CN111670445A

CN111670445A - 基于过程参数的衬底标记方法

Info

Publication number: CN111670445A
Application number: CN201980011358.5A
Authority: CN
Inventors: V·巴斯塔尼; A·伊普玛; D·松塔格; E·C·摩斯; H·E·采克利; 林晨希
Original assignee: ASML Netherlands BV
Current assignee: ASML Netherlands BV
Priority date: 2018-01-31
Filing date: 2019-01-22
Publication date: 2020-09-15
Anticipated expiration: 2039-01-22
Also published as: US12045555B2; KR102439008B1; US20200356881A1; WO2019149562A1; TWI724365B; DE112019000022T5; CN111670445B; EP3746946A1; TW201940988A; KR20200103098A

Abstract

在过程步骤之前，基于与衬底相关联的预处理数据(404)来对待处理衬底(402)进行分割。使用分割规则(410、412、414)来对数据进行分割，并且根据通过分割而获得的数据的子集将衬底分割为子集(G1‑G4)。应用了针对每个子集特定的校正(COR1‑COR4)。使用对衬底的训练集(502)的决策树分析来获得分割规则(图5)。所述决策树分析使用在处理前与所述训练衬底相关联的预处理数据(256、260)，以及在经受所述过程步骤之后与训练衬底相关联的后处理数据(262)。基于后处理数据的子集的特性，从多个分割规则(512)中选择出限定所述决策树的分割规则(506)。同时隐含地获得相关联的校正(508)。

Description

基于过程参数的衬底标记方法

相关申请的交叉引用

本申请要求于2018年1月31日提交的美国申请62/624,537和于2018年4月27日提交的美国申请62/663,840的优先权，这些美国申请的全部内容以引用的方式并入本文中。

技术领域

本发明涉及用于生产例如半导体器件的衬底的处理。

背景技术

光刻设备是将期望的图案施加至衬底上的机器。例如，光刻设备可用于例如集成电路(IC)的制造。光刻设备可例如将图案形成装置(例如，掩模)处的图案(也常被称为“设计布局”或“设计”)投影到设置于衬底(例如晶片)上的辐射敏感材料(抗蚀剂)层上。

为了将图案投影到衬底上，光刻设备可以使用辐射。这种辐射的波长确定了可以形成于所述衬底上的特征的最小大小。当前使用的典型波长约为365nm(i-line)、约248nm、约193nm和约13nm。使用具有在4至20nm(例如6.7nm或13.5nm)范围内的波长的极紫外(EUV)辐射的光刻设备可被用来在衬底上形成比使用例如具有约193nm波长的辐射的光刻设备更小的特征。

低k1光刻可用于对尺寸比光刻设备的经典分辨率极限更小的特征进行处理。在这种过程中，分辨率公式可以表示为CD＝k1×λ/NA，其中λ是所使用的辐射的波长，NA是所述光刻设备中的投影光学元件的数值孔径，CD是“临界尺寸”(通常是所印刷的最小特征尺寸，但在本例中，为半间距)且k1是经验分辨率因子。一般来说，k1越小，则在衬底上重现与由电路设计师所规划的形状和尺寸相似的图案越难，以便实现特定的电气功能和性能。为了克服这些困难，可以将复杂的微调步骤应用于光刻投影设备和/或设计布局。例如，这些包括但不限于优化数值孔径(NA)、定制照射方案、使用一个或更多个相移图案形成装置、优化设计布局(诸如设计布局中的光学邻近校正(OPC))或通常定义为分辨率增强技术的其它方法(RET)。另外或替代地，用于控制所述光刻设备的稳定性的一个或更多个紧密控制回路可用于改善低k1情况下所述图案的再现。

发明内容

光刻设备的控制的有效性可能依赖于单独的衬底的特性。例如，在由所述光刻设备(或制造过程的任何其它过程步骤，这里一般称为制造过程步骤)处理之前由第一处理工具处理的第一衬底可受益于与在由所述光刻设备处理之前由第二处理工具处理的第二衬底相比(稍微)不同的控制参数。

通常对于衬底，预处理数据(与在某一关注的制造过程步骤之前所执行的制造过程步骤相关联的数据)和后处理数据(与在已经受关注的制造过程步骤之后在衬底上所执行的测量相关联的数据)是可用的。例如，期望基于对预处理数据的知识来控制关注的制造过程，因为这允许控制回路预测所预期的后处理结果。然而，这种控制通常涉及到前处理信息与后处理信息之间的关系、以及关注的过程的控制参数如何影响所述后处理数据的知识。可能并不总是知道关注的进程的控制设置如何影响后处理数据。例如，在光刻过程中所施加的剂量设置可以对与在执行所述光刻过程之后所获得的特征相关联的某一临界尺寸具有能够预测到的影响，或者可能没有影响。更大的问题可能是，基于(通常是非常大量的)预处理数据对后处理数据进行预测的方法的性能较差。通常，预处理数据包含太多的参数，以致无法构建将预处理数据与后处理数据链接/关联起来的一可靠的模型。

机器学习技术可被用来识别在处理情境中所观察到的对于正在经受一过程的多个衬底的一个或更多个特性(诸如重叠、CD、边缘放置误差(EPE)等)的影响之间的因果模式。然后，这些图案可用以预测和校正在正在处理的后续衬底中的误差。PCT专利申请公开号WO 2017/060080中描述了此类系统的一些示例。在少数情况下，预处理数据具备有限组相关联参数。例如，当仅使用蚀刻腔室的标识(ID)作为与待处理衬底相关联的预处理数据时，可以直接在后处理数据的某一聚类和被包括于所述预处理数据中的参数的值之间建立关系。然而，在更一般的情况下，许多预处理参数和与这些参数相关联的潜在值可以被寄存以用于许多处理工具，并且可能用于基于情境的控制目的。如何对后处理数据进行聚类并且随后将这些聚类分配到被包括于所述预处理(例如情境)数据中的某个参数(值)子空间变得不清楚。将所述预处理数据分割成较小集合(子集)的可能配置的数量实在过大。

提出通过基于与预处理数据的子集相关联的后处理数据的子集的特性(例如，期望特性)来确定用于将所述预处理数据分割为预处理数据子集的选配方案，来创建用于将预处理数据链接到后处理数据的可靠模型。然后，预处理数据的每个子集可以被链接到后处理数据的某个特征。然后，所创建的模型基本上是一分割规则，它能够对与待处理衬底相关联的新的预处理数据进行分割，从而允许对与待处理衬底相关联的后处理数据(特性)进行准确预测。

在一方面中，提供一种用于分割数据的方法，所述方法包括：获得与在处理之前的衬底相关联的第一数据；获得与在处理之后的衬底相关联的第二数据；将多个分割规则应用于所述第一数据以获得所述第一数据的子集的多个配置；以及基于与通过应用所述分割规则而获得的第一数据的子集相关的第二数据的子集的特性来选择分割规则。

在一实施例中，所述方法能够基于后处理数据的预期特性来确定最佳过程校正。因此，所述方法可以解决将预处理数据与后处理数据相关联的问题，并且用可以仅基于与待处理衬底相关联的预处理数据来控制关注的过程的方式来另外调整关注的过程。

附图说明

现在将仅通过示例，参考所附的示意图来描述本发明的实施例，附图中：

图1描绘了光刻设备的示意性概述；

图2描绘了光刻单元的示意图；

图3示意性地示出图1和图2的光刻设备和光刻单元连同一个或更多个其它设备的使用，所述设备形成用于例如半导体器件的制造设施，所述设施包括实施制造优化技术的控制设备；

图4描绘了根据本发明实施例的决策树；

图5示意性地图示了反馈控制器和训练方法，在图3的制造设施中应用图4所示的决策树的原理；

图6描述了可用于定义图5方法中指纹和校正的场间和场内部件；

图7示意性地图示了基于决策树的候选预测模型的交叉验证(CV)；以及

图8图示了可以如何使用交叉验证的结果来自动地或在人工指导下选择应用于决策树学习的约束。

具体实施方式

图1示意性地描绘光刻设备LA。所述光刻设备包括：照射系统(也称为照射器)IL，所述照射系统被配置成调节辐射束B(例如UV辐射，DUV辐射或EUV辐射)；支撑件(例如掩模台)T，所述支撑件被构造成支撑图案形成装置(例如掩模)MA，并且连接至被配置成根据某些参数来准确地定位所述图案形成装置的第一定位器PM；一个或更多个衬底支撑件(例如晶片台)WTa和WTb，所述衬底支撑件被构造成用以保持衬底(例如涂覆有抗蚀剂的晶片)W且连接至被配置成根据某些参数来准确地定位所述衬底的第二定位器PW；和投影系统(例如折射投影透镜系统)PS，所述投影系统被配置成将由图案形成装置MA赋予至辐射束B的图案投影至所述衬底W的目标部分C(例如包括一个或更多个管芯)上。

在操作中，照射系统IL接收来自辐射源SO的辐射束，例如经由束传递系统BD。照射系统IL可以包括用于引导、成形和/或控制辐射的各种类型的光学部件，诸如折射型、反射型、磁性型、电磁型、静电型和/或其它类型的光学部件，或其任何组合。照射器IL可用以调节所述辐射束B在其在图案形成装置MA的平面处的横截面上具有期望的空间和角强度分布。

本文中使用的术语“投影系统”PS应广义地解释为包括各种类型的投影系统，包括适合所使用的曝光辐射的折射型、反射型、折射反射型、变形型、磁性型、电磁型和/或静电型光学系统或其任何组合，和/或其它因素，如使用浸没液体或使用真空。本文中术语“投影透镜”的任何使用可被视为与更一般的术语“投影系统”PS的同义词。

本文中所使用的术语“投影系统”应被广泛地解释为涵盖适于所使用的曝光辐射、或适于诸如浸没液体的使用或真空的使用之类的其它因素的各种类型的投影系统，包括折射型、反射型、反射折射型、变形型、磁性型、电磁型和/或静电型光学系统，或其任何组合。可以认为本文中对术语“投影透镜”的任何使用都与更上位的术语“投影系统”PS同义。

光刻设备LA可以是这样的类型，其中衬底的至少一部分可以被具有相对高折射率的液体(例如水)覆盖，以便填充投影系统PS和衬底W之间的空间，这也被称为浸没式光刻。关于浸入技术的更多信息在美国专利号6,952,253中给出，该专利通过引用并入本文中。

本例中的光刻设备LA是所谓的双平台类型，具有两个衬底表WTa和WTb以及两个工作站(曝光站和测量站)，衬底表可以在两个工作站之间移动。当一个衬底台上的一个衬底在曝光站EXP处曝光时，另一个衬底可以在例如测量站MEA处或在另一个位置(未示出)加载到另一个衬底台上，或者可以在测量站MEA处被处理。带有衬底的衬底表可位于测量站MEA，以便可以执行各种准备步骤。准备步骤可包括使用水平传感器LS绘制衬底的表面高度和/或使用对准传感器AS测量衬底上对准标记的位置。对准标记名义上被布置成规则的网格模式。然而，由于产生标记的不精确性以及在整个处理过程中发生的衬底变形，标记可能偏离理想网格。因此，除了测量衬底的位置和方向之外，如果设备LA要在正确的位置高精度地打印产品特征，则实际上对准传感器可以详细地测量横跨衬底区域的许多标记的位置。因此，校准标记的测量可能是耗时的，并且提供两个衬底表能够使设备的生产量显著增加。如果位置传感器IF在测量站和曝光站不能测量衬底台的位置，则可以提供第二位置传感器，以使衬底表的位置能够在两个站处被追踪。本发明的实施例可应用于仅具有一个衬底表或具有两个以上衬底表的设备中。

除了具有一个或更多个衬底支撑物之外，光刻设备LA可包括测量平台(未示出)。测量平台被布置成容纳传感器和/或清洁装置。所述传感器可被布置成测量投影系统PS的性质或辐射束B的性质。所述测量平台可容纳多个传感器。清洁装置可以被布置成清洁光刻设备的一部分，例如投影系统PS的一部分或提供浸没液体的系统的一部分。当衬底支撑WT远离投影系统PS时，测量平台可在投影系统PS下方移动。

辐射束B入射到被保持在支撑结构(例如，掩模台)MT上的图案形成装置(例如，掩模)MA上，并且由所述图案化器件图案化。在已穿越所述图案形成装置MA的情况下，辐射束B传递通过投影系统PS，投影系统PS将所述束聚焦至衬底W的目标部分C上。借助于第二定位器PW和位置传感器IF(例如，干涉装置、线性编码器、或电容性传感器)，可以准确地移动衬底台WTa/WTb，例如，以便将不同的目标部分C定位在辐射束B的路径中。类似地，第一定位器置PM和另一位置传感器(其在图1中未明确地描绘)可以用于例如在从掩模库的机械获取之后、或在扫描期间相对于辐射束B的路径来准确地定位所述图案形成装置MA。通常，可以借助于形成第一定位器PM的部分的长行程模块(粗定位)和短行程模块(精定位)来实现支撑结构MT的移动。类似地，可以使用形成第二定位器PW的部分的长行程模块和短行程模块来实现衬底台WTa/WTb的移动。在步进器(相对于扫瞄器)的情况下，支撑结构MT可以仅连接至短行程致动器，或可以是固定的。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置MA和衬底W。尽管如所图示的衬底对准标记占据专用的目标部分，但所述衬底对准标记可以位于目标部分之间的空间中(这些标记被称为划道对准标记)。类似地，在多于一个管芯被设置于图案形成装置MA上的情形中，图案形成装置对准标记可以位于所述管芯之间。

该设备还包括光刻设备控制单元LACU，其控制光刻设备(例如所描述的那些)的各种致动器和传感器的所有运动和测量。控制单元LACU还包括信号处理和数据处理能力，以实现与设备操作相关的期望计算。在实践中，控制单元LACU将被实现为一个由多个子单元组成的系统，每个子单元处理设备内某个子系统或部件的实时数据采集、处理和控制。例如，一个处理子系统可专用于衬底定位器PW的伺服控制。单独的装置甚至可以处理粗致动器和精致动器，或者不同的轴。另一个单元可能专用于位置传感器的读出。设备的总体控制可由中央处理单元控制，中央处理单元与这些子系统处理单元、操作者和涉及光刻制造过程的其它设备通信。

如图2所示出的，光刻设备LA可以形成光刻单元LC(有时也被称作光刻元或(光刻)簇)的部分，光刻单元LC也包括用以对衬底W执行曝光前过程和曝光后过程的设备。常规地，这些设备包括用于沉积一个或更多个抗蚀剂层的一个或更多个旋涂器SC、用于显影经曝光的抗蚀剂的一个或更多个显影器DE、一个或更多个激冷板CH和/或一个或更多个焙烤板BK，例如，用于调节衬底W的温度，例如用于调节在抗蚀剂层中的溶剂。衬底输送装置或机器人RO从输入端口I/O1、输出端口I/O2拾取一个或更多个衬底，在不同的过程设备之间移动这些衬底、且将所述衬底W传递至光刻设备LA的进料台LB。常常被统称为涂覆显影系统或轨道(track)的这些装置通常处于涂覆显影系统控制单元或轨道控制单元TCU的控制下，涂覆显影系统控制单元或轨道控制单元TCU自身受管理控制系统SCS控制，管理控制系统SCS也例如经由光刻控制单元LACU来控制所述光刻设备LA。

为了使由所述光刻设备LA曝光的所述衬底W被正确且一致地曝光，需要检查衬底以测量图案化结构的性质，诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。为此，一个或更多个检查工具(未图示)可能被包含在光刻元LC中。如果检测到误差，则例如可以对后续衬底的曝光或对将要对所述衬底W执行的其它处理步骤进行调整，尤其是如果在同一批量或批次的其它衬底W仍待曝光或处理之前进行检查的情况下。

也可称为量测设备或量测工具的检查设备MET用于确定所述衬底W的一个或更多个性质，且特别是，不同衬底W的一个或更多个性质如何变化、或与同一衬底W的不同层相关联的一个或更多个性质如何在层与层之间变化。所述检查设备可被构造成用以识别所述衬底W上的缺陷，并且可以例如是光刻元LC的一部分，或者可以被集成到所述光刻设备LA中，或者甚至可以是单独的装置。所述检查设备可测量潜像(曝光后的抗蚀剂层中的图像)或半潜像(在曝光后焙烤步骤之后的抗蚀剂层中的图像)或经显影的抗蚀剂图像(其中已除去所述抗蚀剂的经曝光或未曝光部分)，或者甚至在经蚀刻图像上(在诸如蚀刻之类的图案转印步骤之后)上的一个或更多个性质。

图3示出了在工业制造设施(例如，半导体产品)的情境中的光刻设备LA和光刻元LC。在光刻设备(或简称“光刻工具”200)内，测量站MEA示出于202处，且曝光站EXP示出于204处。所述控制单元LACU如206所示。如已经描述的，光刻工具200形成“光刻单元”或“光刻簇”的一部分，该“光刻单元”或“光刻簇”还包括涂覆设备SC、208，其用于将光敏抗蚀剂和/或一个或更多个其它涂层施加到衬底W上以用于由该设备200进行图案化。在设备200的输出侧处，设置焙烤设备BK、210和显影设备DE、212，用于将仅曝光图案显影为实体抗蚀剂图案。为了清楚起见，图3中所示的其它部件被省略了。

一旦图案已经被施加和显影，则图案化衬底220被转印到诸如在222、224、226处所图示的其它处理设备。在典型的制造设施中，各种各样的处理步骤由不同的设备来实现。为了示例起见，本实施例中的设备222是蚀刻站，并且设备224执行蚀刻后退火步骤。另外的物理和/或化学处理步骤应用于其它设备226等。可能需要许多类型的操作(诸如，材料的沉积、表面材料特性的改性(氧化、掺杂、离子注入等)、化学机械抛光(CMP)、等等)来用以制造真实的器件。实际上，所述设备226可以表示在一个或更多个设备中执行的一系列不同的处理步骤。

所描述的包括一系列图案化过程步骤的半导体制造过程只是其中可以应用本文所披露的技术的工业过程的一个示例。所述半导体制造过程包括一系列的图案化步骤。每个图案化处理步骤包括图案化操作，例如光刻图形化操作，以及许多其它化学和/或物理操作。

半导体器件的制造涉及到这种处理的多次重复，以在所述衬底上逐层地利用适当的材料和图案来构建器件结构。例如，现代器件制造过程可包括40或50个单独的图案化步骤。因此，到达所述光刻簇的衬底230可以是新制备的衬底，或者它们可以是先前已在该簇232中或完全地在另一个设备中处理的衬底。类似地，依赖于所需的处理，离开的设备226上的衬底可返回以用于在相同的光刻簇(诸如衬底232)中的后续图案化操作，它们可以预定用于在不同簇(诸如衬底234)中的图案化操作，或者它们可以是待发送用于切割和封装的成品(诸如衬底234)。

产品结构的每一层通常涉及一组不同的过程步骤，且在每一层处所使用的设备在类型上可能完全不同。此外，即使在待由所述设备应用的处理步骤是名义上相同的情况下，在大型设施中，也可能存在若干个假设相同的机器并行工作以在不同的衬底上执行处理。这些机器之间的设置或故障的微小差异可能意味着它们以不同的方式影响不同的衬底。甚至对于每一层相对常见的步骤，诸如蚀刻(设备222)也可以由名义上相同但并行工作以最大化生产量的若干个蚀刻设备来实施。并行处理也可以在较大设备内的不同腔室中执行。此外，在实践中，根据待蚀刻的材料的细节，不同层通常涉及不同的蚀刻过程，例如化学蚀刻、等离子蚀刻等，以及诸如例如各向异性蚀刻之类特殊要求。

如刚才提及的，可以在其它光刻设备中、并且甚至可以在不同类型的光刻设备中执行先前和/或后续处理。例如，在例如分辨率和/或重叠方面要求非常高的器件制造过程中的一个或更多个层可以在比要求较低的一个或更多个其它层更高级的光刻工具中执行。因此，一个或更多个层可以在浸没式光刻工具中曝光，而一个或更多个其它层在“干式”工具中曝光。一个或更多个层可以在工作于DUV波长的情况下的工具中曝光，而一个或更多个其它层使用EUV波长辐射来曝光。

图3中还示出了所述量测设备(MET)240，其被设置用于在制造过程中的期望阶段对产品的参数进行测量。在现代光刻制造设施中的量测站的常见示例是散射仪，例如角分辨散射仪或光谱散射仪，并且其可应用于在设备222中蚀刻之前在220处测量经显影衬底的一个或更多个性质。使用量测设备240，例如，可以确定诸如重叠或临界尺寸(CD)之类的性能参数不满足在经显影的抗蚀剂中规定的准确度要求。在蚀刻步骤之前，存在剥离经显影的抗蚀剂并且通过光刻簇再处理一个或更多个衬底220的机会。此外，来自设备240的量测结果可用于通过随时间进行小调整来维持在所述光刻簇中的图案化操作的准确性能，由此降低或最小化产品不符合规格以及需要返工的风险。当然，量测设备240和/或一个或更多个其它量测设备(未示出)可用于测量经处理衬底232、234和/或输入衬底230的一个或更多个性质。

通常，光刻设备LA中的图案化过程是在处理过程中最重要的步骤之一，该处理涉及在所述衬底W上的尺寸确定和结构放置的高准确度。为了帮助确保这种高准确度，可以在图3中示意性图示的控制环境中组合三个系统。这些系统之一是光刻工具200，它(实际上)被连接到量测仪器240(第二个系统)且连接到计算机系统CL 250(第三个系统)。这种环境的期望是优化或改善这三个系统之间的协同工作，以增强整体的所谓“过程窗口”并且提供一个或更多个紧密的控制回路，以帮助确保由所述光刻设备LA执行的图案化保持在过程窗口内。所述过程窗口限定了多个过程参数(例如，选自剂量、聚焦、重叠等等中的两个或更多个)的值的范围，在该范围内，特定的制造过程产生一个经限定的结果(例如，功能性半导体器件)——通常是允许其中的在所述光刻过程或图案化过程中的过程参数的值发生变化、而同时产生适当结构(例如，根据CD的可接受范围(诸如标称CD的+-10％)来指定)的范围。

计算机系统CL可以使用待被图案化的所述设计布局(的部分)来预测将要使用哪一种或更多种分辨率增强技术，并且执行计算光刻模拟和计算，以确定哪种图案形成装置布局和光刻设备设置实现了所述图案化过程的最大的总体过程窗口(在图3中由第一刻度盘SC1中的双箭头所描绘)。通常，分辨率增强技术被布置成与所述光刻设备LA的图案化可能性相匹配。所述计算机系统CL还可用于检测所述光刻设备LA当前在所述处理窗口内的何处运行(例如，使用来自所述量测工具MET的输入)，以预测是否由于次优处理(在图3中由第二刻度盘SC2中指向“0”的箭头所示)而可能存在缺陷。

量测工具MET可以向所述计算机系统CL提供输入以实现准确的模拟和预测，并且可以向所述光刻设备LA提供反馈以识别可能的漂移，例如在光刻设备LA的校准状态下(在图3中由第三刻度盘SC3中的多个箭头描绘)。

计算机系统250基于以下的组合来实施反馈控制的形式：(i)与在给定处理步骤(例如光刻步骤)中处理之前的衬底相关联的第一数据或“预处理数据”；和(ii)与已被处理之后的衬底相关联的第二数据或“后处理数据”。作为预处理数据的示例，计算机系统250可以访问情境数据CDAT。此情境数据可以是并非从产品本身获得的数据，而是代表单个产品单元(晶片或其它衬底)、或产品单元的多个批次的全部或部分处理历史的数据。作为预处理数据的示例，历史性能数据PDAT如图3所示，其可包括例如由量测设备240制造的重叠和/或CD的测量结果，以及与单个衬底相关联的情境数据CDAT。因此，计算机系统250可以访问历史性能数据PDAT且历史性能数据PDAT存储在存储器252中。在整个该图上的箭头254图示出了情境数据可以如何来自任何设备。情境数据也可以与新衬底230一起到达。例如，所述情境数据可以记录已经应用了哪些类型的处理步骤，在执行那些步骤时已使用了哪些单独的设备，以及由那些设备应用了哪些参数(例如，当在蚀刻设备中222的同时的温度或压力的设置，或者诸如照射模式、对准选配方案等等的参数)。所述情境数据被存储在存储器256中以供所述计算机系统250使用。

性能数据PDAT可以被视为在本文所披露的技术的一些实施例中所使用的对象数据的示例。预处理数据的其它示例可包括在处理的执行之前或期间(直接地或间接地)在产品单元上进行的测量所导出的对象数据ODAT。图3示出了可选地收集和储存在数据库260中的此对象数据。此对象数据可以是在产品单元本身上所测量的数据，也可以是在涉及工业过程的其它部分上所测量的数据。作为示例，存储在数据库260中所储存的对象数据可以包括通常由光刻设备200使用在所述测量站202中的对准传感器AS而获得的对准数据。由于表示所述衬底的X-Y平面上的标记的位置的详细测量的数据是作为正常图案化操作的一部分而固有地获得的，因此通过指示所述控制单元LACU 206将所述数据储存在对象数据存储器260中而几乎不招致损失或没有招致损失。替代地，或者除了对准数据之外，所述对象数据可以包括使用水平传感器LS获得的高度数据、和/或来自对准传感器AS等的“晶片品质”信号。在其它实施例中，所述对象数据可以包括在所述系统中的其它地方所测量的数据，而不是在产品单元本身上所测量的数据。此类对象数据的示例可以是使用图1的所述光刻设备的一个或更多个衬底支撑件中的图案形成装置对准标记M1、M2和/或一个或更多个传感器而获得的图案形成装置(掩模或掩模版)对准数据。

在此说明书中所使用的术语“对象数据”可以包括可在制造设施中收集的各种各样的数据，这些数据针对历史产品单元、或针对待处理的新产品单元。本文中所使用的“对象数据”可以包括性能数据PDAT(在处理之后从经处理产品单元测量并且存储在存储器252中)和其它类型的对象数据ODAT(在处理之前和/或期间从产品单元或其它系统测量，并被存储在存储器260中)。根据情境，此对象数据可以是“预处理数据”或“后处理数据”。在特定处理步骤之前收集的对象数据，包括例如紧接在衬底的曝光之前所测量的对准数据或高度数据，可以被视为本文所描述的预处理数据的形式。相对于前一处理步骤，相同的对象数据可以被视为性能数据，即后处理数据。例如，对准标记可能包含先前蚀刻或抛光步骤的指纹。因此，在一些实施例中，一段对象数据可以作为在一个处理步骤的控制回路中的后处理数据(历史性能数据)，以及作为在稍后处理步骤的控制回路中的预处理数据(类似于情境数据)。

虽然图3示出了针对情境数据、性能数据和其它对象数据中的每一个的单独存储器252、256、260，但是应该理解，这些不同类型的数据可以被存储在一个公共存储单元中，或者可以分布在较大数目的存储单元上，当需要时可以从中检索特定的数据项。此外，虽然情境数据254被示为来自单个设备222、224等，但是数据可以经过中央控制系统来收集，该中央控制系统作为一个整体来控制所述光刻元和/或制造工厂的操作。

所述对象数据、情境数据和性能数据存储器中的每个记录都利用唯一的标识符来标记。注意到单个衬底可能在制造过程中重复地穿过相同的光刻工具，或者可能穿过均测量相同标记的不同工具，则可以在制造过程的不同阶段收集同一产品单元的数据。在分析中，这些测量实例中每一个都可以作为一个独立的产品单元来处理。然而，在复杂制造过程的不同阶段测量同一衬底的多个实例的情况下，所述对象数据将包括标识符，该标识符不仅唯一地标识单个衬底，而且唯一地标识已测量衬底的处理阶段。通常，在光刻过程中，同一衬底的不同实例将与器件结构的图案化连续层相关联。

一个相对较新的技术领域是机器学习领域。与此技术相关的方法现在被用以基于对存在于所获得的数据(测量和情境数据)中的图案的识别来改进对过程参数的预测。此外，机器学习技术可用于指导用户选择对过程控制目的最有用的数据。

由于(半导体)制造过程涉及多个处理设备(光刻设备、一个或更多个蚀刻站，等等)，因此优化整个过程可能是有益的，例如考虑与单个处理设备相关联的特定校正能力。这导致对第一处理设备的控制可以(部分地)基于第二处理设备的一个或更多个已知控制性质的观点。这种策略通常被称为协同优化。这种策略的实例是光刻设备和图案形成装置和/或光刻设备和蚀刻站的密度分布的联合优化。有关协同优化的更多信息可在PCT专利申请公开号WO 2017/067748和WO 2017/144343中找到，它们通过引用合并入本文中。

在某些过程控制情况下，控制目标可能是例如“管芯符合规格的数量”——通常是良率驱动的过程控制参数，以获得每批经处理衬底的最大数量的功能产品(通常产品与衬底上的管芯相关联，因此通常基于良率的过程控制被称为基于“管芯符合规格”标准)。为了获得良好的基于良率的过程控制，量测测量的取样方案可受益于在预期对良率最关键的、和/或可与确定良率是否受影响在统计学上最相关的部位处或附近所执行的测量。除了测量产品特性的一个或更多个性质之外，还可以测量缺陷的发生，以进一步协助优化过程以获得最佳良率(参考缺陷检查)。有关基于良率的控制的更多信息可在欧洲专利申请号EP16195819.4中找到，该申请以引用的方式整体合并入本文中。

如所描述的，情境数据可用于过程控制的目的。机器学习技术可用于识别在情境数据中的图案，并随后使它们与对经受过程的衬底的一个或更多个特性(诸如重叠、CD、边缘放置误差(EPE)等)的预期影响相关。已知方法依赖于历史后处理数据的可用性，诸如重叠数据、CD数据或在大组的已处理衬底上所测量的良率数据，对于这些衬底，预处理(情境)数据(在经历某个关注的过程之前与衬底相关联的数据)也是可用的。为了将这两类数据联系起来，通常所述后处理数据基于公知的方法(诸如k均值和/或PCA分析)进行聚类。随后，建立了所述后处理数据聚类与预处理数据之间的关系，以便仅基于其相关联的预处理数据来制定能够将待处理衬底指派给后处理数据的某一预期特性的模型。这些系统的实例在PCT专利申请公开号WO 2017/060080中描述，其通过引用被整体合并入本文中。

在少数情况下，预处理数据具有一有限组的相关联参数。例如，当只记录蚀刻腔室的ID以表征与待处理衬底相关联的预处理数据时。在这种情况下，在关于某一聚类后处理数据的衬底与包含在所述预处理数据中的参数的值之间建立关系通常是很直截了当的/容易的。在实例中，可将与某类重叠数据(指纹)相关联的某簇衬底分配给蚀刻腔室ID的值，例如，与由腔室2进行的先前处理相关联的衬底可以例如与径向重叠指纹相联系，而与由室5进行的先前处理相关联的衬底可用以例如与鞍形重叠指纹相联系。因此，当已知待处理衬底已通过蚀刻腔室5时，可调整该过程(控制)以通过对该过程(例如，对光刻过程)施加适当的重叠校正来补偿鞍形重叠指纹。

然而，一般来说，预处理数据通常包括许多参数。在现代半导体制造设施(通常简称为“晶片厂”或“晶片制造厂”)中，许多参数和与这些参数相关联的潜在值可以被用寄存用于许多处理工具，并且可能用于基于情境的控制目的。在这种情况下，如何采用前面描述的方法对后处理数据进行聚类、并且随后将这些聚类分配给包含在预处理(例如情境)数据中的某个参数(值)子空间就不那么明显了。将预处理数据分成更小的集合(子集)的可能配置的实在很大。

本发明提出针对包含众多相关联参数的预处理数据的多个大组采用不同的方法。在具有与衬底的集合相关联的预处理数据和后处理数据的情况下，部署了决策树算法，例如递归决策树算法。所述递归决策树算法通过应用多个分割规则来细分由预处理数据的参数所限定的参数空间，有效地搜索遍及将衬底分割为子集的许多配置。分割规则基本上是用于将数据集分割为子集的选配方案。例如，分割规则可以是将预处理数据集拆分为两个子集的决策；其中针对一个子集的参数“蚀刻腔室”等于“A”，且针对另一个子集的蚀刻腔室不同于“A”(不是A)。当然，可以限定涉及多个参数、数学运算和/或参数检查的较复杂的分割规则。参数可包括“分类”参数(例如是否抛光；是否A室)或连续变量参数。在后一种情况下，可以根据参数是否具有在来自一组非重叠的数值区间的一数值区间内的值，来分割所述数据集。在运用递归决策树算法的情况下，在一系列决策步骤或节点处的分割规则限定了决策。

递归决策树算法的目标是最终得到的决策树的每个步骤(分支点)将预处理的数据参数空间拆分成两个子空间，且因此将其相关联的衬底集合拆分成两个或更多个子集(组)，两个或更多个子集(组)的特征在于，至少一组衬底当根据其相关联的后处理数据来查看时展示出某(通常是期望的)特性。以这种方式，预处理数据空间的子集与后处理数据的某特征相关。接着有效地一次性解决了找出衬底的最佳分组(聚类)和预测后处理数据的何种特征组与每个衬底组相关联(仅基于预处理数据)的问题。与所述预处理数据的期望分割相关联的分割规则随后用作对多个衬底进行分组并且向每组衬底分配其后处理数据的相关联特性的手段。

图4描述了此原理的一实施例。在这个简化的示例中，可以根据与一个或更多个待处理的衬底的预处理历史相关联的情境数据来确定重叠系数。可以理解，重叠只是光刻制造过程的性能参数的一个示例，并且类似的方法可以应用于处理其它性能参数，例如CD。在402处示意性地表示衬底的集合。预处理数据404包括情境数据，例如关于何种衬底(晶片)在何种工具中、在工具的哪个腔室(如果工具具有多个腔室，例如蚀刻器)中和/或在工具的哪个槽中受处理的信息。决策树算法(在所示的示例中，决策列表)包括形成决策树节点的决策步骤410、412、414。每个决策步骤基于在预处理数据402中的参数的值来应用节点分割规则。所述决策列表是递归决策树的一实例，这意味着可以在多于一个决策步骤中检查相同的参数。通过运行基于预处理数据的递归二叉决策树算法，将由所述预处理数据限定的参数空间划分为四个子空间。通过训练(下文进一步描述)，则这些子空间中的每一个子空间都与所述后处理数据(在这种情况下，跨越所述衬底的重叠数据)的某特征相关联。对于具有预处理数据404的衬底集合402，参数空间的分割具有定义任何给定衬底集合的子集的效果。衬底402的集合因而被划分为图4中被标记为G1到G4的子集，每个子集与具有遵循所应用的分割规则的相关联的预处理数据的衬底相关。请注意，每个节点可能具有分割规则，并且得到的树也可以被称为限定作为节点的多种分割规则的组合效果的一分割规则。如本文所提及，“选择分割规则”是指选择决策树，该决策树可以是单节点分割规则，但更可能是形成较大决策树的一系列节点。

在步骤420中，所述决策树用以将每个衬底分配给特定子集或“储仓”G1到G4。由此，在步骤422中，在衬底的训练集的对子集中所观察到的后处理数据的特性被用于限定作为对过程步骤的校正而输出的指纹。此校正在图4中被示意性示出为特定针对每个子集G1至G4，并且被标注为COR1至COR4。在处理衬底集合时，因而，可以由计算机系统CL控制所述光刻工具LA，以应用这些校正，并且相对于训练集来改善制造过程的重叠性能。

对于基于其参数表示在蚀刻腔室等之中的步骤的预处理数据的决策树，将预期场间指纹和校正，且这在图4中示意性地图示。在其它实施例中，所述分割规则的一些或全部节点可以涉及与场内指纹相关联的参数，并且可以生成场内校正。

图5是由计算机系统CL基于图4所图示的原理而实施的方法的流程图，该方法用以基于衬底的训练集502来训练决策树，且然后应用该训练来在后续衬底的处理中应用校正。在该方法中起作用的图3的制造设施的元件也相应地被标记。

反馈控制器500在图5的底部处示出，在计算机系统CL内和/或在光刻设备控制单元LACU内实施(图1到3)。将经过光刻工具200处理所述衬底集合402。反馈控制器500存储定义决策树的分割规则506以处理预处理数据CTX的参数的参数空间，并且存储针对由决策树所定义的参数空间的不同子空间的过程校正508。在由光刻工具LA处理每个衬底之前，控制器500使用与当前衬底相关联的预处理数据来针对当前衬底选择适当的过程校正PC。在控制系统允许的情况下，可以根据每一衬底来选择和应用过程校正，或者如果需要，可以按批次应用过程校正。

现在参考图5的上部，在训练阶段，递归二叉树决策树算法基于衬底的训练集502的预处理数据256和后处理数据252来搜索由预处理数据所定义的参数空间。更具体地，机器学习方法可用于迭代地搜索在预处理数据的参数空间内操作的充分的决策树，使得其可用于将衬底分割为子集，每个子集期望地具有例如预期的后处理特性(诸如重叠、CD、聚焦、EPE等)的最小变化。依赖于情境数据的格式，使用诸如ID3、C4.5、CART、C5.0、CHAID、QUEST、CRUISE等机器学习算法，可以完成找到用于分割未来的衬底的充分的(或理想情况下最优的)决策树。

图5在步骤510到516中示意性地图示了这个训练过程。应当理解，可以依赖于所选择的算法和所选择的实施方式来以不同的方式执行这些步骤。所述步骤可以部分地和迭代地执行，如由回路路径518所图示。在概念上，在步骤510中，生成了一定数目的候选决策树512，以不同的方式分割所述参数空间。对于每个候选决策树，可以计算对应的指纹集合514，并且基于这些或基于等效数据，可以在不同模型之间判断出对于性能的预测的品质。然后选择“最佳”的分割规则集合，并将其作为分割规则506而存储在反馈控制器500中。对应的校正集合COR1至CORn被存储为反馈控制器500中的校正508。

参考图6，可以理解，出于找到最佳决策树以及出于表达所得校正这两种目的，可以用任何合适的形式表示指纹。图6图示了指纹分量的集合，其可以按加权方式组合以定义各种场间和/或场内指纹。然后，每个指纹或校正COR1至CORn可以被表示为用于加权这些分量指纹的一组系数。对于场间变化，可以例如通过泽尼克多项式来限定分量602。对于场内变化，图示了九种不同的分量，正如标记为604的分量。这些场内分量仅示意性地按图6的比例表示，且图6示出了低采样分辨率的伪像。技术熟练的读者将理解这一点，且也将能够设想其它的示例方案用于建模所述指纹。

一旦已建立了决策树，则它就可以用于分割新的衬底集合402，如所描述。通常，此新的衬底集集合不是用以使用递归决策树算法来确定决策树的衬底集合502的一部分。然而，如断开的数据路径520和522所示，可将来自新处理衬底的预处理数据和/或后处理数据添加到数据库252、256、260和步骤510至518，然后重复以连续、定期或不规则地更新所述决策树。

为了判断“最佳”的分割规则集合(步骤516)，则可以考虑各种性能指标(关键性能指标或KPI)。作为示例，可以采用预测残差减少(PRR)。为了说明这一点，考虑将重叠误差的测量作为跨越衬底集合的性能特征。跨越于在跨越所有衬底上的所有测量位置，测量结果的统计分布将显示某平均值m和某标准偏差。(重复通常在X和Y方向上单独地测量，且统计分布将对于每个方向不同。)性能指标“m3s”可以被限定为平均误差加上三倍标准偏差。可以理解，在一种情况下，重叠误差可以相对较大(大平均值、低标准差)，而在另一种情况下，平均误差可能为零，但样本可能变化很大(零平均值、大标准差)。所述性能指标m3s将这些情况合并为一个可比较的值。可以理解的是，在第二种情况下，待应用的校正将不明显。然而，通过应用决策树分析来区分在特定样本(特定衬底，和/或跨越所述衬底的特定位置和/或在每个曝光场内的特定位置)内引起偏差的不同情境参数，则针对所述衬底的不同子集所定制的校正可以有望改善性能。

在应用决策树和校正之前，然后考虑一个值m3s₀，即具有#w个数目的衬底的样本集合的平均m3s：

m3s₀＝平均值({m3s(w_i)}，i＝1，…#w)

式中，w_i表示跨越单个衬底上而测量的重叠值的集合，#w是样本集合中的衬底的数目。

候选决策树512中的任何一个，连同其相关联的校正集合514构成重叠性能的预测模型M。在应用此预测模型M之后，针对所述衬底的剩余平均m3s可称为m3s_M：

m3s_M＝平均值({m3s(w_i-w_iM)}，i＝1，…#w)

式中，w_iM是根据特定预测模型M而将会被应用于每个单独衬底的校正。此残余平均值m3s是为实现最佳校正而应被最小化的模型的性能的量度。

也可以针对模型M，例如由下列方程式来限定归一化的“预测残差减少”(PRR)量度，例如通过以下公式：

PRR(M)＝(m3s₀-m3s_M)/(m3s₀)

相对于在原始衬底上的误差，PRR测量了由所述预测模型M所校正的是所述重叠误差的何种百分率(即分数)或百分比。由于量度PRR随着m3s_M的减小而增大，则PRR是为了获得最佳校正而应被最大化的量度。因此，针对所述预测模型提供了合适的KPI或性能指标，其可以用来在不同的候选决策树之间进行选择。

虽然在步骤510至518中示意性地限定的训练过程可以完全自动化并且以“蛮力”执行，但是可以在自动化和/或人类专家步骤中应用各种改进和约束，以改善期望应用中的总体性能。

作为一种细化，可以对预处理数据执行一个或更多个准备步骤510a。一个准备步骤可以是过滤步骤，以消除冗余并且减少供搜索决策树的参数空间的维度的数目。所述过滤步骤可以是自动化的和/或手动地引导的。例如，当收集了针对所有训练集502的情境数据之后，某些数据字段可能是在整个所述集合上是不完整的，并且可以被自动排除。某些数据字段将具有对每个衬底唯一的值，并且可以被排除。某些数据字段将具有遍及所有衬底上为常量的值且这些值可以被排除。某些数据字段将与其它参数(诸如批次ID)100％相关。

另一种选项是由人工和/或自动识别在后处理数据中的变化的某些模式来过滤预处理数据。基于过程知识，变化或指纹的某些模式可指向其根本原因。然后，该知识可用于对预处理数据进行预过滤，以向与涉及该根本原因且更有可能是相关的预处理数据的子集赋予额外的权重。所述过程知识可以在自动化机器专家中编码，或由人工干预和机器辅助的组合来应用。

所述预处理数据的一些变换也可以作为准备步骤510a来执行。所述预处理数据不必被限定在与原始预处理数据中所包含的各个参数相对应的参数空间内。例如，可以使用参数的线性或非线性组合来更有效地表示所述预处理数据(例如在降低问题的维度的方法中运用)。

可以对后处理数据(性能数据)执行准备步骤510b。技术熟练的读者将能够设想宽范围的有用准备步骤，包括例如离群值过滤和/或将相关变换和/或投影应用到不同的参数空间。这种变换和投影可以增强分割，并且可以包括(仅作为示例)使用参数化模型、独热编码和/或主成分分析(PCA)的建模。例如，来自PCT专利申请公开号WO 2017/060080的技术可适用于此目的。

所述学习算法的进一步优化可以使用K-折交叉验证方法来完成。这些方法可用以优化所述学习算法的超参数，诸如终端节点的数目、树深度，等等。下面将参考图7来说明此原理。

如有必要，则可在已限定所述决策树之后进行子空间(衬底的子集)的合并，以减轻由于所述学习算法中的递归二元拆分策略而过于细化拆分成子集。可以由机器编程(聚类)和/或由人工干预来执行这种合并。

此外，可由专家操纵学习后的决策树，以说明在所述学习阶段中所使用的预处理(情境)数据中没有包括的后处理变化的来源。可以使用“保持”数据集来验证更改的效果。保持的数据可以是尚未在训练和交叉验证中使用的任何数据。

此外，值得注意的是，所提出的分割有效地提供在情境数据域中的分组(分类)。情境数据可以是在执行与过程或控制策略相关联的动作之前可用的任何数据。所述决策树随后用以在执行动作之前导出衬底特定的控制动作。因此，用于此目的的情境数据可以包括从单个衬底所测量的对象数据，即使在已加载到所述光刻工具LA中之后也是如此。当然，此数据可以被参数化，而非以原始形式使用。

现在回顾对新(待处理)衬底的操作，如上所解释，首先基于与新衬底相关联的可用预处理数据进行分割。对于每个分割(也可以被称为新衬底的总集合内的子集/仓/组/簇)，可以确定后处理数据的某特性，并且可以导出适当的过程校正。这种后处理指纹的示例为：重叠指纹、CD指纹、良率指纹、聚焦指纹和/或EPE指纹。

可以基于使所述预处理数据与后处理数据相关(且因此与过程校正性质相关)的决策树的可用性，来采用各种控制策略。

首先，可以实施衬底水平控制类型(WLC)，其中每个单独的衬底应用了所述过程校正(衬底水平控制原理)。由于预处理数据在过程开始之前是可用的，所以可以在运作中确定和应用每个衬底的过程校正。

第二种控制策略称为“运行至运行”控制。在这种情况下，在执行过程步骤之后，执行对经处理衬底的测量和/或过程数据分析，并且经处理衬底的测量和/或过程数据分析用以对后续处理衬底的处理进行优化。在这种情况下，由决策树建立的衬底的分组可用于在“运行至运行”控制中选择适当的校正。针对新批次的前处理和后处理数据可用以通过对经更新的预处理数据集使用递归决策树算法来进一步增强决策树的品质。但是，在使用数据时应注意不要通过将相同数据用作针对决策树算法和针对“运行至运行”校正的输入来进行双重校正。

图7示意性图示了候选模型的交叉验证(CV)以确定PRR性能指标的稳固性或鲁棒性，换句话说，它针对与用于训练的样本集不同的样本集而运作的效果将会如何。图8图示了可以如何使用交叉验证的结果来自动地或在人工指导下选择应用于决策树学习的最佳约束。

在图7中，在502处表示训练样本(衬底)的完整集合，与图5中相同。可以通过将预处理和后处理(训练)数据分割为子集并且至少在不用于建立模型的一个集合上验证模型，来验证所述决策树的品质。例如，将训练集划分为10个子集，使用其中9个子集作为训练数据702来执行决策树学习，且然后针对其预测和纠正第10子集704中的误差的能力进行评估。这样的操作被重复10次，以针对同一决策树算法提供10个不同的性能指标PRR1到PRR10。然后，可以例如通过简单的平均将这些性能指标组合起来，以针对决策树算法整体上提供经交叉验证的性能指标PRR(CV)。将理解，完全在与衬底的训练集相关联的预处理数据和后处理数据的域中执行划分为子集。交叉验证过程不需要对所述衬底进行物理处理。交叉验证可以用作既用以评估不同的决策树算法、也用以作为决策树算法内的步骤516的一部分(例如，作为步骤516a)来评估候选决策树这两种用途的技术。

现在参考图8，使用针对不同决策树算法的交叉验证性能指标允许调整算法本身的约束和区域参数。这些可以被称为例如“超参数”。作为针对决策树算法的超参数的一个特定示例，参数#min限定了应保留于决策树的“叶节点”处的最小衬底数量。也就是说，如果决策导致包含少于#min个衬底的分支，则该决策将不被包括于决策树中，而是该决策树将终止于叶节点处。

图8中的图表显示了针对一定数目的不同值#min的交叉验证性能指标PRR(CV)，在衬底的特定组合上运行图7中的交叉验证方法。衬底的数量可以是数百甚至数千个。#min的值的范围从图表左侧处的5到右侧处的超过30。在所使用的特定量度中，增加PRR值指示了更佳的模型。此外，不仅标绘了所述性能指标的平均值，而且标绘了不同的训练子集702和验证子集704之间的性能指标的偏差的范围。在图8的图示中，所述性能指标高于值PRR1至PRR10的偏差的范围由“误差条”806表示。可见，如果#min设定太高，例如高于25，则所述决策树算法不会得到可能的最高性能。另一方面，将最小叶节点大小减小到20以下只会得到性能的微小改善(如果性能有任何改善)。按图8的比例太小而无法看到，在此示例数据集中，运用等于13的#min(虚线箭头802)来实现了绝对最佳的性能。

另一方面，当叶节点的大小变得小于最优值，则候选模型之间的变化的范围可能会增加。按图8的比例太小而无法看到，在此示例数据集中，运用等于20的#min(实线箭头804)来实现了所测试的所有选项中的最窄变化范围。此最小变化指示了特定算法从训练样本推广或泛化到生产环境的良好能力。因此，在一个实施方式中，对于步骤510至518，参数#min被设置为20。在其它实施方式中，这些超参数的设置可以作为迭代过程的一部分进行调整，并且不时进行修改以维持最佳性能。

所获得的与关注的处理步骤相关联的分割规则可另外用以选择用于分割与后续处理步骤相关联的预处理数据的分割规则。这可能是一种有效的策略，以简化与潜在的大量顺序执行的过程步骤相关联的预处理数据的后续分割。并非将二叉决策树算法应用于可与后续过程步骤关联的所有预处理数据，而是首先基于与一个或更多个先前过程步骤相关联的至少一个分割规则来对所述预处理数据进行有效分割。

在许多情况下，这将是一种有效的策略，因为经受后续过程步骤的衬底仍将具有与先前过程步骤相关联的许多特性。在所述预处理数据是对准数据的情况下，与在第一层(其在过程步骤期间施加)的顶部上的第二层(其在随后的过程步骤期间施加)相关联的对准指纹通常将显示出与所述第一层相关联的对准指纹的很大程度的相关性。在所述预处理数据是情境信息的情况下，则对于在接近处理序列结束时所执行的过程步骤，用于处理所述衬底的设备的可能组合可能变得不切实际般大。一般而言，可以说，被包含于预处理数据中的结构信息(组的存在；关于相关分割规则的知识)在随后的处理步骤之间传递，以便使寻找分割规则的计算工作保持为可管理的。

在一个实施例中，获得了在经受后续过程步骤之前与衬底相关联的预处理数据，并且将多个分割规则应用于预处理数据以获得预处理数据的子集的多个配置，其中多个分割规则中的至少一个分割规则基于先前确定的分割规则，其中先前确定的分割规则是与在后续过程步骤之前所执行的过程步骤相关的预处理数据相关联的。

作为使用与后续过程步骤相关联的预处理数据的替代，还可以使用相对于先前过程步骤的预处理数据的差异以用于应用所述分割规则。采用这种差异具有以下优点：基于尚未包括在与先前过程步骤相关联的预处理数据中的信息，分割规则选择过程随后更加针对于与后续过程步骤相关联的组预处理数据。例如，由于后续的过程步骤而导致的对准数据的改变可被用作用以确定针对于对后续过程步骤特定的组情境信息(即，以对后续过程步骤特定的组情境信息为目标)的分割规律的基础。

在假若后续过程步骤的后处理数据可用的情况下，可以通过对后续过程步骤的预处理数据应用多个分割规则来获得分割规则，并且可以基于所述后续过程步骤的后处理数据的子集的特性来选择分割规则，所述后续过程步骤的后处理数据的子集与通过将所述分割规则应用于所述后续过程步骤的预处理数据而获得的所述后续过程步骤的预处理数据的子集相关联。

与后续过程步骤相关联的后处理数据也可以被限定为与后续过程步骤相关联的后处理数据和与先前过程步骤关联的后处理数据之间的差异。

针对任何过程步骤的预处理数据可以是例如从以下各项中选择的一个或更多个：对准、调平和/或情境数据，并且针对任何过程步骤的后处理数据可以例如从以下各项中选择的一个或更多个：重叠、CD、EPE和/或聚焦数据。

结论

总之，本公开提出使用决策树作为一种类型的机器学习算法，以根据在制造过程中的情境数据来预测性能。与先前的提议相比，在情境空间中产品单元(衬底等)的分组和产品单元的分割自然是单个过程的一部分。在二元决策树的情况下，在每一步，进行一次切割，使得两组样本具有最小方差。

由于产品单元的分组在决策树中是隐含的，使得组内变化例如被最小化，则不需要建立指纹聚类的明确概念。与后处理参数(“指纹空间”的维度)和情境空间的维度(预处理数据参数)的变化的数量相比，这允许利用相对小数目的产品单元来应用该方法。

执行交叉验证和按每个情境变量拆分参数空间的能力促进了该方法在实践中的良好推广或泛化。与已知方法相比，该方法还可以更扩展到大批量生产。可以包括分类的变量和连续值情境变量的混合。

组的数量不会随着各个情境变量的维数而呈指数方式增长。这与先前的方法形成对比，例如，可以针对每个情境值(诸如蚀刻腔室ID)建立单独的反馈回路(“控制线程”)。决策树分类器将仅挑选出导致显著指纹变化的腔室和工具的组合。无关的情境将自动被忽略。

作为二叉决策树算法的替代，可以使用其它方法。这里有意义的是该算法基于所述其它方法的预处理数据而生成多个分割规则，每个分割规则限定对衬底的不同分割。例如，可以随机生成多个分割规则。选择(充分的或甚至最佳的)分割规则是基于对与如同通过应用关注的分割规则而获得的预处理数据的子集相关联的后处理数据的特性的评估。例如，大量的分割规则可以基于对用来基于预处理数据将衬底划分为子集的参数进行改变。例如，第一分割规则可基于所利用的蚀刻腔室来划分衬底，并且第二分割规则可基于与所执行的沉积过程相关联的温度。在这种情况下，第二分割规则可以基于被包括在预处理数据内的参数的值，例如，第一分割规则选择与第一温度范围相关联的预处理数据，且第二分割规则选择与第二温度范围相关联的预处理数据。

在基于所述预处理数据来限定所述衬底的子集之后，确定与衬底的至少一个子集相关联的后处理数据的特性。例如，与已通过某个蚀刻腔室并且在某温度范围的情况下经受沉积过程的衬底相关联的重叠数据与处理(在本例中为覆盖)数据的完整集合相隔离。确定了与该特定集合相关联的重叠数据的特性。这种特性可以与跨越特定集合上的后处理数据的可变性的量度有关，诸如(重叠的)方差。可以考虑一个或更多个其它特性：预测良率，或将所述后处理数据映射到代表衬底特定组合的期望特性的标量的任何其它成本函数。在特性是重叠数据的方差的情况下，可以基于所观察到的可变性特征的最小值来选择分割规则，这意味着与由分割规则所分割出的预处理数据的子集相关联的衬底全都共享类似的重叠特性。

所述预处理数据可以包括参数和与所述参数相关联的值，其关于选自以下各项的一个或更多个：一个或更多个对准标记的一个或更多个性质；一个或更多个衬底的一个或更多个高度图；一个或更多个衬底的表面的一个或更多个性质；被运用于在过程步骤之前处理所述衬底的一个或更多个工具的一个或更多个设置；被运用于在过程步骤之前处理所述衬底的一个或更多个工具的识别；和/或被运用于在过程步骤之前处理所述衬底的一个或更多个工具的一个或更多个特性。一般而言，在执行关注的过程步骤之前，与先前层和先前过程步骤相关联的数据是已知的(至少当监控此数据的过程就位时如此)。在光刻过程的情况下，与预曝光量测步骤相关联的数据(诸如所述衬底的对准和调平)可能是可用的，且因此被包含在所述预处理数据中。

在PCT专利申请公开号WO 2017/060080的术语中，基于实际衬底的测量结果的所述预处理数据可以被称为“对象数据”。在这种情况下，在曝光之前可用的“对象数据”可以按相同方式被视作被称为“情境数据”的其它类型的预处理数据。所述后处理数据对应于在PCT专利申请公开号WO 2017/060080中的“性能数据”，因为它与在每个衬底的情境中由所述光刻处理步骤而实际地实现的结果有关。

所述后处理数据可以包括参数和与所述参数相关联的值，其关于选自以下各项的一个或更多个：一个或更多个对准标记的一个或更多个性质；一个或更多个衬底的一个或更多个高度图；一个或更多个衬底的表面的一个或更多个性质；和/或与在过程步骤期间和/或在过程步骤之后提供给所述衬底的一个或更多个特征相关联的性能数据。这种性能数据可以例如与选自以下各项的一个或更多个有关：层之间的重叠、在单个层中由多重图案化步骤所施加的图案之间的重叠、聚焦品质、所述一个或更多个特征的CD、所述一个或更多个特征的边缘放置误差、所述一个或更多个特征的一个或更多个电特性，和/或与包括所述一个或更多个特征的功能器件的相对量有关的所述衬底的良率。

在以下编号的项目的列表中披露了本发明的其它实施例：

1.一种用于分割与经受制造过程的过程步骤的衬底相关联的数据的方法，所述方法包括：

获得与经受所述过程步骤之前的衬底相关联的第一数据；

获得与经受所述过程步骤之后的衬底相关联的第二数据；

将多个分割规则应用于所述第一数据以获得所述第一数据的子集的多个配置；以及

基于与通过将分割规则应用于所述第一数据而获得的所述第一数据的子集相关联的所述第二数据的子集的特性来选择所述分割规则。

2.根据项目1所述的方法，其中运用决策树训练算法来执行应用所述多个分割规则和选择所述分割规则的步骤。

3.根据项目2所述的方法，其中所述训练算法是被用来执行应用所述多个分割规则和选择所述分割规则的步骤的递归二叉决策树算法。

4.根据项目3所述的方法，其中使用诸如ID3、C4.5、CART、C5.0、CHAID、QUEST和/或CRUISE之类的一个或更多个决策树训练算法来训练所述决策树算法。

5.根据项目2至4中任一所述的方法，还包括使用交叉验证来评估训练算法，并且根据评估来选择所述训练算法的参数，例如在二叉决策树算法的情况下，选择诸如终端节点的数目和/或树深度之类的参数。

6.根据上述任一项目所述的方法，还包括由专家操作者操作第一数据和/或第二数据，以考虑未被包括于所述第一数据中的变化的源。

7.根据上述任一项目所述的方法，还包括在应用所述分割规则之前预处理所述第一数据以应用变换或投影。

8.根据上述任一项目所述的方法，还包括合并所述第一数据的两个或更多个子集。

9.根据上述任一项目所述的方法，还包括：

获得与在经受后续过程步骤之前的衬底相关联的第三数据；以及

将多个分割规则应用于所述第三数据以获得所述第三数据的子集的多个配置，其中所述多个分割规则中的至少一个分割规则基于所选的分割规则。

10.根据项目9所述的方法，其中所述第三数据被定义为与在经受后续过程步骤之前的衬底相关联的数据和与在经受所述过程步骤之前的衬底相关联的数据之间的差异。

11.根据项目10所述的方法，还包括获得与在经受后续过程步骤之后的衬底相关联的第四数据。

12.根据项目11所述的方法，其中所述第四数据被定义为与在经受后续过程步骤之后的衬底相关联的数据和与在经受所述过程步骤之后的衬底相关联的数据之间的差异。

13.根据项目11或12所述的方法，还包括基于所述第四数据的子集的特性来选择第二分割规则，所述第四数据的子集与通过将所述第二分割规则应用于所述第三数据而获得的第三数据的子集相关联。

14.根据项目9至13中任一所述的方法，其中所述第三数据是选自以下各项的一个或更多个：对准、调平和/或情境数据，并且所述第四数据是选自以下各项的一个或更多个：重叠、CD、EPE和/或聚焦数据。

15.一种基于与正经受过程步骤的衬底相关联的数据来分割衬底的方法，所述方法包括：

-使用根据前述任一项目的方法而选择的分割规则来对数据进行分割；以及

-将所述衬底分割成子集，其中每个子集与通过分割而获得的数据的子集相关联。

16.根据项目15所述的方法，还包括确定与所述衬底的子集相关联的过程控制特性。

17.根据项目16所述的方法，还包括基于针对所述衬底所属的子集而确定的过程控制特性，来在每个衬底上执行所述过程步骤。

18.根据上述任一项目所述的方法，其中所述第一数据包括参数和与参数相关联的值，涉及选自以下各项的一个或更多个：

-对准标记的性质；

-衬底的高度图；

-衬底的表面的性质；

-用于在所述过程步骤之前对衬底进行处理所运用的工具的设置；

-用于在所述过程步骤之前对衬底进行处理所运用的工具的识别；和/或

-用于在所述过程步骤之前对衬底进行处理所运用的工具的特性。

19.根据上述任一项目所述的方法，其中所述第二数据包括参数和与参数相关联的值，涉及选自以下各项的一个或更多个：

-对准标记的性质；

-衬底的高度图；

-衬底的表面的性质；

-与提供给衬底的特征相关联的性能数据，所述性能数据涉及选自以下各项的一个或更多个：层之间的重叠、在单个层中由多重图案化步骤所施加的图案之间的重叠、聚焦品质、所述特征的CD、所述特征的边缘放置误差、所述特征的电特性、和/或与包含所述特征的功能器件的相对数量相关的衬底的良率。

20.根据项目18或19所述的方法，其中所述分割规则包括至少一个决策操作，所述决策操作被配置成基于被包括于所述第一数据内的参数的值来划分所述第一数据。

21.根据项目15至19中任何一条所述的方法，其中所述分割规则限定包括一系列决策步骤的决策树。

虽然在本文中可以具体提及在IC的制造中使用光刻设备，但是应当理解，本文中描述的所述光刻设备可以具有其它应用。可能的其它应用包括集成光学系统的制造、用于磁畴存储器的引导和检测模式、平板显示器、液晶显示器(LCD)、薄膜磁头等。在该方面，根据正制造的产品的类型，经处理的“衬底”可以是半导体晶片，或者它们也可以是其它衬底。

尽管在本文中可以在光刻设备的情境中具体提及本发明的实施例，但是本发明的实施例可以用于其它设备中。本发明的实施例可形成图案形成装置检查装置、量测设备、或测量或处理诸如晶片(或其它衬底)或掩模(或其它图案形成装置)之类的物体的任何设备的一部分。这些设备通常可被称为光刻工具。这种光刻工具可以使用真空条件或环境(非真空)条件。

在本文中，术语“辐射”和“束”用来包括所有类型的辐射，包括紫外线辐射(例如具有365、248、193、157或126nm的波长)和EUV(极紫外辐射，例如具有在约5至100nm的范围中的波长)。

本文中所运用的术语“掩模版”、“掩模”或“图案形成装置”可被广义地解释为指代可用来向入射辐射束赋予经图案化横截面的通用图案形成装置，经图案化横截面与待在所述衬底的目标部分中创建的图案相对应。术语“光阀”也可用于这种情境。除了经典掩模(透射式或反射式掩模、二进制掩模、相移掩模、混合掩模，等等)，其它此类图案形成装置的实例包括可编程反射镜阵列和可编程LCD阵列。

尽管上文可能已经具体提及在光学光刻的背景下本发明的实施例的使用，但是应当理解，在情境允许的情况下，本发明不限于光学光刻，并且可以用于其它应用，例如压印光刻。

本文中使用的术语“对..进行优化”和“优化”是指或意味着调整设备(例如，光刻设备)、过程等，从而使结果和/或过程具有更理想的特性，诸如在衬底上投影设计图案的较高准确度、较大的过程窗口，等等。因而，本文中所使用的术语“对..进行优化”和“优化”是指或意指识别用于一个或更多个参数的一个或更多个值，所述一个或更多个值提供与用于那一个或更多个参数的一个或更多个值的初始集合相比在至少一个相关指标方面的改进(例如局部最优)。“最佳”和其它相关术语应作相应解释。在一实施例中，可以用迭代方式应用优化步骤以提供一个或更多个指标的进一步的改进。

本发明的各方面可以用任何方便的形式实现。例如，一个实施例可以由一个或更多个适当的计算机程序来实现，所述计算机程序可以被承载于可以是有形载体介质(例如磁盘)或无形载体介质(例如通信信号)的适当载体介质上。本发明的实施例可以使用适当的设备来实施，这些设备可以具体地采取运行被布置成实施如本文所描述方法的计算机程序的可编程计算机的形式。

在框图中，所图示的部件被描绘为离散的功能区块，但实施例不限于本文中描述的功能性如所图示来组织的系统。由部件中的每个部件所提供的功能性可以由软件或硬件模块提供，所述模块以与目前所描绘的方式不同的方式组织，例如，可以掺和、结合、复写、分解、分配(例如，在数据中心内或地理上)，或以另外的不同的方式组织这种软件或硬件。本文中描述的功能性可以由执行储存在有形的非暂时性机器可读介质上的代码的一个或更多个计算机的一个或更多个处理器提供。在一些情况下，第三方内容分发网络可以托管在网络上传送的一些或全部信息，在这种情况下，在一定程度上信息(例如，内容)被认为被供给或以其它方式提供，所述信息可以通过发送指令以从内容分发网络获取所述信息而被提供。

除非另有具体陈述，否则根据所述论述，应理解的是，在整个本说明书中，运用诸如“处理”、“计算”、“确定”等术语的论述是指具体设备(诸如专用计算机、或类似的专用电子处理/计算装置)的动作或过程。

读者应了解，本申请描述若干发明。这些发明已被分组成单个文件，而不是将那些发明分离成多个独立的专利申请，这是因为所述发明的相关主题可以在应用过程中有助于经济性。但不应合并这些发明的不同的优点和方面。在一些情况下，实施例解决本文中提及的所有缺陷，但应理解，所述发明是独立地有用的，并且一些实施例仅解决这些问题的子集或提供其它没有提及的益处，检阅本公开的本领域技术人员将明白所述益处。由于成本约束，目前可能无法主张本文中所披露的一些发明，并且可以在稍后的申请(诸如继续申请或通过修改本权利要求书)中主张所述发明。类似地，由于空间约束，本文档的摘要和发明内容的发明章节都不应被视为包含所有这些发明的全面清单或这些发明的所有方面。

应理解，描述和附图并不意图将本公开限于所披露的特定形式，而正相反，本发明意图涵盖属于如由所附权利要求限定的本发明的精神和范围内的所有修改、等效物和替代方案。

鉴于本说明书，本领域技术人员将明白本发明的各个方面的修改和替代实施例。因而，本说明书和附图应被理解为仅是说明性的且是出于教导本领域技术人员执行本发明的一般方式的目的。应理解，本文中所示出和描述的本发明的形式应被视为实施例的示例。元件和材料可以替代本文中所图示和描述的元件和材料，部分和过程可以被反转或被省略，可以独立地利用某些特征，并且可以将实施例或实施例的特征组合，所有这些在获得本发明的本说明书的益处之后对于本领域技术人员将是清楚的。可以在不背离如在下列权利要求中所描述的本发明的精神和范围的情况下对本文中描述的元件作出改变。本文中所使用的标题仅为了实现组织性目的，并且不意味着用于限制本说明书的范围。

如在整个本申请中所使用的，词“可以”是以许可的意义(即，意味着可能)而不是强制性的意义(即，意味着必须)来使用。词语“包括”等意味着包括但不限于。如在整个本申请中所使用的，单数形式“一”、“一个”、“所述”包括多个提及物，除非情境另有明确地指示。因而，例如，对“一”元件的提及包括两个或更多个元件的组合，尽管会针对一个或更多个元件使用其它术语和短语，诸如“一个或更多个”。除非另有指示，否则术语“或”是非独占式的，即，涵盖“和”与“或”两者。描述条件关系的术语，例如，“响应于X，发生Y”、“在发生X的情况下，发生Y”、“如果X，则Y”、“当X时，发生Y”等涵盖因果关系，其中前提是必要的因果条件，前提是充分的因果条件，或前提是结果的贡献因果条件，例如，“在条件Y获得后，即出现状态X”对于“仅在Y后，才出现X”和“在Y和Z后，即出现X”是通用的。这些条件关系不限于即刻遵循前提而获得的结果，这是由于一些结果可能被延迟，并且在条件陈述中，前提与它们的结果相关联，例如，前提与出现结果的可能性相关。除非另外指示，否则多个属性或功能被映射至多个对象(例如，执行步骤A、B、C和D的一个或更多个处理器)的陈述涵盖了所有这些属性或功能被映射至所有这些对象、以及属性或功能的子集被映射至属性或功能的子集两种情况(例如，这两种情况即：所有处理器各自执行步骤A至D；和其中处理器1执行步骤A、而处理器2执行步骤B和步骤C的一部分、且处理器3执行步骤C的一部分和步骤D的情况)。此外，除非另有指示，否则一个值或动作“基于”另一条件或值的陈述涵盖了条件或值是唯一因子的情况、以及条件或值是多个因子中的一个因子的情况两者。除非另外规定，否则某一集合体的“每个”实例均具有某一性质的陈述不应被理解为排除了其中较大的集合体的一些另外相同或相似的构件不具有所述性质的情况，即，每个不一定意味着每一个。对于从一定范围中进行选择的提及包括该范围的端点。

在上述描述中，流程图中的任何过程、描述或框应被理解为代表代码的模块、段或部分，其中包括一个或更多个用于实施在过程中的特定逻辑功能或步骤的可执行指令，并且替代实施方式被包括在本发明的示例性实施例的范围内，其中功能可以按照所示或讨论而无序地执行，包括基本上同时执行或以相反顺序执行，具体依赖于所涉及的功能，如本领域技术人员将会理解的。

虽然上面已经描述了本公开的特定实施例，但是应该理解本发明可以用不同于所描述的方式实施。以上的描述意图是说明性的，而不是限制性的。因而，本领域技术人员将明白，可以在不背离下文所阐明的权利要求的范围的情况下对如所描述的本发明进行修改。

Claims

获得与经受所述过程步骤之前的衬底相关联的第一数据；

获得与经受所述过程步骤之后的衬底相关联的第二数据；

2.根据权利要求1所述的方法，其中运用决策树训练算法来执行应用所述多个分割规则和选择所述分割规则的步骤。

3.根据权利要求2所述的方法，其中所述训练算法是被用来执行应用所述多个分割规则和选择所述分割规则的步骤的递归二叉决策树算法。

4.根据权利要求3所述的方法，其中使用诸如ID3、C4.5、CART、C5.0、CHAID、QUEST和/或CRUISE之类的一个或更多个决策树训练算法来训练所述决策树算法。

5.根据权利要求2所述的方法，还包括使用交叉验证来评估所述训练算法，并且根据评估来选择所述训练算法的参数，例如在二叉决策树算法的情况下，选择诸如终端节点的数目和/或树深度之类的参数。

6.根据权利要求1所述的方法，还包括在应用所述分割规则之前预处理所述第一数据以应用变换或投影。

7.根据权利要求1所述的方法，还包括：

8.根据权利要求7所述的方法，其中所述第三数据被定义为与在经受后续过程步骤之前的衬底相关联的数据和与在经受所述过程步骤之前的衬底相关联的数据之间的差异。

9.根据权利要求7所述的方法，其中所述第三数据是选自以下各项的一个或更多个：对准、调平和/或情境数据，并且第四数据是选自以下各项的一个或更多个：重叠、CD、EPE和/或聚焦数据。

10.一种基于与经受过程步骤之前的衬底相关联的数据来分割衬底的方法，所述方法包括：

-使用根据权利要求1所述的方法而选择的分割规则来对所述数据进行分割；以及

-将所述衬底分割成多个子集，其中每个子集与通过所述分割而获得的数据的子集相关联。

11.根据权利要求10所述的方法，还包括确定与所述衬底的子集相关联的过程控制特性。

12.根据权利要求1所述的方法，其中所述第一数据包括参数和与所述参数相关联的值，涉及选自以下各项的一个或更多个：

-对准标记的性质；

-衬底的高度图；

-衬底的表面的性质；

13.根据权利要求1所述的方法，其中所述第二数据包括参数和与所述参数相关联的值，涉及选自以下各项的一个或更多个：

-对准标记的性质；

-衬底的高度图；

-衬底的表面的性质；

14.根据权利要求12或13所述的方法，其中所述分割规则包括至少一个决策操作，所述至少一个决策操作被配置成基于被包括于所述第一数据内的参数的值来划分所述第一数据。

15.根据权利要求10所述的方法，其中所述分割规则限定包括一系列决策步骤的决策树。