CN113661447A - 用于预测衬底图像的方法和设备 - Google Patents

Abstract

本文中描述了一种用于训练机器学习模型的方法，所述机器学习模型被配置成预测对应于如经由量测工具所测量的衬底的印制图案的衬底图像，所述方法包括：获得训练数据集合，所述训练数据集合包括(i)用于对所述衬底的所述印制图案进行测量的所述量测工具的量测数据，和(ii)用于将所述印制图案成像到所述衬底上的掩模图案；以及基于所述训练数据集合来训练机器学习模型，以预测如由所述量测工具所测量的所述衬底的所述衬底图像，使得成本函数被改善；其中所述成本函数包括预测衬底图像与所述量测数据之间的关系。

Description

用于预测衬底图像的方法和设备

相关申请的交叉引用

本申请要求于2019年4月4日提交的美国申请62/829,270的优先权，所述申请的全部内容通过引用并入本文。

技术领域

本说明书涉及用于对与经受图案化过程的印制衬底相对应的图像进行检测、配准和高分辨率量化的方法和设备。

背景技术

光刻设备是一种将期望的图案施加到衬底的目标部分上的机器。例如，光刻设备可以用于集成电路(IC)的制造。在这种情况下，图案形成装置(可替代地被称为掩模或掩模版)可以用于产生与IC的单个层相对应的电路图案，并且所述图案可以被成像在具有一层辐射敏感材料(抗蚀剂)的衬底(例如硅晶片)上的目标部分(例如，包括管芯的部分、一个或几个管芯)上。通常，单个衬底将包括被连续曝光的相邻目标部分的网络。已知的光刻设备包括所谓的步进器和所谓的扫描器，在步进器中，通过将整个图案一次性曝光到目标部分上来辐射每个目标部分，并且在所谓的扫描器中，通过所述束沿给定方向(“扫描”方向)扫描所述图案，同时沿与所述方向平行或反向平行的方向同步地扫描衬底来辐照每个目标部分。图案形成装置上的电路图案的不同部分渐进地转移到一个目标部分上。因为通常光刻投影设备将具有放大率因子M(通常＜1)，所以衬底被移动的速度F将是投影束扫描图案形成装置的速度的M倍。关于在此处描述的光刻装置的更多的信息可以例如参见美国专利No.6,046,792，在此处通过参考将其并入本文中。

在将电路图案从图案形成装置转印至衬底之前，衬底可以经历各种工序，诸如涂底漆、抗蚀剂涂覆和软焙烤。在曝光之后，衬底可能经受其它过程，诸如曝光后焙烤(PEB)、显影、硬焙烤，和转印后的电路图案的测量/检查。工序的这种阵列被用作制造例如IC的装置的单个层的基础。衬底随后可以经历各种过程，诸如蚀刻、离子植入(掺杂)、金属化、氧化、化学机械抛光等，所有过程都预期最终完成所述器件的单个层。如果在器件中需要若干层，则针对每个层重复整个工序或其变型。最终，在衬底上的每个目标部分中将存在器件。随后通过诸如切块或锯切之类的技术使这些器件彼此分离，由此可以将单独的器件安装在载体上、连接至针脚，等等。

如注意到的，微光刻术是集成电路的制造中的核心步骤，其中在衬底上形成的图案限定了IC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)以及其它器件。

随着半导体制造工艺持续进展，在数十年来，功能元件的尺寸被不断地降低，同时每一器件的功能元件(诸如晶体管)的数量一直遵循通常称为“摩尔定律”的趋势而稳步地增长。在现有技术的情形下，通过使用光刻投影设备来制造器件的层，该光刻投影设备使用来自深紫外照射源的照射将设计布局投影到衬底上，从而产生具有充分地低于100nm的尺寸的独立的功能元件，即该功能元件的尺寸小于照射源(例如，193nm照射源)的辐射的波长的一半。

印制具有小于光刻投影设备的经典的分辨率极限的尺寸的特征的过程，通常被称为低k1光刻术，其基于分辨率公式CD＝k1×λ/NA，其中λ是所采用的辐射波长(当前在大多数情形中是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，在晶片上复现图案(类似由电路设计者为获得特定的电功能和性能而设计的形状和尺寸)变得越困难。为了克服这些困难，复杂的精细调节步骤被应用于光刻投影设备以及设计布局。这些例如包括但不限于NA和光学相干性设定的优化、定制的照射方案、相移图案形成装置的使用、在设计布局中的光学邻近效应校正(OPC，有时称为“光学和过程校正”)或通常被定义成“分辨率增强技术(RET)”的其它方法等。如此处使用的术语“投影光学元件”应当被广义地解释成包括各种类型的光学系统，例如包括折射式光学装置、反射式光学装置、孔阑和折射反射式光学装置。术语“投影光学元件”还可以统一地或单独地包括根据用于引导、成形或控制辐射投影束的这些设计类型中的任一种进行操作的部件。术语“投影光学元件”可以包括在光刻投影设备中的任何光学部件，而不管光学部件处于光刻投影设备的光路上的哪一位置上。投影光学元件可以包括用于在辐射穿过图案形成装置之前成形、调整和/或投影来自源的辐射的光学部件，和/或用于在辐射穿过图案形成装置之后成形、调整和/或投影辐射的光学部件。投影光学元件通常不包括源和图案形成装置。

发明内容

在图案化过程中，期望频繁地对所产生的结构进行测量，例如用于过程控制和验证。典型地，所述结构的一个或更多个参数被测量或确定，所述一个或更多个参数例如结构的临界尺寸、在所述衬底中或所述衬底上形成的连续层之间的重叠误差，等等。存在用于对在图案化过程中所形成的微观结构进行测量的各种技术。用于进行这样的测量的各种工具已知包括但不限于扫描电子显微镜(SEM)，所述扫描电子显微镜经常被用于测量临界尺寸(CD)。

为了能够实现例如改善的模型辨识、缺陷检测、过程控制等，期望提供一种用以处理使用图案化过程所产生的一个或更多个结构的一个或更多个图像的技术、并且获得根据在所述图案化过程中所使用的设计图案来预测所得到的图案(例如，显影后、蚀刻后等)的模型。

在实施例中，提供了一种用于训练机器学习模型的方法，所述机器学习模型被配置成预测对应于如经由量测工具所测量的衬底的印制图案的衬底图像。所述方法包括：获得训练数据集合，所述训练数据集合包括(i)用于对所述衬底的所述印制图案进行测量的所述量测工具的量测数据，和(ii)用于将所述印制图案成像到所述衬底上的掩模图案；以及基于所述训练数据集合来训练机器学习模型，以预测如由所述量测工具所测量的所述衬底的所述衬底图像，使得成本函数被改善；其中所述成本函数包括预测衬底图像与所述量测数据之间的关系。

此外，提供一种用于预测与衬底的印制图案相对应的衬底图像的方法。所述方法包括：获得图案化过程的掩模图案、以及所述经训练的机器学习模型；和使用所述掩模图案作为输入，经由经训练的机器学习模型来预测将由所述量测工具所测量的所述衬底图像。

此外，提供一种计算机程序产品，所述计算机程序产品包括非暂时性计算机可读介质，所述非暂时性计算机可读介质上记录有指令，所述指令在由计算机执行时执行根据上述权利要求中任一项所述的方法。

附图说明

现在将参考随附附图而仅作为示例来描述实施例，在所述附图中：

图1示意性地描绘了根据实施例的光刻设备的实施例；

图2示意性地描绘了根据实施例的光刻单元或簇的实施例；

图3示意性地描绘了根据实施例的扫描电子显微镜(SEM)的实施例；

图4示意性地描绘了根据实施例的示例模型预测系统的概略图；

图5是根据实施例的用于训练机器学习模型的方法的流程图，所述机器学习模型被配置成预测经受图案化过程的衬底的印制图案的图像；

图6是根据实施例的基于经训练的机器学习模型来预测所述衬底的衬底图像的示例方法的流程图；

图7图示出根据实施例的使用图5中的方法的深度学习模型的示例训练；

图8图示出根据实施例的用于训练根据实施例的深度学习模型的像素化输入图像的示例；

图9A图示出根据实施例的用于训练所述深度学习模型的扩张核的示例；

图9B图示出根据实施例的用于训练所述深度学习模型的扩张核的示例权重；

图10A图示出根据实施例的具有用于训练所述深度学习模型的第一扩张核的示例卷积运算；

图10B图示出根据实施例的具有用于训练所述深度学习模型的第二扩张核的示例卷积运算；

图10C图示出根据实施例的具有用于训练所述深度学习模型的第三扩张核的示例卷积运算；

图11是根据实施例的成本函数的局部导数即偏导数的示例绘图；

图12A图示出根据实施例的使用第一掩模图案的经训练的机器学习模型的应用；

图12B是根据实施例的使用图12A中图示的掩模图案所成像的实际印制图案的SEM图像；

图13A图示出根据实施例的使用第二掩模图案的经训练的机器学习模型的应用；

图13B是根据实施例的使用图13A中图示的掩模图案所成像的实际印制图案的SEM图像；

图14示意性地描绘了根据实施例的电子束检查设备的实施例；

图15是根据实施例的示例计算机系统的框图。

图16是根据实施例的光刻投影设备的示意图。

图17是根据实施例的另一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。

现将参考附图详细地描述实施例，所述附图被提供作为例示性示例以便使本领域技术人员能够实践所述实施例。值得注意地，以下的附图和示例并非意在将范围限于单一实施例，而是借助于所描述或所例示的元件中的一些或全部的互换而使其他实施例是可能的。在任何便利的情况下，将贯穿附图而使用相同附图标记来指代相同或相似部件。在能够使用已知部件来部分地或完全地实施这些实施例的某些元件的情况下，将仅描述这些已知部件的对于理解所述实施例而言必需的那些部分，且将省略这些已知组件的其他部分的详细描述以免使得所述实施例的描述不清楚。在本说明书中，示出单一部件的实施例不应被认为是限制性的；而是，除非本发明中另有明确陈述，否则范围预期涵盖包括多个相同部件的其他实施例，且反之亦然。此外，申请人并非意图使本说明书或权利要求书中的任何术语归结于不常见或特定意义，除非如此明确阐述。另外，范围涵盖本发明中借助于例示而提及的部件的当前和未来已知的等效物。

具体实施方式

在详细地描述实施例之前，提供一个可以实施实施例的示例性环境是有指导意义的。

图1示意性地描绘了一种光刻设备LA。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，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，并被连接至第一定位器PM，所述第一定位器PM被配置成根据某些参数准确地定位所述图案形成装置；

-衬底台(例如，晶片台)WTa，所述衬底台WTa被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)W并被连接至第二定位器PW，所述第二定位器PW被配置成根据某些参数准确地定位所述衬底；以及

-投影系统(例如，折射型投影透镜系统)PS，所述投影系统PS被配置成将由图案形成装置MA赋予所述辐射束B的图案投影到所述衬底W的目标部分C(例如，包括一个或更多个管芯)上。

所述照射系统可以包括各种类型的光学部件，例如折射型、反射型、磁性型、电磁型、静电型或其它类型的光学部件、或者它们的任意组合，用以对辐射进行引导、成形或控制。

所述图案形成装置支撑结构以依赖于所述图案形成装置的方向、所述光刻设备的设计、以及诸如所述图案形成装置是否被保持在真空环境中之类的其它条件的方式来保持所述图案形成装置。所述图案形成装置的支撑结构可以采用机械的、真空的、静电的或其它夹持技术保持所述图案形成装置。所述图案形成装置的支撑结构可以是框架或台，例如，其可以根据需要是固定的或可移动的。所述图案形成装置的支撑结构可以确保所述图案形成装置(例如，相对于所述投影系统)位于期望的位置。本文中使用的任何术语“掩模版”或“掩模”可以被认为与更上位的术语“图案形成装置”同义。

本文中使用的术语“图案形成装置”应被广义地解释为表示可以被用于在辐射束的截面中赋予所述辐射束图案以便在所述衬底的目标部分中产生图案的任何装置。应注意，被赋予至所述辐射束的图案可以不与所述衬底的目标部分中的期望的图案精确地对应(例如，如果所述图案包括相移特征或所谓的辅助特征)。通常，被赋予至所述辐射束的图案将与在所述目标部分中产生的器件(诸如集成电路)中的特定功能层相对应。

所述图案形成装置可以是透射型或反射型的。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(液晶显示器)面板。掩模在光刻术中是公知的，并且包括诸如二元掩模类型、交替相移掩模类型、衰减相移掩模类型和各种混合掩模类型之类的掩模类型。可编程反射镜阵列的示例采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被单独地倾斜，以便沿不同的方向反射入射的辐射束。被倾斜的反射镜将图案赋予由所述反射镜矩阵反射的辐射束。可以例如从美国专利号5,296,891和5,523,193搜集关于反射镜阵列的更多信息，这些美国专利通过引用并入本文中。在美国专利号5,229,872中给出可编程LCD阵列构造的示例，所述美国专利通过引用并入本文中。

在本文中所使用的术语“投影系统”应被广义地解释为包括任意类型的投影系统，包括折射型、反射型、反射折射型、磁性型、电磁型以及静电型光学系统或者它们的任意组合，如对于所使用的曝光辐射或者诸如使用浸没液体或使用真空之类的其它因素所适合的。本文中使用的任何术语“投影透镜”可以被认为与更上位的术语“投影系统”同义。

如这里所描绘的，所述设备属于透射类型(例如，采用透射型掩模)。可替代地，所述设备可以属于反射类型(例如，使用上文提及类型的可编程反射镜阵列，或者使用反射型掩模)。

所述光刻设备可以属于具有两个台(双平台)或更多个台(例如，两个或更多个衬底台、两个或更多个图案形成装置支撑结构、或衬底台和量测台)的类型。在这样的“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执行预备步骤的同时，将一个或更多个其它台用于图案转印。例如，在US5,969,441中描述了双平台光刻投影设备，所述美国专利通过引用并入本文中。

所述光刻设备还可以属于如下类型：其中所述衬底的至少一部分还可以被具有相对高折射率的液体(例如，水))覆盖，以便填充所述投影系统与所述衬底之间的空间。浸没液体也可以被施加至所述光刻设备中的其它空间，例如所述掩模与所述投影系统之间的空间。本领域中众所周知，浸没技术用于增加投影系统的数值孔径。本文中使用的术语“浸没”并不意味着诸如衬底W之类的结构必须浸没在液体中，而是“浸没”仅意味着在曝光期间液体位于投影系统PS与衬底W之间。

参考图1，所述照射器IL接收来自辐射源SO的辐射束。所述源和所述光刻设备可以是分立的实体，例如当所述源是准分子激光器时。在这样的情况下，所述源并不被认为是构成所述光刻设备的一部分，并且所述辐射束被借助于包括例如适合的定向反射镜和/或扩束器的束传递系统BD而从所述源SO传递至所述照射器IL。在其它情况下，所述源可以是所述光刻设备的组成部分(例如，当所述源是汞灯时)。可以将所述源SO和所述照射器IL以及需要时设置的所述束传递系统BD一起称为辐射系统。

所述照射器IL可以包括用于调整所述辐射束的角强度分布的调整器AD。通常，可以调整所述照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别被称为σ-外部和σ-内部)。此外，所述照射器IL可以包括各种其它部件，诸如积分器IN和聚光器CO。可以将所述照射器用于调整所述辐射束，以便在其截面中具有期望的均匀性和强度分布。

所述辐射束B被入射到所述图案形成装置(例如，掩模)MA上并通过所述图案形成装置被图案化，所述图案形成装置MA被保持在所述图案形成装置支撑件(例如，掩模台MT)上。在已横穿所述图案形成装置(例如，掩模)MA之后，所述辐射束B穿过所述投影系统PS，所述投影系统PS将所述束聚焦到所述衬底W的目标部分C上。借助于所述第二定位器PW和位置传感器IF(例如，干涉量测装置、线性编码器、2D编码器或电容式传感器)，可以准确地移动所述衬底台WTa，例如以便将不同的目标部分C定位在所述辐射束B的路径中。类似地，例如在从掩模库的机械获取之后或在扫描期间，可以将所述第一定位器PM和另一位置传感器(图1中未明确示出)用于相对于所述辐射束B的路径准确地定位所述图案形成装置(例如，掩模)MA。通常，可以借助于形成第一定位装置PM的一部分的长行程模块(粗定位)和短行程模块(精定位)来实现所述图案形成装置支撑件(例如，掩模台)MT的移动。类似地，可以使用形成所述第二定位器PW的一部分的长行程模块和短行程模块来实现所述衬底台WTa的移动。在步进机的情况下(与扫描器相反)，所述图案形成装置支撑件(例如，掩模台)MT可以仅被连接至短行程致动器，或可以是固定的。

可以通过使用掩模对准标记Ml、M2和衬底对准标记Pl、P2来对准图案形成装置(例如，掩模)MA和衬底W。虽然图示的衬底对准标识占据了专用目标部分，但是它们可以位于多个目标部分之间的空间(这些被称为划线对准标记)中。类似地，在将多于一个的管芯被设置在所述图案形成装置(例如，掩模)MA上的情形下，所述掩模对准标记可以位于所述管芯之间。小的对准标识也可以被包括在管芯内、在所述器件特征之间，在这种情况下，期望所述标识尽可能小且不需要任何与相邻的特征不同的图案化或过程条件。下文中进一步描述检测所述对准标识的对准系统的实施例。

所描绘的设备可以使用于以下模式中的至少一种：

-在步进模式中，在将所述图案形成装置支撑件(例如，掩模台)MT和所述衬底台WTa保持为基本静止的同时，将被赋予至所述辐射束的整个图案一次投影到目标部分C上(即，单次静态曝光)。然后将所述衬底台WT沿X和/或Y方向移动，使得可以对不同目标部分C曝光。在步进模式中，曝光场的最大大小限制了在单次静态曝光中被成像的所述目标部分C的大小。

-在扫描模式中，在同步地扫描所述图案形成装置支撑件(例如，掩模台)MT和所述衬底台WTa的同时，将被赋予至所述辐射束的图案投影到目标部分C上(即，单次动态曝光)。所述衬底台WTa相对于所述图案形成装置支撑件(例如，掩模台)MT的速度和方向可以通过所述投影系统PS的(缩小)放大率和图像反转特性来确定。在扫描模式中，所述曝光场的最大大小限制了单次动态曝光中所述目标部分的宽度(沿非扫描方向)，而所述扫描运动的长度决定了所述目标部分C的高度(沿扫描方向)。

-在另一模式中，所述图案形成装置支撑件(例如，掩模台)MT被保持为基本上固定，并且在将被赋予至所述辐射束的图案被投影到目标部分C上时所述衬底台WTa/WTb被移动或扫描。在这种模式中，通常采用脉冲辐射源，并且在所述衬底台WTa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所述可编程图案形成装置。这种操作模式可以易于被应用于利用可编程图案形成装置(诸如，如上文提到的类型的可编程反射镜阵列)的无掩模光刻术中。

也可以采用上文描述的使用模式的组合和/或变形例，或完全不同的使用模式。

光刻设备LA是所谓的双平台类型，所述双平台类型具有两个台WTa、WTb(例如，两个衬底台)和两个站—曝光站和测量站—这两个台可以在这两个站之间交换。例如，当一个台上的衬底在曝光站上进行曝光时，另一衬底可以被装载到测量站处的另一衬底台上，并且执行各种预备步骤。所述预备步骤可以包括使用水平传感器LS来映射所述衬底的表面控制，并且使用对准传感器AS来测量所述衬底上的对准标识的位置，两个传感器都由参考框架RF支撑。如果当台处于所述测量站以及处于所述曝光站时所述位置传感器IF不能测量所述台的位置，则可以设置第二位置传感器来使得所述台的位置能够在两个站处被追踪。作为另一示例，当一个台上的衬底正在所述曝光站处被曝光时，不具有衬底的另一台在所述测量站处等待(其中可选地可以发生测量动作)。所述另一台具有一个或更多个测量装置并且可以可选地具有其它工具(例如，清洁设备)。当所述衬底已经完成曝光时，不具有衬底的台移动至所述曝光站以执行例如测量，并且具有所述衬底的台移动至其中卸载了所述衬底并且装载另一衬底的部位(例如，所述测量站)。这些多台布置能够显著增加所述设备的生产量。

如图2中示出的，光刻设备LA可以构成光刻单元LC的一部分，并且有时被称为光刻元或光刻簇，所述光刻单元还包括用于在衬底上执行一个或更多个图案转印前过程或图案转印后过程的设备。常规地，这些设备包括：用于沉积抗蚀剂层的一个或更多个旋涂器SC、用于对图案化抗蚀剂进行显影的一个或更多个显影剂DE、一个或更多个激冷板CH和一个或更多个焙烤板BK。衬底运送装置或机器人RO从输入/输出端口I/O1、I/O2拾取衬底，在不同的过程装置之间移动衬底，然后将所述衬底传递到所述光刻设备的进料台LB。这些装置通常统称为轨道或涂覆显影系统，并且由轨道控制单元TCU控制，所述轨道控制单元TCU本身由管理控制系统SCS控制，所述管理控制系统SCS也经由光刻控制单元LACU来控制所述光刻设备。因此，可以操作不同的设备以最大化生产量和处理效率。

为了由所述光刻设备处理(例如，曝光)的衬底被正确地且一致地处理，期望检查处理后的衬底以测量一个或更多个性质，诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。如果检测到误差，则可以对一个或更多个后续衬底的处理进行调整。例如，在所述检查可以很快完成且足够迅速使得同一批次的另一衬底仍处于待处理状态的情况下，这可能是特别有用的。此外，已处理的衬底可以被剥离且被返工(以改善良率)或被舍弃，由此避免对已知有缺陷的衬底执行图案转印。在衬底的仅一些目标部分是有缺陷的情况下，可以仅对良好的那些目标部分执行进一步的图案转印。另一可能是调试后续处理步骤的设置以补偿所述误差，例如，可以调修整蚀刻步骤的时间以补偿由光刻过程步骤所产生的衬底至衬底CD变化。

使用检查设备来确定衬底的一个或更多个性质，尤其是确定不同衬底或同一衬底的不同层的一个或更多个性质如何在不同层间和/或跨越衬底而变化。所述检查设备可以被集成到所述光刻设备LA或光刻单元LC中，或可以是独立的装置。为了实现最快速的测量，期望在图案转印之后所述检查设备立即测量图案化抗蚀剂层中的一个或更多个性质。然而，所述抗蚀剂中的潜在图案可以具有非常低的对比度—例如，在所述抗蚀剂的已被曝光至辐射的部分与未被曝光至辐射的部分之间仅存在非常小的折射率差—并且并非所有检查设备都可以具有足够的灵敏度以对所述潜在图案进行有用测量。因此，可以曝光后焙烤步骤(PEB)之后进行测量，所述曝光后焙烤步骤(PEB)通常是对图案化衬底进行的第一步骤，并且增加例如所述抗蚀剂的曝光部分与未曝光部分之间的对比度。在这个阶段，所述抗蚀剂中的图案可以被称为是半潜的。也可以在例如所述抗蚀剂的曝光部分或未曝光部分已经被去除的点处，或者在诸如蚀刻之类的图案转移步骤之后，对显影后的抗蚀剂图像进行测量。后一种可能限制了返工有缺陷的衬底的可能性，但仍可以提供有用信息，例如，出于过程控制的目的。

在一些实施例中，所述检查设备可以是扫描电子显微镜(SEM)，所述扫描电子显微镜(SEM)得到被曝光或转印于所述衬底上的结构(例如，器件的一些或所有结构)的图像。图3描绘SEM 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会聚且接着穿过束偏转器204、E×B偏转器205和物镜206以在焦点处照射衬底台101上的衬底100。

当利用电子束202照射衬底100时，从衬底100生成二次电子。所述二次电子由E×B偏转器205偏转且由二次电子检测器207检测。二维电子束图像可以通过与以下操作同步地检测从样本产生的电子而获得：例如通过束偏转器204来二维扫描电子束或通过束偏转器204在X方向或Y方向上重复扫描电子束202，以及通过衬底台101在X方向或Y方向中的另一方向上连续移动衬底100。

由二次电子检测器207检测的信号通过模拟/数字(A/D)转换器208转换为数字信号，并且将数字信号发送至图像处理系统300。在实施例中，图像处理系统300可以具有用于储存数字图像的全部或部分以供由处理单元304处理的存储器303。处理单元304(例如被专门设计的硬件或硬件与软件的组合)被配置成将数字图像转换成或处理成表示数字图像的数据集。此外，图像处理系统300可以具有被配置成将数字图像和相对应的数据集储存在参考数据库中的储存介质301。显示装置302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界面进行装备的必要操作。

如上文所提及的，可以处理SEM图像以提取所述图像中对表示器件结构的物体的边缘进行描述的轮廓。接着经由诸如CD之类的指标来量化这些轮廓。因而，通常经由诸如边缘之间距离(CD)或图像之间的简单像素差之类的过分简单化(simplistic)指标来比较和量化器件结构的图像。检测图像中的物体的边缘以便对CD进行测量的典型轮廓模型使用图像梯度。实际上，那些模型依赖于强图像梯度。但在实践中，图像通常有噪声且具有不连续边界。诸如平滑化、自适应定阈值、边缘检测、侵蚀和膨胀的技术可以用于处理图像梯度轮廓模型的结果以寻址有噪声且不连续图像，但将最终导致高分辨率图像的低分辨率量化。因而，在大多数实例中，对器件结构的图像的数学处理以减少噪声以及自动化边缘检测会导致图像的分辨率的损失，由此导致信息的损失。因此，结果是相当于对复杂的高分辨率结构的过分简单化表示的低分辨率量化。

因此，期望具有可以保留分辨率且还可以对使用图案化过程而产生的或预期产生的结构(例如电路特征、对准标记或量测目标部分(例如光栅特征)等)的一般形状进行描述所述结构的数学表示，而不论例如所述结构是在潜在抗蚀剂图像中、在经显影的抗蚀剂图像或例如通过蚀刻而转印至衬底上的层中。在光刻或其它图案化过程的情境下，结构可以是正在制造的器件或其部分，并且图像可以是所述结构的SEM图像。在一些情况下，所述结构可以是半导体器件(例如，集成电路)的特征。在这种情况下，所述结构可以被称为包括所述半导体器件的多个特征的图案或期望的图案。在一些情况下，结构可以是在对准测量过程中使用以确定物体(例如衬底)与另一物体(例如图案形成装置)的对准的对准标记或其部分(例如对准标记的光栅)，或为用于测量所述图案化过程的参数(例如重叠、焦距、剂量等)的量测目标或其部分(例如量测目标的光栅)。在实施例中，量测目标是用于测量(例如)重叠的衍射光栅。

参考图4，描绘了根据实施例的示例模型预测系统的概略图。在实施例中，图4的实施系统是用于图案化过程(例如，图案化过程的光刻和蚀刻过程两者)的自适应状态估计和模型预测控制系统。在以下论述中，将关于涉及光学光刻过程的图案化过程来描述所述模型预测系统(和相关联技术)。在另一实施例中，可以使用不同的图案化过程，例如一种涉及压印光刻的图案化过程。并且因此，对于这样的不同的图案化过程，如由本领域技术人员将会理解的，可能涉及一个或更多个不同参数/变量。

在400处，提供了至所述模型预测系统的某些输入。例如，焦距、剂量、光学像差、照射模式(例如，空间分布，诸如环形、偶极、四极等)等的名义值可以被输入。另外，使用所述图案化过程来产生所述结构的设计图案被输入。在典型的实施例中，所述设计图案是图案形成装置(例如，掩模)图案。结合起来，所述输入值限定了特定图案化过程。如将理解的，参数/变量的不同组合可以限定不同的图案化过程。

在410处，所述图案化过程的至少一部分的数学模型接收所述输入。所述模型产生输出420，如下文中进一步描述的。在实施例中，所述模型可以预测(如使用所述图案化过程所产生的)所述结构，作为抗蚀剂中的潜像。在实施例中，在所述抗蚀剂的显影之后但在蚀刻之前，所述模型可以预测(如使用所述图案化过程所产生的)所述结构，作为所述抗蚀剂中的图像。在实施例中，在蚀刻之后，所述模型可以预测(如使用所述图案化过程所产生的)所述结构。如将在此后进一步论述的，在实施例中，所述模型是机器学习模型，所述机器学习模型被配置成在例如所述图案化过程的光刻步骤之后或在所述图案化过程的蚀刻步骤之后预测产品上的图案形状。在实施例中，所述机器学习模型被训练用于预测所述结构的SEM图像。在实施例中，所述机器学习模型基于(诸如在400处的)所述输入来训练，所述输入包括但不限于SEM图像、剂量、焦距、量测参数等。

在420处，所述模型产生反映对正在使用所述图案化过程所产生的所述结构的预测的一个或更多个输出。在实施例中，所述输出是被预测为待使用所述图案化过程来产生的所述结构的预测图像。在实施例中，所述输出是与被预测为待使用所述图案化过程来产生的图像或结构有关的预测参数(例如，CD)。

在430处，可以估计所述模型的状态。在实施例中，如实际上使用所述图案化过程所产生的所述图案形状的产品上测量结果可以被用于辨识所述模型(例如，机器学习模型)并且估计其参数。经由状态估计，在实施例中，所述模型可以连续地且递归地被更新，使得模型预测与在所述图案化过程运行时的测量输出相匹配。这是有利的，因为开环模型预测与测量现实之间将很可能存在不匹配；例如，光刻设备以与期望不同的方式表现、蚀刻工具以与期望不同的方式表现、过程漂移、可能引起这样的不匹配的其它扰动等。所述不匹配使所述图案化过程的产率劣化，并且因此，在实施例中，在图案化过程的执行期间估计所述不匹配以控制所述图案化过程。如所见的，在图4中，430处的状态的估计可以取来自所述模型410的预测输出420以及所述图案化过程输入400中的一个或更多个图案化过程输入作为输入。430处的状态的估计可以产生所述数学模型410的一个或更多个参数。在实施例中，430处的状态的估计可以接收一个或更多个图案化过程扰动的测量结果，作为输入。

在440处，所述模型预测系统可以对至一个或更多个目标450的图案输出进行调节。所述一个或更多个目标450可以指定参数/变量的某一期望值(例如，期望的CD等)。440处的调节器可以对至所述模型预测系统的一个或更多个输入400产生适当的改变或校正。

在2016年12月16日递交的PCT专利公开号WO2018108528A1中论述(例如，光刻过程和/或光刻－蚀刻过程的)示例模型410，所述PCT专利公开的全部内容通过引用并入本文中。这个模型410是对在所述光刻或蚀刻过程之后所产生的所述结构的图案形状的二元图像或二值图像(binarized image)进行预测的逻辑模型。这个逻辑模型基于少量工程特征，从而导致近乎完美的二元乘积预测。然而，所述模型的输出是严格地二元的，并且可以进行所述结构的图案形状的预测的进一步改善，如将在本公开中所论述的。

在本公开的实施例中，建模方法涉及图像的语义分割以使得能够实现多类别标签的像素水平或像素等级预测(例如，与待由所述图案化过程所印制的所述结构的一个或更多个图案形状对应)。这允许将由所述扫描电镜/电子束所测量的任何图像转换成像素级或像素水平多类别图像。在实施例中，所述类别涉及灰度值。此外，所述语义分割可以被修改以改进所述分割从而(例如，通过对电力线或小型线进行不同的着色)唯一地辨识图案类型，或允许多重图案化。另外，所述机器学习模型被配置成预测多类别语义分段式图像，所述多类别语义分段式图像还被转换成与量测工具(例如，SEM工具)可以测量的类似的灰度图像。在实施例中，在假定被用于印制所述结构在测量部位处的图案形状的掩模图像的情况下，所述机器学习模型(例如，其可以被用作图4中的410)预测如由所述扫描电镜/电子束所测量的图像。

(例如，经由图3中的SEM所捕获的)SEM图像通常包含非信息性测量噪声。在实施例中，所述机器学习模型被配置成对表示没有噪声的SEM图像的语义分割进行预测的图像。在实施例中，可以实现这样的无噪声预测，因为所述多类别语义分割被转换成与SEM成像过程将会产生的类似的灰度图像。转换至灰度涉及具有预定义的像素值范围的所选像素的分箱(binning)或分组以及向特定像素组分配特定标签。例如，所述分组是均一的，其中像素值的范围[0，255]被均匀地分成10个组(或10个标签)。在实施例中，分组基于图案的用户定义特征，和/或与所述结构的期望的图案形状相对应的像素值。

根据实施例，所述机器学习模型的训练基于一个或更多个深度学习架构和算法。深度学习涉及训练包括多层的神经网络，所述神经网络可以是受监督的也可以是无监督的。在一实施例中，深度学习模型可以基于诸如残差网、卷积神经网络、深度信念网络和递归神经网络之类的架构。在基于卷积的架构中，每一层都基于一个或更多个核(通常由与核相关联的权重限定)执行某些卷积运算。在训练过程期间，可以通过调整核(即更改核权重值)来修改所述深度学习模型。

卷积神经网络通常由以连续的方式链接在一起的若干层组成，使得信息从输入流向输出。实际上，每一层都吸收张量Tin并且输出新的张量Tout。输入张量与核张量W卷积，所得卷积可以随偏差向量增加，并且通过激活函数(诸如整流器线性单元(ReLU))而被传递。在本公开中，可以使用一个或更多个扩张核或空洞核(dilated kernel)以便在不进行最大池化(因为其可能会降低空间分辨率)的情况下增加接收域。扩张核或空洞核是用于扩张运算的核。典型地，最大池化是一种使用来自先前层处的神经元簇中的每个的最大值的运算。

需要训练所述深度学习模型，并且对象(或图像内的特征)标签可以是特定于域的。如此，在实施例中，产生或获得训练数据集合作为基准真相或基本事实(groundtruth)，例如，所述基准真相可以包括与掩模图案相对应的原始输入图像(例如，SEM图像)集合。在实施例中，出于训练目的，像素被分配对象标签(例如，灰度水平即灰度等级)。

以下公开内容描述了一种用于训练深度学习模型的方法，所述深度学习模型执行图像(例如，灰度SEM图像)的语义分割。例如，本方法经由卷积神经网络(深度学习)、并且具体地经扩张的残差神经网络，向每个图像像素x分配给来自预定标签L集合的标签L(x)。在本公开中，术语“标签”与晶片(可以被可互换地称为衬底)的特征或类别标签可互换地使用，以通常指代晶片的特定特征。在实施例中，所述类别标签是灰度水平或灰度等级，其中每个类别水平与灰度值的范围(例如，在[0，255]之间)相关联。

图5是根据本公开的实施例的用于训练机器学习模型的示例性方法的流程图，所述机器学习模型被配置成预测经受图案化过程的晶片的印制图案的图像。所述预测图像与从量测工具(例如，SEM)所获得的测量数据(例如，包括印制于所述晶片上的结构的SEM图像)相对应。所述预测图像与典型地在SEM图像(例如，图7中的701)中所见的噪声相比具有大致低噪声或无噪声。因而，与直接地从相对应的SEM图像所获得的测量结果相比，可以从所述预测图像获得结构(在实施例中，图案)的更准确的测量结果(例如，CD、EPE等)。

所述方法涉及，在过程P501中，获得训练数据集合，包括：(i)所述量测工具的用于对所述晶片的印制图案进行测量的量测数据501、和(ii)为了经由光刻设备对所述晶片上的所述印制图案进行成像而采用的图案形成装置图案502(在下文中为了较好的可读性，被称为掩模图案502(或其掩模图像))。

在实施例中，所述训练数据集合包括从所述SEM工具所获得的多个SEM图像。在实施例中，所述训练数据集合也可以包括所述量测工具的参数。例如，所述扫描电子显微镜的参数是以下中的至少一个：电子束强度；入射角；或取样部位信息。在实施例中，所述训练数据集合也可以包括所述图案化过程的一个或更多个参数的值。在实施例中，所述图案化过程的所述一个或更多个参数包括剂量、焦距、强度、照射模式等中的至少一个。因而，在训练之后，经训练的机器学习模型也可以接收所述量测工具和所述图案化过程的参数以进行对晶片图像的较准确预测。

在实施例中，所述量测数据501包括经由所述量测工具而捕获的所述晶片上的所述印制图案的图像(例如，SEM图像)。这样的图像可以包括噪声、变形、由于所述量测工具和测量过程所导致的其它图像相关问题。在实施例中，在所述晶片上的所述印制图案的测量期间使用所述量测工具的量测选配方案(例如，强度、入射角等)。

在实施例中，获得呈图像或其它等价表示的形式的掩模图案502。在实施例中，所述掩模图案502是设计布局的图像，和/或包括与OPC相对应的结构(例如，SRAF、SERIF)的设计布局。在实施例中，所述掩模图案502是二元图像，例如，图7中的经OPC的掩模图像702。在实施例中，所述掩模图像包括围绕经OPC的原始特征放置的(即在经OPC的原始特征周围放置的)SRAF。

在过程P503处，所述方法涉及基于所述训练数据集合来训练机器学习模型，以预测由所述量测工具所测量的晶片图像510，使得成本函数被改善。在实施例中，所述成本函数包括预测晶片图像510与所述量测数据501之间的关系。例如，所述成本函数的关系是501的经标注的SEM图像与所述预测晶片图像510的标签的差。在实施例中，所述成本函数是广义锯切损失，所述广义锯切损失可以在所述训练过程期间被降低(在实施例中，被最小化)。所述锯切损失函数可以利用单个得分数来评估多个类别分割。例如，所述锯切损失函数评估所述预测图像510相对于所述量测数据501的SEM图像的多个类别分割。示例锯切损失函数被给出如下：

在以上所述的广义锯切损失(GDL)方程式中，N是像素数，L是标签数(例如，双标签类别问题中的2个标签)，r_ln是与分配给第n个像素的特定标签l(例如，基准真相标签或参考像素)相对应的像素值，p_ln是图像元素，其中所述图像元素与像素属于特定标签(例如，像素具有被分配给第n个像素的标签l)的概率相关联，w_l被用于为不同标签集合性质提供不变性。在实施例中，

当选择所述权重时，由每个标签的区域的逆来校正该标签的贡献，因而减少了区域大小与锯切得分数之间的众所周知的相关性。在实施例中，当利用梯度下降方法进行训练时，相对于p_ln确定所述成本函数的梯度，并且基于所述梯度来确定每个层的权重，使得所述成本函数被减小(在实施例中，被最小化)。

在实施例中，所述机器学习模型输出所述预测图像510，所述预测图像510可以是像素化图像。所述像素化图像可以被进一步分割以产生分段式图像。在实施例中，基于像素的属于所述多个类别标签中的特定类别的概率来为每个像素分配所述多个类别标签的类别标签。在实施例中，所述多个类别标签的每个类别标签与一灰度水平相对应。在实施例中，经训练的机器学习模型直接地输出与所述掩模图案相对应的印制晶片的分段式图像。所述分段式图像包括被分配给所述印制图案的所述预测图像的像素的多个类别标签，其中所述像素对应于所述印制图案的特定特征。

在实施例中，在所述机器学习模型的输出(例如，像素化图像)的情境下，所述图像可以被投影至逻辑模型，所述逻辑模型包括呈例如以下形式的sigmoid函数即S形曲线函数：

在上文中的逻辑模型中，P(x，y)是像素属于特定类别的概率，所述图像a(x，y)是如上文描述的所述机器学习模型的输出，γ确定所述sigmoid函数的斜率，并且τ是针对P＝0.5的情况(属于特定类别的概率相等)确定a的阈值。因而，在实施例中，所述概率P∈[0，1]。在此示例中，所述逻辑模型的最大值是1，在这种情况下τ是针对P是最大值的一半的情况确定a的阈值。因此，不同像素的概率对应于特定类别或标签。因而，当向像素分配标签(即，预测所述像素)时，相关联的概率给出了与标签分配的确定性/准确性的程度有关的额外信息。例如，当更多标签具有非常类似的概率时，它指示出需要更多数据(例如，经扩增的训练集合)。

在实施例中，所述灰度水平是指示灰度值范围的分组的整数值。在一个实施例中，所述灰度值的分组基于：均匀分组；与期望被印制到所述晶片上的所述掩模图案的特定特征相应的像素；与印制图案的特定特征相对应的像素；和/或加权像素分组，其中较高的权重被分配给比所述掩模图案(或印制图案)或其图像的其它特征更经常发生的特征的灰度值。例如，均匀分组涉及将灰度值[0，255]等分成L个标签(例如，对于10个标签，第一标签L1对应于灰度值0至25，第二标签L2对应于灰度值26至51等等)。分组的另一示例是通过等直方图拆分进行，其中所述范围被选择为使得直方图的每个直条(bin)具有类似数目个条目(entry)。

在实施例中，所述机器学习模型的训练是迭代过程。在迭代中涉及：基于所述量测数据501和所述掩模图案502来确定所述卷积神经网络的模型参数的值；和调整所述模型参数的值，直到所述卷积神经网络的成本函数被改善为止。例如，与CNN的一个或更多个层相关联的权重和/或偏差可以在后向传播算法期间被改变。在实施例中，可以通过(随机)梯度下降方法来引导所述权重的调整，其中成本函数的梯度下降(例如，广义锯切损失)被评估并且权重被调整，使得所述成本函数被最小化。所述成本函数的减小或最小化使预测输出(例如，预测图像)接近于基准真相图像(例如，手动分割的SEM图像)。

在实施例中，图5的方法还涉及基于预测晶片图像来确定所述晶片的所述印制图案的特性。在实施例中，所述特性是临界尺寸、所述特征的轮廓、和/或边缘放置误差。

在实施例中，所述方法还包括：在所述图案化过程期间或之后经由所述量测工具来获取实时(例如，如图4中所论述的产品上的)量测数据；基于所述实时量测数据和在所述图案化过程期间所使用的所述掩模图案502来更新经训练的机器学习模型。

在下文中，关于图7，利用呈额外细节的示例来进一步论述图5的方法。本领域技术人员可以理解，图7中的训练过程不限于深度学习模型730或图像701和702。所述模型730和图像701和702仅用于说明目的和更好地传达本公开的构思。

图7图示出根据本公开的实施例的所述深度学习模型730的示例训练(图5中的方法的所述机器学习模型530的示例)。如所图示的，所述深度学习模型包括具有若干层的卷积神经网络，所述若干层以连续的方式链接在一起。每个层执行具有(例如，扩张)核(例如，利用图8、图9A至图9B、图10A至图10C所论述)的卷积运算。扩张核放大了输入图像的接收域，并且保持所述输入图像的空间分辨率且由此保持所述输入图像内的特征。这使得能够准确地标注甚至晶片的最小特征。如此，经训练的深度学习模型能够检测且准确地标注小尺寸(诸如小于20nm之类)的特征。换句话说，在实施例中，所述模型可以按照像素水平或像素级来分段式图像，所述像素水平或像素级可以显著地小于5nm，优选地小于大约2nm。

经训练的深度学习模型可以被用于执行例如在所述图案化过程期间所获得的SEM图像的语义分割，并且通过执行在所述SEM图像的分段式图像中所标识的特征的测量来确定所述图案化过程的各个特征和参数。根据本公开，所述语义分割基于灰度水平即灰度级别(0、1、2、3、……、第n级)和广义锯切损失函数。所述灰度水平是基于所述像素的灰度值以及所述灰度值的分组而被分配给所述像素的标签，如先前在图5中所论述的。

在当前实施例中，输入图像包括呈像素化图像的形式的SEM图像701和掩模图案702，其可以被表示为张量或矢量的形式，以能够实现各种数学运算(例如，卷积、加法、乘法、旋转、缩放等)、统计分析、和/或所述输入图像的每个像素的其它合适的操作。此外，基于所述分析，每个像素可以(例如，利用一个或更多个灰度水平)被标注。

在实施例中，所述输入图像701和702可以被表示为具有维度(b，w，h，c)的输入张量，其中b表示批量大小(例如，用于训练的图像的总数目)，w表示所述输入图像(或张量)的宽度，h表示所述输入图像(或张量)的高度，c表示通道(即，类别/标签/特征的数目)。在实施例中，所述SEM图像的每个像素可以具有灰度值，诸如图8中图示的像素化输入图像800。

如图7中示出的，所述深度学习模型730接收所述一组类别(例如，灰度水平)、以及印制图案的所述SEM图像701和所述掩模图案702，作为输入。另外，在输入上，在所述训练过程期间所述模型730(例如，通过建模和/或模拟)执行具有扩张核的卷积。所述模型730被训练为使得经训练的深度学习模型预测任何输入图像(例如，设计布局、掩模图像、或经OPC的掩模图像)的不同特征，并且标注所述预测图像内的每个特征以产生准确地模仿SEM图像701(例如，大于99％匹配、使平均锯切得分数最小，等等)的分段式图像740。所述预测图像与从SEM所获得的SEM图像(例如，图3)相比具有减少的噪声或无噪声。

所述模型730的神经网络包括以连续的方式链接在一起的多个层。所述多个层的每个层可以包括包含激活函数的多个互连节点。激活函数以非线性的方式将输入张量的元素(例如，与输入图像的像素有关的值)映射至输出张量。例如，所述激活函数a可以是非线性函数，诸如整流线性单元(ReLU)。示例激活函数如下：

在以上激活函数中，(i)a是所述激活函数，其可以是sigmoid函数(例如，在实施例中，在最下层处)，(ii)w_i是所述输入张量的第i个元素的权重，(iii)x_i是所述输入张量的第i个元素的值，并且(iv)θ是偏差。所述一组所有权重和偏差也可以被称为模型参数。这样的激活函数典型地是非线性函数，所述非线性函数使所述深度学习模型730能够概括或适应各种数据(例如，所述输入张量的不同像素)。所述非线性激活函数允许限定包含有效的模型(例如针对基于计算机视觉的任务)的丰富的模型类别。本公开不限于一种类型激活函数。

在所述训练过程期间，所述权重可以被初始化至随机值(例如，基于0至1之间的高斯分布)，并且在所述训练过程期间，这样的权重可以经由后向传播和特定更新规则(例如，亚当(Adam)更新规则)而被优化。在本公开中，下文论述了使用成本函数和后向传播的优化。所述权重可以被更新以准确地辨识所述输入图像的特定特征，诸如所述SEM图像701和所述掩模图案702，使得经训练的深度学习模型可以预测与不同的掩模图案相对应的特征。

所述训练涉及使输入(例如，701和702)前向传播通过所述神经网络的不同层(例如，产生输出张量730a至730h的第一层、第二层)以到达输出(例如，层730h)。在输出层(例如，730h的最终层)处，获得表示所述预测图像的输出张量。

在所述前向传播期间，在每个层处，执行具有扩张核的卷积运算。所述卷积运算包括：将所述输入图像701和702的一部分与扩张核叠置；取每个叠置元素之间的乘积，每个叠置元素包括所述扩张核的权重以及所述输入图像701和702的像素的值；以及对所述乘积的结果进行求和。例如，在图10A中，第一3x3扩张核1010与像素化输入张量1000叠置，所述扩张核的元素中的每个元素与所述输入张量的像素叠置。然后，所述叠置元素中的每个元素的值(例如，所述像素的值和所述核的权重)的乘积可以被计算，并且进一步地，所述乘积可以被求和以确定所述输出张量的元素。此外，所述第一扩张核可以随后被偏移一个步幅(例如，向右一个像素列)，并且对所述输入张量和所述核元素(即，权重)的新的叠置元素执行类似的卷积运算以确定所述输出张量的第二元素。

在实施例中，迭代地执行所述卷积可以包括：针对输入张量(例如，图7中的所述输入图像701和702的在图8中的表示800)上的特定层，对所述层内的一个或更多个扩张核执行多个卷积运算。例如，第一层可以接收所述输入张量(例如，所述输入图像的表示，诸如图8中的800)。在所述输入张量上，所述第一层使用第一扩张核来执行卷积运算。所述第一扩张核具有(例如，图9B中的核910的)第一组权重。所述卷积的结果是第一输出张量(例如，图7中的730a)，所述第一输出张量通过所述第一层的第一激活函数而被传递至第二层。类似于所述第一层，所述第二层也使用第二扩张核来执行卷积运算。所述第二扩张核具有第二组权重，所述第二组权重可以与所述第一核的第一组权重相同或不同。所述第二层的输出可以是第二输出张量(例如，图7中的730b)等等。在实施例中，所述第一核和所述第二核本身可以是不同的，这将导致不同的输出张量。本公开不限于每层具有一个扩张核的一个卷积运算。

所述训练过程可以包括所述深度学习模型730的每层具有多个扩张核的所述输入张量的卷积，从而产生多个输出张量。例如，在图7中，第一层可以输出四个不同的输出张量(例如，四个张量730a至730d)，每个输出张量源自具有不同扩张核的卷积，所述不同的扩张核诸如具有扩张率为1且深度为2c的第一扩张核和具有扩张率为2且深度为2c的第二扩张核。类似地，第二层可以输出四个不同的输出张量730e、730f、730g和730h，每个输出张量源自具有不同的相应扩张核的卷积，所述不同的相应扩张核诸如具有扩张率为2且深度为4c的第三扩张核、和具有扩张率为4且深度为4c的第四扩张核。

在实施例中，扩张核可以由多个权重、深度(即，类别)、扩张率、或它们的组合来表征。在实施例中，所述扩张率是与所述模型/架构有关的参数，可以将所述扩张率视为超参数。在实施例中，所述扩张率的“最佳”值是以经验方式来确定的，例如通过考虑不同架构并且选择模型/架构相对于所述成本函数(例如，GDL)表现最佳的值。在第一遍或第一次传递时，所述权重可以被随机地分配(例如，基于0与1之间的高斯分布)并且稍后在所述训练过程期间被修改。所述扩张率可以是例如介于1与10之间的整数值，其可以在所述训练过程开始时被选择并且在所述训练过程期间保持固定。例如，图9A图示出呈3x3网格形式的扩张核900，所述网格的每个元素具有特定权重(例如，w1至w9)。所述扩张核900也具有深度D(例如，特征的总数(例如，深度D等于在所述最终层处的类别的数目))。任何扩张核(诸如900)也可以被表示为张量形式，也被称为权重张量(或权重核)。在另一示例中，图10A至图10C图示出不同的扩张核的示例，所述不同的扩张核诸如具有扩张率为1的所述第一3x3扩张核1010(图10A中)、具有扩张率为2的第二3x3扩张核1020(图10B中)、以及具有扩张率为3(图10C中)的第三3x3扩张核1030。

在所述训练过程期间，所述一个或更多个扩张核的权重可以被迭代地修改和/或分配。迭代地分配所述权重可以被执行以改善所述输出张量(例如，730h)的一个或更多个特征的预测。在所述训练过程中，诸如使用后向传播，基于成本函数的局部导数(在本公开中稍后论述)来完成这样的权重分配。在实施例中，迭代地分配权重可以包括分配/调整所述扩张核的一组权重以考虑例如所述图案化过程的设备的、投影系统的像差。在实施例中，迭代地分配权重可以包括分配/调整所述扩张核的一组权重以表征所述图案化过程的一方面。

所述预测图像740(即，所述输出矢量的图像表示)包括与所述输入图像(例如，所述掩模图案702)的像素相对应的元素(即，像素)，所述预测图像的每个像素具有与所述一组类别相关联的值(即与所述晶片的一个或更多个特征相对应的灰度水平)，其可以被分配唯一的标签(即，与接触孔、线、栅条等中的每个相对应的灰度水平)。在实施例中，将所述一组类别的中的一类别分配给所述预测图像740的一元素可以基于所述预测图像740与所述基准真相图像701或真相张量的比较。在实施例中，所述预测图像740的元素包括与所述一组类别的每个类别相关联的一组概率(或每类别每像素的概率分布)。所述概率值指示了所述预测图像740的特定元素属于特定类别的概率。基于所述概率，可以向每个像素分配一标签，其中所述标签对应于针对所述元素具有最大概率的类别。例如，与10个类别中的一个类别(例如，线类别、栅条类别、接触孔类别，等等)相关联的第一元素的概率可以具有由矢量[0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.5 0.95]表示的如下概率值。在实施例中，所述矢量可以具有归一化概率值，使得其总和为1。

在第一前向传播中，在所述最终层处的输出可能偏离所述基准真相(例如，SEM图像701)。这个偏离由成本函数(例如，如先前在图5的方法中所提到的广义锯切损失)来表征，以量化所述预测图像740与输入图像701和702之间的偏离的量。例如，所述基准真相图像(例如，701)的特征可能与所述输出图像的特征不匹配。为了使所述偏离最小，则相对于所述权重的损失梯度被后向传播通过所述网络的不同层(即，从所述神经网络的最终层至第一层)。以这种方式，所述成本函数相对于特定层(例如，所述神经网络的25层中的第15层输出)处的权重的局部导数可以被确定。基于局部函数的导数，所述特定层(例如，所述第15层)的权重可以被调整以使所述成本函数最小。换句说话，使所述输出中的所述偏离最小。

后向传播通过所述深度学习模型730可以涉及一层(例如，第25层)的输出张量至所述特定层或多个先前层的输入张量的反向映射。例如，一层(例如，第25层)的输出张量可以通过多层而被反向映射至例如第五层的输入张量。在另一示例中，所述后向传播可以涉及第25层的输出张量与第25层的输入张量(即，第24层的输出)、第24层的输出与第24层的输入张量(即，第23层的输出)等的反向映射。在所述后向传播期间的每个步骤处(即，在特定层的输出处)，可以计算所述成本函数的局部导数。所述成本函数的局部导数可以被进一步绘制为映射图(例如，参见图11)以便于以图形方式确定改变一层的权重的方向。例如，为了说明性目的，可以绘制高达2个维度。梯度下降改变所述权重使得所述损失降低。在实施例中，不同的优化方法中的一个(诸如梯度下降法)可以被用于确定最优权重，使得所述输出张量(例如，所述预测图像740)准确地描绘所述输入图像701。

图11图示出根据本公开的实施例的在特定层处的所述局部导数的示例性映射图，其中相对于所述扩张核的权重w1和w2来获得所述局部导数。然后，可以基于优化方法(例如，梯度下降方法)来更新权重，所述优化方法针对所述特定层产生更优的权重从而使在给定所述特定层的情况下的成本最小。

在实施例中，所述成本函数可以被限定，使得在辨识特定特征时的误差被减小(优选地，最小化)。例如，所述成本函数可以对所述预测图像中的特定特征(例如，接触孔)进行比其它特征更多的加权，从而导致更强调改善所述部分的分隔。注意，不同的图像特征由不同的类别来表示，并且如此，不同的类别权重允许对所述成本函数作出取决于特征的贡献。

图6是根据本公开的实施例的基于经训练的机器学习模型(例如，530/730)来预测所述晶片的晶片图像的示例方法的流程图。所述方法涉及，在过程P601中，获得图案化过程的掩模图案602以及经训练的机器学习模型(如关于图5和图7所论述的)。

过程P603使用所述掩模图案602作为输入，经由经训练的机器学习模型530来预测将由所述量测工具所测量的晶片图像620。所述预测晶片图像620类似于由所述量测工具所捕获的所述印制晶片的图像。例如，所述预测晶片图像620模仿由所述SEM所捕获的SEM图像。由于所述预测图像不包括噪声或变形，因此这样的预测图像620可以提供准确测量结果，所述准确测量结果可以进一步被用于优化图案化过程或所述量测过程(例如，热点辨识、取样方案、测量选配方案等)。

所述方法在过程P605中还涉及基于所述预测晶片图像来确定所述晶片的印制图案的特性。在实施例中，所述特性是临界尺寸、所述特征的轮廓、和/或边缘放置误差。

所述方法在过程P605中还涉及基于所述预测晶片图像来优化所述图案化过程的一方面。在实施例中，所述图案化过程的所述方面的优化涉及：经由掩模最优化过程和所述预测掩模图案来优化所述图案化过程的掩模图案；和/或经由过程窗口优化过程和所述预测掩模图案来优化过程窗口；和/或基于所述预测掩模图案来优化所述量测工具的量测选配方案。

图12A图示出示例性经训练的机器学习模型(例如，530或730)的应用。经训练的机器学习模型530(或730)接收所述掩模图像1210作为输入并且预测晶片图像1220。所述掩模图像1210是二元图像，所述二元图像包括诸如随同OPC一起的水平线和竖直线的图案。当(1210的)这样的掩模图案被用于成像到晶片上时，印制图案被成像到所述晶片上。在图12B中示出实际印制图案的SEM图像1230。比较所述预测晶片图像1220和所述SEM图像1230示出了：所述预测图像1220大致类似于所述SEM图像1230，并且有利地没有包括在SEM图像1230中所见的噪声。因而，经训练的机器学习模型可以准确地预测与输入掩模图案的图像相对应的晶片图像，或所述掩模图案的图像。

在实施例中，经训练的机器学习模型530/730也可以预测在所述训练过程期间不存在于掩模图案中的特征。例如，可以基于包括线、栅条、或除接触孔之外的其它特征的掩模图案来训练经训练的机器学习模型。然而，经训练的机器学习模型530/730能够预测接触孔。例如，如图13A中示出的，经训练的机器学习模型530/730预测晶片图像1320，所述晶片图像1320包括特别是所述掩模图像1310中的与所述掩模图案的接触孔相对应的接触孔。

图13B是利用所述掩模图案1310所成像的印制晶片的实际SEM图像1330。比较所述预测图像1320和所述实际SEM图像1330示出了：所述预测图像非常类似于所述SEM图像并且有利地没有包括在SEM图像中所见的噪声。因而，经训练的机器学习模型可以准确地预测对应于输入掩模图案的晶片图像，或所述掩模图案的图像，甚至包括没有被包括于训练数据集合中的特征。

在实施例中，无噪声预测图像(例如，图12A中的1220和图13A中的1320)可以具有各种应用，包括但不限于，确定所述印制晶片的特征的较准确测量结果、热点检测、掩模图案优化、图案化过程的的参数的优化，等等。

有了所述模型和对所述模型参数的估计，所述模型的输出预测可能与所观察到的事实不匹配。这可能由扰动所引起，所述扰动可能具有各种源，诸如模型不匹配、参数漂移、处理设备偏移，等等。

因此，在实施例中，在闭环系统中，所述系统的状态被调整，使得这些扰动可以被剔除。在实施例中，可以提供闭环状态估计过程。

在实施例中，(例如，如图4的430处所提供的)状态估计器可以被配置成对状态进行估计，使得所述预测输出

(如从图4的410所提供的，其可以是由经训练的机器学习模型所得到的预测SEM图像)与测量输出(例如，在图4的420处可以是印制图案的实际SEM图像)匹配。在实施例中，随着所述图案化过程的另外的测量结果的到来，所述估计被连续地和递归地更新；因此，所述估计追踪所述系统的状态。在实施例中，使用贝叶斯公式来递归地更新所述状态估计。换句话说，所述状态估计基于最近的测量结果(例如，SEM图像)，并且所述机器学习模型被更新以使所述预测输出与所述SEM图像相匹配。

有了所述模型(例如，经训练的机器学习模型，组合模型，等等)及其参数并且参考图4，所述模型可以随后被用于朝向目标450来改变、设计、调节等440所述图案化过程的参数/变量。例如，在给出所述模型参数和/或所述模型状态估计430的情况下，优化问题可以被解决，从而确定一个或更多个输入400，使得模型预测实现所定义的目标450。在实施例中，所述优化可以利用随着物理结构的测量结果的到来而被定时地更新的模型。所述调节可以用各种方式来完成。例如，在实施例中，控制一个或更多个最优设备(例如，光刻设备)设置，诸如焦距和/或剂量。这可以相对快速地且结合(例如，在曝光之间或衬底批次之间的)所述图案化过程的执行来完成。在实施例中，可以确定一个或更多个最优照射模式设置(例如，角或空间分布特性)。那些设置可以例如在不同衬底批次之间被改变。在实施例中，可以改变所述设计图案的一个或更多个特性(例如，添加光学临近特征，诸如辅助特征、特征偏置、配线等)。在实施例中，所述图案化过程参数包括从以下各项选择的一个或更多个：焦距、照射剂量、数值孔径、薄膜叠层性质、投影系统光学像差、辐射相干性、照射强度分布、图像场中的位置、和/或衬底上的位置。

在实施例中，所述模型可以被用于辨识在由图案化过程来处理所述设计图案时的缺陷。例如，所述模型可以辨识不满足或超过所限定阈值的CD。如果是这样的话，所述图案化过程可以被停止，有问题的衬底被返工，等等。

在本公开的实施例中，所述模型和/或模型预测系统可以被用于缺陷检测(和响应于其的适当动作)、模型辨识、现有模型校准、缺陷分级、缺陷估计、过程监测、过程控制、过程设计、设计图案设计，等等。

因而，本文中描述的技术能够根据图像的审查来实现缺陷检测、模型表示、现有模型校准、缺陷分级、缺陷估计、过程监测、过程控制、过程设计、设计图案设计等。在一些实施例中，根据这样的图像审查，诸如所述图像的作为独立结果的单个像素，可以根据所述图案化过程的这些图像、所述模型辨识识(例如，形成根据一个或更多个图案化过程参数的装置的一部分的有效性)来产生模型。

在本公开的实施例中，所述模型可以被用于例如生产所创建的经图案化结构的测量结构。例如，所述模型可以被用于预测某些结构的某些参数值(例如，特定宽度)，并且然后可以使用例如散射仪来测量所述经图案化结构的一个或多个生产所创建版本以与所述预测进行比较。如果所述测量结果和所述预测足够匹配，则所述结构可以被认为是“良好”。否则，所述结构可以被重新处理或报废。另外，来自所述比较的数据可以被反馈到所述预测分析中(作为用于建立相关性、更新模型参数等的数据)并且可以被用于影响所述过程中的改变(例如，所述测量结果与所述预测之间的不充分匹配(例如，发生一定次数)可以是需要所述过程中的改变的指示器)。

当前计算图案化过程模型依赖于许多参数以便进行校正预测。这样的现有模型可能是复杂的并且繁重的且可能难以辨识；结果，它们经常不能很好地预测生产中的产品结构。它们也可以对于优化目的而言过于繁琐。本文中的技术实现了可以准确地预测物理结构构造的相对简单的模型(例如，逻辑模型)。

另外，当前方法旨在将模拟轮廓与从图像提取的轮廓进行匹配，依赖于轮廓的偏离来辨识模型的参数。轮廓化会固有地引入不准确度。另外，可以利用测量量规来辨识模型。但是，这些不是产品结构本身，并且因此从测量量规所导出的模型可能固有地与所述图案化过程脱节或分离。根据本公开的实施例的对图像像素进行评估的技术可以实现稳健的(即鲁棒的)且准确的模型参数和/或模型状态估计。

在实施例中，图像中的像素(例如，电子束或SEM图像)被视为有条件地独立于公共参数。为此，如由SEM或其它工具所测量的图像数据可以被处理成像素化形式(例如，灰度水平图像)。提出一种机器学习模型(例如，用于所述图案化过程的一部分，诸如用以获得抗蚀剂图像或结构的光刻模型，或获得蚀刻后结构的蚀刻模型)，其计算出像素处于某一水平(例如，灰度水平)的概率。如前文提到的，当向像素分配标签(即，预测所述像素)时，相关联的概率给出了与所述标签分配的确定性/准确性的程度有关的额外信息。

如上文指出的，在给出实体结构的测量图像的情况下，所述机器学习模型可以被辨识为一个或更多个描述性特征(例如，空间图像模糊、空间图像曲率)及其参数的函数。使用这种学习模型，如由所建模的图案化过程所产生的实体结构的一个或更多个参数(例如，形状、CD等)可以在给出所述设计图案的情况下被预测。

在实施例中，一个或更多个已知的图案化过程输入参数(诸如焦距、剂量、衬底位置、一个或更多个照射条件、一个或更多个蚀刻条件等)可以被输入至所述模型。因而，所述模型可以被用于预测对这些过程条件的响应。

在实施例中，提供了一种相对简单的模型，所述模型可以有利地且快速地被部署在例如生产环境中。在实施例中，所述模型可以被递归地更新(例如，基于在生产期间的测量)以便监测和控制在生产期间所获得的实体结构，并且因此监测和控制产率。

在实施例中，对于设计图案修改和/或其它优化问题(诸如光刻设备和/或蚀刻工具调节)，所述模型可以被相对容易地反转。

另外，在实施例中，根据成品结构的所有像素与所导出的轮廓相比较来导出所述模型。由于利用实体结构来辨识所述模型，因此所述模型可以直接地预测所述图案化过程的行为。

术语“值”可以是数字、符号、字母等数据。

如本文中使用的术语“优化(“optimize”、和“optimization”)”指的是或意味着调整图案形成设备(例如，光刻设备)、图案化过程等，使得结果和/或过程具有更期望的特性，诸如衬底上的设计布局的较高的投影准确度、较大的过程窗等。因而，本文中ASML所使用的术语“优化(“optimizing”和“optimization”)”指的是或意味着辨识针对一个或更多个参数的一个或更多个值的过程，与用于那些一个或更多个参数的一个或更多个值的初始集合相比，所述过程在至少一个有关指标方面提供改善(例如，局部最优)。“最优”和其它相关术语应被相应地解释。在实施例中，可以迭代地应用优化步骤，以提供在一个或更多个指标方面的进一步改善。

图14示意性地图示检查设备的另一个实施例。所述系统用于检查样本平台89上的样本90(诸如衬底)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、二次带电粒子检测器模块85、和图像形成模块86。

带电粒子束产生器81产生初级带电粒子束91。聚光透镜模块82将所产生的初级带电粒子束91聚光。探针形成物镜模块83将经会聚的初级带电粒子束聚焦为带电粒子束探针92。带电粒子束偏转模块84跨越于在紧固于样本平台89上的样本90上的关注的区域的表面上扫描所形成的带电粒子束探针92。在实施例中，带电粒子束产生器81、聚光器透镜模块82和探针形成物镜模块83或它们的等效设计、替代方案或其任何组合一起形成产生扫描带电粒子束探针92的带电粒子束探针产生器。

二次带电粒子检测器模块85检测在由带电粒子束探针92轰击后即从样本表面发射的二次带电粒子93(也可以能与来自样本表面的其它反射或散射带电粒子一起)以产生二次带电粒子检测信号94。图像形成模块86(例如计算装置)与二次带电粒子检测器模块85耦合以从二次带电粒子检测器模块85接收二次带电粒子检测信号94，并且相应地形成至少一个扫描图像。在实施例中，二次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，所述图像形成设备从由带电粒子束探针92轰击的样本90所发射的所检测的二次带电粒子形成扫描图像。

图15为图示计算机系统100的方块图，其可以辅助执行本文公开的优化方法和流程。计算机系统100包括：总线102或用于信息通信的其它通信机制；和与总线102联接的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)或其它动态储存装置)，所述主存储器106联接至总线102用于储存被处理器104执行的信息和指令。主存储器106还可以用于在由处理器104执行的指令的执行期间储存临时变量或其它中间信息。计算机系统100还包括被联接至总线102的只读存储器(ROM)108或其它静态储存装置，其用于存储用于处理器104的静态信息和指令。存储装置110(诸如磁盘或光盘)被提供并联接至总线102，用于存储信息和指令。

计算机系统100可以经由总线102联接至显示器112(诸如阴极射线管(CRT)或平板或触摸面板显示器)，用于给计算机使用者显示信息。输入装置114(包括字母数字键和其它键)联接至总线102用于将信息和命令选择与处理器104通信。另一类型的使用者输入装置是光标控制器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与处理器104通信和用于控制显示器112上的光标移动。这一输入装置典型地在两个轴线(第一轴线(例如x)和第二轴线(例如y))上具有两个自由度，这允许所述装置指定平面中的位置。触摸面板(屏)显示器也可以用作输入装置。

根据本发明的一个实施例，优化过程的部分可以由计算机系统100响应于用于执行包含在主储存器106中的一个或更多的指令的一个或更多的序列的处理器104而被执行。这样的指令可以被从另一计算机可读介质(诸如储存装置110)读取到主储存器106中。包含在主存储器106中的指令的序列的执行使得处理器104执行此处描述的方法步骤。在多处理布置中的一个或更多的处理器也可以被用于执行包含在主存储器106中的指令的序列。在可替代的实施例中，硬接线电路可以用于替代软件指令或与软件指令结合。因此，本文中的描述不限于硬件电路和软件的任何特定的组合。

如此处使用的术语“计算机可读介质”表示参与为了执行而提供指令至处理器104的任何介质。这样的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、铜导线和光纤，包含包括总线102的导线。传输介质还可以采用声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间产生的这些声波或光波。计算机可读介质的通常形式包括例如软盘、软碟(flexible disk)、硬盘、磁带、任何其它磁介质、CD-ROM、DVD、任何其它光学介质、穿孔卡、纸带、任何具有孔图案的其它物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡带、如下文描述的载波或计算机可以读取的任何其它介质。

各种形式的计算机可读介质可能涉及将一个或更多的指令的一个或更多的序列传送至处理器104，用于执行。例如，指令可以最初出现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且使用调制解调器在电话线上发送所述指令。在计算机系统100本地的调制解调器可以接收电话线上的数据，且使用红外发送器将数据转换成红外信号。联接至总线102的红外探测器可以接收在红外信号中携带的数据和将数据置于总线102上。总线102将数据传送至主存储器106，处理器104从主存储器106获取和执行指令。由主存储器106接收的指令可以可选择地在处理器104的执行之前或之后被储存在储存装置110上。

计算机系统100也可优选地包括联接至总线102的通信接口118。通信接口118提供联接至网络链路120的双向数据通信，该网络链路120连接至本地网络122。例如，通信接口118可以是综合业务数字网(ISDN)卡或调制解调器，用于提供数据通信连接至对应类型的电话线。作为另一例子，通信接口118可以是局域网(LAN)卡，以提供数据通信连接至兼容的LAN。无线链路也可以被实现。在任何这样的实施方式中，通信接口118发送和接收电、电磁或光信号，其携带表示各种类型的信息的数字数据流。

典型地，网络链路120通过一个或更多的网络将数据通信提供至其它数据装置。例如，网络链路120可以通过本地网络122提供连接至主机124或由网络服务商(ISP)126操作的数据设备。ISP126又通过全球分组数据通信网络(现在被通常称为“互联网”)128提供数据通信服务。本地网络122和互联网128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120上和通过通信接口118的信号将数字数据传送至计算机系统100和从计算机系统100传送回，其是用于运送信息的载波的示例性形式。

计算机系统100可以通过网络、网络链路120和通信接口118发送信息和接收数据，包括程序码。在互联网的例子中，服务器130可以通过互联网128、ISP126、局域网122和通信接口118为应用程序发送请求码。一个这样的被下载的应用程序可提供用于例如实施例的照射优化。在它在储存装置110或用于之后的执行的其它非易失性储存器中被接收和/或储存时，接收码可以被处理器104执行。如此，计算机系统100可以获得成载波形式的应用码。

图16示意性地描述了一种示例性光刻投影设备，其照射源可利用本文所描述的方法进行优化。所述设备包括：

1.照射系统IL，其用于调节辐射束B。在此特定情况下，照射系统也包括辐射源SO；

2.第一载物台(例如掩模台)MT，其具备用于保持图案形成装置MA(例如掩模版)的图案形成装置保持器，并且连接到用于相对于装置PS来准确地定位该图案形成装置的第一定位器；

3.第二载物台(衬底台)WT，其具备用于保持衬底W(例如涂覆有抗蚀剂的硅晶片)的衬底保持器，并且连接到用于相对于装置PS来准确地定位该衬底的第二定位器；

4.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)，其用于将图案形成装置MA的被照射部分成像到衬底W的目标部分C(例如包括一个或多个管芯)上。

如本发明中所描绘的，该设备属于透射类型(即，具有透射型掩模)。然而，通常，其也可以属于反射类型，例如(具有反射型掩模)。替代地，所述设备可以作为使用经典掩模的替代方案来使用另一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器)产生辐射束。例如，该束直接地或在已横穿诸如扩束器Ex的调节构件之后被馈送到照射系统(照射器)IL中。照射器IL可以包括调整构件AD以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外部及σ内部)。另外，照射器IL通常将包括各种其他部件，诸如积分器IN及聚光器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一性和强度分布。

关于图16应该注意的是，源SO可以在光刻投影设备的外壳内(源SO是例如汞灯时的情况时，通常是这种情况)，但其也可以远离光刻投影设备，其产生的辐射束被引导到该设备中(例如借助于适当的引导镜)；这后一种情形经常是源SO为准分子激光器(例如基于KrF、ArF或F₂激光作用)时的情况。

束PB随后截取被保持于图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下，束B传递通过透镜PL，该透镜将该束B聚焦至衬底W的目标部分C上。借助于第二定位构件(以及干涉测量构件IF)，可以准确地移动衬底台WT，例如以便使不同目标部分C定位于束PB的路径中。相似地，第一定位构件可以用于例如在自图案形成装置库机械地获得图案形成装置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，将借助于未在图16中明确地描绘的长冲程模块(粗定位)及短冲程模块(精定位)来实现载物台MT、WT的移动。然而，在晶片步进器(相对于步进扫描工具)的情况下，图案形成装置台MT可以仅连接到短冲程致动器，或者可以是固定的。

可以在两种不同模式中使用所描绘的工具：

·在步进模式中，将图案形成装置台MT保持基本上静止，并且将整个图案形成装置图像一次投影((即，单次“闪光”)至目标部分C上。接着使衬底台WT在x方向和/或y方向上移位，使得可以由束PB照射不同目标部分C；

·在扫描模式中，基本上适用相同情形，但是给定目标部分C不是在单次“闪光”中被曝光。而是，图案形成装置台MT在给定方向(所谓的“扫描方向”，例如y方向)上以速度v可移动，使得投影束B遍及图案形成装置图像进行扫描；同时，衬底台WT以速度V＝Mv在相同或相对方向上同时地移动，其中，M是透镜PL的放大率(通常M＝1/4或＝1/5)。这样，可以在不必损害分辨率的情况下曝光相对较大目标部分C。

图17示意性地描绘了另一示例性光刻投影设备LA，其照射源可运用本文所述的方法进行优化。

光刻投影设备LA包括：

·源收集器模块SO；

·照射系统(照射器)IL，配置用于调节辐射束B(例如，EUV辐射)；

·支撑结构(例如掩模台)MT，构造用于支撑图案形成装置(例如掩模或掩模版)MA并与配置用于精确地定位图案形成装置的第一定位装置PM相连；

·衬底台(例如晶片台)WT，构造用于保持衬底(例如涂覆有抗蚀剂的晶片)W，并与配置用于精确地定位衬底的第二定位装置PW相连；以及

·投影系统(例如反射式投影系统)PS，所述投影系统PS配置用于将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或更多个管芯)上。

如这里所示的，所述设备LA是反射型的(例如，采用反射式掩模)。应当注意，由于大多数材料在EUV波长范围内是吸收性的，因此掩模可以具有多层反射器，包括例如钼和硅的多叠层。在一个示例中，多叠层反射器具有40层成对的钼和硅，其中每层的厚度为四分之一波长。用X射线光刻术可以产生甚至更小的波长。由于大多数材料在EUV和X射线波长中是吸收性的，所以在图案形成装置形貌上(例如，在多层反射器的顶部上的TaN吸收器)图案化的吸收材料的薄片定义了特征将印制(正性抗蚀剂)或不印制(负性抗蚀剂)的区域。

参照图17，照射器IL接收来自源收集器模块SO的极紫外辐射束。用以产生EUV辐射的方法包括但不必限于将材料转换为等离子体状态，该材料具有在EUV范围内具有一个或更多个发射线的至少一种元素，例如氙、锂或锡。在通常称为激光产生等离子体(“LPP”)的一种这样的方法中，所需的等离子体可以通过使用激光束照射燃料来产生，燃料例如是具有发射线元素的材料的液滴、束流或簇团。源收集器模块SO可以是包括用于提供用于激发燃料的激光束的激光器(在图17中未示出)的EUV辐射系统的一部分。所形成的等离子体发射输出辐射，例如EUV辐射，其通过使用设置在源收集器模块中的辐射收集器收集。激光器和源收集器模块可以是分立的实体，例如当使用CO2激光器提供激光束用于燃料激发时。

在这种情况下，激光器不看作是形成光刻设备的一部分，并且，借助于包括例如合适的定向反射镜和/或扩束器的束传递系统，辐射束被从激光器传递至源收集器模块。在其他情况下，所述源可以是源收集器模块的组成部分，例如当源是放电产生等离子体EUV产生器，通常称为DPP源。

照射器IL可以包括调节器，用于调节辐射束的角度强度分布。通常，可以对所述照射器的光瞳平面中的强度分布的至少所述外部和/或内部径向范围(一般分别称为σ-外部和σ-内部)进行调整。此外，所述照射器IL可以包括各种其它部件，例如琢面场反射镜装置和琢面光瞳反射镜装置。可以将所述照射器用于调节所述辐射束，以在其横截面中具有所需的均匀性和强度分布。

所述辐射束B入射到保持在支撑结构(例如，掩模台)MT上的所述图案形成装置(例如，掩模)MA上，并且通过所述图案形成装置来形成图案。在已经由图案形成装置(例如，掩模)MA反射之后，所述辐射束B通过投影系统PS，所述投影系统PS将辐射束聚焦到所述衬底W的目标部分C上。通过第二定位装置PW和位置传感器系统PS2(例如，干涉仪器件、线性编码器或电容传感器)的帮助，可以精确地移动所述衬底台WT，例如以便将不同的目标部分C定位于所述辐射束B的路径中。类似地，可以将所述第一定位装置PM和另一个位置传感器系统PS1用于相对于所述辐射束B的路径精确地定位图案形成装置(例如，掩模)MA。可以使用图案形状装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如，掩模)MA和衬底W。

可以将所描绘的设备LA用于以下模式中的至少一种中：

·在步进模式中，在将支撑结构(例如掩模台)MT和衬底台WT保持为基本静止的同时，将赋予所述辐射束的整个图案一次投影到目标部分C上(即，单一的静态曝光)。然后将所述衬底台WT沿X和/或Y方向移动，使得可以对不同目标部分C曝光。

·在扫描模式中，在对支撑结构(例如掩模台)MT和衬底台WT同步地进行扫描的同时，将赋予所述辐射束的图案投影到目标部分C上(即，单一的动态曝光)。衬底台WT相对于支撑结构(例如掩模台)MT的速度和方向可以通过所述投影系统PS的(缩小)放大率和图像反转特征来确定。

·在另一种模式中，将用于保持可编程图案形成装置的支撑结构(例如掩模台)MT保持为基本静止，并且在对所述衬底台WT进行移动或扫描的同时，将赋予所述辐射束的图案投影到目标部分C上。在这种模式中，通常采用脉冲辐射源，并且在所述衬底台WT的每一次移动之后、或在扫描期间的连续辐射脉冲之间，根据需要更新所述可编程图案形成装置。这种操作模式可易于应用于利用可编程图案形成装置(例如，如上所述类型的可编程反射镜阵列)的无掩模光刻术中。

图18更详细地示出设备LA，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构造并布置成使得在源收集器模块SO的包围结构220内保持真空环境。用于发射EUV辐射的等离子体210可以通过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，其中形成极高温等离子体210以发射在电磁辐射光谱的EUV范围内的辐射。通过例如引起至少部分离子化的等离子体的放电来形成极高温等离子体210。例如，有效生成辐射可能要求Xe、Li、Sn蒸汽或任何其他合适的气体或蒸汽的10Pa的分压。在一个实施例中，被激发的锡(Sn)的等离子体被提供以产生EUV辐射。

由高温等离子体210发射的辐射从源腔211经由可选的定位在源腔211内的开口内或其后面的气体阻挡件或污染物阱230(在某些情况下被称为污染物阻挡件或翼片阱)被传递到收集器腔212。污染物阱230可以包括通道结构。污染物阱230还可以包括气体阻挡件或气体阻挡件和通道结构的组合。此处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，如现有技术中已知的。

收集器腔211可以包括辐射收集器CO，其可以是所谓的掠入射收集器。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。穿过收集器CO的辐射可以被反射离开光栅光谱滤光片240以沿着由虚线‘O’标示的光轴被聚焦在虚源点IF。虚源点IF通常称为中间焦点，并且该源收集器模块布置成使得中间焦点IF位于包围结构220的开口处或其附近。虚源点IF是用于发射辐射的等离子体210的像。

随后辐射穿过照射系统IL，照射系统IL可以包括布置成在图案形成装置MA处提供辐射束21的期望的角分布以及在图案形成装置MA处提供期望的辐射强度均匀性的琢面场反射镜装置22和琢面光瞳反射镜装置24。在辐射束21在由支撑结构MT保持的图案形成装置MA处反射时，图案化的束26被形成，并且图案化的束26通过投影系统PS经由反射元件28、30成像到由衬底台WT保持的衬底W上。

在照射光学装置单元IL和投影系统PS中通常可以存在比图示的元件更多的元件。光栅光谱滤光片240可以可选地设置，这依赖于光刻设备的类型。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中可以存在在图18中示出的元件以外的1-6个附加的反射元件。

收集器光学装置CO，如图18所示，在图中被示出为具有掠入射反射器253、254以及255的巢状收集器，仅作为收集器(或收集器反射镜)的一个示例。掠入射反射器253、254以及255围绕光学轴线O轴向对称地设置，该类型的收集器光学装置CO优选与放电产生的等离子体源结合使用，通常称为DPP源。

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布置成将激光能量入射到燃料，例如氙气(Xe)、锡(Sn)或锂(Li)，由此产生具有几十eV的电子温度的高度离子化的等离子体210。在这些离子的去激发和复合期间生成的高能辐射由等离子体发射，被近正入射收集器光学装置CO收集并被聚焦到包围结构220的开口221上。

此处所披露的构思可以模拟用于使亚波长特征成像的任何一般性成像系统或在数学上对用于使亚波长特征成像的任何一般性成像系统进行建模，且可能随着能够产生不断变短的波长的成像技术的出现是特别有用的。已经使用的现有的技术包括EUV(极紫外线)光刻术，其能够用ArF激光器产生193nm波长，甚至可以用氟激光器产生157nm的波长。此外，EUV光刻术能够通过使用同步加速器或通过用高能电子撞击材料(固体或等离子体)来产生在20-5nm范围内的波长，用于产生在这一范围内的光子。

可以使用以下方面进一步描述实施例。

1.一种用于训练机器学习模型的方法，所述机器学习模型被配置成预测对应于如经由量测工具所测量的衬底的印制图案的衬底图像，所述方法包括：

获得训练数据集合，所述训练数据集合包括(i)用于对所述衬底的所述印制图案进行测量的所述量测工具的量测数据，和(ii)用于将所述印制图案成像到所述衬底上的掩模图案；以及

基于所述训练数据集合来训练机器学习模型，以预测如由所述量测工具所测量的所述衬底的所述衬底图像，使得成本函数被改善；

其中所述成本函数包括预测衬底图像与所述量测数据之间的关系。

2.根据方面1所述的方法，其中所述量测数据包括：

经由所述量测工具所捕获的所述衬底上的所述印制图案的图像；和/或

在所述衬底上的所述印制图案的测量期间所使用的所述量测工具的量测选配方案。

3.根据方面2所述的方法，其中所述量测工具是扫描电子显微镜并且所述图像是扫描电子显微镜图像。

4.根据方面2所述的方法，其中所述量测工具是所述扫描电子显微镜并且所述量测选配方案包括所述扫描电子显微镜的一个或更多个参数。

5.根据方面4所述的方法，其中所述扫描电子显微镜的所述一个或更多个参数是以下中的至少一个：

电子束强度；

入射角；或

取样部位信息。

6.根据方面1至5中任一项所述的方法，其中所述机器学习模型的预测图像是分段式图像。

7.根据方面6所述的方法，其中所述分段式图像包括多个类别标签，所述多个类别标签被分配给所述印制图案的特征。

8.根据方面7所述的方法，其中所述预测图像是像素化图像，其中基于每个像素属于所述多个类别标签中的特定类别的概率来向所述像素分配所述多个类别标签中的类别标签。

9.根据方面5至7中任一项所述的方法，其中所述多个类别标签中的每个类别标签对应于一灰度水平。

10.根据方面9所述的方法，其中所述灰度水平是灰度值范围的分组。

11.根据方面10所述的方法，其中所述灰度值的分组是基于：

均匀分组；

与所述印制图案的特定特征相对应的像素；和/或

加权像素分组。

12.根据方面1至11中任一项所述的方法，其中所述机器学习模型是卷积神经网络。

13.根据方面12所述的方法，其中训练所述机器学习模型是迭代过程，迭代包括：

基于所述量测数据和所述掩模图案来确定所述卷积神经网络的模型参数的值；和

调整所述模型参数的值直到所述卷积神经网络的成本函数被改善为止。

14.根据方面1至13中任一项所述的方法，其中所述成本函数是广义锯切损失。

15.根据方面1至14所述的方法，调整所述模型参数的值使得所述广义锯切损失被减小。

16.根据方面1至15中任一项所述的方法，还包括：

基于所述预测衬底图像来确定所述衬底的所述印制图案的特性。

17.根据方面16所述的方法，其中所述特性是临界尺寸、所述特征的轮廓、和/或边缘放置误差。

18.根据方面1至17中任一项所述的方法，其中所述训练数据还包括：

所述图案化过程的一个或更多个参数的值。

19.根据方面17所述的方法，其中所述图案化过程的所述一个或更多个参数包括剂量、焦距、强度、或照射模式中的至少一个。

20.根据方面13至18中任一项所述的方法，还包括：

经由所述量测工具获取在所述图案化过程期间或刚好在所述图案化过程之后的实时量测数据，

基于在所述图案化过程期间所使用的掩模图案和所述实时量测数据来更新经训练的机器学习模型。

21.一种用于预测与衬底的印制图案相对应的衬底图像的方法，所述方法包括：

获得图案化过程的掩模图案、以及经训练的机器学习模型；和

使用所述掩模图案作为输入，经由经训练的机器学习模型来预测将由量测工具所测量的所述衬底图像。

22.根据方面21所述的方法，还包括：

基于预测衬底图像来确定所述衬底的所述印制图案的特性。

23.根据方面22所述的方法，其中所述特性是临界尺寸、所述特征的轮廓、和/或边缘放置误差。

24.根据方面21至23中任一项所述的方法，还包括：

基于所述预测衬底图像来优化所述图案化过程的一方面。

25.根据方面21所述方法，其中优化所述图案化过程的所述方面包括：

经由掩模优化过程和所述预测掩模图案来优化所述图案化过程的掩模图案；和/或

经由过程窗优化过程和所述预测掩模图案来优化过程窗；

基于所述预测掩模图案来优化所述量测工具的量测选配方案。

26.一种计算机程序产品，所述计算机程序产品包括非暂时性计算机可读介质，所述非暂时性计算机可读介质上记录有指令，所述指令在由计算机执行时执行根据上述方面中任一项所述的方法。

虽然本文中所披露的构思可以用于在诸如硅晶片之类的衬底上成像，但应理解，所披露的构思可以与任何类型的光刻成像系统一起使用，例如，用于在不同于硅晶片的衬底上成像的光刻成像系统。

以上描述预期是说明性的，而不是限制性的。因而，本领域技术人员将明白，可以在不背离下文所阐明的权利要求的范围的情况下如所描述的那样进行修改。

Claims (15)

1.一种方法，包括：

获得训练数据集合，所述训练数据集合包括(i)用于对衬底的印制图案进行测量的量测工具的量测数据，和(ii)用于将所述印制图案成像到所述衬底上的掩模图案；以及

基于所述训练数据集合来训练机器学习模型，所述机器学习模型能够操作以基于成本函数来预测如由所述量测工具所测量的所述衬底的衬底图像，其中所述衬底图像对应于如经由所述量测工具所测量的所述衬底的所述印制图案；

其中所述成本函数包括预测衬底图像与所述量测数据之间的关系。

2.根据权利要求1所述的方法，其中所述量测数据包括：

经由所述量测工具所捕获的所述衬底上的所述印制图案的图像；和/或

在所述衬底上的所述印制图案的测量期间所使用的所述量测工具的量测选配方案。

3.根据权利要求2所述的方法，其中所述量测工具是扫描电子显微镜并且所述图像是扫描电子显微镜图像，并且所述扫描电子显微镜的所述量测选配方案包括以下中的至少一个：

电子束强度；

入射角；和

取样部位信息。

4.根据权利要求1所述的方法，其中由所述机器学习模型所产生的所述预测衬底图像包括分段式图像。

5.根据权利要求4所述的方法，其中所述分段式图像与被分配给所述印制图案的特征的多个类别标签相关联。

6.根据权利要求5所述的方法，其中所述预测图像是像素化图像，其中基于每个像素属于所述多个类别标签中的特定类别的概率来向所述像素分配所述多个类别标签中的类别标签。

7.根据权利要求5所述的方法，其中所述多个类别标签中的每个类别标签对应于一灰度水平，所述灰度水平包括一个或更多个灰度值。

8.根据权利要求7所述的方法，其中所述一个或更多个灰度值基于如下各项被分组至所述灰度水平：

均匀分组；

与所述印制图案的特定特征相对应的像素；和/或

加权像素分组。

9.根据权利要求11所述的方法，其中所述机器学习模型是卷积神经网络，其中训练所述机器学习模型包括迭代过程，所述迭代过程的迭代包括：

基于所述量测数据和所述掩模图案来确定所述卷积神经网络的模型参数的值；和

调整所述模型参数的值以改善所述卷积神经网络的成本函数。

10.根据权利要求1所述的方法，还包括：

基于所述预测衬底图像来确定所述衬底的所述印制图案的特性，其中所述特性包括临界尺寸、所述特征的轮廓、和/或边缘放置误差。

11.根据权利要求1所述的方法，其中所述训练数据还包括：

图案化过程的一个或更多个参数的值，其中所述图案化过程的所述一个或更多个参数包括剂量、焦距、强度、或照射模式中的至少一个。

12.根据权利要求1所述的方法，还包括：

经由所述量测工具获取在所述图案化过程期间或之后的额外量测数据，

基于在所述图案化过程期间所使用的掩模图案和/或所述额外量测数据来更新经训练的机器学习模型。

13.根据权利要求1所述的方法，还包括：

获得图案化过程的另一掩模图案、以及经训练的机器学习模型；和

经由使用所述另一掩模图案作为输入的所述经训练的机器学习模型来预测源自所述量测工具的另一衬底图像。

14.根据权利要求1所述的方法，还包括：

基于所述另一衬底图像来优化所述图案化过程的一方面，其中优化所述图案化过程的所述方面包括以下中的一个或更多个：

经由掩模优化过程和预测掩模图案来优化所述图案化过程的掩模图案；

经由过程窗优化过程和所述预测掩模图案来优化过程窗；和

基于所述预测掩模图案来优化所述量测工具的量测选配方案。

15.一种计算机程序产品，所述计算机程序产品包括非暂时性计算机可读介质，所述非暂时性计算机可读介质上记录有指令，所述指令在由计算机执行时执行所述方法如下：

获得训练数据集合，所述训练数据集合包括(i)用于对衬底的印制图案进行测量的量测工具的量测数据，和(ii)用于将所述印制图案成像到所述衬底上的掩模图案；以及

基于所述训练数据集合来训练机器学习模型，所述机器学习模型能够操作以基于成本函数来预测如由所述量测工具所测量的所述衬底的衬底图像，其中所述衬底图像对应于如经由所述量测工具所测量的所述衬底的所述印制图案；

其中所述成本函数包括预测衬底图像与所述量测数据之间的关系。

Images