CN112529833B - 一种用于确定半导体工艺的工艺极限的方法和装置 - Google Patents
一种用于确定半导体工艺的工艺极限的方法和装置 Download PDFInfo
- Publication number
- CN112529833B CN112529833B CN202010982374.3A CN202010982374A CN112529833B CN 112529833 B CN112529833 B CN 112529833B CN 202010982374 A CN202010982374 A CN 202010982374A CN 112529833 B CN112529833 B CN 112529833B
- Authority
- CN
- China
- Prior art keywords
- images
- image
- score
- query
- dataset
- 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
Links
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
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
取得同一管芯区域的图像的数据集作为方法的起始点。该数据集之中的图像对应于一个或多个工艺参数的不同设置。来自该数据集的一个或多个图像被用作无监督生成式机器学习算法的训练图像。该算法创建特征向量空间,其包括允许该算法合成大量合成图像的特征向量。该方法接着将来自该数据集的一个或多个图像呈现为针对该算法的查询图像,并且基于查询图像与来自该数据集的一组对象图像中的相应对象图像之间的距离将一分数归于该一组对象图像,所述距离在特征向量空间中被确定。根据本发明,该分数表示图像的一个或多个特性。这允许直接从分数值中,而非从图像的手动比较中,提取工艺极限。
Description
发明领域
本发明涉及半导体工艺处理,尤其涉及一个或多个参数的工艺极限的确定,该一个或多个参数诸如在光刻工艺中应用的曝光剂量和聚焦。
背景技术
诸如集成电路芯片之类的半导体器件按照数百个工艺步骤的一序列来被生成。这些工艺步骤中的许多工艺步骤需要光刻掩模,二维图案通过该光刻掩模被压印在光抗蚀层上,之后是用于以在半导体晶片或晶片上的各个层的材料形成的三维特征的形式产生图案的一个或多个蚀刻工艺。此类光刻掩模的设计在如今涉及在将光学、抗蚀以及蚀刻现象纳入考虑的情况下的印刷图案的预测,而光学、抗蚀以及蚀刻现象发生在掩模特征的尺寸及以下尺寸。这些效应导致印刷图案相对于设计意图的不可避免的偏离。所谓的“电子设计自动化”(EDA)工具,诸如“光学邻近度校正”(OPC)软件,被用于确定预期初始掩模设计并对其进行纠正以给出对于印刷晶片上的设计意图的最佳可能近似。OPC优化基于用于对给定现象进行补偿的初始设计边缘的分段,并且依赖于准确的建模以预测印刷特征的模拟轮廓。基于OPC的解决方案的审阅通过输出许多特征的模拟可印刷窗口来进行。窗口在光刻工具的聚焦和曝光剂量设置方面定义可印刷性性能极限,在该极限内图案的可靠印刷是可被获得的。出于各种原因,诸如设计几何形状、OPC建模的准确性等等,一些图案可具有比其他图案更大的可印刷窗口。
模拟窗口随后通过实验,通过制造测试掩模并用其在光敏抗蚀层的多个管芯区域上印刷各种图案特征来被验证。每一管芯区域通过聚焦和曝光条件的变动的值来被印刷。实验窗口通过测量多个管芯区域上的特征来被确定。实验窗口与模拟窗口之间的差异被评估,并且可能使得对掩模设计的进一步的基于OPC的优化成为必要。
已知用于分析印刷管芯的不同测量技术。光学检查可以被使用,但是随着特征尺寸收缩至低于32nm的临界尺寸,这些技术并不足够精确,因为光学工具无法解析结构。因此,诸如CD-SEM(临界尺寸扫描电子显微镜)之类的电子光束工具被用于获得详细图像,并且从这些图像的手动检查中导出可印刷窗口。然而,这是耗时费力的,并且这代表了减缓掩模发展进程的瓶颈。
在可印刷窗口内,可确定与例如特定缺陷(即,在剂量和聚焦在工艺窗口极限之外时出现的缺陷)有关的较窄的工艺窗口。该窄工艺窗口的确定如今主要通过CD-SEM图像的手动比较来进行,并且因此是同样劳动密集和耗时费力的。
可印刷窗口和缺陷相关的工艺窗口是用于评估基于OPC的掩模设计和/或用于在半导体晶片上正确印刷给定特征集所需的工艺极限的示例。工艺极限不仅在光刻工艺中应用的剂量和聚焦方面被确定,而且还因变于各种其他工艺参数,诸如蚀刻参数或者与沉积或平面化工艺有关的参数。如今,这些工艺极限的确定同样要求主要对CD-SEM图像进行手动分析。
一般来说,上述问题与在半导体工艺所获得的管芯区域的不同图像之间进行区分的难度有关,其中不同图像通过改变一个或多个工艺参数而获得。尤其对于在如今所应用的小器件尺寸并且肯定地对于更小的投影尺寸,没有允许在不需要大量时间和人力的情况下作出此类区分的可用的可靠技术。
发明内容
本发明的目的在于提供一种不遭受上述问题的用于确定工艺极限的方法。根据本发明,同一管芯区域的详细图像(优选地是CD-SEM图像)的数据集被取得,作为允许在没有手动干预的情况下确定工艺极限的方法的起始点。该数据集之中的图像对应于一个或多个工艺参数(例如,光刻工艺中所应用的不同剂量和聚焦设置)的不同设置。来自该数据集的一个或多个图像被用作无监督生成式机器学习算法的训练图像。该算法创建特征向量空间,其包括允许该算法合成大量合成图像的特征向量。该方法接着将来自该数据集的一个或多个图像呈现为针对该算法的查询图像,并且基于查询图像与来自该数据集的一组对象图像中的相应对象图像之间的距离将一分数归于该一组对象图像,所述距离在特征向量空间中确定。根据本发明,该分数表示图像的一个或多个特性,诸如出现在图像中的一个或多个二维或三维特征的临界尺寸。这允许直接从分数值中,而非从图像的手动比较中,提取工艺极限。获得表示给定图像特性的分数值是通过对查询图像和对象图像中的一者或多者的有针对性的选择和/或通过将分数确定为从相对于一组不同查询图像获得的分数中计算的聚集分数值来实现的。该聚集分数可以是例如相对于一组查询图像获得的对象图像的分数的最大值或平均值。
本发明尤其涉及一种用于确定半导体工艺的一个或多个参数的工艺极限的方法。该方法包括以下步骤:
-提供包括多个管芯区域的一个或多个测试基板,
-在该一个或多个测试基板的不同管芯区域上应用工艺,其中该一个或多个工艺参数从这些参数在管芯区域之一处的一设定值开始并且在其他管芯区域中分步骤增大和/或减小一个或多个参数来被递增,
-获得通过应用不同参数值处理而得的不同管芯区域的同一部分的图像的数据集,-通过一方法步骤序列来确定工艺极限,该方法步骤序列包括:通过在该数据集的一个或多个图像的基础上训练无监督生成式机器学习算法来创建特征向量空间,从该图像数据集之中选择一个或多个查询图像,
-对于每一查询图像,确定在该特征向量空间中从该查询图像到来自该数据集的多个图像的距离,此处的多个图像在之后被称为对象图像,
-基于所述多个对象图像与一个或多个查询图像之间的距离来将一分数归于所述对象图像中的每一者,其中查询图像、对象图像以及分数的定义按照使得该分数表示至少在图像的一个或多个特性的给定范围内的一个或多个特性的方式来被选择,-从该分数与一个或多个工艺参数之间的关系中提取工艺极限。
根据一实施例,单个查询图像被选择,并且其中该分数是所述距离或所述距离的线性函数。
根据一实施例,多个查询图像被选择,并且其中该分数是基于每一对象图像的分数总和的聚集分数。该聚集分数可以是对象图像中的每一者的分数的最大值。根据一实施例,该聚集分数是对象图像中的每一者的分数的平均值。
根据一实施例,由该算法生成的一个或多个合成图像被添加到该数据集,并且其中所述合成图像中的一者或多者被用作查询图像。
根据一实施例,查询图像中的至少一者和/或对象图像中的至少一者是离群图像,即,不对应于位于所述一个或多个特性的预定义兴趣范围中的一个或多个特性的值的图像。
该机器学习算法可以是生成式对抗网络(GAN)或变分自编码器(Var-AE)型的算法。
根据一实施例,该工艺是光刻工艺,其中该方法被用于确定在该光刻工艺中应用的剂量和聚焦方面的可印刷窗口,并且其中该可印刷窗口的极限通过确定该分数与剂量和/或聚焦之间的关系中的阶跃来检测。
该方法可被用于确定该工艺的一个或多个参数的工艺窗口,其中工艺窗口确定是基于分数与图像的所述一个或多个特性之间的预定义已知关系的。该预定义已知关系可以基于在执行该方法之前执行的一个或多个校准步骤。
根据一实施例,该图像的一个或多个特性包括出现在图像中的一个或多个二维或三维图案特征的临界尺寸。
本发明同样涉及一种用于根据本发明的方法来确定工艺极限的装置,该装置包括计算机,该计算机被配置成:
-接收数据集的图像,
-在所述图像中的一者或多者的基础上训练该算法,
-计算在特征向量空间中一个或多个查询图像与多个对象图像之间的距离,
-基于所述距离来计算所述分数,
-提取工艺极限。
本发明同样涉及一种在根据本发明的装置中应用的计算机程序产品,该计算机程序产品在程序产品在计算机上运行时被配置成:
-接收数据集的图像,
-在所述图像中的一者或多者的基础上训练该算法,
--计算在所述特征向量空间中一个或多个查询图像与多个对象图像之间的距离,
-基于所述距离来计算所述分数,
-提取工艺极限。
附图简述
图1例示了如本领域公知的在FEM测试晶片上应用的典型的聚焦曝光矩阵。
图2示出了FEM晶片的细节,包括需要进行工艺窗口确定的特定兴趣区域。
图3a到3c示出了对应于不同聚焦和/或曝光设置的、给定兴趣区域的CD-SEM图像的示例。
图4例示了根据本发明的方法的在从数据中导出的特征向量空间中确定的来自CD-SEM图像数据集的五个图像的相对距离。
图5表达了对于图4中的五个图像的因变于CD值的最大分数。
图6是根据本发明的方法获得的FEM晶片的管芯上的分数分布的示例。
图7例示了图5的分数分布是FEM管芯子集中的CD值的可靠表示。
本发明的优选实施例的详细描述
本发明被描述用于确定光刻工艺的剂量和聚焦窗口方面的工艺极限的情形。然而,该描述也适用于其他工艺。
首先给出现有技术中用于确定光刻工艺的可印刷窗口的方法的简要概览。图1示出了应用在聚焦曝光矩阵测试晶片(FEM晶片)上的聚焦曝光矩阵的示例。多个管芯1跨晶片的区域分布,并且相同的图案通过光刻工具被印刷在每一管芯上且带有不同的光刻参数。各个列对应于在光刻工具中应用的曝光剂量的相应递增的值,用mJ/cm2来表达。各个行对应于相应递增的聚焦值,即,与曝光工具上的预定义零散焦设置的偏离,用nm来表达。通常,管芯不会针对聚焦和剂量设置两者的极限值(即,矩阵的四个角中的管芯)来印刷。这得到大约200到250个管芯,每一管芯对应于不同的聚焦曝光设置。
图1中指示的晶片部分2(在以各种设置用光刻工具印刷FEM晶片之后)在图2中以放大视图被示出。检查管芯上的多个图案区域3,以便确定曝光和聚焦参数方面的可印刷窗口,即曝光剂量和聚焦的范围,被设计在这些区域中的特征图案在该范围内被有效地再现。出于这一目的,取得所涉及的区域的CD-SEM图像。
图3a到3c例示了包括一组平行线特征的特定区域的CD-SEM图像,该CD-SEM图像用不同剂量和/或聚焦设置来印刷。该图像可以例如源自图2中所指示的区域3a、3b和3c。清楚的是,图3a中的图像的剂量和聚焦设置优于图3b和3c中所示的图像的剂量和聚焦设置。然而,可印刷窗口确定以及缺陷有关的工艺窗口确定方面的挑战在于找出可接受和不可接受的剂量和聚焦设置之间的转变。如今,这要求手动检查图像,包括一个或多个印刷特征的临界尺寸的测量,即,在图3a到3c所示的示例的情形中线特征的宽度,以及因变于CD值的图像的排序。在许多情形中,可印刷窗口与阐述因变于剂量和/或聚焦的CD的图形中的阶跃(即,CD曲线的突然上升或下降)相关联。
本发明提供了一种自动检测可印刷窗口的方式。CD-SEM图像中的一者或多者被用作无监督机器学习算法的训练图像,该无监督机器学习算法在对训练图像的逐像素分析的基础上创建特征向量空间。例如,如果每一个图像包括256×256像素的阵列,可以将一个值和一个概率分布(优选地是单位高斯概率分布)归于每一像素。在学习阶段期间,该算法通过神经网络将这些数据转变到特征向量空间中。该算法通过图像合成和与训练图像的比较的自纠正序列来学习,并且藉此创建大量合成图像,每一图像由其特定的n维特征向量的值来定义。
上述这种类型的机器学习算法本身是已知的。适用于本发明的算法可以一般地被称为无监督生成式机器学习算法。这种类型的算法的已知示例是GAN算法(生成式对抗网络)或Var-AE(变分自编码器)。该算法是“生成式”的,因为它能够在学习阶段期间创建合成图像。对于例如常规自编码器网络来说并非总是如此。然而,变分自编码器具有生成合成图像的能力。
本发明的方法的各步骤将针对包含200个印刷管芯的FEM晶片以及针对图3a到3c中示出的区域来进行描述。因此,数据集包含该区域的200个CD-SEM图像,范围从“良好”(如图3a所示)到“平均”(如图3b所示)到“不良”(如图3c所示)。
根据一优选实施例,全部的200个CD-SEM图像被用作在本发明的方法中使用的算法的训练图像。学习步骤还可以使用比完整数据集更少的数据,并且甚至可以使用单个(优选地是良好到相对良好的)图像,因为该算法在任何情形中都将创建范围从“良好”到“不良”的数千个合成图像。然而,越多的图像被用作训练图像,合成图像的数目越高,且通过学习步骤创建的特征向量空间被越密集地填充。一旦创建了特征向量空间,本发明的方法中的下一步是将分数归于数据集之中的全部200个图像或其子集。该分数是从特征向量空间中的图像的比较中导出的数值。换言之,来自数据集的图像被编码到特征向量空间中,即,确定尽可能紧密近似实际CD-SEM图像的合成图像,并且比较各自的特征向量。
根据本发明的第一实施例,这是通过从数据集之中选择单个查询图像并且将该查询图像与来自数据集的一组其他图像作比较来完成的。这些图像在之后将被称为“对象图像”。比较是基于特征向量空间中查询图像与相应的对象图像之间的距离。该距离是特征空间中两个n维特征向量之间的欧几里得距离。将分数归于对象图像。该分数表示特征向量空间中从查询图像到对象图像的相应距离。该分数可以是这样的距离或距离的任何线性函数。例如,该距离可以除以一常数以获得距离的归一化值,以使得所有分数都在0与1之间。
当查询图像被明智地选择时,对象图像的分数展现了与图像的一个或多个特性(例如,出现在图像中的平行线的临界尺寸,即,宽度)的单调关系。换言之,CD越高则分数越高,而CD越低则分数越低,或者相反(CD越高则分数越低而CD越低则分数越高)。这意味着分数或其相反数展现出因变于剂量和聚焦的、与CD相同或类似的行为。因此,可印刷窗口能够通过检测分数与聚焦和/或剂量之间的关系中的阶跃的存在来从分数值中被导出,而无需实际的CD测量。
查询图像的“明智选择”作为示例被例示。该示例不一定基于图3a到3c所示的特定图像,而是适用于包括由临界尺寸定义的至少一个特征的任何图像集。来自图像数据集的五个CD-SEM图像的子集被选择。这五个图像可以例如对应于相同的剂量值并且对应于五个不同的聚焦值。图4例示了五个图像在特征向量空间中的相对距离。表1表达了相对于图像1的距离,以及CD值(以nm表达),即,五个图像的特定特征的临界尺寸。该距离用无量纲的单位值来表达。
图像号 | CD | 到图像1的距离 |
1 | 10 | 0 |
2 | 15 | 1 |
3 | 20 | 2 |
4 | 25 | 3 |
5 | 40 | 6 |
表1
现在可以取这五个图像中的每一个图像作为查询图像并且将分数归于被认为是对象图像的五个图像。当分数被取为距离本身时,这将得到表2中所示的分数。
表2
从给定对象图像到其自身的距离是0,其他分数是从图4中例示的相对距离导出的。当图像1被取为查询图像时,分数展现出与CD的单调关系。选择图像5作为查询图像的情形亦是如此。然而,当图像2、3或4被选择时,不存在单调关系。清楚的是,仅图像1和5是用于查询图像的“明智选择”。
在考虑约200个图像的完整数据集时,选择单个查询图像因此可能是一个困难的任务。根据一优选实施例,这个问题通过不仅在与单个查询图像比较的基础上而且在与多个查询图像比较的基础上来归因分数来解决。返回到图4中示出的五个图像的示例并且参考表1,清楚的是,图像5的CD与其他图像的CD离得很远。换言之,这是图像的大部分所位于的10到25nm的范围之外的离群值。表3重现了表2,但在底部增加了一行,其表达了每一列的最大分数。
表3
图5中示出最大分数与CD之间的关系。清楚的是,现实CD值的范围10-25,即,当图像5从等式中被取出时,最大值展现了与CD的单调性,在此情形中是与CD的线性关系。因此,给定离群图像5在任何情形中都不与现实CD相关的情况下,最大分数是合适的“聚集分数”值,即,基于对象图像1到5与多个查询图像的比较的分数值。
然而,分数表中这样的离群图像5的存在确保了最大分数在兴趣范围内的单调表现。因此,根据该优选实施例,多个图像被用作查询图像,并且这些查询图像中的至少一者是离群图像,即,已知其不对应于预定义兴趣范围内的CD值(或另一特性的值)的图像。
选择最大分数作为“聚集”分数是如何定义聚集分数的一个示例。另一可能性是取每一列的分数的平均值。另外一些定义聚集分数的其他方式也被包括在本发明的范围中。需要的是,针对一图像序列按照单调方式表现的聚集分数,且已知针对该图像序列CD(或图像的另一特性)同样地在给定兴趣范围中单调表现。如果是这种情形,则聚集分数将展现出因变于剂量和聚焦、与实际CD或其他特性相同或非常相似的行为,并且因此将允许提取可印刷窗口。
表2和表3中示出的分数表可以被绘制成针对最多全部的数据集,即,200个图像中的每一个图像被取为查询图像,并且每一图像作为相对于其自身以及其他199个图像的对象图像被“打分”。然而,查询图像的数目可以少于对象图像的数目。例如,完整的200个图像的集合可以相对于较少数目的例如50个查询图像被“打分”。另一方面,数据集可以通过向其添加一个或多个合成图像来被扩展,该一个或多个合成图像例如已知它们对应于离群图像的多个合成图像,并且这些合成图像可以被添加到表的第一列中的查询图像列表,以及可能也被添加到对象图像列表。这可以有助于获得在兴趣范围内良好地对应于CD的聚集分数。
图6示出了由本发明的方法获得的FEM晶片的管芯上的分数分布的示例。每一个数字表示以上述方式获得的分数,并且其中查询图像、对象图像以及聚集分数的定义按照如下方式被定义,以使得该聚集分数按照与各个图像中的特征的实际CD相同的方式表现。这由图7中的图表例示,图7示出了因变于聚焦且针对剂量设置为41mJ/cm2(即,对于图6中突出显示的列10的值)的、CD以及分数相对于同一比例的归一化值。CD和分数的值被归一化为相同的无量纲值。清楚的是,分数准确地跟随CD的行为。具体地,CD在图形左手侧的急速上升被分数值清楚地反映。该急速上升标识了可印刷窗口的边缘,可印刷窗口的边缘因此可以单独地在分数值的基础上被标识,即,从将Y轴上的分数与X轴上的聚焦或剂量进行相关的图形的形状中被标识。
可以看到,除了该急速上升之外,分数进一步紧密跟随CD的变化。这一结果示出了:在执行预先校准的情况下,单独地在分数值的基础上确定与CD相关的工艺窗口(即,可印刷窗口的极限内的更窄的窗口)是可能的。校准可能需要有限数目的图像上的CD测量以及比例因子的确定,该比例因子允许根据分数值来估算CD,从而可能地在沿聚焦或剂量轴的不同范围中应用不同比例因子,或者确定将分数与CD值进行关联的更复杂的函数。这允许根据分数来重构CD,并且根据分数图形来直接确定基于CD的工艺窗口,而无需大量的CD-SEM图像的手动检查。
对于本领域的读者而言,清楚的是,上述方法适用于与任何半导体工艺的不同参数设置有关的任何图像集,而不仅仅是光刻工艺。同样,与分数进行关联的图像特性可以是除了CD值之外的另一特性,虽然CD显然是一个良好的选择。然而,本发明的方法的能力在于以下事实:特征向量空间中的合成图像基本上展现出图像的任何特性,诸如照明或锐度方面的差异。图像的排序在特征向量空间中的距离的基础上进行,并且藉此隐式地将所有这些特性都纳入考虑。通过寻找表示特性的分数,分数因变于工艺参数的图形可以揭示原本将需要手动比较图像的工艺极限。
用于确定工艺极限的上述方法可以在包括计算机的装置中以计算机实现的方式来执行,该计算机被配置成:
-接收数据集的图像,
-在所述图像中的一者或多者的基础上训练该算法,
-计算在特征向量空间中一个或多个查询图像与多个对象图像之间的距离,
-基于所述距离来计算所述分数,
-提取工艺极限。
本发明因此还涉及此类装置以及适用于此类装置中的计算机程序产品。该计算机程序产品是包括机器学习算法并且可进一步允许用户执行多个动作的软件产品,该多个动作诸如选择训练图像、查询图像和对象图像,或分数的定义。该软件还可被配置成根据预定义选择和计算准则来自动地应用这些动作中的一些动作。
尽管在附图和前述描述中已经详细地图示和描述了本发明,但此类图示和描述应被认为是说明性或示例性的而不是限制性的。在实施所要求保护的发明时,所公开的实施例的其他变型可以由本领域技术人员从对附图、本公开以及所附权利要求的研究而理解和实现。在权利要求中,词语“包括”不排除其他元件或步骤,并且不定冠词“一(a/an)”不排除复数。在相互不同的从属权利要求中记载某些措施的纯粹事实并不指示不能有利地使用这些措施的组合。权利要求中的任何附图标记不应被解释为限制范围。
Claims (13)
1.一种用于确定半导体工艺的一个或多个参数的工艺极限的方法,所述方法包括以下步骤:
-提供包括多个管芯区域(1)的一个或多个测试基板,
-在所述一个或多个测试基板的不同管芯区域上应用工艺,其中一个或多个工艺参数从这些参数在管芯区域之一处的一设定值开始并且在其他管芯区域中分步骤增大和/或减小一个或多个参数来被递增,其中所述工艺是光刻工艺,所述一个或多个工艺参数包括所述光刻工艺中所应用的不同剂量和聚焦设置;
-获得通过应用不同参数值处理而得的所述不同管芯区域的同一部分的图像的数据集(3a、3b、3c),
-通过一方法步骤序列来确定所述工艺极限,所述方法步骤序列包括:通过在所述数据集的一个或多个图像的基础上训练无监督生成式机器学习算法来创建特征向量空间,
-从图像数据集之中选择一个或多个查询图像,
-对于每一查询图像,确定在所述特征向量空间中从所述查询图像到来自所述数据集的多个图像的距离,此处的多个图像在之后被称为对象图像,
-基于所确定的距离来将一分数归于所述对象图像中的每一者,其中所述查询图像、所述对象图像以及所述分数的定义按照使得所述分数表示至少在所述图像的一个或多个特性的给定范围内的一个或多个特性的方式来被选择,
-从所述分数与所述一个或多个工艺参数之间的关系中提取所述工艺极限。
2.根据权利要求1所述的方法,其中单个查询图像被选择,并且其中所述分数是所述距离或所述距离的线性函数。
3.根据权利要求1所述的方法,其中多个查询图像被选择,并且其中所述分数是基于每一对象图像的分数总和的聚集分数。
4.根据权利要求3所述的方法,其中所述聚集分数是所述对象图像中的每一者的分数的最大值。
5.根据权利要求3所述的方法,其中所述聚集分数是所述对象图像中的每一者的分数的平均值。
6.根据权利要求3至5中任一项所述的方法,其中所述算法通过图像合成和与训练图像的比较的自纠正序列来学习,藉此生成一个或多个合成图像,所述合成图像被添加到所述数据集,并且其中所述合成图像中的一者或多者被用作查询图像。
7.根据权利要求1至5中任一项所述的方法,其中所述查询图像中的至少一者和/或所述对象图像中的至少一者是离群图像,即,不对应于位于所述一个或多个特性的预定义兴趣范围中的一个或多个特性的值的图像。
8.根据权利要求1至5中任一项所述的方法,其中所述机器学习算法是生成式对抗网络GAN或变分自编码器Var-AE型的算法。
9.根据权利要求1至5中任一项所述的方法,其中所述方法被用于确定在所述光刻工艺中应用的剂量和聚焦方面的可印刷窗口,并且其中所述可印刷窗口的极限通过确定所述分数与所述剂量和/或所述聚焦之间的关系中的阶跃来检测。
10.根据权利要求1至5中任一项所述的方法,其中所述方法被用于确定所述工艺的一个或多个参数的工艺窗口,并且其中所述工艺窗口确定是基于所述分数与所述图像的所述一个或多个特性之间的预定义已知关系的。
11.根据权利要求10所述的方法,其中所述预定义已知关系是基于在执行所述方法之前执行的一个或多个校准步骤的。
12.根据权利要求1至5中任一项所述的方法,其中所述图像的所述一个或多个特性包括出现在所述图像中的一个或多个二维或三维图案特征的临界尺寸。
13.一种用于根据如前述权利要求中任一项所述的方法来确定工艺极限的装置,所述装置包括计算机,所述计算机被配置成:
-接收所述数据集的图像,
-在所述图像中的一者或多者的基础上训练所述算法,
-计算在所述特征向量空间中一个或多个查询图像与多个对象图像之间的距离,
-基于所述距离来计算所述分数,
-提取所述工艺极限。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19197794.1A EP3796230B1 (en) | 2019-09-17 | 2019-09-17 | A method for determining process limits of a semiconductor process |
EP19197794.1 | 2019-09-17 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529833A CN112529833A (zh) | 2021-03-19 |
CN112529833B true CN112529833B (zh) | 2023-06-23 |
Family
ID=67997362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010982374.3A Active CN112529833B (zh) | 2019-09-17 | 2020-09-17 | 一种用于确定半导体工艺的工艺极限的方法和装置 |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP3796230B1 (zh) |
CN (1) | CN112529833B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103329167A (zh) * | 2010-07-30 | 2013-09-25 | 克拉-坦科股份有限公司 | 基于区域的虚拟傅里叶滤波器 |
CN108475351A (zh) * | 2015-12-31 | 2018-08-31 | 科磊股份有限公司 | 用于半导体应用的基于机器学习的模型的加速训练 |
CN108733890A (zh) * | 2017-04-21 | 2018-11-02 | Imec 非营利协会 | 用于分析集成电路的设计的方法 |
CN110189288A (zh) * | 2018-02-21 | 2019-08-30 | 应用材料以色列公司 | 生成可用于半导体样本的检查的训练集的方法和其系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580375B2 (en) * | 2015-12-31 | 2023-02-14 | Kla-Tencor Corp. | Accelerated training of a machine learning based model for semiconductor applications |
US10551827B2 (en) * | 2017-07-25 | 2020-02-04 | Kla-Tencor Corporation | Hybrid inspection system for efficient process window discovery |
US10580673B2 (en) * | 2018-01-05 | 2020-03-03 | Kla Corporation | Semiconductor metrology and defect classification using electron microscopy |
-
2019
- 2019-09-17 EP EP19197794.1A patent/EP3796230B1/en active Active
-
2020
- 2020-09-17 CN CN202010982374.3A patent/CN112529833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103329167A (zh) * | 2010-07-30 | 2013-09-25 | 克拉-坦科股份有限公司 | 基于区域的虚拟傅里叶滤波器 |
CN108475351A (zh) * | 2015-12-31 | 2018-08-31 | 科磊股份有限公司 | 用于半导体应用的基于机器学习的模型的加速训练 |
CN108733890A (zh) * | 2017-04-21 | 2018-11-02 | Imec 非营利协会 | 用于分析集成电路的设计的方法 |
CN110189288A (zh) * | 2018-02-21 | 2019-08-30 | 应用材料以色列公司 | 生成可用于半导体样本的检查的训练集的方法和其系统 |
Also Published As
Publication number | Publication date |
---|---|
EP3796230A1 (en) | 2021-03-24 |
CN112529833A (zh) | 2021-03-19 |
EP3796230B1 (en) | 2022-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI808815B (zh) | 半導體製作製程控制之系統及方法,以及電腦程式產品 | |
JP4302965B2 (ja) | 半導体デバイスの製造方法及びその製造システム | |
US20070250805A1 (en) | System and method for examining mask pattern fidelity | |
US10720367B2 (en) | Process window analysis | |
US7475383B2 (en) | Method of fabricating photo mask | |
EP1424595B1 (en) | Automatic calibration of a masking process simulator | |
US11079672B2 (en) | Method and system for layout enhancement based on inter-cell correlation | |
TWI803690B (zh) | 推估方法、推估裝置、模型之產生方法及學習裝置 | |
JP2004530143A (ja) | 走査電子顕微鏡におけるプロセス効果および画像化効果をモデリングする装置および方法 | |
TWI571701B (zh) | 偵測微影熱點的方法 | |
JP6575954B2 (ja) | ダイ対データベースのフォトマスク検査のための自動的な較正サンプルの選択 | |
KR20210121159A (ko) | 전자 설계의 피처들을 분류하기 위한 방법 및 시스템 | |
TW202213166A (zh) | 用於生成用於電子設計之形狀資料之方法及系統 | |
US20100128966A1 (en) | Pattern shape evaluation method and pattern shape evaluation apparatus utilizing the same | |
US20100166289A1 (en) | Feature-quantity extracting method, designed-circuit-pattern verifying method, and computer program product | |
CN112529833B (zh) | 一种用于确定半导体工艺的工艺极限的方法和装置 | |
US9086634B2 (en) | Production method and evaluation apparatus for mask layout | |
EP3086175B1 (en) | Method for hotspot detection and ranking of a lithographic mask | |
Evanschitzky et al. | Mask defect detection with hybrid deep learning network | |
US9885949B2 (en) | Method for designing a lithographic mask | |
Toyoda et al. | SEM-Contour shape analysis based on circuit structure for advanced systematic defect inspection | |
US20100167190A1 (en) | Pattern-correction supporting method, method of manufacturing semiconductor device and pattern-correction supporting program | |
Yang et al. | New OPC verification method using die-to-database inspection | |
US20190219933A1 (en) | System and method for analyzing printed masks for lithography based on representative contours | |
US20230280646A1 (en) | Corner rounding method of opc pattern based on deep learning, and opc method and mask manufacturing method including the corner rounding method |
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 |