CN111480179A - 使用机器学习检验光罩 - Google Patents
使用机器学习检验光罩 Download PDFInfo
- Publication number
- CN111480179A CN111480179A CN201880081260.2A CN201880081260A CN111480179A CN 111480179 A CN111480179 A CN 111480179A CN 201880081260 A CN201880081260 A CN 201880081260A CN 111480179 A CN111480179 A CN 111480179A
- Authority
- CN
- China
- Prior art keywords
- reticle
- image
- field
- deep learning
- far
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 93
- 238000010801 machine learning Methods 0.000 title description 5
- 238000000034 method Methods 0.000 claims abstract description 122
- 230000008569 process Effects 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000013136 deep learning model Methods 0.000 claims abstract description 39
- 238000013461 design Methods 0.000 claims abstract description 32
- 230000007547 defect Effects 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000003384 imaging method Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 23
- 238000013507 mapping Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims 1
- 230000003287 optical effect Effects 0.000 description 22
- 238000009826 distribution Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 13
- 238000005286 illumination Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 10
- 235000012431 wafers Nutrition 0.000 description 10
- 230000009021 linear effect Effects 0.000 description 7
- 238000005192 partition Methods 0.000 description 7
- 239000000758 substrate Substances 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000000206 photolithography Methods 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 5
- 239000006096 absorbing agent Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- YXTPWUNVHCYOSP-UHFFFAOYSA-N bis($l^{2}-silanylidene)molybdenum Chemical compound [Si]=[Mo]=[Si] YXTPWUNVHCYOSP-UHFFFAOYSA-N 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000001459 lithography Methods 0.000 description 3
- 229910021344 molybdenum silicide Inorganic materials 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- WGLPBDUCMAPZCE-UHFFFAOYSA-N Trioxochromium Chemical compound O=[Cr](=O)=O WGLPBDUCMAPZCE-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 239000006117 anti-reflective coating Substances 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001627 detrimental effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 2
- 239000005350 fused silica glass Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- OUFGXIPMNQFUES-UHFFFAOYSA-N molybdenum ruthenium Chemical compound [Mo].[Ru] OUFGXIPMNQFUES-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- QGLKJKCYBOYXKC-UHFFFAOYSA-N nonaoxidotritungsten Chemical compound O=[W]1(=O)O[W](=O)(=O)O[W](=O)(=O)O1 QGLKJKCYBOYXKC-UHFFFAOYSA-N 0.000 description 2
- PQQKPALAQIIWST-UHFFFAOYSA-N oxomolybdenum Chemical compound [Mo]=O PQQKPALAQIIWST-UHFFFAOYSA-N 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 2
- 229920005591 polysilicon Polymers 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- OGIDPMRJRNCKJF-UHFFFAOYSA-N titanium oxide Inorganic materials [Ti]=O OGIDPMRJRNCKJF-UHFFFAOYSA-N 0.000 description 2
- 229910052582 BN Inorganic materials 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- SLYSCVGKSGZCPI-UHFFFAOYSA-N [B]=O.[Ta] Chemical compound [B]=O.[Ta] SLYSCVGKSGZCPI-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003667 anti-reflective effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 229910052790 beryllium Inorganic materials 0.000 description 1
- ATBAMAFKBVZNFJ-UHFFFAOYSA-N beryllium atom Chemical compound [Be] ATBAMAFKBVZNFJ-UHFFFAOYSA-N 0.000 description 1
- XTDAIYZKROTZLD-UHFFFAOYSA-N boranylidynetantalum Chemical compound [Ta]#B XTDAIYZKROTZLD-UHFFFAOYSA-N 0.000 description 1
- 239000005388 borosilicate glass Substances 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 229910000423 chromium oxide Inorganic materials 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000000609 electron-beam lithography Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 229910000476 molybdenum oxide Inorganic materials 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 229910021332 silicide Inorganic materials 0.000 description 1
- FVBUAEGBCNSCDD-UHFFFAOYSA-N silicide(4-) Chemical compound [Si-4] FVBUAEGBCNSCDD-UHFFFAOYSA-N 0.000 description 1
- HWEYZGSCHQNNEH-UHFFFAOYSA-N silicon tantalum Chemical compound [Si].[Ta] HWEYZGSCHQNNEH-UHFFFAOYSA-N 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- WQJQOUPTWCFRMM-UHFFFAOYSA-N tungsten disilicide Chemical compound [Si]#[W]#[Si] WQJQOUPTWCFRMM-UHFFFAOYSA-N 0.000 description 1
- 229910001930 tungsten oxide Inorganic materials 0.000 description 1
- 229910021342 tungsten silicide Inorganic materials 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95676—Masks, reticles, shadow masks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明揭示用于检验光刻光罩的方法及设备。基于从设计数据库产生的光罩数据库图像来经由深度学习过程产生近场光罩图像,且基于所述近场光罩图像来经由基于物理的过程模拟检验系统的图像平面处的远场光罩图像。所述深度学习过程包含基于最小化所述远场光罩图像与通过使由所述设计数据库制造的训练光罩成像获取的多个对应训练光罩图像之间的差异来训练深度学习模型,且此类训练光罩图像根据图案多样性来选择且是无缺陷的。经由裸片到数据库过程来检验由所述设计数据库制造的测试光罩的测试区域的缺陷,所述裸片到数据库过程包含比较来自参考远场光罩图像的多个参考图像与由所述检验系统从所述测试光罩获取的多个测试图像。基于由所述经训练的深度学习模型产生的参考近场光罩图像来模拟所述参考远场光罩图像。
Description
相关申请案的交叉参考
本申请案根据35 U.S.C.§119的规定主张由方浩任(Hawren Fang)等人在2017年12月28日申请的标题为“使用机器学习检验光罩(Inspection of Reticles UsingMachine Learning)”的第62/611,321号现有美国临时申请案的优先权,所述申请案的全部内容出于所有目的以引用的方式并入本文中。
技术领域
本发明大体上涉及半导体检验(例如光罩检验)的领域。更特定来说,本发明涉及裸片到数据库检验及类似物。
背景技术
一般来说,半导体制造业涉及使用经分层且图案化到衬底上的半导体材料(例如硅)来制造集成电路的高度复杂技术。集成电路通常由多个光罩制造。首先,电路设计者提供电路图案数据或设计数据库(其描述特定集成电路(IC)设计)到光罩生产系统或光罩写入器。电路图案数据通常呈所制造的IC装置的物理层的表示布局的形式。表示布局包含IC装置的每一物理层的表示层(例如栅极氧化物、多晶硅、镀金属等等),其中每一表示层由界定特定IC装置的层的图案化的多个多边形构成。光罩写入器使用电路图案数据来写入(例如,通常使用电子束写入器或激光扫描仪来暴露光罩图案)稍后将用于制造特定IC设计的多个光罩。
每一光罩或光掩模一般为含有至少透明及不透明区域及有时半透明及相移区域(其一起界定例如集成电路的电子装置中的共面特征的图案)的光学元件。在光刻期间,使用光罩来界定用于蚀刻、离子植入或其它制造工艺的半导体晶片的指定区域。
光罩检验系统可检验可发生于光罩的生产期间或使用此类光罩来进行光刻之后的光罩的缺陷。归因于大规模的电路集成及半导体装置的减小尺寸,所制造的装置已变得对缺陷越来越敏感。即,引起装置出故障的缺陷变得越来越小。因此,需要不断改进用于监测光罩的特性的检验技术。
发明内容
下文将呈现本发明的简化概要以提供本发明的特定实施例的基本理解。此概要不是本发明的详细概述且其不识别本发明的关键/重要元件或界限本发明的范围。其唯一目的是以简化形式呈现本文所揭示的一些概念作为稍后将呈现的更详细描述的前序。
在一个实施例中,揭示用于检验光刻光罩的方法及设备。基于从设计数据库产生的光罩数据库图像来经由深度学习过程产生近场光罩图像,且基于所述近场光罩图像来经由基于物理的过程模拟检验系统的图像平面处的远场光罩图像。所述深度学习过程包含基于最小化所述远场光罩图像与通过使由所述设计数据库制造的训练光罩成像来获取的多个对应训练光罩图像之间的差异来训练深度学习模型,且此类训练光罩图像根据图案多样性来选择且是无缺陷的。经由裸片到数据库过程来检验由所述设计数据库制造的测试光罩的测试区域的缺陷,所述裸片到数据库过程包含比较来自参考远场光罩图像的多个参考图像与由所述检验系统从所述测试光罩获取的多个测试图像。基于由所述经训练的深度学习模型产生的参考近场光罩图像来模拟所述参考远场光罩图像。在特定实施方案中,所述测试光罩及所述训练光罩是相同光罩且所述测试图像是从不同于获取所述训练图像的区域的此相同光罩的区域获取。
在另一方面中,所述基于物理的过程是基于用于基于所述近场光罩图像来产生所述检验工具的图像平面上的所述远场光罩图像的霍普金斯(Hopkins)方法,且所述深度学习过程包含将所述光罩数据库图像映射到将由与由所述设计数据库制造的光罩相互作用的光产生的近场光罩图像。在另一实施例中,所述深度学习模型是未将光罩成像并入到所述图像平面上的卷积神经网络(CNN)。
在另一方面中,所述深度学习模型不包括模拟由所述检验工具中的场相依变化引起的所述远场光罩图像的扰动且独立于所述检验工具。在另一方面中,通过调整所述深度学习模型的多个层的特定参数(其包含权重及/或偏离值)来训练所述深度学习模型以最小化所述远场光罩图像与所述对应训练光罩图像之间的差异。在一个实施例中,其中发生调整的所述层包括具有非线性激活的卷积层。在另一方面中,在不调整用于下取样操作的一或多个低通滤波层中的参数的情况下训练所述深度学习模型。
在替代实施例中,所述CNN包含用于抵消所述光罩数据库图像与由此光罩数据库图像产生的物理光罩之间的偏差的一或多个卷积层、用于产生多个下取样图像的一或多个层及用于实施近场分辨率的稀疏表示的一或多个层。在另一实施方案中,所述测试图像与所述参考图像对准,且动态补偿过程相对于所述测试图像应用于所述参考图像以抵消所述检验工具的变化(其包含焦点波动及/或场相依变化)。
在替代实施例中,本发明涉及一种用于检验光刻光罩的检验系统。所述系统包括经配置以执行上述操作的一或多者的至少一个存储器及至少一个处理器。在另一方面中,本发明涉及一种计算机可读媒体,其上存储有用于执行上述操作中的一或多者的指令。
下文将参考图式来进一步描述本发明的这些及其它方面。
附图说明
图1是根据本发明的一个实施例的用于从设计数据库获得参考光罩图像的过程的图解表示。
图2说明根据本发明的实例实施方案的用于接收光罩数据库图像的接受域的卷积层的神经元的图解表示。
图3说明根据本发明的一个实施例的用于从光罩数据库图像产生光罩近场图像的(卷积神经网络(CNN)过程。
图4说明根据本发明的特定实施方案的用于从光罩数据库图像产生光罩近场图像的详细CNN过程。
图5说明根据本发明的一个实施例的缺陷检测过程。
图6是可实施本发明的技术的实例检验系统的图解表示。
图7提供根据特定实施例的光掩模检验设备的示意图。
具体实施方式
在以下描述中,陈述众多具体细节以提供本发明的透彻理解。可在无一些或所有这些具体细节的情况下实践本发明。在其它例子中,未详细描述众所周知的过程操作以免不必要地使本发明不清楚。尽管将结合特定实施例来描述本发明,但应理解,其不希望使本发明受限于实施例。
可相对于任何适合类型的光罩或光掩模来应用本文所描述的检验技术。在一个实例中,极紫外线(EUV)光刻工艺使用经设计以促进EUV波长(例如13.5nm)处晶片上的图案化的EUV型光罩。EUV光罩一般可包含衬底,例如低热膨胀(LTE)或超低膨胀(ULE)玻璃板(例如熔硅石)。衬底由多层材料覆盖以提供EUV波长处的中度反射率(例如60%到70%或更大)以在EUV波长处执行光刻曝光。多层(ML)堆叠充当最大化EUV辐射的反射的布拉格(Bragg)反射器,同时是EUV辐射的不良吸收器。反射一般发生于具有较高差异以引起更大反射率的不同折射率的材料之间的界面处。尽管暴露于极低波长的材料的折射率约等于1,但可通过使用具有不同折射率的交替层的多个层来实现显著反射。ML堆叠包括低吸收特性,使得冲击辐射被几乎无损失反射。在特定实施例中,多个层包含以约7纳米节距布置的钼(Mo)层及硅(Si)层的约30个到约40个(或40个到50个)之间的交替对。其它适合层可包含Mo2C及Si、Mo及铍(Be)、钼钌(MoRu)及Be的交替层。
多个层可包含封盖层(例如Ru)以防止氧化。在其它实施例中,EUV光罩可包含石英、抗反射涂层(ARC)及其它特征。图案形成于安置于多个层上的吸收器层中。例如,由薄抗反射氧化物(例如氧化钽硼(TaBO))顶盖的氮化钽硼(TaBN)膜充当EUV吸收器。用于光罩图案的(若干)材料可经选择以具有几乎为零的蚀刻偏离以实现超精细分辨率特征。
除EUV型光罩之外,术语“光罩”及“光掩模”还可包含其上形成有的一层不透明材料的透明衬底,例如玻璃、硼硅酸盐玻璃、石英或熔硅石。不透明(或基本上不透明)材料可包含完全或部分阻挡光刻光(例如深UV)的任何适合材料。实例材料包含铬、硅化钼(MoSi)、硅化钽、硅化钨、玻璃上覆不透明MoSi(OMOG)等等。多晶硅膜还可加于不透明层与透明衬底之间以改进粘合性。低反射膜(例如氧化钼(MoO2)、氧化钨(WO2)、氧化钛(TiO2)或氧化铬(CrO2))可形成于不透明材料上。
术语“光罩”可指代不同类型的光罩,其包含(但不限于)明场光罩、暗场光罩、二元光罩、相移掩模(PSM)、交变PSM、衰减或半色调PSM、三元衰减PSM及无铬相位光刻PSM。明场光罩具有透明的场或背景区域,且暗场光罩具有不透明的场或背景区域。二元光罩是具有透明或不透明的图案化区域的光罩。例如,可使用由具有由铬金属吸收膜界定的图案的透明熔硅石坯料制成的光掩模。二元光罩不同于相移掩模(PSM)(其中一种类型可包含仅部分透射光的膜),且这些光罩可共同称为半色调或嵌入式相移掩模(EPSM)。如果相移材料放置于光罩的交变明亮空间上,那么光罩称为交变PSM、ALT PSM或利文森(Levenson)PSM。应用于任意布局图案的类型的相移材料称为可通过将不透明材料替换为部分透射或“半色调”膜来制造的衰减或半色调PSM。三元衰减PSM是也包含完全不透明特征的衰减PSM。
返回参考EUV光刻工艺,光源可产生适合与EUV光罩一起使用的任何适合辐射。例如,可利用约11到14nm之间的EUV波长或较低软x射线波长。在特定实施方案中,产生约13.5nm的波长。在光刻期间,从EUV的光罩的多个层反射的辐射被吸收于形成于晶片衬底上的光致抗蚀剂中。所吸收的辐射产生光酸(H+)及放大光酸,当使抗蚀剂显影时,光酸及放大光酸在对应于EUV光罩的吸收器图案层的晶片衬底的光致抗蚀剂中形成暴露图案。
从工艺良率管理的观点看,界定印刷于硅晶片上的图案的EUV光掩模的缺陷率控制起着至关重要的作用。然而,归因于缺乏在相同于EUV扫描仪使用的波长的波长(例如13.5nm)处光学检验光掩模的光化EUV光掩模检验器,缺陷检测已被视为EUV光刻显影的高风险区域。电子束检验工具(其可能提供良好灵敏度)通常具有比所要检验处理量低几个数量级的检验处理量且因此不是全掩模检验的可行解决方案。当前及在可预见的将来,图案化EUV光罩的检验必须依靠在深UV(DUV)波长范围(190到260nm)内操作的更易取得、较高处理量检验工具。
一种类型的检验技术利用裸片到数据库方法,其通常包含基于数据库来计算参考图像。数据库含有待写到光罩上的一系列多边形形状。计算参考图像通常可包含:(i)对多边形通过其来写到光罩上的电子束光刻进行建模;(ii)特征化光罩检验显微镜的光瞳照明图案;(iii)计算照明如何与图案化光罩相互作用以形成衍射近场;及(iv)对衍射近场如何由阵列传感器成像及记录于图像平面处进行建模。
当使用基于物理的方法(例如霍普金斯方法)时,计算照明如何与图案化光罩相互作用以形成衍射近场在计算上是有困难的。一般来说,霍普金斯方法是基于点源贡献及衍射振幅上的积分顺序的交换,其允许将具有固定照明、数值孔径、散焦及其它像差的给定光学系统描述为具有透射交叉系数(TCC)。TCC可仅被计算一次且其后重复用于由相同光学系统成像的不同掩模图案的重复图像模拟。一个问题是将霍普金斯方法用于极紫外线(EUV)光罩在计算上是极其昂贵的。例如,已知方法无法在实际检验时间内严格解决整个光罩。计算照明如何与图案化光罩相互作用的另一困难是光罩图案的尺寸、蚀刻图案的侧壁的轮廓及光罩材料的光学性质存在一些不确定性。
本发明的特定实施例使用机器学习来将掩模上的图案映射到衍射场。在特定实施方案中,卷积神经网络(CNN)用于学习掩模图案到衍射场(称为“掩模近场”)的此映射。尽管主要在CNN的上下文下描述以下实例实施例,但其它机器学习或神经网络过程可用于学习掩模近场图像。
除照明与光罩的相互作用之外,可使用基于物理的模型来准确特征化及快速模拟图像形成。因此,用于产生光罩的参考图像的方法保持基于物理的模型过程。即,学习过程(例如经由CNN)不将光罩图像形成并入到图像平面(例如检验工具检测器)上。
在一个实施例中,使用实际光罩及其由检验工具获取的实际图像来训练卷积神经网络。在此操作模式中,通过最小化检测器上的最终模拟图像与由工具获取的实际图像之间的差异来执行训练。
光学系统的性质可随时间及成像场中的不同位置而变化。有利地,一旦从CNN过程获知由光罩衍射的场,就可使用基于物理的模型来计算图像相对于光学系统的变化的扰动。因此,CNN不背负此任务,使得训练过程比检测器图像由CNN学习时简化很多。与基于物理的方法相比,神经网络过程提供近场光罩图像的显著更准确计算。另外,神经网络过程是高效率的,因为神经网络的输入及输出图像彼此无显著不同且学习任务被简化。此效率通过不使神经网络过程学习远场图像来完成。总来说之,组合用于计算近场光罩图像的准确神经网络方法与用于从近场光罩图像计算光罩图像的基于物理的方法导致更高效更敏感检验过程。
图1是根据本发明的一个实施例的用于从设计数据库获得参考光罩图像的过程100的图解表示。首先,将数据库图像102提供给深度学习模型104。可基于用于制造待检验的光罩的设计数据库来提供数据库图像。例如,使用任何适合技术来使二元光罩图像由设计数据库的多边形描述再现。即,暗及亮强度值可分别赋予吸收器及多层区域,或反之亦然。
深度学习模型104经配置以经由输入数据库光罩图像102的学习模型来产生近场光罩图像。在训练期间,近场光罩图像由深度学习模型104输出且输入到基于基于物理的建模参数108的基于物理的模拟过程106。例如,基于物理的方法涉及用于模拟从光罩近场图像通过检验工具的收集路径而到此工具的检测器上的远场图像的光的霍普金斯方法。基于物理的建模参数可包含预计算从近场穿过检验系统而到检测器的光行为的透射交叉系数(TCC)。基于物理的模拟过程106输出模拟光学光罩图像,其输入到优化光学光罩图像与通过使由设计数据库制造的光罩成像来获取的无缺陷训练光学图像112之间的差异的训练优化器110。
在一个实施例中,检查光罩的小区域(例如小于0.01%)且验证或假定其为无缺陷。从光罩的此无缺陷部分获取图像且将其用作为训练图像。在训练模型之后,可使用来自训练模型的输出来检验光罩的剩余部分(例如其它99.99%)。
深度学习模型与训练优化器110一起工作以训练厚掩模衍射模型以基于无缺陷训练光学图像112来从数据库光罩图像输出近场光罩图像。即,优化器训练或调整深度学习模型参数,同时使基于物理的建模参数108保持恒定。
任何适合深度学习模型可用于确定光罩近场。在特定实施方案中,可使用卷积神经网络(CNN)。CNN是最常用于分析视觉意象使得其非常适合于分析光罩数据库图像的一类深度前馈神经网络。一般来说,CNN包含“神经元”的多个互连层,且每一神经元经设计以模仿视觉皮质,因为每一神经元仅接收及变换小输入域(例如光罩数据库图像的一小部分)。神经元的输入区域称为其接受域。在卷积层中,接受域小于整个先前层。图2说明根据本发明的实例实施方案的具有用于接收光罩数据库图像202的接受域202a的神经元204a的卷积层204的图解表示。层204还将包含用于光罩数据库图像202的其它接受域的其它神经元(未展示)。
神经网络中的每一神经元将某一功能应用于来自其先前层中的接受域的输入值且计算一组输出值。应用于输入值的功能可由权重向量及偏离(通常为实数)指定。神经网络中的学习通过使偏离及权重递增调整来进步。在卷积层中,权重向量及偏离可称为滤波器,且卷积层的一个明显特征是众多神经元可共享相同滤波器。滤波器的此共享减少存储器占据面积,因为可在所有接受域中使用单个滤波器,而非每一接受域在全连接层中具有其自身偏离及权重向量。
在神经网络中,每一神经元从先前层中的某数目个位置接收输入。在全连接层中,每一神经元从先前层的每个元件接收输入。在卷积层中,神经元仅从先前层的受限子区域接收输入。甚至小图像(例如100×100个像素)的全连接层将需要使用10000个权重用于接收层中的每一神经元。相反地,使用卷积层减少自由参数的数目以允许网络使用较少参数来进入更深层次。例如,大小5×5的拼接区域可各自使用相同共享权重(例如仅25个可学习参数)。
CNN通常将具有局部及完全连接的不同类型的层,其经堆叠以形成CNN。这些堆叠层可用于使准确光罩近场图像由光罩数据库图像形成。例如,董超(Chao Dong)等人的“学习针对图像超分辨率的深度卷积网络(Learning a Deep Convolutional Network forImage Super-Resolution)”(在2014年欧洲计算机视觉会议(ECCV)的会报中,所述论文以引用的方式并入本文中)中进一步描述使用CNN来学习准确图像的若干技术。一般来说,光罩数据库图像将输入到CNN层以产生近场图像,接着使用所述近场图像作为输出模拟光罩远场图像(例如在检验检测器处)的基于物理的模型的输入。
图3说明根据本发明的一个实施例的用于从光罩数据库图像302产生光罩近场图像312的简化CNN过程300。在此实例中,CNN通常将包含额外层及每一层处的额外滤波器及映射,其未展示于说明图中以简化描述。
首先,光罩数据库图像302可由图块提取层314a接收以从光罩数据库图像302提取及表示图块。图块可重叠。例如,图块提取层314a可包含滤波器304,其呈应用于每一像素的权重核心的形式。每一滤波器具有大小f1×f1。在所说明的实例中,滤波器304是相对于光罩数据库图像302的每一像素卷积的9×9核心。即,9×9核心在整个光罩数据库图像中步进以每次一个地将每一像素放置于核心的中心中。在当前实例中,滤波器304展示为应用于光罩数据库图像302的像素302b及其相邻像素302a。此像素302b及其相邻像素上的滤波器304的输出将为(阵列306的)值306a。将存在应用于每一像素以导致每一像素的n1值阵列(例如阵列306)的额外滤波器(未展示)。一般可执行每一核心滤波器的权重与相应重叠光罩数据库图像之间的点积以导致特定像素的值。具有与光罩数据库图像相同的大小的所得图像从经步进且应用于整个光罩数据库图像中的核心产生。未展示应用于所有光罩数据库图像像素的图块提取层的所有滤波器的输出阵列以简化本发明。
接着,如所展示,来自图块提取层的输出可输入到下一层。如所展示,非线性映射层314b可应用于图块提取层314a的输出。接着,如所展示,光罩像素302b的卷积结果n1(306)可输入到输出映射非线性结果n2(308)的非线性映射层。任何适合数目及类型的非线性映射层可由CNN使用。举例来说,sigmoid(x)、tanh(x)、ReLU(整流线性单元)、漏溢ReLU等等。ReLU函数应用非饱和激活函数f(x)={max(0,x)},其用于在不影响卷积层的接受域的情况下增加决策函数及整个网络的非线性性质。
在光罩数据库的所有像素通过图块提取及非线性映射层之后,重构过程314c可通过组合滤波器及非线性映射结果来重构光罩近场图像结果312。更精确来说,重构过程可聚集每一像素的f3×f3相邻图块。所得近场图像可表示地表实况近场图像。然而,如本文将进一步描述,使用基于物理的方法来对近场图像执行额外处理以模拟最终光罩远场图像,其预期类似于易于取得的地表实况远场光罩图像。
如本文所提及,CNN将可能包含任何数目及类型的卷积层及/或其它层。图4说明根据本发明的特定实施方案的用于从光罩数据库图像产生光罩近场图像的详细CNN过程400。首先,光罩数据库图像可包括多个图像402。例如,光罩数据库图像402可包含由设计数据库光栅化的图像、由|gradx(DB)|表示的绝对值X梯度图像及由|grady(DB)|表示的绝对值Y梯度图像。在此实例中,“DB”是光罩数据库图像。X方向上的梯度图像|gradx(DB)|可由有限差分近似实施,有限差分近似由应用于经受缩放的DB的行的卷积滤波器[-1 0 1]执行。接着,可逐元素应用绝对值函数以形成|gradx(DB)|。同样地,可获得Y方向上的绝对值梯度图像|grady(DB)|。
CNN可包含用于抵消设计数据库图像与物理掩模之间的偏差的一或多个卷积层。例如,1×1核心可在所有光罩数据库图像402中卷积以导致特征图像404,特征图像404接着可输入到另一卷积层以产生通过将多个滤波器应用于每一特征图像404来增加图像的数目的一组特征图像406。即,一个以上滤波器可应用于经抵消图像404的每一像素以产生比输入特征图像404多的特征图像406。
在一个一般抵消实例中,加总光罩数据库图像及经缩放|gradx(DB)|图像具有改变垂直线-空间图案的CD(关键尺寸)的效应。|gradx(DB)|及|grady(DB)|还可用于放宽等距映射(例如,x及y方向上的CD变化可不同)。此是因为电子束掩模写入器不完美且所得掩模可略微不同于设计。例如,如果设计具有100nm CD,那么归因于掩模写入器的不完美,物理掩模实际上可具有95nm CD。此偏差通常称为“掩模偏离”。因此,第一卷积层可用于抵消此掩模偏离。实际上,此层是相关于(但非等效于)学习掩模偏离。在此实例中,此层经配置以提供有助于学习的(若干)特征图像且因此提高预测近场光罩图像的所得准确度。
接着,特征图像406可输入到低通滤波过程以接着将特征图像406下取样到一组较小特征图像408。例如,特征图像406可具有4X大小,且所得特征图像408具有2X大小。一般来说,输入图像缺乏灰阶且几乎为二元的(大多数像素是全亮或全暗),而预期近场及远场图像将呈现精细灰阶(作为预期地表实况图像)。因此,当可在整个CNN中下取样输入以实现最终输出时,具有像素大小55/4nm2的较高分辨率特征图像(4X)是具有像素大小55nm2的1X。此第一下取样层可经配置以通过从信号处理应用低通滤波器且接着下取样来将像素大小55/4nm2改变为55/2nm2(4X到2X)。即,不同于平均池化(其在计算机视域中较为流行)。
CNN 400的随后层422可实施近场分辨率的稀疏表示。此神经网络技术已应用于上文所引用的董超(Chao Dong)的论文及图3中的图像超分辨率。例如,一组9×9个滤波器各自在所有特征图像408中卷积以导致特征图像410。由于此阶段中的9×9个滤波器具有比输入特征图像408高的数目,所以输出特征图像410(或输出通道)也具有比输入特征图像408高的数目。由每一层输出的通道的数目可经选择以提供与保存处理资源及一般化平衡的显著提高准确度(即,更多通道趋向于导致较高准确度)。例如,如果较高通道数目导致极少提高及增加处理,那么其可不被选择;但如果较高数目个通道导致显著准确度提高(即使增加处理负担),那么其被选择。滤波器数目选择可基于经验结果。输出特征图像410可因仅使用“有效”区域以不包括光晕区域而较小。与光罩数据库图像大小4X相比,CNN的下取样层可促成像素大小减小以实现最终1X大小。
接着,特征图像410由实施降维过程的非线性层接收以输出具有比输入特征图像410少的数目(通道)的一组特征图像412。在此实例中,大小1×1的滤波器在所有特征图像410中卷积以输出具有相同于输入图像的大小的减少通道/特征图像412。
接着,上文所描述的重构层可应用于特征图像412以输出一组近场残留图像414。(非线性)降维层的输出可称为“基本图像”。为重构近场残留图像的实部及虚部中的每一者,5×5可训练滤波器可应用于每一基本图像;加总所有经滤波基本图像;接着非线性激活函数以输出近场残值(实部或虚部)。基于经验结果来选择滤波器大小5×5以实现预界定准确度等级,但其它应用可选择其它大小。
实际上,1个CNN网络可用于预测2个近场图像以提高计算效率。在此实例中,近场图像是可由两个实值特征图像表示的复合图像。图像的数目可对应于针对不同检验工具设置来产生的图像的任何数目及类型。在当前实例中,X及Y两种偏振模拟图像可由一个CNN产生以用于与由购自加利福尼亚州米尔皮塔斯市(Milpitas,CA)科磊(KLA-Tencor)公司的Teron 640e工具获取的X及Y偏振光学图像一起使用。因此,总共存在4个最终光罩实值图像来形成2个近场图像。接着,如所展示,近场残留图像414可加到克希何夫(Kirchoff)场(近场的线性近似)以产生一组4个预测实值图像416来形成用于两个偏振(X及Y偏振)的2个近场图像。
克希何夫场大体上是近场的线性近似(快速但不准确)。为促进训练,CNN可首先预测近场残留图像(所要近场与克希何夫场之间的差异)。接着,可通过使残值与克希何夫场加总来获得预测近场图像。在所说明的实例中,近场残留图像414加到克希何夫场以形成由低通滤波器处理的2X近场残留图像416,其中结果经下取样以产生1X处的预测近场图像418。
不管特定CNN配置如何,预测近场图像可用于产生远场光罩图像,远场光罩图像接着用于训练CNN,如相对于图1所描述。例如,预测近场图像(NF)可接着输入到依据基于物理的建模参数108的基于物理的模拟过程106。在一个实施方案中,部分同调模型(PCM)经配置以通过以下方程式来产生远场图像:
优化器10接收所产生的模型图像Imodel及对应训练图像Itraining(112)(其预先被筛选为无缺陷的(经由独立测量))。可使用例如随机梯度下降(SGD)、RMSProp、动量、Adam、K-FAC等等的任何适合优化过程。优化器110一般可经配置以通过相对于深度学习模型104调整某些可训练参数来最小化此类训练图像Itraining(112)与模拟远场图像Imodel之间的差异。在特定实施方案中,可最小化损失函数,例如以下方程式[2]中所界定的差异图像的平方之和:
在以上方程式[2]中,“||||F”是弗罗贝尼乌斯(Frobenius)范数。即,调整深度学习模型的可训练参数,直到最小化方程式[2]的(例如)损失函数,此后深度学习模型被视为针对特定光罩训练。在深度学习模型中,除具有未被训练的固定参数的低通滤波器层之外,卷积层的参数是可调整可训练参数。在特定实施例中,深度学习模型可在制造光罩之后实时被训练且在用于光刻工艺之前被视为无缺陷的。训练数据可由有经验的工程师选择及筛选以实现无缺陷图案的充分覆盖。
一旦针对特定光罩训练深度学习模型,深度学习模型就可用作为整个缺陷检测过程的部分,其包含抵消平移偏移的图像对准及抵消光学波动及场相依性的动态补偿(DC)机制。图5说明根据本发明的一个实施例的缺陷检测过程500。为了完整性,设计数据库多边形可首先由产生光罩4X数据库(DB)图像的DB光栅图像再现过程502接收,4X DB图像接着由包含输出预测近场图像的深度学习模型504(例如上文所描述的经训练CNN)的深度学习过程接收。
光学模型图像再现过程506接收近场光罩图像且经配置以产生远场图像。图像对准过程508经配置以使从检验工具获取的测试图像对准于再现远场图像。具体来说,相对于远场图像移动测试图像,直到两组图像之间的差异极小。
从光罩的检验区域获得测试图像。此外,当入射光束扫描光罩的每一图块时,EUV检验工具可操作以检测及收集多个偏振的反射光图像。在非EUV光罩检验器中,可利用透射光(及/或反射光)且本文所描述的技术可经配置用于此类检验器。入射光束可扫描各自包括多个图块的光罩扫描带。响应于此入射光束而从每一图块的多个点或子区域收集光。
检验工具一般可操作以将此检测光转换为对应于强度值的检测信号。检测信号可呈电磁波形的形式,所述电磁波形具有对应于光罩的不同位置处的不同强度值的振幅值。检测信号也可呈强度值及相关联光罩点坐标的简单列表的形式。检测信号也可呈图像的形式,所述图像具有对应于光罩上的不同位置或扫描点的不同强度值。光罩图像可在扫描光罩的所有位置且检测光之后产生光罩图像,或可在扫描每一光罩部分时产生光罩图像的部分。一般来说,来自光罩的特定图块的测试图像可由检验工具产生。
在特定实施例中,动态补偿(DC)过程512也可实施于由光学模型图像再现过程506产生的远场图像及对准测试图像上。动态补偿过程可经配置以抵消特定工具变化(例如焦点波动及/或场相依变化)以产生动态补偿(DC)光罩图像。动态补偿(DC)之前及DC之后的远场图像分别称为DC前及DC后图像。
在此实例中,DC前图像可由以下方程式界定:
接着,动态补偿可包括另一损失函数的最小化。例如,线性最小平方是:
其中由极小元λ1、λ2、…λn而非原始特征值形成的图像Imodel称为DC后图像。
接着,可通过比较DC后光罩图像与测试图像来执行缺陷检测(510)且接着获得检验报告。接着,可由(例如)缺陷分类过程或高分辨率工具重检差异。例如,SEM可用于重检缺陷区域以确定关键尺寸(CD)是否超规格。重检可包含使有害缺陷与可能将影响使用此光罩来产生的最终晶片上的装置的功能的“真实”缺陷分离。举例来说,可确定特定光罩有害缺陷不可能导致晶片上的印刷缺陷,而其它光罩有害缺陷可导致影响装置功能的印刷缺陷。
超规格CD(或其它缺陷)可导致光罩无法通过检验。如果光罩无法通过检验,那么可舍弃或修复光罩(如果可能的话)。例如,特定缺陷可从光罩清除。在修复或清除之后,可对经修复或清除的光罩执行新检验且重复过程。替代地,可调整光罩制造过程或光罩设计且制造新光罩。
一般来说,EUV光罩的吸收器及多层材料形成经设计及形成有关键尺寸(CD)宽度的图案结构。特定CD值一般会影响特定光罩特征在光刻工艺中转印到晶片的方式,且此CD经选择以优化此转印过程。换句话来说,如果特定光罩特征的CD值在指定CD范围内,那么此CD值将导致允许适当操作所得集成电路的对应晶片特征的制造,如由电路设计者所预期。特征通常形成有还导致操作电路的最小尺寸以节省集成芯片面积。
新制造的光罩可包含CD(或其它膜或图案特性)缺陷问题。例如,光罩可具有缺陷CD区域。光罩可随时间以众多不同方式受损。一些类型的CD劣化可由光罩特征(MoSi)与曝光光之间的化学反应、清除过程、污染等等引起。这些物理效应也会不利地影响光罩随时间的关键尺寸(CD)。
由于此劣化,特征CD值会显著改变以影响整个光罩的CD均匀性且不利地影响晶片良率。例如,掩模的部分中的掩模特征宽度会显著大于原始线宽CD。例如,可存在CD非均匀性的径向图案,其中光罩的中心具有不同于光罩的边缘的CD。
可产生光罩的关键尺寸均匀性(CDU)图以促进此光罩的CD监测。这些CDU图对于半导体芯片制造者理解将源自使用光罩的过程窗来说是很重要的。CDU图可允许芯片制造者确定使用光罩、对光刻工艺中的误差施加补偿或改进光罩的制造以形成改进的下一光罩。
可使用各种技术来产生CDU图。在裸片到数据库检验方法中,可比较测试及参考图像的对应区域之间的平均强度值以获得差量强度值。接着,整个光罩的差量强度值可有效形成差量强度图,其接着可校准为全CDU图。尽管检验技术被描述为基于强度型信号,但其它类型的信号可用于本发明的替代实施例中。
本发明的特定实施例提供用于通过从设计数据库提供高效率且准确再现的参考光罩图像来显著提高DUV检验工具的EUV光罩缺陷敏感度的设备及技术。通过比较,可在不到90分钟内完成用于产生准确近场图像的深度学习技术与用于产生远场光罩图像的基于物理的建模过程的组合,而使用基于物理的严格模拟方法来产生近场图像将要数年时间。已发现,与其它技术相比,使用深度学习及基于物理的建模的组合来获得的结果已根据最终建模光罩图像与无缺陷图像之间的差异来显著提高准确度。为减少散粒噪声的效应,可应用全1的2×2卷积滤波器且可测量量值的最大差以估计模型误差。在具有2D图案的2K×1K图块图像的实例中,使用深度学习方法的DC前图像与测试图像之间的最大卷积差是51灰阶,而使用常规方法的最大卷积差是109灰阶。就相同图块图像来说,发现使用深度学习方法的DC后图像与测试图像之间的最大88灰阶卷积差与使用常规方法的40卷积差相对。理想地,用于产生近场光罩图像的深度学习过程独立于检验工具。
本发明的技术可实施于硬件及/或软件的任何适合组合中。图6是可实施本发明的技术的实例检验系统600的图解表示。检验系统600可从检验工具或扫描仪(未展示)接收输入602。检验系统还可包含用于分布所接收的输入602的数据分布系统(例如604a及604b)、用于处理所接收的输入602的特定部分/图块的强度信号(或图块)处理系统(例如图块处理器及存储器606a及606b)、用于学习近场光罩图像的深度学习系统(例如深度学习GPU及存储器612a)、远场建模及学习支持系统(例如远场建模及学习支持处理器及存储器612b)、用于允许检验系统组件之间的通信的网络(例如交换网络608)、任选容量存储装置616及用于重检图的一或多个检验控制及/或重检站(例如610)。检验系统600的每一处理器通常可包含一或多个微处理器集成电路且还可含有接口及/或存储器集成电路且可另外耦合到一或多个共享及/或全局存储器装置。在特定实施方案中,深度学习模型(例如CNN)实施于图形处理单元(GPU)上以提高训练过程的速度及处理能力,而用于产生DC后或DC前光罩图像的其它过程(基于物理的建模、训练优化、动态补偿等等)由一或多个CPU及存储器实施。
用于产生输入数据602的扫描仪或数据采集系统(未展示)可呈用于获得光罩的强度信号或图像的任何适合仪器(例如本文将进一步描述)的形式。例如,扫描仪可构造光学图像或基于反射、透射或以其它方式导引到一或多个光传感器的检测光的一部分来产生光罩的一部分的强度值。接着,扫描仪可输出强度值或图像可从扫描仪输出。
光罩一般分成从其获得来自多个点的多个强度值的多个图块部分。可扫描光罩的图块部分以获得此强度数据。取决于特定系统及应用要求,图块部分可为任何大小及形状。一般来说,可通过以任何适合方式扫描光罩来获得每一图块部分的多个强度值。举例来说,可通过光栅扫描光罩来获得每一图块部分的多个强度值。替代地,可通过使用任何适合图案(例如圆形或螺旋图案)扫描光罩来获得图像。当然,传感器必须经不同布置(例如以饼图案)及/或光罩可在扫描期间不同移动(例如旋转)以扫描来自光罩的圆形或螺旋形状。
在下文将说明的实例中,当光罩移动通过传感器时,光由光罩的矩形区域(本文称为“扫描带”)检测且此检测光转换为每一图块中的多个点处的多个强度值。在此实施例中,扫描仪的传感器以矩形图案布置以接收从光罩反射及/或透射的光且从其产生对应于光罩的图块的扫描带的一组强度数据。在特定实例中,每一扫描带可为约1到2百万像素宽及约1000到2000像素高,而每一图块可为约2000像素宽及约1000像素高。
可使用以任何适合方式设置的光学检验工具来获得每一图块的强度值。光学工具一般使用一组操作参数或对于不同检验操作来说基本上相同的“配方”来设置以获得强度值。配方设置可包含以下设置中的一或多者:用于以特定图案、像素大小扫描光罩的设置、用于从单个信号分组相邻信号的设置、焦点设置、偏振设置、照明或检测孔径设置、入射光束角及波长设置、检测器设置、反射或透射光量的设置、空中建模参数等等。
强度或图像数据602可由数据分布系统经由网络608接收。数据分布系统可与用于保存所接收的数据602的至少一部分的一或多个存储器装置(例如RAM缓冲器)相关联。优选地,总存储器足以保存数据的整个扫描带。例如,1吉字节的存储器非常适合于每偏振及焦点的设置为1百万×1000像素或点的扫描带。
数据分布系统(例如604a及604b)还可控制所接收的输入数据602的部分到图块处理器(例如606a及606b)的分布。例如,数据分布系统可路由第一图块的数据到第一图块处理器606a,且可路由第二图块的数据到图块处理器606b。多个图块的多组数据也可路由到每一图块处理器。分布系统还可控制建模DC前或DC后光罩图像(“参考光罩图像”)的部分到图块处理器(例如606及606b)的分布。
图块处理器可接收强度值或对应于光罩的至少一部分或图块的图像。图块处理器也可各自耦合到一或多个存储器装置(未展示)(例如提供本地存储器功能(例如保存所接收的数据部分)的DRAM装置)或与所述一或多个存储器装置集成。优选地,存储器足以保存对应于光罩的图块的数据。例如,8兆字节的存储器非常适合于强度值或对应于是512×1024个像素的图块的图像。图块处理器还可共享存储器。
每一组输入数据602可对应于光罩的扫描带。一或多组数据可存储于数据分布系统的存储器中。此存储器可由数据分布系统内的一或多个处理器控制,且存储器可分成多个分区。例如,数据分布系统可将对应于扫描带的一部分的数据接收到第一存储器分区(未展示)中,且数据分布系统可将对应于另一扫描带的另一数据接收到第二存储器分区(未展示)中。优选地,数据分布系统的每一存储器分区仅保存将路由到与此存储器分区相关联的处理器的数据的部分。例如,数据分布系统的第一存储器分区可保存第一数据且路由第一数据到图块处理器606a,且第二存储器分区可保存第二数据且路由第二数据到图块处理器606b。
入射光或检测光可通过任何适合空间孔隙以按任何适合入射角产生任何入射或检测光轮廓。举例来说,可编程照明或检测孔隙可用于产生特定光束轮廓,例如偶极、四极、类星体、环形等等。在特定实例中,可实施源掩模优化(SMO)或任何像素化照明技术。
数据分布系统可基于数据的任何适合参数来界定及分布数据的每一组数据。例如,可基于光罩上的图块的对应位置来界定及分布数据。在一个实施例中,每一扫描带与对应于扫描带内的像素的水平位置的列位置的范围相关联。例如,扫描带的列0到256可对应于第一图块,且这些列内的像素将包括路由到一或多个图块处理器的第一图像或强度值集。同样地,扫描带的列257到512可对应于第二块,且这些列中的像素将包括路由到不同图块处理器的第二图像或强度值集。
图7提供根据特定实施例的实例检验系统750的示意图,检验系统750具有包含成像透镜(其在光罩平面752处具有相对较大数值孔径751b)的照明光学装置751a。所描绘的检验系统750包含检测光学装置753a及753b,其包含经设计以提供(例如)60到200X或更大放大率以加强检验的显微镜放大光学器件。例如,检验系统的光罩平面752处的数值孔径751b可明显大于光刻系统的光罩平面处的数值孔径701,其将导致测试检验图像与实际印刷图像之间的差异。尽管所说明的检验器包含反射光组件及透射光组件两者(用于检验非EUV光罩),但EUV光罩检验将仅利用反射光。
本文所描述的检验技术可实施于各种特别配置的检验系统(例如图7中所示意性说明的检验系统)上。所说明的系统750包含照明源760,其产生被导引穿过照明光学装置751a而到光罩平面752中的光掩模M上的光束。光源的实例包含激光或过滤灯。在一个实例中,源是193nm激光器。如上文所解释,检验系统750可在光罩平面752处具有可大于对应光刻系统的光罩平面数值孔径的数值孔径751b。待检验的光掩模M放置于光罩平面752处的掩模载物台上且暴露于源。
从掩模M导引图案化图像穿过光学元件753a的集合,光学元件753a的集合将图案化图像投影到传感器754a上。在反射系统中,光学元件(例如分束器776及检测透镜778)导引及捕获反射光到传感器754b上。适合传感器包含电荷耦合装置(CCD)、CCD阵列、时间延迟积分(TDI)传感器、TDI传感器阵列、光电倍增管(PMT)及其它传感器。
照明光学柱可相对于掩模载物台移动及/或载物台通过任何适合机构来相对于检测器或相机移动以扫描光罩的图块。例如,电动机机构可用于移动载物台。举例来说,电动机机构可由螺杆传动及步进电动机、具有反馈位置的线性驱动或带致动器及步进电动机形成。
由每一传感器(例如754a及/或754b)捕获的信号可由计算机系统773或更一般来说,由一或多个信号处理装置(其可各自包含经配置以将来自每一传感器的模拟信号转换为用于处理的数字信号的模/数转换器)处理。计算机系统773通常具有经由适当总线或其它通信机构来耦合到输入/输出端口及一或多个存储器的一或多个处理器。
计算机系统773还可包含用于提供用户输入(例如改变焦点及其它检验方案参数)的一或多个输入装置(例如键盘、鼠标、操纵杆)。计算机系统773还可连接到载物台以控制(例如)样本位置(例如聚焦及扫描)且连接到其它检验系统组件以控制此类检验系统组件的其它检验参数及配置。
计算机系统773可经配置(例如使用编程指令)以提供用户接口(例如计算机屏幕)来显示所得强度值、图像及其它检验结果。计算机系统773可经配置以分析反射及/或透射感测光束的强度变化、相位及/或其它特性。计算机系统773可经配置(例如使用编程指令)以提供用户接口(例如在计算机屏幕上)来显示所得强度值、图像及其它检验特性。在特定实施例中,计算机系统773经配置以实施上文所详述的检验技术
因为此类信息及程序指令可实施于特别配置的计算机系统上,所以此系统包含可存储于计算机可读媒体上的用于执行本文所描述的各种操作的程序指令/计算机代码。机器可读媒体的实例包含(但不限于):磁性媒体,例如硬盘、软盘及磁带;光学媒体,例如CD-ROM磁盘;磁光媒体,例如光盘;及硬件装置,其经特别配置以存储及执行程序指令,例如只读存储器装置(ROM)及随机存取存储器(RAM)。程序指令的实例包含以下两者:机器代码,其例如由编译程序产生;及文件,其含有可由计算机使用解译器来执行的较高级代码。
在特定实施例中,用于检验光掩模的系统包含经配置以执行本文所描述的技术的至少一个存储器及至少一个处理器。检验系统的实例包含可购自加利福尼亚州米尔皮塔斯市科磊公司的特别配置的TeraScanTM DUV检验系统。
尽管已为了清楚理解而详细描述本发明,但应明白,可在所附权利要求书的范围内实践特定改变及修改。应注意,存在实施本发明的过程、系统及设备的众多替代方式。因此,本发明实施例应被视为具说明性而非限制性,且本发明不受限于本文所给定的细节。
Claims (21)
1.一种检验光刻光罩的方法,所述方法包括:
基于从设计数据库产生的光罩数据库图像来经由深度学习过程产生近场光罩图像;
基于所述近场光罩图像来经由基于物理的过程模拟检验系统的图像平面处的远场光罩图像,
其中所述深度学习过程包含基于最小化所述远场光罩图像与通过使由所述设计数据库制造的训练光罩成像来获取的多个对应训练光罩图像之间的差异来训练深度学习模型,且此类训练光罩图像根据图案多样性来选择且是无缺陷的;及
经由裸片到数据库过程来检验由所述设计数据库制造的测试光罩的测试区域的缺陷,所述裸片到数据库过程包含比较来自参考远场光罩图像的多个参考图像与由所述检验系统从所述测试光罩获取的多个测试图像,
其中基于由所述经训练的深度学习模型产生的参考近场图像来模拟所述参考远场光罩图像。
2.根据权利要求1所述的方法,其中所述测试光罩及所述训练光罩是相同光罩且所述测试图像是从不同于获取所述训练图像的区域的此相同光罩的区域获取。
3.根据权利要求1所述的方法,其中所述基于物理的过程是基于用于基于所述近场图像来产生所述检验工具的图像平面上的所述远场光罩图像的霍普金斯(Hopkins)方法,且其中所述深度学习过程包含将所述光罩数据库图像映射到将由与由所述设计数据库制造的光罩相互作用的光产生的近场图像。
4.根据权利要求1所述的方法,其中所述深度学习模型是未将光罩图像形成并入到所述图像平面上的卷积神经网络CNN。
5.根据权利要求4所述的方法,其中所述深度学习模型不包括模拟由所述检验工具中的场相依变化引起的所述远场光罩图像的扰动且独立于所述检验工具。
6.根据权利要求4所述的方法,其中通过调整所述深度学习模型的多个层的特定参数来训练所述深度学习模型以最小化所述远场光罩图像与所述对应训练光罩图像之间的差异,所述特定参数包含权重及/或偏离值。
7.根据权利要求6所述的方法,其中发生调整的所述层包括具有非线性激活的卷积层。
8.根据权利要求7所述的方法,其中在不调整用于下取样操作的一或多个低通滤波层的参数的情况下训练所述深度学习模型。
9.根据权利要求4所述的方法,其中所述CNN包含用于抵消所述光罩数据库图像与由此光罩数据库图像产生的物理光罩之间的偏差的一或多个卷积层、用于产生多个下取样图像的一或多个层及用于实施近场分辨率的稀疏表示的一或多个层。
10.根据权利要求1所述的方法,其进一步包括:
使所述测试图像与所述参考图像对准;及
使动态补偿过程相对于所述测试图像应用于所述参考图像以抵消所述检验工具中包含焦点波动及/或场相依变化的变化。
11.一种用于检验光刻光罩的检验系统,所述系统包括经配置以执行以下操作的至少一个存储器及至少一个处理器:
基于从设计数据库产生的光罩数据库图像来经由深度学习过程产生近场光罩图像;
基于所述近场图像来经由基于物理的过程模拟所述检验系统的图像平面处的远场光罩图像,
其中所述深度学习过程包含基于最小化所述远场光罩图像与通过使由所述设计数据库制造的训练光罩成像来获取的多个对应训练光罩图像之间的差异来训练深度学习模型,且此类训练光罩图像根据图案多样性来选择且是无缺陷的;及
经由裸片到数据库过程来检验由所述设计数据库制造的测试光罩的测试区域的缺陷,所述裸片到数据库过程包含比较来自参考远场光罩图像的多个参考图像与由所述检验系统从所述测试光罩获取的多个测试图像,
其中基于由所述经训练的深度学习模型产生的参考近场图像来模拟所述参考远场光罩图像。
12.根据权利要求11所述的系统,其中所述测试光罩及所述训练光罩是相同光罩且所述测试图像是从不同于获取所述训练图像的区域的此相同光罩的区域获取。
13.根据权利要求11所述的系统,其中所述基于物理的过程是基于用于基于所述近场图像来产生所述检验工具的图像平面上的所述远场光罩图像的霍普金斯方法,且其中所述深度学习过程包含将所述光罩数据库图像映射到将由与由所述设计数据库制造的光罩相互作用的光产生的近场图像。
14.根据权利要求11所述的系统,其中所述深度学习模型是未将光罩图像形成并入到所述图像平面上的卷积神经网络CNN。
15.根据权利要求14所述的系统,其中所述深度学习模型不包括模拟由所述检验工具中的场相依变化引起的所述远场光罩图像的扰动且独立于所述检验工具。
16.根据权利要求14所述的系统,其中通过调整所述深度学习模型的多个层的特定参数来训练所述深度学习模型以最小化所述远场光罩图像与所述对应训练光罩图像之间的差异,所述特定参数包含权重及/或偏离值。
17.根据权利要求16所述的系统,其中发生调整的所述层包括具有非线性激活的卷积层。
18.根据权利要求7所述的系统,其中在不调整用于下取样操作的一或多个低通滤波层的参数的情况下训练所述深度学习模型。
19.根据权利要求14所述的系统,其中所述CNN包含用于抵消所述光罩数据库图像与由此光罩数据库图像产生的物理光罩之间的偏差的一或多个卷积层、用于产生多个下取样图像的一或多个层及用于实施近场分辨率的稀疏表示的一或多个层。
20.根据权利要求11所述的系统,其中所述至少一个存储器及所述至少一个处理器经进一步配置以:
使所述测试图像与所述参考图像对准;及
使动态补偿过程相对于所述测试图像应用于所述参考图像以抵消所述检验工具中包含焦点波动及/或场相依变化的变化。
21.一种计算机可读媒体,其上存储有用于执行以下操作的指令:
基于从设计数据库产生的光罩数据库图像来经由深度学习过程产生近场光罩图像;
基于所述近场图像来经由基于物理的过程模拟检验系统的图像平面处的远场光罩图像,
其中所述深度学习过程包含基于最小化所述远场光罩图像与通过使由所述设计数据库制造的训练光罩成像来获取的多个对应训练光罩图像之间的差异来训练深度学习模型,且此类训练光罩图像根据图案多样性来选择且是无缺陷的;及
经由裸片到数据库过程来检验由所述设计数据库制造的测试光罩的测试区域的缺陷,所述裸片到数据库过程包含比较来自参考远场光罩图像的多个参考图像与由所述检验系统从所述测试光罩获取的多个测试图像,
其中是基于由所述经训练的深度学习模型产生的参考近场图像来模拟所述参考远场光罩图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410943696.5A CN118644473A (zh) | 2017-12-28 | 2018-12-14 | 使用机器学习检验光罩的系统和方法 |
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762611321P | 2017-12-28 | 2017-12-28 | |
US62/611,321 | 2017-12-28 | ||
US16/201,788 US11257207B2 (en) | 2017-12-28 | 2018-11-27 | Inspection of reticles using machine learning |
US16/201,788 | 2018-11-27 | ||
PCT/US2018/065582 WO2019133285A1 (en) | 2017-12-28 | 2018-12-14 | Inspection of reticles using machine learning |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410943696.5A Division CN118644473A (zh) | 2017-12-28 | 2018-12-14 | 使用机器学习检验光罩的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111480179A true CN111480179A (zh) | 2020-07-31 |
CN111480179B CN111480179B (zh) | 2024-07-30 |
Family
ID=67059823
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880081260.2A Active CN111480179B (zh) | 2017-12-28 | 2018-12-14 | 使用机器学习检验光罩的系统和方法 |
CN202410943696.5A Pending CN118644473A (zh) | 2017-12-28 | 2018-12-14 | 使用机器学习检验光罩的系统和方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410943696.5A Pending CN118644473A (zh) | 2017-12-28 | 2018-12-14 | 使用机器学习检验光罩的系统和方法 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11257207B2 (zh) |
EP (1) | EP3721408A4 (zh) |
JP (1) | JP7268031B2 (zh) |
CN (2) | CN111480179B (zh) |
TW (2) | TWI820070B (zh) |
WO (1) | WO2019133285A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI811015B (zh) * | 2021-07-20 | 2023-08-01 | 荷蘭商Asml荷蘭公司 | 用於低維度資料分析之資料映射之方法及電腦程式 |
CN117392072A (zh) * | 2020-08-17 | 2024-01-12 | 应用材料以色列公司 | 检查方案的自动优化 |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11037330B2 (en) * | 2017-04-08 | 2021-06-15 | Intel Corporation | Low rank matrix compression |
US11257207B2 (en) | 2017-12-28 | 2022-02-22 | Kla-Tencor Corporation | Inspection of reticles using machine learning |
JP6927950B2 (ja) * | 2018-11-30 | 2021-09-01 | パナソニック液晶ディスプレイ株式会社 | 表示装置 |
US11151707B2 (en) * | 2018-12-07 | 2021-10-19 | Kla Corporation | System and method for difference filter and aperture selection using shallow deep learning |
KR20230175346A (ko) | 2018-12-28 | 2023-12-29 | 에이에스엠엘 네델란즈 비.브이. | 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정 |
US11061318B2 (en) * | 2019-02-28 | 2021-07-13 | Taiwan Semiconductor Manufacturing Co., Ltd. | Lithography model calibration |
EP4035127A4 (en) * | 2019-09-24 | 2023-10-18 | Applied Materials, Inc. | INTERACTIVE TRAINING OF A MACHINE LEARNING MODEL FOR TISSUE SEGMENTATION |
JP6896036B2 (ja) * | 2019-09-30 | 2021-06-30 | キヤノン株式会社 | 情報処理装置、判定方法、インプリント装置、リソグラフィシステム、物品の製造方法及びプログラム |
US11762283B2 (en) * | 2019-12-13 | 2023-09-19 | Synopsys, Inc. | Inverse lithography and machine learning for mask synthesis |
CN113139911A (zh) * | 2020-01-20 | 2021-07-20 | 北京迈格威科技有限公司 | 图像处理方法及装置、图像处理模型的训练方法及装置 |
US11675340B2 (en) * | 2020-04-08 | 2023-06-13 | Nanya Technology Corporation | System and method for controlling semiconductor manufacturing apparatus |
US20220075916A1 (en) * | 2020-09-07 | 2022-03-10 | Kla Corporation | System and method for accelerating physical simulation models during microelectronic device fabrication |
TWI759906B (zh) * | 2020-10-15 | 2022-04-01 | 維曙智能科技有限公司 | 基於深度學習之階層式圖片分類系統及其方法 |
US20220128899A1 (en) * | 2020-10-22 | 2022-04-28 | D2S, Inc. | Methods and systems to determine shapes for semiconductor or flat panel display fabrication |
WO2022119796A1 (en) * | 2020-12-03 | 2022-06-09 | Applied Materials, Inc. | Deep learning based adaptive alignment precision metrology for digital overlay |
US12019032B2 (en) | 2020-12-07 | 2024-06-25 | Nanya Technology Corporation | Electronic system and method of specimen qualification |
JP6961846B1 (ja) * | 2021-01-08 | 2021-11-05 | レーザーテック株式会社 | Euvマスク検査装置、euvマスク検査方法、euvマスク検査プログラム及びeuvマスク検査システム |
US11868689B2 (en) | 2021-10-11 | 2024-01-09 | KLA Corp. | Systems and methods for setting up a physics-based model |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080984A1 (en) * | 2011-09-23 | 2013-03-28 | Kla-Tencor Corporation | Process aware metrology |
US20140341462A1 (en) * | 2013-05-14 | 2014-11-20 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
US20160012579A1 (en) * | 2014-05-06 | 2016-01-14 | Kla-Tencor Corporation | Apparatus and methods for predicting wafer-level defect printability |
US20170191948A1 (en) * | 2016-01-04 | 2017-07-06 | Kla-Tencor Corporation | Optical Die to Database Inspection |
US20170309008A1 (en) * | 2015-08-10 | 2017-10-26 | Kla-Tencor Corporation | Apparatus and methods for predicting wafer-level defect printability |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08334889A (ja) * | 1995-06-02 | 1996-12-17 | Sony Corp | フォトマスクに形成されたパターンの欠陥検査方法 |
US6466315B1 (en) | 1999-09-03 | 2002-10-15 | Applied Materials, Inc. | Method and system for reticle inspection by photolithography simulation |
US7353114B1 (en) | 2005-06-27 | 2008-04-01 | Google Inc. | Markup language for an interactive geographic information system |
US20120010995A1 (en) | 2008-10-23 | 2012-01-12 | Savnor Technologies | Web content capturing, packaging, distribution |
TWI644169B (zh) | 2014-05-06 | 2018-12-11 | 美商克萊譚克公司 | 用於使用近場復原之光罩檢測之電腦實施方法、非暫時性電腦可讀媒體及系統 |
US9478019B2 (en) | 2014-05-06 | 2016-10-25 | Kla-Tencor Corp. | Reticle inspection using near-field recovery |
US20170346140A1 (en) | 2015-03-13 | 2017-11-30 | Martin Koebler | Jump box for lithium-based starter battery |
US10395361B2 (en) * | 2015-08-10 | 2019-08-27 | Kla-Tencor Corporation | Apparatus and methods for inspecting reticles |
JP6527808B2 (ja) * | 2015-10-27 | 2019-06-05 | 株式会社ニューフレアテクノロジー | 検査方法および検査装置 |
US9965901B2 (en) | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
US10648924B2 (en) | 2016-01-04 | 2020-05-12 | Kla-Tencor Corp. | Generating high resolution images from low resolution images for semiconductor applications |
US10395356B2 (en) * | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
US11257207B2 (en) | 2017-12-28 | 2022-02-22 | Kla-Tencor Corporation | Inspection of reticles using machine learning |
-
2018
- 2018-11-27 US US16/201,788 patent/US11257207B2/en active Active
- 2018-12-14 CN CN201880081260.2A patent/CN111480179B/zh active Active
- 2018-12-14 EP EP18896323.5A patent/EP3721408A4/en active Pending
- 2018-12-14 WO PCT/US2018/065582 patent/WO2019133285A1/en unknown
- 2018-12-14 JP JP2020536167A patent/JP7268031B2/ja active Active
- 2018-12-14 CN CN202410943696.5A patent/CN118644473A/zh active Pending
- 2018-12-21 TW TW107146330A patent/TWI820070B/zh active
- 2018-12-21 TW TW112137763A patent/TW202405414A/zh unknown
-
2021
- 2021-11-24 US US17/456,415 patent/US12094101B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130080984A1 (en) * | 2011-09-23 | 2013-03-28 | Kla-Tencor Corporation | Process aware metrology |
US20140341462A1 (en) * | 2013-05-14 | 2014-11-20 | Kla-Tencor Corporation | Machine learning method and apparatus for inspecting reticles |
US20160012579A1 (en) * | 2014-05-06 | 2016-01-14 | Kla-Tencor Corporation | Apparatus and methods for predicting wafer-level defect printability |
US20170309008A1 (en) * | 2015-08-10 | 2017-10-26 | Kla-Tencor Corporation | Apparatus and methods for predicting wafer-level defect printability |
US20170191948A1 (en) * | 2016-01-04 | 2017-07-06 | Kla-Tencor Corporation | Optical Die to Database Inspection |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392072A (zh) * | 2020-08-17 | 2024-01-12 | 应用材料以色列公司 | 检查方案的自动优化 |
CN117392072B (zh) * | 2020-08-17 | 2024-04-02 | 应用材料以色列公司 | 检查方案的自动优化 |
TWI811015B (zh) * | 2021-07-20 | 2023-08-01 | 荷蘭商Asml荷蘭公司 | 用於低維度資料分析之資料映射之方法及電腦程式 |
Also Published As
Publication number | Publication date |
---|---|
CN118644473A (zh) | 2024-09-13 |
CN111480179B (zh) | 2024-07-30 |
WO2019133285A1 (en) | 2019-07-04 |
US20220084179A1 (en) | 2022-03-17 |
US12094101B2 (en) | 2024-09-17 |
JP7268031B2 (ja) | 2023-05-02 |
TWI820070B (zh) | 2023-11-01 |
US20190206041A1 (en) | 2019-07-04 |
US11257207B2 (en) | 2022-02-22 |
JP2021509208A (ja) | 2021-03-18 |
TW201937163A (zh) | 2019-09-16 |
EP3721408A1 (en) | 2020-10-14 |
TW202405414A (zh) | 2024-02-01 |
KR20200094218A (ko) | 2020-08-06 |
EP3721408A4 (en) | 2021-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12094101B2 (en) | Inspection of reticles using machine learning | |
JP7422208B2 (ja) | モデルベースの限界寸法測定の方法およびシステム | |
TWI618976B (zh) | 於微影製程中使圖案合格 | |
US10451563B2 (en) | Inspection of photomasks by comparing two photomasks | |
CN107851315B (zh) | 用于预测晶片级缺陷可印性的设备及方法 | |
US10395361B2 (en) | Apparatus and methods for inspecting reticles | |
JP4940056B2 (ja) | リソグラフィマスク用の検査方法及び装置 | |
US9390494B2 (en) | Delta die intensity map measurement | |
WO2018212787A1 (en) | Apparatus and methods for inspecting reticles | |
KR102721565B1 (ko) | 머신 학습을 이용한 레티클의 검사 |
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 | ||
TG01 | Patent term adjustment | ||
TG01 | Patent term adjustment |