CN107438842A - 通过机器学习的特征搜索 - Google Patents
通过机器学习的特征搜索 Download PDFInfo
- Publication number
- CN107438842A CN107438842A CN201580069287.6A CN201580069287A CN107438842A CN 107438842 A CN107438842 A CN 107438842A CN 201580069287 A CN201580069287 A CN 201580069287A CN 107438842 A CN107438842 A CN 107438842A
- Authority
- CN
- China
- Prior art keywords
- target signature
- disturbance
- learning model
- regarded
- feature
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G03F7/70425—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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本文披露一种用以改进光刻工艺的计算机实施的方法,所述光刻工艺用于使用光刻投影设备将设计布局的一部分成像至衬底上,所述方法包括:获得目标特征;通过将扰动施加于所述目标特征而从所述目标特征产生经扰动的目标特征;产生训练样本集合,其包括所述经扰动的目标特征以及关于是否将所述经扰动的目标特征视作与所述目标特征相同的指示;利用所述训练样本集合来训练学习模型;将所述设计布局的所述部分中的特征分类成至少两个类别:视作与所述目标特征相同,以及视作与所述目标特征不同。
Description
相关申请的交叉引用
本申请主张2014年12月18日提交的美国申请62/093,931的优先权,并且它通过援引而全文合并到本发明中。
技术领域
本文的说明书涉及光刻设备和过程,并且更具体地涉及用于对于与目标特征的匹配进行搜索的方法或工具。
背景技术
可以将光刻投影设备用在例如集成电路(IC)的制造中。在这种情形中,图案形成装置(例如掩模)可以包含或提供对应于IC的单个层的的电路图案(“设计布局”),并且这一电路图案可以通过例如穿过图案形成装置上的电路图案辐射目标部分的方法,被转移到已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如硅晶片)上的目标部分(例如包括一个或更多的管芯)上。通常,单个衬底包含被经由光刻投影设备连续地、一次一个目标部分地将电路图案转移到其上的多个相邻目标部分。在一种类型的光刻投影设备中,整个图案形成装置上的电路图案一下子被转移到一个目标部分上,这样的设备通常称作为晶片步进机。在一种替代的设备(通常称为步进扫描设备)中,投影束沿给定的参考方向(“扫描”方向)在图案形成装置上扫描,同时沿与该参考方向平行或反向平行的方向同步移动衬底。图案形成装置上的电路图案的不同部分渐进地转移到一个目标部分上。因为通常光刻投影设备将具有放大率因子M(通常<1),所以衬底被移动的速度F将是投影束扫描图案形成装置的速度的M倍。关于在此处描述的光刻装置的更多的信息可以例如参见美国专利No.6,046,792,在此处通过参考将其并入本文中。
在将电路图案从图案形成装置转移至衬底之前,衬底可能经历各种工序,诸如涂底、抗蚀剂涂覆以及软焙烤。在曝光之后,衬底可能经历其它工序,例如曝光后焙烤(PEB)、显影、硬焙烤以及对所转移的电路图案的测量/检验。这一系列的工序被用作为制造器件(例如IC)的单个层的基础。之后衬底可能经历各种过程,诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等,所有的这些工序都是用于最终完成器件的单个层。如果器件需要多个层,则针对每一层重复整个工序或其变形。最终,器件将设置在衬底上的每一目标部分中。之后这些器件通过诸如切片或切割等技术,将这些器件彼此分开,据此独立的器件可以安装在载体上,连接至引脚等。
如注意到的,微光刻术是集成电路的制造中的核心步骤,其中在衬底上形成的图案限定了IC的功能元件,诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(MEMS)以及其它器件。
发明内容
本文披露一种用以改进光刻工艺的计算机实施方法,所述光刻工艺用于使用光刻投影设备将设计布局的一部分成像至衬底上,所述方法包括:获得目标特征;通过将扰动施加于目标特征而从目标特征产生经扰动的目标特征;产生训练样本集合,其包括经扰动的目标特征以及关于是否将经扰动的目标特征视作与目标特征相同的指示;利用训练样本集合来训练学习模型;通过计算机将设计布局的部分中的特征分类成至少两个类别:视作与目标特征相同,和视作与目标特征不同。
本文也披露一种计算机程序产品,其包括其上记录有信息的非暂时性计算机可读介质,其中信息包括目标特征、一个或更多个经扰动的目标特征、是否将一个或更多个经扰动的目标特征视作与目标特征相同的指示。
本文还披露一种计算机程序产品,其包括其上记录有信息的计算机可读介质,其中信息包括目标特征和机器学习模型,所述机器学习模型被配置成将特征分类成两个类别:视作与目标特征相同,和视作与目标特征不同。
附图图示
对于本领域普通技术人员而言,在结合附图而评述特定实施例的以下描述的情况下,以上方面和其他方面及特征就将变得显而易见,在所述图中:
图1是根据实施例的光刻系统的各种子系统的框图;
图2是与图1中的子系统对应于的仿真模型的框图;
图3示出根据实施例的使用机器学习模型搜索与目标特征类似的特征的方法的流程图;
图4示意性地示出将低通滤波器应用于多个特征410以获得特征的像素化的/以像素显示的图像;
图5示意性地示出产生训练集和使用训练集来训练机器学习模型的流程图;
图6示意性地示出训练集优选地包括与目标特征相同的多个经扰动的目标特征,除了不同之处在于所述经扰动的目标特征在各种方向上相对于窗而被移位各种量;
图7示意性地示出使用用于目标特征的机器学习模型来搜索具有许多特征的较大图像中的目标特征的匹配;
图8示意性地示出使用针对同一目标特征但处于不同分辨率的三个机器学习模型的多分辨率特征搜索方法;
图9示意性地示出用于特征搜索方法中的任何一种的一个应用;
图10是可供实施实施例的示例计算机系统的框图;
图11是另一光刻投影设备的示意图;
图12是图11中的设备的更详细视图;
图13是图11及图12的设备的源收集器模块SO的更详细视图。
具体实施方式
现将参考附图详细地描述实施例,所述附图被提供作为例示性示例以便使本领域技术人员能够实践所述实施例。值得注意地,以下的附图和示例并非意在将范围限于单一实施例,而是借助于所描述或所例示的元件中的一些或全部的互换而使其他实施例是可能的。在任何便利的情况下,将贯穿附图而使用相同附图标记来指代相同或相似部件。在能够使用已知部件来部分地或完全地实施这些实施例的某些元件的情况下,将仅描述这些已知部件的对于理解所述实施例而言必需的那些部分,且将省略这些已知组件的其他部分的详细描述以免使得所述实施例的描述不清楚。在本说明书中,示出单一部件的实施例不应被认为是限制性的;而是,除非本发明中另有明确陈述,否则范围预期涵盖包括多个相同部件的其他实施例,且反之亦然。此外,申请人并非意图使本说明书或权利要求书中的任何术语归结于不常见或特定意义,除非如此明确阐述。另外,范围涵盖本发明中借助于例示而提及的部件的当前和未来已知的等效。
随着半导体制造工艺持续进展,在数十年来,功能元件的尺寸被不断地降低,同时每一器件的功能元件(诸如晶体管)的数量一直遵循通常称为“摩尔定律”的趋势而稳步地增长。在现有技术的情形下,通过使用光刻投影设备来制造器件的层,该光刻投影设备使用来自深紫外照射源的照射将设计布局投影到衬底上,从而产生具有充分地低于100nm的尺寸的独立的功能元件,即该功能元件的尺寸小于照射源(例如,193nm照射源)的辐射的波长的一半。
印刷具有小于光刻投影设备的经典的分辨率极限的尺寸的特征的过程,通常被称为低k1光刻术,其基于分辨率公式CD=k1×λ/NA,其中λ是所采用的辐射波长(当前在大多数情形中是248nm或193nm),NA是光刻投影设备中的投影光学元件的数值孔径,CD是“临界尺寸”(通常是所印刷的最小特征尺寸),以及k1是经验分辨率因子。通常,k1越小,在晶片上复现图案(类似由电路设计者为获得特定的电功能和性能而设计的形状和尺寸)变得越困难。为了克服这些困难,复杂的精细调节步骤被应用于光刻投影设备以及设计布局。这些例如包括但不限于NA和光学相干性设定的优化、定制的照射方案、相移图案形成装置的使用、在设计布局中的光学邻近效应校正(OPC,有时称为“光学和过程校正”)或通常被定义成“分辨率增强技术(RET)”的其它方法等。如此处使用的术语“投影光学元件”应当被广义地解释成包括各种类型的光学系统,例如包括折射式光学装置、反射式光学装置、孔阑和折射反射式光学装置。术语“投影光学元件”还可以统一地或单独地包括根据用于引导、成形或控制辐射投影束的这些设计类型中的任一种进行操作的部件。术语“投影光学元件”可以包括在光刻投影设备中的任何光学部件,而不管光学部件处于光刻投影设备的光路上的哪一位置上。投影光学元件可以包括用于在辐射穿过图案形成装置之前成形、调整和/或投影来自源的辐射的光学部件,和/或用于在辐射穿过图案形成装置之后成形、调整和/或投影辐射的光学部件。投影光学元件通常不包括源和图案形成装置。
作为一个例子,OPC解决的问题是被投影到衬底上的设计布局的图像的最终尺寸和定位将不与图案形成装置上的设计布局的尺寸和定位一致或不仅仅只依赖于图案形成装置上的设计布局的尺寸和定位。注意到,术语“掩模”、“掩模版”、“图案形成装置”在此处是可以相互通用的。另外,本领域技术人员将认识到,尤其是在光刻术模拟/优化的情形中,术语“掩模”/“图案形成装置”和“设计布局”可以相互通用,这是因为在光刻术模拟/优化中,物理图案形成装置不是必须使用的,而是可以用设计布局来代表物理图案形成装置。对于在一些设计布局上出现的小的特征尺寸和高的特征密度,给定特征的特定边缘的位置在一定程度上将受其它邻近特征的存在或不存在的影响。这些邻近效应由于从一个特征耦合至另一特征的微小量的光而产生和/或由非几何光学效应(诸如衍射和干涉)产生。类似地,邻近效应可能由在通常在光刻术之后的曝光后焙烤(PEB)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应产生。
为了使设计布局中的投影图像与给定的目标电路设计的需要一致,需要使用复杂的数值模型针对于设计布局的校正或预变形来预测和补偿邻近效应。文章“Full-ChipLithography Simulation and Design Analysis-How OPC Is Changing IC Design”,C.Spence,Proc.SPIE,Vol.5751,pp 1-14(2005)提供了当前的“基于模型的”光学邻近效应校正过程的概述。在典型的高端设计中,设计布局的大部分特征通常需要一些修改,用以实现投影图像对于目标设计的高保真度。这些修改可以包括边缘位置或线宽的位移或偏置以及“辅助”特征的应用,所述“辅助”特征用来辅助其它特征的投影。
假定典型地在芯片设计中设置有数百万个特征,则将基于模型的OPC应用至目标设计涉及良好的过程模型和相当大量的计算资源。然而,应用OPC通常不是“精确的科学”,而是经验性的迭代过程,其不总是能补偿所有可能的邻近效应。因此,OPC效果(例如在应用OPC和任何其它的RET之后的设计布局)需要通过设计检查进行验证,即,使用经过校准的数值过程模型的透彻的全芯片模拟,用以最小化设计缺陷被引入图案形成装置图案中的概率。这是由在几百万美元的范围内运行的制造高端图案形成装置的巨大成本驱动的,以及由如果已经制造了实际图案形成装置而重新加工或重新修复它们对周转时间的影响所驱动。
OPC和全芯片RET验证二者都可以基于例如在美国专利申请案第10/815,573号和Y.Cao等人的标题是“Optimized Hardware and Software For Fast,Full ChipSimulation”(Proc.SPIE,第5754卷,405(2005年))中所描述的数值模型化系统和方法。
一种RET与设计布局的全局偏差的调节有关。全局偏差为设计布局中的图案与打算印刷在衬底上的图案的差异。例如,25nm直径的圆形图案可以通过设计布局中的50nm直径的图案印刷到衬底上,或者通过设计布局中20nm直径的图案而用大剂量印刷到衬底上。
除了对设计布局或图案形成装置(例如OPC)的优化之外,照射源也可以被优化,或者与图案形成装置优化一起进行优化或单独地进行优化,致力于改善整体的光刻保真度。在本文中术语“照射源”和“源”可以相互通用。自20世纪90年代起,已经引入了许多离轴照射源(诸如环形的、四极以及双极的),并且为OPC设计提供了更大的自由度,从而改善了成像结果。已知,离轴照射是一种分辨包含在图案形成装置中的精细结构(即目标特征)的经证实的方式。然而,在与传统的照射源相比较时,离轴照射源通常为空间图像(AI)提供较低的光强度。因此,需要试图优化照射源,以在更精细的分辨率和降低的光强度之间获得优化的平衡。
例如,在Rosenbluth等题目为“Optimum Mask and Source Patterns to Print AGiven Shape”,Journal of Microlithography,Microfabrication,Microsystems 1(1),pp.13-20,(2002)的文章中,可以发现诸多的照射源优化方法。所述源被细分成多个区域,每一区域对应于光瞳光谱的特定区域。之后,假定源分布在每一源区域中是均匀的,且对于过程窗口优化每一区域的亮度。然而,这样的假定“源分布在每一源区域中是均匀的”不总是有效的,因此这一方法的有效性受到影响。在Granik的题目为“Source Optimizationfor Image Fidelity and Throughput”,Journal of Microlithography,Microfabrication,Microsystems 3(4),pp.509-522,(2004)的文章中阐述的另一例子中,综述了几个现有的源优化方法,提出了基于照射器像素的方法,该方法将源优化问题转换成一系列非负的最小二乘优化。虽然这些方法已经证实了一些成功,但是它们典型地需要多个复杂的迭代以收敛。另外,可能难以为一些额外的参数(诸如在Granik方法中的γ)确定适合的值/优化的值,这些额外的参数规定了在为衬底图像保真度对源进行的优化和源的平滑度要求之间的折衷。
对于低k1光刻术,对源和图案形成装置的优化对于确保用于临界电路图案的投影的可行的过程窗口是非常有用的。一些算法(例如,Socha等人的Proc.SPIE,第5853卷,2005年,第180页)使得照射离散成独立的源点和使掩模离散成空间频率域中的衍射级,和基于过程窗口度量(诸如曝光宽容度)独立地用公式表达成本函数(其被定义为所选择的设计变量的函数),所述过程窗口度量可以通过光学成像模型由源点强度和图案形成装置衍射级进行预测。此处使用的术语“设计变量”包括光刻投影设备的一组参数,例如光刻投影设备的使用者可以调节的参数。应当认识到,光刻投影设备的任何特性(包括源、图案形成装置、投影光学元件和/或抗蚀剂特性中的这些特性)在优化中可以在设计变量之中。成本函数通常是设计变量的非线性函数。之后标准优化技术用于最小化成本函数。
相关地,不断减小的设计规则的压力已经驱动半导体芯片制造者更深地进入到具有已有的193nm ArF光刻术的低k1光刻术时代。朝向较低的k1的光刻术对分辨率增强技术(RET)、曝光工具以及光刻友好设计的需要提出了很高的要求。在将来可能使用1.35ArF的超高数值孔径(NA)曝光工具。为了帮助确保可以用可工作的过程窗口来将所述电路设计印刷到衬底上,源-图案形成装置优化(本文称作源-掩模优化或SMO)成为了对于2x nm节点所需要的重要的RET。
源和图案形成装置(设计布局)优化方法和系统允许使用成本函数没有约束地且在实际可行的时间量内同时优化源和图案形成装置,其在共同转让的于2009年11月20日申请的国际专利申请No.PCT/US2009/065359、并且公开号为WO2010/059954的题目为“FastFreeform Source and Mask Co-Optimization Method”中进行了描述,通过引用将其全部内容并入本文中。
另一种源和图案形成装置优化方法和系统涉及通过调节源像素来优化所述源,其在共同转让的于2010年6月10日申请的美国专利申请No.12/813456、并且美国专利申请公开号为2010/0315614的题目为“Source-Mask Optimization in LithographicApparatus”中进行了描述,通过引用将其全部内容并入本文中。
尽管在本文中具体的指代所述实施例被用于制造IC,但应当清楚地理解所述实施例可以有许多其它可能的应用。例如,可用于集成光学系统、磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等的制造。本领域技术人员应该理解的是,在这种替代应用的情况中,可以将这种情形中的使用的任意术语“掩模版”、“晶片”或“管芯”分别认为能够与更上位的术语“掩模”、“衬底”或“目标部分”相互通用。
在本文中,术语“辐射”和“束”用于包括各种类型的电磁辐射,包括紫外辐射(例如具有365、248、193、157或126nm的波长)和EUV(极紫外辐射,例如具有在5-20nm范围内的波长)。
如此处使用的术语“进行优化”和“优化”的意思是调节光刻投影设备,使得光刻的结果和/或过程具有更加理想的特性,诸如衬底上的设计布局的更高的投影精度、更大的过程窗口等。
此外,光刻投影设备可以是具有两个或更多的衬底台(和/或两个或更多的图案形成装置台)的类型。在这样的“多平台”装置中,可以并行地使用附加的台,或可以在一个或更多的台上进行预备步骤的同时,将一个或更多的其它台用于曝光。例如,在美国专利US5,969,441中描述了双平台光刻投影设备,通过引用将其并入本文中。
上文提及的图案形成装置包括设计布局。可以利用CAD(计算机辅助设计)程序来产生设计布局,该过程通常被称作为EDA(电子设计自动化)。大多数CAD程序遵循一组预定的设计规则,用于产生功能设计布局/图案形成装置。这些规则由处理和设计限制来设定。例如,设计规则限定了电路器件(诸如栅极、电容器等)或互连线之间的间隔容许度,以便于确保电路器件或线不会以不被期望的方式相互作用。设计规则限制典型地称作为“临界尺寸”(CD)。电路的临界尺寸可以被定义为线或孔的最小宽度或者两条线或两个孔之间的最小间隔。因此,CD确定了所设计的电路的整体尺寸和密度。集成电路制造中的目标之一是如实地在衬底上(经由图案形成装置)复现原始的电路设计。
在这种情形中采用的术语“图案形成装置”可以广义地解释成表示可以用于为入射的辐射束赋以对应于将要在衬底的目标部分中产生的图案的图案化的横截面的一般性的图案形成装置;术语“光阀”也可以用于这种情形。除了传统的掩模(透射式或反射式掩模;二元掩模、相移掩模、混合型掩模等)之外,其它的图案形成装置的例子包括:
-可编程反射镜阵列。这样的器件的一个例子是具有粘弹性控制层和反射表面的矩阵可寻址表面。这样的设备所依据的基本原理是(例如)反射表面的已寻址区域将入射辐射反射成衍射辐射,而未寻址区域将入射辐射反射成非衍射辐射。使用适合的滤光片,可以从反射束中过滤掉所述非衍射辐射,从而之后仅留下衍射辐射;这样,所述束根据矩阵可寻址表面的寻址图案而被图案化。所需要的矩阵寻址可以通过使用适合的电子器件进行。关于这样的反射镜阵列的更多的信息可以参见例如美国专利No.5,296,891和No.5,523,193,通过引用将它们并入本文中。
-可编程LCD阵列。在美国专利No.5,229,872中给出了这样的构造的一个例子,通过引用将其并入本文中。
作为简短介绍,图1示出了示例性的光刻投影设备10A。主要部件是:照射源12,其可以是深紫外准分子激光源或包括极紫外(EUV)源在内的其它类型的源;照射光学装置,其限定了部分相干性(标记为σ)且可以包括光学装置14、16a和16b,其对来自源12的辐射成形;图案形成装置(例如,掩模或掩模版)18;以及透射光学装置16c,其将图案形成装置图案的图像投影到衬底平面22上。在投影光学元件的光瞳面处的可调整的滤光片或孔阑20可以限制射到衬底平面22上的束角的范围,其中最大的可能的角度限定了投影光学元件的数值孔径NA=sin(Θmax)。
在系统的优化过程中,系统的品质因数可以表示为成本函数。优化过程归结为求出使成本函数最小化的一组系统参数(设计变量)的过程。成本函数可以依赖于优化的目标而具有任何适合的形式。例如,成本函数可以是系统的特定特性(评价点)相对于这些特性的期望值(例如理想值)的偏差的加权均方根(RMS);成本函数还可以是这些偏差的最大值。此处的术语“评价点”应当被广义地解释成包括系统的任何特性。系统的设计变量可以限制成有限的范围和/或是由于系统的实施的实用性而是相互依赖的。在光刻投影设备的情形中,这些约束通常与硬件的物理性质和特性(诸如可调节范围)和/或图案形成装置可制造性设计规则相关,并且评价点可以包括衬底上的抗蚀剂图像上的物理点以及诸如剂量和焦距等非物理特性。
在光刻投影设备中,源提供了照射(即辐射);投影光学元件对通过图案形成装置且到衬底上的照射进行引导和成形。术语“投影光学元件”在此处被广义地限定为包括可以改变辐射束的波前的任何光学部件。例如,投影光学元件可以包括部件14,16a,16b和16c中的至少一些部件。空间图像(AI)是衬底上的辐射强度分布。衬底上的抗蚀剂层被曝光,并且空间图像被转移至抗蚀剂层,作为其中的潜在的“抗蚀剂图像”(RI)。抗蚀剂图像(RI)可以被定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。抗蚀剂模型可以用于从空间图像计算抗蚀剂图像,其示例可以在共同转让的美国专利申请No.12/315,849中找到,该文献的公开内容通过引用将其全部内容并入本文中。抗蚀剂模型仅与抗蚀剂层的性质(例如在曝光、PEB和显影期间发生的化学过程的效应)相关。光刻投影设备的光学性质(例如源、图案形成装置和投影光学元件的性质)规定了空间图像。因为可以改变在光刻投影设备中使用的图案形成装置,所以期望将图案形成装置的光学性质与包括至少源和投影光学元件的光刻投影设备的其余部分的光学性质分离开。
在图2中示出了光刻投影设备中的模拟光刻的示例性流程图。源模型31表示源的光学特性(包括辐射强度分布和/或相位分布)。投影光学模型32表示投影光学元件的光学特性(包括由投影光学元件所引起的辐射强度分布和/或相位分布的变化)。投影光学模型32可包括由各种因素导致的像差,各种因素例如:对投影光学元件的部件的加热、由投影光学元件的部件的机械连接所导致的应力。所述源模型31和所述投影光学模型32能够被组合成传输交叉系数(TCC)模型。设计布局模型33表示设计布局33的光学特性(包括由给定的设计布局所引起的辐射强度分布和/或相位分布的变化),其是图案形成装置的特征的布置的表示。空间图像36可以由源模型31、投影光学元件模型32和设计布局模型330模拟。抗蚀剂图像38可以使用抗蚀剂模型37由空间图像36来模拟。对光刻的模拟可以例如预测在抗蚀剂图像中的轮廓和CD。
更具体地,注意到,源模型31可以表示源的光学特性,包括但不限于NA-西格玛(σ)设定以及任何特定的照射源形状(例如诸如环形的、四极和双极等的离轴辐射源等)。投影光学元件模型32可以表示投影光学元件的光学特性,其包括像差、变形、折射率、物理大小、物理尺寸、吸收率等。设计布局模型33还可以表示物理图案形成装置的物理性质,如所描述的,例如在美国专利No.7,587,704中所描述的,通过引用将其全部内容并入本文中。模拟的目标是精确地预测例如边缘的定位、和CD,其之后可以与期望的设计相比较。所述期望的设计通常定义为预先OPC设计布局,其可以被提供成标准数字文件格式(诸如GDSII或OASIS)或其它文件格式。
可以根据这一设计布局识别一个或更多的部分,其被称作为“片段”。在特定实施例中,提取一组片段,其表示设计布局中的复杂的图案(典型地大约50至1000个片段,尽管可以使用任何数量的片段)。如本领域技术人员所认识到的,这些图案或片段表示设计的小的部分(即电路、单元或图案),并且尤其是片段代表了需要特别关注和/或验证的小的部分。或者说,片段可以是设计布局的部分或可以类似于设计布局的部分或具有与设计布局的部分相类似的行为,其中通过经验(包括由客户提供的片段)、通过反复试验或通过运行全芯片模拟来识别临界特征。片段通常包含一个或更多的测试图案或计量图案。
可以基于设计布局中已知的临界特征区域由客户先验地提供初始的较大组的片段,其需要特定的图像优化。可替代地,在另一实施例中,可以通过使用一些类型的识别临界特征区域的自动化的(诸如机器视觉)或手工的算法从整个设计布局提取所述初始的较大组片段。
能够例如在2010年10月28日提交的美国专利申请案第12/914,946号中找到优化方法的示例,其通过援引而全文合并到本发明中。
由于设计布局上的特征的大小缩小,因此OPC可变得更耗时。包含非常难以由OPC校正的特征以及它们的OPC校正的库可用于减少OPC的成本,若特征搜索方法允许在所述库中的那些特征的设计布局上找出类似特征即可。所述库中的那些特征的OPC校正于是仅可在无需其他计算、或具有非常少其他计算的情况下应用于类似特征。这样的特征搜索方法优选地是非常快速的,能够容许在所述库中的特征与那些类似特征之间的一定程度的差异。特征搜索方法当然不限于这种特定应用,而是可用于许多其他应用。
机器学习模型是可证明在特征搜索方法中有用的有用工具。可使用无监督机器学习和受监督机器学习模型。在不限制权利要求书的范围的情况下,下文描述了在特征搜索的情境下的受监督机器学习模型的应用。
受监督学习是从经标记的训练数据来推断出函数的机器学习任务。训练数据由训练样本集合构成。在受监督学习中,每个样本是由输入物件(通常是向量)和所需输出值(也被称作监督信号)所组成的一对。受监督学习算法分析所述训练数据并且产生可用于对新样本进行映射的经推断的函数。最佳情境将允许所述算法正确地确定用于未见过的例子的类别标记。这需要所述学习算法以“合理的”方式(参见归纳偏置/偏好(inductive bias))从训练数据概括出未见过的情形。
给定所述形式的N个训练样本的集合{(x1,y1),(x2,y2),...,(xN,yN)},使得xi是第i个样本的特征向量且yi是其标记(即,类别),学习算法求解一个函数g:X→Y,其中X是输入空间且Y是输出空间。特征向量是表示某对象的数值特征的n维向量。机器学习中的许多算法需要物件的数值表示,因为这种表示便利于处理和统计分析。当表示图像时,特征值可对应于图像的像素;当表示文字时,可能称为出现频率。与这些向量相关联的向量空间常常被称作特征空间。函数g是可能函数G的某空间(通常被称作假设空间)的要素。有时,使用计分函数表示g是方便的,使得g被限定为返回给出最高分数的y值:g(x)=argmaxy f(x,y)。使F标示计分函数的空间。
尽管G及F可以是任何函数空间,但是许多学习算法是概率模型,其中g采用条件概率模型g(x)=P(y|x)的形式,或f采用联合概率模型f(x,y)=P(x,y)的形式。例如,朴素贝叶斯和线性判别分析是联合概率模型,而逻辑回归是条件概率模型。
存在着用来选择f或g的两种基本方法:经验风险最小化和结构风险最小化。经验风险最小化寻求最佳地拟合所述训练数据的函数。结构风险最小化包括控制所述偏差/方差权衡的罚函数。
在两种情况下,假定所述训练集是由独立且相同地分布的对(xi,yi)的样本构成。为了测量函数在多大程度上拟合所述训练数据,则限定了损失函数对于训练样本(xi,yi),预测出值的损失是
函数g的风险R(g)被限定为g的预期损失。这可从训练数据而被估计为
受监督学习的示例性模型包括决策树、集成(装袋、提升、随机森林)、k-NN、线性回归、朴素贝叶斯、神经网络、逻辑回归、感知器、支持向量机(SVM)、相关向量机(RVM)和深度学习。
SVM是受监督学习模型的示例,其分析数据并且识别图案,且能够用于分类和回归分析。给定训练样本的集合,每个样本被标记成属于两个类别之一,SVM训练算法构建了将新样本指派至一个类别或另一类别中的模型,使得其是非概率二元线性分类器。SVM模型是作为空间中的点的样本的表示,被映射为使得单独类别的样本由尽可能宽的清晰间隙而划分。接着将新样本映射至同一空间中,且基于其落在间隙的哪一侧来预测其属于的类别。
除了执行线性分类外,SVM也能够使用所谓的核方法来有效地执行非线性分类,隐含地将它们的输入映射至高维特征空间中。
核方法仅需要用户指定的核函数(kernel),即,关于原始表示中的数据点对的相似度函数。核方法的名字归因于核函数的使用,核函数使得核方法能够在高维、隐式特征空间中操作而无需不断计算在该空间中的数据的坐标,而是通过仅计算介于所述特征空间中的所有数据对的图像之间的内积。这种操作在计算上经常比坐标的显式计算更省事。这种方法被称作“核技巧”。
SVM的有效性取决于对于核函数(线性或非线性)、核函数的参数、和软间隔参数C的选择。常见选择是具有单一参数γ的高斯径向基核函数。经常通过以C和γ的指数增长序列(例如C∈{2-5,2-4,...,215,216};γ∈{2-15,2-14,...,24,25})的网格搜索(也称为“参数扫描”)来选择C和γ的最佳组合。另一选择是直方图交叉核函数。
网格搜索是经由学习算法的超参数空间的于动指定子集而实现的穷尽性搜索。网格搜索算法必须由某一性能度量引导,所述性能度量通常由对训练集的交叉验证或对留存验证集的评估来测量。
可使用交义验证来检查参数选择的每种组合,并且挑选具有最佳交义验证准确度的参数。
交叉验证(有时被称作循环估计)是用于评估统计分析的结果将如何经概括/一般化成独立数据集的模型验证技术。其主要用于其中目标是预测且希望估计将在实践中执行预测模型的精确性的情境。在预测问题中,模型通常被给定正在进行训练的已知数据的数据集(训练数据集),和模型经测试的未知数据(或首次所见数据)的数据集(测试数据集)。交叉验证的目标是用以限定用来对在训练阶段中的模型进行“测试”的数据集(即,验证数据集),以便限制像过拟合这样的问题,获得对模型将如何经概括一般化成独立数据集(即,未知数据集,例如来自真实问题)的理解。交叉验证的一个回合涉及将数据的样本分割成互补子集、执行对一个子集(被称作训练集)的分析、和验证对另一子集(被称作验证集或测试集)的分析。为减少变化性,使用不同分割来执行多个回合的交叉验证,且验证结果是对所述回合求平均。
接着使用所选参数,在整个训练集上训练用于测试新数据和用于将新数据分类的最终模型。
图3示出根据实施例的使用机器学习模型来搜索与目标特征类似的特征的方法的流程图。在步骤310中,获得目标特征。目标特征可由用户输入、使用算法来加以选择(例如,热点、OPC难以校正的特征等)、从所述库来加以选择选择,或通过任何合适的方法而获得。
在步骤320中,通过将一个或更多个扰动施加于目标特征而从目标特征产生一个或更多个经扰动的目标特征。例如,扰动可包括按比例调整、偏斜、移位、旋转、扭曲、失真、翻转、移除其一部分、在其中添加一部分等。
在步骤330中,产生训练样本集合(“训练集”),包括经扰动的目标特征的特性的特征向量、以及关于是否将经扰动的目标特征视作与目标特征相同的指示。可通过参数化的方法而获得特征的特性。所述特性可以是任何合适的特性。在非常简单的样本中,所述特性可包括顶点或边缘的数目、顶点的区域、定向、相对位置等。在实施例中,可以在特征的各种分辨率的情况下从一个或更多个像素化图像而获得特征的特性。特征的像素化图像可通过将低通滤波器施用于特征而获得。图4示意性地示出将低通滤波器400施用于多个特征410以获得特征410的像素化图像420。所述指示是特征向量的类别。例如,可仅存在两个类别:一个是用于视作与目标特征相同的那些特征的一个类别“m”,且一个是用于视作不同于目标特征的那些特征的一个类别“um”。可存在两个以上类别。
在步骤340中,利用所述训练集来训练受监督学习模型。
在步骤350中,受监督学习模型可用以使用特征的特性来判定将特征视作与目标特征相同还是不同,由此将特征分类成至少两个类别:视作与目标特征相同,和视作与目标特征不同。
图5示意性地示出产生训练集和使用训练集来训练机器学习模型的流程图。首先获得目标特征510,且目标特征510经受产生一个或更多个经扰动的目标特征530的集合的扰动步骤520。在步骤540中,一个或更多个经扰动的目标特征530被指派关于将经扰动的目标特征530视作与目标特征510相同或者不同的指示(在此示例中,“m”意思是视作相同;“um”意思是视作不同)且被编译成具有一个或更多个元素的训练集550,所述一个或更多个元素中的每一个元素具有表示一个或更多个经扰动的目标特征530的特性的特征向量以及所述指示。训练集于是用来对判定了特征与目标特征510相同(在类别“m”中)或不同(在类别“um”中)的机器学习模型560进行训练。
如图6中示意性地示出,训练集优选地包括与目标特征610相同的多个经扰动的目标特征620至660,除了不同之处在于所述经扰动的目标特征在各种方向上相对于“窗”(图像区域)移位各种量。这些经扰动的目标特征全部属于类别“m”。包括这些经移位目标特征允许了实现遍及较大图像以更快节奏/配速来搜索所述目标特征610的匹配。
图7示意性地示出使用针对目标特征的机器学习模型来搜索具有许多特征的较大图像700中的目标特征的匹配。搜索较大图像700中的目标特征的匹配的工艺基本上涉及了:使用所述机器学习模型来确定图像700在所述窗内的一部分是否包含与目标特征的匹配,和将所述窗滑动至下一部位。如果利用包括除已被移位了量710之外与目标特征相同的经扰动的目标特征的训练集来训练所述机器学习模型,则所述机器学习模型将允许使所述窗720“滑动”量710。类似地,如果利用包括除已被移位了量730(大于量710)之外与目标特征相同的经扰动的目标特征的训练集来训练所述机器学习模型,则所述机器学习模型将允许使窗740“滑动”所述量730,这导致更快的搜索。
给定的目标特征可使得针对不同情况来训练多个机器学习模型。在实施例中,用于目标特征(例如,目标特征510)的训练集(例如,训练集550)可以在不同分辨率的情况下(例如,通过施用不同的低通滤波器)来实现像素化以获得多个训练集。这些多个训练集中的每个可被用来对用于搜索与同一目标特征的匹配、但以那些不同分辨率进行搜索的机器学习模型进行训练。以较低分辨率进行搜索通常比以更高分辨率进行搜索更快,但较不精确。因此,可使用这些机器学习模型来实施多分辨率的特征搜索方法。
图8示意性地示出使用针对同一目标特征800但处于不同分辨率的三个机器学习模型810至830的多分辨率特征搜索方法。机器学习模型810处于比机器学习模型820更低的分辨率,而机器学习模型820处于比机器学习模型830更低的分辨率。在描绘所述机器学习模型810至830的方框中的目标特征800的不同模糊程度示意性地指示出它们的分别的分辨率。在这个示例中,在特征的群组850中搜索所述目标特征800的匹配(即,视作与目标特征800相同的那些特征)。首先,通过(例如)将第一低通滤波器施用于特征的群组850而获得处于机器学习模型810的分辨率的第一像素化图像860。使用机器学习模型810来搜索所述像素化图像860,且仅保留由所述机器学习模型810确定的匹配,通过(例如)将第二低通滤波器施用于所述匹配而从所述匹配获得了处于所述机器学习模型820的分辨率的第二像素化图像870。使用所述机器学习模型820来搜索所述像素化图像870,且仅保留由所述机器学习模型820判定的匹配,通过(例如)将第三低通滤波器施用于所述匹配而从所述匹配获得了处于所述机器学习模型830的分辨率的第三像素化图像880。使用所述机器学习模型830来搜索所述像素化图像880,且仅由所述机器学习模型830所确定的匹配被视作为与目标特征800的最终匹配。这种多分辨率特征搜索方法相比于以所述机器学习模型830的分辨率遍及所有特征850进行搜索快得多。优选地,机器学习模型830的分辨率度比机器学习模型820的分辨率高两倍或两倍以上;机器学习模型820的分辨率比机器学习模型810的分辨率高两倍或两倍以上。
图9示意性地示出用于上文所描述的特征搜索方法中的任一个的一个应用。获得了用于目标特征900的机器学习模型910。机器学习模型910对于图案群组920搜索目标特征900的匹配。在此示例中,找到三个匹配(呈实线的那些图案)。匹配在群组930中被呈现为实线。获得了包含用于目标特征900的配方的库960。例如,所述配方可以是对于目标特征900的OPC校正999、对于目标特征900的处理条件(例如,剂量、散焦等)。接着,在步骤940中将用于目标特征900的配方施用于三个匹配。群组950示意性地示出所述配方已经被施用到所述三个匹配。
库可被编译以包括目标特征,和用于该目标特征的训练集。训练集可包括一个或更多个经扰动的目标特征、是否将一个或更多个经扰动的目标特征视作与目标特征相同的指示。
库可被编译以包括目标特征和用于所述目标特征的机器学习模型。
图10为图示计算机系统100的方块图,其可以辅助执行本文公开的特征搜索方法和流程。计算机系统100包括:总线102或用于信息通信的其它通信机制;和与总线102联接的用于处理信息的处理器104(或多个处理器104和105)。计算机系统100还包括主存储器106(诸如随机存取存储器(RAM)或其它动态储存装置),所述主存储器106联接至总线102用于储存被处理器104执行的信息和指令。主存储器106还可以用于在由处理器104执行的指令的执行期间储存临时变量或其它中间信息。计算机系统100还包括被联接至总线102的只读存储器(ROM)108或其它静态储存装置,其用于存储用于处理器104的静态信息和指令。存储装置110(诸如磁盘或光盘)被提供并联接至总线102,用于存储信息和指令。
计算机系统100可以经由总线102联接至显示器112(诸如阴极射线管(CRT)或平板或触摸面板显示器),用于给计算机使用者显示信息。输入装置114(包括字母数字键和其它键)联接至总线102用于将信息和命令选择与处理器104通信。另一类型的使用者输入装置是光标控制器116(诸如鼠标、轨迹球、或光标方向键),用于将方向信息和命令选择与处理器104通信和用于控制显示器112上的光标移动。这一输入装置典型地在两个轴线(第一轴线(例如x)和第二轴线(例如y))上具有两个自由度,这允许所述装置指定平面中的位置。触摸面板(屏)显示器也可以用作输入装置。
根据本发明的一个实施例,优化过程的部分可以由计算机系统100响应于用于执行包含在主储存器106中的一个或更多的指令的一个或更多的序列的处理器104而被执行。这样的指令可以被从另一计算机可读介质(诸如储存装置110)读取到主储存器106中。包含在主存储器106中的指令的序列的执行使得处理器104执行此处描述的方法步骤。在多处理布置中的一个或更多的处理器也可以被用于执行包含在主存储器106中的指令的序列。在可替代的实施例中,硬接线电路可以用于替代软件指令或与软件指令结合。因此,实施例不限于硬件电路和软件的任何特定的组合。
如此处使用的术语“计算机可读介质”表示参与为了执行而提供指令至处理器104的任何介质。这样的介质可以采用许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如储存装置110。易失性介质包括动态存储器,诸如主存储器106。传输介质包括同轴电缆、铜导线和光纤,包含包括总线102的导线。传输介质还可以采用声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间产生的这些声波或光波。计算机可读介质的通常形式包括例如软盘、软碟(flexible disk)、硬盘、磁带、任何其它磁介质、CD-ROM、DVD、任何其它光学介质、穿孔卡、纸带、任何具有孔图案的其它物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡带、如下文描述的载波或计算机可以读取的任何其它介质。
各种形式的计算机可读介质可能涉及将一个或更多的指令的一个或更多的序列传送至处理器104,用于执行。例如,指令可以最初出现在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中且使用调制解调器在电话线上发送所述指令。在计算机系统100本地的调制解调器可以接收电话线上的数据,且使用红外发送器将数据转换成红外信号。联接至总线102的红外探测器可以接收在红外信号中携带的数据和将数据置于总线102上。总线102将数据传送至主存储器106,处理器104从主存储器106获取和执行指令。由主存储器106接收的指令可以可选择地在处理器104的执行之前或之后被储存在储存装置110上。
计算机系统100也可包括联接至总线102的通信接口118。通信接口118提供联接至网络链路120的双向数据通信,该网络链路120连接至本地网络122。例如,通信接口118可以是综合业务数字网(ISDN)卡或调制解调器,用于提供数据通信连接至对应类型的电话线。作为另一例子,通信接口118可以是局域网(LAN)卡,以提供数据通信连接至兼容的LAN。无线链路也可以被实现。在任何这样的实施方式中,通信接口118发送和接收电、电磁或光信号,其携带表示各种类型的信息的数字数据流。
典型地,网络链路120通过一个或更多的网络将数据通信提供至其它数据装置。例如,网络链路120可以通过本地网络122提供连接至主机124或由网络服务商(ISP)126操作的数据设备。ISP126又通过全球分组数据通信网络(现在被通常称为“互联网”)128提供数据通信服务。本地网络122和互联网128都使用携带数字数据流的电、电磁或光信号。通过各种网络的信号和网络链路120上和通过通信接口118的信号将数字数据传送至计算机系统100和从计算机系统100传送回,其是用于运送信息的载波的示例性形式。
计算机系统100可以通过网络、网络链路120和通信接口118发送信息和接收数据,包括程序码。在互联网的例子中,服务器130可以通过互联网128、ISP126、局域网122和通信接口118为应用程序发送请求码。根据一个或更多个实施例,一个这样的被下载的应用程序提供用于例如实施例的照射优化。在它在储存装置110或用于之后的执行的其它非易失性储存器中被接收和/或储存时,接收码可以被处理器104执行。如此,计算机系统100可以获得成载波形式的应用码。
图11示意性地显示另一个示例性的光刻投影设备1000,其照射源可以通过使用此处描述的方法而被优化。
所述光刻投影设备1000包括:
源收集器模块SO;
照射系统(照射器)IL,配置用于调节辐射束B(例如,EUV辐射);
支撑结构(例如掩模台)MT,构造用于支撑图案形成装置(例如掩模或掩模版)MA并与配置用于精确地定位图案形成装置的第一定位装置PM相连;
衬底台(例如晶片台)WT,构造用于保持衬底(例如涂覆有抗蚀剂的晶片)W,并与配置用于精确地定位衬底的第二定位装置PW相连;和
投影系统(例如反射式投影系统)PS,所述投影系统PS配置用于将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一根或更多根管芯)上。
如这里所示的,所述设备1000是反射型的(例如,采用反射式掩模)。应当注意,由于大多数材料在EUV波长范围内是吸收性的,因此掩模可以具有多层反射器,包括例如钼和硅的多叠层。在一个示例中,多叠层反射器具有40层成对的钼和硅,其中每层的厚度为四分之一波长。用X射线光刻术可以产生甚至更小的波长。由于大多数材料在EUV和X射线波长中是吸收性的,所以在图案形成装置形貌上(例如,在多层反射器的顶部上的TaN吸收器)图案化的吸收材料的薄片定义了特征将印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)的区域。
参照图11,照射器IL接收来自源收集器模块SO的极紫外辐射束。用以产生EUV辐射的方法包括但不必限于将材料转换为等离子体状态,该材料具有在EUV范围内具有一个或更多个发射线的至少一种元素,例如氙、锂或锡。在通常称为激光产生等离子体(“LPP”)的一种这样的方法中,所需的等离子体可以通过使用激光束照射燃料来产生,燃料例如是具有发射线元素的材料的液滴、束流或簇团。源收集器模块SO可以是包括用于提供用于激发燃料的激光束的激光器(在图11中未示出)的EUV辐射系统的一部分。所形成的等离子体发射输出辐射,例如EUV辐射,其通过使用设置在源收集器模块中的辐射收集器收集。激光器和源收集器模块可以是分立的实体,例如当使用CO2激光器提供激光束用于燃料激发时。
在这种情况下,激光器不看作是形成光刻设备的一部分,并且,借助于包括例如合适的定向反射镜和/或扩束器的束传递系统,辐射束被从激光器传递至源收集器模块。在其他情况下,所述源可以是源收集器模块的组成部分,例如当源是放电产生等离子体EUV产生器,通常称为DPP源。
照射器IL可以包括调节器,用于调节辐射束的角度强度分布。通常,可以对所述照射器的光瞳平面中的强度分布的至少所述外部和/或内部径向范围(一般分别称为σ-外部和σ-内部)进行调整。此外,所述照射器IL可以包括各种其它部件,例如琢面场反射镜装置和琢面光瞳反射镜装置。可以将所述照射器用于调节所述辐射束,以在其横截面中具有所需的均匀性和强度分布。
所述辐射束B入射到保持在支撑结构(例如,掩模台)MT上的所述图案形成装置(例如,掩模)MA上,并且通过所述图案形成装置来形成图案。在已经由图案形成装置(例如,掩模)MA反射之后,所述辐射束B通过投影系统PS,所述投影系统PS将辐射束聚焦到所述衬底W的目标部分C上。通过第二定位装置PW和位置传感器系统PS2(例如,干涉仪器件、线性编码器或电容传感器)的帮助,可以精确地移动所述衬底台WT,例如以便将不同的目标部分C定位于所述辐射束B的路径中。类似地,可以将所述第一定位装置PM和另一个位置传感器系统PS1用于相对于所述辐射束B的路径精确地定位图案形成装置(例如,掩模)MA。可以使用图案形状装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如,掩模)MA和衬底W。
可以将所显示的设备1000用于以下模式中的至少一种中:
1.在步进模式中,在将支撑结构(例如掩模台)MT和衬底台WT保持为基本静止的同时,将赋予所述辐射束的整个图案一次投影到目标部分C上(即,单一的静态曝光)。然后将所述衬底台WT沿X和/或Y方向移动,使得可以对不同目标部分C曝光。
2.在扫描模式中,在对支撑结构(例如掩模台)MT和衬底台WT同步地进行扫描的同时,将赋予所述辐射束的图案投影到目标部分C上(即,单一的动态曝光)。衬底台WT相对于支撑结构(例如掩模台)MT的速度和方向可以通过所述投影系统PS的(缩小)放大率和图像反转特征来确定。
3.在另一种模式中,将用于保持可编程图案形成装置的支撑结构(例如掩模台)MT保持为基本静止,并且在对所述衬底台WT进行移动或扫描的同时,将赋予所述辐射束的图案投影到目标部分C上。在这种模式中,通常采用脉冲辐射源,并且在所述衬底台WT的每一次移动之后、或在扫描期间的连续辐射脉冲之间,根据需要更新所述可编程图案形成装置。这种操作模式可易于应用于利用可编程图案形成装置(例如,如上所述类型的可编程反射镜阵列)的无掩模光刻术中。
图12更详细地示出设备1000,包括源收集器模块SO、照射系统IL以及投影系统PS。源收集器模块SO构造并布置成使得在源收集器模块SO的包围结构220内保持真空环境。用于发射EUV辐射的等离子体210可以通过放电产生等离子体源形成。EUV辐射可以通过气体或蒸汽产生,例如氙气、锂蒸汽或锡蒸汽,其中形成极高温等离子体210以发射在电磁辐射光谱的EUV范围内的辐射。通过例如引起至少部分离子化的等离子体的放电来形成极高温等离子体210。例如,有效生成辐射可能要求Xe、Li、Sn蒸汽或任何其他合适的气体或蒸汽的10Pa的分压。在一个实施例中,被激发的锡(Sn)的等离子体被提供以产生EUV辐射。
由高温等离子体210发射的辐射从源腔211经由可选的定位在源腔211内的开口内或其后面的气体阻挡件或污染物阱230(在某些情况下被称为污染物阻挡件或翼片阱)被传递到收集器腔212。污染物阱230可以包括通道结构。污染物阱230还可以包括气体阻挡件或气体阻挡件和通道结构的组合。此处进一步示出的污染物阱或污染物阻挡件230至少包括通道结构,如现有技术中已知的。
收集器腔211可以包括辐射收集器CO,其可以是所谓的掠入射收集器。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。穿过收集器CO的辐射可以被反射离开光栅光谱滤光片240以沿着由虚线‘O’标示的光轴被聚焦在虚源点IF。虚源点IF通常称为中间焦点,并且该源收集器模块布置成使得中间焦点IF位于包围结构220的开口处或其附近。虚源点IF是用于发射辐射的等离子体210的像。
随后辐射穿过照射系统IL,照射系统IL可以包括布置成在图案形成装置MA处提供辐射束21的期望的角分布以及在图案形成装置MA处提供期望的辐射强度均匀性的琢面场反射镜装置22和琢面光瞳反射镜装置24。在辐射束21在由支撑结构MT保持的图案形成装置MA处反射时,图案化的束26被形成,并且图案化的束26通过投影系统PS经由反射元件28、30成像到由衬底台WT保持的衬底W上。
在照射光学装置单元IL和投影系统PS中通常可以存在比图示的元件更多的元件。光栅光谱滤光片240可以可选地设置,这依赖于光刻设备的类型。此外,可以存在比图中示出的反射镜更多的反射镜,例如在投影系统PS中可以存在在图12中示出的元件以外的1-6个附加的反射元件。
收集器光学装置CO,如图12所示,在图中被示出为具有掠入射反射器253、254以及255的巢状收集器,仅作为收集器(或收集器反射镜)的一个示例。掠入射反射器253、254以及255围绕光学轴线O轴向对称地设置,该类型的收集器光学装置CO优选与放电产生的等离子体源结合使用,通常称为DPP源。
可替代地,源收集器模块SO可以是如图13所示的LPP辐射系统的一部分。激光器LA布置成将激光能量入射到燃料,例如氙气(Xe)、锡(Sn)或锂(Li),由此产生具有几十eV的电子温度的高度离子化的等离子体210。在这些离子的去激发和复合期间生成的高能辐射由等离子体发射,被近正入射收集器光学装置CO收集并被聚焦到包围结构220的开口221上。
此处公开的概念可以模拟用于使亚波长特征成像的任何一般性成像系统或在数学上对用于使亚波长特征成像的任何一般性成像系统进行建模,且可能随着能够产生尺寸不断变小的波长的成像技术的出现是特别有用的。已经使用的现有的技术包括EUV(极紫外线)光刻术,其能够用ArF激光器产生193nm波长,甚至可以用氟激光器产生157nm的波长。此外,EUV光刻术能够通过使用同步加速器或通过用高能电子撞击材料(固体或等离子体)来产生在20-5nm范围内的波长,用于产生在这一范围内的光子。
尽管在此所公开的构思可以用于在衬底(例如硅晶片)上成像,但是应当理解,所公开的构思可以与任何其他类型的光刻成像系统一起使用,例如用于在除去硅晶片之外的衬底上成像的光刻成像系统。
可使用以下项目来进一步描述本发明:
1.一种用以改进光刻工艺的计算机实施方法,所述光刻工艺用于使用光刻投影设备将设计布局的一部分映射至衬底上,所述方法包括:
获得目标特征;
通过将扰动施用于目标特征来从所述目标特征产生经扰动的目标特征;
产生训练样本集合,所述训练样本集合包括经扰动的目标特征、以及关于是否将经扰动的目标特征视作与目标特征相同的指示;
利用所述训练样本集合来训练学习模型;
通过计算机将设计布局的部分中的特征分类成至少两个类别:视作与目标特征相同、和视作与目标特征不同。
2.如项目1的方法,其中将特征分类是基于特征的第一像素化图像,第一像素化图像具有第一分辨率。
3.如项目2的方法,还包括通过将低通滤波器施用于特征而产生第一像素化图像。
4.如项目1的方法,其中扰动是重设大小、移位、移除目标特征的一部分、添加一部分至目标特征,或它们的组合。
5.如项目1的方法,其中所述学习模型是非概率的。
6.如项目1的方法,其中所述学习模型是支持向量机。
7.如项目1的方法,其中所述学习模型具有非线性核函数。
8.如项目1的方法,其中受监督学习模型具有高斯径向基核函数或直方图交叉核函数。
9.如项目2的方法,其中将特征分类包括将滑动窗中的第一像素化图像的一部分分类。
10.如项目9的方法,还包括使滑动窗移位。
11.如项目10的方法,其中扰动是使目标特征移位,其中使滑动窗移位与扰动中的移位的量相比相等或更小的量。
12.如项目2的方法,其中将特征分类进一步基于特征的第二像素化图像,第二像素化图像具有比第一分辨率更高的第二分辨率。
13.如项目12的方法,其中第二分辨率比第一分辨率高两倍或两倍以上。
14.如项目1的方法,其中将特征分类包括在几何学上参数化所述特征和目标特征。
15.如项目1的方法,还包括将目标特征的调整施用于被分类为视作与目标特征相同的特征的调整。
16.如项目1至15中任一项的方法,其中机器学习模型是受监督机器学习模型。
17.一种计算机程序产品,包括记录有指令的非暂时性电脑可读介质,所述指令当由计算机执行时实施如以上项目中任一项目的方法。
18.一种计算机程序产品,包括记录有信息的非暂时性电脑可读介质,其中信息包括目标特征、一个或更多个经扰动的目标特征、和视情况地是否将一个或更多个经扰动的目标特征视作与目标特征相同的指示。
19.如项目18的计算机程序产品,还包括目标特征的调整。
20.如项目19的计算机程序产品,其中调整包括光学邻近效应校正。
21.一种计算机程序产品,包括记录有信息的计算机可读介质,其中信息包括目标特征和机器学习模型,所述机器学习模型被配置成用以将特征分类成两个类别:视作与目标特征相同,和视作与目标特征不同。
22.一种用于器件制造工艺的计算机实施特征辨识方法,所述器件制造工艺涉及将设计布局的一部分加工至衬底上,所述方法包括:
获得目标特征;
通过将扰动施用于目标特征来从目标特征产生经扰动的目标特征;
产生训练样本集合,所述训练样本集合包括经扰动的目标特征和关于是否将经扰动的目标特征视作与目标特征相同的指示;
利用训练样本集合来训练学习模型;
通过计算机将设计布局的部分中的特征分类成至少两个类别:视作与目标特征相同,和视作与目标特征不同。
23.如项目22的方法,其中将特征分类是基于特征的第一像素化图像,第一像素化图像具有第一分辨率,其中将特征分类还基于特征的第二像素化图像,第二像素化图像具有比第一分辨率更高的第二分辨率。
24.如项目22的方法,其中学习模型具有非线性核函数。
25.如项目22的方法,其中将特征分类包括将滑动窗中的第一像素化图像的一部分分类。
26.如项目25的方法,还包括使所述滑动窗移位。
27.如项目26的方法,其中扰动是使目标特征移位,其中使滑动窗移位与扰动中的移位的量相比相等或更小的量。
可以用任何便利形式来实施本发明的方面。例如,实施例可由一个或更多个适当计算机程序实施,所述一个或更多个适当计算机程序可被携载于可以是有形载体介质(例如,盘片)或无形载体介质(例如,通信信号)的适当载体介质上。可使用可特定地采取可编程计算机的形式的合适设备来实施本发明的实施例,所述可编程计算机运行被布置用以实施如本发明所描述的方法的计算机程序。
以上描述预期是例示性而非限制性的。因此,对于对本领域的技术入员将显而易见,可在不脱离下文所阐明的申请专利范围的范畴的情况下对所描述的实施例进行修改。
Claims (15)
1.一种用以改进光刻工艺的计算机实施方法,所述光刻工艺用于使用光刻投影设备将设计布局的一部分成像至衬底上,所述方法包括:
获得目标特征;
通过将扰动施用于所述目标特征来从所述目标特征产生经扰动的目标特征;
产生训练样本集合,所述训练样本包括所述经扰动的目标特征和关于是否将所述经扰动的目标特征视作与所述目标特征相同的指示;
利用所述训练样本集合来训练学习模型;
通过计算机将所述设计布局的所述部分中的特征分类成至少两个类别:视作与所述目标特征相同、和视作与所述目标特征不同。
2.根据权利要求1所述的方法,其中将所述特征分类是基于所述特征的第一像素化图像,所述第一像素化图像具有第一分辨率。
3.根据权利要求2所述的方法,还包括通过将低通滤波器施用于所述特征而产生所述第一像素化图像。
4.根据权利要求1所述的方法,其中所述扰动是重设大小、移位、移除所述目标特征的部分、添加一部分至所述目标特征,或它们的组合。
5.根据权利要求1所述的方法,其中所述学习模型是非概率的,或其中所述学习模型是支持向量机,或其中所述学习模型具有非线性核函数。
6.根据权利要求1所述的方法,其中受监督的学习模型具有高斯径向基核函数或直方图交叉核函数。
7.根据权利要求2所述的方法,其中将所述特征分类包括:将滑动窗中的所述第一像素化图像的一部分分类。
8.根据权利要求7所述的方法,还包括:使所述滑动窗移位。
9.根据权利要求8所述的方法,其中所述扰动是使所述目标特征移位,其中使所述滑动窗移位与所述扰动中的移位的量相比相等或更小的量。
10.根据权利要求2所述的方法,其中将所述特征分类还基于所述特征的第二像素化图像,所述第二像素化图像具有比所述第一分辨率更高的第二分辨率。
11.根据权利要求1所述的方法,其中将所述特征分类包括:在几何学上参数化所述特征和所述目标特征。
12.根据权利要求1所述的方法,还包括将所述目标特征的调整施用于经分类为视作与所述目标特征相同的所述特征的调整。
13.一种计算机程序产品,包括记录有指令的非暂时性计算机可读介质,所述指令在由计算机执行时实施根据权利要求1所述的方法。
14.一种用于器件制造工艺的计算机实施特征辨识方法,所述器件制造工艺涉及将设计布局的一部分加工至衬底上,所述方法包括:
获得目标特征;
通过将扰动施用于所述目标特征来从所述目标特征产生经扰动的目标特征;
产生训练样本集合,所述训练样本包括所述经扰动的目标特征和关于是否将所述经扰动的目标特征视作与所述目标特征相同的指示;
利用所述训练样本集合来训练学习模型;
通过计算机将所述设计布局的所述部分中的特征分类成至少两个类别:视作与所述目标特征相同、和视作与所述目标特征不同。
15.根据权利要求14所述的方法,其中将所述特征分类包括:将滑动窗中的所述第一像素化图像的一部分分类。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201462093931P | 2014-12-18 | 2014-12-18 | |
US62/093,931 | 2014-12-18 | ||
PCT/EP2015/076994 WO2016096308A1 (en) | 2014-12-18 | 2015-11-18 | Feature search by machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107438842A true CN107438842A (zh) | 2017-12-05 |
Family
ID=54601775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580069287.6A Pending CN107438842A (zh) | 2014-12-18 | 2015-11-18 | 通过机器学习的特征搜索 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170357911A1 (zh) |
KR (1) | KR102048918B1 (zh) |
CN (1) | CN107438842A (zh) |
TW (1) | TWI617933B (zh) |
WO (1) | WO2016096308A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615071A (zh) * | 2018-05-10 | 2018-10-02 | 阿里巴巴集团控股有限公司 | 模型测试的方法及装置 |
CN109491216A (zh) * | 2018-12-20 | 2019-03-19 | 上海集成电路研发中心有限公司 | 一种优化光刻工艺参数的方法 |
CN109829232A (zh) * | 2019-01-30 | 2019-05-31 | 中北大学 | 基于随机森林算法的分层布料模拟方法 |
CN110472251A (zh) * | 2018-05-10 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
CN111670445A (zh) * | 2018-01-31 | 2020-09-15 | Asml荷兰有限公司 | 基于过程参数的衬底标记方法 |
CN113614638A (zh) * | 2019-03-21 | 2021-11-05 | Asml荷兰有限公司 | 用于机器学习辅助的光学邻近效应误差校正的训练方法 |
US20220128899A1 (en) * | 2020-10-22 | 2022-04-28 | D2S, Inc. | Methods and systems to determine shapes for semiconductor or flat panel display fabrication |
CN115509082A (zh) * | 2022-11-09 | 2022-12-23 | 华芯程(杭州)科技有限公司 | 光学邻近校正模型的训练方法、装置及光学邻近校正方法 |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016096309A1 (en) * | 2014-12-15 | 2016-06-23 | Asml Netherlands B.V. | Optimization based on machine learning |
US10733744B2 (en) | 2017-05-11 | 2020-08-04 | Kla-Tencor Corp. | Learning based approach for aligning images acquired with different modalities |
KR20200010496A (ko) * | 2017-05-26 | 2020-01-30 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습에 기초한 어시스트 피처 배치 |
CN110383332B (zh) * | 2017-06-05 | 2023-09-12 | 乐天集团股份有限公司 | 图像处理装置、图像处理方法及图像处理程序 |
CN115185163A (zh) | 2017-09-08 | 2022-10-14 | Asml荷兰有限公司 | 用于机器学习辅助的光学邻近误差校正的训练方法 |
KR102606115B1 (ko) | 2018-02-23 | 2023-11-29 | 에이에스엠엘 네델란즈 비.브이. | 패턴의 시맨틱 분할을 위한 딥 러닝 |
US10606975B2 (en) * | 2018-05-31 | 2020-03-31 | International Business Machines Corporation | Coordinates-based generative adversarial networks for generating synthetic physical design layout patterns |
US10706200B2 (en) * | 2018-06-05 | 2020-07-07 | International Business Machines Corporation | Generative adversarial networks for generating physical design layout patterns of integrated multi-layers |
US10699055B2 (en) | 2018-06-12 | 2020-06-30 | International Business Machines Corporation | Generative adversarial networks for generating physical design layout patterns |
TWI676939B (zh) * | 2018-06-22 | 2019-11-11 | 富比庫股份有限公司 | 運用類神經網路進行分類之電子零件封裝分類系統 |
JP7305430B2 (ja) * | 2018-06-29 | 2023-07-10 | キヤノン株式会社 | 情報処理装置、プログラム、リソグラフィ装置、リソグラフィシステム、および物品の製造方法 |
US11953823B2 (en) | 2018-08-31 | 2024-04-09 | Asml Netherlands B.V. | Measurement method and apparatus |
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 |
JP7126412B2 (ja) * | 2018-09-12 | 2022-08-26 | 東京エレクトロン株式会社 | 学習装置、推論装置及び学習済みモデル |
WO2020078762A1 (en) * | 2018-10-17 | 2020-04-23 | Asml Netherlands B.V. | Methods for generating characteristic pattern and training machine learning model |
US11093683B2 (en) | 2018-10-31 | 2021-08-17 | Taiwan Semiconductor Manufacturing Co., Ltd. | Test pattern generation systems and methods |
TWI682295B (zh) | 2018-11-05 | 2020-01-11 | 財團法人資訊工業策進會 | 測試資料產生裝置及測試資料產生方法 |
KR102610060B1 (ko) | 2018-11-30 | 2023-12-06 | 에이에스엠엘 네델란즈 비.브이. | 제조성에 기초한 패터닝 디바이스 패턴을 결정하기 위한 방법 |
CN113227905B (zh) * | 2018-12-26 | 2024-06-11 | Asml荷兰有限公司 | 用于检查晶片的系统和方法 |
TWI738169B (zh) | 2019-01-29 | 2021-09-01 | 荷蘭商Asml荷蘭公司 | 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品 |
KR102211604B1 (ko) | 2019-02-01 | 2021-02-04 | 재단법인대구경북과학기술원 | Gpu 기반의 채널 단위 딥뉴럴 네트워크 구조 검색을 사용하는 인공지능 시스템 |
TWI695221B (zh) * | 2019-02-01 | 2020-06-01 | 華邦電子股份有限公司 | 圖案特徵的識別方法 |
WO2020163063A1 (en) * | 2019-02-04 | 2020-08-13 | General Dynamics Mission Systems, Inc. | Machine learning training system and method for identification or classification of wireless signals |
US10916006B2 (en) | 2019-04-16 | 2021-02-09 | Winbond Electronics Corp. | Recognition method of pattern feature |
CN113966522A (zh) * | 2019-11-25 | 2022-01-21 | Essenlix 公司 | 基于成像的测定的有效训练和准确度改进 |
US20210343001A1 (en) * | 2020-04-30 | 2021-11-04 | Kla Corporation | Training a machine learning model to generate higher resolution images from inspection images |
CN111783982B (zh) * | 2020-06-30 | 2024-06-04 | 平安国际智慧城市科技股份有限公司 | 攻击样本的获取方法、装置、设备及介质 |
TWI798583B (zh) * | 2020-09-01 | 2023-04-11 | 中華電信股份有限公司 | 加速模擬軟體的模擬結果的產生的電子裝置和方法 |
KR20220051868A (ko) | 2020-10-19 | 2022-04-27 | 삼성전자주식회사 | 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치 |
JP7278501B2 (ja) * | 2020-12-08 | 2023-05-19 | 三菱電機株式会社 | 学習装置、不良検知装置、及び不良検知方法 |
WO2022155613A1 (en) * | 2021-01-15 | 2022-07-21 | Essenlix Corporation | Imaging based assay accuracy improvement through guided training |
US11983865B2 (en) | 2021-05-05 | 2024-05-14 | KLA Corp. | Deep generative model-based alignment for semiconductor applications |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130031522A1 (en) * | 2011-07-26 | 2013-01-31 | Juan Andres Torres Robles | Hotspot detection based on machine learning |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6975764B1 (en) * | 1997-11-26 | 2005-12-13 | Cognex Technology And Investment Corporation | Fast high-accuracy multi-dimensional pattern inspection |
US7082394B2 (en) * | 2002-06-25 | 2006-07-25 | Microsoft Corporation | Noise-robust feature extraction using multi-layer principal component analysis |
NL2007765A (en) * | 2010-11-12 | 2012-05-15 | Asml Netherlands Bv | Metrology method and inspection apparatus, lithographic system and device manufacturing method. |
NL2011592A (en) * | 2012-10-31 | 2014-05-06 | Asml Netherlands Bv | Compensation for patterning device deformation. |
-
2015
- 2015-11-18 US US15/531,321 patent/US20170357911A1/en not_active Abandoned
- 2015-11-18 KR KR1020177019895A patent/KR102048918B1/ko active IP Right Grant
- 2015-11-18 WO PCT/EP2015/076994 patent/WO2016096308A1/en active Application Filing
- 2015-11-18 CN CN201580069287.6A patent/CN107438842A/zh active Pending
- 2015-11-30 TW TW104139996A patent/TWI617933B/zh not_active IP Right Cessation
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130031522A1 (en) * | 2011-07-26 | 2013-01-31 | Juan Andres Torres Robles | Hotspot detection based on machine learning |
Non-Patent Citations (1)
Title |
---|
K.N.TO ET AL.: ""Perturbation to enhance support vector machines for classification"", 《JOURNAL OF COMPUTATIONAL AND APPLIED MATHEMATICS》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111670445B (zh) * | 2018-01-31 | 2024-03-22 | Asml荷兰有限公司 | 基于过程参数的衬底标记方法 |
CN111670445A (zh) * | 2018-01-31 | 2020-09-15 | Asml荷兰有限公司 | 基于过程参数的衬底标记方法 |
CN108615071A (zh) * | 2018-05-10 | 2018-10-02 | 阿里巴巴集团控股有限公司 | 模型测试的方法及装置 |
CN110472251A (zh) * | 2018-05-10 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 翻译模型训练的方法、语句翻译的方法、设备及存储介质 |
CN108615071B (zh) * | 2018-05-10 | 2020-11-24 | 创新先进技术有限公司 | 模型测试的方法及装置 |
US11900069B2 (en) | 2018-05-10 | 2024-02-13 | Tencent Technology (Shenzhen) Company Limited | Translation model training method, sentence translation method, device, and storage medium |
US11176418B2 (en) | 2018-05-10 | 2021-11-16 | Advanced New Technologies Co., Ltd. | Model test methods and apparatuses |
CN109491216A (zh) * | 2018-12-20 | 2019-03-19 | 上海集成电路研发中心有限公司 | 一种优化光刻工艺参数的方法 |
CN109829232B (zh) * | 2019-01-30 | 2022-11-25 | 中北大学 | 基于随机森林算法的分层布料模拟方法 |
CN109829232A (zh) * | 2019-01-30 | 2019-05-31 | 中北大学 | 基于随机森林算法的分层布料模拟方法 |
CN113614638A (zh) * | 2019-03-21 | 2021-11-05 | Asml荷兰有限公司 | 用于机器学习辅助的光学邻近效应误差校正的训练方法 |
US20220128899A1 (en) * | 2020-10-22 | 2022-04-28 | D2S, Inc. | Methods and systems to determine shapes for semiconductor or flat panel display fabrication |
CN115509082A (zh) * | 2022-11-09 | 2022-12-23 | 华芯程(杭州)科技有限公司 | 光学邻近校正模型的训练方法、装置及光学邻近校正方法 |
Also Published As
Publication number | Publication date |
---|---|
US20170357911A1 (en) | 2017-12-14 |
KR102048918B1 (ko) | 2020-01-08 |
KR20170096018A (ko) | 2017-08-23 |
WO2016096308A1 (en) | 2016-06-23 |
TWI617933B (zh) | 2018-03-11 |
TW201633192A (zh) | 2016-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107438842A (zh) | 通过机器学习的特征搜索 | |
US11029605B2 (en) | Optimization based on machine learning | |
CN105992975B (zh) | 用于计算任意图案的随机变化的模型 | |
CN106164777B (zh) | 光刻过程的优化流程 | |
CN104395828B (zh) | 基于梯度的图案和评价点选择 | |
US20220179321A1 (en) | Method for determining pattern in a patterning process | |
US11567413B2 (en) | Method for determining stochastic variation of printed patterns | |
CN106462086B (zh) | 蚀刻变化容差优化 | |
CN111149063B (zh) | 确定器件制造工艺的控制参数的方法 | |
CN107430347A (zh) | 图像对数斜率(ils)优化 | |
KR20130082110A (ko) | 확률적 효과들을 감소시키기 위한 소스 마스크 최적화 | |
CN105008997A (zh) | 离散源掩模优化 | |
CN105074575B (zh) | 用于三维图案形成装置的光刻模型 | |
US11669019B2 (en) | Method for determining stochastic variation associated with desired pattern | |
US20230044490A1 (en) | Method for improving consistency in mask pattern generation | |
CN107111237A (zh) | 辅助特征的基于规则的部署 | |
WO2021052712A1 (en) | Methods for generating characteristic pattern and training machine learning model | |
TW202210954A (zh) | 用於選擇資訊模式以訓練機器學習模型之設備及方法 | |
US20230023153A1 (en) | Method for determining a field-of-view setting | |
TW202147025A (zh) | 用於預測隨機貢獻者之方法 | |
US20220229374A1 (en) | Method of determining characteristic of patterning process based on defect for reducing hotspot | |
US20230244152A1 (en) | Systems, methods, and products for determining printing probability of assist feature and its application | |
KR102642972B1 (ko) | 모델 캘리브레이션을 위한 게이지 선택의 향상 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171205 |
|
WD01 | Invention patent application deemed withdrawn after publication |