CN110501880A - 用于借助于转换模型分析光刻工艺的元件的装置及方法 - Google Patents

用于借助于转换模型分析光刻工艺的元件的装置及方法 Download PDF

Info

Publication number
CN110501880A
CN110501880A CN201910421175.2A CN201910421175A CN110501880A CN 110501880 A CN110501880 A CN 110501880A CN 201910421175 A CN201910421175 A CN 201910421175A CN 110501880 A CN110501880 A CN 110501880A
Authority
CN
China
Prior art keywords
data
measurement data
measuring device
photoetching process
measurement
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.)
Granted
Application number
CN201910421175.2A
Other languages
English (en)
Other versions
CN110501880B (zh
Inventor
A.弗赖塔格
C.胡斯曼
D.塞德尔
C.施密特
T.谢鲁布尔
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.)
Carl Zeiss SMT GmbH
Original Assignee
Carl Zeiss SMT GmbH
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 Carl Zeiss SMT GmbH filed Critical Carl Zeiss SMT GmbH
Publication of CN110501880A publication Critical patent/CN110501880A/zh
Application granted granted Critical
Publication of CN110501880B publication Critical patent/CN110501880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • 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
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/72—Repair or correction of mask defects
    • 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
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/72—Repair or correction of mask defects
    • G03F1/74—Repair or correction of mask defects by charged particle beam [CPB], e.g. focused ion beam
    • 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
    • G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
    • G03F1/82—Auxiliary processes, e.g. cleaning or inspecting
    • G03F1/84—Inspecting
    • 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
    • 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
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • 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
    • G03F7/70641—Focus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Inspection Of Paper Currency And Valuable Securities (AREA)

Abstract

本发明关于用于分析光刻工艺的元件(470)的装置(500)，该装置包含：(a)用于记录元件(470)的第一数据(230)的第一测量装置(500、510、560)；以及(b)用于将第一数据(230)转换为第二非测量数据(250)的构件，该第二非测量数据对应于使用第二测量装置(400)对元件(470)进行测量的测量数据(420)；以及(c)其中构件包含转换模型(200)，其已使用用于训练目的的多个第一数据(235)以及与其对应的链接至第二测量装置(400)的第二数据(265)进行训练。

Description

用于借助于转换模型分析光刻工艺的元件的装置及方法
相关申请的交叉引用
本专利申请主张2018年5月18日申请的德国专利申请案DE 10 2018 207 882.3的优先权，其整体的内容以引用的方式并入本文。
技术领域
本发明关于用于分析光刻工艺的元件的装置及方法。特别地，本发明关于用于使用已训练的转换模型将由第一测量装置所记录的光刻工艺的元件的第一数据转换为第二非测量数据的装置和方法，其中第二非测量数据对应使用第二测量装置对元件进行检查的测量数据。此外，本发明关于用于检查光刻工艺的元件的区域的装置和方法。更详细地，本发明关于用于使用已训练模型将由测量装置所记录的光刻工艺的元件的区域的测量数据以及关联于测量数据的参考数据转换为元件的质量度量。
背景技术
随着半导体工业中集成密度的增加，光刻掩模必须在晶片上成像越来越小的结构。在光刻方面，藉由将光刻系统的曝光波长转移到更短的波长来解决集成密度增加的趋势。目前在光刻系统中经常使用作为光源的是ArF(氟化氩)准分子激光器，其发射的波长约为193nm。
目前正在开发使用EUV(极紫外光)波长范围(例如，在10nm至15nm范围内)的电磁辐射的光刻系统。该EUV光刻系统基于全新的光束引导概念，其毫无例外地使用反射光学元件，因为目前在所述的EUV范围内没有可用的光学透明的材料。发展EUV系统面临的技术挑战是巨大的，需要进行大量的开发工作才能使该系统提升到可用于工业应用的水平。
对在晶片上配置的光刻胶中的更小结构的成像的显著贡献是由于光刻掩模、曝光掩模、光掩模或仅掩模。随着集成密度的进一步增加，减小曝光掩模的最小结构尺寸变得越来越重要。因此，光刻掩模的生产工艺变得越来越复杂，因此更耗时且最终也更昂贵。由于图案元件的微小结构尺寸，不能排除掩模生产期间的缺陷。这些缺陷必须尽可能地修复。掩模缺陷的修复通常基于改进的扫描电子显微镜来实现，例如工具。
在修复了光掩模的缺陷之后，必须测量光刻掩模的已修复区域，以能够评估修复程序是否成功或者是否失败。举例来说，目前使用AIMSTM(空间像计量系统)来记录有缺陷和/或已修复区域的一个或多个图像。藉由AIMSTM记录掩模的有缺陷和/或特别是已修复区域的一个或多个空间像。基于一个或多个空间像分析掩模的有缺陷和/或已修复区域，以能够决定如何继续使用掩模。
勾画程序的缺点在于必须从修复工具(例如，工具)变更为分析工具(例如，AIMSTM工具)，用于评估修复程序的质量。掩模从一个工具转移到另一工具将有很长的时间耗费，其例如由打破真空并在AIMSTM上对准光掩模所造成。此外，存在在运输过程中损坏光掩模和/或产生新缺陷的风险。
在一种新方法中，目前尝试在机器学习(ML)模型的协助下处理在光掩模的质量评估中的许多挑战。以示例性方式指出用于此程序的以下文献：WO 2017/087 653 A1、WO2017/117 568 A1、WO 2017/120 253 A1、WO 2017/123 555 A1、WO 2017/123 561 A1、WO2017/117 573 A1、WO 2017/123 555 A1及WO 2017/205 537A1。举例来说，在以下文献中描述了机器学习的特定方面：https：//papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf；以及https：//arxiv.org/pdf/1409.1556.pdf；https：//arxiv.org/pdf/1608.06993.pdf。
如前文所解释，针对光刻工艺的元件(例如光刻掩模)产生空间像可能是复杂的程序。
因此，本发明基于以下目的：提出在评估光刻工艺的元件的质量时至少部分地避免上述缺点的装置和方法。
发明内容
根据本发明的第一方面，此问题由下文所述的装置来解决。
用于分析光刻工艺的元件的装置可包含：(a)用于记录元件的第一数据的第一测量装置；以及(b)用于将第一数据转换为第二、非测量数据的构件，第二、非测量数据对应于使用第二测量装置测量元件的测量数据；以及(c)其中构件包含一转换模型，其已使用用于训练目的的多个第一数据以及与其对应的第二数据进行训练，其中第二数据链接至第二测量装置。
在第一方面中，根据本发明的装置在已训练的转换模型的协助下解决了问题。藉由应用已训练的转换模型，根据本发明的装置可转换第一测量装置(例如粒子扫描显微镜，特别是扫描电子显微镜)的测量数据，使得这些测量数据看起来像是由第二测量装置(例如光学测量装置，例如AIMSTM)所测量的。因此，根据本发明的装置有助于基于由修复工具所进行的一个或多个测量来评估光刻工艺的元件(例如光刻掩模的已修复缺陷)的质量。在此处，基于数据记录来评估光掩模，该数据记录类似于光掩模在以光化波长进行曝光的过程中将在晶片上产生的图像。可避免破坏修复工具的真空、以及运输到光学测量装置、以及对准光学测量装置中的元件、以及使用光学测量装置记录图像。
在第二方面中，根据本发明的装置藉由下文所述的装置来解决问题。
用于将由第一测量装置所记录的光刻工艺的元件的第一数据转换成第二非测量数据(其对应于使用第二测量装置测量元件的测量数据)的装置可包含一转换模型，其已使用用于训练目的的多个第一数据以及与其对应的第二数据进行训练，其中第二数据链接至第二测量装置。
根据本发明的装置避免了空间像的复杂产生，用于能够评估光刻工艺的元件的质量。一开始对特定掩模类型和特定第一测量装置(例如扫描粒子显微镜)进行转换模型的复杂训练程序就足够了。举例来说，训练程序可在中心位置执行，该中心位置最适合此目标。接着，可一起提供针对各种掩模类型的已训练的转换模型，例如，与制造环境中的修复工具一起提供。藉由将已训练的转换模型应用到第一测量装置的第一数据，第一数据可接着直接或在最小拟合之后转换为第二数据，该第二数据看起像是已经由第二测量装置测量。
转换模型可包含一个或多个超参数。转换模型的超参数可包含来自以下组的至少一个元件：掩模类型、曝光波长、扫描仪的数值孔径(NA)、扫描仪的曝光设定。
在训练阶段和操作期间为转换模型提供一个或多个超参数。藉由包含一个或多个超参数的转换模型，有可能建立和训练覆盖广泛应用范围的转换模型。若需要，可针对特定应用对具有一个或多个超参数的已训练转换模型进行后训练。
链接到第二测量装置的第二数据可包含由第二测量装置所测量的数据和/或可包含相应的仿真数据，而不是由第二测量装置所测量的第二数据。
第一测量装置可包含成像测量装置和/或第二测量装置可包含成像测量装置。第一成像测量装置可包含在紫外光和/或深紫外光波长范围中操作的光学工具，且第二成像测量装置可包含在极紫外光(EUV)波长范围中操作的光学工具。深紫外光波长范围可包含193nm的波长。第一成像测量装置可包含AIMSTM、WLCD和/或工具。第二成像测量装置可包含AIMSTMEUV。
成像测量装置是有利的，因为它们提供图像形式的测量数据。然而，成像测量装置并不是应用已训练转换模型的先决条件。相反地，转换模型可基于足够大的训练数据记录来学习，从而将第一数据转换为第二测量装置的第二非测量数据。
第一测量装置可包含来自以下组的至少一个元件：扫描粒子显微镜、扫描探针显微镜以及干涉仪，和/或第二测量装置可包含来自以下组的至少一个元件：扫描粒子显微镜和/或光学测量工具。光学测量工具可例如包含AIMSTM工具、WLCD工具和/或工具。
举例来说，第一测量装置有可能包含扫描粒子显微镜和扫描探针显微镜。因此，有可能产生光刻工艺的元件的三维表示。
扫描粒子显微镜可包含：扫描电子显微镜、扫描离子束显微镜、扫描原子束显微镜、扫描分子束显微镜和/或x射线束显微镜。x射线束显微镜可包含扫描透射x射线束显微镜。
扫描探针显微镜可包含：扫描隧道显微镜、扫描力显微镜、磁力显微镜和/或光学近场显微镜。
第一测量装置也可能包含光学工具，即AIMSTM工具、WLCD工具和/或工具，且第二测量装置也可能包含扫描粒子显微镜和/或扫描探针显微镜。
第一数据可包含：(a)光刻工艺的元件的区域的测量数据，其具有至少一个缺陷；和/或(b)光刻工艺的元件的已修复区域的测量数据。
除了检查光刻工艺的元件以外，根据本发明的装置也可用于修复元件的一个或多个缺陷。此外，根据本发明的装置可用于在修复后扫描已修复缺陷的区域。接着，在应用已训练的转换模型之后，即在将第一测量数据转换成对应于以第二测量装置对已修复区域进行的检查的测量数据之后，可基于这些测量数据评估缺陷修复的质量。
第二数据可包含具有二维像素表示的图像。
举例来说，图像数据特别适合于能够分析缺陷修复的质量。此外，产生形式为图像数据的第二数据的根据本发明的装置适合于已建立的工作过程，其基于图像数据检查光刻工艺的元件的质量。
第二数据可包含空间像和/或空间像聚焦堆栈。
AIMSTM已成为分析光刻工艺的元件的缺陷的有力工具。由于藉由应用已训练的转换模型将第一测量装置的第一数据转换为空间像，有可能保持用于评估光刻工艺的元件的质量的已建立工作流程。然而，有可能省去制造环境中的空间像的复杂测量。
如果对光刻工艺的元件的质量分析有很高的要求，则可不是基于个别的空间像而是基于空间像聚焦堆栈来执行元件的检查。转换模型可被教导以从第一测量装置的相应第一数据组产生针对元件的区域的空间像聚焦堆栈。
第一数据和第二数据可具有相同数量的像素。为了将第一数据重现转换成第二数据，在第一测量装置的数据和第二测量装置的第二数据之间必须存在1∶1的对应关系。然而，这并不意味着第一和第二数据必须具有1∶1的像素对应关系。第一和第二数据的像素数目可不相同。此外，举例来说，第一和第二数据可具有相对彼此的系统相对位移，其可通过转换模型来被认识。
第一数据可包含使用第一测量装置的不同参数设定所记录的测量数据。
第一测量装置的不同参数设定可包含来自以下组的至少一个元件：焦点设定、聚焦堆栈的设定、曝光设定和第一测量装置的捡测器设定。
光刻工艺的元件可包含来自以下组中的至少一个元件：光刻掩模、用于纳米压印技术的模板以及晶片。
根据本发明的装置不限于分析和修复光刻掩模的缺陷。相反地，它可用于分析和修复来自纳米压印技术领域的模板以及在其各个处理阶段中的晶片。
在另一方面中，根据本发明的方法藉由下文所述的方法来解决前述问题。
用于分析光刻工艺的元件的方法可包含以下步骤：(a)使用第一测量装置记录元件的第一数据；以及(b)将第一数据转换为第二非测量数据，其对应于使用第二测量装置对元件进行检查的测量数据，其中方法包含一转换模型，其已使用多个训练的第一数据以及与其对应的第二数据进行训练，其中第二数据链接至第二测量装置。方法可例如由前文所揭露的装置中的一个来执行。
转换第一数据可包含：将使用第一测量装置的不同参数设定所记录的测量数据转换为空间像聚焦堆栈。
用于训练目的的第一数据可包含第一测量装置的测量数据，且相应的第二数据可包含第二测量装置的测量数据。用于训练目的的第一数据可包含第一测量装置的仿真数据，且相应的第二数据可包含第二测量装置的仿真数据。特别地，第二测量装置的仿真数据可包含仿真的空间像。此外，用于训练目的的第一数据可包含第一测量装置的测量数据，且相应的第二数据可包含第二测量装置的仿真数据。此外，用于训练目的的第一数据可包含第一测量装置的仿真数据，且相应的第二数据可包含第二测量装置的测量数据。
训练转换模型可包含：(a)使用用于训练目的的第一数量的第一数据和与其对应的、链接至第二测量装置的第二数据在第一步骤中训练转换模型，其中用于训练目的的第一数据包含第一测量装置的仿真数据，且与其对应的、链接至第二测量装置的第二数据包含第二测量装置的相应仿真数据；以及(b)使用用于训练目的的第二数量的第一数据和与其对应的、链接至第二测量装置的第二数据在第二步骤中训练转换模型，其中用于训练目的的第一数据包含第一测量装置的测量数据，且与其对应的、链接至第二测量装置的第二数据包含第二测量装置的测量数据。
产生第一测量装置的仿真数据可包含仿真第一测量装置的各种参数设定。产生第一测量装置的仿真数据可包含仿真光刻工艺的元件的无缺陷区域和/或元件的有缺陷区域。此外，产生第一测量装置的仿真数据可包含仿真元件的部分已修复区域。
产生第二测量装置的仿真数据可包含基于光刻工艺的元件的设计数据来仿真空间像。此外，产生第二测量装置的仿真数据可包含基于光刻工艺的元件的修改的设计数据来仿真空间像。
根据本发明另一方面，上述问题由下文所述的装置来解决。
用于检查光刻工艺的元件的至少一个区域的装置可包含：(a)用于记录区域的测量数据的测量装置；以及(b)用于将测量数据及关联于测量数据的参考数据转换为元件的质量度量的模型，该质量度量包含有关在进行光刻工艺时的元件的区域的影响的信息项；(c)其中模型已使用用于训练目的多个测量数据、关联于测量数据的参考数据以及相应的质量度量进行训练。
根据本发明的第二装置有助于根据元件的区域的测量数据和与测量数据相关的参考数据来直接确定光刻工艺的元件的质量度量。因此，根据本发明的第二装置以类似于前文所描述的根据本发明的第一装置的方式，避免测量空间像以评估用于光刻工艺的元件的质量。
根据本发明另一方面，上述问题由下文所述的装置来解决。
揭露了一种用于将使用测量装置所记录的光刻工艺的元件的区域的测量数据以及关联于测量数据的参考数据转换为元件的质量度量的装置，其中模型已使用用于训练目的多个测量数据、关联于测量数据的参考数据以及相应的质量度量进行训练。
如前段所定义的根据本发明的装置允许测量数据的测量与用于将测量数据以及与测量数据相关联的参考数据转换为光刻工艺的元件的质量度量的已训练模型的应用解耦。因此，缺陷图的确定可在时间和空间上与元件的区域的测量数据的记录分开。因此，举例来说，所讨论的根据本发明的装置可使用检查工具的测量数据和参考数据作为输入数据，并可基于这些数据来确定质量度量，质量度量作为进一步处理该元件的基础。
藉由考虑元件的各个区域的质量度量，可将元件的一区域的质量度量转换为元件的质量度量。
相应的质量度量可基于测量数据及相关的参考数据来产生。此外，可基于仿真数据和相关参考数据产生相应的质量度量。相关的参考数据可包含测量的参考数据和/或仿真的参考数据。此外，可使用预测器从设计数据产生评估，而不是参考数据。此外，预测器设计为以基于评估和测量装置的测量数据来决定元件的区域中是否存在缺陷。
质量度量可包含来自以下组中的至少一个元件：元件的区域的图像与元件的区域的参考图像之间的差异图像、包含有关在进行光刻工艺时在缺陷图中所指定的缺陷的影响的信息项的元件的区域的合格缺陷图、关于元件的区域是否可用于光刻工艺的是/否陈述。
差异图像指出元件的区域的每个像素或整个元件与参考图像的偏差。合格的缺陷图针对元件的一区域的缺陷图的每一像素或整个元件，指定像素与参考数据的偏差对光刻工艺的影响。偏差可用绝对值、相对项或偏差概率来考虑。关于元件的区域或整个元件的是/否陈述描述了区域或元件(例如光掩模)是否产生可见或作用于晶片上的缺陷。
用于转换测量数据的模型可以适合于质量测量。
测量数据可包含来自以下组的至少一个元件的数据：扫描粒子显微镜、扫描探针显微镜和干涉仪，和/或参考数据可包含元件的无缺陷区域的数据。
根据本发明的装置的优点在于，修复工具可用于光刻工艺的元件的质量评估，待分析的元件不需要相对于第二测量装置进行传输和对准。
测量数据可包含扫描电子显微镜的测量数据，和/或参考数据可包含空间像。空间像可包含测量的空间像或仿真的空间像。测量数据可转换为空间像，和/或参考数据可包含参考空间像。此外，参考数据可包含光刻工艺的元件的设计数据。
测量数据、与测量数据相关联的参考数据和合格的缺陷图可具有相同数量的像素。
空间像可包含具有多样化的光学成像条件的一系列空间像，例如，该系列空间像可包含空间像聚焦堆栈，和/或参考空间像可包含参考空间像聚焦堆栈。
光刻工艺的元件的区域可包含具有缺陷的区域和/或区域可包含已修复的缺陷。
用于训练目的的测量数据可包含元件的无缺陷区域的测量数据、可包含具有已修复缺陷的元件的区域的测量数据、和/或可包含具有不完全修复缺陷的元件的区域的测量数据。
为了全面地训练用于转换测量数据的模型，若测量数据源自无缺陷、缺陷被修复和/或其缺陷被部分地(即不完全地)修复的元件的区域，则是有利的。与源自上述元件的不同区域的测量数据相关联的参考数据可包含元件的基本上无误差但有意近似的区域的理想或近似图像，其中成像可被测量或模拟。作为其替代或补充，参考数据可包含待成像的光掩模的结构或图案元件的合适描述，例如形式为多边形列或光栅图像的设计数据。
装置可包含扫描电子显微镜，其实施以扫描光刻工艺的元件且其更实施以修复光刻工艺的元件的缺陷。
一方面，电子束适合用于光刻工艺的元件的区域的高准确度扫描，另一方面，可在电子束的协助下有效地修复元件的缺陷。若有可能在提供参考数据的情况下将电子束所产生的图像转换成质量度量，则可再次提高改进的扫描电子显微镜的能力，在此基础上可作出关于元件是否需要修复的决定。
转换模型可包含机器学习的模型。用于转换测量数据的模型可包含机器学习的模型。
用于转换测量数据的模型的训练可包含：将用于训练目的的测量数据以及关联于测量数据的参考数据与相应的质量度量进行比较。
相应的质量度量的产生可包含：测量相应的测量的质量度量或仿真相应的仿真的质量度量。测量相应的测量的质量度量可包含测量空间像并将空间像与参考空间像进行比较。参考空间像可包含测量参考空间像和/或仿真参考空间像。仿真相应的仿真的质量度量可包含仿真空间像并将后者与参考空间像进行比较。
仿真的空间像的产生可包含：藉由数值地求解Maxwell方程来执行严格的模拟，其中使用光刻工艺的元件的设计数据和/或修改的设计数据作为输入数据，和/或在Kirchhoff模型的协助下进行仿真，其中使用光刻工艺的元件的设计数据和/或修改的设计数据作为输入数据。
将用于训练目的的测量数据以及关联于测量数据的参考数据与相应的质量度量进行比较可包含逐像素的比较。此外，可基于临界尺寸(CD)和/或图像对比度来实现用于训练目的的测量数据以及关联于测量数据的参考数据与相应的质量度量的比较。
测量数据的像素、用于训练目的的测量数据的像素，关联于测量数据或用于训练目的的测量数据的参考数据的像素，以及相应的质量度量的像素可包含灰阶值表示。像素的位数可包含1位到8位的范围，较佳为1位到16位、更佳为1位到32位且最佳为2位到64位。
装置可包含计算单元，其实施为执行已训练的转换模型和/或用于转换目的的已训练模型。装置可包含计算单元，其进一步实施为训练转换模型和/或用于转换目的模型。
机器学习模型可包含来自以下组的至少一个元件：参数映射、人工神经网络(ANN)、深度神经网络(DNN)、时间延迟神经网络、卷积神经网络(CNN)、递归神经网络(RNN)、长短期记忆(LSTM)网络和生成模型。
机器学习模型可包含：(a)至少一个编码器块，用于从元件的第一数据或元件的区域的测量数据来确定信息承载特征；(b)至少一个译码器块，用于将第一数据转换成第二非测量数据(其对应于使用第二测量装置对元件进行测量的测量数据)、或用于将测量数据及关联于测量数据的参考数据转换为质量度量，其包含关于元件的区域对执行光刻工艺时的影响的信息。
机器学习模型可包含：(a)两个或更多个编码器层，用于从第一数据确定信息承载特征；(b)两个或多个译码器层，用于产生第二非测量数据，其对应于第二测量装置对元件进行检查的测量数据。
机器学习模型可包含：(a)两个或更多个编码器层，用于从区域的测量数据来确定信息承载特征；(b)两个或多个译码器层，用于将区域的测量数据和与测量数据相关的参考数据转换为元件的质量度量。
装置可实施为适合于转换模型和/或用于将测量数据转换为第二非测量数据的预定准确度的模型的多个编码器层和/或译码器层。
此外，装置可实施为适合转换模型和/或用于将测量数据转换为元件的缺陷图的预定准确度的模型的多个编码器层和/或译码器层。
转换模型和/或模型的至少一个层的输出可使用作为转换模型和/或用于转换测量数据的模型的至少一个非相邻层的输入。
转换模型和/或用于转换测量数据的模型可实施为提供编码器的至少一个层的输出作为译码器的至少一个层的输入。编码器层的输出可提供给译码器的相应层作为输入。
藉由将一个或多个编码器层的结果提供给转换模型和/或用于转换测量数据的模型的一个或多个相应译码器层，至少部分地克服了中心特征层的瓶颈。结果，可保持输入数据的空间信息，导致在转换模型和/或模型的编码器的输出处的输出数据的更高空间准确度。作者O.Ronneberger、P.Fischer及T.Brox在文章”U-Net：用于生物图像分割的卷积网络(U-Net：Convolutional networks for biomedical image segmentation)(18thIntern.Conf.on Medical Image Computing and Computer-Assisted Intervention(MICCAI)，5-9October 2015，in Munich)”中藉由医学数据的像素精确分割来验证此关系。
转换模型和/或用于转换测量数据的模型可实施为提供编码器的至少一个层的输出作为编码器的至少一个下一层或更远的一层的输入，和/或译码器的至少一个层的输出可提供作为译码器的至少一个下一层或更远的一层的输入。
通过缩短编码器的两个非相邻卷积层的输出，将非相邻编码器层的结果结合(例如，相加或连接)并一起提供给后续编码器层。因此，可使用具有更多层的生成模型的形式可靠地训练转换模型或用于转换的模型，其有助于更高的成像准确度。作者K.He等人在文章“用于图像识别的深度残差学习(Deep residual learning for image recognition)(IEEE Conf.on Computer Vision and Pattern Recognition(CVPR)，June 26-July 1，2016，Las Vegas，Nevada，USA，pages 770-778)”中报告了有关藉由层数高达152层的编码器-译码器架构的前馈布线来改良完全卷积网络FCN的训练行为。
转换模型和/或用于转换测量数据的模型可实施为在块中配置执行相同功能的两个或更多个层，并将在块处的输入提供给块内的每一层，并在块的输出处组合块的每一层的输出。
块内的层可包含卷积层。此外，块可包含在每一层之后的组合节点，组合节点组合两个或更多个层的输出。块可包含四层和四个组合节点。
转换模型和/或用于转换测量数据的模型可实施为将一个或多个块安装到编码器中和/或将一个或多个块安装到译码器中并使用编码器的一个块或多个块作为译码器的一个块或多个块的额外输入。
转换模型和/或用于转换测量数据的模型(其包含两个或更多个前文所定义的块)扩展了编码器-译码器架构内的数据流。结果，与传统编码器-译码器系统相比，首先改善了空间分辨率，其中仅相邻层连接，并同时改进了转换模型或模型的可学习性。作者S.Jégou等人在出版物“一百层Tiramisu：用于语意分割的全卷积DenseNets(The One HundredLayers Tiramisu：Fully Convolutional DenseNets for Semantic Segmention)(Computer Vision and Pattern Recognition，December 5，2016，arXiv：1611.09326)”中描述了前文定义的块及其在CNN中的安装，用于解决语义图像分割的问题。
可将第一和至少一个第二精炼模块插入到转换模型和/或用于转换测量数据的模型的编码器中，可在每一分群步骤后获得输出作为输入，其中至少一个第二精炼模块额外地接收第一精炼模块的输出。
可将第一和至少一个第二精炼模块插入编码器中，可在每一汇集步骤后获得输出作为输入，其中至少一个第二精炼模块额外地接收第一精炼模块的输出。精炼模块可包含输出卷积单元。
精炼模块使用编码器内的卷积运算的不同细节阶段并将这些阶段融合，以进行高度解析的预测。作者G.Lin等人在文章“RefineNet：使用多路径精炼网络进行高分辨率语义分割(RefineNet：Multi-path refinement networkd for high-resolution semanticsegmentation)(IEEE Cent.on Computer Vision and Pattern Recognition(CVPR)，June26-July 1，2016，Las Vegas，Nevada，USA，arXiv preprint arXiv：1611.09326)”中描述了上述精炼模块及其在CNN(卷积神经网络)的编码器中的用途。
如果质量测量包含关于元件的区域是否可用于光刻工艺的是/否陈述，则用于转换测量数据的模型可包含编码器块和映射模型，其将测量数据的信息承载特征映射至类别概率。编码器块可包含多个卷积运算和汇集运算。映射模型可包含多层感知器(MLP)。在上述边界条件下，用于转换测量数据的模型也可包含深度卷积神经网络(CNN)，其在其输出处具有一个或多个完全连接层。在完全连接层的情况下，提供一层的输出作为所有后续层的输入。
根据本发明另一方面，上述问题由下文所述的方法来解决。
用于检查光刻工艺的元件的至少一个区域的方法可包含以下步骤：(a)以测量装置记录区域的测量数据；以及(b)应用用于将测量数据及关联于测量数据的参考数据转换为元件的质量度量的模型；(c)其中模型已使用用于训练目的多个测量数据、关联于测量数据的参考数据以及相应的质量度量进行训练。质量度量可包含关于在执行光刻工艺时元件的区域的影响的信息项。
步骤b可更包含以下步骤：基于质量度量释放用于光刻工艺的元件。
评估质量测量可包含将缺陷或修复后留下的缺陷与一个或多个预定临界值进行比较。基于比较，有可能确定元件是否可被释放以在光刻工艺中使用、是否应进行进一步的修复程序、或是否应该丢弃。
训练转换模型和/或用于转换测量数据的模型可包含监督式学习。监督式学习在C.M.Bishop的书“模式识别与机器学习(Pattern Recognition and Machine Learning)(Springer 2006，ISBN-10：0-387-31073-8)”中有所描述。
训练转换模型和/或用于转换测量数据的模型可包含决定机器学习模型的可学习参数。训练转换模型和/或用于转换的模型可包含决定卷积层和反卷积层的滤波器屏蔽的条目。
用于转换目的的模型的训练可包含：(a)在第一步骤中使用元件的区域的第一数量的测量数据(用于训练目的)、关联于测量数据的参考数据、以及相应的质量度量来训练用于转换目的的模型，其中测量数据和相关的参考数据包含仿真的测量数据和仿真的相关参考数据；以及(b)在第二步骤中使用元件的区域的第二数量的测量数据(用于训练目的)、关联于测量数据的参考数据、以及相应的质量度量来训练用于转换目的的模型，其中测量数据包含已测量的测量数据，且相关的参考数据包含已测量的参考数据，且其中第一步骤在第二步骤之前执行。
用于训练目的的数据记录的第一数量可大于用于训练目的的数据记录的第二数量。用于训练目的的数据记录的第一数量可比用于训练目的的数据记录的第二数量大10倍。
此外，训练用于转换目的的模型可包含执行步骤a及步骤b至少两次。
附图说明
下文的详细说明将参照附图描述本发明的当前较佳示例性具体实施例，其中：
图1示意性地再现了用于评估光刻工艺的元件的质量的当前工作流程；
图2a示意性地显示了在训练阶段期间具有输入层、输出层和相关输入和输出数据的转换模型的示例；
图2b示意性地再现了在操作阶段期间的图2a的示例性转换模型；
图3a示意性地再现了在训练阶段期间具有输入层、输出层和相关输入数据和输出数据的用于转换目的的模型的示例；
图3b示意性地显示了在操作阶段期间图3a的用于转换目的的模型；
图4示意性地显示了通过第二测量装置的截面；
图5示意性地显示了通过根据本发明的装置的截面；
图6示意性地显示了本申请中所描述的本发明第一实施例的工作流程相对于图1中所解释的工作流程的变化；
图7示意性地显示了本申请中所描述的本发明第二实施例的工作流程相对于图1中所描述的工作流程的变化；
图8示意性地阐明了质量测量的各种表示；
图9显示了用于在已训练转换模型的协助下藉由从第一数据产生第二非测量数据来分析光刻工艺的元件的第一方法的流程图，其中第二非测量数据对应于由第二测量装置对元件进行测量的测量数据，第一数据由第一测量装置所测量；以及
图10显示了用于藉由在已训练模型的协助下将测量装置的测量数据和相关的参考数据转换成质量度量来检查光刻工艺的元件的至少一个区域的第二方法的流程图。
具体实施方式
在将扫描电子显微镜的测量数据转换成空间像以及产生合格的缺陷图的基础上、或在基于用于光刻掩模的扫描电子显微镜的测量数据及相应的参考数据的质量测量的基础上，更详细地解释了根据本发明的装置和根据本发明的方法的当前较佳实施例。然而，根据本发明的方法和装置并不限于扫描电子显微镜的测量数据的应用。相反地，根据本发明的装置和方法可用于转换任何扫描粒子显微镜或光学显微镜的测量数据。此外，本申请中所描述的装置和方法可用于转换测量数据或从扫描探针显微镜的测量数据产生合格的缺陷图或质量度量。
此外，根据本发明的装置和方法的应用不限于下文描述的光掩模；这些仅应视为光刻工艺的元件的一个例子。相反地，该装置和方法可应用于光刻工艺的其他元件，例如纳米压印光刻的模板或模具，其可用于代替光掩模。此外，根据本发明的方法和装置可用于在其处理过程期间评估晶片的质量。通常，本申请中描述的装置和方法可用于分析其缺陷可被成像或其相应的参考数据数据存在的物体。
图1示意性地显示了用于修复光掩模的缺陷的当前工作流程。在第一步骤中，使用光学检查系统发现光刻掩模的缺陷，或更一般地，发现光刻工艺的元件的缺陷。接着，使用光学测量系统在必要时详细测量所识别的缺陷。缺陷可包含光掩模的一个或多个图案元件的放置误差。此外，缺陷可包含掩模的一个或多个图案元件的缺失或多余材料。此外，缺陷可包含超过光刻掩模的一个或多个图案元件的临界尺寸(CD)的限制。举例来说，光学测量系统可包括AIMSTM(空间像计量系统)工具、WLCD工具和/或工具。
在下一步骤中使用修复工具修复已识别的缺陷。修复工具的示例将在图5的上下文中作详细的描述。
在已修复缺陷后，藉由光学测量系统再次分析修复的位置，以检查修复是否已产生预期结果。为此，将修复位置的测量数据与参考数据进行比较。参考数据是光刻掩模的一区域的数据，其具有与有缺陷区域相同的图案元件，但是没有缺陷。作为分析过程的结果，产生缺陷图或缺陷概率图。
图2a的示意图295示意性地示出了转换模型205的训练，其在后续操作期间将由第一测量装置所测量的测量数据转换为第二非测量数据。在转换模型205可从测量数据产生转换的第二数据之前，必须通过全面的数据记录或训练数据记录来训练转换模型205用于此目标。在训练阶段期间，训练中的转换模型205或学习转换模型从用于训练目的的第一数据235产生转换的第二数据255的预测。将预测的转换的第二数据255与链接到第二测量装置的训练数据记录的相应第二数据265进行比较。这由图2a中的双头箭头270表示。
用于训练的测量数据235和测量数据在训练中的转换模型205和已训练的转换模型的训练和操作过程中经由输入层210提供，且训练中的转换模型205经由输出层220输出转换的第二数据255的预测。
取决于所选择的转换模型，存在用于在训练阶段中拟合转换模型205的参数的各种方法。已针对DNN(深度神经网络)建立了“随机梯度下降”迭代技术，其具有多个参数。在这样做时，训练数据重复地“呈现”到学习转换模型205，即学习转换模型205使用当前的参数集从用于训练目的的第一数据235计算转换的第二数据255的预测，并将转换的第二数据255与训练数据记录的相应第二数据265进行比较，其中第二数据265链接到第二测量装置。举例来说，此比较可逐像素地实现。如果在预测的第二转换数据255和链接到第二测量装置的相应第二数据265之间出现偏差，则拟合学习转换模型205的参数。训练阶段通常在达到局部最优时结束，即，预测的转换的第二数据255与链接至第二测量装置的相应第二数据265的配对的偏差不再变化，或在学习转换模型205的训练周期的预定时间预算已用完或在预定数量的训练步骤之后。或者，当使用单独的验证数据记录时，当验证准确度显著下降时(这是转换模型205过度拟合的指示)，可完成转换模型205的训练过程。
用于训练目的的第一数据235可包含由第一测量装置所测量的测量数据。用于训练目的的第一数据235还可包含用于第一测量装置的仿真数据。链接到第二测量装置的相应第二数据265可包含由第二测量装置所测量的第二数据。此外，链接到第二测量装置的相应第二数据265可包含相应的仿真数据，而不是由第二测量装置所测量的第二数据。此外，用于训练目的的第一数据235可包含由第一测量装置所测量的数据，且链接到第二测量装置的相应的第二数据265可包含第二测量装置的仿真数据。
图2b的示意图290示意性地显示了已训练的转换模型200的操作，其将由第一测量装置所测量的测量数据230转换为第二非测量数据250。测量数据230经由输入层210提供给已训练的转换模型200。通过其输出层220，已训练的转换模型200提供第二非测量数据250。
图3a的示意图395示意性地显示了训练过程，以训练在用于针对其目标转换测量数据的训练中的模型305。对于在用于转换目的的训练中的模型305，如图3a所示，训练数据包含用于训练目的的测量装置的测量数据335和与用于训练目的的测量数据335相关联的参考数据345作为输入数据，其提供至学习模型305的输入层310。学习模型305从用于训练目的的测量数据335和相关的参考数据345来预测光掩模的区域的质量度量355，或更一般地，预测光刻工艺的元件的区域的质量度量355。预测的质量度量355与训练数据记录的相应质量度量365进行比较。在图3a中，通过双头箭头370再次阐明了预测的质量度量355与相应质量度量365之间的比较。用于转换测量数据330的学习模型305的训练过程以与图2a的上下文中所描述的训练中的转换模型205的训练过程类似的方式来实施。因此，此处参考图2a的描述。
图3b的示意图390示意性地显示了用于转换测量数据330的已训练模型300的操作。测量数据330和相关参考数据340经由输入层310提供给训练模型300。在输出层320的输出处，已训练模型300提供光刻掩模的质量度量350。
在下文中，分别用元件符号200和300表示通用和已训练的转换模型或用于转换目的的模型。学习转换模型和用于转换目的的学习模型分别由元件符号205和305表示。
转换模型200和/或用于转换目的的模型300可包含机器学习的模型。转换模型200和/或用于转换目的的模型300可包含人工神经网络(ANN)。ANN可包含深度神经网络。有利的是，使转换模型200和/或用于转换测量数据330的模型300适合于已转换的第一数据250或质量度量350的所需预测准确度。举例来说，调适转换模型200或用于转换测量数据330的模型300可藉由适当选择机器学习的模型的层数来实现。作为其替代或补充，有利的是，使转换模型200和/或用于转换测量数据330的模型300的功能描述适合于要解决的目标，具体地说，第一数据230转换为第二数据250或测量数据330和相关参考数据340转换为光刻掩模的质量度量350。
输入图像的像素数目可落在32×32到2048×2048像素的范围内。发现224×224到2048×2048像素的范围是特别有利的。转换模型200或用于转换测量数据330的模型300的输入层210和310适合于输入图像的大小。同样地，转换模型200或模型300的卷积层和汇集层的数量适合于输入层的大小。此外，转换模型200和用于转换测量数据330的模型300的自由模型参数的数量适合于待解决的目标的复杂性。除了模型200、300的训练以外，这些可在使用之前由验证数据记录进行验证。
图4示意性地显示了穿过光学测量系统400或第二测量装置400的截面，其可用于决定用于训练目的并链接到第二测量装置400的第二数据265。此外，光学测量系统400可用于产生相关参考数据340、用于训练目的的相关参考数据345和相应的缺陷图365，其为用于训练模型300目的所需的。因此，光学测量系统400产生针对转换模型200或用于转换目的的模型300的用于训练目的的相应数据265或质量度量365，并另外地产生与测量数据330或用于训练目的测量数据335相关的参考数据340或用于训练目的的相关参考数据345。第二测量装置400或测量装置400可产生形式为空间像420的数据265、340和345。此外，空间像420可用作用于建立相应质量度量365的输入数据。
装置400包含计算机系统410，其经由连接480而链接到测量装置450。连接480可以有线或无线的方式实现。在图4所示的示例中，测量装置450藉由相互作用460来检查光刻掩模470。掩模470可为透射或反射掩模。光掩模470可包含任何掩模类型。图4的光掩模470为光刻工艺的元件470的示例。
测量装置450可为成像测量装置450。在图4所示的示例中，测量装置450包含AIMSTM或AIMSTM EUV，即用于极紫外波长范围的AIMS。然而，测量装置450也可能实施为工具(图4中未示出)。使用在光化波长或光化波长附近的光的AIMSTM较佳作为测量装置450，因为测量装置450产生的光掩模470的空间像非常接近掩模470的图像(其由掩模470在光刻工艺期间在施加到晶片的光刻胶剂中产生)。
测量装置450可用于藉由改变焦平面来产生空间像聚焦堆栈。结果，测量装置450有助于掩模470的空间像聚焦堆栈的测量。
除了藉由与光子的相互作用460来分析掩模470并产生空间像420的成像测量装置450以外，测量装置450也可在中性或带电粒子束(图4中未示出)的协助下与掩模470相互作用460，且可基于反射的和/或透射的中性和/或带电粒子产生与第二测量装置400链接的相应第二数据265或用于样品(例如光刻掩模470)的相应质量度量365的测量数据。
计算机系统410通过连接480控制测量装置450。此外，计算机系统410通过连接480接收测量装置450的测量数据。图4的计算机系统410可从测量装置450的测量数据产生空间像420。
此外，图4所示的光学测量系统400或第二测量装置400的计算机系统410包含接口435，其中计算机系统410可藉由接口435与另外的测量装置交换数据。接口435可为连接到内部网络或因特网的无线或有线通讯接口，或可将该无线或有线通讯接口提供给另一个测量装置。此外，接口435可包含数据媒体驱动器。
此外，计算机系统410可包含机器学习的模型，例如转换模型200和/或用于转换目的的模型300。此外，计算机系统410可包含内存440，其储存链接到第二测量装置400的相应第二数据265和/或相应的质量度量365，即用于训练中的转换模型205和/或训练中的用于转换目的的模型的训练数据记录的第二部分。计算机系统410可藉由接口435接收训练数据记录的第一部分，即，用于训练目的的第一数据235和/或用于训练目的的测量数据335以及与用于训练目的的测量数据335相关的参考数据345。可基于这些训练数据针对其目标来训练转换模型200和/或模型300。
为了能够有效地训练并也有效地操作转换模型200或模型300，有利的情况为图4中所示的示例性计算机系统410包含一个或多个功能强大的图形处理器(GPU，图形处理单元)或其他目标优化计算机硬件(例如Google的张量处理单元(TPU)(图4中未示出)。
如前文所解释，装置400可用于产生链接到第二测量装置400的相应第二数据265，该第二数据能够使用作为用于训练转换模型200的训练数据记录的一部分。此外，装置400或第二测量装置400可用于产生相应的质量度量365，其为用于转换目的的模型300的训练数据记录的一部分。此外，第二测量装置400可用于决定与用于训练目的的测量数据335相关的参考数据345。一方面，藉由使用测量装置450的测量，可产生相关的参考数据345。接着，可得到形式为参考空间像的相关参考数据345。另一方面，计算机系统410可藉由从光刻掩模470的设计数据490仿真来产生与第二测量装置400相关的参考数据345。设计数据490可储存在计算机系统410的内存440中或由计算机系统410经由接口435接收。
用于确定用于光刻掩模470的相应质量度量365的当前常用方法针对要在第一具体实施例的第一步骤中检查的掩模470的一区域提供了形式为参考空间像的相关参考数据345的决定。若掩模470包含许多区域或部分面积，或者至少其中多个(其包含相同的图案元件配置)，则可选择掩模470的无缺陷区域以记录形式为参考空间像的相关参考数据345。举例来说，AIMSTM形式的测量装置450可用于测量空间像，因此也可用于测量参考空间像。
如果具有相同配置的图案元件的区域或部分面积不在掩模470上重复，或者仅以非常长的间隔重复，则上述用于决定形式为参考空间像的相关参考数据345的方法(所谓的裸芯到裸芯方法)无法被使用或只能在很高的成本下被使用，即在相对长时间搜寻合适的参考之后。在这种情况下(但也独立于此)可用于产生参考空间像的方法是所谓的裸芯到数据库方法，其中用于训练目的的相应第二数据265(其链接到第二测量装置400)，和/或形式为参考空间像的相关参考数据345藉由从设计数据490(例如布局数据)进行光学成像仿真(显现(rendering))而获得。在从头算(ab initio)或严格模拟的协助下，计算掩模470的参考空间像形式的理想相关参考数据345。
从头算模拟考虑了测量装置450的照明辐射(即入射在光掩模470上的电磁波)与光掩模470的结构或图案元件的光学相互作用(散射、衍射、吸收、反射)，以及随后基于Maxwell方程式以数字严谨的方式将掩模470上游或下游的透射的和/或反射的电磁场传播到测量装置450的检测器平面中。这意味着通过适当的数值方法在三个维度上针对各自的边界条件求解Maxwell方程。这代表了特别的挑战，特别是对于掩模470而言，其结构或图案由于光掩模470的不同材料而对照明辐射呈现为三维。
假设掩模结构为二维且衍射波自由传播的简化模型被称作“Kirchhoff模型”或“标量成像模型”。基于Kirchhoff模型模型对连接至第二测量装置400的相应第二数据265以及用于训练目的且关联于测量数据335的形式为参考空间像的参考数据345的仿真可加快几个数量级的速度来进行仿真，尽管它可能不足以准确地成像掩模470的所有缺陷。
图5显示了穿过装置500的一些重要部件的示意剖视图。装置500可包含上述第一测量装置500，用于记录第一数据230和/或用于记录用于训练目的的第一数据235。此外，装置500可包含用于记录光刻工艺的元件的区域的测量数据330的测量装置500，例如光掩模470。此外，测量装置500可用于记录用于训练目的的测量数据335。测量数据235、335可用作已训练的转换模型200和/或已训练模型300的输入数据。此外，用于训练目的的测量数据235、335可用作学习转换模型205和/或学习模型305的输入数据。
图5中所示的示例性装置500包含扫描粒子显微镜510，其实施为图5中的修改的扫描电子显微镜(SEM)510。电子枪512产生电子束514，其作为聚焦电子束由配置于柱516中的成像元件(未示于图5中)指引至可包含掩模470的样品520上的位置518上。样品520配置在样品台522(或台)上。此外，SEM 510的柱516的成像元件可在样品520上扫描电子束514。因此，可使用第一测量装置500的SEM 510的电子束514来记录或测量第一数据230和/或用于训练目的的第一数据235。此外，测量装置500的SEM 510的电子束514可用于记录测量数据330和/或用于训练目的的测量数据335。
由样品520从电子束514反向散射的电子和由电子束514在样品520中产生的次级电子由检测器524记录。配置在电子柱516中的检测器524称作“透镜内检测器”。在各种实施例中，检测器524可安装在柱516中。检测器524由装置500的控制装置526控制。
控制装置526和/或计算机系统528可在样品520或掩模470上扫描电子束514，以分析光掩模470和/或检查光掩模470的区域，例如光刻掩模470的已修复区域。此外，SEM 510的控制装置526接收检测器524的测量数据。控制装置526可从测量数据产生图像，该图像呈现于监视器580上。此外，装置500的控制装置526可藉由电子束514修改样品520的曝光。因此，举例来说，可沿光束方向修改电子束514的焦点。此外，控制装置526或计算机系统528可改变电子束514在样品520上的入射角。为此目的，除了在样品平面中的移动选项外，样品台522可绕电子束514的轴倾斜(未示于图5中)。
已训练的转换模型200不仅可产生看起来像是由AIMSTM测量的空间像，而且也可从第一数据的综合数据记录产生空间像聚焦堆栈。
作为其替代或补充，SEM 510可具有用于反向散射的电子或用于次级电子的检测器530，该检测器配置在电子柱516的外部。检测器530同样由控制装置526控制。
除了分析和检查样品520以外，SEM510的电子束514也可用于修改掩模470的图案的至少一个或多个图案元件。为此，控制装置526或计算机系统528可包含一个或多个算法，其促使扫描电子显微镜510修复光掩模470的一个或多个图案元件。图5的示例性扫描电子显微镜510具有三个不同的供应容器535、540和545，用于修复掩模470的图案元件的目的。
举例来说，第一供应容器535储存第一前驱气体，例如金属羰基(例如六羰基铬(Cr(CO)6))、或金属醇盐(例如TEOS(四乙氧基硅烷))。在储存于第一供应容器535中的前驱气体的协助下，图案元件的缺失材料可在局部化学反应中沉积在光掩模470上，其中SEM 510的电子束514作用为能量供应器，以在材料应沉积于掩模470上的位置处将储存在第一供应容器535中的前驱气体分离。这意味着电子束514和前驱气体的联合提供导致EBID(电子束诱导沉积)过程被执行，以在掩模470上局部沉积吸收材料。
电子束514可聚焦到数纳米的光点直径上。因此，EBID过程允许空间分辨率在低两位数纳米范围内的吸收材料的局部沉积。
在图5所示的装置500中，第二供应容器540储存蚀刻气体，这使得有可能执行局部电子束诱导蚀刻(EBIE)过程。在电子束诱导蚀刻过程的协助下，可从光掩模470移除一个或多个图案元件的过量吸收材料。举例来说，蚀刻气体可包含二氟化氙(XeF2)、氯气(Cl2)、氧气(O2)、臭氧(O3)、水蒸气(H2O)、过氧化氢(H2O2)、一氧化二氮(N2O)、氮氧化物(NO)、二氧化氮(NO2)、硝酸(HNO3)、氨(NH3)或六氟化硫(SF6)。
添加剂气体可储存在第三供应容器545中，该添加剂气体必要时能够添加到第二供应容器540中保持可用的蚀刻气体中或添加到储存在第一供应容器535中的前驱气体中。或者，第三供应容器545可储存第二前驱气体或第二蚀刻气体。
在图5所示的扫描电子显微镜510中，每一供应容器535、540和545具有其自己的控制阀536、541和546，以监视或控制每单位时间提供的相应气体的量，即电子束514在样品520上入射的位置518处的气体体积流。控制阀536、541和546由控制装置526控制和监视。使用它，有可能设定在处理位置518处提供的气体的分压条件，以在广泛的范围内改变一个或多个图案元件。
此外，在图5中的示例性SEM 510中，每一供应容器535、540和545具有其自己的气体供给管线系统537、542和547，其在电子束514在样品520上的入射点518附近以喷嘴538、543和548结束。
供应容器535、540和545可具有它们自己的温度设定元件和/或控制元件，这允许相应的供应容器535、540和545的冷却和加热。这使得有可能在相应最佳温度下储存且特别是提供前驱气体和/或蚀刻气体(图5中未示出)。控制装置526可控制供应容器535、540、545的温度设定元件和温度控制元件。当藉由EBID和/或EBIE过程来处理样品520或掩模470时，供应容器535、540和545的温度设定元件可进一步用于藉由选择适当的温度来设定储存在其中的前驱气体的蒸气压。
图5中所示的扫描电子显微镜510可在环境条件下或在真空室550中操作。修改掩模470的图案元件需要相对于环境压力减小在真空室550中的压强。为此目的，图5中的SEM510包括泵系统552，用于产生和维持真空室550中所需的减压。使用关闭的控制阀536、541和546，在真空室550中达到小于10-4Pa的残余气体压。泵系统552可包单独的泵系统，用于真空室550的上部554以提供SEM 510的电子束514以及用于下部556或反应室556(未示于图5中)。
另外，图5中所示的示例性装置500包括扫描探针显微镜560，其在装置500中以扫描力显微镜560或原子力显微镜(AFM)560的形式实施。扫描探针显微镜560为装置500的选择性部件。使用扫描探针显微镜560，有可能分析或检查光掩模470的轮廓，特别是其缺陷或其已修复的缺陷。此外，有可能使用AFM 560来移除光掩模470的一个或多个图案元件的多余材料。
在图5的装置500中绘示了扫描探针显微镜560的测量头562。测量头562包含保持装置565。测量头562藉由保持装置565固定在装置500的框架上(未示于图5中)。压电致动器567有助于压电致动器567的自由端在三个空间方向上的移动(图5中未示出)，其中压电致动器567附接到测量头562的保持装置565上。弯曲杆570或悬臂570固定在压电致动器567上的自由端。悬臂570具有保持板，用于附接到压电致动器567。悬臂570的自由端有测量尖端572，藉由测量尖端572可探测样品520。
在图5的装置500中，待检查样品520(例如，光掩模470)固定到样品台522。待检查样品520的样品表面575指向远离样品台522。举例来说，样品520可藉由将样品520放置在真空或高真空环境中的样品台522的支承点上或藉由样品台522和样品520的导电后侧之间的静电相互作用来固定。此外，样品520可藉由夹紧(图5中未示出)来保持在样品台522上。
如图5中的箭头所示，藉由定位系统577，样品台522可相对于AFM 560的测量头562和/或电子束514的入射点518在三个空间方向上移动。在图5中的示例中，定位系统577以多个微操纵器或位移元件的形式实施。样品台522在样品平面(即在xy-平面，其垂直于电子束514的光束方向)中的移动可由两个干涉仪(图5中未示出)来控制。在替代实施例中，定位系统577可另外包含压电致动器(图5中未示出)。定位系统577由控制装置526的信号控制。在替代实施例中，控制装置526并不移动样品台522，而是移动AFM 560的测量头562的保持装置565。此外，控制装置526有可能执行样品520在高度(z方向)上的粗略定位，且测量头562的压电致动器567有可能执行AFM 560的精确高度设定。控制装置526可为装置500的计算机系统528的一部分。
为了藉由AFM的测量尖端572来分析样品520(例如光掩模470)、或为了检查一区域(例如掩模470的已修复区域)，控制装置526或计算机系统528可具有作用在装置500上的一个或多个算法。
AFM 560可用于产生第一数据230或用于第一测量装置500的训练目的的第一数据235。此外，AFM 560可用于产生测量数据330或用于光掩模470的至少一个区域的训练目的的测量数据335。此外，有可能藉由组合由SEM 510的电子束514所测量的数据与由AFM 500的测量头562所测量的数据来产生第一数据230或用于训练目的的第一数据235。此外，光掩模470的区域的测量数据330和/或用于训练目的的测量数据335同样可藉由组合由SEM 510和AFM 560所测量的数据来合成。藉由组合测量仪器510和560的测量数据，有可能产生样品520的真实三维图像。
第一测量装置500的计算机系统528或测量装置500包含接口582，藉由该接口，装置500可与第二测量装置400交换数据。此外，第一测量装置500的计算机系统528或测量装置500具有内存585。已训练的转换模型200和/或用于转换目的的已训练模型300可储存于内存585中。第一测量装置500的计算机系统528可应用已训练的转换模型200，以例如将由SEM 510的电子束514所测量的第一数据230转换为第二非测量数据250。在图5所示的示例中，第二数据250包含光掩模470的区域或部分的空间像。
与测量数据330相关联的参考数据340可储存于测量装置500的计算机系统528的内存585中。计算机系统528可经由接口582接收相关联的参考数据340。此外，用于转换目的的训练模型300可储存于计算机系统528的内存585中。因此，测量装置500的计算机系统528被置于使用用于转换目的训练模型300的位置，用于从测量数据330(其例如由SEM 510所测量)及储存的相关参考数据340来预测光掩模470的一区域的质量度量350，或用于将输入数据(即测量数据330和参考数据340)转换为质量度量350。
与第二测量装置400链接的相应第二数据265可储存于第一测量装置500的计算机系统528的内存585中，作为转换模型200的训练数据记录的一部分。结果，第一测量装置500的计算机系统528满足用于训练转换模型200以用于其输出的所有前提条件，即将第一数据230转换为转换的第二非测量数据250。这意味着计算机系统528可在储存于内存585中的训练数据记录的协助下训练转换模型200。为此，若(如前文所解释)计算机系统528包含一个或多个功能强大的图形处理器和/或其他专用硬件(未示于图5中)，则是有利的。
此外，除了测量数据330和相关的参考数据340以外，相应的质量度量365也可储存在测量装置500的计算机系统528的内存585中。因此，测量装置500的计算机系统528可基于测量数据335(用于训练目的)以及相关参考数据345(作为输入数据)以及储存的相应质量度量365(作为模型305在训练中预测的质量度量355的比较数据)来训练模型300。
图5的装置500可被认为是用于记录第一数据230或用于训练目的的第一数据235的第一测量装置500。然而，也有可能将装置500的SEM 510和/或AFM 560解释为第一测量装置500。此外，装置500可被认为是用于记录光掩模470的区域的测量数据的测量装置。然而，也有可能将装置500的SEM 510和/或AFM 560视为用于记录光掩模470的区域的测量数据的测量装置。
训练中的转换模型205的训练数据记录较佳为包含103到108个数据对。训练中模型305的训练数据记录同样较佳为包含103到108个数据三元组。
图6的流程图600示意性地显示了根据本申请中描述的本发明的第一示例性实施例的用于修复光掩模470的缺陷的流程图。图6中以较厚边缘的方法步骤来突显与当前传统工作流程相关的修改。工作流程开始于块610。在步骤620中使用光学测量系统400检查光掩模470(或更一般地，光刻工艺的元件470)的缺陷，该缺陷先前已由检查系统发现或识别。
在下一步骤630中，使用修复工具修复光刻掩模470(或更一般地，光刻工艺的元件470)的缺陷。为此，可使用装置500，特别是使用改进的SEM 510。
在步骤640中由修复工具500测量光掩模470的已修复缺陷或已修复位置。与图1中说明的工作流程相反，掩模470的已修复位置并不是使用光学测量系统400来测量，而是使用修复工具500、510的SEM 510的电子束514来测量。除了SEM 510的电子束514以外，AFM560的测量尖端572可额外地或替代地用于检查掩模470的修复位置。这意味着修复工具500、510记录第一数据230。
于是，在步骤650中使用已训练的转换模型200将第一数据230(即，例如，修复工具500的SEM 510的测量数据230)转换为第二非测量数据250，即转换为对应于使用第二测量装置400或光学测量系统400对光掩模470的测量的测量数据250，例如，空间像420。
在步骤660中，藉由与参考数据(例如由第二测量装置400产生的参考空间像)比较来分析已转换的第一数据250。在下一步骤670中，基于已转换的第一数据250和参考数据，产生针对光掩模470的一合格缺陷图。合格缺陷图包含关于当在曝光程序期间光掩模470对施加到晶片的光刻胶进行成像时的缺陷图中所指定的缺陷的影响的信息项。最后，方法在步骤680结束。
图7的流程图700示意性地示出了根据本申请中所描述的本发明的第二示例性实施例的光掩模470的缺陷的修复的工作流程。图7中以较厚边缘的方法步骤来突显与当前修复工作流程相关的修改。修复程序的工作流程在块710处开始。类似于图1和图6，在步骤720中使用光学测量系统400检查光掩模470(或更一般地，光刻工艺的元件470)的缺陷，该缺陷先前已由光学检查系统发现或识别。
在下一步骤730中，使用修复工具500、510修复光刻掩模470的缺陷，或更一般地，修复光刻工艺的元件470的缺陷。
在步骤740中，由修复工具500、510测量光掩模470的已修复缺陷或已修复位置。与图1中所解释的工作流程相反，掩模470的已修复位置并不是由光学测量系统400来测量，而是使用修复工具500的SEM 510的电子束514来测量。或者，也有可能使用离子束来扫描掩模470的已修复位置。此外，也可设想到使用扫描探针显微镜(例如图5的AFM 560)来扫描修复的位置，以决定缺陷修复的成功。最后，也有可能使用带电粒子束(例如SEM 510的电子束514)和扫描探针显微镜(例如装置500的AFM 560)来扫描光掩模470的修复位置。修复工具500、510产生测量数据330。
在步骤750中，提供参考数据340，该参考数据对应于或关联于使用SEM 510检查的光掩模470的区域的测量数据330。
接着，在步骤760中，藉由应用用于转换目的的训练模型300，基于测量数据330和作为输入数据的相关参考数据340，产生用于光刻掩模470的质量度量350。最后，方法结束于步骤770。
图6的实施例和图7的实施例都避免了光学测量装置400的二次使用。
图8的示意图800示意性地显示了质量度量350的三个不同示例性实施例或表现。在第一示例性实施例中，质量度量350包含光掩模470的测量数据330的图像与光掩模470的参考数据340的图像之间的差异图像810。差异图像810具有测量数据330的图像和参考数据340的图像之间的差异。可基于差异图像810来确定在晶片曝光期间光掩模470的偏差或缺陷对其操作行为的影响。差异图像包含具有与测量数据330相同或相似数量的像素的图像，其提供作为用于转换测量数据330的训练模型300的输入数据。
质量度量350包含第二表现形式中的合格缺陷图820。与差异图像810不同，形式为合格缺陷图820的质量度量350包含关于缺陷图中指定的缺陷的影响的信息项，该缺陷在使用光掩模470进行光刻工艺时发生。根据一个或多个预定阈值，可基于合格缺陷图820来确定应使用所考虑的光掩模470来做什么。一般来说，合格缺陷图820包含具有多个像素的二维图像，其对应于或非常类似于测量数据330的图像或输入图像。
然而，也有可能以列表的形式来实现合格缺陷图，其以表格的形式捕获光掩模470的区域或整个光掩模470的已识别缺陷。在此处，合格缺陷图820可包含例如缺陷的质心位置、其相对于相邻图案元件的位置、缺陷类型、缺陷尺寸和缺陷的影响，例如相对于曝光光掩模470的扫描仪的参数设定。可使用分类的形式来评估缺陷的影响。
质量度量350在第三示例性实施例中具有是/否陈述830的形式。是/否陈述830可包含关于光掩模470的区域或整个光掩模470是否可用于光刻工艺的陈述。在此示例性实施例中，已训练模型300基于测量数据330和参考数据提供关于光掩模470的进一步使用的数字陈述。如果质量测量350以是/否陈述830的形式存在，则使模型300适合于质量测量350且在其输出处具有分类器。
图9的流程图900阐明了本申请中所描述的根据本发明的方法的第一示例性实施例。方法开始于步骤910。在第一步骤920中，由第一测量装置500、510、560记录光刻工艺的元件470的第一数据230。
在第二步骤930中，将第一数据230转换为第二非测量数据250，其对应于使用第二测量装置400对元件470进行检查的测量数据420，其中使用转换模型200来实现转换，转换模型200已使用用于训练目的的多个第一数据235和与其对应的第二数据265(其链接到第二测量装置400)进行训练。方法最终在步骤940结束。
图10的流程图1000再现了本申请中所描述的根据本发明的方法的第二示例性实施例。方法开始于步骤1010。在第一步骤1020中，由测量装置500、510、560记录光刻工艺的元件470的区域的测量数据330。
在第二步骤1030中，模型300用于将测量数据330以及关联于测量数据330的参考数据340转换为元件470的质量度量350，其中质量度量包含关于元件470的区域在进行光刻工艺时的影响的信息项。模型300已使用用于训练目的的多个测量数据335、与测量数据335相关联的参考数据345和相应的质量度量365进行训练。最后，方法在步骤1040结束。

Claims (20)

1.一种用于分析光刻工艺的元件(470)的装置(500)，包含：
a.第一测量装置(500、510、560)，用于记录该元件(470)的第一数据(230)；以及
b.用于将该第一数据(230)转换为第二非测量数据(250)的构件，该第二非测量数据对应于使用第二测量装置(400)对该元件(470)进行测量的测量数据(420)，其中该第二测量装置(400)包含来自以下组的至少一个元件：扫描粒子显微镜(510)和/或光学测量工具；
c.其中该构件包含转换模型(200)，其已使用用于训练目的的多个第一数据(235)以及与其对应的第二数据(265)进行训练，该第二数据链接至该第二测量装置(400)。
2.一种用于将由第一测量装置(500)所记录的光刻工艺的元件(470)的第一数据(230)转换成第二非测量数据(250)的装置(500)，其中该第二非测量数据对应于使用第二测量装置(400)对该元件(470)进行测量的测量数据(420)，其中该第二测量装置(400)包含来自以下组的至少一个元件：扫描粒子显微镜(510)和/或光学测量工具，
其中该装置包含转换模型(200)，其已使用用于训练目的的多个第一数据(235)以及与其对应的第二数据(265)进行训练，该第二数据链接至该第二测量装置(400)。
3.如权利要求1或2所述的装置(500)，其中链接到该第二测量装置(400)的该相应第二数据(265)包含由该第二测量装置(400)所测量的数据和/或包含相应的仿真数据，而不是由该第二测量装置(400)所测量的第二数据(265)。
4.如前述权利要求中任一项所述的装置(500)，其中该第一测量装置(500、510、560)包含来自以下组的至少一个元件：扫描粒子显微镜(510)、扫描探针显微镜(560)以及干涉仪，和/或其中该光学测量工具包含AIMSTM工具(400)、WLCD工具和/或工具。
5.如前述权利要求中任一项所述的装置(500)，其中该第一数据(230)包含：
a.具有至少一个缺陷的该光刻工艺的该元件(470)的区域的测量数据；和/或
b.该光刻工艺的该元件(470)的已修复区域的测量数据。
6.如前述权利要求中任一项所述的装置(500)，其中该第二数据(250)包含具有二维像素表示的图像。
7.如前述权利要求中任一项所述的装置(500)，其中该第二数据(250)包含空间像和/或空间像聚焦堆栈。
8.如前述权利要求中任一项所述的装置(500)，其中该第一数据(230)包含使用该第一测量装置(500、510、560)的不同参数设定所记录的测量数据。
9.一种用于分析光刻工艺的元件(470)的方法(800)，包含以下步骤：
a.使用第一测量装置(500、510、560)记录(820)该元件(470)的第一数据(230)；以及
b.使用如权利要求1-8中任一项所述的装置(500)将该第一数据(230)转换为第二非测量数据(250)，其对应于由第二测量装置(400)对该元件(470)进行检查的测量数据(420)，其中该第二测量装置(400)包含来自以下组中的至少一个元件：扫描粒子显微镜(510)和/或光学测量工具。
10.如前述权利要求的所述的方法(800)，其中转换该第一数据(230)包含：将使用该第一测量装置(500、510、560)的不同参数设定所记录的测量数据转换为空间像聚焦堆栈。
11.一种用于检查光刻工艺的元件(470)的至少一个区域的装置(500)，包含：
a.用于记录该区域的测量数据(330)的测量装置(500、510、560)，其中该光刻工艺的元件(470)包含光刻掩模和/或用于纳米压印技术的模板；以及
b.用于将该测量数据(330)及关联于该测量数据(330)的参考数据(340)转换为该元件(470)的质量度量(350)的模型(300)，该质量度量包含有关在进行光刻工艺时该元件(470)的该区域的影响的信息项；
c.其中该模型(300)已使用用于训练目的的多个测量数据(335)、关联于该测量数据(335)的参考数据(345)以及相应的质量度量(365)进行训练。
12.一种用于将使用测量装置(500、510、560)记录的光刻工艺的元件(470)的区域的测量数据(330)以及关联于该测量数据(330)的参考数据(340)转换为该元件(470)的质量度量(350)的装置(500)，其中该光刻工艺的该元件(470)包含光刻掩模和/或用于纳米压印技术的模板；
其中模型(300)已使用用于训练目的的多个测量数据(335)、关联于该测量数据(335)的参考数据(345)以及相应的质量度量(365)进行训练。
13.如权利要求11或12所述的装置(500)，其中该相应的质量度量(365)基于测量数据(335)及相关的参考数据(345)产生。
14.如权利要求11或12所述的装置(500)，其中该质量度量(350)包含来自以下组中的至少一个元件：该元件(470)的区域的图像与该元件(470)的区域的参考图像之间的差异图像(810)、包含有关在进行该光刻工艺时在缺陷图中所指定的缺陷的影响的信息项的该元件(470)的区域的合格缺陷图(820)、关于该元件(470)的区域是否能够用于光刻工艺的是/否陈述(830)。
15.如权利要求11-14中任一项所述的装置，其中用于转换(300)该测量数据(330)的模型适合于该质量度量(350)。
16.如权利要求11-15中任一项所述的装置(500)，其中用于训练的测量数据(335)包含：该元件(470)的无缺陷区域的测量数据(330)、具有已修复缺陷的该元件(470)的区域的测量数据、和/或具有不完全修复缺陷的该元件(470)的区域的测量数据(330)。
17.如权利要求1-8及11-16中任一项所述的装置(500)，其中该装置(500)包含：扫描电子显微镜(510)，其实施以扫描该光刻工艺的元件(470)且其更实施以修复该光刻工艺的元件(470)的缺陷。
18.如权利要求1-8及11-17中任一项所述的装置(500)，其中该转换模型(200)和/或用于转换该测量数据(300)的模型(300)包含机器学习模型。
19.一种用于检查光刻工艺的元件(470)的至少一个区域的方法(900)，其中该方法包含以下步骤：
a.以第一测量装置(500、510、560)记录(920)该区域的测量数据(330)，其中该光刻工艺的元件(470)包含光刻掩模和/或用于纳米压印技术的模板；以及
b.应用(930)用于将该测量数据(330)及关联于该测量数据(330)的参考数据(340)转换为该元件(470)的质量度量(350)的模型(300)，该质量度量包含有关在进行光刻工艺时该元件(470)的区域的影响的信息项；
c.其中该模型(300)已使用用于训练目的的多个测量数据(335)、关联于该测量数据(335)的参考数据(345)以及相应的质量度量(365)进行训练。
20.如权利要求19所述的方法(900)，其中步骤b更包含以下步骤：基于该质量度量释放用于该光刻工艺的元件(470)。
CN201910421175.2A 2018-05-18 2019-05-20 用于借助于转换模型分析光刻工艺的元件的装置及方法 Active CN110501880B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018207882.3 2018-05-18
DE102018207882.3A DE102018207882A1 (de) 2018-05-18 2018-05-18 Vorrichtung und Verfahren zur Analyse eines Elements eines Photolithographieprozesses mit Hilfe eines Transformationsmodells

Publications (2)

Publication Number Publication Date
CN110501880A true CN110501880A (zh) 2019-11-26
CN110501880B CN110501880B (zh) 2022-05-31

Family

ID=68419767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910421175.2A Active CN110501880B (zh) 2018-05-18 2019-05-20 用于借助于转换模型分析光刻工艺的元件的装置及方法

Country Status (5)

Country Link
US (1) US20190354019A1 (zh)
KR (1) KR102257964B1 (zh)
CN (1) CN110501880B (zh)
DE (1) DE102018207882A1 (zh)
TW (1) TWI774955B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112578646A (zh) * 2020-12-11 2021-03-30 上海集成电路装备材料产业创新中心有限公司 一种基于图像的离线的光刻工艺稳定性控制方法

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3598474A1 (en) * 2018-07-19 2020-01-22 FEI Company Adaptive specimen image acquisition using an artificial neural network
DE102019209394A1 (de) * 2019-06-27 2020-12-31 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Überlagern von zumindest zwei Bildern einer fotolithographischen Maske
CN115605447A (zh) * 2020-05-26 2023-01-13 法国圣戈班玻璃厂（Fr） 用于估计涂覆有单层或多层的透明基材的质量功能的方法
DE102020208183A1 (de) 2020-06-30 2021-12-30 Carl Zeiss Smt Gmbh Verfahren und vorrichtung zum bearbeiten einer lithographischen maske
DE102020208883B4 (de) * 2020-07-16 2023-06-15 Carl Zeiss Smt Gmbh Verfahren und Computerprogramm zur Reparatur einer Maske für die Lithographie
CN114326328B (zh) * 2022-01-10 2023-05-26 厦门大学 一种基于深度学习的用于超紫外光刻的模拟仿真方法
FR3135554A1 (fr) * 2022-05-13 2023-11-17 Commissariat à l'énergie atomique et aux énergies alternatives Procédé et dispositif de traitement d’image pour la localisation de gouttes représentatives de défauts ou irrégularités

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7079235B2 (en) * 1998-09-17 2006-07-18 Applied Materials, Inc. Reticle design inspection system
CN103703415A (zh) * 2011-07-19 2014-04-02 卡尔蔡司Sms有限责任公司 用于分析和去除极紫外光掩模的缺陷的方法和装置
CN104995562A (zh) * 2012-12-18 2015-10-21 科磊股份有限公司 基于模型的度量及过程模型的经整合使用
CN107506774A (zh) * 2017-10-09 2017-12-22 深圳市唯特视科技有限公司 一种基于局部注意掩模的分段感知神经网络方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7873585B2 (en) * 2007-08-31 2011-01-18 Kla-Tencor Technologies Corporation Apparatus and methods for predicting a semiconductor parameter across an area of a wafer
US20100005041A1 (en) * 2008-07-07 2010-01-07 Nec Laboratories America, Inc. Machine learning based volume diagnosis of semiconductor chips
US10101670B2 (en) * 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
DE102014217907B4 (de) * 2014-09-08 2018-12-20 Carl Zeiss Smt Gmbh Verfahren zum Herstellen einer Maske für den extrem ultra-violetten Wellenlängenbereich und Maske
KR102521159B1 (ko) 2014-11-25 2023-04-13 피디에프 솔루션즈, 인코포레이티드 반도체 제조 공정을 위한 개선된 공정 제어 기술
WO2016087388A1 (en) 2014-12-02 2016-06-09 Asml Netherlands B.V. Lithographic method and apparatus
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US10043261B2 (en) * 2016-01-11 2018-08-07 Kla-Tencor Corp. Generating simulated output for a specimen
KR102153482B1 (ko) * 2016-04-15 2020-09-09 에이에스엠엘 네델란즈 비.브이. 리소그래피 장치의 작동을 조절하는 방법
US20180017501A1 (en) * 2016-07-13 2018-01-18 Sightline Innovation Inc. System and method for surface inspection
DE102016218452A1 (de) * 2016-09-26 2018-03-29 Carl Zeiss Smt Gmbh Verfahren zur Ermittlung eines Abstandes eines ersten Strukturelements auf einem Substrat von einem zweiten Strukturelement
US10209615B2 (en) * 2017-05-26 2019-02-19 Xtal, Inc. Simulating near field image in optical lithography

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7079235B2 (en) * 1998-09-17 2006-07-18 Applied Materials, Inc. Reticle design inspection system
CN103703415A (zh) * 2011-07-19 2014-04-02 卡尔蔡司Sms有限责任公司 用于分析和去除极紫外光掩模的缺陷的方法和装置
CN104995562A (zh) * 2012-12-18 2015-10-21 科磊股份有限公司 基于模型的度量及过程模型的经整合使用
CN107506774A (zh) * 2017-10-09 2017-12-22 深圳市唯特视科技有限公司 一种基于局部注意掩模的分段感知神经网络方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112578646A (zh) * 2020-12-11 2021-03-30 上海集成电路装备材料产业创新中心有限公司 一种基于图像的离线的光刻工艺稳定性控制方法

Also Published As

Publication number Publication date
DE102018207882A1 (de) 2019-11-21
CN110501880B (zh) 2022-05-31
US20190354019A1 (en) 2019-11-21
TW202244607A (zh) 2022-11-16
KR20190132280A (ko) 2019-11-27
TW202006744A (zh) 2020-02-01
TWI774955B (zh) 2022-08-21
KR102257964B1 (ko) 2021-05-31

Similar Documents

Publication Publication Date Title
CN110501880A (zh) 用于借助于转换模型分析光刻工艺的元件的装置及方法
CN108475351B (zh) 用于训练基于机器学习的模型的系统和计算机实施方法
US10599951B2 (en) Training a neural network for defect detection in low resolution images
KR102445522B1 (ko) 설계 정보로부터의 시뮬레이션된 이미지의 생성
JP6758418B2 (ja) 半導体用途のための、入力画像からのシミュレーション画像の生成
US11774859B2 (en) Method and apparatus for evaluating an unknown effect of defects of an element of a photolithography process
TWI706485B (zh) 光學晶粒對資料庫檢查
KR102408319B1 (ko) 시료에 대한 시뮬레이팅된 출력 생성
US7003758B2 (en) System and method for lithography simulation
TW201942769A (zh) 用於圖案語意分割之深度學習
CN115684202A (zh) 混合检验器
TW201734825A (zh) 用於半導體應用之以機器學習之模型為基礎之加速訓練
CN114766012A (zh) 用参数化模型预测过程信息的方法和系统
TWI838795B (zh) 用於藉由轉換模型分析微影製程的元件的裝置及方法
EP4130880A1 (en) Methods of data mapping for low dimensional data analysis

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
GR01 Patent grant
GR01 Patent grant