CN112602020A - 利用机器学习从原始图像自动选择高品质平均扫描电镜图像 - Google Patents

利用机器学习从原始图像自动选择高品质平均扫描电镜图像 Download PDF

Info

Publication number
CN112602020A
CN112602020A CN201980053456.5A CN201980053456A CN112602020A CN 112602020 A CN112602020 A CN 112602020A CN 201980053456 A CN201980053456 A CN 201980053456A CN 112602020 A CN112602020 A CN 112602020A
Authority
CN
China
Prior art keywords
image
average image
images
model
profile
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.)
Pending
Application number
CN201980053456.5A
Other languages
English (en)
Inventor
张琛
张强
王祯祥
梁蛟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Netherlands BV
Original Assignee
ASML Netherlands BV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Netherlands BV filed Critical ASML Netherlands BV
Publication of CN112602020A publication Critical patent/CN112602020A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
    • G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
    • G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/418—Imaging electron microscope
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/611—Specific applications or type of materials patterned objects; electronic devices
    • G01N2223/6116—Specific applications or type of materials patterned objects; electronic devices semiconductor wafer
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/646—Specific applications or type of materials flaws, defects
    • G01N2223/6462—Specific applications or type of materials flaws, defects microdefects
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20216—Image averaging
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • 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
    • G06T2207/30144—Printing quality
    • 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
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Electromagnetism (AREA)
  • Medical Informatics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)

Abstract

一种用于评估印制图案的图像的方法由至少一个可编程处理器实施。所述方法包括获得(2310,2320)所述印制图案的第一平均图像，其中所述第一平均图像是通过对所述印制图案的原始图像进行平均化而生成的。所述方法也包括识别(2330)第一平均图像的一个或更多个特征。所述方法还包括由所述可编程处理器执行图像品质分级模型并且至少基于所述一个或更多个特征来评估(2340)所述第一平均图像。所述评估包括由所述图像品质分级模型来确定(2350)所述第一平均图像是否满足指标。

Description

利用机器学习从原始图像自动选择高品质平均扫描电镜图像
相关申请的交叉引用
本申请要求2018年8月15日递交的美国申请62/764,664的优先权，并且所述申请的全部内容通过引用而被合并入本文中。
技术领域
本文中的描述总体涉及如与用于光刻过程的过程模型一起使用的量测，并且更具体地涉及用于使用机器学习算法来自动选择供执行高品质量测所获取的图像的设备、方法和计算机程序产品。
背景技术
光刻投影设备可以用于例如集成电路(IC)的制造中。在这种情况下，图案形成装置(例如，掩模)可以包括或提供与IC的单层对应的图案(“设计布局”)，并且这一图案可以通过诸如穿过图案形成装置上的图案辐射已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如硅晶片)上的目标部分(例如包括一个或更多个的管芯)的方法，被转印到所述目标部分上。通常，单个衬底包括被光刻投影设备连续地、一次一个目标部分地将图案转印到其上的多个相邻目标部分。在一种类型的光刻投影设备中，整个图案形成装置上的图案被一次转印到一个目标部分上；这样的设备通常称作为步进器。在一种替代的设备(通常称为步进扫描设备)中，投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描，同时沿与所述参考方向平行或反向平行的方向同步移动衬底。图案形成装置上的图案的不同部分被逐渐地转印到一个目标部分上。因为通常光刻投影设备将具有减小比率M(例如，4)，所以衬底被移动的速率F将是投影束扫描图案形成装置的速率的1/M倍。关于光刻装置的更多信息可以在例如以引用的方式并入本文中的US 6,046,792中找到。
在将所述图案从图案形成装置转印至衬底之前，衬底可能经历各种工序，诸如涂底料、抗蚀剂涂覆以及软焙烤。在曝光之后，衬底可能经历其它工序(“曝光后工序”)，诸如曝光后焙烤(PEB)、显影、硬焙烤以及对所转印的图案的测量/检查。这一系列的工序被用作为制造器件(例如IC)的单个层的基础。之后衬底可能经历各种过程，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有的这些过程都旨在最终完成器件的单个层。如果器件需要多个层，则针对每一层重复整个工序或其变形。最终，器件将设置在衬底上的每一目标部分中。之后通过诸如切片或切割等技术，将这些器件互相分开，据此单独的器件可以安装在载体上，连接至引脚等。
因而，制造器件(诸如半导体器件)通常涉及使用多个制造过程来处理衬底(例如，半导体晶片)以形成器件的各种特征和多个层。这些层和特征通常使用例如淀积、光刻、蚀刻、化学机械抛光、和离子注入来制造和处理。可在衬底上的多个管芯上制造多个器件，且然后将其分成单独的器件。此器件制造过程可以被认为是图案化过程。图案化过程涉及图案形成步骤，诸如在光刻设备中使用图案形成装置的光学和/或纳米压印光刻，以将图案形成装置上的图案转印到衬底上，并且通常但可选地涉及到一个或更多个相关的图案处理步骤，诸如通过显影设备的抗蚀剂显影、使用烘焙工具的衬底烘焙、使用蚀刻设备而使用图案进行蚀刻等。
如所提及的，光刻术是制造器件(诸如IC)中的核步骤，其中，形成于衬底上的图案限定器件的功能元件，诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(MEMS)和其它器件。
随着半导体制造过程继续进步，几十年来，功能元件的尺寸已经不断地减小的同时每一个器件的功能元件(诸如晶体管)的量已经在稳定地增加这遵循着通常称为“莫尔定律”的趋势。在当前的技术状态下，使用光刻投影设备来制造器件的多个层，光刻投影设备使用来自深紫外线照射源的照射将设计布局投影到衬底上，从而形成具有远低于100nm(即，小于来自照射源(例如193nm照射源)的辐射的波长的一半)的尺寸的单个功能元件。
其中具有尺寸小于光刻投影设备的经典分辨率极限的特征被印制的这种过程通常被称为低k1光刻术，它所依据的分辨率公式是CD＝k1×λ/NA，其中，λ是所采用的辐射的波长(当前大多数情况下是248nm或193nm)，NA是光刻投影设备中的投影光学元件的数值孔径，CD是“临界尺寸”(通常是所印制的最小特征尺寸)以及，k1是经验分辨率因子。通常，k1越小，在衬底上再现类似于由设计者所规划的形状和尺寸以实现特定电学功能性和性能的图案就变得越困难。为了克服这些困难，将复杂的精调整步骤应用到光刻投影设备、设计布局或图案形成装置。这些步骤包括例如但不限于：NA和光学相干性设定的优化、自定义照射方案、使用相移图案形成装置、设计布局中的光学近接校正(OPC，有时也称作“光学和过程校正”)，或通常被定义为“分辨率增强技术”(RET)的其它方法。
如本文中使用的术语“投影光学元件”应该被宽泛地解释为涵盖各种类型的光学系统，包括例如折射型光学器件、反射型光学器件、孔阑和反射折射型光学器件。术语“投影光学元件”也可以包括用于共同地或单个地引导、成形或控制投影辐射束的根据这些设计类型中的任一个来操作的部件。术语“投影光学元件”可以包括光刻投影设备中的任何光学部件，无论光学部件位于光刻投影设备的光学路径上的什么地方。投影光学元件可以包括用于在来自源的辐射通过图案形成装置之前成形、调整和/或投影该辐射的光学部件，或者用于在该辐射通过图案形成装置之后成形、调整和/或投影该辐射的光学部件。投影光学元件通常不包括源和图案形成装置。
发明内容
一种用于改善用于图案化过程的过程模型的方法包括：获得a)来自图像捕获装置的测量轮廓，和b)从所述过程模型的模拟所产生的模拟轮廓。所述方法也包括：通过确定所述测量轮廓与所述模拟轮廓之间的偏移，使所述测量轮廓与所述模拟轮廓对准。所述过程模型被校准以减小所述模拟轮廓与所述测量轮廓之间的基于所确定的偏移而计算出的差。
在一些变型中，可以基于大致限定所述测量轮廓的一部分的测量坐标进一步确定所述偏移。此外，可以基于所述测量坐标与所述模拟轮廓之间的距离进一步确定所述偏移，所述距离是沿着在所述测量坐标处位于垂直于所述测量轮廓的方向上的距离。所述对准还可以包括减小基于所述距离而计算出的成本函数。
在其它变型中，可以在所述测量轮廓上产生边缘放置(EP)坐标，其中可以基于所述EP坐标进一步确定所述偏移。可以通过在两个或更多个测量坐标之间插值而产生所述EP坐标。可以通过从两个或更多个测量坐标外推而产生所述EP坐标。因此，所述校准还可以包括修改所述过程模型的特征以减小所述差，所述修改引起所述模拟轮廓的形状的改变。
在一些变型中，可以基于测量图像中的像素的强度的改变来识别所述测量轮廓。可以基于所述改变超过灰阶阈值进行所述识别。
在另外的其它变型中，所述模型可以包括从图形数据库系统(GDS)多边形获得所述模拟轮廓；并且也包括将包括所述测量轮廓的边缘放置坐标或测量坐标转换成GDS坐标。所述GDS多边形可以呈选自GDS流格式(GDSII)和开放式原图系统交换标准(OASIS)中的一种或更多种格式。
在相关方面中，一种用于改善用于图案化过程的光学邻近效应校正(OPC)模型的方法包括获得a)来自图像捕获装置的测量轮廓，和b)从所述OPC模型的模拟所产生的模拟轮廓。所述方法也包括：通过确定所述测量轮廓与所述模拟轮廓之间的偏移，使所述测量轮廓与所述模拟轮廓对准。另外，所述方法也包括：修改所述OPC模型的特征，以减小所述模拟轮廓与所述测量轮廓之间的基于所确定的偏移而计算出的差。
在一些变型中，其中所述特征包括扩散速率、扩散范围、去保护比率、和酸/碱浓度中的一个或更多个。所述方法也可以包括：基于所述OPC模型的所述模拟获得所述模拟轮廓，其中所述OPC模型是包括光学模型且不包括抗蚀剂模型的初步模型。
在其它变型中，所述方法可以包括：利用包括光学模型和抗蚀剂模型的初步模型获得初始模拟轮廓；和修改所述抗蚀剂模型的特征以减小所述初始模拟轮廓与所述测量轮廓之间的所述差。
在相关方面中，一种用于改善用于图案化过程的过程模型的方法包括：获得a)来自图像捕获装置的多个测量图像，和b)从所述过程模型的模拟所产生的模拟轮廓。所述方法也包括：使所述测量图像对准；从已对准的所述多个测量图像产生组合的测量图像；由图像分析方法从所述组合的测量图像提取测量轮廓；通过确定所述测量轮廓与所述模拟轮廓之间的偏移，使所述测量轮廓与所述模拟轮廓对准；以及校准所述过程模型，以减小所述模拟轮廓与所述测量轮廓之间的基于所确定的偏移而计算出的差。
在一些变型中，可以通过对已对准的所述测量图像进行平均化来产生组合图像。可以从来自由目标图案制成的至少两个不同管芯的印制图案获得所述测量图像。可以通过扫描不同管芯获取产生所述组合图像的所述测量图像中的每个测量图像。
在其它变型中，所述图像捕获装置可以是扫描电子显微镜。可以通过使电子束以多个角度遍及印制图案进行扫描来执行获得所述测量图像，所述多个角度包括大约+45度和-45度。此外，能够以大约+45度扫描所述多个测量图像的一半，并且能够以大约-45度扫描所述多个测量图像的另一半。
在其它变型中，可以利用以低于获得足以分辨临界尺寸的扫描所需剂量的剂量进行操作的所述扫描电子显微镜执行所述获得。所述图像捕获装置可以是电子束检查系统。所述电子束检查系统可以具有大视场，并且可以至少部分地从所述大视场内获得所述测量图像。所述大视场在一侧上可以是大约1至50微米或在一侧上可以是大约6至12微米。所述电子束检查系统可以检测印制图案中的热斑或弱点。
在另外的其它变型中，所述方法还可以包括：确定从所述图像捕获装置所捕获的所述多个测量图像中的共同区域；和基于所述共同区域产生所述组合的测量图像。
在相关方面中，由至少一个可编程处理器实施一种用于评估印制图案的图像的方法。所述方法包括：获得所述印制图案的第一平均图像，其中通过对所述印制图案的原始图像进行平均化来生成所述第一平均图像。所述方法也包括：识别第一平均图像的一个或更多个特征。所述方法还包括：由所述可编程处理器执行图像品质分级模型并且至少基于所述一个或更多个特征来评估所述第一平均图像。所述评估包括：由所述图像品质分级模型来确定所述第一平均图像是否满足指标。
在一些变型中，通过至少对准所述原始图像并且从对准的原始图像生成所述第一平均图像来生成所述第一平均图像。
在其他变型中，所述方法也可以包括：针对所述原始图像中的至少一个原始图像生成标记，所述标记指示所述第一平均图像是否满足所述指标。此外，所述标记可以在计算机存储器中与所述原始图像相关联。
在又一其他变型中，所述方法可以包括生成第二平均图像，所述生成包括被标记为满足所述指标的印制图案的第二组原始图像，其中第二平均图像满足所述指标。
在一些变型中，所述方法还可以包括：利用对不满足所述指标的第一平均图像的至少一个示例进行识别的数据集，训练所述图像品质分级模型。所述方法也可以包括：通过从所述第一平均图像中至少减去所述多个第一原始图像中的一个，生成与所述原始图像中的一个相对应的残差图像。所述确定还可以基于所述第一平均图像和所述残差图像。
在其他变型中，由所述图像品质分级模型评估的第一平均图像的一个或更多个特征可以包括边缘、辅助特征、和亚分辨率辅助特征中的至少一个。所述指标可以基于信噪比、对比度、和对准品质中的至少一个或更多个，并且所述指标可以对应于被平均以生成平均图像的原始图像。
在又一变型中，所述图像品质分级模型还包括机器学习算法，其中所述确定可以基于所述机器学习算法的输出。所述标记可以基于所述机器学习算法的输出，并且可以是指示所述第一平均图像是否满足所述指标的得分数或布尔值中的至少一个。
在一些变型中，所述机器学习算法可以包括神经网络算法、最近邻算法、朴素贝叶斯算法、决策树算法、线性回归算法、和支持向量机算法、k-均值聚类和关联规则算法中的至少一种。
在其他变型中，所述原始图像可以是利用图像捕获装置获取的，所述图像捕获装置可以是扫描电子显微镜、原子力显微镜、和电子束检查系统中的至少一个。所述方法可以包括在图像捕获装置的操作期间提供主动反馈，以改善所述图像捕获装置的聚焦和由所述图像捕获装置获取的原始图像的对比度中的至少一个。
根据实施例，提供一种计算机程序产品，所述计算机程序产品包括非暂时性计算机可读介质，所述非暂时性计算机可读介质上记录有指令。所述指令在由计算机执行时实施在权利要求中所列出的方法。
附图说明
被合并入本说明书中并且构成本说明书的部分的附图示出了本文中所披露的主题的某些方面，并且与实施方式一起有助于阐释与所披露实施例相关联的一些原理。在附图中，
图1图示根据实施例的光刻投影设备的各个子系统的框图。
图2图示根据实施例的用于模拟在光刻投影设备中的光刻的示例性流程图。
图3图示根据实施例的从所印制图案的图像所获得的示例性的测量轮廓。
图4图示根据实施例的通过对多个图像进行平均化来产生测量轮廓的示例性方法。
图5图示根据实施例的使测量轮廓与模拟轮廓对准的示例性方法。
图6图示根据实施例的确定测量轮廓与模拟轮廓之间的偏移的示例性方法。
图7图示根据实施例的使模拟轮廓与测量轮廓匹配的示例性改善。
图8图示根据实施例的基于对初步模型进行改善的示例性的对准的改善。
图9图示根据实施例的对过程模型进行校准的示例性方法。
图10图示根据实施例的对OPC模型进行校准的示例性方法。
图11图示根据实施例的获取目标的多个图像并且对过程模型进行校准的示例性方法。
图12是根据实施例的示例计算机系统的框图。
图13是根据实施例的示例量测系统的框图。
图14是根据实施例的改善后的量测过程的示例实施方案的过程流程图。
图15是根据实施例的光刻投影设备的示意图。
图16是根据实施例的另一光刻投影设备的示意图。
图17是根据实施例的光刻投影设备的详细视图。
图18是根据实施例的光刻投影设备的源收集器模块的详细视图。
图19示意性地描绘根据实施例的电子束检查设备的实施例。
图20示意性地图示根据实施例的检查设备的另外的实施例。
图21是示出根据实施例的印制图案的原始图像和平均图像的图。
图22是示出根据实施例的印制图案的“良好的”和“不良的”平均图像的图。
图23是示出根据实施例的图像品质分级模型的示例性实施方式的过程流程图。
图24是示出根据实施例的迭代地改进平均图像的示例性图像品质分级模型的过程流程图。
具体实施方式
虽然在本文中可以具体地参考IC的制造，但应明确地理解，本文中的描述具有许多其它可能的应用。例如，本文中的描述可以用于制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。本领域技术人员应了解，在这样的替代应用的情境中，本文中对术语“掩模版”、“晶片”或“管芯”的任何使用应被认是分别与更上位的术语“掩模”、“衬底”与“目标部分”是可互换的。
在本文档中，术语“辐射”和“束”用以涵盖所有类型的电磁辐射，包括紫外辐射(例如，具有365、248、193、157或126nm的波长)和EUV(即极紫外辐射，例如具有在约5至100nm的范围内的波长)。
图案形成装置可以包括或可以形成一个或更多个设计布局。可以利用CAD(即计算机辅助设计)过程来产生所述设计布局。这种过程常常被称作EDA(即电子设计自动化)。大多数CAD程序遵循预定设计规则的集合，以便产生功能设计布局/图案形成装置。通过处理和设计限制而设定这些规则。例如，设计规则限定了器件(诸如栅极、电容器等)或互联线之间的空间容许度，以便确保器件或线不会以不期望的方式彼此相互作用。设计规则限制中的一个或更多个限制可以被称作“临界尺寸”(CD)。可以将器件的临界尺寸定义为线或孔的最小宽度、或介于两条线或两个孔之间的最小空间/间隙。因而，CD确定了所设计的器件的总大小和密度。当然，器件制造中的目标之一是在衬底上如实地再现原始设计意图(经由图案形成装置)。
如本文中所采用的术语“掩模”或“图案形成装置”可以被广泛地解释为指代可以用以向入射辐射束赋予经图案化横截面的通用图案形成装置，经图案化横截面对应于待在衬底的目标部分中产生的图案；术语“光阀”也可以用于此情境中。除了经典掩模(透射型或反射型、二元型、相移型、混合型等)以外，其它此类图案形成装置的示例包括可编程反射镜阵列和/或可编程LCD阵列。
可编程反射镜阵列的示例可以是具有黏弹性控制层和反射表面的矩阵可寻址表面。这样的设备所依据的基本原理是(例如)反射表面的已寻址区域将入射辐射反射成衍射辐射，而未寻址区域将入射辐射反射成非衍射辐射。使用适合的滤光片，可以从反射束中过滤掉所述非衍射辐射，从而之后仅留下衍射辐射；这样，所述束根据矩阵可寻址表面的寻址图案而被图案化。所要求的矩阵寻址可以通过使用适合的电子装置进行。
以引用的方式被合并入本文中的美国专利号5,229,872中给出了可编程LCD阵列的示例。
图1图示了根据实施例的光刻投影设备10A的各个子系统的框图。主要部件是：辐射源12A，所述辐射源可以是深紫外准分子激光源或其它类型的源，包括极紫外线(EUV)源(如上文所论述的，所述光刻投影设备自身无需具有辐射源)；照射光学器件，所述照射光学器件例如限定部分相干性(表示为标准差)且可以包括对来自源12A的辐射进行成形的光学器件14A、16Aa和16Ab；图案形成装置18A；以及透射光学器件16Ac，所述透射光学器件将图案形成装置图案的图像投影至衬底平面22A上。在投影光学器件的光瞳平面处的可调整滤光器或孔20A可以约束照射到衬底平面22A上的束角度的范围，其中可能的最大角度限定了投影光学器件的数值孔径NA＝n sin(Θmax)，其中n是介于所述衬底与所述投影光学器件的最后一个元件之间的介质的折射率，并且Θmax是从投影光学器件射出的仍可以照射到衬底平面22A上的束的最大角度。
在光刻投影设备中，向图案形成装置和投影光学器件提供照射(即辐射)的源经由所述图案形成装置将照射引导且成形至衬底上。投影光学器件可以包括部件14A、16Aa、16Ab和16Ac中的至少一些部件。空间图像(AI)是在衬底水平处的辐射强度分布。可以使用抗蚀剂模型以根据所述空间图像来计算抗蚀剂图像，可以在全部公开内容通过引用方式由此并入本文的美国专利申请公开号US2009-0157630中找到这种情形的示例。所述抗蚀剂模型仅与抗蚀剂层的性质(例如，在曝光、曝光后焙烤(PEB)和显影期间发生的化学过程的效应)有关。所述光刻投影设备的光学性质(例如，照射、图案形成装置、和投影光学器件的性质)指明了所述空间图像且可以被限定于光学模型中。由于可以改变用于光刻投影设备中的所述图案形成装置，所以期望使所述图案形成装置的光学性质与至少包括所述源和所述投影光学器件在内的所述光刻投影设备的其余部分的光学性质分离。用以将设计布局变换成各种光刻图像(例如，空间图像、抗蚀剂图像等)的技术和模型，通过使用那些技术和模型来应用了OPC并且评估了性能(例如，根据过程窗)的细节在美国专利申请公开号US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197和2010-0180251中描述，每个美国专利申请公开的公开内容由此以全文引用的方式并入。
理解光刻过程的一个方面是理解所述辐射与所述图案形成装置的相互作用。可以根据在所述辐射到达所述图案形成装置之前的所述辐射的电磁场以及表征所述相互作用的函数，来确定在所述辐射传递穿过所述图案形成装置之后的所述辐射的电磁场。这种函数可以被称作掩模透射函数(其可以用以描述由透射图案形成装置和/或反射图案形成装置的相互作用)。
所述掩模透射函数可以具有多种不同形式。一种形式是二元的。二元掩模透射函数在所述图案形成装置上的任何给定部位处具有两个值(例如零和正的常数)中的任一值。呈二元形式的掩模透射函数可以被称作二元掩模。另一形式是连续的。即，所述图案形成装置的透射率(或反射率)的模数是所述图案形成装置上的部位的连续函数。透射率(或反射率)的相位也可以是所述图案形成装置上的部位的连续函数。呈连续形式的掩模透射函数可以被称作连续色调掩模或连续透射掩模(CTM)。例如，可以将CTM表示为像素化图像，其中可以向每个像素指派即分配介于0与1之间的值(例如0.1、0.2、0.3等等)，以代替0或1的二元值。在实施例中，CTM可以是像素化灰阶图像，其中每个像素具有多个值(例如在范围[-255,255]内，在范围[0，1]或[-1,1]或其它适当范围内的归一化值)。
薄掩模近似，也被称为基尔霍夫(Kirchhoff)边界条件，被广泛地用以简化对于所述辐射与所述图案形成装置的相互作用的确定。所述薄掩模近似认为：所述图案形成装置上的结构的厚度与波长相比非常小，并且所述掩模上的结构的宽度与波长相比非常大。因此，所述薄掩模近似认为：在图案形成装置之后的电磁场是入射电磁场与掩模透射函数的相乘。然而，随着光刻过程使用具有越来越短的波长的辐射，并且所述图案形成装置上的结构变得越来越小，则所述薄掩模近似的认定或假定会失灵。例如，辐射与结构(例如介于顶部表面与侧壁之间的边缘)的相互作用由于所述结构的有限厚度(“掩模3D效应”或“M3D”)而可以变得显著。在所述掩模透射函数中涵盖这种散射可能会使所述掩模透射函数能够较佳地捕获所述辐射与所述图案形成装置的相互作用。在所述薄掩模近似下的掩模透射函数可以被称作薄掩模透射函数。涵盖M3D的掩模透射函数可以被称作M3D掩模透射函数。
根据本公开的实施例，可以产生一个或更多个图像。所述图像包括可以由每个像素的像素值或强度值表征的各种类型的信号。取决于所述图像内的像素的相对值，所述信号可以被称作例如弱信号或强信号，这可以是由本领域普通技术人员所理解的。术语“强”和“弱”是基于图像内的像素的强度值的相对术语，并且强度的特定值可能并不限制本公开的范围。在实施例中，可以基于选定阈值来辨识或识别强信号和弱信号。在实施例中，所述阈值可以是固定的(例如所述图像内的像素的最高强度与最低强度的中点。在实施例中，强信号可以指代具备大于或等于跨越所述图像的平均信号值的值的信号，并且弱信号可以指代具备小于平均信号值的值的信号。在实施例中，相对强度值可以基于百分比。例如，所述弱信号可以是具有小于所述图像内的像素的最高强度(例如与目标图案对应的像素可以被视为具有最高强度的像素)的50％的强度的信号。此外，图像内的每个像素可以被视为变量。根据本实施例，可以相对于所述图像内的每个像素来确定导数或偏导数，并且可以根据基于成本函数的评估和/或所述成本函数的基于梯度的计算，来确定或修改每个像素的值。例如，CTM图像可以包括像素，其中每个像素是可以采取任何实值的变量。
图2图示根据实施例的用于模拟在光刻投影设备中的光刻的示例性流程图。源模型31表示所述源的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型32表示所述投影光学器件的光学特性(包括由所述投影光学器件所造成的对辐射强度分布和/或相位分布的改变)。设计布局模型35表示设计布局的光学特性(包括由设计布局33所造成的对辐射强度分布和/或相位分布的改变)，所述设计布局是在图案形成装置上的、或由图案形成装置所形成的特征的布置的表示。可以根据设计布局模型35、投影光学器件模型32和设计布局模型35来模拟空间图像36。可以使用抗蚀剂模型37根据空间图像36来模拟抗蚀剂图像38。光刻的模拟可以例如预测所述抗蚀剂图像中的轮廓和CD。
更特别地，应注意，源模型31可以表示所述源的光学特性，所述光学特性包括但不限于数值孔径设定、照射均方偏差或标准差(σ)设定，以及任何特定照射形状(例如离轴辐射源，诸如环形、四极、偶极等等)。投影光学器件模型32可以表示所述投影光学器件的光学特性，所述光学特性包括像差、变形、一个或更多个折射率、一个或更多个实体大小、一个或更多个实体尺寸，等等。设计布局模型35可以表示实体图案形成装置的一个或更多个物理性质，如例如全文以引用的方式而被合并入本文中的美国专利号7,587,704中所描述的。模拟的目标是准确地预测例如边缘放置、空间图像强度斜率和/或CD，其接着可以与预期设计进行比较。预期设计通常被定义成能够以诸如GDSII或OASIS或其它文件格式之类的标准化数字文件格式而提供的预OPC设计布局。
根据这种设计布局，可以识别被称作“片段(clip)”的一个或更多个部分。在实施例中，提取一组片段，其表示在所述设计布局中的复杂图案(通常为约50至1000个片段，但可以使用任何数目的片段)。这些图案或片段表示所述设计的小部分(即，电路、单元或图案)，并且更具体地，所述片段通常表示需要特别关注和/或校验/核查的小部分。换句话说，片段可以是所述设计布局的部分，或者可以是类似的或具有所述设计布局的多个部分的类似行为，其中通过经验(包括由客户所提供的片段)、通过试错法、或通过运行全芯片模拟来识别一个或更多个临界特征。片段可以包含一个或更多个测试图案或量规图案。
可以由客户基于设计布局中需要特定图像优化的一个或更多个已知临界特征区域来先验地提供初始较大的一组片段。替代地，在另一个实施例中，可以通过使用识别一个或更多个临界特征区域的某种自动化(诸如机器视觉)或手动算法来从整个设计布局提取初始较大的一组片段。
在光刻投影设备中，作为示例，成本函数可以被表达为
Figure BDA0002941683580000141
其中(z1,z2,…,zN)是N个设计变量或其值。fp(z1,z2,…,zN)可以是设计变量(z1,z2,…,zN)的函数，诸如针对(z1,z2,…,zN)的设计变量的一组值的特性的实际值与预期值之间的差。wp是与fp(z1,z2,…,zN)相关联的权重常数。例如，所述特性可以是在所述边缘上的给定点处所测量的图案的边缘的位置。不同的fp(z1,z2,…,zN)可以具有不同的权重wp。例如，如果特定的边缘具有窄范围的允许位置，则表示所述边缘的实际位置与预期位置之间的差的针对fp(z1,z2,…,zN)的权重wp可以被给出较高值。fp(z1,z2,…,zN)也可以是层间特性的函数，层间特性继而是所述设计变量(z1,z2,…,zN)的函数。当然，CF(z1,z2,…,zN)并不限于方程式1中的形式。CF(z1,z2,…,zN)可以呈任何其它合适的形式。
所述成本函数可以表示所述光刻投影设备、光刻过程或所述衬底的任何一个或更多个合适的特性，例如聚焦、CD、图像移位、图像变形、图像旋转、随机变化、吞吐量、局部CD变化、过程窗、层间特性，或其组合。在一个实施例中，设计变量(z1,z2,…,zN)包括选自剂量、所述图案形成装置的全局偏置、和/或照射的形状中的一个或更多个。由于抗蚀剂图像常常规定衬底上的图案，因此所述成本函数可以包括表示所述抗蚀剂图像的一个或更多个特性的函数。例如，fp(z1,z2,…,zN)可以仅仅是所述抗蚀剂图像中的点与该点的预期位置之间的距离(即，边缘放置误差EPEp(z1,z2,…,zN)。所述设计变量可以包括任何可调整参数，诸如所述源、所述图案形成装置、所述投影光学器件、剂量、聚焦等等的可调整参数。
所述光刻设备可以包括可以用以调整波前和强度分布的形状和/或辐射束的相移的被共同地称为“波前操纵器”的部件。在实施例中，所述光刻设备可以调整沿所述光刻投影设备的光学路径的任何部位处的波前和强度分布，诸如在所述图案形成装置之前、在光瞳平面附近、在像平面附近、和/或在焦平面附近。所述波前操纵器可以用以校正或补偿由例如所述源、所述图案形成装置、在所述光刻投影设备中的温度变化、所述光刻投影设备的部件的热膨胀等等所造成的波前和强度分布和/或相移的某些变形。调整波前和强度分布和/或相移可以改变由所述成本函数所表示的特性的值。可以根据模型来模拟、或实际地测量这样的改变。所述设计变量可以包括所述波前操纵器的参数。
所述设计变量可以具有约束，所述约束可以被表达为(z1,z2,…,zN)∈Z，其中Z是所述设计变量的一组可能值。可以由所述光刻投影设备的期望的吞吐量来强加对所述设计变量的一个可能的约束。在没有由期望的吞吐量所强加的这样的约束的情况下，优化可以得到不切实际的所述设计变量的一组值。例如，如果剂量是设计变量，则在没有这样的约束的情况下，所述优化可以得到使吞吐量在经济上不可能的剂量值。然而，约束的有用性不应被解释为必要性。例如，所述吞吐量可能会受到光瞳填充比率影响。对于一些照射设计，低光瞳填充比率可以舍弃辐射，从而导致较低的吞吐量。吞吐量也可以能会受到抗蚀剂化学反应的影响。较慢的抗蚀剂(例如要求适当地曝光较高量的辐射的抗蚀剂)导致较低的吞吐量。
如本文中所使用的，术语“图案化过程”通常意味着作为光刻过程的部分的通过施加光的指定图案来产生蚀刻后的衬底的过程。然而，“图案化过程”也可以包括等离子体蚀刻，这是因为本文中所描述的许多特征可以对于使用等离子体处理来形成印制图案提供益处。
如本文中所使用的，术语“目标图案”意味着在衬底上待蚀刻的理想化图案。
如本文中所使用的，术语“印制图案”意味着基于目标图案而蚀刻的衬底上的实体图案。所述印制图案可以包括例如凹槽、通道、凹陷、边缘，或由于光刻过程而产生的其它两维和三维特征。
如本文中所使用的，术语“过程模型”意味着包括模拟图案化过程的一个或更多个模型的模型。例如，过程模型可以包括光学模型(例如，所述光学模型对用以在光刻过程中传送光的透镜系统/投影系统进行建模，并且可以包括对到达抗蚀剂上的光的最终光学图像进行建模)、抗蚀剂模型(例如其对所述抗蚀剂的实体效应进行建模，诸如由于光的化学效应)、以及OPC模型(例如，其可以用以制造目标图案，并且可以包括亚分辨率抗蚀剂特征(SRAF)等等)。
如本文中所使用的，术语“校准”意味着修改(例如改善或调谐)和/或验证某物，诸如过程模型。
本公开尤其描述了用于改善针对图案化过程的过程模型的方法。在过程模型校准期间改善量测可以包括获得基于目标图案的印制图案(例如所印制的晶片或其部分)的准确图像。可以从所述图像提取与印制图案上的特征相对应的轮廓。接着可以使所述轮廓(也被称作测量轮廓)与由所述过程模型所产生的模拟轮廓对准，以允许校准所述过程模型。可以通过调整在所述过程模型中的参数来改善所述过程模型，使得所述模拟轮廓更准确地匹配所述测量轮廓。
图3图示根据实施例的从印制图案的图像所获得的示例性的测量轮廓330。
光刻过程可以基于例如目标图案310(在图3的顶部画面中示出)来产生印制图案(例如用于集成电路或计算机芯片的电路图案)。由于所述图案化过程中的限制，印制图案通常将仅是所述目标图案310的近似。
印制图案可以由图像捕获装置成像以产生测量图像320(在图3的中间画面中示出)，其包含与目标图案310中的理想化形状相对应的轮廓。在一个实施例中，一种方法可以包括：从图像捕获装置例如扫描电子显微镜(也被称作电子束检查系统)获得测量轮廓330。关于图19和图20更详细地描述电子束检查系统的示例性实施例。所述电子束检查系统可以类似于扫描电子显微镜，但具有大视场(LFOV)和高吞吐量以用于获得测量图像320。电子束检查系统的一个非限制性示例可以是HMI eP5，其尤其被配置成具有LFOV。在一些实施例中，LFOV可以在一侧上测量例如大约1至1000微米、100至500微米、1至50微米、6至12微米等等。所述图像捕获装置可以被配置成检测在印制图案中的热斑和/或弱点，以及诸如静态随机存取存储器(SRAM)之类的存储器阵列的栅和有源区域。如图3中所图示的，测量图像320类似于印制图案，但测量图像320中的矩形特征示出了圆化和稍微变形的线。在其它实施例中，所述
一些实施例可以包括基于在测量图像320中的像素的强度改变来识别测量轮廓330(在图3的底部画面中示出)。图像分析技术可以用以识别出测量图像320中的测量轮廓330。强度、梯度等等的改变可以识别出印制图案中的特征的高度(或深度)的改变，例如如与边缘确定一起使用的。例如，当测量图像被表达为灰阶图像时，当改变超过灰阶阈值(即，强度高于或低于定义值)时，这可以识别边缘(即，测量轮廓330)。
图4图示根据实施例的通过对多个图像进行平均化来产生测量轮廓330的示例性方法。
如上文所描述的，可以从单个测量图像320提取测量轮廓330。然而，在其它实施例中，可以将印制图案的多个图像组合成组合图像420。对图像进行组合会减小可以存在于任何单个图像中的噪声或其它形式的误差的效应。在一个实施例中，可以通过对多个测量图像410进行平均化来产生组合图像420。在其它实施例中，可以在组合或平均化之前使多个测量图像410对准。图像对准可以基于例如：多个测量图像410的图像配准(诸如使用配准标记)、确定多个测量图像410之间的最佳匹配的图像分析程序、基于多个测量图像410来计算相关系数，等等。
一旦使从所述图像捕获装置所捕获的多个测量图像410被对准，就可以确定共同区域。如本文中所使用的，术语“共同区域”意味着参考所述印制图案的同一实体区域的多个测量图像410中的像素的集合。随后，可以基于所述共同区域来产生组合的测量图像320。这可以导致可能具有较大或较小视场的一些图像来使边缘像素被移除，从而使得平均化过程是均一的(即，在每个像素处对相同数目的像素进行平均化)。
可以当获取多个图像时发生来自重复的电子束曝光的抗蚀剂收缩。可以例如由从来自由目标图案所制造的至少两个不同管芯的印制图案而获得多个测量图像410的实施例，来减小抗蚀剂收缩。如本文中所使用的，术语“一管芯”或“多个管芯”意味着其上被制作或将被制作有给定功能电路的半导体材料的区块。在这样的实施例中，所述管芯具有类似的印制图案，并且因此可以用以产生大致等效的图像，而同时减小所述印制图案至所述电子束的实体曝光。在其它实施例中，可以通过扫描不同管芯来获取产生组合图像420的多个测量图像410中的每个测量图像。以这种方式，用来产生所述组合图像420的每个图像是基于单个印制图案的。以这种方式，在一些实施例中，可以通过利用扫描电子显微镜来获得测量图像320从而减小抗蚀剂收缩，所述扫描电子显微镜是以低于获得足以分辨临界尺寸的扫描所需的剂量的剂量而操作的。
在一些实施例中，可以通过使电子束以若干角度跨越印制图案进行扫描而执行获得测量图像320。所述角度可以包括大约+45度和-45度。如本文中所使用的，术语“大约”(例如关于扫描角度)意味着确切角度或非常接近于确切角度(例如在几度或数十度内)的角度。在另一个实施例中，可以按照大约+45度扫描所述测量图像320的一半并且可以按照大约-45度扫描所述测量图像320的另一半。
图5图示根据实施例的使测量轮廓330与模拟轮廓510对准的示例性方法。
模拟印制图案的过程模型可以包括抗蚀剂模型、光学模型、光学邻近效应校正模型等等的任何组合。因此，可以根据所述过程模型的模拟来产生模拟轮廓510。如本文中所使用的，“模拟轮廓510”意味着由一个或更多个计算模型所产生并且表示光刻过程的预测结果(无论是最终阶段或中间阶段)的轮廓。
为了校准过程模型，可以比较测量轮廓330与模拟轮廓510。作为所述校准过程的部分，可以使测量轮廓330与模拟轮廓510对准。在图5的示例中，可以比较测量轮廓330(如在这个特定图示中由测量图像320的图形表示所表示的)与模拟轮廓510。在图5的上部图示中，测量轮廓330没有与模拟轮廓510适当地对准。测量轮廓330可以遍及模拟轮廓510平移和/或旋转，直至测量轮廓330在大致正确的位置中，如图5的下部图示中示出的。这可以提供可以如下文所描述被进一步改善的粗略对准。
图6图示根据实施例的确定测量轮廓330与模拟轮廓510之间的偏移610的示例性方法。
可以例如在上文关于图5所描述的粗略对准之后实施其它对准方法。这样的实施方式可以包括通过确定测量轮廓330与模拟轮廓510之间的偏移610，使测量轮廓330与模拟轮廓510对准。如本文中所使用的，“偏移610”意味着测量轮廓330上的点与模拟轮廓510上的另一点之间的距离。本公开提供用于确定偏移610的各种方法。例如，可以基于大致定义测量轮廓330的部分的测量坐标620，来进一步确定偏移610。如本文中所使用的，术语“测量坐标”意思是对测量轮廓的部分或全部进行定义的坐标。可以由成像装置产生，通过对由成像装置取得的图像的分析等等来产生测量坐标。例如，测量坐标可以是已被确定为与轮廓的边缘相对应的像素位置。因此，边缘检测程序可以基于对测量图像320的图像处理来产生测量坐标620。测量坐标620的示例在图6中由测量轮廓330上的圆来图示。
在一个实施例中，可以基于测量坐标620与模拟轮廓510之间的距离进一步确定偏移610。在一些特定实施例中，所述距离可以在测量坐标620处位于垂直于测量轮廓330的方向上。在其它实施例中，可以通过例如对一些或全部偏移的距离的平方进行求和、或对一些或全部偏移进行求和，来确定对准的程度。这可以例如利用竖向偏移向量的x分量和/或y分量来执行。
在一些实施例中，所述对准还可以包括减小：基于距离而计算的成本函数。上文描述了成本函数的示例(例如方程式1的描述)。可以通过例如微调至测量轮廓330的位置，来减小成本函数。当成本函数处于最小值(或以其它方式令人满意的值)时，测量轮廓330与模拟轮廓510的对准可以用于另外的过程或用作过程模型校准的量度。
为了提供用于本文中所描述的对准方法的额外的点，某些实施例可以包括在测量轮廓330上产生任何数目的额外的点(例如边缘放置(EP)坐标)。如本文中所使用的，EP坐标630(在本文中也被称作EP量规)是定义测量轮廓330的额外的点。EP坐标630的一个示例在图6中由位于测量轮廓330上的实心正方形图示。在一些实施例中，可以通过在两个或更多个测量坐标620之间插值来产生EP坐标630。在其它实施例中，可以通过从两个或更多个测量坐标620外推来产生EP坐标630。因此，替代测量坐标620或除了测量坐标620以外，还可以基于EP坐标630来进一步确定偏移610。
在一些实施例中，可以从图形数据库系统(GDS)多边形(即，由所述过程模型所产生并且与轮廓形状相对应的多边形)获得模拟轮廓510。在其它实施例中，GDS多边形可以呈选自GDS流格式(GDSII)和开放式原图系统交换标准(OASIS)中的一种或更多种格式。接着，作为所述校准过程的部分，可以将包括所测量的模拟轮廓510的边缘放置坐标630和/或测量坐标620转换成GDS坐标。这样的转换可以允许在模拟轮廓510与测量轮廓330之间更直接地比较。
图7图示根据实施例的使模拟轮廓510与测量轮廓330匹配的示例性改善。
本文中所描述的实施例可以促成对过程模型的校准以提供模拟轮廓510(由所述过程模型产生)与测量轮廓330之间的更准确匹配。在一些实施例中，校准所述过程模型可以包括减小基于模拟轮廓510与测量轮廓330之间的所确定的偏移610而计算的差。
如本文中所使用的，“差”意味着两个或更多个轮廓之间的偏差程度的量化量度。差的一个非限制性示例是前述成本函数。差的另一示例也可以是两个轮廓上的点之间的偏移或距离，而不在成本函数中使用这些点。
在一些实施例中，方法可以包括修改所述过程模型的特征以减小所述差。在一些实施例中，所述修改可能引起对模拟轮廓510的形状的改变。可以修改的抗蚀剂模型的特征的示例可以包括扩散速率、扩散范围、去保护比率、和酸/碱浓度。以这种方式执行的修改可以被视为对所述过程模型进行“微调”以改善其预测测量轮廓330的能力。在一些实施例中，这可以产生改善后的光学模型、抗蚀剂模型、OPC模型，等等。
图8图示根据实施例的基于对初步模型810进行改善的示例性对准改善。
改善包括OPC模型的过程模型可以开始于初步模型810，而不是例如完整的过程模型。例如，一些实施例可以包括基于对所述OPC模型的模拟来获得所述模拟轮廓510，其中所述OPC模型可以是初步模型810。初步模型810可以包括减小数目的模型部件，例如包括光学模型且不包括抗蚀剂模型。
在其它实施例中，方法可以包括：利用改善后的初步模型820(例如其包括光学模型和抗蚀剂模型)获得初始模拟轮廓510。特别地，一些实施例可以包括修改所述抗蚀剂模型的特征以减小所述初始模拟轮廓510与所述测量轮廓330之间的差。可以修改的特征的示例可以包括扩散速率、扩散范围、去保护比率、和酸/碱浓度，如上文关于抗蚀剂模型所描述的。以这种方式，可以如本文中所描述来使用和改善所述初步模型810。在其它实施例中，对初步模型810的修改可以产生改善后的初步模型820，其继而产生模拟轮廓510。这样的迭代方法可以提供逐渐改善的模拟轮廓510以用于本文中所描述的对准工序。
在本公开的一些实施例中，已实现了减小的处理时间和计算的额外负担。例如，通过充分利用特征包括图像平均化(诸如关于图4所描述的)和准确的图像对准(诸如关于图3所描述的)，已将用于图像获取的计算时间减小至少一数量级，从数天减小至数小时。同时，实施这些高品质EP量规的模型校准时间与当使用CD量规时的时间大致相同。
图9图示根据实施例的对过程模型进行校准的示例性方法。
在一些实施例中，一种用于改善针对图案化过程的过程模型的方法可以包括：在910处，获得a)来自图像捕获装置的测量轮廓330，和b)根据所述过程模型的模拟而产生的模拟轮廓510。
在920处，通过确定测量轮廓330与模拟轮廓510之间的偏移610，使测量轮廓330与模拟轮廓510对准。
在930处，校准所述过程模型，以减小基于模拟轮廓510与测量轮廓330之间的所确定的偏移610而计算出的差。
图10图示根据实施例的校准OPC模型的示例性方法。
在一些实施例中，一种用于改善针对图案化过程的光学邻近效应校正(OPC)模型的方法可以包括：在1010处，获得a)来自图像捕获装置的测量轮廓330，和b)根据对OPC模型的模拟而产生的模拟轮廓510。
在1020处，通过确定测量轮廓330与模拟轮廓510之间的偏移610，使测量轮廓330与模拟轮廓510对准。
在1030处，修改OPC模型的特征，以减小基于模拟轮廓510与测量轮廓330之间的所确定的偏移610而计算出的差。
图11图示根据实施例的获取目标的多个图像并且校准过程模型的示例性方法。
在一些实施例中，一种用于改善针对图案化过程的过程模型的方法可以包括：在1110处，获得a)来自图像捕获装置的多个测量图像410，和b)根据对过程模型的模拟而产生的模拟轮廓510。
在1120处，使多个测量图像410对准。
在1130处，根据已对准的多个测量图像410产生组合的测量图像320。
在1140处，通过图像分析方法，从组合的测量图像320提取测量轮廓330。
在1150处，通过确定测量轮廓330与模拟轮廓510之间的偏移610，使测量轮廓330与模拟轮廓510对准。
在1160处，校准所述过程模型,以减小基于模拟轮廓510与测量轮廓330之间的所确定的偏移610而计算出的差。
图12是根据实施例的示例量测系统的框图。本文中所描述的实施例可以实施于任何数目和组合的计算系统、图像捕获装置、服务器和用户接口上。图12中图示一个示例性系统，其中可以可选地包含串行和/或并行操作的任何数目计算机的簇1210可以被配置成允许选择和传输EP坐标630，在本文中也被称作EP量规630。可以将EP量规630传输至一个或更多个管理服务器1220，其中可以将选配方案1230发送至图像捕获装置1240。选配方案1230可以包括与图案化过程有关的信息并且也包括用于操作图像捕获装置1240的指令。如此描述的示例性系统改善了OPC预测准确度并且减小了OPC显影循环时间。
图13是根据实施例的改善后的量测过程的示例实施方式的过程流程图。
根据本文中所描述的系统和实施例的用于改善量测的方法可以包括在诸如簇1210之类的计算簇上执行过程模型。在1310处，所述过程模型可以接受掩模版设计。在1312处，所述过程模型接着可以产生指定所述目标图案的GDS布局。在1314处，所述过程模型接着可以选择一个或更多个EP量规，例如如关于图6所描述的。
在1320处，图像捕获装置，例如图像捕获装置1240，可以产生选配方案1230。选配方案1230可以由图像捕获装置1240使用以在1322处对印制图案执行高品质量测，包括产生任何数目的高分辨率测量图像。可以将测量图像传输至簇1210以用于图像处理。
图像处理可以包括例如在1330处执行图像滤波，在1332处执行图像对准和平均化，在1334处执行轮廓提取，和在1336处执行EP量规提取。图像滤波可以包括例如基于例如允许基准或容许度来自动地移除错印的图像和/或低对比度图像。可选地，作为轮廓提取过程的部分，可以从1322输入选配方案1230和测量图像320，以通过比较在图像滤波之前和之后的测量图像320并且对对准过程进行平均化，来增加量测一致性。
可以在1340处执行模型校准和验证，其中在1336处所提取的EP量规可以由一个或更多个计算系统接收。可以在1340处对校准后的和验证后的模型进行优化，以支持大量EP量规，例如相对于CD量规的数目增加2、3、3.6、5、10倍或更多倍。在1342处，可以校准所述过程模型，并且在1344处，可以将校准后的过程模型提供至图形用户接口(GUI)以用于使用者审阅、改进、传输或进一步处理。
图14是根据实施例的示例计算机系统CS的框图。
计算机系统CS包括用于通信信息的总线BS或其他通信机构，和与总线BS耦接以用于处理信息的处理器PRO(或多个处理器)。计算机系统CS还包括耦接至总线BS以用于储存待由处理器PRO执行的信息和指令的主存储器MM，诸如随机存取存储器(RAM)或其他动态储存装置。主存储器MM还可以用于在待由处理器PRO执行的指令的执行期间储存暂时性变量或其他中间信息。计算机系统CS还包括耦接至总线BS以用于储存用于处理器PRO的静态信息和指令的只读存储器(ROM)ROM或其他静态储存装置。设置诸如磁盘或光盘的储存装置SD，且将该储存装置耦接至总线BS以用于储存信息和指令。
计算机系统CS可以经由总线BS耦接至用于向计算机使用者显示信息的显示器DS，诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母数字键和其他键的输入装置ID耦接至总线BS以用于将信息和命令选择通信至处理器PRO。另一类型的使用者输入装置是光标控制器CC(诸如鼠标、轨迹球或光标方向键)，用于将方向信息和命令选择通信至处理器PRO且用于控制显示器DS上的光标移动。这种输入装置典型地在两个轴线(第一轴线(例如x)和第二轴线(例如y))上具有两个自由度，这允许所述装置指定平面中的位置。触摸面板(屏)显示器也可以用作输入装置。
根据一个实施例，可以由计算机系统CS响应于处理器PRO执行包含在主存储器MM中的一个或更多个指令的一个或更多个序列，来执行本文描述的一个或更多个方法的部分。这样的指令可以被从另一计算机可读介质(诸如储存装置SD)读取到主存储器MM中。包含在主存储器MM中的指令的序列的执行使得处理器PRO执行本文描述的过程步骤。在多处理布置中的一个或更多个处理器也可以被用于执行包含在主存储器MM中的指令的序列。在可替代的实施例中，硬接线电路可以用于替代软件指令或与软件指令结合。因此，本文的描述不限于硬件电路和软件的任何特定的组合。
本文中使用的术语“计算机可读介质”是指参与向处理器PRO提供指令以供执行的任何介质。这样的介质可以采用很多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘，诸如储存装置SD。易失性介质包括动态存储器，诸如主存储器MM。传输介质包括同轴电缆、铜线和光纤，包括包含总线BS的电线。传输介质还可以采用声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间生成的声波或光波。常见形式的计算机可读介质包括例如软盘、柔性盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、具有孔图案的任何其他物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或晶闸。非暂时性计算机可读介质上可以记录有指令。所述指令在由计算机执行时可以实施本文中所描述的特征中的任一特征。暂时性计算机可读介质可以包括载波或其它传播电磁信号。
各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列传送到处理器PRO以供执行。例如，指令最初可以承载在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中，并且使用调制解调器通过电话线发送指令。计算机系统CS本地的调制解调器可以在电话线上接收数据并且使用红外发射器将数据转换成红外信号。耦接到总线BS的红外检测器可以接收红外信号中携带的数据并且将数据放置在总线BS上。总线BS将数据传送到主存储器MM，处理器PRO从主存储器MM检索并且执行指令。由主存储器MM接收的指令可以可选地在由处理器PRO执行之前或之后储存在储存装置SD上。
计算机系统CS还可以包括耦接到总线BS的通信接口CI。通信接口CI提供耦接到网络链路NDL的双向数据通信，所述网络链路连接到局域网LAN。例如，通信接口CI可以是用于提供与相应类型的电话线的数据通信连接的综合业务数字网(ISDN)卡或调制解调器。作为另一示例，通信接口CI可以是用于提供与兼容LAN的数据通信连接的局域网(LAN)卡。还可以实施无线链路。在任何这样的实施方式中，通信接口CI发送和接收携带表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路NDL典型地通过一个或更多个网络提供到其他数据装置的数据通信。例如，网络链路NDL可以通过局域网LAN提供到主计算机HC的连接。这可以包括通过现在通常称为“因特网”INT的全球分组数据通信网络而提供的数据通信服务。局域网LAN(因特网)两者都使用携带数字数据流的电信号、电磁信号或光信号。通过各种网络的信号和在网络数据链路NDL上并且通过通信接口CI的信号(其将数字数据传送到计算机系统CS和从计算机系统CS传送数字数据)是输送信息的载波的示例性形式。
计算机系统CS可以通过网络、网络数据链路NDL和通信接口CI发送消息和接收数据，包括程序代码。在因特网示例中，主计算机HC可以通过因特网INT、网络数据链路NDL、局域网LAN和通信接口CI传输用于应用程序的所请求的代码。例如，一个这样的下载的应用可以提供本文中所描述的方法的所有部分。所接收的代码可以在被接收时由处理器PRO执行，和/或储存在储存装置SD或其他非易失性储存器中以供稍后执行。以这种方式，计算机系统CS可以获取呈载波的形式的应用代码。
图15是根据实施例的光刻投影设备的示意图。
所述光刻投影设备可以包括照射系统IL、第一物体台MT、第二物体台WT和投影系统PS。
照射系统IL，可以调节辐射束B。在这种特定情况下，照射系统还包括辐射源SO。
第一物体台(例如图案形成装置台)MT，可以具有用于保持图案形成装置MA(例如，掩模台)的图案形成装置保持器并连接到用于相对于物品PS来准确地定位图案形成装置的第一定位器。
第二物体台(衬底台)WT，可以具有用于保持衬底W(例如涂覆有抗蚀剂的硅晶片)的衬底保持器并连接到用于相对于物品PS来准确地定位衬底的第二定位器。
投影系统(“透镜”)PS(例如，折射、反射或反射折射光学系统)，可以将图案形成装置MA的被辐射部分成像到衬底W的目标部分C(例如包括一个或更多个管芯)上。
如本文所描绘的，所述设备可以属于透射型(例如，采用透射型图案形成装置)。然而，一般而言，它可以属于反射型(例如，采用反射型图案形成装置)。所述设备可以采用与经典掩模不同种类的图案形成装置；示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如汞灯或准分子激光、激光产生等离子体(LPP)EUV源)产生辐射束。例如，这个束直接地或在已横穿诸如扩束器Ex的调节装置之后馈送至照射系统(照射器)IL中。照射器IL可以包括调整装置AD，用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ-外部和σ-内部)。另外，照射器IL通常会包括各种其他部件，诸如积光器IN和聚光器CO。这样，照射于图案形成装置MA上的束B在其横截面中具有期望的均匀性和强度分布。
在一些实施例中，源SO可以在光刻投影设备的外壳内(这经常是当源SO为例如汞灯时的情况)，但它也可以远离光刻投影设备，它所产生的辐射束被引导到该设备中(例如，借助于适当的定向反射镜)；后一情形可以是当源SO为准分子激光(例如，基于KrF、ArF或F2激光作用)时的情况。
束PB随后可以截取被保持于图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下，束PB可以传递穿过透镜PL，该透镜PL将束B聚焦到衬底W的目标部分C上。借助于第二定位装置(和干涉测量装置IF)，可以准确地移动衬底台WT，例如，以便将不同目标部分C定位在束PB的路径中。类似地，第一定位装置可以用于例如在从图案形成装置库机械地检索图案形成装置MA之后或在扫描期间相对于束B的路径来准确地定位图案形成装置MA。通常，可以借助于长行程模块(粗定位)和短行程模块(精定位)来实现物体台MT、WT的移动。然而，在步进器(与步进扫描工具相反)的情况下，图案形成装置台MT可以仅连接到短行程致动器，或者可以是固定的。
所描绘的工具可以用于两种不同的模式中，即步进模式和扫描模式。在步进模式下，将图案形成装置台MT保持基本静止，并且将整个图案形成装置图像一次投影(即，单次“闪光”)到目标部分C上。可以使衬底台WT在x和/或y方向上移位，以使得不同的目标部分C可以被束PB照射。
在扫描模式下，除了单次“闪光”中不曝光给定目标部分C之外，基本上适用于相同的情形。可替代地，图案形成装置台MT能够在给定方向(所谓的“扫描方向”，例如y方向)上以速率v移动，以使得投影束B在图案形成装置图像上进行扫描；同时，衬底台WT以速率V＝Mv在相同或相反方向上同时移动，其中，M是透镜PL的放大率(典型地M＝1/4或1/5)。这样，可以在不必折中分辨率的情况下曝光相对大的目标部分C。
图16是根据实施例的另一光刻投影设备(LPA)的示意图。
LPA可以包括源收集器模块SO、被配置成调节辐射束B(例如EUV辐射)的照射系统(照射器)IL、支撑结构MT、衬底台WT以及投影系统PS。
支撑结构(例如图案形成装置台)MT，可以被构造成支撑图案形成装置(例如掩模或掩模版)MA并且连接到第一定位器PM，所述第一定位器PM配置成准确地定位图案形成装置。
衬底台(例如，晶片台)WT，可以被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)W并且连接到第二定位器PW，所述第二定位器PM配置成准确地定位衬底。
投影系统(例如反射式投影系统)PS，可以被配置成将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或更多个管芯)上。
如此处所描绘的，LPA可以属于反射型(例如，采用反射型图案形成装置)。应该注意的是，由于大多数材料在EUV波长范围内具有吸收性，所以图案形成装置可以具有包括例如钼和硅的多叠层的多层反射器。在一个示例中，多叠层反射器具有钼和硅的40个层对，其中，每一层的厚度为四分之一波长。可以利用X射线光刻术来产生甚至更小的波长。由于大多数材料在EUV和x射线波长下具有吸收性，所以图案形成装置形貌上的图案化的吸收材料的薄片(例如，多层反射器的顶部上的TaN吸收体)限定特征将印制(正型抗蚀剂)或不印制(负型抗蚀剂)的位置。
照射器IL可以接收来自源收集器模块SO的极紫外辐射束。用于产生EUV辐射的方法包括但不必限于将材料转换为等离子体状态，该材料具有在EUV范围内具有一个或更多个发射线的至少一种元素(例如氙、锂或锡)。在通常称为激光产生等离子体(“LPP”)的一种这样的方法中，等离子体可以通过以激光束辐射燃料来产生，燃料例如是具有线发射元素的材料的液滴、束流或簇。源收集器模块SO可以是包括用于提供激发燃料的激光束的激光器(图11中未示出)的EUV辐射系统的一部分。所得到的等离子体发射输出辐射，例如EUV辐射，其通过使用设置在源收集器模块内的辐射收集器收集。激光器和源收集器模块可以是分立的实体，例如当使用CO2激光器提供用于燃料激发的激光束时。
在这些情况下，不会将激光器看作是构成光刻设备的一部分，并且借助于包括例如合适的定向反射镜和/或扩束器的束传递系统，辐射束可以被从激光器传递到源收集器模块。在其它情况下，所述源可以是源收集器模块的组成部分，例如，当所述源是放电产生等离子体EUV产生器(通常被称为DPP源)时。
照射器IL可以包括用于调整所述辐射束的角强度分布的调整器。通常，可以调整照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别被称为σ-外部和σ-内部)。此外，所述照射器IL可以包括各种其它部件，诸如琢面场反射镜装置和琢面光瞳反射镜装置。所述照射器可以用于调节所述辐射束，以在其横截面中具有所期望的均匀性和强度分布。
所述辐射束B可以入射到保持在支撑结构(例如，图案形成装置台)MT上的图案形成装置(例如，掩模)MA上，并且通过图案形成装置来形成图案。已经被图案形成装置(例如，掩模)MA反射后，所述辐射束B穿过投影系统PS，所述投影系统将辐射束聚焦到所述衬底W的目标部分C上。借助于第二定位装置PW和位置传感器PS2(例如，干涉仪器件、线性编码器或电容传感器)，可以准确地移动所述衬底台WT，例如以便将不同的目标部分C定位于辐射束B的路径中。类似地，可以将所述第一定位装置PM和另一个位置传感器PS1用于相对于所述辐射束B的路径准确地定位图案形成装置(例如，掩模)MA。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(例如，掩模)MA和衬底W。
所描绘设备LPA可以用于下列模式中的至少一种模式：步进模式、扫描模式和静止模式。
在步进模式中，在将支撑结构(例如图案形成装置台)MT和衬底台WT保持为基本静止的同时，将赋予所述辐射束的整个图案一次投影到目标部分C上(即，单一的静态曝光)。然后将所述衬底台WT沿X和/或Y方向移动，使得可以对不同目标部分C曝光。
在扫描模式中，在对支撑结构(例如图案形成装置台)MT和衬底台WT同步地进行扫描的同时，将赋予所述辐射束的图案投影到目标部分C上(即，单一的动态曝光)。衬底台WT相对于支撑结构(例如图案形成装置台)MT的速度和方向可以通过投影系统PS的放大(缩小)率和图像反转特性来确定。
在静止模式中，将用于保持可编程图案形成装置的支撑结构(例如图案形成装置台)MT保持为基本静止，并且在对衬底台WT进行移动或扫描的同时，将赋予所述辐射束的图案投影到目标部分C上。在这种模式中，通常采用脉冲辐射源，并且在所述衬底台WT的每一次移动之后、或在扫描期间的连续辐射脉冲之间，根据需要更新所述可编程图案形成装置。这种操作模式可易于应用于利用可编程图案形成装置(诸如，如上所提及类型的可编程反射镜阵列)的无掩模光刻术中。
图17是根据实施例的光刻投影设备的详细视图。
如图所示，LPA可以包括源收集器模块SO、照射系统IL以及投影系统PS。源收集器模块SO构造和布置成将真空环境维持在源收集器模块SO的围封结构220中。发射EUV辐射的等离子体210可以由放电产生等离子体源形成。EUV辐射可以通过气体或蒸汽产生，例如氙气、锂蒸汽或锡蒸汽，其中产生极热的等离子体210以发射在电磁光谱的EUV范围内的辐射。例如，通过引起至少部分地电离的等离子体的放电而产生极热的等离子体210。为了有效产生辐射，可能需要为例如分压为10Pa的Xe、Li、Sn蒸汽或任何其他适当的气体或蒸汽。在实施例中，提供被激发的锡(Sn)的等离子体以产生EUV辐射。
由热等离子体210发射的辐射经由定位于源腔室211中的开口中或后方的可选的气体阻挡件或污染物阱230(在一些情况下，也被称作污染物阻挡件或箔片阱)而从源腔室211传递到收集器腔室212中。污染物阱230可以包括通道结构。污染物阱230也可以包括气体阻挡件，或气体阻挡件与通道结构的组合。如本领域中已知的，本文中进一步示出的污染物阱或污染物阻挡件230至少包括通道结构。
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器CO。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。横穿收集器CO的辐射可以由光栅光谱滤光器240反射，然后沿着点划线‘O’所指示的光轴而聚焦在虚源点IF处。虚源点IF通常被称作中间焦点，并且源收集器模块被布置成使得中间焦点IF位于围封结构220中的开口221处或附近。虚源点IF是辐射发射等离子体210的图像。
随后，辐射横穿照射系统IL，该照射系统IL可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24，该琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成提供在图案形成装置MA处具有期望的角分布的辐射束21，以及在图案形成装置MA处具有期望的均匀性的辐射强度。在辐射束21在由支撑结构MT保持的图案形成装置MA处反射之后，形成图案化的束26，并且通过投影系统PS将图案化的束26经由反射元件28、30而成像到由衬底台WT保持的衬底W上。
在照射光学器件单元IL和投影系统PS中通常可以存在比示出的元件更多的元件。依赖于光刻设备的类型，可以可选地呈现光栅光谱滤光器240。此外，可以存在比图中示出的反射镜更多的反射镜，例如在投影系统PS中可以存在有在图12中示出的元件以外的1-6个额外的反射元件。
如图12所示的收集器光学器件CO被描绘为具有掠入射反射器253、254和255的巢状收集器，仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255设置成围绕光轴O轴对称，并且这种类型的收集器光学器件CO可以与经常被称作DPP源的放电产生等离子体源组合使用。
图18是根据实施例的光刻投影设备LPA的源收集器模块SO的详细视图。
源收集器模块SO可以是LPA辐射系统的一部分。激光器LA可以被布置成将激光能量沉积到诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中，从而产生具有数十电子伏特的电子温度的高度电离的等离子体210。在这些离子的去激发和再结合或复合期间产生的高能辐射从等离子体发射，由近正入射收集器光学器件CO收集，并且聚焦到围封结构220中的开口221上。
本文中所公开的构思可以模拟或以数学方法对用于使亚波长特征成像的任何通用的成像系统进行建模，并且可以尤其与能够产生越来越短的波长的新兴成像技术一起使用。已经处于使用中的新兴技术包括能够通过使用ArF激光器来产生193nm波长并且甚至能够通过使用氟激光器来产生157nm波长的极紫外(EUV)、DUV光刻术。此外，EUV光刻术能够通过使用同步加速器或通过利用高能电子来撞击材料(固体或等离子体)产生5nm至20nm范围内的波长，以便产生该范围内的光子。
图19示意性地描绘根据实施例的电子束检查设备1920的实施例。在实施例中，所述检查设备可以是得到被曝光或转印于所述衬底上的结构(例如，诸如集成电路之类的器件的某一结构或全部结构)的图像的电子束检查设备(例如与扫描电子显微镜(SEM)相同或相似)。从电子源1922发射的初级电子束1924由聚光器透镜1926会聚并且接着传递穿过束偏转器1928、E×B偏转器1930和物镜1932以在焦点处照射衬底台1912上的衬底1910。
当利用电子束1924照射所述衬底1910时，从衬底1910产生次级电子或第二电子。所述次级电子由E×B偏转器1930偏转并且由次级电子检测器1934检测。可以通过以下操作获得二维电子束图像：检测从样本产生的电子，同步地例如由束偏转器1928使电子束进行二维扫描或由束偏转器1928使电子束1924在X或Y方向上进行重复扫描，以及由衬底台1912在X或Y方向中的另一方向上连续地移动所述衬底1910。因而，在实施例中，所述电子束检查设备具有由角范围所限定的针对电子束的视场，电子束可以由电子束检查设备提供至所述角范围(例如所述偏转器1928可以提供的可供电子束1924穿过的角范围)中。因而，所述视场的空间范围是电子束的所述角范围可以照射到表面上所达的空间范围(其中所述表面可以是静止的或可以相对于所述场移动)。
由次级电子检测器1934检测到的信号由模拟/数字(A/D)转换器1936转换成数字信号，并且所述数字信号被发送至图像处理系统1950。在实施例中，所述图像处理系统1950可以具有用以储存数字图像的全部或部分以由处理单元1958进行处理的存储器1956。所述处理单元1958(例如被特殊设计的硬件，或硬件与软件的组合，或包括软件的计算机可读介质)被配置成将所述数字图像转换或处理成表示所述数字图像的数据集。在实施例中，所述处理单元1958被配置或编程以导致执行本文中所描述的方法。另外，图像处理系统1950可以具有被配置成将所述数字图像和对应的数据集储存在参考数据库中的储存介质1956。显示装置1954可以与图像处理系统1950连接，使得操作者可以借助于图形用户接口进行装备的必要操作。
图20示意性地图示根据实施例的检查设备的另外的实施例。所述系统用以检查在样本平台88上的样本90(诸如衬底)，并且包括带电粒子束产生器81、聚光器透镜模块82、探针形成物镜模块83、带电粒子束偏转模块84、次级带电粒子检测器模块85、和图像形成模块86。
所述带电粒子束产生器81产生初级带电粒子束91。所述聚光器透镜模块82将所产生的初级带电粒子束91聚光。所述探针形成物镜模块83将所聚光的初级带电粒子束聚焦成带电粒子束探针92。所述带电粒子束偏转模块84使所形成的带电粒子束探针92横跨紧固于样本平台88上的样本90上的关注的区域的表面进行扫描。在实施例中，所述带电粒子束产生器81、所述聚光器透镜模块82和所述探针形成物镜模块83或它们的等效设计、替代方案或其任何组合一起形成带电粒子束探针产生器，其产生扫描带电粒子束探针92。
次级带电粒子检测器模块85检测一旦由所述带电粒子束探针92轰击以产生次级带电粒子检测信号94就从样本表面发射的次级带电粒子93(也可以与来自所述样本表面的其它反射或散射带电粒子一起)。所述图像形成模块86(例如计算装置)与所述次级带电粒子检测器模块85耦接以从所述次级带电粒子检测器模块85接收所述次级带电粒子检测信号94并且因此形成至少一个扫描图像。在实施例中，次级带电粒子检测器模块85和图像形成模块86或它们的等效设计、替代方案或其任何组合一起形成图像形成设备，其由从带电粒子束探针92轰击的样本90发射的检测到的次级带电粒子形成扫描图像。
在实施例中，监测模块87被联接至所述图像形成设备的所述图像形成模块86以对所述图案化过程进行监测、控制等等和/或使用从图像形成模块86所接收的所述样本90的扫描图像导出用于图案化过程设计、控制、监测等等的参数。因此，在实施例中，所述监测模块87被配置或编程以导致执行本文中所描述的方法。在实施例中，所述监测模块87包括计算装置。在实施例中，所述监测模块87包括用以提供本文中的功能性并且编码于计算机可读介质上的计算机程序，所述计算机可读介质形成所述监测模块87或被安置于监测模块87内。
在实施例中，类似于使用探针来检查衬底的图19的电子束检查工具，与例如诸如图19中所描绘之类的CD SEM相比，图20的系统中的电子电流显著地较大，使得探针斑足够大使得检查速度从而使得检查速度可以较快。然而，由于较大的探针斑，则分辨率可能不与CD SEM的分辨率一样高。
可以处理来自例如图19和/或图20的系统的所述SEM图像以提取在图像中对表示器件结构的对象的边缘进行描述的轮廓。接着通常在使用者限定的切割线处经由诸如CD之类的指标来量化这些轮廓。因而，通常经由诸如在所提取的轮廓上所测量的边缘间距离(CD)或图像之间的简单像素差之类的指标，来比较和量化器件结构的图像。替代地，指标可以包括如本文中所描述的EP量规。
现在，除了在图案化过程中测量衬底以外，也常常期望使用一个或更多个工具以产生例如可以用以对所述图案化过程进行设计、控制、监测等等的结果。为了进行这种操作，可以提供用于计算上对所述图案化过程的一个或更多个方面进行控制、设计等等的一个或更多个工具，所述一个或更多个方面是诸如用于图案形成装置的图案设计(包括例如添加亚分辨率辅助特征或光学邻近效应校正)、用于图案形成装置的照射，等等。因此，在用于计算上对涉及图案化的制造过程进行控制、设计等等的系统中，主要制造系统部件和/或过程可以由各种功能模块描述。具体地，在实施例中，可以提供对所述图案化过程的一个或更多个步骤和/或设备(通常包括所述图案转印步骤)进行描述的一个或更多个数学模型。在实施例中，可以使用一个或更多个数学模型执行所述图案化过程的模拟，以模拟所述图案化过程如何使用由图案形成装置所提供的所测量的图案或设计图案来形成图案化衬底。
虽然本文公开的构思可以用于在衬底(诸如硅晶片)上成像，但是应当理解，所公开的构思可以与任何类型的光刻成像系统一起适用，例如用于在除了硅晶片之外的衬底上成像的光刻成像系统。
本文的描述旨在是示例性的而不是限制性的。因此，本领域的技术人员将明白，在不背离下面阐述的权利要求书的范围的情况下，可以对所描述的发明进行修改。
图21是根据实施例的印制图案的原始图像和平均图像的图示。
此外，本公开描述了获取和分析印制图案的大量图像以执行作为光刻过程的一部分的高品质量测。如图21所示，平均图像2110(左上所示)可以表现出比原始图像2120(右上所示)更清晰地限定的结构。由如下图像所示的信噪比的两个曲线图(2130,2140)来图示了可以如何量化这种差异的示例。在这两个曲线图中，信噪比的峰值可以被视为通常与出现在上述图像(2110,2120)中的特征的边缘相对应。然而，比较这两个曲线图，示出了与原始图像2120对应的曲线图2140包含增加的噪声，而对应于平均图像2110的曲线图2130具有降低的噪声等级。
图22是示出根据实施例的印制图案的“良好的”和“不良的”平均图像的图。
表征所述光刻过程的准确度可以包括分析平均图像。例如，在印制图案上，可以在不同的部位重复一些结构特征。结构特征可以包括例如通道、脊、槽、辅助特征、亚分辨率辅助特征、边缘配置、竖直斜率等。如先前在图21中所示，可以对所述印制图案的原始图像进行平均，并且由此可以具有遍及单个图像上的大体改进的图像品质。然而，这可能不足以生成可用于或期望用于执行准确量测的平均图像。例如，如果原始图像未对准，则所得平均图像可能不代表所述印制图案的真实结构配置。相反，如果即使在平均化之后，所述平均图像仍然被评估为不足以作为可用的平均图像，则这可以指示所述印制图案中的缺陷、成像过程中的错误，等等。
在图22中示出了“良好的”和“不良的”平均图像的示例。如图22所示，可以利用图像捕获装置来获取任意数量的原始图像，所述图像捕获装置可以包括扫描电子显微镜、原子力显微镜、和电子束检查系统中的至少一个。一旦获取了原始图像，就可以通过对所述印制图案的原始图像进行平均来生成所述印制图案的平均图像。在图22的示例中，平均图像2220被视为比单个原始图像2210更清晰并且展现出较高的对比度，并且因而可以提供用于执行量测的改进图像。例如，跨越在平均图像2220中所示的特征的水平线可以表示剪切线2230。因此，可沿切割线2230进行临界尺寸的测量。
与此相对照，在图22的下半部分中示出了“不良的”平均图像2250的示例。这里，基于三个原始图像2240生成了示例平均图像2250，三个原始图像2240中一些包含印制缺陷。因此，不良的平均图像2250不包含在良好的平均图像2220中所示的印制不具有缺陷的清晰且可靠的特征。
可能还存在其他误差源会导致“不良的”平均图像，例如，图像获取或分析期间的错位或未对准。作为生成平均图像的一部分，一种方法可以包括对准所述原始图像并且从对准的原始图像生成平均图像。对准的方法可以包括例如本文中在别处特别是参考图4和图5而描述的那些方法。
图23是示出根据实施例的图像品质分级模型的示例性实施方式的过程流程图。
基于计算机的模型可用来以客观并且定量的方式确定平均图像是否具有用于光刻过程的量测或任何其他部分的足够品质。作为简化的解释，该模型可以接收平均图像作为输入，并且当确定平均图像是良好的或不良的时可以输出例如“真”或“假”。例如，一种用于评估印制图案的图像的方法可以由至少一个可编程处理器实施，并且可以包括获得印制图案的平均图像，其中平均图像可以通过对印制图案的原始图像进行平均来生成。该方法还可以包括识别平均图像的一个或更多个特征，并且通过执行图像品质分级模型(本文中也称为“模型”)来评估平均图像。模型评估可以至少基于平均图像中的特征，并且可以确定平均图像是否满足指标。
由图像品质分级模型评估的第一平均图像的特征可以包括边缘、辅助特征、和亚分辨率辅助特征中的至少一个。此外，指标可以基于信噪比、对比度、成本(例如，如由成本函数计算的成本)、和对准品质中的至少一个或更多个，其中所述指标对应于被平均以生成平均图像的原始图像。例如，基于与边缘(特征)相关联的信噪比(作为指标)，模型可以确定平均图像是否良好(例如，真或假)。
图23中所示的过程流程图提供了操作序列的一个示例，该操作序列可以评估平均图像、生成改进的平均图像、或修改光刻或量测系统(例如SEM)的另一部件的操作。
在2310处，可以从印制图案获取原始图像(例如由2120、2210、2240所图示的)。
在2320处，可以使用对原始图像的选择来生成平均图像。可以从部分或全部原始图像中进行所述选择。
在2330处，可以识别平均图像的特征(例如，辅助特征的边缘、大小、形状等)，并且将其输入到模型中以用于评估平均图像。
在2340处，可以利用原始图像(和相关特征)作为输入来应用所述模型，以评估平均图像是良好的或是不良的。
在2350处，所述方法还可以包括针对至少一个原始图像生成标记。所述标记可以指示第一个平均图像是否满足所述指标。此外，所述方法可以包括在计算机存储器中将所述标记与至少一个原始图像相关联。如本文所使用的，“标记”可以包括任何数字或布尔值、元数据、数据库条目、标注等，其可以直接应用于原始图像以对其进行标记，或可以通常与特定图像相关联(例如，通过使用关系数据库、指针等)。例如，当平均图像被生成并且由模型确定为良好的时，则用于生成平均图像的所有原始图像可以被标记为“良好的”。返回到图22的示例，生成良好的平均图像的三个原始图像将会随后被标记为“良好的”。相反，产生不良的平均图像的三个原始图像将会随后被标记为“不良的”。这样，大量的原始图像可以被所述模型分级，并且被标记为可用于生成可靠的平均图像。
因此，在一些实施例中，所述标记可以基于机器学习算法的输出(例如，如下进一步描述)，并且还可以是指示平均图像是否满足所述指标的得分数或布尔值中的至少一个。可以由所述模型生成的得分数的示例可以是数值，其中正值指示了平均图像是良好的，负值指示了平均图像是不良的，并且零指示模型无法确定平均图像是良好的或是不良的。
在2360处，上述标记可以进一步能够实现另一实施例，所述另一实施例可以包括生成满足所述指标的第二平均图像，由此是“良好的”图像。这里，所述生成可以包括对被标记为满足所述指标的印制图案的第二组原始图像进行平均。因为第二组原始图像先前被标记为“良好的”，所以这些原始图像的平均值也将是良好的。
在一些实施例中，所述图像品质分级模型可以包括机器学习算法，或者是机器学习算法的一部分。这样，可以基于机器学习算法的输出来确定平均图像是良好的或是不良的。可以被实施的机器学习算法的示例可以包括但不限于监督式学习算法，诸如神经网络算法、最近邻算法、朴素贝叶斯算法、决策树算法、线性回归算法、和支持向量机算法。在一些实施例中，可以利用对不满足所述指标的平均图像的至少一个示例进行识别的数据集来训练所述模型。
在其它实施例中，机器学习算法可以单独或组合地包括无监督学习算法，诸如k-均值聚类和关联规则算法。
在一些实施例中，所述方法可以包括例如在2370处，通过从平均图像中至少减去第一原始图像中的一个来生成与原始图像中的一个相对应的残差图像。这样，可以进一步基于平均图像和残差图像来进行所述确定。
在其他实施例中，在2380处，本文中所披露的一些方法可以包括在图像捕获装置的操作期间提供主动反馈，以改善图像捕获装置备的焦点和由图像捕获装置所获取的原始图像的对比度中的至少一个。例如，当所述模型分析原始图像并且确定许多或所有原始图像导致了不良的平均图像时，则此信息可用于修改例如SEM的操作，从而使得所获取的原始图像可在某些方面得到改进(例如，自动地改进所述图像捕获装置的操作)。以这种方式，所披露的主题提供了可用于迭代地细化原始图像的获取以提供最佳可能的原始图像集以供利用所述模型进行分析的方法。
图24是示出根据实施例的迭代地改进平均图像的示例性图像品质分级模型的过程流程图。
在一些实施例中，代替或除了评估平均图像和标记原始图像之外，一些方法可以基于可用的原始图像提供最佳可能的平均图像。图24中示出了这样的一个示例性实施方式，其中，在2410处，可以获取原始图像并且将其输入到计算过程中(例如，类似于本文其他地方所描述的原始图像的获取)。
在2420处，可以执行检查以确定是否已经达到最大迭代次数。可以基于用户生成的输入来指定所述最大迭代次数，也由计算机程序自动地确定所述最大迭代次数。
当尚未达到所述最大迭代次数时，模型2430随后可以(在2432处)生成包括从印制图案所获取的原始图像的一个可能组合的配置。例如，配置可以包括在印制图案中获取到原始图像的部位的列表。在另一实施例中，配置可以包括可用于生成候选平均图像的可用原始图像的子集(例如，作为原始图像的特定组合)。
可以计算对比度(例如，对候选平均图像中的对比度进行量化的值或表达式)。这样，候选平均图像可以与模型相互比较，或者在其他实施例中，所述模型可以使用对比度作为影响模型输出的输入。
类似地，在其他实施例中，可以针对所述配置计算出对准品质。在这样的实施例中，所述对准品质可以表示组成所述候选图像的原始图像被对准的程度(诸如由本文中所描述的任何对准过程)。所述对准品质可以包括计算原始图像的对应点或方面(例如，对应的EP量规、CD，等等)之间的坐标差、标准偏差等。在其他实施例中，所述对准品质可以包括计算出原始图像之间的相关系数，例如指示出高度相关的原始图像集具有高对准品质。
在2434处，模型2430可以例如至少部分地基于对比度或对准品质中的一个或更多个来确定平均图像是良好的或是不良的。当平均图像不良的时，如果尚未达到所述最大迭代次数，则所述过程可以继续进行另一次迭代(确定新配置和候选平均图像)。
在2440处，当候选平均图像已被模型2430评估为“良好的”时，则所述过程可以确定所述候选平均图像是否优于当前平均图像(其被理解为当前最佳可能平均图像)。在一些实施例中，当模型的输出是得分数时，则所述得分数(例如，如上所描述的较高的正得分数)可用于确定所述候选平均图像是较好的。在其他实施例中，所述确定可以基于计算所述候选图像的信噪比(其可以来自整个候选图像，或者来自所述候选图像的特定部分)以及将其与当前平均图像进行比较。当所述候选平均图像不优于当前平均图像时，将不使用所述候选平均图像，并且可能发生另一次迭代。
在2450处，当候选平均图像比当前平均图像更好时，则可以由候选平均图像替换当前平均图像。
在2460处，一旦已经达到最大迭代次数，就可以执行检查以确定当前是否存在已建立的最佳平均图像。
在2470处，当不存在已建立的最佳平均图像时，则可以在计算机存储器中存储列表，该列表标识了当前配置中的原始图像并且将该配置与平均图像(其也可以被存储)相关联。例如，清单可以是一个数组、一组指针、一个数据库条目、一个数据文件，等等。
在2480处，当存在已建立的最佳平均图像，但是更新后的最佳平均图像(例如，如在2420至2450处所确定的)比最佳平均图像更好时，则更新后的最佳平均图像被保存到计算机存储器中，并且相对应的列表也可以被保存。
在2490处，与更新后的最佳平均图像相关联的原始图像可以如本文所描述的那样被标记。
可以使用以下方面进一步描述实施例：
1.一种用于改善用于图案化过程的过程模型的方法，所述方法包括：
获得a)来自图像捕获装置的测量轮廓，和b)从所述过程模型的模拟所产生的模拟轮廓；
通过确定所述测量轮廓与所述模拟轮廓之间的偏移使所述测量轮廓与所述模拟轮廓对准；以及
校准所述过程模型以减小所述模拟轮廓与所述测量轮廓之间的基于所确定的偏移而计算出的差。
2.根据方面1所述的方法，其中基于大致限定所述测量轮廓的一部分的测量坐标进一步确定所述偏移。
3.根据方面2所述的方法，其中基于所述测量坐标与所述模拟轮廓之间的距离进一步确定所述偏移，所述距离是沿垂直于所述测量轮廓的方向在所述测量坐标处的距离。
4.根据方面3所述的方法，所述对准还包括减小基于所述距离而计算出的成本函数。
5.根据任一前述方面所述的方法，还包括在所述测量轮廓上产生边缘放置(EP)坐标，并且其中基于所述EP坐标进一步确定所述偏移。
6.根据方面5所述的方法，其中通过在两个或更多个测量坐标之间插值来产生所述EP坐标。
7.根据方面6所述的方法，其中通过从两个或更多个测量坐标外推来产生所述EP坐标。
8.根据任一前述方面所述的方法，所述校准还包括修改所述过程模型的特征以减小所述差，所述修改引起所述模拟轮廓的形状的改变。
9.根据任一前述方面所述的方法，其中基于测量图像中的像素的强度的改变来识别所述测量轮廓。
10.根据方面9所述的方法，其中基于所述改变超过灰阶阈值进行所述识别。
11.根据任一前述方面所述的方法，还包括：
从图形数据库系统(GDS)多边形获得所述模拟轮廓；和
将包括所述测量轮廓的边缘放置坐标或测量坐标转换成GDS坐标。
12.根据方面11所述的方法，其中所述GDS多边形能够呈选自GDS流格式(GDSII)和开放式原图系统交换标准(OASIS)中的一种或更多种格式。
13.一种用于改善用于图案化过程的光学邻近效应校正(OPC)模型的方法，所述方法包括：
获得a)来自图像捕获装置的测量轮廓，和b)从所述OPC模型的模拟所产生的模拟轮廓；
通过确定所述测量轮廓与所述模拟轮廓之间的偏移来使所述测量轮廓与所述模拟轮廓对准；以及
修改所述OPC模型的特征以减小所述模拟轮廓与所述测量轮廓之间的基于所确定的偏移而计算出的差。
14.根据方面13所述的方法，其中所述特征包括扩散速率、扩散范围、去保护比率、和酸/碱浓度中的一个或更多个。
15.根据方面13至14中任一项所述的方法，还包括：
基于所述OPC模型的所述模拟获得所述模拟轮廓，其中所述OPC模型是包括光学模型且不包括抗蚀剂模型的初步模型。
16.根据方面13至15中任一项所述的方法，还包括：
利用包括光学模型和抗蚀剂模型的初步模型获得初始模拟轮廓；
修改所述抗蚀剂模型的特征以减小所述初始模拟轮廓与所述测量轮廓之间的差。
17.一种用于改善用于图案化过程的过程模型的方法，所述方法包括：
获得a)来自图像捕获装置的多个测量图像，和b)从所述过程模型的模拟所产生的模拟轮廓；
使所述多个测量图像对准；
从已对准的所述多个测量图像产生组合的测量图像；
由图像分析方法从所述组合的测量图像提取测量轮廓；
通过确定所述测量轮廓与所述模拟轮廓之间的偏移，使所述测量轮廓与所述模拟轮廓对准；以及
校准所述过程模型，以减小所述模拟轮廓与所述测量轮廓之间的基于所确定的偏移而计算出的差。
18.根据方面17所述的方法，其中通过对已对准的所述多个测量图像进行平均化来产生所述组合图像。
19.根据方面17至18中任一项所述的方法，其中从来自由目标图案制成的至少两个不同管芯的印制图案获得所述多个测量图像。
20.根据方面17至19中任一项所述的方法，其中通过扫描不同管芯获取产生所述组合图像的所述多个测量图像中的每个测量图像。
21.根据方面17至20中任一项所述的方法，其中所述图像捕获装置是扫描电子显微镜。
22.根据方面21所述的方法，其中通过使电子束以多个角度遍及印制图案进行扫描来执行获得所述多个测量图像。
23.根据方面22所述的方法，其中所述多个角度包括大约+45度和-45度。
24.根据方面22或23所述的方法，其中以大约+45度扫描所述多个测量图像的一半，并且以大约-45度扫描所述多个测量图像的另一半。
25.根据方面21至24中任一项所述的方法，其中利用以低于获得足以分辨临界尺寸的扫描所需剂量的剂量进行操作的所述扫描电子显微镜执行所述获得。
26.根据方面17至25中任一项所述的方法，其中所述图像捕获装置是电子束检查系统。
27.根据方面26所述的方法，其中所述电子束检查系统具有大视场，并且至少部分地从所述大视场内获得所述多个测量图像。
28.根据方面27所述的方法，其中所述大视场在一侧上为大约1至50微米。
29.根据方面27或28所述的方法，其中所述大视场在一侧上为大约6至12微米。
30.根据方面26至29中任一项所述的方法，还包括利用所述电子束检查系统来检测印制图案中的热斑或弱点。
31.根据方面17至30中任一项所述的方法，所述方法还包括：
确定从所述图像捕获装置所捕获的所述多个测量图像中的共同区域；和
基于所述共同区域来产生所述组合的测量图像。
32.一种用于评估印制图案的图像的方法，所述方法由至少一个可编程处理器实施，并且包括：
获得所述印制图案的第一平均图像，所述第一平均图像是通过对所述印制图案的多个第一原始图像进行平均化而生成的；
识别第一平均图像的一个或更多个特征；以及
通过所述至少一个可编程处理器执行图像品质分级模型并且至少基于所述一个或更多个特征，评估所述第一平均图像，所述评估包括：
由所述图像品质分级模型来确定所述第一平均图像是否满足指标。
33.根据方面32所述的方法，其中通过至少对准所述多个原始图像并且从对准的多个原始图像生成所述第一平均图像来生成所述第一平均图像。
34.根据方面32所述的方法，还包括：
针对所述多个原始图像中的至少一个原始图像生成标记，所述标记指示所述第一平均图像是否满足所述指标；以及
在计算机存储器中将所述标记与所述多个原始图像中的至少一个原始图像相关联。
35.根据方面34所述的方法，还包括：
生成第二平均图像，所述生成包括：
对被标记为满足所述指标的印制图案的多个第二原始图像进行平均，其中第二平均图像满足所述指标。
36.根据方面32所述的方法，还包括利用对不满足所述指标的第一平均图像的至少一个示例进行识别的数据集来训练所述图像品质分级模型。
37.根据方面32所述的方法，还包括：
通过从所述第一平均图像中至少减去所述多个第一原始图像中的一个第一原始图像来生成与所述多个第一原始图像中的一个第一原始图像相对应的残差图像，以及
其中，所述确定还基于所述第一平均图像和所述残差图像。
38.根据方面32所述的方法，其中由所述图像品质分级模型评估的第一平均图像的一个或更多个特征包括边缘、辅助特征、和亚分辨率辅助特征中的至少一个。
39.根据方面32所述的方法，其中所述指标基于信噪比、对比度、和对准品质中的至少一个或更多个，并且所述指标对应于被平均以生成平均图像的多个第一原始图像。
40.根据方面34所述的方法，所述图像品质分级模型还包括机器学习算法，其中所述确定基于所述机器学习算法的输出。
41.根据方面34所述的方法，其中所述标记基于所述机器学习算法的输出，并且是指示所述第一平均图像是否满足所述指标的得分数或布尔值中的至少一个。
42.根据方面34所述的方法，其中所述机器学习算法包括神经网络算法、最近邻算法、朴素贝叶斯算法、决策树算法、线性回归算法、和支持向量机算法中的至少一种。
43.根据方面34所述的方法，其中所述机器学习算法包括k-均值聚类和关联规则算法中的至少一种。
44.根据方面32所述的方法，其中所述多个第一原始图像或所述多个第二原始图像是利用图像捕获装置获取的，所述图像捕获装置包括扫描电子显微镜、原子力显微镜、和电子束检查系统中的至少一个。
45.根据方面44所述的方法，还包括：
在图像捕获装置的操作期间提供主动反馈，以改善所述图像捕获装置的聚焦和由所述图像捕获装置获取的原始图像的对比度中的至少一个。
46.一种包括非暂时性计算机可读介质的计算机程序产品，所述非暂时性计算机可读介质上记录有指定，所述指令在由计算机执行时实施前述方面中任一项所述的方法。

Claims (15)

1.一种用于评估印制图案的图像的方法，所述方法由至少一个可编程处理器实施，并且所述方法包括：
获得所述印制图案的第一平均图像，所述第一平均图像是通过对所述印制图案的多个第一原始图像进行平均化而生成的；
识别所述第一平均图像的一个或更多个特征；以及
通过所述至少一个可编程处理器执行图像品质分级模型并且至少基于所述一个或更多个特征，评估所述第一平均图像，所述评估包括：
由所述图像品质分级模型来确定所述第一平均图像是否满足指标。
2.根据权利要求1所述的方法，其中通过至少对准所述多个原始图像并且从对准的多个原始图像生成所述第一平均图像来生成所述第一平均图像。
3.根据权利要求1所述的方法，所述方法还包括：
针对所述多个原始图像中的至少一个原始图像生成标记，所述标记指示所述第一平均图像是否满足所述指标；以及
在计算机存储器中将所述标记与所述多个原始图像中的至少一个原始图像相关联。
4.根据权利要求3所述的方法，所述方法还包括：
生成第二平均图像，所述生成包括：
对所述印制图案的被标记为满足所述指标的多个第二原始图像进行平均化，其中所述第二平均图像满足所述指标。
5.根据权利要求1所述的方法，所述方法还包括：利用对不满足所述指标的所述第一平均图像的至少一个示例进行识别的数据集，训练所述图像品质分级模型。
6.根据权利要求1所述的方法，所述方法还包括：
通过从所述第一平均图像中至少减去所述多个第一原始图像中的一个第一原始图像，生成与所述多个第一原始图像中的一个第一原始图像相对应的残差图像，以及
其中，所述确定还基于所述第一平均图像和所述残差图像。
7.根据权利要求1所述的方法，其中由所述图像品质分级模型评估的所述第一平均图像的所述一个或更多个特征包括边缘、辅助特征、和亚分辨率辅助特征中的至少一个。
8.根据权利要求1所述的方法，其中所述指标基于信噪比、对比度、和对准品质中的至少一个或更多个，并且所述指标对应于被平均化以生成所述第一平均图像的所述多个第一原始图像。
9.根据权利要求3所述的方法，所述图像品质分级模型还包括机器学习算法，其中所述确定基于所述机器学习算法的输出。
10.根据权利要求3所述的方法，其中所述标记基于所述机器学习算法的输出，并且是指示所述第一平均图像是否满足所述指标的得分数或布尔值中的至少一个。
11.根据权利要求3所述的方法，其中所述机器学习算法包括神经网络算法、最近邻算法、朴素贝叶斯算法、决策树算法、线性回归算法、和支持向量机算法中的至少一种。
12.根据权利要求3所述的方法，其中所述机器学习算法包括k-均值聚类和关联规则算法中的至少一种。
13.根据权利要求1所述的方法，其中所述多个第一原始图像或所述多个第二原始图像是利用图像捕获装置获取的，所述图像捕获装置包括扫描电子显微镜、原子力显微镜、和电子束检查系统中的至少一个。
14.根据权利要求13所述的方法，所述方法还包括：
在所述图像捕获装置的操作期间提供主动反馈，以改善所述图像捕获装置的聚焦和由所述图像捕获装置获取的原始图像的对比度中的至少一个。
15.一种包括非暂时性计算机可读介质的计算机程序产品，所述非暂时性计算机可读介质上记录有指令，所述指令在由计算机执行时实施根据权利要求1所述的方法。
CN201980053456.5A 2018-08-15 2019-07-26 利用机器学习从原始图像自动选择高品质平均扫描电镜图像 Pending CN112602020A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201862764664P 2018-08-15 2018-08-15
US62/764,664 2018-08-15
PCT/EP2019/070142 WO2020035285A1 (en) 2018-08-15 2019-07-26 Utilize machine learning in selecting high quality averaged sem images from raw images automatically

Publications (1)

Publication Number Publication Date
CN112602020A true CN112602020A (zh) 2021-04-02

Family

ID=67544190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980053456.5A Pending CN112602020A (zh) 2018-08-15 2019-07-26 利用机器学习从原始图像自动选择高品质平均扫描电镜图像

Country Status (5)

Country Link
US (1) US20220351359A1 (zh)
KR (2) KR20210033496A (zh)
CN (1) CN112602020A (zh)
TW (2) TWI705312B (zh)
WO (1) WO2020035285A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI822269B (zh) * 2021-09-30 2023-11-11 日商歐姆龍股份有限公司 圖像檢查方法、不良部位的圖像的管理方法以及圖像檢查裝置
TWI833241B (zh) * 2021-06-18 2024-02-21 荷蘭商Ａｓｍｌ荷蘭公司 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113728411A (zh) * 2019-04-18 2021-11-30 株式会社日立高新技术 带电粒子束装置
JP7482662B2 (ja) * 2020-03-25 2024-05-14 東京エレクトロン株式会社 異常検出装置及び異常検出方法
US20230298158A1 (en) * 2020-08-19 2023-09-21 Asml Netherlands B.V. Apparatus and method for selecting high quality images from raw images automatically
US20220130031A1 (en) * 2020-10-26 2022-04-28 University Of Florida Research Foundation, Incorporated Knowledge-based object localization in images for hardware assurance
TWI755213B (zh) * 2020-12-22 2022-02-11 鴻海精密工業股份有限公司 瑕疵檢測方法、裝置、電腦裝置及儲存介質
US20220414855A1 (en) * 2021-06-25 2022-12-29 Fei Company Area selection in charged particle microscope imaging
EP4113210A1 (en) * 2021-07-01 2023-01-04 ASML Netherlands B.V. A method of monitoring a measurement recipe and associated metrology methods and apparatuses
US11922619B2 (en) 2022-03-31 2024-03-05 Kla Corporation Context-based defect inspection
US20230314336A1 (en) 2022-03-31 2023-10-05 Kla Corporation Multi-mode optical inspection
US20230351553A1 (en) * 2022-03-31 2023-11-02 Kla Corporation Shot noise reduction using frame averaging

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050117796A1 (en) * 2003-11-28 2005-06-02 Shigeru Matsui Pattern defect inspection method and apparatus
US20130177232A1 (en) * 2012-01-06 2013-07-11 Keyence Corporation Visual Inspection Device, Visual Inspection Method, And Computer Program
WO2017060192A1 (en) * 2015-10-08 2017-04-13 Asml Netherlands B.V. Method and apparatus for pattern correction and verification

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
EP0824722B1 (en) 1996-03-06 2001-07-25 Asm Lithography B.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
CN101258498B (zh) 2005-08-08 2011-04-13 Asml荷兰有限公司 用于形成光刻工艺的焦点曝光模型的系统和方法
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
US7617477B2 (en) 2005-09-09 2009-11-10 Brion Technologies, Inc. Method for selecting and optimizing exposure tool using an individual mask error model
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
WO2019233711A1 (en) * 2018-06-04 2019-12-12 Asml Netherlands B.V. Method for improving a process model for a patterning process
EP3594750A1 (en) * 2018-07-10 2020-01-15 ASML Netherlands B.V. Hidden defect detection and epe estimation based on the extracted 3d information from e-beam images
US11567413B2 (en) * 2019-02-25 2023-01-31 Asml Netherlands B.V. Method for determining stochastic variation of printed patterns
KR20220073828A (ko) * 2019-11-01 2022-06-03 에이에스엠엘 네델란즈 비.브이. 모델 베이스 정렬들을 위한 기계 학습 기반 이미지 생성

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050117796A1 (en) * 2003-11-28 2005-06-02 Shigeru Matsui Pattern defect inspection method and apparatus
US20130177232A1 (en) * 2012-01-06 2013-07-11 Keyence Corporation Visual Inspection Device, Visual Inspection Method, And Computer Program
WO2017060192A1 (en) * 2015-10-08 2017-04-13 Asml Netherlands B.V. Method and apparatus for pattern correction and verification

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI833241B (zh) * 2021-06-18 2024-02-21 荷蘭商Ａｓｍｌ荷蘭公司 使用機器學習模型產生輔助特徵之非暫時性電腦可讀媒體
TWI822269B (zh) * 2021-09-30 2023-11-11 日商歐姆龍股份有限公司 圖像檢查方法、不良部位的圖像的管理方法以及圖像檢查裝置

Also Published As

Publication number Publication date
TW202018431A (zh) 2020-05-16
KR20240005965A (ko) 2024-01-12
TWI782317B (zh) 2022-11-01
US20220351359A1 (en) 2022-11-03
TWI705312B (zh) 2020-09-21
KR20210033496A (ko) 2021-03-26
WO2020035285A1 (en) 2020-02-20
TW202117459A (zh) 2021-05-01

Similar Documents

Publication Publication Date Title
TWI782317B (zh) 用於改良圖案化程序之程序模型的方法以及改良圖案化程序之光學近接校正模型的方法
CN112236723B (zh) 利用模型基础对准来改善边缘放置量测准确度
TWI823028B (zh) 用於基於機器學習的影像產生以用於模型為基礎對準之電腦可讀媒體
US20210174491A1 (en) Hidden defect detection and epe estimation based on the extracted 3d information from e-beam images
TWI718771B (zh) 用於減小與晶圓上之結構相關聯的誤差之可變性的方法、電腦程式產品、及系統
US20230107556A1 (en) Machine learning based subresolution assist feature placement
US20230298158A1 (en) Apparatus and method for selecting high quality images from raw images automatically
TW202006317A (zh) 利用圖案識別以自動地改善掃描電子顯微鏡(sem)的輪廓量測精準度及穩定性
TW202101126A (zh) 改良用於模型校準之量規選擇
TWI839854B (zh) 改良用於模型校準之量規選擇
TW202409748A (zh) 用於基於機器學習的影像產生以用於模型為基礎對準之電腦可讀媒體
CN117501184A (zh) 检查数据滤除系统和方法

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