CN113366390A - 半导体制造过程中的决定方法 - Google Patents

Abstract

描述了一种用于对经历包括多个操作的半导体制造过程的衬底进行分类的方法，该方法包括：获得从在对衬底的多个操作中的一个或多个操作期间生成的数据中得出的功能指示器的值，功能指示器表征至少一个操作；将包括一个或多个阈值的决定模型应用于功能指示器的值以获得一个或多个分类指示器；以及基于一个或多个分类指示器为衬底分配类别。

Description

半导体制造过程中的决定方法

领域

本申请要求于2019年1月29日提交的EP申请19154100.2、于2019年2月6日提交的EP申请19155660.4和于2019年11月18日提交的EP申请19209695.6的优先权，这些申请的全部内容通过引用并入本文。

技术领域

本发明涉及一种半导体制造过程、特别是用于对经历半导体制造过程的衬底进行分类例如以使得能够做出诸如衬底是否应当被返工、检查或进行半导体制造过程的进一步的过程步骤的决定的方法。

背景技术

光刻设备是一种被构造为将期望图案施加到衬底上的机器。光刻设备可以用于例如集成电路(IC)的制造中。光刻设备可以例如在图案形成装置(例如，掩模)处将图案(通常也称为“设计布局”或“设计”)投影到设置在衬底(例如，晶片)上的辐射敏感材料(抗蚀剂)的层上。

为了将图案投影到衬底上，光刻设备可以使用电磁辐射。该辐射的波长决定了可以在衬底上形成的特征的最小尺寸。当前使用的典型波长是365nm(i线)、248nm、193nm和13.5nm。与使用例如波长为193nm的辐射的光刻设备相比，使用波长在4-20nm范围内(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更小的特征。

低k1光刻可以用于处理尺寸小于光刻设备的经典分辨率极限的特征。在这样的过程中，分辨率公式可以表示为CD＝k1×λ/NA，其中λ是所采用的辐射波长，NA是光刻设备中投影光学器件的数值孔径，CD是“临界尺寸”(通常打印的最小特征尺寸，但在这种情况下为半间距)，k1是经验分辨率。通常，k1越小，就越难以在衬底上复制与电路设计者为实现特定电气功能和性能而计划的形状和尺寸类似的图案。为了克服这些困难，可以将复杂的微调步骤应用于光刻投影设备和/或设计布局。这些包括例如但不限于NA的优化、定制的照射方案、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校正(OPC，有时也称为“光学和过程校正”))、或通常定义为“分辨率增强技术”(RET)的其他方法。替代地，可以使用用于控制光刻设备的稳定性的严格控制回路来改善低k1下的图案的再现。

这些严格控制回路通常基于使用量测工具而获得的量测数据，该量测工具测量所施加的图案的特性或表示所施加的图案的量测目标的特性。通常，量测工具基于图案和/或目标的位置和/或尺寸的光学测量。本质上，假定这些光学测量结果表示集成电路的制造过程的质量。

除了基于光学测量的控制，还可以执行基于电子束的测量；其中可以利用使用电子束工具(由HMI提供)的所谓的低电压测量。这样的低电压对比度测量指示施加到衬底的各层之间的电接触的质量。

为了避免产率损失(衬底的完全损失和报废)，有时需要对衬底返工。返工本质上包括取消先前曝光步骤，例如通过剥离所有曝光层，并且重新曝光该层。这在确定曝光结构在某种程度上不符合规格时可能是必要的；例如，如果重叠太大，或者CD太小或不够均匀，使得器件很可能无法正常工作。然而，返工、甚至检查衬底以查看是否需要返工会导致显著的产量损失。因此，需要一种用于做出诸如这些(和其他)决定的改进方法。

发明内容

本发明人的一个目的是解决现有技术的上述缺点。

在本发明的第一方面，提供了一种用于对经历包括多个操作的半导体制造过程的衬底进行分类的方法，该方法包括：获得从在对衬底的多个操作中的一个或多个操作期间生成的数据中得出的功能指示器的值，功能指示器表征至少一个操作；将包括一个或多个阈值的决定模型应用于功能指示器的值以获得一个或多个分类指示器；以及基于一个或多个分类指示器为衬底分配类别。

在本发明的第二方面，提供了一种用于构造用于在半导体制造过程内做出决定的决定模型的方法，该方法包括：获得与半导体制造过程的图案化步骤的一个或多个参数相关的数据；从该数据中得出一个或多个分类指示器，一个或多个分类指示器中的每个分类指示器基于至少一个阈值指示半导体制造过程的质量；以及根据对已经经历上述图案化步骤并且具有分配的对应决定和/或类别的衬底执行的测量来训练决定模型，上述训练针对上述一个或多个阈值中的每个阈值设置值，使得上述决定模型基于上述数据针对一个或多个分类指示器中的每个分类指示器输出适当值。

附图说明

现在将仅通过示例的方式，参考所附的示意图来描述本发明的实施例，在附图中：

图1示出了光刻设备的示意图；

图2示出了光刻单元的示意概述图；

图3示出了整体光刻的示意图，以表示用于优化半导体制造的三种关键技术之间的协作；

图4是根据本发明的第一实施例的决定做出方法的流程图。

图5是本发明的实施例的故障检测和分类内的参数和指示器层级的流程图；以及

图6包括与公共时间范围相关的三个图：图6(a)是原始参数数据、更具体地是掩模版对准(RA)数据与时间t的关系图；图6(b)是根据本发明的实施例的方法而得出的等效非线性模型函数mf；以及图6(c)包括图6(a)和图6(b)的图之间的残差Δ，示出了根据本发明的实施例的方法的分类指示器；

图7示出了在概念上说明使用两个决定边界的实施例的两个时刻的数据群；

图8是描述图7中在概念上说明的方法的流程图；

图9示出了(a)描述在本文中公开的实施例中可使用的转印学习方法的流程图，以及(b)针对这种实施例和没有迁移学习的实施例的性能与训练的关系图；

图10是描述生成合成训练数据并且使用它来训练在本文中公开的实施例中可使用的模型的方法的流程图；以及

图11是说明可以帮助实现根据本发明的实施例的方法的计算机系统的框图。

具体实施方式

在本文档中，术语“辐射”和“束”用于涵盖所有类型的电磁辐射，包括紫外线辐射(例如，波长为365、248、193、157或126nm)和EUV(极紫外线辐射，例如，波长在约5-100nm的范围内)。

本文中使用的术语“掩模版”、“掩模”或“图案形成装置”可以广义地解释为是指通用图案形成装置，该通用图案形成装置可以用于向入射的辐射束赋予与将在衬底的目标部分中产生的图案相对应的图案化横截面；在该上下文中也可以使用术语“光阀”。除了经典掩模(透射或反射掩模；二元、相移、混合等)，其他这样的图案形成装置的示例还包括：

-可编程反射镜阵列。关于这样的反射镜阵列的更多信息在美国专利号5,296,891和5,523,193(其通过引用并入本文)中给出。

-可编程LCD阵列。这样的构造的一个示例在美国专利号5,229,872(其通过引用并入本文)中给出。

图1示意性地示出了光刻设备LA。光刻设备LA包括：照射系统(也称为照射器)IL，其被配置为调节辐射束B(例如，UV辐射、DUV辐射或EUV辐射)；支撑结构(例如，掩模台)MT，其被构造为支撑图案形成装置(例如，掩模)MA并且连接到第一定位器PM，第一定位器PM被配置为根据某些参数准确地定位图案形成装置MA；衬底台(例如，晶片台)WT，其被构造为保持衬底(例如，涂覆有抗蚀剂的晶片)W并且连接到第二定位器PW，第二定位器PW被配置为根据某些参数准确地定位衬底；以及投影系统(例如，折射投影透镜系统)PS，其被配置为将通过图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如，包括一个或多个管芯)上。

在操作中，照射器IL接收来自辐射源SO的辐射束，例如经由束传输系统BD。照射系统IL可以包括用于引导、整形或控制辐射的各种类型的光学组件，诸如折射、反射、磁性、电磁、静电或其他类型的光学组件、或其任何组合。照射器IL可以用于调节辐射束B以使其在图案形成装置MA的平面处在其横截面中具有期望的空间和角度强度分布。

本文中使用的术语“投影系统”PS应当广义地解释为涵盖各种类型的投影系统，包括折射、反射、折反射、变形、磁性、电磁和静电光学系统、或其任何组合，该投影系统适合于所使用的曝光辐射或其他因素(诸如浸没液体的使用或真空的使用)。本文中对术语“投影透镜”的任何使用可以被认为与更通用的术语“投影系统”PS同义。

光刻设备可以是如下这样的类型：其中衬底的至少一部分可以被具有相对较高折射率的液体(例如，水)覆盖，以填充投影系统与衬底之间的空间，这也称为浸没式光刻。关于浸没技术的更多信息在美国专利号6,952,253和PCT公开号WO99-49504(其通过引用并入本文)中给出。

光刻设备LA也可以是具有两个(双台)或更多个衬底台WT和例如两个或更多个支撑结构MT(未示出)的类型。在这样的“多台”机器中，可以并行地使用附加台/结构，或者可以在一个或多个台上执行准备步骤，而将一个或多个其他台用于将图案形成装置MA的设计布局暴露到衬底W上。

在操作中，辐射束B入射到图案形成装置(例如，掩模MA)上，该图案形成装置被保持在支撑结构(例如，掩模台MT)上，并且由图案形成装置MA图案化。在穿过掩模MA之后，辐射束B穿过投影系统PS，该投影系统PS将束聚焦到衬底W的目标部分C上。借助于第二定位器PW和位置传感器IF(例如，干涉仪、线性编码器、二维编码器或电容传感器)，可以准确地移动衬底台WT，例如，以便在辐射束B的路径中定位不同目标部分C。类似地，第一定位器PM和可能的另一位置传感器(未在图1中明确示出)可以用于相对于辐射束B的路径准确地定位掩模MA。可以使用掩模对准标记M1、M2和衬底对准标记P1、P2来对准掩模MA和衬底W。尽管所示的衬底对准标记占据专用目标部分，但是它们可以位于目标部分之间的空间中(这些称为划线对准标记)。

如图2所示，光刻设备LA可以形成光刻单元LC的一部分，该光刻单元LC有时也称为光刻单元或(光刻)簇，其通常还包括用于在衬底W上执行曝光前和曝光后过程的设备。常规地，这些包括例如用于沉积抗蚀剂层的旋涂器SC、用于显影曝光抗蚀剂的显影剂DE、冷却板CH和烘烤板BK，例如用于调节衬底的温度W，例如用于调节抗蚀剂层中的溶剂。衬底处理器或机械手RO从输入/输出端口I/O1、I/O2拾取衬底W，在不同处理设备之间移动衬底W，并且将衬底W输送到光刻设备LA的装载台LB。光刻单元中的装置(通常也统称为轨道)通常受轨道控制单元TCU的控制，轨道控制单元TCU本身可以由监督控制系统SCS控制，SCS也可以控制光刻设备LA，例如经由光刻控制单元LACU。

为了使由光刻设备LA曝光的衬底W被正确且一致地曝光，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。为此，检查工具(未示出)可以被包括在光刻单元LC中。如果检测到误差，则例如可以对后续衬底的曝光或要对衬底W执行的其他过程步骤进行调节，尤其是在仍要曝光或处理同一批量或批次的其他衬底W之前进行检查的情况下。

检查设备(也可以称为量测设备)用于确定衬底W的性质，尤其是确定不同衬底W的性质如何变化或者与同一衬底W的不同层相关的性质如何在层之间变化。检查设备可以替代地被构造为识别衬底W上的缺陷，并且可以例如是光刻单元LC的一部分，或者可以被集成到光刻设备LA中，或者甚至可以是独立装置。检查设备可以测量潜像(在曝光之后在抗蚀剂层中的图像)、半潜像(在曝光后烘烤步骤PEB之后在抗蚀剂层中的图像)或显影抗蚀剂图像(其中抗蚀剂的已曝光或未曝光部分已经除去)，或甚至蚀刻图像(在诸如蚀刻等图案转印步骤之后)上的性质。

通常，光刻设备LA中的图案化过程是要求在衬底W上进行结构的高精度的定尺寸和放置的处理中的最关键的步骤之一。为了确保这种高精度，可以将三个系统组合成所谓的“整体”控制环境，如图3所示。这些系统之一是(虚拟)连接到量测工具MT(第二系统)和计算机系统CL(第三系统)的光刻设备LA。这样的“整体”环境的关键是优化这三个系统之间的协作以增强整个过程窗口，并且提供严格控制回路以确保由光刻设备LA执行的图案化保持在过程窗口内。过程窗口定义了一系列过程参数(例如，剂量、聚焦、重叠)，在该系列过程参数范围内，特定制造过程会产生定义的结果(例如，功能性半导体器件)，通常在该系列过程参数范围内允许光刻过程或图案化过程中的过程参数发生改变。

计算机系统CL可以使用要图案化的设计布局(的一部分)来预测要使用的分辨率增强技术以及执行计算光刻模拟和计算，以确定哪些掩模布局和光刻设备设置可以实现图案化过程的最大的总体过程窗口(在图3中由第一标度SC1的双白色箭头表示)。通常，分辨率增强技术被布置为匹配光刻设备LA的图案化可能性。计算机系统CL还可以用于检测光刻设备LA当前正在过程窗口内的哪个位置操作(例如，使用来自量测工具MT的输入)，以便预测是否由于例如次最佳处理而可能存在缺陷(在图3中由第二标度SC2的指向“0”的箭头表示)。

量测工具MT可以向计算机系统CL提供输入以实现准确的模拟和预测，并且可以向光刻设备LA提供反馈以识别例如，在光刻设备LA的校准状态下(在图3中由第三标度SC3的多个箭头表示)可能的漂移。

光刻设备LA被配置为将图案准确地复制到衬底上。所施加的特征的位置和尺寸必须在一定的公差范围内。可能会由于重叠误差(通常称为“重叠”)而发生位置误差。重叠是相对于第二曝光期间的第二特征来在第一曝光期间放置第一特征时的误差。光刻设备通过在图案化之前将每个晶片与参考准确对准来使重叠误差最小化。这是通过使用对准传感器测量衬底上的对准标记的位置来进行的。关于对准过程的更多信息可以在美国专利申请公开号US20100214550(其通过引用并入本文)中找到。例如，当衬底相对于光刻设备的焦平面未正确定位时，可能发生图案尺寸标定(例如，CD)误差。这些聚焦位置误差可以与衬底表面的不平坦度相关联。光刻设备通过在使用水平传感器进行图案化之前测量衬底表面形貌来使这些聚焦位置误差最小化。在后续图案化期间应用衬底高度校正以确保将图案形成装置正确成像(聚焦)到衬底上。关于水平传感器系统的更多信息可以在美国专利申请公开号US20070085991(其通过引用并入本文)中找到。

除了光刻设备LA和量测设备MT，在IC生产期间也可以使用其他处理设备。在将图案曝光到抗蚀剂中之后，蚀刻站(未示出)对衬底进行处理。蚀刻站将图案从抗蚀剂转印到抗蚀剂层下面的一层或多层中。通常，蚀刻基于等离子体介质的施加。局部蚀刻特性可以例如使用衬底的温度控制或使用压控环引导等离子体介质来控制。关于蚀刻控制的更多信息可以在国际专利申请公开号WO2011081645和美国专利申请公开号US 20060016561(其通过引用并入本文)中找到。

在IC的制造过程中，用于使用诸如光刻设备或蚀刻站等处理设备来处理衬底的处理条件保持稳定是非常重要的，使得特征的性质保持在某些控制极限的范围内。对于IC的功能性部分的特征，即，产品特征，过程的稳定性特别重要。为了保证稳定的处理，过程控制能力需要就位。过程控制涉及对处理数据的监测和用于过程校正的手段的实现，例如基于处理数据的特性来控制处理设备。过程控制可以基于由量测设备MT进行的周期性测量，常被称为“先进过程控制”(进一步也称为APC)。关于APC的更多信息可以在美国专利申请公开号US20120008127(其通过引用并入本文)中找到。典型的APC实现涉及对衬底上的量测特征的周期性测量以监测和校正与一个或多个处理设备相关联的漂移。量测特征反映了对产品特征的过程变化的响应。与产品特征的敏感性相比，量测特征对过程变化的敏感性可以有所不同。在这种情况下，可以确定所谓的“量测到器件”的偏移(进一步也称为MTD)。为了模仿产品特征的行为，量测目标可以合并分段特征、辅助特征或具有特定几何形状和/或尺寸的特征。精心设计的量测目标应当以与产品特征类似的方式对过程变化做出响应。关于量测目标设计的更多信息可以在国际专利申请公开号WO 2015101458(其通过引用并入本文)中找到。

术语指纹可以是指被测信号的主要(系统性)贡献者(“潜在因素”)，并且特别地是指与晶片上的性能影响或先前的过程步骤有关的贡献者。这样的指纹可以是指衬底(网格)图案(例如，来自对准、调平、重叠、聚焦、CD)、场图案(例如，来自场内对准、调平、重叠、聚焦、CD)、衬底区域图案(例如，晶片测量的最外半径)或甚至扫描仪测量中与晶片曝光有关的图案(例如，掩模版对准测量对整个批次的加热特征、温度/压力/伺服轮廓等)。指纹可以被包括在指纹集合内，并且可以在其中被均匀或不均匀地编码。

通常在处理衬底之后获得电气测量数据。典型地，当执行电气量测以获得电气测量数据时，使用探针来测量衬底上的所有管芯，探针与在处理期间形成的电路(接近)接触。可以执行各种类型的测量；例如，电压、电流、电阻、电容和电感测量。这些测量可以在不同条件(例如，频率、电压、电流)下以及在整个管芯上的多个位置处执行。电气测量可以包括对特定结构/特征或器件是否起作用(例如，合格)的评估。替代地或另外地，可以根据“二元码”对电气测量进行分类。在特定条件下与特定测量参数(电流、电压、电阻、电容、电感)相关联的电气测量通常称为单独的“二元码”。因此，整个管芯上的典型电气测量可以由多个图表示，每个图表示与特定二元码相关联的值的空间分布。在全文中，“二元码”和“电气特性”被同义地使用，使得与衬底相关联的二元码的值被称为衬底的电气特性的值。电气测量数据还可以包括位不对称数据或任何其他产率参数。

所测量的电气特性的性质(最小值、最大值、方差或任何其他统计度量)是关于管芯上的某个电路将起作用的概率的重要指示器。因此，电气特性与过程产率之间存在着很强的关系。因此，对于产率控制，电气特性测量是必不可少的。但是，它们也很费时，并且仅在半导体制造过程的最后阶段执行(例如，当实际上没有用于校正非功能性电路的选项时)。

决定在曝光之后应当检查和/或返工哪些衬底是将对产量和产率产生影响的一个重要的考虑因素。分类错误将导致产率浪费，因为将处理未检测到的不符合规格/不起作用的器件，或者错误肯定过多，导致不必要的检查和效率低下。

目前，统计控制技术被应用于扫描仪数据以设置控制极限，以决定在曝光之后应当检查或返工哪些衬底。但是，可用于这样的分析的数据量非常大。如果没有深入的扫描仪知识，需要过程知识和蛮力数据分析技术来识别正确参数，从而导致数据的次优使用。统计控制技术对扫描仪的物理特性视而不见。它们主要从数据中推断相关性，而不是因果关系。这使得几乎不可能了解扫描仪的行为并且对其进行适配以防止未来出现问题。无论是手动还是由统计分箱(statistical binning)支持，维护每个指示器(例如，关键性能指示器或KPI)每一层控制极限都非常耗时且容易出错。

此外，存在两方(扫描仪制造商和扫描仪用户)，它们都不一定能够访问有效决定做出所需要的所有信息。扫描仪制造商将了解扫描仪对暴露在特定层上的特征的敏感性，这对于正确定义可靠的问题预测器至关重要。这样的信息是敏感信息，并且通常不会与用户共享。类似地，关于使用扫描仪制造器件(例如，IC)的用户敏感信息(诸如掩模版信息、照明模式、分面镜渲染)通常不会与制造商共享。

提出了一种故障检测和分类(FDC)，它是物理学驱动的，而不是统计驱动的，并且不需要在扫描仪制造商与用户之间共享敏感数据。该提议包括识别和隔离对产品有已知影响的相关扫描仪参数。这些参数可以包括可以在每次曝光(例如，Zernike镜头)之后或在专用服务步骤(例如，用于常规瞳孔的EUV收集器远场图像重构)期间测量的参数。定义新指示器，该新指示器将扫描仪数据聚合到反映扫描仪系统的相关物理学的模型中。然后定义将这些指示器与分类产品指示器联系起来的模型。这些模型用于在制造过程中做出决定，例如，决定衬底是否应当被检查和/或被返工。可以对照做出的实际决定/分类来检查决定做出，诸如是否需要返工(即，反馈检查结果，但不反馈任何敏感量测数据)，以验证和改进决定做出。以这种方式，可以将决定做出调谐到特定过程，而无需共享用户敏感信息。

因此，所提出的方法包括作为制造过程的一部分做出决定，该方法包括：获得与制造过程的光刻曝光步骤的一个或多个参数相关的扫描仪数据；从扫描仪数据中得出分类指示器，分类指示器指示制造过程的质量；以及基于分类指示器决定动作。与光刻曝光步骤的一个或多个参数相关的扫描仪数据可以包括由扫描仪本身在曝光步骤期间或在曝光步骤的准备中产生的数据，和/或由另一站(例如，独立测量/对准站)在曝光的准备步骤中生成的数据。因此，它不一定必须由扫描仪或在扫描仪内生成。术语扫描仪通常用于描述任何光刻曝光设备。

图4是描述用于在制造过程中利用如本文中公开的故障检测和分类(FDC)方法/系统做出决定的方法的流程图。扫描仪数据400在曝光期间(即，曝光扫描仪数据)或在维护动作之后(或通过任何其他方式)生成。这个扫描仪数据400本质上是数字，其被馈送到FDC系统410中。FDC系统410将该数据转换成功能性的基于扫描仪基于物理学的指示器，并且根据系统物理学聚合这些功能指示器，以确定每个衬底的分类系统指示器。分类指示器可以是二元的，诸如它们是(OK)否(NOK)满足质量阈值。替代地，可以有两个以上的类别(例如，基于统计分箱技术)。通常，功能指示器与扫描仪内包括的单独模块相关联，该模块与特定功能(诸如对准、热调节、调平、镜头像差控制等)相关联。

基于扫描仪数据400、更具体地基于分配给该衬底的分类指示器，做出检查决定420以决定是否需要检查/检测衬底。如果决定不需要检查衬底，则衬底被发送以进行处理430。这些衬底中的一些仍然可以经历量测步骤440(例如，用于控制回路和/或验证在步骤420做出的决定的输入数据)。如果在步骤420决定需要检查，则测量440衬底，并且基于测量结果做出返工决定450，以决定是否需要返工衬底。在另一实施例中，返工决定在没有检查决定的情况下直接基于由FDC系统410确定的分类质量值。取决于返工决定的结果，衬底被返工460，或者被认为是OK并且被发送进行处理430。如果是后者，则这表明分配给该衬底的分类指示器不正确/不准确。注意，所示的实际决定(检查和/或返工)仅是示例性的，并且其他决定可以基于来自FDC的分类值/建议的输出，和/或FDC输出可以用于触发警报(例如，以指示扫描仪性能不佳)。

每个衬底的返工决定450的结果被反馈到FDC系统410。FDC系统可以使用该数据来细化和验证其分类和决定建议(所分配的分类指示器)。特别地，它可以对照实际决定来验证所分配的分类指示器，并且在此基础上，对分类标准进行任何适当改变。例如，它可以基于验证，更改/设置任何分类阈值。因此，用户在步骤450做出的所有返工决定都应当被反馈，使得FDC系统410的所有检查决定都得到验证。以这种方式，FDC系统410系统内的分类分类器在生产期间被不断训练，使得其接收更多数据并且因此随着时间变得更准确

图5是更详细地描述FDC系统如何操作的流程图。流程图分为三个主要阶段：扫描仪阶段500、FDC系统阶段505和验证阶段510。扫描仪阶段500产生数字扫描仪或曝光数据515，数据515包括在曝光期间由扫描仪生成的大量数据参数或指示器520。该扫描仪数据可以包括例如由扫描仪生成的可能对FDC系统将建议的决定产生影响的任何数据。例如，扫描仪数据可以包括来自在曝光期间(或准备)常规进行的测量的测量数据，例如掩模版和/或晶片对准数据、调平数据、透镜像差数据、任何传感器输出数据等。扫描仪数据还可以包括较少例行测量的数据(或估计数据)，例如来自较少例行维护步骤的数据、或由此推断的数据。这样的数据的具体示例可以包括用于EUV系统的源收集器污染数据。

FDC系统级505基于扫描仪数据来得出数字功能指示器525。这些功能指示器525可以根据生产数据被训练，以反映扫描仪的实际使用(例如，温度、曝光间隔等)。例如，可以使用统计、线性/非线性回归、深度学习或贝叶斯学习技术来训练功能指示器525。例如，可以基于扫描仪参数数据和域知识来构造可靠且准确的功能指示器525，其中域知识可以包括扫描仪参数与标称值的偏差的度量。标称值可以基于系统/过程的已知物理学和扫描仪行为。

然后将这些指示器链接到产品分类指示器530的模型可以被定义。分类可以是二元的(例如，OK/NOK)或基于测量分箱或模式的更高级的分类。链接模型将物理学驱动的功能指示器与观察到的对特定用户应用和工作方式的产品影响联系起来。分类指示器530根据系统的物理学聚合功能指示器525。在这里所示的具体示例中，分类指示器具有三个级别或层级：第一级别535、第二级别540和第三级别545。这仅是示例，并且在其他实施例中，可以使用第一级别或第二级别作为决定做出中的输出建议，和/或可以有任何数目的级别。

在这里所示的具体示例中(仅用于说明)，第一级别包括重叠贡献者(例如，一个重叠贡献者535a可以是X方向场内重叠Ovx,ia的掩模版对准贡献者，另一重叠贡献者535b可以是Y方向场间重叠OVy,ir的掩模版对准贡献者，而还一重叠贡献者535c可以是场间CDCDir的调平贡献者。第二级别分类指示器540在方向(X和Y)和重叠Ov的场间ir对场内ia方面以及在CD的场间ir对场内ia方面聚合第一级别分类指示器535。第三级别分类指示器545包括重叠指示器Ov(例如，是重叠OK/NOK)和CD指示器CD(例如，是CD OK/NOK)。上面提到的分类指示器仅是示例，可以使用任何合适的替代指示器，包括用户定制的健康指示器。唯一的条件是，指示器是可分类的，可以链接到层525的功能指示器，并且可以生成足够的数据来训练模型。

这些指示器545然后可以用于提供建议和/或做出过程决定550，诸如是否需要检查和/或返工衬底。例如，如果重叠被认为是NOK，则可以触发检查和返工衬底的决定，以防止产率损失。另一特定于EUV的示例是训练模型以确定EUV源收集器污染何时导致LCDU值不可接受。系统应当获知可接受性标准。

分类指示器530可以基于机器学习技术从模型/模拟器中得出。这样的机器学习模型可以使用根据其适当类别(即，是否应当返工)而标记的历史数据(先前的指示器数据)来训练。标记可以基于专家数据(例如，来自用户输入)和/或(例如，基于)测量结果，使得模型被教导基于来自扫描仪数据的未来数字数据输入来提供衬底质量的有效且可靠的预测。系统分类指示器训练可以使用例如前馈神经网络、随机森林和/或深度学习技术。注意，FDC系统不需要了解该训练的任何用户敏感数据；只需要更高级别的分类、公差和/或决定(例如，衬底是否需要返工)。

这样，可以创建人工智能模型，该模型使用机器学习技术(例如，回归、卷积神经网络、迁移学习和深度强化学习)和模型检查(例如，SAT和SMT约束求解器)来自动适应指示器控制极限/阈值或预测。通过在预测某些值的模型(例如，OVL X是OK/NOK)与验证预测是否准确的验证数据(例如，包括模型/FDC系统应当预测的分类值)之间建立反馈回路来验证和加强学习。这可以在验证阶段510实现，其中测量检查/量测数据555(数字量测数据，后缀为m)。验证是模型应当预测的值(例如，OVL X是OK)。通过将该信息反馈560给模型，模型可以适应以匹配客户观察到的结果，例如，通过改变其分类模型中的一个或多个的阈值。因此，该模型决定之间的过程特定平衡被转移到机器学习模型用来决定是否应当返工晶片的阈值的意义上是通用的。

图6包括三个图，它们说明了功能和分类指示器的得出、以及它们相对于目前使用的统计指示器的有效性。图6(a)是原始参数数据、更具体地是掩模版对准(RA)与时间t的关系图。图6(b)是根据本文中描述的方法而得出的等效(例如，对于掩模版对准)非线性模型函数(或拟合)mf。如上所述，这样的模型可以从扫描仪物理学的知识中得出，并且可以进一步根据生产数据被训练(例如，在执行感兴趣的特定制造过程时执行的掩模版对准测量)。例如，该模型的训练可以使用统计、回归、贝叶斯学习或深度学习技术。图6(c)包括图6(a)和图6(b)的图之间的残差Δ，其可以用作本文中公开的方法的功能指示器。可以设置和/或学习一个或多个阈值Δ_T(例如，最初基于所描述的用户知识/专家意见和/或训练)，从而提供分类指示器。特别地，阈值Δ_T在训练分类分类器的训练阶段由分类分类器块530学习。这些阈值实际上可以是未知的或隐藏的(例如，当由神经网络实现时)。

因此，功能指示器或残差Δ的值可以直接输入到分类分类器，分类分类器然后预测适当类别(例如，OK或NOK)。在这种情况下，低于阈值Δ_T的所有点都被认为是OK，而高于阈值Δ_T的点(即，在这个示例中在时间t1和t3)被认为是NOK。

将其与目前通常用于原始数据的统计控制技术进行比较是有益的。为图6(a)的原始数据设置统计阈值RAT将导致识别出时间t1的异常值，但不会识别时间t3的异常值。此外，根据本文中公开的分类指示器(如图6(c)所示)，它会错误地将时间t2的点识别为异常值，而实际上它不是异常值(即，它是OK)。

因此，本文中描述了一种决定方法/系统，其错误的肯定和否定的数目将减少。改进的预测功能源于使用从扫描仪物理学中得出的新指示器，并且从实际产品用例中确定和学习用于设置分类指示器值的标准(阈值)。阈值/控制限维护被替换为所描述的自动化(无需人工干预)验证反馈回路，即，通过监测指示器准确性。此外，反馈回路可以尽可能靠近扫描仪，以防止其他过程步骤引入的噪声。因此，决定模型包括单个模型，该模型集成了物理学模型和机器学习模型，并且自动调节其来自用户应用的预测。

应当理解，偏离标称值只是用于确定指示器(例如，OK/NOK)的一种可能方式。本文中的概念更普遍适用。例如，它们可以用于对扫描仪行为进行聚类(例如，聚类为不同类)。假定用户能够以足够高的准确度标记数据并且有足够的数据用于训练，则每个用户对于同一模型可以有不同标记。

在可选实施例(其可以与本文中公开的任何其他实施例结合使用)中，本文中描述的已经使用监督训练技术进行训练以聚合和分类功能指示器525以获得分类指示器的一个或多个机器学习模型(例如，任何FDC系统)可以使用附加(例如，半监督)的机器学习方法进行补充。

可以以多种不同方式且对多种不同类型的数据应用半监督技术。例如，这种方法可以与监督技术并行地应用无监督和/或半监督技术，以提高预测准确性并且降低对标记数量和不平衡的敏感性。半监督技术可以应用于训练集的标记之上，以识别不可检测的故障模式(例如，蚀刻问题导致重叠不良但无法在扫描仪内部观察到)。半监督技术可以应用于标记值(如果可用)以检查故障识别的质量。此外，半监督学习和特征影响分析技术可以应用于模型预测，以提供相关根本原因指示器。

这样的实施例可以包括定义两个决定边界：使用监督方法的第一决定边界，该方法将学习区分两类(例如，如已经描述的)；以及使用无监督方法(例如，聚类算法或类似方法)的第二决定边界，该方法可以学习具有高密度数据点的“正常”区域。

图7在概念上说明了这种方法。它示出了数据集，其中每个点表示在两个时刻(时间t和t+1)在任何(非特定)数据空间中的晶片。灰色数据点是OK晶片，黑色数据点是NOK晶片。在每种情况下，三角形表示已标记晶片，圆形表示未标记晶片。在时间t，使用监督技术(基于已标记晶片进行校准/学习)确定第一决定边界DB1。并行地，使用无监督或半监督技术(例如，将正常/标称行为与不太正常/异常/离群行为分开)确定第二决定边界DB2。如时间t+1的等效图所示，具有两个决定边界的优点是，现在可以捕获新异常行为；例如，新NOK数据点DP_n位于第一决定边界DB1的OK侧，但位于第二决定边界DB2的异常侧。这种异常特征在训练过程中没有被发现，因此它关于决定边界DB1的分类是错误的。应当注意，可以存在一个以上的第一决定边界(即，第一决定模型提供非二元分类指示器输出)。类似地，可以存在一个以上的第二决定边界。

用于评估模型性能的度量可以是ROC AUC(接收器操作员特征ROC曲线下的面积)，因为它表示类之间的可分离程度(考虑各种阈值设置)。使用ROC曲线使得可以设置最小化错误否定的阈值。当存在类别不平衡的分类任务时，这个度量特别有用。

图8是说明根据这样的实施例的示例性方法的流程图。数据集DS包括已标记数据LD(通常只有一小部分，例如小于数据集DS的10％)和未标记数据UD(例如，通常超过数据集DS的90％)。已标记数据LD用于(如前)训练和/或验证监督学习方法SL。未标记数据UD用于训练无监督(或半监督)学习方法UL。这两种方法的输出在预测步骤P中组合；例如，通过为两种方法SL、UL的相应决定输出分配特定权重。权重可以包括或以默认值(例如，每个50％)开始，并且随后被优化(例如，以最大化模型性能)。这可以包括例如优化该权重以增加/最大化ROC AUC。优化可以另外地或替代地包括用于学习方法SL、UL中的一者或两者的超参数的优化。统一预测P应当比任何单个个体决定输出表现更好。在步骤IL，可以执行量测和标记以进行预测评估并且将结果反馈到数据集DS。监督模型SL可以被反馈所有被检查晶片(包括两个类别)的数据，而无监督模型UL可以只接收“正常”类别。

可以通过显示导致晶片失效的顶部特征；并且通过结合域物理学知识推荐从(开发期间)发现的新数据知识中得出的一些可操作项目来解释预测P。基于特征的预测和分布，可以识别和区分扫描仪问题和过程问题。通过将过程问题从数据集中分离出来，应当可以提高预测性能。

这种方法的优点包括：

·具有相关预测解释的更稳定和更高的模型准确度。

·更简单更快速的故障排除，更好地区分扫描仪与过程问题。

·用户标记增强系统，用于增加训练集大小和模型预测准确性。

·用户标记分类技术，用于隔离扫描仪可检测问题并且识别用户标记中的潜在问题。

·建立在扫描仪物理特征之上的通用故障预测解释引擎。

·关于扫描仪行为的新学习以及扫描仪内部的新的控制和反馈回路的引出。

在另一实施例(其可以与本文中公开的任何其他实施例结合使用)中，提出了一种迁移学习方法来将来自一个层/机器/厂房的已训练机器学习模型(例如，如本文中公开的FDC系统)尽可能多地重用于另一用例。目前，每个机器每一层定制一个机器学习模型。每个FAB的反馈参数不同。

在一个实施例中，机器学习模型可以包括已训练神经网络。如关于图5所述，输入可以包括功能KPI并且输出可以包括分类指示器。神经网络的第一层将功能KPI转换为共同形式，使得它们可以彼此相当。下一层与功能KPI相关联，并且创建系统KPI(重叠和聚焦图等)。最后一层计算分类指示器；这些是针对每层和厂房而定制的。

可以为最后一层定义参考厂房和/或层指示器。对于新晶片层/机器/厂房，建议使用迁移学习，以便再次使用从先前执行的训练中获得的信息。在实践中，这通常表示，只需要使用新数据重新训练神经网络的输出层。

在机器学习的经典监督学习场景中，如果模型针对某些任务和域A被训练，则假定为了训练该模型而提供的已标记训练数据涉及相同的任务和域。然后可以根据这个数据集训练模型A，这样预期它在相同任务和域A的未见数据上表现良好。在另一种情况下，当给定某个其他任务或域B的数据时，训练新模型B通常需要该任务或域B的已标记数据。

当所讨论的任务或域没有足够的已标记数据来训练可靠模型时，传统的监督学习范式就会崩溃。例如，如果将要训练用于域B(与A相关)的模型，则模型A(在域A上被训练)的应用通常会表现得相当差，因为该模型继承了其训练数据的偏差并且不知道如何推广到新的域。如果要训练模型以执行新任务，诸如预测多个晶片状态(例如，OK/NOK/不确定)，则不可能简单地再用现有模型并且预期良好性能，因为任务之间的标记不同。

迁移学习使得能够通过利用相关任务的现有已标记数据来更好地适应这样的场景。在解决源域中的源任务时获得的知识被应用于感兴趣问题。在实践中，试图将尽可能多的知识从源设置迁移到目标任务或域。

图9(a)是描述用于实现这一点的示例性方法的流程图。在步骤900，选择源任务(例如，针对任务/层A预测晶片OK/NOK)。在步骤910，产生源模型(例如，使用可用数据来训练模型)。在步骤920，将该模型应用于新任务(例如，预测任务/层B的晶片OK/NOK/不确定)。在步骤930，通过在新数据上训练模型、更具体地是最后一层或多层来调谐模型(例如，所有权重在神经网络的所有层中是固定的，除了对于最后一层或多层)。

于扫描仪性能预测的迁移学习用的好处在图9(b)所示的性能与训练的关系图中说明：虚线是使用迁移学习的性能与训练图的关系，实线是没有迁移学习的等效图。迁移学习的优点包括：

·更高的起始St。源模型的初始性能(在细化模型之前)高于其他情况。

·更高的斜率Sl。源模型训练期间的性能改进率比其他情况下更陡峭。

·更高的渐近线As。已训练模型的收敛性能比其他情况下更好。

·所需要的训练数据更少。由于在迁移学习期间仅优化了自由度(权重)的子集，因此通常需要比完整网络优化更少的数据。

现在将描述与感兴趣的特定输入数据集和/或参数(分类指示器)相关的几个特定机器学习FDC系统和方法。

在一个这样的特定应用中，可以训练FDC系统以在边缘珠粒去除步骤之后基于在线边缘珠粒测量来提供分类指示器决定。分类指示器可以指示边缘珠粒位置是否指示足以导致缺陷的预期失水。分类指示器可以是二元的；例如，OK/NOK或非二元。

在轨道中涂覆光刻胶之后，可以通过有机溶剂冲洗边缘以去除多余材料。该过程称为边缘珠粒去除(EBR)。在该步骤中使用的设置(例如，流量、溶剂类型、喷嘴位置)确定抗蚀剂的边缘或“EBR切割”。通常，EBR位置是使用特定工具(例如，椭偏仪工具)离线测量的。已经观察到EBR位置对浸入式扫描仪的浸没式(IH)通过晶片边缘时的失水量有显著影响。IH留下的水滴会导致水印(WM)，从而影响产率。为了防止这些WM，用户可以应用减速(减慢IH的运动)，这会减少失水，但会对生产力(每小时晶片数)产生负面影响。

本文中提议使用扫描仪水平传感器(例如，UV水平传感器)来在线测量边缘珠粒位置并且使用它来决定光刻过程的动作。已经表明，水平传感器数据可以用于推断边缘珠粒位置及其变化。

在水平传感器数据(晶片反射数据)与边缘珠粒位置之间的关系中，很多因素可能起作用，包括抗蚀剂的光学特性、来自下方的晶片(堆叠)的反射、抗蚀剂厚度和水平传感器光斑尺寸(在后一种情况下，1mm或更低区域内的水平传感器光斑尺寸可能是优选的，因为EBR通常在0到3mm的范围内)。

该动作可以包括例如决定是否施加减慢(和/或剥离和重新涂覆晶片)。当分类指示器有两个以上的类别时，该方法可以决定减慢程度和/或在不减慢、减慢或(在极端情况下)剥离和重新涂覆之间做出决定。

训练模型用于推断边缘珠粒位置(例如，是否OK和NOK)可以使用任何已经描述的方法，例如基于已标记训练数据的机器学习。

在另一具体实现中，提议使用晶片台温度传感器信号作为合适的训练模型的输入以进行分类预测(例如，晶片是否OK/NOK)。因此，可以仅基于晶片台传感器的热测量来建议晶片返工，对所有晶片和层执行这样的热测量(例如，在两级扫描仪的度量侧)。

这样的提议可以包括对热晶片台测量进行建模，使得当重叠度量不可用时(例如，对于零层)或在不同机器的匹配过程中，它可以预测和近似诸如剩余重叠性能指示器(ROPI)等重叠度量。残差分析或ROPI表征所建模的晶片网格与测量位置的匹配程度。已经表明，在晶片外围感测到超过大约1mK的冷却指示高(NOK)ROPI。但是，如果晶片中心示出相同或相似的冷却，则ROPI很可能是正常的(OK)。这种观察可以用作模型的基础。

基于该实施例中的模型输出，可以执行一个或多个动作，可以包括：在外围更好地稳定晶片台温度和/或在预测到高ROPI时重新夹紧晶片(在后一种情况下，热致变形将被释放，并且可能导致变形的任何水滴在后续夹紧之后都不会出现)。

能够预测具有高ROPI的晶片也可以用于确定是否需要返工，因为如果这样的晶片在早期层中未被注意到，则可能会有非常高的产率损失。由于这样的事件相对较少(例如，20个晶片中有1个)并且返工成本很高，因此返工的“良好晶片”数应当很少。因此，如在上述很多实施例中一样，由于它是在错误肯定和错误否定预测上具有不平衡风险的罕见事件模型，因此还提出了将这些特征考虑在内的新度量。诸如准确性和F1等标准度量无法正确考虑罕见事件和风险。这样的新度量可以基于加权谐波平均值并且可以用于比较用于对本文中公开的任何决定模型进行建模的不同建模技术。

新度量可以包括第一函数F_β，1(s₁，s₂)和第二函数F_β，2(s₁，s₂)的组合，在第一函数中，s₁和s₂分别是漏检率(在所有预测OK中，实际上有多少为NOK)和错误漏检率(在所有实际NOK中，有多少预测为OK)，在第二函数中，s₁和s₂分别是错误肯定率(在所有预测NOK中，实际上有多少为OK)和错误漏检率。在每种情况下，该函数都可以采用以下形式：

其中第二统计量s₂被认为比第一统计量s₁重要β倍。因此，第一个函数F_β，1(漏检率、错误漏检率)部分关注错误否定(即，遗漏的高ROPI晶片)，而第二函数F_β，2(错误肯定率、错误漏检率)部分地关注错误肯定(即，正常ROPI晶片指示为高ROPI)。这些函数可以组合在单个度量上，模型度量MM：

模型度量MM的范围在0到1之间，值越高指示模型越好。通过为不同候选模型确定该模型度量，可以选择优选模型。

用于训练本文中描述的任何机器学习(ML)模型的任一者的当前方法可以包括使用在批量生产和测量结果(例如，分类和/或原始测量数据)期间生成的扫描仪信号。机器学习模型通常需要大量训练数据，并且需要大量时间才能获得所需要的准确度。据估计，这可能需要长达4周的生产时间。

此外，与良好(OK)晶片相比，训练集的失败(NOK)晶片将显著减少。这限制了可以应用的机器学习技术的类型。例如，由于缺乏可用数据而可能导致性能下降且目前未建模(除非它们偶然发生)的已知问题尤其包括：掩模版污染、浸没式中的气泡、晶片台或晶片污染和/或晶片边缘滚落。

为了解决这个问题，所提出的实施例包括基于域(扫描仪)知识来构造先验知识模型。例如，可以通过添加已知的扫描仪问题的人工指纹来修改现有的扫描仪批次数据和晶片测量数据。输入数据可以包括与特定扫描仪问题(例如，包括已知但相对罕见的问题)相关联或代表其的信号，并且输出数据可以包括预期晶片质量指示(预期分类指示器)。对于扫描仪问题(例如，包括污染/镜头漂移等)的大的选择，可以得出(例如，合成)输入输出数据，并且随后将其用于扩充用于训练机器学习模型以进行扫描仪性能检测的现有训练数据集。此外，在这种方法中，可以使用已知不会损害晶片质量的行为来扩充数据。

因此，公开了一种用于训练用于基于过程状态来预测衬底质量的模型的方法。该方法包括：由计算机系统生成过程的多个状态；基于表征过程状态的至少一个参数与衬底质量之间的已知关系，针对多个状态中的过程的每个状态确定衬底的预期质量；并且输入多个状态和对应期望质量以训练模型。这样的实施例可以与本文中公开的任何其他实施例结合使用以训练本文中描述的任何模型。

效果是，最初适度的训练集变得更大和更多样，因此可以改进机器学习模型的范围。这表示，在无需依赖大量生产数据的情况下，扫描仪性能检测可以变得更准确，并且扫描仪到扫描仪之间更可靠。

图10是描述用于这种实施例的示例性方法的流程图。在步骤1000，建立不完整的先验知识模型，该模型包括对于扫描仪问题可能是典型的输入信号和作为输出的分类指示器(例如，晶片OK/NOK/未知)。“未知”标记用于表示先验知识模型中缺乏信息，因此该模型是不完整的。在步骤1010，基于域知识，创建步骤1000的模型的输入信号。在步骤1020，计算对应于步骤1010的输入信号的来自步骤1000的模型的输出(例如，估计来自模型的基于步骤1010的输入信号而预期的预期输出OK/NOK/未知)。在步骤1030，丢弃来自步骤1020的生成“未知”输出的所有数据。在步骤1040，使用剩余数据(例如，符合的、具有合理确定性程度、OK/NOK或其他已知的分类输出的数据)扩充现有数据。在步骤1050，使用扩充的数据集训练机器学习模型(例如，本文中描述的任何模型，包括任何FDC系统)。

以下列表是可以包括在这样的数据扩充中的扫描仪问题示例的非详尽列表。这样的问题可能相对较少，因此通常没有被包括在常规生成的训练数据中。例如，这样的扫描仪问题可以包括：

·晶片污染；

·掩模版污染；

·晶片台污染；

·晶片边缘滚落；

·镜头漂移；

·浸没式中的气泡；

·时间问题。

其他示例可以包括扫描仪行为的示例，其直观地可以预期会生成不良晶片，但实际上不会。例如，会自行消除的错误。

扩充数据集的另一种方式是将人工噪声(例如，具有已知水平和噪声模型)添加到批次数据并且对该噪声对晶片测量数据的影响建模。例如，随机噪声可以被添加到重叠或焦点散射测量，如在典型散射计(例如，具有特定类型)上可能看到的那样。对于水平传感器或对准传感器，可以添加该传感器的典型噪声水平。

通过用合成生成的输入/输出对来扩充原始数据集，机器学习模型用先验知识得到加强。

图11是说明可以帮助实现本文中公开的方法和流程的计算机系统1600的框图。计算机系统1600包括用于传送信息的总线1602或其他通信机制、以及与总线1602耦合以处理信息的处理器1604(或多个处理器1604和1605)。计算机系统1600还包括耦合到总线1602以存储要由处理器1604执行的信息和指令的主存储器1606，诸如随机存取存储器(RAM)或其他动态存储设备。主存储器1606还可以用于存储在要由处理器1604执行的指令的执行期间的临时变量或其他中间信息。计算机系统1600还包括耦合到总线1602以存储处理器1604的静态信息和指令的只读存储器(ROM)1608或其他静态存储设备。诸如磁盘或光盘等存储设备1610被提供并且耦合到总线1602以存储信息和指令。

计算机系统1600可以经由总线1602耦合到用于向计算机用户显示信息的显示器1612，诸如阴极射线管(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设备1614耦合到总线1602以将信息和命令选择传送到处理器1604。另一种类型的用户输入设备是光标控件1616，诸如鼠标、轨迹球或光标方向键，光标控件1616用于向处理器1604传送方向信息和命令选择并且用于控制显示器1612上的光标移动。该输入设备通常在两个轴(第一轴(例如，x)和第二轴(例如，y))上具有两个自由度，以允许设备指定平面中的位置。触摸面板(屏幕)显示器也可以用作输入设备。

响应于处理器1604执行主存储器1606中包含的一个或多个指令的一个或多个序列，计算机系统1600可以执行如本文所述的一种或多种方法。这样的指令可以从诸如存储设备1610等另一计算机可读介质读入主存储器1606中。主存储器1606中包含的指令序列的执行引起处理器1604执行本文中描述的处理步骤。还可以采用多处理布置的一个或多个处理器来执行主存储器1606中包含的指令序列。在替代实施例中，可以使用硬连线电路代替软件指令或与软件指令结合使用。因此，本文中的描述不限于硬件电路和软件的任何特定组合。

本文使用的术语“计算机可读介质”是指参与向处理器1604提供指令以供执行的任何介质。这种介质可以采用多种形式，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，诸如存储设备1610。易失性介质包括动态存储器，诸如主存储器1606。传输介质包括同轴电缆、铜线和光纤，包括构成总线1602的电线。传输介质也可以采用声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间生成的那些。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光学介质、穿孔卡、纸带、具有孔图案的任何其他物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或盒式磁带、下文所述的载波、或计算机可以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将一个或多个指令的一个或多个序列携带到处理器1604以供执行。例如，指令最初可以承载在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中，并且使用调制解调器通过电话线发送指令。计算机系统1600本地的调制解调器可以在电话线上接收数据并且使用红外传输器将数据转换为红外信号。耦合到总线1602的红外检测器可以接收在红外信号中携带的数据并且将数据放置在总线1602上。总线1602将数据携带到主存储器1606，处理器1604从主存储器1606检索和执行指令。主存储器1606接收的指令可以可选地在由处理器1604执行之前或之后存储在存储设备1610上。

计算机系统1600还优选地包括耦合到总线1602的通信接口1618。通信接口1618提供与连接到本地网络1622的网络链路1620的双向数据通信耦合。例如，通信接口1618可以是用于提供与对应类型的电话线的数据通信连接的综合业务数字网络(ISDN)卡或调制解调器。作为另一示例，通信接口1618可以是用于提供与兼容LAN的数据通信连接的局域网(LAN)卡。也可以实现无线链路。在任何这样的实现中，通信接口1618发送和接收携带代表各种类型信息的数字数据流的电、电磁或光信号。

网络链路1620通常通过一个或多个网络提供与其他数据设备的数据通信。例如，网络链路1620可以通过本地网络1622提供与主机1624或与由互联网服务提供商(ISP)1626运营的数据设备的连接。ISP 1626进而通过全球分组数据通信网络(现在通常称为“互联网”1628)提供数据通信服务。本地网络1622和互联网1628都使用携带数字数据流的电、电磁或光信号。通过各种网络的信号和网络链路1620上的信号和通过通信接口1618的信号(这些信号携带进出计算机系统1600的数字数据)是传输信息的载波的示例形式。

计算机系统1600可以通过网络、网络链路1620和通信接口1618发送消息和接收数据，包括程序代码。在互联网示例中，服务器1630可以通过互联网1628、ISP 1626、本地网络1622和通信接口1618传输用于应用程序的请求代码。一个这样的下载应用可以提供本文中描述的一种或多种技术。接收到的代码可以在接收到时由处理器1604执行，和/或存储在存储设备1610或其他非易失性存储装置中以供以后执行。以这种方式，计算机系统1600可以获得载波形式的应用代码。

在以下编号条项的列表中公开了本发明的其他实施例：

1.一种用于在制造过程内做出决定的方法，所述方法包括：

获得与所述制造过程的光刻曝光步骤的一个或多个参数相关的扫描仪数据；

应用决定模型，所述决定模型基于所述扫描仪数据针对一个或多个分类指示器中的每个分类指示器输出值，所述一个或多个分类指示器中的每个分类指示器指示所述制造过程的质量；以及

基于所述分类指示器的值决定动作。

2.根据条项1所述的方法，其中所述扫描仪数据是在所述光刻曝光步骤期间由光刻设备生成的。

3.根据条项1所述的方法，其中所述扫描仪数据是在维护动作期间测量的。

4.根据任一前述条项所述的方法，其中所述一个或多个分类指示器中的每个分类指示器是从一个或多个功能指示器中得出的。

5.根据条项4所述的方法，其中所述一个或多个功能指示器中的每个功能指示器是基于与所述光刻曝光步骤和/或相关联的装置相关的已知物理学从一个或多个功能模型中确定的。

6.根据条项4或5所述的方法，其中所述一个或多个功能指示器包括描述参数值与标称行为的偏差的至少一个功能指示器，所述标称行为是从所述已知物理学和/或冗余中得出的。

7.根据条项4、5或6所述的方法，其中所述一个或多个功能指示器中的每个功能指示器使用以下中的一项或多项被训练：统计技术、优化、回归或机器学习技术。

8.根据条项4至7中任一项所述的方法，其中所述一个或多个分类指示器中的每个分类指示器是通过根据所述一个或多个功能指示器的一个或多个应用的和/或学习的阈值对所述功能指示器进行分类而从所述一个或多个功能指示器中得出的。

9.根据条项8所述的方法，包括根据对已经经历所述光刻曝光步骤的衬底执行的测量和分配给所述衬底的对应决定和/或类别来训练所述决定模型，所述训练设置所述一个或多个阈值中的每个阈值。

10.根据条项9所述的方法，其中使用机器学习技术训练所述决定模型包括以下中的一项或多项：神经网络技术、随机森林技术和深度学习技术。

11.根据条项8至10中任一项所述的方法，包括在由所述决定模型输出的所述分类指示器的所述值之后测量衬底，并且基于所述测量验证所述决定模型输出。

12.根据条项11所述的方法，其中所述验证步骤包括改变所述阈值中的一个或多个阈值以改进所述决定模型的预测性能。

13.根据条项4至12中任一项所述的方法，其中所述一个或多个分类指示器每个是从多个功能指示器的聚合中得出的。

14.根据条项13所述的方法，其中所述聚合包括聚合从所述多个功能指示器中得出的多个中间分类指示器。

15.根据任一前述条项所述的方法，其中所述一个或多个分类指示器中的每个分类指示器包括描述所述参数是否在规范内的二元分类指示器。

16.根据任一前述条项所述的方法，其中所述一个或多个分类指示器中的每个分类指示器与重叠、聚焦、临界尺寸、临界尺寸均匀性中的一项或多项相关。

17.根据任一前述条项所述的方法，其中所述扫描仪数据包括来自所述扫描仪的晶片台上的温度传感器的热数据，并且所述分类指示器与根据所述制造过程而制造的衬底的重叠相关，所述决定模型将所述热数据与预期重叠度量相关。

18.根据任一前述条项所述的方法，其中所述决定包括决定所述衬底是否应当作为返工的可能候选被检查。

19.根据任一前述条项所述的方法，其中所述扫描仪数据包括水平传感器数据，并且所述分类指示器与根据所述制造过程而制造的衬底上的边缘珠粒的边缘珠粒位置相关，所述决定模型将所述水平传感器数据与由于所述制造过程中的失水而导致的预期边缘珠粒度量和/或缺陷相关。

20.根据条项19所述的方法，其中所述动作包括基于所述分类指示器的所述值减慢所述光刻过程。

21.根据任一前述条项所述的方法，其中所述决定模型是定义一个或多个第一决定边界的第一决定模型；并且所述方法还包括应用定义一个或多个第二决定边界的第二决定模型。

22.根据条项21所述的方法，其中所述第一决定模型是监督机器学习模型，并且所述第二决定模型是无监督或半监督机器学习模型。

23.根据条项21或22所述的方法，其中所述第二决定模型指示数据点是正常的还是异常的，如所述第二决定边界描绘的。

24.根据条项21、22或23所述的方法，其中所述第一决定模型的第一输出和所述第二决定模型的第二输出根据加权被组合以提供组合输出。

25.根据条项24所述的方法，包括优化所述第一决定模型和所述第二决定模型中的一者或两者内包括的所述第一输出和所述第二输出和/或一个或多个超参数的所述加权。

26.根据条项25所述的方法，其中所述优化最大化接收器操作员特征曲线下的面积。

27.一种用于构造用于在制造过程内做出决定的决定模型的方法，所述方法包括：

获得与所述制造过程的光刻曝光步骤的一个或多个参数相关的扫描仪数据；

从所述扫描仪数据得出一个或多个分类指示器，所述一个或多个分类指示器中的每个分类指示器基于至少一个阈值指示所述制造过程的质量；以及

根据对已经经历所述光刻曝光步骤的衬底执行的测量和分配给所述衬底的对应决定和/或类别来训练所述决定模型，所述训练针对所述一个或多个阈值中的每个阈值设置值，使得所述决定模型基于所述扫描仪数据针对所述一个或多个分类指示器中的每个分类指示器输出适当值。

28.根据条项27所述的方法，其中所述训练决定模型还基于专家知识。

29.根据条项27或28所述的方法，其中所述模型的所述训练使用机器学习技术，所述机器学习技术包括神经网络技术、随机森林技术或深度学习技术中的一种或多种。

30.根据条项27、28或29所述的方法，其中所述一个或多个分类指示器中的每个分类指示器是从一个或多个功能指示器中得出的。

31.根据条项30所述的方法，其中所述一个或多个功能指示器中的每个功能指示器是基于与所述光刻曝光步骤和/或相关联的装置相关的已知物理学从一个或多个功能模型中确定的。

32.根据条项30或31所述的方法，其中所述一个或多个功能指示器包括描述参数值与标称行为的偏差的至少一个功能指示器，所述标称行为是从所述已知物理学和/或冗余中得出的。

33.根据条项30、31或32所述的方法，其中所述一个或多个功能指示器中的每个功能指示器使用以下中的一项或多项被训练：统计技术、优化、回归或机器学习技术。

34.根据条项30至33中任一项所述的方法，其中所述一个或多个分类指示器中的每个分类指示器是通过所述一个或多个阈值到所述一个或多个功能指示器的所述应用而从所述一个或多个功能指示器中得出的。

35.根据条项30至34中任一项所述的方法，其中所述一个或多个分类指示器每个是从多个功能指示器的聚合中得出的。

36.根据条项35所述的方法，其中所述聚合包括聚合从所述多个功能指示器中得出的多个中间分类指示器。

37.根据条项27至36中任一项所述的方法，其中所述一个或多个分类指示器中的每个分类指示器包括描述所述参数是否在规范内的二元分类指示器。

38.根据条项27至37中任一项所述的方法，其中所述一个或多个分类指示器中的每个分类指示器与重叠、聚焦、临界尺寸、临界尺寸均匀性中的一项或多项相关。

39.根据条项27至38中任一项所述的方法，其中所述扫描仪数据包括来自所述扫描仪的晶片台上的温度传感器的热数据，并且所述分类指示器与根据所述制造过程而制造的衬底的重叠相关，并且所述决定模型的所述训练包括将所述热数据与预期重叠度量相关。

40.根据条项27至39中任一项所述的方法，其中所述扫描仪数据包括水平传感器数据，并且所述分类指示器与根据所述制造过程而制造的衬底上的边缘珠粒的边缘珠粒位置相关，并且所述决定模型的所述训练包括将所述水平传感器数据与由于所述制造过程中的失水而导致的预期边缘珠粒度量和/或缺陷相关。

41.根据条项27至40中任一项所述的方法，其中所述决定模型是定义一个或多个第一决定边界的第一决定模型；并且所述方法还包括训练定义一个或多个第二决定边界的第二决定模型，所述第一决定模型是监督机器学习模型，并且所述第二决定模型是无监督或半监督机器学习模型。

42.根据条项41所述的方法，其中所述第一决定模型的第一输出和所述第二决定模型的第二输出根据加权被组合以提供组合输出；并且所述方法包括优化所述第一决定模型和所述第二决定模型中的一者或两者内包括的所述第一输出和所述第二输出和/或一个或多个超参数的所述加权。

43.根据条项42所述的方法，其中所述优化最大化接收器操作员特征曲线下的面积。

44.根据条项27至43中任一项所述的方法，包括获得已经根据来自不同域和/或针对不同任务的相关数据被训练的决定模型；其中所述训练步骤仅包括针对当前域和/或任务来训练所述决定模型的一个或多个输出层。

45.根据条项27至44中任一项所述的方法，包括生成合成训练数据并且用所述训练数据扩充在所述训练步骤中使用的所述数据。

46.根据条项45所述的方法，包括：

生成所述过程的多个状态；

基于表征所述过程的所述状态的至少一个参数与所述衬底的所述质量之间的已知关系，针对所述多个状态中的所述制造过程的每个状态确定所述衬底的预期质量；以及

使用所述多个状态和对应预期质量作为所述合成训练数据。

47.根据条项46所述的方法，其中使用所述多个状态和对应预期质量作为所述合成训练数据的所述步骤包括丢弃不能以足够置信度估计所述预期质量的任何这样的数据。

48.根据条项45至47中任一项所述的方法，包括添加人工噪声以扩充所述合成训练数据。

49.根据条项27至48中任一项所述的方法，包括确定所述决定模型中的多个决定模型的模型度量，每个模型度量包括所述模型的第一函数和第二函数的组合，所述第一函数包括漏检率和错误漏检率的加权谐波平均值，并且所述第二函数包括错误肯定率和错误漏检率的加权谐波平均值；以及基于所述模型指示器决定决定模型。

50.一种计算机程序，包括当在合适的设备上运行时可操作以执行条项1至49中任一项所述的方法的程序指令。

51.一种非暂态计算机程序载体，包括根据条项50所述的计算机程序。

52.一种处理系统，包括处理器和存储设备，该存储设备包括根据条项50所述的计算机程序。

53.一种光刻设备，包括根据条项50所述的处理系统。

54.一种用于对经历包括多个操作的半导体制造过程的衬底进行分类的方法，所述方法包括：

获得功能指示器的值，所述功能指示器的值从在对所述衬底的所述多个操作中的一个或多个操作期间生成的数据中得出，所述功能指示器表征至少一个操作；

将包括一个或多个阈值的决定模型应用于所述功能指示器的所述值以获得一个或多个分类指示器；以及

基于所述一个或多个分类指示器为所述衬底分配类别。

55.根据条项54所述的方法，还包括使用分配给所述衬底的所述类别为所述衬底分配决定，所述决定是以下之一：i)返工所述衬底，ii)检查所述衬底，或者iii)将所述衬底用于后续过程步骤。

56.根据条项54所述的方法，其中所述数据是由在所述半导体制造过程的光刻曝光步骤中使用的光刻设备生成，并且所述至少一个操作是以下中的一项或多项：调平所述衬底、对准所述衬底、调节所述衬底、曝光所述衬底、测量用于曝光所述衬底的投影透镜的像差。

57.根据条项56所述的方法，其中至少一个功能指示器基于与所述光刻曝光步骤和/或所述光刻设备相关的已知物理学从一个或多个功能模型中被确定。

58.根据条项57所述的方法，其中所述一个或多个功能指示器包括描述参数值与标称行为的偏差的至少一个功能指示器，所述标称行为是从所述已知物理学中得出的。

59.根据条项55所述的方法，其中所述决定模型根据对分配有对应决定和/或类别的已处理衬底执行的测量被训练，所述训练设置所述一个或多个阈值中的至少一个阈值。

60.根据条项55所述的方法，包括根据对分配有对应决定和/或类别的已处理衬底执行的测量来训练所述决定模型，所述训练设置所述一个或多个阈值中的每个阈值。

61.根据条项60所述的方法，其中使用机器学习技术训练所述决定模型包括以下中的一项或多项：神经网络技术、随机森林技术和深度学习技术。

62.根据条项54所述的方法，包括在由所述决定模型输出所述分类指示器之后获得所述衬底的测量，并且基于所述测量验证所述决定模型。

63.根据条项62所述的方法，其中所述验证步骤包括改变所述阈值中的一个或多个阈值以改进所述决定模型的预测性能。

64.根据条项54所述的方法，其中所述一个或多个分类指示器每个基于多个功能指示器的聚合。

65.根据条项64所述的方法，其中所述聚合还包括聚合从所述多个功能指示器中得出的多个中间分类指示器。

66.根据条项54所述的方法，其中所述一个或多个分类指示器中的每个分类指示器与重叠、聚焦、临界尺寸、临界尺寸均匀性中的一项或多项相关。

67.根据条项56所述的方法，其中所述数据与来自所述光刻设备的晶片台上的温度传感器的热数据相关联，并且所述分类指示器与根据所述半导体制造过程而制造的衬底的重叠相关，所述决定模型将所述热数据与预期重叠度量相关。

68.根据条项56所述的方法，其中所述数据包括水平传感器数据，并且所述分类指示器与根据所述制造过程而制造的衬底上的边缘珠粒的边缘珠粒位置相关，所述决定模型将所述水平传感器数据与由于所述制造过程中的失水而导致的预期边缘珠粒度量和/或缺陷相关。

69.根据条项54所述的方法，其中所述决定模型是定义一个或多个第一决定边界的第一决定模型；并且所述方法还包括训练定义一个或多个第二决定边界的第二决定模型，所述第一决定模型是监督机器学习模型，并且所述第二决定模型是无监督或半监督机器学习模型。

70.根据条项60所述的方法，还包括获得已经根据来自不同域的相关数据和/或针对不同任务被训练的初始决定模型；其中所述训练步骤仅包括针对当前域和/或任务来训练所述初始决定模型的一个或多个输出层。

71.一种用于构造用于在半导体制造过程内做出决定的决定模型的方法，所述方法包括：获得与所述半导体制造过程的图案化步骤的一个或多个参数相关的数据；从所述数据中得出一个或多个分类指示器，所述一个或多个分类指示器中的每个分类指示器基于至少一个阈值指示所述半导体制造过程的质量；以及根据对已经经历所述图案化步骤且具有分配的对应决定和/或类别的衬底执行的测量来训练所述决定模型，所述训练针对所述一个或多个阈值中的每个阈值设置值，使得所述决定模型基于所述数据针对所述一个或多个分类指示器中的每个分类指示器输出适当值。

72.一种计算机程序，包括当在合适的装置上运行时可操作以执行根据条项54所述的方法的程序指令。

73.一种非暂态计算机程序载体，包括根据条项72所述的计算机程序。

尽管在本文中可以具体参考光刻设备在IC的制造中的使用，但是应当理解，本文中描述的光刻设备可以具有其他应用。其他可能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。

尽管在本文中可以在光刻设备的上下文中具体参考本发明的实施例，但是本发明的实施例可以在其他设备中使用。本发明的实施例可以形成掩模检查设备、量测设备、或者测量或处理诸如晶片(或其他衬底)或掩模(或其他图案形成装置)等物体的任何设备的一部分。这些设备通常可以称为光刻工具。这种光刻工具可以使用真空条件或环境(非真空)条件。

尽管上面可能已经在光学光刻的上下文中具体参考了本发明的实施例的使用，但是应当理解，本发明不限于光学光刻，并且在上下文允许的情况下，本发明可以在例如压印光刻等其他应用中使用。

尽管上面已经描述了本发明的特定实施例，但是应当理解，本发明可以以不同于所描述的方式来实践。上面的描述旨在是说明性的，而不是限制性的。因此，对于本领域技术人员将很清楚的是，可以在不脱离下面阐述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 (20)

1.一种用于对经历包括多个操作的半导体制造过程的衬底进行分类的方法，所述方法包括：

获得从在对所述衬底的所述多个操作中的一个或多个操作期间生成的数据中得出的功能指示器的值，所述功能指示器表征至少一个操作；

将包括一个或多个阈值的决定模型应用于所述功能指示器的所述值以获得一个或多个分类指示器；以及

基于所述一个或多个分类指示器为所述衬底分配类别。

2.根据权利要求1所述的方法，还包括使用分配给所述衬底的所述类别为所述衬底分配决定，所述决定是以下之一：i)返工所述衬底，ii)检查所述衬底，或者iii)将所述衬底用于后续过程步骤。

3.根据权利要求1所述的方法，其中所述数据是由在所述半导体制造过程的光刻曝光步骤中使用的光刻设备生成，并且所述至少一个操作是以下中的一项或多项：调平所述衬底、对准所述衬底、调节所述衬底、曝光所述衬底、测量用于曝光所述衬底的投影透镜的像差。

4.根据权利要求3所述的方法，其中至少一个功能指示器基于与所述光刻曝光步骤和/或所述光刻设备相关的已知物理学从一个或多个功能模型中被确定。

5.根据权利要求4所述的方法，其中所述一个或多个功能指示器包括描述参数值与标称行为的偏差的至少一个功能指示器，所述标称行为是从所述已知物理学中得出的。

6.根据权利要求2所述的方法，其中所述决定模型根据对分配有对应决定和/或类别的已处理衬底执行的测量被训练，所述训练设置所述一个或多个阈值中的至少一个阈值。

7.根据权利要求2所述的方法，包括根据对分配有对应决定和/或类别的已处理衬底执行的测量来训练所述决定模型，所述训练设置所述一个或多个阈值中的每个阈值。

8.根据权利要求7所述的方法，其中使用机器学习技术训练所述决定模型，所述机器学习技术包括以下中的一项或多项：神经网络技术、随机森林技术和深度学习技术。

9.根据权利要求2所述的方法，包括在由所述决定模型输出所述分类指示器之后获得所述衬底的测量结果，并且基于所述测量结果验证所述决定模型。

10.根据权利要求9的方法，其中所述验证步骤包括改变所述阈值中的一个或多个阈值以改进所述决定模型的预测性能。

11.根据权利要求1的方法，其中所述一个或多个分类指示器每个基于多个功能指示器的聚合。

12.根据权利要求11所述的方法，其中所述聚合还包括聚合从所述多个功能指示器中得出的多个中间分类指示器。

13.根据权利要求1所述的方法，其中所述一个或多个分类指示器中的每个分类指示器与重叠、聚焦、临界尺寸、临界尺寸均匀性中的一项或多项相关。

14.根据权利要求3所述的方法，其中所述数据与来自所述光刻设备的晶片台上的温度传感器的热数据相关联，并且所述分类指示器与根据所述半导体制造过程而制造的衬底的重叠相关，所述决定模型将所述热数据与预期重叠度量相关。

15.根据权利要求3所述的方法，其中所述数据包括水平传感器数据，并且所述分类指示器与根据所述制造过程而制造的衬底上的边缘珠粒的边缘珠粒位置相关，所述决定模型将所述水平传感器数据与由于所述制造过程中的失水而导致的预期边缘珠粒度量和/或缺陷相关。

16.根据权利要求1的方法，其中所述决定模型是定义一个或多个第一决定边界的第一决定模型；并且所述方法还包括训练定义一个或多个第二决定边界的第二决定模型，所述第一决定模型是监督机器学习模型，并且所述第二决定模型是无监督或半监督机器学习模型。

17.根据权利要求7所述的方法，还包括获得已经根据来自不同域的相关数据和/或针对不同任务被训练的初始决定模型；其中所述训练步骤仅包括针对当前域和/或任务来训练所述初始决定模型的一个或多个输出层。

18.一种用于构造用于在半导体制造过程内做出决定的决定模型的方法，所述方法包括：

获得与所述半导体制造过程的图案化步骤的一个或多个参数相关的数据；

从所述数据中得出一个或多个分类指示器，所述一个或多个分类指示器中的每个分类指示器基于至少一个阈值指示所述半导体制造过程的品质；以及

根据对已经经历所述图案化步骤的衬底执行的测量和为所述衬底分配的对应决定和/或类别来训练所述决定模型，所述训练针对所述一个或多个阈值中的每个阈值设置值，使得所述决定模型基于所述数据针对所述一个或多个分类指示器中的每个分类指示器输出适当值。

19.一种计算机程序，包括当在合适的装置上运行时可操作以执行根据权利要求1所述的方法的程序指令。

20.一种非暂态计算机程序载体，包括根据权利要求19所述的计算机程序。

Images