CN112789558B - 提供经过训练的神经网络以及确定实体系统的特性 - Google Patents
提供经过训练的神经网络以及确定实体系统的特性 Download PDFInfo
- Publication number
- CN112789558B CN112789558B CN201980063253.4A CN201980063253A CN112789558B CN 112789558 B CN112789558 B CN 112789558B CN 201980063253 A CN201980063253 A CN 201980063253A CN 112789558 B CN112789558 B CN 112789558B
- Authority
- CN
- China
- Prior art keywords
- radiation
- neural network
- model
- physical system
- scattering
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 115
- 230000005855 radiation Effects 0.000 claims abstract description 162
- 238000000034 method Methods 0.000 claims abstract description 109
- 239000000463 material Substances 0.000 claims abstract description 52
- 230000003287 optical effect Effects 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000000758 substrate Substances 0.000 claims description 70
- 238000007689 inspection Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 16
- 238000005286 illumination Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 239000010409 thin film Substances 0.000 abstract description 15
- 230000008569 process Effects 0.000 description 40
- 238000005259 measurement Methods 0.000 description 26
- 238000000059 patterning Methods 0.000 description 19
- 238000001228 spectrum Methods 0.000 description 16
- 238000001459 lithography Methods 0.000 description 12
- 210000001747 pupil Anatomy 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 9
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 8
- 230000007547 defect Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 229910052710 silicon Inorganic materials 0.000 description 8
- 239000010703 silicon Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 239000007787 solid Substances 0.000 description 6
- 238000007667 floating Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000007654 immersion Methods 0.000 description 4
- 238000012804 iterative process Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002050 diffraction method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000671 immersion lithography Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
一种确定具有材料结构的实体系统的特性的方法,所述特性例如为光学响应,所述材料结构诸如为薄膜多叠置层或其它光学系统,所述方法具有以下步骤:提供(1430)神经网络(1440),其中基于由所述材料结构沿辐射的路径对所述辐射进行散射的模型(1420)来配置所述神经网络的网络架构;训练(1450)和使用(1460)所述神经网络以确定所述实体系统的所述特性。可以基于所述模型通过对参数进行配置来配置所述网络架构,所述参数包括每个隐藏层的单元的数目、隐藏层的数目、层互连和丢弃。
Description
相关申请的交叉引用
本申请要求2018年9月28日递交的欧洲申请18197556.6的优先权,所述欧洲申请的全部内容通过引用并入本文中。
技术领域
本发明涉及提供经过训练的神经网络的方法、确定实体系统的特性的方法、数据处理设备、检查设备、量测设备、光刻单元和计算机程序产品。
背景技术
光刻设备是构造成将期望的图案施加至衬底上的机器。光刻设备可以用于例如集成电路(IC)的制造中。光刻设备可以例如将图案形成装置(例如,掩模)处的图案(也经常被称作“设计布局”或“设计”)投影至被设置在衬底(例如,晶片)上的辐射敏感材料(抗蚀剂)层上。
为了将图案投影于衬底上,光刻设备可以使用电磁辐射。这种辐射的波长确定可以形成在衬底上的特征的最小尺寸。当前在使用中的典型波长是365nm(i线)、248nm、193nm和13.5nm。相比于使用例如具有193nm的波长的辐射的光刻设备,使用具有在4nm至20nm的范围内的波长(例如6.7nm或13.5nm)的极紫外(EUV)辐射的光刻设备可以用于在衬底上形成较小的特征。
低k1光刻可以用于处理具有小于光刻设备的经典分辨率极限的尺寸的特征。在这样的过程中,可以将分辨率公式表达为CD=k1×λ/NA,其中λ是所使用的辐射的波长、NA是光刻设备中的投影光学器件的数值孔径、CD是“临界尺寸”(通常是所印制的最小特征的大小,但在这种情况下是半节距)且k1是经验分辨率因子。通常,k1越小,则在衬底上再现类似于由电路设计者规划的形状和尺寸的图案以便实现特定电功能性和性能变得越困难。为了克服这些困难,可以将复杂的微调步骤应用至光刻投影设备和/或设计布局。这些步骤包括例如但不限于:NA的优化、自定义照射方案、相移图案形成装置的使用、设计布局的各种优化,诸如设计布局中的光学邻近效应校正(OPC,有时也被称作“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。替代地,用于控制光刻设备的稳定性的严格控制回路可以用于改善图案的在低k1下的再现。
人工神经网络和深度学习模型近来归因于其优于在缺陷识别、机器翻译、语音识别、音频信号处理等多样化领域中的具体模型的能力而受到许多关注。它们学习有用信息以用于非常多样化的问题的集合的能力已在其在半导体行业中的使用方面产生了兴趣。鉴于人工神经网络和深度学习的(近来)兴起,已经对应用数据驱动方法感兴趣,所述数据驱动方法用于执行针对不同的半导体制造应用的从输入至输出的映射,用于例如半导体制造过程中所制造的临界尺寸(CD)轮廓的薄膜多叠置层参数(作为输入)至散射仪的物镜的光瞳(作为输出)。
常规地,不论何时执行这种映射,都必须经由耗时的过程来调谐神经网络架构(例如,网络中的层的数目、每个层中的隐藏单元的数目)。检测超参数的不同组合(例如,层的数目、每层的隐藏单元的数目等)(例如5个层和每层4个隐藏单元),以评估哪个组合给出最佳总体性能(例如,关于测试数据的最低训练数据误差、最低均方误差)。寻找针对特定应用的最佳架构的这种过程涉及许多尝试错误法,伴随计算时间以及人类专家时间两者的损失。
机器学习模型的关注点是泛化,即,对模型在训练期间还未看到的数据的正确预测。提出最佳架构,使得网络良好地泛化至新数据也是机器学习相关研究中的基本开放问题。
发明内容
期望提供用于训练神经网络且使用所述神经网络以确定实体系统(诸如薄膜多叠置层)的特性的有效且高效的解决方案,该解决方案解决以上所论述的问题或限制中的一个或更多个。
本发明的实施例公开于权利要求中和实施方式中。
在本发明的第一方面中,提供一种提供经过训练的神经网络的方法,所述方法包括以下步骤:
-提供神经网络,其中基于由实体系统的材料结构沿辐射的路径对所述辐射进行散射的模型来配置所述神经网络的网络架构;以及
-训练所述神经网络。
在本发明的第二方面中,提供一种确定具有材料结构的实体系统的特性的方法,所述方法包括以下步骤:
-接收经过训练的神经网络,其中基于由所述材料结构沿辐射的路径对所述辐射进行散射的模型来配置所述经过训练的神经网络的网络架构;以及
-使用所述经过训练的神经网络以确定所述实体系统的所述特性。
在本发明的第三方面中,提供一种数据处理设备,所述数据处理设备包括神经网络,其中基于由实体系统的材料结构沿辐射的路径对所述辐射进行散射的模型来配置所述神经网络的网络架构。
在本发明的第四方面中,提供一种用于重构具有材料结构的实体系统的近似结构的检查设备,所述检查设备包括:
-照射系统,所述照射系统被配置成利用辐射来照射所述实体系统;
-检测系统,所述检测系统被配置成检测所述实体系统的由所述照射引起的检测特性;和
-处理器,所述处理器被配置成:
使用根据所述第二方面所述的方法来确定所述实体系统的至少一个模型特性;以及
-根据所述实体系统的所述检测特性与所述至少一个模型特性之间的差值来确定所述实体系统的近似结构。
在本发明的第五方面中,提供一种量测设备,所述量测设备包括根据第四方面所述的所述检查设备。
在本发明的第六方面中,提供一种光刻单元,所述光刻单元包括根据所述第四方面所述的检查设备。
在本发明的第七方面中,提供一种计算机程序产品,所述计算机程序产品包括用于使通用数据处理设备执行根据所述第一方面或第二方面所述的方法的步骤的机器可读指令。
附图说明
现在将仅作为示例参考随附示意性附图来描述本发明的实施例,在所述附图中:
-图1描绘光刻设备的示意性概述;
-图2描绘光刻单元的示意性概述;
-图3描绘整体光刻的示意性表示,图3表示用于优化半导体制造的三种关键技术之间的协作;
-图4a图示根据本发明的实施例的散射仪检查设备;
-图4b图示根据本发明的实施例的另一散射仪检查设备;
-图5描绘使用本发明的实施例以用于根据散射仪测量结果来重构近似结构的第一示例过程;
-图6描绘使用本发明的实施例以用于根据散射仪测量结果来重构近似结构的第二示例过程;
-图7描绘正用于产生从x至y的映射的神经网络的示意性表示;
-图8描绘在由材料结构沿辐射的路径对辐射进行散射的情况下的薄膜多叠置层的示意性表示;
-图9描绘神经网络的示意性表示,其中根据本发明的实施例来配置所述神经网络的网络架构;
-图10描绘在由材料结构沿通过不同的图案区域的辐射的路径对辐射进行散射的情况下的图案化薄膜多叠置层的示意性表示;
-图11描绘神经网络的示意性表示,其中根据本发明的实施例基于由图10中描绘的实体系统的材料结构对辐射进行散射的模型来配置所述神经网络的网络架构;
图12描绘神经网络的示意性表示,其中所述神经网络的网络架构根据本发明的实施例与第二神经网络并联地配置;
图13描绘神经网络的示意性表示,其中根据本发明的实施例通过配置丢弃来配置所述神经网络的网络架构;以及
图14描绘根据本发明的实施例的方法的流程图。
具体实施方式
在本文献中,术语“辐射”和“束”用于涵盖所有类型的电磁辐射,包括紫外辐射(例如具有为365nm、248nm、193nm、157nm或126nm的波长)和EUV(极紫外辐射,例如具有在约5nm至100nm的范围内的波长)。
如本文中所使用的术语“掩模版”、“掩模”或“图案形成装置”可以被广义地解释为是指可以用于向入射辐射束赋予图案化横截面的通用图案形成装置,图案化横截面对应于将要在衬底的目标部分中产生的图案。在这样的内容背景下,也可以使用术语“光阀”。除经典掩模(透射或反射;二元、相移、混合式等)以外,其它这样的图案形成装置的示例也包括可编程反射镜阵列和可编程LCD阵列。
图1示意性地描绘光刻设备LA。所述光刻设备LA包括:照射系统(也被称作照射器)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);掩模支撑件(例如,掩模台)MT,所述掩模支撑件被构造成支撑图案形成装置(例如,掩模)MA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MA的第一定位器PM;衬底支撑件(例如,晶片台)WT,所述衬底支撑件被构造成保持衬底(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衬底支撑件的第二定位器PW;以及投影系统(例如,折射型投影透镜系统)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例如经由束传递系统BD从辐射源SO接收辐射束。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可以用于调节辐射束B,以在图案形成装置MA的平面处在其横截面中具有期望的空间和角强度分布。
本文中所使用的术语“投影系统”PS应被广义地解释为涵盖适于所使用的曝光辐射和/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是同义的。
光刻设备LA可以属于如下类型:其中衬底的至少一部分可以由具有相对较高折射率的液体(例如,水)覆盖,以便填充投影系统PS与衬底W之间的空间-这也被称作浸没光刻术。在以引用方式并入本文中的US6952253中给出关于浸没技术的更多信息。
光刻设备LA也可以属于具有两个或更多个衬底支撑件WT(也称为“双台”)的类型。在这样的“多台”机器中,可以并行地使用衬底支撑件WT,和/或可以在对位于衬底支撑件WT中的一个衬底支撑件上的衬底W进行准备衬底W的后续曝光的步骤的同时,将另一衬底支撑件WT上的另一衬底W用于在另一衬底W上曝光图案。
除了衬底支撑件WT以外,光刻设备LA也可以包括测量台。测量台被布置以保持传感器和/或清洁装置。传感器可以被布置以测量投影系统PS的性质或辐射束B的性质。测量台可以保持多个传感器。清洁装置可以被布置以清洁光刻设备的部分,例如投影系统PS的部分或系统的提供浸没液体的部分。测量台可以在衬底支撑件WT远离投影系统PS时在投影系统PS下方移动。
在操作中,辐射束B入射到被保持在掩模支撑件MT上的图案形成装置(例如,掩模)MA上,并且由存在于图案形成装置MA上的图案(设计布局)而图案化。在已横穿掩模MA的情况下,辐射束B穿过投影系统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和位置测量系统IF,可以准确地移动衬底支撑件WT,例如以便使不同的目标部分C在辐射束B的路径中定位在被聚焦且对准的位置处。类似地,第一定位器PM和可能地另一位置传感器(另一位置传感器在图1中未明确地描绘)可以用于相对于辐射束B的路径来准确地定位图案形成装置MA。可以使用掩模对准标记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。虽然如所图示的衬底对准标记P1、P2占据专用的目标部分,但所述标记可以位于目标部分之间的空间中。当衬底对准标记P1、P2位于目标部分C之间时,这些衬底对准标记P1、P2被称为划线对准标记。
如图2所示,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常常也包括用于对衬底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抗蚀剂层的旋涂器SC、用于显影曝光后的抗蚀剂的显影器DE、例如用于调节衬底W的温度(例如,用于调节抗蚀剂层中的溶剂)的激冷板CH和焙烤板BK。衬底运送装置或机器人RO从输入/输出端口I/O1、I/O2拾取衬底W,在不同的过程设备之间移动衬底W且将衬底W传递至光刻设备LA的进料台LB。光刻单元中常常也被统称为涂覆显影系统的装置通常处于涂覆显影系统控制单元TCU的控制下,涂覆显影系统控制单元TCU自身可能受到管理控制系统SCS控制,管理控制系统SCS也可以例如经由光刻控制单元LACU来控制光刻设备LA。
为了正确且一致地曝光由光刻设备LA曝光的衬底W,期望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。出于这种目的,可以在光刻单元LC中包括检查工具(图中未示出)。尤其是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,如果检测到误差,则可以对后续衬底的曝光或对将要对衬底W执行的其它处理步骤进行例如调整。
也可以被称作量测设备的检查设备用于确定衬底W的性质,并且尤其确定不同衬底W的性质如何变化或与同一衬底W的不同层相关联的性质在层与层间如何变化。检查设备可替代地构造成识别衬底W上的缺陷,并且可以例如为光刻单元LC的部分,或可以集成至光刻设备LA中,或甚至可以是单独的装置。检查设备可以测量潜像(在曝光之后位于抗蚀剂层中的图像)上的性质,或半潜像(在曝光后焙烤步骤PEB之后位于抗蚀剂层中的图像)上的性质,或显影后的抗蚀剂图像(其中抗蚀剂的曝光部分或未曝光部分已被移除)上的性质,或甚至蚀刻后的图像(在诸如蚀刻的图案转印步骤之后)上的性质。
通常光刻设备LA中的图案化过程是在处理中的最关键的步骤之一,图案化过程需要衬底W上的结构的尺寸标定和放置的高准确度。为了确保这种高准确度,可以将三个系统组合于所谓的“整体”控制环境中,如图3示意性地描绘的。这些系统中的一个系统是光刻设备LA,所述光刻设备(实际上)连接至量测工具MT(第二系统)且连接至计算机系统CL(第三系统)。这种“整体”环境的关键在于优化这三个系统之间的协作以增强总体过程窗口且提供严格控制的回路,从而确保由光刻设备LA执行的图案化保持在过程窗口内。过程窗口限定过程参数(例如剂量、聚焦、重叠)的范围,在所述过程参数范围内,特定的制造过程得到所限定的结果(例如,功能半导体器件)通常在所述过程参数范围内,光刻过程或图案化过程中的过程参数被允许变化。
计算机系统CL可以使用待图案化的设计布局(的部分)以预测使用哪种分辨率增强技术且执行计算光刻模拟和计算以确定哪种掩模布局和光刻设备设定实现图案化过程的最大总体过程窗口(在图3中由第一标度SC1中的双箭头描绘)。通常,分辨率增强技术被布置以匹配于光刻设备LA的图案化可能性。计算机系统CL也可以用于检测光刻设备LA当前正在过程窗口内的何处操作(例如,使用来自量测工具MT的输入),以预测是否可能由于例如次优化处理而存在缺陷(在图3中由第二标度SC2中的指向“0”的箭头描绘)。
量测工具MT可以将输入提供至计算机系统CL以实现准确的模拟和预测,并且可以将反馈提供至光刻设备LA以识别例如光刻设备LA的校准状态中的可能漂移(在图3中由第三标度SC3中的多个箭头描绘)。
在光刻过程中,期望频繁地进行所产生的结构的测量(例如)以用于过程控制和验证。用于进行这样的测量的各种工具是已知的,包括扫描电子显微镜或各种形式的量测设备,诸如散射仪。已知散射仪的示例常常依赖于专用量测目标的提供,诸如,欠填充的目标(呈简单光栅或不同层中的叠置的光栅的形式的目标,该目标足够大,使得测量束产生小于光栅的斑)或过填充的目标(从而照射斑部分地或完全地包含所述目标)。另外,使用量测工具(例如,照射诸如光栅之类的欠填充的目标的角分辨散射仪)会允许使用所谓的重构方法,其中可以通过模拟散射辐射与目标结构的数学模型的相互作用且比较模拟结果与测量的结果来计算光栅的性质。调整模型的参数直到所模拟的相互作用产生与从真实目标观测到的衍射图案类似的衍射图案为止。
散射仪是多功能仪器,该多功能仪器允许通过在光瞳或与散射仪的物镜的光瞳共轭的平面中具有传感器来测量光刻过程的参数,测量通常被称作基于光瞳的测量,或通过在像平面或与像平面共轭的平面中具有传感器来测量光刻过程的参数,在这种情况下测量通常被称作基于图像或场的测量。在全文以引用方式并入本文中的专利申请US20100328655、US2011102753A1、US20120044470A、US20110249244、US20110026032或EP1,628,164A中进一步描述这样的散射仪和相关联的测量技术。前述散射仪可以在一个图像中使用来自软x射线和可见光至近IR波范围的光来测量来自多个光栅的多个目标。
图4a描绘作为量测设备的示例的可以在本发明的实施例中使用的散射仪。所述散射仪包括将辐射5投影至实体系统(在这个示例中是衬底W)上的宽带(白光)辐射投影仪2。反射或散射辐射10被传递至光谱仪检测器4,所述光谱仪检测器测量镜面反射辐射10的光谱6(即,作为波长λ的函数的强度I的测量)。根据这种数据,可以由处理单元PU使用提供经过训练的神经网络和确定实体系统的特性的方法(诸如参考图14所描述的),和非线性回归或通过与模拟光谱库进行比较来重构产生所检测的光谱的结构或轮廓8。通常,对于重构,结构的一般形式是已知的,并且根据用来制造结构的过程的知识来假定一些参数,从而仅留下结构的将要根据散射测量数据来确定的几个参数。这种散射仪可以被配置为正入射散射仪或斜入射散射仪。
图4b示出可以用于本发明的实施例中的另一散射仪。在这样的装置中,由辐射源2发射的辐射被聚焦,由辐射源2发射的辐射使用透镜系统12,穿过干涉滤光器13和偏振器17,由部分反射表面16反射且经由显微镜物镜15被聚焦至衬底W上,显微镜物镜15具有较高的数值孔径(NA),较高的数值孔径优选地是至少0.9且更优选地是至少0.95。浸没散射仪甚至可以包括具有大于1的数值孔径的透镜。被反射的辐射接着通过部分反射表面16而透射至检测器18中,以便使散射光谱被检测到。检测器可以位于背向投影式光瞳平面11中,背向投影式光瞳平面11处于透镜系统15的焦距处,然而,所述光瞳平面可替代地利用辅助光学器件(图中未示出)而再成像至所述检测器上。光瞳平面是这样一种平面,在所述平面中,辐射的径向位置定义入射角且角度位置定义辐射的方位角。检测器优选地是二维检测器,使得可以测量实体系统(在这个示例中实体系统是衬底目标30)的二维角散射光谱。检测器18可以是(例如)CCD或CMOS传感器阵列,并且可以使用(例如)每帧40毫秒的积分时间。
参考束常常用于(例如)测量入射辐射的强度。为了进行这种测量,当辐射束入射到分束器16上时,使辐射束的部分作为参考束朝向参考反射镜14而透射通过所述分束器。参考束接着被投影至同一检测器18的不同部分上。
一组干涉滤光器13可以用于选择在(比如)405nm至790nm或甚至更低(诸如,200nm至300nm)的范围内的感兴趣的波长。干涉滤光器可以是可调谐的,而不是包括一组不同的滤光器。可以使用光栅来代替干涉滤光器。
检测器18可以测量散射光在单个波长(或窄波长范围)处的强度、分别在多个波长处的强度、或在整个波长范围内积分的强度。此外,检测器可以分别测量横向磁偏振光和横向电偏振光的强度,和/或横向磁偏振光与横向电偏振光之间的相位差。
使用宽带光源(即,具有较宽范围的光频率或较宽范围的波长且因此具有较宽范围的颜色的光源)是可能的,宽带光源给出较大的光学扩展量或集光率(etendue),从而允许多个波长的混合。宽带中的多个波长中的每个波长优选地都具有Δλ的带宽和至少2Δλ(即,所述带宽的两倍)的间距。若干辐射“源”可以是已使用光纤束被分光的扩展型辐射源的不同部分。以这种方式,可以并行地在多个波长处测量角分辨散射光谱。可以测量3-D光谱(波长和两个不同的角度),3-D光谱相比于2-D光谱包含更多信息。这允许测量更多信息,这增加了量测过程的稳固性。这在EP1,628,164A中被更详细地描述。
衬底W上的目标30可以是光栅,所述光栅被印制成使得在显影之后,栅条由实体抗蚀剂线形成。所述栅条可替代地被蚀刻至衬底中。这种图案对光刻投影设备(特别是投影系统PL)中的色差是敏感的,并且照射对称性和这些像差的存在将使其自身表现为所印制的光栅的变化。因此,所印制的光栅的散射测量数据用于重构光栅。根据印制步骤和/或其它散射测量过程的知识,可以将光栅的参数(诸如,参考图8和图10所描述的薄膜多叠置层的线宽和形状和材料结构)输入至重构过程,由处理单元PU使用提供经过训练的神经网络和确定实体系统的特性的方法(诸如参考图14所描述的)来执行所述重构过程。
如上文所描述的,目标位于衬底的表面上。这种目标将常常采取光栅中的一系列线的形状或2-D阵列中的大体上矩形结构的形状。量测中的严密光学衍射理论的目的实际上是计算从目标反射的衍射光谱。换句话说,针对CD(临界尺寸)均一性和重叠量测来获得目标形状信息。重叠量测是测量两个目标的重叠以便确定衬底上的两个层是否对准的测量系统。CD均一性仅是光栅对于光谱的均一性的测量结果,该测量结果用于确定光刻设备的曝光系统如何运行。具体地,临界尺寸或CD是“书写”于衬底上的对象的宽度,并且是一种极限,在该极限下,光刻设备能够实体地在衬底上书写。
在结合诸如目标30之类的目标结构的建模及其衍射性质来使用上文所描述的散射仪中的一个散射仪的情况下,可以以多种方式执行结构的形状和其它参数的测量。在由图5表示的第一类型的过程中,计算基于目标形状(第一候选结构)的第一估计值的衍射图案,并且比较所述衍射图案与观测到的衍射图案。接着系统地变化模型的参数且以一系列迭代重新计算衍射,以产生新的候选结构且因此达到最佳拟合。在由图6表示的第二类型的过程中,预先计算用于许多不同候选结构的衍射光谱以产生衍射光谱的“库”。接着,比较从测量目标所观测的衍射图案与所计算的光谱的库以找到最佳拟合。两种方法可以一起使用:可以从库获得粗略拟合,接着进行迭代过程以寻找最佳拟合。
更详细地参考图5,将概括地描述进行目标形状和/或材料性质的测量的方式。出于这种描述目标将被假定为一维(1-D)结构。在实践中,目标可以是二维的,并且处理将被相应地调适。
502:使用散射仪(诸如,上文所描述的那些散射仪)来测量衬底上的实际目标的衍射图案。将这种所测量的衍射图案(MDP)前馈至诸如计算机之类的计算系统。计算系统可以是上文提及的处理单元PU,或计算系统可以是分离的设备。
503:建立“模型选配方案”(MR),所述模型选配方案依据一定数目的参数pi(p1、p2、p3等等)来定义目标结构的参数化模型。在1D周期性结构中,这些参数可以表示(例如)侧壁的角度、特征的高度或深度、特征的宽度。目标材料和基础层的性质也由诸如(在存在于散射测量辐射束中的特定波长处的)折射率之类的参数表示。将在下文给出具体示例。重要的是,虽然目标结构可以由描述其形状和材料性质的许多参数来定义,但出于以下过程步骤的目的,模型选配方案将这些参数中的许多参数定义为具有固定值,而其它参数将是可变的或“浮动的”参数。在下文进一步描述在固定参数与浮动参数之间进行选择的过程。此外,将引入可以允许参数变化而不是完全独立的浮动参数的方式。出于描述图5的目的,仅可变参数被认为是参数pi。
504:通过设定用于浮动参数的初始参数值(IPV)pi (0)(即,p1 (0)、p2 (0)、p3 (0)等等)来估计模型目标形状。将在某些预定范围内产生每个浮动参数,如选配方案中所定义的。
506:例如使用提供经过训练的神经网络和确定实体系统的特性的方法(诸如参考图14所描述的),使用表示所估计的形状的形状参数连同模型的不同元件的光学性质以确定散射性质。这给出所估计的目标形状的所估计的衍射图案或模型衍射图案(EDP)。常规地,这种EDP可以使用诸如RCWA之类的严密光学衍射方法或麦克斯韦方程式的另一求解器来计算。
508、510:接着比较所测量的衍射图案MDP与模型或所估计的衍射EDP图案,并且使用所测量的衍射图案与模型或所估计的衍射EDP图案的类似性和差值,以计算用于模型目标形状的“评价函数”(MF)。
512:在假定评价函数指示模型需要在其准确地表示实际目标形状之前被改善的情况下,估计新的修订后的参数值(RPV)p1 (1)、p2 (1)、p3(1)等等且将所述新的修订后的参数值迭代地反馈至步骤506中。重复步骤506至512。
为了辅助搜索,步骤506中的计算可以在参数空间中的这种特定区中进一步产生评价函数的偏导数,所述偏导数指示敏感度,增大或减小参数将会以该敏感度增加或降低评价函数。评价函数的计算和导数的使用在本领域中通常是已知的,并且这里将不详细地描述。
514:当评价函数指示这种迭代过程已经以期望的准确度收敛于解时,将当前所估计的参数报告为实际目标结构或所测量的形状参数(MSP)的测量结果。
可以以各种形式来表达在506处计算的所估计的衍射图案或模型衍射图案。如果以与步骤510中产生的所测量的图案相同的形式表达所计算的图案,则会简化比较。例如,可以容易地比较所建模的光谱与由图4a的设备测量的光谱;可以容易地比较所建模的光瞳图案与由图4b的设备测量的光瞳图案。
在从图5开始的整个这种描述中,在假定使用图4a的散射仪的情况下,将使用术语“衍射图案”。本领域技术人员可以易于使教导适于不同类型的散射仪,或甚至适于其它类型的测量仪器。
图6图示替代示例过程,在替代示例过程中预先计算用于不同的所估计的目标形状(候选结构)的多个模型衍射图案,并且将所述多个模型衍射图案储存在库中以供与实际测量值进行比较。基础原理和术语与用于图5的过程的基础原理和术语是相同的。图6的过程的步骤为:
602:开始产生(GEN)库的过程。可以针对每种类型的目标结构来产生单独的库。库可以由测量设备的用户根据需要来产生,或可以由所述设备的供货商预产生。
603:建立“模型选配方案”(MR),所述模型选配方案依据一定数目的参数pi(p1、p2、p3等等)来定义目标结构的参数化模型。考虑因素类似于迭代过程的步骤503中的考虑因素。
604:例如通过产生所有参数的随机值来产生初始参数值(IPV)p1 (0)、p2 (0)、p3 (0)等的第一集合,每个参数在其预期的值范围内。
606:计算所估计的衍射图案或模型衍射图案(EDP)且将所估计的衍射图案或模型衍射图案储存在库中,所估计的衍射图案或模型衍射图案表示根据由所述参数表示的目标结构所预期的衍射图案。
608:产生修订后的形状参数值(RPV)p1(1)、p2 (1)、p3 (1)等的新的集合。重复步骤606至608达数十次、数百次或甚至数千次,直到包括所有储存的所建模的衍射图案在内的库被判断为足够完整。每个所储存的图案表示多维参数空间中的样本点。库中的样本应该以足够的密度填入样本空间中,使得将足够紧密地表示任何实际衍射图案。
610:在产生库之后(但可以在产生库之前),将实际目标30放置于散射仪中且测量所述实际目标30的所测量的衍射图案(MDP)。
612:将所测量的图案(MDP)与储存在库中的所估计的或所建模的衍射图案(EDP)进行比较以找到最佳匹配图案。可以与库中的每个样本进行比较,或可以使用更系统性的搜索策略,以降低计算负担。
614:如果找到匹配,则可以将用于产生匹配库图案的所估计的目标形状确定为近似对象结构。将对应于匹配样本的形状参数输出为所测量的形状参数(MSP)。可以直接对模型衍射信号执行匹配过程,或可以对被优化以用于快速评估的替代模型执行匹配过程。
616:可选地,将最接近的匹配样本用作起点,并且使用改进过程(改进形状参数,RSP)以获得用于报告的最终参数。例如,这种改进过程可以包括非常类似于图5所示出的迭代过程的迭代过程。
是否需要改进步骤616依赖于实施者的选择。如果库被非常密集地取样,则因为将总是找到良好匹配,所以可以无需迭代的改进。另一方面,这种库可能太大而不能实际使用。因此,实际解决方案是针对粗略的参数集合来使用库搜索,接着使用评价函数进行一次或更多次迭代从而以期望的准确度确定较准确的参数集合来报告目标衬底的参数。在执行额外的迭代时,可以选择将所计算的衍射图案和相关联的改进后的参数集合作为新输入项添加于库中。以这种方式,可以使用最初基于相对少量的计算工作量但使用改进步骤616的计算工作量创建成较大库的库。无论使用哪种方案,都可以基于多个候选结构的匹配良好度也来获得所报告的可变参数中的一个或更多个可变参数的值的进一步改进。例如,在假定那些候选结构的两者或全部具有高匹配记分的情况下,可以通过在两个或更多个候选结构的参数值之间内插来产生最终报告的参数值。
这种迭代过程的计算时间在很大程度上由步骤506和606处的前向衍射模型来确定。常规地,已使用严密光学衍射理论根据所估计的目标形状来执行所估计的模型衍射图案的确定。在实施例中,使用提供经过训练的神经网络和确定实体系统的特性的方法来执行所估计的模型衍射图案的确定,诸如参考图14所描述的。
图7描绘正用于产生从x至y的映射的神经网络的示意性表示。这里,神经网络700是仅基于训练数据而学习的黑箱模型。神经网络架构是使用常规方法来确定的。
图8描绘在由材料结构沿辐射的路径对辐射进行散射的情况下的薄膜多叠置层的示意性表示。在这个示例中,实体系统是包括空气802、有效介质804和硅806的薄膜多叠置层。可以在半导体制造过程中制造薄膜多叠置层。空气或真空可以被视为薄膜多叠置层的部分。所述层可以是固体、液体或气体。也可以通过除薄层制造过程之外的其它过程来制造薄膜多叠置层。薄膜多叠置层不必存在于半导体晶片上。例如,所述薄膜多叠置层可以是存在于反射镜上的薄膜多叠置层。辐射x穿过空气802且入射到界面上,所述界面是材料结构中的不连续部分,是空气802与有效介质804之间的界面。一些辐射r1反射回空气802中,并且一些辐射t1透射至有效介质804中。被反射的辐射r1直接对总体光学响应y作出贡献。被透射的辐射t1沿着通过有效介质804至位于有效介质804与硅806之间的另一不连续部分/>的路径。在这样的不连续部分处,一些辐射t2透射通过至硅806中且一些辐射t2不对总体光学响应y作出贡献。然而,辐射r2从不连续部分穿过有效介质804被反射回至位于有效介质804与空气802之间的界面/>在所述不连续部分/>处,一些辐射r3被反射回至有效介质804中且一些辐射r3不通过另外的反射而对总体光学响应y作出显著的贡献。此外,在所述不连续部分/>处,辐射t3被透射至空气802且被增加至最初被反射的辐射r1以形成光学响应y。在这个示例中,实体系统包括光学系统且实体系统的特性是光学系统的光学响应。
假设在光x入射到叠层上的情况下对找出叠层的光学响应y感兴趣。也假设意图训练神经网络模型以执行输入(入射光x)至输出(光学响应y)的映射。在给出训练数据、x和y的已知值的情况下,可以将常规神经网络训练为黑箱模型,如图7所示。在所述情况下,神经网络的网络架构(例如,层的数目、每层的隐藏单元的数目、丢弃正则化(dropoutregularization)等)基于可用数据经由尝试错误法来确定,这具有如上文所论述的低效问题。
图9描绘神经网络的示意性表示,其中根据本发明的实施例来配置所述神经网络的网络架构。所述神经网络架构由辐射的在所建模的实体结构(图8)中的散射的物理学来激励。在图9和图11中,t表示透射单元且r表示反射单元。被绘制为实线圆的单元表示对最终输出作出贡献的单元。被绘制为虚线圈的单元表示不对输出作出贡献的单元(被绘制为虚线圈的单元可以被排除在神经网络之外)。在给出这种架构的情况下,神经网络训练其权重和偏差。网络中的层1、层2和层3(L1、L2和L3)对位于叠层的界面处的透射和反射进行建模。层4(L4)对来自层1和层3的响应进行组合以产生最终输出y。
层1对应于由不连续部分(注意下标中的双向箭头)在从空气802至有效介质804/>(注意下标中的单向箭头)的方向上对辐射x进行的散射。图9中的单元r1和t1对应于图8中描绘的散射模型中的被散射的辐射r1和t1。类似地,层2对应于由不连续部分在从有效介质804至硅806Deff→si的方向上对辐射t1进行的散射。图9中的单元r2和t2对应于图8中描绘的散射模型中的被散射的辐射r2和t2。此外,层3对应于由不连续部分在从有效介质804至空气802/>(应注意,/>的后缀或下标指示与层1的不连续部分/>相比方向相反)的方向上对辐射r2进行的散射。图9中的单元r3和t3对应于图8中描绘的散射模型中的被散射的辐射r3和t3。因此,神经网络已设置有其网络架构902,所述网络架构基于由实体系统的材料结构802、804、806沿辐射的路径x、t1、r2、t3对辐射进行散射的模型(图8)。
在图9中,从层1至层4进行的信息传送(由表示从单元r1至求和单元“+”的连接的顶部箭头示出)也可以被视为对剩余的神经网络建模,对剩余的神经网络建模在基本层级上涉及在连接神经网络中的单元时跳过中间的一个或更多个层。因此,提供神经网络的步骤包括基于在所述辐射的散射的模型中的辐射的反射来提供位于非相邻的神经网络层之间的一个(或更多个,依赖于材料结构)跳跃式连接。
在图8至图13中描绘的示例中,提供神经网络的步骤包括在隐藏层中提供不同的单元t和r,隐藏层与由材料结构对辐射进行的不同的相应类型的散射相对应。辐射的与不同的单元对应的不同的相应类型的散射可以包括反射、透射、吸收、折射、衍射、干涉、偏振、色散、弹性散射和非弹性散射。此外,神经网络的不同的隐藏层对应于由实体系统的不同的对应部分沿辐射的路径对辐射进行的不同的散射。所述部分可以包括材料不连续部分,诸如不同材料层之间的界面。材料不连续部分也可以是影响辐射的散射的材料性质的梯度轮廓或具有不同的非弹性散射横截面的材料的量。
图10描绘在由材料结构沿通过不同图案区域1008和1010的辐射的路径对辐射进行散射的情况下的图案化薄膜多叠置层的示意性表示。
在这个示例中,实体系统在图案区域1010中包括包含空气802、有效介质804和硅806的叠层。辐射x在图案区域1010中以与参考图8所描述的方式相同的方式穿过叠层,其中相同的参考符号对应于与图10相同的特征。
在图案区域1008中,辐射x穿过抗蚀剂1002且入射到介于抗蚀剂1002与有效介质1004之间的界面上,所述界面是材料结构中的不连续部分。一些辐射r1’反射回至抗蚀剂1002中,并且一些辐射t1’透射至有效介质1004中。被反射的辐射r1’直接对总体光学响应y作出贡献。被透射的辐射t1’沿着通过有效介质1004至位于有效介质1004与硅1006之间的另一不连续部分/>的路径。在这样的不连续部分处,一些辐射t2’透射通过到硅1006中且一些辐射t2’不对总体光学响应y作出贡献。然而,辐射r2’从不连续部分通过有效介质1004反射回至位于有效介质1004与抗蚀剂1002之间的界面/>在所述不连续部分/>处,一些辐射r3’反射回至有效介质1004中且一些辐射r3’不经由另外的反射对总体光学响应y作出显著的贡献。此外,在所述不连续部分/>处,辐射t3’连同来自图案区域1010的辐射t3一起被透射且被添加至最初被反射的辐射r1’和r1以形成光学响应y。在这个示例中,实体系统包括光学系统且实体系统的特性是光学系统的光学响应。在这里的实体系统包括作为光学系统而被光刻地图案化的(具有图案区域1008和1010)多层(具有空气层802、抗蚀剂层1002、有效介质层804、1004和硅层806、1006)。/>
图11描绘神经网络的示意性表示,其中根据本发明的实施例基于由图10中描绘的实体系统的材料结构对辐射进行散射的模型来配置所述神经网络的网络架构。由辐射在所建模的实体结构(图10)中的散射的物理学来激励所述神经网络架构。
层1(L1)对应于由不连续部分在从空气802至有效介质804/>的方向上对辐射x进行的散射,并且也对应于由不连续部分/>在从抗蚀剂1002至有效介质1004的方向上对辐射x进行的散射。图11中的单元rn和tn对应于在图10中描绘的散射模型中的被散射的辐射rn和tn,其中n=1,2,3。图11中的单元rn’和tn’对应于在图10中描绘的散射模型中的被散射的辐射rn’和tn’。在层4(L4)中,对子网络902(对应于图案区域1010)和子网络1102(对应于图案区域1008)的输出进行求和。
因此,神经网络已经设置有其网络架构902、1102,基于由实体系统的材料结构802、804、806、1002、1004、1006沿辐射的在图案区域1010中的路径x、t1、r2、t3和辐射的在图案区域1008中的路径x、t1’、r2’、t3’对辐射进行的散射的模型(图10)来配置所述网络架构902、1102。
在图11中,从层1(L1)至层4(L4)的信息传送(由表示从单元r1’至求和单元“+”的连接的顶部箭头示出)也可以被视为对剩余的神经网络进行建模,对剩余的神经网络进行建模在基本层级上涉及在连接神经网络中的单元时跳过中间的一个或更多个层。因此,在这个示例中,提供神经网络的步骤包括基于在所述辐射的散射的模型中的辐射的反射来提供位于非相邻的神经网络层之间的两个跳跃式连接(从r1和r1’)。这些跳跃式连接产生于不同的图案区域,但跳跃式连接也可以以与通过相同图案区域的辐射路径相对应的方式出现。
情况可能如下:归因于例如校准误差,具有基于辐射的散射的模型来配置的网络架构的神经网络可能不足以对实际的测量数据的复杂度进行建模。在这样的情况下,基于辐射-散射模型的网络架构可以由所添加的其它单元扩增,以学习不由基于辐射-散射模型的网络架构表示的这些额外的特征。图12中给出这种网络的示例,所述图12描绘神经网络的示意性表示,其中根据本发明的实施例与第二神经网络并联地配置所述神经网络的网络架构。
图12图示神经网络架构,所述神经网络架构用所添加的新单元1210来扩增网络902,网络902使其网络基于辐射的散射的模型(如图8中描绘的),所述新单元试图学习输入输出关系的无法由基于辐射的散射的模型的网络架构单独建模的部分。所述新单元可以使其隐藏层的数目和每个隐藏层的单元的数目使用常规的数据驱动方法来配置。因此,具有基于辐射的散射的模型来配置的架构的神经网络902进一步与第二神经网络1210并联地设置且所述神经网络902和第二神经网络1210共享相同的输入x和输出y。
通过使用丢弃正则化的概念,数据驱动网络架构1210和并联的基于辐射-散射模型的网络架构902的相对贡献可以按比例扩大或减小。图13中示出丢弃正则化的示例,所述图13描绘神经网络的示意性表示,其中根据本发明的实施例通过配置丢弃来配置所述神经网络的网络架构。图13因此图示丢弃正则化的示例。已经从网络丢弃单元1310,即,所述单元1310不再对神经网络输出作出贡献。如果需要,则可丢弃完整的基于辐射-散射模型的网络架构部分1302或完整的数据驱动的网络架构部分1210。丢弃正则化也有助于解决上文提及的泛化问题(对在训练期间模型还未看到的数据进行正确预测)。
已示出,可以基于辐射的散射的模型通过配置参数来配置网络架构,所述参数包括每个隐藏层的单元的数目、隐藏层的数目、层互连和丢弃。
图14描绘根据本发明的实施例的方法的流程图。
在步骤1410处,构造由实体系统的材料结构沿辐射的路径对辐射进行散射的模型1420。参考图8和图10描述这样的模型。
在步骤1430处,提供神经网络1440,其中基于模型1420来配置所述神经网络的网络架构。参考图9和图11至图13描述这样的神经网络。
在步骤1450处,训练神经网络1440。因此,步骤1410至1450描述提供经过训练的神经网络的方法。
确定具有材料结构的实体系统的特性的方法具有以下步骤:
在步骤1460处,接收经过训练的神经网络1440,其中基于由材料结构沿辐射的路径对所述辐射进行散射的模型1420来配置所述经过训练的神经网络的网络架构。接着使用经过训练的神经网络以确定实体系统的特性。在参考图8至图11所描述的示例中,实体系统包括光学系统且特性包括光学系统的光学响应。其它合适的光学系统是用于EUV应用的多层反射镜,和诸如在光刻扫描器中发现的多透镜折射或反射折射型光学系统。实体系统可以包括薄膜多叠置层,或不薄的层。实体系统可以具有支持辐射路径的实体元件而不是层,例如在诸如空气的介质中的光学元件。然而,在其它实施例中,实体系统可以包括声学系统,并且特性接着包括声学系统的声学响应。散射模型中的辐射的示例可以包括传播的电磁波和机械波,诸如超音波或地震辐射,和穿透性辐射(穿透性辐射可以包括质量输送),诸如离子化辐射。因此,实施例可以用于多种实体系统的模拟和断层成像,在多种实体系统中,可以构造由实体系统的材料结构对辐射进行散射的模型。
数据处理设备,诸如图4a和图4b的处理单元PU,可以包括以软件和/或硬件实施的神经网络,其中基于由实体系统的材料结构沿辐射的路径对辐射进行散射的模型来配置所述神经网络的网络架构,如参考图8至图13所描述的。
参考图4a,用于重构具有材料结构的实体系统W的近似结构的检查设备SM1可以包括:
-照射系统2,所述照射系统被配置成利用辐射来照射所述实体系统;
-检测系统,所述检测系统被配置成检测由所述照射引起的实体系统的检测特性;以及
-处理器PU,所述处理器被配置成:
-使用参考图14所描述的方法来确定实体系统的至少一个模型特性;以及
-根据实体系统的所述检测特性与所述至少一个模型特性之间的差值来确定实体系统的近似结构。
因此,诸如图4a或图4b中描绘的量测设备可以包括这种检查设备。此外,诸如图2中描绘的光刻单元LC可以包括这种检查设备。
包括用于使通用数据处理设备工作的机器可读指令的计算机程序产品可以用于执行参考图14所描述的方法的步骤。
实施例提供在用于确定实体系统的特性的同时避免尝试错误法的最佳架构。这种节省了计算时间和人类专家的时间。实施例也改善了泛化,即,因此所提供的神经网络良好地泛化至神经网络模型在训练期间还未看到的新数据。
在后续编号的方面中公开另外的实施例:
1.一种提供经过训练的神经网络的方法,所述方法包括以下步骤:
-提供神经网络,其中基于由实体系统的材料结构沿辐射的路径对所述辐射进行散射的模型来配置所述神经网络的网络架构;以及
-训练所述神经网络。
2.一种确定具有材料结构的实体系统的特性的方法,所述方法包括以下步骤:
-接收经过训练的神经网络,其中基于由所述材料结构沿辐射的路径对所述辐射进行散射的模型来配置所述经过训练的神经网络的网络架构;以及
-使用所述经过训练的神经网络来确定所述实体系统的所述特性。
3.根据方面1或方面2所述的方法,其中基于所述模型通过配置选自由以下各项组成的组的参数来配置所述网络架构:每个隐藏层的单元的数目、隐藏层的数目、层互连和丢弃。
4.根据任一前述方面所述的方法,其中所述提供神经网络的步骤包括基于在所述辐射的散射的所述模型中的辐射的反射来提供位于非相邻的神经网络层之间的一个或更多个跳跃式连接。
5.根据任一前述方面所述的方法,其中所述神经网络的不同的隐藏层对应于由所述实体系统的不同的相应部分沿所述辐射的路径对所述辐射进行的不同散射。
6.根据方面5所述的方法,其中所述部分包括材料不连续部分。
7.根据方面5或方面6所述的方法,其中所述部分包括位于不同的材料层之间的界面。
8.根据任一前述方面所述的方法,其中提供所述神经网络的步骤包括在隐藏层中以与由所述材料结构对所述辐射进行的不同的相应类型的散射相对应的方式提供不同的单元。
9.根据方面8所述的方法,其中所述辐射的与不同的单元对应的所述不同的相应类型的散射选自由以下各项组成的散射类型的组:反射、透射、吸收、折射、衍射、干涉、偏振、色散、弹性散射和非弹性散射。
10.根据任一前述方面所述的方法,其中所述实体系统包括光学系统且所述特性包括所述光学系统的光学响应。
11.根据任一前述方面所述的方法,其中所述实体系统包括声学系统且所述特性包括所述声学系统的声学响应。
12.根据任一前述方面所述的方法,其中所述实体系统包括位于衬底上的多层。
13.根据任一前述方面所述的方法,其中所述实体系统包括被光刻地图案化的多层。
14.根据任一前述方面所述的方法,其中具有基于所述模型来配置的架构的所述神经网络进一步与第二神经网络并联地设置,并且其中所述神经网络和所述第二神经网络共享相同的输入和输出。
15.一种数据处理设备,所述数据处理设备包括神经网络,该神经网络的网络架构是基于由实体系统的材料结构沿辐射的路径对所述辐射进行散射的模型来被配置的。
16.一种检查设备,所述检查设备用于重构具有材料结构的实体系统的近似结构,所述检查系统包括:
-照射系统,所述照射系统被配置成利用辐射来照射所述实体系统;
-检测系统,所述检测系统被配置成检测所述实体系统的由所述照射引起的检测特性;以及
-处理器,所述处理器被配置成:
-使用根据方面1至14中任一项所述的方法来确定所述实体系统的至少一个模型特性;以及
-根据所述实体系统的所述检测特性与所述至少一个模型特性之间的差值来确定所述实体系统的近似结构。
17.一种量测设备,所述量测设备包括根据方面16所述的检查设备。
18.一种光刻单元,所述光刻单元包括根据方面16所述的检查设备。
19.一种计算机程序产品,所述计算机程序产品包括用于使通用数据处理设备执行根据方面1至14中任一项所限定的方法的步骤的机器可读指令。
虽然可以在本文中具体地参考光刻设备在IC制造中的使用,但应理解,本文中所描述的光刻设备可以具有其它应用。可能的其它应用包括制造集成光学系统、用于磁畴存储器的引导和检测图案、平板显示器、液晶显示器(LCD)、薄膜磁头等等。
虽然在本文中可以对在检查设备或量测设备的内容背景下的本发明的实施例进行具体参考,但本发明的实施例可以用于其它设备中。本发明的实施例可以形成掩模检查设备、光刻设备、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)之类的对象的任何设备的部分。也应注意,术语“量测设备”或“量测系统”涵盖术语“检查设备”或“检查系统”,或可以被术语“检查设备”或“检查系统”替代。如本发明所公开的量测设备或检查设备可以用于检测衬底上或内的缺陷和/或衬底上的结构的缺陷。在这种实施例中,例如,衬底上的结构的特性可以涉及结构中的缺陷、结构的特定部分的不存在、或衬底上的不想要的结构的存在。
虽然具体提及“量测设备/工具/系统”或“检查设备/工具/系统”,但这些术语可以指相同或类似类型的工具、设备或系统。例如包括本发明的实施例的检查设备或量测设备可以用于确定实体系统(诸如衬底上或晶片上的结构)的特性。例如包括本发明的实施例的检查设备或量测设备可以用于检测衬底的缺陷或衬底上或晶片上的结构的缺陷。在这种实施例中,实体结构的特性可以涉及结构中的缺陷、结构的特定部分的不存在、或衬底上或晶片上的不想要的结构的存在。
虽然上文可以具体地参考在光学光刻的内容背景下对本发明的实施例的使用,但应了解,本发明在内容背景允许的情况下不限于光学光刻术且可以用于其它应用(例如,压印光刻术)中。
虽然上文所描述的目标或目标结构(更通常地,在衬底上的结构)是出于测量的目的而专门设计和形成的量测目标结构,但在其它实施例中,可以对作为在衬底上形成的器件的功能性部分的一个或更多个结构测量感兴趣的性质。许多器件具有规则的类光栅结构。如本文中所使用的术语结构、目标光栅和目标结构不要求已经专门针对正在被执行的测量来提供所述结构。关于多敏感度目标的实施例,不同的产品特征可以包括具有变化的敏感度(变化的节距等)的许多区域。另外,量测目标的节距P接近于散射仪的光学系统的分辨率极限,但可以比通过光刻过程在目标部分C中制造的典型的产品特征的尺寸大得多。在实践中,可以将目标结构内的重叠光栅的线和/或空间制造为包括尺寸上与产品特征类似的较小结构。
虽然上文已描述本发明的具体实施例,但应了解,可以与所描述方式不同的其它方式来实践本发明。以上描述意图是说明性的,而不是限制性的。因此,对于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所描述的本发明进行修改。
Claims (16)
1.一种提供经过训练的神经网络的方法,所述方法包括以下步骤:
-提供神经网络,其中基于由实体系统的材料结构沿辐射的路径对所述辐射进行散射的模型来配置所述神经网络的网络架构;以及
-训练所述神经网络,
其中,基于所述模型通过配置选自由以下各项组成的组的参数来配置所述网络架构:每个隐藏层的单元的数目、隐藏层的数目、层互连和丢弃,所述神经网络的不同的隐藏层对应于由所述实体系统的不同的相应部分沿所述辐射的路径对所述辐射进行的不同散射,所述部分包括不同的材料层之间的界面。
2.一种确定具有材料结构的实体系统的特性的方法,所述方法包括以下步骤:
-接收经过训练的神经网络,其中基于由所述材料结构沿辐射的路径对所述辐射进行散射的模型来配置所述经过训练的神经网络的网络架构;以及
-使用所述经过训练的神经网络来确定所述实体系统的所述特性,
其中,基于所述模型通过配置选自由以下各项组成的组的参数来配置所述网络架构:每个隐藏层的单元的数目、隐藏层的数目、层互连和丢弃,所述神经网络的不同的隐藏层对应于由所述实体系统的不同的相应部分沿所述辐射的路径对所述辐射进行的不同散射,所述部分包括不同的材料层之间的界面。
3.根据权利要求1所述的方法,其中提供神经网络的步骤包括:基于在所述辐射的散射的所述模型中的辐射的反射来提供位于非相邻的神经网络层之间的一个或更多个跳跃式连接。
4.根据权利要求1或2所述的方法,其中所述部分包括材料不连续部分。
5.根据权利要求1所述的方法,其中提供所述神经网络的步骤包括:在隐藏层中以与由所述材料结构对所述辐射进行的不同的相应类型的散射相对应的方式提供不同的单元。
6.根据权利要求5所述的方法,其中,所述辐射的与不同的单元对应的所述不同的相应类型的散射选自由以下各项组成的散射类型的组:反射、透射、吸收、折射、衍射、干涉、偏振、色散、弹性散射、和非弹性散射。
7.根据权利要求2所述的方法,其中所述实体系统包括光学系统且所述特性包括所述光学系统的光学响应。
8.根据权利要求2或7所述的方法,其中所述实体系统包括声学系统且所述特性包括所述声学系统的声学响应。
9.根据权利要求1至3、5至7中任一项所述的方法,其中所述实体系统包括位于衬底上的多层。
10.根据权利要求1至3、5至7中任一项所述的方法,其中所述实体系统包括被光刻地图案化的多层。
11.根据权利要求1至3、5至7中任一项所述的方法,其中具有基于所述模型来配置的架构的所述神经网络进一步与第二神经网络并联地设置,并且其中所述神经网络和所述第二神经网络共享相同的输入和输出。
12.一种数据处理设备,所述数据处理设备包括神经网络,该神经网络的网络架构是基于由实体系统的材料结构沿辐射的路径对所述辐射进行散射的模型来被配置的,
其中,基于所述模型通过配置选自由以下各项组成的组的参数来配置所述网络架构:每个隐藏层的单元的数目、隐藏层的数目、层互连和丢弃,所述神经网络的不同的隐藏层对应于由所述实体系统的不同的相应部分沿所述辐射的路径对所述辐射进行的不同散射,所述部分包括不同的材料层之间的界面。
13.一种检查设备,所述检查设备用于重构具有材料结构的实体系统的近似结构,所述检查设备包括:
-照射系统,所述照射系统被配置成利用辐射来照射所述实体系统;
-检测系统,所述检测系统被配置成检测所述实体系统的由所述照射引起的检测特性;以及
-处理器,所述处理器被配置成:
-使用根据权利要求1至11中任一项所述的方法来确定所述实体系统的至少一个模型特性;以及
-根据所述实体系统的所述检测特性与所述至少一个模型特性之间的差值来确定所述实体系统的近似结构。
14.一种量测设备,所述量测设备包括根据权利要求13所述的检查设备。
15.一种光刻单元,所述光刻单元包括根据权利要求13所述的检查设备。
16.一种计算机程序产品,所述计算机程序产品包括用于使通用数据处理设备执行根据权利要求1至11中任一项限定的方法的步骤的机器可读指令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18197556.6 | 2018-09-28 | ||
EP18197556.6A EP3629088A1 (en) | 2018-09-28 | 2018-09-28 | Providing a trained neural network and determining a characteristic of a physical system |
PCT/EP2019/071874 WO2020064212A1 (en) | 2018-09-28 | 2019-08-14 | Providing a trained neural network and determining a characteristic of a physical system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112789558A CN112789558A (zh) | 2021-05-11 |
CN112789558B true CN112789558B (zh) | 2024-05-28 |
Family
ID=63713646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980063253.4A Active CN112789558B (zh) | 2018-09-28 | 2019-08-14 | 提供经过训练的神经网络以及确定实体系统的特性 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20200104676A1 (zh) |
EP (1) | EP3629088A1 (zh) |
KR (1) | KR102522444B1 (zh) |
CN (1) | CN112789558B (zh) |
TW (1) | TWI741361B (zh) |
WO (1) | WO2020064212A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101514B (zh) * | 2020-07-27 | 2022-06-07 | 北京航空航天大学 | 采用金字塔架构衍射层补光的衍射神经网络及实现方法 |
WO2022031833A1 (en) * | 2020-08-04 | 2022-02-10 | Arch Systems Inc. | Methods and systems for predictive analysis and/or process control |
CN116125765B (zh) * | 2023-04-17 | 2023-07-04 | 魅杰光电科技(上海)有限公司 | 集成电路套刻误差评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369387A (zh) * | 2015-12-17 | 2018-08-03 | Asml荷兰有限公司 | 使用非对称亚分辨率特征改善测量的光刻过程的光学量测术 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG121818A1 (en) | 2002-11-12 | 2006-05-26 | Asml Netherlands Bv | Lithographic apparatus and device manufacturing method |
US20040267397A1 (en) * | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
US7791727B2 (en) | 2004-08-16 | 2010-09-07 | Asml Netherlands B.V. | Method and apparatus for angular-resolved spectroscopic lithography characterization |
NL1036245A1 (nl) | 2007-12-17 | 2009-06-18 | Asml Netherlands Bv | Diffraction based overlay metrology tool and method of diffraction based overlay metrology. |
NL1036734A1 (nl) | 2008-04-09 | 2009-10-12 | Asml Netherlands Bv | A method of assessing a model, an inspection apparatus and a lithographic apparatus. |
NL1036857A1 (nl) | 2008-04-21 | 2009-10-22 | Asml Netherlands Bv | Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method. |
KR101295203B1 (ko) | 2008-10-06 | 2013-08-09 | 에이에스엠엘 네델란즈 비.브이. | 2차원 타겟을 이용한 리소그래피 포커스 및 조사량 측정 |
NL2007176A (en) | 2010-08-18 | 2012-02-21 | Asml Netherlands Bv | Substrate for use in metrology, metrology method and device manufacturing method. |
US10215559B2 (en) * | 2014-10-16 | 2019-02-26 | Kla-Tencor Corporation | Metrology of multiple patterning processes |
US10481111B2 (en) * | 2016-10-21 | 2019-11-19 | Kla-Tencor Corporation | Calibration of a small angle X-ray scatterometry based metrology system |
US11537837B2 (en) * | 2017-02-13 | 2022-12-27 | Kla-Tencor Corporation | Automated accuracy-oriented model optimization system for critical dimension metrology |
US20180330233A1 (en) * | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
US10727142B2 (en) * | 2017-05-30 | 2020-07-28 | Kla-Tencor Corporation | Process monitoring of deep structures with X-ray scatterometry |
US10366322B2 (en) * | 2017-10-06 | 2019-07-30 | DeepCube LTD. | System and method for compact and efficient sparse neural networks |
-
2018
- 2018-09-28 EP EP18197556.6A patent/EP3629088A1/en not_active Withdrawn
-
2019
- 2019-08-14 KR KR1020217009512A patent/KR102522444B1/ko active IP Right Grant
- 2019-08-14 WO PCT/EP2019/071874 patent/WO2020064212A1/en active Application Filing
- 2019-08-14 CN CN201980063253.4A patent/CN112789558B/zh active Active
- 2019-09-04 TW TW108131790A patent/TWI741361B/zh active
- 2019-09-10 US US16/566,112 patent/US20200104676A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108369387A (zh) * | 2015-12-17 | 2018-08-03 | Asml荷兰有限公司 | 使用非对称亚分辨率特征改善测量的光刻过程的光学量测术 |
Non-Patent Citations (2)
Title |
---|
《Learning approach to optical tomography》;ULUGBEK S. KAMILOV 等;《Optica》;20150528;第2卷(第6期);第517-522页 * |
LAURA WALLER 等.《Machine learning for 3D microscopy》.《NATURE》.第523卷第416-417页及图1. * |
Also Published As
Publication number | Publication date |
---|---|
KR102522444B1 (ko) | 2023-04-14 |
EP3629088A1 (en) | 2020-04-01 |
US20200104676A1 (en) | 2020-04-02 |
KR20210048547A (ko) | 2021-05-03 |
CN112789558A (zh) | 2021-05-11 |
WO2020064212A1 (en) | 2020-04-02 |
TW202030557A (zh) | 2020-08-16 |
TWI741361B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112236724B (zh) | 确定衬底上的一个或更多个结构的特性的量测设备和方法 | |
JP6312834B2 (ja) | メトロロジーターゲットの設計のための方法及び装置 | |
JP5739988B2 (ja) | 基板上の構造の測定 | |
TWI735842B (zh) | 量測裝置及用於判定基板格柵的方法 | |
CN111542783A (zh) | 用于确定衬底上的结构的感兴趣的特性的量测设备与方法 | |
JP6291581B2 (ja) | メトロロジーターゲットの設計のための方法及び装置 | |
IL223965A (en) | Layer error process and device | |
CN108369381B (zh) | 由量测数据的统计分层重建 | |
CN112789558B (zh) | 提供经过训练的神经网络以及确定实体系统的特性 | |
WO2022042972A1 (en) | Mapping metrics between manufacturing systems | |
KR102107504B1 (ko) | 2-차원 또는 3-차원 형상의 계층적 표현 | |
US20210097665A1 (en) | Model based reconstruction of semiconductor structures | |
TW202028850A (zh) | 用於監測微影裝置之方法 | |
KR102404117B1 (ko) | 계측에서의 데이터 추정 기술 | |
TWI807819B (zh) | 確保橫越度量衡工具之參數量測匹配之系統與方法 | |
EP3742230A1 (en) | Detection apparatus for simultaneous acquisition of multiple diverse images of an object | |
NL2021728A (en) | Providing a trained network and determining a characteristic of a physical system | |
TW202318113A (zh) | 聚焦度量衡之方法及其相關設備 | |
CN116964529A (zh) | 用于表征半导体制造过程的方法和装置 | |
CN117642700A (zh) | 用于低维度数据分析的数据映射的方法和计算机程序 | |
CN114341738A (zh) | 用于确定复值场的量测方法和装置 | |
NL2023181A (en) | Detection apparatus for simultaneous acquisition of multiple diverse images of an object |
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 |