备控制的结构参数（诸如轮廓参数）的操作的示例性序列的流程图500。
参考流程图500的操作502，拼接库或训练的机器学习系统（MLS）被开发用于从测量的衍射信号的集合中提取轮廓参数。在操作504中，使用拼接库或训练的MLS来确定结构的至少一个轮廓参数。在操作506中，至少一个轮廓参数被传送至制造群（fabrication cluster），该制造群被配置成执行处理步骤，其中处理步骤可以在完成测量步骤504之前或之后在半导体加工过程中执行。在操作508中，使用至少一个所传送的轮廓参数来修改由制造群执行的处理步骤的过程变量或设备设置。
对于机器学习系统和算法的更加具体的描述，参见2003年6月27日提交的序列号为No.7,831,528，名称为OPTICAL METROLOGY OFSTRUCTURES FORMED ON SEMICONDUCTOR WAFERS USINGMACHINE LEARNING SYSTEMS的美国专利申请，该申请的全部以引用的方式结合于此。对于用于二维重复结构的衍射级优化的描述，参见2006年3月24日提交的序列号为No.7,428,060，名称为OPTIMIZATION OFDIFFRACTION ORDER SELECTION FOR TWO-DIMENSIONALSTRUCTURES的美国专利申请，该申请的全部以引用的方式结合于此。对于分裂机器学习系统的描述，参见2005年3月31日提交的序列号为No.7,421,414，名称为SPLIT MACHINE LEARNING SYSTEMS的美国专利申请，该申请的全部以引用的方式结合于此。
图6是根据本发明实施方式确定和利用用于自动化处理和设备控制的结构参数（诸如轮廓参数）的系统600的示例性框图。系统600包括第一制造群602和光学计量系统604。系统600还包括第二制造群606。虽然在图6中将第二制造群606描述成在第一制造群600之后，但是应当理解的是，在系统600中（以及如在加工过程流中），第二制造群606可以位于第一制造群602前面。
光刻工艺，诸如曝光并显影施加在晶片上的光阻层，可以使用第一制造群602来执行。在一个示例性实施方式中，光学计量系统604包括光学计量工具608和处理器610。光学计量工具608被配置成测量从结构中获得的衍射信号。如果测量到的衍射信号和仿真衍射信号相匹配，则将轮廓参数的一个或多个值确定为与仿真衍射信号相关联的轮廓参数的一个或多个值。
在一个示例性实施方式中，光学计量系统604还可以包括拼接库612，该拼接库612具有多个仿真衍射信号和与多个仿真衍射信号相关联的一个或多个轮廓参数的多个值。如上所述，可以预先生成拼接库。计量处理器610可以将从结构中获得的测量到的衍射信号与拼接库中的多个仿真衍射信号进行比较。当找到匹配的仿真衍射信号时，与拼接库中的匹配的仿真衍射信号相关联的轮廓参数的一个或多个值被认为是在制造结构的晶片应用中使用的轮廓参数的一个或多个值。
系统600还包括计量处理器616。在一个示例性实施方式中，处理器610可以将一个或多个轮廓参数的一个或多个值传送到计量处理器616。计量处理器616然后可以基于使用光学计量系统604确定的一个或多个轮廓参数的一个或多个值来调整第一制造群602的一个或多个过程参数或设备设置。计量处理器616还可以基于使用光学计量系统604确定的一个或多个轮廓参数的一个或多个值来调整第二制造群606的一个或多个过程参数或设备设置。以上应当注意的是，制造群606可以在制造群602之前或之后对晶片进行处理。在另一个示例性实施方式中，处理器610被配置成使用作为机器学习系统614的输入的测量到的衍射信号的集合和作为机器学习系统614的期望输出的轮廓参数来训练机器学习系统614。
图7是根据本发明实施方式示出利用光学计量来确定在半导体晶片上的结构轮廓的体系结构图。光学计量系统700包括在晶片708的目标结构706处投射计量光束704的计量光束源702。计量光束704以入射角θ向目标结构706投射。计量光束接收器712测量衍射光束710。衍射光束数据714被传送到轮廓应用服务器716。轮廓应用服务器716将测量到的衍射光束数据714与仿真衍射光束数据的拼接库718进行比较，该仿真衍射光束数据表示目标结构的临界维度和分辨率的变化的组合。
根据本发明的实施方式，仿真衍射光束数据的至少一部分基于对两个或更多个方位角确定的差。根据本发明的另一个实施方式，仿真衍射光束数据的至少一部分基于对两个或更多个入射角确定的差。在一个示例性实施方式中，选择与测量到的衍射光束数据714最佳匹配的拼接库718实例。可以理解的是，虽然衍射光谱的拼接库或信号以及相关联的假定的轮廓被频繁用于阐释概念和原理，但是本发明同样应用于包括仿真衍射信号和相关联的轮廓参数的集合（诸如在用于轮廓提取的回归、神经网络以及类似的方法中）的拼接数据空间。所选的拼接库716实例的假定轮廓和相关联的临界维度被视为对应于目标结构706的特征的实际截面轮廓和临界维度。光学计量系统700可以利用反射仪、椭偏仪或其他光学计量设备来测量衍射光束或信号。
本发明的实施方式还可以适用于各种膜堆栈（film stack）。例如，在实施方式中，膜堆栈包括单个层或多个层。并且，在实施方式中，分析或测量的光栅结构包括三维组件和二维组件二者。例如，基于仿真衍射数据的计算效率可以通过利用二维组件对整个结构的更简单的贡献及其衍射数据而被优化。
为了便于描述本发明的实施方式，椭偏光学计量系统被用于说明上述概念和原理。应当理解的是，相同的概念和原理同样应用于其他光学计量系统，诸如反射测量系统。以类似的方式，半导体晶片可以被利用于说明概念的应用。此外，方法和过程同等地应用于具有重复结构的其他工件。在实施方式中，光学散射测量是诸如但不限于光学椭圆偏振光谱测量（SE）、光束轮廓反射测量（BPR）和增强型紫外线反射测量（eUVR）的技术。
本发明可以被提供为计算机程序产品或软件，其可以包括在其上存储有指令的机器可读介质，所述指令可以用于对计算机系统（或其他电子设备）进行编程以执行根据本发明的过程。机器可读介质包括用于以机器（如计算机）可读的方式存储或传送信息的任意机制。例如，机器可读（如计算机可读）介质包括机器（如计算机）可读存储介质（如，只读存储器（“ROM”）、随机存取存储器（“RAM”）、磁盘存储介质、光存储介质、闪存设备等）、机器（如计算机）可读传输介质（电、光、声或其他形式的传播信号（如，载波、红外信号、数字信号等））等。
图8示出了以计算机系统800的示例性形式的机器的图形描述，在该计算机系统800中可以执行指令集合，该指令集合用于使机器执行于此所讨论的方法中的任意一种或多种。在可替换的实施方式中，机器可以连接（如网络连接）到局域网（LAN）、内联网、外联网或因特网中的其他机器。机器可以在客户端-服务器网络环境中的服务器或客户机的容量（capacity）中进行操作，或作为端对端（或分布式）网络环境中的对等机器进行操作。机器可以是个人计算机（PC）、平板PC、机顶盒（STB）、个人数字助理（PDA）、蜂窝电话、网络设备、服务器、网络路由器、交换机或网桥、或能够执行机器采取的指定动作的指令集合（按顺序或其他）的任意机器。此外，虽然仅示出了单个机器，但是术语“机器”也包括独自或联合执行指令集合（或多个集合）以执行于此所述的方法中的任意一种或多种方法的机器（如计算机）的任意集合。
示例性计算机系统800包括处理器802、主存储器804（如，只读存储器（ROM）、闪存、动态随机存取存储器（DRAM）（诸如同步DRAM（SDRAM）或内存总线DRAM（RDRAM）等））、静态存储器806（如，闪存、静态随机存取存储器（SRAM）等）以及辅助存储器818（如，数据存储设备），它们经由总线830彼此通信。
处理器802表示一个或多个通用处理设备，诸如微处理器、中央处理单元等。更特别地，处理器802可以是复杂指令集计算（CISC）微处理器、精简指令集计算（RISC）微处理器、超长指令字（VLIW）微处理器、执行其他指令集的处理器或执行指令集的组合的处理器。处理器802还可以是一个或多个专用处理设备，诸如应用程序专用集成电路（ASIC）、现场可编程门阵列（FPGA）、数字信号处理器（DSP）、网络处理器等。处理器802被配置成执行用于执行这里所述的操作的处理逻辑826。
计算机系统800还可以包括网络接口设备808。计算机系统800还可以包括视频显示单元810（如液晶显示器（LCD）或阴极射线管（CRT））、字母数字输入设备812（如键盘）、光标控制设备814（如鼠标）以及信号生成设备816（如，扬声器）。
辅助存储器818可以包括机器可访问存储介质（或更具体地计算机可读存储介质）831，在其上存储有体现这里描述的方法或功能的任意一者或多者的一个或多个指令集（如软件822）。在计算机系统800执行该软件822的过程中，软件822还可以完全地或至少部分地位于主存储器804内和/或处理器802内，主存储器804和处理器802也构成机器可读存储介质。软件822还可以经由网络接口设备808在网络820上被传送或接收。
虽然在示例性实施方式中将机器可访问存储介质831示为单个介质，但术语“机器可读存储介质”应当被认为包括存储一个或多个指令集的单个介质或多个介质（如，集中式或分布式数据库，和/或相关联的缓存和服务器）。术语“机器可读存储介质”还应当被认为包括能够存储或编码由机器执行并使机器执行本发明的方法的任意一者或多者的指令集的任意介质。术语“机器可读存储介质”因此应当被认为包括但不限于固态存储器及光和磁性介质。
根据本发明的实施方式，机器可访问存储介质在其上存储有指令，所述指令使数据处理系统执行生成用于计量的宽处理范围库的方法。该方法包括生成具有针对第一参数的第一处理范围的第一库。生成第二库，该第二库具有针对所述第一参数的第二处理范围。第二处理范围与第一处理范围重叠。第二库被拼接至第一库来生成具有针对第一参数的第三处理范围的第三库。第三处理范围比第一处理范围和第二处理范围中的每一者都宽。
在实施方式中，第一库具有一个或多个子库，第二库具有一个或多个子库，并且第三库包括第一库和第二库的所有子库。
在实施方式中，第一库具有一个或多个附加参数，第二库也具有一个或多个附加参数，并且一个或多个附加参数的处理范围在第一库和第二库二者中相同。在这种实施方式中，第一库和第二库仅在第一处理范围和第二处理范围上有所不同。
在实施方式中，第一库和第二库以重叠量进行重叠。在这种实施方式中，方法还包括基于第二处理范围与第一处理范围重叠的区域中组合函数的导数确定重叠量。该确定还基于针对第一库和第二库中的每个库的库误差估计。
在实施方式中，方法还包括生成具有针对第一参数的第四处理范围的第四库。第四处理范围与第三处理范围重叠。在这种实施方式中，方法还包括将第四库拼接至第三库来生成具有针对第一参数的第五处理范围的第五库。第五处理范围比第三处理范围和第四处理范围中的每一者都宽。
在实施方式中，第一库具有针对第二参数的第四处理范围，第二库具有针对第二参数的第五处理范围，第五处理范围与第四处理范围重叠，以及第三库具有针对第二参数的第六处理范围，第六处理范围比第四处理范围和第五处理范围中的每一者都宽。
在实施方式中，第一参数是二维或三维光栅结构的个体特征的参数。在这种实施方式中，第一参数是诸如但不限于个体特征的宽度、高度、长度、上圆角、底部基础或者侧壁角。
在实施方式中，第三库包括仿真光谱。在这种实施方式中，方法还包括将仿真光谱与样本光谱比较。
根据本发明的另一实施方式，机器可访问存储介质在其上存储有指令，该指令使数据处理系统执行生成用于计量的宽处理范围库的另一方法。该方法包括生成具有多个处理范围的第一库。每个处理范围对应多个参数中的不同参数。生成第二库，该第二库具有针对多个参数的第一个参数的处理范围。第二库的处理范围不同于但重叠于针对多个参数的第一个参数的第一库的处理范围。第二库被拼接至第一库。接着针对多个参数的一个或多个附加参数重复进行以上生成和拼接来提供最终库。
在实施方式中，最终库的每个处理范围都宽于或等于第一库的多个处理范围中的相应的处理范围。在实施方式中，最终库包括仿真光谱，并且该方法还包括将所述仿真光谱与样本光谱进行比较。
任何适合的神经网络可以被用来执行一个或多个对应于流程图100和300描述方法。作为示例，神经网络使用反向传播算法。神经网络包括输入层、输出层以及在输入层与输出层之间的隐层。输入层和隐层使用链接连接。隐层和输出层使用链接来连接。然而应当理解的是，神经网络可以包括以在神经网络领域中公知的各种配置进行连接的任意数量的层。
输入层可以包括一个或多个输入节点。在示例性实施方式中，输入层中的输入节点对应于输入至神经网络中的轮廓模型的轮廓参数。因此，输入节点的数量对应于用于表征轮廓模型的轮廓参数的数量。例如，如果用两个轮廓参数（如，上临界尺寸和下临界尺寸）表征轮廓模型，那么输入层包括两个输入节点，其中第一输入节点对应于第一轮廓参数（如，上临界尺寸），第二输入节点对应于第二轮廓参数（例，下临界尺寸）。
在神经网络中，输出层包括一个或多个输出节点。在示例性实施方式中，每个输出节点是线性函数。但应认识到，每个输出节点可以是各种类型的函数。此外，在本示例性实施方式中，输出层中的输出节点对应于从神经网络输出的仿真衍射信号的维度。因此，输出节点的数量对应于用于表征仿真衍射信号的维度的数量。例如，如果使用对应于例如五个不同波长的五个维度表征仿真衍射信号，那么输出层包括五个输出节点，其中，第一输出节点对应于第一维度（如，第一波长），第二输出节点对应于第二维度（如，第二波长）等。此外，为了增强的性能，神经网络可以基于仿真衍射信号的单独组件和/或仿真衍射信号的组件的维度被分为多个子网络。
在神经网络中，隐层包括一个或多个隐节点。在示例性实施方式中，每个隐节点是S形传递函数或径向基函数。但应认识到，每个隐节点可以是各种类型的函数。此外，在本示例性实施方式中，隐节点的数量基于输出节点的数量确定。更具体地，隐节点的数量（m）通过预定的比值（r=m/n）与输出节点的数量（n）相关。例如，当r=10时，对于每个输出节点有10个隐节点。但应认识到，该预定的比值可以是输出节点的数量与隐节点的数量的比值（即，r=m/n）。此外，应该认识到，可以在隐节点的初始数量基于预定的比值确定之后，调整神经网络中的隐节点的数量。并且，可以神经网络中隐节点的数量可以基于经验和/或实验而不是基于预定的比值确定。
对测量到的光谱的分析一般包括将测量到的样本光谱与仿真光谱进行比较以推导出最佳地描述测量到的样本的模型参数值。例如，在实施方式中，在第一操作，由用户定以一组材料文档来指定形成测量到的样本特征的材料的特征（如n，k值）。
在第二操作，散射测量用户通过选择一个或多个材料文档来集成对应于待测量的当前在周期性光栅特征中的材料堆来定义预期的样本结构的标称模型。该用户定义的模型可以进一步通过模型参数的标称值的定义而被参数化，诸如表征正在被测量的特性的形状的厚度、CD、SWA、HT、边缘粗糙度、圆角半径等。根据2D模型（即轮廓）或者3D模型是否被定义，具有30-50或者更多的这种模型参数并不罕见。
在参数化模型中，针对给定的光栅参数值的集合的仿真光谱可以使用诸如严格耦合波分析（RCWA）的算法的严格衍射建模算法进行计算。然后回归分析在第三操作执行直至参数化的模型收敛于表征最终轮廓模型（针对2D）的模型参数值的集合，该最终轮廓模型对应于仿真光谱，该仿真光谱将测量到的衍射光谱与预定的匹配标准匹配。假定与匹配的仿真衍射信号相关联的最终轮廓模型表示生成模型的结构的实际轮廓。
接着在第四操作，匹配的仿真光谱和/或相关的优化的轮廓模型可以被利用以通过扰动参数化的最终轮廓模型的值来生成仿真衍射光谱的库。接着在生产环境中操作的散射测量系统可以使用仿真衍射光谱的最终库以确定随后测量到的光栅结构是否已经根据规格被制造。库的生成可以包括诸如神经网络的机器学习系统为多个轮廓中的每个轮廓生成仿真光谱信息，每个轮廓包括一个或多个模型化的轮廓参数的集合。为了生成库，机器学习系统本身可能必须经历一些基于光谱信息的训练数据集合的训练。这种训练可以是密集型计算和/或可能必须针对不同模型和/或轮廓参数域被重复。生成库的计算负载中非常低的效率可能通过用户对训练数据集合的大小的决定引起。例如，选择极大的训练数据集合可能导致不必要的训练计算，同时用大小不足的训练数据集合可能需要重新训练来生成库。
在此描述的一些实施方式包括自动确定在训练机器学习系统中使用的训练数据集合的大小。一般地，训练数据集合基于数据集合特征度量标准的收敛程度依大小排列，并且可以进一步基于对最终解的误差的估计依大小排列。训练数据集合逐渐被扩展和测试以识别收敛，并且在一些实施方式中，可以提供估计这种样本大小的最终解误差。逐渐扩展和测试被执行直到收敛标准被满足和/或最终解误差的估计达到域值。
因为在此描述的确定训练矩阵大小的方法不需要单独的训练，用于神经网络训练的良好的训练数据样本集合被快速、有效地识别，并且能够很好地控制最终解误差。随着训练数据样本集合被识别，机器学习系统可以接着被训练以生成期望的目标函数信息。在一个特定的实施方式中，机器学习系统被训练以生成仿真光谱信息（如衍射信号）的库，该库可以被用来减少用散射测量系统测量的未知样本（如衍射光栅或晶片周期结构）的参数。
应当理解的是在本发明实施方式的思想和范围之内以上方法可以在各种环境情况下被应用。例如，在实施方式中，以上描述的方法在半导体、太阳能、发光二级管（LED）或相关的制造过程中被执行。在实施方式中，以上描述的方法被用于单独的或集成的计量工具中。在实施方式中，以上描述的方法被用于单个或多个测量目标回归中。
从而，于此公开了生成用于计量的宽处理范围库的方法。根据本发明的实施方式，方法包括生成具有针对第一参数的第一处理范围的第一库。生成具有针对第一参数的第二处理范围的第二库。第二处理范围与第一处理范围重叠。第二库被拼接至第一库以生成具有针对第一参数的第三处理范围的第三库。第三处理范围比第一处理范围和第二处理范围中的每一者都宽。

Claims (26)

1.一种生成宽处理范围库的方法，该宽处理范围库用于半导体衬底或晶片上的重复结构的计量，该方法包括：
生成第一库，该第一库具有针对第一参数的第一处理范围；
生成第二库，该第二库具有针对所述第一参数的第二处理范围，所述第二处理范围与所述第一处理范围重叠；
将所述第二库拼接至所述第一库来生成第三库，该第三库具有针对所述第一参数的第三处理范围，所述第三处理范围比所述第一处理范围和第二处理范围中的每一者都宽，所述拼接包括基于所述第二处理范围与所述第一处理范围重叠的区域内的组合函数的导数来确定所述第一处理范围与所述第二处理范围的重叠量；以及
从所述第三库提供仿真光谱。
2.根据权利要求1所述的方法，其中所述第一库具有一个或多个子库，所述第二库具有一个或多个子库，并且所述第三库包括所述第一库和第二库的所有所述子库。
3.根据权利要求1所述的方法，其中所述第一库具有一个或多个附加参数，所述第二库也具有一个或多个附加参数，并且针对所述一个或多个附加参数的处理范围在所述第一库和第二库二者中相同。
4.根据权利要求3所述的方法，其中所述第一库和第二库仅在所述第一处理范围和第二处理范围上不同。
5.根据权利要求1所述的方法，其中所述拼接进一步包括
确定针对所述第一库和第二库中的每一者的库误差估计。
6.根据权利要求1所述的方法，所述方法还包括：
生成第四库，该第四库具有针对所述第一参数的第四处理范围，所述第四处理范围与所述第三处理范围重叠；以及
将所述第四库拼接至所述第三库来生成第五库，该第五库具有针对所述第一参数的第五处理范围，所述第五处理范围比所述第三处理范围和第四处理范围中的每一者都宽。
7.根据权利要求1所述的方法，其中所述第一库具有针对第二参数的第四处理范围，所述第二库具有针对所述第二参数的第五处理范围，所述第五处理范围与所述第四处理范围重叠，以及所述第三库具有针对所述第二参数的第六处理范围，所述第六处理范围比所述第四处理范围和第五处理范围中的每一者都宽。
8.根据权利要求1所述的方法，其中所述第一参数是二维光栅结构或三维光栅结构的个体特征的参数。
9.根据权利要求8所述的方法，其中所述第一参数选择由以下各项构成的组：所述个体特征的宽度、高度、长度、上圆角、底部基础和侧壁角。
10.根据权利要求1所述的方法，其进一步包括：
将所述仿真光谱与样本光谱比较。
11.一种生成宽处理范围库的方法，该宽处理范围库用于半导体衬底或晶片上的重复结构的计量，该方法包括：
生成第一库，该第一库具有多个处理范围，每个处理范围对应多个参数中的不同参数，所述多个处理范围具有针对所述多个参数中的第一者的第一处理范围；
生成第二库，该第二库具有针对所述多个参数中的所述第一者的第二处理范围，所述第二库的所述第二处理范围不同于针对所述多个参数中的所述第一者的所述第一库的所述第一处理范围但与该第一处理范围重叠；
将所述第二库拼接至所述第一库，所述拼接包括基于所述第二处理范围与所述第一处理范围重叠的区域内的组合函数的导数来确定所述第一处理范围与所述第二处理范围的重叠量；
针对所述多个参数的一个或多个附加参数，重复进行所述生成和拼接，以提供最终库；以及
从所述最终库提供仿真光谱。
12.根据权利要求11所述的方法，其中所述最终库的每个处理范围宽于或等于所述第一库的所述多个处理范围中的相应的处理范围。
13.根据权利要求11所述的方法，其进一步包括：
将所述仿真光谱与样本光谱比较。
14.一种在其上存储有指令的设备，所述指令使数据处理系统执行生成宽处理范围库的方法，该宽处理范围库用于半导体衬底或晶片上的重复结构的计量，该设备包括：
用于生成第一库的装置，该第一库具有针对第一参数的第一处理范围；
用于生成第二库的装置，该第二库具有针对所述第一参数的第二处理范围，所述第二处理范围与所述第一处理范围重叠；以及
用于将所述第二库拼接至所述第一库来生成第三库的装置，该第三库具有针对所述第一参数的第三处理范围，所述第三处理范围比所述第一处理范围和第二处理范围中的每一者都宽，所述拼接包括基于所述第二处理范围与所述第一处理范围重叠的区域内的组合函数的导数来确定所述第一处理范围与所述第二处理范围的重叠量。
15.根据权利要求14所述的设备，其中所述第一库具有一个或多个子库，所述第二库具有一个或多个子库，并且所述第三库包括所述第一库和第二库的所有所述子库。
16.根据权利要求14所述的设备，其中所述第一库具有一个或多个附加参数，所述第二库也具有一个或多个附加参数，并且针对所述一个或多个附加参数的处理范围在所述第一库和第二库二者中均相同。
17.根据权利要求16所述的设备，其中所述第一库和第二库仅在所述第一处理范围和第二处理范围上不同。
18.根据权利要求14所述的设备，其中所述拼接还包括：
确定针对所述第一库和第二库中的每一者的库误差估计。
19.根据权利要求14所述的设备，所述设备还包括：
用于生成第四库的装置，该第四库具有针对所述第一参数的第四处理范围，所述第四处理范围与所述第三处理范围重叠；以及
用于将所述第四库拼接至所述第三库来生成第五库的装置，该第五库具有针对所述第一参数的第五处理范围，所述第五处理范围比所述第三处理范围和第四处理范围中的每一者都宽。
20.根据权利要求14所述的设备，其中所述第一库具有针对第二参数的第四处理范围，所述第二库具有针对所述第二参数的第五处理范围，所述第五处理范围与所述第四处理范围重叠，以及所述第三库具有针对所述第二参数的第六处理范围，所述第六处理范围比所述第四处理范围和第五处理范围中的每一者都宽。
21.根据权利要求14所述的设备，其中所述第一参数是二维光栅结构或三维光栅结构的个体特征的参数。
22.根据权利要求21所述的设备，其中所述第一参数选择由以下各项构成的组；所述个体特征的宽度、高度、长度、上圆角、底部基础和侧壁角构成的组中选择。
23.根据权利要求14所述的设备，其中所述第三库包括仿真光谱，所述设备还包括：
用于将所述仿真光谱与样本光谱比较的装置。
24.一种在其上存储有指令的设备，所述指令使数据处理系统执行生成宽处理范围库的方法，该宽处理范围库用于半导体衬底或晶片上的重复结构的计量，该设备包括：
用于生成第一库的装置，该第一库具有多个处理范围，每个处理范围对应多个参数中的不同参数，所述多个处理范围具有针对所述多个参数中的第一者的第一处理范围；
用于生成第二库的装置，该第二库具有针对所述多个参数中的所述第一者的第二处理范围，所述第二库的所述第二处理范围不同于针对所述多个参数中的所述第一者的所述第一库的所述第一处理范围但与该第一处理范围重叠；
用于将所述第二库拼接至所述第一库的装置，所述拼接包括基于所述第二处理范围与所述第一处理范围重叠的区域内的组合函数的导数来确定所述第一处理范围与所述第二处理范围的重叠量；以及
用于针对所述多个参数的一个或多个附加参数，重复所述生成和拼接，以提供最终库的装置。
25.根据权利要求24所述的设备，其中所述最终库的每个处理范围宽于或等于所述第一库的所述多个处理范围中的相应的处理范围。
26.根据权利要求24所述的设备，其中所述最终库包括仿真光谱，所述方法还包括：
用于将所述仿真光谱与样本光谱比较的装置。
CN201280008607.3A 2011-02-11 2012-02-09 用于计量的宽处理范围库 Active CN103443900B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/025,654 US8381140B2 (en) 2011-02-11 2011-02-11 Wide process range library for metrology
US13/025,654 2011-02-11
PCT/US2012/024477 WO2012109441A2 (en) 2011-02-11 2012-02-09 Wide process range library for metrology

Publications (2)

Publication Number Publication Date
CN103443900A CN103443900A (zh) 2013-12-11
CN103443900B true CN103443900B (zh) 2016-08-10

Family

ID=46637897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280008607.3A Active CN103443900B (zh) 2011-02-11 2012-02-09 用于计量的宽处理范围库

Country Status (7)

Country Link
US (1) US8381140B2 (zh)
EP (1) EP2673797A2 (zh)
JP (1) JP5969511B2 (zh)
KR (1) KR101919628B1 (zh)
CN (1) CN103443900B (zh)
TW (1) TWI525302B (zh)
WO (1) WO2012109441A2 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8869081B2 (en) * 2013-01-15 2014-10-21 International Business Machines Corporation Automating integrated circuit device library generation in model based metrology
US20140242880A1 (en) * 2013-02-26 2014-08-28 Applied Materials, Inc. Optical model with polarization direction effects for comparison to measured spectrum
US20150095679A1 (en) 2013-09-30 2015-04-02 Sonos, Inc. Transitioning A Networked Playback Device Between Operating Modes
US9553033B2 (en) * 2014-01-15 2017-01-24 Kla-Tencor Corporation Semiconductor device models including re-usable sub-structures
US10648793B2 (en) * 2014-05-15 2020-05-12 Kla-Tencor Corporation Library expansion system, method, and computer program product for metrology
US10151986B2 (en) * 2014-07-07 2018-12-11 Kla-Tencor Corporation Signal response metrology based on measurements of proxy structures
US10190868B2 (en) * 2015-04-30 2019-01-29 Kla-Tencor Corporation Metrology system, method, and computer program product employing automatic transitioning between utilizing a library and utilizing regression for measurement processing
EP3480659A1 (en) * 2017-11-01 2019-05-08 ASML Netherlands B.V. Estimation of data in metrology

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3869554B2 (ja) * 1998-04-28 2007-01-17 株式会社日立製作所 検査データ作成方法及び装置及びこれを用いた部品実装基板外観検査装置
US6943900B2 (en) * 2000-09-15 2005-09-13 Timbre Technologies, Inc. Generation of a library of periodic grating diffraction signals
US7382447B2 (en) * 2001-06-26 2008-06-03 Kla-Tencor Technologies Corporation Method for determining lithographic focus and exposure
AT412032B (de) * 2001-12-19 2004-08-26 Riegl Laser Measurement Sys Verfahren zur aufnahme eines objektraumes
US6721691B2 (en) * 2002-03-26 2004-04-13 Timbre Technologies, Inc. Metrology hardware specification using a hardware simulator
JP2006521863A (ja) * 2003-03-31 2006-09-28 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ 磁気共鳴血流画像化法
JP2005009941A (ja) * 2003-06-17 2005-01-13 Canon Inc ライブラリ作成方法
JP4282500B2 (ja) * 2004-01-29 2009-06-24 株式会社東芝 構造検査方法及び半導体装置の製造方法
US20060187466A1 (en) * 2005-02-18 2006-08-24 Timbre Technologies, Inc. Selecting unit cell configuration for repeating structures in optical metrology
US7421414B2 (en) 2005-03-31 2008-09-02 Timbre Technologies, Inc. Split machine learning systems
US7467064B2 (en) * 2006-02-07 2008-12-16 Timbre Technologies, Inc. Transforming metrology data from a semiconductor treatment system using multivariate analysis
US7523021B2 (en) * 2006-03-08 2009-04-21 Tokyo Electron Limited Weighting function to enhance measured diffraction signals in optical metrology
US7623978B2 (en) * 2006-03-30 2009-11-24 Tokyo Electron Limited Damage assessment of a wafer using optical metrology
US20080077352A1 (en) * 2006-09-26 2008-03-27 Tokyo Electron Limited Methods and apparatus for using an optically tunable soft mask profile library
US8666703B2 (en) * 2010-07-22 2014-03-04 Tokyo Electron Limited Method for automated determination of an optimally parameterized scatterometry model

Also Published As

Publication number Publication date
JP5969511B2 (ja) 2016-08-17
KR20140045919A (ko) 2014-04-17
WO2012109441A3 (en) 2012-12-06
US20120210289A1 (en) 2012-08-16
EP2673797A2 (en) 2013-12-18
TW201241400A (en) 2012-10-16
CN103443900A (zh) 2013-12-11
WO2012109441A2 (en) 2012-08-16
JP2014511565A (ja) 2014-05-15
TWI525302B (zh) 2016-03-11
US8381140B2 (en) 2013-02-19
KR101919628B1 (ko) 2018-11-16

Similar Documents

Publication Publication Date Title
CN103443900B (zh) 用于计量的宽处理范围库
CN103403724B (zh) 用于基于库的临界尺寸cd计量的精确和快速的神经网络训练
US8108328B2 (en) Neural network based hermite interpolator for scatterometry parameter estimation
CN101413791B (zh) 在光学计量中用近似和精细衍射模型确定结构的轮廓参数
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
TW201439494A (zh) 用於計量學及檢測之有限結構及有限照明的電磁模型化方法
US20110288822A1 (en) Computation efficiency by iterative spatial harmonics order truncation
CN103154664A (zh) 确定结构的不对称性的方法
CN106471353A (zh) 用于光学计量的高度相关参数的相关性的动态移除
Heidenreich et al. Bayesian approach to determine critical dimensions from scatterometric measurements
JP5848328B2 (ja) 構造体の光学測定のための物質の光学的特性の決定方法
US8560270B2 (en) Rational approximation and continued-fraction approximation approaches for computation efficiency of diffraction signals
US9625937B2 (en) Computation efficiency by diffraction order truncation
Li et al. Predicting the Critical Dimensions of Micron and Sub-micron Structures Using Joint Training Models and Electromagnetic Simulation Tools
Cui et al. Reverse model of grating structure parameters based on neural network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
ASS Succession or assignment of patent right

Free format text: FORMER OWNER: KLA TENCOR CORP.

Effective date: 20150612

Owner name: KLA TENCOR CORP.

Free format text: FORMER OWNER: TOKYO ELECTRON LTD.

Effective date: 20150612

C41 Transfer of patent application or patent right or utility model
C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Address after: California, USA

Applicant after: KLA-TENCOR Corp.

Address before: California, USA

Applicant before: KLA-TENCOR Corp.

COR Change of bibliographic data

Free format text: CORRECT: ADDRESS; FROM:

Free format text: CORRECT: APPLICANT; FROM: KLA TENCOR CORP. TO: KLA TENCOR CORP.

TA01 Transfer of patent application right

Effective date of registration: 20150612

Address after: California, USA

Applicant after: KLA-TENCOR Corp.

Address before: Tokyo, Japan

Applicant before: Tokyo Electron Ltd.

Applicant before: KLA-TENCOR Corp.

C14 Grant of patent or utility model
GR01 Patent grant