CN114008535A - 用于确定特征对性能的贡献的方法和设备 - Google Patents

用于确定特征对性能的贡献的方法和设备 Download PDF

Info

Publication number
CN114008535A
CN114008535A CN202080045171.XA CN202080045171A CN114008535A CN 114008535 A CN114008535 A CN 114008535A CN 202080045171 A CN202080045171 A CN 202080045171A CN 114008535 A CN114008535 A CN 114008535A
Authority
CN
China
Prior art keywords
model
data
substrates
substrate
performance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202080045171.XA
Other languages
English (en)
Other versions
CN114008535B (zh
Inventor
V·巴斯塔尼
D·松塔格
R·沙雷伊恩
D·格科鲁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Holding NV
Original Assignee
ASML Holding NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from EP19186833.0A external-priority patent/EP3767392A1/en
Application filed by ASML Holding NV filed Critical ASML Holding NV
Publication of CN114008535A publication Critical patent/CN114008535A/zh
Application granted granted Critical
Publication of CN114008535B publication Critical patent/CN114008535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

一种确定过程特征对图案化衬底的过程的性能的贡献的方法。所述方法可包括获得关于第一过程数据和第一性能数据训练的第一模型。当将所述第一模型应用于与一个或更多个衬底相关联的过程数据时，可基于所述第一模型的预测的品质来识别一个或更多个衬底。可关于与所识别的一个或更多个衬底相关联的第二过程数据和第二性能数据来训练第二模型。可使用所述第二模型来确定所述第二过程数据的过程特征对与所述一个或更多个衬底相关联的第二性能数据的贡献。

Description

用于确定特征对性能的贡献的方法和设备
相关申请的交叉引用
本申请要求于2019年7月4日提交的欧洲申请19184423.2和2019年7月17日提交的欧洲申请19186833.0的优先权，这些欧洲申请的全部内容通过引用并入本文中。
技术领域
本发明涉及用于分析图案化过程的方法和设备。具体地，其涉及确定过程特征的对于过程的性能的贡献。
背景技术
光刻设备是被构造成将期望的图案施加至衬底上的机器。例如，光刻设备可用于例如集成电路(IC)的制造。光刻设备可例如将图案形成装置(例如，掩模)处的图案(也常被称为“设计布局”或“设计”)投影到设置于衬底(例如晶片)上的辐射敏感材料(抗蚀剂)层上。
为了将图案投影到衬底上，光刻设备可以使用电磁辐射。这种辐射的波长确定了可以形成于所述衬底上的特征的最小大小。当前使用的典型波长是365nm(i线)、248nm、193nm和13.5nm。使用具有在4至20nm(例如6.7nm或13.5nm)范围内的波长的极紫外(EUV)辐射的光刻设备可被用来在衬底上形成比使用例如具有约193nm波长的辐射的光刻设备更小的特征。
低k1光刻可用于对尺寸比光刻设备的经典分辨率极限更小的特征进行处理。在这种过程中，分辨率公式可以表示为CD＝k1×λ/NA，其中λ是所使用的辐射的波长，NA是所述光刻设备中的投影光学元件的数值孔径，CD是“临界尺寸”(通常是所印刷的最小特征尺寸，但在本例中，为半间距)且k1是经验分辨率因子。一般来说，k1越小，则在衬底上重现与由电路设计师所规划的形状和尺寸相似的图案越难，以便实现特定的电气功能和性能。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。例如，这些包括但不限于优化数值孔径(NA)、定制照射方案、使用相移图案形成装置、设计布局的各种优化，诸如设计布局中的光学邻近校正(OPC，有时也被称作“光学和过程校正”)，或通常被定义为“分辨率增强技术”(RET)的其它方法。替代地，用于控制所述光刻设备的稳定性的一个或更多个紧密控制回路可用于改善低k1情况下所述图案的再现。
当以上描述的光刻图案化中的困难没有被解决时，这可能导致所述图案化过程的品质的下降。如果图案化过程的品质下降，则可能导致最终经图案化的衬底的品质的下降。因此，评估经图案化的衬底的品质可以指示图案化过程品质。为了测试经图案化的衬底的品质，可以测试所述经图案化的衬底是否起作用。经图案化的衬底可以包括多个元件(例如，管芯)，它们可以被单独地测试以确定所述元件是否通过，即所述元件是否工作，或者是否已经故障(不工作)。衬底上的工作的元件的比例可以称为所述衬底的产率。期望改善光刻设备和对应图案化过程的产率，以在衬底上获得较多的工作的元件。
发明内容
根据本公开的第一方面，提供了一种确定过程特征对图案化衬底的过程的性能的贡献的方法。所述方法包括获得关于第一过程数据和第一性能数据训练的第一模型。当将所述第一模型应用于与一个或更多个衬底相关联的过程数据时，可基于所述第一模型的预测的品质来识别一个或更多个衬底。可关于与所识别的一个或更多个衬底相关联的第二过程数据和第二性能数据来训练第二模型，并且可使用所述第二模型来确定所述第二过程数据的过程特征对与所述一个或更多个衬底相关联的第二性能数据的贡献。
可选地，识别一个或更多个衬底可包括：将与多个衬底相关联的过程数据作为输入提供至所述第一模型，并且获得预测的性能数据作为所述第一模型的输出。
可选地，所述方法还可包括获得所述多个衬底的测量的性能数据。
可选地，识别一个或更多个衬底还可包括将所述预测的性能数据与所述测量的性能数据进行比较以确定预测的品质。
可选地，所述预测的性能数据可包括预测的产率数据。
可选地，所述第一模型可包括神经网络。
可选地，所述第一模型的输出还可包括与多个衬底相关联的所述过程数据的多个过程特征对所述预测的性能数据的贡献的估计。
可选地，所述第一模型的输出可包括所述多个过程特征对所述预测的性能数据的估计贡献的排名。
可选地，所述多个过程特征可包括重叠、对准、调平、临界尺寸、厚度、和情境数据中的一个或更多个。
可选地，所述过程数据可包括与衬底的多个层相关的数据。
可选地，所述方法还可包括基于一个或更多个所识别衬底来生成增强过程数据。
可选地，所述第二过程数据可包括所述增强过程数据和所述所识别的一个或更多个衬底的过程数据。
可选地，生成增强过程数据可包括：对过程特征的参数分布进行建模，并且根据所建模的参数分布生成多个样本，其中所述增强过程数据包括多个样本。
可选地，生成增强过程数据可包括：确定过程特征的值的范围，并且在所述过程特征的值的范围内生成多个样本，其中所述增强过程数据包括所述多个样本。
可选地，所述方法还可包括将所述增强过程数据作为输入提供至所述第一模型，并且获得增强预测的性能数据作为所述第一模型的输出。
可选地，所述第二性能数据可包括所述增强预测的性能数据和所述一个或更多个衬底的所述预测的性能数据。
可选地，所述第二模型可以是可解释模型。
可选地，所述可解释模型可包括线性模型、浅决策树、随机森林、或梯度提升树中的一个或更多个。
可选地，使用所述第二模型来确定所述第二过程数据的过程特征对与所识别的一个或更多个衬底相关联的所述第二性能数据的贡献可包括：关于所述第二过程数据和所述第二性能数据来训练所述第二模型，使用所述第二模型来估计过程特征与第二性能数据之间的关系，并且基于所估计的关系来确定过程特征的所述贡献。
可选地，如果预测的品质高于预定阈值，则可识别衬底。
可选地，如果预测的品质高于预定损失指标，则可识别衬底。
可选地，所述第一模型是表示一组衬底的全局模型。所述第二模型可以是表示该组衬底的所选择子集的局部模型。
可选地，所述方法还可包括基于所述过程特征的所确定的贡献，诊断用于执行图案化衬底的过程的设备的性能问题。
可选地，所述方法还可包括：基于所述过程特征的所确定的贡献，更新一个或更多个过程设置，和向用于执行图案化衬底的所述过程的设备提供经更新的一个或更多个过程设置。
根据本公开的另一方面，提供了计算机程序，所述计算机程序包括指令，当在至少一个处理器上执行所述指令时，所述指令使所述至少一个处理器执行如上所述的方法。
根据本公开的另一方面，提供了理器可读介质，所述处理器可读介质包括指令，当由处理器执行所述指令时，所述指令使所述处理器执行如上所述的方法。
根据本公开的另一方面，提供了一种用于确定过程特征的对图案化衬底的过程的性能的贡献的设备。所述设备包括一个或更多个处理器，所述一个或更多个处理器被配置成执行计算程序代码，以实施如上所述的方法。
根据本公开的另一方面，提供了一种量测设备，包括如上所述的设备。
根据本公开的另一方面，提供了一种检查设备，包括如上所述的设备。
根据本公开的另一方面，提供了一种光刻设备，包括如上所述的设备。
附图说明
现在将参考随附的示意性附图而仅作为示例来描述本发明的实施例，在所述附图中：
-图1描绘光刻设备的示意性概略图；
-图2描绘光刻单元的示意性概略图；
-图3描绘整体光刻的示意性表示，其表示用以优化半导体制造的三种关键技术之间的协作；
-图4示出了确定过程特征对图案化过程的性能的贡献的方法中的步骤的流程图；
-图5示出了用于确定过程特征对图案化过程的性能的贡献的方法的示意代表图；
-图6示出了训练局部模型以供确定特征对性能数据的贡献的流程图；以及
-图7(a)和7(b)描绘了用于确定特征对性能数据的贡献的示例曲线图。
具体实施方式
在本文档中，术语“辐射”和“束”用于包括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，例如具有在约5-100nm范围内的波长)。
本文中使用的术语“掩模版”、“掩模”或“图案形成装置”可被广义地解释为指代可用于向入射辐射束赋予图案化横截面的通用图案形成装置，其对应于待在衬底的目标部分中创建的图案。术语“光阀”也可用于这种情境。除了经典的掩模(透射或反射掩膜、二进制掩膜、相移掩膜、混合掩膜等)之外，其它这种图案形成装置的示例包括可编程反射镜阵列和可编程LCD阵列。
图1示意性地描绘了光刻设备LA。光刻设备LA包括：照射系统(也称为照射器)IL，其被配置成调节辐射束B(例如紫外辐射、DUV辐射或EUV辐射)；掩模支撑件(例如掩模台)MT，所述掩模支撑件(例如掩模台)T被构造成支撑图案形成装置(例如掩模)MA并且连接到配置成根据特定参数准确地定位图案形成装置MA；衬底支撑件(例如，晶片台)WT，所述衬底支撑件被构造成保持衬底(例如，涂覆有抗蚀涂的晶片)W并且连接到第二定位装置PW，所述第二定位装置PW被配置成根据特定参数准确地定位衬底支撑件；以及投影系统(例如，折射投影透镜系统)PS，其被配置成将由图案形成装置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。
在操作中，照射系统IL接收来自辐射源SO的辐射束，例如经由束传送系统BD。照射系统IL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、静电型和/或其他类型的光学部件，或其任何组合，用于引导、成形和/或控制辐射。照射器IL可用于使辐射束B在图形装置MA的平面处的其横截面中具有期望的空间和角强度分布。
本文中使用的术语“投影系统”PS应广义地解释为包括各种类型的投影系统，包括折射式、反射式、折射反射式、变形式、磁性式、电磁式和/或静电式光学系统，或其任何组合，视情况而定，适用于所使用的曝光辐射，和/或其他因素，诸如浸没液的使用或真空的使用。本文中术语“投影透镜”的任何使用可被视为与更广义的术语“投影系统”PS同义。
光刻设备LA可以是这样的类型，其中至少一部分衬底可以被具有相对高折射率的液体(例如水)覆盖，以便填充介于投影系统PS与衬底W之间的空间,这也被称为浸没光刻。US6952253中给出了有关浸没技术的更多信息，通过引用将其并入本文中。
光刻设备LA也可以是具有两个或更多个衬底支撑件WT(也称为“双平台”)的类型。在这种“多平台”机器中，衬底支撑件WT可以并联使用，和/或可以对位于衬底支撑件WT之一上的衬底W执行准备衬底W的随后曝光的步骤、而同时将在其他衬底支撑件WT上的另一衬底W用于对其他衬底W上的图案曝光。
除了衬底支撑件WT之外，光刻设备LA可以包括测量平台。测量平台被布置成保持传感器和/或清洁装置。传感器可被布置成测量所述投影系统PS的属性或辐射束B的属性。测量平台可保持多个传感器。所述清洁装置可被布置成清洁所述光刻设备的一部分，例如投影系统PS的一部分或提供浸没液体的系统的一部分。当衬底支撑WT远离所述投影系统PS时，测量平台可在投影系统PS下方移动。
在操作中，辐射束B入射到被保持在掩模支撑件T上的图案形成装置(例如掩模MA)，并且由图案形成装置MA上存在的图案(设计布局)来图案化。在已穿过掩模MA之后，辐射束B穿过投影系统PS，该投影系统将束聚焦到衬底W的目标部分C上。借助于第二定位装置PW和位置测量系统IF，能够准确地移动所述衬底支撑件WT，例如，以便将不同的目标部分C定位在辐射束B的路径中处于聚焦和对准的位置。类似地，第一定位装置PM和可能的另一个位置传感器(图1中未明确描绘)可用于相对于辐射束B的路径来准确地定位所述图案形成装置MA。图案形成装置MA和衬底W可使用掩模对准标记M1、M2和衬底对准标记P1、P2来对准。尽管如图所示的衬底对准标记P1、P2占据专用目标部分，但它们可以位于介于目标部分之间的空间中。当衬底对准标记P1、P2位于目标部分C之间时，它们被称为划道对准标记。
如图2所示，光刻设备LA可形成光刻单元LC(有时也称为光刻元或(光刻)簇)的一部分，其通常还包括用以在衬底W上执行曝光前和曝光后过程的设备。常规地，这些设备包括用以沉积抗蚀剂层的旋涂机SC、用以曝光抗蚀剂的显影剂DE、激冷板CH和焙烤板BK，例如用于调节所述衬底W的温度，例如用于调节抗蚀剂层中的溶剂。衬底输送装置或机器人RO从输入端口I/O1、输出端口I/O2拾取衬底W，在不同的过程设备之间移动它们，并且将衬底W传送到光刻设备LA的装载台LB。在通常也统称为涂覆显影系统或轨迹(track)的光刻元中的装置通常在涂覆显影系统控制单元或轨迹控制单元TCU的控制下，涂覆显影系统控制单元或轨迹控制单元TCU本身可以由管理控制系统SCS控制，输送管理控制系统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正确且一致地曝光，需要检查衬底以测量经图案化结构的属性，诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。为此目的，检查工具(未显示)可能被包括于光刻元LC中。如果检测到错误，例如，可以对后续衬底的曝光或待在衬底W上执行的其他处理步骤进行调整，特别是如果在同一批次或批量的其他衬底W仍待曝光或处理之前进行检查。
检查设备也可称为量测设备，被用于确定衬底W的属性，特别是不同衬底W的属性如何变化，或与同一衬底W的不同层相关联的属性如何在层间发生变化。所述检查设备可以替代地被构造为识别所述衬底W上的缺陷，并且例如可以是光刻元LC的一部分，或者可以被集成到光刻设备LA中，或者甚至可以是单独装置。所述检查装置可测量潜像(在曝光后在抗蚀剂层中的图像)上的特性、半潜影(在曝光后焙烤步骤PEB后在抗蚀剂层中的图像)上的特性、或经显影后的抗蚀剂图像(其中已移除了抗蚀剂的曝光或未曝光部分)上的特性，或者甚至在经蚀刻图像上(在诸如蚀刻之类的图案转印步骤之后)上的特性。
典型地，在光刻设备LA中的图案化过程是处理中最关键的步骤之一，它要求在衬底W上的结构的确定尺寸和放置的高准确度。为了确保这种高准确度，如图3中示意性地描绘的，可以在所谓的“整体”控制环境中组合三个系统。其中一个系统是光刻设备LA，它(实际上)连接到量测工具MT(第二系统)并且连接至计算机系统CL(第三系统)。这种“整体”环境的关键是优化这三个系统之间的协同工作以增强整个过程窗口并且提供紧密的控制回路，来确保由光刻设备LA所执行的图案化保持在过程窗口内。所述过程窗口定义了一定范围的过程参数(例如剂量、聚焦、覆盖)，在这些参数范围内，特定的制造过程产生一个被限定的结果(例如，功能性半导体器件)，通常允许光刻过程或图案化过程中的过程参数在被限定的结果内发生变化。
计算机系统CL可以使用待图案化的设计布局(的部分)来预测将要使用何种分辨率增强技术，并且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实现所述图案化过程的最大的总过程窗口(在图3中由第一刻度SC1中的双箭头所描绘)。典型地，分辨率增强技术被布置成与光刻装置LA的图案化可能性相匹配。计算机系统CL还可用于检测所述光刻设备LA当前在过程窗口内的何处进行操作(例如使用来自量测工具MT的输入)，以预测是否由于例如次优加工而存在缺陷(在图3中由第二刻度SC2中的指向“0”的箭头所描绘)。
量测工具MT可向计算机系统CL提供输入以实现精确的模拟和预测，并且可向光刻设备LA提供反馈以识别可能的漂移，例如在光刻设备LA的校准或标定状态下(在图3中由第三刻度SC3中的多个箭头所描绘)。
量测工具MT可用于测量与光刻衬底相关的一个或更多个特征或性质。可能关注的一种性质类型可以是所述图案化过程的性能。所述图案化过程的性能可能难以直接地测量。相反，可以通过测量与所述性能相关联的性质来间接地评估所述性能。例如，这可包括对存在于所述衬底上的最终图案的品质的评估。用以评估所述最终图案的品质的一种方法是通过测量所述衬底的产率。评估图案化性能的其它示例方法包括修复密度、探针二进制代码，等等。衬底的产率可以表示衬底上的充分发挥作用的元件的比例。评估产率可包括针对衬底上的每个单独元件确定其是“工作”或是“故障/不工作”。工作的元件可以称为通过了产率测试。将工作元件的数量除以元件的总数量可以是衬底的产率。元件可以是被配置成能够与所述衬底上的其它实体分离开地起作用的实体。这种元件可被称为管芯。元件的示例可以是存储器单元、开关、处理单元，等等。
测量产率可以给出对于经图案化衬底的品质的指示。完美地经图案化的衬底(其中每个管芯均包括作用元件即功能元件)具有100％的产率。所有管芯均由非工作元件组成的衬底具有0％的产率。获得100％或尽可能接近100％的产率是用于高品质光刻图案化的目标。为了诊断任何问题并且确定如何改进图案化以提高产率，可能需要确定衬底上出现故障管芯的根本原因，或者确定衬底上出现故障管芯的一个或更多个潜在的根本原因。也可为简洁起见将产率损失的根本原因称为产率的根本原因。产率损失的示例原因可能包括关于所述衬底的一个层或多个层的对准、重叠或调平的方面的问题，或者关于所述衬底上的蚀刻步骤方面的问题(例如，蚀刻太多或不够)。
已知的产率根本原因寻找方法可以使用来自许多样本衬底的数据来建立相关模型。例如，相关模型可以包括多变量机器学习模型或单变量线性/非线性相关分析。在机器学习相关模型的情况下，特征权重可以用作该特征作为潜在根本原因的重要性的指标。可以按照多个特征的与产率损失的相关性的顺序来对所述多个特征排名。这种排名可用于选择一个或更多个潜在的产率根本原因。
使用已知相关模型的问题在于衬底产率、图案化过程特性、和经测量的过程特征之间的关系是复杂的。如本文中所使用的，术语“过程特征”(或简称为“特征”)是指与光刻图案化过程相关的特性、参数或特征。相关性模型可以通过尝试找到相关性，来尝试在来自样本衬底的数据中找到解释所述产率损失的过程特征。然而，如果存在许多衬底，则所述特征与所述产率之间存在许多不同的相关性。例如，衬底可以包括许多不同的制造层以形成具有一个或更多个最终管芯的最终经图案化衬底。不同的过程特征可能影响不同制造层和/或不同衬底的产率。例如，在一个层中，重叠的问题可能导致衬底的一个区域中的产率损失。在另一层中，临界尺寸变化的问题可能导致所述衬底的另一区域的产率损失。相关性模型通常获取全部所提供的产率损失数据的平均值，并且使用这个平均值来试图找到潜在的根本原因。然而，所述相关性模型可能无法在两个或更多个单独的产率损失原因之间进行准确区分。这可能导致对根本原因的错误预测。
本公开涉及一种用于确定一个或更多个衬底上的产率损失的一个或更多个潜在根本原因的方法和设备。可选地，可以确定图案化过程性能的另一指标的损失的根本原因。所述方法可以通过基于过程数据进行产率损失的估计来确定潜在的根本原因，并且估计所述过程数据的哪些特征对所述产率损失的影响最大。这些特征可能与所述产率损失的潜在根本原因关联。所述过程数据可包括针对一个或更多个衬底所获得的量测数据。过程数据也可以包括与所述衬底的光刻图案化和/或其它制造过程相关的制造过程数据。提供给所述方法的所述量测数据和/或过程数据可以涉及过程特征。所述方法也可使用针对一个或更多个衬底所获得的产率数据。过程特征的示例可以包括量测数据，诸如：重叠、调平、对准、临界尺寸、或光刻设备设置、图案化步骤的选配方案设置、情境数据，等等。本文中所描述的方法使用两个模型，以便在不同过程特征对一个或更多个衬底的产率的贡献之间进行区分。基于由不同过程特征对所述产率损失的不同贡献，可以识别产率损失的潜在根本原因。
图4描绘了确定过程特征对图案化衬底的过程的性能的贡献的方法的流程图。在402，获得第一模型。例如，可以从储存装置(例如，从数据储存装置)中检索取回先前生成的模型，或者可以重新生成所述第一模型。可以基于第一过程数据和第一性能数据来训练所述第一模型。所述第一过程数据和所述第一性能数据可以包括历史数据。历史数据可与所述图案化过程的在所述方法中被分析性能的先前运行相关。过程数据可以包括一个或更多个过程特征的多个数据点。过程特征可以与例如以下的衬底特性相关：重叠、对准、临界尺寸、调平，等等。例如，过程数据可以包括跨越整个衬底的、一个或更多个过程特征的测量结果的分布。性能数据可以与这样的性质相关：该性质与性能正在受评估的衬底相关。性能数据的示例可以是衬底的产率数据。如本文中所描述，第一模型可以接收作为输入的过程数据，并且提供性能数据的估计作为输出。作为所述训练过程的一部分，可对照所提供的(已知的)第一性能数据来对估计性能数据进行评估，以便训练所述模型。
在404处，可以识别一个或更多个衬底。当将所述第一模型应用于一个或更多个衬底的所述过程数据时，可以基于所述第一模型的预测的品质进行所述识别。所述第一模型可能已经被应用于一组衬底以供进行预测。所述一个或更多个衬底可以是一组衬底的子集。在406，可以基于第二过程数据和第二性能数据来训练第二模型。所述第二过程数据和所述第二性能数据可以与所述一个或更多个衬底相关联。在408，所训练的第二模型可用于确定所述第二过程数据的特征对与所述一个或更多个衬底相关联的所述第二性能数据的贡献。
所述第一模型可以是用于表示衬底的群集的一种全局模型。对于接下来的描述，所述第一模型将被称为全局模型。所述第一过程数据和第一性能数据可以分别称为全局过程数据和全局性能数据。所述全局过程数据和全局性能数据可以包括与大量衬底相关的数据。因此，可以关于大量衬底来训练所述全局模型。因此，可关于用于表示许多不同过程特征的过程数据来训练全局模型，其中许多不同过程特征对所述图案化过程的性能产生了许多不同影响。所述全局模型可用于预测一组衬底的所述图案化过程的性能。该组衬底可以例如是许多衬底。许多衬底可以是经历相同图案化过程的一组衬底。因此，它们可具有相似和可比较的特性，这使得它们适于一起被分析。例如，许多衬底可以包括二十五个衬底。
所述全局模型GM可以是机器学习模型。具体地，所述全局模型GM可以是神经网络，例如深度神经网络。所述全局模型可以具有在其通过引用并入本文中的WO2018/202361中所描述的模型的一个或更多个性质。
当关于来自大量训练衬底的过程数据来训练全局模型时，可关于多个不同训练衬底存在管芯故障/产率损失的多个原因。一些原因可能并不存在于一些训练衬底中。当所述模型确定了所述过程数据与产率预测之间的对应关系时，可能会低估没有存在于全部/大部分的训练衬底中的原因所产生的影响。因而，不太普遍的原因可能由于遍及大量训练衬底的平均影响而被忽略。因此，关于大量衬底而训练的全局模型可能不适于确定过程特征作为导致管芯故障和产率损失的原因的贡献。换言之，所述全局模型可能无法确定哪个过程特征是特定管芯、晶片、或批次故障的根本原因。
为了允许确定产率损失的根本原因，本文中所披露的方法使用第二模型。所述第二模型可以是代表从一组衬底中所选择的子集的局部模型。针对接下来的描述，所述第二模型将被称为局部模型。所述第二过程数据和第二性能数据也可以分别称为局部过程数据和局部性能数据。所述局部模型的功能可以是用于解释所述全局模型在衬底子集的附近(或所在局部)的行为。关于与所述全局模型一起使用的一组衬底的子集来训练局部模型的优点在于，对相对应过程数据的解释可以是较准确的。这可能是因为，所述局部模型是关于与较小的衬底子集相关联的数据进行训练的。因此，所述数据对预测的贡献的解释被限于所选择的衬底子集的附近。这可意味着，与对于大量衬底的情况相比，导致产率损失的影响的范围可以较小。因此，不太可能将原因平均化。所述局部模型具有对所述过程数据的改进解释的第二原因可能在于，所述子集包括基于由所述全局模型的预测的品质而识别和选择的衬底。具有高品质的预测可指示：所述全局模型针对所述子集中的衬底进行了有效预测。这可指示：所述子集中的衬底具有能够由所述全局模型识别的产率损失性质，这可能使它们易于经受由所述局部模型进行的分析。因此，经训练的局部模型可以能够针对所述子集中的衬底来识别所述过程特征的贡献。
所述局部模型可以是能够解释的模型。能够解释的模型可以是一种可供直观地解释在模型输入与模型之间的一个或更多个关系的模型。所述局部模型可以提供关于不同的过程特征如何与衬底的产率损失数据相关的指示。所述方法可以使用能够从经训练的局部模型所获得的信息，以确定过程特征对所述图案化过程的性能的贡献。
所述过程数据可以与一个或更多个过程特征相关。所述过程数据可以包括过程特征的测量数据。例如，过程特征可以是重叠，并且所述过程数据可以包括重叠数据。替代地，或除了测量数据之外，所述过程数据可以包括估计数据和/或推断数据。例如，可以从对所述衬底进行的其它测量推断出估计的重叠数据。这种推断/估计的重叠数据也可以作为衬底的过程数据提供。
如上所描述，所述方法包括识别已经作为输入而提供至所述全局模型的一组衬底的子集。识别步骤可以包括选择该组衬底中的、由所述全局模型进行的预测的品质高于预定阈值和/或预定损失指标的一个或更多个衬底。所述阈值可以取决于性能数据的类型。所述阈值可取决于所述衬底上的管芯的图案的预期使用情况。所述使用情况可以与特征贡献的分析数据的使用相关，和/或可以与管芯本身的预期使用相关。示例阈值可以是预测数据和测量数据之间的超过75％的对应度。示例损失指标包括均方差(MSE)损失、对数(log)损失、交叉熵即互熵、分类准确度，等等。替代地，子集的选择可以作为针对该组衬底而获得的最佳品质的预测的一部分来进行。例如，针对所述子集，可以选择该组衬底中的、具有最佳预测结果的衬底的10％、20％、30％、40％或50％。如上所描述的衬底的选择可以从子集中排除没有获得足够良好预测品质的衬底。需要排除这样的衬底，因为较差的预测品质可能指示所述衬底性质不同于被训练全局模型的衬底和/或其余衬底。这些衬底很可能具有与其余衬底不同的产率损失性质。因此，可从所述子集排除这些衬底，以便它们不会对根本原因的预测的有效性产生不利影响。
基于利用所述全局模型进行的预测的品质来选择一个或更多个衬底的子集的优点在于，它可以指示那些衬底的过程数据和性能数据与所述全局过程数据和全局性能数据的匹配程度。如果选择基于具有高品质的预测，则这可指示所述全局模型能够基本上准确地解释所述过程数据。这进而可以指示所述衬底的所述过程数据落入到预期的过程数据值内。
除了基于预测品质进行的选择之外，识别一组衬底中的子集170可以包括，选择具有在预定范围内的产率的衬底。可以基于预测产率或测量产率来评估产率是否落入于预定范围内。可以设置预定范围来排除具有非常高的产率的衬底。由于所述衬底上存在少量的故障管芯，因此高产率衬底可能仅提供关于确定产率损失的根本原因的有限信息。所述预定范围也可以排除具有非常低的产率的衬底。例如，与该组衬底中的其它衬底相比，可以设置非常低的产率的阈值。低产率衬底可具有与该组衬底中的其它衬底相比的替代的和/或额外的产率损失根本原因，并且可以从对子集的根本原因的分析中被排除。
现在将关于图5更详细地描述用于确定过程特征的对图案化过程的性能的贡献的方法。图5描绘了在本文中所描述的方法的不同部分的示意代表图。将输入110提供给全局模型GM。所述输入110可以包括与一组衬底中的衬底相关的过程数据。所述过程数据可以包括与所述衬底的不同层的过程特征相关的数据。过程特征可以包括来自图案化过程的任何关注的特征。例如，过程特征可以包括重叠OVL、调平LVL、对准AL、临界尺寸CD、和情境数据CXT。可以针对多个层(在图5中由字母A、…X表示)中的每个层的一个或更多个过程特征提供过程数据。
全局模型GM可以接收输入110，并且基于所述输入生成输出。所述输出可以包括预测的性能数据。所述性能数据可以包括所述衬底的预测的产率数据120。全局模型也可提供多个特征的对所述预测的性能数据的贡献140的估计。所述多个特征可以是与提供至所述全局模型GM的一组衬底相关联的所述过程数据的一部分。所述估计可用于提供所述多个特征的对所述预测的性能数据的估计贡献的排名。图5中的对所述贡献140的估计是仅用于例示目的的任意示例。然而，如上所描述，此全局模型的特征贡献140可能不适于准确地预测特征的对产率损失的根本原因的贡献。
为了确定所预测产率120的品质，可以提供所述衬底的实际产率数据130。可以从对所述衬底的测量(例如通过产率探针测试进行的测量)中获得实际产率数据130。产率探针测试可以是在最终衬底上所执行的测试，以用于测试所述衬底上的图案的功能。产率探针可以是电气测试。产率探针可以测试衬底上的每个单独的管芯。产率探针测试的结果可将芯片分类为“通过(即合格)”或“故障(即不合格)”。可以将预测产率120和实际产率130进行比较以便确定预测的品质150。为了例示目的，在曲线图152中，相对于实际产率130来绘制所述预测品质150。针对来自该组衬底的示例衬底，绘制了实际产率135、预测产率125以及实际产率与预测产率之间的差异155的分布的图形表示。突出显示的区域可以代表在所述示例衬底上的故障管芯。所述产率数据的所述图形表示也可以示出在衬底上的、导致产率损失的故障管芯的部位的分布。
可以对一组衬底160中的每个衬底重复用于确定预测产率的所述方法。在图152中示出了针对该组衬底160中的每个衬底所得到的预测品质150。基于该组衬底中的衬底的所述预测品质，可以识别对一个或更多个衬底的选择以形成子集170。将一个或更多个衬底选择到子集170中可以额外地基于实际产率和预测产率的分布155。子集170中的衬底可以被提供用于训练局部模型LM。一旦已经训练了所述局部模型LM，则其就可以用于确定所述子集170的预测特征重要性180。
如上所描述，所述全局模型GM可用于基于由所述全局模型GM所输出的预测的性能数据120的品质来选择衬底的子集。一旦已经选择了一个或更多个衬底，则可以分析所述子集的所述过程数据以确定过程特征的对所述衬底的产率损失的贡献。所述分析可以使用局部模型LM，如图6所示。为了确定特征的对衬底子集170的产率损失的贡献，可以关于与该子集170相关的数据来训练局部模型LM。
子集170中可用的过程数据的量可能不足以训练所述局部模型。如果关于少量的数据来训练局部模型，这可能会导致过度拟合。为了避免过度拟合，所述方法可以基于子集过程数据而生成数据。所生成数据可用于训练所述局部模型LM。与衬底相关的数据相关联的所生成数据可被称为增强数据或模拟数据。生成的增强数据的量可涉及所述局部模型LM的准确性与用以生成所述数据并且训练所述局部模型所需的处理时间之间的权衡。增加可用于训练的数据的量的优点可在于，这可减少或避免所述局部模型LM的过度拟合。
可以通过确定一个或更多个过程特征的过程数据周围的范围604并且在该范围内生成606多个数据点来获得增强过程数据。生成增强过程数据的第一示例方法可以包括对诸如重叠、对准、临界尺寸等过程特征的参数分布进行建模。然后，可以通过根据经建模的参数分布生成多个样本来获得增强过程数据。生成增强过程数据的第二示例方法可以包括确定过程特征的值的范围。可以通过在所述特征的值的范围内生成多个样本来获得所述增强过程数据。增强过程数据可以具有与所述子集中的衬底的过程数据相同类型的内容。例如，增强过程数据和衬底过程数据可以包括一个或更多个相同的过程特征、相同的层数、相同量的数据点等。
为了使用所述增强过程数据以供进行训练，所述增强过程数据可以与对应的增强性能数据配对。所述过程数据和性能数据可以形成所述局部模型LM的输入-输出训练对。为了形成过程-性能数据对，所述增强过程数据可用于生成增强性能数据。在一个示例性实施方式中，可以将增强过程数据作为输入提供至所述全局模型GM。由所述全局模型GM所产生的所述输出可以是对应于所述增强过程数据输入的增强性能数据608。
用于训练所述局部模型LM的数据可以被称为局部过程数据和局部性能数据610。局部过程数据可以包括所述增强过程数据。可选地，所述局部过程数据也可以包括所述子集170的所述过程数据。类似地，局部性能数据可以包括增强性能数据，并且可选地，包括所述子集170的性能数据。取决于所述子集的所述过程数据和性能数据是否被包括在所述局部数据中，可以基于增强数据和子集数据两者，或者仅基于增强数据来分别地训练所述局部模型LM。所述局部模型LM可以被称为代理模型即替代模型(surrogate model)，因为它至少部分地关于增强数据进行训练。
可以关于局部数据612训练所述局部模型LM。所使用的训练方法可以是针对该类模型的标准训练方法。所述局部模型LM可以是可解释模型。所述局部模型LM可以是可解释机器学习模型，例如线性模型或浅决策树。所述局部模型LM可以提供特征重要性作为创建所述模型的一部分，例如随机森林或梯度提升树。所述局部模型LM一旦已经被训练则可以提供不同过程特征对由所述模型所输出的性能数据的贡献的估计。由于关于与所识别的衬底子集170相关联的数据来训练所述局部模型LM，因此所述估计可以提供与所述衬底的子集170相关的解释。
在一个实施例中，所述局部模型LM可以用于确定所述局部过程数据的一个或更多个特征对所述局部性能数据的贡献。为了实现这一点，可以关于所述局部过程数据和所述局部性能数据来训练所述局部模型LM。经训练的局部模型LM可以是可解释的，从而使得经训练的局部模型LM可用于估计所述一个或更多个特征与所述局部性能数据之间的关系。基于对从经训练的模型所获得的经解释的估计关系，得到一个或更多个特征对所述局部性能数据的贡献。如上所描述，使用所述全局模型GM，则衬底的子集170可能已经被识别为展示相似的性能数据。所述衬底的性能数据可提供对被应用于所述衬底的所述图案化过程的性能的指示。因此，估计贡献可以表示一个或更多个特征的对衬底子集170的所述图案化过程的性能的贡献。
选择一个或更多个衬底以形成子集170可影响特征的对衬底的性能的估计贡献的结果。图7(a)和7(b)图示了衬底选择可对特征对于衬底产率的贡献的估计具有的可能影响。图7(a)和7(b)描绘了多个管芯的曲线图。管芯可以全部位于相同衬底上，或者可以可选地位于多个相关的衬底上，例如位于相同批次中的衬底上。曲线图中的轴表示两个所选择的过程特征F1和F2的值。在曲线图中，管芯被分类为由十字所指示的故障管芯702、或者由圆圈表示的通过管芯即合格管芯704。所述全局模型GM针对一组衬底上的每个管芯提供估计的通过/故障产率分类。针对多个管芯中的每个管芯，绘制了F1和F2的特征值，并且指示了通过/故障产率分类。所得到的曲线图可用于确定特征F1和F2对管芯分类的贡献。
在图7(a)中，在曲线图中绘制了全局模型GM决策边界710，其示出了故障管芯和通过管芯之间的分离。基于所述全局模型GM决策边界710，可以估计712特征F1和F2对边界的位置的贡献。在所描绘的示例曲线图中，特征F1的值对管芯性能的结果的贡献大于特征F2的值对管芯性能的结果的贡献。基于跨越全部多个管芯的估计，特征F1对作为整体的管芯和衬底的性能的具有更大的贡献。
图7(b)示出了图7(a)的曲线图添加了选择730与衬底的子集170相关的管芯的图示。基于选择730的衬底170来训练局部模型。经训练的局部模型LM可以确定局部模型决策边界720。基于所图示的局部模型决策边界720，现在相比于特征F1，特征F2对通过/故障分类贡献得更多。所述局部模型决策线720可由经训练的局部模型LM确定。基于局部模型LM，估计特征贡献分析722不同于全局模型估计特征贡献。差异的原因可以理解为，在全局模型决策边界710中所考虑的是许多管芯的平均化影响。在对子集170中的所选择730的管芯更有针对性的估计中并不存在这些平均化影响。
应当理解的是，图7(a)和7(b)的曲线图仅用于例示目的。所述全局模型GM和局部模型LM可以在两个以上的特征(例如，在过程数据中所存在的所有过程特征F1至Fn)之间进行比较。模型GM和LM可以基于计算来确定特征的贡献，而无需生成图形表示。
用于确定一个或更多个过程特征得对图案化过程的性能的贡献的所述方法可用于诊断和控制在所述图案化过程中所使用的设备。基于所确定的一个或更多个特征的对衬底进行图案化的过程的性能的贡献，则可以诊断性能问题。一个或更多个特征的贡献可用于诊断在衬底上的产率损失的潜在根本原因。例如，如果由所述局部模型LM将衬底的子集中的产率损失归因为由特定层的重叠OVL或临界尺寸CD引起，则这可指示在对应层中的重叠相关问题或CD相关问题。对一个或更多个衬底中的问题进行诊断可以指示所诊断的问题在衬底上的部位。例如，衬底上的第一组元件/管芯的产率损失可被诊断为由第一问题(例如，层A中的重叠)引起。衬底上的第二组元件/管芯的产率损失可被诊断为由第二问题(例如，层B中的临界尺寸CD)引起。
除了诊断性能问题之外，所述方法也可用于控制图案化过程。在示例性实施例中，响应于确定特征的对产率损失的贡献，则可以更新一个或更多个过程设置并且将所述一个或更多个过程设置提供至图案形成设备。例如，在确定重叠对产率损失做出较大贡献时，可以进一步检查所述重叠数据。可以确定过程设置的更新，以改善在衬底上所形成的后续图案的重叠特性，这继而可以减少重叠的对产率损失的贡献。在一个示例性实施例中，所述局部模型LM可以用于确定导致估计的产率损失增加的特征值。
在以下编号方面的列表中披露了本发明的其它实施例。
1.一种确定过程特征对图案化衬底的过程的性能的贡献的方法，所述方法包括：
获得关于第一过程数据和第一性能数据训练的第一模型；
当将所述第一模型应用于与一个或更多个衬底相关联的过程数据时，基于所述第一模型的预测的品质来识别所述一个或更多个衬底；
关于与所识别的一个或更多个衬底相关联的第二过程数据和第二性能数据来训练第二模型；并且
使用所述第二模型来确定所述第二过程数据的过程特征对与所述一个或更多个衬底相关联的第二性能数据的贡献。
2.根据方面1所述的方法，其中识别一个或更多个衬底包括：
将与多个衬底相关联的过程数据作为输入提供至所述第一模型；并且获得预测的性能数据作为所述第一模型的输出。
3.根据方面2所述的方法，还包括：
获得所述多个衬底的测量的性能数据。
4.根据方面2或方面3所述的方法，其中识别一个或更多个衬底还包括：将所述预测的性能数据与所述测量的性能数据进行比较以确定预测的品质。
5.根据方面2至4中的任一项所述的方法，其中所述预测的性能数据包括预测的产率数据。
6.根据前述方面中的任一项所述的方法，其中所述第一模型包括神经网络。
7.根据方面2至6中的任一项所述的方法，其中所述第一模型的输出还包括与多个衬底相关联的所述过程数据的多个过程特征对所述预测的性能数据的贡献的估计。
8.根据方面7所述的方法，其中所述第一模型的输出包括所述多个过程特征对所述预测的性能数据的估计贡献的排名。
9.根据方面7至8中的任一项所述的方法，其中所述多个过程特征包括重叠、对准、调平、临界尺寸、厚度、和情境数据中的一个或更多个。
10.根据前述方面中的任一项所述的方法，其中所述过程数据包括与衬底的多个层相关的数据。
11.根据前述方面中的任一项所述的方法，还包括：
基于一个或更多个所识别衬底来生成增强过程数据。
12.根据方面11所述的方法，其中所述第二过程数据包括所述增强过程数据和所述所识别的一个或更多个衬底的过程数据。
13.根据方面11至12中的任一项所述的方法，其中生成增强过程数据包括：
对过程特征的参数分布进行建模；并且
根据所建模的参数分布生成多个样本，其中所述增强过程数据包括多个样本。
14.根据方面11至13中的任一项所述的方法，其中生成增强过程数据包括：
确定过程特征的值的范围；并且
在所述过程特征的值的范围内生成多个样本，其中所述增强过程数据包括所述多个样本。
15.根据方面11至14中的任一项所述的方法，还包括：
将所述增强过程数据作为输入提供至所述第一模型，并且获得增强预测的性能数据作为所述第一模型的输出。
16.根据方面15所述的方法，其中所述第二性能数据包括所述增强预测的性能数据和所述一个或更多个衬底的所述预测的性能数据。
17.根据前述方面中的任一项所述的方法，其中所述第二模型是可解释模型。
18.根据方面17所述的方法，其中所述可解释模型包括线性模型、浅决策树、随机森林、或梯度提升树中的一个或更多个。
19.根据前述方面中的任一项所述的方法，其中使用所述第二模型来确定所述第二过程数据的过程特征对与所识别的一个或更多个衬底相关联的所述第二性能数据的贡献包括：
关于所述第二过程数据和所述第二性能数据来训练所述第二模型；
使用所述第二模型来估计过程特征与第二性能数据之间的关系；并且基于所估计的关系来确定过程特征的所述贡献。
20.根据前述方面中的任一项所述的方法，其中如果预测的品质高于预定阈值，则识别衬底。
21.根据前述方面中的任一项所述的方法，其中如果预测的品质高于预定损失指标，则识别衬底。
22.根据前述方面中的任一项所述的方法，其中所述第一模型是表示一组衬底的全局模型；并且
其中所述第二模型是表示该组衬底的所选择子集的局部模型。
23.根据前述方面中的任一项所述的方法，还包括：
基于所述过程特征的所确定的贡献，诊断用于执行图案化衬底的过程的设备的性能问题。
24.根据前述方面中的任一项所述的方法，还包括：
基于所述过程特征的所确定的贡献，更新一个或更多个过程设置；和向用于执行图案化衬底的所述过程的设备提供经更新的一个或更多个过程设置。
25.一种计算机程序，所述计算机程序包括指令，当在至少一个处理器上执行所述指令时，所述指令使所述至少一个处理器执行根据方面1至24中的任一项所述的方法。
26.一种处理器可读介质，所述处理器可读介质包括指令，当由处理器执行所述指令时，所述指令使所述处理器执行根据方面1至24中的任一项所述的方法。
27.一种用于确定过程特征的对图案化衬底的过程的性能的贡献的设备，所述设备包括一个或更多个处理器，所述一个或更多个处理器被配置成执行计算程序代码，以实施根据方面1至24中的任一项所述的方法。
28.一种量测设备，包括根据方面27所述的设备。
29.一种检查设备，包括根据方面27所述的设备。
30.一种光刻设备，包括根据方面27所述的设备。
本文中描述的方法可以被实现为计算机程序中的指令。所述计算机程序可以在设备(例如量测工具MT、检查设备或光刻设备LA)上执行。
虽然可以在本文中具体地参考在IC制造中光刻设备的使用，但应理解，本文中所描述的光刻设备可以具有其它应用。可能的其它应用包括制造集成光学系统、用于磁畴存储器的引导和检测图案、平板显示器、液晶显示器(LCD)、薄膜磁头，等等。
虽然在本文中可以对在光刻设备的情境下的本发明的实施例进行具体参考，但本发明的实施例可以用于其它设备中。本发明的实施例可以形成掩模检查设备、量测设备、或测量或处理诸如晶片(或其它衬底)或掩模(或其它图案形成装置)之类的物体的任何设备的部分。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外界(非真空)条件。
虽然上文可以具体地参考在光学光刻的情境下对本发明的实施例的使用，但将了解，本发明可以在情境允许的情况下不限于光学光刻术，并且可以用于其它应用(例如，压印光刻术)。
虽然上文已描述本发明的特定实施例，但应了解，可以与所描述方式不同的其它方式来实践本发明。以上描述意图是说明性的，而不是限制性的。因此，本领域技术人员将明白，可以在不背离下文所阐明的权利要求的范围的情况下对所描述的本发明进行修改。

Claims (17)

1.一种确定过程特征对图案化衬底的过程的性能的贡献的方法，所述方法包括：
获得关于第一过程数据和第一性能数据训练的第一模型；
当将所述第一模型应用于与一个或更多个衬底相关联的过程数据时，基于所述第一模型的预测的品质来识别所述一个或更多个衬底；
关于与所识别的一个或更多个衬底相关联的第二过程数据和第二性能数据来训练第二模型；并且
使用所述第二模型来确定所述第二过程数据的过程特征对与所述一个或更多个衬底相关联的第二性能数据的贡献。
2.根据权利要求1所述的方法，其中识别所述一个或更多个衬底包括：
将与多个衬底相关联的过程数据作为输入提供至所述第一模型；以及
获得预测的性能数据作为所述第一模型的输出。
3.根据权利要求2所述的方法，还包括：
获得所述多个衬底的测量的性能数据。
4.根据权利要求2或权利要求3所述的方法，其中识别所述一个或更多个衬底还包括：将所述预测的性能数据与所述测量的性能数据进行比较以确定所述预测的品质。
5.根据权利要求2所述的方法，其中所述预测的性能数据包括预测的产率数据。
6.根据权利要求1所述的方法，其中所述第一模型包括神经网络。
7.根据权利要求2所述的方法，其中所述第一模型的输出还包括与所述多个衬底相关联的所述过程数据的多个过程特征对所述预测的性能数据的贡献的估计。
8.根据权利要求7所述的方法，其中所述第一模型的输出包括所述多个过程特征对所述预测的性能数据的估计的贡献的排名。
9.根据权利要求7或8所述的方法，其中所述多个过程特征包括重叠、对准、调平、临界尺寸、厚度、和情境数据中的一个或更多个。
10.根据权利要求1所述的方法，还包括：
基于所识别的一个或更多个衬底来生成增强过程数据。
11.根据权利要求10所述的方法，其中所述第二过程数据包括所述增强过程数据和所述所识别的一个或更多个衬底的过程数据。
12.根据权利要求10或11所述的方法，其中生成增强过程数据包括：
对过程特征的参数分布进行建模；并且
根据所建模的参数分布生成多个样本，其中所述增强过程数据包括所述多个样本。
13.根据权利要求1所述的方法，其中所述第二模型是可解释模型，所述可解释模型包括线性模型、浅决策树、随机森林、或梯度提升树中的一个或更多个。
14.根据权利要求1所述的方法，其中使用所述第二模型来确定所述第二过程数据的过程特征对与所识别的一个或更多个衬底相关联的所述第二性能数据的贡献包括：
关于所述第二过程数据和所述第二性能数据来训练所述第二模型；
使用所述第二模型来估计过程特征与第二性能数据之间的关系；并且
基于所估计的关系来确定过程特征的所述贡献。
15.一种计算机程序，所述计算机程序包括指令，当在至少一个处理器上执行所述指令时，所述指令使所述至少一个处理器执行根据权利要求1所述的方法。
16.一种处理器可读介质，所述处理器可读介质包括指令，当由处理器执行所述指令时，所述指令使所述处理器执行根据权利要求1所述的方法。
17.一种用于确定过程特征的对图案化衬底的过程的性能的贡献的设备，所述设备包括一个或更多个处理器，所述一个或更多个处理器被配置成执行计算程序代码，以实施根据权利要求1所述的方法。
CN202080045171.XA 2019-07-04 2020-06-05 用于确定特征对性能的贡献的方法和设备 Active CN114008535B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP19184423 2019-07-04
EP19184423.2 2019-07-04
EP19186833.0A EP3767392A1 (en) 2019-07-17 2019-07-17 Method and apparatus for determining feature contribution to performance
EP19186833.0 2019-07-17
PCT/EP2020/065619 WO2021001114A1 (en) 2019-07-04 2020-06-05 Method and apparatus for determining feature contribution to performance

Publications (2)

Publication Number Publication Date
CN114008535A true CN114008535A (zh) 2022-02-01
CN114008535B CN114008535B (zh) 2024-04-12

Family

ID=70975896

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080045171.XA Active CN114008535B (zh) 2019-07-04 2020-06-05 用于确定特征对性能的贡献的方法和设备

Country Status (6)

Country Link
US (1) US20220351075A1 (zh)
EP (1) EP3994525B1 (zh)
KR (1) KR20220016966A (zh)
CN (1) CN114008535B (zh)
TW (1) TWI746019B (zh)
WO (1) WO2021001114A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230228692A1 (en) * 2022-01-18 2023-07-20 Kla Corporation Methods And Systems For Targeted Monitoring Of Semiconductor Measurement Quality

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3312672A1 (en) * 2016-10-21 2018-04-25 ASML Netherlands B.V. Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus
EP3352013A1 (en) * 2017-01-23 2018-07-25 ASML Netherlands B.V. Generating predicted data for control or monitoring of a production process
CN108369387A (zh) * 2015-12-17 2018-08-03 Asml荷兰有限公司 使用非对称亚分辨率特征改善测量的光刻过程的光学量测术
WO2018233966A1 (en) * 2017-06-22 2018-12-27 Asml Netherlands B.V. METHOD FOR DETERMINING THE CONTRIBUTION TO A DIGITAL IMPRINT
US20190187569A1 (en) * 2016-08-05 2019-06-20 Asml Netherlands B.V. Methods & apparatus for obtaining diagnostic information, methods & apparatus for controlling an industrial process

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI232357B (en) 2002-11-12 2005-05-11 Asml Netherlands Bv Lithographic apparatus and device manufacturing method
KR102296942B1 (ko) 2017-05-05 2021-09-01 에이에스엠엘 네델란즈 비.브이. 디바이스 제조 프로세스의 수율의 예측 방법
KR102405686B1 (ko) * 2017-09-08 2022-06-07 에이에스엠엘 네델란즈 비.브이. 기계 학습 보조 광 근접 오차 보정을 위한 트레이닝 방법들

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108369387A (zh) * 2015-12-17 2018-08-03 Asml荷兰有限公司 使用非对称亚分辨率特征改善测量的光刻过程的光学量测术
US20190187569A1 (en) * 2016-08-05 2019-06-20 Asml Netherlands B.V. Methods & apparatus for obtaining diagnostic information, methods & apparatus for controlling an industrial process
EP3312672A1 (en) * 2016-10-21 2018-04-25 ASML Netherlands B.V. Methods of determining corrections for a patterning process, device manufacturing method, control system for a lithographic apparatus and lithographic apparatus
EP3352013A1 (en) * 2017-01-23 2018-07-25 ASML Netherlands B.V. Generating predicted data for control or monitoring of a production process
WO2018233966A1 (en) * 2017-06-22 2018-12-27 Asml Netherlands B.V. METHOD FOR DETERMINING THE CONTRIBUTION TO A DIGITAL IMPRINT

Also Published As

Publication number Publication date
TWI746019B (zh) 2021-11-11
EP3994525A1 (en) 2022-05-11
WO2021001114A1 (en) 2021-01-07
KR20220016966A (ko) 2022-02-10
TW202117456A (zh) 2021-05-01
EP3994525B1 (en) 2023-05-03
US20220351075A1 (en) 2022-11-03
CN114008535B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN110622069B (zh) 用于预测器件制造工艺的良率的方法
KR102649158B1 (ko) 반도체 제조 공정의 수율을 예측하는 방법
EP3767392A1 (en) Method and apparatus for determining feature contribution to performance
CN114008535B (zh) 用于确定特征对性能的贡献的方法和设备
US20230153582A1 (en) Configuration of an imputer model
US11740560B2 (en) Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
EP3913435A1 (en) Configuration of an imputer model
US11526084B2 (en) Determining significant relationships between parameters describing operation of an apparatus
US20230185202A1 (en) Methods and apparatus for diagnosing unobserved operational parameters
TWI777678B (zh) 概念漂移減輕之方法及設備
US20230400778A1 (en) Methods and computer programs for configuration of a sampling scheme generation model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant