CN115047719A - 基于由光刻设备或过程特性表征的图案表示来选择该图案 - Google Patents

基于由光刻设备或过程特性表征的图案表示来选择该图案 Download PDF

Info

Publication number
CN115047719A
CN115047719A CN202210228123.5A CN202210228123A CN115047719A CN 115047719 A CN115047719 A CN 115047719A CN 202210228123 A CN202210228123 A CN 202210228123A CN 115047719 A CN115047719 A CN 115047719A
Authority
CN
China
Prior art keywords
pattern
patterns
information
data points
representation domain
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
CN202210228123.5A
Other languages
English (en)
Inventor
艾曼·哈穆达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Holding NV
Original Assignee
ASML Holding NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Holding NV filed Critical ASML Holding NV
Publication of CN115047719A publication Critical patent/CN115047719A/zh
Pending legal-status Critical Current

Links

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
    • G03F7/70491—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/39—Circuit design at the physical level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Electron Beam Exposure (AREA)
  • Image Processing (AREA)
  • Holo Graphy (AREA)
  • Feedback Control In General (AREA)
  • Exposure Of Semiconductors, Excluding Electron Or Ion Beam Exposure (AREA)

Abstract

本文描述一种旨在选择用于训练或校准与半导体制造相关的模型的图案的方法和设备。所述方法包括：获得第一图案集合；将所述第一图案集合中的每个图案表示在表示域中，所述表示域对应于电磁函数；以及基于所述表示域，从所述第一图案集合中选择第二图案集合。

Description

基于由光刻设备或过程特性表征的图案表示来选择该图案
技术领域
本文的描述总体涉及改善光刻过程和与光刻有关的过程。更具体地，旨在选择用于训练在光刻过程或与光刻有关的过程中使用的模型的信息化图案的设备、方法和计算机程序产品。
背景技术
光刻投影设备可以被用于例如集成电路(IC)的制造中。在这样的情况下，图案形成装置(例如，掩模)可以包含或提供与IC的单个层相对应的图案(“设计布局”)，并且这种图案可以通过诸如透过所述图案形成装置上的图案来辐照所述目标部分之类的方法而被转印到已经涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如，硅晶片)上的目标部分(例如，包括一个或更多个管芯)上。通常，单个衬底包括多个相邻的目标部分，所述图案被光刻投影设备连续地、以一次一个目标部分的方式被转印到所述多个相邻的目标部分上。在一种类型的光刻投影设备中，整个图案形成装置上的图案被一次转印到一个目标部分上；这样的设备通常称作为步进器。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，同时沿所述参考方向平行或反向平行地同步移动衬底。图案形成装置上的图案的不同部分被逐步地转印到一个目标部分上。因为，通常，所述光刻投影设备将具有缩小比率M(例如，4)，所述衬底被移动的速度F将为所述投影束扫描所述图案形成装置的速度的1/M。关于光刻装置的更多信息可以从例如通过引用并入本文中的US 6,046,792中找到。
在将所述图案从图案形成装置转印至所述衬底之前，所述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，所述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。这种工序的阵列被用作为制作器件(例如IC)的单个层的基础。之后所述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。如果所述器件中需要多个层，则针对每一层重复全部工序或其变型。最终，器件将存在于所述衬底上的每个目标部分中。然后通过诸如锯切或切割之类的技术，使这些器件彼此分离，据此单独的器件可以被安装到承载件上，连接至引脚等。
因此，制造器件(诸如半导体器件)典型地涉及使用多个制备过程处理衬底(例如，半导体晶片)，以形成所述器件的多个特征和多个层。这些层和特征典型地使用例如沉积、光刻、蚀刻、化学机械抛光、离子注入来制造和处理。可以在衬底上的多个管芯上制作多个器件，之后将该多个器件分成单独的器件。这种器件制造过程可以被认为是图案化过程。图案化过程涉及使用光刻设备中的图案形成装置的图案化步骤(诸如光学和/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，而且图案化过程典型地但可选地涉及一个或更多个有关的图案处理步骤，诸如通过显影设备进行抗蚀剂显影、使用焙烤工具来焙烤衬底、使用蚀刻设备由所述图案进行蚀刻等。
发明内容
在实施例中，提供一种旨在产生用于计算光刻机器学习模型的训练数据集合的方法。为了获得能够准确预测较宽范围的未来图案实例或模型通用性的模型，在所述训练过程中的足够的图案覆盖区是关键的。基于表示表示域中的图案集合来选择训练数据。例如，所述图案集合可以是目标布局内的图案。所述目标布局可以具有亿万图案，这样，期望出于训练目的而选择少量且总体最信息化的图案。在实施例中，执行图案子集的选择基于所述表示域中的数据点，并且还基于表征所述图案子集中的信息的量的信息指标。这种选择过程可以使得能够选择信息化图案而无需涉及额外的图案化的过程模型或机器学习模型，例如基于自动编码器的图案分类和选择过程。这样，选择可以被直接施加至所述目标布局，这还可以保留许多计算资源和时间。
根据本公开的一方面，图案选择基于总体上最大化所选图案的系统熵。总熵依赖于所选图案的交互信息，例如，所述表示域中的各图案间的距离。在实施例中，每个图案被表示为所述表示域中的像素嵌入信息云。在实施例中，每个图案被投影到希尔伯特空间中以用于例如基函数是厄米高斯模、泽尼克多项式、贝塞尔函数的线性图案表示。本文中的方法具有若干优点。例如，本文中的方法不需要训练为机器学习模型(诸如，自动编码器)。很好地处理像素偏移。根据RMS和LMC的良好性能结果。
根据本公开的一方面，提供一种旨在基于用于训练与半导体制造相关的机器学习模型的图案之间的交互信息来选择图案的方法。所述方法包括：获得包括第一图案和第二图案的图案集合，所述图案集合中的每个图案包括一个或更多个特征；将所述图案集合中的每个图案表示为表示域中的数据点组，所述第一图案表示为所述表示域中的第一数据点组，并且所述第二图案表示为所述表示域中的第二数据点组，所述第一组中的每个数据点指示与所述第一图案的一部分内的特征相关联的信息，并且所述第二组中的每个数据点指示与所述第二图案的一部分内的特征相关联的信息、；确定与所述图案集合相对应的距离指标的距离值的集合，所述距离值的集合包括在所述第一数据点组与另一数据点组之间确定的第一距离值以及在所述第二数据点组与所述另一数据点组之间确定的所述第二距离值，所述距离指标指示所述图案集合中的给定图案与所述另一图案之间的交互信息的量；以及基于所述距离指标的突破距离阈值的值，从所述图案集合中选择图案子集。
在实施例中，所述表示域是线性表示域或希尔伯特空间域。
根据另一方面，提供一种旨在选择用于训练机器学习模型的代表性图案的方法。所述方法包括：获得图案集合；将所述图案集合中的每个图案表示为表示域中的数据点组；以及基于所述数据点组，从所述图案集合中选择图案子集以作为用于所述图案集合中的给定图案与另一图案之间的交互信息的指导。在实施例中，所述表示域是线性表示域或希尔伯特空间域。
在实施例中，所述指标指示所述多个图案中的每个图像的不均匀性。因此，例如，所述指标可以指导从来自目标布局的亿万图案中选择最信息化的图案。
在实施例中，所选的图案子集可以被提供作为用于训练与图案化过程相关联的模型(例如，OPC)的训练数据。
虽然在先前段落中描述了通过将所述图案投影到希尔伯特空间上来提供图案的线性表示，但是本公开的实施例描述了使用基函数来将所述图案投影到表示域中，所述基函数表示光刻设备或过程的特性，例如所述光刻设备的照射源的特性。例如，图案信息质量显著地依赖于光学系统衍射(例如，对所述图案的照射源响应)。在一些实施例中，光学系统的这样的特性可以使用透射交叉系数(TCC)来描述，所述透射交叉系数可以使用霍普金成像模型来确定。然后，所述TCC可以被分解成相干系统的离散集合(例如，相干系统的求和(SOCS)TCC)，该离散集合表示单独的相干系统的电磁场(EMF)传递函数。图案可以使用所述TCC函数作为基函数而被投影到希尔伯特空间上。例如，图案的每个像素可以被投影到TCC集合(N)上以产生N维向量。所述向量提供与图案像素如何被表示在所述光学系统中有关的信息。例如，所述向量表示基于像素的接近度(例如，所述像素的接近度如何影响所述像素的EMF激发)的所述像素的EMF激发。图案可以被表示为像素的集合体，并且因此，所述图案中的每个像素可以被表示为向量，由此产生表示所述图案的向量组或向量云。可以针对图案相似性来分析与不同的图案相关联的向量云，并且具有满足标准(例如，满足如上文描述的距离阈值、满足规定的标准的信息熵等中的一个或更多个)的指标的图案集合可以被选择作为代表性图案(例如，以校准或训练用于确定光刻设备或过程的特性的模型，或出于其它目的)。在一些实施例中，上述实施例还可以被修改以包括除了表示表示域中的图案的所述光学系统特性之外或代替表示所述表示域中的图案中的所述光学系统特性的抗蚀剂特性(例如，对图案的光致抗蚀剂响应)。
所述图案(例如，使用TCC)到表示域的这种投影是容易计算的(例如，一旦已知所述照射源的配置)、比常规表示法更准确的，并且因此提供了用于更好地选择代表性图案的改善的图案相似性分析。这样的投影有利地不需要如自动编码技术中那样的任何训练，并且因此可以实现较快的图案选择。
根据实施例，提供一种包括非暂时性计算机可读介质的计算机系统，所述非暂时性计算机可读介质具有记录在其上的指令。所述指令在由计算机执行时实施上文的方法步骤。
附图说明
并入本说明书中并作为本说明书的一部分的随附附图示出本文中公开的主题的某些方面，并且与描述一起帮助解释与所公开的实施例相关联的原理中的一些原理。在附图中，
图1图示出根据实施例的光刻投影设备的多个子系统的框图。
图2图示出根据实施例的用于光刻投影设备中的模拟光刻的示例性方法的流程图。
图3以绘画方式描绘了图案到具有与输入图像的维度相比减少的维度的表示域中的像素嵌入信息的变换，所述变换是使用感兴趣的像素周围的边界框的卷积运算。
图4是根据实施例的用于基于表示域中的与图案相关的数据点从目标布局中选择图案的示例性方法的流程图。
图5A是根据实施例的描绘将图案变换成表示域(例如，正交基函数的系数)的示例。
图5B图示出根据实施例的所述表示域中的数据点组，其中，第一组(亮点)表示第一图案并且第二组(暗点)表示第二图案。
图6图示出根据本公开的实施例的从设计布局的一部分的多个图案示例地选择所述图案。
图7是根据实施例的示例性计算机系统的框图。
图8是根据实施例的光刻投影设备的示意图。
图9是根据实施例的另一光刻投影设备的示意图。
图10是根据实施例的所述光刻投影设备的详细视图。
图11是根据实施例的所述光刻投影设备的所述源收集器模块的详细视图。
图12是根据实施例的用于基于源的表示域中的图案表示从目标布局中选择图案的示例性方法的流程图。
具体实施方式
虽然本文已经具体参考了IC的制造，但是应该明确理解，本文中的描述具有许多其它可能的应用。例如，它可以被用于集成光学系统的制造、磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头，等等。技术人员将理解，在这种替代应用的情境下，在本文中的术语“掩模版”、“晶片”或“管芯”的任何使用应该被认为分别可与更上位的术语“掩模”、“衬底”和“目标部分”互换。
在本文献中，术语“辐射”和“束”可以被用于涵盖所有类型的电磁辐射，包括紫外辐射(例如具有365nm、248nm、193nm、157nm或126nm的波长)和EUV(极紫外辐射，例如具有在约5nm至100nm的范围内的波长)。
图案形成装置可以包括或可以构成一个或更多个设计布局。可以使用CAD(计算机辅助设计)程序来产生设计布局，这种过程经常被称作EDA(电子设计自动化)。大多数CAD程序遵循预定设计规则集合，以便产生功能设计布局/图案形成装置。通过处理和设计限制来设定这些规则。例如，设计规则限定器件(诸如栅极、电容器等)、或互连线之间的间隔容许度，以便确保器件或线不会以不期望的方式互相作用。设计规则限制中的一个或更多个可以被称为“临界尺寸”(CD)。器件的临界尺寸可以被定义为线或孔的最小宽度，或者两条线或两个孔之间的最小间隔。因此，CD确定了所设计的器件的整体尺寸和密度。当然，器件制造中的目标中的一个是在衬底上如实地(经由图案形成装置)再现原始设计意图。
如本发明中采用的术语“掩模”或“图案形成装置”可以被广义地解释为是指可以被用于向入射辐射束赋予图案化横截面的通用图案形成装置，所述被图案化的横截面对应于将要在所述衬底的目标部分中产生的图案；在这种情境下，也可以使用术语“光阀”。除经典掩模(透射型或反射型；二元、相移、混合型等)以外，其它这样的图案形成装置的示例包括可编程反射镜阵列和可编程LCD阵列。
可编程反射镜阵列的示例可以是具有粘弹性控制层和反射表面的矩阵可寻址表面。这种设备所依据的基本原理是(例如)反射表面的已寻址区域将入射辐射反射为衍射辐射，而未寻址区域将入射辐射反射为非衍射辐射。在使用适当的滤波器的情况下，可以从反射束滤除所述非衍射辐射，从而仅留下衍射辐射；这样，所述束根据所述矩阵可寻址表面的寻址图案而变成被图案化的。可以使用适当的电子装置来执行所需的矩阵寻址。
可编程LCD阵列的示例在美国专利号5，229，872中给出，所述美国专利通过引用而被并入本文中。
图1图示出根据实施例的光刻投影设备10A的各个子系统的框图。主要部件为：辐射源12A，所述辐射源可以是深紫外准分子激光器源或包括极紫外线(EUV)源的另一类型的源(如上文所论述的，所述光刻投影设备自身无需具有所述辐射源)；照射光学器件，所述照射光学器件例如限定部分相干性(被表示为西格玛)且可以包括成对来自所述源12A的辐射进行整形的光学器件14A、16Aa和16Ab；图案形成装置18A；以及透射光学器件16Ac，所述透射光学器件16Ac将所述图案化器件图案的图像投影到衬底平面22A上。在所述投影光学装置的光瞳面处的可调整滤波器或孔或孔阑20A可以限制入射到所述衬底平面22A上的束角的范围，其中，最大的可能的角度限定所述投影光学器件的数值孔径NA＝n sin(Θmax)，其中，n是所述衬底与所述投影光学器件的最终元件之间的介质的折射率，Θmax是从所述投影光学器件射出的仍可以入射到所述衬底平面22A上的束的最大角度。
在光刻投影设备中，源将照射(即，辐射)提供至图案形成装置，并且投影光学器件经由所述图案形成装置将所述照射引导并成形到衬底上。所述投影光学器件可以包括部件14A、16Aa、16Ab和16Ac中的至少一些部件。空间图像(AI)是衬底水平下的辐射强度分布。可以使用抗蚀剂模型、根据所述空间图像来计算所述抗蚀剂图像，可以在美国专利申请公开号US 20090157630中找到这种方案的示例，所述美国专利申请的全部内容由此通过引用并入本文。所述抗蚀剂模型仅与所述抗蚀剂层的性质(例如，在曝光、曝光后焙烤(PEB)和显影期间出现的化学过程的效应)有关。所述光刻投影设备的光学性质(例如，所述照射、所述图案形成装置和所述投影光学器件的性质)规定所述空间图像并且可以被限定在光学模型中。由于可以改变在所述光刻投影设备中使用的图案形成装置，因此期望使所述图案形成装置的光学性质与所述光刻投影设备的至少包括所述源和所述投影光学器件的其余部分的光学性质分开。在美国专利申请公布号US2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197和2010-0180251中描述了用于将设计布局变换成各种光刻图像(例如，空间图像、抗蚀剂图像等)的技术和模型、使用那些技术和模型施加OPC、以及评估性能(例如，在过程窗口方面)的细节，这些美国专利申请中的每个的全部公开内容由此通过引用并入本文。
根据本公开的实施例，一个或更多个图像可以用与每个像素的像素值(例如，强度值)相对应的各种类型的信号来产生。依赖于所述图像内的像素的相对值，所述信号可以被称为例如弱信号或强信号，如本领域普通技术人员可以理解的。术语“强”和“弱”是基于图像内的像素的强度值的相对术语，并且特定的强度值可以不限制本公开的范围。在实施例中，强和弱信号可以基于所选阈值来标识。在实施例中，所述阈值可以是固定的(例如，所述图像内的像素的最高强度与最低强度的中点)。在实施例中，强信号可以指具有大于或等于在整个所述图像上的平均信号值的值的信号，并且弱信号可以指具有小于所述平均信号值的值的信号。在实施例中，所述相对强度值可以基于百分比。例如，所述弱信号可以是具有小于所述图像内的所述像素(例如，与目标图案相对应的像素可以被认为是具有最高强度的像素)的最高强度的50％的强度的信号。此外，图像内的每个像素可以被认为是变量。根据本实施例，导数或偏导数可以关于所述图像内的每个像素来确定，并且每个像素的值可以根据基于成本函数的估计和/或所述成本函数的基于梯度的计算来确定或修改。例如，CTM图像可以包括多个像素，其中，每个像素是可以取任何实值的变量。
图2图示出根据实施例的用于模拟光刻投影设备中的光刻的示例性流程图。源模型31表示所述源的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型32表示所述投影光学器件的光学特性(包括由所述投影光学器件所引起的所述辐射强度分布和/或所述相位分布的改变)。设计布局模型35表示设计布局的光学特性(包括由设计布局33所引起的所述辐射强度分布和/或所述相位分布的改变)，所述设计布局是在图案形成装置上或由所述图案形成装置形成的特征的布置的表示。可以根据所述设计布局模型35、所述投影光学器件模型32、和所述设计布局模型35来模拟空间图像36。可以使用抗蚀剂模型37，根据所述空间图像36来模拟抗蚀剂图像38。光刻的模拟可以例如预测所述抗蚀剂图像中的轮廓和CD。
更具体地，应注意，源模型31可以表示所述源的光学特性，包括但不限于数值孔径设定、照射西格玛(σ)设置以及任何特定的照射形状(例如，离轴辐射源，诸如环形、四极、偶极等)。投影光学器件模型32可以表示所述投影光学器件的光学特性，包括像差、变形、一个或更多个折射率、一个或更多个物理大小、一个或更多个物理尺寸等。所述设计布局模型35可以表示例如在美国专利号7，587，704中所描述的物理图案形成装置的一个或更多个物理性质，所述美国专利的全部内容通过引用并入本文。所述模拟的目的是准确地预测例如边缘放置、空间图像强度斜率和/或CD，边缘放置、空间图像强度斜率和/或CD随后可以与所述意图设计进行比较。意图设计通常被解释为预OPC设计布局，所述预OPC设计布局可以被提供成标准化数字文件格式(诸如GDSII或OASIS，或其他文件格式)。
根据这个设计布局，可以识别被称为“片段”的一个或更多个部分。在实施例中，提取片段集合，该片段集合表示设计布局中的复杂图案(通常约为50个至1000个片段，但可以使用任何数目个片段)。这些图案或片段表示设计的较小部分(即，电路、单元或图案)，并且更具体地，所述片段典型地表示需要特别注意和/或验证的较小部分。换句话说，片段可以是设计布局的部分，或可以是类似的或具有所述设计布局的部分的类似行为，其中，一个或更多个关键特征凭经验(包括由客户提供的片段)、通过试误法、或通过运行全芯片模拟来识别。片段可以包含一个或更多个测试图案或量规图案。
可以由客户基于设计布局中要求特定图像优化的一个或更多个已知关键特征区域而先验地提供初始较大的片段集合。替代地，在另一个实施例中，可以通过使用识别所述一个或更多个关键特征区域的某种自动化(诸如机器视觉)或手动算法，从整个设计布局中提取初始较大的片段集合。
在光刻投影设备中，作为示例，成本函数可以被表示为：
Figure BDA0003534966430000101
其中，(z1，z2，…，zN)是N个设计变量或它们的值。fp(z1，z2，…，zN)可以是所述设计变量(z1，z2，…，zN)的函数，诸如用于(z1，z2，…，zN)的所述设计变量的值集合的特性的实际值与预期值之间的差。wp是与fp(z1，z2，…，zN)相关联的权重常数。例如，所述特性可以是在图像的边缘上的给定点处测量的所述边缘的位置。不同的fp(z1，z2，…，zN)可以具有不同的权重wp。例如，如果特定边缘具有较窄范围的允许位置，则表示所述边缘的实际位置与预期位置之间的差的fp(z1，z2，…，zN)的权重wp可以被赋予较大值。fp(z1，z2，…，zN)还可以是中间层特性的函数，所述中间层特性又是所述设计变量(z1，z2，…，zN)的函数。当然，CF(z1，z2，…，zN)不限于方程式1中的形式。CF(z1，z2，…，zN)可以呈任何其它适合的形式。
所述成本函数可以表示所述光刻投影设备、光刻过程或所述衬底的任何一个或更多个合适的特性，例如，焦距、CD、图像偏移、图像变形、图像转动、随机变化、吞吐量、局部CD变化、过程窗口、中间层特性、或它们的组合。在一个实施例中，所述设计变量(z1，z2，…，zN)包括从剂量、所述图案形成装置的全局偏置、和/或照射形状中选择的一个或更多个。由于经常是所述抗蚀剂图像规定或决定衬底上的图像，因此所述成本函数可以包括表示所述抗蚀剂图像的一个或更多个特性的函数。例如，fp(z1，z2，…，zN)可以仅仅是所述抗蚀剂图像中的点与所述点的预期位置之间的距离(即，边缘放置误差EPEp(z1，z2，…，zN))。所述设计变量可以包括任何可调参数，诸如所述源、所述图案形成装置、所述投影光学器件的可调参数、剂量、焦距等。
所述光刻设备可以包括被统称为“波前操纵器”的部件，所述波前操纵器可以被用于调整波前的形状和辐射束的强度分布和/或相移。在实施例中，所述光刻设备可以在沿所述光刻投影设备的光学路径的任何地址处(诸如在所述图案形成装置之前，在光瞳平面附近，在像平面附近，和/或在焦平面附近)调整波前和强度分布。所述波前操纵器可以被用于校正或补偿波前和强度分布和/或相移的某些畸变，所述畸变例如由所述源、所述图案形成装置、所述光刻投影设备中的温度变化、所述光刻投影设备的部件的热膨胀等引起。调整波前和强度分布和/或相移可以改变由所述成本函数所表示的特性的值。这样的改变可以根据模型来模拟或被实际测量。所述设计变量可以包括所述波前操纵器的参数。
所述设计变量可以具有约束，该约束可以被表示为(z1，z2，…，zN)∈Z，其中，Z是所述设计变量的可能值的集合。对所述设计变量的一个可能的约束可以由所述光刻投影设备的期望的吞吐量来施加。在没有由所述期望的吞吐量所施加的约束的情况下，所述优化可以产生所述设计变量的不切实际的值的集合。例如，如果所述剂量是设计变量，但是有这样的约束，则优化可能产生使所述吞吐量在经济上不可能的剂量值。然而，约束的有用性不应该被解释为必要性。例如，所述吞吐量可以受到所述光瞳填充比率的影响。对于一些照射设计，较低的光瞳填充比率可能丢弃辐射，从而导致较低的吞吐量。吞吐量还可能受到所述抗蚀剂化学性能的影响。较慢的抗蚀剂(例如，需要较高的辐射量以被适当地曝光的抗蚀剂)导致较低的吞吐量。
如本文中使用的，术语“图案化过程”通常意指通过施加光的指定图案作为光刻过程的部分来产生蚀刻后的衬底的过程。然而，“图案化过程”还可以包括等离子体蚀刻，因为本文中描述的特征中的许多特征可以对使用等离子体处理而形成印制图案提供益处。
如本文中使用的，术语“目标图案”意指待蚀刻到衬底上的理想化图案。术语“目标布局”指的是包括一个或更多个目标图案的设计布局。
如本文中使用的，术语“印制图案”或“图案化衬底”意指衬底上的基于目标图案来成像和/或蚀刻的物理图案。所述印制图案可以包括例如由光刻过程所产生的沟槽、通道、凹陷、边缘或其它二维和三维特征。
如本文中使用的，术语“过程模型”意指包括对图案化过程进行模拟的一个或更多个模型的模型。例如，过程模型可以包括光学模型(例如，所述光学模型对用于传递光刻过程中的光的透镜系统/投影系统进行建模，并且可以包括对进至光致抗蚀剂上的光的最终光学图像进行建模)、抗蚀剂模型(例如，所述抗蚀剂模型对所述抗蚀剂的物理效应(诸如由于所述光所引起的化学效应)进行建模)、和OPC模型(例如，所述OPC模型可以被用于修改目标图案以包括亚分辨率抗蚀剂特征(SRAF)等)。
为了改善所述图案化过程和图案化准确度，使用目标图案、掩模图案、衬底图像等来训练过程模型。例如，所述过程模型包括在OPC过程中使用以产生更好的掩模图案的一个或更多个训练模型。例如，由机器学习来辅助的OPC在显著地改善了全芯片辅助特征(例如，SRAF)放置的准确度的同时，保持所述掩模设计的一致性和运行时间受控。使用所述目标布局或其中的目标图案、以及相应的连续透射掩模(CTM)图像来训练深度卷积神经网络(CNN)。这些CTM图像使用逆掩模优化模拟过程来优化。然后，SRAF引导映射所产生的CNN被用于将SRAF放置在全芯片设计布局上。
当选择用于训练的图案集合时，期望选择对于所述模型将是最信息化或提供最多有用信息的图案。当前，若干方法可以用于图案选择。例如，图案散列技术可能是较快的，但在精确匹配中而不是在捕获图案相似性中最好地工作。在另一示例中，基于无管理图像的图案成像技术(例如，基于自动编码器的图案成像技术)可以在较高的多维潜在空间(latent space)中捕获图案相似性，但需要训练并且依赖于数据。在基于模型模拟的图案分类和选择技术中，可以使用从模型模拟角度考虑相似性的空间图像或抗蚀剂图像参数空间。然而，所述参数空间可能受限并且可能不清楚地区分不同的设计图案。
在本实施例中，提供一种例如根据设计布局选择用于训练机器学习模型的图案的方法。本文中的图案选择方法采用变换操作，从而导致在表示域中的图案中的感兴趣的像素周围嵌入信息。所述信息的这种嵌入可以被表示为由数学运算表征的表示域中的数据点组。例如，具有嵌入信息的数据点组指示与可在感兴趣的像素周围获得的特征相关联的像素值。与用于图案选择的基于机器学习的方法相比，本文中论述的变换在计算上较不密集。此外，可以使用引导根据设计布局选择图案的所述数据点组来确定信息指标(例如，信息熵)。
某些基于机器学习的方法倾向于无法进行像素偏移测试，在像素偏移测试中，在稍微偏移图案之后，偏移后的图案可能被错误地视为非常不同或差异很大。另一方面，使用本文中公开的方法，所述像素偏移测试结果示出更好的图案选择。例如，通过将窗口偏移达某一数量的像素，一些图案可以被评估为类似的但不具有足够的区别信息。这样，本方法可以选择较少的但最具代表性的具有较少的不必要的信息的图案。也就是说，较小的训练数据集合可以被用于实现较高的模型质量。
根据本公开，将图案变换成表示域并确定信息指标(诸如所述目标布局的熵)通过节约大量计算时间和资源而显著改善了图案选择过程。例如，根据本公开，可以消除用于生成在基于误差的方法中使用的CTM的昂贵的基于物理的计算的需要。此外，所述信息指标可以帮助消除可以在基于不确定性的方法中执行的神经网络的多个正推计算法。
图3图示出使用卷积运算(例如，经由诸如自动编码器之类的卷积网络)进行的感兴趣的图案的部分301的示例性变换。例如，使用图案的一部分301的渐进式卷积将接近度信息303变换成网络权重以产生具有嵌入接近度信息的像素305。因此，图案可以被表示为像素嵌入信息的集合。然而，尤其在以逐个像素的方式进行训练的情况下，这种基于机器学习的卷积运算需要繁琐的训练。
根据本公开，用于选择图案的方法不需要机器学习或其它图案化过程模拟。例如，所述图案选择过程涉及通过基函数集合将图案变换成表示域以为任何输入图形产生图案表示(例如，线性图案表示)。特别地，图案可以被标识为具有各自的权重或系数的基函数的组合(例如，线性组合)。这样的变换有利地不需要如自动编码技术中那样的任何训练，并且因此可以实现较快的图案选择。
图4是根据实施例的用于从输入(例如，包括用于对衬底进行图案化的目标图案的目标布局)中选择图案或所述图案的部分的示例性方法400的流程图。在实施例中，所述输入可以被表示为图像、向量等形式。所选图案可以被用作用于训练与图案化过程相关联的模型的训练数据。所述方法涉及过程P401、P403、P405和P407。
过程P401包括获得包括第一图案和第二图案的图案集合402，所述图案集合中的每个图案包括一个或更多个特征。在实施例中，所述图案集合402可以从待印制到衬底上的设计布局；与图案化过程相关联的模拟图像；或与图案化衬底相关联的图像中获得。在实施例中，所述模拟图像可以是空间图像、掩模图像、抗蚀剂图像或经由(例如，如关于图2所论述的)一个或更多个过程模型获得的蚀刻图像。在实施例中，所述图案化衬底的图像可以是由SEM系统模拟或捕获的所述图案化衬底的扫描电子显微镜(SEM)图像。
在实施例中，所述图案集合402可以被表示为图像。在这种情况下，所述图案集合402可以被称为图像402。在实施例中，所述图像402可以是包括待印制到衬底上的图案的设计布局的图像；或经由扫描电子显微镜(SEM)获取的图案化衬底的SEM图像。在实施例中，所述图像402可以是二元图像、灰度图像或n通道图像，其中，n指的是在所述图像402中使用的颜色的数目(例如，3通道图像具有红、绿和蓝(RGB)的颜色)。例如，二元图像可以包括分配有值1(1指示在像素地址处具有特征)和分配有值0(0指示在像素地址处不存在特征)的像素。类似地，所述灰度图像可以包括指示存在或不存在图案的特征的像素强度。在实施例中，所述n通道图像可以包括RGB颜色通道，所述RGB颜色通道可以指示存在或不存在图案的特征。在实施例中，所述RGB的颜色可以指示图案中的特定的特征的集合体。
在实施例中，所述图案集合402的图案可以包括期望将被印制在衬底上的一个或更多个特征(例如，线、孔等)。在实施例中，所述一个或更多个特征根据电路设计规格而相对于彼此布置。在实施例中，所述图案集合402的图案可以包括印制在衬底上的一个或更多个特征(例如，线、孔等)。本公开不限于特定的图像或图案、或其中的特征。
过程P403包括将所述图案集合402的图案表示为表示域中的数据点组404。在实施例中，每个图案可以被表示为所述表示域中的数据点组404。例如，所述第一图案可以被表示为所述表示域中的第一数据点组。所述第二图案可以被表示为所述表示域中的第二数据点组。在实施例中，所述第一组的每个数据点可以指示与所述第一图案的一部分内的特征相关联的信息，并且所述第二组的每个数据点指示与所述第二图案的一部分内的特征相关联的信息。在实施例中，与所述图案集合402中的给定图案的一部分内的特征相关联的信息包括在所述给定图案的所述部分内的像素值或像素强度。在实施例中，所述像素值或像素强度与所述部分内的特征相关联。例如，较高的强度值可以指示所述特征的一部分。在实施例中，术语“给定图案”通常用于指代来自所述图案集合402的正在考虑的任何图案。
在实施例中，将每个图案表示为所述表示域中的所述数据点组404包括通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。在实施例中，当转换时，所述数据点组404是与所述基函数集合相关联的系数集合。在实施例中，与所述基函数集合相关联的所述系数集合对应于所述表示域中的所述给定图案的像素地址的集合。
在实施例中，所述基函数集合是正交函数的集合。在实施例中，所述基函数集合可以是厄米高斯模；泽尼克多项式；贝塞尔函数或其它函数。
在实施例中，所述转换包括将所述图案集合402的所述给定图案投影在线性表示域中。在实施例中，所述投影包括确定表示所述图案集合402中的所述给定图案的所述正交函数集合的线性组合。在实施例中，所述表示域是希尔伯特空间域。关于线性表示域或希尔伯特空间详细描述了本公开的实施例。将理解，本公开不限于基函数的任何特定组合或任何特定的基函数集合。
图5A以绘画方式描绘了根据本公开的实施例的图案到表示域的示例性变换。在实施例中，在希尔伯特空间中的函数投影可以被表示为
Figure BDA0003534966430000161
其中，
Figure BDA0003534966430000162
表示待表示在所述表示域中的图案，并且ψi表示在所述表示中待使用的第i阶基函数。对于这样的希尔伯特空间，投影系数可以被计算为
Figure BDA0003534966430000163
因而，投影系数集合C＝{c0，c1，…cn}可以被用作所述表示域中(例如，
Figure BDA0003534966430000164
空间)中的图案表示。在这种情况下，所述表示是由单独的系数组成的向量。然而，本论述仅是示例性的。图案表示可以在不脱离本公开的范围的情况下使用各种数学形式的投影系数。此外，将图案投影到希尔伯特空间上可以以本领域中众所周知的任何适当的投射技术来实施。
过程P405确定与所述图案集合402相对应的距离指标的距离值的集合，所述距离值的集合包括在所述第一数据点组与另一数据点组(例如，第二、第三、第四、第五、第六等数据点组)之间确定的第一距离值、以及在所述第二数据点组与所述另一数据点组(例如，第三、第四、第五、第六等数据点组)之间确定的所述第二距离值。根据本公开的实施例，所述距离指标指示所述图案集合402中的给定图案与所述另一图案之间的交互信息的量。
在实施例中，所述给定图案与所述另一图案之间的交互信息、的量指示所述给定图案中与所述另一图案共有的信息有多少。交互信息、的较高的量指示所述给定图案与所述另一图案之间的共有信息的较高的量。在实施例中，所述距离指标包括使用所述表示域中的组内的数据点计算的库尔贝克-莱布勒(Kullback-Leibler)散度；或使用所述表示域中的组内的数据点计算的最近邻域的k均值。各组之间的较大的距离指示两个图案之间的交互信息的较少的量。例如，各组彼此相距越远，这些组之间的交互信息越少。
过程P407包括使用所述数据点组404，从所述图案集合402中选择图案子集410作为用于所述图案集合402中的给定图案与另一图案之间的交互信息的指导。在实施例中，选择所述图案子集可以基于所述距离指标的突破距离阈值的值。例如，当两个数据点组(例如，图5B中的组G1和G2)彼此远离(例如，大于所述距离阈值)时，这些组与彼此更靠近(例如，小于所述距离阈值)的组相比，在机器学习训练方面总体上被认为是更信息化的或提供更多的有用信息。
在实施例中，选择所述图案子集包括基于所选图案的总熵，从所述图案集合402中选择多个图案。在实施例中，所述选择包括将所述总熵确定为与对应于所述图案集合402中的每个图案的每个数据点组相关联的信息熵的组合。在实施例中，由于稀疏的高维度问题，可以在所述数据点组上直接计算出所述信息熵，其中，当边界框的单位体积随着维度增加而趋于零时，计算可能失败。
在实施例中，从所述图案集合402中选择所述图案子集包括从表示所述图案集合402的组中选择多个组。例如，每个所选组具有所述距离指标的突破所述距离阈值的值。对于所选组，可以进行确定，无论所述表示域中的信息熵是否达到某一标准，例如，最大化。然而，所述标准可以在不脱离本公开的范围的情况下呈关于所述总熵的任何形式。例如，响应于所述信息熵未被最大化，将(先前未选择的)一个或更多个组添加至所选的多个组或从所选的多个组中移除一组。组的添加或移除可以被重复，直到所述信息熵被最大化(或在特定范围内)，并且获得最终选择的组。然后，与所选的多个组相对应地选择所述图案子集中的多个图案。
存在在不同的表示域中计算熵的多种方式。在一些实施例中，使用所述希尔伯特空间系数(还被称为数据点)来计算总熵。在一些实施例中，不同的表示域中的像素值可以被用于计算熵。在一些实施例中，可以基于所述图像402的表示所述图案子集的一部分内的像素强度来确定与图案相关联的熵。在实施例中，所述熵指示所述多个图案402中的每个图案的不均匀性。例如，图案的不均匀性指示这些图案大致彼此不同并且由此对于训练目的而言是更信息化的。在实施例中，所述熵是信息熵、雷尼(Renyi)熵、或微分熵中的至少一种。
在实施例中，所述信息熵包括与图像的一部分相关联的多个可能结果中的一结果的概率与所述结果的所述概率的对数函数的乘积之和。在实施例中，所述信息熵通过以下方程式来计算：
Figure BDA0003534966430000181
在以上方程式中，H(X)是所述图像的所述部分的所述熵，xi表示与图案子集410相关联的可能结果，每个结果具有概率PX(xi)。例如，在二元图像中，所述可能结果xi是x1和x2，其中，x1是白色像素(例如，像素强度值为0)并且x2是黑色像素(例如，像素强度值为1)。在实施例中，所述图案子集410可以是灰度图像，在这种情况下所述可能结果xi，其中，可以从0变化至255。
例如，所述概率PX(xi)被计算如下：PX(xi)＝(滑动窗口中具有强度水平i的像素数目)/(滑动窗口中的像素数目)。然后，相关联的熵值典型地被分配给所述滑动窗口中的中心像素。因此，对于所述二元图像示例，如果50％的像素为白色且50％的像素为黑色(即，PX(x1)＝PX(x2)＝0.5)，则熵表达式是最大的，而当在整个滑动窗口中仅存在单个颜色(即，PX(x1)＝1且PX(x2)＝0或反之亦然)时所述熵表达式是最小的。
在实施例中，可能的结果包括以下各项中的至少一种：分配给所述图像的像素的二元值，第一值指示在所述图像内存在图案，并且第二值指示在所述图像内不存在图案；分配给所述图像的像素的灰度值；或分配给所述图像402的像素的颜色的数目。
在实施例中，所述熵可以针对每个通道来计算，并且针对每个通道的熵可以被比较以选择图案。在实施例中，所述多通道图像可以是在相同位置处但具有不同SEM设定的SEM图像的集合体。可以计算每通道的所述信息指标。所述熵可以被组合为所有通道上的加权平均，或被选择为不同通道当中的指标的最差情况。
在实施例中，所述距离指标或信息熵的确定不需要包括对所述多个图案402、与图案化过程相关联的过程模型中的一个或更多个进行模拟，或使用所述多个图案402、与所述图案化过程相关联的机器学习模型中的一个或更多个进行模拟。所述指标可以被直接施加至所述目标布局、所述目标布局的一部分、或所述目标布局中的图案。在实施例中，可以以GDS格式来提供所述目标布局。
图6图示出从示例性设计布局选择的多个图案的子集的示例。例如，根据上文所论述的方法400，所述设计布局的若干部分可以被变换成表示域中的分组数据点或数据点组(例如，参见图5A和图5B)。基于数据点组之间的距离，可以基于(例如，对应于最大熵的)总熵来选择图案子集。参考图6，框PAT1、PAT2和PAT3内的特征表示多个图案，根据所述多个图案，可以基于所述表示域中的与所述图案PAT1、PAT2和PAT3相对应的数据点组来选择子集PAT1和PAT3。在本实例中，第一数据点组(未示出)可以对应于所述图案PAT1，并且第二数据点组(未示出)可以对应于所述图案PAT2。所述第一组与所述第二组之间的距离可以小于距离阈值或可以不对应于最大化图案PAT1和PAT2之间的信息熵。这样，所述图案PAT2可以被省略或不被选择为图案子集。
在实施例中，所述方法还可以包括用于将所选图案子集410提供作为用于训练数据以训练与图案化过程相关联的模型的过程。本公开不限于所输出的子图案的特定使用。在实施例中，所述图案子集可以被用于改善所述图案化过程的一个或更多个方面，包括但不限于改善对空间图像模型、掩模模型、抗蚀剂模型、OPC过程、与量测有关的模型或涉及图案化过程的其它模型的训练。
在实施例中，所述方法400还可以包括用于使用所述图案子集410作为训练数据来训练与所述图案化过程相关联的模型的步骤。在实施例中，所述训练包括训练被配置成产生与设计布局的所述多个图案402相关联的光学邻近效应校正结构的模型。例如，所述光学邻近效应校正结构包括与所述设计布局的所述多个图案402相对应的主要特征；或围绕所述设计布局的所述多个图案402的辅助特征。
在实施例中，用于选择图案并从所述图案产生训练数据的方法的另一变型可以被实施如下。在实施例中，所述方法包括：获得图案集合；将所述图案集合中的每个图案表示为表示域中的数据点组；以及基于所述数据点组，从所述图案集合中选择图案子集以作为用于所述图案集合中的给定图案与另一图案之间的交互信息的指导。如上文所论述的，所述图案可以使用基函数集合被表示在表示域中。例如，在希尔伯特空间表示图案。
在实施例中，提供一种表示表示域中的图案的方法。所述方法包括：获得图案集合，每个图案包括一个或更多个特征；以及将所述图案集合中的每个图案转换成表示域中的数据点组，每个数据点指示与所述图案集合中的给定图案的一部分内的特征相关联的信息。
在实施例中，将每个图案表示为所述表示域中的所述数据点组包括通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。在实施例中，所述基函数集合是正交函数集合。在实施例中，当转换时，所述数据点组是与所述基函数集合相关联的系数集合。在实施例中，与所述基函数集合相关联的所述系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
在实施例中，所述转换包括将所述图案集合的所述给定图案投影在线性表示域中。在实施例中，所述投影包括确定所述正交函数集合的表示所述图案集合中的所述给定图案的线性组合。在实施例中，所述基函数集合包括以下各项中的至少一个：厄米高斯模；泽尼克多项式；或贝塞尔函数。
在实施例中，本文中论述的方法可以被提供为一个或更多个计算机程序产品或非暂时性计算机可读介质，所述计算机程序产品或非暂时性计算机可读介质具有其上记录的指令，所述指令在由计算机执行时实施根据上文所论述的所述方法400的操作。例如，图7中的示例性计算机系统CS包括非暂时性计算机可读介质(例如，存储器)，所述非暂时性计算机可读介质包括指令，所述指令在由一个或更多个处理器(例如，104)执行时导致从目标布局中选择图案的操作。在实施例中，所述指令包括：获得图案集合；将所述图案集合中的每个图案表示为表示域中的数据点组；以及基于所述数据点组，从所述图案集合中选择图案子集以作为用于所述图案集合中的给定图案与另一图案之间的交互信息的指导。
在实施例中，所述指令包括：获得包括第一图案和第二图案的图案集合，所述图案集合中的每个图案包括一个或更多个特征；将所述图案集合中的每个图案表示为表示域中的数据点组；确定与所述图案集合相对应的距离指标的距离值集合(例如，所述距离值集合包括在所述第一数据点组与另一数据点组之间确定的第一距离值以及在所述第二数据点组与所述另一数据点组之间确定的所述第二距离值)；以及基于所述距离指标的突破距离阈值的值，从所述图案集合中选择图案子集。在实施例中，所述距离指标指示所述图案集合中的给定图案与所述另一图案之间的交互信息的量。在实施例中，所述第一图案被表示为所述表示域中的第一数据点组，并且所述第二图案被表示为所述表示域中的第二数据点组。在实施例中，所述第一组的每个数据点可以指示与所述第一图案的一部分内的特征相关联的信息，并且所述第二组的每个数据点指示与所述第二图案的一部分内的特征相关联的信息。
根据本公开，所公开的元素或元件的组合和子组合构成分立的实施例。例如，第一组合包括确定数据点组、和基于所述数据点组来选择图案。所述子组合可以包括确定各组之间的距离指标。子组合可以包括确定与图案子集相关联的信息熵(例如，使用上文所论述的熵方程式)。在另一组合中，可以在检查过程采用所选图像，训练涉及图案化过程的机器学习模型，使用所选图案确定OPC或SMO。
图7是根据实施例的示例性计算机系统CS的框图。
计算机系统CS包括用于通信信息的总线BS或其它通信机构、和与总线BS耦接以用于处理信息的处理器PRO(或多个处理器)。计算机系统CS还包括主存储器MM(诸如随机存取存储器(RAM)或其它动态存储器)，所述主存储器被耦接至总线BS以用于储存信息和将要由处理器PRO执行的指令。主存储器MM还可以用于在将要由处理器PRO执行的指令的执行期间储存临时变量或其它中间信息。计算机系统CS还包括耦接至总线BS以用于储存用于处理器PRO的静态信息和指令的只读存储器(ROM)ROM或其它静态储存装置。设置诸如磁盘或光盘之类的储存装置SD，并且将所述储存装置耦接至总线BS以用于储存信息和指令。
计算机系统CS可以经由总线BS耦接至用于向计算机用户显示信息的显示器DS，诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母数字键和其它键的输入装置ID被耦接至总线BS以用于将信息和命令选择通信至处理器PRO。另一类型的用户输入装置是光标控制器CC(诸如鼠标、轨迹球或光标方向键)，光标控制器CC用于将方向信息和命令选择通信至处理器PRO且用于控制显示器DS上的光标移动。这种输入装置典型地具有在两个轴(第一轴(例如x)和第二轴(例如y))上的两个自由度，这允许所述装置指定平面中的位置。触摸面板(屏)显示器也可以用作输入装置。
根据一个实施例，本公开中描述的一个或更多个方法的各部分可以由计算机系统CS响应于处理器PRO执行包含在主存储器MM中的一个或更多个指令的一个或更多个序列而执行。这样的指令可以从另一计算机可读介质(诸如储存装置SD)被读取到主存储器MM中。包含在主存储器MM中的指令序列的执行使得处理器PRO执行本文描述的过程步骤。在多处理布置中的一个或更多个处理器也可以用于执行包含在主存储器MM中的指令序列。在替代实施例中，硬接线电路可以被用于替代软件指令或与软件指令组合。因此，本文中的描述不限于硬件电路和软件的任何特定的组合。
本文中使用的术语“计算机可读介质”是指参与向处理器PRO提供指令以供执行的任何介质。这样的介质可以采用很多形式，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SD。易失性介质包括动态存储器，诸如主存储器MM。传输介质包括同轴电缆、铜线和光纤，包括包含总线BS的电线。传输介质还可以采用声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间产生的声波或光波。计算机可读介质可以是非暂时性的，例如软盘、软磁盘、硬盘、磁带、任何其它磁介质、CD-ROM、DVD、任何其它光学介质、穿孔卡、纸带、任何其它具有孔图案的物理介质、RAM、PROM、和EPROM、FLASH-EPROM、任何其它存储芯片或盒式存储器。非暂时性计算机可读介质可以具有记录在其上的指令。所述指令在由计算机执行时可以实施上文中描述的特征中的任一特征。暂时性计算机可读介质可以包括载波或其它传播电磁信号。
各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列承载到处理器PRO以供执行。例如，指令最初可以承载在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中，并且使用调制解调器通过电话线发送指令。计算机系统CS本地的调制解调器可以在电话线上接收数据并且使用红外发射器将数据转换成红外信号。耦接至总线BS的红外探测器可以接收红外信号中承载的数据并且将数据放置在总线BS上。总线BS将数据承载到主存储器MM，处理器PRO从所述主存储器获取并且执行指令。由主存储器MM接收的指令可以可选地在由处理器PRO执行之前或之后被储存在储存装置SD上。
计算机系统CS还可以包括被耦接至总线BS的通信接口CI。通信接口CI提供耦接至网络链路NDL的双向数据通信，所述网络链路被连接到局域网LAN。例如，通信接口CI可以是用于提供与相应类型的电话线的数据通信连接的综合业务数字网(ISDN)卡或调制解调器。作为另一示例，通信接口CI可以是用于提供至兼容LAN的数据通信连接的局域网(LAN)卡。还可以实施无线链路。在任何这样的实施方式中，通信接口CI发送和接收承载表示各种类型的信息的数字数据流的电信号、电磁信号或光信号。
网络链路NDL典型地通过一个或更多个网络提供到其它数据装置的数据通信。例如，网络链路NDL可以提供经由局域网LAN至主计算机HC的连接。这可以包括通过现在通常被称为“因特网”INT的全球分组数据通信网络提供的数据通信服务。局域网LAN(因特网)两者都使用承载数字数据流的电信号、电磁信号或光信号。通过各种网络的信号和在网络数据链路NDL上并且通过通信接口CI的信号(所述信号将数字数据承载到计算机系统CS和承载来自计算机系统CS的数字数据)是传输所述信息的载波的示例性形式。
计算机系统CS可以通过一个或多个网络、网络数据链路NDL和通信接口CI发送消息和接收数据，该数据包括程序代码。在因特网的示例中，主机HC可以通过因特网INT、网络数据链路NDL、局域网LAN和通信接口CI传输用于应用程序的请求代码。例如，一个这样的下载的应用可以提供本文中描述方法的全部或部分。所接收的代码可以在其被接收时由处理器PRO执行，和/或被储存在储存装置SD或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统CS可以获取呈载波的形式的应用代码。
图8是根据实施例的光刻投影设备的示意图。
所述光刻投影设备可以包括照射系统IL、第一载物台MT、第二载物台WT和投影系统PS。
照射系统IL可以调节辐射束B。在这种特定情况下，所述照射系统还包括辐射源SO。
第一载物台(例如，图案形成装置台)MT可以设置有用于保持图案形成装置MA(例如，掩模版)的图案形成装置保持器，并且被连接至第一定位器以相对于物品PS准确地定位所述图案形成装置。
第二载物台(衬底台)WT可以设置有用于保持衬底W(例如，涂覆有抗蚀剂的硅晶片)的衬底保持器，并且被连接至第二定位器以相对于物品PS准确地定位所述衬底。
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)可以将所述图案形成装置MA的受辐照部分投影到所述衬底W的(例如，包括一个或更多个管芯的)目标部分C上。
如本文描绘的，所述设备可以属于透射类型(即，具有透射型图案形成装置)。然而，通常，所述设备也可以是例如反射型(即，具有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。
所述源SO(例如，汞灯或准分子激光、LPP(激光产生式等离子体)EUV源)产生辐射束。例如，这种束被直接地或在已横穿诸如扩束器Ex之类的调节装置之后被进给至照射系统(照射器)IL中。所述照射器IL可以包括调整装置AD，所述调整装置用于设置所述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，所述照射器IL通常会包括各种其它部件，诸如积分器IN和聚光器CO。以这种方式，入射到所述图案形成装置MA上的所述束B在其横截面中具有期望的均匀性和强度分布。
在一些实施例中，虽然源SO可以在所述光刻投影设备的壳体内(这经常是当源SO为例如汞灯时的情况)，但所述源SO也可以远离所述光刻投影设备，所述源SO所产生的辐射束(例如，借助于合适的定向反射镜)被引导到所述设备中；后一情形可以是当源SO为准分子激光器(例如，基于KrF、ArF或F2激光作用)时的情况。
随后所述束PB可以被保持于图案形成装置台MT上的图案形成装置MA拦截。在已横穿图案形成装置MA的情况下，所述辐射束B可以穿过所述透镜PL，所述透镜将束B聚焦到所述衬底W的目标部分C上。借助于所述第二定位装置(和干涉量测测量装置IF)，可以准确地移动所述衬底台WT，例如，以将不同的目标部分C定位在所述辐射束PB的路径中。类似地，例如在从图案形成装置库机械获取所述图案形成装置MA之后，或在扫描期间，第一定位装置可以被用于相对于辐射束B的路径准确地定位图案形成装置MA。通常，所述载物台MT、WT的移动可以借助于长行程模块(粗定位)和短行程模块(精定位)来实现。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可以仅被连接至短行程致动器，或者可以是固定的。
所描绘的工具可以被用于两种不同的模式，即步进模式和扫描模式。在步进模式中，图案形成装置台MT被保持为基本静止，并且整个图案形成装置的图像被一次(即，单次“闪光”)投影到目标部分C上。衬底台WT可以沿x方向和/或y方向偏移，使得不同的目标部分C可以被束PB辐照。
在扫描模式下，除了给定的目标部分C不在单次“闪光”中曝光以外，实质上相同的情形是适用的。替代地，图案形成装置台MT能够沿给定方向(所谓的“扫描方向”，例如y方向)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沿相同或相反的方向同时移动，其中，M是所述透镜PL的放大率(典型地，M＝1/4或1/5)。这样，可以在不必折衷分辨率的情况下曝光相对较大的目标部分C。
图9是根据实施例的另一光刻投影设备(LPA)的示意图。
LPA可以包括源收集器模块SO、照射系统(照射器)IL、支撑结构MT、衬底台WT和投影系统PS，所述照射系统被配置成调节辐射束B(例如，EUV辐射)。
支撑结构(例如，图案形成装置台)MT可以被构造成支撑图案形成装置(例如，掩模或掩模版)MA，并被连接至第一定位器PM，所述第一定位器被配置成准确地定位所述图案形成装置；
所述衬底台(例如，晶片台)WT被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)W，并被连接至第二定位器PW，所述第二定位器被配置成准确地定位所述衬底。
投影系统(例如，反射型投影系统)PS可以被配置成将由图案形成装置MA赋予至所述辐射束B的图案投影到所述衬底W的(例如，包括一个或更多个管芯的)目标部分C上。
如这里描绘的，LPA可以属于反射型(例如，采用反射型图案形成装置)。应注意，因为大多数材料在EUV波长范围内是吸收性的，所以所述图案形成装置可以具有包括例如钼和硅的多个叠层的多层反射器。在一个示例中，多叠层反射器具有成40层成对的钼和硅，在该40层成对的钼和硅中，每层的厚度为四分之一波长。可以利用X射线光刻术以产生甚至更小的波长。由于大多数材料在EUV和x射线波长下是吸收性的，所以图案形成装置的形貌上的图案化的吸收材料的薄片(例如，多层反射器的顶部上的TaN吸收体)限定特征将印制(正性抗蚀剂)在的区域或未印制(负性抗蚀剂)在的区域。
照射器IL可以接收来自源收集器模块SO的极紫外线辐射束。用于产生EUV辐射的方法包括但不必限于将材料转换为等离子态，等离子态具有带有在EUV范围内的一个或更多个发射线的至少一种元素(例如，氙、锂或锡)。在经常被称为激光产生式等离子体(“LPP”)的一种这样的方法中，可以通过用激光束辐照燃料来产生等离子体，所述燃料是诸如具有线发射元素的材料的液滴、束流或簇团。所述源收集器模块SO可以是EUV辐射系统的包括用于提供激发所述燃料的激光束的激光器(图9中未示出)的一部分。所得到的等离子体发射使用辐射收集器收集的输出辐射，例如EUV辐射，所述辐射收集器被设置在所述源收集器模块中。例如当使用CO2激光器提供用于燃料激发的激光束时，所述激光器和所述源收集器模块可以是分立的实体。
在这样的情况下，可以不认为所述激光器构成所述光刻设备的一部分，并且所述辐射束可以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而从所述激光器传递至所述源收集器模块。在其它情况下，例如当所述源是放电产生式等离子体EUV产生器(经常被称为DPP源)时，所述源可以是所述源收集器模块的一体式部分。
照射器IL可以包括用于调整所述辐射束PB的角强度分布的调整器。通常，可以调整所述照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别被称为σ-外部和σ-内部)。此外，所述照射器IL可以包括各种其它部件，诸如琢面场反射镜装置和琢面光瞳反射镜装置。可以将所述照射器用于调整所述辐射束，以便在其横截面中具有期望的均匀性和强度分布。
所述辐射束B可以被入射到所述图案形成装置(例如，掩模)MA上并被所述图案形成装置图案化，所述图案形成装置被保持在所述支撑结构(例如，图案形成装置台)MT上。在已从所述图案形成装置(例如，掩模)MA反射之后，所述辐射束B穿过所述投影系统PS，所述投影系统将所述束聚焦至所述衬底W的目标部分C上。借助于所述第二定位器PW和位置传感器PS2(例，干涉仪装置、线性编码器或电容传感器)，可以准确地移动所述衬底台WT，例如以将不同的目标部分C定位在所述辐射束B的路径中。类似地，第一定位器PM和另一位置传感器PS1可以被用于相对于所述辐射束B的路径准确地定位所述图案形成装置(例如，掩模)MA。可以通过使用图案形成装置对准标记M1、M2和衬底对准标记Pl、P2来对准图案形成装置(例如，掩模)MA和衬底W。
所描绘的设备LPA可以被用于以下模式中的至少一种，即步进模式、扫描模式和静止模式。
在步进模式中，所述支撑结构(例如，图案形成装置台)MT和所述衬底台WT被保持为基本静止，同时将被赋予至所述辐射束的整个图案一次投影到目标部分C上(即，单次静态曝光)。然后将所述衬底台WT沿X和/或Y方向移动，使得可以对不同的目标部分C曝光。
在扫描模式中，在同步地扫描所述支撑结构(例如，图案形成装置台)MT和所述衬底台WT的同时，将被赋予至所述辐射束B的图案投影到目标部分C上(即单次动态曝光)。所述衬底台WT相对于所述支撑结构(例如，图案形成装置台)MT的速度和方向可以通过所述投影系统PS的(缩小)放大率和图像反转特性来确定。
在静止模式中，所述支撑结构(例如，图案形成装置台)MT被保持成基本静止，以保持可编程图案形成装置，并且所述衬底台WT被移动或扫描，同时将被赋予至所述辐射束的图案投影到目标部分C上。在这种模式中，通常采用脉冲辐射源，并且在所述衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新所述可编程图案形成装置。这种操作模式可以易于被应用于利用可编程图案形成装置(诸如，如上文提到的类型的可编程反射镜阵列)的无掩模光刻术中。
图10是根据实施例的所述光刻投影设备的详细视图。
如示出的，LPA可以包括所述源收集器模块SO、所述照射系统IL和所述投影系统PS。所述源收集器模块SO被构造并布置成使得真空环境可以被维持在所述源收集器模块SO的围封结构220中。发射EUV辐射的等离子体210可以由放电产生式等离子体源形成。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，在该气体或蒸汽中产生极高温的等离子体210以发射在电磁光谱的EUV范围内的辐射。例如，通过引起部分电离的等离子体的放电而产生非常热的等离子体210。为了有效产生辐射，可以要求为例如分压为10Pa的Xe、Li、Sn蒸汽或任何其它合适的气体或蒸汽。在实施例中，提供被激发的锡(Sn)的等离子体以产生EUV辐射。
由高温等离子体210发射的辐射从源腔室211经由可选的定位在源腔室211中的开口中或所述开口后方的气体阻挡件或污染物陷阱230(在一些情况下，也被称作污染物阻挡件或翼片阱)而被传递到收集器腔室212中。污染物陷阱230可以包括通道结构。污染物陷阱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陷阱或污染物阻挡件230至少包括通道结构。
所述收集器腔室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。穿过收集器CO的辐射可以被反射离开光栅光谱滤波器240，然后沿由点划线“O”所指示的光轴被聚焦在虚源点IF处。所述虚源点IF通常被称为中间焦点，并且所述源收集器模块被布置成使得所述中间焦点IF位于所述围封结构220中的开口221处或附近。所述虚源点IF是用于发射辐射的等离子体210的图像。
随后，所述辐射横穿所述照射系统IL，所述照射系统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，所述琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成在图案形成装置MA处提供辐射束21的期望的角分布，以及在图案形成装置MA处提供辐射强度的期望的均匀性。在所述辐射束21在由所述支撑结构MT保持的所述图案形成装置MA处反射时，形成图案化束26，并且所述图案化束26通过所述投影系统PS经由反射型元件28、30而被成像到由所述衬底台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，所述光栅光谱滤波器240可以可选地存在。另外，可以存在比图中示出的反射镜更多的反射镜，例如在所述投影系统PS中可以存在除图10中示出的反射型元件以外的1至6个额外的反射型元件。
收集器光学器件CO(如图10中图示的)被描绘为具有掠入射反射器253、254和255的嵌套式收集器，嵌套式收集器仅作为收集器(或收集器反射镜)的示例。所述掠入射反射器253、254和255围绕所述光轴O被轴向对称地设置，并且这种类型的收集器光学器件CO可以与放电产生式等离子体源(经常被称作DPP源)结合使用。
图11是根据实施例的光刻投影设备LPA的源收集器模块SO的详细视图。
源收集器模块SO可以是LPA辐射系统的一部分。激光器LA可以被布置成将激光能量沉积到燃料中，燃料诸如为氙(Xe)、锡(Sn)或锂(Li)，从而产生具有几十eV的电子温度的高度离子化的等离子体210。在这些离子的去激发和复合期间产生的高能辐射由所述等离子体发射，被近正入射收集器光学器件CO收集，并被聚焦到所述围封结构220中的所述开口221上。
根据本公开，一种用于选择图案的方法涉及通过基函数集合将图案变换成表示域(诸如基于照射源的域的光学系统)，以对任何输入图案产生图案表示(例如，线性图案表示)。特别地，图案可以使用透射交叉系数集合(TCC)来表示，所述透射交叉系数集合表示所述光刻设备的照射源的光学特性，诸如所述图案的多个部分的电磁场(EMF)激发。这种变换是容易计算的(例如，一旦已知所述照射源的配置)，比常规表示法更准确，并且因此提供用于更好地选择代表性图案的改善的图案相似性分析。这样的变换有利地不需要如自动编码技术中那样的任何训练，并且因此可以实现较快的图案选择。
图12是根据实施例的用于根据基于源的表示域中的图案表示从目标布局中选择图案的示例性方法的流程图。在实施例中，所述输入可以被表示为图像、向量等形式。所选图案可以被用于各种目的，例如，被用作用于训练或校准与图案化过程相关联的模型的训练数据。
在过程P1201中，获得第一图案集合1202。在一些实施例中，所述第一图案集合1202可以从待印制到衬底上的设计布局；与图案化过程相关联的模拟图像；或与图案化衬底相关联的图像来获得。在一些实施例中，所述模拟图像可以是空间图像、掩模图像、抗蚀剂图像或经由(例如，如关于图2所论述的)一个或更多个过程模型获得的蚀刻图像。在一些实施例中，所述图案化衬底的图像可以是由SEM系统模拟或捕获的所述图案化衬底的SEM图像。
在一些实施例中，所述第一图案集合1202可以被表示为图像。在这种情况下，所述第一图案集合1202可以被称为图像1202。在一些实施例中，所述图像1202可以是包括待印制到衬底上的图案的设计布局的图像；或经由SEM获取的图案化衬底的SEM图像。在一些实施例中，所述图像1202可以是二元图像、灰度图像或n通道图像，其中n指的是在所述图像1202中使用的颜色的数目(例如，3通道图像具有红、绿和蓝颜色(RGB))。例如，二元图像可以包括分配有值“1”(指示在像素的地址处的特征)和分配有值“0”(指示在像素的地址处不存在特征)的像素。类似地，所述灰度图像可以包括指示图案的特征存在或不存在的像素强度。在一些实施例中，所述n通道图像可以包括RGB颜色通道，所述RGB颜色通道可以指示图案的特征存在或不存在。在一些实施例中，所述RGB的颜色可以指示图案中的特定特征的集合体。
在一些实施例中，所述第一图案集合402的图案可以包括期望将被印制在衬底上的一个或更多个特征(例如，线、孔等)。所述特征可以根据电路设计规格而相对于彼此布置。本公开不限于特定的图像或图案、或其中的特征。
在过程P1203中，所述第一图案集合402的图案可以被表示在表示域中。例如，所述图案可以被表示在希尔伯特空间域中，诸如电磁场(EMF)域。在一些实施例中，表示表示域中的图案包括将所述图案表示为数据点组1204。在一些实施例中，数据点指示与所述图案的一部分内的特征相关联的信息。在一些实施例中，将给定图案表示为所述表示域中的所述数据点组1204包括通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。当转换时，所述数据点组1204可以是与所述基函数集合相关联的系数集合。在一些实施例中，所述基函数集合是正交函数集合。在实施例中，所述转换包括将所述给定图案投影在线性表示域中，所述线性表示域包括确定表示所述给定图案的所述正交函数集合的线性组合。例如，图案可以使用SOCS TCC作为基函数而被投影到EMF域上。当转换时，所述图案的每个像素使用表示所述像素处的EMF激发的向量(例如，TCC的N维向量)来表示，并且所述图案被表示为向量组(数据点组1204)。上文至少关于图5A来描述表示线性表示域或希尔伯特空间中的图案的细节。在图5A中，表示将在所述表示中使用的第i阶的所述基函数的ψi可以包括TCC基函数，例如TCCi。所述投影系数集合C＝{c0，c1，…cn}的这种表示可以被用作所述表示域中的图案表示，并且所述投影系数集合可以包含与图案-像素如何被表示在EMF域中有关的必要信息。所述图案的图像可以使用所述系数而被重构(但是有损耗——有损耗表示所述照射源的衍射损耗)。所述重构可以被表达为：
Figure BDA0003534966430000321
(方程式A)
其中ci是第i阶系数，TCCi是第i阶基函数，并且(x，y)是像素的地址。
以下段落描述将图案投影在基于照射源的表示域中的额外的细节，其描述所述源相对于图案的特性(例如，对图案的源响应)。在一些实施例中，来自所述第一图案集合1202的图案可以使用作为基函数的相干系统(SOCS)TCC的求和而被表示为基于源的表示域，诸如EMF域。所述TCC描述所述图案的一部分的EMF激发。例如，所述光刻设备的所述源特性可以使用霍普金成像公式来建模，所述霍普金成像公式计算部分相干源的TCC。然后，所述TCC可以被分解成具有正交传递函数的相干系统(例如，N维SOCS TCC)的离散集合。所述SOCSTCC集合表示单独的相干系统的EMF传递函数，其中最终成像强度(例如，与图案相关联的空间图像强度)可以被确定为单独的强度的求和。所述空间图像强度的计算可以被表示如下：
Figure BDA0003534966430000331
(方程式A)
其中i：像素阶
TCCk：第k阶(依赖于源)的空间SOCS TCC
λk：TCC第k阶本征值(依赖于源)
M：在TCC大小处剪辑的空间掩模
在一些实施例中，使用作为基函数的SOCS TCC将图案投影在所述EMF域中包括使用TCC(例如，SOCS TCC的N维向量)集合表示所述图案的像素。所述向量表示在所述像素处的基于所述像素的接近度的EMF激发。也就是说，所述向量指示所述像素的接近度如何影响所述像素处的EMF激发。所述向量的每个元素对应于像素至所述N维SOCS TCC的TCC的投影。
由于图案可以由其像素来表示，并且每个像素可以使用SOCS TCC的向量来表示，因此所述图案可以被表示为向量组或向量云，例如如由图5B图示的。例如，组G1可以表示第一图案的向量组，并且组G2可以表示来自所述第一图案集合1202的第二图案的向量组，并且轴线可以对应于表示域(例如，EMF值)。
在将所述图案表示为向量组或数据点组1204之后，在过程P1205处，可以基于一个或更多个标准，从所述第一图案集合1202选择作为代表性图案的第二图案集合1206。在一些实施例中，所述第一图案集合1204的向量组可以针对图案相似性进行分析，并且可以确定指示所述图案相似性的一个或更多个指标，诸如两个向量组之间的距离指标。如果所述指标满足标准(例如，距离指标满足(例如，超过)距离阈值)，则可以认为所述图案组与指标不满足标准的图案组相比足够不同以被选择为代表性图案。在一些实施例中，可以基于所选图案的总熵来选择所述第二图案集合1206。上文至少关于图4(例如，过程P405和P407)、图5B和图6描述了关于选择所述第二图案集合1206的额外的细节。
所述第二图案集合1206可以被用于各种目的。例如，如至少关于图4描述的，所述第二图案集合1206可以被用于配置(例如，训练或校准)与图案化过程相关联的模型。本公开不限于所选的第二图案集合1206的特定使用。所述第二图案集合1206可以被用于改善所述图案化过程的一个或更多个方面，诸如改善空间图像模型、掩模模型、抗蚀剂模型、OPC过程、与量测有关的模型或涉及图案化过程的其它模型的性能。
注意，虽然图12描述将所述图案表示在由光刻设备的光学系统或照射源所表征(例如，对图案的源响应)的表示域中，但是所述表示域不限于所述光学系统。所述表示域可以基于任何光刻设备或过程特性来表征，诸如光致抗蚀剂域(例如，光致抗蚀剂对图案的响应)。
本文中所公开的构思可以模拟或以数学方式对用于成像子波长特征的任何通用的成像系统进行建模，并且可以尤其与能够产生越来越短的波长的新兴的成像技术一起使用。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的波长并且甚至能够通过使用氟激光器产生157nm的波长的EUV(极紫外)、DUV光刻术。此外，为了产生该范围内的光子，EUV光刻术能够通过使用同步加速器或通过运用高能电子来撞击材料(固体或等离子体)来产生在20nm至50nm的范围内的波长。
本公开的实施例还可以由以下方面来描述：
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被配置成基于用于训练涉及半导体制造的机器学习模型的图案之间的交互信息来选择所述图案，所述介质包括储存在其中的指令，所述指令在由一个或更多个处理器执行时引起包括以下各项的操作：
获得包括第一图案和第二图案的图案集合，所述图案集合中的每个图案包括一个或更多个特征；
将所述图案集合中的每个图案表示为表示域中的数据点组，所述第一图案被表示为所述表示域中的第一数据点组，并且所述第二图案被表示为所述表示域中的第二数据点组，所述第一组中的每个数据点指示与所述第一图案的一部分内的特征相关联的信息，并且所述第二组中的每个数据点指示与所述第二图案的一部分内的特征相关联的信息；
确定与所述图案集合相对应的距离指标的距离值集合，所述距离值集合包括在所述第一数据点组与另一数据点组之间确定的第一距离值以及在所述第二数据点组与所述另一数据点组之间确定的所述第二距离值，所述距离指标指示所述图案集合中的给定图案与所述另一图案之间的交互信息的量；以及
基于所述距离指标的突破距离阈值的值，从所述图案集合中选择图案子集。
2.根据方面1所述的介质，其中，所述图案集合包括从以下各项获得的图案：
期望将被印制在衬底上的设计布局；
与图案化过程相关联的模拟图像；或
与图案化衬底相关联的图像。
3.根据方面2所述的介质，其中，
所述模拟图像包括空中图像、掩模图像、抗蚀剂图像或蚀刻图像中的至少一种。
4.根据方面2所述的介质，其中，
所述图案化衬底的所述图像包括所述图案化衬底的扫描电子显微镜(SEM)图像。
5.根据方面1至4中任一项所述的介质，其中，
与所述图案集合中的所述给定图案的一部分内的特征相关联的所述信息包括：
所述给定图案的所述部分内的像素值，所述像素值指示与所述部分内的特征相关联的强度。
6.根据方面1至5中任一项所述的介质，其中，
所述给定图案与所述另一图案之间的交互信息的量指示所述给定图案中有多少信息是与所述另一图案共有的，交互信息的较高的量指示所述给定图案与所述另一图案之间的共有信息的较高的量。
7.根据方面1至6中任一项所述的介质，其中，
将每个图案表示为所述表示域中的所述数据点组包括：
通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。
8.根据方面7所述的介质，其中，
在转换时，所述给定图像的每个像素对应于与所述基函数集合相关联的系数集合。
9.根据方面8所述的介质，其中，
与所述基函数集合相关联的系数集合对应于TCC集合。
10.根据方面8所述的介质，其中，
所述基函数集合包括TCC函数集合。
11.根据方面7所述的介质，其中，
在转换时，所述数据点组对应于与所述基函数集合相关联的系数集合。
12.根据方面11所述的介质，其中，
与所述基函数集合相关联的系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
13.根据方面7至12中任一项所述的介质，其中，
所述基函数集合是正交函数集合。
14.根据方面7至13中任一项所述的介质，其中，
所述转换包括：
将所述图案集合中的所述给定图案投影在线性表示域中。
15.根据方面14所述的介质，其中，
所述投影包括：
确定所述正交函数集合的表示所述图案集合中的所述给定图案的线性组合。
16.根据方面7至15中任一项所述的介质，其中，
所述基函数集合包括以下各项中的至少一种：
厄米高斯模；
泽尼克多项式；或
贝塞尔函数。
17.根据方面1至16中任一项所述的介质，其中，
所述表示域是希尔伯特空间域。
18.根据方面1至16中任一项所述的介质，其中，
选择所述图案子集包括基于所选图案的总熵，从所述图案集合中选择多个图案。
19.根据方面18所述的介质，其中，选择包括：
将所述总熵确定为与对应于所述图案集合的每个图案的每个数据点组相关联的信息熵的组合。
20.根据方面19所述的介质，其中，从所述图案集合中选择所述图案子集包括：
从表示所述图案集合的组中选择多个组，每个所选组具有所述距离指标的突破所述距离阈值的值；以及
对于所选组，确定所述表示域的信息熵是否满足规定的标准；
响应于所述信息熵不满足所述规定的标准，将另一组添加至所选的多个组或从所选的所述多个组中移除一组，并且重复这些步骤；以及
选择与所选的所述多个组相对应的多个图案。
21.根据方面1至20中任一项所述的介质，其中，所述距离指标包括：
使用所述表示域中的组内的数据点计算的库尔贝克-莱布勒散度；或
使用所述表示域中的组内的数据点计算的最邻近的k均值。
22.根据方面1至21中任一项所述的介质，还包括：
基于所述图案子集来训练被配置成确定图案化过程的特性的机器学习模型。
23.根据方面1至22中任一项所述的介质，其中，
所述机器学习模型被配置成确定光刻设备的照射源、掩模的掩模图案、所述光刻设备的投影系统、或用于将图案印制在衬底上的抗蚀剂的特性。
24.根据方面1至23中任一项所述的介质，其中，
将每个图案表示为所述表示域中的所述数据点不包括使用机器学习模型。
25.根据方面1所述的方法，其中，
所述表示域对应于电磁函数。
26.根据方面25所述的介质，其中，
所述电磁函数是与用于将第一图案集合印制到衬底上的光刻设备的照射源相关联的透射交叉系数(TCC)函数集合。
27.根据方面26所述的介质，其中，表示每个图案包括：
将所述图案集合中的图案的像素表示为图案向量，其中，所述图案向量中的每个元素对应于像素的在所述TCC函数集合的TCC处的投影。
28.根据方面27所述的介质，其中，所述图案向量指示相应的像素的EMF激发。
29.根据方面27所述的介质，其中，所述图案向量指示所述相应的像素的接近度对所述相应的像素的EMF激发的影响。
30.根据方面1所述的介质，其中，与所述图案集合中的每个图案相关联的所述数据点组包括图案向量组，其中，每个图案向量对应于相应的图案的多个像素中的一像素。
31.根据方面1所述的介质，其中，所述图案集合中的每个图案被表示为所述表示域中的多个构件，其中，每个构件对应于所述图案的一像素。
32.一种表示表示域中的图案的非暂时性计算机可读介质，所述介质包括存储在其中的指令，所述指令在由一个或更多个处理器执行时引起包括以下各项的操作：
获得图案集合，每个图案包括一个或更多个特征；以及
将所述图案集合中的每个图案转换成表示域中的数据点组，每个数据点指示与所述图案集合中的给定图案的一部分内的特征相关联的信息。
33.根据方面32所述的介质，其中，将每个图案表示为所述表示域中的所述数据点组包括：
通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。
34.根据方面33所述的介质，其中，在转换时，所述数据点组是与所述基函数集合相关联的系数集合。
35.根据方面34所述的介质，其中，与所述基函数集合相关联的系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
36.根据方面33所述的介质，其中，所述基函数集合是正交函数集合。
37.根据方面33至36中任一项所述的介质，其中，所述转换包括：
将所述图案集合中的所述给定图案投影在线性表示域中。
38.根据方面37所述的介质，其中，所述投影包括：确定所述正交函数集合的表示所述图案集合中的所述给定图案的线性组合。
39.根据方面33至38中任一项所述的介质，其中，所述基函数集合包括以下各项中的至少一种：
厄米高斯模；
泽尼克多项式；或
贝塞尔函数。
40.根据方面32至39中任一项所述的介质，其中，所述表示域是希尔伯特空间域。
41.一种配置成选择用于训练机器学习模型的代表性图案的非暂时性计算机可读介质，所述介质包括存储在其中的指令，所述指令在由一个或更多个处理器执行时引起包括以下各项的操作：
获得图案集合；
将所述图案集合中的每个图案表示为表示域中的数据点组；以及
基于所述数据点组，从所述图案集合中选择图案子集作为用于所述图案集合中的给定图案与另一图案之间的交互信息的指导。
42.根据方面41所述的介质，其中，每个数据点表示与在所述图案集合中的所述给定图案的一部分内的特征相关联的所述信息。
43.根据方面42所述的介质，其中，与所述特征相关联的信息包括在所述给定图案的所述部分内的像素值。
44.根据方面41至43中任一项所述的介质，其中，所述给定图案与所述另一图案之间的交互信息、的量指示所述给定图案中有多少信息、是与所述另一图案共有的，交互信息的较高的量指示所述给定图案与所述另一图案之间的共有信息的较高的量。
45.根据方面41至44中任一项所述的介质，其中，将每个图案表示为所述表示域中的所述数据点组包括：
通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。
46.根据方面45所述的介质，其中，在转换时，所述数据点组是与所述基函数集合相关联的系数集合。
47.根据方面46所述的介质，其中，与所述基函数集合相关联的系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
48.根据方面45至47中任一项所述的介质，其中，所述基函数集合是正交函数集合。
49.根据方面45至48中任一项所述的介质，其中，所述转换包括：
将所述图案集合中的所述给定图案投影在线性表示域中。
50.根据方面49所述的介质，其中，所述投影包括：确定所述正交函数集合的表示所述图案集合中的所述给定图案的线性组合。
51.根据方面45至50中任一项所述的介质，其中，所述基函数集合包括以下中的至少一种：
厄米高斯模；
泽尼克多项式；或
贝塞尔函数。
52.根据方面41至51中任一项所述的介质，其中，所述表示域是希尔伯特空间域。
53.根据方面41至52中任一项所述的介质，其中，选择所述图案子集包括基于所选图案的总熵，从所述图案集合中选择多个图案。
54.根据方面53所述的介质，其中，选择包括：
将所述总熵确定为与对应于所述图案集合中的每个图案的每个数据点组相关联的信息熵的组合。
55.根据方面54所述的介质，其中，从所述图案集合中选择所述图案子集包括：
从表示所述图案集合的组中选择多个组，每个所选组具有距离指标的突破距离阈值的值，所述距离指标指示所选组与表示所述图案集合的组中的另一组之间的距离；以及
对于所选组，确定所述表示域中的信息熵是否被最大化；
响应于所述信息熵未被最大化，将另一组添加至所述多个组或从所述多个组中移除一组，并且重复步骤直到所述信息熵被最大化；以及
选择与所选的多个组相对应的多个图案。
56.根据方面55所述的介质，其中，所述距离指标包括：
使用所述表示域中的组内的数据点计算的库尔贝克-莱布勒散度；或
使用所述表示域中的组内的数据点计算的最邻近的k均值。
57.根据方面41至56中任一项所述的介质，其中，所述图案集合包括从以下各项获得的图案：
期望将被印制在衬底上的设计布局；
与图案化过程相关联的模拟图像；或
与图案化衬底相关联的图像。
58.根据方面41至57中任一项所述的介质，其中，所述模拟图像包括空中图像、掩模图像、抗蚀剂图像或蚀刻图像中的至少一种。
59.根据方面58所述的介质，其中，所述图案化衬底的所述图像包括所述图案化衬底的扫描电子显微镜(SEM)图像。
60.根据方面41至59中任一项所述的介质，还包括：
基于所述图案子集来训练被配置成确定图案化过程的特性的机器学习模型。
61.根据方面60所述的介质，其中，所述机器学习模型被配置成确定光刻设备的照射源、掩模的掩模图案、所述光刻设备的投影系统、或用于将图案印制在衬底上的抗蚀剂的特性。
62.根据方面41至61中任一项所述的介质，其中，将每个图案表示为所述表示域中的所述数据点不包括使用机器学习模型。
63.一种旨在基于用于训练涉及半导体制造的机器学习模型的图案之间的交互信息来选择图案的方法，所述方法包括：
获得包括第一图案和第二图案的图案集合，所述图案集合中的每个图案包括一个或更多个特征；
将所述图案集合中的每个图案表示为表示域中的数据点组，所述第一图案被表示为所述表示域中的第一数据点组，并且所述第二图案被表示为所述表示域中的第二数据点组，所述第一组中的每个数据点指示与所述第一图案的一部分内的特征相关联的信息，并且所述第二组中的每个数据点指示与所述第二图案的一部分内的特征相关联的信息；
确定与所述图案集合相对应的距离指标的距离值集合，所述距离值集合包括在所述第一数据点组与另一数据点组之间确定的第一距离值以及在所述第二数据点组与所述另一数据点组之间确定的所述第二距离值，所述距离指标指示所述图案集合中的给定图案与所述另一图案之间的交互信息的量；以及
基于所述距离指标的突破距离阈值的值，从所述图案集合中选择图案子集。
64.根据方面63所述的方法，其中，所述图案集合包括从以下各项获得图案：
期望将被印制在衬底上的设计布局；
与图案化过程相关联的模拟图像；或
与图案化衬底相关联的图像。
65.根据方面64所述的方法，其中，所述模拟图像包括空中图像、掩模图像、抗蚀剂图像或蚀刻图像中的至少一种。
66.根据方面64所述的方法，其中，所述图案化衬底的所述图像包括所述图案化衬底的扫描电子显微镜(SEM)图像。
67.根据方面63至66中任一项所述的方法，其中，与所述图案集合中的所述给定图案的一部分内的特征相关联的所述信息、包括：
所述给定图案的所述部分内的像素值，所述像素值指示与所述部分内的特征相关联的强度。
68.根据方面63至67中任一项所述的方法，其中，所述给定图案与所述另一图案之间的交互信息、的量指示所述给定图案中有多少信息、是与所述另一图案共有的，交互信息的较高的量指示所述给定图案与所述另一图案之间的共有信息的较高的量。
69.根据方面63至68中任一项所述的方法，其中，将每个图案表示为所述表示域中的所述数据点组包括：
通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。
70.根据方面69所述的介质，其中，在转换时，所述给定图像的每个像素对应于与所述基函数集合相关联的系数集合。
71.根据方面70所述的方法，其中，与所述基函数集合相关联的系数集合对应于TCC集合。
72.根据方面70所述的方法，其中，所述基函数集合包括TCC函数集合。
73.根据方面69所述的方法，其中，在转换时，所述数据点组是与所述基函数集合相关联的系数集合。
74.根据方面73所述的方法，其中，与所述基函数集合相关联的系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
75.根据方面69至74中任一项所述的方法，其中，所述基函数集合是正交函数集合。
76.根据方面69至75中任一项所述的方法，其中，所述转换包括：
将所述图案集合中的所述给定图案投影在线性表示域中。
77.根据方面76所述的介质，其中，所述投影包括：
确定所述正交函数集合的表示所述图案集合中的所述给定图案的线性组合。
78.根据方面69至74中任一项所述的方法，其中，所述基函数集合包括以下各项中的至少一种：
厄米高斯模；
泽尼克多项式；或
贝塞尔函数。
79.根据方面63至78中任一项所述的方法，其中，所述表示域是希尔伯特空间域。
80.根据方面63至79中任一项所述的方法，其中，选择所述图案子集包括基于所选图案的总熵，从所述图案集合中选择多个图案。
81.根据方面80所述的方法，其中，选择包括：
将所述总熵确定为与对应于所述图案集合中的每个图案的每个数据点组相关联的信息熵的组合。
82.根据方面81所述的方法，其中，从所述图案集合中选择所述图案子集包括：
从表示所述图案集合的组中选择多个组，每个所选组具有所述距离指标的突破所述距离阈值的值；以及
对于所选组，确定所述表示域中的信息熵是否被最大化；
响应于所述信息熵未被最大化，将另一组添加至所述多个组或从所述多个组中移除一组，并且重复步骤直到所述信息熵被最大化；以及
选择与所选的多个组相对应的多个图案。
83.根据方面63至82中任一项所述的方法，其中，所述距离指标包括：
使用所述表示域中的组内的数据点计算的库尔贝克-莱布勒散度；或
使用所述表示域中的组内的数据点计算的最邻近的k均值。
84.根据方面63至83中任一项所述的方法，还包括：
基于所述图案子集来训练被配置成确定图案化过程的特性的机器学习模型。
85.根据方面63至84中任一项所述的方法，其中，所述机器学习模型被配置成确定光刻设备的照射源、掩模的掩模图案、所述光刻设备的投影系统、或用于将图案印制在衬底上的抗蚀剂的特性。
86.根据方面63至85中任一项所述的方法，其中，将每个图案表示为所述表示域中的所述数据点不包括使用机器学习模型。
87.根据方面63所述的方法，其中，所述表示域对应于电磁函数。
88.根据方面87所述的方法，其中，所述电磁函数是与用于将第一图案集合印制到衬底上的光刻设备的照射源相关联的透射交叉系数(TCC)函数集合。
89.根据方面88所述的方法，其中，表示每个图案包括：
将所述图案集合中的图案的像素表示为图案向量，其中，所述图案向量中的每个元素对应于像素的在所述TCC函数集合的TCC处的投影。
90.根据方面89所述的方法，其中，所述图案向量指示相应的像素的EMF激发。
91.根据方面89所述的方法，其中，所述图案向量指示所述相应的像素的接近度对所述相应的像素的EMF激发的影响。
92.根据方面63所述的方法，其中，与所述图案集合中的每个图案相关联的所述数据点组包括图案向量组，其中，每个图案向量对应于相应的图案的多个像素中的一像素。
93.根据方面63所述的方法，其中，所述图案集合中的每个图案被表示为所述表示域中的多个构件，其中，每个构件对应于所述图案的一像素。
94.一种用于表示表示域中的图案的方法，所述方法包括：
获得图案集合，每个图案包括一个或更多个特征；以及
将所述图案集合中的每个图案转换成表示域中的数据点组，每个数据点指示与所述图案集合中的给定图案的一部分内的特征相关联的信息。
95.根据方面94所述的方法，其中，将每个图案表示为所述表示域中的所述数据点组包括：
通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。
96.根据方面95所述的方法，其中，在转换时，所述数据点组是与所述基函数集合相关联的系数集合。
97.根据方面96所述的方法，其中，与所述基函数集合相关联的系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
98.根据方面95所述的方法，其中，所述基函数集合是正交函数集合。
99.根据方面95至98中任一项所述的方法，其中，所述转换包括：
将所述图案集合中的所述给定图案投影在线性表示域中。
100.根据方面99所述的方法，其中，所述投影包括：确定所述正交函数集合的表示所述图案集合中的所述给定图案的线性组合。
101.根据方面95至100中任一项所述的方法，其中，所述基函数集合包括以下各项中的至少一种：
厄米高斯模；
泽尼克多项式；或
贝塞尔函数。
102.根据方面94至101中任一项所述的方法，其中，所述表示域是希尔伯特空间域。
103.一种旨在选择用于训练机器学习模型的代表性图案的方法，所述方法包括：
获得图案集合；
将所述图案集合中的每个图案表示为表示域中的数据点组；以及
基于所述数据点组，从所述图案集合中选择图案子集作为用于所述图案集合中的给定图案与另一图案之间的交互信息的指导。
104.根据方面103所述的方法，其中，每个数据点表示与在所述图案集合中的所述给定图案的一部分内的特征相关联的所述信息。
105.根据方面104所述的方法，其中，与所述特征相关联的信息包括在所述给定图案的所述部分内的像素值。
106.根据方面103至105中任一项所述的方法，其中，所述给定图案与所述另一图案之间的交互信息、的量指示所述给定图案中有多少信息是与所述另一图案共有的，交互信息、的较高的量指示所述给定图案与所述另一图案之间的共有信息、的较高的量。
107.根据方面103至106中任一项所述的方法，其中，将每个图案表示为所述表示域中的所述数据点组包括：
通过基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。
108.根据方面107所述的方法，其中，在转换时，所述数据点组是与所述基函数集合相关联的系数集合。
109.根据方面108所述的方法，其中，与所述基函数集合相关联的系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
110.根据方面107至109中任一项所述的方法，其中，所述基函数集合是正交函数集合。
111.根据方面107至110中任一项所述的方法，其中，所述转换包括：
将所述图案集合中的所述给定图案投影在线性表示域中。
112.根据方面111所述的方法，其中，所述投影包括：确定所述正交函数集合的表示所述图案集合中的所述给定图案的线性组合。
113.根据方面107至112中任一项所述的方法，其中，所述基函数集合包括以下各项中的至少一种：
厄米高斯模；
泽尼克多项式；或
贝塞尔函数。
114.根据方面103至113中任一项所述的方法，其中，所述表示域是希尔伯特空间域。
115.根据方面103至114中任一项所述的方法，其中，选择所述图案子集包括基于所选图案的总熵，从所述图案集合中选择多个图案。
116.根据方面115所述的方法，其中，选择包括：
将所述总熵确定为与对应于所述图案集合中的每个图案的每个数据点组相关联的信息熵的组合。
117.根据方面116所述的方法，其中，从所述图案集合中选择所述图案子集包括：
从表示所述图案集合的组中选择多个组，每个所选组具有距离指标的突破距离阈值的值，所述距离指标指示所选组与表示所述图案集合的组中的另一组之间的距离；和
对于所选组，确定所述表示域中的信息熵是否被最大化；
响应于所述信息熵未被最大化，将另一组添加至所述多个组或从所述多个组中移除一组，并且重复步骤直到所述信息熵被最大化；以及
选择与所选的多个组相对应的多个图案。
118.根据方面117所述的方法，其中，所述距离指标包括：
使用所述表示域中的组内的数据点计算的库尔贝克-莱布勒散度；或
使用所述表示域中的组内的数据点计算的最邻近的k均值。
119.根据方面103至118中任一项所述的介质，其中，所述图案集合包括从以下各项获得的图案：
期望将被印制在衬底上的设计布局；
与图案化过程相关联的模拟图像；或
与图案化衬底相关联的图像。
120.根据方面103至119中任一项所述的方法，其中，所述模拟图像包括空中图像、掩模图像、抗蚀剂图像或蚀刻图像中的至少一种。
121.根据方面120所述的方法，其中，所述图案化衬底的所述图像包括所述图案化衬底的扫描电子显微镜(SEM)图像。
122.根据方面103至121中任一项所述的方法，还包括：
基于所述图案子集来训练被配置成确定图案化过程的特性的机器学习模型。
123.根据方面122所述的方法，其中，所述机器学习模型被配置成确定光刻设备的照射源、掩模的掩模图案、所述光刻设备的投影系统、或用于将图案印制在衬底上的抗蚀剂的特性。
124.根据方面103至123中任一项所述的方法，其中，将每个图案表示为所述表示域中的所述数据点不包括使用机器学习模型。
125.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种旨在选择用于训练或校准涉及半导体制造的模型的图案的方法，所述方法包括：
获得第一图案集合；
将所述第一图案集合中的每个图案表示在表示域中，所述表示域对应于电磁函数；以及
基于所述表示域，从所述第一图案集合中选择第二图案集合。
126.根据方面125所述的计算机可读介质，其中，所述电磁函数是与用于将第一图案集合印制到衬底上的光刻设备的照射源相关联的透射交叉系数(TCC)函数集合。
127.根据方面126所述的计算机可读介质，其中，表示每个图案包括：
将所述第一图案集合中的图案的像素表示为图案向量，其中，所述图案向量中的每个元素对应于像素的在所述TCC函数集合的TCC处的投影。
128.根据方面127所述的计算机可读介质，其中，所述图案向量指示相应的像素的EMF激发。
129.根据方面127所述的计算机可读介质，其中，所述图案向量指示所述相应的像素的接近度对所述相应的像素的EMF激发的影响。
130.根据方面125所述的计算机可读介质，其中，所述第一图案集合中的每个图案被表示为图案向量组，其中，每个图案向量对应于相应的图案的多个像素中的一像素。
131.根据方面125所述的计算机可读介质，其中，所述第一图案集合中的每个图案被表示为所述表示域中的多个构件，其中，每个构件对应于所述图案的一像素。
132.根据方面125所述的计算机可读介质，其中，选择所述第二图案集合包括基于所述第二图案集合的总熵，从所述第一图案集合中选择多个图案。
133.根据方面132所述的计算机可读介质，其中，选择所述第二图案集合包括：
将所述总熵确定为与对应于所述第一图案集合中的每个图案的每个图案向量组相关联的信息熵的组合。
134.根据方面133所述的计算机可读介质，其中，从所述第一图案集合中选择所述第二图案集合包括：
从表示图案集合的组中选择多个组，每个所选组具有距离指标的满足距离阈值的值；
对于所述多个组，确定所述表示域的信息熵是否满足规定的标准；
响应于所述信息熵不满足所述规定的标准，将另一组添加至所述多个组或从所述多个组中移除一组，并且重复步骤；以及
选择与所述多个组相对应的多个图案。
135.根据方面134所述的计算机可读介质，其中，所述距离指标包括：
使用所述表示域中的组内的图案向量计算的库尔贝克-莱布勒散度；或
使用所述表示域中的组内的图案向量计算的最邻近的k均值。
136.根据方面125所述的计算机可读介质，所述方法还包括：
基于所述第二图案集合来训练被配置成确定图案化过程的特性的机器学习模型。
137.根据方面136所述的计算机可读介质，其中，所述机器学习模型被配置成确定光刻设备的照射源、掩模的掩模图案、所述光刻设备的投影系统、或用于将图案印制在衬底上的抗蚀剂中的至少一种的特性。
138.根据方面125所述的计算机可读介质，其中，表示所述表示域中的每个图案包括：
通过表征所述表示域的基函数集合对所述第一图案集合中的所述给定图案进行转换。
139.根据方面138所述的计算机可读介质，其中，在转换时，所述给定图案的每个像素对应于与所述基函数集合相关联的系数集合。
140.根据方面139所述的计算机可读介质，其中，与所述基函数集合相关联的系数集合对应于TCC集合。
141.根据138所述的计算机可读介质，其中，所述基函数集合是正交函数集合。
142.根据方面138所述的计算机可读介质，其中，对所述给定图案进行转换包括：
将所述给定图案投影在线性表示域中。
143.根据方面138所述的计算机可读介质，其中，所述基函数集合包括TCC函数集合。
144.根据方面125所述的计算机可读介质，其中，所述表示域是希尔伯特空间域。
145.一种选择用于训练或校准涉及半导体制造的模型的图案的方法，所述方法包括：
获得第一图案集合；
将所述第一图案集合中的每个图案表示在表示域中，所述表示域对应于电磁函数；以及
基于所述表示域，从所述第一图案集合中选择第二图案集合。
146.根据方面145所述的方法，其中，所述电磁函数是与用于将第一图案集合印制到衬底上的光刻设备的照射源相关联的透射交叉系数(TCC)函数集合。
147.根据方面146所述的方法，其中，表示每个图案包括：
将所述第一图案集合中的图案的像素表示为图案向量，其中，所述图案向量中的每个元素对应于像素的在所述TCC函数集合的TCC处的投影。
148.根据方面147所述的方法，其中，所述图案向量指示相应的像素的EMF激发。
149.根据方面147所述的方法，其中，所述图案向量指示所述相应的像素的接近度对所述相应的像素的EMF激发的影响。
150.根据方面145所述的方法，其中，所述第一图案集合中的每个图案被表示为图案向量组，其中，每个图案向量对应于相应的图案的多个像素中的一像素。
151.根据方面145所述的方法，其中，所述第一图案集合中的每个图案被表示为所述表示域中的多个构件，其中，每个构件对应于所述图案的一像素。
152.根据方面145所述的方法，其中，选择所述第二图案集合包括基于所述第二图案集合的总熵，从所述第一图案集合中选择多个图案。
153.根据方面152所述的方法，其中，选择所述第二图案集合包括：
将所述总熵确定为与对应于所述第一图案集合中的每个图案的每个图案向量组相关联的信息熵的组合。
154.根据方面153所述的方法，其中，从所述第一图案集合中选择所述第二图案集合包括：
从表示图案集合的组中选择多个组，每个所选组具有距离指标的满足距离阈值的值；
对于所述多个组，确定所述表示域的信息熵是否满足规定的标准；
响应于所述信息熵不满足所述规定的标准，将另一组添加至所述多个组或从所述多个组中移除一组，并且重复步骤；以及
选择与所述多个组相对应的多个图案。
155.根据方面154所述的方法，其中，所述距离指标包括：
使用所述表示域中的组内的图案向量计算的库尔贝克-莱布勒散度；或
使用所述表示域中的组内的图案向量计算的最邻近的k均值。
156.根据方面145所述的方法，还包括：
基于所述第二图案集合来训练被配置成确定图案化过程的特性的机器学习模型。
157.根据方面156所述的方法，其中，所述机器学习模型被配置成确定光刻设备的照射源、掩模的掩模图案、所述光刻设备的投影系统、或用于将图案印制在衬底上的抗蚀剂中的至少一种的特性。
158.根据方面145所述的方法，其中，表示所述表示域中的每个图案包括：
通过表征所述表示域的基函数集合对所述第一图案集合中的所述给定图案进行转换。
159.根据方面158所述方法的方法，其中，在转换时，所述给定图案的每个像素对应于与所述基函数集合相关联的系数集合。
160.根据方面159所述的方法，其中，与所述基函数集合相关联的系数集合对应于TCC集合。
161.根据158所述的方法，其中，所述基函数集合是正交函数集合。
162.根据方面158所述的方法，其中，对所述给定图案进行转换包括：
将所述给定图案投影在线性表示域中。
163.根据方面158所述的方法，其中，所述基函数集合包括TCC函数集合。
164.根据方面145所述的方法，其中，所述表示域是希尔伯特空间域。
虽然本文公开的构思可以被用于在衬底(诸如硅晶片)上成像，但是应理解，所公开的构思可以与任何类型的光刻成像系统一起使用，任何类型的光刻成像系统例如是用于在除了硅晶片以外的衬底上成像的光刻成像系统。本文中的描述旨在是说明性的而非限制性的。因此，本领域的技术人员将明白，在不背离下文所述的权利要求书的范围的情况下，可以如所描述地进行修改。

Claims (15)

1.一种针对与半导体制造有关的过程进行图案选择的方法，包括：
获得图案集合；
将所述图案集合中的每个图案表示为表示域中的数据点组，其中，每个数据点表示与在所述图案集合中的给定图案的一部分内的特征相关联的信息；和
基于所述数据点组，从所述图案集合中选择图案子集作为用于所述图案集合中的给定图案与另一图案之间的交互信息的指导。
2.根据权利要求1所述的方法，其中，与所述特征相关联的信息包括在所述给定图案的所述部分内的像素值。
3.根据权利要求1所述的方法，其中，所述给定图案与所述另一图案之间的交互信息的量指示所述给定图案中的与所述另一图案共有的信息的量。
4.根据权利要求1所述的方法，其中，将每个图案表示为所述表示域中的所述数据点组包括：
使用基函数集合对所述给定图案进行转换，所述基函数集合表征所述表示域。
5.根据权利要求4所述的方法，其中，在进行转换时，所述数据点组对应于与所述基函数集合相关联的系数集合。
6.根据权利要求5所述的方法，其中，与所述基函数集合相关联的系数集合对应于所述给定图案的像素的在所述表示域中的地址的集合。
7.根据权利要求4所述的方法，其中，进行转换包括：
在线性表示域中投影所述图案集合中的所述给定图案，其中，所述投影包括：确定表示所述图案集合中的所述给定图案的正交函数集合的线性组合。
8.根据权利要求4所述的方法，其中，所述基函数集合包括以下各项中的至少一项：
厄米高斯模；
泽尼克多项式；或
贝塞尔函数。
9.根据权利要求1所述的方法，其中，所述表示域是希尔伯特空间域。
10.根据权利要求1所述的方法，其中，选择所述图案子集包括：基于所选图案的总熵，从所述图案集合中选择多个图案；将所述总熵确定为与对应于所述图案集合中的每个图案的每个数据点组相关联的信息熵的组合。
11.根据权利要求10所述的方法，其中，从所述图案集合中选择所述图案子集包括：
从表示所述图案集合的所述组中选择多个组，每个所选组具有距离指标的突破距离阈值的值，所述距离指标指示所选组与表示所述图案集合的所述组中的另一组之间的距离；和
对于所选组，确定所述表示域中的信息熵是否被最大化；
响应于所述信息熵未被最大化，将另一组添加至所选的所述多个组或从所选的所述多个组中移除一组，并且重复这些步骤，直到所述信息熵被最大化；以及
选择与所选的所述多个组相对应的多个图案。
12.根据权利要求1所述的方法，还包括：
基于所述图案子集来训练被配置成确定图案化过程的特性的机器学习模型；
使用所述图案子集来校正非机器学习模型；或
执行对所述图案子集的量测或检查测量。
13.根据权利要求1所述的方法，其中，所述表示域对应于电磁函数。
14.根据权利要求13所述的方法，其中，所述电磁函数是与用于将第一图案集合印制到衬底上的光刻设备的照射源相关联的透射交叉系数(TCC)函数的集合。
15.一种具有指令的非暂时性计算机可读介质，所述指令在被计算机执行时，使所述计算机执行根据权利要求1至14中任一项所述的方法。
CN202210228123.5A 2021-03-08 2022-03-07 基于由光刻设备或过程特性表征的图案表示来选择该图案 Pending CN115047719A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US202163158092P 2021-03-08 2021-03-08
US63/158,092 2021-03-08
US202263299430P 2022-01-14 2022-01-14
US63/299,430 2022-01-14

Publications (1)

Publication Number Publication Date
CN115047719A true CN115047719A (zh) 2022-09-13

Family

ID=80683808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210228123.5A Pending CN115047719A (zh) 2021-03-08 2022-03-07 基于由光刻设备或过程特性表征的图案表示来选择该图案

Country Status (5)

Country Link
US (1) US20240184213A1 (zh)
KR (1) KR20230154852A (zh)
CN (1) CN115047719A (zh)
TW (1) TWI813192B (zh)
WO (1) WO2022189180A1 (zh)

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
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
JP4806020B2 (ja) 2005-08-08 2011-11-02 エーエスエムエル ネザーランズ ビー．ブイ． リソグラフィプロセスのフォーカス露光モデルを作成するための方法、公称条件で使用するためのリソグラフィプロセスの単一のモデルを作成するための方法、およびコンピュータ読取可能媒体
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
CN101305320B (zh) 2005-09-09 2012-07-04 Asml荷兰有限公司 采用独立掩模误差模型的掩模验证系统和方法
US7694267B1 (en) 2006-02-03 2010-04-06 Brion Technologies, Inc. Method for process window optimized optical proximity correction
US7882480B2 (en) 2007-06-04 2011-02-01 Asml Netherlands B.V. System and method for model-based sub-resolution assist feature generation
US7707538B2 (en) 2007-06-15 2010-04-27 Brion Technologies, Inc. Multivariable solver for optical proximity correction
US20090157630A1 (en) 2007-10-26 2009-06-18 Max Yuan Method of extracting data and recommending and generating visual displays
US9588439B1 (en) * 2010-12-21 2017-03-07 Asml Netherlands B.V. Information matrix creation and calibration test pattern selection based on computational lithography model parameters
US10190875B2 (en) * 2014-06-27 2019-01-29 Hitachi High-Technologies Corporation Pattern measurement condition setting device and pattern measuring device
TWI738169B (zh) * 2019-01-29 2021-09-01 荷蘭商Ａｓｍｌ荷蘭公司 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品

Also Published As

Publication number Publication date
WO2022189180A1 (en) 2022-09-15
TWI813192B (zh) 2023-08-21
US20240184213A1 (en) 2024-06-06
TW202240316A (zh) 2022-10-16
KR20230154852A (ko) 2023-11-09

Similar Documents

Publication Publication Date Title
US11544440B2 (en) Machine learning based inverse optical proximity correction and process model calibration
TWI782317B (zh) 用於改良圖案化程序之程序模型的方法以及改良圖案化程序之光學近接校正模型的方法
TW201837759A (zh) 藉由機器學習來判定製程模型之方法
CN112236723B (zh) 利用模型基础对准来改善边缘放置量测准确度
US20220404712A1 (en) Machine learning based image generation for model base alignments
US20230107556A1 (en) Machine learning based subresolution assist feature placement
EP3594750A1 (en) Hidden defect detection and epe estimation based on the extracted 3d information from e-beam images
TW202242556A (zh) 用於改良光罩圖案產生中之一致性之方法
TWI778722B (zh) 用於選擇資訊模式以訓練機器學習模型之設備及方法
TWI667553B (zh) 判定圖案之特性之方法
TW202307722A (zh) 蝕刻系統、模型、及製造程序
KR102642972B1 (ko) 모델 캘리브레이션을 위한 게이지 선택의 향상
TWI813192B (zh) 依據微影設備或製程特徵所特徵化之表示選擇圖案
TWI839015B (zh) 用於判定恆定寬度次解析度輔助特徵的方法、軟體、及系統
CN115729052A (zh) 记录有指令的非瞬态计算机可读介质
TW202333079A (zh) 產生擴增資料以訓練機器學習模型以保持物理趨勢
WO2023110346A1 (en) Methods, software, and systems for determination of constant-width sub-resolution assist features

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