CN111146104B - 一种关键尺寸误差分析方法 - Google Patents

一种关键尺寸误差分析方法 Download PDF

Info

Publication number
CN111146104B
CN111146104B CN201911197188.2A CN201911197188A CN111146104B CN 111146104 B CN111146104 B CN 111146104B CN 201911197188 A CN201911197188 A CN 201911197188A CN 111146104 B CN111146104 B CN 111146104B
Authority
CN
China
Prior art keywords
intra
inter
field
test point
critical dimension
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911197188.2A
Other languages
English (en)
Other versions
CN111146104A (zh
Inventor
余学儒
孙红霞
李琛
王鹏飞
段杰斌
王修翠
傅豪
周涛
燕燕
许博闻
郭令仪
李立人
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.)
Shanghai IC R&D Center Co Ltd
Original Assignee
Shanghai IC R&D Center Co Ltd
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 Shanghai IC R&D Center Co Ltd filed Critical Shanghai IC R&D Center Co Ltd
Priority to CN201911197188.2A priority Critical patent/CN111146104B/zh
Publication of CN111146104A publication Critical patent/CN111146104A/zh
Priority to US17/776,637 priority patent/US20220399237A1/en
Priority to PCT/CN2020/103758 priority patent/WO2021103602A1/zh
Application granted granted Critical
Publication of CN111146104B publication Critical patent/CN111146104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • H01L22/26—Acting in response to an ongoing measurement without interruption of processing, e.g. endpoint detection, in-situ thickness measurement
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Image Analysis (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本发明公开了一种关键尺寸误差分析方法，包括如下步骤：S01：对晶圆进行光刻，分别测量每个场中N个测试点的关键尺寸值CD；S02：清洗关键尺寸异常值；S03：基于重建模型拟合方法对剩余的关键尺寸值进行重建，得到重建之后的关键尺寸值CD”，将剩余的关键尺寸值划分为A个场景；S04：基于参数估计的方法计算每个场景中各个测试点在校正模型对应的参考系下的分量以及相应的残差；S05：根据上述计算结果，采用校正模型修改机台参数和掩模版。本发明提供的一种关键尺寸误差分析方法，利用外限估计清洗异常值，可快速准确地分析出光刻过程中关键尺寸误差。

Description

一种关键尺寸误差分析方法
技术领域
本发明涉及半导体光刻领域，具体涉及一种关键尺寸误差分析方法。
背景技术
光刻过程中各设备对关键尺寸CD(Critical Dimension)误差互相耦合，现有技术中可以通过测量光刻结果并分解进行误差来源的判断。传统的误差分解基于在不同坐标系下求均值和模型拟合的形式进行分解。但该分解方式过多引入人为干扰量，例如人为坐标系，以均值代替期望值，模型等。
现有的对关键尺寸误差分析的方法需要先通过整体分布计算方差，删除异常关键尺寸值，但是异常值在各个场的分布并不相同，所以整体分布上不是异常值的值未必不是异常值，现有技术中关键尺寸误差分析没有充分使用先验信息。除此以外，现有方法通过基于模型或者坐标系的方式求平均的方式进行场内，场间误差的估计，但是模型的准确性和坐标系的可靠性将直接影响测试结果，过多引入了不必要的假设，从而使得分析结果受到坐标系和模型的影响，并不能准确快速地分析出关键尺寸误差来源。
发明内容
本发明的目的是提供一种关键尺寸误差分析方法，利用外限估计清洗异常值，可快速准确地分析出光刻过程中关键尺寸的误差情况。
为了实现上述目的，本发明采用如下技术方案：一种关键尺寸误差分析方法，包括如下步骤：
S01：对晶圆进行光刻，其中，晶圆包括M个场，每个场中光刻工艺相同，在每个场中选择N个相同的测试点，分别测量每个场中N个测试点的关键尺寸值CD；M和N均为大于1的整数；
S02：清洗关键尺寸异常值；
S03：基于重建模型拟合方法对剩余的关键尺寸值进行重建，得到重建之后的关键尺寸值CD”，根据CD”和CD之间的相对误差，将剩余的关键尺寸值划分为A个场景，且M个场中相同的测试点属于同一场景，每个场景中任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性；A为大于0的整数；
S04：基于参数估计的方法计算每个场景中各个测试点在校正模型对应的参考系下的分量以及相应的残差；
S05：根据上述计算结果，采用校正模型修改机台参数和掩模版。
进一步地，所述步骤S02中采用基于参数估计的方法清洗关键尺寸异常值，具体包括如下步骤：
S021：令第i个场中第j个测试点的关键尺寸值CDi,j＝interi+intraj+Eri,j，其中，interi为该测试点的场间分量，intraj为该测试点的场内分量，Eri,j为误差；将interi和intraj分别视为场间分量集合inter和场内分量集合intra的哑变量，以interi和intraj为参数，不考虑Eri,j，并对CD进行参数估计，得到该测试点的场间分量interi和该测试点的场内分量intraj，以及该测试点重建之后的关键尺寸值CD’＝interi+intraj；
S022：令CD’与CD之间的相对误差Er_r’＝(CD’-CD)/CD’，通过CD’与CD之间的相对误差计算外限；
S023：CD’与CD之间的相对误差超出外限的视为异常值进行清洗；
S024：重复上述步骤S021-步骤S023，直至外限以外的关键尺寸值被清洗干净，或者清洗后剩余测试点个数占原测试点个数的比例小于个数阈值，或者迭代次数大于迭代阈值。
进一步地，所述步骤S023中外限的计算方法如下，对CD’与CD之间的相对误差进行排序，计算25％分位数Q1与75％分位数Q3，令IQR＝Q3-Q1，外限下限为Q1-3*IQR，外限上限为Q3+3*IQR。
进一步地，所述参数估计的方法为最大似然估计。
进一步地，所述步骤S03具体包括：
S031：将晶圆的全局坐标作为自变量输入重建模型，将剩余的关键尺寸值作为因变量输入重建模型，通过调整重建模型参数对关键尺寸值进行重建，得到重建之后的关键尺寸值CD”；
S032：计算CD”与CD之间的相对误差Er”＝(CD”-CD)/CD”，根据CD”与CD之间的相对误差Er”，将剩余的关键尺寸值划分为A个场景；
S033：记录每个场景对应的重建模型参数。
进一步地，所述重建模型为GBDT模型或者XGBoost模型。
进一步地，所述步骤S03中利用皮尔逊系数判断每个场景中任意两个场的CD”和CD之间的相对误差在空间分布上是否具有周期性：当其中一个场景中任意两个场的皮尔逊系数小于设定阈值时，则该场景中任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性。
进一步地，所述步骤S04中测试点在校正模型对应的参考系下的分量以及相应的残差包括该测试点的整体残差，场内X轴分量，场内Y轴分量，场内残差，场间X轴分量，场间Y轴分量和场间残差。
进一步地，所述步骤S04具体包括：
S041：令第i个场中第j个测试点的关键尺寸值CDi,j”＝interi”+intraj”+resi,j，其中，interi”为该测试点的场间分量，intraj”为该测试点的场内分量，resi,j为该测试点的整体残差，将interi”、intraj”分别视为场间分量集合inter和场内分量集合intra的哑变量，以interi”和intraj”为参数，不考虑resi,j，并对CD”进行参数估计，得到该测试点的场间分量interi”和该测试点的场内分量intraj”，以及该测试点的整体残差resi,j＝CDi,j”-interi”-intraj”；
S042：令第i个场中第k行，第l列的场间分量值interk,l”＝inter_xk”+inter_yl”+inter_resk,l”，其中，inter_xk”为该测试点的场间X轴分量，inter_yl”为该测试点的场间Y轴分量，inter_resk,l”为该测试点的场间残差，将inter_xk”、inter_yl”分别视为场间X轴分量集合inter_x和场间Y轴分量集合inter_y的哑变量，以inter_xk”和inter_yl”为参数，不考虑inter_resk,l”，并对inter”进行参数估计，得到该测试点的场间X轴分量inter_xk”和该测试点的场间Y轴分量inter_yl”，以及该测试点的场间残差inter_resk,l”＝interk,l”-inter_xk”-inter_yl”；
S043：令第i个场中第m行，第n列场内分量值intram,n”＝intra_xm”+intra_yn”+intra_resm,n”，其中，intra_xm”为该测试点的场内X轴分量，intra_yn”为该测试点的场内Y轴分量，intra_resm,n为场内残差，将intra_xm”、intra_yn”分别视为场内X轴分量集合intra_x和场内Y轴分量集合intra_y的哑变量，以intra_xm”和intra_yn”为参数，不考虑intra_resm,n”，并对intra”进行参数估计，得到该测试点的场内X轴分量intra_xm”和该测试点的场内Y轴分量intra_yn”，以及该测试点的场内残差inter_resk,l”＝intram,n”-intra_xm”-intra_yn”；
S044：重复步骤S041-S043，直至就算出每个场景中每个场间各个测试点的整体残差、场间X轴分量，场间Y轴分量，场间残差，场内X轴分量，场内Y轴分量和场内残差。
进一步地，所述参数估计为最大似然估计。
本发明的有益效果为：本发明利用外限估计清洗关键尺寸异常值，降低异常值传播，且能够利用较少的准确关键尺寸值快速分析关键尺寸误差来源；同时本发明通过多重分解，尽可能减少人为坐标系和假设，基于场间分量和场内分量的评估，场间分量和场内分量的进一步分解在90纳米以下误差可小于3纳米，确保本发明分解过程稳定可靠。
附图说明
附图1为本发明关键尺寸误差分析的框架图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明提供的一种关键尺寸误差分析方法，包括如下步骤：
S01：对一批晶圆进行光刻，其中，每个晶圆包括M个场，每个场中光刻工艺相同，在每个场中选择N个相同的测试点，分别测量每个场中N个测试点的关键尺寸值CD；具体可以采用CD-SEM或者scatterometry机台进行CD值的测量。本步骤中光刻可以为刻蚀具体图形或者仅曝光光刻胶。M和N均为大于1的整数。
S02：清洗关键尺寸异常值；具体步骤可以为：
S021：令第i个场中第j个测试点的关键尺寸值CDi,j＝interi+intraj+Eri,j，其中，interi为该测试点的场间分量，intraj为该测试点的场内分量，Eri,j为误差；将interi和intraj分别视为场间分量集合inter和场内分量集合intra的哑变量，以interi和intraj为参数，不考虑Eri,j，并对CD进行参数估计，得到该测试点的场间分量interi和该测试点的场内分量intraj，以及该测试点重建之后的关键尺寸值CD’＝interi+intraj。具体的参数估计方法可以为最大似然估计，最大似然估计用于估计误差Eri,j呈现为高斯分布的参数(interi、intraj)的期望和方差。interi、intraj假设不相关，所以当方差视为相等时，最大似然估计可退化为普通最小二乘法。
S022：令CD’与CD之间的相对误差Er_r’＝(CD’-CD)/CD’，通过CD’与CD之间的相对误差计算外限；其中，外限的计算方法如下，对CD’与CD之间的相对误差进行排序，计算25％分位数Q1与75％分位数Q3，令IQR＝Q3-Q1，外限下限为Q1-3*IQR，外限上限为Q3+3*IQR。即本步骤中外限包括外限上限和外限下限，位于外限上限和外限下限的关键尺寸值均需要被清洗掉。
S023：CD’与CD之间的相对误差超出外限上限或者外限下限的视为异常值进行清洗；
S024：重复上述步骤S021-步骤S023，直至外限以外的关键尺寸值被清洗干净，或者清洗后剩余测试点个数占原测试点个数的比例小于个数阈值，或者迭代次数大于迭代阈值。本步骤中设置了三个迭代停止的条件，一个是外限以外的关键尺寸值被清洗干净，另外两个是无论外限以外的关键尺寸值是否被清洗干净，只需要剩余的测试点占原测试点的比例小于个数阈值，或者迭代次数(重复步骤S021-步骤S023的次数)大于迭代阈值时，即自动停止清洗过程。其中，个数阈值和迭代阈值可以根据经验值进行设定，本步骤设置这两个停止条件是为了防止清洗过程进入死循环中，确保整个分析过程顺序进行。
S03：基于重建模型拟合方法对剩余的关键尺寸值进行重建，得到重建之后的关键尺寸值CD”，根据CD”和CD之间的相对误差，将剩余的关键尺寸值划分为A个场景，且M个场中相同的测试点属于同一场景，每个场景中的CD”和CD之间的相对误差在空间分布上不具有周期性；A为大于0的整数。
本步骤中可以利用皮尔逊系数判断每个场景中任意两个场的CD”和CD之间的相对误差在空间分布上是否具有周期性。两个场算出一个皮尔逊系数，皮尔逊系数绝对值越接近1，两个场越相似，越接近0，越不相关，我们希望误差彼此不相关。当其中一个场景中任意两个场的皮尔逊系数小于设定阈值时，则该场景中任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性。本发明中当关键尺寸误差在每个曝光场的相同位置的分布是以0为期望的分布时，视为没有周期性；否则，视为有周期性，有周期性，说明关键尺寸误差没有被分解彻底，会遗漏一些问题没有被发现。本发明中当所有的测试点在一套重建模型参数下满足任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性时，即A＝1，此时只需记录一套重建模型参数即可；当所有的测试点在一套重建模型参数下不能满足任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性时，就需要将测试点分为A个场景，每个场景可能对应不同的重建模型参数，分别记录每个场景对应的重建模型参数，用于得到重建之后的关键尺寸值CD”。本发明中重建模型具体可以为GBDT模型或者XGBoost模型。值得说明的是，本发明中每一个关键尺寸值均会对应该关键尺寸值的全局坐标、场内坐标、场间坐标，即每一个关键尺寸值、全局坐标、场内坐标和场间坐标形成该测试点的数据集，其中，场内坐标和场间坐标组合之后近似等于全局坐标。数据集中这四项是同时存在的，在清洗异常值的时候，删除了外限之外的关键尺寸值，也就意味着删除了异常关键尺寸值对应的数据集。
本步骤具体参数重建过程包括如下步骤：
S031：将晶圆的全局坐标作为自变量输入重建模型，将剩余的关键尺寸值作为因变量输入重建模型，通过调整重建模型参数对关键尺寸值进行重建，得到重建之后的关键尺寸值CD”；
S032：计算CD”与CD之间的相对误差Er”＝(CD”-CD)/CD”，根据CD”与CD之间的相对误差Er”，将剩余的关键尺寸值划分为A个场景。本步骤中场景的含义为：当重建模型仅使用一组重建模型参数无法使得每个场景中任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性时，将数据集分割为A份，即A个场景，分别使用A组重建模型参数进行拟合，使得每次拟合误差无周期性，则A组重建模型参数视为A个重建模型，对应A个场景。
S033：记录每个场景对应的重建模型参数。
本步骤中对关键尺寸进行重建，经过重建模型重建之后的关键尺寸值仅保留低频分量，如附图1所示，高频分量被自动过滤掉。低频分量在步骤S04中再进一步分解为场内分量、场间分量以及整体残差，整体残差即为附图1中的其他。
S04：基于参数估计的方法计算每个场景中各个测试点在校正模型对应的参考系下的分量以及相应的残差，其中，测试点在校正模型对应的参考系下的分量以及相应的残差包括该测试点的整体残差，场内X轴分量，场内Y轴分量，场内残差，场间X轴分量，场间Y轴分量和场间残差。校正模型指的是步骤S05中用于校正的模型，可以选用现有技术中任意的校正模型进行校正，由于选用的校正模型不同，本步骤需要针对校正模型对应的参考系进行分量以及相应的残差计算，其中，这里的参考系为场间坐标系、场内坐标系以及笛卡尔(直角)坐标系，其中，参考系还可以包括极坐标系等，具体的，参考系中的笛卡尔坐标系可以替换为极坐标系等，也可以在参考系中同时存在场间坐标系、场内坐标系、笛卡尔坐标系以及极坐标系等。由于步骤S03中将测试点分为A个场景，本步骤需要依次对每个场景中的测试点进行分析，以其中一个场景为例进行说明，其余场景的计算方法均相同；具体计算方法包括：
S041：令第i个场中第j个测试点的关键尺寸值CDi,j”＝interi”+intraj”+resi,j，其中，interi”为该测试点的场间分量，intraj”为该测试点的场内分量，resi,j为该测试点的整体残差，将interi”、intraj”分别视为场间分量集合inter和场内分量集合intra的哑变量，以interi”和intraj”为参数，不考虑resi,j，并对CD”进行参数估计，得到该测试点的场间分量interi”和该测试点的场内分量intraj”，以及该测试点的整体残差resi,j＝CDi,j”-interi”-intraj”。参数估计为最大似然估计，最大似然估计用于估计整体残差resi,j呈现为高斯分布的参数(interi”、intraj”)的期望和方差。interi”、intraj”假设不相关，所以当方差视为相等时，最大似然估计可退化为普通最小二乘法。
S042：令第i个场中第k行，第l列的场间分量值interk,l”＝inter_xk”+inter_yl”+inter_resk,l”，其中，inter_xk”为该测试点的场间X轴分量，inter_yl”为该测试点的场间Y轴分量，inter_resk,l”为该测试点的场间残差，将inter_xk”、inter_yl”分别视为场间X轴分量集合inter_x和场间Y轴分量集合inter_y的哑变量，以inter_xk”和inter_yl”为参数，不考虑inter_resk,l”，并对inter”进行参数估计，得到该测试点的场间X轴分量inter_xk”和该测试点的场间Y轴分量inter_yl”，以及该测试点的场间残差inter_resk,l”＝interk,l”-inter_xk”-inter_yl”。参数估计为最大似然估计，最大似然估计用于估计场间残差inter_resk,l”呈现为高斯分布的参数inter_xk”、inter_yl”的期望和方差。inter_xk”、inter_yl”假设不相关，所以当方差视为相等时，最大似然估计可退化为普通最小二乘法。
S043：令第i个场中第m行，第n列场内分量值intram,n”＝intra_xm”+intra_yn”+intra_resm,n”，其中，intra_xm”为该测试点的场内X轴分量，intra_yn”为该测试点的场内Y轴分量，intra_resm,n为该测试点的场内残差，将intra_xm”、intra_yn”分别视为场内X轴分量集合intra_x和场内Y轴分量集合intra_y的哑变量，以intra_xm”和intra_yn”为参数，不考虑intra_resm,n”，并对intra”进行参数估计，得到该测试点的场内X轴分量intra_xm”和该测试点的场内Y轴分量intra_yn”，以及该测试点的场内残差inter_resk,l”＝intram,n”-intra_xm”-intra_yn”。参数估计为最大似然估计，最大似然估计用于估计场内残差intra_resm,n”呈现为高斯分布的参数intra_xm”、intra_yn”的期望和方差。intra_xm”、intra_yn”假设不相关，所以当方差视为相等时，最大似然估计可退化为普通最小二乘法。
S044：重复步骤S041-S043，直至就算出每个场景中每个场中各个测试点的整体残差、场间X轴分量，场间Y轴分量，场间残差，场内X轴分量，场内Y轴分量和场内残差。
本发明经过步骤S03中关键尺寸值重建之后，重建模型仅保留关键尺寸的低频分量，低频分量经过最小二乘法分解为场间分量、场内分量和整体残差，之后场内分量分解为场内X轴分量、场内Y轴分量和场内残差；场间分量分解为场间X轴分量、场间Y轴分量和场间残差。
S05：根据上述计算出来的各个测试点的整体残差、场内X轴分量，场内Y轴分量，场内残差，场间X轴分量，场间Y轴分量和场间残差，采用校正模型修改机台参数和掩模版，而降低关键尺寸的不稳定性。本发明对多片晶圆的整体残差进行对比观察，可用于估计晶圆上是否存在全局中不是以场为单位呈现的晶圆异常，FEM(焦深能量矩阵)曝光的晶圆的场间残差可用于估计晶圆局部区域趋势性的变化，场内残差上出现的突变点可用于估计掩模版、透镜等以场为单位存在的异常；场间分量可作为机台参数调整的依据。
以上所述仅为本发明的优选实施例，所述实施例并非用于限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明所附权利要求的保护范围内。

Claims (9)

1.一种关键尺寸误差分析方法，其特征在于，包括如下步骤：
S01：对晶圆进行光刻，其中，晶圆包括M个场，每个场中光刻工艺相同，在每个场中选择N个相同的测试点，分别测量每个场中N个测试点的关键尺寸值CD；M和N均为大于1的整数；
S02：清洗关键尺寸异常值；具体包括如下步骤：
S021：令第i个场中第j个测试点的关键尺寸值CDi,j＝interi+intraj+Eri,j，其中，interi为该测试点的场间分量，intraj为该测试点的场内分量，Eri,j为误差；将interi和intraj分别视为场间分量集合inter和场内分量集合intra的哑变量，以interi和intraj为参数，不考虑Eri,j，并对CD进行参数估计，得到该测试点的场间分量interi和该测试点的场内分量intraj，以及该测试点重建之后的关键尺寸值CD’＝interi+intraj；
S022：令CD’与CD之间的相对误差Er_r’＝(CD’-CD)/CD’，通过CD’与CD之间的相对误差计算外限；
S023：CD’与CD之间的相对误差超出外限的视为异常值进行清洗；
S024：重复上述步骤S021-步骤S023，直至外限以外的关键尺寸值被清洗干净，或者清洗后剩余测试点个数占原测试点个数的比例小于个数阈值，或者迭代次数大于迭代阈值；
S03：基于重建模型拟合方法对剩余的关键尺寸值进行重建，得到重建之后的关键尺寸值CD”，根据CD”和CD之间的相对误差，将剩余的关键尺寸值划分为A个场景，且M个场中相同的测试点属于同一场景，每个场景中任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性；A为大于0的整数；
S04：基于参数估计的方法计算每个场景中各个测试点在校正模型对应的参考系下的分量以及相应的残差；
S05：根据上述计算结果，采用校正模型修改机台参数和掩模版。
2.根据权利要求1所述的一种关键尺寸误差分析方法，其特征在于，所述步骤S023中外限的计算方法如下，对CD’与CD之间的相对误差进行排序，计算25％分位数Q1与75％分位数Q3，令IQR＝Q3-Q1，外限下限为Q1-3*IQR，外限上限为Q3+3*IQR。
3.根据权利要求1所述的一种关键尺寸误差分析方法，其特征在于，所述参数估计的方法为最大似然估计。
4.根据权利要求1所述的一种关键尺寸误差分析方法，其特征在于，所述步骤S03具体包括：
S031：将晶圆的全局坐标作为自变量输入重建模型，将剩余的关键尺寸值作为因变量输入重建模型，通过调整重建模型参数对关键尺寸值进行重建，得到重建之后的关键尺寸值CD”；
S032：计算CD”与CD之间的相对误差Er”＝(CD”-CD)/CD”，根据CD”与CD之间的相对误差Er”，将剩余的关键尺寸值划分为A个场景；
S033：记录每个场景对应的重建模型参数。
5.根据权利要求4所述的一种关键尺寸误差分析方法，其特征在于，所述重建模型为GBDT模型或者XGBoost模型。
6.根据权利要求1所述的一种关键尺寸误差分析方法，其特征在于，所述步骤S03中利用皮尔逊系数判断每个场景中任意两个场的CD”和CD之间的相对误差在空间分布上是否具有周期性：当其中一个场景中任意两个场的皮尔逊系数小于设定阈值时，则该场景中任意两个场的CD”和CD之间的相对误差在空间分布上不具有周期性。
7.根据权利要求1所述的一种关键尺寸误差分析方法，其特征在于，所述步骤S04中测试点在校正模型对应的参考系下的分量以及相应的残差包括该测试点的整体残差，场内X轴分量，场内Y轴分量，场内残差，场间X轴分量，场间Y轴分量和场间残差。
8.根据权利要求7所述的一种关键尺寸误差分析方法，其特征在于，所述步骤S04具体包括：
S041：令第i个场中第j个测试点的关键尺寸值CD i,j”＝interi”+intraj”+resi,j，其中，interi”为该测试点的场间分量，intraj”为该测试点的场内分量，resi,j为该测试点的整体残差，将interi”、intraj”分别视为场间分量集合inter和场内分量集合intra的哑变量，以interi”和intraj”为参数，不考虑resi,j，并对CD”进行参数估计，得到该测试点的场间分量interi”和该测试点的场内分量intraj”，以及该测试点的整体残差resi,j＝CD i,j”-interi”-intraj”；
S042：令第i个场中第k行，第l列的场间分量值interk,l”＝inter_xk”+inter_yl”+inter_resk,l”，其中，inter_xk”为该测试点的场间X轴分量，inter_yl”为该测试点的场间Y轴分量，inter_resk,l”为该测试点的场间残差，将inter_xk”、inter_yl”分别视为场间X轴分量集合inter_x和场间Y轴分量集合inter_y的哑变量，以inter_xk”和inter_yl”为参数，不考虑inter_resk,l”，并对inter”进行参数估计，得到该测试点的场间X轴分量inter_xk”和该测试点的场间Y轴分量inter_yl”，以及该测试点的场间残差inter_resk,l”＝interk,l”-inter_xk”-inter_yl”；
S043：令第i个场中第m行，第n列场内分量值intra m,n”＝intra_xm”+intra_yn”+intra_resm,n”，其中，intra_xm”为该测试点的场内X轴分量，intra_yn”为该测试点的场内Y轴分量，intra_resm,n为该测试点的场内残差，将intra_xm”、intra_yn”分别视为场内X轴分量集合intra_x和场内Y轴分量集合intra_y的哑变量，以intra_xm”和intra_yn”为参数，不考虑intra_resm,n”，并对intra”进行参数估计，得到该测试点的场内X轴分量intra_xm”和该测试点的场内Y轴分量intra_yn”，以及该测试点的场内残差inter_resk,l”＝intra m,n”-intra_xm”-intra_yn”；
S044：重复步骤S041-S043，直至就算出每个场景中每个场中各个测试点的整体残差、场间X轴分量，场间Y轴分量，场间残差，场内X轴分量，场内Y轴分量和场内残差。
9.根据权利要求8所述的一种关键尺寸误差分析方法，其特征在于，所述参数估计为最大似然估计。
CN201911197188.2A 2019-11-29 2019-11-29 一种关键尺寸误差分析方法 Active CN111146104B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911197188.2A CN111146104B (zh) 2019-11-29 2019-11-29 一种关键尺寸误差分析方法
US17/776,637 US20220399237A1 (en) 2019-11-29 2020-07-23 Critical dimension error analysis method
PCT/CN2020/103758 WO2021103602A1 (zh) 2019-11-29 2020-07-23 一种关键尺寸误差分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911197188.2A CN111146104B (zh) 2019-11-29 2019-11-29 一种关键尺寸误差分析方法

Publications (2)

Publication Number Publication Date
CN111146104A CN111146104A (zh) 2020-05-12
CN111146104B true CN111146104B (zh) 2023-09-05

Family

ID=70517759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911197188.2A Active CN111146104B (zh) 2019-11-29 2019-11-29 一种关键尺寸误差分析方法

Country Status (3)

Country Link
US (1) US20220399237A1 (zh)
CN (1) CN111146104B (zh)
WO (1) WO2021103602A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111146104B (zh) * 2019-11-29 2023-09-05 上海集成电路研发中心有限公司 一种关键尺寸误差分析方法
CN113094774B (zh) * 2021-03-30 2024-07-16 沈阳富创精密设备股份有限公司 一种自动匹配目标值的尺寸检验方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163001A (zh) * 2010-02-19 2011-08-24 Asml荷兰有限公司 控制光刻设备的方法和设备
CN103777460A (zh) * 2014-03-04 2014-05-07 上海集成电路研发中心有限公司 一种提高光学邻近效应修正模型精度的方法
CN103782238A (zh) * 2011-08-31 2014-05-07 Asml荷兰有限公司 确定聚焦位置修正的方法、光刻处理元和器件制造方法
CN109564393A (zh) * 2016-08-01 2019-04-02 Asml荷兰有限公司 量测方法和设备、计算机程序和光刻系统
CN110088687A (zh) * 2016-12-16 2019-08-02 Asml荷兰有限公司 用于图像分析的方法和设备
CN110245395A (zh) * 2019-05-29 2019-09-17 上海交通大学 具有空间相关性的圆柱形状误差的监控方法、系统及介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7133788B2 (en) * 2004-07-27 2006-11-07 Taiwan Semiconductor Manufacturing Company, Ltd. Process controller for semiconductor manufacturing
US8703368B2 (en) * 2012-07-16 2014-04-22 Taiwan Semiconductor Manufacturing Company, Ltd. Lithography process
CN103576444B (zh) * 2012-08-07 2016-07-06 中芯国际集成电路制造(上海)有限公司 一种掩膜版的光学临近修正方法
CN111146104B (zh) * 2019-11-29 2023-09-05 上海集成电路研发中心有限公司 一种关键尺寸误差分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163001A (zh) * 2010-02-19 2011-08-24 Asml荷兰有限公司 控制光刻设备的方法和设备
CN103782238A (zh) * 2011-08-31 2014-05-07 Asml荷兰有限公司 确定聚焦位置修正的方法、光刻处理元和器件制造方法
CN105892238A (zh) * 2011-08-31 2016-08-24 Asml荷兰有限公司 确定聚焦位置修正的方法、光刻处理元和器件制造方法
CN103777460A (zh) * 2014-03-04 2014-05-07 上海集成电路研发中心有限公司 一种提高光学邻近效应修正模型精度的方法
CN109564393A (zh) * 2016-08-01 2019-04-02 Asml荷兰有限公司 量测方法和设备、计算机程序和光刻系统
CN110088687A (zh) * 2016-12-16 2019-08-02 Asml荷兰有限公司 用于图像分析的方法和设备
CN110245395A (zh) * 2019-05-29 2019-09-17 上海交通大学 具有空间相关性的圆柱形状误差的监控方法、系统及介质

Also Published As

Publication number Publication date
WO2021103602A1 (zh) 2021-06-03
CN111146104A (zh) 2020-05-12
US20220399237A1 (en) 2022-12-15

Similar Documents

Publication Publication Date Title
KR102445995B1 (ko) 주사 전자 현미경 이미지에서의 반지도 이상 검출
KR102242414B1 (ko) 산업 공정과 관련된 진단 정보를 얻는 방법 및 장치
CN111146104B (zh) 一种关键尺寸误差分析方法
JP5597857B2 (ja) 簡略化されたミクロブリッジ形成及び粗さ解析
US6248602B1 (en) Method and apparatus for automated rework within run-to-run control semiconductor manufacturing
KR102637430B1 (ko) 계측을 위한 신호-도메인 적응
KR20190115105A (ko) 오버레이 계측 데이터에 대한 확률적 행위의 영향 결정
WO2020102611A1 (en) Using deep learning based defect detection and classification schemes for pixel level image quantification
CN108228981B (zh) 基于神经网络的opc模型生成方法及实验图案的预测方法
US7076320B1 (en) Scatterometry monitor in cluster process tool environment for advanced process control (APC)
KR20210042997A (ko) 반도체 제조에서 확률적 불량 메트릭의 사용
CN111566789B (zh) 使用电子显微法的半导体计量及缺陷分类
CN113759668A (zh) 在紧凑建模中校准随机信号
KR20220126761A (ko) 리소그래피 매칭 성능의 결정 기술
DE112018000173B4 (de) Verfahren zum Bestimmen eines charakteristischen Beitrags einer Vorrichtung aus einer Vielzahl von Vorrichtungen zu einem Fingerabdruck eines Parameters
US20180121592A1 (en) Non-transitory computer readable storage medium, mask evaluation method and inspection apparatus
Suh et al. Roughness study on line and space patterning with chemo-epitaxy directed self-assembly
CN110763696A (zh) 用于晶圆图像生成的方法和系统
Cain et al. Electrical linewidth metrology for systematic CD variation characterization and causal analysis
US9262819B1 (en) System and method for estimating spatial characteristics of integrated circuits
CN117518726A (zh) 光学邻近效应的修正方法
Lin et al. Application of an ordinal optimization algorithm to the wafer testing process
TW202147256A (zh) 對準失真影像
van der Donck et al. Optimized qualification protocol on particle cleanliness for EUV mask infrastructure
Maslow et al. Understanding the significance of local variability in defect-aware process windows

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