CN105474377B - 代表性目标子集的选择及使用 - Google Patents
代表性目标子集的选择及使用 Download PDFInfo
- Publication number
- CN105474377B CN105474377B CN201480046681.3A CN201480046681A CN105474377B CN 105474377 B CN105474377 B CN 105474377B CN 201480046681 A CN201480046681 A CN 201480046681A CN 105474377 B CN105474377 B CN 105474377B
- Authority
- CN
- China
- Prior art keywords
- target
- meterological
- subset
- ratio
- selection
- 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
Links
- 238000005259 measurement Methods 0.000 claims abstract description 104
- 238000009826 distribution Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 239000004744 fabric Substances 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims 26
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 235000012431 wafers Nutrition 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012803 optimization experiment Methods 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供方法及相应模块,其通过选择所测量目标的相对较小子集以代表大量目标的参数测量的分布而减小计量学参数的样本大小及测量持续时间。通过对来自所述分布的选定数目的分位数中的每一者的实质上相等数目的测量进行取样而选择所述子集。所述方法及模块允许正确表示完整目标测量分布的目标的识别。所述方法及模块使用准确度评分及所述选择的稳健性的估计来优化分位数及样本大小选择。可迭代地执行取样及选择以达到指定准则,所述指定准则匹配可在考虑所述完整分布时导出的结果。
Description
相关申请案的交叉参考
本申请案主张2013年6月28日申请的第61/840,966号美国临时专利申请案的权利,所述临时专利申请案的全部内容以引用的方式并入本文中。
技术领域
本发明涉及计量学的领域,且更特定来说,本发明涉及测量的分布的统计分析及取样。
背景技术
计量学目标经设计以实现参数的测量,所述参数指示晶片制作步骤的质量及量化晶片上的结构的设计与实施方案之间的对应性。遍及晶片场制作计量学目标且来自目标的测量结果分析产生跨越晶片的计量学参数的估计。
发明内容
本发明的一个方面提供一种方法,其包括通过选择所测量的目标的子集n以代表复数N个目标的参数测量的分布而减小计量学参数的样本大小及测量持续时间,其中通过对来自分布的选定数目的分位数中的每一者的实质上相等数目的测量进行取样而选择子集n(其中n<<N)。
在下文详细描述中阐述本发明的这些、额外及/或其它方面及/或优点;可能可从详细描述中推断;及/或可通过本发明的实践学习。
附图说明
为了更好地理解本发明的实施例及为了展示其可如何实施,现将单纯通过实例的方式参考附图,其中全文中相似数字指示对应元件或区段。
在附图中:
图1A为根据本发明的一些实施例的模块操作的高级示意框图。
图1B为根据本发明的一些实施例的示范性实施方案的高级示意图。
图2及图3为根据本发明的一些实施例的模块操作的另一高级示意框图。
图4为根据本发明的一些实施例的方法的高级示意流程图。
具体实施方式
在阐述详细的描述之前,阐释将在下文中使用的特定术语的定义可能为有帮助的。
如本申请案中使用的术语“参数”指可通过计量学测量导出的任何可测量数量,举例来说,几何参数(例如,重叠(OVL)及临界尺寸(CD))、所计算的数量(例如,工具诱发移位(TIS)及测量质量指标)及导出数量(例如,扫描器剂量及聚焦)。参数可指任何测量方向且被理解为包含可测量数量的任何组合。参数可包括任何所测量数量本身或所测量数量相对于给定计量学模型的求导,例如,可测量数量的系统部分(例如,可归因于系统源的分量)及/或可测量数量的随机部分(例如,相对于对应系统部分的残差,其无法归因于系统源)。
现详细地具体参考图式,应强调,所展示的细节为通过举例的方式,且仅为了说明性论述本发明的优选实施例的目的,并且为了据信为本发明的原理及概念方面的最有用及最易于理解的描述的原因而提出。在此方面,不试图展示比本发明的基本理解所需的更详细的本发明的结构细节,结合图式进行的描述使所属领域的技术人员了解可如何在实践中体现本发明的若干形式。
在详细解释本发明的至少一个实施例之前,应理解,不应将本发明的应用限于下文描述中阐述或图式中说明的构建细节及组件布置。本发明适用于其它实施例或可以各种方式实践或执行。此外,应理解,本文中采用的措辞及术语为用于描述的目的且不应被视为限制。
提供方法及相应模块,其通过选择所测量目标的相对较小子集以代表大量目标的参数测量的分布而减小计量学参数的样本大小及测量持续时间。通过对来自分布的选定数目的分位数中的每一者的实质上相等数目的测量进行取样而选择子集。方法及模块允许目标的识别,其正确代表完整目标测量分布。方法及模块使用准确度评分及选择的稳健性的估计优化分位数及样本大小选择。可迭代地执行取样及选择以达到指定准则,其匹配可在考虑完整分布时导出的结果。
图1A为根据本发明的一些实施例的模块100的操作的高级示意框图。模块100可至少部分嵌入计算机硬件中,且经配置以执行下文所描述的方法200的任何步骤。模块100可完全或部分嵌入计量学工具(未展示)中。
在图1A中参考现有技术程序说明模块100的操作,所述现有技术程序在上文中用虚线说明且如下文所解释可用以导出模块100的性能以及特定参数的选择的基线估计。在现有技术中,界定计量学准则以检查对晶片上的所有或大多数目标(用于导出参数95的N个测量的M个目标90)进行的计量学测量是否指示晶片的正确制作。此外,计量学测量用以导出制做过程的校正。举例来说,测量可用以构建计量学模型,从中其导出可校正项且针对计量学准则检查残差(其余统计误差)的估计。举例来说,比较残差分布的方差(例如,通过从模型导出的残差的(高斯)分布97的3σ而测量)与计量学准则。在本发明中,计量学准则可被视为参考准则99,将上述近似与其相比较。测量及准则可涉及不同计量学参数(例如,重叠、临界尺寸(CD))、过程参数(例如,聚焦及剂量等等)或涉及模型导出参数(例如,可校正项及残差)。在现有技术中,大量目标通常归因于时间限制而不允许针对每一个晶片测量所有目标,且取而代之进行任意数目的测量,其通常相对于目标的空间分布而选择。
相比之下,所揭示的发明的模块100通过选择所测量目标的子集n以代表复数N个个目标的参数测量的分布而减小计量学参数的样本大小及测量持续时间。通过对来自分布的选定数目的分位数中的每一者的实质上相等数目的测量进行取样而选择子集n(其中n<<N)。
举例来说,模块100可执行分布的基于分位数的取样110,例如通过从q个分位数取得n/q个样本及识别120个正确代表分布的n个目标的子集。正确代表可针对参考准则99(140)测试或使用统计量度测试(见下文)。n<<N代表性目标的所得子集可用于进一步测量中以提供所需计量学参数140(例如,可校正项及残差),同时避免测量所有N个目标以及任意选择的需要。发明者已发现使用所揭示模块可使测量时间削减到20%(例如,从1000到1200之间的N到100到300之间的子集n),而不损及计量学准则检查的准确度。模块100及相关方法200可相对于有关计量学测量程序、目标类型、计量学准则等等的各种要求而做出调整。
在特定实施例中,可确定来自每一分位数n/q的子集大小n、分位数q的数目及样本大小中的任一者,且可重复变化n、q及n/q的另一者115。一或多个准确度评分可用以估计每一反复选择的结果直到实现参数的最佳选择。模块100可使用N个目标的测量的分布来界定代表准则且相对于所述代表准则而计算准确度评分。
估计可为两层,其中第一个n的选择重复且检查稳健性150及/或相对于准确度及稳健性评分而优化。n、q及n/q的变化的另一者可为相关联的相应准确度评分且n、q及n/q的经确定的一者可变化且与从准确度评分导出的相应稳健性评分相关联。
所揭示的发明适用于通过任何计量学测量导出的任何类型的计量学参数,举例来说,几何参数(例如,重叠(OVL)及临界尺寸(CD))、所计算的数量(例如,工具诱发移位(TIS)及测量质量指标)及导出数量(例如,扫描器剂量及聚焦)。参数可指任何测量方向(例如,X及/或Y)且被理解为包含可测量数量的任何组合。参数可包括任何所测量数量本身以及模型导出参数,例如,可测量数量的系统部分(例如,可归因于系统源的分量)及/或可测量数量的随机部分(例如,相对于对应系统部分的残差,其无法归因于系统源)。
在某些实施例中,分位数选择及样本大小可相对于手边的特定计量学任务而优化150,以实现最大取样及测量效率以及选定目标对随机波动的稳健性。特定来说,样本大小n可被减小同时使用一或多个准确度评分来维持原始测量分布97的准确度水平,所述准确度评分基于测量的群体而无目标的位置的任何空间指示或额外参考目标的空间分布(例如,可相对于不同参数考虑空间信息(例如,场间位置、场内位置或半径)。在某些实施例中,可逐点反复构建新样本,同时监测群体的评分。
可从不同源导出准确度评分。举例来说,准确度评分可使用模型的残差分布而测量。在另一实例中,使用从任何测量参数导出的测量质量指标分布来测量准确度评分。
在某些实施例中,分布的每一点可包括多个量度或参数。对于每一量度,可对群体计算准确度评分且样本可被选择以同时满足有关所有参数的所有准确度评分。
在某些实施例中,可反复分位数的选择及/或样本大小的选择以优化这些选择的稳健性,即,以确保目标选择对各种测量条件及测量结果的低敏感度且确保目标子集的选择确实在各种条件下提供完整分布的足够准确代表。选择的稳健性可通过稳健性评分来量化,其可(例如)基于准确度评分,例如,包括跨越相同大小的不同样本的准确度评分的方差及/或包括跨越不同晶片的准确度评分的方差。子集选择的质量可使用准确度评分来估计且可将准确度评分的指定阈值设定为结果的质量的指示。
在某些实施例中,可在应用算法之前将异常值从测量的群体移除。在某些实施例中,可不执行此移除,以便构建代表完全分布的取样。
图1B为根据本发明的一些实施例的示范性实施方案的高级示意性图解。所说明的示范性实施方案及其变体可由模块100及/或方法200使用以执行所揭示的发明。图1B示意性地说明一种从至少一个晶片91上的总共N个目标选择n个代表性目标的子集的方式的非限制性实施例。
可使用晶片91上的所有或大多数的N个目标的参数测量的完全分布97而将代表准则定义为参考99。
可选择子集大小n及/或分位数q的数目108及/或来自每一分位数的样本大小n/q。考虑其相关性。举例来说,样本大小n可首先被选择且固定且随后分位数q的数目108(及来自每一分位数的所得样本大小n/q)可变化且优化。在另一实例中,分位数q的数目108可首先被选择且固定且随后子集大小n或来自每一分位数的样本大小n/q(且因此分别为n/q及q)可变化且优化。在另一实例中,来自每一分位数的样本大小n/q可首先被选择且固定且随后子集大小n或分位数q的数目108(及因此分别为q及n)可变化且优化。应注意,异常值可在任何阶段移除且来自每一分位数的样本数目n/q不一定针对不同分位数而严格相等,而是取决于所定义的准则而实质上相等。以上所列举实例中的任一者导致基于分位数的取样110,所述取样得出目标的相应子集(所述子集用于导出测量参数及/或基于模型的所导出数量96,其对照参考99进行检查以定义子集选择的准确度评分)。
可通过改变任何n、q、n/q及将特定目标重复取样到目标的子集中以计算样本中的每一者的准确度评分161而执行选择及取样150的优化。准确度评分161相对于变化的子集大小n、分位数q的数目108及/或样本大小n/q的分布可用于若干目的,例如:具有选定大小及样本的模块性能与参考准则99的比较,针对n、q及/或n/q的特定选择的稳健性评分151的界定及目标的特定样本的选择以构建n个目标的子集(例如)作为准确度评分的分布的中值。
图2及图3为根据本发明的一些实施例的模块100的操作的另一高级示意框图。图1A、1B、2及3从不同角度说明所揭示的发明的某些实施例,且来自图1A、1B、2及3的元件的任何组合及变化同样被视为目前所揭示的发明的部分。
参考图2,通过测量一或多个晶片(95)上的大量(N个)计量学目标,成功准则99可被计算且随后用作参考以测量N个目标中的n个目标的特定子集选择109的质量,其中n<<N。在所说明的实例中,首先选择子集大小n且随后分位数q的数目及样本大小n/q被反复选择110且通过所计算的准确度评分161而量化。在反复样本的范围内计算稳健性量度以指示子集n的选择的稳健性151且子集大小n选择109可同样反复以达到给定所需稳健性水平。从此反复过程得到n、q的最佳值及目标的最佳取样,其中实质上n/q个目标来自q个分布分位数120中的每一者。在多个晶片91的情况中,上文所揭示的优化过程可相对于第一晶片执行且相对于晶片121的其余者反复,或最佳样本可如以上所说明而选择,方法是考虑来自多个晶片的N个目标的测量122。
参考图3,在考虑选定数量的相关性的情况下,有关来自多个晶片91的大量目标90的测量分布97可用以执行子集大小选择109及/或分位数数目选择108及/或样本大小选择110。选择及取样步骤可反复115以产生目标120的选定子集,从中可针对将在用以选择目标的子集的晶片之后测量的晶片导出130相关计量学量度。反复115可相对于任何选定大小及样本执行(可能以嵌套方式)以产生以下项中的任何一者:准确度评分161、稳健性评分151、随机或确定性取样(基于反复)125、将来自晶片的取样应用到其它晶片121及多个晶片122的取样。
图4为根据本发明的一些实施例的方法200的高级示意流程图。方法200可包括以下步骤中的任何一者。某些实施例包括计算机程序产品,其包括具有结合其而体现的计算机可读程序的计算机可读存储媒体。计算机可读程序可经配置以至少部分地执行方法200的任何步骤。
方法200包括通过选择所测量目标的子集(步骤215)(其测量代表来自所有目标的测量的分布)及对来自模型的不同分布分位数的实质上相等数目的测量进行取样(步骤220)而减小晶片的计量学测量及导出参数的样本大小及测量持续时间(步骤210)。
在某些实施例中,方法200可包括界定代表准则(步骤222)、计算取样目标的至少一个准确度评分以通过子集中目标的测量的分布而量化测量的完整分布的代表的质量,尤其参考导出计量学测量,其指示与光刻过程相关的所需操作,例如,从重叠模型(例如,OLS、普通最小二乘法、重叠模型)导出的可校正项及残差。
方法200可进一步包括反复取样220及选择215(也参见上文图1A、1B、2及3)以达到所界定的代表准则(步骤226)。在某些实施例中,选择215可根据从取样220得到的准确度评分分布的中值来执行(步骤228,且参见图1B)。经取样的n/q个目标可根据针对所有经取样的n/q个目标的相应至少一个准确度评分的分布的中值来选择。
在某些实施例中,选择目标的子集215可进一步包括并入有关目标特性的考虑(步骤229),例如,目标配置及空间分布,举例来说,空间信息可包括以下至少一者:场间位置、场内位置及半径。
方法200可进一步包括反复取样220及选择215以增大置信度(步骤230)。方法200可包括如上所解释的优化分位数选择(步骤232)及优化样本大小(步骤234)中的任何一者。
方法200可进一步包括减小样本大小同时使用有关量度的评分及基于不具有或具有空间指示的群体而维持原始模型的准确度水平(步骤235)。方法200可进一步包括以下任何步骤:检查给定样本大小的稳健性(步骤236)、使用分位数中的多个取样目标的准确度评分来计算子集大小选择的稳健性评分(步骤237)及估计稳健性作为准确度评分的方差(步骤238)。方法200可包括计算针对子集大小n的选择的稳健性评分,将至少一准确度评分的多个值用于n/q个目标的相应多个取样。举例来说,稳健性评分可涉及至少一个准确度评分的多个值的方差或任何其它统计量度。
方法200可进一步包括从目标的选定子集的测量计算分布宽度及/或可校正项(步骤240)。
方法200可进一步包括相对于多个晶片执行测量(阶段250),以及选择第一晶片的子集大小及根据针对其它晶片计算的稳健性评分来选择其内的分位数及样本(阶段252),及/或反复地或同时相对于来自所有晶片的测量而选择子集大小(阶段254)。
方法200可包括随机及重复对分位数内的目标进行取样(阶段260),及/或使用准确度评分至少部分确定性地对分位数内的目标进行取样(阶段262)。
方法200可涉及对以下各者中的任何一者的测量:计量学参数,从计量学参数导出的计量学测量、计量学质量指标、使用计量学模型从参数中导出的可校正项、从计量学模型中导出的计量学参数及目标制作过程参数的残差(阶段270)。
在某些实施例中,测量沿着至少一个测量方向涉及以下各项中的至少一项:重叠、工具诱发移位、测量质量指标。在某些实施例中,测量可涉及扫描器剂量及聚焦中的至少一者。在某些实施例中,测量可涉及从计量学重叠模型导出的重叠。举例来说,测量可涉及从计量学模型导出的计量学参数的残差,残差的分布为高斯函数且计量学模型为普通最小二乘法(OLS)重叠模型。在另一实例中,方法200可进一步包括从具有所测量目标的至少一个晶片上的不同区单独捕获重叠特征图谱测量(阶段280)。这些测量以及额外测量的组合可被考虑及/或相对于目标的选定子集而执行。在某些实施例中,方法200可包括在任何阶段中在取样及选择之前移除异常值(阶段282)。选择、取样及计算中的至少一者可由至少一个计算机处理器执行(阶段290)。应注意,方法200不限于重叠模型且可能涉及CD模型、过程参数模型等等。
有利地,所揭示的取样算法可提供晶片及场重叠特征图谱,实现准则检查(例如,再处理阈值)及面对恒定增长数量的所需目标及测量而导出可靠的可校正项。与进行所测量目标的全面取样以计算其分布的特性(例如平均值μ、标准偏差σ、残差3σ)的现有技术相比,所揭示的取样算法通过指定取样程序识别代表性目标及使用代表性目标的子集的测量来计算其分布及/或计量学准则的特性(例如,3σ(使用来自所有目标的测量)-3σ(仅使用来自子集目标的测量)<Δ=0.5nm作为预界定Δ的实例)。因此,所揭示的取样算法达到优化样本,其具有相对于目标的总数目显著减小的大小。
在特定非限制性实施例中,假设测量的高斯分布,所揭示的取样算法维持原始分布参数且在使用目标的子集时避免将其改变。取样测量及以针对分布的分位数的相等数目选择目标的子集确保分布特性的保存及因此分布的适当代表。选择分位数的数目及任选地反复取样及选择确保分布的适当代表的高置信度水平,同时测量子集中包含的少量目标。
在某些实施例中,异常值可在应用算法之前移除。在某些实施例中,异常值可被保留,但通过取样及选择的反复而保持其合理重要性。在某些实施例中,异常值的移除可采用例如四分位数间距(IQR)的方法,其基于分布的第三四分位数及第一四分位数之间的间距。此间距通过界定而将数据点的一半保持在分布均值的中心。
作为非限制性实例,所揭示的取样算法可使用八个分位数(q=8)。八个分位数中的每一者由相同数量的测量点组成(12.5%)。通过随机减小来自残差分布的八个百分位数的测量点的数目(n/q,例如,n=20)同时保持跨越八个分位数平衡的每一分位数的频率而产生最佳样本。保持八个分位数的频率平衡确保分布特性的复制。发明者已发现此优化可减小样本大小(N,例如800)达>75%到n(例如,=160),同时保持分布的统计特性固定,这就意味着捕获晶片级及场级上与使用所有N个目标测量时相同的特征图谱。
结果因此为晶片上的目标的稀疏取样优化图。目标的子集可用以产生可校正项且随后将其等应用到完整图,将3σ残差维持在来自在使用完全分布时由模型产生的3σ残差的性能准则Δ内(例如,0.5nm,准则Δ的范围可介于例如0.1nm到1nm之间)。为了确保稳健性,针对不同样本大小,取样可反复(例如)50次,形成50个不同的随机样本。清楚地,可选择任何数目反复或任何停止准则可被选择以继续反复直到达到停止准则。计量学准则可针对所有反复计算且在构建每个样本大小50个匹配准则的分布之后,最佳样本可被选择为产生最低样本大小的中值的一者,其产生位于低于成功准则极限Δ(例如,0.5nm)的匹配准则的分布。样本大小n可被制作为较小,同时维持分位数中的每一者中的测量点的均匀频率,只要维持分布特性即可。清楚地,n及q不会减小太多。选定分位数q及样本大小n/q可根据结果质量相对于所检查准则及其等敏感性及/或稳定性而调整。发明者已发现在某些情况中,使用八个分位数提供有关实验数据的稳定及可靠算法应用。
在某些实施例中,晶片上的指定区可被界定为具有分位数的不同代表。可以确保相应区中的分布的正确代表的方式而单独针对各区来选择目标的子集,如上文所解释。可(例如)通过半径(与晶片中心的距离)、扇区(例如,四分之一圆)或任何其它制作准则(例如,预期过程不准确度、与晶片或裸片边缘的邻近度等)及其组合来确定区,且可相应地确定特征图谱代表的准则。
在某些实施例中,类似原理可应用于均匀分布、双峰分布、不对称分布等等。在任何这些分布中,若干分位数可被优化且代表性目标可在各分位数中被选择以代表总体目标分布。
在某些实施例中,可使用额外准则(例如,目标特性及目标的空间分布的参数)来执行目标选择。举例来说,来自场中的不同位置的目标的类似比例可被并入选择中或不同类型的目标的类似比例可被包含在子集中。
有利地,所揭示的统计取样算法通过使用已知OLS模型的统计特性及借此减小样本大小达超过75%而满足甚至严苛的计量学准则(例如,3σ<Δ=0.5nm)。这仅为允许跨越晶片的稀疏取样且在不导致统计偏差的情况下满足匹配及取样大小要求的算法。应注意,算法可适于除高斯外的分布及除OLS外的重叠模型。并非在选择样本时优化实验的设计,此算法在实践中模拟重叠特征图谱及在批内及跨批展示一致性。此算法适用于晶片级及场级,而不导致不对准。
在上文描述中,实施例为本发明的实例或实施方案。出现的各种“一个实施例”、“实施例”、“某些实施例”或“一些实施例”未必皆指相同实施例。
尽管可在单个实施例的背景中描述本发明的各种特征,但也可单独或以任何合适的组合提供特征。相反地,尽管为简明起见,可在单独实施例的背景中描述本发明,但也可在单个实施例中实施本发明。
本发明的某些实施例可包含来自上文所揭示的不同实施例的特征,且某些实施例可并入来自上文所揭示的其它实施例的元件。在特定实施例的背景中的本发明的元件的揭示不应被视为限制其仅在特定实施例中使用。
此外,应了解,可以各种方式执行或实践本发明,且可在某些实施例中而非上文描述中概述的实施例中实施本发明。
不应将本发明限于所述图或对应描述。举例来说,流程无需移动通过每一所说明的框或状态,或以如所说明及描述的完全相同的顺序来移动。
本文中使用的技术及科学术语的含义将由本发明所属领域的一般技术人员普遍理解,除非另有界定。
尽管已参考有限数目的实施例而描述本发明,但这些不应被解释为限制本发明的范围,而是作为一些优选实施例的示范。其它可能变动、修改及应用也在本发明的范围内。因此,本发明的范围不应受限于目前为止已描述的内容,而是受限于所附权利要求书及其合法等效物。
Claims (30)
1.一种计量学测量方法,其包括:
定义代表准则;
获取N个数目目标的一或多个测量;
选择所述N个数目目标的第一子集,其中所述第一子集包括n个目标,其中n<N;
基于所述N个数目目标的所述一或多个测量的分布选择一或多个分位数q;
对来自所述分布的每一分位数q的经选定数目的目标进行取样,其中经选定的目标数目等于n和q之间的比或与n和q之间的比成比例;
针对等于n和q之间的比或与n和q之间的比成比例的经取样的所述经选定数目的目标计算至少一个准确度评分,以量化等于n和q之间的比或与n和q之间的比成比例的所述经取样的所述经选定数目的目标的数量,所述数量代表所述N个数目目标的所述一或多个测量的所述分布;及
反复以下中的至少一者:对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标进行所述取样,以及对所述第一子集进行所述选择,对所述分位数q的数目进行所述选择,或对所述至少一个准确度评分进行所述计算,直到所述至少一个准确度评分低于经定义的所述代表准则;
在经计算的所述至少一个准确度评分低于所述经定义的所述代表准则之后,选择所述N个数目目标的第二子集,其中所述第二子集包括m个目标,其中m<N;
获取所述N个数目目标的所述第二子集的一或多个测量;
基于所述N个数目目标的所述第二子集的所述一或多个测量确定一或多个可校正项;及
基于所述一或多个可校正项调整计量学工具所使用的一或多个样本选择准则,
其中由至少一个计算机处理器执行以下中的至少一者:对所述第一子集进行的所述选择、对所述分位数q的数目进行的所述选择、对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标进行的所述取样,或对至少一个准确度评分进行的所述计算。
2.根据权利要求1所述的计量学测量方法,其进一步包括:
基于所述第一子集的所述至少一个准确度评分来计算针对所述第一子集的稳健性评分,所述第一子集对应于等于n和q之间的比或与n和q之间的比成比例的经取样的所述经选定数目的目标。
3.根据权利要求2所述的计量学测量方法,其中所述稳健性评分涉及所述至少一个准确度评分的方差。
4.根据权利要求2所述的计量学测量方法,其中至少一个晶片包括多个晶片,其中针对所述多个晶片执行所述N个数目目标的所述一或多个测量。
5.根据权利要求4所述的计量学测量方法,其中针对所述多个晶片中的第一晶片选择所述第一子集,其中基于针对所述多个晶片中的至少第二晶片计算的所述稳健性评分而执行对所述分位数q的数目的所述选择及对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标的所述取样。
6.根据权利要求4所述的计量学测量方法,其中基于所述多个晶片执行对所述N个数目目标的所述第一子集的所述选择,且反复以下中的至少一者:对n/q个数目目标的取样,或对所述第一子集和所述分位数q的数目的所述选择。
7.根据权利要求1所述的计量学测量方法,其中对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标的所述取样是随机的。
8.根据权利要求1所述的计量学测量方法,其中对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标的所述取样是确定性的,其中该确定性的所述取样是基于所述至少一个准确度评分。
9.根据权利要求1所述的计量学测量方法,其中基于相应的所述至少一个准确度评分的分布的中值而选择等于n和q之间的比或与n和q之间的比成比例的所述经取样的所述经选定数目的目标,其中所述中值产生比经选定的代表准则限制少的代表准则的分布。
10.根据权利要求1所述的计量学测量方法,其中所述N个数目目标的所述一或多个测量基于以下各者中的至少一者:一或多个计量学参数,从所述一或多个计量学参数中获取的一或多个计量学测量、一或多个计量学质量指标、使用计量学模型从所述一或多个计量学参数中获取的一或多个可校正项、或从所述计量学模型及一或多个目标制作过程参数中获取的一或多个计量学参数的残差。
11.根据权利要求1所述的计量学测量方法,其中所述N个数目目标的所述一或多个测量沿着至少一个测量方向基于以下各者中的至少一者:重叠、工具诱发移位、或测量质量指标。
12.根据权利要求1所述的计量学测量方法,其中所述N个数目目标的所述一或多个测量涉及扫描器剂量或扫描器聚焦中的至少一者。
13.根据权利要求1所述的计量学测量方法,其中所述一或多个测量涉及从计量学重叠模型中获取的重叠,其中一或多个重叠特征图谱测量是从至少一个晶片上的不同区单独地捕获。
14.根据权利要求1所述的计量学测量方法,其进一步包括:
对所述N个数目目标的经选定的第一子集执行一或多个额外测量。
15.根据权利要求1所述的计量学测量方法,其中所述N个数目目标的所述一或多个测量是基于从计量学模型中获取的计量学参数的一或多个残差,其中所述一或多个残差的分布为高斯分布,其中所述计量学模型为普通最小二乘法OLS重叠模型。
16.根据权利要求1所述的计量学测量方法,其进一步包括:
在对所述N个数目目标的所述第一子集进行所述选择期间结合所述N个数目目标的一或多个目标特性。
17.根据权利要求16所述的计量学测量方法,其中所述一或多个目标特性包括:
空间信息,其包括以下各者中的至少一者:场间位置、场内位置或半径。
18.根据权利要求1所述的计量学测量方法,其进一步包括:
在以下至少一者之前移除一或多个异常值:对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标进行所述取样、对所述第一子集进行所述选择,或对分位数q的数目进行所述选择。
19.根据权利要求1所述的计量学测量方法,其中所述一或多个可校正项减少样本大小选择或所述计量学工具的测量持续时间中的至少一者。
20.一种计量学测量方法,其包括:
获取至少一个晶片的N个数目目标的一或多个测量;
对所述N个数目目标的所述一或多个测量执行一或多个计算;
基于所执行的一或多个计算选择所述N个数目目标的第一子集,其中所述第一子集包括m个目标,其中m<N,其中所述第一子集代表所述N个数目目标的所述一或多个测量的分布,其中通过对来自所述N个数目目标的所述一或多个测量的所述分布的经选定数目的分位数q中的每一者的一或多个测量的经选定数目进行取样而选择所述N个数目目标的所述第一子集,其中所述一或多个测量的所述经选定数目等于m和q之间的比或与m和q之间的比成比例;
获取所述N个数目目标的所述第一子集的一或多个测量;
基于所述N个数目目标的所述第一子集的一或多个测量确定一或多个可校正项;及
基于所述一或多个可校正项调整计量学工具所使用的一或多个样本选择准则;
其中由至少一个计算机处理器执行以下中的至少一者:执行所述一或多个计算、对所述一或多个测量进行的取样、或对所述N个数目目标的所述第一子集进行的所述选择。
21.根据权利要求20所述的计量学测量方法,其进一步包括:
选择所述N个数目目标的第二子集,其中所述第二子集包括n个目标,其中n<N;
选择分位数q的数目;及
对来自每一分位数q的经选定数目的目标进行取样,其中经选定的目标数目等于n和q之间的比或与n和q之间的比成比例。
22.根据权利要求21所述的计量学测量方法,其进一步包括:
估计由所述N个数目目标的所述第二子集的分布代表的准确度评分和稳健性评分中的至少一者,
其中n和q,或n和q之间的所述比中的至少一者是确定的,
其中n和q,或n和q之间的所述比中的至少一者是重复变化的。
23.根据权利要求22所述的计量学测量方法,其中n和q,或n和q之间的所述比中的该变化的至少一者是基于相应准确度评分,
其中n和q,或n和q之间的所述比中的经确定的至少一者是基于相应的所述准确度评分的稳健性评分。
24.根据权利要求22所述的计量学测量方法,其进一步包括:
基于所述N个数目目标的所述一或多个测量的所述分布来定义代表准则;及
基于经定义的所述代表准则来计算所述准确度评分。
25.根据权利要求23所述的计量学测量方法,其进一步包括:
基于所述N个数目目标的所述一或多个测量的所述分布来定义代表准则;及
基于经定义的所述代表准则来计算所述准确度评分。
26.根据权利要求20所述的计量学测量方法,其中所述一或多个可校正项减少样本大小选择或所述计量学工具的测量持续时间中的至少一者。
27.一种计量学测量系统,其包括:
计量学工具;及
一或多个处理器,其通信地耦合到非暂时性计算机可读存储媒体,其中所述非暂时性计算机可读存储媒体包括计算机可读程序,其中所述一或多个处理器经配置以执行所述计算机可读程序,所述计算机可读程序经配置以使所述一或多个处理器执行:
定义代表准则;
获取N个数目目标的一或多个测量;
选择所述N个数目目标的第一子集,其中所述第一子集包括n个目标,其中n<N;
基于所述N个数目目标的所述一或多个测量的分布选择一或多个分位数q;
对来自所述分布的每一分位数q的经选定数目的目标进行取样,其中该经选定的目标的数目等于n和q之间的比或与n和q之间的比成比例;
针对等于n和q之间的比或与n和q之间的比成比例的经取样的所述经选定数目的目标计算至少一个准确度评分,以量化等于n和q之间的比或与n和q之间的比成比例的所述经取样的所述经选定数目的目标的数量,所述数量代表所述N个数目目标的所述一或多个测量的所述分布;及
反复以下中的至少一者:对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标进行所述取样,以及对所述第一子集进行所述选择,对所述分位数q的数目进行所述选择,或对所述至少一个准确度评分进行所述计算,直到所述至少一个准确度评分低于经定义的所述代表准则;
在经计算的所述至少一个准确度评分低于所述经定义的所述代表准则之后,选择所述N个数目目标的第二子集,其中所述第二子集包括m个目标,其中m<N;
获取所述N个数目目标的所述第二子集的一或多个测量;
基于所述N个数目目标的所述第二子集的所述一或多个测量确定一或多个可校正项;及
基于所述一或多个可校正项调整计量学工具所使用的一或多个样本选择准则,
其中由至少一个计算机处理器执行以下中的至少一者:对所述第一子集进行的所述选择、对所述分位数q的数目进行的所述选择、对等于n和q之间的比或与n和q之间的比成比例的所述经选定数目的目标进行的所述取样,或对至少一个准确度评分进行的所述计算。
28.根据权利要求27所述的计量学测量系统,其中所述一或多个可校正项减少样本大小选择或所述计量学工具的测量持续时间中的至少一者。
29.一种计量学测量系统,其包括:计量学工具;及
一或多个处理器,其通信地耦合到非暂时性计算机可读存储媒体,其中所述非暂时性计算机可读存储媒体包括计算机可读程序,其中所述一或多个处理器经配置以执行所述计算机可读程序,所述计算机可读程序经配置以使所述一或多个处理器执行:
获取至少一个晶片的N个数目目标的一或多个测量;
对所述N个数目目标的所述一或多个测量执行一或多个计算;
基于所执行的一或多个计算选择N个数目目标的子集,其中所述子集包括m个目标,其中m<N,其中所述子集代表所述N个数目目标的所述一或多个测量的分布,其中通过对来自所述N个数目目标的所述一或多个测量的所述分布的经选定数目的分位数q中的每一者的一或多个测量的经选定数目进行取样而选择所述N个数目目标的所述子集,其中所述一或多个测量的经选定数目等于m和q之间的比或与m和q之间的比成比例;
获取所述N个数目目标的所述子集的一或多个测量;
基于所述N个数目目标的所述子集的一或多个测量确定一或多个可校正项;及
基于所述一或多个可校正项调整所述计量学工具所使用的一或多个样本选择准则;
其中由至少一个计算机处理器执行以下中的至少一者:执行所述一或多个计算、对所述一或多个测量的取样、或对所述N个数目目标的所述子集的所述选择。
30.根据权利要求29所述的计量学测量系统,其中所述一或多个可校正项减少样本大小选择或所述计量学工具的测量持续时间中的至少一者。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201361840966P | 2013-06-28 | 2013-06-28 | |
US61/840,966 | 2013-06-28 | ||
PCT/US2014/044443 WO2014210384A1 (en) | 2013-06-28 | 2014-06-26 | Selection and use of representative target subsets |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105474377A CN105474377A (zh) | 2016-04-06 |
CN105474377B true CN105474377B (zh) | 2019-04-26 |
Family
ID=52142696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480046681.3A Active CN105474377B (zh) | 2013-06-28 | 2014-06-26 | 代表性目标子集的选择及使用 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10025756B2 (zh) |
KR (1) | KR102120522B1 (zh) |
CN (1) | CN105474377B (zh) |
TW (1) | TWI634443B (zh) |
WO (1) | WO2014210384A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9937361B2 (en) * | 2014-01-10 | 2018-04-10 | Mitsubishi Electric Corporation | Particle beam irradiation apparatus |
NL2013677A (en) * | 2014-01-24 | 2015-07-29 | Asml Netherlands Bv | Method of determining a measurement subset of metrology points on a substrate, associated apparatus and computer program. |
FR3023005B1 (fr) * | 2014-06-26 | 2016-07-15 | Commissariat Energie Atomique | Procede de determination de points de fonctionnement caracteristiques d'une batterie a partir de points de fonctionnement initiaux associes a une cellule unitaire etalon du type destine a equiper ladite batterie |
US10050831B2 (en) * | 2015-02-26 | 2018-08-14 | Verisign, Inc. | Query latency of a DNS service |
KR102145256B1 (ko) | 2015-04-10 | 2020-08-19 | 에이에스엠엘 네델란즈 비.브이. | 검사와 계측을 위한 방법 및 장치 |
US10754260B2 (en) | 2015-06-18 | 2020-08-25 | Kla-Tencor Corporation | Method and system for process control with flexible sampling |
DE102015115712B4 (de) * | 2015-09-17 | 2021-03-25 | Analytica Alimentaria GmbH | Verfahren zur Herstellung definierter Positivkontrollproben |
CN109863458B (zh) * | 2016-10-14 | 2021-06-22 | Asml荷兰有限公司 | 选择与衬底上的测量或特征相关联的部位的集合 |
CN107368281B (zh) * | 2017-04-21 | 2020-10-16 | 阿里巴巴集团控股有限公司 | 一种数据处理方法及装置 |
WO2020123014A1 (en) * | 2018-12-14 | 2020-06-18 | Kla Corporation | Per-site residuals analysis for accurate metrology measurements |
CN110426230A (zh) * | 2019-08-08 | 2019-11-08 | 中山市疾病预防控制中心 | 一种食品监测采样点空间分布的评估方法 |
CN111967254B (zh) * | 2020-10-21 | 2021-04-06 | 深圳追一科技有限公司 | 相似问集合的评分方法、装置、计算机设备和存储介质 |
EP4174577A1 (en) * | 2021-11-01 | 2023-05-03 | ASML Netherlands B.V. | Method of determining a performance parameter distribution |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100319386B1 (ko) * | 1999-12-31 | 2002-01-09 | 황인길 | 반도체 제조 공정에서의 오버레이 측정 방법 |
US7608468B1 (en) * | 2003-07-02 | 2009-10-27 | Kla-Tencor Technologies, Corp. | Apparatus and methods for determining overlay and uses of same |
KR20060035083A (ko) * | 2004-10-21 | 2006-04-26 | 삼성전자주식회사 | 오버레이 측정 방법 |
JP4750444B2 (ja) * | 2005-03-24 | 2011-08-17 | 株式会社日立ハイテクノロジーズ | 外観検査方法及びその装置 |
KR100648203B1 (ko) * | 2005-08-06 | 2006-11-23 | 삼성전자주식회사 | 기판 결함 검사 방법 |
US7749666B2 (en) * | 2005-08-09 | 2010-07-06 | Asml Netherlands B.V. | System and method for measuring and analyzing lithographic parameters and determining optimal process corrections |
US7583359B2 (en) * | 2006-05-05 | 2009-09-01 | Asml Netherlands B.V. | Reduction of fit error due to non-uniform sample distribution |
US8045786B2 (en) * | 2006-10-24 | 2011-10-25 | Kla-Tencor Technologies Corp. | Waferless recipe optimization |
KR100817092B1 (ko) * | 2007-03-14 | 2008-03-26 | 삼성전자주식회사 | 중첩계측오차를 보정하기 위한 계측시스템 및 이를 이용한계측방법 |
US8175831B2 (en) * | 2007-04-23 | 2012-05-08 | Kla-Tencor Corp. | Methods and systems for creating or performing a dynamic sampling scheme for a process during which measurements are performed on wafers |
US7711514B2 (en) * | 2007-08-10 | 2010-05-04 | Kla-Tencor Technologies Corp. | Computer-implemented methods, carrier media, and systems for generating a metrology sampling plan |
US7756658B2 (en) * | 2008-05-14 | 2010-07-13 | Kla-Tencor Corp. | Systems and methods for detecting defects on a wafer and generating inspection results for the wafer |
US9052709B2 (en) * | 2010-07-30 | 2015-06-09 | Kla-Tencor Corporation | Method and system for providing process tool correctables |
-
2014
- 2014-06-26 WO PCT/US2014/044443 patent/WO2014210384A1/en active Application Filing
- 2014-06-26 CN CN201480046681.3A patent/CN105474377B/zh active Active
- 2014-06-26 KR KR1020167002256A patent/KR102120522B1/ko active IP Right Grant
- 2014-06-27 TW TW103122387A patent/TWI634443B/zh active
- 2014-10-07 US US14/508,469 patent/US10025756B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN105474377A (zh) | 2016-04-06 |
TWI634443B (zh) | 2018-09-01 |
KR102120522B1 (ko) | 2020-06-09 |
TW201506659A (zh) | 2015-02-16 |
WO2014210384A1 (en) | 2014-12-31 |
US20150025846A1 (en) | 2015-01-22 |
KR20160025585A (ko) | 2016-03-08 |
US10025756B2 (en) | 2018-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105474377B (zh) | 代表性目标子集的选择及使用 | |
TWI731038B (zh) | 光學計量之準確度提升 | |
TWI719804B (zh) | 光學計量學之方法,電腦程式產品,計量學模組,目標設計檔案,景觀及目標的計量學量測 | |
TWI569005B (zh) | 圖形化結構之光學檢驗的最佳化方法及系統 | |
CN104583712B (zh) | 用于原位测量的光学计量 | |
TWI506240B (zh) | 用於圖形化結構中之量測的方法及系統 | |
CN106778893B (zh) | 一种基于降维与聚类的高光谱样本选择方法 | |
JP2019512869A5 (zh) | ||
KR102142167B1 (ko) | 계측 타겟 특성화 | |
US9177873B2 (en) | Systems and methods for fabricating semiconductor device structures | |
CN106021685B (zh) | 一种考虑测量误差的退化可靠性分析方法 | |
US20130203188A1 (en) | Hybrid metrology for semiconductor devices | |
CN110161181A (zh) | 混合气体的组分浓度识别方法及系统 | |
Shintani et al. | Wafer-level variation modeling for multi-site RF IC testing via hierarchical Gaussian process | |
US20110286657A1 (en) | Defect analysis method, defect analysis apparatus, and recording medium | |
KR20190138891A (ko) | 광학 검사 결과들로부터 형성한 계측 가이드 검사 샘플 | |
CN103913713A (zh) | 微波大功率无源调配器的快速校准方法 | |
US8682946B1 (en) | Robust peak finder for sampled data | |
US20200372303A1 (en) | Data processing device, data processing method, and program | |
CN105116407A (zh) | 一种利用手持型激光测距仪测量植被覆盖度的方法 | |
KR20200096992A (ko) | 전자 현미경을 사용한 반도체 계측 및 결함 분류 | |
CN114487976A (zh) | 一种mcm电子式互感器校验仪溯源不确定度评定方法及系统 | |
CN104751005A (zh) | 一种基于正交实验的平面度误差评定方法 | |
WO2015128866A1 (en) | Method and system for planning metrology measurements | |
Harmening et al. | Terrestrial laserscanning-modeling of correlations and surface deformations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |