CN112889140A - 推定缺陷的发生的系统以及计算机可读介质 - Google Patents

推定缺陷的发生的系统以及计算机可读介质 Download PDF

Info

Publication number
CN112889140A
CN112889140A CN201880098252.9A CN201880098252A CN112889140A CN 112889140 A CN112889140 A CN 112889140A CN 201880098252 A CN201880098252 A CN 201880098252A CN 112889140 A CN112889140 A CN 112889140A
Authority
CN
China
Prior art keywords
edge
probability
defect
data
wafer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201880098252.9A
Other languages
English (en)
Other versions
CN112889140B (zh
Inventor
福田宏
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.)
Hitachi High Tech Corp
Original Assignee
Hitachi High Technologies Corp
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 Hitachi High Technologies Corp filed Critical Hitachi High Technologies Corp
Publication of CN112889140A publication Critical patent/CN112889140A/zh
Application granted granted Critical
Publication of CN112889140B publication Critical patent/CN112889140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01N23/02—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 transmitting the radiation through the material
    • G01N23/06—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 transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • 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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • 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
    • 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
    • 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
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)
  • Telephonic Communication Services (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

以少量的检查点数来推定概率性图案缺陷那样的缺陷的发生。为此，在本公开中，提出了一种系统以及计算机可读介质，其包括以下工序：取得或产生基于晶片上的多个测量点的测量数据而求出的与图案的边缘存在于第一位置的概率相关的第一数据；取得或产生在所述边缘位于所述第一位置时，与膜缺陷覆盖包含与该第一位置不同的第二位置以及所述第一位置的区域的概率相关的第二数据；以及基于所述第一数据与所述第二数据的乘积，预测所述缺陷的发生概率。

Description

推定缺陷的发生的系统以及计算机可读介质
技术领域
本公开涉及推定缺陷的发生的系统以及计算机可读介质，特别涉及对概率非常小地发生的细微的图案缺陷的发生概率进行高精度推定的系统以及计算机可读介质。
背景技术
随着半导体器件的细微化，使用了能够使具有纳米级宽度的图案可视化的扫描电子显微镜(Scanning Electron Microscope：SEM)的测量和检查的重要性不断增大。在非专利文献1中，说明了概率上非常小地发生的细微的图案缺陷。
现有技术文献
非专利文献
非专利文献1:Peter De Bisschop,“Stochastic effects in EUV lithography:random,local CD variability,and printing failures,”Journal of Micro/Nanolithography,MEMS,and MOEMS,16(4),041013(2017)
发明内容
发明要解决的课题
概率性的图案缺陷例如是在对庞大数量的图案进行曝光时随机发生的缺陷。其发生概率极低，但由于在前端器件上存在极多的细微图案，因此即使是发生概率低的缺陷，也会对成品率造成影响。另外，由于概率性的图案缺陷极其细微，因此难以利用光学式检查装置进行检测，期望使用SEM那样的将细微的缺陷大幅放大而进行成像的装置来进行检查。然而，越是高倍率，为了进行预定面积的检查需要越多的时间。
另一方面，在半导体器件的制造工序中，要求迅速捕捉制造装置、材料、工艺等条件的变动(晶片异物、抗蚀剂涂布显影面内分布变动、掩模或光学系统的劣化)，并进行它们的适当的调整和必要的处理。例如，当向抗蚀剂投影光来进行图案化的投影曝光装置的聚焦条件或曝光量等发生了变动时，图案的完成品质改变，因此要求评价试样并在适当的定时进行调整，但为了检测有无概率性的图案缺陷，需要很多时间，另一方面，制造装置的高频率的调整成为半导体器件的生产量降低的主要原因。
在非专利文献1中，虽然有关于概率性图案缺陷的介绍，但没有公开与概率性图案缺陷那样的极稀少发生的缺陷有关的适当的评价方法。以下，说明一种系统以及计算机可读介质，其目的在于通过较少的检查点数来推定概率性图案缺陷那样的缺陷的发生。
用于解决课题的手段
作为用于达成上述目的的一个方式，提出了如下的系统以及计算机可读介质，取得或产生基于晶片上的多个测量点的测量数据而求出的与图案的边缘存在于第一位置的概率相关的第一数据的工序；取得或产生在所述边缘位于所述第一位置时，与膜缺陷覆盖包含与该第一位置不同的第二位置和所述第一位置的区域的概率相关的第二数据的工序；基于所述第一数据与所述第二数据的乘积，预测所述缺陷的发生概率。
发明效果
根据上述结构，能够以较少的检查点数推定概率性图案缺陷那样的缺陷的发生。
附图说明
图1表示概率缺陷(Stochastic defect)的发生概率预测系统的概要。
图2说明在形成于晶片上的图案的附近发生的缺陷的种类。
图3表示抗蚀剂图案的边缘存在概率、在抗蚀剂图案间的非图案区域的一部分中残存的膜缺陷的连续概率以及图案缺陷发生概率的关系。
图4表示连续膜缺陷概率P2与膜缺陷发生概率P3的关系。
图5表示基于加速条件下的LCDU测量来预先求出膜缺陷概率函数P2，由此预测概率缺陷的发生概率的系统的概要。
图6表示基于加速条件下的测量来预先求出膜缺陷概率函数P2，根据该P2和通过实测求出的边缘残存概率P1，推定缺陷概率P_defect的工序。
图7表示缺陷发生概率推定系统的概要。
图8表示作为测量工具的一种的扫描电子显微镜的一例。
图9是表示半导体制造工序与缺陷发生概率推定工序的关系的流程图。
具体实施方式
近来，通过使用了波长13nm的EUV(Extreme Ultraviolet：极远紫外)光的投影曝光法将20nm以下的集成电路图案大量且高速地转印到晶片上的EUV光刻的开发正在推进。然而，在想要使用EUV光刻使图案细微化时，可以认为随机缺陷或概率性图案缺陷的存在成为成品率降低的主要原因。即，在对细微线与间隙(line and space)图案或密集孔、点等相同尺寸相同设计的庞大数量的图案进行EUV曝光时，在随机的位置产生线间的桥接、线的断线、孔或点的消失等致命的缺陷。
该缺陷的发生概率极低，为10-12～10-4左右，但在前端器件中，在直径300mm的晶片上，在每个器件层中存在1012个以上的细微图案，因此当假设以上述概率发生了缺陷时，在晶片上发生大量的缺陷从而成品率降低。此外，缺陷发生概率根据图案的完成尺寸而大幅变化(例如，1nm为1个数量级等)。因此，指出了图案的尺寸管理的重要性。
由于概率性缺陷或概率性图案缺陷的发生概率极低，因此为了直接对其进行管理，需要检查庞大数量的图案。另一方面，由于缺陷尺寸细微，所以难以进行光学检测，希望进行电子束检查。然而，与光学检查相比，在低速的电子束检查中，检查庞大数量的图案需要大量的时间。例如，在每小时取得1万张1微米见方的图像的情况下，检查1mm见方区域的整个面需要100小时。可知即使将图像尺寸设为10微米见方，将每小时的图像数设为10万张，在现实中也极难进行比1cm见方大的集成电路芯片或晶片整个面的检查。
另一方面，当测量晶片上的某部分区域(例如1mm见方)中包含的多个相同设计的图案(例如存储器单元图案等)的尺寸时，其分布偏离正态分布。以下，说明利用图案尺寸的分布与概率性图案缺陷之间的关系，根据现实中可能的数量的图案尺寸测量结果，高精度地预测概率性图案缺陷的发生概率的例子。
首先，对通过EUV光等进行的抗蚀剂的反应过程进行说明。如果对抗蚀剂膜照射图案状的光，则在氟化氩(ArF)准分子激光(波长193nm)等DUV(Deep Ultraviolet：深紫外)光中，抗蚀剂膜中的分子键吸收光子而产生光反应。另外，在EUV光中，膜中的原子吸收光子，各向同性地放出光电子。光电子由于周边原子的弹性散射而改变行进方向，由于非弹性散射而失去能量并且产生二次电子。该现象在光电子的能量成为一定水平以下的时间点停止。通过能量为5～10meV的二次电子，分子发生反应。该反应根据抗蚀剂材料的反应原理而不同。
目前代表性的抗蚀剂系是化学放大型抗蚀剂(CAR)，将酸生成剂(PAG)和包含多个极性转换基团的基质聚合物作为构成要素。在DUV中吸收了光子，在EUV中吸收了二次电子的能量的酸生成剂(PAG)分子生成酸，在以酸生成位置为中心的酸扩散长度的范围内酸作为催化剂发挥作用，产生催化剂链长个数(1个酸诱发的催化反应数)的聚合物分子的极性基团的极性反转反应。如果聚合物内的极性反转基数超过某阈值，则聚合物的溶解性反转，通过显影工艺形成图案。
此外，在40nm以下的图案化中，确认了在图案的边缘形成图2的(a)所示的纳米级的随机凹凸(Line Edge Roughness：LER)。其主要原因是上述光子数的散粒噪声和抗蚀剂材料的空间的组成偏差、反应的概率性变动等。
在通过使用了氟化氩准分子激光的曝光而形成的图案和通过使用了EUV光的曝光而形成的图案这两者中形成LER，另一方面，在通过使用了氟化氩准分子激光的曝光而形成的图案中没有确认出概率性的图案缺陷。因此，认为后者是由20nm以下的区域所特有的抗蚀剂材料的问题或波长的差异(光子数和光子能量的差异所导致的反应过程的差异)引起的，但其原因未必明确。
在此，如下那样定义主图案形成和概率性图案缺陷发生。将在设计上的应残留抗蚀剂的区域(图案部)残留了预定厚度的膜，并且应去除抗蚀剂的区域(非图案部)的抗蚀剂被完全去除的状态定义为图案形成。接着，将在上述非图案部的一部分中残存期望膜厚的预定比例(例如10～30％)以上的抗蚀剂的情况定义为残存膜缺陷，将在上述图案部的一部分中抗蚀剂膜消失了期望膜厚的预定比例(例如10～30％)以上的情况定义为消失膜缺陷。
上述预定的比例由蚀刻工艺决定。并且，将上述膜缺陷的区域扩展到阻碍设计图案的功能的范围并对接下来进行的蚀刻中的抗蚀剂掩模功能造成妨碍的情况定义为图案缺陷。例如，存在以下的情况：残存膜缺陷扩展到将2个独立的设计图案之间连结的区域(桥接缺陷，例如图2的(b))、填埋了细微开口图案的整个面(消失开口，图2的(d)的中央的图案)、膜消失缺陷切断线状的设计图案(桥接缺陷，图2的(c))、细微点图案的一部分消失(消失点，图2的(e))等。
基于推测概率性缺陷的发生，例如能够确定向曝光装置的曝光条件进行反馈的适当时机，作为结果，能够不进行高频率的曝光条件的调整而继续进行半导体制造，但不限于此，例如也能够推定由于掩模污染而引起的概率性缺陷的发生。通过推定掩模污染的概率性缺陷的发生，能够在适当的时机执行掩模清洁。并且，也能够通过推定由于附着在晶片背面的异物导致的焦点偏移所引起的概率性缺陷，适当地计划晶片背面的清洁处理的时机。另外，本公开的推定方法也能够用于推定由于抗蚀剂工艺(涂敷显影轨迹)的异常导致的抗蚀剂灵敏度偏移等引起的概率性缺陷的发生。
并且，根据本公开的方法，还能够检测异常的晶片，还能够应用于异常晶片的排除。
根据发明人的研究，上述随机发生的图案缺陷的发生概率由上述主图案的边缘位置的存在概率以及在与上述边缘相接的区域连续发生膜缺陷的概率这2个概率的乘积来表示。即，能够用2个事件的条件概率来表示。因此，在以下说明的实施例中，如图1所示，通过SEM等测量单元来测量上述图案，求出上述边缘位置的存在概率，并通过物理化学模拟或经验性统计模型求出上述连续膜缺陷发生概率，通过两者的乘积和来推定随机性图案缺陷(以下记为图案缺陷或仅记为缺陷)的发生概率。
在此，根据发明人的研究，上述连续膜缺陷发生概率成为边缘位置的函数。因此，在工艺条件、晶片状态、掩模状态等变化了时，边缘位置的存在概率分布变化，并且膜缺陷发生概率根据边缘位置的变化而变化，缺陷发生概率变化。并且，与上述各种条件、状态变化相伴随的膜缺陷发生概率的边缘位置依赖性的变化小，因此将作为边缘位置函数的概率函数的形式近似为恒定。
由此，例如可通过为了检测以10的-6次方的概率产生的边缘位置分布的异常而需要的6次方个的图案测量，来代替为了检测以10的-12次方的概率产生的缺陷而需要的10的12次方个的图案检查。由此，能够在现实的时间内检测上述缺陷发生的危险性。
以下，为了简单，以在x方向上进行了强度调制的周期图案(在y方向上具有长边方向的线与间隙图案等)中，残存膜缺陷覆盖了抗蚀剂图案间的非图案区域的一部分的情况(相当于图2的(b))为例，使用图3进行说明。根据发明人的研究，此时的概率性图案缺陷的发生概率能够近似地如以下那样求出。
首先，将主图案的边缘存在于位置x_edge(第一位置)的概率设为P1(x_edge)。P1(x_edge)表示将相对于基准边缘位置(图3的(a)的设计边缘位置)的相对的边缘位置坐标设为x_edge时，根据多个测量点的测量数据求出的x_edge的频度分布。并且，将边缘位于x_edge时在该x_edge与缺陷评价点x(第二位置)之间连续地产生膜缺陷的概率函数设为P2(x，x_edge)。根据这样求出的P1(x_edge)和P2(x，x_edge)，通过数式1求出在x处的图案缺陷概率P_defect(x)。
[数式1]
Pdefect(x)＝∫(P1(x_edge)·P2(x，x_edge))dx_edge
即，将图案内的某个位置与边缘连结的图案缺陷发生概率由边缘出现概率P1(x_edge)和膜缺陷覆盖将边缘与上述位置连结的区域的概率P2(x，x_edge)这2个部分概率的乘积来表示。
接着，对实际的制造工序中的缺陷发生及其检测进行说明。首先，作为前提，在成为曝光工艺、抗蚀剂材料、曝光掩模、晶片的基准的状态(以下称为工艺状态)下，将图案缺陷发生概率抑制为期望的水平。在此，设为由于曝光条件变动、掩模污染、晶片状态变化(由背面异物引起的焦点位置变动等)等，工艺状态发生了变化。
此时，对于上式的2个要素、边缘出现概率P1(x_edge)以及在边缘位于x_edge时膜缺陷覆盖连结某个位置x(例如非图案区域的中心等缺陷基准点)的区域的概率P2(x，x_edge)各自的变化进行说明。
首先，在实际的晶片上在对于同一设计图案形成的抗蚀剂图案的边缘存在上述LER，如图3的(a)所示，边缘位置x_edge沿着边缘变动。因此，在基准工艺条件下，例如沿着1条线图案的边缘来测量多个边缘点，由此得到P1(x_edge)(图3的(b))。P1(x_edge)根据上述工艺状态变化，从图3(b)的条件A变化为B。
上述分布变化的比例在远离平均值的部分变大。例如，在正态分布或泊松分布中，作为其一般性质，平均值或标准偏差进行了变化时的值的变化率越远离平均值越增大。这在不一定由正态分布或泊松分布表示的实际的尺寸(边缘位置)分布中也被观察到。
接着，说明膜缺陷覆盖将边缘与缺陷评价点连结的区域的概率P2(x，x_edge)的变化。P2(x，x_edge)能够通过几个假设模型来计算，例如，能够如数式2那样表示为每单位面积产生膜缺陷的概率P3(x′)在上述区域内的直积。
[数式2]
Figure BDA0002999040560000071
在图4的(a)中表示通过后述的模拟求出的P3。如图中实线及虚线所示，曝光条件进行了变化时的P3自身的变化比较小。这是因为每单位面积的膜缺陷发生概率与上述状态变化(例如，至多数％左右的曝光量轮廓的变化)大致成比例。
另一方面，在图4的(b)以及图3的(c)中表示了针对图4的(a)所示的P3通过上式计算出的P2的x、x_edge依赖性。图4的(c)表示在非图案区域的中心(x＝16nm)的P2的x-x_edge依赖性。P2的值相对于|x-x_edge|呈指数函数地减少。在其他模型中，也大致相对于|x-x_edge|呈指数函数地减少。这样，关于条件变化导致的P2的变化，经由x_edge的变化的部分占主导地位。因此，在本例中，基本上将条件进行了变化时的P2的变化近似为仅依赖于x_edge的变化。
根据图3的(b)、(c)的结果，使用数式1如图3的(d)那样求出缺陷概率。可知由于微小的(2nm左右的)平均边缘位置的变化，非图案区域部分的缺陷概率变化了2个数量级左右。
根据以上所述，当工艺状态变化时，边缘位置x_edge的分布P1(x_edge)变化，并且膜缺陷覆盖将边缘与缺陷基准点连结的区域的概率P2(x，x_edge)呈指数函数地变化。在本例中，关于造成图案缺陷发生概率变化的主要原因，近似为边缘变动占主导地位，对于边缘位置的分布，使用在实际的晶片上观察到的测量值，对于无法直接测量的膜缺陷发生概率空间分布的积和部，使用基于统计分析的推定值，基于运算式来推定缺陷发生概率。或者，预知缺陷发生的危险性。
如上所述，缺陷发生概率极小(例如10-12)，因此为了实际检测缺陷，需要进行庞大数量的样品测量，现实上是困难的。
在以下说明的实施例中，将缺陷发生概率表示为2个更大的概率(例如分别为10-6)的乘积，其中，该2个更大的概率分别表示为仅边缘位置的函数，由此能够通过远少于1012点的例如106点左右的测量来求出缺陷发生概率。使用所确立的作为测量工具的1种的CD-SEM(Critical Dimension-SEM：特征尺寸测量用扫描电子显微镜)拍摄例如数百至数千张的图像，由此能够得到100万点的边缘位置的测量结果，该测量所需的时间也为数分钟至数十分钟左右。
利用SEM进行的边缘位置的测量可以在1条扫描线上检测边缘位置，但也可以使用针对实际上接近的多条扫描线得到的信号的平均、或针对多条扫描线分别得到的边缘位置的平均。但是，希望所得到的边缘位置反映局部的边缘位置的变动，希望在上述平均中使用的边缘方向的长度为与最小图案宽度相同的程度或者其以下(例如典型地为10～20nm)。
在边缘位置远离了平均值的地方(例如间隙宽度变窄的地方)，由状态变化引起的边缘出现概率的变化大，并且|x-x_edge|(例如边缘与间隙中心之间的距离)小，P2的值大，因此对缺陷发生概率造成的影响大。因此，边缘位置分布的尾部的测量特别重要。
图8表示主要测量用于求出P1的边缘位置，并输出测量数据(计量数据)的测量工具的1种即CD-SEM的一例。CD-SEM由扫描电子显微镜和用于基于检测器的输出来确定图案的尺寸和边缘位置(例如与设计边缘位置的差异)的1个以上的计算机系统构成，该计算机系统构成为读出在预定的计算机可读介质中存储的程序，执行后述的缺陷概率推定处理。计算机系统构成为能够与扫描电子显微镜进行通信。计算机系统可以通过1个以上的传输介质与扫描电子显微镜连接，设置在与扫描电子显微镜分离的位置，也可以作为扫描电子显微镜的模块。
图8所例示的扫描电子显微镜通过引出电极802从电子源801引出电子束803，并通过未图示的加速电极进行加速。加速后的电子束803在通过作为聚焦透镜的一个方式的聚光透镜804聚拢后，通过扫描偏转器805进行偏转。由此，在试样809上一维或二维地扫描电子束803。通过向试样台808中内置的电极施加负电压而形成的减速电场，使得向试样809入射的电子束803减速，并且通过物镜806的透镜作用使得向试样809入射的电子束803聚焦来照射试样809的表面。试样室807内部保持真空。
从试样809上的照射部位放出电子810(二次电子、后方散射电子等)。通过向试样台808中内置的上述电极施加的负电压的加速作用，使得放出的电子810向电子源801的方向加速。加速后的电子810与转换电极812碰撞，产生二次电子811。从转换电极812放出的二次电子811被检测器813捕捉，检测器813的输出I根据捕捉到的二次电子量而变化。根据该输出I的变化，显示装置的亮度发生变化。例如在形成二维图像的情况下，使向扫描偏转器805的偏转信号与检测器813的输出I同步，形成扫描区域的图像。
图8所例示的SEM示出了在转换电极812中将从试样809放出的电子810一端转换为二次电子811来进行检测的例子，当然不限于这样的结构，例如也可以采用在加速后的电子的轨道上配置电子倍增显像管或检测器的检测面的结构。控制装置814按照被称为拍摄制程的用于控制SEM的动作程序，向上述SEM的各光学要素供给需要的控制信号。
接着，由检测器813检测出的信号通过A/D转换器815转换成数字信号，并且被发送至图像处理部816。图像处理部816通过以帧为单位对通过多个扫描获得的信号进行累积来生成累积图像。
在此，将通过扫描区域的1次扫描得到的图像称为1帧的图像。例如，在对8帧的图像进行累积的情况下，以像素为单位对通过8次的2维扫描得到的信号进行加法平均处理，由此生成累积图像。也可以对同一扫描区域进行多次扫描，在每次扫描时生成并保存多个1帧的图像。
图像处理部816还包括：图像存储器818，其是用于临时存储数字图像的图像存储介质；以及CPU817，其根据在图像存储器818中存储的图像来计算特征量(线或孔的宽度的尺寸值、粗糙度指标值、表示图案形状的指标值、图案的面积值、成为边缘位置的像素位置等)。
另外，还具有保存各图案的测量值、各像素的亮度值等的存储介质819。关于全体控制，能够通过图形用户界面(以下，表述为GUI)来实现由工作站820进行的必要的装置操作、检测结果的确认等。另外，图像存储器构成为与提供给扫描偏转器805的扫描信号同步地将检测器的输出信号(与从试样放出的电子量成比例的信号)存储到对应的存储器上的地址(x，y)。另外，图像处理部816还作为运算处理装置发挥功能，该运算处理装置根据存储在存储器中的亮度值生成线轮廓(Line profile)，使用阈值法等确定边缘位置，测定边缘间的尺寸。
以下，对于缺陷发生概率推定方法、执行缺陷发生概率推定的系统、以及存储有使计算机系统执行缺陷发生概率推定的程序的计算机可读介质进行说明。
实施例1
以下，对缺陷发生概率推定的一个实施例进行说明。首先，使用CDSEM在多个点测量在带有细微图案的晶片上的100μm见方左右的区域中均匀存在的周期图案的局部尺寸，求出图案边缘位置x1相对于各图案中心的分布F(x1)。在此，对于使用EUV曝光装置和化学放大型抗蚀剂在晶片上形成的16nm线与间隙(L/S)图案，将SEM的视野(FOV)设为1微米见方，取得约250张SEM图像。对于各图像中包含的约25条线中的各条线，将从其中心到右侧边缘的距离在边缘方向上每5nm在5nm范围内进行平均来测量。由此，测量每张图像的约4000点的边缘位置，合计测量100万点的边缘位置，求出边缘位置的分布P1(x_edge)。
接着，使用计算机求出缺陷发生的部分概率。在边缘位于x_edge时，通过以下2个方法来求出在将x_edge与x连结的区域中产生膜缺陷的概率函数P2(x，x_edge)。
首先，作为第一方法，根据设计图案的布局信息及曝光条件，如下那样求出设计图案内位置x处(每单位面积)的膜缺陷发生概率P3(x)。通过使用了蒙特卡罗法的物理模拟，计算位置x处的抗蚀剂材料聚合物极性基团的极性反转反应、聚合物的溶解性反转等的事件密度n(每局部体积的事件数)，并计算将位置x和这些事件密度n作为概率变量的第一概率密度分布函数g1(x，n)。关于使用了蒙特卡罗法的g1的计算方法，在其他实施例中进行说明。
g1通过基于预定的物理定律的模拟来求出，但也可以使用具有以x、n为函数的平均/标准偏差的正态分布、泊松分布等。作为这些分布函数的参数，能够通过对上述物理模拟的结果进行拟合来求出。
接着，在预定的n的范围内对g1进行积分，求出在x处产生膜缺陷的每单位面积的概率P3(x)。并且，在x＝x_edge～x之间求出P3(x)的直积，将其作为P2(x，x_edge)。通过该方法求出的是由于散粒噪声偶然地相邻连接而产生的缺陷的概率。
在第二方法中，使用数式3来计算P2。首先，对上述图案通过光学图像模拟来计算光强度分布I(x)。接着，求出在坐标r0被吸收的光子使连结边缘位置x_edge与位置x的区域的聚合物的溶解性反转的概率P4(x，x_edge，r0)。关于P4，可以通过沿着由于吸收上述光子而产生的光电子的散射轨迹，在上述区域为预定密度产生二次电子的概率来进行近似。这些概率通过基于预定的物理法则的蒙特卡罗模拟来求出，但也可以通过以x、x_edge、n为概率变量的各种概率分布函数进行近似。关于使用了蒙特卡罗法的计算方法，在其他实施例中进行说明。使用数式3来求出在边缘位于x_edge时在与位置x之间产生连续膜缺陷的概率函数P2。conv(A，B)是A与B的卷积。
[数3]
P2(x，x_edge)＝conv(I(r0)，P4(x，xedge，r0))
基于P4进行的P2的导出例如能够定义为：求出由投影到在晶片上形成的抗蚀剂膜的光的光子而产生的光电子接近抗蚀剂膜的坐标x_edge到坐标x之间而产生二次电子的概率。
通过第一方法和第二方法求出的P2是产生基于不同原因的膜缺陷的概率函数，因此通过线性耦合等将两者相加。但是，如果一方的影响占主导地位而能够忽略另一方的影响，则也可以仅根据一个方法来计算P2。
使用以上那样求出的P1(x_edge)、P2(x，x_edge)以及数式1来求出在x处的缺陷概率P_defect(x)。
对于晶片内30个芯片的芯片内的1个区域以及晶片内3个芯片的芯片内的10个区域，合计60个区域进行上述处理，求出缺陷发生概率的晶片面内和芯片内分布。在晶片边缘部和芯片的特定位置，在边缘位置分布的尾部观察到扩展，与此对应地，预测出缺陷发生概率从10-11向10-9恶化了2个数量级。使用高速电子束检查装置对晶片上和芯片上的该位置的1mm见方区域进行缺陷检查，大致检测出以上预测的密度的缺陷。
在本实施例中，将线与间隙那样的在特定的一维方向上较长的图案被周期性排列的周期图案作为例子进行了说明，但在孤立图案、或者孔、点等2维图案的情况下也能够同样地应用。
实施例2
接着，对不使用上述物理化学模拟而通过测量结果的统计处理来求出数式1的P2(x，x_edge)的方法进行说明。
当改变了曝光量或掩模尺寸等曝光/掩模条件时，抗蚀剂图案的平均完成尺寸发生变化。此时，如果测量图案缺陷发生概率，则缺陷概率对于上述平均完成尺寸极其敏感地(指数函数地)变化。如之前说明的那样，在本公开中，将该缺陷概率作为“局部的”边缘位置的发生概率和与之相伴的局部的连续膜缺陷生成概率的变化的乘积来掌握。因此，对于通过LCDU或LER测量求出的局部的边缘位置的发生概率P1(x_edge)和针对相同的样品实际测量到的缺陷发生概率P_defect，例如通过统计拟合来求出满足数式4那样的P2′(x_edge)。
[数式4]
Pdefect(x)＝∫(P1(x_edge)·P2′(x_edge))dx_edge
特别是在本实施例中，在缺陷发生概率高的加速条件下求出P2’(x_edge)，接着将其应用于通常的晶片处理条件(图5)。在此，LCDU(Local Critical DimensionUniformity：局部临界尺寸一致性)是表示局部区域中的CD值的均匀性的指标值，是作为对局部区域的多个图案进行测量的结果而得到的值。
首先，在缺陷发生概率高且在现实中可能的测量点数内出现不是0的缺陷那样的多个(i＝1～m)曝光/掩模条件下，测量边缘位置x_edge的频度分布(或尺寸分布)P1(x_edge，i)以及缺陷发生概率Pdi_observed(i)(相当于图6的(a)、(b)中的A和B)。接着，确定P2’(x_edge)，使得数式5的δ成为最小(图6的(c))。
[数式5]
δ＝∑|Pd_observed(i)-Pd_predicted(i)|2
Pdpredicted(i)＝|(P1(xcdgc，l)·P2′(xedge)dx_edge)dx_edge
接着，在通常的曝光/掩模条件下测量边缘位置频度分布P1(x_edge)(图6的(d)的C、D)，与此相对，使用在上述加速条件下求出的P2’(P2)，根据数式(1)推定缺陷发生概率(图6的(e)中的C、D)。
认为通过本公开求出的缺陷发生概率的计算结果由尺寸或边缘位置的频度分布的尾部支配。
在通常的曝光条件下，有时难以在现实中可能的时间内，直到边缘分布的尾部延伸到给出(式1)的被积分函数的峰值的x为止持续测量。在该情况下，可以进行适当地外插分布的尾部等处理。特别是，P1(x_edge)随着远离分布的中心而从正态分布偏离，因此可以在开始从正态分布偏离的时间点，如图6的(d)中的曲线C、D那样，通过与正态分布相接地延伸的指数分布等对尾部进行外插近似(曲线C、D的虚线部分)等。
另外，对于P2′(x_edge)希望假定适当的函数型。作为其原型，能够应用在实施例1或2中求出的基于物理化学模拟的方法、通过尺寸分布对观测到的缺陷概率尺寸依赖性进行反卷积等方法。
并且，本实施例也能够与实施例1中说明的方法组合。例如，将本实施例应用于某设计掩模图案，得到P2’(x_edge)。接着，在变更了掩模图案的设计的情况下，需要重新求出针对变更后的掩模的P2′(x_edge)。
在该情况下，代替应用本实施例，重新采用实施例1所示的方法，通过计算求出变更前后的连续膜缺陷概率P2_old(x_edge)、P2_new(x_edge)，使用数式6求出针对变更后的掩模的P2′。
[数式6]
Figure BDA0002999040560000141
上述变更在改变曝光条件或其他工艺条件时也是一样的。在该情况下，与单独使用实施例1的情况相比，即使不严格地对模拟进行校准，也能够应对各种条件。
当存在尺寸偏差(LCDU或LER)时，图案缺陷概率成为其平均图案尺寸依赖性与尺寸分布的卷积，发生恶化(增大)。但是，上述测量出的缺陷概率是针对边缘位置由于LCDU、LER而局部进行变动的图案组的平均尺寸已得到的结果。即，讨论了平均尺寸为某个值时的缺陷发生概率，并且与尺寸偏差分布的关系不明确。根据本公开，能够根据观察到的尺寸偏差(LCDU或LER)及其变化，定量地推定缺陷发生概率及其变化。
图9是表示具体的缺陷发生概率P_defect的计算工序的一例的流程图。在图9的例子中，说明如下例子：从在进行投影曝光装置的条件确定时使用的FEM(Focus ExposureMatrix：聚焦曝光矩阵)晶片等中，选择在由于焦点或曝光量不适当从而频繁发生缺陷的曝光条件(加速条件)下曝光的多个图案(曝光条件)，基于该选择出的曝光条件的图案的测量，导出P_defect和用于导出P2′(x_edge)的P1(x_edge)。
首先，为了确定投影曝光装置的适当的曝光条件，使曝光条件(焦点、曝光量等)变化，在各个曝光条件下进行曝光(步骤901)。接着，使用CD-SEM等对在各曝光条件下形成的图案进行多点测量(步骤902)。作为多点测量的结果，选择曝光条件，该曝光条件用于形成与半导体器件的设计数据或基于设计数据而确定的容许值一致的测量值的图案，由此来决定量产时的曝光条件(步骤903)。
另一方面，在决定曝光条件的条件确定工序中，使曝光条件变化来进行曝光，在各种曝光条件下形成图案，因此其中包含未适当地形成图案(包含缺陷)的曝光条件。由此，从中选择缺陷发生率高的曝光条件(加速条件)的图案，针对每个曝光条件导出P1和P_defect(步骤904、905)，并通过上述的统计拟合导出P2′(步骤906)。例如，针对10万点的测量点内的缺陷数为100点的晶片(或芯片)、以及缺陷数为50点的晶片这样的缺陷概率不同的多个试样中的每一个，导出P1和P_defect，并导出这些试样共用的P2′，由此预先准备导出后述的缺陷发生概率所需的数据。
在实际的半导体量产工序中，使用在曝光装置的条件确定工序中选择的曝光条件进行图案化(步骤907)，为了工艺管理，使用CD-SEM等进行图案测量(步骤908)、以及根据需要进行曝光装置的调整。本公开用于基于针对有限的测量点的测量来推定概率性缺陷的发生，由此抑制测量所需的工夫和时间，根据本公开的方法，能够兼顾到抑制由高频率的曝光装置的调整引起的生产率的降低和维持高成品率。
如图9所例示的那样，基于针对在量产工序中形成的晶片的多点测量(例如10万点)结果来导出P1(x_edge)(步骤909)。接着，根据在步骤906中预先求出的P2′(x_edge)和在步骤909中导出的P1(x_edge)，导出P_defect(步骤910)，由此导出量产时的缺陷发生概率。
将导出的缺陷发生概率与预先设定的预定条件(例如1012的测量点中n点“以下”的缺陷)进行比较，在满足预定条件的情况下，直接继续制造(步骤913)。另一方面，在不满足预定条件的情况下(发生n点以上的缺陷的情况下)，查明原因，并采取适当的对策。例如，在能够通过曝光装置的设定来应对的情况下，进行调整(步骤912)，继续制造(步骤913)。另外，在原因不明的情况下，中断该晶片的制造。
计算机系统通过在CD-SEM设置的显示装置等中适时显示缺陷发生概率，操作员能够掌握曝光装置的适当的调整时机。另外，在缺陷发生概率不满足预定的条件时，产生警报，由此操作员能够知道曝光装置的适当的调整时机。
本实施例也可以通过有监督机器学习来安装。即，例如通过使用了深度神经网络、卷积神经网络等神经网络的机械学习方法，生成将加速条件(i＝1～m)作为监督，将其尺寸频度分布函数P1(x_edge，i)作为输入矢量，将相对于对应的条件的缺陷发生概率Pdi_observed(i)作为输出的神经网络。换言之，生成以下的学习模型，该学习模型将使用训练数据进行学习而得到的参数作为上述第二数据而设置在中间层，上述训练数据将上述P1(x_edge)作为输入，将上述缺陷的发生概率作为输出。
然后，向上述神经网络输入任意的尺寸频度分布函数P1(x_edge，i)，预测缺陷发生概率。即，通过向所构建的学习模型输入P1(x_edge)，从而输出上述缺陷的发生概率。由此，不基于数式5，将连续膜缺陷概率P2(x_edge)自动地嵌入到上述网络中。预测结果通过全数检查来适当验证，使用验证结果来修正网络。
实施例3
接着，对缺陷发生概率推定系统的概要进行说明。图7所例示的缺陷发生概率推定系统由1个以上的计算机系统构成。图7所例示的系统中包含CDSEM、电子束缺陷检查装置、测量结果数据库部、物理化学模拟器部、膜缺陷概率函数计算部、概率函数数据库部、图案缺陷概率预测部等子系统。
图8所例示的CDSEM输入测定对象图案信息，根据测量多个图案而得到的图像或尺寸数据，求出P1(x_edge)，并保存在测量结果数据库部中。P1等可以通过设置在CDSEM的处理器进行运算，并通过设置在CDSEM的处理器取得其运算结果，通过该处理器进行数式1所例示的运算，也可以通过与CDSEM分开设置的处理器，从CDSEM接受多点测量结果(多个测量点的边缘位置信息)，由该处理器通过运算产生P1等数据(第一数据)。
根据需要，物理化学模拟器部计算在实施例1中叙述的上述g1(x，n)、P3(x)、I(x)、P4(x，x_edge，x0)、P2(x，x_edge)等。另外，根据需要，电子束缺陷检查装置测量对象图案组的图案缺陷数(缺陷概率)。连续膜缺陷概率函数计算部通过上述实施例2中记载的方法，使用上述物理化学模拟器部的计算结果来计算P2(x，x_edge)。或者，连续膜缺陷概率函数计算部通过上述实施例2中记载的方法，根据上述P1(x_edge)和由电子束缺陷检查装置测量出的图案缺陷数(缺陷概率)来计算P2(x，x_edge)。
概率函数数据库部保存计算出的P2(x，x_edge)。图案缺陷概率预测部根据上述P1(x_edge)和P2(x，x_edge)来计算缺陷概率P_defect(x)。以下，对各子系统的详细情况进行说明。关于图7中记载的其他子系统，将在后面叙述。
将CDSEM测量到的图像、边缘坐标、尺寸等数据例如保存在测量结果数据库中。在物理化学模拟器部中，计算上述g1(x，n)、P3(x)、I(x)、P4(x，x_edge，x0)、P2(x，x_edge)等。以下，对计算方法进行说明。
例如，如下那样计算在上述实施例的第一方法中使用的P2(x，x_edge)。首先，输入预测对象图案的图形信息和曝光条件、材料参数等工艺信息。求出抗蚀剂膜中的光学图像强度分布，以与光学图像强度成比例的概率生成光子的吸收事件。关于图像强度分布，平面方向按照霍普金斯理论(Hopkins theory)，膜深度方向按照朗伯比尔(Lambert Beer)定律进行了近似计算，但也可以使用更严格的方法。在EUV曝光中，沿着吸收了光子的原子放出的光电子的散射轨迹生成多个二次电子。通过电子散射的蒙特卡罗法计算了该过程。与在二次电子产生位置产生了化学放大型抗蚀剂的酸相近似，将酸的存在概率分布假定为以上述酸产生位置为中心以酸扩散长度为模糊量的高斯分布。以与酸的存在概率成比例的概率生成抗蚀剂聚合物所包含的多个极性基团的极性反转反应事件。但是，对每1个酸的极性反转数、每单位体积的极性反转数设定上限。
接着，将上述计算空间(抗蚀剂膜)例如通过每1nm的3维立体格进行分割，利用由此形成的体素(由格子形成的单位立方体)，对作为溶解性反转的最小单位的抗蚀剂的基质聚合物、分子进行近似。对各体素所包含的各种事件数进行计数，在每个体素的极性反转反应事件数超过了一定的阈值的情况下，判定为该体素的溶解性反转。并且，在平面方向的固定位置，对在深度方向上溶解性反转了的体素数(体素的溶解性反转事件数)进行计数，并将其与某一阈值进行比较，由此判定局部的(每单位面积的)膜的溶解性。例如，在负性抗蚀剂的情况下，当深度方向溶解性反转体素数量超过了第一阈值时，膜不溶化而局部产生残存膜缺陷，当超过了第二阈值(＞第一阈值)时，整个膜不溶化。
以某一定的曝光强度对上述抗蚀剂空间进行了曝光时的各体素所包含的事件数作为蒙特卡罗模拟的结果在统计上产生偏差，因此求出将各事件数n作为概率变量的概率函数。如果在1维图案的光学图像中忽略抗蚀剂膜内的光的衰减，则曝光强度仅依赖于坐标x，因此上述概率函数成为x的函数。这样，针对与深度方向溶解性反转体素数相对的概率函数g1，例如通过数式7求出负性抗蚀剂中的残存膜缺陷发生概率。
[数7]
P3(x)＝∫g1(x，n)dn(n＞nc1)
并且，通过数式2计算出P2(x，x_edge)。同样地，正性抗蚀剂中的消失膜缺陷发生概率也通过同样的算式求出。另外，负性抗蚀剂中的消失膜缺陷发生概率或正性抗蚀剂中的残存膜缺陷发生概率通过将积分范围适当变更为n＜nc2等来求出。
另外，关于在实施例1的第二方法中使用的P2(x，x_edge)，如下那样求出。由于在1个光电子的散射轨迹上相邻的二次电子的产生不是独立的(具有相关性)，因此评价连锁产生的概率本身。将在1个光电子的散射中以极近距离(例如1nm以下)连续产生的二次电子定义为二次电子链。
首先，使用蒙特卡罗法产生沿着多个光电子的散射轨迹的二次电子产生事件，提取二次电子链。对于二次电子链将距离光子吸收位置最远的点定义为其终点，将从光子吸收位置向终点方向进行了投影时的电子链的长度定义为长度，求出将直到终点的距离(range)和长度(length)作为概率变量的确立密度分布P_SEstring(length，range)。接着，使用该确立密度分布，计算在r0＝(x0，y0)产生的光电子形成从位于x_edge的边缘延伸到x的二次电子链的概率密度分布P4(x，x_edge，r0)。
当边缘位于x_edge时，缺陷覆盖将x_edge与x连结的区域的概率P2(x，x_edge)是针对所产生的所有光电子相加P4(x，x_edge，r0)来求出的。即，如数式8那样对光子吸收事件数的分布I(r0)和P4(x，x_edge，r0)进行卷积积分来求出。
[数式8]
P2(x，x_edge)＝conv(I(r0)，P4(x，xedge，r0))
上述P2(x，x_edge)的计算由连续膜缺陷概率函数计算部进行，并且将物理化学模拟器部计算出的g1(x，n)、P3(x)、I(x)、P4(x，x_edge，r0)、P2(x，x_edge)等保存在概率函数数据库部。另外，连续膜缺陷概率函数计算部也进行在上述实施例2中说明的基于统计拟合的P2(x，x_edge)的计算。
缺陷概率预测部输入上述P1(x_edge)、P2(x，x_edge)，计算图案缺陷发生概率P_defect(x)。并且，具有这些概率函数的显示部、包括缺陷数和缺陷概率验证结果等的输入的外部输入输出部、以及用于控制这些功能部的GUI。由物理化学模拟器进行的计算的一部分也可以由预测系统进行。g1(x，n)、P3(x)、I(x)、P4(x，x_edge，r0)、P2(x，x_edge)等也可以在预测系统内部作为数据库保存，并根据需要来使用。
实施例4
在此，叙述与系统的运用有关的实施例。如实施例1所述那样，本公开涉及通过对在晶片或芯片上预先决定的多个部分区域进行应用，由此对上述各区域的图案缺陷发生概率的分布进行预测的方法和系统。
另一方面，晶片或芯片上的1个部分区域的缺陷发生概率预测所需的图案尺寸的测量点数大，因此，对于晶片上的多个部分区域预测缺陷发生概率需要长时间。因此，也可以通过其他手段预测晶片上的缺陷发生危险度的空间分布，限定于危险度高的区域来求出上述那样的缺陷发生概率。作为上述其他手段，可以使用曝光装置等的设定曝光/聚焦分布、晶片形状分布测量结果、光学尺寸测量结果、光学缺陷检查结果、过去的缺陷发生密度分布等。
另外，如图7所示，也可以在上述概率预测系统的后级添加缺陷发生危险度判定部、警告系统。在上述危险度超过了某阈值的情况下，中断该晶片和后续晶片的处理，调查该部位的缺陷发生概率增大的原因，适当向工艺条件等进行反馈。
另外，对于上述危险度为一定值以上的部分区域，如图7所示，优选利用电子束缺陷检查装置等进行全图案检查，实测上述部分区域内的缺陷数、缺陷密度。并且，在预测精度验证部中进行预测精度的验证，在实测出的缺陷密度偏离了预测值时，向缺陷概率模型进行反馈。对于反馈，例如能够应用贝叶斯统计模型。在量产工艺中，通过继续进行该反馈，通过自学习使得预测模型高精度化。
附图标记说明
801…电子源、802…引出电极、803…电子束、804…聚光透镜、805…扫描偏转器、806…物镜、807…试样室、808…试样台、809…试样、810…电子、811…二次电子、812…转换电极、813…检测器、814…控制装置、815…A/D转换器、816…图像处理部、817…CPU、818…图像存储器、819…存储介质、820…工作站。

Claims (17)

1.一种非暂时性计算机可读介质，其保存能够由计算机系统执行的程序命令，该计算机系统用于执行根据由测量工具得到的测量数据来推定晶片的缺陷发生概率的由计算机执行的方法，其特征在于，
在由计算机执行的方法中，
取得或产生基于晶片上的多个测量点的测量数据求出的与图案的边缘存在于第一位置的概率相关的第一数据，
取得或产生在所述边缘位于所述第一位置时，与缺陷覆盖包含与该第一位置不同的第二位置和所述第一位置的区域的概率相关的第二数据，
基于所述第一数据与所述第二数据的乘积，预测所述缺陷的发生概率。
2.根据权利要求1所述的非暂时性计算机可读介质，其特征在于，
所述第一数据是将所述第一位置相对于设计图案的相对边缘位置坐标设为x_edge时的根据所述多个测量点的测量数据求出的x_edge的频度分布P1(x_edge)。
3.根据权利要求1所述的非暂时性计算机可读介质，其特征在于，
所述第二数据是在所述边缘位于x_edge时，在该x_edge与所述第二位置x之间连续产生膜缺陷的概率函数P2(x，x_edge)。
4.根据权利要求3所述的非暂时性计算机可读介质，其特征在于，
根据由向所述晶片投影图案的曝光装置得到的光强度分布，求出每单位面积的局部的膜缺陷概率P3，针对该P3，通过求出从所述x_edge到所述x的范围的直积来导出所述概率函数P2。
5.根据权利要求3所述的非暂时性计算机可读介质，其特征在于，
求出通过向所述晶片投影图案的曝光装置向在所述晶片上形成的抗蚀剂膜投影的光的光子而产生的光电子接近所述抗蚀剂膜的所述坐标x_edge到所述坐标x之间而产生二次电子的概率，由此导出所述概率函数P2。
6.根据权利要求1所述的非暂时性计算机可读介质，其特征在于，
基于在与进行所述缺陷发生概率的推定的晶片不同的晶片上形成的多个图案的测量，导出所述第一数据和所述缺陷的发生概率，基于与该不同的晶片相关的第一数据和缺陷的发生分布，导出所述第二数据。
7.根据权利要求6所述的非暂时性计算机可读介质，其特征在于，
所述第一数据是将所述第一位置相对于设计图案的相对边缘位置坐标设为x_edge时的根据所述多个测量点的测量数据求出的x_edge的频度分布P1(x_edge)。
8.根据权利要求7所述的非暂时性计算机可读介质，其特征在于，
所述第二数据是在所述边缘位于x_edge时，在该x_edge与所述第二位置之间连续产生膜缺陷的概率函数P2(x，x_edge)。
9.根据权利要求6所述的非暂时性计算机可读介质，其特征在于，
与进行所述缺陷发生概率的推定的晶片不同的晶片是制造条件与进行缺陷发生概率的推定的晶片不同的晶片。
10.根据权利要求6所述的非暂时性计算机可读介质，其特征在于，
生成在中间层作为所述第二数据具备使用训练数据学习到的参数的学习模型，所述训练数据将所述P1(x_edge)作为输入，并将所述缺陷的发生概率作为输出，通过向该学习模型输入所述P1(x_edge)输出所述缺陷的发生概率。
11.一种系统，其是为了预测晶片上的缺陷的发生概率而构成的系统，其特征在于，包含：
测量工具，其构成为基于通过对晶片照射波束而得到的信号的检测，产生输出；以及
计算机，其构成为取得或产生基于晶片上的多个测量点的测量数据而求出的与图案的边缘存在于第一位置的概率相关的第一数据，取得或产生在所述边缘位于所述第一位置时，与膜缺陷覆盖与该第一位置不同的第二位置与所述第一位置之间的区域的概率相关的第二数据，求出所述第一数据与所述第二数据的乘积。
12.根据权利要求11所述的系统，其特征在于，
所述第一数据是将所述第一位置相对于设计图案的相对边缘位置坐标设为x_edge时的根据所述多个测量点的测量数据求出的x_edge的频度分布P1(x_edge)。
13.根据权利要求11所述的系统，其特征在于，
所述第二数据是在所述边缘位于x_edge时，在该x_edge与所述第二位置x之间连续产生缺陷的概率函数P2(x，x_edge)。
14.根据权利要求13所述的系统，其特征在于，
所述计算机根据由向所述晶片投影图案的曝光装置得到的光强度分布，求出每单位面积的局部的膜缺陷概率P3，针对该P3，通过求出从所述x_edge到所述x的范围的直积来导出所述概率函数P2。
15.根据权利要求13所述的系统，其特征在于，
所述计算机求出通过向所述晶片投影图案的曝光装置向在所述晶片上形成的抗蚀剂膜投影的光的光子而产生的光电子接近所述抗蚀剂膜的所述坐标x_edge到所述坐标x之间而产生二次电子的概率，由此导出所述概率函数P2。
16.根据权利要求11所述的系统，其特征在于，
所述计算机构成为将第一数据和缺陷概率的实测值作为输入，输出第二数据。
17.根据权利要求13所述的系统，其特征在于，
所述计算机生成在中间层作为所述第二数据具备使用训练数据学习到的参数的学习模型，所述训练数据将所述第一数据作为输入，将所述缺陷的发生概率作为输出，通过向该学习模型输入所述第一数据输出所述缺陷的发生概率。
CN201880098252.9A 2018-11-12 2018-11-12 推定缺陷的发生的系统以及计算机可读介质 Active CN112889140B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/041781 WO2020100180A1 (ja) 2018-11-12 2018-11-12 欠陥の発生を推定するシステム、及びコンピューター可読媒体

Publications (2)

Publication Number Publication Date
CN112889140A true CN112889140A (zh) 2021-06-01
CN112889140B CN112889140B (zh) 2023-06-02

Family

ID=70731370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880098252.9A Active CN112889140B (zh) 2018-11-12 2018-11-12 推定缺陷的发生的系统以及计算机可读介质

Country Status (6)

Country Link
US (2) US11747291B2 (zh)
JP (1) JP7080992B2 (zh)
KR (2) KR102563023B1 (zh)
CN (1) CN112889140B (zh)
TW (2) TWI807258B (zh)
WO (1) WO2020100180A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167019A (zh) * 2022-07-15 2022-10-11 苏州华星光电技术有限公司 曝光缺陷感知装置、显示终端及曝光缺陷感知方法

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022522433A (ja) * 2019-02-25 2022-04-19 アプライド マテリアルズ イスラエル リミテッド 希少確率欠陥を検出するシステムおよび方法
US11423529B2 (en) 2020-02-18 2022-08-23 Applied Materials Isreal Ltd. Determination of defect location for examination of a specimen
KR102384189B1 (ko) 2020-09-25 2022-04-08 충북대학교 산학협력단 머신러닝에 기초한 반도체 불량 시점 예측 장치 및 방법
US11699623B2 (en) * 2020-10-14 2023-07-11 Applied Materials, Inc. Systems and methods for analyzing defects in CVD films

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1766609A (zh) * 2002-09-05 2006-05-03 株式会社东芝 光掩模评价方法
US20100208978A1 (en) * 2009-02-18 2010-08-19 Nec Electronics Corporaiton Method of inspecting mask pattern and mask pattern inspection apparatus
US20130336574A1 (en) * 2012-06-14 2013-12-19 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
TW201439501A (zh) * 2012-12-28 2014-10-16 Hitachi High Tech Corp 圖案形狀評價方法、半導體裝置的製造方法及圖案形狀評價裝置
US20170010538A1 (en) * 2014-02-11 2017-01-12 Asml Netherlands B.V. Model for calculating a stochastic variation in an arbitrary pattern
CN107526864A (zh) * 2016-06-21 2017-12-29 朗姆研究公司 经边缘放置误差预测的光致抗蚀剂设计布局图案邻近校正
WO2018042581A1 (ja) * 2016-09-01 2018-03-08 株式会社 日立ハイテクノロジーズ パターン計測装置、及びコンピュータープログラム
WO2018099742A1 (en) * 2016-12-02 2018-06-07 Asml Netherlands B.V. Model for estimating stochastic variation
CN108335990A (zh) * 2018-01-31 2018-07-27 中国科学院微电子研究所 一种定位工艺缺陷的方法及装置
US20180275523A1 (en) * 2017-03-22 2018-09-27 Kla-Tencor Corporation Stochastically-Aware Metrology and Fabrication

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3660763B2 (ja) 1996-06-26 2005-06-15 株式会社日立製作所 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法
JP4660358B2 (ja) 2005-11-18 2011-03-30 大日本印刷株式会社 基板選択装置
JP4993934B2 (ja) * 2006-03-31 2012-08-08 Ｈｏｙａ株式会社 パターン欠陥検査方法、フォトマスクの製造方法、及び表示デバイス用基板の製造方法
JP2010034402A (ja) 2008-07-30 2010-02-12 Toshiba Corp パターン形状予測方法
JP2010243283A (ja) 2009-04-03 2010-10-28 Hitachi High-Technologies Corp 欠陥検査方法および欠陥検査装置
US9595091B2 (en) 2012-04-19 2017-03-14 Applied Materials Israel, Ltd. Defect classification using topographical attributes
JP6129651B2 (ja) 2013-06-11 2017-05-17 株式会社日立ハイテクノロジーズ ラインパターンの形状評価方法及びその装置
JP2017096625A (ja) 2014-02-21 2017-06-01 株式会社日立ハイテクノロジーズ パターン測定装置、及びコンピュータープログラム
JP6759034B2 (ja) 2016-09-29 2020-09-23 株式会社日立ハイテク パターン評価装置及びコンピュータープログラム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1766609A (zh) * 2002-09-05 2006-05-03 株式会社东芝 光掩模评价方法
US20100208978A1 (en) * 2009-02-18 2010-08-19 Nec Electronics Corporaiton Method of inspecting mask pattern and mask pattern inspection apparatus
US20130336574A1 (en) * 2012-06-14 2013-12-19 Kla-Tencor Corporation Apparatus and methods for inspecting extreme ultra violet reticles
TW201439501A (zh) * 2012-12-28 2014-10-16 Hitachi High Tech Corp 圖案形狀評價方法、半導體裝置的製造方法及圖案形狀評價裝置
US20170010538A1 (en) * 2014-02-11 2017-01-12 Asml Netherlands B.V. Model for calculating a stochastic variation in an arbitrary pattern
CN107526864A (zh) * 2016-06-21 2017-12-29 朗姆研究公司 经边缘放置误差预测的光致抗蚀剂设计布局图案邻近校正
WO2018042581A1 (ja) * 2016-09-01 2018-03-08 株式会社 日立ハイテクノロジーズ パターン計測装置、及びコンピュータープログラム
WO2018099742A1 (en) * 2016-12-02 2018-06-07 Asml Netherlands B.V. Model for estimating stochastic variation
US20180275523A1 (en) * 2017-03-22 2018-09-27 Kla-Tencor Corporation Stochastically-Aware Metrology and Fabrication
CN108335990A (zh) * 2018-01-31 2018-07-27 中国科学院微电子研究所 一种定位工艺缺陷的方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115167019A (zh) * 2022-07-15 2022-10-11 苏州华星光电技术有限公司 曝光缺陷感知装置、显示终端及曝光缺陷感知方法

Also Published As

Publication number Publication date
KR20220140033A (ko) 2022-10-17
TW202135194A (zh) 2021-09-16
WO2020100180A1 (ja) 2020-05-22
JPWO2020100180A1 (ja) 2021-10-07
TWI807258B (zh) 2023-07-01
KR20210052531A (ko) 2021-05-10
KR102563023B1 (ko) 2023-08-03
US11747291B2 (en) 2023-09-05
TW202018435A (zh) 2020-05-16
KR102453077B1 (ko) 2022-10-11
CN112889140B (zh) 2023-06-02
US20230333033A1 (en) 2023-10-19
JP7080992B2 (ja) 2022-06-06
TWI724619B (zh) 2021-04-11
US20210396692A1 (en) 2021-12-23

Similar Documents

Publication Publication Date Title
CN112889140B (zh) 推定缺陷的发生的系统以及计算机可读介质
US11664188B2 (en) Edge detection system
US10664955B2 (en) Edge detection system and its use for machine learning
US10648801B2 (en) System and method for generating and analyzing roughness measurements and their use for process monitoring and control
US20190049858A1 (en) Determining the impacts of stochastic behavior on overlay metrology data
US11802763B2 (en) Pattern measurement device and computer program
US20220068594A1 (en) Detection of probabilistic process windows
US20210202204A1 (en) System and method for low-noise edge detection and its use for process monitoring and control
US20190066973A1 (en) Pattern Measuring Method and Pattern Measuring Apparatus
US11521825B2 (en) System and method for predicting stochastic-aware process window and yield and their use for process monitoring and control
KR102590974B1 (ko) 확률적 프로세스 윈도우들의 검출
JP2011129624A (ja) 荷電粒子ビーム描画装置の故障診断方法
US20230019371A1 (en) Measurement Method, Measurement System, and Non-Transitory Computer Readable Medium

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