CN115079507A - 随机预测系统、提供其的方法和制造极紫外光掩模的方法 - Google Patents
随机预测系统、提供其的方法和制造极紫外光掩模的方法 Download PDFInfo
- Publication number
- CN115079507A CN115079507A CN202111650279.4A CN202111650279A CN115079507A CN 115079507 A CN115079507 A CN 115079507A CN 202111650279 A CN202111650279 A CN 202111650279A CN 115079507 A CN115079507 A CN 115079507A
- Authority
- CN
- China
- Prior art keywords
- image
- design layout
- contour
- map
- stochastic
- 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 106
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 69
- 230000003287 optical effect Effects 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000001000 micrograph Methods 0.000 claims 1
- 229920002120 photoresistant polymer Polymers 0.000 description 38
- 230000006870 function Effects 0.000 description 24
- 235000012431 wafers Nutrition 0.000 description 22
- 239000004065 semiconductor Substances 0.000 description 19
- 238000013507 mapping Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 12
- 230000005855 radiation Effects 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 11
- 238000005530 etching Methods 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 8
- 125000004122 cyclic group Chemical group 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000000059 patterning Methods 0.000 description 6
- 238000001878 scanning electron micrograph Methods 0.000 description 6
- 238000000206 photolithography Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010894 electron beam technology Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000010408 film Substances 0.000 description 3
- 229910052731 fluorine Inorganic materials 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 229910010272 inorganic material Inorganic materials 0.000 description 3
- 239000011147 inorganic material Substances 0.000 description 3
- 238000001459 lithography Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- PXGOKWXKJXAPGV-UHFFFAOYSA-N Fluorine Chemical compound FF PXGOKWXKJXAPGV-UHFFFAOYSA-N 0.000 description 2
- KJTLSVCANCCWHF-UHFFFAOYSA-N Ruthenium Chemical compound [Ru] KJTLSVCANCCWHF-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011651 chromium Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 2
- 239000011737 fluorine Substances 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 229910052707 ruthenium Inorganic materials 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004528 spin coating Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- KQDJTBPASNJQFQ-UHFFFAOYSA-N 2-iodophenol Chemical compound OC1=CC=CC=C1I KQDJTBPASNJQFQ-UHFFFAOYSA-N 0.000 description 1
- XLLXMBCBJGATSP-UHFFFAOYSA-N 2-phenylethenol Chemical compound OC=CC1=CC=CC=C1 XLLXMBCBJGATSP-UHFFFAOYSA-N 0.000 description 1
- 229910052582 BN Inorganic materials 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 229910052766 Lawrencium Inorganic materials 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910003481 amorphous carbon Inorganic materials 0.000 description 1
- 229910021417 amorphous silicon Inorganic materials 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- XTDAIYZKROTZLD-UHFFFAOYSA-N boranylidynetantalum Chemical compound [Ta]#B XTDAIYZKROTZLD-UHFFFAOYSA-N 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- CNQCVBJFEGMYDW-UHFFFAOYSA-N lawrencium atom Chemical compound [Lr] CNQCVBJFEGMYDW-UHFFFAOYSA-N 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- GALOTNBSUVEISR-UHFFFAOYSA-N molybdenum;silicon Chemical compound [Mo]#[Si] GALOTNBSUVEISR-UHFFFAOYSA-N 0.000 description 1
- JESXATFQYMPTNL-UHFFFAOYSA-N mono-hydroxyphenyl-ethylene Natural products OC1=CC=CC=C1C=C JESXATFQYMPTNL-UHFFFAOYSA-N 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006862 quantum yield reaction Methods 0.000 description 1
- 231100000628 reference dose Toxicity 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013557 residual solvent Substances 0.000 description 1
- 238000010839 reverse transcription Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 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
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/22—Masks or mask blanks for imaging by radiation of 100nm or shorter wavelength, e.g. X-ray masks, extreme ultraviolet [EUV] masks; Preparation thereof
-
- 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
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- 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
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/68—Preparation processes not covered by groups G03F1/20 - G03F1/50
- G03F1/70—Adapting basic layout or design of masks to lithographic process requirements, e.g., second iteration correction of mask patterns for imaging
-
- 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
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- 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
- G03F7/70653—Metrology techniques
- G03F7/70666—Aerial image, i.e. measuring the image of the patterned exposure light at the image plane of the projection system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明构思提供了随机预测系统、提供该随机预测系统的方法和制造极紫外光掩模的方法。所述提供随机预测系统的方法包括:分别从多个扫描电子显微镜(SEM)图像提取与第一设计布局对应的图案的轮廓;基于所述轮廓生成第一轮廓直方图图像;以及通过使用所述第一轮廓直方图图像作为输出并且通过使用所述第一设计布局以及与所述第一设计布局对应的第一抗蚀剂图像、第一航摄图像、第一斜率图、第一密度图和/或第一光子图作为输入来训练随机预测模型,其中,所述随机预测模型包括循环生成对抗网络(GAN)。
Description
相关申请的交叉引用
本申请基于并要求于2021年3月10日在韩国知识产权局提交的韩国专利申请No.10-2021-0031466的优先权,其公开内容通过引用整体合并于此。
技术领域
本发明构思涉及半导体工艺,并且更具体地,涉及用于随机地预测将通过使用极紫外(EUV)光束的图案化工艺形成的图案的轮廓的系统。
背景技术
近来,由于信息通信设备的更高集成存储单元尺寸已经减小,所以用于半导体器件的操作的操作电路和用于电连接的布线结构已变得复杂。因此,在半导体器件的制造中,极紫外(EUV)光刻工艺的应用已经增加。作为使用例如具有在4nm至124nm的范围内(例如,13.5nm)的波长的光的光刻技术的EUV光刻能够处理小于或等于20nm(亚20nm)的超精细尺寸。利用某些使用ArF准分子激光的光刻技术可能难以实现超精细尺寸。然而,随着每EUV图案化区域的光子的数目减少至深UV(DUV)图案化所使用的光子的数目的1/14,EUV图案化易于出现由光子的随机分布引起的图案化缺陷。
发明内容
本发明构思提供了一种提供用于随机地预测将由使用极紫外(EUV)光束的图案化工艺形成的轮廓的系统的方法和一种使用所述系统提供EUV掩模的方法。
本发明构思还提供了一种提供随机预测系统的方法。提供用于随机地预测轮廓的系统的方法包括:分别从多个扫描电子显微镜(SEM)图像提取与第一设计布局对应的图案的轮廓;基于所述轮廓生成第一轮廓直方图图像;以及通过使用所述第一轮廓直方图图像作为输出并且通过使用所述第一设计布局以及与所述第一设计布局对应的第一抗蚀剂图像、第一航摄图像、第一斜率图、第一密度图和/或第一光子图作为输入来训练随机预测模型,其中,所述随机预测模型包括循环生成对抗网络(GAN)。
根据一些实施例,提供了一种提供EUV光掩模的方法。所述方法包括:提供设计布局;对所述设计布局执行光学邻近校正(OPC);验证所述OPC;以及响应于确定出验证所述OPC的结果是正确的,制造EUV光掩模,其中,验证所述OPC的结果包括基于所述设计布局和与所述设计布局对应的抗蚀剂图像、航摄图像、斜率图、密度图和/或光子图生成轮廓直方图图像,并且所述轮廓直方图图像中包括的像素的值指示所述设计布局中包括的图案的轮廓位于所述像素中的概率。
根据一些实施例,提供了一种被配置为随机地预测由光刻工艺导致的缺陷的系统。所述系统包括被配置为生成第一轮廓直方图图像的随机预测模型。所述第一轮廓直方图图像是基于第一设计布局以及与所述第一设计布局对应的第一抗蚀剂图像、第一航摄图像、第一斜率图、第一密度图和/或第一光子图而生成的,并且所述第一轮廓直方图图像中包括的像素的值指示所述设计布局中包括的图案的轮廓位于所述像素中的概率。
附图说明
通过下面结合附图进行的详细描述,将更清楚地理解本发明构思的实施例,在附图中:
图1是示出了根据本发明构思的一些实施例的训练随机预测模型的方法的流程图;
图2、图3、图4A、图4B、图4C、图5A、图5B、图6A、图6B和图6C是根据本发明构思的一些实施例的用于描述训练随机预测模型的方法的视图;
图7是示出了根据本发明构思的一些实施例的制造光罩(reticle)的方法的流程图;
图8是根据本发明构思的一些实施例的用于描述OPC结果的验证的示意图;以及
图9是根据本发明构思的一些实施例的装置的框图。
具体实施方式
在下文中,将参照附图详细描述本发明构思的实施例。附图中同样的组件将作为同样的附图标记被提及到,并且将不再重复描述。
图1是示出了根据本发明构思的一些实施例的训练随机预测模型的方法的流程图。
图2至图6C是根据本发明构思的一些实施例的用于描述训练随机预测模型的方法的视图。
参照图1和图2,在操作P10中,可以从通过扫描电子显微镜(SEM)获得的图像提取轮廓。可以从NGR Inc.(原名Nano Research)的SEM设备或NGR设备生成SEM图像。在操作P10中,可以生成指示所测量的布局的轮廓的二值图像(binary image)。
在本文中,SEM图像可以是通过显影后检查(after-development inspection)生成的光刻胶图案的图像或通过清洗后检查(after-clean inspection)生成的真实电路图案的图像。图2示出了相对于不同晶片的相同区域或相同晶片的不同芯片通过将从SEM图像提取的轮廓图像进行合并的不同轮廓的重叠。
在本文中,参照图3,将描述光刻工艺。图3示出了通过光刻半导体工艺制造集成电路的工艺。更具体地,图3的左侧顺序地示出了通过半导体工艺形成的结构的截面图,并且图3的右侧顺序地示出了通过半导体工艺形成的结构的俯视图。如图3所示,集成电路可以包括由在Z轴方向上堆叠的多个层形成的图案。
半导体工艺可以包括用于形成包括在集成电路中的图案的各种子工艺。例如,半导体工艺可以包括光刻。光刻可以是通过使用光将几何图案从光掩模转移到光刻胶来形成图案的工艺。光刻胶可以包括其中被光照射的部分被显影剂溶解的正性光刻胶和其中未被光照射的部分被显影剂溶解的负性光刻胶。图3示出了通过使用正性光刻胶在氧化物层上形成具有形状“L”的第一图案P11的光刻的示例。在本文中,可以将类似于第一图案P11的具有设计者所期望的最佳形状的图案指示为理想图案。
尽管将在图3的示例中描述对形成在晶片上的氧化物层的处理,但是本领域普通技术人员将基于在本文中进行的描述理解到对晶片上的诸如金属层、电介质材料层、结晶/非晶硅层的各种材料的处理。
参照图3的左侧,第一结构11可以包括顺序地堆叠的晶片、氧化物层和光刻胶(也称为抗蚀剂)层。例如,可以在清洗后的晶片上形成氧化物层,并且可以将正性光刻胶施加到氧化物层上。在一些实施例中,可以通过旋涂将正性光刻胶施加到氧化物层上。在一些实施例中,在施加了光刻胶之后,可以对晶片进行加热以去除过量的溶剂,这被称为预曝光烘焙(pre-exposure baking)。
形成光刻胶层的材料可以对紫外(UV)线、深UV(DUV)射线、远UV(EUV)射线、准分子激光光束、X射线和电子中的至少一种敏感。在本文中,诸如“至少一种”的表述在位于元素系列之前或之后时,修饰的是整个元素系列,而不修饰系列中的个别元素。在EUV曝光工艺的情况下,光子数目比在诸如DUV等的曝光工艺中少,从而需要使用具有高EUV吸收率的材料。因此,用于EUV的光刻胶材料可以包括例如作为聚合物的羟基苯乙烯。此外,可以提供碘苯酚作为EUV光刻胶的添加剂。
根据一些实施例,光刻胶层的厚度可以为大约0.1μm至大约2μm的范围。根据一些实施例,光刻胶层的厚度可以为大约200μm至大约600μm的范围。可以通过旋涂稀薄浓度的光刻胶溶液来提供薄的厚度的EUV光刻胶。
在一些实施例中,光刻胶可以包括诸如薄氧化物的无机材料。在这种情况下,当在完成光刻工艺和后续工艺之后通过剥离工艺去除光刻胶时,无机材料可以以大约1×1011/cm3或更小的浓度保留在光刻胶的下层上。当使用无机材料作为光刻胶时,可以容易地减小光刻胶的厚度,并且蚀刻选择性高,因此实现了薄的硬掩模层。
对于厚度厚的蚀刻目标层,可以在光刻胶下方进一步提供包括无定形碳的硬掩模层。根据一些实施例,硬掩模层还可以包括氟。当硬掩模层包括氟时,可以提高光刻胶的EUV灵敏度。此外,可以在硬掩模层和光刻胶之间进一步提供防反射层。
可以使光掩模(也称为光罩)PM在第一结构11上对准,并且可以将辐射光束照射到对准的光掩模PM上,因此形成第二结构12。如图3所示,在光刻胶层上暴露于辐射光束的正性光刻胶可以在化学上改性。在一些实施例中,光掩模PM可以被指示为光罩,并且可以在玻璃层上或在玻璃层下方包括辐射光束无法穿过的材料(例如,铬(Cr))。
辐射光束可以包括UV射线、DUV射线、EUV射线、准分子激光光束、X射线、电子束等。根据一些实施例,EUV辐射射线的波长可以为大约4nm至大约124nm的范围。根据一些实施例,EUV辐射射线的波长可以为大约5nm至大约20nm的范围。根据一些实施例,EUV辐射射线的波长可以为大约13nm至大约14nm的范围。根据一些实施例,EUV辐射射线的波长可以为大约13.5nm。
用于产生EUV辐射射线的辐射系统可以包括用于激发等离子体源以提供等离子体的激光器和用于存储等离子体的源收集器模块。例如,通过将激光光束照射到诸如锡的颗粒和Xe气体或Li蒸气的等离子体源,可以产生等离子体。这样的辐射系统可以通常被称为激光产生等离子体(laser production plasma,LPP)源。可以将LPP源替换为放电等离子体源(discharging plasma source)或者基于由电子储存环(electron storage ring)提供的同步加速器的源。
通常,使用EUV辐射光束的曝光工艺可以以轴向投影(例如,大约4:1的轴向投影)的方式执行。可以将掩模图案减小至大约1/4的尺寸以映射到半导体晶片,使得全景镜头(full shot)可以对应于整个掩模图案的大约1/4。在本文中,1/4可以是按照长度的减小率,并且可以对应于按照面积的大约1/16的减小。因此,在光刻掩模上形成的图案可以比实际映射到晶片的图案具有更大的阈值尺寸,由此改善光刻工艺的可靠性。
在本文中,曝光方案可以分为执行连续拍摄的扫描方案和执行逐步拍摄的步进方案。EUV曝光工艺通常使用扫描方案执行,并且EUV曝光装置通常被称为扫描仪。此外,在EUV曝光装置中,可以使用将光限制到掩模的部分区域的狭缝来执行扫描。在本文中,狭缝可以是用于通过在用于执行EUV曝光工艺的装置中限制光而将光均匀地照射到EUV光掩模的单元。光可以通过狭缝被限制为照射到掩模的部分区域,并且在使掩模在与扫描方向相反的方向上移动的同时,可以连续地照射光。这样,通过扫描掩模的整个区域而在测试晶片上被光照射的区域可以是与全景镜头对应的区域。
根据一些实施例,光掩模PM可以是EUV光掩模。根据一些实施例,光掩模PM可以包括硅晶片、交替地布置在硅晶片上的多个硅层和多个钼层。光掩模PM还可以包括布置在交替地堆叠的硅钼层上的含钌(Ru)层。包括含氮化硼钽(TaBN)层和含铹层的布局图案可以形成在含钌层上。本文公开的用于EUV的光掩模PM的各种材料层仅意在举例说明,并不意在限制本发明构思的范围。
穿过光掩模PM的开口的光可以被衍射。随着光掩模PM的图案的尺寸减小,由于相邻图案之间的影响而可能发生光学邻近效应(OPE)。为了补偿由上述的衍射和OPE导致的误差,可以采用光学邻近校正(OPC)。例如,如在图3的右侧所示,为了形成第一图案P11,可以在光掩模PM上形成被应用了OPC的第二图案P12,并且第二图案P12可以具有与第一图案P11的形状不同的形状。第二图案P12可以具有通过OPC校正的形状。
可以通过使用显影剂对第二结构12执行显影工艺,以去除光刻胶层的被光照射的部分。因此,如图3所示,可以在光刻胶层上形成第三图案P13。在一些实施例中,类似于光刻胶,可以通过旋转器(spinner)来提供显影剂。
可以在第三结构13中执行蚀刻,从而可以蚀刻氧化物层的未被光刻胶保护的部分。蚀刻可以包括湿(或液体)蚀刻和干(或等离子体)蚀刻。蚀刻可以去除最顶层的未被光刻胶保护的部分。在完成蚀刻之后,可以通过清洗工艺去除光刻胶,从而如图3所示,可以在氧化物层上形成第四图案P14。根据一些实施例,可以通过清洗工艺对晶片进行加热以去除残余溶剂。
如图3所示,随着执行子工艺,图案的形状可以转变,这可以通过图案转变来建模。例如,与理想图案对应的第一图案P11可以通过应用OPC转变为第二图案P12,并且第二图案P12可以通过照射和显影转变为在显影后检查(ADI)状态下的第三图案P13。第三图案P13可以通过蚀刻和清洗转变为在清洗后检查(ACI)状态下的第四图案P14。因此,第四图案P14可能具有与理想图案(即,第一图案P11)不同的形状,但是确定第二图案P12的形状可能至关重要,使得第四图案P14可以具有与第一图案P11更相似或最相似的形状。
通过模拟源自于穿过光掩模PM的光的衍射的误差从作为光掩模PM上的图案的第二图案P12估计作为显影后的光刻胶图案的第三图案P13可以被称为光学规则检查(ORC)。
接下来,参照图1和图4A至图4C,可以在操作P20中生成轮廓直方图图像。
图4A是图2的部分A的放大图,图4B示出了从图4A的轮廓导出的轮廓直方图图像,并且图4C是示出了在轮廓直方图图像上包括一些像素的值的直方图的示意图。
图4A示出了从多个SEM图像提取的多个轮廓所转变成的灰度图像。在图4A中对位于每个像素中的轮廓的数目进行计数。
基于在图4A中计数的轮廓的数目,可以确定每个像素的亮度(即,位值),从而可以生成图4B和图4C的轮廓直方图图像。根据一些实施例,轮廓直方图图像可以是灰度图像。
例如,当穿过在图4B和图4C中示出的第一像素的轮廓的数目为4时,第一像素的位值可以为4。在另一示例中,当不存在穿过与第一像素不同的第二像素的轮廓时,第二像素的位值可以为0。
在另一示例中,在轮廓所穿过的像素和轮廓附近的像素的位值被确定为具有高斯分布之后,可以通过对与多个轮廓对应的多个高斯分布进行求和来确定包括在轮廓直方图图像中的每个像素的值。
根据一些实施例,轮廓直方图图像可以为8位灰度图像,但不限于此。8位灰度图像可以被标准化,使得具有位于其上的最大数目的轮廓的像素的值可以为255,并且其上无轮廓的像素的值可以为0。上面描述的轮廓直方图图像可以为具有两个空间正交坐标轴(例如,X轴和Y轴)和一个频率轴的三维(3D)图像。
在图4B和图4C中,轮廓的设计位置由箭头和波浪线指示。基于垂直于轮廓的延伸方向(例如,±Y方向)的方向(例如,±X方向)与轮廓的设计位置的偏差,可以为每个像素确定轮廓直方图的平均值、最大值、最小值、范围、中值、众数和/或标准偏差。如在本文中使用的,术语“和/或”包括相关所列项中的一个或更多个项的任何和所有组合。在训练阶段之后的OPC验证阶段中由随机预测模型10(参见图6A)提取的轮廓直方图还可以包括以类似方式定义的平均值、最大值、最小值、范围、中值、众数和/或标准偏差。
同样,可以为包括在图像中的全部图像生成每个像素的直方图。图5A示出了图2的整个布局上的轮廓直方图图像,并且图5B示出了由图5A的“a”、“b”、“c”和“d”指示的四个位置的轮廓直方图。根据一些实施例,轮廓直方图图像可以包括与布局上的有限数的位置有关的轮廓直方图数据。
接下来,参照图1和图6A,在P30中,可以使用轮廓直方图图像作为输出来训练随机预测模型10。
图6A是示出了根据本发明构思的一些实施例的随机预测模型10的示例的示意图。随机预测模型10可以具有能够训练图像到图像转换的随机结构。图像到图像转换可以旨在通过使用包括图像对的训练数据组将输入图像和输出图像彼此映射。
例如,随机预测模型10可以包括人工神经网络、决策树、支持向量机、贝叶斯网络和/或遗传算法等。在下文中,将主要描述随机预测模型10是人工神经网络的实施例。这仅是为了便于描述,并且不限制本发明构思的范围。人工神经网络可以包括例如卷积神经网络(CNN)、具有CNN的区域(R-CNN)、快速R-CNN、区域建议网络(RPN)、循环神经网络(RNN)、基于堆叠的深度神经网络(S-DNN)、状态空间动态神经网络(S-SDNN)、反卷积网络、深度信念网络(DBN)、受限玻尔兹曼机(RBM)、全卷积网络、长短期记忆(LSTM)网络、分类网络等。根据一些实施例,随机预测模型10可以由例如神经处理单元(NPU)、图形处理单元(GPU)等来实现。
根据一些实施例,随机预测模型10可以是循环生成对抗网络(GAN)。在本文中,作为基于条件的GAN(cGAN)的图像到图像映射模型的循环GAN可以将输入图像转变为另一域的输出图像。
GAN可以包括从噪声生成假图像的生成器和识别假图像的鉴别器。例如,生成器可以输出假图像,并且鉴别器可以输出是真实图像的概率(或是假图像的概率)。鉴别器可以被训练成基于真实图像和假图像来识别假图像,并且生成器可以被训练成使鉴别器将生成器生成的假图像识别为真实图像。因此,经过训练的生成器可以生成与真实图像非常类似的假图像。通过基于附加信息调节生成器和鉴别器,可以实现cGAN。在本文中,附加信息可以是类似于类标签或其他形式的数据的任何类型的辅助信息。通过将附加信息输入到生成器和鉴别器中的每一者的附加输入层,可以执行调节。
输入图像可以包括设计布局、抗蚀剂图像、航摄图像(aerial image)、斜率图(slope map)、密度图和/或光子图中的至少任何一种。设计布局可以指包括将在晶片上实现的目标图案的位图图像或其他随机适当类型的图像。抗蚀剂图像可以是通过模拟从设计布局得到的光刻胶的图像。航摄图像可以是指示到达光刻胶的曝光的强度分布的图像,图像源自设计布局。斜率图可以是其中包括在斜率图中的每个像素的值是航摄图像的每个像素的梯度的图像。密度图可以是其中特定像素的位值由特定像素附近的图案密度确定的图像。光子图可以是其中模拟在曝光工艺中到达每个像素的光子的数目的图像。输出图像可以是参照图2至图5B描述的轮廓直方图图像。
在随机预测模型10的训练阶段中使用的设计布局、抗蚀剂图像、航摄图像、斜率图、密度图和光子图也可以被称为训练数据组。训练数据组可以与已经被转移到晶片的设计布局有关,并且可以包括SEM图像。相应的SEM图像可以用于参照图2描述的轮廓提取。
循环GAN的目标在于训练用于映射域X和域Y的函数。在本文中,x指示属于域X的样本,并且y指示属于域Y的样本。循环GAN可以包括两个映射函数G:X→Y和F:Y→X。映射函数G和F之间可以具有逆转录关系。循环GAN还可以包括两个对抗性的鉴别器DX和DY。
为了减小可能的映射函数的空间,需要满足循环一致性。在本文中,循环一致性可以指当相继对随机输入执行映射函数G和逆映射函数F时导出初始输入。更具体地,参照图6B,域X的元素x1通过G映射到域Y的元素y和元素y通过F映射到域X的另一元素x2可以被定义为作为目标函数的循环一致性损失。同样,参照图6C,域X的元素x通过G映射到域Y的元素y1和与y1不同的元素y2通过F映射到域X的元素x可以被定义为作为目标函数的循环一致性损失。通过将上面描述的循环一致性损失添加到目标函数,可以防止输出相同的输出图像而不管输入图像的模式崩塌(mode collapse)。
因此,循环GAN的目标函数可以包括两类项:对抗性损失和循环一致性损失。更具体地,循环GAN的目标函数可以遵循式1。
[式1]
L(G,F,DX,DY)=LGAN(G,DY,X,Y)+LGAN(F,DX,Y,X)+λLcyc(G,F)
在本文中,LGAN(G,DY,X,Y)是指示与映射函数G有关的对抗性损失的目标函数,并且可以遵循式2。
[式2]
LGAN(F,DX,Y,X)是指示与映射函数F有关的对抗性损失的目标函数,并且可以遵循式3。
[式3]
Lcyc(G,F)是上面描述的循环一致性损失,并且可以遵循式4。λ可以基于式2和式3的目标函数的相对重要性来确定。
[式4]
图7是示出了根据本发明构思的一些实施例的制造光罩的方法的流程图。
参照图7,在操作P110中,可以提供设计布局。设计布局的提供可以根据要实现的半导体器件的类型和目的不同地确定。根据一些实施例,半导体器件可以是非易失性NAND闪存。根据一些实施例,半导体器件可以包括相变随机存取存储器(PRAM)、磁阻RAM(MRAM)、电阻RAM(ReRAM)、铁电RAM(FRAM)、NOR闪存等。半导体器件可以是断电时数据丢失的易失性存储器件,诸如动态随机存取存储器(DRAM)、静态随机存取存储器(SRAM)等。根据一些实施例,半导体器件可以是逻辑芯片、测量器件、通信器件、数字信号处理器(DSP)、片上系统(SOC)等。
通过提供设计布局,可以提供与要形成在晶片上的图案(在下文中被称为目标图案)对应的掩模图像。掩模图像可以包括例如连续透射掩模图像、二值掩模图像、曲线掩模图像等。
接下来,在操作P120中,可以执行OPC。OPC可以包括基于规则的OPC、基于模型的OPC和/或机器学习引导的OPC。可以由预先基于特征之间的宽度和间隔计算的查找表来驱动基于规则的OPC。可以使用紧凑模型来驱动基于模型的OPC以动态地模拟最终图案,并且可以通过诱导分割成部分的边缘的偏差(运动)来找到最佳解决方案。机器学习引导的OPC可以是通过使用机器学习算法无需执行反复的光刻模拟而从目标布局中直接获取被执行了OPC的掩模图像的方法。当设计布局的被表示为参数(例如,图案密度、光学内核信号等)的一个段被输入到预训练的人工神经网络时,可以输出该段的偏差。因为人工神经网络确定并应用所有段的偏差,所以可以生成OPC掩模图像。在一些情况下,可以在机器学习引导的OPC之后执行基于模型的OPC,由此在不降低OPC的精确度的情况下提高OPC的速度。
执行基于模型的OPC可以包括通过使用初始掩模图像作为输入来执行和/或模拟工艺模型以及生成要在晶片上形成的工艺图像。在本文中,工艺图像可以包括例如航摄图像、抗蚀剂图像、蚀刻图像等。在实施例中,工艺模型可以包括结合到光学模型的掩模透射模型,该光学模型另外地结合到抗蚀剂模型和/或蚀刻模型。工艺模型的输出可以是考虑到在模拟工艺期间的工艺变化的工艺图像。工艺图像可以另外地用于通过跟踪工艺图像中的图案的轮廓来确定图案化工艺的参数(例如,边缘放置误差(EPE)、临界尺寸、重叠、旁瓣等)。
执行基于模型的OPC可以包括生成光学OPC模型和抗蚀剂OPC模型。
生成光学OPC模型可以包括在曝光处理中优化散焦台(defocus stand,DS)位置、最佳聚焦(BF)位置等。此外,生成光学OPC模型可以包括优化光衍射或曝光设备的光学状态等。
生成抗蚀剂OPC模型可以包括优化抗蚀剂的阈值。在本文中,抗蚀剂的阈值可以指在曝光工艺中发生化学变化的阈值,并且该阈值可以与曝光的强度有关。生成抗蚀剂OPC模型可以包括从若干抗蚀剂模型形式当中选择合适的模型形式。在本文中,抗蚀剂模型形式可以包括抗蚀剂的化学性质的组合物。
基于模型的OPC是迭代修改过程,在该迭代修改过程中,逐步地修改初始图像以根据不同的工艺条件生成不同类型的图像,从而可以生成包括用于最终制造掩模的掩模图案(或图像)的信息。可以重复OPC,以减小或最小化成本函数。OPC可以在成本函数被最小化时终止,或者在达到预设的重复限值之后终止。在本文中,成本函数的参数可以包括例如EPE、旁瓣印刷(sidelobe printing)、均方误差(MSE)、图案放置误差(PPE)、归一化图像日志和基于图案轮廓定义的其他合适的参数。
执行OPC可以包括添加在图案的角处被称为衬线(serif)的子光刻特征或者添加诸如散射条的子光刻辅助特征,以及图案的布局的转变。在图案的每个角处作为矩形特征的衬线可以用于“锐化”图案的角或补偿由图案的相交引起的失真因素。作为用于解决由于图案的密度差异引起的OPC偏差问题而引入的辅助特征的亚分辨率辅助特征(SRAF)可以被形成为小于曝光设备的分辨率的尺寸,因此可能无法转移到抗蚀剂层。
接下来,参照图6A和图7,在P130中,可以通过随机预测模型10验证OPC。
由随机预测模型10执行的对OPC的验证可以包括由随机预测模型10基于作为OPC的目标的设计布局或与设计布局对应的抗蚀剂图像、航摄图像、斜率图、密度图或光子图中的至少一者生成轮廓直方图图像。
传统的OPC验证基于从轮廓带获得的工艺窗口条件(PWC)来预测在晶片上实现的图案发生挤压和桥接的概率。最佳条件可以指形成特定布局的最佳剂量和聚焦条件。最佳条件可能因要形成的器件和要实现的图案而不同。
PWC可以是从最佳条件散焦设定值的聚焦条件和/或从最佳条件改变设定值的剂量条件。根据一些实施例,PWC可以包括多个聚焦和剂量条件。例如,PWC可以包括一个聚焦和剂量条件或连续聚焦和剂量条件。
因此,对传统的OPC的轮廓位置进行随机分析是困难的和/或不可能的,并且只能基于蒙特卡罗(Monte Carlo)方法进行随机缺陷的预测。蒙特卡罗方法是指通过使用随机数来计算函数值的随机方法。当要被计算的值不以封闭形式表示或非常复杂时,蒙特卡罗方法用于近似地计算该值。当使用蒙特卡罗方法预测随机缺陷时,需要大量随机数以改善模拟的精确度。因此,难以普遍地使用蒙特卡罗模拟,因为其需要大量时间和计算资源。
根据一些实施例,可以使用设计布局、抗蚀剂图像、航摄图像、斜率图、密度图和/或光子图中的至少任意一种作为输入来输出轮廓直方图,从而可以仅用短时间和低级计算资料来模拟缺陷方面的随机预测。
另外,通过生成轮廓直方图图像,除了确认工艺余量之外,还可以随机地验证OPC,从而能够改善半导体器件制造的可靠性。可以基于轮廓直方图图像上的特定特征的轮廓位置(又称为轮廓布置)的平均值、最大值、最小值、范围、中值、众数和/或标准偏差来执行随机OPC验证。
此外,可以基于轮廓直方图图像的解释来随机地预测由光刻工艺导致的缺陷。例如,通过计算第一图案的第一段和与第一图案相邻的第二图案的第二段在比设定距离小的距离(例如,导致桥接的距离)内彼此相邻的概率,可以预测发生桥接缺陷的概率。
另外,根据一些实施例,可以基于随机预测为每个特定工艺确定最佳处理条件。例如,可以向包括诸如临界多晶节距(critical poly pitch)、临界线宽等的信息的特定设计布局提供与最佳工艺对应的照明条件和光刻胶条件的组合。照明条件可以包括数值孔径、环境折射率、膜结构的光学特性、曝光剂量和焦距、焦距模糊(其可能由于载物台梯度、载物台同步误差、激光带宽等而发生)、照明强度、偏振、薄膜厚度、投影镜头像差等。光刻胶条件可以包括厚度、聚合物浓度、平坦度、光酸产生剂(PAG)浓度、PAG的量子产率、吸光度等。
图8是根据本发明构思的一些实施例的用于描述OPC结果的验证的示意图。
参照图8,不同图案的不同轮廓可以基于图案特征和周围环境被分为布局上的不同类型的段。
例如,在图8中,以宽度“W”延伸的图案的轮廓的段用实线指示,线图案的端部处的段用单点划线指示,轮廓的与线形图案的端部相邻的段用虚线指示,并且以宽度“U”延伸的图案的轮廓的段用双点划线指示。
根据一些实施例,可以对如上描述的具有不同几何特征的各个段执行随机分析。例如,可以确定以宽度“W”延伸的图案的轮廓的所有段的轮廓位置的平均值、最大值、最小值、范围、中值、众数和/或标准偏差,基于此,可以随机地预测以宽度“W”延伸的图案的缺陷。这也适用于线图案的端部处的段、轮廓的与端部相邻的段和以宽度“U”延伸的图案的轮廓的段。
根据一些实施例,除了对每个像素的轮廓布置的随机分析之外,随机预测模型10(参见图6A)还可以对每个类型的段的轮廓布置执行随机分析。
返回参照图7,当在操作P130中OPC验证结果为良好(G)(例如,正确)时,可以在操作P140中制造光罩。当在操作P130中OPC验证结果不好(NG)(例如,不正确)时,可以返回到P120再次执行OPC。
在操作P140中,光罩制造可以包括掩模流片(mask tape-out,MTO)、掩模数据准备(MDP)和掩模曝光。
MTO可以是通过将已经完成OPC的掩模设计数据传送到例如掩模制造厂的制造掩模请求。这样的MTO设计数据可以具有在电子设计自动化(EDA)软件等中使用的图形数据格式。例如,MTO设计数据可以具有诸如图形数据系统II(GDS2)、开放艺术品系统交换标准文件(OASIS)等的数据格式。
MDP可以包括被称为分割(fracturing)的格式转换、用于基于机器的读取的条码、用于检查的标准掩模图案、诸如工作台(job deck)等的增强以及自动和手动验证。在本文中,工作台可以指生成与一系列命令有关的文本文件,诸如多个掩模文件的布设信息、参考剂量、曝光速度或方案等。
格式转换(即,分割)可以指通过分割每个区域的MTO设计数据将MTO设计数据改变为用于电子束曝光的格式的工艺。分割可以包括数据操纵,例如,缩放、调整数据大小、数据旋转、图案辐射、颜色反转等。在通过分割的转换中,可以对与在将设计数据转移到晶片上的图像的过程中可能出现的众多系统错误有关的数据进行校正。针对系统错误的数据校正过程可以被称为掩模工艺校正(MPC),并且可以包括被称作CD调整的线宽调整和改善图案布设的精确度的任务。因此,分割可以有助于改善最终掩模的质量,并且可以主动地对于掩模工艺校正而执行。在本文中,系统错误可能由在曝光工艺、掩模显影和蚀刻工艺、晶片成像工艺等中发生的畸变引起。
MDP可以包括MPC。MPC可以指校正在曝光工艺中出现的错误(即,系统错误)的工艺。在本文中,曝光工艺可以是大体上包括电子束写入、显影、蚀刻、烘焙等的概念。另外,可以在曝光工艺之前执行数据处理。数据处理是指与一种掩模数据有关的预处理工艺,并且可以包括掩模数据的语法检查、曝光时间预测等。
在MDP之后,可以基于掩模数据对掩模晶片进行曝光。在本文中,曝光可以指例如电子束写入。可以以使用例如多光束掩模写入器(MBMW)的灰度写入方式来执行电子束写入。可以使用可变形状光束(VSB)曝光来执行电子束写入。
在掩模数据准备之后,可以执行在曝光之前将掩模数据转换为像素数据的过程。像素数据可以是直接用于实际曝光的数据,并且可以包括与曝光对象的形状有关的数据和与分配给每个数据的剂量有关的数据。在本文中,与形状有关的数据可以是通过光栅化等从作为矢量数据的形状数据转换的位图数据。
在曝光之后,可以执行一系列工艺以制造掩模。该系列工艺可以包括例如显影、蚀刻、清洗等。用于制造掩模的系列工艺可以包括测量工艺和缺陷检查或修复工艺。在曝光之后,当通过最后的清洗和检查确定出没有污染物颗粒或化学污渍时,可以将薄膜应用于掩模。通过将薄膜应用于掩模,可以保护掩模在可用的寿命内免受后续污染物的影响。
图9是根据本发明构思的一些实施例的装置110的框图。在一些实施例中,参照图8描述的方法可以由图9的装置110执行。
参照图9,装置110可以包括可以通过总线119相互通信的至少一个核111、存储器113、人工智能(AI)加速器115和硬件(HW)加速器117。在一些实施例中,至少一个核111、存储器113、AI加速器115和HW加速器117可以被包括在一个半导体芯片中。在一些实施例中,至少一个核111、存储器113、AI加速器115和HW加速器117中的至少两者可以被包括在安装在晶片(板)上的两个或更多个半导体芯片中的每一者中。
至少一个核111可以执行指令。例如,至少一个核111可以通过执行存储在存储器113中的指令来执行操作系统,并且可以执行在操作系统上执行的应用。在一些实施例中,至少一个核111可以通过执行指令来指示AI加速器115和/或HW加速器117执行任务或从AI加速器115和/或HW加速器117获得执行任务的结果。在一些实施例中,至少一个核111可以是针对特定用途定制的专用指令集处理器(ASIP),并且可以支持专用指令集。
存储器113可以具有用于存储数据的随机结构。例如,存储器113可以包括诸如DRAM、SRAM等的易失性存储器件和诸如闪存、ReRAM等的非易失性存储器件。至少一个核111、AI加速器115和HW加速器117可以通过总线119将数据存储在存储器113中或从存储器113读取数据。
AI加速器115可以指为AI应用设计的硬件。在一些实施例中,AI加速器115可以包括用于实现神经形态结构的神经处理单元(NPU),通过处理从至少一个核111和/或HW加速器117提供的输入数据来生成输出数据,并且将输出数据提供到至少一个核111和/或HW加速器117。在一些实施例中,AI加速器115可以是可编程的,并且可以由至少一个核111和/或HW加速器117编程。
HW加速器117可以指被设计为高速执行特定任务的硬件。例如,HW加速器117可以被设计为高速执行诸如解调、调制、编码和解码等的数据转换。HW加速器117可以是可编程的,并且可以由至少一个核111编程。
装置110可以执行根据实施例的用于对半导体工艺进行建模的方法,并且可以被表示为用于对半导体工艺进行建模的装置。例如,AI加速器115可以执行参照图6A描述的随机预测模型10的操作。
虽然已经参考本发明构思的实施例具体地示出并描述了本发明构思,但是应当理解的是,在不脱离所附权利要求的范围的情况下,可以对本文做出形式和细节上的各种改变。
Claims (20)
1.一种提供随机预测系统的方法,所述方法包括:
分别从多个扫描电子显微镜图像提取与第一设计布局对应的图案的轮廓;
基于所述轮廓生成第一轮廓直方图图像;以及
通过使用所述第一轮廓直方图图像作为输出并且通过使用所述第一设计布局以及与所述第一设计布局对应的第一抗蚀剂图像、第一航摄图像、第一斜率图、第一密度图和/或第一光子图作为输入来训练随机预测模型,其中,所述随机预测模型包括循环生成对抗网络。
2.根据权利要求1所述的方法,其中,所述第一轮廓直方图图像的像素的值指示位于所述像素中的所述轮廓的数目。
3.根据权利要求1所述的方法,其中,所述随机预测模型被配置为预测由于极紫外曝光而发生缺陷的概率。
4.根据权利要求1所述的方法,其中,所述随机预测模型被配置为基于与第二设计布局对应的第二抗蚀剂图像、第二航摄图像、第二斜率图、第二密度图和/或第二光子图输出与所述第二设计布局对应的第二轮廓直方图图像。
5.根据权利要求4所述的方法,其中,所述第二轮廓直方图图像包括关于所述第二轮廓直方图图像的像素的轮廓布置的平均值、最大值、最小值、范围、中值和/或标准偏差的信息。
6.根据权利要求4所述的方法,其中,所述随机预测模型还被配置为基于所述第二轮廓直方图图像验证关于所述第二设计布局的光学邻近校正。
7.根据权利要求4所述的方法,其中,所述随机预测模型还被配置为根据段类型对所述第二设计布局中包括的图案的轮廓的段进行分类并且随机地对所述段进行解释。
8.根据权利要求4所述的方法,所述方法还包括:基于所述第二轮廓直方图图像调整用于将所述第二设计布局转移到晶片的工艺条件。
9.根据权利要求8所述的方法,其中,所述工艺条件包括光刻工艺的光学条件和抗蚀剂条件。
10.一种制造极紫外光掩模的方法,所述方法包括:
提供设计布局;
对所述设计布局执行光学邻近校正;
验证所述光学邻近校正;以及
响应于确定出验证所述光学邻近校正的结果是正确的,制造所述极紫外光掩模,
其中,验证所述光学邻近校正包括基于所述设计布局和与所述设计布局对应的抗蚀剂图像、航摄图像、斜率图、密度图和/或光子图生成轮廓直方图图像,并且
其中,所述轮廓直方图图像中包括的像素的值指示所述设计布局中包括的图案的轮廓位于所述像素中的概率。
11.根据权利要求10所述的方法,其中,所述轮廓直方图图像包括关于所述轮廓直方图图像中包括的所述像素的轮廓布置的平均值、最大值、最小值、范围、中值和/或标准偏差的信息。
12.根据权利要求10所述的方法,其中,验证所述光学邻近校正包括使用随机预测模型,所述随机预测模型被配置为根据段类型对所述设计布局中包括的所述图案的所述轮廓的段进行分类并且随机地对所述段进行解释。
13.根据权利要求10所述的方法,其中,所述轮廓直方图图像由循环生成对抗网络使用所述设计布局、所述抗蚀剂图像、所述航摄图像、所述斜率图、所述密度图和/或所述光子图作为输入来生成。
14.一种被配置为随机地预测由光刻工艺导致的缺陷的系统,所述系统包括被配置为生成第一轮廓直方图图像的随机预测模型,
其中,所述第一轮廓直方图图像是基于第一设计布局以及与所述第一设计布局对应的第一抗蚀剂图像、第一航摄图像、第一斜率图、第一密度图和/或第一光子图而生成的,并且
其中,所述第一轮廓直方图图像中包括的像素的值指示所述第一设计布局中包括的图案的轮廓位于所述像素中的概率。
15.根据权利要求14所述的系统,其中,所述第一轮廓直方图图像包括关于所述像素的轮廓布置的平均值、最大值、最小值、范围、中值和/或标准偏差的信息。
16.根据权利要求14所述的系统,其中,所述随机预测模型包括循环生成对抗网络。
17.根据权利要求16所述的系统,其中,所述随机预测模型是通过使用第二设计布局以及与所述第二设计布局对应的第二抗蚀剂图像、第二航摄图像、第二斜率图、第二密度图和/或第二光子图作为输入来训练的。
18.根据权利要求17所述的系统,其中,所述随机预测模型被配置为执行将所述输入映射到输出的图像到图像转换,所述输出包括与所述第二设计布局对应的第二轮廓直方图图像。
19.根据权利要求14所述的系统,其中,所述随机预测模型被配置为预测由极紫外曝光导致发生缺陷的概率。
20.根据权利要求14所述的系统,其中,所述随机预测模型被配置为根据段类型对所述第一设计布局中包括的所述图案的所述轮廓的段进行分类并且随机地对所述段进行解释。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210031466A KR20220127004A (ko) | 2021-03-10 | 2021-03-10 | 확률론적 콘투어 예측 시스템 및 확률론적 콘투어 예측 시스템의 제공 방법 및 확률론적 콘투어 예측 시스템을 이용한 EUV(Extreme Ultra violet) 마스크의 제공 방법 |
KR10-2021-0031466 | 2021-03-10 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115079507A true CN115079507A (zh) | 2022-09-20 |
Family
ID=83193920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111650279.4A Pending CN115079507A (zh) | 2021-03-10 | 2021-12-30 | 随机预测系统、提供其的方法和制造极紫外光掩模的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11989873B2 (zh) |
KR (1) | KR20220127004A (zh) |
CN (1) | CN115079507A (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230021400A (ko) * | 2021-08-05 | 2023-02-14 | 에스케이하이닉스 주식회사 | 매립 게이트 구조를 구비한 반도체 장치 |
KR20230092514A (ko) * | 2021-12-17 | 2023-06-26 | 삼성전자주식회사 | 렌더링 방법 및 장치 |
CN116561563B (zh) * | 2023-07-11 | 2023-09-29 | 电子科技大学 | 一种基于残差预测模型的边坡位移预测方法及相关装置 |
CN116611302B (zh) * | 2023-07-18 | 2023-09-19 | 成都理工大学 | 考虑车载随机性影响的桥梁校验系数的预测方法 |
CN117518747B (zh) * | 2024-01-05 | 2024-04-05 | 华芯程(杭州)科技有限公司 | 一种光刻量测强度的生成方法、装置、设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9047532B2 (en) * | 2007-01-25 | 2015-06-02 | Applied Materials Israel, Ltd. | System, method and computer program product for evaluating an actual structural element of an electrical circuit |
KR101757743B1 (ko) | 2011-03-03 | 2017-07-17 | 삼성전자 주식회사 | 플레어 보정방법 및 euv 마스크 제조방법 |
DE102011079382B4 (de) | 2011-07-19 | 2020-11-12 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zum Analysieren und zum Beseitigen eines Defekts einer EUV Maske |
US10163733B2 (en) * | 2016-05-31 | 2018-12-25 | Taiwan Semiconductor Manufacturing Co., Ltd. | Method of extracting defects |
US10262408B2 (en) | 2017-04-12 | 2019-04-16 | Kla-Tencor Corporation | System, method and computer program product for systematic and stochastic characterization of pattern defects identified from a semiconductor wafer |
CN111263918B (zh) * | 2017-05-31 | 2022-11-08 | Asml荷兰有限公司 | 辐射源布置、检查设备、波前传感器、相关的方法以及非暂时性存储介质 |
US10747119B2 (en) | 2018-09-28 | 2020-08-18 | Taiwan Semiconductor Manufacturing Co., Ltd. | Apparatus and method for monitoring reflectivity of the collector for extreme ultraviolet radiation source |
US10672588B1 (en) | 2018-11-15 | 2020-06-02 | Kla-Tencor Corporation | Using deep learning based defect detection and classification schemes for pixel level image quantification |
US11086230B2 (en) | 2019-02-01 | 2021-08-10 | Asml Netherlands B.V. | Method and apparatus for source mask optimization configured to increase scanner throughput for a patterning process |
KR20210069161A (ko) | 2019-12-02 | 2021-06-11 | 삼성전자주식회사 | Euv 레티클 제조 방법 및 그를 포함하는 반도체 소자의 제조 방법 |
-
2021
- 2021-03-10 KR KR1020210031466A patent/KR20220127004A/ko active Search and Examination
- 2021-10-07 US US17/495,863 patent/US11989873B2/en active Active
- 2021-12-30 CN CN202111650279.4A patent/CN115079507A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20220127004A (ko) | 2022-09-19 |
US11989873B2 (en) | 2024-05-21 |
US20220292669A1 (en) | 2022-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11308256B2 (en) | Method of post optical proximity correction (OPC) printing verification by machine learning | |
US11989873B2 (en) | Stochastic contour prediction system, method of providing the stochastic contour prediction system, and method of providing EUV mask using the stochastic contour prediction system | |
US11048161B2 (en) | Optical proximity correction methodology using pattern classification for target placement | |
JP5008681B2 (ja) | リソグラフィシミュレーションのための装置 | |
CN111788589A (zh) | 训练用于计算光刻术的机器学习模型的方法 | |
US10036961B2 (en) | Optical proximity correction (OPC) method and method of fabricating mask using the OPC method | |
US10417376B2 (en) | Source beam optimization method for improving lithography printability | |
CN111627799B (zh) | 制造半导体元件的方法 | |
US11675958B2 (en) | Lithography simulation method | |
US6765651B1 (en) | Fast image simulation for photolithography | |
CN110879507B (zh) | 用于执行光学邻近校正的方法和使用其制造掩模的方法 | |
KR20230036578A (ko) | 광 근접 보정 방법. 그것을 이용하는 마스크 제작 방법 및 반도체 칩 | |
TWI385546B (zh) | 用以最佳化形成於基板上之設計的方法及程式產品 | |
CN117289543A (zh) | 基于深度学习的光刻模型生成方法以及掩模制造方法 | |
TW202326285A (zh) | 光學鄰近校正方法、光罩製造方法和半導體晶片製造方法 | |
US20230324881A1 (en) | Machine learning (ml)-based process proximity correction (ppc) method and semiconductor device manufacturing method including the same | |
US20230280646A1 (en) | Corner rounding method of opc pattern based on deep learning, and opc method and mask manufacturing method including the corner rounding method | |
US11966156B2 (en) | Lithography mask repair by simulation of photoresist thickness evolution | |
CN116266407A (zh) | 使用深度神经网络的基于图像的半导体器件图案化方法 | |
TW202240316A (zh) | 依據微影設備或製程特徵所特徵化之表示選擇圖案 | |
CN118119892A (zh) | 图案匹配方法 | |
CN114721217A (zh) | 改善光学近端校正技术的方法及系统 |
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 |