CN114930117A - 结合物理建模与机器学习 - Google Patents

结合物理建模与机器学习 Download PDF

Info

Publication number
CN114930117A
CN114930117A CN202080092010.6A CN202080092010A CN114930117A CN 114930117 A CN114930117 A CN 114930117A CN 202080092010 A CN202080092010 A CN 202080092010A CN 114930117 A CN114930117 A CN 114930117A
Authority
CN
China
Prior art keywords
model
sets
scatter data
training
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
Application number
CN202080092010.6A
Other languages
English (en)
Inventor
巴瑞克·布兰欧利兹
拉恩·雅各比
奥弗·施拉格曼
博阿茨·斯特莱西
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Novell Ltd
Original Assignee
Novell Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Novell Ltd filed Critical Novell Ltd
Publication of CN114930117A publication Critical patent/CN114930117A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • 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
    • 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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G01B11/0625—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating with measurement of absorption or reflection
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Acyclic And Carbocyclic Compounds In Medicinal Compositions (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

提供了一种用于OCD计量的系统和方法，包括接收参考参数、接收多组测量散射数据、和接收设计为根据一组图案参数生成一组或多组模型散射数据的光学模型，以及通过在训练期间应用包括参考参数的目标特征以及通过应用包括测量散射数据集和模型散射数据集的输入特征来训练机器学习模型，使得训练后的机器学习模型从后续测量的散射数据集估算新的晶片图案参数。

Description

结合物理建模与机器学习
技术领域
本发明总体上涉及集成电路晶片图案的光学检查领域，尤其涉及用于测量晶片图案参数的算法。
背景技术
集成电路(IC)通过沉积、改变和去除积聚在晶片上堆叠结构中的薄层的多个步骤在半导体晶片上生产。这些堆叠结构(或“堆叠”)通常以重复图案形成，该重复图案像衍射光栅一样具有光学特性。用于测量这些图案的关键尺寸(CD)和材料属性的现代计量学方法利用了这些光学特性。下文中，CD和材料属性也被称为“图案参数”，或简称为“参数”。这些参数可以包括堆叠的高度、宽度和间距。如Dixit等人在“使用基于Mueller矩阵光谱的椭偏仪的光学关键尺寸计量方法对28nm间距的硅鳍片进行灵敏度分析和线边缘粗糙度确定”中所述，J.Micro/Nanolith.MEMS MOEMS。14(3)，031208(2015)(通过引用并入本文)中，图案参数还可包括：侧壁角度(SWA)，间隔物宽度，间隔物下拉，外延接近度，立脚/底切，2维(HKMG)的过填充/底填充，3维轮廓(FinFET)和线边缘粗糙度(LER)的分布。
光学关键尺寸(OCD)计量采用散射法来测量散射数据，即反射光辐射，它表示图案的光学特性。散射数据的测量集(也可称为散射特征码)可以包括反射的零级辐照度与辐射入射角的数据点。可替代地或附加地，散射数据可以包括光谱图，该光谱图是在一定波长或频率范围内反射辐射强度的计量。本领域已知的其他类型的散射数据也可应用于OCD计量学中。
通过引用并入本文的Scheiner和Machavariani的美国专利6,476,920“用于测量图案结构的方法和装置”描述了“光学模型”(也称为“物理模型”)的开发。光学模型是定义反射辐射和晶片物理结构之间关系的函数(即一组算法)。也就是说，光学模型是关于光如何从具有已知参数的图案反射的理论模型。因此，可以将这种光学模型应用于从一组已知的图案参数中估计散射数据，该散射数据将在光谱测试期间测量。光学模型也可以被设计为执行相反的(或“逆”)函数，即根据测量的散射数据估计图案参数。
光学模型通常应用于IC生产程序中的OCD计量，基于散射测量来测量是否使用正确的参数制造晶片图案。可以测量给定晶片的每个图案，以确定每个图案的参数与设计规范或平均值的变化程度。
作为光学建模的替代方法，机器学习(ML)技术可用于基于散射数据的图案参数估计。例如，如通过引用并入本文的Rothstein等人的PCT专利申请WO 2019/239380中所述，可以通过下述方法训练机器学习模型以识别测量的散射数据和测量的参考参数之间的对应关系。在训练了ML模型以从散射数据估计参数之后，可以将其应用于IC生产期间进行此类参数估计。
用于测量(获取)散射数据(例如光谱图)的示例性散射测量工具可包括光谱椭圆仪(SE)、光谱反射仪(SR)、偏振光谱反射仪以及其他光学关键尺寸(OCD)计量工具。此类工具已被纳入到目前可用的OCD计量系统中。一种这样的OCD计量系统是NOVA
Figure BDA0003732878010000021
改进的OCD计量工具，可从以色列雷霍沃特的Nova测量仪器有限公司购买，用于测量可能在指定测试地点或“模内”的图案参数。测量关键尺寸(CD)的其他方法包括干涉法、X射线拉曼光谱法光谱分析(XRS)、X射线衍射(XRD)和泵探头工具等。专利WO2018/211505、US 10,161,885、US10,054,423、US 9,184,102和US 10,119,925中公开了此类工具的一些示例，所有这些专利均转让给申请人，并通过引用整体并入本文。
不依赖于上述光学模型的高精度图案参数测量方法包括使用诸如CD扫描电子显微镜(CD-SEM)、原子力显微镜(AFM)、横截面隧道电子显微镜(TEM)或X射线计量工具等设备进行晶片测量。这些方法通常比光学和ML建模方法更昂贵和耗时。
然而，光学和ML建模也有缺点。由于用于光学建模的几何模型是实际图案参数的理想化，并且由于数值求解非线性散射方程的困难，因此光学建模也很耗时，并且容易产生误差，特别是当图案参数的尺寸不断缩小时。另一方面，由于其基于物理学基础，光学建模通常是可靠的。此外，物理参数和理论光学性质之间的直接关联意味着光学模型结果通常比ML结果更易于解释。另一方面，ML建模虽然避免了光学建模中一些耗时的障碍，但通常需要大量的参考参数和散射数据集进行训练，而这些参数的获取也需要昂贵、耗时的计量设备。下面公开的本发明的实施例有助于克服这两种方法的缺点。
发明内容
本发明的实施例提供了一种用于生成用于OCD的机器学习模型的系统和方法，所述机器学习模型利用测量的散射数据和已知的光学模型，所述光学模型是根据物理定律设计的。提供的方法包括：从多个相应的晶片图案接收多组参考参数，并从多个相应的晶片图案接收多组相应的测量散射数据；接收光学模型，用于根据提供给光学模型的图案参数计算模型散射数据集；通过在训练期间应用包括参考参数的目标特征来训练机器学习模型，并且通过应用包括测量散射数据集和模型散射数据集的输入特征，使得训练的机器学习模型从随后测量的散射数据集估计新的晶片图案参数。
在一些实施例中，光学模型(OM)可进一步设计为执行从一组散射数据计算模型图案参数的逆函数，并且ML模型的训练可包括：通过应用光学模型为多组测量的散射数据计算一组相应的模型图案参数，从而计算多组模型图案参数；通过将光学模型应用于每组相应的模型图案参数来计算多组模型散射数据，以生成一组相应的模型散射数据；通过一下组合生成组合特征向量，包括，所述多组测量的散射数据中的每一组、所述测量的散射数据、所述相应的模型图案参数和所述相应的模型散射数据；以及训练ML模型，其中参考参数作为训练的目标特征，并且组合特征向量作为输入特征。
在进一步的实施例中，ML模型可以是转移神经网络(NN)，ML模型的训练可以包括训练第一NN和转移NN，使得训练第一NN和转移NN包括：生成多组模拟图案参数；通过应用光学模型为每组模拟图案参数生成一组模型散射数据，从而生成多组模型散射数据；用包括多组模拟图案参数的第一目标集和包括模型散射数据集的第一输入特征训练第一NN；以及使用从第一NN转移来的初始层训练转移NN，以训练转移NN的一个或多个最终层。将多组参考参数设置为目标特征，并将多组测量的散射数据作为相应的输入特征。
在进一步的实施例中，训练ML模型可以包括关于图案参数的参考集合的最小化损失函数，其中损失函数是均方误差(MSE)函数。可通过CD扫描电子显微镜(CD-SEM)、原子力显微镜(AFM)、横截面隧道电子显微镜(TEM)、或X射线计量工具、或依赖于光学建模的高精度OCD光谱学中的一个或多个，以高精度计量学来测量参考参数集。多个相应的晶片图案可位于一个或多个晶片上。在一些实施例中，可以通过两个或更多个测量信道来测量多组测量的散射数据。
通过本发明的实施例，还提供了一种用于OCD计量的系统，该系统包括具有非瞬态存储器的处理器，该存储器包括指令，该指令在由处理器执行时使处理器实现以下步骤：接收多组来自多个相应的晶片图案参考参数，并从多个相应的晶片图案接收多组相应的测量散射数据；接收设计用于根据提供给模型的图案参数计算模型散射数据的光学模型；通过在训练期间应用目标特征(包括参考参数)和输入特征(包括测量的散射数据和模型散射数据的集合)来训练机器学习模型，以使训练后的机器学习模型从随后的测量散射数据集合中估计新的晶片图案参数。
附图说明
为了更好地理解本发明的各个实施例并示出如何可以实现相同的实施例，参考附图作为示例。示出本发明的结构细节以提供对本发明的基本理解，结合附图进行的描述使本领域技术人员显而易见知道如何在实践中体现本发明的几种形式。在附图中：
图1是根据本发明的实施例，用于利用光谱仪数据和光学OCD模型生成用于OCD计量的机器学习模型的系统的示意图；
图2是一个流程图，描述了根据本发明的实施例，利用光谱仪数据和光学OCD模型生成用于OCD计量的第一机器学习模型的程序；
图3是根据本发明实施例的实现第一机器学习模型的神经网络的示意图；
图4是一个流程图，描述了根据本发明的实施例，利用光谱仪数据和光学OCD模型来生成用于OCD计量的第二机器学习模型的程序；
图5是根据本发明实施例的实现第二机器学习模型的神经网络的示意图；以及
图6和图7是曲线图，描述了根据本发明的实施例，示出根据散射数据(现有技术)训练机器学习(ML)模型的准确性，与用测量的散射数据和光学模型生成的模型散射数据训练的ML模型相反。
具体实施方式
本发明的实施例提供了通过利用已知的光学OCD模型(本文称为“光学模型”)来生成用于光学关键尺寸(OCD)监测的机器学习(ML)模型的系统和方法。通过使用至少一些由光学模型生成的散射数据(即，使用“模型”散射数据)训练ML模型，而不是仅使用实际测量值进行训练，可以改进结果并降低成本。
图1是本发明实施例的系统10的示意图，系统10利用光谱仪数据和光学模型来生成用于OCD计量的机器学习模型。
系统10可在生产线(未示出)内运行，以生产和监控晶片12。如图所示，晶片12包括图案14。如在放大图案14a中所示出的，这些图案具有诸如高度(“h”)、宽度(“w”)和间距(“p”)等参数，以及在上述背景技术中描述的其它参数。通常，晶片有设计成具有相同图案的多个区域或段(即，使用相同图案设计来制造所有图案)。对于每个图案，可以测量多个参数。在下文中，来自给定图案的一组多个参数的集合也被称为图案向量。
制造上的变化导致晶片之间以及单个晶片上的图案参数发生轻微变化，这些变化通过测量散射数据的变化来表示。
系统10包括光源20，该光源生成预定波长范围的光束22。光束22从晶片图案14(示出为反射或“散射”光24)向分光光度检测器26反射。在一些配置中，光源和分光光度检测器包括在OCD计量系统30中(例如，椭偏仪或分光光度计)。计量系统30的构造和操作可以是任何已知的类型，例如，U.S.Pat.No.5,517,312公开的，Finarov的“薄膜厚度测量装置”，通过引用并入本文。通常，计量系统30包括未示出的附加组件，例如导光光学器件，其可包括具有物镜、分束器和反射镜的光束偏转器。这种系统的附加部件可以包括成像透镜、偏光透镜、可变光圈孔径和马达。这些元件的操作通常由计算机控制器自动执行，计算机控制器可以包括I/O设备，并且还可以配置为执行数据处理任务，例如生成散射数据32。
由计量系统30生成的散射数据32通常包括各种类型的标绘数据34，其可以用向量形式表示(例如光谱图，其数据点是在不同波长处反射光强度的测量)。如上所述，测量的散射数据集之间的变化表示不同的图案参数。在典型的OCD计量中，所测量光的范围可能包括可见光谱，也可能包括紫外线和红外线区域的波长。用于OCD计量的典型光谱图输出可能具有245个数据点，覆盖200至970nm的波长范围。
在本发明的实施例中，包括本领域已知的ML工具的计算机系统(本文中称为ML建模系统40)，可配置为训练用于OCD计量的ML模型。ML建模系统使用的输入训练特征向量可以包括多组测量的散射数据34以及由光学模型42生成的散射数据，即“模型散射数据”。参考参数44(表示为“图案参数向量”)可以用作ML训练的目标特征集。可通过本领域已知的高精度手段(例如，CD-SEM、AFM、TEM、X射线计量或依赖于光学建模的高精度OCD光谱学)从一个或多个晶片图案中获取参考参数。在训练之后，ML模型用于基于测量的散射数据来预测图案参数，这一程序可以应用于例如晶片生产的监控中。
ML建模系统40可以独立于计量系统30运行，也可以与计量系统集成。
下文中，描述了利用基于测量散射数据和模型散射数据的训练特征向量的ML训练程序。通过结合测量数据和光学方法的知识，尽管依赖于相对较小的训练数据集，ML模型仍可以变得更精确。具体地，描述了这样的ML训练的两个示例，即图2和图3中示出的程序200，以及图4和图5中示出的程序400。下文中，程序200也称为组合特征向量方法，程序400也称为转移学习神经网络方法。
程序200和程序400的描述使用以下术语。通过OCD计量学从单个图案测量的散射数据被称为散射数据的集合(即“单个”集合)，并且可以表示为测量的散射向量
Figure BDA0003732878010000081
由光学模型根据一组图案参数(即，“一组模型散射数据”)计算出的一组理论散射数据可表示为散射向量
Figure BDA0003732878010000082
一组参考参数，即直接从没有光学模型的晶片上测量的参数，可以表示为参考参数向量
Figure BDA0003732878010000083
而根据光学模型从一组散射数据生成的参数可以表示为模型参数向量
Figure BDA0003732878010000084
光学模型本身可以表示为函数，该函数可以从一组参数
Figure BDA0003732878010000085
(可以是测量参数，或者其本身可以是模型参数)预测(或者“生成”)散射向量
Figure BDA0003732878010000086
或者执行逆函数，即从一组散射数据
Figure BDA0003732878010000091
(可通过光学模型测量或生成)预测
Figure BDA0003732878010000092
光学模型的逆函数也可以写为函数的“伪逆”形式，即，该函数可以写为fOM，伪逆形式可以写为
Figure BDA0003732878010000093
因此，在数学上，上述定义可以写成：
Figure BDA0003732878010000094
以及
Figure BDA0003732878010000095
图2是一个流程图，描述了根据本发明的一个实施例，利用散射数据和光学模型生成用于OCD计量的机器学习模型的计算机实现的程序200。程序200可以由如上所述的ML建模系统40实现。
程序200从一组步骤210开始，在S210中，向建模系统提供外部数据和算法。第一步S212包括接收多组参考参数，即多个参数向量：
Figure BDA0003732878010000096
这些参数向量从各自的参考图案中测得。每组参考参数包括一个或多个数据点(例如，高度、宽度、间距等)。如下所述，随后在ML训练期间，将每个集合与一组散射数据相关联。参考晶片图案通常是整个晶片的一部分，其为在晶片表面上重复的一部分。参考参数可以用高精度OCD计量来测量。如上所述，高精度OCD计量可包括CD-SEM、AFM、TEM、X射线计量或依赖于光学建模的高精度OCD光谱。如下所述，测量的参考参数集的数目定义了训练数据集的大小。
S214包括接收多组测量的散射数据：
Figure BDA0003732878010000101
每组散射数据从相应的晶片图案上测量，相应的参数向量(即，相应的“一组参数”)也从该晶片图案上测量。
在S216中，除了测量的多组散射数据和参考参数外，还接收光学OCD模型及其逆函数(即fOM和
Figure BDA0003732878010000102
)。如上所述，光学OCD模型是根据光学物理定律的应用而产生的。应当理解，S210的集合可按任何顺序或并行地执行，特别地，可在图案参数之前获取测量的散射数据(当使用破坏性计量工具来获得图案参数时，要求此选项)。
接下来，在S220中，对于每组测量的散射数据
Figure BDA0003732878010000103
应用光学模型
Figure BDA0003732878010000104
来计算一组模型图案参数
Figure BDA0003732878010000105
也就是说，
Figure BDA0003732878010000111
然后，将光学模型fOM应用于所生成的每一组模型图案参数
Figure BDA0003732878010000112
以生成相应的一组模型散射数据，即模型散射向量
Figure BDA0003732878010000113
也就是说，
Figure BDA0003732878010000114
然后，将每组测量的散射数据
Figure BDA0003732878010000115
(去除用于概括所有测量的散射数据集的索引k)与其相应的模型参数
Figure BDA0003732878010000116
和其相应的一组模型散射数据
Figure BDA0003732878010000117
组合为单个组合向量，在本为中称为
Figure BDA0003732878010000118
即
Figure BDA0003732878010000119
在示例场景中，向量
Figure BDA00037328780100001110
和
Figure BDA00037328780100001111
都包括245个数据点。向量
Figure BDA0003732878010000121
通常有1到10个数据点。因此，示例向量
Figure BDA0003732878010000122
可能包括245+245+10＝500个数据点。
在S230中，训练机器学习模型，以将每个组合特征向量
Figure BDA0003732878010000123
与其对应的图案参数
Figure BDA0003732878010000124
的参考集相关。(用于训练的输入和输出特征与相同的晶片图案进行匹配，其用于通过输入特征组合向量
Figure BDA0003732878010000125
测量输出特征
Figure BDA0003732878010000126
和测量散射向量
Figure BDA0003732878010000127
)
图3示出了作为神经网络(NN)300的ML模型的示意性示例，将输入特征向量表示为示例性向量
Figure BDA0003732878010000128
将输出特征向量表示为
Figure BDA0003732878010000129
ML模型的输入节点表示为节点320，输出节点表示为节点322。通常将输入节点的数量调整为输入向量的大小，这意味着上述示例将有500个输入节点(可以通过外推每个
Figure BDA00037328780100001210
中的额外数据点而四舍五入为2的幂，即512个节点)。输出节点的数量将对应于每组图案参数中的参数数量。如NN300所示，神经网络可设计成完全连接。根据测量的散射数据集的数量(即，训练数据集的大小)，可以将隐藏层340添加到NN 300。(对于有限数量的测量散射数据集，隐藏层可能不会提高精度。)通常根据标准ML训练方法执行训练，该方法可以包括例如L2正则化。输入和输出特征向量之间的相关性可以由均方误差(MSE)损失函数来定义。优选地，组合特征向量的验证数据集将从不同晶片(而不是在训练数据集中使用的晶片)获取的测量散射数据集生成。
回到图2，在训练ML模型之后，可以在IC晶片生产期间应用ML模型来监视图案参数(S240)。在生产阶段，从晶片图案中测量散射数据。然后，如上文所述，从测量的散射数据集生成组合特征向量。然后将组合的特征向量应用于训练的ML模型以预测(即估计)晶片图案的参数。
图4是一个流程图，描述了根据本发明的一个实施例，利用光谱数据和光学OCD模型生成用于OCD计量的机器学习模型的计算机实现程序400。与程序200类似，程序400可以由ML建模系统40实现，如上文图1所述。与程序200类似，程序400使用测量散射数据和模型散射数据训练ML模型，模型散射数据由光学模型生成。与程序200相比，程序400包括具有转移学习的两阶段ML训练过程(即如下所述的S430)。
程序400从一组步骤410开始，在S410中，向建模系统提供外部数据和算法。第一步S212包括接收多组参考参数，例如参数向量
Figure BDA0003732878010000131
这些参数是从各自参考图案测量的。S214包括接收多组测量的散射数据，例如
Figure BDA0003732878010000141
每组测量都是从相应的参考图案中测量的，从中也测量出相应的一组参考参数。
除了测量的散射数据集和参考参数外，在S416中还接收光学OCD模型fOM，定义为
Figure BDA0003732878010000142
注意，S410的一组步骤与程序200的相应步骤210之间的区别在于，与相应步骤216相比，步骤416不需要获取逆光学模型，因为程序400不需要该逆函数。还应注意，接收或生成ML训练所需数据的步骤可以按任何顺序执行。具体地，可以在其它步骤之前，例如在初始化ML建模系统的步骤，获取光学模型。
在S420中，生成多组模拟的图案参数
Figure BDA0003732878010000143
即
Figure BDA0003732878010000144
可以生成模拟参数以具有反映此类参数的典型制造变化的分布。
在S422中，然后将光学模型
Figure BDA0003732878010000145
应用于每组模拟图案参数
Figure BDA0003732878010000146
以生成一组模型散射数据
Figure BDA0003732878010000147
在一些实施例中，一组散射数据可以是光谱图，其可能具有例如245个数据点。
在S430中，通过转移学习训练神经网络，包括两个训练阶段，第一阶段432和转移阶段434。
在第一阶段432中，使用完全监督学习的形式训练第一神经网络(NN)，其中将所生成的模型散射数据
Figure BDA0003732878010000151
中的每一组数据作为输入特征向量应用于ML模型，每个输入
Figure BDA0003732878010000152
的输出特征向量是对应的一组模拟图案参数
Figure BDA0003732878010000153
在ML训练的第二阶段(S432)，第一阶段NN的初始层(即连接初始层节点的激活函数)被转移到ML训练的第二阶段，这在本文中被称为“转移训练阶段”的“转移NN”。然后用测量的散射数据集作为输入特征，并且对于每组测量的散射数据相应的参考参数作为输出特征来训练转移NN。在训练和验证ML模型后，可以将其用于生产中，如S440所示，类似于程序200的S240。
图5A和图5B示出上述ML训练的两个相应阶段，第一阶段500(图5A)和转移训练阶段510(图5B)的示意性示例。在示例性实施例中，在第一阶段，对于输入特征，使用从模拟参数向量
Figure BDA0003732878010000161
生成的向量
Figure BDA0003732878010000162
训练输入节点520、隐藏层522和输出层524，并且对于输出(“目标”)特征，相应的模拟参数向量
Figure BDA0003732878010000163
也就是说，训练将每个
Figure BDA0003732878010000164
与生成它的相应
Figure BDA0003732878010000165
相关联。
转移训练阶段使用在第一训练阶段中计算的相同激活函数和隐藏节点，同时重新训练最终激活层530(显示为白色节点)。对于输入特征，转移NN的训练使用向量
Figure BDA0003732878010000166
对于输出特征，使用在S410获取的相应参考参数
Figure BDA0003732878010000167
也就是说，训练将每个
Figure BDA0003732878010000168
与从相同图案测量的相应
Figure BDA0003732878010000169
相关联。
通常，输入节点的数量对应于向量
Figure BDA00037328780100001610
的大小。在一个示例性实施例中，ML建模的两个阶段可以配置为具有大小为490的输入层的完全连接的神经网络。由490个节点组成的输入层可以用来接收组合了245个数据点的两个散射数据向量的输入特征向量。这两个散射数据向量可以从不同的“通道”中获取，即，从给定图案的不同测量配置中获取。例如，可以改变入射光角度或光偏振来创建两个不同的散射数据向量，这两个数据向量都提供关于相同图案的信息。输入层之后可以是两个大小为16的隐藏层，第二个隐藏层之后是校正线性激活函数(ReLU)激活函数，以及大小为3的线性输出层，其对应于一组示例性图案参数中的参数数量。
图6示出根据本发明实施例，与由发明人测试的现有技术方法相反，根据测量的散射数据和由光学模型生成的模型散射数据训练的ML模型的精度的图。现有技术方法包括仅使用散射数据训练的ML模型(例如，参见上述PCT专利申请WO 2019/239380，Rothstein等人)，以及仅基于使用光学模型估计图案参数的非ML方法(例如，参见上述专利US6,476,920，Scheiner和Machavariani)。如图6的图表所示，对于通过本文所描述的方法开发的ML模型，参考参数和模型预测的参数之间的标准偏差显示为更低(即，精度更高)。ML模型输出
Figure BDA0003732878010000171
的标准偏差(std)通常如下计算：
Figure BDA0003732878010000172
图7示出本文公开的程序200和400相对于上述现有技术ML方法(表示为“ML基准”)的精度图。以测量散射数据作为输入特征，相应的参考参数作为输出特征，对ML基准进行单阶段训练。程序200表示组合特征向量(“组合FV”)方法，程序400表示转移NN方法。从大的数据池中随机抽取不同大小的训练数据集，这些数据集由标记图形结果的误差线表示。由于这种重新取样，图中表示的误差线为1-sigma不确定。如图所示，对于训练大于5个或10个测量数据集，本发明的方法显著的显示出比基准更高的精度。与整组测量数据相比，诸如主成分分析(内核PCA)之类的降维方法并未提高拟合度。
如图所示，程序200和程序400均比ML基准方法生成更高精度的ML模型。
应当理解，根据常规技术，本文所示或所述的处理元件优选地在非暂时性计算机可读介质中的计算机硬件和/或计算机软件中的一个或多个计算机来实施，例如通过计算机总线或其他连接设备耦合的计算机处理器，内存，I/O设备和网络接口。除非另有说明，本文所使用的术语“处理器”或“设备”旨在包括任何处理设备，诸如包括中央处理单元(CPU)和/或其他处理电路的设备(例如GPU)。另外，术语“处理器”或“设备”可以指多于一个的处理设备，并且与处理设备相关联的各种元件可以被其他处理设备共享。
本文所使用的术语“存储器”旨在包括与处理器或CPU相关联的存储器，例如RAM、ROM、固定存储器设备(例如，硬盘驱动器)、可移动存储器设备(例如，软盘、磁带)、闪存等。这样的存储器可以认为是计算机可读存储介质。
另外，本文所使用的“输入/输出设备”或“I/O设备”可能包括一个或多个向处理单元输入数据的输入设备(例如，键盘、鼠标、扫描仪、HUD等)，和/或一个或多个输出设备(例如扬声器、显示器、打印机、HUD、AR、VR等)，用于显示与处理单元相关的结果。
本发明的实施方式可包括系统、方法和/或计算机程序产品。计算机程序产品可包括一个计算机可读存储介质(或多个计算机可读存储介质)，该计算机可读存储介质中存有使处理器运行本发明的计算机可读程序指令。
所述计算机可读存储介质可以是能够保留和存储指令以供指令执行设备使用的有形设备。计算机可读存储介质可以但不限于是，例如电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或上述设备任何适当组合。计算机可读存储介质的更具体示例的非穷举列表包括以下内容：便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式光盘只读存储器(CD-ROM)、数字多功能磁盘(DVD)、蓝光、磁带、全息存储器记忆棒、软盘、机械编码设备(例如打孔卡或凹槽中的凸起结构，上面存有指令)，以及上述设备任何适当组合。如本文所使用的，计算机可读存储介质不应被解释为瞬时信号本身，例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，通过光纤电缆的光脉冲)、或通过电线传输的电信号。
所述计算机可读程序指令可经由网络(例如，互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到各个计算/处理设备或下载到外部计算机或外部存储设备。该网络可包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令，转发计算机可读程序指令以存储在相应的计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令可以是汇编程序指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据，或以一种或多种编程语言(包括面向对象的编程语言，例如Java、Smalltalk、C++等，以及常规面向过程的编程语言，例如C语言或类似的编程语言)的任意组合编写的源代码或目标代码。计算机可读程序指令可以全部在用户计算机上、部分在用户计算机上、作为独立软件包执行、部分在用户计算机上部分在远程计算机上、完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者可以与外部计算机建立连接(例如，通过使用互联网服务提供商的互联网)。在一些实施方式中，电子电路(包括例如可编程逻辑电路、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA))可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令个性化电子电路来执行本发明。
此处，根据本发明实施方式的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面，应当理解，流程图和/或框图每个块，以及流程图和/或框图的每个框的组合都可以通过计算机可读程序指令来实施。
这些计算机可读程序指令可提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器，来产生机器，以使经由计算机的处理器或其他可编程数据处理设备的处理器执行的指令来创建方法，从而实施流程图和/或框图中指定的功能/动作。该计算机可读程序指令还可以存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式工作，这样其中存有指令的计算机可读存储介质包括制造物品，该制造物品包括实施流程图和/或框图中指定的功能/动作方面的指令。
也可以将所述计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤，来产生计算机实施的流程，以使在计算机、其他可编程装置或其他设备上执行的指令实施流程图和/或框图中指定的功能/动作。
本文中包括的任何流程图和框图描述了根据本发明的各个实施方式的系统、方法和计算机程序产品的可能实施的架构、功能和操作。就这点而言，流程图或框图中的每个框可以表示指令的模块、片段或一部分，包括用于实施指定的逻辑功能的一个或多个可执行指令。在一些替代实施方式中，框中示出的功能可以不按其中示出的顺序发生。例如，实际上，根据所涉及的功能，基本上可以同时执行连续示出的两个框，或者可以以相反的顺序执行这些框。还应注意，框图和/或流程图的每个框以及框图和/或流程图框的组合可以由执行指定功能或动作的基于专用硬件的系统来实施，或执行指定功能的硬件和计算机指令的组合来实施。
对本发明各实施方式的描述仅为说明目的，并且不旨在排除或限制所披露的实施方式。在不脱离所描述的实施方式的范围和精神的情况下，许多修改和变化对于本领域普通技术人员是显而易见的。选择本文使用的术语旨在最好地解释实施例的原理、对于市场中出现的技术的实际应用或技术改进，或者使本领域的普通技术人员能够理解本文中公开的实施例。

Claims (14)

1.一种用于OCD计量的方法，包括：
从多个相应的晶片图案接收多组参考参数，并从相应的多个晶片图案接收相应的多组测量散射数据；
接收光学模型，所述光学模型被设计为根据提供给所述光学模型的图案参数来计算模型散射数据，其中所述光学模型是根据物理定律来设计的；以及
训练机器学习模型，通过在所述训练期间应用包括所述多组参考参数的目标特征以及通过应用包括所述多组测量散射数据和所述模型散射数据的输入特征来训练，这样，所述训练机器学习模型可以从随后测量散射数据中估计新的晶体图案参数。
2.根据权利要求1所述的方法，其中所述光学模型被进一步设计为执行从一组散射数据计算模型图案参数的逆函数，并且其中所述机器学习模型的所述训练包括：
通过应用所述光学模型为每一组测量散射数据计算一组相应的模型图案参数，从而计算多组模型图案参数；
通过将所述光学模型应用于每一组相应的模型图案参数，计算多组模型散射数据，以生成一组相应的模型散射数据；
对于所述多组测量散射数据中的每一组，通过将所述一组测量散射数据、所述相应的模型图案参数和所述相应的模型散射数据组合成组合特征向量，来生成组合特征向量；以及
训练所述机器学习模型，以所述参考参数作为所述训练的所述目标特征，所述组合特征向量作为所述输入特征。
3.根据权利要求1所述的方法，其中所述机器学习模型是转移神经网络(NN)，其中对所述机器学习模型的所述训练包括：训练第一NN和所述转移NN，并且其中训练所述第一NN和所述转移NN包括：
生成多组模拟图案参数；
通过应用所述光学模型为每组模拟图案参数生成一组模型散射数据，从而生成多组模型散射数据；
使用包括所述多组模拟图案参数的第一目标集和包括所述多组模型散射数据的第一输入特征训练所述第一NN；以及
使用从所述第一NN转移的初始层训练所述转移NN，以将所述转移NN的一个或多个最终层训练为目标，并将所述多组参考参数作为所述目标特征，并将所述多组测量散射数据作为所述相应的输入特征。
4.根据权利要求1所述的方法，其中训练所述机器学习模型包括关于所述一组参考图案参数的最小化损失函数，并且其中所述损失函数是均方误差(MSE)函数。
5.根据权利要求1所述的方法，其中所述一组参考参数通过一个或多个CD扫描电子显微镜(CD-SEM)、原子力显微镜(AFM)、横截面隧道电子显微镜(TEM)或X射线计量工具进行高精度计量来测量。
6.根据权利要求1所述的方法，其中所述多个相应的晶片图案位于一个或多个晶片上。
7.根据权利要求1所述的方法，其中所述多组测量散射数据由两个或更多个测量通道测量。
8.一种用于OCD计量的系统，包括具有非瞬时存储器的处理器，所述存储器包括指令，所述处理器执行指令时实现以下步骤：
从多个相应的晶片图案接收多组参考参数，并从所述多个相应的晶片图案接收多组相应的测量散射数据；
接收光学模型，所述光学模型被设计成根据提供给所述光学模型的图案参数来计算模型散射数据集，其中所述光学模型是根据物理定律来设计的；以及
通过在所述训练期间应用包括所述参考参数的目标特征，以及通过应用包括所述多组测量散射数据和所述多组模型散射数据的输入特征来训练机器学习模型，这样，所述训练机器学习模型可以从随后测量散射数据中估计新的晶体图案参数。
9.根据权利要求8所述的系统，其中所述光学模型被进一步设计为执行从一组散射数据计算模型图案参数的逆函数，并且其中所述机器学习模型的所述训练包括：
通过应用所述光学模型为每一组测量散射数据计算一组相应的模型图案参数，从而计算多组模型图案参数；
通过将所述光学模型应用于每一组相应的模型图案参数，计算多组模型散射数据，以生成一组相应的模型散射数据；
对于所述多组测量散射数据中的每一组，通过将所述一组测量散射数据、所述相应的模型图案参数和所述相应的模型散射数据组合成组合特征向量，来生成组合特征向量；以及
训练所述机器学习模型，以所述参考参数作为所述训练的所述目标特征，所述组合特征向量作为所述输入特征。
10.根据权利要求8所述的系统，其中所述机器学习模型是转移神经网络(NN)，其中对所述机器学习模型的所述训练包括：训练第一NN和所述转移NN，并且其中训练所述第一NN和所述转移NN包括：
生成多组模拟图案参数；
通过应用所述光学模型为每组模拟图案参数生成一组模型散射数据，从而生成多组模型散射数据；
使用包括所述多组模拟图案参数的第一目标集和包括所述多组模型散射数据的第一输入特征训练所述第一NN；
使用从所述第一NN转移的初始层训练所述转移NN，以将所述转移NN的一个或多个最终层训练为目标，并将所述多组参考参数作为所述目标特征，并将所述多组测量散射数据作为所述相应的输入特征。
11.根据权利要求8所述的系统，其中训练所述机器学习模型包括关于所述一组参考图案参数的最小化损失函数，并且其中所述损失函数是均方误差(MSE)函数。
12.根据权利要求8所述的系统，其中所述一组参考参数通过一个或多个CD扫描电子显微镜(CD-SEM)、原子力显微镜(AFM)、横截面隧道电子显微镜(TEM)或X射线计量工具进行高精度计量来测量。
13.根据权利要求8所述的系统，其中所述多个相应的晶片图案位于一个或多个晶片上。
14.根据权利要求8所述的系统，其中所述多组测量散射数据由两个或更多个测量通道测量。
CN202080092010.6A 2020-01-06 2020-12-31 结合物理建模与机器学习 Pending CN114930117A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062957338P 2020-01-06 2020-01-06
US62/957,338 2020-01-06
PCT/IL2020/051365 WO2021140502A1 (en) 2020-01-06 2020-12-31 Combining physical modeling and machine learning

Publications (1)

Publication Number Publication Date
CN114930117A true CN114930117A (zh) 2022-08-19

Family

ID=76787907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080092010.6A Pending CN114930117A (zh) 2020-01-06 2020-12-31 结合物理建模与机器学习

Country Status (6)

Country Link
US (1) US20230023634A1 (zh)
KR (1) KR20220123301A (zh)
CN (1) CN114930117A (zh)
IL (1) IL294540A (zh)
TW (2) TWI804793B (zh)
WO (1) WO2021140502A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12062583B2 (en) * 2021-03-11 2024-08-13 Applied Materials Israel Ltd. Optical metrology models for in-line film thickness measurements
US20230417682A1 (en) * 2022-06-23 2023-12-28 Onto Innovation Inc. Metrology solutions for complex structures of interest
KR20240011514A (ko) * 2022-07-19 2024-01-26 삼성전자주식회사 스펙트럼에 기초하여 구조를 측정하기 위한 방법 및 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101461667B1 (ko) * 2007-07-26 2014-11-13 도쿄엘렉트론가부시키가이샤 패턴화 구조 검사 장치 및 계측 데이터 관리 방법
WO2019035854A1 (en) * 2017-08-16 2019-02-21 Kla-Tencor Corporation MACHINE LEARNING IN RELATION TO METROLOGY MEASUREMENTS
US11921433B2 (en) * 2018-04-10 2024-03-05 Lam Research Corporation Optical metrology in machine learning to characterize features
CN114997408A (zh) * 2018-06-14 2022-09-02 诺威有限公司 半导体度量方法和半导体度量系统
CN111587478A (zh) * 2018-06-28 2020-08-25 应用材料公司 用于光谱监测的机器学习系统的训练光谱产生

Also Published As

Publication number Publication date
IL294540A (en) 2022-09-01
KR20220123301A (ko) 2022-09-06
US20230023634A1 (en) 2023-01-26
TWI804793B (zh) 2023-06-11
WO2021140502A1 (en) 2021-07-15
TW202134925A (zh) 2021-09-16
TW202401287A (zh) 2024-01-01

Similar Documents

Publication Publication Date Title
US11874605B2 (en) Verification metrology targets and their design
JP6783298B2 (ja) モデルベースのホットスポットモニタリング
TWI675179B (zh) 多重圖案化參數之量測
CN107408519B (zh) 基于模型的单个参数测量的系统和方法
JP5959648B2 (ja) プロセス認識メトロロジー
KR102013483B1 (ko) 파라미터 추적을 위한 계측 시스템 최적화
CN114930117A (zh) 结合物理建模与机器学习
US10732520B1 (en) Measurement library optimization in semiconductor metrology
US11815819B2 (en) Machine and deep learning methods for spectra-based metrology and process control
TW201706723A (zh) 度量衡方法及設備、電腦程式及微影系統
CN114930154B (zh) 检测ocd计量机器学习的离群值和异常
CN114930153B (zh) 用于ocd数据解释的自我监督表征学习
TW202405371A (zh) 用於光學臨界尺寸量測的方法、用於光學臨界尺寸量測的系統以及非暫時性機器可存取儲存媒體

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