CN113196173A - 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法 - Google Patents

Abstract

描述了利用经训练的机器学习模型对图像图案进行分组以确定图案化过程中的晶片行为。所描述的操作包括基于经训练的机器学习模型将包括所述图像图案的一个或更多个图案化过程图像转换成特征向量。所述特征向量对应于所述图像图案。所描述的操作包括基于经训练的机器学习模型对具有指示在所述图案化过程中引起匹配晶片和/或晶片缺陷行为的图像图案的特征的特征向量进行分组。所述一个或更多个图案化过程图像包括空间图像、抗蚀剂图像和/或其它图像。分组后的特征向量可以用以：在作为光学邻近效应校正的部分的光刻可制造性检验期间检测晶片上的潜在图案化缺陷；调整掩模布局设计；和/或产生轨距线/缺陷候选清单；以及其它用途。

Description

用于对图像图案分组以确定图案化过程中晶片行为的设备和 方法

相关申请的交叉引用

本申请要求2018年12月14日递交的美国申请62/779,637的优先权，所述美国申请的全部内容通过引用并入本文中。

技术领域

本文中的说明书总体上涉及掩模制造和图案化过程。更具体地，本说明书涉及用于利用经训练的机器学习模型对图案化过程中引起匹配晶片和/或晶片缺陷行为的图像图案进行分组的设备和方法。

背景技术

光刻投影设备是将期望的图案施加至衬底(例如，硅晶片)的目标部分上的机器。光刻投影设备可以用于(例如)集成电路(IC)的制造中。在这样的情况下，图案形成装置(例如，掩模)可以提供与IC(“设计布局”)的单层对应的图案，并且这种图案可以通过诸如穿过图案形成装置上的图案照射已涂覆有辐射敏感材料(“抗蚀剂”)层的衬底的目标部分之类的方法而被转印至所述衬底的所述目标部分上。通常，单个衬底包括由光刻投影设备连续地、一次一个目标部分地将所述图案转印到其上的多个相邻目标部分。

发明内容

根据实施例，提供一种用于利用经训练的机器学习模型对图像图案进行分组以确定图案化过程中晶片行为的方法。所述方法包括基于经训练的机器学习模型将包括所述图像图案的一个或更多个图案化过程图像转换成特征向量。所述特征向量对应于所述图像图案。所述方法包括基于经训练的机器学习模型对具有指示在所述图案化过程中引起匹配晶片行为的图像图案的特征的特征向量进行分组。

在实施例中，所述用于对图像图案进行分组以确定晶片行为的方法是一种用于对图像图案进行分组以识别所述图案化过程中的潜在晶片缺陷的方法。在实施例中，所述方法还包括基于经训练的机器学习模型对具有指示在所述图案化过程中引起匹配晶片缺陷行为的图像图案的特征的特征向量进行分组。

在实施例中，所述一个或更多个图案化过程图像包括空间图像和/或抗蚀剂图像。在实施例中，所述方法还包括使用经分组的特征向量以促成在光刻可制造性检验(LMC)期间检测晶片上的潜在图案化缺陷。

在实施例中，经训练的机器学习模型包括经训练的第一机器学习模型和经训练的第二机器学习模型。将包括图像图案的一个或更多个图案化过程图像转换成特征向量是基于所述经训练的第一机器学习模型。对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组是基于所述经训练的第二机器学习模型。

在实施例中，所述第一机器学习模型是被训练以执行以下操作的图像编码器：从空间图像和/或抗蚀剂图像提取指示以下各项的特征，所述特征指示短程空间图像图案配置和/或抗蚀剂图像图案配置和影响晶片或晶片缺陷行为的长程图案结构；和将提取到的特征编码成特征向量。

在实施例中，所述第一机器学习模型包括损失函数。

在实施例中，基于所述第二机器学习模型对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组包括：基于指示短程空间图像图案配置和/或抗蚀剂图像图案配置的特征而将所述特征向量分组成第一组；基于所述第一组和影响晶片或晶片缺陷行为的长程图案结构而将所述特征向量分组成第二组，使得所述第二组包括具有指示在图案化过程中引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量组。

在实施例中，所述方法还包括：利用模拟空间图像和/或抗蚀剂图像来训练所述第一机器学习模型。

在实施例中，所述方法还包括基于来自所述第一机器学习模型的输出和额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型。

在实施例中，所述第一机器学习模型包括所述损失函数，并且基于来自所述第一机器学习模型的输出和所述额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型包括调整所述损失函数。

在实施例中，所述方法还包括利用来自晶片校验过程的所标记的晶片缺陷来训练所述第二机器学习模型。

在实施例中，给定的所标记的晶片缺陷包括与以下各项相关的信息：与给定的所标记的晶片缺陷相关联的短程空间图像图案配置和/或抗蚀剂图像图案配置；与给定的所标记的晶片缺陷相关联的长程图案结构；给定的所标记的晶片缺陷在图案化过程中的行为；给定的所标记的晶片缺陷的部位坐标和在所述部位处的临界尺寸；给定的所标记的晶片缺陷是否为真实缺陷的指示；和/或与在所述部位处的给定的所标记的晶片缺陷的图像的曝光相关的信息。

在实施例中，与关联于给定的所标记的晶片缺陷的短程空间图像图案配置和/或抗蚀剂图像图案配置和关联于给定的所标记的晶片缺陷的长程图案结构有关的信息是与给定的所标记的晶片缺陷是否真实的概率相关的。

在实施例中，所述方法还包括基于来自所述第二机器学习模型的输出、给定的所标记的晶片缺陷、和来自所述晶片校验过程的额外的所标记的晶片缺陷，来迭代地再训练所述第二机器学习模型。

在实施例中，所述特征向量描述所述图像图案且包括与用于所述一个或更多个图案化过程图像的LMC模型项和/或成像条件相关的特征。

在实施例中，所述方法包括基于指示所述短程空间图像图案配置和/或抗蚀剂图像图案配置的特征而将所述特征向量分组成第一组，并且其中指示所述短程空间图像图案配置和/或抗蚀剂图像图案配置的特征包括与用于所述一个或更多个图案化过程图像的LMC模型项和/或成像条件相关的特征。

在实施例中，在所述图案化过程的光学邻近效应校正(OPC)部分期间使用所述方法。

在实施例中，所述方法还包括基于对具有指示在所述图案化过程中引起所述匹配晶片缺陷行为的图像图案的特征的特征向量的分组来识别在所述图案化过程中具有匹配晶片缺陷行为的潜在晶片缺陷的组。

在实施例中，所述方法还包括基于在所述图案化过程中具有所述匹配晶片缺陷行为的潜在晶片缺陷的组来调整所述图案化过程的掩模的掩模布局设计。在实施例中，所述方法用以产生轨距线/缺陷候选清单以增强晶片校验的准确度和效率。

在实施例中，所述方法还包括基于经训练的机器学习模型来预测用以指示单独的潜在晶片缺陷的相对严重性的分级指示器，所述分级指示器是潜在晶片缺陷将转化为一个或更多个实体晶片缺陷的可能程度的量度。

根据另一个实施例，提供一种计算机程序产品。所述计算机程序产品包括其上记录有指令的非暂时性计算机可读介质，所述指令当由计算机执行时实施上述方法。

附图说明

对于本领域普通技术人员而言，在结合附图而评述具体实施例的以下描述的情况下，以上方面和其他方面及特征就将变得显而易见，在所述图中：

图1示意性地示出了根据实施例的光刻设备。

图2示意性地示出了根据实施例的光刻单元或簇的实施例。

图3示出根据实施例的用于确定光刻过程中缺陷的存在的方法的流程图。

图4a图示根据实施例的图案的一个隔离线可以如何具有不同光学邻近效应校正结果。

图4b图示根据实施例的包括潜在缺陷的两个图案(针对关注的部位)。

图5图示根据实施例的作为本方法的一部分和/或由本系统执行的操作的概述。

图6图示根据实施例的将包括与关注的部位(例如，可能的缺陷部位)相关联的图像图案的一个或更多个图案化过程图像转换成特征向量。

图7图示根据实施例的对具有指示在图案化过程中引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组。

图8描绘根据实施例的示例检查设备。

图9示意性地示出了根据实施例的另一示例检查设备。

图10图示了根据实施例的检查设备的照射斑与量测目标之间的关系。

图11示意性地示出了根据实施例的基于测量数据导出多个关注变量的过程。

图12示意性地描绘根据实施例的扫描电子显微镜(SEM)的实施例。

图13示意性地描绘根据实施例的电子束检查设备的实施例。

图14图示根据实施例的所印制的衬底上的示例缺陷。

图15描绘根据实施例的用于对图案化过程的至少一部分进行建模和/或模拟的示例流程图。

图16是根据实施例的示例计算机系统的框图。

图17是根据实施例的与图1类似的光刻投影设备的示意图。

图18是根据实施例的图17中的设备的更详细视图。

图19是根据实施例的图17和图18的设备的源收集器模块SO的更详细视图。

具体实施方式

光学邻近效应校正(OPC)通过补偿在处理期间发生的变形而增强集成电路图案化过程。变形在处理期间发生，这是因为印制于晶片上的特征小于用于图案化和印制过程中的光的波长。OPC校验识别OPC后晶片设计中的OPC误差或弱点，所述OPC误差或弱点可能潜在地导致晶片上的图案化缺陷。例如，ASM超光速粒子光刻可制造性检验(LMC，TachyonLithography Manufacturability Check)是OPC校验产品。

为了避免遗漏潜在缺陷，用户常常设定严格检查规格且在光刻可制造性检验期间使用各种类型的检查。这常常导致在针对全芯片(晶片)校验的光刻可制造性检验期间识别许多潜在图案化缺陷。难以手动地复核图案的所识别的区域和处理这种大数目个潜在图案化缺陷。广泛接受的解决方案是将类似的潜在图案化缺陷分组成每个组，并且仅手动地复核每个组内的最差的若干潜在图案化缺陷。如果具有潜在图案化缺陷的区域中的图案设计相类似，则假定潜在图案化缺陷类似。然而，不是始终如此。常常，缺陷表现不同，即使其与类似的图案设计相关联。另外，定义哪些图案设计被视为类似或不同的LMC过程设定可能过于狭隘(使得更可能将表现类似的潜在图案化缺陷分组为相同组，但增加单独的组的总数目)，或过于广泛(使得更可能将表现不同的潜在图案化缺陷分组为相同组，但减少单独的组的总数目)。

本文中描述同时缩减总体组计数和将与匹配缺陷行为相关联的潜在图案化缺陷一起分组在相同组中的新图案分组方法(和相关联的系统)。不同于先前的分组方法和系统，本方法和系统利用经训练的机器学习模型和/或其它部件以基于来自空间图像、抗蚀剂图像和/或其它图像而不是使用者设计文件(例如，.gds文件)的信息来对图案进行分组。使用者无需专门提供本方法和系统的设计信息。空间图像、抗蚀剂图像和/或其它图像包括与图案化过程中的潜在晶片缺陷相关联的图像图案。本方法和系统对图像(相比于设计)图案进行分组以识别图案化过程中具有(或将具有)匹配晶片(缺陷)行为的潜在晶片缺陷。如本文中所描述的，本方法和系统在图像图案分组期间利用图像缓冲器中的信息。例如，与仅基于gds层(设计文件)的传统分组过程相比，这些缓冲器储存光刻可制造性检验模型项、成像条件和/或增强分组一致性(例如，提供如下文所描述的更多向量特征)的其它信息。

利用与实际晶片行为相关联的标签(信息)(例如，所标记的晶片缺陷)对机器学习模型进行适应性训练。机器学习模型使用标签来学习预测哪些图像图案更可能或不可能最终变成实际实体晶片缺陷和/或那些缺陷将如何表现。除其它优势外，与先前系统和方法相比，这产生显著改善的分组效率(例如，组的数目与同匹配行为相关联的每个组中的图案之间的平衡)。这也允许使用者定义和调整使用者考虑匹配的晶片(缺陷)行为。与先前方法和系统相比，本方法和系统的组计数可以显著减小(当使用匹配行为的相同定义时)。或者，当组计数与先前方法和系统中相同时，晶片(缺陷)行为在本方法和系统的组内更加一致。

虽然在整个本公开中将所述方法和系统描述为与晶片缺陷行为相关联，但应注意，这些方法和系统可以用于对图像图案进行分组以确定图案化过程中的任何晶片行为。

在详细地描述实施例之前，呈现可以实施实施例的示例环境是具有指导性的。

在一种类型的光刻投影设备中，在一个操作中，整个图案形成装置上的图案被转印到一个目标部分上。这种设备通常被称作步进器。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缩减比率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。可以例如从以引用方式并入本文中的US 6,046,792搜集到关于如本文中所描述的光刻装置的更多信息。

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。

图1示意性地描绘光刻设备LA的实施例。所述设备包括：

-照射系统(照射器)IL，所述照射系统被配置成调节辐射束B(例如，UV辐射、DUV辐射或EUV辐射)；

-支撑结构(例如，掩模台)MT，所述支撑结构被构造成支撑图案形成装置(例如，掩模)MA，并且连接至被配置成根据某些参数准确地定位图案形成装置的第一定位装置PM；

-衬底台(例如，晶片台)WT(例如，WTa、WTb或两者)，所述衬底台被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)W且被连接至被配置成根据某些参数准确地定位衬底的第二定位装置PW；以及

-投影系统(例如，折射式投影透镜系统)PS，所述投影系统被配置成将通过图案形成装置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且常常被称作场)上，所述投影系统被支撑在参考框架(RF)上。

如这里描绘的，所述设备属于透射类型(例如，使用透射式掩模)。替代地，所述设备可以属于反射类型(例如，使用如上文提及的类型的可编程反射镜阵列，或使用反射式掩模)。

照射器IL从辐射源SO接收辐射束。例如，当源为准分子激光器时，源和光刻设备可以是分立的实体。在这样的情况下，不将源视为形成光刻设备的部分，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BD将辐射束从源SO传递至照射器IL。在其它情况下，例如当源为汞灯时，所述源可以是设备的组成部分。源SO和照射器IL连同束传递系统BD(在需要时)可以被称作辐射系统。

照射器IL可以改变束的强度分布。照射器可以被布置成限制辐射束的径向范围，使得在照射器IL的光瞳平面中的环形区内的强度分布是非零的。另外或替代地，照射器IL可以是可操作的以限制束在光瞳平面中的分布，使得在光瞳平面中的多个等距间隔开的区段中的强度分布是非零的。辐射束在照射器IL的光瞳平面中的强度分布可以被称作照射模式。

照射器IL可以包括被配置成调整束的(角度/空间)强度分布的调整器AM。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(通常分别被称作σ-外部和σ-内部)。照射器IL可以是可操作的以改变束的角分布。例如，照射器可以是可操作的以改变强度分布是非零的光瞳平面中的区段的数目和角度范围。通过调整束在照射器的光瞳平面中的强度分布，可以实现不同的照射模式。例如，通过限制照射器IL的光瞳平面中的强度分布的径向范围和角度范围，强度分布可以具有多极分布，诸如偶极、四极或六极分布。可以例如通过将提供期望的照射模式的光学器件插入至照射器IL中或使用空间光调制器来获得所述照射模式。

照射器IL可以是可操作的以改变束的偏振且可以是可操作的以使用调整器AM来调整偏振。跨越照射器IL的光瞳平面的辐射束的偏振状态可以被称作偏振模式。使用不同的偏振模式可以允许在形成在衬底W上的图像中实现较大的对比度。辐射束可以是非偏振的。替代地，照射器可以被布置成使辐射束线性地偏振。辐射束的偏振方向可以跨越照射器IL的光瞳平面而变化。辐射的偏振方向在照射器IL的光瞳平面中的不同区中可以是不同的。可以依赖于照射模式来选择辐射的偏振状态。对于多极照射模式，辐射束的每个极的偏振通常可以垂直于照射器IL的光瞳平面中的所述极的位置矢量。例如，对于偶极照射模式，辐射可以在大体上垂直于平分偶极的两个相对区段的线的方向上线性地偏振。辐射束可以在两个不同的正交方向中的一个正交方向上偏振，这可以被称作X偏振状态和Y偏振状态。对于四极照射模式，每个极的区段中的辐射可以在大体上垂直于平分所述区段的线的方向上线性地偏振。这种偏振模式可以被称作XY偏振。类似地，对于六极照射模式，每个极的区段中的辐射可以在大体上垂直于平分所述区段的线的方向上线性地偏振。这种偏振模式可以被称作TE偏振。

此外，照射器IL通常包括各种其它部件，诸如积分器IN和聚光器CO。照射系统可以包括用于引导、成形或控制辐射的各种类型的光学部件，诸如折射式、反射式、磁性式、电磁式、静电式或其它类型的光学部件，或其任何组合。

因此，照射器提供在横截面中具有期望的均一性和强度分布的调节后的辐射束B。

支撑结构MT以依赖于图案形成装置的方向、光刻设备的设计和诸如图案形成装置是否保持于真空环境中之类的其它条件的方式支撑图案形成装置。支撑结构可以使用机械、真空、静电或其它夹持技术以保持图案形成装置。支撑结构可以是例如框架或台，其可以根据需要是固定的或可移动的。支撑结构可以确保图案形成装置例如相对于投影系统处于期望的位置。本发明中对术语“掩模版”或“掩模”的任何使用都可以被视为与更上位的术语“图案形成装置”同义。

本发明中所使用的术语“图案形成装置”应被广泛地解释为是指可以用于在衬底的目标部分中赋予图案的任何装置。在实施例中，图案形成装置是可以用于在辐射束的横截面中向辐射束赋予图案以便在衬底的目标部分中产生图案的任何装置。应注意，例如，如果被赋予至辐射束的图案包括相移特征或所谓的辅助特征，则所述图案可能不会准确地对应于衬底的目标部分中的期望的图案。通常，被赋予至辐射束的图案将对应于在目标部分中产生的器件(诸如，集成电路)中的特定功能层。

图案形成装置可以是透射式或反射式的。图案形成装置的示例包括掩模、可编程反射镜阵列和可编程LCD面板。掩模在光刻术中是众所周知的，并且包括诸如二元、交变相移和衰减相移的掩模类型，以及各种混合掩模类型。可编程反射镜阵列的示例使用小反射镜的矩阵布置，所述小反射镜中的每个小反射镜可以单独地倾斜，以便使入射辐射束在不同方向上反射。被倾斜的反射镜在由反射镜矩阵反射的辐射束中赋予图案。

本发明中所使用的术语“投影系统”应被广泛地解释为涵盖如适于所使用的曝光辐射或适于诸如浸没液体的使用或真空的使用之类的其它因素的任何类型的投影系统，包括折射式、反射式、反射折射式、磁性式、电磁式和静电式光学系统，或其任何组合。本发明中对术语“投影透镜”的任何使用都可以被视为与更上位的术语“投影系统”同义。

投影系统PS具有可以是非均一且可能影响成像至衬底W上的图案的光学传递函数。对于非偏振辐射，这样的效应可以由两个纯量映射相当良好地描述，所述两个纯量映射描述作为射出投影系统PS的辐射的光瞳平面中的位置的函数的所述辐射的透射(变迹)和相对相位(像差)。可以将能够被称作透射映射和相对相位映射的这些纯量映射表达为基底函数的全集的线性组合。特别适宜的集合为泽尼克多项式，所述泽尼克多项式形成在单位圆上定义的正交多项式集合。每个纯量映射的确定可以涉及确定这种展开式中的系数。由于泽尼克多项式在单位圆上正交，因此可以通过依次计算所测量的纯量映射与每个泽尼克多项式的内积且将这种内积除以所述泽尼克多项式的范数的平方来确定泽尼克系数。

透射映射和相对相位映射是依赖于场和系统的。即，通常，每个投影系统PS将针对每个场点(即，针对投影系统的像平面中的每个空间部位)具有不同的泽尼克展开式。可以通过经由投影系统PS投影例如来自投影系统PS的物平面(即，图案形成装置MA的平面)中的类点源的辐射且使用剪切干涉仪测量波前(即，具有相同相位的点的轨迹)来确定投影系统PS在其光瞳平面中的相对相位。剪切干涉仪是共同路径干涉仪，并且因此有利地，无需次级参考束来测量波前。剪切干涉仪可以包括投影系统的像平面(即，衬底台WT)中的衍射光栅(例如二维栅格)，和被布置成检测与投影系统PS的光瞳平面共轭的平面中的干涉图案的检测器。干涉图案与辐射的相位与在剪切方向上的光瞳平面中的坐标的导数有关。检测器可以包括诸如电荷耦合装置(CCD)之类的感测元件的阵列。

光刻设备的投影系统PS可能不产生可见条纹，并且因此可以使用相位步进技术(诸如，移动衍射光栅)来增强波前确定的准确度。可以在衍射光栅的平面中且在垂直于测量的扫描方向的方向上执行步进。步进范围可以是一个光栅周期，并且可以使用至少三个(均一地分布)相位步进。因此，例如，可以在y方向上执行三次扫描测量，在x方向上针对不同位置执行每次扫描测量。衍射光栅的这种步进有效地将相位变化转换成强度变化，从而允许确定相位信息。光栅可以在垂直于衍射光栅的方向(z方向)上步进以校准检测器。

可以在两个垂直方向上依序地扫描衍射光栅，所述两个垂直方向可以与投影系统PS的坐标系统的轴线(x和y)重合或可以与这些轴线成角度(诸如45度)。可以在整数个光栅周期(例如，一个光栅周期)内执行扫描。扫描对在一个方向上的相位变化求平均值，从而允许重构在另一方向上的相位变化。这允许将波前确定为两个方向的函数。

可以通过经由投影系统PS投影例如来自投影系统PS的物平面(即，图案形成装置MA的平面)中的类点源的辐射且使用检测器测量与投影系统PS的光瞳平面共轭的平面中的辐射强度来确定投影系统PS在其光瞳平面中的透射(变迹)。可以使用与用于测量波前以确定像差的检测器相同的检测器。

投影系统PS可以包括多个光学(例如，透镜)元件，并且还可以包括被配置成调整所述光学元件中的一个或更多个光学元件以便校正像差(跨越整个场的光瞳平面的相位变化)的调整机构AM。为实现这种调整，所述调整机构可以是可操作的以用一种或更多种不同的方式来操控投影系统PS内的一个或更多个光学(例如，透镜)元件。所述投影系统可以具有一坐标系，其中所述投影系统的光轴在z方向上延伸。调整机构可以是可操作的以进行以下各项的任何组合：使一个或更多个光学元件移位；使一个或更多个光学元件倾斜；和/或使一个或更多个光学元件变形。光学元件的移位可以在任何方向(x、y、z或其组合)上进行。光学元件的倾斜通常在垂直于光轴的平面外，通过绕x和/或y方向上的轴线旋转而进行，但对于非旋转对称的非球面光学元件来说可以使用绕z轴的旋转。光学元件的变形可以包括低频形状(例如，像散)和/或高频形状(例如，自由形式非球面)。可以例如通过使用一个或更多个致动器以对光学元件的一侧或更多侧施加力和/或通过使用一个或更多个加热元件以对光学元件的一个或更多个选定区进行加热来执行光学元件的变形。通常，不可能调整投影系统PS以校正变迹(跨越光瞳平面的透射变化)。可以在设计用于光刻设备LA的图案形成装置(例如，掩模)MA时使用投影系统PS的透射映射。使用计算光刻技术，图案形成装置MA可以被设计成至少部分地校正变迹。

光刻设备可以属于具有两个(双平台)或更多个台(例如，两个或更多个衬底台WTa、WTb，两个或更多个图案形成装置台，在无专用于例如促进测量和/或清洁等的衬底的情况下在投影系统下方的衬底台WTa和台WTb)的类型。在这些“多平台”机器中，可以并行地使用额外的台，或可以在一个或更多个台上进行预备步骤的同时将一个或更多个其它台用于曝光。例如，可以使用对准传感器AS进行对准测量和/或使用水平传感器(或水准传感器)LS进行水平(高度、倾角等)测量。

光刻设备也可以属于如下类型：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，以便填充投影系统与衬底之间的空间。也可以将浸没液体施加至光刻设备中的其它空间，例如图案形成装置与投影系统之间的空间。浸没技术在本领域中是众所周知的，用于增加投影系统的数值孔径。本发明中所使用的术语“浸没”并不意味着诸如衬底之类的结构必须浸没在液体中，而是仅意味着液体在曝光期间位于投影系统与衬底之间。

在光刻设备的操作中，辐射束由照射系统IL调节和提供。辐射束B入射至保持在支撑结构(例如，掩模台)MT上的图案形成装置(例如，掩模)MA上，并且通过图案形成装置被图案化。在已横穿图案形成装置MA的情况下，辐射束B穿过投影系统PS，所述投影系统将所述束聚焦至衬底W的目标部分C上。借助于第二定位装置PW和位置传感器IF(例如，干涉装置、线性编码器、2-D编码器或电容式传感器)，衬底台WT可以被准确地移动例如以便在辐射束B的路径中定位不同的目标部分C。类似地，第一定位装置PM和另一位置传感器(在图1中未明确地描绘)可以用于相对于辐射束B的路径准确地定位图案形成装置MA，例如在从掩模库机械获取之后或在扫描期间。通常，可以借助于形成第一定位装置PM的部分的长行程模块(粗定位)和短行程模块(精定位)来实现支撑结构MT的移动。类似地，可以使用形成第二定位装置PW的部分的长行程模块和短行程模块来实现衬底台WT的移动。在步进器(相对于扫描仪)的情况下，支撑结构MT可以仅连接至短行程致动器，或可以是固定的。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置MA和衬底W。尽管如所图示的衬底对准标记占据专用目标部分，但所述标记可以位于目标部分之间的空间中(这些标记被称为划线对准标记)。类似地，在多于一个管芯被提供在图案形成装置MA上的情形中，图案形成装置对准标记可以位于所述管芯之间。

可以在以下模式中的至少一个模式下使用所描绘的设备：

1.在步进模式下，在使支撑结构MT和衬底台WT保持基本上静止的同时将赋予至辐射束的整个图案一次性投影至目标部分C上(即，单次静态曝光)。随后，使衬底台WT在X和/或Y方向上偏移，使得可以曝光不同的目标部分C。在步进模式下，曝光场的最大大小限制单次静态曝光中成像的目标部分C的大小。

2.在扫描模式下，同步地扫描支撑结构MT和衬底台WT，同时将赋予至辐射束的图案投影至目标部分C上(即，单次动态曝光)。可以通过投影系统PS的(缩小)放大率和图像反转特性来确定衬底台WT相对于支撑结构MT的速度和方向。在扫描模式下，曝光场的最大大小限制单次动态曝光中的目标部分的宽度(在非扫描方向上)，而扫描运动的长度确定目标部分的高度(在扫描方向上)。

3.在另一模式下，使支撑结构MT保持基本上静止，从而保持可编程图案形成装置，并且移动或扫描衬底台WT，同时将赋予至辐射束的图案投影至目标部分C上。在这种模式下，通常使用脉冲辐射源，并且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新可编程图案形成装置。这种操作模式可以容易地应用至利用可编程图案形成装置(诸如，上文提及的类型的可编程反射镜阵列)的无掩模光刻术。

也可以使用上文所描述的使用模式的组合和/或变型或完全不同的使用模式。

尽管在本发明中可以具体地参考光刻设备在IC制造中的使用，但应理解，本发明中所描述的光刻设备可以具有其它应用，诸如制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示器(LCD)、薄膜磁头等。本领域技术人员将了解，在这些替代应用的内容背景下，本发明中对术语“晶片”或“管芯”的任何使用都可以被视为分别与更上位的术语“衬底”或“目标部分”同义。可以在曝光之前或之后在例如涂覆显影系统或轨道(track)(通常将抗蚀剂层施加至衬底且对曝光后的抗蚀剂进行显影的工具)、或者量测或检查工具中处理本发明中提及的衬底。在适用的情况下，可以将本发明中的公开内容应用至这些和其它衬底处理工具。另外，可以对衬底处理一次以上，例如以便产生多层IC，使得本发明中所使用的术语衬底也可以指已包含多个处理后的层的衬底。

本发明中所使用的术语“辐射”和“束”涵盖所有类型的电磁辐射，包括紫外线(UV)或深紫外(DUV)辐射(例如，具有365、248、193、157或126nm的波长)和极紫外线(EUV)辐射(例如，具有在5至20nm的范围内的波长)以及粒子束，诸如离子束或电子束。

图案形成装置上或由图案形成装置提供的各种图案可以具有不同的过程窗口，即，将产生规格内的图案所处的处理变量的空间。与潜在系统性缺陷有关的图案规格的示例包括检查颈缩、线拉回、线薄化、CD、边缘放置、重叠、抗蚀剂顶部损耗、抗蚀剂底切和/或桥接。可以通过合并每个单独的图案的过程窗口(例如，使所述过程窗口重叠)来获得图案形成装置或其区域上的所有图案的过程窗口。所有图案的过程窗口的边界包含单独的图案中的一些图案的过程窗口的边界。换句话说，这些单独的图案限制所有图案的过程窗口。这些图案可以被称作“热点”或“过程窗口限制图案(PWLP)”，“热点”或“过程窗口限制图案(PWLP)”在本发明中可互换使用。当控制图案化过程的一部分时，关注热点是可能且经济的。当热点无缺陷时，最可能的是所有图案都无缺陷。

如图2中所示出的，光刻设备LA可以形成光刻单元LC(有时也被称作光刻元或光刻簇)的部分，光刻单元也包括用于对衬底执行曝光前和曝光后过程的设备。常规地，这些装置包括用于沉积一个或更多个抗蚀剂层的一个或更多个旋涂器SC、用于显影曝光后的抗蚀剂的一个或更多个显影器DE、一个或更多个激冷板CH和/或一个或更多个焙烤板BK。衬底处理装置或机器人RO从输入/输出端口I/O1、I/O2拾取一个或更多个衬底，将这些衬底在不同的过程设备之间移动且将这些衬底传递至光刻设备的进料台LB。常常被统称为涂覆显影系统或轨道(track)的这些设备由涂覆显影系统控制单元或轨道控制单元TCU控制，涂覆显影系统控制单元自身受管理控制系统SCS控制，管理控制系统也经由光刻控制单元LACU来控制光刻设备。因而，不同设备可以被操作以最大化吞吐量和处理效率。

为了正确且一致地曝光由光刻设备曝光的衬底和/或为了监测包括至少一个图案转印步骤(例如，光学光刻步骤)的图案化过程(例如，装置制造过程)的一部分，期望检查衬底或其它物体以测量或确定一个或更多个属性，诸如对准、重叠(所述重叠可以例如是重叠层中的结构之间的或同一层中的已通过例如双重图案化过程与所述层分离地提供的结构之间的重叠)、线厚度、临界尺寸(CD)、聚焦偏移、材料属性等。因此，被定位有光刻单元LC的制造设施通常也包括量测系统MET，所述量测系统测量已在所述光刻单元中处理的衬底W中的一些或全部衬底、或者所述光刻单元中的其它物体。测量系统MET可以是光刻单元LC的部分，例如其可以是光刻设备LA的部分(诸如，对准传感器AS)。

例如，一个或更多个所测量的参数可以包括：形成在被图案化的衬底中或被图案化的衬底上的连续层之间的重叠、例如形成在被图案化的衬底中或被图案化的衬底上的特征的临界尺寸(CD)(例如，临界线宽)、光学光刻步骤的聚焦或聚焦误差、光学光刻步骤的剂量或剂量误差、光学光刻步骤的光学像差等。可以对产品衬底自身的目标和/或对提供在衬底上的专用量测目标执行这种测量。可以在抗蚀剂显影之后但在蚀刻之前执行所述测量，或可以在蚀刻之后执行所述测量。

存在用于对在图案化过程中形成的结构进行测量的各种技术，包括使用扫描电子显微镜、基于图像的量测工具和/或各种专用工具。如上文论述的，专用量测工具的快速和非侵入式形式为辐射束被引导至衬底的表面上的目标上且测量被散射(被衍射/被反射)的束的属性的测量工具。通过评估由衬底散射的辐射的一种或更多种属性，可以确定衬底的一个或更多个属性。这可以被称为基于衍射的量测。这种基于衍射的量测的一个这样的应用是在目标内的特征不对称性的测量中。这可以用作例如重叠的量度，但其它应用也是已知的。例如，可以通过比较衍射光谱的相对部分(例如，比较周期性光栅的衍射光谱中的-1阶与+1阶)来测量不对称性。这可以如上文所描述的且如例如以全文引用的方式并入本文中的美国专利申请公开号US2006-066855中所描述的那样来进行。基于衍射的量测的另一应用是在目标内的特征宽度(CD)的测量中。这样的技术可以使用下文所描述的设备和方法。

因此，在器件制作过程(例如，图案化过程或光刻过程)中，衬底或其它物体可以在过程期间或在过程之后经受各种类型的测量。测量可以确定特定衬底是否有缺陷，可以对过程和用于过程中的设备进行调整(例如，对准衬底上的两个层或对准图案形成装置与衬底)，可以测量过程和设备的性能或可以用于其它目的。测量的示例包括光学成像(例如，光学显微镜)、非成像光学测量(例如，基于衍射的测量，诸如ASML YieldStar量测工具、ASMLSMASH量测系统)、机械测量(例如，使用触控笔的轮廓探测、原子力显微法(AFM))，和/或非光学成像(例如，扫描电子显微法(SEM))。如以全文引用的方式并入本发明中的美国专利号6,961,116中所描述的智能型对准传感器混合式(SMASH)系统使用自参考干涉仪，所述自参考干涉仪产生对准标识的两个重叠的且相对旋转的图像，检测在使图像的傅立叶变换引起干涉的光瞳平面中的强度，并且从两个图像的衍射阶之间的相位差提取位置信息，所述相位差表示为干涉阶中的强度变化。

可以将量测结果直接地或间接地提供至管理控制系统SCS。如果检测到误差，则可以对后续衬底的曝光(尤其在可以足够迅速且快速地完成检查使得所述批次的一个或更多个其它衬底仍将要曝光的情况下)和/或曝光后的衬底的后续曝光进行调整。此外，已曝光的衬底可以被剥离和返工以改善产率，或者被舍弃，由此避免对已知有疵点的衬底执行进一步处理。在衬底的仅一些目标部分有疵点的情况下，可以仅对满足规格的那些目标部分执行进一步曝光。

在量测系统MET内，量测设备用于确定衬底的一个或更多个属性，并且具体地，确定不同衬底的一个或更多个属性如何变化或同一衬底的不同层在层间如何变化。如上文所提到，量测设备可以集成至光刻设备LA或光刻单元LC中，或可以是单独的装置。

为了实现量测，可以在衬底上提供一个或更多个目标。在实施例中，目标被专门设计且可以包括周期性结构。在实施例中，目标是器件图案的一部分，例如是器件图案的周期性结构。在实施例中，器件图案是存储器装置的周期性结构(例如，双极晶体管(BPT)、位线触点(BLC)等结构)。

在实施例中，衬底上的目标可以包括一个或更多个一维周期性结构(例如，光栅)，其被印制成使得在显影之后，周期性结构特征由实体抗蚀剂线形成。在实施例中，所述目标可以包括一个或更多个二维周期性结构(例如，光栅)，其被印制成使得在显影之后，一个或更多个周期性结构由抗蚀剂中的实体抗蚀剂导柱或通孔形成。栅条、导柱或通孔可替代地被蚀刻至衬底中(例如，被蚀刻至衬底上的一个或更多个层中)。

在实施例中，图案化过程的关注的参数中的一个关注的参数是重叠。可以使用暗场散射量测术来测量重叠，其中阻挡零阶衍射(对应于镜面反射)，并且仅处理较高阶。可以在PCT专利申请公开号WO 2009/078708和WO 2009/106279中找到暗场量测的示例，所述专利申请公开出版物由此以全文引用的方式并入。美国专利申请公开US2011-0027704、US2011-0043791和US2012-0242970中已描述了所述技术的进一步开发，所述专利申请公开出版物由此以全文引用的方式并入。使用衍射阶的暗场检测的基于衍射的重叠实现对较小目标的重叠测量。这些目标可以小于照射斑且可以由衬底上的器件产品结构环绕。在实施例中，可以在一次辐射捕获中测量多个目标。

图3示出根据实施例的用于确定光刻过程中潜在缺陷(例如“热点”)的位置的方法的流程图。在过程P311中，基于过程设计图案来识别关注的部位。下文描述本方法的细节，但通常，可以通过使用经验模型或计算模型来分析图案形成装置上的图案来识别关注的部位。在经验模型中，不模拟图案的图像(例如抗蚀剂图像、光学图像、蚀刻图像)。替代地，经验模型基于处理参数、图案的参数与关注的部位之间的相关性来预测关注的部位。例如，经验模型可以是分类模型或有缺陷倾向的图案的数据库。在计算模型中，计算或模拟图像的一部分或特性，并且基于所述部分或所述特性来识别关注的部位。例如，与潜在的线拉回缺陷相对应的关注的部位可以通过寻找过于远离其期望的位置的线端来识别。与潜在桥接缺陷相对应的关注的部位可以通过寻找两条线不期望地接合的位置来识别。与潜在叠置缺陷相对应的关注的部位可以通过寻找单独层上不期望地叠置或不期望地未叠置的两个特征来识别。经验模型相比于计算模型通常在计算上较不昂贵。可以基于位置和单独的位置的过程窗而确定关注的部位的过程窗和/或将关注的部位的过程窗编译成映射--即，确定随位置变化的过程窗。这种过程窗映射可以对图案的特定于布局的敏感度和处理裕度进行表征。在另一示例中，可以诸如通过FEM晶片检查或合适的量测工具以实验方式确定关注的部位和/或其过程窗。一组关注的部位可以包括在显影后检查(ADI)(通常是光学检查)中无法检测的那些缺陷，诸如，抗蚀剂顶部损耗、抗蚀剂底切，等等。常规检查仅在不可逆地处理(例如，蚀刻)衬底之后揭示在关注的部位处的缺陷，这时无法对晶片进行二次处理。然而，模拟可以用以确定可以在何处出现缺陷且严重性可以达到何种程度。基于这种信息，可以决定使用更准确检查方法(并且通常更耗时)来检测特定热点/可能的缺陷以确定缺陷/晶片是否需要二次处理，或可以决定在执行不可逆处理(例如，蚀刻)之前二次处理特定抗蚀剂层的成像(移除具有抗蚀剂顶部损耗缺陷的抗蚀剂层且重新涂覆晶片以重新进行所述特定层的成像)。

在过程P312中，确定处理关注的部位(例如成像或蚀刻至衬底上)所依据的处理参数。处理参数可以是局部的--依赖于位置、管芯或所述两者。处理参数可以是全局的--与位置和管芯无关。一种用以确定处理参数的示例性方式是确定光刻设备的状态。例如，可以从光刻设备测量激光带宽、聚焦、剂量、源参数、投影光学器件参数和这些参数的空间或时间变化。另一示例性方式是从对衬底执行的量测或从处理设备的操作者获得的数据推断处理参数。例如，量测可以包括使用衍射工具(例如ASML YieldStar)、电子显微镜或其它合适的检查工具来检查衬底。可以获得用于处理后的衬底上的任何位置(包括所识别的关注的部位)的处理参数。可以将处理参数编译成随位置变化的映射--光刻参数或过程条件。当然，其它处理参数可以表示为位置的函数，即，以映射表示。在实施例中，可以在处理每个关注的部位之前且优选紧接在处理每个关注的部位之前确定处理参数。

在过程P313中，基于处理关注的部位所依据的处理参数和/或其它信息而确定关注的部位处潜在缺陷的存在、存在概率、特性或其组合。这种确定可以包括：比较处理参数与关注的部位的过程窗--如果处理参数落在过程窗内，则不存在缺陷；如果处理参数落在过程窗之外，则将预期存在至少一个缺陷。也可以使用合适的经验模型(包括统计模型)来进行这种确定。例如，分类模型可以用以提供缺陷的存在概率。用以进行这种确定的另一方式是使用计算模型以依据处理参数来模拟关注的部位的图像或所预期图案化轮廓且测量图像或轮廓参数。在实施例中，可以紧接在处理图案或衬底之后(即，在处理图案或下一衬底之前)确定处理参数。缺陷的所确定的存在和/或特性可以用作用于处置(二次处理或验收)的决策的基础。在实施例中，处理参数可以用以计算光刻参数的移动平均值。移动平均值是用以捕获光刻参数的长期漂移，而不受到短期波动扰乱。

在实施例中，基于衬底上的图案的模拟图像来识别关注的部位。一旦完成对图案化过程的模拟(例如包括过程模型，诸如OPC模型和可制造性检验模型)，则可以根据一个或更多个定义(例如某些规则、阈值或指标)来计算在设计中随过程条件变化的潜在弱点，即关注的部位。关注的部位可以基于绝对CD值、CD相对于模拟中变化的参数中的一个或更多个变化率(“CD灵敏度”)、空间图像强度的斜率或NILS(即，“边缘斜率”或“标准化图像对数斜率”，常常缩写为“NILS”)而确定。(这种指示缺乏清晰度或图像模糊，其中预期抗蚀剂特征的边缘(从简单阈值/偏置模型或更完整抗蚀剂模型计算))。替代地，可以基于诸如用于设计规则检验系统中的预定规则的一组预定规则来确定关注的部位，所述一组预定规则包括但不限于线端拉回、拐角圆化、与邻近特征的接近度、图案颈缩或夹捏和相对于期望的图案的图案变形的其它指标。对掩模CD的较小改变的CD敏感度为光刻参数，所述光刻参数被称为MEF(掩模误差因素)MEEF(掩模误差增强因素)。对MEF与聚焦和曝光的计算提供掩模过程变化与晶片过程变化进行卷积将导致特定图案元件的不可接受的图案劣化的概率的指标。也可以基于重叠误差相对于底层或后续过程层的变化和CD变化，或通过对多曝光过程中的曝光之间的重叠和/或CD的变化的敏感度来识别关注的部位。

在实施例中，图案保真度量测可以作为引导缺陷检查来执行，其中使用模拟工具来识别很可能失效的图案，所述模拟工具将检查系统引导至晶片中所识别的图案所在的部位以改善检查系统的效率。检查系统获取并分析晶片上的图案/热点/缺陷图像。例如，可以从光学系统(暗场或明场检查系统)的反射图像或电子束系统采集晶片图像。

电子束系统具有比光学系统高的分辨率，但所述电子束系统也相对较慢且扫描整个晶片图像是不实际的。为了加速电子束检查(或甚至加速光学系统)，模拟被配置成引导检查系统以查看晶片上缺陷出现可能性在所述晶片内相对较高的区域。由此，检查过程可加速达若干数量级，而不会有缺陷捕获准确度损失。

每个芯片设计包含大量图案，并且只有较小一部分图案很可能引起缺陷。例如，这些图案可以是关注的部位或“热点”。由于过程变化(例如，诸如聚焦和剂量的过程参数变化)出现缺陷且热点是指那些可能首先失效或由于这样的过程变化具有更高失效可能性的图案。可以执行过程模拟以识别热点而不需要实际晶片和检查工具。

因此，所引导的检查采用模拟以识别相对于芯片或晶片的较大设计布局的极小数目个关注的部位(“热点”)，并且接着驱动检查系统聚焦于检查晶片上对应于关注的部位中的图案的区域，并且不检查晶片的其余部分，从而使生产量增加若干数量级。

图案保真度量测的各种方面和热点确定或验证的方法在不同专利/专利申请中详细论述，这些专利/专利申请以全文引用的方式并入本文中。例如，美国专利申请15/546,592描述过程可变性感知自适应检查和量测，所述美国专利申请论述了例如基于用于发现缺陷的过程参数的变化的缺陷预测方法。美国专利申请15/821,051描述了基于设计布局的关注的区域(例如，处理窗限制图案或热点图案)的过程窗或重迭过程窗的热点识别。美国专利申请15/580,515描述了用于缺陷验证的方法，所述方法将量测图像和晶片的第一图像(例如，模拟图像)对准，并且采用与图像的对准/未对准相关的校验流程和阈值反馈。PCT专利申请公开WO2017080729A1描述了用于识别改善发现热点的过程窗边界的方法。

现有与计算光刻相关的解决方案(例如，如先前所论述的，用于晶片缺陷检查的图案保真度量测/监测)采用诸如计算热点检测(CHD)的模块(例如，软件)，所述模块使用计算光刻模型以识别全芯片中的热点(关注的部位)以引导检查设备(例如，电子束)。CHD被配置成执行超出OPC校验(例如，与OPC相关的缺陷)且发现过程窗缺陷，并且也可以产生成千上万个关注的部位(热点)以用于全芯片设计。由于快速周转时间要求和使用检查工具进行测量的相对较低速度，可以仅对全晶片的小部分(例如，百万分之数千)热点进行检查。为了解决这种问题，计算模型采用分级指示器(也称为等级)以指示单独的热点的严重度。热点的严重度是热点图案将转化成一个或更多个实体晶片缺陷的可能性程度的量度。例如，高程度热点意味着热点可能转化成缺陷，并且相较于其它图案，与热点相关联的这样的缺陷的实际计数可能相对较高。因此，这样的热点也将分级较高。而低程度热点意味着其不大可能转化成一个或更多个缺陷且晶片上的实际缺陷计数将可能较小或不存在。这样的热点将分级较低。

基于分级，检查系统可以选择小部分关注的部位(例如，具有相对较高等级的热点)用于缺陷检查。因此，准确识别关注的部位(热点)及其程度/分级对于确保较高捕获率(即，更多的真肯定或更多揭示与图案相关的缺陷的数据)和较低的有碍率(nuisancerate)(即，更少的假肯定或更少的与无缺陷图案相关的数据)至关重要。

如先前提及的，归因于进行测量所需的时间量和资源，对所印制的晶片上的有限数目个关注的部位(例如，热点位置)执行经由量测工具的测量。不正确的热点分级可能将检查设备引导至所印制的衬底上的不太重要的位置(例如，非热点部位)，从而花费(或浪费)工具时间用于检查不大可能引起真实缺陷的图案。

在用于辅助特征(例如，SRAF和SERIF)的包括OPC的掩模设计之后，下一步骤为掩模校验，诸如OPC校验。掩模校验是在发送掩模设计以用于制造或制造设施之前用于掩模版成品出厂验证的掩模数据准备(MDP)流程中的标准步骤。这种掩模校验的目的是识别OPC后设计中将潜在地导致印制衬底上的图案化缺陷的误差或弱点。在实施例中，可以使用采用光刻可制造性检验(LMC或LMC+)的软件(诸如采用LMC规则的超光速粒子(Tachyon)软件)来执行这种掩模校验。LMC+可以指光刻校验平台，所述光刻校验平台被配置成应对高级节点(1X和低于10nm的技术节点)处的校验挑战。重新架构聚焦于三个主要目标：准确性、性能和易用性。LMC+可以包括诸如用于图像/轮廓模拟和缺陷测量之类的芯部引擎、灵活检查流程和用户可配置的检测器等元件。掩模校验的准确性依赖于包括OPC模型的图案化过程模型的准确性。过程模型的不准确度则导致遗漏衬底上的真实缺陷或不是真实的有碍缺陷。在实施例中，缺陷是指特征或特征的一部分，所述部分在成像在衬底上时不符合规范。例如，缺陷可以是颈缩、孔封闭、合并孔等等。

也发送经由LMC识别的一些缺陷以用于衬底检查或监测。在实施例中，掩模上对应于由LMC识别的缺陷的位置被称作关注的部位或热点。在实施例中，可以将关注的部位(热点)定义为当与关注的部位(热点)相关联的图案成像在衬底上时在具有变成真实缺陷的高可能性的掩模上的位置。

例如，ASML图案保真度量测(PFM)产品依赖于由LMC识别的某些图案或其位置(例如，热点)以将电子束检查仅引导至所印制的衬底上的特定位置以改善效率。归因于对PFM的周转时间要求和检查工具的速度，PFM仅能够检查整个所印制的衬底的小部分，通常数千个这些位置(例如，热点)。为了解决这种检查问题，需要基于由LMC识别的期望的图案(例如，与热点相关)在成像在衬底上时变成真实缺陷的可能性而对所述期望的图案分级，并且PFM依赖于这种热点分级以选择小部分热点以供检查。因此，准确识别关注的部位(热点)及其强度是可以被执行以确保PFM的高捕获率和低有碍率的一个步骤。

包括OPC模型的过程模型可能归因于用以改善模拟过程的速度的若干近似值而是不准确的。因此，在将严格规格施加至图案或其中的特征以便不遗漏潜在缺陷的情况下，使用更保守的方法。然而，结果为检查对应于有碍缺陷(即，可能不会出现在实际所印制的衬底上的缺陷)的大量关注的部位。

经由LMC的缺陷识别的误差也可能影响关注的部位(热点)的等级。当分级不准确时，将错误热点清单用于所引导的检查，这可能导致遗漏所印制的衬底上的真实缺陷，这是由于这可能不在所取样的热点清单中，或可以使用浪费检查时间的大量有碍缺陷。

如上文所描述的，本文中所描述的方法和系统促进以缩减的总组计数对关注的图像图案位置(与潜在缺陷相关联)进行分组，同时仍将与匹配缺陷行为相关联的潜在图案化缺陷一起分组在相同组中。更通常地，本方法和系统可以用于对任何图像图案进行分组以确定图案化过程中晶片行为。本方法和系统利用经训练的机器学习模型，如下文所描述的。这改善用于使用者的LMC(和/或LMC+)过程和/或具有其它优点。

当前LMC和/或LMC+分组方法是基于使用者定义的gds(例如，定义设计的电子文件类型)层。gds层通常是预分辨率增强技术(RET)设计。将在特定匹配范围中具有相同图案匹配(PM)层的缺陷分组成相同组。PM范围为当前分组过程中的关键因素。产生较大组计数的PM范围越大，使得与具有不同行为的潜在缺陷相关联的设计分组成相同组的PM范围则越小。随着技术节点保持收缩，潜在缺陷计数和潜在缺陷形状多样性两者都增大。因此，在基于行为的准确分组与组的总体数目之间实现平衡变得更具挑战性。此外，PM范围通常是同样适用于所有图案的全局值，而更合适的PM范围可以基于成像条件与在不同图案之间变化的图案几何形状的组合来确定的。

在典型系统中，预RET设计常常用于PM层，这意味着在所定义的PM范围内具有相同的预RET设计的单独的图案(具有关注的潜在缺陷部位)将被视为具有相同晶片行为(例如，用于分组或一些其它未来处置)。然而，单独的图案通常具有极不同RET后配置和(例如)散射栅放置(并且因此具有非常不同的行为)，即使其预RET设计相同。虽然不同潜在缺陷部位周围的单独的图案的轮廓CD可以归因于OPC校正过程中的约束而是类似的，但潜在缺陷部位周围的单独的图案的空间图像(AI)和抗蚀剂图像(RI)可以具有显著的差异，这可能引起最终晶片上图案(例如缺陷)行为的较大差异。

借助于非限制性示例，图4a图示了图案402的一个隔离线400可以如何具有不同OPC校正结果404和406。图4a图示了主OPC结构408和亚分辨率辅助特征(SRAF)410。如图4a所示，相同的预RET设计(图案402)可以具有不同的散射栅(SBAR)和/或其它RET后配置404和406。预RET设计被用于PM层(图4a中未示出)。如上文所描述的，在所限定的PM范围内具有相同的预RET设计的多个单独的图案(具有关注的潜在缺陷部位)将会被视为具有相同晶片行为(例如，用于分组或一些其它未来处置)。然而，如图4a所示，多个单独的图案常常具有不同的RET后配置和(例如)散射栅放置(并且因而具有非常不同的行为)，即使它们的预RET设计相同。

各种因素可能影响缺陷的最终晶片上行为。这些因素对长程图案特征(例如，在与潜在缺陷相关联的关注的图像图案部位的附近区域(immediate area)以外的周围特征)敏感。不幸的是，在典型系统中，对于LMC和/或LMC+，不考虑将会影响抗蚀剂后(最终)晶片(例如，缺陷)行为的大部分长程特征。借助于非限制性示例，图4b图示了包括潜在缺陷450和452的两个图案446和448(针对关注的部位)。图案446和448的区域451和453(例如，典型系统中的图案匹配(PM)范围)看起来具有相同的设计454，并且因而将会被典型系统分组成相同组。然而，如果考虑图案446和448的不同的长程特征456和458，则潜在缺陷450和452可以最终由于围绕缺陷450和452的不同长程特征456和458来在晶片上以不同方式表现。

相比于典型系统，当对在图案化过程中引起匹配(例如缺陷或其它)晶片行为的图像图案进行分组时，本方法和系统利用图案化过程图像(例如空间图像、抗蚀剂图像等)且考虑长程特征以及其它信息，而不是使用预RET设计(例如，.gds文件)和忽略长程特征。这些新图案分组方法和系统消除了基于预RET设计进行分组的缺点。本方法和系统被配置成考虑空间图像、抗蚀剂图像等、短程和长程图案特征、和/或其它信息，使得指示在有限范围内具有相同设计的缺陷的图案在若它们的最终晶片上的行为被预测为不同的情况下被分离成不同组。同时，本方法和系统被配置使得将指示具有不同设计但匹配晶片上行为的缺陷的图案被分组在一起。

由于最终晶片上行为难以检测(例如，相比于模拟结果或从晶片SEM图像提取的其它指标的平均CD/EP误差)，本方法和系统利用基于机器学习的图案分组，其中机器学习模型被训练以基于图案的(空间、抗蚀剂等)图像来预测最终晶片(和/或晶片缺陷)行为。

作为示例，机器学习模型可以是和/或包括数学方程式、算法、绘制图、图表、网络(例如神经网络)，和/或其它工具和机器学习模型部件或分量。例如，机器学习模型可以是和/或包括具有输入层、输出层、和一个或更多个中间或隐藏层的一个或更多个神经网络。在一些实施例中，所述一个或更多个神经网络可以是和/或包括深度神经网络(例如，在输入层与输出层之间具有一个或更多个中间或隐藏层的神经网络)。

所述一个或更多个神经网络可以基于神经元单元(或人工神经元)的大集合。所述一个或更多个神经网络可以不严格地模仿生物大脑工作的方式(例如，经由被轴突所连接的多个生物神经元的多个大型簇)。神经网络的每个神经元单元可以与所述神经网络的许多其它神经元单元相连接。这样的连接可以加强或抑制它们的对所连接的神经元单元的激活状态的影响。在一些实施例中，每个单独的神经元单元可以具有将所有它的输入的值组合在一起的求和函数。在一些实施例中，每个连接(或神经元单元自身)可以具有阈值函数，使得信号在其被允许传播至其它神经元单元之前必须超出阈值。这些神经网络系统可以是自学习的和经训练的，而不是被明确编程的，并且与传统计算机程序相比，在某些问题解决领域中的表现可能显著更好。在一些实施例中，所述一个或更多个神经网络可以包括多个层(例如，其中信号路径从前端层横穿至后端层)。在一些实施例中，神经网络可以利用反向传播技术，其中使用前向刺激以对“前端”神经元单元重设权重。在一些实施例中，对所述一个或更多个神经网络的刺激和抑制可能较自由流动，其中连接以较混乱且复杂的方式相互作用。在一些实施例中，所述一个或更多个神经网络的中间层包括一个或更多个卷积层、一个或更多个重现层或递归层(recurrent layer)、和/或其它层。

可以使用训练数据来训练所述一个或更多个神经网络。所述训练数据可以包括训练样本的集合。每个样本可以是包括以下两者的对：输入对象(图案化过程图像，所述图案化过程图像包括关注的部位(例如，包括潜在缺陷的部位)的图像图案和/或与特定图像相关联的向量(所述向量可以被称为特征向量))；和期望的输出值(也被称为管理信号)，诸如最终晶片和/或缺陷行为的指示。训练算法分析所述训练数据，并且通过基于所述训练数据调整所述神经网络的参数(例如所述一个或更多个层的权重)来调整所述神经网络的行为。例如，假设N个(输入数据集的计数)训练样本的集合的形式是{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}以使得x_i是第i个示例的特征向量且y_i是它的管理信号，则训练算法寻求神经网络g:X→Y，其中X是输入空间且Y是输出空间。特征向量是表示某一对象(例如，如以上示例中的图案图像)的向量。所述特征向量的尺寸取决于神经网络结构。在一些实施例中，输入样本可以是单个对象或对象/特征向量对，其也取决于神经网络结构。与这些向量相关联的向量空间常常被称作特征空间。在训练之后，所述神经网络可以用于使用新样本来进行预测。

图5图示了作为本方法的部分和/或由本系统执行的操作500的概要。例如，本方法包括基于经训练的机器学习模型将包括关注的部位(例如可能的缺陷部位)的图像图案的一个或更多个图案化过程图像504转换502成特征向量506。特征向量506对应于图像图案的特征508。本方法包括基于经训练的机器学习模型对具有指示在图案化过程中引起匹配(例如，缺陷或其它)晶片行为的图像图案的特征的特征向量进行分组510。在一些实施例中，用于对图像图案进行分组以确定晶片行为的本方法是用于对图像图案进行分组以识别在所述图案化过程中的潜在晶片缺陷的方法，并且所述方法包括基于经训练的机器学习模型将具有指示在图案化过程中引起匹配晶片缺陷行为的图像图案的特征的特征向量进行分组510。在一些实施例中，如图5所示，本方法包括一个或更多个校验操作511(例如，具有由机器学习模型预测为具有相同缺陷行为的缺陷的实体晶片的SEM检查，等等)，所述一个或更多个校验操作511被配置成校验由机器学习模型所预测的分组包括产生匹配缺陷行为(其可以用于(例如)训练所述机器学习模型)的缺陷。

在一些实施例中，所述一个或更多个图案化过程图像包括空间图像、抗蚀剂图像、和/或其它图像512。在一些实施例中，在图案化过程的OPC部分期间使用本方法。在一些实施例中，经分组的特征向量用以在光刻可制造性检验期间检测晶片上的潜在图案化缺陷。例如，在LMC操作期间，可以产生空间图像、抗蚀剂图像、掩模图像、和/或其它图像且将其储存为临时文件。在一些实施例中，特征向量描述了所述图像图案且包括与用于一个或更多个图案化过程图像的LMC和/或LMC+模型项和/或成像条件514(例如扫描器指纹)相关的特征。然而，预期到本方法的其它用途。

在一些实施例中，经训练的机器学习模型包括经训练的第一机器学习模型和经训练的第二机器学习模型，和/或其它经训练的机器学习模型。在一些实施例中，将包括图像图案的一个或更多个图案化过程图像转换成特征向量是基于经训练的第一机器学习模型。在一些实施例中，第一机器学习模型是图像编码器(例如，卷积神经网络)，所述图像编码器被训练以从空间图像和/或抗蚀剂图像提取特征，所述特征指示影响晶片或晶片缺陷行为的长程图案结构以及短程空间图像图案配置和/或抗蚀剂图像图案配置。在一些实施例中，特征提取将图像的局部特征与全局特征分离。所述第一机器学习模型被配置成将所提取到的特征编码成特征向量。换句话说，包括关注的部位(例如，可能的缺陷部位)的图像图案的单独的空间图像和/或抗蚀剂图像被编码且压缩成低维特征向量(其也可以被解码成相比于原始图像具有有限变形的空间图像和/或抗蚀剂图像)。

图6图示了将包括与关注的部位(例如，可能的缺陷部位)相关联的图像图案的一个或更多个图案化过程图像602转换600成特征向量。将包括与关注的部位(例如，可能的缺陷部位)相关联的图像图案的所述一个或更多个图案化过程图像转换成特征向量可以是和/或包括利用所述第一机器学习模型和/或其它机器学习模型的编码器604(例如，编码器架构)将所述一个或更多个图案化过程图像编码成特征向量。在图6中示出的示例中，图案化过程图像602可以是128×128×3(这种分辨率并非预期是限制性的)掩模图像、空间图像、抗蚀剂图像、和/或其它图像。在图6中示出的示例中，转换和/或编码600包括将图像602输入至神经网络606(例如，神经网络606的卷积编码器部分)中，执行展平化操作608，以及提取短程特征610和长程特征612且编码成特征向量。图6中示出的特定示例不应被视为限制性的。本方法和系统可以使用用于图像压缩的一个或更多个其它技术。

图6也图示将特征向量解码614成图像616。在这个示例中，图像616可以与图像602相似和/或相同。可以利用所述第一机器学习模型和/或其它机器学习模型的解码器615(解码器架构)来执行解码614。如图6所示，解码614可以包括基于特征向量的短程特征610和/或长程特征612而执行的解码和/或反卷积操作616、618、620和622。在一些实施例中，解码和/或反卷积操作616、618、620和622包括操作616和620，以及卷积解码操作618和622。(例如，神经网络可以被完全连接以使得前一层中的所有神经元被连接至当前层中的每个神经元以使得当前层中的每个神经元能够处理来自前一层的所有信息)。解码和/或反卷积操作620和622形成路径624的一部分，并且基于短程特征610来输出626图像630的与图像的中心区域(例如，在可能的缺陷部位处或附近)相关联的部分或图像628。这些图像628或图像630的部分可以具有(例如)32×32×3的分辨率(这并非预期是限制性的)。例如，这可以包括利用低维短程特征的高恢复率。解码和/反卷积操作616和618基于短程特征610和/或长程特征612形成路径640的一部分且输出642完整图像644。这些图像642可以具有(例如)128×128×3的分辨率(这并非预期是限制性的)。例如，这可以包括利用高维(例如，所有)特征的中等恢复率。

在一些实施例中，所述第一机器学习模型包括损失函数。如此，所述第一机器学习模型被配置成使得在(编码)压缩步骤之后丢弃一些图像信息。然而，所述第一机器学习模型被训练成使得与晶片(缺陷)行为相关的相关图像信息不被丢弃。例如，图像(例如，图6中示出的630)的中心区域中的特征的权重(作为(例如)损失函数的部分)可以高于来自图像的其它区域的特征。在一些实施例中，利用模拟空间图像和/或抗蚀剂图像来训练所述第一机器学习模型。在一些实施例中，基于来自所述第一机器学习模型的输出和额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型。在一些实施例中，所述第一机器学习模型包括所述损失函数，并且基于来自所述第一机器学习模型的输出和额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型包括调整所述损失函数。

在一些实施例中，对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组是基于经训练的第二机器学习模型。在一些实施例中，这种分组可以是和/或包括聚类和/或其它形式的分组。在一些实施例中，基于所述第二机器学习模型对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组包括：基于指示短程空间图像图案配置和/或抗蚀剂图像图案配置的特征而将特征向量分组成第一组；和基于第一组和影响晶片或晶片缺陷行为的长程图案结构而将特征向量分组成第二组。

指示短程空间图像图案配置和/或抗蚀剂图像图案配置的特征包括与针对所述一个或更多个图案化过程图像的LMC和/或LMC+模型项和/或成像条件相关的特征，和/或其它信息。这种信息不包括(例如)关于晶片缺陷行为的信息。将特征向量分组成第一组可以是(例如)粗略聚类，其中与给定第一组中的向量相对应的图像共享关注的部位中(例如，在与潜在晶片缺陷相对应的图案的部分处或附近)的类似空间和/或抗蚀剂图像图案。

所述第二组包括具有指示在图案化过程中引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量组。基于全特征向量(短程和长程图像图案配置特征、与LMC和/或LMC+模型项和/或成像条件相关的特征等)对第二组进行分组(或进行聚类)。利用来自晶片校验过程(例如，图5中示出的操作511)的所标记的晶片缺陷来训练所述第二机器学习模型。例如，作为LMC和/或LMC+操作的部分，将在潜在缺陷部位处或附近的图案的大型空间图像、抗蚀剂图像和/或其它图像与实际缺陷坐标信息配对。在一些实施例中，给定的所标记的晶片缺陷包括与以下各项相关的信息：与给定的所标记的晶片缺陷相关联的短程空间图像图案配置和/或抗蚀剂图像图案配置；与给定的所标记的晶片缺陷相关联的长程图案结构；给定的所标记的晶片缺陷在图案化过程中的行为；给定的所标记的晶片缺陷的部位的坐标以及在所述部位处的临界尺寸；给定的所标记的晶片缺陷是否为真实缺陷的指示；与在所述部位处的给定的所标记的晶片缺陷的图像的曝光相关的信息(例如，delta_focus、delta_dos、重叠误差和/或其它过程误差)；和/或其它信息。在一些实施例中，与关联于给定的所标记的晶片缺陷的短程空间图像图案配置和/或抗蚀剂图像图案配置和关联于给定的所标记的晶片缺陷的长程图案结构相关的信息是与给定的所标记的晶片缺陷是否真实的概率相关的。

利用这种训练，并且全特征向量作为输入，则所述第二机器学习模型输出特征向量的第二组(其中所述第二组包括具有指示在图案化过程中引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量组)。在一些实施例中，基于来自所述第二机器学习模型的输出、给定的所标记的晶片缺陷、来自晶片校验过程的额外的所标记的晶片缺陷、和/或其它信息来迭代地再训练所述第二机器学习模型。

图7图示了对具有指示在图案化过程中引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量702进行分组700。图7图示了将包括与关注的部位(例如，可能的缺陷部位)相关联的图像图案的一个或更多个图案化过程图像706转换(编码)704成特征向量702(也示出于图6中)。特征向量702具有短程特征710和长程特征712。图7图示了基于指示短程空间图像图案配置和/或抗蚀剂图像图案配置的特征710来将特征向量702分组714成(“粗略”)第一组716(例如，对几何学上类似的图像进行分组)，和基于第一组716、短程特征710、和影响晶片或晶片缺陷行为的长程图案结构712(例如所有特征)(例如，短程特征710和长程特征712两者均影响晶片缺陷行为)来将特征向量分组718成第二组720、722。图7也图示748被分组成第一组716的特征向量702如何共享组752内的类似的相对应的空间图像和/或抗蚀剂图像750。

在一些实施例中，所述方法包括基于对具有指示在图案化过程中引起匹配晶片缺陷行为的图像图案的特征的特征向量的分组来识别在图案化过程中具有匹配晶片缺陷行为的潜在晶片缺陷的组。这可以包括(例如)对每个组中已经被分级的潜在缺陷进行人工检查等，如上文所描述的。在图7中示出的示例中，最终由SEM检查的缺陷候选可以被标记为有风险的或安全的。这些有风险的和安全的缺陷应已由所述机器学习模型分组成不同组。如果没有分组，则可以将这种信息反馈至模型中以进一步训练所述模型。可以将新SEM校验标签连续地馈入至第二机器学习模型中以改善最终(第二)分组(聚类)结果。这种示例并非预期是限制性的。应注意，使用者也可以使用其它准则来分离不同晶片行为且再训练所述第二机器学习模型(和/或本方法和系统的任何其它机器学习模型)以输出增强的分组结果。

在一些实施例中，所述方法包括基于在图案化过程中具有匹配晶片缺陷行为的潜在晶片缺陷组来调整所述图案化过程的掩模的掩模布局设计。在一些实施例中，所述方法用以产生轨距线/缺陷候选清单以增强晶片校验的准确度和效率。例如，当使用者识别几个经确认到的晶片缺陷部位时，所述系统可以被配置成将缺陷回溯至它们所属于的组。相同组内部的其它缺陷候选可以具有其也为晶片缺陷的较高风险。本系统可以被配置成提供呈轨距线文件形式和/或呈其它形式的其它高风险候选的部位。在一些实施例中，所述方法还包括基于经训练的机器学习模型来预测用以指示单独的潜在晶片缺陷的相对严重性的分级指示器。所述分级指示器可以是潜在晶片缺陷将转化成一个或更多个实体晶片缺陷的可能性程度的量度。以这种方式，较高风险潜在缺陷可以(例如)出于检查和/或其它目的而被优先排序。作为另一示例，当使用者完成利用ML方法的分组时，可以存在一些组，其内部并无任何图像已由SEM检查以供校验。由于被本系统确定的每个组内的晶片行为相比于传统分组方法将会更加一致得多，则使用者可以随机地从每个组选取一个或若干部位以用于进一步SEM校验。设想了其它应用。

图8描绘示例检查设备(例如，散射仪)。所述散射仪包括将辐射投影至衬底W上的宽带(白光)辐射投影仪2。被重新引导的辐射被传递至光谱仪检测器4，所述光谱仪检测器测量被镜面反射的辐射的光谱10(作为波长的函数的强度)，如例如在图8的左下方的曲线图中示出。根据这种数据，可以由处理器PU例如通过严格耦合波分析和非线性回归、或通过与如图8的右下方处所示出的模拟光谱的库的比较，来重构导致所检测的光谱的结构或廓形。通常，对于重构，结构的一般形式是已知的，并且根据制造所述结构的过程的知识来假定一些变量，从而仅留下结构的几个变量以根据所测量的数据来确定。这样的检查设备可以被配置成正入射检查设备或斜入射检查设备。

图9中示出可以使用的另一检查设备。这种装置中，由辐射源2发射的辐射通过使用透镜系统12而被准直且被透射穿过干涉滤光器13和偏振器17，并且被部分反射表面16反射且经由物镜15而被聚焦至衬底W上的斑S中，所述物镜具有高数值孔径(NA)，期望地为至少0.9或至少0.95。浸没检查设备(使用相对较高折射率的流体，诸如水)甚至可以具有超过1的数值孔径。

如在光刻设备LA中(图1)那样，可以在测量操作期间提供一个或更多个衬底台以保持所述衬底W。所述衬底台的形式可以与图1的衬底台WT类似或相同。在检查设备与光刻设备集成的示例中，所述衬底台甚至可以是同一衬底台。可以将粗定位装置和精定位装置提供至第二定位装置PW，所述第二定位装置被配置成相对于测量光学系统而准确地定位所述衬底。提供各种传感器和致动器例如用以获取关注的目标的位置，并且将关注的目标带入至物镜15下方的位置中。通常将对在跨越衬底W的不同部位处的目标进行许多次测量。衬底支撑件可以在X和Y方向上移动以获取不同的目标，并且在Z方向上移动以获得目标相对于光学系统的聚焦的期望的部位。例如，当在实践中所述光学系统可以保持实质上静止(通常在X和Y方向上，但可能也在Z方向上)且仅衬底移动时，将操作考虑并描述为如同物镜被带入至相对于衬底的不同部位是方便的。假设所述衬底与所述光学系统的相对位置是正确的，则原则上无关紧要的是：衬底和光学系统中的哪一个在真实世界中移动，或两者都移动，或光学系统的一部分移动(例如，在Z方向和/或倾斜方向上)而光学系统的剩余部分静止且衬底移动(例如，在X和Y方向上，并且可选地也在Z方向和/或倾斜方向上)的组合。

由衬底W重新引导的辐射随后传递穿过部分反射表面16而进入检测器18中以便检测光谱。检测器18可以位于背向投影式焦平面11处(即，位于透镜系统15的焦距处)，或平面11可以利用辅助光学器件(未示出)而被再成像至检测器18上。所述检测器可以是二维检测器，使得能够测量衬底目标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。

参考束可以用于例如测量入射辐射的强度。为进行这种测量，当辐射束入射至部分反射表面16上时，所述辐射束的一部分被透射穿过部分反射表面16而作为参考束朝向参考反射镜14。随后将参考束投影至同一检测器18的不同部分上或替代地投影至不同的检测器(未示出)上。

一个或更多个干涉滤光器13可以用于选择在比如405至790nm或甚至更低(诸如，200至300nm)的范围内的关注的波长。干涉滤光器可以是可调谐的，而不是包括不同滤光器的集合。光栅可以被用于替代干涉滤光器。孔径光阑或空间光调制器(未示出)可以被设置在照射路径中以控制目标上的辐射的入射角的范围。

检测器18可以测量在单个波长(或窄波长范围)情况下的被重新引导的辐射的强度、分离地在多个波长情况下的被重新引导的辐射的强度，或在一定波长范围上积分的被重新引导的辐射的强度。此外，检测器可以单独地测量横向磁偏振辐射和横向电偏振辐射的强度，和/或横向磁偏振辐射与横向电偏振辐射之间的相位差。

衬底W上的目标30可以是一维光栅，其被印制成使得在显影之后，栅条由实体抗蚀剂线形成。衬底目标30可以是二维光栅，其被印制成使得在显影之后，光栅由抗蚀剂中的实体抗蚀剂导柱或通孔形成。栅条、导柱或通孔可以被蚀刻至衬底中或衬底上(例如，被蚀刻至衬底上的一个或更多个层中)。图案(例如，栅条、导柱或通孔的图案)对图案化过程中的改变(例如，光刻投影设备(具体地，投影系统PS)中的光学像差、聚焦改变、剂量改变等)敏感，并且将展现所印制的光栅的变化。因此，所印制的光栅的所测量的数据用于重构所述光栅。可以根据印制步骤和/或其它检查过程的知识，将一维光栅的一个或更多个参数(诸如，线宽和/或形状)或二维光栅的一个或更多个参数(诸如，导柱或通孔宽度或长度或形状)输入至由处理器PU执行的重构过程。

除了通过重构进行参数的测量以外，角分辨散射测量也用于产品和/或抗蚀剂图案中的特征的不对称性的测量。不对称性测量的特定应用是用于重叠的测量，其中目标30包括一组周期性特征，所述一组周期性特征被重叠在另一组周期性特征上。使用图8或图9的仪器的不对称性测量的构思在例如美国专利申请公开出版物US2006-066855中被描述，所述公开出版物的全文并入本文中。简单地说，虽然目标的衍射光谱中的衍射阶的位置仅由目标的周期性来确定，但衍射光谱中的不对称性指示了构成所述目标的单独的特征中的不对称性。在图9的仪器中(其中检测器18可以是图像传感器)，衍射阶中的这种不对称性直接呈现为由检测器18记录的光瞳图像中的不对称性。这种不对称性可以由单元PU中的数字图像处理来测量，并且可以相对于已知重叠值来校准。

图10图示了典型目标30的平面图，和图9的设备中的照射斑S的范围。为了获得没有来自周围结构的干涉的衍射光谱，在实施例中，目标30是大于照射斑S的宽度(例如，直径)的周期性结构(例如，光栅)。斑S的宽度可以小于目标的宽度和长度。换句话说，所述目标被照射“欠填充”，并且衍射信号基本上不具备来自位于目标自身之外的产品特征及其类似物的任何信号。照射布置2、12、13、17(图9)可以被配置成提供跨越物镜15的整个后焦面上的均一强度的照射。替代地，通过例如在照射路径中包括孔阑，照射可以被限制在轴线上方向或偏离轴线方向。

图11示意性地描绘基于使用量测而获得的测量数据来确定目标图案30的一个或更多个关注的变量的值的示例过程。由检测器18检测的辐射提供用于目标30的所测量的辐射分布1108。对于给定目标30，可以使用例如数值麦克斯韦求解器1110从参数化模型1106计算/模拟辐射分布1112。参数化模型1106示出构成目标且与所述目标相关联的各种材料的示例层。参数化模型1106可以包括针对考虑中的目标的部分的特征和层的变量中的一个或更多个变量，所述一个或更多个变量可以变化且被导出。如图11中所示出的，所述变量中的一个或更多个变量可以包括一个或更多个层的厚度t、一个或更多个特征的宽度w(例如，CD)、一个或更多个特征的高度h、和/或一个或更多个特征的侧壁角α。尽管未示出，但变量中的一个或更多个变量还可以包括但不限于：层中的一个或更多个层的折射率(例如，实折射率或复折射率、折射率张量等)、一个或更多个层的消光系数、一个或更多个层的吸收率、在显影期间的抗蚀剂损耗、一个或更多个特征的基脚(footing)，和/或一个或更多个特征的线边缘粗糙度。所述变量的初始值可以是针对正在被测量的目标所预期的初始值。随后在1112处比较所测量的辐射分布1108与所计算的辐射分布1112以确定两者之间的差。如果存在差，则可以使参数化模型1106的变量中的一个或更多个变量的值变化，计算新的所计算的辐射分布1112且将其与所测量的辐射分布1108进行比较，直至在所测量的辐射分布1108与所计算的辐射分布1112之间存在充分的匹配。此时，参数化模型1106的变量的值提供了实际目标30的几何形状的良好的或最佳的匹配。在实施例中，当所测量的辐射分布1108与所计算的辐射分布1112之间的差在容许阈值内时存在足够的匹配。

图12示意性地描绘电子束检查设备200的实施例。从电子源201发射的初级电子束202由聚光器透镜203会聚并且接着传递穿过束偏转器204、E×B偏转器205和物镜206以在焦点处照射衬底台1201上的衬底1200。

当利用电子束202照射所述衬底1200时，从衬底1200产生次级电子或第二电子。所述次级电子由E×B偏转器205偏转并且由次级电子检测器207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204使电子束进行二维扫描或由束偏转器204使电子束202在X或Y方向上进行重复扫描，以及由衬底台1201在X或Y方向中的另一方向上连续地移动所述衬底1200。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204可以提供的可供电子束202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207检测到的信号由模拟/数字(A/D)转换器208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300。在实施例中，所述图像处理系统300可以具有用以储存数字图像的全部或部分以供由处理单元304进行处理的存储器303。所述处理单元304(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304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300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301。显示器件301可以与图像处理系统300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13示意性地图示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，监控模块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控、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、监控等等的参数。因此，在实施例中，所述监控模块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，所述监控模块87包括计算装置。在实施例中，所述监控模块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控模块87或被安置于监控模块87内。

在实施例中，类似于使用探针来检查衬底的图12的电子束检查工具，与例如诸如图12中所描绘之类的CD SEM相比，图13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。在实施例中，上文所论述的检查设备可以是单个束或多束设备，而不限制本公开的范围。

可以处理来自例如图12和/或图13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。

图14图示诸如基脚1402和颈缩1412缺陷类型的示例缺陷。可以针对诸如剂量/聚焦之类的过程变量的某些设定来观测这些示例缺陷。对于基脚缺陷，可以执行除渣(de-scumming)以移除衬底处的支脚1404。对于颈缩2412缺陷，可以通过移除顶层1414来缩减抗蚀剂厚度。在实施例中，另一缺陷行为可以是：由一些关注的部位引起的缺陷是否可以经由图案化之后的过程固定。例如，导致缺陷的关注的部位可被分组在一起，所述缺陷可以在图案化之后的过程固定并且比其它缺陷出现的频率更低。

图15中图示了用于对图案化过程的部分进行建模和/或模拟的示例性流程图。如将了解的，所述模型可以表示不同的图案化过程且无需包括下文所描述的所有模型。源模型1500表示图案形成装置的照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。源模型1500可以表示照射的光学特性，包括但不限于：数值孔径设定、照射西格玛即照射均方偏差(σ)设定以及任何特定照射形状(例如，离轴辐射形状，诸如环形、四极、偶极等)，其中均方偏差σ(或西格玛)是照射器的外部径向范围。

投影光学器件模型1510表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布和/或相位分布的改变)。投影光学器件模型1510可以表示投影光学器件的光学特性，包括像差、失真、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。

图案形成装置/设计布局模型模块1520捕获了所述设计特征如何被布置在图案形成装置的图案中，且可以包括所述图案形成装置的详细实体属性的表示，如在例如以全文引用的方式并入的美国专利号7,587,704中描述的。在实施例中，图案形成装置/设计布局模型模块1520表示设计布局(例如，与集成电路、存储器、电子装置等的特征对应的器件设计布局)的光学特性(包括由给定设计布局引起的辐射强度分布和/或相位分布的改变)，所述设计布局是在图案形成装置上或由图案形成装置形成的特征的布置的表示。由于可以改变用于光刻投影设备中的图案形成装置，因此期望将所述图案形成装置的光学属性与至少包括照射件和投影光学器件两者的光刻投影设备的其余部分的光学属性分离。模拟的目标常常是用于准确地预测例如边缘放置和CD，可以随后比较所述边缘放置和CD与器件设计。器件设计通常被定义为预OPC图案形成装置布局，并且将以诸如GDSII或OASIS之类的标准化数字文件格式来提供。

可以根据源模型1500、投影光学器件模型1510和图案形成装置/设计布局模型1520来模拟空间图像1530。空间图像(AI)是在衬底水准处的辐射强度分布。光刻投影设备的光学属性(例如，照射件、图案形成装置和投影光学器件的属性)规定了空间图像。

由空间图像来曝光衬底上的抗蚀剂层，并且将所述空间图像转印至抗蚀剂层以作为其中的潜像“抗蚀剂图像”(RI)。可以将抗蚀剂图像(RI)限定为所述抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型1540根据空间图像1530来模拟抗蚀剂图像1550。可以使用抗蚀剂模型以根据空间图像来计算抗蚀剂图像，这种情形的示例可以在美国专利申请公开号US 2009-0157360中找到，所述美国专利的公开内容由此以全文引用的方式并入。抗蚀剂模型通常描述了在抗蚀剂曝光、曝光后焙烤(PEB)和显影期间发生的化学过程的效应，以便预测例如形成在衬底上的抗蚀剂特征的轮廓，并且因此其通常仅与抗蚀剂层的这些属性(例如，在曝光、曝光后焙烤和显影期间发生的化学过程的效应)相关。在实施例中，可以捕获抗蚀剂层的光学属性，例如折射率、膜厚度、传播和偏振效应，作为投影光学器件模型1510的部分。

通常，在所述光学模型与所述抗蚀剂模型之间的连接是所述抗蚀剂层内的模拟空间图像强度，其源自辐射至衬底上的投影、抗蚀剂界面处的折射和在抗蚀剂膜叠层中的多个反射。辐射强度分布(空间图像强度)通过吸收入射能量而转变为潜像“抗蚀剂图像”，所述潜像抗蚀剂图像通过扩散过程和各种负载效应被进一步修改。足够快以用于全芯片应用的高效模拟方法通过二维空间(和抗蚀剂)图像来逼近抗蚀剂叠层中的实际三维强度分布。

在实施例中，可以将抗蚀剂图像用作图案转印后过程模型模块1560的输入。图案转印后过程模型1560限定一个或更多个抗蚀剂显影后过程(例如，蚀刻、显影等)的性能。

图案化过程的模拟可以例如预测在抗蚀剂和/或蚀刻图像中的轮廓、CD、边缘放置(例如，边缘放置误差)等。因而，所述模拟的目标用于准确地预测例如所印制图案的边缘放置、和/或空间图像强度斜率、和/或CD等。可以将这些值与预期设计进行比较以例如校正所述图案化过程、识别预测到将要出现缺陷的位置等。预期设计通常被定义为可以用诸如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。

因而，模型公式化描述了整个过程的已知物理和化学效应，并且模型参数中的每个模型参数期望地对应于不同的物理或化学效应。因此，模型公式化设定了关于模型可以用于模拟整个制造过程的良好程度的上限。

图16是示出了可以辅助实施本文所披露的方法、流程或系统的计算机系统100的框图。计算机系统100包括总线102或用于通信信息的其他通信机构、以及与总线102联接以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100还包括主存储器106，诸如随机存取存储器(RAM)或其他动态储存装置，其联接到总线102，以用于存储待由处理器104执行的信息和指令。主存储器106还可用于在执行待由处理器104执行的指令期间存储临时变量或其他中间信息。计算机系统100还包括与总线102联接的只读存储器(ROM)108或其他静态储存装置，用于存储用于处理器104的静态信息和指令。提供诸如磁盘或光盘之类的储存装置110，并将其联接到总线102以用于储存信息和指令。

计算机系统100可以经由总线102联接到显示器112，诸如用于向计算机用户显示信息的阴极射线管(CRT)或平板或触摸面板显示器。包括字母数字键和其他键的输入装置114被联接到总线102，以用于将信息和命令选择传递至处理器104。用户输入装置的另一种类型是光标控件116，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传递给处理器104并且用于控制光标在显示器112上的移动。此输入装置通常在两个轴上具有两个自由度，即第一轴(例如，x)和第二轴(例如，y)，这允许该装置指定平面中的位置。触摸面板(屏幕)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100响应于处理器104执行被包含于主存储器106中的一个或更多个指令的一个或更多个序列来执行本文中所描述的一种或更多种方法的部分。可以从诸如储存装置110之类的另一计算机可读介质将这样的指令读取到主存储器106内。执行被包含在主存储器106中的指令的序列导致处理器104执行本文所述的过程步骤。也可以采用多处理布置中的一个或更多个处理器来执行被包含于主存储器106中的指令的序列。在替代实施例中，可以使用硬连线电路来代替软件指令、或与软件指令结合使用。因而，本文的描述不限于硬件电路和软件的任何特定组合。

如本文所使用的术语“计算机可读介质”是指参与向处理器104提供指令以供执行的任何介质。这种介质可以采用许多形式，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110。易失性介质包括动态存储器，诸如主存储器106。传输介质包括同轴电缆、铜线和光纤，包括构成总线102的线缆。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)数据通信期间所产生的声波或光波。计算机可读介质的常见形式包括，例如，软式磁碟片、挠性磁盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光学介质、打孔卡、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卡匣、以及下文所述的载波、或可供计算机从中读取的任何其他介质。

各种形式的计算机可读介质可以涉及携载一个或更多个指令的一个或更多个序列至处理器104以供执行。例如，所述指令可以最初承载于远程计算机的磁盘上。所述远程计算机可以将所述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路发送指令。计算机系统100本地的调制解调器可以在电话线路上接收数据，并且使用红外发射器将数据转换为红外信号。联接到总线102的红外检测器可以接收在红外信号中所携载的数据，并且将数据置于总线102上。总线102将数据携载至主存储器106，处理器104从主存储器106检索并且执行指令。由主存储器106所接收的指令可以可选地在由处理器104执行之前或之后被储存在储存装置110上。

计算机系统100也可以包括联接到总线102的通信接口118。通信接口118提供联接到与本地网络122相连接的网络链路120的双向数据通信。例如，通信接口118可以是集成服务数字网络(ISDN)卡或调制解调器，以提供通往对应类型电话线路的数据通信连接。作为另一个示例，通信接口118可以是局域网(LAN)卡，以提供通往兼容LAN的数据通信连接。无线链接也可以被实施。在任何这样的实施方式中，通信接口118发送和接收携带有表示各种类型信息的数字数据流的电信号、电磁信号或光学信号。

网络链路120通常通过一个或更多个网络提供通往其他数据装置的数据通信。例如，网络链路120可以提供穿过局域网122到主机电脑的连接或到由互联网服务提供商(ISP)126所操作的数据设备的连接。ISP 126继而通过全球封包数据通信网络(现在通常称为“互联网”128)提供数据通信服务。局域网122和互联网128两者都使用携带数字数据流的电信号、电磁信号或光学信号。通过各种网络的信号和在网络链路120上并且通过通信接口118的信号(其携带发送给计算机系统100和来自计算机系统100的数字数据)是传输信息的载波的示例形式。

计计算机系统100可以通过网络、网络链接120和通信接口118来发送消息并且接收数据，包括程序代码。在互联网的示例中，服务器130可以通过互联网128、ISP 126、局域网122和通信接口118来传输针对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全部或部分。所接收到的代码可以在被接收到时由处理器104执行，和/或被储存在储存装置110或其他非易失性储存装置中，以供稍后执行。以这种方式，计算机系统100可以获得呈载波形式的应用代码。

图17示意性地描绘了可以与本文所描述技术结合而使用的示例性光刻投影设备。所述设备包括：

-照射系统IL，所述照射系统IL用于调节辐射束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，所述第一物体台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项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，所述第二物体台具有用于保持衬底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项PS来准确地定位衬底的第二定位器；

-投影系统(“透镜”)PS(例如，折射型、反射型或反射折射型光学系统)，所述投影系统用于将图案形成装置MA的被辐射的部分成像到衬底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，所述设备属于透射类型(例如，采用透射型图案形成装置)。然而，一般而言，它可以属于反射类型(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之类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。

关于图17应注意，虽然源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)；后一情形经常是当源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随后截断于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穿过透镜PL，该透镜PL将所述束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获取图案形成装置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，将借助于没有被明确地描绘的长行程模块(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：

-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。然后，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辐射；

-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，可以在不必对分辨率进行折衷的情况下曝光相对大的目标部分C。

图18更详细地示出设备1000，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，其中产生非常热的等离子体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非常的等离子体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18中示出的元件以外的1-6个额外的反射元件。

如图18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的嵌套收集器，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。

替代地，源收集器模块SO可以是如图19所示的LPP辐射系统的一部分。激光器LA布置成将激光能量沉积到诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中，从而产生具有几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。

可以使用以下方面来进一步描述实施例：

1.一种用于利用经训练的机器学习模型对图像图案进行分组以确定图案化过程中晶片行为的方法，所述方法包括：

基于经训练的机器学习模型将包括所述图像图案的一个或更多个图案化过程图像转换成特征向量，所述特征向量对应于所述图像图案；和

基于经训练的机器学习模型对具有指示在所述图案化过程中引起匹配晶片行为的图像图案的特征的特征向量进行分组。

2.根据方面1所述的方法，其中所述用于对图像图案进行分组以确定晶片行为的方法是一种用于对图像图案进行分组以识别所述图案化过程中的潜在晶片缺陷的方法，所述方法还包括：

基于经训练的机器学习模型对具有指示在所述图案化过程中引起匹配晶片缺陷行为的图像图案的特征的特征向量进行分组。

3.根据方面1或2所述的方法，其中所述一个或更多个图案化过程图像包括空间图像和/或抗蚀剂图像。

4.根据方面1至3中任一项所述的方法，还包括：使用经分组的特征向量以促成在光刻可制造性检验(LMC)期间检测晶片上的潜在图案化缺陷。

5.根据方面1至4中任一项所述的方法，其中经训练的机器学习模型包括经训练的第一机器学习模型和经训练的第二机器学习模型，其中将包括图像图案的一个或更多个图案化过程图像转换成特征向量是基于所述经训练的第一机器学习模型，并且其中对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组是基于所述经训练的第二机器学习模型。

6.根据方面5所述的方法，其中所述第一机器学习模型是被训练以执行以下操作的图像编码器：

从空间图像和/或抗蚀剂图像提取指示以下各项的特征：

短程空间图像图案配置和/或抗蚀剂图像图案配置；和

影响晶片或晶片缺陷行为的长程图案结构；和

将提取到的特征编码成特征向量。

7.根据方面6所述的方法，其中所述第一机器学习模型包括损失函数。

8.根据方面6或7所述的方法，其中基于所述第二机器学习模型对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组包括：

基于指示短程空间图像图案配置和/或抗蚀剂图像图案配置的特征而将所述特征向量分组成第一组，和

基于所述第一组和影响晶片或晶片缺陷行为的长程图案结构而将所述特征向量分组成第二组，

使得所述第二组包括具有指示在图案化过程中引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量组。

9.根据方面5至8中任一项所述的方法，还包括：利用模拟空间图像和/或抗蚀剂图像来训练所述第一机器学习模型。

10.根据方面9所述的方法，还包括：基于来自所述第一机器学习模型的输出和额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型。

11.根据方面10所述的方法，其中所述第一机器学习模型包括所述损失函数，并且基于来自所述第一机器学习模型的输出和所述额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型包括调整所述损失函数。

12.根据方面5至11中任一项所述的方法，还包括：利用来自晶片校验过程的所标记的晶片缺陷来训练所述第二机器学习模型。

13.根据方面12所述的方法，其中给定的所标记的晶片缺陷包括与以下各项相关的信息：与给定的所标记的晶片缺陷相关联的短程空间图像图案配置和/或抗蚀剂图像图案配置；与给定的所标记的晶片缺陷相关联的长程图案结构；给定的所标记的晶片缺陷在图案化过程中的行为；给定的所标记的晶片缺陷的部位坐标和在所述部位处的临界尺寸；给定的所标记的晶片缺陷是否为真实缺陷的指示；和/或与在所述部位处的给定的所标记的晶片缺陷的图像的曝光相关的信息。

14.根据方面13所述的方法，其中与关联于给定的所标记的晶片缺陷的短程空间图像图案配置和/或抗蚀剂图像图案配置和关联于给定的所标记的晶片缺陷的长程图案结构有关的信息是与给定的所标记的晶片缺陷是否真实的概率相关的。

15.根据方面14所述的方法，还包括：基于来自所述第二机器学习模型的输出、给定的所标记的晶片缺陷、和来自所述晶片校验过程的额外的所标记的晶片缺陷，来迭代地再训练所述第二机器学习模型。

16.根据方面1至15中任一项所述的方法，其中所述特征向量描述所述图像图案且包括与用于所述一个或更多个图案化过程图像的LMC模型项和/或成像条件相关的特征。

17.根据方面16所述的方法，其中所述方法包括基于指示所述短程空间图像图案配置和/或抗蚀剂图像图案配置的特征而将所述特征向量分组成第一组，并且

其中指示所述短程空间图像图案配置和/或抗蚀剂图像图案配置的特征包括与用于所述一个或更多个图案化过程图像的LMC模型项和/或成像条件相关的特征。

18.根据方面1至17中任一项所述的方法，其中在所述图案化过程的光学邻近效应校正(OPC)部分期间使用所述方法。

19.根据方面18所述的方法，还包括：基于对具有指示在所述图案化过程中引起所述匹配晶片缺陷行为的图像图案的特征的特征向量的分组来识别在所述图案化过程中具有匹配晶片缺陷行为的潜在晶片缺陷的组。

20.根据方面19所述的方法，还包括：基于在所述图案化过程中具有所述匹配晶片缺陷行为的潜在晶片缺陷的组来调整所述图案化过程的掩模的掩模布局设计。

21.根据方面1至20中任一项所述的方法，其中所述方法用以产生轨距线/缺陷候选清单以增强晶片校验的准确度和效率。

22.根据方面1至21中任一项所述的方法，还包括：基于经训练的机器学习模型来预测用以指示单独的潜在晶片缺陷的相对严重性的分级指示器，所述分级指示器是潜在晶片缺陷将转化为一个或更多个实体晶片缺陷的可能程度的量度。

23.一种计算机程序产品，所述计算机程序产品包括其上记录有指令的非暂时性计算机可读介质，所述指令当由计算机执行时实施根据方面1至22中任一项所述的方法。

本文中所披露的概念可以对用于对次波长特征进行成像的任何通用成像系统进行模拟或在数学上建模，并且在能够产生具有越来越小的大小的波长的新兴成像技术中可能尤其有用。已经在使用中的新兴技术包括能够通过使用ArF激光器产生193nm波长且甚至能够通过使用氟激光器产生157nm波长的极紫外线(EUV)光刻术。此外，EUV光刻能够通过使用同步加速器或通过利用高能电子来射到材料(固体或等离子体)而产生在20至5nm的范围内的波长，以便产生这种范围内的光子。

虽然本文中所披露的概念可以用于在诸如硅晶片的衬底上的成像，但应理解，所披露的概念可以与任何类型的光刻成像系统一起使用，例如，用于在除硅晶片以外的衬底上的成像的光刻成像系统。

另外，如本文中使用的术语“投影光学元件”应该被宽泛地解释(除了上文所描述的内容以外)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。

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。

Claims (15)

1.一种用于利用经训练的机器学习模型对图像图案进行分组以确定图案化过程中晶片行为的方法，所述方法包括：

基于经训练的机器学习模型将包括所述图像图案的一个或更多个图案化过程图像转换成特征向量，所述特征向量对应于所述图像图案；和

基于经训练的机器学习模型对具有指示在所述图案化过程中引起匹配晶片行为的图像图案的特征的特征向量进行分组。

2.根据权利要求1所述的方法，其中所述用于对图像图案进行分组以确定晶片行为的方法是一种用于对图像图案进行分组以识别所述图案化过程中的潜在晶片缺陷的方法，所述方法还包括：

基于经训练的机器学习模型对具有指示在所述图案化过程中引起匹配晶片缺陷行为的图像图案的特征的特征向量进行分组。

3.根据权利要求1所述的方法，其中所述一个或更多个图案化过程图像包括空间图像和/或抗蚀剂图像。

4.根据权利要求1所述的方法，所述方法还包括：使用经分组的特征向量以促成在光刻可制造性检验(LMC)期间检测晶片上的潜在图案化缺陷。

5.根据权利要求1所述的方法，其中经训练的机器学习模型包括经训练的第一机器学习模型和经训练的第二机器学习模型，其中将包括图像图案的一个或更多个图案化过程图像转换成特征向量是基于所述经训练的第一机器学习模型，并且其中对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组是基于所述经训练的第二机器学习模型。

6.根据权利要求5所述的方法，其中所述第一机器学习模型是被训练以执行以下操作的图像编码器：

从空间图像和/或抗蚀剂图像提取指示以下各项的特征：

短程空间图像图案配置和/或抗蚀剂图像图案配置；和

影响晶片或晶片缺陷行为的长程图案结构；和

将提取到的特征编码成特征向量；和/或

其中所述第一机器学习模型包括损失函数。

7.根据权利要求6所述的方法，其中基于所述第二机器学习模型对具有指示引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量进行分组包括：

基于指示短程空间图像图案配置和/或抗蚀剂图像图案配置的特征而将所述特征向量分组成第一组，和

基于所述第一组和影响晶片或晶片缺陷行为的长程图案结构而将所述特征向量分组成第二组，

使得所述第二组包括具有指示在图案化过程中引起匹配晶片或晶片缺陷行为的图像图案的特征的特征向量组。

8.根据权利要求5所述的方法，所述方法还包括：利用模拟空间图像和/或抗蚀剂图像来训练所述第一机器学习模型。

9.根据权利要求8所述的方法，所述方法还包括：基于来自所述第一机器学习模型的输出和额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型；和/或

其中所述第一机器学习模型包括所述损失函数，并且基于来自所述第一机器学习模型的输出和所述额外的模拟空间和/或抗蚀剂图像来迭代地再训练所述第一机器学习模型包括调整所述损失函数。

10.根据权利要求5所述的方法，所述方法还包括：利用来自晶片校验过程的所标记的晶片缺陷来训练所述第二机器学习模型；和/或

其中给定的所标记的晶片缺陷包括与以下各项相关的信息：与给定的所标记的晶片缺陷相关联的短程空间图像图案配置和/或抗蚀剂图像图案配置；与给定的所标记的晶片缺陷相关联的长程图案结构；给定的所标记的晶片缺陷在图案化过程中的行为；给定的所标记的晶片缺陷的部位坐标和在所述部位处的临界尺寸；给定的所标记的晶片缺陷是否为真实缺陷的指示；和/或与在所述部位处的给定的所标记的晶片缺陷的图像的曝光相关的信息。

11.根据权利要求10所述的方法，其中与关联于给定的所标记的晶片缺陷的短程空间图像图案配置和/或抗蚀剂图像图案配置和关联于给定的所标记的晶片缺陷的长程图案结构有关的信息是与给定的所标记的晶片缺陷是否真实的概率相关的；和/或

其中，所述方法还包括：基于来自所述第二机器学习模型的输出、给定的所标记的晶片缺陷、和来自所述晶片校验过程的额外的所标记的晶片缺陷，来迭代地再训练所述第二机器学习模型。

12.根据权利要求1所述的方法，其中所述特征向量描述所述图像图案且包括与用于所述一个或更多个图案化过程图像的LMC模型项和/或成像条件相关的特征。

13.根据权利要求12所述的方法，其中所述方法包括基于指示所述短程空间图像图案配置和/或抗蚀剂图像图案配置的特征而将所述特征向量分组成第一组，并且

其中指示所述短程空间图像图案配置和/或抗蚀剂图像图案配置的特征包括与用于所述一个或更多个图案化过程图像的LMC模型项和/或成像条件相关的特征。

14.根据权利要求1所述的方法，所述方法还包括：由硬件计算机系统训练所述机器学习模型，所述机器学习模型被配置成通过对具有指示在所述图案化过程中引起匹配晶片行为的图像图案的特征的特征向量进行分组来预测晶片行为。

15.一种计算机程序产品，所述计算机程序产品包括其上记录有指令的非暂时性计算机可读介质，所述指令当由计算机执行时实施根据权利要求1所述的方法。

Images