CN114190100A - 用于在等离子体处理期间调整表面反应的动力模型的系统及方法 - Google Patents
用于在等离子体处理期间调整表面反应的动力模型的系统及方法 Download PDFInfo
- Publication number
- CN114190100A CN114190100A CN202080056206.XA CN202080056206A CN114190100A CN 114190100 A CN114190100 A CN 114190100A CN 202080056206 A CN202080056206 A CN 202080056206A CN 114190100 A CN114190100 A CN 114190100A
- Authority
- CN
- China
- Prior art keywords
- dynamics model
- surface dynamics
- sample
- expected response
- parameters
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/20—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials
- G01N23/201—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by using diffraction of the radiation by the materials, e.g. for investigating crystal structure; by using scattering of the radiation by the materials, e.g. for investigating non-crystalline materials; by using reflection of the radiation by the materials by measuring small-angle scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
- G01B15/045—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures by measuring absorption
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/21—Polarisation-affecting properties
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/05—Investigating materials by wave or particle radiation by diffraction, scatter or reflection
- G01N2223/054—Investigating materials by wave or particle radiation by diffraction, scatter or reflection small angle scatter
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Electromagnetism (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Power Engineering (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Drying Of Semiconductors (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
根据本公开的一或多个实施例,公开一种系统。所述系统包含经配置以获取样本的一部分的一或多个测量的计量工具。所述系统包含控制器,其包含经配置以执行程序指令的一或多个处理器,所述程序指令致使所述一或多个处理器:基于表面动力模型产生表面动力模型输出;确定所述表面动力模型输出对通过偏振光的激发的预期响应;比较经确定预期响应与所述一或多个测量;基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量;调整所述表面动力模型的一或多个参数以产生经调整表面动力模型;及在等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
Description
相关申请案的交叉参考
本申请案根据35U.S.C.§119(e)主张名叫安库尔·阿加瓦尔(Ankur Agarwal)、查德·胡尔德(Chad Huard)、张毅婷(Yiting Zhang)、蒲海峰(Haifeng Pu)、李鑫(Xin Li)、普雷姆库马尔·潘内尔切尔瓦姆(Premkumar Panneerchelvam)及韩飞德(Fiddle Han)的发明者在2019年8月21日申请的标题为“用于在等离子体处理期间优化表面反应的动力模型的方法(METHOD TO OPTIMIZE MODEL OF KINETICS OF SURFACE REACTIONS DURINGPLASMA PROCESSING)的序列号为62/889,949的美国临时申请案的权益,所述案的全文以引用的方式并入本文中。
技术领域
本发明大体上涉及等离子体处理的领域,且更特定来说,涉及一种用于在等离子体处理期间调整表面动力模型以模拟样本上性能的系统及方法。
背景技术
微电子制造包含各种等离子体过程步骤。例如,样本可在制造期间曝露于数百个等离子体过程(例如,蚀刻、沉积、离子植入或类似者)。在这些过程期间,使用各种技术周期性地测量样本以特性化样本的特征、均匀性及规格。归因于每一等离子体过程的变化条件(例如,温度、功率及气体组合物),此类参数的特性化具有挑战性。
随着微电子制造中的特征的临界尺寸不断减小,开发实现特征的临界尺寸的不断缩小的过程的挑战增加。例如,开发可大规模制造的过程的时间连同相关联研究及开发成本一起增加。
因此,将期望提供一种应对上文识别的先前方法的缺点的系统及方法。
发明内容
根据本公开的一或多个实施例,公开一种系统。在一个实施例中,所述系统包含计量工具,所述计量工具经配置以获取样本的部分的一或多个测量。在另一实施例中,所述系统包含通信地耦合到所述计量工具的控制器,所述控制器包含经配置以执行程序指令的一或多个处理器,所述程序指令致使所述一或多个处理器:基于表面动力模型产生表面动力模型输出,所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行;确定所述表面动力模型输出对通过偏振光的激发的预期响应;比较所述经确定预期响应与从所述计量工具接收的所述样本的所述一或多个测量;基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量;基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型;及在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
根据本公开的一或多个实施例,公开一种方法。在一个实施例中,所述方法包含使用表面动力模型产生表面动力模型输出,所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行。在另一实施例中,所述方法包含确定所述表面动力模型输出对通过偏振光的激发的预期响应。在另一实施例中,所述方法包含比较所述经确定预期响应与从计量工具接收的样本的一或多个测量。在另一实施例中,所述方法包含基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量。在另一实施例中,所述方法包含基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型。在另一实施例中,所述方法包含在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
根据本公开的一或多个实施例,公开一种系统。在一个实施例中,所述系统包含计量工具,所述计量工具经配置以获取样本的部分的一或多个测量。在另一实施例中,所述系统包含通信地耦合到所述计量工具的控制器,所述控制器包含经配置以执行程序指令的一或多个处理器,所述程序指令致使所述一或多个处理器:基于表面动力模型产生表面动力模型输出,所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行;确定所述表面动力模型输出对通过偏振光的激发的预期响应;比较所述经确定预期响应与从所述计量工具接收的所述样本的所述一或多个测量;基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量;产生机器学习模型;训练所述机器学习模型;使用所述机器学习模型基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型;及在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
根据本公开的一或多个实施例,公开一种方法。在一个实施例中,所述方法包含使用表面动力模型产生表面动力模型输出,所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行。在另一实施例中,所述方法包含确定所述表面动力模型输出对通过偏振光的激发的预期响应。在另一实施例中,所述方法包含比较所述经确定预期响应与从计量工具接收的样本的一或多个测量。在另一实施例中,所述方法包含基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量。在另一实施例中,所述方法包含产生机器学习模型。在另一实施例中,所述方法包含训练所述机器学习模型。在另一实施例中,所述方法包含使用所述机器学习模型基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型。在另一实施例中,所述方法包含在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
应理解,以上一般描述及以下具体实施方式两者仅为示范性的且说明性的,且不一定限制如所主张的本发明。并入于本说明书中且构成本说明书的部分的附图说明本发明的实施例,且与一般描述一起用于说明本发明的原理。
附图说明
通过参考附图,所属领域的技术人员可更佳理解本公开的诸多优点,其中:
图1A说明根据本公开的一或多个实施例的用于调整表面动力模型的系统的简化框图。
图1B说明根据本公开的一或多个实施例的用于调整表面动力模型的系统的简化示意图。
图2说明描绘根据本公开的一或多个实施例的调整表面动力模型的方法的流程图。
图3A说明根据本公开的一或多个实施例的表面动力模型的示范性输出。
图3B说明根据本公开的一或多个实施例的表面动力模型的示范性输出。
图3C说明根据本公开的一或多个实施例的表面动力模型的示范性输出。
图3D说明根据本公开的一或多个实施例的表面动力模型的示范性输出。
图4是说明根据本公开的一或多个实施例的严格耦合波分析(RCWA)的迭代结果的曲线图。
图5是说明根据本公开的一或多个实施例的经测量响应与经确定预期响应的比较的曲线图。
图6说明描绘根据本公开的一或多个实施例的用于调整表面动力模型的方法的流程图。
图7说明描绘根据本公开的一或多个实施例的用于调整表面动力模型的方法的流程图。
具体实施方式
已关于特定实施例及其具体特征特别展示且描述本公开。本文中所陈述的实施例被视为说明性的而非限制性的。所属领域的一般技术人员应容易了解,可做出形式及细节上的各种改变及修改而不脱离本公开的精神及范围。
现将详细参考在附图中说明的所公开标的物。
样本处理包含各种等离子体过程步骤。例如,样本可在制造期间曝露于数百个等离子体过程(例如,蚀刻、沉积、离子植入或类似者)。可在此类离子体处理期间利用表面动力模型来模拟样本上性能。然而,表面动力模型并非预测性的,除非调整模型的参数。归因于制造期间所需的许多等离子体过程的变化条件(例如,温度、功率、气体组合物或类似者),参数的调整是一挑战。表面动力模型的参数的确定可需要使用等离子体处理的样本上性能的横截面图像来手动调整参数。另外,可以编程方式确定参数。这些常规方法需要横切样本而导致样本报废的计量技术。因此,所获得参数并非预测性的。
此外,随着微电子制造中的特征的临界尺寸不断减小,开发实现特征的临界尺寸的不断缩小的过程的挑战增加。例如,开发可大规模制造的过程的时间连同与其相关联的研究及开发成本一起增加。
因此,本公开的实施例涉及一种用于调整表面动力模型的系统及方法。更特定来说,本公开的实施例涉及一种用于基于从计量子系统获取的一或多个测量调整表面动力模型的系统及方法。明确来说,本公开的实施例涉及一种组合物理建模的功率及样本上的特征的非破坏性测量以收缩开发时间且降低与调整过程相关联的研究及开发成本的系统及方法。此外,本公开的实施例涉及一种用于使用物理模型来指导光学临界尺寸模型开发(相较于纯统计方法)的系统及方法。
本文中应注意,本公开的一或多个实施例可具有优于常规方法的若干优点。例如,本公开的一或多个实施例允许样本再使用及通过使用相同样本且处理多个层而建立合并模型(consolidated model)。通过另一实例,本公开的一或多个实施例防止建立通常耗费长时间来拟合光谱的光学临界尺寸模型的必要性。此外,本公开的一或多个实施例提供经调整表面动力模型的快速及自动产生。此外,本公开的一或多个实施例实现产生准确且预测性的表面动力模型。此外,本公开的一或多个实施例实现等离子体过程的加速研究及开发。
图1A说明根据本公开的一或多个实施例的用于调整表面动力模型的系统的简化框图。在一个实施例中,系统100包含计量子系统102。在另一实施例中,系统100包含控制器104,控制器104包含一或多个处理器106及存储器108。控制器104可包含或可通信地耦合到用户接口110。
本文中应注意,计量子系统102可包含所属领域中已知的任何计量子系统102,包含(但不限于)光学计量系统、基于带电粒子的计量系统或类似者。例如,计量子系统可包含(但不限于)光学临界尺寸(OCD)工具、临界尺寸扫描电子显微镜(CD-SEM)工具、透射电子显微镜(TEM)工具、横截面扫描电子显微镜(X-SEM)工具或类似者。
在另一实施例中,控制器104通信地耦合到计量子系统102。在此方面,控制器104的一或多个处理器106可经配置以从计量子系统102接收一或多个测量信号132。此经收集数据132可用于调整表面动力模型,此将在本文中进一步论述。另外,控制器104的一或多个处理器106可经配置以产生一或多个控制信号以调整计量子系统102的一或多个特性/参数。
在另一实施例中,系统100可进一步包含通信地耦合到控制器104的一或多个过程工具。一或多个过程工具可包含所属领域中已知的任何过程工具,包含(但不限于)光刻工具、蚀刻工具、沉积工具、抛光工具、扫描仪及类似者。例如,控制器104可经配置以产生经配置以在前馈或反馈环路中基于经调整表面动力模型调整一或多个过程工具的一或多个特性的一或多个控制信号。例如,控制器104的一或多个处理器106可经配置以产生到下游过程工具的一或多个控制信号。在另一例子中,控制器104的一或多个处理器106可经配置以产生到上游过程工具的一或多个控制信号。
图1B说明根据本公开的一或多个实施例的布置成反射计及/或椭偏仪配置的计量子系统102的简化示意图。
在一个实施例中,计量子系统102包含照明源112、照明臂114、集光臂116及检测器组合件118。来自照明源112的照明101可经由照明臂114引导到样本120。
计量子系统102可经配置以经由集光臂116收集从样本发出的照明。照明臂114路径可包含适于修改及/或调节照明101的一或多个光学元件122。例如,一或多个光学元件122可包含(但不限于)一或多个偏振器、一或多个滤光片、一或多个光束分离器、一或多个漫射体、一或多个均质器、一或多个变迹器、一或多个光束整形器、一或多个透镜或其任何组合。
照明臂114可利用第一聚焦元件124来将照明101(例如,光束)聚焦及/或引导到样本120上。在一些实施例中,样本120安置于载物台组合件126上以促进样本120的移动。在一些实施例中,载物台组合件126是可致动载物台。例如,载物台组合件126可包含(但不限于)适于选择性地使样本120沿着一或多个线性方向(例如,x方向、y方向及/或z方向)平移的一或多个平移载物台。通过另一实例,载物台组合件126可包含(但不限于)适于选择性地使样本120沿着旋转方向旋转的一或多个旋转载物台。通过另一实例,载物台组合件126可包含(但不限于)适于选择性地使样本120沿着线性方向平移及/或沿着旋转方向旋转的旋转载物台及平移载物台。本文中应注意,系统100可在所属领域中已知的任何扫描模式中操作。
集光臂116可包含用于收集来自样本120的照明的第二聚焦元件128。在另一实施例中,检测器组合件118经配置以通过集光臂116捕获从样本120发出的照明。例如,检测器组合件118可接收从样本120反射或散射(例如,经由镜面反射、漫反射及类似者)的照明。通过另一实例,检测器组合件118可接收由样本120产生的照明(例如,与照明101的吸收相关联的发光及类似者)。应注意,检测器组合件118可包含所属领域中已知的任何传感器及检测器组合件。传感器可包含(但不限于)电荷耦合装置(CCD检测器)、互补金属氧化物半导体(CMOS)检测器、时间延迟积分(TDI)检测器、光电倍增管(PMT)、崩溃光电二极管(APD)及类似者。
在另一实施例中,控制器104可获取样本120的一或多个测量。例如,控制器104可经配置以收集样本120的计量测量。
集光臂116可进一步包含用于引导及/或修改由第二聚焦元件128收集的照明的集光光学器件130,包含(但不限于)一或多个透镜、一或多个滤光片、一或多个偏振器或一或多个相位板。
如在本公开各处使用,术语“样本”大体上指代由半导体或非半导体材料形成的衬底(例如,晶片、分划板或类似者)。例如,半导体或非半导体材料可包含(但不限于)单晶硅、砷化镓及磷化铟。样本可包含一或多个层。例如,此类层可包含(但不限于)抗蚀剂、电介质材料、导电材料及半导电材料。许多不同类型的此类层在所属领域中已知,且如本文中使用的术语样本希望涵盖其上可形成全部类型的此类层的样本。形成于样本上的一或多个层可经图案化或未经图案化。例如,样本可包含各自具有可重复图案化特征的多数裸片。此类材料层的形成及处理最终可导致完成装置。许多不同类型的装置可形成于样本上,且如本文中使用的术语希望涵盖其上制造所属领域中已知的任何类型的装置的样本。此外,为了本公开的目的,术语样本及晶片应被解释为可互换的。
图2说明描绘根据本公开的一或多个实施例的用于调整表面动力模型的方法200的流程图。特定来说,图2说明用于使用来自计量工具(例如,图1A到1B中所展示的计量子系统102)的一或多个测量调整表面动力模型的流程图200。在此方面,流程图200可被视为一概念流程图,其说明通过控制器104的一或多个处理器106执行或在控制器104的一或多个处理器106内执行的步骤。
在步骤202中,系统100经配置以基于一或多个参数(pn)的初始猜测运行表面动力模型。例如,控制器104的一或多个处理器106可经配置以运行表面动力模型。在一个实施例中,系统100经配置以基于在步骤202中使用的一或多个参数针对一或多个特征(i)的每一特征产生表面动力模型输出(CDn,i)。例如,控制器104的一或多个处理器106可经配置以产生表面动力模型输出。
在一个实施例中,如图3A到3D中展示,在步骤202中运行的表面动力模型可产生描述在一或多个等离子体过程期间产生的特征的形状的轮廓。在另一实施例中,在步骤202中运行的表面动力模型可产生经配置以允许样本上的特征的形状的重建的一或多个临界形状参数。尽管图3A到3D说明一维轮廓,但本文中应注意,特征的形状可为二维或三维形状。因此,上文描述不应被认为是对本公开的范围的限制,而是仅为说明。
在步骤204中,系统100经配置以利用表面动力模型输出(CDn,i)来确定表面动力模型输出对通过偏振光的激发的预期响应。例如,控制器104的一或多个处理器106经配置以确定预期响应。在一个实施例中,可使用傅立叶(Fourier)空间法来确定经确定预期响应。例如,可使用严格耦合波分析(RCWA)来确定经确定预期响应。在此方面,傅立叶空间法(例如,RCWA)的经确定预期响应可表示为依据所利用的光的波长而变化的空间谐波的总和。在另一实施例中,可使用有限元素法来确定经确定预期响应。在另一实施例中,可使用边界元素法来确定经确定预期响应。
在另一实施例中,可使用小角度x射线散射技术来确定经确定预期响应。例如,可通过按一或多个样本旋转角产生一或多个散射图像而确定经确定预期响应。例如,可使用x射线来产生一或多个散射图像,使得可产生一或多个小角度x射线散射图像。可使用所属领域中已知的任何方法来产生一或多个小角度x射线散射图像,包含(但不限于)掠入射小角度x射线散射、临界尺寸小角度x射线散射、掠入射透射小角度x射线散射、软x射线散射或类似者。本文中应注意,可按所属领域中已知的任何样本旋转角产生一或多个散射图像。
本文中应注意,表面动力模型对通过偏振光的激发的经确定预期响应可配置为反射配置或透射配置。
在另一实施例中,系统100经配置以使用计量工具的照明源(例如,图1B中所展示的计量子系统102的照明源112)来用偏振光激发样本。在另一实施例中,系统100经配置以收集样本对运用偏振光的激发的经测量响应。例如,控制器104可经配置以收集由计量子系统102获取的样本的经测量响应。
在步骤206中,系统100经配置以比较在步骤204中确定的经确定预期响应与从计量工具接收的样本的经测量响应。例如,控制器104的一或多个处理器106可经配置以比较经确定预期响应与从计量工具获取的经测量响应。
在另一实施例中,系统100经配置以基于经确定预期响应与经测量响应之间的比较产生一或多个度量。例如,控制器104的一或多个处理器106可经配置以基于经确定预期响应与经测量响应之间的比较产生一或多个度量。在另一实施例中,一或多个度量经配置以描述经确定预期响应与经测量响应的偏差。例如,一或多个度量可包含经测量响应与经确定预期响应之间的偏差的正规化平方和。例如,一或多个度量可包含用于描述经测量响应与经确定预期响应之间的差异的拟合优度。在另一例子中,一或多个度量可包含经测量响应与经确定预期响应之间的偏差的最小平方和。可利用所属领域中已知的任何统计度量来描述经测量响应与经确定预期响应之间的差异,因此,上文论述不应被解释为限制本公开的范围。
在步骤208中,系统100经配置以基于一或多个度量调整表面动力模型的一或多个参数(Pn)以产生经调整表面动力模型。例如,系统100可经配置以基于一或多个度量调整表面动力模型的第一参数P1。通过另一实例,系统100可经配置以基于一或多个度量调整表面动力模型的第二参数P2。本文中应注意,系统100可经配置以调整多达N个参数Pn。例如,待调整的参数的数目可在从1到1000的范围内。因此,上文描述不应解释为对本公开的范围的限制。
在另一实施例中,系统100经配置以基于一或多个经调整参数产生经调整表面动力模型。例如,可调整表面动力模型的一或多个参数直到实现收敛。例如,可基于一或多个度量低于阈值容限值来定义收敛。在此方面,阈值容限值可在1x10-10到5000之间。在此实例中,可调整表面动力模型直到一或多个度量低于阈值(例如,1x10-10及5000)。本文中应注意,可基于所特性化的过程的复杂性来调整阈值容限水平。
在步骤210中,系统100经配置以在样本的等离子体处理期间应用经调整表面动力模型以模拟样本上性能。例如,控制器104的一或多个处理器106可经配置以在样本120的等离子体处理期间应用经调整表面动力模型以模拟样本上性能。
图3A到3D说明根据本公开的一或多个实施例的表面动力模型的示范性输出。图3A说明输出300。图3B说明输出310。图3C说明输出320。图3D说明输出330。
一或多个输出300、310、320、330可包含一或多个形状描述参数(CDn,i)。例如,一或多个输出300、310、320、330可包含第一形状描述参数CD1,i。通过另一实例,一或多个输出300、310、320、330可包含第二形状描述参数CD2,i。一或多个输出300、310、320、330可包含多达N个形状描述参数CDn,i。
此外,本文中应注意,表面动力模型的输出可并非轮廓本身,而是可为实现重建的形状描述参数的清单,因此,图3A到3D中所展示的输出300、310、320、330不应被解释为限制本公开的范围,而是为了说明性目的而提供。
图4是说明根据本公开的一或多个实施例的严格耦合波分析(RCWA)的迭代结果的曲线图400。特定来说,图4说明曲线图400,其包含相较于从计量工具(例如,如图1A到1B中所展示的计量子系统102)接收的样本的经测量响应402的步骤202的RCWA响应的迭代结果。随着模型参数Pn变化,RCWA响应从在迭代1 404处建模(建模响应404)演进到在迭代n 406处建模(建模响应406),在迭代n 406处,基于经测量响应402与建模响应406的比较,模型被视为收敛。
图5是说明根据本公开的一或多个实施例的经测量响应与经确定建模响应的比较的曲线图500。特定来说,图5说明曲线图500,其说明建模响应与低于阈值506的测量度量的偏差。随着模型参数Pn变化,将建模响应404、406与经测量响应402之间的偏差量化为偏差502。在迭代n 504处,偏差502低于阈值506且迭代过程被视为收敛。
在另一实施例中,在迭代n 504之前,可执行步骤208(如图2中所展示)。例如,系统100可经配置以调整表面动力模型的一或多个参数Pn。在另一实施例中,在迭代n504处,可执行步骤210(如图2中所展示)。例如,系统100可经配置以在样本的等离子体处理期间应用经调整表面动力模型以模拟样本上性能。
图6说明描绘根据本公开的一或多个实施例的用于调整表面动力模型的方法600的流程图。应注意,本文中先前在系统100的上下文中描述的实施例及实现技术应被解释为扩展到方法600。在此方面,方法600的步骤可通过系统100来实行,且方法600可进一步包含系统100的架构所需要或暗示的一或多个步骤。然而,方法600不限于系统100的架构,且应认识到,方法600或其部分的一或多个步骤可用替代系统组件及/或架构来实行。此外,方法600的步骤可以任何顺序实行,除非本文中另有指定。
在步骤602中,使用表面动力模型产生表面动力模型输出。例如,可通过控制器104的一或多个处理器106产生表面动力模型输出。通过另一实例,表面动力模型可基于表面动力模型的一或多个参数的初始猜测运行。例如,基于一或多个参数的初始猜测的表面动力模型可在控制器104的一或多个处理器106上运行。在一个实施例中,表面动力模型输出包含经配置以描述样本的特征的形状的轮廓。在另一实施例中,表面动力模型输出包括经配置以允许样本的特征的形状的重建的一或多个临界形状参数。
本文中应注意,表面动力模型可在跨样本的一或多个位点上同时运行。例如,表面动力模型可在跨样本的一或多个位点上针对样本上的一或多个特征的每一特征运行。可离散地确定一或多个位点。此外,可使用经配置以指导确定的算法来确定一或多个位点。
此外,本文中应注意,一或多个初始猜测参数可基于样本上的一或多个特征而变化。例如,一或多个参数的一或多个形状参数可基于样本上的一或多个特征而变化。
在步骤604中,确定表面动力模型输出对通过偏振光的激发的预期响应。通过偏振光的激发可配置为反射或透射配置。在一个实施例中,使用傅立叶空间法来确定预期响应。例如,可执行严格耦合波分析(RCWA)使得将经确定预期响应表示为空间谐波的总和。
在另一实施例中,按一或多个样本旋转角产生一或多个小角度x射线散射图像。例如,使用掠入射小角度x射线散射、临界尺寸小角度x射线散射、掠入射透射小角度x射线散射、软x射线散射或类似者来产生一或多个小角度x射线图像。
在另一实施例中,通过利用表面动力模型的一或多个额外参数而确定经确定预期响应。例如,一或多个额外参数可与层的色散(n,k)或厚度有关。例如,层的色散或厚度可与主要材料及/或在主要材料下方的材料有关。此外,一或多个额外参数可为额外形状参数。为了本公开的目的,术语“额外参数”指代先前未由表面动力模型使用(例如,未在步骤602的初始猜测期间使用)的参数。在此实施例中,可使用迭代优化以导出光学临界参数(OCD)参数的最佳组合以最小化经确定估计响应与经测量响应之间的偏差。
在步骤606中,比较经确定预期响应与从计量工具接收的样本的一或多个测量。例如,计量子系统(例如,图1A到1B中所展示的计量子系统102)可经配置以获取样本的一或多个测量。在此方面,可从系统100的控制器104获取样本的一或多个测量。在此实例中,一或多个计量子系统可经配置以获取样本上的一或多个测量。更特定来说,第一计量子系统可用于获取第一测量且第二计量子系统可用于获取第二测量。明确来说,来自OCD计量工具的一或多个光学临界尺寸测量可与来自临界尺寸扫描电子显微镜(CD-SEM)工具的一或多个CD-SEM测量组合使用。此处应注意,一或多个计量工具可包含所属领域中已知的任何计量工具,包含(但不限于)光学临界尺寸(OCD)工具、临界尺寸扫描电子显微镜(CD-SEM)工具、透射电子显微镜(TEM)工具、横截面扫描电子显微镜(X-SEM)工具或经配置以获取所达N个测量的类似者。
在步骤608中,基于经确定预期响应与样本的一或多个测量之间的比较产生一或多个度量。例如,控制器104的一或多个处理器106可经配置以产生一或多个度量。例如,可产生样本的一或多个测量与经确定预期响应之间的偏差的正规化平方和。在另一例子中,可产生用于描述样本的一或多个测量与经确定预期响应之间的差异的拟合优度。在又一例子中,可产生样本的一或多个测量与经确定预期响应之间的偏差的最小平方和。
在步骤610中,基于步骤608的一或多个度量调整表面动力模型的一或多个参数以产生经调整表面动力模型。经调整表面动力模型可经配置以产生经调整表面动力模型输出。例如,控制器104的一或多个处理器106可经配置以基于一或多个经调整参数产生经调整表面动力模型。
在另一实施例中,调整表面动力模型的一或多个参数直到实现收敛。例如,可基于一或多个度量低于阈值容限值来定义收敛。在此方面,阈值容限值可在1x10-10到5000之间。在此实例中,可调整表面动力模型直到一或多个度量低于阈值(例如,1x10-10及5000)。本文中应注意,可基于所特性化的过程的复杂性来调整阈值容限水平。
在另一实施例中,使用迭代优化算法以调整表面动力模型的一或多个参数。例如,梯度下降法可经配置以寻找一或多个度量的最小值。在另一实施例中,使用随机梯度下降法来调整梯度下降法。随机梯度下降法可经配置以随机选择样本以评估梯度。
在步骤612中,在样本的等离子体处理期间应用经调整表面动力模型以模拟样本上性能。例如,控制器104的一或多个处理器106可经配置以在样本120的等离子体处理期间应用经调整表面动力模型以模拟样本上性能。
在任选步骤中,一或多个控制信号经配置以基于经调整表面动力模型选择性地调整一或多个过程工具的一或多个特性。例如,系统100可进一步包含通信地耦合到控制器104的一或多个过程工具。一或多个过程工具可包含所属领域中已知的任何过程工具,包含(但不限于)光刻工具、蚀刻工具、沉积工具、抛光工具、扫描仪及类似者。继续相同实例,控制器104可经配置以产生经配置以在前馈或反馈环路中基于经调整表面动力模型调整一或多个过程工具的一或多个特性的一或多个控制信号。
在任选步骤中,一或多个控制信号经配置以基于经调整表面动力模型选择性地调整计量子系统102的一或多个特性。
图7说明根据本公开的一或多个实施例的用于调整表面动力模型的方法700的流程图。应注意,本文中先前在系统100的上下文中描述的实施例及实现技术应被解释为扩展到方法700。在此方面,方法700的步骤可通过系统100实行,且方法700可进一步包含系统100的架构所需要或暗示的一或多个步骤。然而,方法700不限于系统100的架构,且应认识到,方法700或其部分的一或多个步骤可用替代系统组件及/或架构来实行。此外,方法700的步骤可以任何顺序实行,除非本文中另有指定。
在步骤702中,使用表面动力模型产生表面动力模型输出。例如,控制器104的一或多个处理器106可经配置以使用表面动力模型产生表面动力模型输出。例如,表面动力模型可基于表面动力模型的一或多个参数的初始猜测运行。在一个实施例中,表面动力模型输出包含经配置以描述样本的特征的形状的轮廓。在另一实施例中,表面动力模型输出包括经配置以允许样本的特征的形状的重建的一或多个临界形状参数。
在步骤704中,确定表面动力模型输出对通过偏振光的激发的预期响应。通过偏振光的激发可配置为反射或透射配置。在一个实施例中,使用傅立叶空间法来确定预期响应。例如,可执行严格耦合波分析(RCWA)使得将经确定预期响应表示为空间谐波的总和。
在另一实施例中,按一或多个样本旋转角产生一或多个小角度x射线散射图像。例如,使用掠入射小角度x射线散射、临界尺寸小角度x射线散射、掠入射透射小角度x射线散射、软x射线散射或类似者来产生一或多个小角度x射线图像。
在步骤706中,比较经确定预期响应与从计量工具接收的样本的一或多个测量。例如,计量子系统(例如,图1A到1B中所展示的计量子系统102)可经配置以获取样本的一或多个测量。在此方面,可从系统100的控制器104获取样本的一或多个测量。计量工具可包含所属领域中已知的任何计量工具,包含(但不限于)光学临界尺寸(OCD)工具、临界尺寸扫描电子显微镜(CD-SEM)工具、透射电子显微镜(TEM)工具、横截面扫描电子显微镜(X-SEM)工具或类似者。
在步骤708中,基于经确定预期响应与样本的一或多个测量之间的比较产生一或多个度量。例如,可产生样本的一或多个测量与经确定预期响应之间的偏差的正规化平方和。
通过另一实例,可产生用于描述样本的一或多个测量与经确定预期响应之间的差异的拟合优度。通过另一实例,可产生样本的一或多个测量与经确定预期响应之间的偏差的最小平方和。
在步骤710中,产生机器学习模型。在一个实施例中,控制器104可经配置以产生可用于调整表面动力模型的机器学习模型。控制器104可经配置以经由所属领域中已知的任何技术(包含(但不限于)监督式学习、非监督式学习及类似者)产生机器学习模型。
本文中应注意,在步骤710中产生的机器学习模型可包含所属领域中已知的任何类型的机器学习算法及/或深度学习技术,包含(但不限于)卷积神经网络(CNN)、人工神经网络(ANN)、生成对抗网络(GAN)及类似者。通过另一实例,机器学习模型可包含深度卷积神经网络。例如,在一些实施例中,机器学习可包含ALEXNET及/或GOOGLENET。在此方面,机器学习算法、分类器或预测模型经配置以调整表面动力模型。
在步骤712中,训练在步骤710中产生的机器学习模型。例如,可使用来自表面动力模型的先前产生合成数据及对所产生的输出的RCWA响应来训练机器学习模型。其它训练技术(例如预标记、特征提取及类似者)同样适用。
在步骤714中,使用机器学习模型基于一或多个度量调整表面动力模型的一或多个参数以产生经调整表面动力模型。
在步骤716中,在样本的等离子体处理期间应用经调整表面动力模型以模拟样本上性能。
本文中应注意,使用机器学习模型来调整表面动力模型可允许更快地产生经调整参数。
此外,本文中应注意,可在步骤704中使用机器学习模型。例如,可使用机器学习模型来确定对通过偏振光的激发的预期响应。在此方面,机器学习模型可取代傅立叶空间法(例如,RCWA)或SAXS以校准样本上的经测量结构。
本文中应注意,系统100的一或多个组件可以所属领域中已知的任何方式通信地耦合到系统100的各种其它组件。例如,一或多个处理器106可经由有线连接(例如,铜线、光纤缆线及类似者)或无线连接(例如,RF耦合、IR耦合、WiMax、蓝牙、3G、4G、4G LTE、5G及类似者)彼此通信地耦合且耦合到其它组件。通过另一实例,控制器104可经由所属领域中已知的任何有线或无线连接通信地耦合到计量子系统102的一或多个组件。
在一个实施例中,一或多个处理器106可包含所属领域中已知的任一或多个处理元件。在此意义上,一或多个处理器106可包含经配置以执行软件算法及/或指令的任何微处理器型装置。在一个实施例中,一或多个处理器106可由桌面计算机、主计算机系统、工作站、图像计算机、并行处理器或经配置以执行程序(其经配置以操作系统100,如在本公开各处描述)的其它计算机系统(例如,网络计算机)组成。应认识到,在本公开各处描述的步骤可通过单个计算机系统或替代地多个计算机系统来实行。此外,应认识到,在本公开各处描述的步骤可在一或多个处理器106的任一或多者上实行。一般来说,术语“处理器”可广泛定义为涵盖具有执行来自存储器108的程序指令的一或多个处理元件的任何装置。此外,系统100的不同子系统(例如,照明源112、检测器组合件118、控制器104、用户接口110及类似者)可包含适于实行在本公开各处描述的步骤的至少一部分的处理器或逻辑元件。因此,上文描述不应解释为对本公开的限制,而是仅为说明。
存储器108可包含所属领域中已知的适于存储可由一或多个相关联处理器106执行的程序指令及从计量子系统102接收的数据的任何存储媒体。例如,存储器108可包含非暂时性存储器媒体。例如,存储器108可包含(但不限于)只读存储器(ROM)、随机存取存储器(RAM)、磁性或光学存储器装置(例如,磁盘)、磁带、固态硬盘及类似者。进一步应注意,存储器108可与一或多个处理器106一起容置于共同控制器外壳中。在替代实施例中,存储器108可相对于处理器106、控制器104及类似者的物理位置远程地定位。在另一实施例中,存储器108维持用于致使一或多个处理器106实行在本公开各处描述的各种步骤的程序指令。
在一个实施例中,用户接口110通信地耦合到控制器104。在一个实施例中,用户接口110可包含(但不限于)一或多个桌面计算机、平板计算机、智能电话、智能手表或类似者。在另一实施例中,用户接口110包含用于将系统100的数据显示给用户的显示器。用户接口110的显示器可包含所属领域中已知的任何显示器。例如,显示器可包含(但不限于)液晶显示器(LCD)、基于有机发光二极管(OLED)的显示器或CRT显示器。所属领域的技术人员应认识到,能够与用户接口110集成的任何显示器装置适用于本公开中的实施方案。在另一实施例中,用户可响应于显示给用户的数据而经由用户接口110的用户输入装置输入选择及/或指令。
所属领域的技术人员将认识到,为概念清楚起见,将本文中所描述的组件(例如,操作)、装置、对象及伴随其论述用作实例,且考虑各种配置修改。因此,如本文中所使用,所陈述的特定范例及随附论述希望代表其更一般类别。一般来说,使用任何特定范例希望代表其类别,且未包含特定组件(例如,操作)、装置及对象不应被视为限制性的。
所属领域的技术人员将了解,存在可实现本文中所描述的过程及/或系统及/或其它技术的各种载体(例如,硬件、软件及/或固件),且优选载体将随着其中部署过程及/或系统及/或其它技术的上下文而变化。例如,如果实施者确定速度及准确度是最重要的,那么实施者可选择主要硬件及/或固件载体;替代地,如果灵活性是最重要的,那么实施者可选择主要软件实施方案;或者,再次替代地,实施者可选择硬件、软件及/或固件的某一组合。因此,存在可实现本文中所描述的过程及/或装置及/或其它技术的数种可能载体,其任何者本质上并不优于其它者,这是因为待利用的任何载体取决于其中将部署载体的上下文及实施者的特定考虑因素(例如,速度、灵活性或可预测性)的选择,所述上下文及考虑因素的任何者可能变化。
呈现先前描述以使所属领域的一般技术人员能够制造且使用如在特定应用及其要求的上下文中提供的本发明。如本文中所使用,例如“顶部”、“底部”、“上方”、“下方”、“上”、“向上”、“下”、“向下”及“往下”的方向性术语希望为描述的目的而提供相对位置,且并不希望指定绝对参考系。所属领域的技术人员将明白对所描述实施例的各种修改,且本文中定义的一般原理可应用于其它实施例。因此,本发明并不希望限于所展示及描述的特定实施例,而是应符合与本文中所公开的原理及新颖特征一致的最广范围。
关于本文中对基本上任何复数及/或单数术语的使用,所属领域的技术人员可视上下文及/或应用从复数转化成单数及/或从单数转化成复数。为清楚起见,本文中未明确陈述各种单数/复数置换。
本文中所描述的所有方法可包含将方法实施例的一或多个步骤的结果存储于存储器中。结果可包含本文中所描述的任何结果且可依所属领域中已知的任何方式存储。存储器可包含本文中所描述的任何存储器或所属领域中已知的任何其它适合存储媒体。在已存储结果之后,结果可在存储器中存取且通过本文中所描述的任何方法或系统实施例使用、经格式化用于显示给用户、通过另一软件模块、方法或系统使用,及类似者。此外,结果可“永久地”、“半永久地”、“暂时地”存储或存储达某一时段。例如,存储器可为随机存取存储器(RAM),且结果可能不一定无限期地保存于存储器中。
进一步考虑,上文所描述的方法的实施例中的每一者可包含本文中所描述的任何其它方法的任何其它步骤。另外,上文所描述的方法的实施例中的每一者可通过本文中所描述的任何系统执行。
本文中描述的标的物有时说明含于其它组件内或与其它组件连接的不同组件。应理解,此类所描绘的架构仅为示范性的,且事实上可实施实现相同功能性的许多其它架构。在概念意义上,用于实现相同功能性的组件的任何布置经有效“相关联”使得实现所要功能性。因此,在本文中组合以实现特定功能性的任两个组件可被视为彼此“相关联”使得实现所要功能性,而不考虑架构或中间组件。同样地,如此相关联的任两个组件亦可被视为彼此“连接”或“耦合”以实现所要功能性,且能够如此相关联的任两个组件也可被视为彼此“可耦合”以实现所要功能性。可耦合的特定实例包含(但不限于)可物理配合及/或物理互动组件及/或可无线互动及/或无线互动组件及/或逻辑互动及/或可逻辑互动组件。
此外,应理解,本发明由随附权利要求书定义。所属领域的技术人员将理解,一般来说,在本文中且尤其是在随附权利要求书(例如,随附权利要求书的主体)中所使用的术语一般希望作为“开放式”术语(例如,术语“包含(including)”应被解释为“包含(但不限于)”,术语“具有”应被解释为“至少具有”,术语“包含(includes)”应被解释为“包含(但不限于)”,等等)。所属领域的技术人员进一步将理解,如果想要引入权利要求叙述的特定数目,那么此意图将明确叙述于权利要求中,且在缺乏此叙述的情况下不存在此意图。例如,作为理解的辅助,下文随附权利要求书可含有引导性词组“至少一个”及“一或多个”的使用于引入权利要求叙述。然而,此类词组的使用不应被解释为隐含通过不定冠词“一”或“一个”引入权利要求叙述将含有此引入权利要求叙述的任何特定权利要求限制为含有仅一个此叙述的发明,即使相同权利要求包含引导性词组“一或多个”或“至少一个”及例如“一”或“一个”的不定冠词(例如,“一”及/或“一个”通常应被解释为意指“至少一个”或“一或多个”);上述内容对用于引入权利要求叙述的定冠词的使用同样适用。另外,即使明确叙述引入权利要求叙述的特定数目,所属领域的技术人员仍将认识到,此叙述通常应被解释为意指至少所述叙述数目(例如,“两个叙述”的裸叙述(无其它修饰语)通常意指至少两个叙述或两个或更多个叙述)。此外,在其中使用类似于“A、B及C中的至少一者及类似者”的惯例的例子中,此构造一般希望为所属领域的技术人员将理解所述惯例的意义(例如,“具有A、B及C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统,等等)。在其中使用类似于“A、B或C中的至少一者及类似者”的惯例的例子中,此构造一般希望为所属领域的技术人员将理解所述惯例的意义(例如,“具有A、B或C中的至少一者的系统”将包含(但不限于)仅具有A、仅具有B、仅具有C、同时具有A及B、同时具有A及C、同时具有B及C及/或同时具有A、B及C的系统,等等)。所属领域的技术人员进一步将理解,无论在描述、权利要求书或图式中,呈现两个或更多个替代项的实际上任何转折词及/或词组应被理解为考虑包含以下的可能性:所述项中的一者、所述项中的任一者或两项。例如,词组“A或B”通常将被理解为包含“A”或“B”或“A及B”的可能性。
据信,通过前述描述将理解本公开及其许多伴随优点,且将明白,可对组件的形式、构造及布置作出各种改变而不脱离所公开的标的物或不牺牲所有其材料优点。所描述的形式仅为说明性的,且下文权利要求书的意图是涵盖且包含此类改变。此外,应理解,本发明由随附权利要求书定义。
Claims (46)
1.一种系统,其包括:
计量工具,其中所述计量工具经配置以获取样本的一部分的一或多个测量;及
控制器,其通信地耦合到所述计量工具,所述控制器包含经配置以执行程序指令的一或多个处理器,所述程序指令致使所述一或多个处理器:
基于表面动力模型产生表面动力模型输出,其中所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行;
确定所述表面动力模型输出对通过偏振光的激发的预期响应;
比较经确定预期响应与从所述计量工具接收的所述样本的所述一或多个测量;
基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量;
基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型;及
在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
2.根据权利要求1所述的系统,其中所述控制器进一步经配置以:
产生经配置以基于所述经调整表面动力模型选择性地调整一或多个制程工具的一或多个特性的一或多个控制信号。
3.根据权利要求1所述的系统,其中所述产生经调整表面动力模型包括:
基于一或多个经调整参数产生经调整表面动力模型输出直到实现收敛,其中所述收敛是基于所述一或多个度量低于阈值容限值而定义。
4.根据权利要求3所述的系统,其中所述阈值容限值在1x10-10到5000之间。
5.根据权利要求1所述的系统,其中所述计量工具包括以下中的至少一者:
光学临界尺寸(OCD)工具、临界尺寸扫描电子显微镜(CD-SEM)工具、透射电子显微镜(TEM)工具或横截面扫描电子显微镜(X-SEM)工具。
6.根据权利要求1所述的系统,其中所述表面动力模型输出包括经配置以描述所述样本的特征的形状的轮廓。
7.根据权利要求1所述的系统,其中所述表面动力模型输出包括经配置以允许所述样本的特征的形状的重建的一或多个临界形状参数。
8.根据权利要求1所述的系统,其中通过所述偏振光的所述激发配置为反射配置或透射配置中的至少一者。
9.根据权利要求1所述的系统,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应包括:
执行傅立叶空间法。
10.根据权利要求9所述的系统,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应包括:
执行严格耦合波分析。
11.根据权利要求10所述的系统,其中所述经确定预期响应被表示为依据所利用的所述偏振光的波长而变化的空间谐波的总和。
12.根据权利要求1所述的系统,其中所述一或多个度量包括以下中的至少一者:
所述样本的所述一或多个测量与所述经确定预期响应之间的偏差的正规化平方和;用于描述所述样本的所述一或多个测量与所述经确定预期响应之间的差异的拟合优度;或所述样本的所述一或多个测量与所述经确定预期响应之间的所述偏差的最小平方和。
13.根据权利要求1所述的系统,其中所述基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型包括:
使用优化算法调整所述一或多个参数。
14.根据权利要求13所述的系统,其中所述优化算法包括:
梯度下降法,其中所述梯度法经配置以寻找所述一或多个度量中的最小值。
15.根据权利要求14所述的系统,其进一步包括:
使用随机梯度下降法来调整所述梯度法,其中所述随机梯度下降法经配置以随机选择样本以评估梯度。
16.根据权利要求1所述的系统,其中所述表面动力模型经配置以在跨所述样本的一或多个位点上同时运行。
17.根据权利要求1所述的系统,其中所述初始猜测的所述一或多个参数的一或多个形状参数基于所述样本上的一或多个特征而变化。
18.根据权利要求1所述的系统,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应进一步包括:
使用所述表面动力模型的一或多个额外参数确定所述经确定预期响应。
19.根据权利要求18所述的系统,其中所述一或多个额外参数包含色散或厚度中的至少一者。
20.根据权利要求1所述的系统,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应包括:
按一或多个样本旋转角产生一或多个小角度x射线散射图像。
21.根据权利要求20所述的系统,其中所述一或多个小角度x射线图像是使用以下中的至少一者产生:
掠入射小角度x射线散射、临界尺寸小角度x射线散射、掠入射透射小角度x射线散射或软x射线散射。
22.根据权利要求1所述的系统,其中所述控制器进一步经配置以:
产生机器学习模型;及
训练机器学习模型,其中利用经训练机器学习模型来基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型。
23.一种方法,其包括:
使用表面动力模型产生表面动力模型输出,其中所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行;
确定所述表面动力模型输出对通过偏振光的激发的预期响应;
比较经确定预期响应与从计量工具接收的样本的一或多个测量;
基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量;
基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型;及
在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
24.根据权利要求23所述的方法,其中所述产生经调整表面动力模型包括:
基于一或多个经调整参数产生经调整表面动力模型输出直到实现收敛,其中所述收敛是基于所述一或多个度量低于阈值容限值而定义。
25.根据权利要求24所述的方法,其中所述阈值容限值在1x10-10到5000之间。
26.根据权利要求23所述的方法,其中所述表面动力模型输出包括经配置以描述所述样本的特征的形状的轮廓。
27.根据权利要求23所述的方法,其中所述表面动力模型输出包括经配置以允许所述样本的特征的形状的重建的一或多个临界形状参数。
28.根据权利要求23所述的方法,其中通过所述偏振光的所述激发配置为反射配置或透射配置中的至少一者。
29.根据权利要求23所述的方法,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应包括:
执行傅立叶空间法。
30.根据权利要求29所述的方法,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应包括:
执行严格耦合波分析。
31.根据权利要求30所述的方法,其中所述经确定预期响应被表示为依据所利用的所述偏振光的波长而变化的空间谐波的总和。
32.根据权利要求23所述的方法,其中所述一或多个度量包括以下中的至少一者:
所述样本的所述一或多个测量与所述经确定预期响应之间的偏差的正规化平方和;用于描述所述样本的所述一或多个测量与所述经确定预期响应之间的差异的拟合优度;或所述样本的所述一或多个测量与所述经确定预期响应之间的所述偏差的最小平方和。
33.根据权利要求23所述的方法,其中所述基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型包括:
使用优化算法调整所述一或多个参数。
34.根据权利要求33所述的方法,其中所述优化算法包括:
梯度法,其中所述梯度法经配置以寻找所述一或多个度量中的最小值。
35.根据权利要求34所述的方法,其进一步包括:
使用随机梯度下降法调整所述梯度法,其中所述随机梯度下降法经配置以随机选择样本以评估梯度。
36.根据权利要求23所述的方法,其中所述计量工具包括以下中的至少一者:
光学临界尺寸(OCD)工具、临界尺寸扫描电子显微镜(CD-SEM)工具、透射电子显微镜(TEM)工具或横截面扫描电子显微镜(X-SEM)工具。
37.根据权利要求23所述的方法,其中所述表面动力模型经配置以在跨所述样本的一或多个位点上同时运行。
38.根据权利要求23所述的方法,其中所述初始猜测的所述一或多个参数的一或多个形状参数基于所述样本上的一或多个特征而变化。
39.根据权利要求23所述的方法,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应进一步包括:
使用所述表面动力模型的一或多个额外参数确定所述预期响应。
40.根据权利要求39所述的方法,其中所述一或多个额外参数包含色散或厚度中的至少一者。
41.根据权利要求23所述的方法,其中所述确定所述表面动力模型输出对通过偏振光的激发的预期响应包括:
按一或多个样本旋转角产生一或多个散射图像。
42.根据权利要求41所述的方法,其中所述一或多个散射图像包括一或多个小角度x射线图像。
43.根据权利要求42所述的方法,其中所述一或多个小角度x射线图像是使用以下中的至少一者产生:
掠入射小角度x射线散射、临界尺寸小角度x射线散射、掠入射透射小角度x射线散射或软x射线散射。
44.根据权利要求23所述的方法,其进一步包括:
产生机器学习模型;及
训练所述机器学习模型,其中利用经训练机器学习模型来基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型。
45.一种系统,其包括:
计量工具,其中所述计量工具经配置以获取样本的部分的一或多个测量;及
控制器,其通信地耦合到所述计量工具,所述控制器包含经配置以执行程序指令的一或多个处理器,所述程序指令致使所述一或多个处理器:
基于表面动力模型产生表面动力模型输出,其中所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行;
确定所述表面动力模型输出对通过偏振光的激发的预期响应;
比较经确定预期响应与从所述计量工具接收的所述样本的所述一或多个测量;
基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量;
产生机器学习模型;
训练所述机器学习模型;
使用所述机器学习模型基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生经调整表面动力模型;及
在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
46.一种方法,其包括:
使用表面动力模型产生表面动力模型输出,其中所述表面动力模型是基于所述表面动力模型的一或多个参数的初始猜测运行;
确定所述表面动力模型输出对通过偏振光的激发的预期响应;
比较经确定预期响应与来自计量工具的样本的一或多个测量;
基于所述经确定预期响应与所述样本的所述一或多个测量之间的所述比较产生一或多个度量;
产生机器学习模型;
训练所述机器学习模型;
使用所述机器学习模型基于所述一或多个度量调整所述表面动力模型的所述一或多个参数以产生调整表面动力模型;及
在所述样本的等离子体处理期间应用所述经调整表面动力模型以模拟样本上性能。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962889949P | 2019-08-21 | 2019-08-21 | |
US62/889,949 | 2019-08-21 | ||
US16/872,879 | 2020-05-12 | ||
US16/872,879 US11966203B2 (en) | 2019-08-21 | 2020-05-12 | System and method to adjust a kinetics model of surface reactions during plasma processing |
PCT/US2020/047085 WO2021034989A1 (en) | 2019-08-21 | 2020-08-20 | System and method to adjust a kinetics model of surface reactions during plasma processing |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114190100A true CN114190100A (zh) | 2022-03-15 |
Family
ID=74645683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080056206.XA Pending CN114190100A (zh) | 2019-08-21 | 2020-08-20 | 用于在等离子体处理期间调整表面反应的动力模型的系统及方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11966203B2 (zh) |
JP (1) | JP2022544804A (zh) |
KR (1) | KR20220050900A (zh) |
CN (1) | CN114190100A (zh) |
TW (1) | TW202209391A (zh) |
WO (1) | WO2021034989A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11761969B2 (en) * | 2020-01-21 | 2023-09-19 | Kla Corporation | System and method for analyzing a sample with a dynamic recipe based on iterative experimentation and feedback |
US11644412B2 (en) * | 2020-08-02 | 2023-05-09 | Aizhong Zhang | Thin film spectroellipsometric imaging |
US11869756B2 (en) * | 2021-06-17 | 2024-01-09 | Tokyo Electron Limited | Virtual metrology enhanced plasma process optimization method |
US20230306281A1 (en) * | 2022-02-09 | 2023-09-28 | Applied Materials, Inc. | Machine learning model generation and updating for manufacturing equipment |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10032681B2 (en) * | 2016-03-02 | 2018-07-24 | Lam Research Corporation | Etch metric sensitivity for endpoint detection |
US9972478B2 (en) | 2016-09-16 | 2018-05-15 | Lam Research Corporation | Method and process of implementing machine learning in complex multivariate wafer processing equipment |
US10534257B2 (en) * | 2017-05-01 | 2020-01-14 | Lam Research Corporation | Layout pattern proximity correction through edge placement error prediction |
US10727142B2 (en) * | 2017-05-30 | 2020-07-28 | Kla-Tencor Corporation | Process monitoring of deep structures with X-ray scatterometry |
GB2564404A (en) | 2017-07-06 | 2019-01-16 | Tokamak Energy Ltd | Machine learning in fusion reactors |
US20190049937A1 (en) | 2017-08-09 | 2019-02-14 | Lam Research Corporation | Methods and apparatuses for etch profile optimization by reflectance spectra matching and surface kinetic model optimization |
JP7058129B2 (ja) | 2018-01-17 | 2022-04-21 | 株式会社日立ハイテク | プラズマ処理装置 |
-
2020
- 2020-05-12 US US16/872,879 patent/US11966203B2/en active Active
- 2020-08-20 JP JP2022510124A patent/JP2022544804A/ja active Pending
- 2020-08-20 WO PCT/US2020/047085 patent/WO2021034989A1/en active Application Filing
- 2020-08-20 CN CN202080056206.XA patent/CN114190100A/zh active Pending
- 2020-08-20 KR KR1020227006109A patent/KR20220050900A/ko unknown
- 2020-08-26 TW TW109129226A patent/TW202209391A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2021034989A1 (en) | 2021-02-25 |
US20210055699A1 (en) | 2021-02-25 |
US11966203B2 (en) | 2024-04-23 |
JP2022544804A (ja) | 2022-10-21 |
TW202209391A (zh) | 2022-03-01 |
KR20220050900A (ko) | 2022-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102313413B1 (ko) | 예측 계측 이미지를 이용한 계측 레시피 생성 | |
CN114190100A (zh) | 用于在等离子体处理期间调整表面反应的动力模型的系统及方法 | |
KR102220435B1 (ko) | 웨이퍼에 걸친 파라미터 변동들에 기초한 측정 모델 최적화 | |
TWI603052B (zh) | 產生最佳化量測配方之方法、系統及電腦可讀媒體 | |
US20180220518A1 (en) | Metrology Methods, Radiation Source, Metrology Apparatus and Device Manufacturing Method | |
TW201543003A (zh) | 以散射術量測為基礎之成像及關鍵尺寸度量 | |
TW201411089A (zh) | 用於結合x-射線及光學計量之模型建立及分析引擎 | |
JP7037632B2 (ja) | 効率的プロセスウィンドウ発見用ハイブリッド検査システム | |
US11880193B2 (en) | System and method for rendering SEM images and predicting defect imaging conditions of substrates using 3D design | |
US20210366103A1 (en) | Mode selection and defect detection training | |
KR102600372B1 (ko) | 계측 측정에 있어서 에러 감소를 위한 시스템 및 방법 | |
TW201643405A (zh) | 具有減少聚焦誤差靈敏度之光學度量 | |
WO2021021582A1 (en) | System and method for determining defects using physics-based image perturbations | |
JP7431969B2 (ja) | 簡略化モデルを用いるトモグラフィ依拠半導体計測 | |
CN113348358B (zh) | 用于大量生产过程监视的宽松耦合检验及计量系统 | |
US10340196B1 (en) | Method and system for selection of metrology targets for use in focus and dose applications | |
US20090234687A1 (en) | Method of designing an optical metrology system optimized for operating time budget | |
US20090240537A1 (en) | Apparatus for designing an optical metrology system optimized for operating time budget | |
US20220075916A1 (en) | System and method for accelerating physical simulation models during microelectronic device fabrication | |
KR102684033B1 (ko) | 실시간 측정 제어를 위한 방법 및 시스템 | |
US20240142948A1 (en) | Methods And Systems For Monitoring Metrology Fleet Productivity | |
TW202424475A (zh) | 使用基於機器學習之電磁回應模型的x射線散射測量之方法及系統 | |
TW202405967A (zh) | 基於脈絡之缺陷檢測 | |
KR20200123848A (ko) | 실시간 측정 제어를 위한 방법 및 시스템 |
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 |