CN103890542B - 用于在复杂图案化结构中进行测量的方法和系统 - Google Patents

Abstract

本发明公开一种在复杂图案化结构中进行测量的方法和系统。为结构中的相同测量部位提供完整模型和至少一个近似模型，所述至少一个近似模型满足在完整模型和近似模型之间的关系由预定函数确定的条件。为由近似模型对近似模型的整个参数空间计算出的模拟数据创建库。还提供在所述参数空间的所选点中与由完整模型计算出的模拟数据对应的数据。近似模型数据的库和完整模型的所述数据被用于创建所述参数空间的校正项的值的库，所述校正项被确定为完整模型和近似模型之间的关系的所述预定函数。这使得能够通过将测量数据拟合到模拟数据来处理所述测量数据，该模拟数据通过由校正项的对应值校正的近似模型来计算。

Description

用于在复杂图案化结构中进行测量的方法和系统

技术领域

本发明大体属于光学测量技术领域，并且涉及用于通过解决逆向问题在复杂图案化结构中进行测量的系统和方法。

背景技术

存在无法直接测量复杂结构的参数的各种应用，因此测量技术利用逆向问题的解决。这样的测量技术的实例为应用于复杂图案化结构的散射测量法。当将散射测量法的测量在R&D以及大量制造中应用至复杂模具内(in-die)应用时，光学CD模型变得越来越复杂。散射测量法建模的主要挑战之一是由于渐增的应用复杂性而所需的计算时间上的指数性成长，该渐增的应用复杂性需要渐增的模型参数数量、3D对2D结构的转换、更多数量的模式、更大更复杂的单元格等。

散射测量法中的惯例之一是通过预先由计算一代表性组的衍射光谱、将其存储于数据库(库)中、然而将其实时应用以解译所测结果来避免需要实时计算衍射光谱。当模型复杂性增加时，库产生时间也变得更长，而对于产生针对新应用的工作配方所需时间产生限制因素。

发明内容

本领域需要一种在能够减少在库创建阶段的计算时间和提供结构参数的更快实时测量的用于复杂结构中进行测量的新颖方法。

本发明提供用于在复杂图案化结构中进行测量的新颖技术，该技术基于所谓的“分解方式”。应当理解，为了本申请，术语“复杂图案化结构”是指具有复杂的几何形状(模式特征)和/或材料组成使得在结构参数和对入射光的结构的光学响应(例如光谱)之间的关系不容易被建模的结构。后者是指在结构参数和响应之间的这种关系不能由单个模型(单个函数)直接定义，该单个模型允许库创建和/或测量数据的处理的有意义的计算时间。

根据本发明的技术，为相同的测量部位定义两个或更多模型。这些模型包括完整模型(FM)和至少一个近似模型(AM)。完整模型(full model)含有问题的充分完整的几何描述、足够的光谱设置、所有相关的参数浮动等等，就像在标准方法中通常定义的那样。近似模型(approximated model)是相同问题的部分近似，允许更快的计算时间同时仍保留问题最基本性质。选择近似模型使得对于给定的完整模型，完整模型和近似模型都由在两者之间的某种定义良好的关系(例如，在完整模型和近似模型之间的差异)来表征，例如，在最简单的实例中的光滑函数或在最佳情况中的线性函数。

应当理解，参数的最小集是近似模型的参数集，而完整模型包括所述集和额外的参数。定义近似模型的并且相应地被包括在完整模型中的参数空间(参数集)包括结构的参数(例如，图案的特征、层等等)和/或来自结构的响应的参数/条件(例如，收集的衍射图、响应检测的数值孔径、波长等等)。

应当注意，本发明的技术利用在相同参数空间(参数集)内变化的结构响应的库创建(library creation)。库创建可以是完全离线阶段，即独立于要监控的结构的实际测量，或还可以包括用于在实际测量期间更新/修改的在线精细化阶段。

附图说明

为了理解本发明和了解实际上如何实施，现在将参考附图描述仅作为非限制性实例的实施方式，其中：

图1是用于在复杂图案化结构中测量的本发明的系统的实例的框图；

图2是由图1的系统执行的本发明的方法的实例的流程图；

图3示出利用通过横向分离不同图案进行的近似的本发明的实例；

图4示出利用通过在多层结构中的埋藏的(图案化的)下层的垂直相互作用进行的近似的本发明的实例；

图5示出利用由减小的单元格(reduced unit cell)进行的近似的本发明的实例；

图6示出利用通过改善的对称进行的近似的本发明的实例；

图7示出利用双图案化的近似的本发明的实例；以及

图8示出利用更少次数的分层(slicing.)的轮廓(profile)的粗略近似的本发明的实例。

具体实施方式

本发明提供用于基于分解方式(decomposition approach，分解方式)在复杂图案化结构进行测量的系统和方法。根据此方式，为相同的测量部位定义两个或更多模型，包括完整模型(FM)和至少一个近似模型(AM)。尽管该方式可以很容易扩展到多个近似模型，但是为了简洁起见，只考虑以下两种模型的情况：完整模型和单个近似模型。

参考图1，通过框图示出本发明的系统(总体标明的10)，被配置并可操作库创建，用于解释(interpret)复杂结构的测量数据。系统10是包括主要功能工具的计算机系统，例如内存工具(memory utility)12、模型创建模块14、库创建模块16、FM数据创建模块15和处理器工具(processor utility)18。模型创建模块14包括FM创建单元14A和AM创建单元14B。处理器工具18包括被配置用于确定在FM和AM之间的关系(例如，差异)的校正因子计算器18A。

然后，校正因子和AM库被处理器19B(其拟合工具)使用，处理器19B通常是测量系统19的一部分，用于通过将测量数据拟合到确定为AM和校正因子的某种函数(例如，AM和校正因子的总和)的数据来确定结构参数。测量数据可以从测量设备19A(在线或实时模式)或从存储系统(离线模式)直接接收，具体看情况而定。

FM实际上包括根据要测量的结构类型并且可能根据使用的测量技术的类型选择的参数集。问题的参数通常是几何尺寸，但是可以包括描述例如材料特性和/或测量类型的其他因素。应当注意，FM创建模块14A可被配置并可操作用于被应用于特定结构的测量过程的实际建模，或可以操作用于访问存储设备中(例如，内存工具12或外部存储系统)的数据库，以便于获取/选择特定应用的FM的合适数据(参数集)。

AM包括完全包括在FM中的更小参数集。换句话说，AM的参数空间构成FM的参数空间的一部分。

AM创建模块14B可被配置用于AM的参数集的实际建模以满足预定条件，或可以可操作地访问存储系统(内存14A或外部存储器)中的模型的数据库以获取/选择一个或多个合适的AM，即满足预定条件。所选的AM要满足的条件是，对于给定的FM，在AM和FM之间的关系可以被很好地定义，即可以由很好地定义的函数(例如线性函数)表征。在最简单的情况中，在FM和AM之间的关系是两者之差Δ。为了简洁起见，术语“Δ”将在下文中用于表明描述在FM和AM之间的关系的函数。由此，

FM(x)=AM(x)+[FM(x)-AM(x)] (1)或

FM(x)＝AM(x)+Δ(x) (2)

其中，x对应于在参数空间中的位置。

方程(1)和(2)呈现分解方法的基本/原理方程的实例，可以概括为以下：

FM(x)＝f[(AM(x)] (3)

一般地，库通常包括对应于要从特定结构测量的数据类型的函数集(或值，视情况而定)，每个函数对应于模型参数的不同值。根据本发明，不需要创建关于FM的任何库(既不需要FM数据的“密集”库也不需要其稀疏库)，而是FM数据创建模块操作以使用在参数空间的所选点中的FM创建FM相关数据，包括要从结构测量的数据类型的某些函数/值。一般地，这样的FM数据可以认为是非常稀疏的库。下面将进一步更具体地进行描述。关于AM，要使用完整库(相对地)，即对于近似模型的整个参数空间(感兴趣的参数的期望范围，并且用期望的分辨率)。因此，库创建模块16被配置并可操作用于创建AM的完整库。用于创建FM数据的参数空间的选择点(selected point)是包括在AM的参数空间中的那些。处理器工具18(和/或库创建模块16)被配置并可操作用于确定在参数空间的所述选择点中的FM和AM之间的关系，并且处理器进一步可操作用于利用此所谓的“稀疏关系”解释测量数据。下面将进一步更具体地进行举例说明。

考虑到图案化结构(例如半导体晶片)上的实例光学光谱测量，以上的含义是利用完整模型SFull(X)在参数空间中的位置x计算出的光谱(或另一衍射标记图(diffractionsignature)，例如角度解析的复杂电场振幅等)与对参数空间中的相同位置x用近似模型SApp(X)计算出的光谱(或另一衍射标记图)如下地彼此相关：

S_Full(x)=S_App(X)+[S_Full(x)-S_APP(x)] (4)

导致此具体实例的分解方法的控制方程：

S_Full(x)≌S_App(x)+Δ(x₀) (5)

Δ(x₀)≌S_Full(x₀)-S_App(x₀) (6)

定义Δ(x₀)作为在参数空间中的附近位置x0处计算出的两个模型FM和AM之间的差或对(可能稀疏的)库使用插值；不在相同点计算差Δ，因为其是更稀疏的。

换句话说，为了计算Δ，在参数空间中通过更稀疏地采样来确定完整模型光谱S_Full和近似模型光谱S_App(和两者之差)。因此，根据本发明，计算两个光谱库：库创建模块16计算近似模型的完整库，处理器18和/或模块16确定差Δ的稀疏库。

现在参考图2，图2示出了示例说明用于在复杂图案化结构中进行测量的本发明的分解方法的流程图100。首先，与被应用于特定类型的结构的特定测量技术相应地创建FM和AM(至少一个AM)(步骤102和104)，其中AM覆盖作为FM的参数空间PS_full的一部分的参数空间PS，并且AM满足关于FM的以上方程(3)的条件。

然后，创建AM库和FM相关数据(步骤106和108)。AM库覆盖AM的整个参数空间PS。FM数据对应于参数空间PS的所选部分或点x₀(某个参数集的值)。假设AM保存FM对主要参数的FM的灵敏度更大的部分，首先创建AM的库，获取在该库内所需的插值准确度。另一方面，由于AM比FM需要明显短的每点计算时间(因为AM由更小的参数集定义)，所以与传统技术中使用的FM的完整(密集)库创建相比，AM库和FM数据的总计算时间显著地降低。

已经确定PS的AM库(步骤106)和PS的点x₀的FM数据(步骤108)，系统(处理器和/或库创建模块)操作以计算校正项Δ(x₀)的“稀疏”库(步骤110)，使得能够确定Δ(x)的完整库至类似的插入准确度。就像AM实际上与FM非常相似那样，Δ的值将较小并且随问题参数缓慢地改变，因此Δ所需的库将比AM的更稀疏。应当注意，在以上方程(5)的最终结果中，两个项的误差增加，因此当设置每个项的目标准确度时应当考虑到此因素。

一旦从测量设备或存储设备接收实际测数据(例如，来自某种结构的光谱响应S)，将测量数据拟合到由系统确定为(S_App(x)+_Δ(x₀))的各自的数据(步骤112)。当识别出最佳拟合时(步骤114)，各自的函数用于确定该结构的对应参数(步骤116)。

比较利用本发明的分解方式和标准方式的总计算时间，发明人员已经发现，尽管在分解方式中生成两个库(对AM和Δ)，但是创建这些库的每一个所需的时间明显低于利用FM的完整库创建的标准过程所需的时间。实际上，由于更简单的模型，AM库创建更快，并且由于所需点数更少，Δ库创建相对较快。由于在许多情况下，更快库和更慢库之差可能是一个或多个数量级，两个更快库的总耗费仍比建立一个更长的库短很多。

以下是本发明的技术的某些实例。应当注意，可以实施将本发明的方法应用于所有或至少某些情况，同时充分保持基本相同的软件/硬件系统配置。

现在参考图3，图3示例说明利用横向分离的本发明的分解方法。在这个实例中，利用具有更短周期的更简单结构22近似复杂结构20。典型的实例是模具内应用(in-dieapplication)，其中存储单元的重复创建短周期性，同时为了正确地建模整个结构，还需要考虑某些更长的周期性特征。

如图所示，在复杂结构20中的图案包括图案化区域R₁，每个R₁由相对较小的特征(细线)L₁的阵列形成，L₁由包括相对较大的特征(粗线)L₂的图案化区域R₂间隔开。由此，被测量和解释的光谱响应是来自复杂结构20的响应S_Full。在这种情况中，AM是只涉及细线L₁的模型，省略了较宽的线，因此显著地降低周期，例如在这个实例中降低至约1/40；并且AM库包括来自结构22的响应S_App。更短周期结构22需要建模更少的衍射模式，因此AM库具有明显更短的计算时间。所以，通过计算对于在处理范围(稀疏库)中的少量点的来自简化结构22和来自完整结构20的测量数据的测量数据之间的差并在它们之间插值，校正项(差)Δ呈现处于充分良好的准确度，同时仅针对简化模型利用完整(更密集的)库的创建。由于所有感兴趣的用户参数都是简化模型的一部分，所以灵敏度保持现状。

因此，在图3的此实例中，FM相关数据S_Full对应于长周期的结构20；AM相关数据S_App对应于具有更短周期的结构22，并且校正项Δ增加由于从短周期偏离小区域导致的效果。

现在参考图4，图4示例说明用于具有埋藏的(图案化)下层的垂直交互作用的结构的本发明分解方法。这里，在测量下的复杂结构是包括四层L₁～L₄的堆叠形式的结构30，并且要解释的测量数据是来自这样的结构30的光谱响应S_Full。在结构30中，层L₁和L₂是没有图案的平面层，而层L₃和L₄是图案化层：层L₃具有表面凸起，而层L₄是光栅形式(离散间隔开的区域)。

在许多情况中，在该应用中的复杂性来源是由于除了将要控制的上层中的光栅(上一处理步骤)外，还存在额外的下部结构，例如，包括多个固态或图案化埋藏层。埋藏层通常会包括由不同取向的线形成的光栅，例如具有如所谓“交叉线”应用那样的与上层线的正交方向。存在这样的下部结构导致复杂三维应用，而其本身的上部层可以被认为是二维应用或更简单的三维应用。

在该情况中，下部结构由“有效“固态层替代。因此，近似模型是指更简单的结构32，其中省略L₁层和L₂层，并且AM库包括来自结构32的光谱响应S_App。此时，下部结构L₁～L₃由“有效”固态层L₃替代。在许多情况中，其中检测出的信号主要由上部层限定并且下部结构的影响相对较小，该固态层作为一阶近似。本身的“有效介质”近似几乎不能提供充分良好的拟合，然而，利用本发明的分解方法，利用对少数点计算出的精确完整模型校正差异，这可以非常好地用于足够精确的计算，使得计算明显更快。因此，在这个实例中，完整模型光谱确定S_Full是三维应用，AM库响应S_App的确定是二维应用或更简单的三维应用，而在该情况下的校正项Δ是由下部结构创建的二维的小偏差。

现在参考图5，图5示例说明基于使用减小的单元格的本发明分解方式。在这个实例中，要测量的复杂结构40包括沿着两个相交轴取向的椭圆形式(对应于STI岛)的四个元件44。该复杂结构40由更简单的结构42近似，其中椭圆44’具有与在结构40中一样的尺寸和一般容纳(general accommodation)，但是均匀排列(homogeneous alignment)。

在某些情况中，三维结构的复杂几何形状需要使用较大和复杂的三维单元格，这使得计算时间非常长。通过利用单元格的部分简化，例如，更小尺寸的格，可以降低计算时间。在图5的实例中，通过翻转两个椭圆44的取向(翻转椭圆的主轴的取向)，近似结构42变得更简单，因为其限定单元格44，该单元格44降低至结构40的1/4，因此充分节省计算时间。对假设小的真正的完整结构的校正将计算少量点。因此，这里，完整模型数据S_Full具有更大单元格，近似数据S_App是对应于更大单元的子单元的更小单元格的近似数据，并且校正项Δ描述在更大单元中的小非周期性。

参考图6，图6示出了基于使用改进对称性的结构的本发明分解方法的另一个实例。如图所示，在测量下的结构50具有单元格，单元格包括椭圆倾斜特征50A和相交水平线特征50B。在近似结构52中，椭圆由圆54替代。来自复杂结构50的光谱响应S_Full是(稍微)不对称函数。因此，描述来自近似结构52的光谱响应S_App的函数具有比S_Full更高的对称性。校正项Δ在这里描述图案的小的非对称性。

图7示出本发明的技术可如何用于在具有所谓的双图案化配置的结构中进行测量。对于双图案化应用，简化模型不考虑在双图案化处理的两个步骤之间的某些无意的差异。图7的实例大致与以上所述的图5和图6的组合相似。在这个实例中，复杂结构60是承载图案化层60B的衬底60A的形式，其中图案是特征阵列的形式，其中两个相邻特征F1和F2各自具有稍微不同的几何形状。来自复杂结构60的光谱响应S_Full是(稍微)非对称函数。近似结构62包括是不同特征中的更简单几何形状的那个，F1。因此，光谱响应S_Full对应于更大单元/周期的结构，而来自近似结构的光谱响应S_App对应于更小单元/周期的结构，并且校正项Δ描述在双图案化处理的两个阶段之间的小变化。

图8示出本发明的分解方法如何利用具有更少次数的分层的轮廓的粗略近似。在某些情况中，非矩形截面轮廓的合适近似所需的分层次数(考虑到弱轮廓参数，例如侧壁角(SWA)等)可以比正方形轮廓显著地增加计算时间。如图8中所示的结构70具有承载多层结构70B的衬底70A，每个层具有不同的图案(光栅)，例如朝向最上层逐渐增加尺寸的图案特征。原结构70由结构72近似，其中结构70B的每两个相邻层都由单个层替换，因此形成有限数量的“更厚”分层用于一阶近似，并且“精细”轮廓参数的稀疏地校正节省了计算时间。因此，来自复杂结构的光谱响应S_Full具有沿着z轴(垂直的)的完整空间分辨率，而来自近似结构的响应S_App具有沿着z轴的降低的空间分辨率，而校正项描述更精细分层的小贡献(smallcontribution)。

在某些其他实施方式中，本发明可以利用沿着x轴和/或y轴的截面轮廓的高/低空间分辨率的近似。这里，与先前的情况相似，沿着x轴和/或y轴的截面轮廓可以利用降低的空间分辨率近似。假设较低空间分辨率含有参数的大多数灵敏度，低密度校正可以允许以少很多的总计算时间获得所需的最终光谱准确度。因此，来自复杂结构的建模响应S_Full具有沿着x-y轴的完整空间分辨率，而来自近似结构的建模响应S_App具有沿着x-y轴的降低空间分辨率，校正项描述沿x-y轴的更精细空间分辨率的分布。

以上所述的本发明的非限制性实例主要处理表示要测量的图案化结构的模型参数。本发明还可以用于合适地近似测量过程本身，例如，测量响应的类型，例如收集的响应的衍射图案(例如，正在收集的衍射级数)。

以下是大致描述本发明如何利用表征电磁波与要测量的图案化结构的交互作用(来自测量结构的照明和/或反射)的模型参数或涉及测量技术本身的模型参数的某些非限制性实例。

例如，利用低光谱设置(分辨率)获得光谱计算的低准确度可以是有用的近似。假设较低光谱设置包含大多数的参数灵敏度，则低密度校正可以允许以少很多的总计算时间获得所需的最终光谱准确度。来自在实际测量中使用的结构的建模响应S_Full具有高(或完整)光谱分辨率，而建模的近似响应S_App具有降低的光谱分辨率，其中校正项响应于更高光谱分辨率(准确度)的小贡献。

在某些情况中，利用表征轮廓参数所需的光收集的不同数值孔径(发散角)增加计算时间。

因此，通过把仅仅一个(或，通常，最少数量的)数值孔径值(角度)作为一阶近似，并且稀疏地应用剩余数值孔径灵敏度的校正，可以降低计算时间。另一个可能的实例是通过利用倾斜沟道的对称数值孔径分布作为近似模型并考虑非对称作为校正项。在这些实例中，测量数据的完整模型S_Full对数值孔径的变化敏感，而近似模型S_App对应于占光谱的某些(大多数)部分的单个(最少数量的/对称的)数值孔径。校正项对应于非零/非对称数值孔径的相对较小贡献。

如上所述，本发明可以以少量衍射级的近似作为基础。计算时间可以随着保留阶数增加而呈指数增加。可以把降低的衍射级数(例如更低的衍射级)作为初始近似，并对更高衍射级的分布进一步执行稀疏校正。建模的测量数据S_Full具有高(“完整”)数量的衍射模式，近似的测量数据S_App具有有限数量的衍射模式，而校正项是更高衍射模式的小贡献。

应当理解，本发明不限于正在测量的结构的类型、不限于测量类型(光谱测量仅仅是一个实例)、以及不限于近似模型的数量。一般地，根据本发明，为在结构中的相同测量部位创建至少两个模型，一个模型是完整(或充足)的模型，而至少一个其他模型是近似模型。测量的准确度要求被分解成两个部分：近似和校正(通常两个部分可以均等地贡献准确度预算)。创建近似模型的误差控制库、和校正项的误差控制库(关系，例如在完整模型和近似模型之间的差异)。然后，当使用插值的库时，插值两个库中的数据(例如，光谱)并且增加结果。

在本发明的某些实施例中，可以组合相同应用的两个、甚至更多的近似。因此，对于图3中呈现的应用，除了横向分离之外，可以应用例如以上所述的垂直交互作用(图4的实例)、更低分层(图8的实例)和高/低光谱准确度(分辨率)。尽管不同的方法是可能的，但是为了实施的简洁和最终的准确度起见，可能将所有所选的近似置于单个近似模型中是优选的，例如同时含有横向分离和更低的高/低光谱准确度(分辨率)的模型。在应用开发的任何情况中，为了验证使用的近似是有效的，可以优选测试解决方案的质量。这可以如下地实现：通过经过分解模型和全实时回归运行少量实例，或者通过比较在某些试验点的直接计算与它们的插值等效物(明显增加两者的贡献)并比较库的目标光谱准确度。

此外，根据本发明，可以利用以上所述的技术使库计算与实时回归组合。在此情况下，以上述的相同方式执行分解为完整模型和近似模型。为校正项(差)Δ创建库，并且存储在系统的内存(或者系统可访问的外部存储系统)中。在实时测量期间，近似模型在回归循环的每个迭代步骤被计算和由从校正库获取的插值进行校正。本技术使得能够在完整计算太长而难以用可用的计算功率实时完成的情况下使用实时回归。

Claims (18)

1.一种用于在复杂图案化结构中进行测量的方法，所述方法包括：

为图案化结构中的相同测量部位提供完整模型和至少一个近似模型，其中，所述至少一个近似模型中的每个是由参数集定义的，所述完整模型包括所述至少一个近似模型的所述参数集以及额外参数，其中，所述参数集包括所述图案化结构的参数和/或来自所述图案化结构的响应的参数/条件；所述至少一个近似模型满足所述完整模型和所述近似模型之间的关系通过预定函数定义的条件；

为通过所述近似模型对所述近似模型的整个参数空间计算出的模拟数据创建库；

确定通过所述完整模型计算出的对应于所述近似模型的所述参数空间的选择点的稀疏模拟数据；

利用所述近似模型的所述模拟数据的所述库和所述完整模型的所述稀疏模拟数据，并且创建对应于所述近似模型的所述参数空间的校正项的值的库，所述校正项被确定为所述完整模型和所述近似模型之间的关系的所述预定函数，由此能够通过将测量数据拟合到通过所述校正项的相应值校正的、所述近似模型计算出的模拟数据来处理所述测量数据。

2.根据权利要求1所述的方法，其中，定义所述完整模型和所述近似模型之间的关系的所述预定函数是光滑函数。

3.根据权利要求1所述的方法，其中，定义所述完整模型和所述近似模型之间的关系的所述预定函数是线性函数。

4.根据权利要求1所述的方法，其中，定义所述完整模型和所述近似模型之间的关系的所述预定函数是所述完整模型的值和所述近似模型的值之间的差。

5.根据前述权利要求中任一项所述的方法，其中，为所述近似模型的所述参数空间中的所述校正项值创建库包括：使用所述近似模型的整个参数空间的所述模拟数据的所述库和所述完整模型的所述稀疏模拟数据并且计算所述参数空间的所述选择点的所述校正项的值；利用定义所述完整模型和所述近似模型之间的关系的所述预定函数并且计算所述近似模型的整个参数空间的所述校正项的值。

6.根据权利要求1-4中任一项所述的方法，其中，所述近似模型和所述完整模型包括表征在测量下的所述结构的参数。

7.根据权利要求6所述的方法，其中，所述近似模型被配置用于通过具有更短周期的图案的结构近似具有不同周期的两个以上的图案的复杂图案化结构。

8.根据权利要求6所述的方法，其中，所述近似模型被配置用于通过省略了至少一个下部未图案化层的结构近似具有包括顶部图案化层的多个层的复杂图案化结构。

9.根据权利要求6所述的方法，其中，所述近似模型被配置用于通过具有减小的单元格的结构近似复杂图案化结构。

10.根据权利要求9所述的方法，其中，所述减小的单元格具有与要测量的所述复杂图案化结构中的单元格的元件相似的均匀排列的元件。

11.根据权利要求9所述的方法，其中，所述减小的单元格具有比要测量的复杂结构中的相应单元格小的尺寸。

12.根据权利要求6所述的方法，其中，所述近似模型被配置用于通过具有对称性改善的单元格的结构近似复杂图案化结构。

13.根据权利要求1-4中任一项所述的方法，其中，所述近似模型和所述完整模型包括表征用于获取所述测量数据的测量的参数。

14.根据权利要求13所述的方法，其中，所述测量包括光学测量，所述参数表征光与要测量的所述图案化结构的交互作用。

15.根据权利要求14所述的方法，其中，所述近似模型被配置用于通过使用相对低的光谱设置来近似测量，所述模拟数据通过具有降低的光谱分辨率的近似模型计算，所述校正项对应于更高光谱分辨率的小贡献。

16.根据权利要求14所述的方法，其中，所述近似模型被配置用于通过使用从所述结构收集光的不同数值孔径来近似测量，使得所述近似模型计算的所述模拟数据对应于占所收集光的大部分的最小数的数值孔径，所述校正项对应于非零数值孔径的相对小的贡献。

17.根据权利要求14所述的方法，其中，所述近似模型被配置用于通过使用更低的衍射级数来近似测量，所述校正项对应于更高的衍射模式的小贡献。

18.一种用于在复杂图案化结构中进行测量的系统，所述系统包括：

用于为图案化结构中的相同测量部位提供完整模型和至少一个近似模型的建模工具，其中，所述至少一个近似模型中的每个是由参数集定义的，所述完整模型包括所述至少一个近似模型的所述参数集以及额外参数，其中，所述参数集包括所述图案化结构的参数和/或来自所述图案化结构的响应的参数/条件；其中，所述至少一个近似模型满足所述完整模型和所述近似模型之间的关系通过预定函数定义的条件；

库创建模块，被配置并可操作用于确定和存储通过所述近似模型对所述近似模型的整个参数空间计算出的模拟数据；

完整数据模块，被配置并可操作用于确定和存储通过所述完整模型计算出的对应于所述近似模型的所述参数空间的选择点的稀疏模拟数据；

处理器工具，被配置并可操作用于利用所述近似模型的所述模拟数据的所述库和所述完整模型的所述稀疏模拟数据并且创建对应于所述近似模型的所述参数空间的校正项的值的库，所述校正项被确定为所述完整模型和所述近似模型之间的关系的所述预定函数；

所述系统由此能够通过将测量数据拟合到通过所述近似模型计算并通过所述校正项的相应值校正的所述模拟数据来处理所述测量数据。