CN114556219A - 使用预测模型的过程监控和调节 - Google Patents
使用预测模型的过程监控和调节 Download PDFInfo
- Publication number
- CN114556219A CN114556219A CN202080068272.9A CN202080068272A CN114556219A CN 114556219 A CN114556219 A CN 114556219A CN 202080068272 A CN202080068272 A CN 202080068272A CN 114556219 A CN114556219 A CN 114556219A
- Authority
- CN
- China
- Prior art keywords
- substrate
- geometry
- manufacturing process
- information
- stack
- 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
- 238000000034 method Methods 0.000 title claims abstract description 294
- 238000012544 monitoring process Methods 0.000 title abstract description 14
- 230000008569 process Effects 0.000 title description 153
- 239000000758 substrate Substances 0.000 claims abstract description 205
- 238000004519 manufacturing process Methods 0.000 claims abstract description 176
- 230000008859 change Effects 0.000 claims abstract description 61
- 238000005259 measurement Methods 0.000 claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims abstract description 33
- 239000004065 semiconductor Substances 0.000 claims description 87
- 230000003287 optical effect Effects 0.000 claims description 50
- 238000013528 artificial neural network Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 43
- 239000000463 material Substances 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 14
- 239000007787 solid Substances 0.000 claims description 4
- 238000000059 patterning Methods 0.000 description 88
- 230000005855 radiation Effects 0.000 description 80
- 239000010410 layer Substances 0.000 description 60
- 238000013461 design Methods 0.000 description 36
- 238000005286 illumination Methods 0.000 description 26
- 210000001747 pupil Anatomy 0.000 description 24
- 238000009826 distribution Methods 0.000 description 19
- 238000001459 lithography Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 239000000126 substance Substances 0.000 description 16
- 238000000151 deposition Methods 0.000 description 15
- 230000008021 deposition Effects 0.000 description 14
- 238000005530 etching Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000005457 optimization Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 13
- 239000013598 vector Substances 0.000 description 13
- 230000010287 polarization Effects 0.000 description 12
- 230000000670 limiting effect Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 238000005137 deposition process Methods 0.000 description 9
- 238000000206 photolithography Methods 0.000 description 9
- 238000007517 polishing process Methods 0.000 description 9
- 230000001537 neural effect Effects 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005498 polishing Methods 0.000 description 7
- 238000004630 atomic force microscopy Methods 0.000 description 6
- 230000003750 conditioning effect Effects 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 230000001066 destructive effect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 4
- 230000004075 alteration Effects 0.000 description 4
- 239000011248 coating agent Substances 0.000 description 4
- 238000000576 coating method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007654 immersion Methods 0.000 description 4
- 238000007493 shaping process Methods 0.000 description 4
- 238000010008 shearing Methods 0.000 description 4
- 229910052710 silicon Inorganic materials 0.000 description 4
- 239000010703 silicon Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 230000001143 conditioned effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 2
- 239000010408 film Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005405 multipole Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 201000009310 astigmatism Diseases 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 238000000399 optical microscopy Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012394 real-time manufacturing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G03F7/70605—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
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/68—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere for positioning, orientation or alignment
- H01L21/682—Mask-wafer alignment
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
描述一种用于监测制造过程的性能的方法。所述方法包括:接收传递与由所述制造过程所产生的衬底的几何形状有关的信息的一个或更多个输入信号;和利用预测模型、基于所述一个或更多个输入信号,确定所述制造过程中的变化。也描述一种用于预测与制造过程相关联的衬底几何形状的方法。所述方法包括:接收输入信息,所述输入信息包括衬底的几何形状信息和制造过程信息;和使用机器学习预测模型、基于所述输入信息,预测输出衬底几何形状。所述方法还包括调节所预测的输出衬底几何形状。所述调节包括:将所述输出衬底几何形状与相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型的预测结果进行比较;基于所述比较来产生损失函数;以及优化所述损失函数。
Description
相关申请的交叉引用
本申请要求于2019年10月2日递交的美国申请62/909,668的优先权,所述美国申请的全部内容通过引用并入本文中。
技术领域
本文中的描述总体涉及用于使用预测模型进行制造过程监控和调节的系统和方法。
背景技术
光刻投影设备可以用于(例如)集成电路(IC)的制造中。在这样的情况下,图案形成装置(例如,掩模)可以提供与IC(“设计布局”)的单层对应的图案,并且这种图案可以通过诸如穿过所述图案形成装置上的图案照射已涂覆有辐射敏感材料(“抗蚀剂”)层的(例如硅晶片)上的目标部分(例如包括一个或更多个管芯)的方法而被转印至所述衬底的所述目标部分上。通常,单个衬底包括由光刻投影设备连续地、一次一个目标部分地将所述图案转印到其上的多个相邻目标部分。在一种类型的光刻投影设备中,在一个操作中,整个图案形成装置上的图案被转印到一个目标部分上。这种设备通常被称作步进器。在一种替代的设备(通常称为步进扫描设备)中,投影束沿给定的参考方向(“扫描”方向)在图案形成装置之上扫描,同时沿与所述参考方向平行或反向平行的方向同步移动衬底。图案形成装置上的图案的不同部分被逐渐地转印到一个目标部分上。因为通常光刻投影设备将具有缩减比率M(例如,4),所以衬底被移动的速率F将是投影束扫描图案形成装置的速率的1/M倍。可以例如从以引用方式并入本文中的US 6,046,792搜集到关于如本文中所描述的光刻装置的更多信息。
在将所述图案从图案形成装置转印至衬底之前,衬底可能经历各种工序,诸如涂底料、抗蚀剂涂覆以及软焙烤。在曝光之后,衬底可能经历其它工序(“曝光后工序”),诸如曝光后焙烤(PEB)、显影、硬焙烤以及对所转印的图案的测量/检查。这一系列的工序被用作为制造器件(例如IC)的单个层的基础。之后衬底可能经历各种过程,诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等,所有的这些过程都旨在最终完成器件的单个层。如果器件需要多个层,则针对每一层重复整个工序或其变形。最终,器件将设置在衬底上的每一目标部分中。之后通过诸如切片或切割等技术,将这些器件互相分开,据此单独的器件可以安装在载体上,连接至引脚等。
制造器件(诸如半导体器件)通常涉及使用多个制造过程来处理衬底(例如,半导体晶片)以形成器件的各种特征和多个层。这些层和特征通常使用例如淀积、光刻、蚀刻、化学机械抛光、和离子注入来制造和处理。可在衬底上的多个管芯上制造多个器件,且然后将其分成单独的器件。此器件制造过程可以被认为是图案化过程。图案化过程涉及图案形成步骤,诸如在光刻设备中使用图案形成装置的光学和/或纳米压印光刻,以将图案形成装置上的图案转印到衬底上,并且通常但可选地涉及到一个或更多个相关的图案处理步骤,诸如通过显影设备的抗蚀剂显影、使用烘焙工具的衬底烘焙、使用蚀刻设备而使用图案进行蚀刻等。另外,通常在所述图案化过程中涉及一个或更多个量测过程。
光刻是制造器件(诸如IC)中的步骤,其中,形成于衬底上的图案限定器件的功能元件,诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(MEMS)和其它器件。
随着半导体制造过程继续进步,几十年来,功能元件的尺寸已经不断地减小的同时每一个器件的功能元件(诸如晶体管)的量已经在稳定地增加这遵循着通常称为“摩尔定律”的趋势。在当前的技术状态下,使用光刻投影设备来制造器件的多个层,光刻投影设备使用来自深紫外线照射源的照射将设计布局投影到衬底上,从而形成具有远低于100nm(即,小于来自照射源(例如193nm照射源)的辐射的波长的一半)的尺寸的单个功能元件。
其中具有尺寸小于光刻投影设备的经典分辨率极限的特征被印制的这种过程通常被称为低k1光刻术,它所依据的分辨率公式是CD=k1×λ/NA,其中,λ是所采用的辐射的波长(当前大多数情况下是248nm或193nm),NA是光刻投影设备中的投影光学元件的数值孔径,CD是“临界尺寸”(通常是所印制的最小特征尺寸)以及,k1是经验分辨率因子。通常,k1越小,在衬底上再现类似于由设计者所规划的形状和尺寸以便实现特定电学功能性和性能的图案就变得越困难。为了克服这些困难,将复杂的精调整步骤应用到光刻投影设备、设计布局或图案形成装置。这些步骤包括例如但不限于:NA和光学相干性设定的优化、自定义照射方案、使用相移图案形成装置、设计布局中的光学近接校正(OPC,有时也称作“光学和过程校正”),或通常被定义为“分辨率增强技术”(RET)的其它方法。如本文中所使用的术语“投影光学器件”应被广义地解释为涵盖各种类型的光学系统,包括例如折射型光学器件、反射型光学器件、孔阑、和反射折射型光学器件。术语“投影光学元件”也可以包括用于共同地或单个地引导、成形或控制投影辐射束的根据这些设计类型中的任一个来操作的部件。术语“投影光学元件”可以包括光刻投影设备中的任何光学部件,无论光学部件位于光刻投影设备的光学路径上的什么地方。投影光学元件可以包括用于在来自源的辐射通过图案形成装置之前成形、调整和/或投影该辐射的光学部件,或者用于在该辐射通过图案形成装置之后成形、调整和/或投影该辐射的光学部件。投影光学元件通常不包括源和图案形成装置。
发明内容
根据实施例,提供一种用于监测制造过程的性能的方法。所述方法包括:接收传递与由所述制造过程所产生的衬底的几何形状有关的信息的一个或更多个输入信号;和利用预测模型、基于所述一个或更多个输入信号,确定所述制造过程中的变化。
在实施例中,所述衬底与半导体器件相关联,并且所述制造过程包括半导体器件制造过程。
在实施例中,所述方法还包括基于所述制造过程中的变化确定针对半导体器件制造设备的调整。
在实施例中,在所述半导体器件制造过程期间实时地或接近实时地执行所述接收和所述确定。
在实施例中,所述一个或更多个输入信号包括重叠信号。在实施例中,所述一个或更多个输入信号包括对准信号。
在实施例中,所述半导体器件制造过程中的变化包括以下的一种或更多种:所述制造过程的处理参数的变化、在所述制造过程中所使用的一种或更多种材料的材料性质的变化、或所述一种或更多种材料的光学性质的变化。
在实施例中,所述预测模型包括机器学习模型。在实施例中,所述预测模型包括神经网络(仅作为一个示例)和/或其它机器学习技术。
在实施例中,所述衬底包括与半导体器件相关联的叠层。
在实施例中,所述方法还包括:基于所述制造过程中的已知扰动,训练所述预测模型。
根据另一实施例,提供一种用于预测与制造过程相关联的衬底几何形状的方法。所述方法包括:接收输入信息,所述输入信息包括衬底的几何形状信息和制造过程信息;和使用机器学习预测模型、基于所述输入信息,预测输出衬底几何形状。
在实施例中,所述衬底包括与半导体器件相关联的叠层。
在实施例中,所述方法还包括调节所预测的输出衬底几何形状。所述调节包括:将所述输出衬底几何形状与相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型的预测结果进行比较;基于所述比较来产生损失函数;以及优化所述损失函数。
在实施例中,所述调节包括叠层调节。叠层调节输入包括:(1)与来自相对应的实体叠层的测量结果相关联的信号;(2)所述几何形状信息,其中所述几何形状信息包括所述实体叠层的名义几何形状;和(3)所述制造过程信息。叠层调节输出包括所述输出衬底几何形状。所述输出衬底几何形状被调节,使得基于所述输出衬底几何形状而确定的模拟信号对应于与来自所述实体叠层的测量结果和/或所述实体叠层的所述名义几何形状相关联的信号。
在实施例中,所述方法还包括:利用所述机器学习预测模型、基于所述输出衬底几何形状,预测重叠信号。
在实施例中,所述方法还包括:利用所述机器学习预测模型、基于所述输出衬底几何形状,预测对准信号。
在实施例中,所述机器学习预测模型包括神经网络。
在实施例中,所述几何形状信息包括针对半导体器件的一个或更多个层的目标或标记设计的一个或更多个尺寸。
在实施例中,所述制造过程信息包括在半导体器件的一个或更多个层上所执行的一个或更多个制造过程的一个或更多个参数。
在实施例中,所述方法还包括:利用描述用于训练衬底的几何形状、图案、和制造过程参数的训练信息以及相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型的预测结果,训练所述机器学习预测模型。
根据另一实施例,提供一种用于检测一个或更多个半导体器件制造过程中的变化、并且确定针对所述一个或更多个半导体器件制造过程步骤的调整的方法。所述方法包括接收输入信息,所述输入信息包括半导体器件的几何形状信息和制造过程信息。所述方法包括使用机器学习预测模型、基于所述输入信息,预测输出半导体器件几何形状变化。所述方法包括基于来自所述机器学习预测模型的半导体器件几何形状变化预测结果,检测所述半导体制造过程中的变化。所述方法包括基于所述半导体器件制造过程中的所检测的变化,确定一个或更多个半导体器件制造过程参数变化。所述方法包括基于所述一个或更多个所确定的半导体器件制造过程参数变化,确定针对所述一个或更多个半导体器件制造过程步骤的调整。
在实施例中,所述输入信息用于与半导体器件相关联的叠层。
在实施例中,检测所述半导体制造过程中的变化包括:利用所述机器学习预测模型、基于所述输出半导体器件几何形状变化,预测重叠信号。在实施例中,检测所述半导体制造过程中的变化包括:利用所述机器学习预测模型、基于所述输出半导体器件几何形状变化来预测对准信号。
在实施例中,所述方法还包括调节所预测的输出半导体器件几何形状变化。所述调节包括:将所述输出半导体器件几何形状变化与来自不同的非机器学习物理模型的相对应的实体测量结果和/或预测结果进行比较,基于所述比较产生损失函数,以及优化所述损失函数。
在实施例中,所述几何形状信息包括针对半导体器件的一个或更多个层的目标设计的一个或更多个尺寸。
在实施例中,所述制造过程信息包括一个或更多个蚀刻过程参数、一个或更多个沉积过程参数、和/或一个或更多个化学机械抛光过程参数。
在实施例中,针对所述半导体器件制造过程的调整包括以下中的一个或更多个:蚀刻过程参数从第一蚀刻过程参数值至第二蚀刻过程参数值的改变;沉积过程参数从第一沉积过程参数值至第二沉积过程参数值的改变;或化学机械抛光过程参数从第一化学机械抛光过程参数至第二化学机械抛光过程参数值的改变。
根据另一个实施例,提供一种计算机程序产品,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实施如上所描述的方法中的任一方法。
附图说明
被合并入本说明书中且构成本说明书的一部分的随附附图图示了一个或更多个实施例,且连同本说明书一起解释这些实施例。现在将参考随附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,对应附图标记指示对应构件,并且在所述附图中:
图1示意性地描绘根据实施例的光刻设备。
图2示意性地描绘根据实施例的光刻元或光刻簇的实施例。
图3A是示出根据实施例的用于控制过程流程的设计的各个阶段的流程图。
图3B是示出根据实施例的用于可视化的各个阶段的框图。
图3C是示出根据实施例的用于控制过程的设计如何确定相对于过程扰动而稳固的量测目标设计的流程图。
图4图示出根据实施例的用于监测制造过程的性能的方法的操作。
图5图示出根据实施例的使用几何形状和过程信息(例如,包括所述信息的有目的的变化)作为输入来预测指示所预测的几何形状的输出信号(与本方法相反)。
图6图示出根据实施例的用于本系统和方法的(相对于图5中示出的流程的)逆向流程。
图7A是根据实施例的接收输入信号并且使用预测模型来预测和/或以其它方式确定制造过程中的变化的第一图示。
图7B是根据实施例的接收输入信号并且使用预测模型来预测和/或以其它方式确定制造过程中的变化的第二图示。
图8图示出根据实施例的用于使用机器学习预测模型进行叠层调节的方法的操作。
图9图示出根据实施例的叠层调节流程的示例。
图10是根据实施例的示例计算机系统的框图。
图11是根据实施例的类似于图1的光刻投影设备的示意图。
图12是根据实施例的图11中的所述设备的较详细视图。
图13是根据实施例的图11和图12的所述设备的源收集器模块SO的较详细视图。
具体实施方式
本文中的描述总体涉及用于制造过程监测和使用预测模型进行调节的系统和方法。制造过程可以包括如下文所描述的半导体制造过程。然而,这些示例并非旨在是限制性的。与这里所描述的操作相同的或类似的操作可以被应用于其它制造过程中。维持稳定的半导体制造过程是重要的。制造过程中的不期望的变化(诸如光刻、沉积、蚀刻、化学机械抛光(CMP)和/或其它半导体制造过程)经常对最终过程产率具有负面影响。实时地或接近实时地(例如,在变化的数秒钟或数分钟内)检测变化允许及时地调整所述制造过程以防止生产有缺陷的器件,并且增加过程产率。因而,期望一种简单的、快速的且非破坏性的方案,所述方案能够监控过程变化、并且提供关于在典型制造期间哪些过程已发生变化以及变化多少的信息。
现有系统具有降低它们的有用性的限制。例如,偏振光椭圆率测量仪即椭圆偏振计可以用非相消的方式测量薄膜厚度,但是一次仅测量一层。因此,重构整个叠层的过程可能耗费非常长的时间,有时高达若干天或甚至若干星期。利用扫描电子显微镜(SEM)的横截面检查可以提供准确的过程变化信息,但是这种类型的检查是破坏性的并且是耗时的。原子力显微镜(AFM)可以用高准确度提供局部化的形貌信息,但是AFM仅能提供与叠层的顶层有关的信息,并且AFM是非常缓慢的。现有建模系统可以指示过程已经变化,但是不能提供关于哪个过程或过程参数已经改变或改变多少的详细信息。有时,这些建模系统耗费若干小时至若干天来产生输出,这防止了这些建模系统被用于实时或接近实时的制造过程监测。
有利地,本系统和方法提供实时地或接近实时地监测(例如,半导体)制造过程的性能。在本系统和方法中,接收了传递与在所述制造过程期间所产生的衬底的几何形状有关的信息的一个或更多个输入信号,并且使用预测模型(例如,机器学习模型)、基于所述一个或更多个输入信号来确定在所述制造过程中的变化。例如,所述输入信号可以包括重叠、对准、和/或其它信号。所确定的变化可以提供便利于各种制造过程调整的定量过程反馈。
本系统和方法被配置成提供实时的或接近实时的响应。利用所述模型进行的预测过程几乎是即时的,这使本系统和方法适于实时的或接近实时的过程监测。所述预测也可以提供关于过程已经改变多少的详细信息。本系统和方法是通用的。它们可以被用于监测许多不同类型的过程变化。例如,它们可以被用于监测厚度改变、材料光学性质改变(例如,n和/或k(即材料复数折射率的实部和虚部)的改变)、侧壁角(SWA)改变、蚀刻倾斜角改变、化学机械抛光改变,等等。本系统和方法也被配置成提供对于这些类型的过程变化、和/或其它类型的过程变化中的任一种过程变化已经发生多少改变的准确指示。重要地,本系统和方法可以被用于同时地监测例如叠层的多层中的这些和其它类型的变化。
本系统和方法作为非破坏性的,并且易于应用。本系统和方法的实施成本低,不会(负面地)影响过程产率,并且是非常准确的。例如,本系统和方法运用重叠、对准和/或包括测量数据的其它信号来预测过程变化。获得重叠、对准、或已经被产生为典型制造过程的一部分的其它信号是便利的并且便宜的。获得和运用这些信号中的信息以进行预测对于所制造器件不是破坏性的,并且不需要额外的测量(例如,使得过程产率受负面地影响)。
转向本系统和方法的调节方面,叠层调节是一种利用来自电子模型(例如,D4C模型)的相对应的预测结果来增强重叠、对准和/或其它测量数据之间的一致性的过程。典型的叠层调节通过一系列操作以迭代的方式进行,以产生经优化的叠层。所述迭代由优化算法(诸如梯度下降和信任域)来引导,以产生经优化的叠层,所述经优化的叠层的光学关键性能指标(KPI)例如匹配或几乎匹配与测量数据相关联的KPI。
典型的叠层调节的迭代性质,以及来自(非机器学习)电子模型的预测经常耗费若干小时或甚至若干天的事实,导致典型的叠层调节非常缓慢地运行。例如,可能耗费若干天或若干星期来结束典型的叠层调节过程。所述叠层调节过程速度不会仅通过增加更多处理资源来增加,因为用于随后迭代的(例如,几何形状)输出取决于来自前次迭代的输出。因而,为了减少所述叠层调节时间,有必要缩短单独迭代的运行时间。
有利地,本系统和方法利用来自经改进的机器学习模型的较快预测来替换来自(非机器学习)电子和/或光学模型的典型的耗时的预测。本系统和方法运用经训练的机器学习预测模型,所述经训练的机器学习预测模型被配置成几乎立即地/即刻地产生预测结果。
虽然在本文中可以具体参考集成电路(IC)的制造,但应理解,本文中的描述具有许多其它可能的应用。例如,本文中的描述可以用于制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。本领域技术人员应了解,在这样的替代应用的情境中,本文中对术语“掩模版”、“晶片”或“管芯”的任何使用应被认为分别能够与较上位的术语“掩模”、“衬底”和“目标部分”互换。
作为引言,图1示意性地描绘可以被包括在本系统和/或方法中和/或与本系统和/或方法相关联的光刻设备LA的实施例。所述设备包括:
-照射系统(照射器)IL,所述照射系统被配置成调节辐射束B(例如,UV辐射、DUV辐射或EUV辐射);
-支撑结构(例如,掩模台)MT,所述支撑结构被构造成支撑图案形成装置(例如,掩模)MA,并且连接至被配置成根据某些参数准确地定位图案形成装置的第一定位装置PM;
-衬底台(例如,晶片台)WT(例如,WTa、WTb或两者),所述衬底台被构造成保持衬底(例如,涂覆有抗蚀剂的晶片)W且被连接至被配置成根据某些参数准确地定位衬底的第二定位装置PW;以及
-投影系统(例如,折射式投影透镜系统)PS,所述投影系统被配置成将通过图案形成装置MA赋予至辐射束B的图案投影至衬底W的目标部分C(例如,包括一个或更多个管芯且常常被称作场)上,所述投影系统被支撑在参考框架(RF)上。
如所描绘的,所述设备属于透射类型(例如,使用透射式掩模)。替代地,所述设备可以属于反射类型(例如,使用如上文提及的类型的可编程反射镜阵列,或使用反射式掩模)。
照射器IL从辐射源SO接收辐射束。例如,当源为准分子激光器时,源和光刻设备可以是分立的实体。在这样的情况下,不将源视为形成光刻设备的部分,并且借助于包括例如合适的定向反射镜和/或扩束器的束传递系统BD将辐射束从源SO传递至照射器IL。在其它情况下,例如当源为汞灯时,所述源可以是设备的组成部分。源SO和照射器IL连同束传递系统BD(在需要时)可以被称作辐射系统。
照射器IL可以改变束的强度分布。照射器可以被布置成限制辐射束的径向范围,使得在照射器IL的光瞳平面中的环形区内的强度分布是非零的。另外或替代地,照射器IL可以是可操作的以限制束在光瞳平面中的分布,使得在光瞳平面中的多个等距间隔开的区段中的强度分布是非零的。辐射束在照射器IL的光瞳平面中的强度分布可以被称作照射模式。
照射器IL可以包括被配置成调整束的(角度/空间)强度分布的调整器AD。通常,可以调整照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别被称作σ-外部和σ-内部)。照射器IL可以是可操作的以改变束的角分布。例如,照射器可以是可操作的以改变强度分布是非零的光瞳平面中的区段的数目和角度范围。通过调整束在照射器的光瞳平面中的强度分布,可以实现不同的照射模式。例如,通过限制照射器IL的光瞳平面中的强度分布的径向范围和角度范围,强度分布可以具有多极分布,诸如偶极、四极或六极分布。可以例如通过将提供期望的照射模式的光学器件插入至照射器IL中或使用空间光调制器来获得所述照射模式。
照射器IL可以是可操作的以改变束的偏振且可以是可操作的以使用调整器AD来调整偏振。跨越照射器IL的光瞳平面的辐射束的偏振状态可以被称作偏振模式。使用不同的偏振模式可以允许在形成在衬底W上的图像中实现较大的对比度。辐射束可以是非偏振的。替代地,照射器可以被布置成使辐射束线性地偏振。辐射束的偏振方向可以跨越照射器IL的光瞳平面而变化。辐射的偏振方向在照射器IL的光瞳平面中的不同区中可以是不同的。可以依赖于照射模式来选择辐射的偏振状态。对于多极照射模式,辐射束的每个极的偏振通常可以垂直于照射器IL的光瞳平面中的所述极的位置矢量。例如,对于偶极照射模式,辐射可以在大体上垂直于平分偶极的两个相对区段的线的方向上线性地偏振。辐射束可以在两个不同的正交方向中的一个正交方向上偏振,这可以被称作X偏振状态和Y偏振状态。对于四极照射模式,每个极的区段中的辐射可以在大体上垂直于平分所述区段的线的方向上线性地偏振。这种偏振模式可以被称作XY偏振。类似地,对于六极照射模式,每个极的区段中的辐射可以在大体上垂直于平分所述区段的线的方向上线性地偏振。这种偏振模式可以被称作TE偏振。
此外,照射器IL通常包括各种其它部件,诸如积分器IN和聚光器CO。照射系统可以包括用于引导、成形或控制辐射的各种类型的光学部件,诸如折射式、反射式、磁性式、电磁式、静电式或其它类型的光学部件,或其任何组合。因此,照射器提供在横截面中具有期望的均一性和强度分布的调节后的辐射束B。
支撑结构MT以依赖于图案形成装置的方向、光刻设备的设计和诸如图案形成装置是否保持于真空环境中之类的其它条件的方式支撑图案形成装置。支撑结构可以使用机械、真空、静电或其它夹持技术以保持图案形成装置。支撑结构可以是例如框架或台,其可以根据需要是固定的或可移动的。支撑结构可以确保图案形成装置例如相对于投影系统处于期望的位置。本发明中对术语“掩模版”或“掩模”的任何使用都可以被视为与更上位的术语“图案形成装置”同义。
本发明中所使用的术语“图案形成装置”应被广泛地解释为是指可以用于在衬底的目标部分中赋予图案的任何装置。在实施例中,图案形成装置是可以用于在辐射束的横截面中向辐射束赋予图案以便在衬底的目标部分中产生图案的任何装置。应注意,例如,如果被赋予至辐射束的图案包括相移特征或所谓的辅助特征,则所述图案可能不会准确地对应于衬底的目标部分中的期望的图案。通常,被赋予至辐射束的图案将对应于在目标部分中产生的器件(诸如,集成电路)中的特定功能层。
图案形成装置可以是透射式或反射式的。图案形成装置的示例包括掩模、可编程反射镜阵列和可编程LCD面板。掩模在光刻术中是众所周知的,并且包括诸如二元、交变相移和衰减相移的掩模类型,以及各种混合掩模类型。可编程反射镜阵列的示例使用小反射镜的矩阵布置,所述小反射镜中的每个小反射镜可以单独地倾斜,以便使入射辐射束在不同方向上反射。被倾斜的反射镜在由反射镜矩阵反射的辐射束中赋予图案。
本发明中所使用的术语“投影系统”应被广泛地解释为涵盖如适于所使用的曝光辐射或适于诸如浸没液体的使用或真空的使用之类的其它因素的任何类型的投影系统,包括折射式、反射式、反射折射式、磁性式、电磁式和静电式光学系统,或其任何组合。本发明中对术语“投影透镜”的任何使用都可以被视为与更上位的术语“投影系统”同义。
投影系统PS具有可以是非均一且可能影响成像至衬底W上的图案的光学传递函数。对于非偏振辐射,这样的效应可以由两个纯量映射相当良好地描述,所述两个纯量映射描述作为射出投影系统PS的辐射的光瞳平面中的位置的函数的所述辐射的透射(变迹)和相对相位(像差)。可以将能够被称作透射映射和相对相位映射的这些纯量映射表达为基底函数的全集的线性组合。特别适宜的集合为泽尼克(Zernike)多项式,所述泽尼克多项式形成在单位圆上定义的正交多项式集合。每个纯量映射的确定可以涉及确定这种展开式中的系数。由于泽尼克多项式在单位圆上正交,因此可以通过依次计算所测量的纯量映射与每个泽尼克多项式的内积且将这种内积除以所述泽尼克多项式的范数的平方来确定泽尼克系数。
透射映射和相对相位映射是依赖于场和系统的。即,通常,每个投影系统PS将针对每个场点(即,针对投影系统的像平面中的每个空间部位)具有不同的泽尼克展开式。可以通过经由投影系统PS投影例如来自投影系统PS的物平面(即,图案形成装置MA的平面)中的类点源的辐射且使用剪切干涉仪测量波前(即,具有相同相位的点的轨迹)来确定投影系统PS在其光瞳平面中的相对相位。剪切干涉仪是共同路径干涉仪,并且因此有利地,无需次级参考束来测量波前。剪切干涉仪可以包括投影系统的像平面(即,衬底台WTa或WTb)中的衍射光栅(例如二维栅格),和被布置成检测与投影系统PS的光瞳平面共轭的平面中的干涉图案的检测器。干涉图案与辐射的相位与在剪切方向上的光瞳平面中的坐标的导数有关。检测器可以包括诸如例如电荷耦合装置(CCD)之类的感测元件的阵列。
光刻设备的投影系统PS可能不产生可见条纹,并且因此可以使用相位步进技术(诸如,移动衍射光栅)来增强波前确定的准确度。可以在衍射光栅的平面中且在垂直于测量的扫描方向的方向上执行步进。步进范围可以是一个光栅周期,并且可以使用至少三个(均一地分布)相位步进。因此,例如,可以在y方向上执行三次扫描测量,在x方向上针对不同位置执行每次扫描测量。衍射光栅的这种步进有效地将相位变化转换成强度变化,从而允许确定相位信息。光栅可以在垂直于衍射光栅的方向(z方向)上步进以校准检测器。
可以在两个垂直方向上依序地扫描衍射光栅,所述两个垂直方向可以与投影系统PS的坐标系统的轴线(x和y)重合或可以与这些轴线成角度(诸如45度)。可以在整数个光栅周期(例如,一个光栅周期)内执行扫描。扫描对在一个方向上的相位变化求平均值,从而允许重构在另一方向上的相位变化。这允许将波前确定为两个方向的函数。
可以通过经由投影系统PS投影例如来自投影系统PS的物平面(即,图案形成装置MA的平面)中的类点源的辐射且使用检测器测量与投影系统PS的光瞳平面共轭的平面中的辐射强度来确定投影系统PS在其光瞳平面中的透射(变迹)。可以使用与用于测量波前以确定像差的检测器相同的检测器。
投影系统PS可以包括多个光学(例如,透镜)元件,并且还可以包括被配置成调整所述光学元件中的一个或更多个光学元件以便校正像差(跨越整个场的光瞳平面的相位变化)的调整机构。为实现这种调整,所述调整机构可以是可操作的以用一种或更多种不同的方式来操控投影系统PS内的一个或更多个光学(例如,透镜)元件。所述投影系统可以具有一坐标系,其中所述投影系统的光轴在z方向上延伸。调整机构可以是可操作的以进行以下各项的任何组合:使一个或更多个光学元件移位;使一个或更多个光学元件倾斜;和/或使一个或更多个光学元件变形。光学元件的移位可以在任何方向(x、y、z或其组合)上进行。光学元件的倾斜通常在垂直于光轴的平面外,通过绕x和/或y方向上的轴线旋转而进行,但对于非旋转对称的非球面光学元件来说可以使用绕z轴的旋转。光学元件的变形可以包括低频形状(例如,像散)和/或高频形状(例如,自由形式非球面)。可以例如通过使用一个或更多个致动器以对光学元件的一侧或更多侧施加力和/或通过使用一个或更多个加热元件以对光学元件的一个或更多个选定区进行加热来执行光学元件的变形。通常,不可能调整投影系统PS以校正变迹(跨越光瞳平面的透射变化)。可以在设计用于光刻设备LA的图案形成装置(例如,掩模)MA时使用投影系统PS的透射映射。使用计算光刻技术,图案形成装置MA可以被设计成至少部分地校正变迹。
光刻设备可以属于具有两个(双平台)或更多个台(例如,两个或更多个衬底台WTa、WTb,两个或更多个图案形成装置台,在无专用于例如促进测量和/或清洁等的衬底的情况下在投影系统下方的衬底台WTa和台WTb)的类型。在这些“多平台”机器中,可以并行地使用额外的台,或可以在一个或更多个台上进行预备步骤的同时将一个或更多个其它台用于曝光。例如,可以使用对准传感器AS进行对准测量和/或使用水平传感器(或水准传感器)LS进行水平(高度、倾角等)测量。
光刻设备也可以属于如下类型:其中衬底的至少一部分可以由具有相对较高折射率的液体(例如水)覆盖,以便填充投影系统与衬底之间的空间。也可以将浸没液体施加至光刻设备中的其它空间,例如图案形成装置与投影系统之间的空间。浸没技术在本领域中是众所周知的,用于增加投影系统的数值孔径。本发明中所使用的术语“浸没”并不意味着诸如衬底之类的结构必须浸没在液体中,而是仅意味着液体在曝光期间位于投影系统与衬底之间。
在光刻设备的操作中,辐射束由照射系统IL调节和提供。辐射束B入射至保持在支撑结构(例如,掩模台)MT上的图案形成装置(例如,掩模)MA上,并且通过图案形成装置被图案化。在已横穿图案形成装置MA的情况下,辐射束B穿过投影系统PS,所述投影系统将所述束聚焦至衬底W的目标部分C上。借助于第二定位装置PW和位置传感器IF(例如,干涉装置、线性编码器、2-D编码器或电容式传感器),衬底台WT可以被准确地移动例如以便在辐射束B的路径中定位不同的目标部分C。类似地,第一定位装置PM和另一位置传感器(在图1中未明确地描绘)可以用于相对于辐射束B的路径准确地定位图案形成装置MA,例如在从掩模库机械获取之后或在扫描期间。通常,可以借助于形成第一定位装置PM的部分的长行程模块(粗定位)和短行程模块(精定位)来实现支撑结构MT的移动。类似地,可以使用形成第二定位装置PW的部分的长行程模块和短行程模块来实现衬底台WT的移动。在步进器(相对于扫描仪)的情况下,支撑结构MT可以仅连接至短行程致动器,或可以是固定的。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置MA和衬底W。尽管如所图示的衬底对准标记占据专用目标部分,但所述标记可以位于目标部分之间的空间中(这些标记被称为划线对准标记)。类似地,在多于一个管芯被提供在图案形成装置MA上的情形中,图案形成装置对准标记可以位于所述管芯之间。
可以在以下模式中的至少一个模式下使用所描绘的设备:
1.在步进模式中,在使支撑结构MT和衬底台WT保持基本上静止的同时将赋予至辐射束的图案一次性投影至目标部分C上(即,单次静态曝光)。随后,使衬底台WT在X和/或Y方向上偏移,使得可以曝光不同的目标部分C。在步进模式下,曝光场的最大大小限制单次静态曝光中成像的目标部分C的大小。
2.在扫描模式中,同步地扫描支撑结构MT和衬底台WT,同时将赋予至辐射束的图案投影至目标部分C上(即,单次动态曝光)。可以通过投影系统PS的(缩小)放大率和图像反转特性来确定衬底台WT相对于支撑结构MT的速度和方向。在扫描模式下,曝光场的最大大小限制单次动态曝光中的目标部分的宽度(在非扫描方向上),而扫描运动的长度确定目标部分的高度(在扫描方向上)。
3.在另一模式中,使支撑结构MT保持基本上静止,从而保持可编程图案形成装置,并且移动或扫描衬底台WT,同时将赋予至辐射束的图案投影至目标部分C上。在这种模式下,通常使用脉冲辐射源,并且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新可编程图案形成装置。这种操作模式可以容易地应用至利用可编程图案形成装置(诸如,上文提及的类型的可编程反射镜阵列)的无掩模光刻术。
也可以使用上文所描述的使用模式的组合和/或变型或完全不同的使用模式。
可以在曝光之前或之后在例如涂覆显影系统或轨道(track)(通常将抗蚀剂层施加至衬底且对曝光后的抗蚀剂进行显影的工具)、或者量测或检查工具中处理本发明中提及的衬底。在适用的情况下,可以将本发明中的公开内容应用至这些和其它衬底处理工具。另外,可以对衬底处理一次以上,例如以便产生多层IC,使得本发明中所使用的术语衬底也可以指已包括多个处理后的层的衬底。
本发明中所使用的术语“辐射”和“束”涵盖所有类型的电磁辐射,包括紫外线(UV)或深紫外(DUV)辐射(例如,具有365、248、193、157或126nm的波长)和极紫外线(EUV)辐射(例如,具有在5至20nm的范围内的波长)以及粒子束,诸如离子束或电子束。
图案形成装置上或由图案形成装置提供的各种图案可以具有不同的过程窗口,即,将产生规格内的图案所处的处理变量的空间。与潜在系统性缺陷有关的图案规格的示例包括检查颈缩、线拉回、线薄化、CD、边缘放置、重叠、抗蚀剂顶部损耗、抗蚀剂底切和/或桥接。可以通过合并每个单独的图案的过程窗口(例如,使所述过程窗口重叠)来获得图案形成装置或其区域上的所有图案的过程窗口。所有图案的过程窗口的边界包含单独的图案中的一些图案的过程窗口的边界。换句话说,这些单独的图案限制所有图案的过程窗口。这些图案可以被称作“热点”或“过程窗口限制图案(PWLP)”,“热点”或“过程窗口限制图案(PWLP)”在本发明中可互换使用。当控制图案化过程的一部分时,关注热点是可能且经济的。当热点无缺陷时,最可能的是所有图案都无缺陷。
如图2中所示出的,所述光刻设备LA可以形成光刻单元LC(有时也被称作光刻元或光刻簇)的部分,光刻单元也包括用于对衬底执行曝光前和曝光后过程的设备。常规地,这些设备包括用于沉积一个或更多个抗蚀剂层的一个或更多个旋涂器SC、用于显影经曝光的抗蚀剂的一个或更多个显影器、一个或更多个激冷板CH和/或一个或更多个焙烤板BK。衬底输送装置、或机器人RO从输入端口I/O1、输出端口I/O2拾取一个或更多个衬底,将这些衬底在不同的过程设备之间移动且将这些衬底传递至所述光刻设备的进料台LB。常常被统称为涂覆显影系统或轨道(track)的这些设备由涂覆显影系统控制单元或轨道控制单元TCU控制,涂覆显影系统控制单元自身受管理控制系统SCS控制,管理控制系统SCS也经由光刻控制单元LACU来控制所述光刻设备。因而,不同设备可以被操作以最大化吞吐量和处理效率。
为了正确且一致地曝光由所述光刻设备曝光的衬底和/或为了监测包括至少一个图案转印步骤(例如,光学光刻步骤)的图案化过程(例如,器件制造过程)的一部分,期望检查衬底或其它物体以测量或确定一个或更多个属性,诸如对准、重叠(所述重叠可以例如是多个重叠层中的多个结构之间的重叠、或同一层中的已通过例如双重图案化过程分离地设置至所述层的多个结构之间的重叠)、线厚度、临界尺寸(CD)、聚焦偏移、材料属性等。因此,被定位有光刻元LC的制造设施通常也包括量测系统,所述量测系统测量已在所述光刻元中受处理的衬底W(图1)中的一些或全部衬底、或者所述光刻元中的其它物体。所述量测系统可以是光刻元LC的部分,例如其可以是所述光刻设备LA的部分(诸如,对准传感器AS(图1))。
例如,所述一个或更多个所测量的参数可以包括:形成在经图案化的衬底中或经图案化的衬底上的连续层之间的对准、重叠、例如形成在经图案化的衬底中或经图案化的衬底上的特征的临界尺寸(CD)(例如,临界线宽)、光学光刻步骤的聚焦或聚焦误差、光学光刻步骤的剂量或剂量误差、光学光刻步骤的光学像差,等等。可以对产品衬底自身的目标和/或对设置在所述衬底上的专用量测目标执行这种测量。可以在抗蚀剂显影之后但在蚀刻之前、在蚀刻之后、在沉积之后、和/或在其它时间执行所述测量。
存在用于对在所述图案化过程中所形成的结构进行测量的各种技术,包括使用扫描电子显微镜、基于图像的测量工具和/或各种专用工具。如上文论述的,专用量测工具的快速且非侵入式形式是辐射束被引导至所述衬底的所述表面上的目标上且测量经散射(经衍射/经反射)的束的属性的量测工具。通过评估所述辐射的由所述衬底散射的一种或更多种属性,可以确定所述衬底的一个或更多个属性。这可以被称为基于衍射的量测。这种基于衍射的量测的一个这样的应用是在目标内的特征不对称性的测量中。这可以用作例如重叠的量度,但其它应用也是已知的。例如,可以通过比较衍射光谱的相反部分(例如,比较周期性光栅的衍射光谱中的-1阶与+1阶)来测量不对称性。这可以如上文所描述的且如例如在以全文引用的方式而被合并入本文中的美国专利申请公开号US2006-066855中所描述的那样来进行。基于衍射的量测的另一应用是在目标内的特征宽度(CD)的测量中。
因而,在器件制作过程(例如,图案化过程、光刻过程,等等)中,衬底或其它物体可以在过程期间或在过程之后经受各种类型的测量。测量可以确定特定衬底是否有缺陷,可以对所述过程和用于所述过程中的设备进行调整(例如,对准所述衬底上的两个层、或对准所述图案形成装置与所述衬底),可以测量所述过程和设备的性能,或可以用于其它目的。测量的示例包括光学成像(例如,光学显微镜)、非成像光学测量(例如,基于衍射的测量,诸如ASML YieldStar量测工具、ASML SMASH量测系统)、机械测量(例如,使用触控笔的仿形/轮廓探测、原子力显微法(AFM)),和/或非光学成像(例如,扫描电子显微法(SEM))。如在以全文引用的方式而被合并入本发明中的美国专利号6,961,116中所描述的智能型对准传感器混合式(SMASH)系统采用自参考干涉仪,所述自参考干涉仪产生对准标识的两个重叠的且相对地旋转的图像,检测在使图像的傅立叶变换引起干涉的光瞳平面中的强度,并且从两个图像的衍射阶之间的相位差提取位置信息,所述相位差表示为干涉阶中的强度变化。
可以将量测结果直接地或间接地提供至管理控制系统SCS。如果检测到误差,则可以对后续衬底的曝光(尤其在如果可以足够迅速且快速地完成检查使得所述批次的一个或更多个其它衬底仍待曝光的情况下)和/或对经曝光的衬底的后续曝光进行调整。此外,已曝光的衬底可以被剥离和返工以改善产率,或者被舍弃,由此避免对已知有瑕疵的衬底执行进一步处理。在衬底的仅一些目标部分有瑕疵的情况下,可以仅对满足规格的那些目标部分执行进一步曝光。
在量测系统MET内,量测设备用于确定所述衬底的一个或更多个属性,并且具体地,确定不同衬底的一个或更多个属性如何变化、或同一衬底的不同层如何在层间变化。如上文所提到,所述量测设备可以被集成至所述光刻设备LA或所述光刻元LC中,或可以是单独的装置。
为了能够实现所述量测,可以在衬底上设置一个或更多个目标。在实施例中,所述目标被专门设计并且可以包括周期性结构。在实施例中,所述目标是器件图案的一部分,例如是器件图案的周期性结构。在实施例中,所述器件图案是存储器装置的周期性结构(例如,双极晶体管(BPT)、位线触点即共享位总线(BLC)等结构)。
在实施例中,衬底上的所述目标可以包括一个或更多个一维周期性结构(例如,光栅),其被印制成使得在显影之后,所述周期性结构特征由实体抗蚀剂线形成。在实施例中,所述目标可以包括一个或更多个二维周期性结构(例如,光栅),其被印制成使得在显影之后,所述一个或更多个周期性结构由所述抗蚀剂中的实体抗蚀剂导柱或通孔形成。栅条、导柱或通孔可被替代地蚀刻至所述衬底中(例如,被蚀刻至所述衬底上的一个或更多个层中)。
在实施例中,图案化过程的关注的参数中的一个关注的参数是重叠。可以使用暗场散射量测术来测量重叠,其中阻挡零阶衍射(对应于镜面反射),并且仅处理较高阶。可以在PCT专利申请公开号WO 2009/078708和WO 2009/106279中找到暗场量测的示例,所述专利申请公开出版物由此以全文引用的方式而被合并入。美国专利申请公开US2011-0027704、US2011-0043791和US2012-0242970中已描述了所述技术的进一步开发,所述专利申请公开出版物由此以全文引用的方式而被合并入。使用衍射阶的暗场检测的基于衍射的重叠能够实现对较小目标的重叠测量。这些目标可以小于照射斑且可以由衬底上的器件产品结构环绕。在实施例中,可以在一次辐射捕获中测量多个目标。
随着光刻节点保持收缩,可以实施越来越复杂的晶片设计。可以由设计者使用各种工具和/或技术以确保复杂设计被准确地转印至实体晶片。这些工具和技术可以包括掩模优化、源掩模优化(SMO)、OPC、用于控制的设计、和/或其它工具和/或技术。例如,在全文以引用方式而被合并入的标题为“Optimization Flows of Source,Mask and ProjectionOptics”的美国专利号9,588,438中描述了源掩模优化过程。
图3A示出列出“用于控制的设计”(D4C)方法的主要阶段的流程图。在阶段310中,选择了待用于所述光刻过程中的材料。所述材料可以选自经由适当GUI而与D4C对接的材料库。在阶段320中,通过录入所述过程步骤中的每个过程步骤、且构建用于整个过程序列的计算机模拟模型,来限定光刻过程。
例如,所述模拟可以用以配置所述图案化器件图案的一个或更多个特征(例如,执行光学邻近效应校正),所述照射的一个或更多个特征(例如,改变所述照射的空间/角强度分布的一个或更多个特性,诸如改变形状),所述投影光学器件的一个或更多个特征(例如,数值孔径等),诸如蚀刻、沉积、CMP等的多个单独光刻操作的一个或更多个特征,和/或过程序列的其它方面。在一些实施例中,所述模拟可以包括用于所述过程序列(例如,蚀刻、沉积、CMP等)的多个单独方面的多个单独模型,其中来自先前过程步骤模型的输出被用作用于后续过程步骤模型的输入。
在一些实施例中,模型可以用以优化晶片制造过程(中的步骤(操作))。可以将制造过程的优化过程表示为成本函数。所述优化过程可以包括寻找所述系统的使所述成本函数最小化的参数集合(设计变量、过程变量等)。所述成本函数可以具有取决于所述优化的目标的任何合适形式。例如,所述成本函数可以是所述系统的某些特性(评估点)的相对于这些特性的预期值(例如理想值)而言的偏差的加权均方根(RMS)。所述成本函数也可以是这些偏差的最大值(即,最差偏差)。术语“评估点”应被广义地解释为包括所述系统或制作方法的任何特性。由于上述系统和/或方法的实施方式的实用性,所述系统的设计和/或过程变量可以被局限于有限范围和/或是相互依赖的。在光刻投影设备的情况下,所述约束常常与硬件的物理性质和特性(诸如,可调节范围,和/或图案形成装置可制造性设计规则)相关联。所述评估点可以包括衬底上的图像上的实体点,以及非实体特性。
在一些实施例中,与集成电路制造过程相关联的和/或被包括在集成电路制造过程中的给定模型可以是对于对应处理方法的操作进行建模的经验模型。所述经验模型可以基于各种输入之间的相关性来预测输出(例如掩模或晶片图像的一个或更多个特性、设计布局的一个或更多个特性、所述图案形成装置的一个或更多个特性、所述光刻过程(例如蚀刻、沉积、CMP等)的一个或更多个特性)。
作为示例,经验模型可以是机器学习模型和/或任何其它参数化模型。在一些实施例中,所述机器学习模型(例如)可以是和/或包括数学方程式、算法、绘制图、图表、网络(例如神经网络),和/或其它工具和机器学习模型部件或分量。例如,所述机器学习模型可以是和/或包括具有输入层、输出层、和一个或更多个中间层或隐藏层的一个或更多个神经网络。在一些实施例中,所述一个或更多个神经网络可以是和/或包括深度神经网络(例如,在输入层与输出层之间具有一个或更多个中间层或隐藏层的神经网络)。
作为示例,所述一个或更多个神经网络可以基于神经单元(或人工神经元)的大型集合。所述一个或更多个神经网络可以松散地即不严格地模仿生物大脑工作的方式(例如,经由被轴突所连接的多个生物神经元的多个大型簇)。神经网络的每个神经单元可以与所述神经网络的许多其它神经单元相连接。这样的连接可以加强或抑制它们的对所连接的神经单元的激活状态的影响。在一些实施例中,每个单独的神经单元可以具有将所有它的输入的值组合在一起的求和函数。在一些实施例中,每个连接(或神经单元自身)可以具有阈值函数,使得信号在其被允许传播至其它神经单元之前必须超出阈值。这些神经网络系统可以是自学习的和经训练的,而不是被明确地编程的,并且与传统计算机程序相比,在某些问题解决领域中的表现可能显著更好。在一些实施例中,所述一个或更多个神经网络可以包括多个层(例如,其中信号路径从前端层穿越至后端层)。在一些实施例中,可以由神经网络运用反向传播技术,其中使用前向刺激以对“前端”神经单元重设权重。在一些实施例中,对所述一个或更多个神经网络的刺激和抑制可能较自由流动,其中连接以较混乱且复杂的方式相互作用。在一些实施例中,所述一个或更多个神经网络的中间层包括一个或更多个卷积层、一个或更多个重现层或递归层(recurrent layer)、和/或其它层。
可以使用训练数据的集合来训练所述一个或更多个神经网络(即,确定神经网络的参数)。所述训练数据可以包括训练样本的集合。每个样本可以是包括输入对象(通常是矢量,其可以被称为特征矢量)和期望的输出值(也被称为管理信号)的对。训练算法分析所述训练数据,并且通过基于所述训练数据对所述神经网络的参数(例如一个或更多个层的权重)进行调整来调整所述神经网络的行为。例如,在给出形式是{(x1,y1),(x2,y2),…,(xN,yN)}的N个训练样本的集合以使得xi是第i个示例的特征矢量且yi是它的管理信号的情况下,则训练算法寻求神经网络g:X→Y,其中X是输入空间且Y是输出空间。特征矢量是表示某一对象(例如,如在以上示例中的晶片设计、片段,等等)的数值特征的n维矢量。与这些矢量相关联的矢量空间常常被称作特征空间。在训练之后,所述神经网络可以用于使用新样本来进行预测。在一些实施例中,所述一个或更多个神经网络可以包括卷积神经网络(CNN)、深度神经网络(DNN)、和/或其它类型的神经网络。在一些实施例中,所述一个或更多个神经网络可以包括各种类型的人工智能(AI)和/或与各种类型的人工智能一起工作。
在阶段330中,限定了量测目标,即,被包括于所述目标中的各种特征的尺寸和其它特性被录入至所述D4C程序中。例如,如果在结构中包括光栅,则必须限定光栅元件的数目、单独的光栅元件的宽度、两个光栅元件之间的间距,等等。在阶段340中,产生3D几何形状。这种步骤也考虑是否存在与多层目标设计相关的任何信息,例如,不同层之间的相对移位。这种特征能够实现多层目标设计。在阶段350中,使所设计的目标的最终几何形状可视化。如下文将更详细地解释的,不仅最终设计被可视化,而且随着设计者应用所述光刻过程的各种步骤,设计者可以对3D几何形状如何被形成和由于过程引发的效应而改变进行可视化。例如,在抗蚀剂图案化之后的3D几何形状不同于在抗蚀剂移除和蚀刻之后的3D几何形状。
被称作“查看器”的不同可视化工具被构建于D4C软件中。例如,如图3B中示出的,设计者可以根据所限定光刻过程和目标来查看材料绘制图360(并且也可以获得运行时间估计绘制图)。一旦产生了所述光刻模型,则所述设计者就可以通过模型查看器工具375来查看所述模型参数。设计布局查看器工具380可以用以查看所述设计布局(例如,GDS档案的视觉呈现/渲染)。抗蚀剂轮廓查看器工具385可以用以查看抗蚀剂中的图案轮廓。几何形状查看器工具390可以用以查看衬底上的3D结构。光瞳查看器工具395可以用以查看对量测工具的模拟响应。本领域技术人员将会理解,这些查看工具可以用以增强在设计和模拟期间所述设计者的理解。在D4C软件的一些实施例中可以不存在这些工具中的一个或更多个工具,并且在一些其它实施例中可以存在额外查看工具。
图3C示出图示D4C过程如何通过减小针对所述光刻过程的实际模拟而选择的量测目标的数目来增加总体模拟过程中的效率的流程图。如之前提及的,D4C使得设计者能够设计数千或甚至数百万种设计。不是所有这些设计都可以相对于所述过程步骤中的变化是稳固的即鲁棒的。为了选择目标设计的可耐受过程变化的子集,光刻人员可以有意地扰动所限定光刻过程的一个或更多个步骤,如区块352中所示出。所述扰动的引入在其最初被如何定义方面变更了整个过程序列。因此,应用经扰动过程序列(区块354)也会变更所设计的目标的3D几何形状。光刻人员仅选择了示出在原始设计目标中的非零变更的扰动,且创建了选定过程扰动的子集(区块356)。接着利用过程扰动的这种子集来模拟所述光刻过程(区块358)。
使用所述光刻过程(或通常,图案化过程)来制造或制作衬底通常涉及过程变化。所述过程变化并非跨越整个所述衬底为均一的。例如,在沉积过程中,膜趋向于在所述衬底的中心处是较厚的并且当靠近于边缘时是较薄的。这些系统性变化通常在测量数据中被反映为“指纹”即“特征标识”,其为衬底的基于已知过程条件的特性。换句话说,衬底上存在叠层,所述叠层具有作为衬底坐标的函数的空间变化。叠层包括在所述图案化过程期间形成于衬底上的多个层,以在所述衬底上形成所选图案(例如,设计图案)。所述叠层的每个层可以与厚度、材料性质、和特征以及所述图案化过程的相关参数(例如,CD、间距、重叠,等等)相关联。
本系统、和/或方法可以作为单独的工具和/或技术来使用、与D4C过程结合使用、和/或与使用所述过程建模的其它半导体制造过程相结合使用,以增强复杂设计至实体晶片的准确转印。
如上文描述的,维持稳定的半导体制造过程是重要的。本系统和方法被提供用于实时地或接近实时地监测(例如,半导体)制造过程的性能。在本系统和方法中,接收传递与所述制造过程期间所产生的衬底的几何形状有关的信息的一个或更多个输入信号,并且使用预测模型(例如,机器学习模型)、基于所述一个或更多个输入信号和/或其它信息来确定所述制造过程中的变化。所预测的变化可以包括与衬底中的特征的几何形状有关的预测结果、与特定制造过程(例如,沉积、蚀刻、化学机械抛光等)有关的预测结果、与那些制造过程(例如,如下文描述的)中的一个或更多个制造过程的单独参数有关的预测结果、和/或其它信息。例如,所述输入信号可以包括重叠、对准、和/或其它信号。所确定的变化可以提供便于各种制造过程调整的定量过程反馈。
通过非限制性示例,图4图示出用于监测制造过程的性能的方法400的操作。在一些实施例中,方法400包括:训练402预测模型;接收404一个或更多个输入信号;利用所述预测模型,基于所述一个或更多个输入信号来确定406制造过程中的变化;以及基于所述制造过程中的所确定的变化来调整408制造过程和/或制造设备。在一些实施例中,所述衬底与半导体器件相关联,并且所述制造过程包括半导体器件制造过程。在一些实施例中,所述衬底例如包括与半导体器件相关联的叠层、和/或其它衬底。方法400的操作旨在是说明性的。在一些实施例中,方法400可以利用没有被描述的一个或更多个额外的操作来实现,和/或不使用所论述的操作中的一个或更多个操作来实现。例如,操作408、和/或其它操作可以是可选的。另外,在图4中图示出并且在下文描述方法400的操作的顺序并非旨在是限制性的。
图4中示出的方法400(其中输入(例如,对准、重叠等)信号被用于预测过程变化)与以相反方式运行的典型方法形成对比,所述典型方法使用几何形状和过程信息(例如,包括所述信息的有目的的变化)作为输入以预测指示所预测的几何形状的输出信号(例如,重叠、对准等)。图5中图示出典型的方法的示例。图5图示出使用几何形状和过程信息500作为输入来预测501指示所预测的几何形状的输出信号502(与本方法相反)。图5图示出典型(例如,D4C)模拟流程504。对于给定输入几何形状和过程信息(诸如叠层506),可以(利用典型D4C模型)模拟对应的过程参数(在图5中没有被列出)和/或目标图案定义508、输出信号502,所述输出信号502包括例如不同KPI摆动曲线510、512(例如,SS、DE等)。摆动曲线是描述KPI(例如SS)的波长依赖性即波长相关性的曲线。使用这种曲线,可以确定哪个波长对于重叠和对准测量是最优的。SS代表叠层灵敏度。DE代表衍射效率。摆动曲线示出例如在给定过程参数中的变化。以数学方式,流程504可以被表示为:
f(t1,t2,…,tn)=SS(λ1,λ2,…,λm)
其中f指示模拟引擎或模拟函数,t1,2,…n是在这个示例中的(例如,叠层的)每个层的示例几何形状信息输入——即厚度,并且λ1,2,…,n是(例如)KPI被计算(预测)的波长。在这个示例方程式中,输入参数变化仅被限于厚度变化,但是所述输入参数变化也可以包括与n和/或k改变、SWA改变、倾斜角改变、和其它过程参数变化有关的变化。继续这个示例,如果使用每个层的厚度作为输入矢量并且相对应的KPI摆动曲线作为输出矢量,来以矢量形式重写上面的方程式,则(例如,D4C)流程504可以被描述为:
相反,本系统和方法可以被认为是相对于流程504中的流程以逆向流程来运行。例如,图6图示出用于本系统和方法的逆向(相对于流程504的)流程600。流程600包括:接收602一个或更多个输入信号604、606(在这个示例中,所测量的SS曲线);以及利用预测模型,基于所述一个或更多个输入信号604、606来预测和/或以其它方式确定608制造过程中的变化610。所预测的变化可以包括与衬底中的特征的几何形状有关的预测结果、与特定制造过程(例如,沉积、蚀刻、化学机械抛光等)有关的预测结果、与那些制造过程中的一个或更多个制造过程的单独参数有关的预测结果、和/或其它信息。在这个示例中,输入信号604、606传递衬底(例如,叠层和/或其它衬底)的与由制造过程所产生的几何形状有关的(例如,以物理方式测量的)信息,和/或其它信息。例如,所预测的变化610可以包括诸如叠层几何形状(包括各个层的厚度(例如,t1、t2、……、tn))、过程参数的相对应变化(诸如n和/或k改变)、SWA改变、倾斜角度改变、和其它过程参数变化(在图6中没有被列出)之类的信息,和/或其它信息。
类似于图5中示出的流程504,(例如,逆向D4C)流程600也可以被表示为呈如下形式的矢量:
这种反演或逆向关系包括高维空间中的复杂的非线性映射,并且难以用分析方式或使用数值模拟来求解。然而,由于输入与输出两者是具有固定长度的矢量,并且摆动曲线(例如)和/或其它所测量的信息可以被用于编码描述过程变化的丰富信息,因此这个问题适于利用机器学习算法、神经网络和/或其它预测模型来求解。
返回至图4,并且如上文描述的,在操作402处,训练预测模型。在一些实施例中,所述预测模型包括机器学习模型。在一些实施例中,所述预测模型和/或所述机器学习模型包括一个或更多个神经网络。机器学习通常需要大量信息以训练模型。这里幸运的是,可以基于针对名义叠层的大量随机(但已知)的扰动,从先前的或现有的(例如,D4C)模拟中获得这种训练信息。
利用训练信息来训练所述预测模型。所述训练信息可以包括多对或多组输入对象和相对应的所测量的或期望的输出值。所述训练信息可以包括以下的一个或更多个:与衬底几何形状、图像、目标图案、图案化过程参数、和/或其它信息相关联的电子信号,和相对应的实体衬底测量结果,已知的过程参数和/或过程参数变化,和/或其它信息。通过非限制性示例,基于所述制造过程中的已知扰动来训练所述预测模型。已知的过程扰动可以通过以已知方式故意地改变一个或更多个制造过程参数(变量)、对所得到的衬底进行物理测量即实体测量、和/或其它活动而引起。所得到的衬底可以用于测量电子信号(例如,重叠信号、对准信号等),所述电子信号代表利用已知的过程扰动所产生的所得到的衬底。所述已知的扰动和相对应的电子信号可以是成对的。这些对可以被提供至所述预测模型作为训练信息。所述预测模型可以使用所提供的多对训练信息来进行自学习(例如,当所述模型是神经网络或包括神经网络时)。经训练的预测模型可以用于基于不同输入信息(诸如不同电子信号和/或其它信息)进行新的预测(例如,预测新的过程扰动)。
在操作404处,接收一个或更多个输入信号。所述输入信号可以是上文关于训练所描述的不同输入信息、和/或可被包括于上文关于训练所描述的不同输入信息中。所述输入信号传递与衬底的由所述制造过程所产生的几何形状有关的信息,和/或其它信息。在一些实施例中,所述输入信号包括重叠信号。在一些实施例中,所述一个或更多个输入信号包括对准信号。例如,如上文描述的,所述一个或更多个输入信号可以包括所测量的SS、DE、K、和/或其它信号。这些示例信号并非旨在是限制性的。
在操作406处,使用所述预测模型来预测和/或以其它方式确定制造过程中的变化。基于所述一个或更多个输入信号和/或其它信息来预测和/或以其它方式确定所述变化。所预测的和/或以其它方式确定的变化可以包括与衬底中的特征的几何形状(例如,叠层中的层的厚度)有关的预测和/或确定结果、与特定制造过程(例如,沉积、蚀刻、化学机械抛光等)有关的预测和/或确定结果、与那些制造过程中的一个或更多个制造过程的单独参数有关的预测和/或确定结果,和/或其它信息。在一些实施例中,所述制造过程中的变化包括以下中的一种或更多种:所述制造过程的处理参数的变化、在所述制造过程中所使用的一种或更多种材料的材料性质的变化、所述一种或更多种材料的光学性质的变化,和/或其它变化。在一些实施例中,制造过程的处理参数可以包括蚀刻深度、沉积参数、侧壁角、蚀刻地板倾角、蚀刻偏置、光刻CD偏置,和/或其它参数。在一些实施例中,在所述制造过程中所使用的所述一种或更多种材料的材料和/或光学性质可以包括诸如在不同波长的情况下的反射率改变的n或k之类的光学性质,和/或其它性质。
通过非限制性示例,图7A和图7B图示出接收输入信号700、以及使用预测模型704来预测和/或以其它方式确定702制造过程中的变化。在图7A和图7B中,输入信号700包括针对不同波长λ1,2,…,n的SS KPI摆动曲线。图7A示出SS信号706、708的两个单独的集合,而图7B示出SS信号710的大略组合集合。图7A图示出来自模型704的输出712,所述输出712包括材料性质信息714,诸如叠置层厚度t1、t2、……、tn。图7B图示出来自模型704的输出712,所述输出712包括材料性质信息714(诸如叠置层厚度t1、t2、……、tn)和光学性质信息716(诸如n1、n2、……、nk)。这些示例并非旨在是限制性的。图7B图示出本系统和方法的通用性。通过稍微修改所述输出712,同一模型704不仅可以被用于预测厚度改变(例如,714),而且也可以被用于预测n和/或k(例如,716)改变。使用类似的技术,也可以预测由倾斜角和侧壁角证明即证实的不对称过程变化,和/或其它过程变化。这些示例并非旨在是限制性的。
图7A和图7B图示出预测模型704可以如何是神经网络720和/或如何包括神经网络720(神经网络720具有输入层722、隐藏层724、和输出层726),所述神经网络720被配置成基于用于叠层灵敏度测量的摆动曲线来预测和/或以其它方式确定每个层的厚度。应注意,虽然神经网络720适合于求解这类问题,但是模型704不仅仅限于神经网络。虽然图7A和图7B图示出神经网络作为机器学习机制的示例,但是本公开并非旨在仅仅被限于神经网络。如果任何其它机器学习技术产生可接受的结果,则其可以被应用。
应注意,即使图7A和图7B图示出预测和/或以其它方式确定单独参数的单独值,预测模型704也可以被配置(例如,被训练)成预测和/或以其它方式确定这些参数(例如,随时间、从目标或设置值、相对于彼此,等等)的相对应的变化,预测和/或以其它方式确定与这些参数相关联的制造过程,和/或确定制造过程中的其它变化。在一些实施例中,可以基于针对单独的参数所预测和/或所确定的单独值来确定过程变化。例如,一个或更多个数学运算可以与同一参数随时间变化的多个预测结果一起使用,以确定参数随时间的改变,和/或改变了多少。
返回至图4,在操作408中,基于所述制造过程中的所确定的变化来调整制造过程和/或制造设备。在一些实施例中,操作408包括确定针对所述制造过程和/或制造设备的调整(例如,待调整的参数、待调整的设备,调整所述参数的量、调整所述设备的量,等等),然后基于所确定的调整来调整所述制造过程和/或制造设备。在一些实施例中,在所述制造过程期间实时地或接近实时地执行所述接收(操作404)、所述确定(操作406)、所述调整(操作408)、和/或其它操作。在一些实施例中,实时或接近实时可以是和/或包括在所述变化的数秒钟或数分钟内发生的时间,并且允许及时地调整所述制造过程以防止生产有缺陷的器件,并且增加过程产率。
在一些实施例中,调整可以基于对制造过程已经改变和改变了多少的预测和/或确定结果。另外,调整可以基于对于具有多种类过程变化的整个叠层(和/或其它衬底)的预测和/或确定结果来进行。例如,调整可以同时地基于所预测的和/或以其它方式所确定的厚度改变、SWA改变、倾斜角改变、和/或叠层的多层的其它改变、叠层中的多种材料的n和/或k改变,等等。
转向本系统和方法的调节方面,如上文所描述的,叠层调节是一种利用来自电子模型(例如,非机器学习D4C模型)的相对应的预测结果来增强重叠、对准和/或其它测量数据之间的一致性的过程。典型的叠层调节通过一系列操作以迭代的方式进行,以产生经优化的叠层。典型的叠层调节的迭代性质,以及来自(非机器学习)电子模型的预测经常耗费若干小时或甚至若干天的事实,导致典型的叠层调节运行非常缓慢。有利地,本系统和方法利用来自经改进的机器学习模型的较快的预测来替换来自(非机器学习)物理模型的典型的耗时的预测。本系统和方法运用经训练的机器学习预测模型,所述经训练的机器学习预测模型被配置成几乎立即地即几乎即刻地产生预测结果。
图8图示出用于使用机器学习预测模型进行叠层调节的方法800的操作。在一些实施例中,方法800包括:训练802机器学习预测模型;接收804输入信息;利用所述机器学习预测模型,基于所述输入信息来预测806输出衬底几何形状;以及调节808所预测的输出衬底几何形状(例如,调节所述模型)。在一些实施例中,所述衬底例如包括与半导体器件相关联的叠层。方法800的操作旨在是说明性的。在一些实施例中,方法800可以利用没有被描述的一个或更多个额外的操作来实现,和/或在不使用所论述的操作中的一个或更多个操作的情况下实现。另外,在图8中图示出并且在下文描述的方法800的操作的顺序并非旨在是限制性的。
如上文描述的,在操作802处,训练所述机器学习预测模型。在一些实施例中,所述机器学习模型是神经网络,或包括神经网络。所述机器学习预测模型包括训练信息。在一些实施例中,操作802包括:利用描述用于训练衬底的几何形状、图案、和制造过程参数的训练信息以及相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型(例如,先前的D4C模型)的预测结果来训练所述机器学习预测模型。所述训练信息可以包括多对或多组输入对象以及相对应的所测量的或期望的输出值。这些对可以被提供至所述机器学习预测模型作为训练信息。所述机器学习预测模型可以使用所提供的多对训练信息来进行自学习(例如,当所述模型是神经网络,或包括神经网络时)。经训练的机器学习预测模型可以被用于基于不同输入信息(诸如不同叠层、不同过程参数,和/或其它信息)来进行新的预测。
在操作804处,接收输入信息。所述输入信息包括衬底(例如,叠层和/或其它衬底)的几何形状信息和制造过程信息,和/或其它信息。在一些实施例中,所述输入信息针对与所述半导体器件相关联的叠层,和/或其它衬底。在一些实施例中,所述几何形状信息例如包括:针对半导体器件的一个或更多个部分的目标或标记设计的一个或更多个尺寸(例如,从一个特征至另一特征的距离;层的厚度;各个特征的长度、宽度、直径等;等等);关于层厚度的初始猜测和/或其它确定结果;先前所模拟的KPI;指示图案的一个或更多个特征的相对于彼此的空间定向(例如,沿“x”、“y”和/或“z”方向)的距离、角度和/或其它信息;以及.GDS文件;来自不同层的设计目标的相对位置以及所引发的重叠;和/或其它几何形状信息。
所述制造过程信息包括用于在与半导体器件相关联的衬底上所执行的一个或更多个制造过程的一个或更多个参数,和/或其它信息。例如,所述制造过程信息可以包括一个或更多个蚀刻过程参数、一个或更多个沉积过程参数,一个或更多个化学机械抛光过程参数,和/或其它过程参数。蚀刻参数、沉积参数、和CMP参数的示例可以包括蚀刻速率(例如,竖直的蚀刻速率和/或水平的蚀刻速率)、沉积速率、CMP压力、速度,等等,和/或其它参数。过程参数可以包括针针对过程设置的值、针对最大和/或最小过程窗口参数设置点的值、可蚀刻材料、蚀刻深度、蚀刻SWA、CMP形成凹陷(dishing)、深度等,和/或用于限定和/或调节制造过程的任何其它信息。
在操作806处,利用所述机器学习预测模型来预测输出衬底几何形状。在一些实施例中,预测(例如,相对于目标几何形状的、相对于先前几何形状的、和/或其它几何形状的)输出衬底几何形状变化。在一些实施例中,可以基于所述输出衬底几何形状、所述几何形状变化、和/或其它信息来预测电子信号(例如,重叠、对准等)。基于所述输入信息和/或其它信息来预测所述输出衬底几何形状、几何形状变化、和/或电子信号。在一些实施例中,操作806包括:利用所述机器学习预测模型,基于所述输出衬底几何形状来预测重叠信号、对准信号和/或其它信息。在一些实施例中,可以基于所述输出半导体器件几何形状、所述几何形状变化、和/或其它信息来预测所述重叠信号、所述对准信号、和/或其它信息。在一些实施例中,操作806包括:基于所述半导体器件几何形状、几何形状变化、所述重叠信号、所述对准信号、和/或来自所述机器学习预测模型的其它预测结果来检测所述半导体制造过程中的变化。
在操作808处,对所预测的输出衬底几何形状、电子信号(例如,重叠信号、对准信号等)、和/或由所述机器学习预测模型所预测的其它信息进行调节。这可以被理解为对所述机器学习预测模型本身进行调节。例如,在所述衬底包括叠层的实施例中,这可以被理解为叠层调节。在一些实施例中,操作808包括操作806和804中的一个或两者。在一些实施例中,所述调节包括:将所述输出衬底几何形状与相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型的预测结果进行比较;基于所述比较来产生损失函数;优化所述损失函数;和/或其它操作。在一些实施例中,操作808包括接收叠层调节输入并且输出所述衬底几何形状。例如,在一些实施例中,叠层调节输入包括与来自相对应的实体叠层的测量结果相关联的信号、所述几何形状信息、所述制造过程信息、和/或其它信息。所述几何形状信息可以包括所述实体叠层的名义几何形状,和/或其它信息。所述输出衬底几何形状被调节,使得基于经调节的输出衬底几何形状而确定的模拟信号(例如,重叠、对准等)对应于与来自所述实体叠层的测量结果和/或所述实体叠层的名义几何形状相关联的信号。
图9图示出的新的叠层调节流程900的示例。叠层调节流程900包括训练操作802、调节操作808、输入操作804、预测操作806,以及其它操作。如图9中所示出的,调节流程900的两个操作包括训练操作802和调节操作808。在训练操作802中,对机器学习预测模型(例如,包括神经网络和/或其它算法)进行训练。在调节操作808中,使用经训练的预测模型910来替换912传统的非机器学习模型,以便极大地减少用以完成调节操作808所需的总时间。现有的叠层调节流程可以包括图9的下部部分,从804至956,包括操作960。如所示出和所描述的,在新的流程900中,操作806由图9的上部部分802中所描述的所述机器学习模型所替换。
如图9中示出的,训练操作802包括产生训练信息920且然后实际上训练922所述机器学习预测模型。在一些实施例中,产生所述训练信息920可以包括:产生大量随机过程参数变化924、利用非机器学习模型926来执行相对应的模拟、以及输出指示衬底几何形状928的预测信号。在一些实施例中,实际训练922所述机器学习预测模型可以包括训练930一个或更多个机器学习算法,诸如神经网络和/或其它算法。所述随机过程参数变化924和指示衬底几何形状928的预测信号可以被用作用于训练930的训练信息。
在一些实施例中,调节操作808包括操作804(例如,进行与过程参数有关的初始猜测,以及执行模拟以产生起始信号(诸如KPI)),进行950预测结果与实际测量结果的初始相关,决定952相关性是否良好(或是否足够良好),以及假设所述相关性是不好的(或是不够好的),产生954损失函数,优化956所述损失函数,利用经训练的机器学习预测模型来(经由操作806)预测新的衬底(例如,叠层)几何形状(例如,和/或指示所述衬底(叠层)几何形状的电子信号),以及进行将新近地所预测的衬底(叠层)几何形状与实际测量结果相关958。步骤952至958可以被以迭代的方式重复,直到实现960可接受的相关性为止。例如,可接受的相关性可以包括满足相关性标准的相关性。
在一些实施例中,所述损失函数被配置成确定所述预测模型对数据集进行建模的良好程度。如果所述预测模型没有准确地对数据集进行建模,则所述损失函数被配置成输出关于不准确度的指示。随着所述模型被以迭代的方式调节,则来自所述损失函数的输出指示了越来越准确的模型。利用优化算法来优化所述损失函数。一些最常用的优化算法可以包括局部优化算法和/或全局优化算法,所述局部优化算法诸如牛顿法、梯度下降、信任域或置信域、BFGS,等等;所述全局优化算法诸如退火法、遗传算法,等等。
有利地,如图9中示出的,调节操作808利用基于预测模型的机器学习来替换在传统调节的每次迭代中耗时的非机器学习模型模拟,以减少总体叠层调节时间。调节操作808能够充分利用训练操作802期间的可用计算资源,并且因而可以容易地利用有所增加的处理能力来按比例放大调节速度。使用图9中所描述的所述叠层调节,则叠层调节迭代仅耗费若干秒或更少时间。可以在相对较短的时间量内完成多次迭代调节过程。这使得在本文中所描述的所述叠层调节适合于实时的或接近实时的过程监测。作为比较,先前的叠层调节时间随迭代次数而以线性方式增加(并且可能耗费数小时或更长时间来完成)。另外,本系统和方法的经训练的机器学习模型可以针对不在所述训练信息内的输入进行预测。
返回至图8,在一些实施例中,操作808包括确定一个或更多个半导体器件制造过程参数变化。例如,操作808可以包括确定所述过程参数变化是在容许度窗口即公差窗口内、还是在容许度窗口即公差窗口外,和/或具有其它变化。可以基于所述半导体器件几何形状、几何形状变化、所述重叠信号、所述对准信号、经调节的叠层、和/或其它信息来确定所述过程参数变化。在一些实施例中,操作808包括基于所述一个或更多个所确定的半导体器件制造过程参数变化和/或其它信息来确定针对所述半导体器件制造过程步骤中的一个或更多个的调整,和/或调整所述半导体器件制造过程步骤中的一个或更多个。例如,操作808可以包括调整掩模设计、图案特征的几何形状、剂量、聚焦、蚀刻参数、沉积参数、和/或所述半导体器件制造过程的其它参数。可以基于所确定的过程参数变化来进行这些调整。
图10是示出了可以辅助实施本文所披露的方法、流程或系统的计算机系统100的框图。计算机系统100包括总线102或用于通信信息的其他通信机构、以及与总线102联接以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100还包括主存储器106,诸如随机存取存储器(RAM)或其他动态储存装置,其联接到总线102,以用于存储待由处理器104执行的信息和指令。主存储器106还可用于在执行待由处理器104执行的指令期间存储临时变量或其他中间信息。计算机系统100还包括与总线102联接的只读存储器(ROM)108或其他静态储存装置,用于存储用于处理器104的静态信息和指令。提供诸如磁盘或光盘之类的储存装置110,并将其联接到总线102以用于储存信息和指令。
计算机系统100可以经由总线102联接到显示器112,诸如用于向计算机用户显示信息的阴极射线管(CRT)或平板或触摸面板显示器。包括字母数字键和其他键的输入装置114被联接到总线102,以用于将信息和命令选择传递至处理器104。用户输入装置的另一种类型是光标控件116,诸如鼠标、轨迹球或光标方向键,用于将方向信息和命令选择传递给处理器104并且用于控制光标在显示器112上的移动。此输入装置通常在两个轴上具有两个自由度,即第一轴(例如,x)和第二轴(例如,y),这允许该装置指定平面中的位置。触摸面板(屏幕)显示器也可以用作输入装置。
根据一个实施例,可以由计算机系统100响应于处理器104执行被包含于主存储器106中的一个或更多个指令的一个或更多个序列来执行本文中所描述的一种或更多种方法的部分。可以从诸如储存装置110之类的另一计算机可读介质将这样的指令读取到主存储器106内。执行被包含在主存储器106中的指令的序列导致处理器104执行本文所述的过程步骤。也可以采用多处理布置中的一个或更多个处理器来执行被包含于主存储器106中的指令的序列。在替代实施例中,可以使用硬连线电路来代替软件指令、或与软件指令结合使用。因而,本文的描述不限于硬件电路和软件的任何特定组合。
如本文所使用的术语“计算机可读介质”是指参与向处理器104提供指令以供执行的任何介质。这种介质可以采用许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如储存装置110。易失性介质包括动态存储器,诸如主存储器106。传输介质包括同轴电缆、铜线和光纤,包括构成总线102的线缆。传输介质还可以采用声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间所产生的声波或光波。计算机可读介质的常见形式包括,例如,软式磁碟片、挠性磁盘、硬盘、磁带、任何其他磁介质、CD-ROM、DVD、任何其他光学介质、打孔卡、纸带、具有孔图案的任何其他物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或卡匣、以及下文所述的载波、或可供计算机从中读取的任何其他介质。
各种形式的计算机可读介质可以涉及携载一个或更多个指令的一个或更多个序列至处理器104以供执行。例如,所述指令可以最初承载于远程计算机的磁盘上。所述远程计算机可以将所述指令加载到其动态存储器中,并且使用调制解调器通过电话线路发送指令。计算机系统100本地的调制解调器可以在电话线路上接收数据,并且使用红外发射器将数据转换为红外信号。联接到总线102的红外检测器可以接收在红外信号中所携载的数据,并且将数据置于总线102上。总线102将数据携载至主存储器106,处理器104从主存储器106检索并且执行指令。由主存储器106所接收的指令可以可选地在由处理器104执行之前或之后被储存在储存装置110上。
计算机系统100也可以包括联接到总线102的通信接口118。通信接口118提供联接到与本地网络122相连接的网络链路120的双向数据通信。例如,通信接口118可以是集成服务数字网络(ISDN)卡或调制解调器,以提供通往对应类型电话线路的数据通信连接。作为另一个示例,通信接口118可以是局域网(LAN)卡,以提供通往兼容LAN的数据通信连接。无线链接也可以被实施。在任何这样的实施方式中,通信接口118发送和接收携带有表示各种类型信息的数字数据流的电信号、电磁信号或光学信号。
网络链路120通常通过一个或更多个网络提供通往其他数据装置的数据通信。例如,网络链路120可以提供穿过局域网122到主机电脑的连接或到由互联网服务提供商(ISP)126所操作的数据设备的连接。ISP 126继而通过全球封包数据通信网络(现在通常称为“互联网”128)提供数据通信服务。局域网122和互联网128两者都使用携带数字数据流的电信号、电磁信号或光学信号。通过各种网络的信号和在网络链路120上并且通过通信接口118的信号(其携带发送给计算机系统100和来自计算机系统100的数字数据)是传输信息的载波的示例形式。
计算机系统100可以通过网络、网络链接120和通信接口118来发送消息并且接收数据,包括程序代码。在互联网的示例中,服务器130可以通过互联网128、ISP 126、局域网122和通信接口118来传输针对应用程序的所请求的代码。例如,一个这样的下载的应用可以提供本文中所描述的方法的全部或部分。所接收到的代码可以在被接收到时由处理器104执行,和/或被储存在储存装置110或其他非易失性储存装置中,以供稍后执行。以这种方式,计算机系统100可以获得呈载波形式的应用代码。
图11示意性地描绘可以与本文中所描述的技术结合使用的与图1中示出的设备相似和/或相同的示例性光刻投影设备。所述设备包括:
-照射系统IL,所述照射系统IL用于调节辐射束B。在这种特定情况下,照射系统还包括辐射源SO;
-第一物体台(例如图案形成装置台)MT,所述第一物体台具有用于保持图案形成装置MA(例如,掩模台)的图案形成装置保持器并连接到用于相对于项PS来准确地定位图案形成装置的第一定位器;
-第二物体台(衬底台)WT,所述第二物体台具有用于保持衬底W(例如涂覆有抗蚀剂的硅晶片)的衬底保持器并连接到用于相对于项PS来准确地定位衬底的第二定位器;
-投影系统(“透镜”)PS(例如,折射型、反射型或反射折射型光学系统),所述投影系统用于将图案形成装置MA的被辐射的部分成像到衬底W的目标部分C(例如包括一个或更多个管芯)上。
如本文所描绘的,所述设备属于透射类型(例如,采用透射型图案形成装置)。然而,一般而言,它可以属于反射类型(例如,采用反射型图案形成装置)。所述设备可以采用与经典掩模不同种类的图案形成装置;示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如汞灯或准分子激光、激光产生等离子体(LPP)EUV源)产生辐射束。例如,这个束直接地或在已横穿诸如扩束器Ex之类的调节装置之后馈送至照射系统(照射器)IL中。照射器IL可以包括调整装置,用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ-外部和σ-内部)。另外,照射器IL通常会包括各种其他部件,诸如积光器和聚光器。这样,照射于图案形成装置MA上的束B在其横截面中具有期望的均匀性和强度分布。
关于图11应注意,虽然源SO可以在光刻投影设备的外壳内(这经常是当源SO为例如汞灯时的情况),但它也可以远离光刻投影设备,它所产生的辐射束被引导到该设备中(例如,借助于适当的定向反射镜);后一情形经常是当源SO为准分子激光(例如,基于KrF、ArF或F2激光作用)时的情况。
束随后截断于被保持于图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下,束PB穿过透镜PL,该透镜PL将所述束B聚焦到衬底W的目标部分C上。借助于第二定位装置(和干涉测量装置),可以准确地移动衬底台WT,例如,以便将不同目标部分C定位在束的路径中。类似地,第一定位装置可以用于例如在从图案形成装置库机械地获取图案形成装置MA之后或在扫描期间相对于束B的路径来准确地定位图案形成装置MA。通常,将借助于没有被明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现物体台MT、WT的移动。然而,在步进器(与步进扫描工具相反)的情况下,图案形成装置台MT可以仅连接到短行程致动器,或者可以是固定的。
所描绘的工具可以用于两种不同的模式中:
-在步进模式中,将图案形成装置台MT保持基本静止,并且将整个图案形成装置图像在一个操作中投影(即,单次“闪光”)到目标部分C上。然后,使衬底台WT在x和/或y方向上移位,以使得不同的目标部分C可以被束辐射;
-在扫描模式下,除了单次“闪光”中不曝光给定目标部分C之外,基本上适用于相同的情形。可替代地,图案形成装置台MT能够在给定方向(所谓的“扫描方向”,例如y方向)上以速率v移动,以使得投影束B在图案形成装置图像上进行扫描;同时,衬底台WT以速率V=Mv在相同或相反方向上同时移动,其中,M是透镜PL的放大率(典型地M=1/4或1/5)。这样,可以在不必对分辨率进行折衷的情况下曝光相对大的目标部分C。
图12更详细地示出设备1000,包括源收集器模块SO、照射系统IL以及投影系统PS。源收集器模块SO构造和布置成将真空环境维持在源收集器模块SO的围封结构220中。发射EUV辐射的等离子体210可以由放电产生等离子体源形成。EUV辐射可以通过气体或蒸汽产生,例如氙气、锂蒸汽或锡蒸汽,其中产生非常热的等离子体210以发射在电磁光谱的EUV范围内的辐射。例如,通过引起至少部分地电离的等离子体的放电而产生热的等离子体210。为了有效产生辐射,可能需要为例如分压为10Pa的Xe、Li、Sn蒸汽或任何其他适当的气体或蒸汽。在实施例中,提供被激发的锡(Sn)的等离子体以产生EUV辐射。
由热等离子体210发射的辐射经由定位于源腔室211中的开口中或后方的可选的气体阻挡件或污染物阱230(在一些情况下,也被称作污染物阻挡件或箔片阱)而从源腔室211传递到收集器腔室212中。污染物阱230可以包括通道结构。污染物阱230也可以包括气体阻挡件,或气体阻挡件与通道结构的组合。如本领域中已知的,本文中进一步示出的污染物阱或污染物阻挡件230至少包括通道结构。
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器CO。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。横穿收集器CO的辐射可以由光栅光谱滤光器240反射,然后沿着由线“O”所指示的光轴而聚焦在虚源点IF处。虚源点IF通常被称作中间焦点,并且源收集器模块被布置成使得中间焦点IF位于围封结构220中的开口221处或附近。虚源点IF是辐射发射等离子体210的图像。
随后,辐射横穿照射系统IL,该照射系统IL可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24,该琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成提供在图案形成装置MA处具有期望的角分布的辐射束21,以及在图案形成装置MA处具有期望的均匀性的辐射强度。在辐射束21在由支撑结构MT保持的图案形成装置MA处反射之后,形成图案化的束26,并且通过投影系统PS将图案化的束26经由反射元件28、30而成像到由衬底台WT保持的衬底W上。
在照射光学器件单元IL和投影系统PS中通常可以存在比示出的元件更多的元件。依赖于光刻设备的类型,可以可选地呈现光栅光谱滤光器240。此外,可以存在比图中示出的反射镜更多的反射镜,例如在投影系统PS中可以存在有在图18中示出的元件以外的1至6个额外的反射元件。
如图10中所图示的收集器光学器件CO被描绘为具有掠入射反射器253、254和255的嵌套收集器,仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255设置成围绕光轴O轴对称,并且这种类型的收集器光学器件CO可以与经常被称作DPP源的放电产生等离子体源组合使用。
替代地,源收集器模块SO可以是如图13所示的LPP辐射系统的一部分。激光器LA布置成将激光能量沉积到诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中,从而产生具有几十电子伏特的电子温度的高度电离的等离子体210。在这些离子的去激发和再结合或复合期间产生的高能辐射从等离子体发射,由近正入射收集器光学器件CO收集,并且聚焦到围封结构220中的开口221上。
本文中所披露的构思可以对用于对次波长特征进行成像的任何通用成像系统进行模拟或在数学上建模,并且在能够产生具有越来越小的大小的波长的新兴成像技术中可能尤其有用。已经在使用中的新兴技术包括能够通过使用ArF激光器产生193nm波长且甚至能够通过使用氟激光器产生157nm波长的极紫外线(EUV)光刻术。此外,EUV光刻能够通过使用同步加速器或通过利用高能电子来射到材料(固体或等离子体)而产生在20至5nm的范围内的波长,以便产生这种范围内的光子。
可以在以下方面中进一步描述本公开的实施例。
1.一种用于检测半导体器件制造过程中的变化、并且确定针对所述半导体器件制造过程的调整的方法,所述方法包括:
接收输入信息,所述输入信息包括半导体器件的几何形状信息和制造过程信息;
使用机器学习预测模型、基于所述输入信息,预测输出半导体器件几何形状变化;
基于来自所述机器学习预测模型的半导体器件几何形状变化预测结果,检测所述半导体制造过程中的变化;
基于所述半导体器件制造过程中的所检测的变化,确定一个或更多个半导体器件制造过程参数变化;和
基于所述一个或更多个所确定的半导体器件制造过程参数变化,确定针对所述半导体器件制造过程的调整。
2.根据方面1所述的方法,其中所述输入信息用于与半导体器件相关联的叠层。
3.根据方面2所述的方法,其中检测所述半导体制造过程中的变化包括:利用所述机器学习预测模型、基于所述输出半导体器件几何形状变化,预测重叠信号。
4.根据方面2所述的方法,其中检测所述半导体制造过程中的变化包括:利用所述机器学习预测模型、基于所述输出半导体器件几何形状变化来预测对准信号。
5.根据方面1至4中任一项所述的方法,还包括调节所预测的输出半导体器件几何形状变化,所述调节包括:将所述输出半导体器件几何形状变化与来自不同的非机器学习预测模型的相对应的实体测量结果和/或预测结果进行比较,基于所述比较产生损失函数,以及优化所述损失函数。
6.根据方面1至5中任一项所述的方法,其中所述几何形状信息包括针对半导体器件的一个或更多个层的目标设计的一个或更多个尺寸。
7.根据方面1至6中任一项所述的方法,其中所述制造过程信息包括一个或更多个蚀刻过程参数、一个或更多个沉积过程参数、和/或一个或更多个化学机械抛光过程参数。
8.根据方面1至7中任一项所述的方法,其中针对所述半导体器件制造过程的调整包括以下中的一个或更多个:
蚀刻过程参数从第一蚀刻过程参数值至第二蚀刻过程参数值的改变;
沉积过程参数从第一沉积过程参数值至第二沉积过程参数值的改变;或
化学机械抛光过程参数从第一化学机械抛光过程参数至第二化学机械抛光过程参数值的改变。
9.根据方面1至8中任一项所述的方法,其中所述半导体器件制造过程中的所检测的变化包括以下的一个或更多个:所述制造过程的处理参数的变化、在所述制造过程中所使用的一种或更多种材料的材料性质的变化、或所述一种或更多种材料的光学性质的变化。
10.一种用于预测与制造过程相关联的衬底几何形状的方法,所述方法包括:
接收输入信息,所述输入信息包括衬底的几何形状信息和制造过程信息;和
使用机器学习预测模型、基于所述输入信息,预测输出衬底几何形状。
11.根据方面10所述的方法,其中所述衬底包括与半导体器件相关联的叠层。
12.根据方面10至11中任一项所述的方法,还包括调节所预测的输出衬底几何形状,所述调节包括:将所述输出衬底几何形状与相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型的预测结果进行比较;基于所述比较来产生损失函数;以及优化所述损失函数。
13.根据方面12所述的方法,其中所述调节包括叠层调节,其中:
叠层调节输入包括:(1)与来自相对应的实体叠层的测量结果相关联的信号;(2)所述几何形状信息,所述几何形状信息包括所述实体叠层的名义几何形状;和(3)所述制造过程信息,和
叠层调节输出包括所述输出衬底几何形状,
并且其中所述输出衬底几何形状被调节,使得基于所述输出衬底几何形状而确定的模拟信号对应于与来自所述实体叠层的测量结果和/或所述实体叠层的所述名义几何形状相关联的信号。
14.根据方面10至13中任一项所述的方法,还包括:利用所述机器学习预测模型、基于所述输出衬底几何形状,预测重叠信号。
15.根据方面10至13中任一项所述的方法,还包括:利用所述机器学习预测模型、基于所述输出衬底几何形状,预测对准信号。
16.根据方面10至15中任一项所述的方法,其中所述机器学习预测模型包括神经网络。
17.根据方面10至16中任一项所述的方法,其中所述几何形状信息包括针对半导体器件的一个或更多个层的目标或标记设计的一个或更多个尺寸。
18.根据方面10至17中任一项所述的方法,其中所述制造过程信息包括在半导体器件的一个或更多个层上所执行的一个或更多个制造过程的一个或更多个参数。
19.根据方面10至18中任一项所述的方法,还包括:利用描述用于训练衬底的几何形状、图案、和制造过程参数的训练信息以及相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型的预测结果,训练所述机器学习预测模型。
20.一种用于监测制造过程的性能的方法,所述方法包括:
接收传递与由所述制造过程所产生的衬底的几何形状有关的信息的一个或更多个输入信号;和
利用预测模型、基于所述一个或更多个输入信号,确定所述制造过程中的变化。
21.根据方面20所述的方法,其中所述衬底与半导体器件相关联,并且所述制造过程包括半导体器件制造过程。
22.根据方面21所述的方法,还包括基于所述制造过程中的变化确定针对半导体器件制造设备的调整。
23.根据方面21至22中任一项所述的方法,其中在所述半导体器件制造过程期间实时地或接近实时地执行所述接收和所述确定。
24.根据方面20至23中任一项所述的方法,其中所述一个或更多个输入信号包括重叠信号。
25.根据方面20至24中任一项所述的方法,其中所述一个或更多个输入信号包括对准信号。
26.根据方面20至25中任一项所述的方法,其中所述半导体器件制造过程中的变化包括以下的一种或更多种:所述制造过程的处理参数的变化、在所述制造过程中所使用的一种或更多种材料的材料性质的变化、或所述一种或更多种材料的光学性质的变化。
27.根据方面18至26中任一项所述的方法,其中所述预测模型包括机器学习模型。
28.根据方面18至27中任一项所述的方法,其中所述预测模型包括神经网络。
29.根据方面18至28中任一项所述的方法,其中所述衬底包括与半导体器件相关联的叠层。
30.根据方面18至29中任一项所述的方法,还包括:基于所述制造过程中的已知扰动,训练所述预测模型。
31.一种计算机程序产品,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实施根据上述方面1至30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的晶片制造,但应理解,所披露的构思可以与任何类型的制造系统一起使用,例如,用于在除了硅晶片以外的衬底上进行制造的制造系统。另外,所披露元件的组合和子组合可以包括多个单独实施例。例如,用于预测过程变化的方法和用于调节的方法可以包括多个单独实施例,和/或这些方法可以一起用于同一实施例中。
以上描述旨在是示例性的,而不是限制性的。因而,本领域的技术人员将明白,在不背离下面阐述的权利要求书的范围的情况下,可以如所描述进行修改。
Claims (15)
1.一种非暂时性计算机可读介质,所述非暂时性计算机可读介质包括其中所储存的指令,所述指令在由一个或更多个处理器执行时引起执行一种预测与制造过程相关联的衬底几何形状的方法的操作,所述方法包括:
接收输入信息,所述输入信息包括衬底的几何形状信息和制造过程信息;和
使用机器学习预测模型、基于所述输入信息,预测输出衬底几何形状。
2.根据权利要求1所述的非暂时性计算机可读介质,其中,所述衬底包括与半导体器件相关联的叠层。
3.根据权利要求1所述的非暂时性计算机可读介质,其中,所述方法还包括基于所述预测调节所预测的输出衬底几何形状,所述调节包括:将所述输出衬底几何形状与相对应的实体衬底测量结果和/或来自不同的非机器学习预测模型的预测结果进行比较;和基于所述比较来产生损失函数;以及优化所述损失函数。
4.根据权利要求3所述的非暂时性计算机可读介质,其中,所述调节包括叠层调节,其中:
叠层调节输入包括:(1)与来自相对应的实体叠层的测量结果相关联的信号;(2)所述几何形状信息,所述几何形状信息包括所述实体叠层的名义几何形状;和(3)所述制造过程信息,并且
叠层调节输出包括所述输出衬底几何形状。
5.根据权利要求4所述的非暂时性计算机可读介质,其中,所述输出衬底几何形状被调节,使得基于所述输出衬底几何形状而确定的模拟信号对应于与来自所述实体叠层的测量结果和/或所述实体叠层的所述名义几何形状相关联的信号。
6.根据权利要求1所述的非暂时性计算机可读介质,其中,所述方法还包括:利用所述机器学习预测模型、基于所述输出衬底几何形状,预测重叠信号。
7.所述非暂时性计算机可读介质,还包括:使用所述机器学习预测模型、基于所述输出衬底几何形状,预测对准信号。
8.根据权利要求1所述的非暂时性计算机可读介质,其中,所述机器学习预测模型包括神经网络。
9.根据权利要求1所述的非暂时性计算机可读介质,其中,所述几何形状信息包括针对半导体器件的一个或更多个层的目标或标记设计的一个或更多个尺寸。
10.根据权利要求1所述的非暂时性计算机可读介质,其中,所述制造过程信息包括在半导体器件的一个或更多个层上所执行的一个或更多个制造过程的一个或更多个参数。
11.根据权利要求1所述的非暂时性计算机可读介质,其中,所述方法还包括:利用包括用于训练衬底的几何形状、图案、和制造过程参数的训练信息以及相对应的实体衬底测量结果和/或来自非机器学习预测模型的预测结果,训练所述机器学习预测模型。
12.根据权利要求1所述的非暂时性计算机可读介质,其中,所述方法还包括:利用所述机器学习预测模型、基于所述一个或更多个输入信号,确定所述制造过程中的变化。
13.根据权利要求12所述的非暂时性计算机可读介质,其中,所述方法还包括:基于所述制造过程中的变化确定针对半导体器件制造设备的调整,其中与在半导体器件制造过程期间接收重叠信号和/或对准信号大致实时地执行确定所述调整。
14.根据权利要求12所述的非暂时性计算机可读介质,其中,所述制造过程中的变化包括以下的一种或更多种:所述制造过程的处理参数的变化、在所述制造过程中所使用的一种或更多种材料的材料性质的变化、或所述一种或更多种材料的光学性质的变化。
15.根据权利要求11所述的非暂时性计算机可读介质,其中,所述训练包括:基于所述制造过程中的已知扰动,训练所述机器学习预测模型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962909668P | 2019-10-02 | 2019-10-02 | |
US62/909,668 | 2019-10-02 | ||
PCT/EP2020/076342 WO2021063728A1 (en) | 2019-10-02 | 2020-09-22 | Process monitoring and tuning using prediction models |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114556219A true CN114556219A (zh) | 2022-05-27 |
Family
ID=72615862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080068272.9A Pending CN114556219A (zh) | 2019-10-02 | 2020-09-22 | 使用预测模型的过程监控和调节 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220404711A1 (zh) |
KR (1) | KR20220054425A (zh) |
CN (1) | CN114556219A (zh) |
WO (1) | WO2021063728A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587629A (zh) * | 2022-12-07 | 2023-01-10 | 中国科学院上海高等研究院 | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11711382B2 (en) * | 2019-11-27 | 2023-07-25 | Clarity Consulting Corporation | Method and system of deducing state logic data within a distributed network |
CN118401900A (zh) * | 2021-12-17 | 2024-07-26 | Asml荷兰有限公司 | 用于不对称性引发的重叠误差的校正的机器学习模型 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015024783A1 (en) * | 2013-08-20 | 2015-02-26 | Asml Netherlands B.V. | Lithography system and a machine learning controller for such a lithography system |
WO2017060192A1 (en) * | 2015-10-08 | 2017-04-13 | Asml Netherlands B.V. | Method and apparatus for pattern correction and verification |
EP3441819A1 (en) * | 2017-08-07 | 2019-02-13 | ASML Netherlands B.V. | Computational metrology |
US20190129297A1 (en) * | 2017-10-31 | 2019-05-02 | Samsung Electronics Co, Ltd | Methods of forming semiconductors using etching effect predictions and methods for determining input parameters for semiconductor formation |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1997033205A1 (en) | 1996-03-06 | 1997-09-12 | Philips Electronics N.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
DE60319462T2 (de) | 2002-06-11 | 2009-03-12 | Asml Netherlands B.V. | Lithographischer Apparat und Verfahren zur Herstellung eines Artikels |
US7791727B2 (en) | 2004-08-16 | 2010-09-07 | Asml Netherlands B.V. | Method and apparatus for angular-resolved spectroscopic lithography characterization |
NL1036245A1 (nl) | 2007-12-17 | 2009-06-18 | Asml Netherlands Bv | Diffraction based overlay metrology tool and method of diffraction based overlay metrology. |
NL1036597A1 (nl) | 2008-02-29 | 2009-09-01 | Asml Netherlands Bv | Metrology method and apparatus, lithographic apparatus, and device manufacturing method. |
KR101429629B1 (ko) | 2009-07-31 | 2014-08-12 | 에이에스엠엘 네델란즈 비.브이. | 계측 방법 및 장치, 리소그래피 시스템, 및 리소그래피 처리 셀 |
JP2013502592A (ja) | 2009-08-24 | 2013-01-24 | エーエスエムエル ネザーランズ ビー.ブイ. | メトロロジ方法および装置、リソグラフィ装置、リソグラフィプロセシングセル、およびメトロロジターゲットを備える基板 |
NL2007642A (en) | 2010-11-10 | 2012-05-14 | Asml Netherlands Bv | Optimization flows of source, mask and projection optics. |
WO2012062501A1 (en) | 2010-11-12 | 2012-05-18 | Asml Netherlands B.V. | Metrology method and apparatus, and device manufacturing method |
-
2020
- 2020-09-22 WO PCT/EP2020/076342 patent/WO2021063728A1/en active Application Filing
- 2020-09-22 US US17/763,698 patent/US20220404711A1/en active Pending
- 2020-09-22 CN CN202080068272.9A patent/CN114556219A/zh active Pending
- 2020-09-22 KR KR1020227011103A patent/KR20220054425A/ko not_active Application Discontinuation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015024783A1 (en) * | 2013-08-20 | 2015-02-26 | Asml Netherlands B.V. | Lithography system and a machine learning controller for such a lithography system |
WO2017060192A1 (en) * | 2015-10-08 | 2017-04-13 | Asml Netherlands B.V. | Method and apparatus for pattern correction and verification |
EP3441819A1 (en) * | 2017-08-07 | 2019-02-13 | ASML Netherlands B.V. | Computational metrology |
US20190129297A1 (en) * | 2017-10-31 | 2019-05-02 | Samsung Electronics Co, Ltd | Methods of forming semiconductors using etching effect predictions and methods for determining input parameters for semiconductor formation |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587629A (zh) * | 2022-12-07 | 2023-01-10 | 中国科学院上海高等研究院 | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 |
CN115587629B (zh) * | 2022-12-07 | 2023-04-07 | 中国科学院上海高等研究院 | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 |
Also Published As
Publication number | Publication date |
---|---|
WO2021063728A1 (en) | 2021-04-08 |
US20220404711A1 (en) | 2022-12-22 |
KR20220054425A (ko) | 2022-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113196173A (zh) | 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法 | |
JP7482910B2 (ja) | 半導体製造プロセスにおいて堆積モデルを適用する方法 | |
KR102529085B1 (ko) | 성능 매칭에 기초하는 튜닝 스캐너에 대한 파면 최적화 | |
CN112543892A (zh) | 针对模拟系统的用于确定晶片的层的蚀刻轮廓的方法 | |
US11875101B2 (en) | Method for patterning process modelling | |
KR102580667B1 (ko) | 기판의 스택 구성을 결정하는 방법 | |
US20220404711A1 (en) | Process monitoring and tuning using prediction models | |
CN115104068A (zh) | 用于以基于缺陷的过程窗口为基础的校准模拟过程的方法 | |
CN113168121B (zh) | 基于局部电场来调整图案化过程的模型中的目标特征的方法 | |
EP3588191A1 (en) | Tuning patterning apparatus based on optical characteristic | |
CN114341742A (zh) | 确定图案的像差灵敏度的方法 |
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 |