CN115087925A - 包括使用经训练机器学习模型的光学邻近效应校正的用于确定掩模图案的方法 - Google Patents

包括使用经训练机器学习模型的光学邻近效应校正的用于确定掩模图案的方法 Download PDF

Info

Publication number
CN115087925A
CN115087925A CN202180014147.4A CN202180014147A CN115087925A CN 115087925 A CN115087925 A CN 115087925A CN 202180014147 A CN202180014147 A CN 202180014147A CN 115087925 A CN115087925 A CN 115087925A
Authority
CN
China
Prior art keywords
pattern
opc
target
post
difference
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
CN202180014147.4A
Other languages
English (en)
Inventor
曹宇
陶峻
张权
束永生
冯韦钧
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 CN115087925A publication Critical patent/CN115087925A/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
    • 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
    • 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
    • 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
    • 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]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Image Analysis (AREA)
  • Preparing Plates And Mask In Photomechanical Process (AREA)
  • Electron Beam Exposure (AREA)

Abstract

本文中描述一种用于确定掩模图案的方法和一种用于训练机器学习模型的方法。所述用于确定掩模图案的方法包括：经由使用待印制于衬底上的目标图案作为输入图案而执行模型来获得光学邻近效应校正后(OPC后)图案；基于OPC后图案来确定将被印制于所述衬底上的模拟图案；和基于所述模拟图案与所述目标图案之间的差异来确定所述掩模图案。对所述掩模图案的所述确定包括：基于所述差异来修改被输入至所述模型的所述输入图案以使得所述差异减小；以及使用经修改的输入图案来执行所述模型以产生经修改的OPC后图案，能够从所述经修改的OPC后图案导出所述掩模图案。

Description

包括使用经训练机器学习模型的光学邻近效应校正的用于确 定掩模图案的方法
相关申请的交叉引用
本申请要求于12月2日递交的美国申请62/975,267的优先权，并且所述美国申请的全部内容通过引用而被合并入本文中。
技术领域
本文中的描述涉及光刻设备和过程，并且更具体地，涉及用于产生掩模图案的方法和用于训练被配置成产生光学邻近效应校正图案的机器学习模型的方法。
背景技术
可以将光刻投影设备用在例如集成电路(IC)的制造中。在这种情形中，图案形成装置(例如掩模)可以包含或提供对应于IC的单个层的的电路图案(“设计布局”)，并且这一电路图案可以通过例如穿过图案形成装置上的电路图案辐射目标部分的方法，被转移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的管芯)上。通常，单个衬底包含被经由光刻投影设备连续地、一次一个目标部分地将电路图案转移到其上的多个相邻目标部分。在一种类型的光刻投影设备中，整个图案形成装置上的电路图案一下子被转移到一个目标部分上，这样的设备通常称作为晶片步进机。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)在图案形成装置上扫描，同时沿与该参考方向平行或反向平行的方向同步移动衬底。图案形成装置上的电路图案的不同部分渐进地转移到一个目标部分上。因为通常光刻投影设备将具有放大率因子M(通常＜1)，所以衬底被移动的速度F将是投影束扫描图案形成装置的速度的M倍。可以例如从以引用方式并入本文中的US 6,046,792搜集到关于如本文中所描述的光刻装置的更多信息。
在将电路图案从图案形成装置转印至衬底之前，衬底可以经历各种工序，诸如涂底漆、抗蚀剂涂覆和软焙烤。在曝光之后，衬底可能经受其它过程，诸如曝光后焙烤(PEB)、显影、硬焙烤，和转印后的电路图案的测量/检查。工序的这种阵列被用作制造例如IC的装置的单个层的基础。衬底随后可以经历各种过程，诸如蚀刻、离子植入(掺杂)、金属化、氧化、化学机械抛光等，所有过程都预期最终完成所述器件的单个层。如果在器件中需要若干层，则针对每个层重复整个工序或其变型。最终，在衬底上的每个目标部分中将存在器件。随后通过诸如切块或锯切之类的技术使这些器件彼此分离，由此可以将单独的器件安装在载体上、连接至引脚，等等。
如注意到的，微光刻术是集成电路的制造中的核心步骤，其中在衬底上形成的图案限定了IC的功能元件，诸如微处理器、存储器芯片等。类似的光刻技术也用于形成平板显示器、微机电系统(MEMS)以及其它器件。
随着半导体制造工艺持续进展，在数十年来，功能元件的尺寸被不断地降低，同时每一器件的功能元件(诸如晶体管)的数量一直遵循通常称为“摩尔定律”的趋势而稳步地增长。在现有技术的情形下，通过使用光刻投影设备来制造器件的层，该光刻投影设备使用来自深紫外照射源的照射将设计布局投影到衬底上，从而产生具有充分地低于100nm的尺寸的独立的功能元件，即该功能元件的尺寸小于照射源(例如，193nm照射源)的辐射的波长的一半。
印制具有小于光刻投影设备的经典的分辨率极限的尺寸的特征的过程，通常被称为低k1光刻术，其基于分辨率公式CD＝k1×λ/NA，其中λ是所采用的辐射波长(当前在大多数情形中是248nm或193nm)，NA是光刻投影设备中的投影光学元件的数值孔径，CD是“临界尺寸”(通常是所印制的最小特征尺寸)，以及k1是经验分辨率因子。通常，k1越小，在晶片上复现图案(类似由电路设计者为获得特定的电功能和性能而设计的形状和尺寸)变得越困难。为了克服这些困难，复杂的精细调节步骤被应用于光刻投影设备以及设计布局。这些例如包括但不限于NA和光学相干性设定的优化、定制的照射方案、相移图案形成装置的使用、在设计布局中的光学邻近效应校正(OPC，有时称为“光学和过程校正”)或通常被定义成“分辨率增强技术(RET)”的其它方法等。如此处使用的术语“投影光学元件”应当被广义地解释成包括各种类型的光学系统，例如包括折射式光学装置、反射式光学装置、孔阑和折射反射式光学装置。术语“投影光学元件”还可以统一地或单独地包括根据用于引导、成形或控制辐射投影束的这些设计类型中的任一种进行操作的部件。术语“投影光学元件”可以包括在光刻投影设备中的任何光学部件，而不管光学部件处于光刻投影设备的光路上的哪一位置上。投影光学元件可以包括用于在辐射穿过图案形成装置之前成形、调整和/或投影来自源的辐射的光学部件，和/或用于在辐射穿过图案形成装置之后成形、调整和/或投影辐射的光学部件。投影光学元件通常不包括源和图案形成装置。
发明内容
在实施例中，提供一种用于确定待用于图案化过程中的掩模图案的方法。所述方法包括：经由使用待印制于衬底上的目标图案作为输入图案而执行模型来获得光学邻近效应校正后(OPC后)图案；基于OPC后图案来确定将被印制于所述衬底上的模拟图案；和基于所述模拟图案与所述目标图案之间的差异来确定所述掩模图案。对所述掩模图案的所述确定包括：基于所述差异来修改被输入至所述模型的所述输入图案以使得所述差异减小；以及使用经修改的输入图案来执行所述模型以产生经修改的OPC后图案，能够从所述经修改的OPC后图案导出所述掩模图案。
此外，提供一种训练与图案化过程相关联的机器学习模型的方法。所述方法包括：获得训练数据集，所述训练数据集包括：(i)与待印制于衬底上的目标图案相关联的受扰动目标图案的集合，和(ii)参考图案的集合，每个参考图案与受扰动目标图案的集合中的特定受扰动目标图案相关联；以及使用所述训练数据集训练所述机器学习模型以产生OPC后图案，使得模型产生的OPC后图案被定制以与参考图案的集合中的特定参考图案相匹配。
此外，提供一种包括指令的非暂时性计算机可读介质，所述指令在由一个或更多个处理器执行时引起包括以下的操作经由使用待印制于衬底上的目标图案作为输入图案而执行模型来获得光学邻近效应校正后(OPC后)图案；基于OPC后图案来确定将被印制于所述衬底上的模拟图案；和通过以下各项，基于所述模拟图案与所述目标图案之间的差异来确定掩模图案：基于所述差异来修改被输入至所述模型的所述输入图案以使得所述差异减小；以及使用经修改的输入图案来执行所述模型以产生经修改的OPC后图案，能够从所述经修改的OPC后图案导出所述掩模图案。
此外，提供一种包括指令的非暂时性计算机可读介质，所述指令在由一个或更多个处理器执行时引起包括以下的操作：获得训练数据集，所述训练数据集包括：(i)与待印制于衬底上的目标图案相关联的受扰动目标图案的集合，和(ii)参考图案的集合，每个参考图案与受扰动目标图案的集合中的特定受扰动目标图案相关联；以及使用所述训练数据集训练所述机器学习模型以产生OPC后图案，使得模型产生的OPC后图案被定制以与所述参考图案的集合中的特定参考图案相匹配。
附图说明
现将参考随附附图，仅借助于示例来描述实施例，在随附附图中：
图1是根据实施例的光刻系统的各个子系统的框图。
图2是根据实施例的与图1中的子系统对应的模拟模型的框图。
图3A和图3B图示根据实施例的用于确定待在图案化过程中采用的掩模图案的方法的流程图。
图4是根据实施例的根据图3A和图3B的方法产生所述掩模图案的示例。
图5图示根据实施例的被配置成从任何输入图案产生OPC图案的现有经训练的机器学习模型(例如，经训练的CNN)的非单调行为。
图6图示根据实施例的目标图案的小偏差对抗蚀剂图案的影响。
图7A和图7B图示根据实施例的用于训练与图案化过程相关联的机器学习模型的方法的流程图。
图8图示根据实施例的样本受扰动的目标图案以及与每个受扰动目标图案相对应的CTM+图像。
图9A是根据实施例的、由辅助特征包围的示例目标图案。
图9B是根据实施例的、包括图9A的辅助特征的示例OPC后图案。
图10是图示根据实施例的联合优化的示例方法的方面的流程图。
图11示出根据实施例的另一优化方法的实施例。
图12A、图12B和图13示出根据实施例的各种优化过程的示例流程图。
图14是根据实施例的示例计算机系统的框图。
图15是根据实施例的光刻投影设备的示意图。
图16是根据实施例的另一光刻投影设备的示意图。
图17是根据实施例的图16中的设备的更详细视图。
图18是根据实施例的图16和图17的设备的源收集器模块SO的更详细视图。
现将参考附图详细地描述实施例，所述附图被提供作为例示性示例以便使本领域技术人员能够实践所述实施例。值得注意地，以下的附图和示例并非意在将范围限于单一实施例，而是借助于所描述或所例示的元件中的一些或全部的互换而使其他实施例是可能的。在任何便利的情况下，将贯穿附图而使用相同附图标记来指代相同或相似部件。在能够使用已知部件来部分地或完全地实施这些实施例的某些元件的情况下，将仅描述这些已知部件的对于理解所述实施例而言必需的那些部分，且将省略这些已知组件的其他部分的详细描述以免使得所述实施例的描述不清楚。在本说明书中，示出单一部件的实施例不应被认为是限制性的；而是，除非本发明中另有明确陈述，否则范围预期涵盖包括多个相同部件的其他实施例，且反之亦然。此外，申请人并非意图使本说明书或权利要求书中的任何术语归结于不常见或特定意义，除非如此明确阐述。另外，范围涵盖本发明中借助于例示而提及的部件的当前和未来已知的等效物。
具体实施方式
尽管在本文中具体的指代所述实施例被用于制造IC，但应当清楚地理解本文中的描述可以有许多其它可能的应用。例如，可用于集成光学系统、磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等的制造。本领域技术人员应该理解的是，在这种替代应用的情况中，可以将这种情形中的使用的任意术语“掩模版”、“晶片”或“管芯”分别认为能够与更上位的术语“掩模”、“衬底”或“目标部分”相互通用。
在本文中，术语“辐射”和“束”用于包括各种类型的电磁辐射，包括紫外辐射(例如具有365、248、193、157或126nm的波长)和EUV(极紫外辐射，例如具有在5-20nm范围内的波长)。
如此处使用的术语“进行优化”和“优化”的意思是调节光刻投影设备，使得光刻的结果和/或过程具有更加理想的特性，诸如衬底上的设计布局的更高的投影精度、更大的过程窗口等。
此外，光刻投影设备可以是具有两个或更多的衬底台(和/或两个或更多的图案形成装置台)的类型。在这样的“多平台”装置中，可以并行地使用附加的台，或可以在一个或更多的台上进行预备步骤的同时，将一个或更多的其它台用于曝光。例如，在美国专利US5,969,441中描述了双平台光刻投影设备，通过引用将其并入本文中。
上文提及的图案形成装置包括或可以形成设计布局。可以利用CAD(计算机辅助设计)程序来产生设计布局，该过程通常被称作为EDA(电子设计自动化)。大多数CAD程序遵循一组预定的设计规则，用于产生功能设计布局/图案形成装置。这些规则由处理和设计限制来设定。例如，设计规则限定了电路器件(诸如栅极、电容器等)或互连线之间的间隔容许度，以便于确保电路器件或线不会以不被期望的方式相互作用。设计规则限制典型地称作为“临界尺寸”(CD)。电路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确定了所设计的电路的整体尺寸和密度。当然，集成电路制造中的目标之一是如实地在衬底上(经由图案形成装置)复现原始的电路设计。
在这种情形中采用的术语“掩模”或“图案形成装置”可以广义地解释成表示可以用于为入射的辐射束赋以对应于将要在衬底的目标部分中产生的图案的图案化的横截面的一般性的图案形成装置；术语“光阀”也可以用于这种情形。除了传统的掩模(透射式或反射式掩模；二元掩模、相移掩模、混合型掩模等)之外，其它的图案形成装置的例子包括：
-可编程反射镜阵列。这样的器件的一个例子是具有粘弹性控制层和反射表面的矩阵可寻址表面。这样的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成衍射辐射，而未寻址区域将入射辐射反射成非衍射辐射。使用适合的滤光片，可以从反射束中过滤掉所述非衍射辐射，从而之后仅留下衍射辐射；这样，所述束根据矩阵可寻址表面的寻址图案而被图案化。所需要的矩阵寻址可以通过使用适合的电子器件进行。可以例如从以引用方式并入本文中的美国专利号5,296,891和5,523,193搜集到关于这样的反射镜阵列的更多信息。
-可编程LCD阵列。在美国专利号5,229,872中给出了这样的构造的一个例子，通过引用将其并入本文中。
作为简短介绍，图1示出了示例性的光刻投影设备10A。主要部件是：辐射源12A，其可以是深紫外准分子激光源或包括极紫外(EUV)源在内的其它类型的源；源(如上所论述，所述光刻投影设备本身不需要所述辐射源)；照射光学装置，其限定了部分相干性(标记为σ)且可以包括光学装置14A、16Aa和16Ab，其对来自源12A的辐射成形；图案形成装置14A；以及透射光学装置16Ac，其将图案形成装置图案的图像投影到衬底平面22A上。在投影光学元件的光瞳面处的可调整的滤光片或孔阑20A可以限制射到衬底平面22A上的束角的范围，其中最大可能角度限定投影光学器件的数值孔径NA＝n sin(Θmax)。
在系统的优化过程中，系统的品质因数可以表示为成本函数。优化过程归结为求出使成本函数最小化的一组系统参数(设计变量)的过程。成本函数可以依赖于优化的目标而具有任何适合的形式。例如，成本函数可以是系统的特定特性(评价点)相对于这些特性的期望值(例如理想值)的偏差的加权均方根(RMS)；成本函数还可以是这些偏差的最大值(即最差偏差)。此处的术语“评价点”应当被广义地解释成包括系统的任何特性。系统的设计变量可以限制成有限的范围和/或是由于系统的实施的实用性而是相互依赖的。在光刻投影设备的情形中，这些约束通常与硬件的物理性质和特性(诸如可调节范围)和/或图案形成装置可制造性设计规则相关，并且评价点可以包括衬底上的抗蚀剂图像上的物理点以及诸如剂量和焦距等非物理特性。
在光刻投影设备中，源提供了照射(即光)；投影光学元件对通过图案形成装置且到衬底上的照射进行引导和成形。术语“投影光学元件”在此处被广义地限定为包括可以改变辐射束的波前的任何光学部件。例如，投影光学元件可以包括部件14A，16Aa，16Ab和16Ac中的至少一些部件。空间图像(AI)是衬底水平处的辐射强度分布。衬底上的抗蚀剂层被曝光，并且空间图像被转移至抗蚀剂层，作为其中的潜在的“抗蚀剂图像”(RI)。抗蚀剂图像(RI)可以被定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。抗蚀剂模型可以用于从空间图像计算抗蚀剂图像，其示例可以在共同转让的美国专利申请号12/315,849中找到，该文献的公开内容通过引用将其全部内容并入本文中。抗蚀剂模型仅与抗蚀剂层的性质(例如在曝光、PEB和显影期间发生的化学过程的效应)相关。光刻投影设备的光学性质(例如源、图案形成装置和投影光学元件的性质)规定了空间图像。因为可以改变在光刻投影设备中使用的图案形成装置，所以期望将图案形成装置的光学性质与包括至少源和投影光学元件的光刻投影设备的其余部分的光学性质分离开。
在图2中示出了光刻投影设备中的模拟光刻的示例性流程图。源模型31表示源的光学特性(包括辐射强度分布和/或相位分布)。投影光学模型32表示投影光学元件的光学特性(包括由投影光学元件所引起的辐射强度分布和/或相位分布的变化)。设计布局模型35表示设计布局33的光学特性(包括由给定的设计布局33所引起的辐射强度分布和/或相位分布的变化)，其是图案形成装置上的、或由图案形成装置所形成的特征的布置的表示。空间图像36可以由设计布局模型35、投影光学元件模型32和设计布局模型35模拟。抗蚀剂图像38可以使用抗蚀剂模型37由空间图像36来模拟。对光刻的模拟可以例如预测在抗蚀剂图像中的轮廓和CD。
更具体地，注意到，源模型31可以表示源的光学特性，包括但不限于NA-西格玛(σ)设定以及任何特定的照射源形状(例如诸如环形的、四极和双极等的离轴辐射源等)。投影光学元件模型32可以表示投影光学元件的光学特性，其包括像差、变形、折射率、物理大小、物理尺寸等。设计布局模型35还可以表示物理图案形成装置的物理性质，如所描述的，例如在美国专利No.7,587,704中所描述的，通过引用将其全部内容并入本文中。模拟的目标是精确地预测例如边缘的定位、空间图像强度斜率和CD，其之后可以与期望的设计相比较。所述期望的设计通常定义为预先OPC设计布局，其可以被提供成标准数字文件格式(诸如GDSII或OASIS)或其它文件格式。
可以根据这一设计布局识别一个或更多的部分，其被称作为“片段”。在实施例中，提取一组片段，其表示设计布局中的复杂的图案(典型地大约50至1000个片段，尽管可以使用任何数量的片段)。如本领域技术人员所认识到的，这些图案或片段表示设计的小的部分(即电路、单元或图案)，并且尤其是片段代表了需要特别关注和/或验证的小的部分。或者说，片段可以是设计布局的部分或可以类似于设计布局的部分或具有与设计布局的部分相类似的行为，其中通过经验(包括由客户提供的片段)、通过反复试验或通过运行全芯片模拟来识别临界特征。片段通常包含一个或更多的测试图案或计量图案。
可以基于设计布局中已知的临界特征区域由客户先验地提供初始的较大组的片段，其需要特定的图像优化。可替代地，在另一实施例中，可以通过使用一些类型的识别临界特征区域的自动化的(诸如机器视觉)或手工的算法从整个设计布局提取所述初始的较大组片段。
例如，对所述图案化过程的模拟可以预测空间图像、抗蚀剂图像和/或蚀刻图像中的轮廓、CD、边缘放置(例如，边缘放置误差)、图案移位，等等。即，可以使用空间图像34、抗蚀剂图像36或蚀刻图像40来确定图案的特性(例如，图案的存在、部位、类型、形状，等等)。因而，模拟的目标是为了准确地预测例如印制图案的边缘放置、和/或轮廓，和/或图案移位，和/或空间图像强度斜率，和/或CD，等等。可以将这些值与预期设计比较以例如校正所述图案化过程，识别何处预测出现缺陷，等等。所述预期设计通常被定义为可以用诸如GDSII或OASIS或其它文件格式之类的标准化数字文件格式来提供的OPC前设计布局。
在美国专利申请公开号US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197、2010-0180251和2011-0099526中描述了用以将图案形成装置图案变换成各种光刻图像(例如，空间图像、抗蚀剂图像，等等)、使用那些技术和模型来应用OPC且评估性能(例如，依据过程窗口)的技术和模型的细节，这些美国专利申请公布中的每个以全文引用方式而被合并入本文中。
随着光刻节点保持缩小，需要越来越复杂的图案形成装置图案(为了较好可读性而可互换地称作掩模)(例如曲线掩模)。可以利用DUV扫描器、EUV扫描器、和/或其它扫描器在关键层中使用本方法。可以在包括源掩模优化(SMO)、掩模优化、和/或OPC的掩模优化过程的不同方面中包括根据本公开的方法。例如，以全文引用的方式并入本文中的标题为“Optimization Flows of Source,Mask and Projection Optics”的美国专利号9,588,438中描述了源掩模优化过程。
在实施例中，图案形成装置图案是包括具有多边形形状的曲线SRAF的曲线掩模，与在具有矩形或阶梯状形状的曼哈顿(Manhattan)图案中相对。与曼哈顿图案相比，曲线掩模可以在衬底上产生更准确的图案。然而，曲线SRAF的几何形状、它们的相对于目标图案的定位、或其它相关参数可以产生制造约束，这是由于这样的曲线形状对于制造来说可能是不可行的。因此，在掩模设计过程期间这样的约束可能不被设计者考虑。在Spence等人的“Manufacturing Challenges for Curvilinear Masks”(Proceeding of SPIE第10451卷,Photomask Technology,1045104(2017年10月16日)；doi:10.1117/12.2280470)中提供关于在制造曲线掩模时的限制和挑战的详细论述，其以全文引用的方式而被合并入本文中。
光学邻近效应校正(OPC)是通常用于补偿由于衍射和过程效应所导致的图像误差的光刻增强技术。现有的基于模型的OPC通常由若干步骤组成，包括：(i)导出包括规则重定目标的晶片目标图案；(ii)放置亚分辨辅助特征(SRAF)；以及(iii)执行包括模型模拟的迭代校正(例如，通过计算在晶片上的强度映射)。模型模拟的最耗时的部分是基于掩模规则检查(MRC)的基于模型的SRAF产生和清除，以及对掩模衍射、光学成像和抗蚀剂显影的模拟。
OPC模拟中的挑战之一是运行时间和准确度。通常，结果越准确，则OPC流程就越慢。为了得到较好的过程窗口，则在每次OPC迭代中需要在不同条件(名义条件、散焦条件、剂量不足条件)下的较多模型模拟。另外，包括的图案化过程相关模型越多，则需要越多次迭代以使OPC结果收敛至所述目标图案。由于需要处理的大量数据(芯片上的数十亿个晶体管)，则运行时间要求对OPC相关算法的复杂度施加严格约束。另外，随着集成电路的持续缩小，准确度要求变得更严格。如此，需要新的算法和技术来解决这些挑战。例如，需要不同的解决方案例如以用于基于多边形的OPC。例如，本公开提供用于确定OPC后布局的方法。所述方法在维持高速度的同时提供了高准确度，并且简化OPC后布局。
在实施例中，可以从采用水平集(level-set)方法以产生初始掩模图案的曲线形状的连续透射掩模(CTM+)过程(CTM过程的扩展)获得曲线掩模图案。早先提及的美国专利号8,584,056中论述了CTM过程的示例。在实施例中，CTM+过程涉及用于使用任何适合的方法基于初始掩模图案(或大体而言掩模图案)的辅助特征的一部分、或其一个或更多个特性来确定所述初始掩模图案的所述辅助特征的一个或更多个特性。例如，可以使用美国专利号9,111,062中所描述的、或Y.Shen等人的“Level-Set-Based Inverse Lithography ForPhotomask Synthesis”(Optics Express,第17卷，第23690-23701页(2009))中所描述的方法来确定辅助特征的一个或更多个特性，这些文献的公开内容以全文引用的方式而被合并入本文中。例如，所述一个或更多个特性可以包括所述辅助特征的一个或更多个几何特性(例如，绝对部位、相对部位、或形状)、所述辅助特征的一个或更多个统计特性、或所述辅助特征的参数化。所述辅助特征的统计特性的示例可以包括所述辅助特征的几何尺寸的平均值或方差。
常规OPC使用多变量求解程序或单变量求解程序，通过将所模拟的晶片轮廓与期望的目标轮廓之间的差异往回传播至即传回至掩模平面，来对掩模多边形执行迭代校正。为了实现良好过程窗口，则应用用于多个过程窗口条件(例如，剂量-焦距变化)的光刻模拟来确定所述掩模图案。这种过程进行若干次迭代以收敛至最终掩模图案。
另一方面，逆OPC通常使用基于梯度的求解程序。所述逆OPC过程采用被最小化的成本函数。所述成本函数包括不同过程条件下的边缘放置误差。所述逆OPC过程比常规OPC进行甚至更多次迭代来收敛。所述逆OPC处理片段中的设计布局，并且针对每个片段，可以产生曲线多边形形状。跨越片段边界合并所述曲线形状是具有挑战性的，其中利用迭代算法单独地处理每个片段以合并所述曲线掩模形状，从而产生最终掩模图案。
可以开发基于深度学习的方法以训练机器学习模型来加速常规OPC或逆OPC。通常训练深度学习模型(例如，深度卷积神经网络(DCNN))以将目标图案转换为掩模图案。可以出于训练目的来训练由基线OPC算法所产生的样本。这种深度学习模型可能并非是完美的，但可以提供对于最终掩模图案的良好近似。所述深度学习模型仅需要少许迭代(即，显著小于常规OPC或逆OPC算法)，由此显著加速掩模图案产生过程。然而，另外，光刻模拟与多个过程窗口条件一起使用，尤其在最终若干次迭代中。所述光刻模拟的多变量求解程序也是耗时的，因此其仍可以花费大量计算时间来实现最终收敛结果，即，最终掩模图案。
在本文中，提供一种用于产生掩模图案的方法。本文中的新掩模产生流程有可能进一步加速所述逆OPC。其修改输入图案(例如，具有与设计布局对应的Manhattan多边形的图案)，所述输入图案类似于OPC中常常使用的重定目标即重新定位目标。例如，用于OPC前布局的基于规则的重新定位目标的一种方法包括选择性偏差和图案移位。这种方法可以通过选择性地改变OPC软件用作期望的最终结果的目标边缘放置来改善针对某些临界特征的完整过程窗口性能，而同时仍仅在名义过程条件下计算OPC校正。在本公开中，流程使用预先训练的模型将经修改的输入图案(例如，经重新定位目标的OPC前布局)转换回至掩模平面。对输入图案的修改预期用于补偿逆模型的缺陷，从而导致模拟的晶片轮廓与所述目标轮廓之间的较快收敛。本文中所描述的方法可以潜在地改善运行时间且在不牺牲过程窗口的情况下解决逆OPC中的边界合并问题。
图3A是用于确定待在图案化过程中被采用的掩模图案的方法300的流程图。在实施例中，所述掩模图案可以广义地称作图案形成装置图案。在实施例中，所述方法300包括如下文所论述的工序。
工序P301包括经由使用待印制于衬底上的目标图案302作为输入图案而执行模型304来获得光学邻近效应校正后的(OPC后)图案310。在实施例中，所述模型304是被配置成产生用于输入图案(例如，302)的OPC后图案310的经训练的机器学习模型304。在实施例中，使用例如本文中所论述的图7A的方法700来训练经训练的机器学习模型。
在实施例中，所述输入图案可以是与设计布局或有偏差的设计布局的目标图案302相关联的、被表示为图像(例如，像素化图像)或图像数据(例如，像素部位和强度)的数据。
在实施例中，OPC后图案310可以是被表示为图像(例如，像素化图像)或图像数据(例如，像素部位和强度)的数据。在实施例中，OPC后图案310包括图案数据，例如主要特征数据和(可选地)辅助特征数据。主要特征是指OPC后图案内的、与所述设计布局的目标特征相对应的特征。在实施例中，所述主要特征数据和所述辅助特征数据可以是单独的即分开的。在实施例中，所述主要特征数据和所述辅助特征数据可以被表示为两个不同图像、或以组合形式表示为单个图像。在实施例中，模型304是卷积神经网络(CNN)。
在实施例中，获得所述OPC后图案310涉及获得与所述设计布局的目标特征对应的主要特征的几何形状(例如，多边形形状，诸如方形、矩形、或环形等)相关的数据。类似地，但可选地，也可以获得辅助特征的几何形状。例如，可以执行对于所述OPC后图像310的图像处理以供提取OPC后图像、或所述设计布局的几何形状。
在实施例中，可以对几何形状数据执行光栅化或栅格化(rasterization)操作以产生图像表示。例如，光栅化操作将几何形状(例如，呈矢量图形格式)转换成像素化图像。在实施例中，光栅化还可以涉及应用低通滤波器以明确识别特征形状且减少噪声。
工序P303包括基于OPC后图案310来确定将被印制于所述衬底上的模拟图案313。在实施例中，所述模拟图案313可以被表示为图像或图像数据。在实施例中，通过使用所述OPC后图案310或经修改的OPC后图案(例如，图3B中的323)执行所述图案化过程的过程模型以产生模拟图案313，来确定所述模拟图案313。在实施例中，所述过程模型可以是光刻相关过程的模型，例如显影后过程模型。在实施例中，所述模拟图案313可以是显影后图像。例如，所述过程模型是抗蚀剂模型且所述模拟图案313是抗蚀剂图案。相对于图2论述了额外的模拟模型和所得到的模拟输出(例如，抗蚀剂图案)。
在实施例中，所述模拟图案313也包括与可以被印制于衬底上的图案的几何形状相关的信息。可以通过用作边缘检测算法的图像处理来提取这样的几何形状信息。
本公开不限于特定过程模型。可以理解，过程模型(例如，图2中所论述的抗蚀剂模型、蚀刻模型)的一个或更多个组合可以用于产生模拟图案。因此，所述方法300可以被修改以包括一个或更多个显影后模型和由其产生的模拟图案。
工序P305包括基于所述模拟图案313与所述目标图案302之间的差异来确定掩模图案315。在实施例中，掩模图案315的确定包括基于所述差异来修改被输入至模型304的输入图案(例如，第一迭代中的302或后续迭代中的311)，使得所述差异被减小。使用经修改的输入图案(例如，321)，可以执行所述模型304以产生经修改的OPC后图案(例如，图3B中的323)，可以从所述经修改的OPC后图案导出所述掩模图案315。例如，可以例如经由图像处理来提取主要特征和(可选地)辅助特征的几何形状，如本文中所论述的。
相对于图3B详细地阐释了用于确定所述掩模图案315的工序P305的示例实施。在实施例中，所述掩模图案315的确定是迭代过程，每次迭代包括工序P311、P313、P303、P317和P319。在实施例中，可以执行预定数目次迭代。在实施例中，在模拟图案(例如，313或323)与所述目标图案302之间的差异被最小化之后停止所述迭代。
工序P311包括使用所述模拟图案313与所述目标图案302之间的差异327的梯度来修改所述输入图案311的至少一部分。所述输入图案311的修改减小(或在一个实施例中，最小化)所述目标图案302与所述模拟图案313之间的差异。差异327的梯度指示如何修改所述目标图案302以减小或最小化所述差异327。
在实施例中，所述输入图案311的至少一部分包括与所述目标图案302内的目标特征对应的轮廓(也被称作几何形状)。在实施例中，对所述输入图案311进行修改的工序P311包括基于差异327的梯度来修改所述输入图案311的轮廓以减小所述目标轮廓与所述模拟轮廓之间的差异327，所述梯度指示如何修改所述输入图案311的轮廓以减小或最小化所述差异327。
在实施例中，对所述输入图案311进行修改的工序P311包括将控制点分配于目标轮廓上，并且基于所述差异327的梯度来调整所述输入图案311内的一个或更多个控制点的位置从而使得所述差异327被减小或最小化。在实施例中，梯度是所述差异327相对于所述控制点的差分。所述梯度指示所述差异327中的由于控制点的位置中的改变而导致的改变。
工序P313包括使用经修改的输入图案321执行经训练的机器学习模型304以产生经修改的OPC后图案323。工序P303包括使用经修改的OPC后图案323作为输入来确定所述模拟图案325。可以理解，随着所述输入图案改变，则所述模拟图案325可以改变。因此，在每次迭代处，所述模拟图案325可以是相对地不同的。
工序P317包括确定所述模拟图案325与所述目标图案302之间的差异327是否被减小或被最小化。在实施例中，工序P317基于图案的轮廓来确定所述模拟图案325与所述目标图案302之间的差异327。例如，确定所述目标图案302的目标轮廓(例如，几何形状)与所述模拟图案313的模拟轮廓(例如，几何形状)之间的所述差异327。
响应于差异327被减小或被最小化，则工序P319包括从经修改的OPC后图案323提取多边形形状以产生所述掩模图案315。如本文中提及的，所述目标图案302、所述OPC后图案、和/或经修改的OPC后图案323可以是像素化灰度图像。
在实施例中，从经修改的OPC后图案323提取所述多边形形状包括经由阈值化或阈值分割来处理经修改的OPC后图案323的图像以检测与经修改的OPC后图案323内的一个或更多个特征相关联的边缘。例如，所述阈值化或阈值分割包括指示图像内的边缘或轮廓的预定像素强度阈值。在实施例中，像素强度值可以介于从0至1、0至100等范围内。例如，如果范围为0至1，则像素强度阈值可以是0.8，指示了具有大于0.8的像素强度的任何像素被视为所述轮廓的一部分。此外，工序P319包括使用所述一个或更多个特征的所述边缘来产生所述掩模图案315。
如早先提及的，所述OPC后图案310、或经修改的OPC后图案323包括与所述目标特征相对应的主要特征。可选地，所述OPC后图案310或323包括位于所述主要特征周围的至少一个辅助特征。在实施例中，所提取的多边形包括与所述主要特征和可选地至少一个辅助特征相关联的多边形。
在OPC后图案310包括一个或更多个辅助特征的情况下，当使用经修改的输入图案321时，在经训练的机器学习模型304的第二次或后续执行中不修改这些辅助特征。例如，如早先提及的，所述辅助特征可以是固定的或处于单独的图像中，所述单独的图像可以与包括主要特征的所述OPC后图像相组合。例如，如图9A中示出，输入图案包括多个目标特征(例如，矩形T1、T2)，其中每个目标特征由曲线SRAF包围。而图9B示出示例OPC后图案(例如，CTM+)，其具有也被称作主要特征的经修改的目标特征(例如，X形)，所述主要特征具有与图9A中相同的曲线SRAF。因而，在实施例中，在SRAF被固定时，仅修改与所述目标特征相对应的主要特征。
在实施例中，可以修改固定的辅助特征(例如，SRAF)。例如，在提取多边形步骤中，可以基于掩模规则检查(MRC)和旁瓣印制检查来修改所述辅助特征。因此，可以在提取多边形步骤中改变所述辅助特征，但所述辅助特征可以当应用所述机器学习模型以产生OPC后图案时仍保持固定。例如，在实施例中，经训练的机器学习模型304可以产生经修改的主要图案，其还可以利用所述辅助特征补充或与所述辅助特征组合(例如，基于MRC而修改)。在示例中，经训练的机器学习模型304可以产生经修改的主要图案和新辅助特征，这些新辅助特征可以由经修改辅助特征替换(例如，基于MRC来修改)。
图4图示根据本文中所论述的方法300产生掩模图案的示例。如方法300中所论述的，输入图案410可以包括与目标特征对应的特征。在第一迭代中，输入图案410可以是目标图案410。所述输入图案410可以被输入至经训练的机器学习模型(例如，模型304)以产生OPC后图案420。在本示例中，所述OPC后图案420是曲线图案，其被表示为曲线多边形形状。此外，所述OPC后图案420被输入至过程模型(例如，抗蚀剂模型)以产生模拟图案430。在本示例中，所述模拟图案430被表示为曲线多边形。所述模拟图案430叠置于目标特征410上以用于比较所述模拟图案430与所述目标特征410相匹配的紧密程度。在实施例中，计算出图案430与410之间的差异。基于所述差异，修改所述输入图案以产生经修改的输入图案410'。同样，使用经修改的输入图案410'来执行经训练的机器学习模型以产生不同的OPC后图案420'。所述OPC后图案420'进一步经由所述过程模型产生模拟图案430'。在实施例中，可以确定模拟图案430'与目标图案410之间的差异。在这样的情况下，OPC后图案420'被视为最终图案。在实施例中，从这种OPC后图案420'提取掩模图案。例如，所述掩模图案包括多边形形状430'，所述多边形形状430'用以制造掩模，且所述多边形形状430'在光刻设备(例如，图1)中进一步用以将目标图案410印制于衬底上。
在实施例中，图5和图6图示用以产生OPC图案的现有机器学习模型的示例问题。例如，现有CNN可以是非单调的，并且目标中的小扰动可能导致例如抗蚀剂轮廓中的相对较大改变。因此，本公开在图7A和图7B中描述用于训练机器学习模型的经改善的训练方法，使得经训练的机器学习模型即使在目标轮廓略有变化的情况下也产生较为稳定的例如RI轮廓。
图5图示了被配置成从任何输入图案产生OPC图案的现有经训练的机器学习模型(例如，经训练的CNN)的非单调行为。根据本公开的实施例，CNN模型的非单调行为指示了：诸如有偏差的目标图案之类的输入图案的大小的增大导致了由经训练的CNN模型所产生的OPC图案的大小减小。在示例中，改变相对大小是指相对于目标轮廓增大或减小目标轮廓的一部分。在实施例中，相对大小可以在周长、面积、或其它几何性质方面增大或减小。
在一个示例中，相对于目标图案510，有偏差的图案510'在左侧边缘处具有增大的大小。使用这种有偏差的图案510'作为输入，经训练的CNN模型产生OPC图案520'。当使用OPC图案520'执行抗蚀剂模型(或其它光刻相关过程模型)时，所述抗蚀剂模型产生抗蚀剂轮廓530'。相较于目标图案510，抗蚀剂轮廓530'具有向内缩的边缘且具有减小的大小，而目标图案510被偏置为增大大小，例如，有偏差的图案510'。
在另一示例中，相对于目标图案510，有偏差的图案510”在左侧边缘处具有减小的大小。使用这种有偏差的图案520”作为输入，经训练的CNN模型产生不同的OPC图案520”。当使用OPC图案520”来执行抗蚀剂模型(或其它光刻相关过程模型时)，则所述抗蚀剂模型产生抗蚀剂轮廓530”。在这样的情况下，所述抗蚀剂轮廓530”较为接近于所述目标图案510的边缘，而目标图案510被偏置为减小大小，例如，有偏差的图案510”。
比较OPC图案520'和520”示出了：虽然目标图案510可以被偏置为增大(或减小)大小，但这些改变并非经由经训练的CNN模型单调地转变。同时，比较520'和530”，相对较小的OPC图案520'导致相对较小的抗蚀剂轮廓530'，并且相对较大的OPC图案520”导致相对较大的抗蚀剂图案530”。因而，由用以产生OPC图案的经训练的CNN所使用的输入图案中的小扰动可能导致不期望的抗蚀剂轮廓(例如，抗蚀剂轮廓并没有紧密地遵循所述目标图案)。因此，需要一种产生较为稳定且可靠的输出的经训练的CNN模型，使得可模拟相对稳定的且可靠的抗蚀剂轮廓。
图6图示了目标上的小偏差导致现有CNN模型产生一种最终导致相对较大RI轮廓改变的OPC图案。图6图示了示例目标轮廓610和略微偏置的目标轮廓610'。在示例中，初始目标轮廓610的一个或更多个边缘可以被偏置(例如，移动或修改)个位数纳米。有偏差的目标图案610'可以用于产生OPC图案，可以从所述OPC图案导出掩模图案。例如，被配置成使用任何输入图案来产生OPC图案的经训练的CNN模型可以用于产生OPC图案，诸如OPC图案620。对于所述输入图案中的甚至小改变，OPC图案620显著地改变。例如，如在图案620中观察，曲线变化如此大以使得可以形成单个大多边形形状，或可以响应于所述输入图案(例如，目标图案610)中的小偏差而产生两个单独多边形形状。当OPC图案620进一步用作对于过程模型(例如，图2的抗蚀剂模型，任何其它光刻，或任何显影后模型)的输入时，则所述过程模型产生模拟图案630(例如，抗蚀剂图案)。因而，取决于OPC图案620中的变化，所得到的模拟图案630(例如，抗蚀剂图案)将改变。例如，在示例中，模拟图案630可以紧密地遵循目标轮廓610。在另一示例中，所述模拟图案630可以响应于由目标轮廓610的不同偏置所产生的不同OPC图案620'而包括额外的部分，诸如部分631。所述模拟图案630(例如，所述抗蚀剂图案)中的这种较大改变是不期望的，这是由于其在例如掩模优化过程期间变得难以收敛至唯一掩模图案。
图7A和图7B是训练与图案化过程相关联的机器学习模型710的方法700的示例流程图。所述方法700包括示例工序P701和P703，其可以被实施以训练所述机器学习模型710来确定OPC图案，所述OPC图案还可以用以导出掩模图案。在训练过程结束时，模型710被称作经训练的机器学习模型710'。作为示例，机器学习模型710是卷积神经网络(CNN)，并且参数是CNN的一个或更多个权重。然而，本公开不限于特定类型的机器学习模型710。
工序P701包括获得训练数据集，所述训练数据集包括：(i)与待印制于衬底上的目标图案相关联的受扰动目标图案的集合701，和(ii)参考图案的集合702，每个参考图案与受扰动目标图案的集合中的特定受扰动目标图案相关联。例如，受扰动目标图案的集合701包括与单个目标图案相对应的第一受扰动图案、第二受扰动图案、和第三受扰动图案。参考图案的集合702(未示出)可以包括分别针对第一受扰动图案、第二受扰动图案和第三受扰动图案而获得的第一参考图案、第二参考图案和第三参考图案。
图8图示其间具有微小变化的三个不同受扰动目标图案801、802和803。受扰动目标图案801、802和803由单个目标图案(未示出)产生。例如，可以通过扰动或偏置所述目标图案的顶部边缘来获得第一受扰动图案，可以通过扰动或偏置所述目标图案的侧边缘来获得第二受扰动图案，并且可以通过扰动或偏置所述目标图案的底部边缘来获得第三受扰动图案。可以理解，对所述目标图案的扰动或偏置不限于所述目标图案的特定部分。另外，可以同时地扰动一个或更多个部分。在实施例中，受扰动图案801、802和803可以被表示为像素化灰度图像，其中像素强度指示边缘是否存在。在实施例中，受扰动图案图像可以由例如GDS档案中的多边形形状的光栅化来产生。可以通过改变控制点(X标记)的沿例如目标特征的轮廓(具有X标记的实线轮廓)而放置的位置来扰动受扰动图案801、802和803中的每个受扰动图案。
图8也图示通过执行OPC产生过程而产生的示例CTM+图像(也称作CTM+映射)。在美国专利号8,584,056、美国专利号9,111,062中更详细地论述了，或在Y.Shen等人的“Level-Set-Based Inverse Lithography For Photomask Synthesis”(Optics Express,第17卷,第23690-23701页(2009))中描述了OPC产生过程的示例，这些美国专利的公开内容以全文引用的方式而被合并入本文中。为简洁起见，并没有详细地论述现有OPC产生过程的细节。在本示例中，使用受扰动图案801产生CTM+图像811，使用受扰动图案802产生CTM+图像812，并且使用受扰动图案803产生CTM+图像813。观察到每个CTM+图像大致示出例如每个图像811、812和813的区R1和R2中的不同辅助特征。这些CTM+图像被进一步用以提取掩模图案。这指示了：甚至针对输入图案(例如，被表示为输入图像801)中的小扰动可以产生不同掩模图案。
在实施例中，获得训练数据集的工序P701包括：通过使用所述目标图案作为输入图案而执行OPC过程来产生参考图案(例如，CTM、CTM+)；扰动所述目标图案的至少一部分以产生多个受扰动目标图案；以及经由使用多个受扰动目标图案进行输入来执行OPC过程来产生多个参考图案。如本文中提及的，对所述目标图案的扰动包括偏置所述目标图案的边缘的至少一部分。在实施例中，所述扰动可以是随机扰动。例如，所述目标图案的随机选择部分被偏置大约单个纳米的随机值。
在实施例中，所述参考图案是OPC后图案，所述OPC后图案包括与所述目标图案的目标特征相对应的主要特征。在实施例中，所述参考图案对应于受扰动图案。例如，在图8中，每个受扰动图案801、802和803包括目标特征(深色/黑色部分或矩形形状)，并且CTM+图案811、812和813中的每个CTM+图案分别包括与受扰动图案801、802和803的目标特征相对应的主要特征。
在实施例中，训练数据集的获得还包括：从与目标图案相关联的所述参考图案提取至少一个辅助特征；以及经由使用多个受扰动目标图案(例如，801、802、803)作为输入而执行OPC过程且使所提取的辅助特征保持固定来产生所述多个参考图案。所述多个参考图案中的每个参考图案具有相同的所提取的辅助特征。
在示例中，参考图案的集合702中的每个参考图案是光学邻近效应校正后(OPC后)图案的修改版本，其中所述OPC后图案被修改以包括围绕相应参考图案的主要特征的相同的辅助特征。例如，参考图案可以通过以下而产生：(i)从CTM+图案811、812和813提取主要特征；(ii)从使用未受扰动目标图案(未示出)而产生的CTM+图案提取辅助特征(例如，SRAF)；以及(iii)围绕(i)的主要特征放置(ii)的辅助特征，使得每个参考图案具有相同的辅助特征。
在实施例中，提取主要特征或辅助特征包括从OPC后图案提取多边形形状。例如，所述提取包括对图像(例如，CTM+图像)进行阈值化或阈值分割以检测与所述OPC后图案内的一个或更多个主要特征和/或一个或更多个辅助特征相关联的边缘。
工序P703包括使用所述训练数据集来训练所述机器学习模型710以产生OPC后图案，使得模型产生的OPC后图案被调适/定制以与参考图案的集合702中的特定参考图案相匹配。在实施例中，模型产生的OPC后图案与特定参考图案之间的匹配度是相同的。在实施例中，匹配度可以大于95％，或优选地大于99％。
在实施例中，对所述机器学习模型710的训练是迭代过程。在实施例中，每次迭代包括工序P711、P713和P713。工序P711包括使用受扰动图案的集合701中的受扰动目标图案作为输入来执行所述机器学习模型710以产生OPC后图案721。工序P713包括确定与受扰动目标图案相关联的参考图案集合702中的参考图案与模型产生的OPC后图案721与之间的差异723。工序P715包括基于差异723来修改所述机器学习模型710的参数725，使得差异723被减小或最小化。在实施例中，所述机器学习模型710(例如CNN)的参数725包括与例如CNN的一个或更多个层相关联的一个或更多个权重和/或偏差。
在实施例中，基于模型产生的OPC后图案与参考图案之间的差异723的梯度下降来调整所述机器学习模型710的权重。在实施例中，可以基于最小化所述差异723的其它优化方法来调整权重。本领域技术人员可以理解，本公开不限于梯度下降方法，并且可以使用可以指导如何调整权重以使得减小预测图像与参考图像之间的差异的其它适当方法。在实施例中，执行训练直到最小化预测图像与参考图像之间的差异为止。
根据本公开，所披露的元件的组合和子组合构成单独的实施例。例如，第一组合包括使用目标图案或单独地产生的OPC后图案来确定掩模图案。第二组合通过从经由经训练的机器学习模型所产生的OPC后图案提取多边形来确定掩模图案。在另一组合中，光刻设备包括使用如本文中所论述而确定的掩模图案的掩模制造。
在实施例中，本文中所论述的方法(例如，300和700)可以被提供为其上记录有指令的计算机程序产品或非暂时性计算机可读介质，所述指令在由计算机执行时，实施上文所论述的方法300和700的操作。
例如，图14中的示例计算机系统100包括包含指令的非暂时性计算机可读介质(例如，存储器)，所述指令在由一个或更多个处理器(例如，104)执行时引起包括所述的操作。
在实施例中，一种非暂时性计算机可读介质包括当由一个或更多个处理器执行时引起包括以下的操作的指令：经由使用待印制于衬底上的目标图案作为输入图案而执行模型来获得光学邻近效应校正后(OPC后)图案；基于OPC后图案来确定将被印制于所述衬底上的模拟图案；以及基于模拟图案与目标图案之间的差异来确定掩模图案。确定所述掩模图案包括：基于所述差异来修改被输入至所述模型的输入图案以使得差异减小；以及使用经修改的输入图案来执行所述模型以产生经修改的OPC后图案，可以从所述经修改的OPC后图案导出所述掩模图案。
在实施例中，所述模型是被配置成针对输入图案产生OPC后图案的经训练的机器学习模型。
在实施例中，对所述掩模图案的确定是迭代过程，每次迭代包括：基于差异的梯度来修改所述输入图案的至少一部分以减小所述目标图案与所述模拟图案之间的差异，所述梯度指示如何修改所述目标图案以减小或最小化差异；使用经修改的输入图案来执行所述经训练的机器学习模型以产生所述经修改的OPC后图案；基于所述经修改的OPC后图案来确定所述模拟图案；确定所述模拟图案与所述目标图案之间的差异是否被减小或被最小化；以及响应于差异被减小或被最小化，从经修改的OPC后图案提取多边形形状以产生掩模图案。
在实施例中，所述输入图案的至少一部分包括与所述目标图案内的目标特征相对应的轮廓。
在实施例中，所述模拟图案和所述目标图案的差异的确定包括：确定所述目标图案的目标轮廓与所述模拟图案的模拟轮廓之间的差异。
在实施例中，对所述输入图案的修改包括：基于差异的梯度来修改所述输入图案的轮廓以减小所述目标轮廓与所述模拟轮廓之间的差异，所述梯度指示如何修改所述输入图案的轮廓以减小或最小化差异。
在实施例中，对所述输入图案的修改包括：将控制点分配于所述目标轮廓上；以及基于差异的梯度来调整一个或更多个控制点的位置，使得差异被减小或被最小化。
在实施例中，梯度是所述差异的相对于控制点的差分，所述梯度指示由于控制点的位置中的改变而导致的所述差异中的改变。
在实施例中，对所述模拟图案的确定包括：使用OPC后图案或经修改的OPC后图案来执行所述图案化过程的过程模型以产生所述模拟图案。
在实施例中，从经修改的OPC后图案提取多边形形状包括：经由阈值化或阈值分割来处理经修改的OPC后图案的图像以检测与经修改的OPC后图案内的一个或更多个特征相关联的边缘；以及使用所述一个或更多个特征的所述边缘来产生所述掩模图案。
在实施例中，OPC后图案或经修改的OPC后图案包括：与所述目标特征相对应的主要特征，和可选地位于所述主要特征周围的至少一个辅助特征。
在实施例中，当使用所述经修改的输入图案时，在所述经训练的机器学习模型的第二次或后续执行中不修改所述至少一个辅助特征。
在实施例中，所提取的多边形包括与所述主要特征以及可选地所述至少一个辅助特征相关联的多边形。
在实施例中，所述目标图案、所述OPC后图案、和/或经修改的OPC后图案是像素化灰度图像。
在实施例中，所述过程模型是显影后过程模型，并且所述模拟图案显影后图像。
在实施例中，所述过程模型是抗蚀剂模型，且所述模拟图案是抗蚀剂图案。
在实施例中，一种非暂时性计算机可读介质包括当由一个或更多个处理器执行时引起包括以下的操作的指令：获得训练数据集，所述训练数据集包括(i)与待印制于衬底上的目标图案相关联的受扰动目标图案的集合，和(ii)参考图案的集合，每个参考图案与受扰动目标图案的集合中的特定受扰动目标图案相关联；以及使用所述训练数据集来训练所述机器学习模型以产生OPC后图案，使得所述模型产生的OPC后图案被调适/定制以与参考图案的集合中的特定参考图案相匹配。
在实施例中，获得所述训练数据集包括：经由使用所述目标图案作为输入而执行OPC过程来产生参考图案，所述参考图案是包括与所述目标图案的目标特征相对应的主要特征的OPC后图案；扰动所述目标图案的至少一部分以产生多个受扰动目标图案；以及经由使用多个受扰动目标图案作为输入而执行OPC过程来产生多个参考图案。
在实施例中，对所述机器学习模型的训练是迭代过程，每次迭代包括：使用受扰动图案的集合中的受扰动目标图案作为输入来执行所述机器学习模型以产生OPC后图案；确定与所述受扰动目标图案相关联的参考图案集合中的参考图案与模型产生的OPC后图案之间的差异；以及基于所述差异来修改所述机器学习模型的参数，使得所述差异被减小或被最小化。
在实施例中，所述机器学习模型是卷积神经网络(CNN)，并且参数是CNN的一个或更多个权重。
在实施例中，模型产生的OPC后图案与特定参考图案之间的匹配度是相同的。
在实施例中，作为光学邻近效应校正后(OPC后)图案的每个参考图案包括相同的辅助特征。
在实施例中，获得所述训练数据集还包括：从所述参考图案提取所述至少一个辅助特征；并且经由使用所述多个受扰动目标图案作为输入而执行OPC过程且使所提取的辅助特征保持固定来产生所述多个参考图案，其中所述多个参考图案中的每个参考图案具有所提取的辅助特征。
应注意，术语“掩模”、“掩模版”、“图案形成装置”在此处是可以相互通用的。另外，本领域技术人员将认识到，尤其是在光刻术模拟/优化的情形中，术语“掩模”/“图案形成装置”和“设计布局”可以相互通用，这是因为在光刻术模拟/优化中，物理图案形成装置不是必须使用的，而是可以用设计布局来代表物理图案形成装置。对于在一些设计布局上出现的小的特征尺寸和高的特征密度，给定特征的特定边缘的位置在一定程度上将受其它邻近特征的存在或不存在的影响。这些邻近效应由于从一个特征耦合至另一特征的微小量的光而产生和/或由非几何光学效应(诸如衍射和干涉)产生。类似地，邻近效应可能由在通常在光刻术之后的曝光后焙烤(PEB)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应产生。
为了确保设计布局的投影图像是根据给定目标电路设计的要求，需要使用设计布局的复杂数值模型、校正或预失真来预测和补偿邻近效应。论文“Full-Chip LithographySimulation and Design Analysis-how OPC Is Changing IC Design”(C.Spence，Proc.SPIE，第5751卷，第1至14页(2005年))提供当前“基于模型”的光学邻近效应校正过程的综述。在典型的高端设计中，设计布局的几乎每个特征都具有某种修改，以便实现投影图像至目标设计的高保真度。这些修改可以包括边缘位置或线宽的偏移或偏置以及预期辅助其它特征的投影的“辅助”特征的应用。
在芯片设计中通常存在数百万个特征的情况下，将基于模型的OPC应用至目标设计涉及到良好的过程模型和相当大的计算资源。然而，应用OPC通常不是“精确的科学”，而是并不总是补偿所有可能邻近效应的经验迭代过程。因此，需要通过例如使用校准的数值过程模型的密集型全芯片模拟的设计检查来验证OPC的效应，例如在应用OPC和任何其它RET之后的设计布局，以便最小化将设计瑕疵构建于图案形成装置图案中的可能性。这是通过如下各项来驱动的：制造高端图案形成装置的巨大成本，其在数百万美元的范围内；和对周转时间的影响，其是因返工或修复实际图案形成装置(一旦它们已被制造)而引起的。
OPC和全芯片RET验证两者可以基于数值建模系统和方法，正如描述于例如以全文引用的方式并入本文中的美国专利申请号10/815,573和Y.Cao等人的题为“OptimizedHardware and Software For Fast,Full Chip Simulation”的论文(Proc.SPIE，第5754卷，405(2005年))中。
一种RET与设计布局的全局偏差的调节有关。全局偏差为设计布局中的图案与打算印制在衬底上的图案的差异。例如，25nm直径的圆形图案可以通过设计布局中的50nm直径的图案印制到衬底上，或者通过设计布局中20nm直径的图案而用大剂量印制到衬底上。
除了对设计布局或图案形成装置(例如OPC)的优化之外，照射源也可以被优化，或者与图案形成装置优化一起进行优化或单独地进行优化，致力于改善整体的光刻保真度。在本文中术语“照射源”和“源”可以相互通用。自20世纪90年代起，已经引入了许多离轴照射源(诸如环形的、四极以及双极的)，并且为OPC设计提供了更大的自由度，从而改善了成像结果。已知，离轴照射是一种分辨包含在图案形成装置中的精细结构(即目标特征)的经证实的方式。然而，在与传统的照射源相比较时，离轴照射源通常为空间图像(AI)提供较低的光强度。因此，需要试图优化照射源，以在更精细的分辨率和降低的光强度之间获得优化的平衡。
例如，在Rosenbluth等题目为“Optimum Mask and Source Patterns to PrintAGiven Shape”，Journal of Microlithography，Microfabrication，Microsystems 1(1)，pp.13-20，(2002)的文章中，可以发现诸多的照射源优化方法。所述源被细分成多个区域，每一区域对应于光瞳光谱的特定区域。之后，假定源分布在每一源区域中是均匀的，且对于过程窗口优化每一区域的亮度。然而，这样的假定“源分布在每一源区域中是均匀的”不总是有效的，因此这一方法的有效性受到影响。在Granik的题目为“Source OptimizationforImage Fidelity and Throughput”，Journal of Microlithography，Microfabrication，Microsystems 3(4)，pp.509-522，(2004)的文章中阐述的另一例子中，综述了几个现有的源优化方法，提出了基于照射器像素的方法，该方法将源优化问题转换成一系列非负的最小二乘优化。虽然这些方法已经证实了一些成功，但是它们典型地需要多个复杂的迭代以收敛。另外，可能难以为一些额外的参数(诸如在Granik方法中的γ)确定适合的值/优化的值，这些额外的参数规定了在为衬底图像保真度对源进行的优化和源的平滑度要求之间的折衷。
对于低k1光刻术，对源和图案形成装置的优化对于确保用于临界电路图案的投影的可行的过程窗口是非常有用的。一些算法(例如，Socha等人的Proc.SPIE，第5853卷，2005年，第180页)使得照射离散成独立的源点和使掩模离散成空间频率域中的衍射级，和基于过程窗口度量(诸如曝光宽容度)独立地用公式表达成本函数(其被定义为所选择的设计变量的函数)，所述过程窗口度量可以通过光学成像模型由源点强度和图案形成装置衍射级进行预测。此处使用的术语“设计变量”包括光刻投影设备或光刻过程的一组参数，例如光刻投影设备的使用者可以调节的参数，或用户可以通过调整那些参数来加以调整的图像特性。应当认识到，光刻投影设备的任何特性(包括源、图案形成装置、投影光学元件和/或抗蚀剂特性中的这些特性)在优化中可以在设计变量之中。成本函数通常是设计变量的非线性函数。之后标准优化技术用于最小化成本函数。
相关地，不断减小的设计规则的压力已经驱动半导体芯片制造者更深地进入到具有已有的193nm ArF光刻术的低k1光刻术时代。朝向较低的k1的光刻术对分辨率增强技术(RET)、曝光工具以及光刻友好设计的需要提出了很高的要求。在将来可能使用1.35ArF的超高数值孔径(NA)曝光工具。为了帮助确保可以用可工作的过程窗口来将所述电路设计印制到衬底上，源-图案形成装置优化(本文称作源-掩模优化或SMO)成为了对于2x nm节点所需要的重要的RET。
源和图案形成装置(设计布局)优化方法和系统允许使用成本函数没有约束地且在实际可行的时间量内同时优化源和图案形成装置，其在共同转让的于2009年11月20日申请的国际专利申请No.PCT/US2009/065359、并且公开号为WO2010/059954的题目为“FastFreeform Source and Mask Co-Optimization Method”中进行了描述，通过引用将其全部内容并入本文中。
另一种源和掩模优化方法和系统涉及通过调节源像素来优化所述源，其在共同转让的于2010年6月10日申请的美国专利申请No.12/813456、并且美国专利申请公开号为2010/0315614的题目为“Source-Mask Optimization in LithographicApparatus”中进行了描述，通过引用将其全部内容并入本文中。
在光刻投影设备中，作为示例，将成本函数被表达为：
Figure BDA0003793200030000291
其中(z1,z2,…,zN)是N个设计变量或其值。fp(z1,z2,…,zN)可以是设计变量(z1,z2,…,zN)的函数，诸如(z1,z2,…,zN)的设计变量的值集合的评估点处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。可以向比其它评估点或图案更临界的评估点或图案指派较高wp值。也可以向具有较大出现次数的图案和/或评估点指派较高wp值。评估点的示例可以是衬底上的任何实体点或图案、虚拟设计布局上的任何点，或抗蚀剂图像，或空间图像，或其组合。fp(z1,z2,…,zN)也可以是诸如LWR之类的一个或更多个随机效应的函数，所述一个或更多个随机效应是设计变量(z1,z2,…,zN)的函数。成本函数可以表示光刻投影设备或衬底的任何合适的特性，例如特征的失效率、焦距、CD、图像移位、图像变形、图像旋转、随机效应、吞吐量、CDU或其组合。CDU是局部CD变化(例如，局部CD分布的标准差的三倍)。CDU可以被互换地称作LCDU。在一个实施例中，成本函数表示CDU、吞吐量和随机效应(即，为CDU、吞吐量和随机效应的函数)。在一个实施例中，成本函数表示EPE、吞吐量和随机效应(即，是EPE、吞吐量和随机效应的函数)。在一个实施例中，设计变量(z1,z2,...,zN)包括剂量、图案形成装置的全局偏差、来自源的照射的形状，或其组合。由于抗蚀剂图像常常规定衬底上的电路图案，因此成本函数常常包括表示抗蚀剂图像的一些特性的函数。例如，这种评估点的fp(z1,z2,...,zN)可以仅仅是抗蚀剂图像中的点与该点的预期位置之间的距离(即，边缘放置误差EPEp(z1,z2,...,zN))。设计变量可以是任何可调整参数，诸如，源、图案形成装置、投影光学器件、剂量、焦距等的可调整参数。投影光学器件可以包括被共同地称为“波前操控器”的部件，其可以用于调整照射束的波前和强度分布和/或相移的形状。投影光学器件优选地可以调整沿光刻投影设备的光学路径的任何部位处(诸如，在图案形成装置之前、在光瞳平面附近、在像平面附近、在焦平面附近)的波前和强度分布。投影光学器件可以用于校正或补偿由(例如)源、图案形成装置、光刻投影设备中的温度变化、光刻投影设备的部件的热膨胀造成的波前和强度分布的某些变形。调整波前和强度分布可以改变评估点和成本函数的值。可以从模型模拟这些变化或实际上测量这些变化。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。
应注意，fp(z1,z2,...,zN)的正常加权均方根(RMS)被定义为
Figure BDA0003793200030000301
因此，最小化fp(z1,z2,...,zN)的加权RMS等效于最小化方程式1中所定义的成本函数
Figure BDA0003793200030000311
因而，出于本文中的记法简单起见，可以互换地利用方程式1和fp(z1,z2,...,zN)的加权RMS。
另外，如果考虑最大化过程窗(PW)，则可以将来自不同PW条件的同一实体部位视为(方程式1)中的成本函数的不同评估点。例如，如果考虑N个PW条件，则可以根据评估点的PW条件来对所述评估点进行分类且将成本函数书写为：
Figure BDA0003793200030000312
其中在第u个PW条件u＝1,...,U下，fpu(z1,z2,...,zN)是fp(z1,z2,...,zN)的值。当fp(z1,z2,...,zN)为EPE时，则最小化以上成本函数等效于最小化在各种PW条件下的边缘移位，因而，这种情形导致最大化PW。具体地，如果PW也由不同掩模偏差组成，则最小化以上成本函数也包括最小化掩模误差增强因子(MEEF)，所述掩模误差增强因子被定义为衬底EPE与所引发的掩模边缘偏差之间的比率。
设计变量可以具有约束，所述约束可以被表达为(z1,z2,...,zN)∈Z，其中Z是设计变量的可能值的集合。可以通过光刻投影设备的期望的吞吐量来强加对设计变量的一个可能约束。期望的吞吐量可能限制剂量，并且因而具有针对随机效应的影响(例如，对随机效应强加下限)。较高吞吐量通常导致较低剂量、较短较长曝光时间和较大随机效应。衬底吞吐量、和随机效应的最小化的考虑可以约束设计变量的可能值，这是因为随机效应是设计变量的函数。在没有由期望的吞吐量而强加的这种约束的情况下，所述优化可能得到不切实际的设计变量的值集合。例如，如果剂量是在设计变量当中，则在没有这种约束的情况下，所述优化可能得到使吞吐量经济上不可能的剂量值。然而，约束的有用性不应解释为必要性。吞吐量可能受到对图案化过程的参数的以失效率为基础的调整的影响。期望在维持高吞吐量的同时具有特征的较低失效率。吞吐量也可能受到抗蚀剂化学性质的影响。较慢抗蚀剂(例如需要用以适当地曝光的较高量的光的抗蚀剂)导致较低吞吐量。因此，基于涉及由于抗蚀剂化学性质或波动所引起的特征的失效率、以及针对较高吞吐量的剂量要求的优化过程，可以确定所述图案化过程的适当参数。
因此，所述优化过程是在约束(z1,z2,…,zN)∈Z下找到使得成本函数最小化的设计变量的值集合，即，找到：
Figure BDA0003793200030000321
图10中图示了根据实施例的优化所述光刻投影设备的一般方法。这种方法包括定义多个设计变量的多变量成本函数的步骤S1202。设计变量可以包括选自照射源的特性(1200A)(例如，光瞳填充比率，即，源的辐射的穿过光瞳或孔阑的百分比)、投影光学器件的特性(1200B)和设计布局的特性(1200C)的任何合适的组合。例如，设计变量可以包括照射源的特性(1200A)和设计布局的特性(1200C)(例如，全局偏差)，但不包括投影光学器件的特性(1200B)，这种情形导致SMO。替代地，设计变量可以包括照射源的特性(1200A)、投影光学器件的特性(1200B)和设计布局的特性(1200C)，这种情形导致源-掩模-透镜优化(SMLO)。在步骤S1204中，同时地调整设计变量，使得成本函数朝向收敛移动。在步骤S1206中，确定是否满足预定义终止条件。预定终止条件可以包括各种可能性，即，成本函数可以被最小化或最大化(如由所使用的数值技术所需要的)、成本函数的值已等于阈值或已超越阈值、成本函数的值已达到预设误差限内，或达到预设迭代次数。如果满足步骤S1206中的条件中的任一个，则所述方法结束。如果都没有满足步骤S1206中的条件中的任一个，则迭代地重复步骤S1204和S1206直到获得期望的结果为止。优化不必导致用于设计变量的单个值集合，这是因为可以存在由诸如失效率、光瞳填充因子、抗蚀剂化学性质、吞吐量等等的因素造成的物理抑制。所述优化可以提供用于设计变量和相关联性能特性(例如，吞吐量)的多个值集合，并且允许光刻设备的使用者选取一个或更多个集合。
在光刻投影设备中，可以交替地优化源、图案形成装置和投影光学器件(被称作交替优化)，或可以同时地优化源、图案形成装置和投影光学器件(被称作同时优化)。如本文中所使用的术语“同时的”、“同时地”、“联合的”和“联合地”意味着源、图案形成装置、投影光学器件的特性的设计变量和/或任何其它设计变量被允许同时改变。如本文中所使用的术语“交替的”和“交替地”意味着不是所有设计变量都被允许同时改变。
在图11中，同时地执行所有设计变量的优化。这种流程可以被称为同时流程或共同优化流程。替代地，交替地执行所有设计变量的优化，如图11中所图示。在这样的流程中，在每个步骤中，使一些设计变量固定，而优化其它设计变量以最小化成本函数；接着，在下一步骤中，使不同变量集合固定，而同时优化其它变量集合以最小化成本函数。交替地执行这些步骤直到符合收敛或某些终止条件为止。
如图11的非限制性示例流程图中示出的，首先，获得设计布局(步骤S1302)，接着，在步骤S1304中执行源优化的步骤，其中优化了照射源(SO)的所有设计变量以最小化成本函数，而使所有其它设计变量固定。接着在下一步骤S1306中，执行掩模优化(MO)，其中优化所述图案形成装置的所有设计变量以最小化成本函数，同时使所有其它设计变量固定。交替地执行这种两个步骤，直到在步骤S1308中符合某些终止条件为止。可以使用各种终止条件，诸如，成本函数的值变得等于阈值、成本函数的值跨超越阈值、成本函数的值达到预设误差极内，或达到预设迭代次数，等等。应注意，SO-MO交替优化是用作所述替代流程的示例。所述替代流程可以采取许多不同的形式，诸如：SO-LO-MO交替优化，其中交替地且迭代地执行SO、LO(透镜优化)和MO；或可以执行第一SMO一次，接着交替地且迭代地执行LO和MO；等等。最后，在步骤S1310中获得优化结果的输出，并且过程停止。
如之前所论述的图案选择算法可以与同时或交替优化集成。例如，当采用交替优化时，首先可以执行全芯片SO，识别“热点”和/或“温点”，接着执行MO。鉴于本公开，次优化的众多排列和组合是可能的，以便实现期望的优化结果。
图12A示出一种示例性优化方法，其中最小化成本函数。在步骤S502中，获得设计变量的初始值，包括设计变量的调谐范围(如果存在)。在步骤S504中，设置多变量成本函数。在步骤S506中，在围绕用于第一迭代步骤(i＝0)的设计变量的起点值的足够小的邻域内展开成本函数。在步骤S508中，应用标准多变量优化技术以最小化成本函数。应注意，优化问题可以在S508中的优化过程期间或在优化过程中的后期施加约束，诸如调谐范围。步骤S520指示出针对用于已被选择用于对所述光刻过程进行优化的所识别的评估点的给定测试图案(也被称为“量规”)进行每次迭代。在步骤S510中，预测光刻响应。在步骤S512中，将步骤S510的结果与步骤S522中获得的期望的或理想的光刻响应值进行比较。如果在步骤S514中满足终止条件，即，优化产生足够接近于期望的值的光刻响应值，则在步骤S518中输出设计变量的最终值。输出步骤也可以包括使用设计变量的最终值来输出其它函数，诸如，输出光瞳平面(或其它平面)处的波前像差调整的映射、经优化的源映射，和经优化的设计布局等等。如果没有满足终止条件，则在步骤S516中，利用第i次迭代的结果来更新设计变量的值，并且过程返回至步骤S506。下文详细地阐述图12A的过程。
在示例性优化过程中，没有假定或近似所述设计变量(z1,z2,...,zN)与fp(z1,z2,...,zN)之间的关系，除了fp(z1,z2,...,zN)足够平滑(例如，存在一阶导数
Figure BDA0003793200030000341
之外，其通常在光刻投影设备中有效。可以应用诸如高斯-牛顿(Gauss-Newton)算法、列文伯格-马夸特(Levenberg-Marquardt)算法、梯度下降算法、模拟退火、遗传算法之类的算法以找到
Figure BDA0003793200030000342
这里，将高斯-牛顿算法用作示例。高斯-牛顿算法是适用于一般非线性多变量优化问题的迭代方法。在设计变量(z1,z2,…,zN)取值(z1i,z2i,...,zNi)的第i次迭代中，高斯-牛顿算法在(z1i,z2i,...,zNi)的邻域中线性化fp(z1,z2,...,zN)，并且接着计算(z1i,z2i,...,zNi)的邻域中的给出最小CF(z1,z2,...,zN)的值(z1(i+1),z2(i+1),...,zN(i+1)))。设计变量(z1,z2,...,zN)在第(i+1)次迭代中取值((z1(i+1),z2(i+1),...,zN(i+1)))。这种迭代继续直到收敛(即，CF(z1,z2,...,zN))不再减小)或达到预设迭代次数为止。
特别地，在第i次迭代中，在(z1i,z2i,...,zNi)的邻域中，
Figure BDA0003793200030000351
在方程式3的近似的情况下，成本函数变为：
Figure BDA0003793200030000352
其是设计变量(z1,z2,...,zN)的二次函数。除设计变量(z1,z2,...,zN)外，各项是常数。
如果设计变量(z1,z2,...,zN)不处于任何约束下，则(z1(i+1),z2(i+1),…,zN(i+1)))可以通过对N个线性方程式进行求解而导出：
Figure BDA0003793200030000353
其中n＝1,2,…N。
如果设计变量(z1,z2,…,zN)是在呈J个不等式(例如，(z1,z2,…,zN)的调谐范围)的约束下
Figure BDA0003793200030000354
其中j＝1,2,…J)；并且在K个方程式(例如，设计变量之间的相互依赖性)的约束下
Figure BDA0003793200030000361
其中k＝1,2,…K)；则优化过程变为经典二次规划问题，其中Anj、Bj、Cnk、Dk为常数。可以针对每次迭代来强加额外约束。例如，可以引入“阻尼因子”ΔD以限制(z1(i+1),z2(i+1),…,zN(i+1))与(z1i,z2i,…,zNi)之间的差，使得方程式3的近似成立。这样的约束可以表达为zni-ΔD≤zn≤zni+ΔD。可以使用例如Jorge Nocedal和StephenJ.Wright(柏林-纽约：范登伯格，剑桥大学出版社)的Numerical Optimization(第2版)中所描述的方法来导出(z1(i+1),z2(i+1),…,zN(i+1)))。
代替使得fp(z1,z2,…,zN)的RMS最小化，所述优化过程可以将评估点当中的最大偏差(最差缺陷)的量值最小化至它们的预期值。在这样的方法中，可替代地将成本函数表达为：
Figure BDA0003793200030000362
其中CLp是针对fp(z1,z2,…,zN)的最大允许值。这种成本函数表示评估点当中的最差缺陷。使用这种成本函数的优化会最小化最差缺陷的量值。迭代贪婪算法可以用于这种优化。
方程式5的成本函数可以被近似为：
Figure BDA0003793200030000363
其中q是偶数正整数，诸如至少4，优选地为至少10。方程式6模仿方程式5的行为，同时允许通过使用诸如最深下降方法、共轭梯度方法等等的方法来以分析方式执行优化且使优化加速。
最小化最差缺陷大小也可以与fp(z1,z2,…,zN)的线性化组合。具体地，如在方程式3中那样，近似fp(z1,z2,…,zN)。接着，将对于最差缺陷大小的约束书写为不等式ELp≤fp(z1,z2,…,zN)≤EUp，其中ELp和EUp是指定fp(z1,z2,…,zN)的最小和最大允许偏差的两个常数。插入方程式3，将这些约束转变为如下方程式：(其中p＝1,...P)，
Figure BDA0003793200030000371
和
Figure BDA0003793200030000372
因为方程式3通常仅在(z1i,z2i,…,zNi)的邻域中有效，所以在这种邻域中不能实现期望的约束ELp≤fp(z1,z2,…,zN)≤EUp(其可以由所述不等式当中的任何冲突来确定)的情况下，则可以放宽常数ELp和EUp直到可实现所述约束为止。这种优化过程最小化(z1i,z2i,...,zNi)邻域中的最差缺陷大小。接着，每个步骤逐步地减小最差缺陷大小，并且迭代地执行每个步骤直到符合某些终止条件为止。这种情形将导致最差缺陷大小的最佳减小。
用于最小化最差缺陷的另一方式在每次迭代中调整权重wp。例如，在第i次迭代之后，如果第r个评估点是最差缺陷，则可以在第(i+1)次迭代中增加wr，使得所述评估点的缺陷大小的减小被给予较高优先级。
另外，可以通过引入拉格朗日(Lagrange)乘数来修改方程式4和方程式5中的成本函数，以实现对缺陷大小的RMS的优化与对最差缺陷大小的优化之间的折衷，即，
Figure BDA0003793200030000373
Figure BDA0003793200030000381
其中λ是指定对缺陷大小的RMS的优化与对最差缺陷大小的优化之间的折衷的预设常数。具体地，如果λ＝0，则这种方程式变为方程式4，并且仅最小化所述缺陷大小的RMS；而如果λ＝1，则这种方程式变为方程式5，并且仅最小化所述最差缺陷大小；如果0＜λ＜1，则在优化中考虑以上两种情况。可以使用多种方法来解决这种优化。例如，类似于先前所描述的方法，可以调整每次迭代中的加权。替代地，类似于从不等式最小化所述最差缺陷大小，方程式6'和6”的不等式可以被视为在二次规划问题的求解期间的设计变量的约束。接着，可以递增地放宽对最差缺陷大小的界限，或递增地增加用于最差缺陷大小的权重、计算用于每个可实现的最差缺陷大小的成本函数值，并且选择使得总体成本函数最小化的设计变量值作为用于下一步骤的初始点。通过迭代地进行这种操作，可以实现这种新成本函数的最小化。
优化光刻投影设备可以扩展过程窗。较大过程窗在过程设计和芯片设计方面提供更多灵活性。过程窗可以被定义为使抗蚀剂图像在抗蚀剂图像的设计目标的某一极限内的焦距和剂量值的集合。应注意，这里所论述的所有方法也可以扩展至可以通过除了曝光剂量和散焦以外的不同或额外的基参数而建立的广义过程窗定义。这些基参数可以包括(但不限于)诸如NA、均方偏差、像差、偏振或抗蚀剂层的光学常数之类的光学设置。例如，如早先所描述的，如果PW也由不同掩模偏差组成，则所述优化包括掩模误差增强因子(MEEF)的最小化，所述掩模误差增强因子被定义为衬底EPE与所引发的掩模边缘偏差之间的比率。对焦距和剂量值所定义的过程窗在本公开中仅用作示例。下文描述根据示例的最大化所述过程窗的方法。
在第一步骤中，从过程窗中的已知条件(f0,ε0)开始(其中f0是名义焦距，并且ε0是名义剂量)，最小化在领域(f0±Δf,ε0±Δε)中的下方的成本函数中的一个：
Figure BDA0003793200030000382
Figure BDA0003793200030000391
或
Figure BDA0003793200030000392
或
Figure BDA0003793200030000393
如果允许名义焦距f0和名义剂量ε0移位，则它们可以与设计变量(z1,z2,…,zN)联合地优化。在下一步骤中，如果可以找到(z1,z2,…,zN,f,ε)的值集合，则接受(f0±Δf,ε0±Δε)作为过程窗的部分，使得成本函数是在预设极限内。
替代地，如果不允许焦距和剂量发生移位，则在焦距和剂量固定于名义焦距f0和名义剂量ε0的情况下优化所述设计变量(z1,z2,…,zN)。在替代性实施例中，如果可以找到(z1,z2,...,zN)的值集合，则接受(f0±Δf,ε0±Δε)作为过程窗的部分，使得成本函数是在预设极限内。
本文中前文所描述的方法可以用于最小化方程式7、7'或7”的相应成本函数。如果设计变量是投影光学器件的特性，诸如泽尼克系数，则最小化方程式7、7'或7”的成本函数导致基于投影光学器件优化(即LO)的过程窗最大化。如果所述设计变量是除了投影光学器件的特性以外的源和图案形成装置的特性，则最小化方程式7、7'或7”的成本函数会导致基于SMLO的过程窗最大化，如图11中所图示的。如果设计变量是源和图案形成装置的特性，则最小化方程式7、7'或7”的成本函数会导致基于SMO的过程窗最大化。方程式7、7'或7”的成本函数也可以包括至少一个fp(z1,z2,…,zN)，诸如在方程式7或方程式8中的fp(z1,z2,…,zN)，其是诸如2D特征的LWR或局部CD变化以及吞吐量之类的一个或更多个随机效应的函数
图13示出同时SMLO过程可以如何将高斯-牛顿算法用于优化的一个特定示例。在步骤S702中，识别设计变量的起始值。也可以识别针对每个变量的调谐范围。在步骤S704中，使用设计变量来定义成本函数。在步骤S706中，围绕用于设计布局中的所有评估点的起始值来展开成本函数。在可选的步骤S710中，执行全芯片模拟以覆盖全芯片设计布局中的所有临界图案。在步骤S714中获得期望的光刻响应指标(诸如，CD或EPE)，并且在步骤S712中比较期望的光刻响应指标与那些量的预测值。在步骤S716中，确定过程窗。步骤S718、S720和S722类似于如关于图12A所描述的对应的步骤S514、S516和S518。如之前所提及的，最终输出可以是光瞳平面中的波前像差映射，其被优化以产生期望的成像性能。最终输出也可以是经优化的源映射和/或经优化的设计布局。
图12B示出用以最佳化成本函数的示例性方法，其中设计变量(z1,z2,...,zN)包括可以仅取离散值的设计变量。
所述方法通过限定照射源的像素组和图案形成装置的图案形成装置图案块来开始(步骤S802)。通常，像素组或图案形成装置图案块也可以被称作光刻过程部件的划分部。在一个示例性方法中，将照射源划分成117个像素组，并且针对所述图案形成装置限定94个图案形成装置图案块(大致如上文所描述的)，从而引起总共211个划分部。
在步骤S804中，选择光刻模型作为用于光刻模拟的基础。光刻模拟产生用于计算光刻指标或响应的结果。将特定光刻指标限定为待优化的性能指标(步骤S806)。在步骤S808中，设置用于照射源和图案形成装置的初始(预优化)条件。初始条件包括针对照射源的像素组和图案形成装置的图案形成装置图案块的初始状态，使得可以参考初始照射形状和初始图案形成装置图案。初始条件也可以包括掩模偏差、NA，和聚焦斜坡范围(或聚焦渐变范围)。虽然步骤S802、S804、S806和S808被描绘为连续步骤，但应了解，在本发明的其它实施例中，可以按照其它顺序执行这些步骤。
在步骤S810中，对像素组和图案形成装置图案块进行排序。可以使像素组和图案形成装置图案块在排序中交错。可以使用各种排序方式，包括：连续地(例如，从像素组1至像素组117和从图案形成装置图案块1至图案形成装置图案块94)、随机地、根据所述像素组和图案形成装置图案块的实体部位(例如，将与照射源的中心较接近的像素组排序较高)，和根据所述像素组或图案形成装置图案块的变更如何影响性能指标。
一旦对像素组和图案形成装置图案块排序，则调整照射源和图案形成装置以改善性能指标(步骤S812)。在步骤S812中，按排序次序来分析像素组和图案形成装置图案块中的每个，以确定像素组或图案形成装置图案块的改变是否将导致改善的性能指标。如果确定所述性能指标将被改善，则相应地变更像素组或图案形成装置图案块，并且得到的改善的性能指标和经修改的照射形状或经修改的图案形成装置图案形成用于比较的基线，以用于后续分析较低排序的像素组和图案形成装置图案块。换句话说，保持了改善性能指标的变更。随着进行和保持对像素组和图案形成装置图案块的状态的变更，则初始照射形状和初始图案形成装置图案相应地改变，使得经修改的照射形状和经修改的图案形成装置图案由步骤S812中的优化过程引起。
在其它方法中，也在S812的优化过程内执行像素组和/或图案形成装置图案块的图案形成装置多边形形状调整和成对轮询。
在替代实施例中，交错式同时优化工序可以包括变更照射源的像素组，并且在若发现性能指标的改善的情况下，逐步升高和降低剂量以寻找进一步改善。在另一替代方案中，可以通过由图案形成装置图案的偏差改变来替换剂量或强度的逐步升高和降低，以寻找同时优化工序的进一步改善。
在步骤S814中，确定性能指标是否已收敛。例如，如果在步骤S810和S812的最后若干次迭代中已见证性能指标的几乎没有改进或没有改善，则性能指标可以被认为已收敛。如果性能指标尚未收敛，则在下次迭代中重复步骤S810和S812，其中来自当前迭代的经修改的照射形状和经修改的图案形成装置被用作用于下次迭代的初始照射形状和初始图案形成装置(步骤S816)。
上文所描述的优化方法可以用于增加光刻投影设备的吞吐量。例如，成本函数可以包括作为曝光时间的函数的fp(z1,z2,…,zN)。这种成本函数的优化优选地受到随机效应或其它指标的测量的约束或影响。具体地，用于增加光刻过程的吞吐量的计算机实施方法可以包括优化作为光刻过程的一个或更多个随机效应的函数且作为衬底的曝光时间的函数的成本函数，以便最小化曝光时间。
在一个实施例中，成本函数包括作为一个或更多个随机效应的函数的至少一个fp(z1,z2,…,zN)。随机效应可以包括特征的失效、如在图3的方法中所确定的测量数据(例如SEPE)、2D特征的LWR或局部CD变化。在一个实施例中，随机效应包括抗蚀剂图像的特征的随机变化。例如，这些随机变化可以包括特性的失效率、线边缘粗糙度(LER)、线宽粗糙度(LWR)和临界尺寸均一性(CDU)。在成本函数中包括随机变异会允许找到使得随机变化最小化的设计变量的值，由此减小由于随机效应而引起的缺陷的风险。
图14为图示计算机系统100的方块图，其可以辅助执行本文公开的优化方法和流程。计算机系统100包括：总线102或用于信息通信的其它通信机制；和与总线102联接的用于处理信息的处理器104(或多个处理器104和105)。计算机系统100还包括主存储器106(诸如随机存取存储器(RAM)或其它动态储存装置)，所述主存储器106联接至总线102用于储存被处理器104执行的信息和指令。主存储器106还可以用于在由处理器104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100还包括被联接至总线102的只读存储器(ROM)108或其它静态储存装置，其用于存储用于处理器104的静态信息和指令。存储装置110(诸如磁盘或光盘)被提供并联接至总线102，用于存储信息和指令。
计算机系统100可以经由总线102联接至显示器112(诸如阴极射线管(CRT)或平板或触摸面板显示器)，用于给计算机使用者显示信息。输入装置114(包括字母数字键和其它键)联接至总线102用于将信息和命令选择与处理器104通信。另一类型的使用者输入装置是光标控制器116(诸如鼠标、轨迹球、或光标方向键)，用于将方向信息和命令选择与处理器104通信和用于控制显示器112上的光标移动。这一输入装置典型地在两个轴线(第一轴线(例如x)和第二轴线(例如y))上具有两个自由度，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。
根据本发明的一个实施例，优化过程的部分可以由计算机系统100响应于用于执行包含在主储存器106中的一个或更多的指令的一个或更多的序列的处理器104而被执行。这样的指令可以被从另一计算机可读介质(诸如储存装置110)读取到主储存器106中。包含在主存储器106中的指令的序列的执行使得处理器104执行此处描述的方法步骤。在多处理布置中的一个或更多的处理器也可以被用于执行包含在主存储器106中的指令的序列。在可替代的实施例中，硬接线电路可以用于替代软件指令或与软件指令结合。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。
如此处使用的术语“计算机可读介质”表示参与为了执行而提供指令至处理器104的任何介质。这样的介质可以采用许多形式，包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘，诸如储存装置110。易失性介质包括动态存储器，诸如主存储器106。传输介质包括同轴电缆、铜导线和光纤，包含包括总线102的导线。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这些声波或光波。计算机可读介质的通常形式包括例如软盘、软碟(flexible disk)、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、任何具有孔图案的其它物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡带、如下文描述的载波或计算机可以读取的任何其它介质。
各种形式的计算机可读介质可能涉及将一个或更多的指令的一个或更多的序列传送至处理器104，用于执行。例如，指令可以最初出现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且使用调制解调器在电话线上发送所述指令。在计算机系统100本地的调制解调器可以接收电话线上的数据，且使用红外发送器将数据转换成红外信号。联接至总线102的红外探测器可以接收在红外信号中携带的数据和将数据置于总线102上。总线102将数据传送至主存储器106，处理器104从主存储器106获取和执行指令。由主存储器106接收的指令可以可选择地在处理器104的执行之前或之后被储存在储存装置110上。
计算机系统100也可优选地包括联接至总线102的通信接口118。通信接口118提供联接至网络链路120的双向数据通信，该网络链路120连接至本地网络122。例如，通信接口118可以是综合业务数字网(ISDN)卡或调制解调器，用于提供数据通信连接至对应类型的电话线。作为另一例子，通信接口118可以是局域网(LAN)卡，以提供数据通信连接至兼容的LAN。无线链路也可以被实现。在任何这样的实施方式中，通信接口118发送和接收电、电磁或光信号，其携带表示各种类型的信息的数字数据流。
典型地，网络链路120通过一个或更多的网络将数据通信提供至其它数据装置。例如，网络链路120可以通过本地网络122提供连接至主机124或由网络服务商(ISP)126操作的数据设备。ISP126又通过全球分组数据通信网络(现在被通常称为“互联网”)128提供数据通信服务。本地网络122和互联网128都使用携带数字数据流的电、电磁或光信号。通过各种网络的信号和网络链路120上和通过通信接口118的信号将数字数据传送至计算机系统100和从计算机系统100传送回，其是用于运送信息的载波的示例性形式。
计算机系统100可以通过网络、网络链路120和通信接口118发送信息和接收数据，包括程序码。在互联网的例子中，服务器130可以通过互联网128、ISP126、局域网122和通信接口118为应用程序发送请求码。一个这样的被下载的应用程序可提供用于例如实施例的照射优化。在它在储存装置110或用于之后的执行的其它非易失性储存器中被接收和/或储存时，接收码可以被处理器104执行。如此，计算机系统100可以获得成载波形式的应用码。
图15示意性地描述了一种示例性光刻投影设备，其照射源可利用本文所描述的方法进行优化。所述设备包括：
-照射系统IL，其用于调节辐射束B。在此特定情况下，照射系统也包括辐射源SO；
-第一载物台(例如掩模台)MT，其具备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，并且连接到用于相对于装置PS来准确地定位该图案形成装置的第一定位器；
-第二载物台(衬底台)WT，其具备用于保持衬底W(例如涂覆有抗蚀剂的硅晶片)的衬底保持器，并且连接到用于相对于装置PS来准确地定位该衬底的第二定位器；
-投影系统(“透镜”)PS(例如折射型、反射型或反射折射型光学系统)，其用于将图案形成装置MA的被照射部分成像到衬底W的目标部分C(例如包括一个或多个管芯)上。
如本发明中所描绘的，该设备属于透射类型(即，具有透射型掩模)。然而，通常，其也可以属于反射类型，例如(具有反射型掩模)。替代地，所述设备可以作为使用经典掩模的替代方案来使用另一种类的图案形成装置；示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如汞灯或准分子激光器)产生辐射束。例如，该束直接地或在已横穿诸如扩束器Ex的调节构件之后被馈送到照射系统(照射器)IL中。照射器IL可以包括调整构件AD以用于设定束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称作σ外部及σ内部)。另外，照射器IL通常将包括各种其他部件，诸如积分器IN及聚光器CO。这样，照射于图案形成装置MA上的束B在其横截面中具有期望的均一性和强度分布。
关于图15应该注意的是，源SO可以在光刻投影设备的外壳内(源SO是例如汞灯时的情况时，通常是这种情况)，但其也可以远离光刻投影设备，其产生的辐射束被引导到该设备中(例如借助于适当的引导镜)；这后一种情形经常是源SO为准分子激光器(例如基于KrF、ArF或F2激光作用)时的情况。
束PB随后截取被保持于图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下，束B传递通过透镜PL，该透镜将该束B聚焦至衬底W的目标部分C上。借助于第二定位构件(以及干涉测量构件IF)，可以准确地移动衬底台WT，例如以便使不同目标部分C定位于束PB的路径中。相似地，第一定位构件可以用于例如在自图案形成装置库机械地获得图案形成装置MA之后或在扫描期间相对于束B的路径来准确地定位图案形成装置MA。通常，将借助于未在图15中明确地描绘的长冲程模块(粗定位)及短冲程模块(精定位)来实现载物台MT、WT的移动。然而，在晶片步进器(相对于步进扫描工具)的情况下，图案形成装置台MT可以仅连接到短冲程致动器，或者可以是固定的。
可以在两种不同模式中使用所描绘的工具：
-在步进模式中，将图案形成装置台MT保持基本上静止，并且将整个图案形成装置图像一次投影((即，单次“闪光”)至目标部分C上。接着使衬底台WT在x方向和/或y方向上移位，使得可以由束PB照射不同目标部分C；
-在扫描模式中，基本上适用相同情形，但是给定目标部分C不是在单次“闪光”中被曝光。而是，图案形成装置台MT在给定方向(所谓的“扫描方向”，例如y方向)上以速度v可移动，使得投影束B遍及图案形成装置图像进行扫描；同时，衬底台WT以速度V＝Mv在相同或相对方向上同时地移动，其中，M是透镜PL的放大率(通常M＝1/4或＝1/5)。这样，可以在不必损害分辨率的情况下曝光相对较大目标部分C。
图16示意性地描绘了另一示例性光刻投影设备1000，其照射源可运用本文所述的方法进行优化。
光刻投影设备1000包括：
-源收集器模块SO；
-照射系统(照射器)IL，配置用于调节辐射束B(例如，EUV辐射)；
-支撑结构(例如掩模台)MT，构造用于支撑图案形成装置(例如掩模或掩模版)MA并与配置用于精确地定位图案形成装置的第一定位装置PM相连；
-衬底台(例如晶片台)WT，构造用于保持衬底(例如涂覆有抗蚀剂的晶片)W，并与配置用于精确地定位衬底的第二定位装置PW相连；以及
-投影系统(例如反射式投影系统)PS，所述投影系统PS配置用于将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或更多个管芯)上。
如这里所示的，所述设备1000是反射型的(例如，采用反射式掩模)。应当注意，由于大多数材料在EUV波长范围内是吸收性的，因此掩模可以具有多层反射器，包括例如钼和硅的多叠层。在一个示例中，多叠层反射器具有40层成对的钼和硅，其中每层的厚度为四分之一波长。用X射线光刻术可以产生甚至更小的波长。由于大多数材料在EUV和X射线波长中是吸收性的，所以在图案形成装置形貌上(例如，在多层反射器的顶部上的TaN吸收器)图案化的吸收材料的薄片定义了特征将印制(正性抗蚀剂)或不印制(负性抗蚀剂)的区域。
参照图16，照射器IL接收来自源收集器模块SO的极紫外辐射束。用以产生EUV辐射的方法包括但不必限于将材料转换为等离子体状态，该材料具有在EUV范围内具有一个或更多个发射线的至少一种元素，例如氙、锂或锡。在通常称为激光产生等离子体(“LPP”)的一种这样的方法中，所需的等离子体可以通过使用激光束照射燃料来产生，燃料例如是具有发射线元素的材料的液滴、束流或簇团。源收集器模块SO可以是包括用于提供用于激发燃料的激光束的激光器(在图16中未示出)的EUV辐射系统的一部分。所形成的等离子体发射输出辐射，例如EUV辐射，其通过使用设置在源收集器模块中的辐射收集器收集。激光器和源收集器模块可以是分立的实体，例如当使用CO2激光器提供激光束用于燃料激发时。
在这种情况下，激光器不看作是形成光刻设备的一部分，并且，借助于包括例如合适的定向反射镜和/或扩束器的束传递系统，辐射束被从激光器传递至源收集器模块。在其他情况下，所述源可以是源收集器模块的组成部分，例如当源是放电产生等离子体EUV产生器，通常称为DPP源。
照射器IL可以包括调节器，用于调节辐射束的角度强度分布。通常，可以对所述照射器的光瞳平面中的强度分布的至少所述外部和/或内部径向范围(一般分别称为σ-外部和σ-内部)进行调整。此外，所述照射器IL可以包括各种其它部件，例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节所述辐射束，以在其横截面中具有所需的均匀性和强度分布。
所述辐射束B入射到保持在支撑结构(例如，掩模台)MT上的所述图案形成装置(例如，掩模)MA上，并且通过所述图案形成装置来形成图案。在已经由图案形成装置(例如，掩模)MA反射之后，所述辐射束B通过投影系统PS，所述投影系统PS将辐射束聚焦到所述衬底W的目标部分C上。通过第二定位装置PW和位置传感器系统PS2(例如，干涉仪器件、线性编码器或电容传感器)的帮助，可以精确地移动所述衬底台WT，例如以便将不同的目标部分C定位于所述辐射束B的路径中。类似地，可以将所述第一定位装置PM和另一个位置传感器系统PS1用于相对于所述辐射束B的路径精确地定位图案形成装置(例如，掩模)MA。可以使用图案形状装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如，掩模)MA和衬底W。
可以将所描绘的设备1000用于以下模式中的至少一种中：
1.在步进模式中，在将支撑结构(例如掩模台)MT和衬底台WT保持为基本静止的同时，将赋予所述辐射束的整个图案一次投影到目标部分C上(即，单一的静态曝光)。然后将所述衬底台WT沿X和/或Y方向移动，使得可以对不同目标部分C曝光。
2.在扫描模式中，在对支撑结构(例如掩模台)MT和衬底台WT同步地进行扫描的同时，将赋予所述辐射束的图案投影到目标部分C上(即，单一的动态曝光)。衬底台WT相对于支撑结构(例如掩模台)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征来确定。
3.在另一种模式中，将用于保持可编程图案形成装置的支撑结构(例如掩模台)MT保持为基本静止，并且在对所述衬底台WT进行移动或扫描的同时，将赋予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的每一次移动之后、或在扫描期间的连续辐射脉冲之间，根据需要更新所述可编程图案形成装置。这种操作模式可易于应用于利用可编程图案形成装置(例如，如上所述类型的可编程反射镜阵列)的无掩模光刻术中。
图17更详细地示出设备1000，包括源收集器模块SO、照射系统IL以及投影系统PS。源收集器模块SO构造并布置成使得在源收集器模块SO的包围结构220内保持真空环境。用于发射EUV辐射的等离子体210可以通过放电产生等离子体源形成。EUV辐射可以通过气体或蒸汽产生，例如氙气、锂蒸汽或锡蒸汽，其中形成极高温等离子体210以发射在电磁辐射光谱的EUV范围内的辐射。通过例如引起至少部分离子化的等离子体的放电来形成极高温等离子体210。例如，有效生成辐射可能要求Xe、Li、Sn蒸汽或任何其他合适的气体或蒸汽的10Pa的分压。在一个实施例中，被激发的锡(Sn)的等离子体被提供以产生EUV辐射。
由高温等离子体210发射的辐射从源腔211经由可选的定位在源腔211内的开口内或其后面的气体阻挡件或污染物阱230(在某些情况下被称为污染物阻挡件或翼片阱)被传递到收集器腔212。污染物阱230可以包括通道结构。污染物阱230还可以包括气体阻挡件或气体阻挡件和通道结构的组合。此处进一步示出的污染物阱或污染物阻挡件230至少包括通道结构，如现有技术中已知的。
收集器腔211可以包括辐射收集器CO，其可以是所谓的掠入射收集器。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光片240以沿着由虚线‘O’标示的光轴被聚焦在虚源点IF。虚源点IF通常称为中间焦点，并且该源收集器模块布置成使得中间焦点IF位于包围结构220的开口处或其附近。虚源点IF是用于发射辐射的等离子体210的像。
随后辐射穿过照射系统IL，照射系统IL可以包括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处提供期望的辐射强度均匀性的琢面场反射镜装置22和琢面光瞳反射镜装置24。在辐射束21在由支撑结构MT保持的图案形成装置MA处反射时，图案化的束26被形成，并且图案化的束26通过投影系统PS经由反射元件28、30成像到由衬底台WT保持的衬底W上。
在照射光学装置单元IL和投影系统PS中通常可以存在比图示的元件更多的元件。光栅光谱滤光片240可以可选地设置，这依赖于光刻设备的类型。此外，可以存在比图中示出的反射镜更多的反射镜，例如在投影系统PS中可以存在图17中所示出的元件以外的1-6个附加的反射元件。
收集器光学装置CO，如图17所示，在图中被示出为具有掠入射反射器253、254以及255的巢状收集器，仅作为收集器(或收集器反射镜)的一个示例。掠入射反射器253、254以及255围绕光学轴线O轴向对称地设置，该类型的收集器光学装置CO优选与放电产生的等离子体源结合使用，通常称为DPP源。
替代地，源收集器模块SO可以是如图18所示的LPP辐射系统的一部分。激光器LA布置成将激光能量入射到燃料，例如氙气(Xe)、锡(Sn)或锂(Li)，由此产生具有几十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生成的高能辐射由等离子体发射，被近正入射收集器光学装置CO收集并被聚焦到包围结构220的开口221上。
可以使用以下方面进一步描述实施例：
1.一种用于确定待用于图案化过程中的掩模图案的方法，所述方法包括：
经由使用待印制于衬底上的目标图案作为输入图案而执行模型来获得光学邻近效应校正后(OPC后)图案；
基于OPC后图案来确定将被印制于所述衬底上的模拟图案；和
基于所述模拟图案与所述目标图案之间的差异来确定所述掩模图案，对所述掩模图案的所述确定包括：
基于所述差异来修改被输入至所述模型的所述输入图案以使得所述差异减小；以及
使用经修改的输入图案来执行所述模型以产生经修改的OPC后图案，能够从所述经修改的OPC后图案导出所述掩模图案。
2.根据方面1所述的方法，其中，所述模型是被配置成针对输入图案产生OPC后图案的经训练的机器学习模型。
3.根据方面2所述的方法，其中，对所述掩模图案的确定是迭代过程，每次迭代包括：
基于所述差异的梯度来修改所述输入图案的至少一部分以减小所述目标图案与所述模拟图案之间的所述差异，所述梯度指示如何修改所述目标图案以减小或最小化所述差异；
使用经修改的输入图案来执行所述经训练的机器学习模型以产生所述经修改的OPC后图案；
基于所述经修改的OPC后图案来确定所述模拟图案；
确定所述模拟图案与所述目标图案之间的所述差异是否被减小或被最小化；以及
响应于所述差异被减小或被最小化，从所述经修改的OPC后图案提取多边形形状以产生所述掩模图案。
4.根据方面3所述的方法，其中，所述输入图案的所述至少一部分包括与所述目标图案内的目标特征对应的轮廓。
5.根据方面4所述的方法，其中，对所述模拟图案与所述目标图案的所述差异进行的所述确定包括：
确定所述目标图案的目标轮廓与所述模拟图案的模拟轮廓之间的所述差异。
6.根据方面5所述的方法，其中，对所述输入图案的修改包括：
基于所述差异的所述梯度来修改所述输入图案的所述轮廓以减小所述目标轮廓与所述模拟轮廓之间的所述差异，所述梯度指示如何修改所述输入图案的所述轮廓以减小或最小化所述差异。
7.根据方面6所述的方法，其中，对所述输入图案的修改包括：
将控制点分配于所述目标轮廓上；以及
基于所述差异的所述梯度来调整一个或更多个控制点的位置，使得所述差异被减小或被最小化。
8.根据方面7所述的方法，其中，所述梯度是所述差异相对于所述控制点的差分，所述梯度指示由于控制点的位置中的改变而导致的所述差异中的改变。
9.根据方面1至8中任一项所述的方法，其中，对所述模拟图案的确定包括：
使用所述OPC后图案或所述经修改的OPC后图案来执行所述图案化过程的过程模型以产生模拟图案。
10.根据方面1至9中任一项所述的方法，其中，从所述经修改的OPC后图案提取多边形形状包括：
经由阈值化来处理所述经修改的OPC后图案的图像以检测与所述经修改的OPC后图案内的一个或更多个特征相关联的边缘；以及
使用所述一个或更多个特征的所述边缘来产生所述掩模图案。
11.根据方面1至10中任一项所述的方法，其中，所述OPC后图案或所述经修改的OPC后图案包括：与所述目标特征相对应的主要特征，以及可选地位于所述主要特征周围的至少一个辅助特征。
12.根据方面11所述的方法，其中，当使用所述经修改的输入图案时，在所述经训练的机器学习模型的第二次或后续执行中不修改所述至少一个辅助特征。
13.根据方面11至12中任一项所述的方法，其中，所提取的多边形包括与所述主要特征以及可选地所述至少一个辅助特征相关联的多边形。
14.根据方面1至13中任一项所述的方法，其中，所述目标图案、OPC后图案、和/或经修改的OPC后图案是像素化灰度图像。
15.根据方面9至14中任一项所述的方法，其中，所述过程模型是显影后过程模型，并且所述模拟图案是显影后图像。
16.根据方面15所述的方法，其中，所述过程模型是抗蚀剂模型且所述模拟图案是抗蚀剂图案。
17.一种训练与图案化过程相关联的机器学习模型的方法，所述方法包括：
获得训练数据集，所述训练数据集包括：(i)与待印制于衬底上的目标图案相关联的受扰动目标图案的集合，和(ii)参考图案的集合，每个参考图案与受扰动目标图案的集合中的特定受扰动目标图案相关联；以及
经由使用所述训练数据集的硬件计算机系统训练所述机器学习模型以产生OPC后图案，使得模型产生的OPC后图案被定制以与参考图案的集合中的特定参考图案相匹配。
18.根据方面17所述的方法，其中，获得所述训练数据集包括：
经由使用所述目标图案作为输入而执行OPC过程来产生参考图案，所述参考图案是包括与所述目标图案的目标特征对应的主要特征的OPC后图案；
扰动所述目标图案的至少一部分以产生多个受扰动目标图案；和
经由使用所述多个受扰动目标图案作为输入而执行OPC过程来产生多个参考图案。
19.根据方面17所述的方法，其中，对所述机器学习模型的训练是迭代过程，每次迭代包括：
使用受扰动图案的集合中的受扰动目标图案作为输入来执行所述机器学习模型以产生OPC后图案；
确定与受扰动目标图案相关联的参考图案的集合中的参考图案与模型产生的OPC后图案之间的差异；以及
基于所述差异来修改所述机器学习模型的参数，使得所述差异被减小或被最小化。
20.根据方面19所述的方法，其中，所述机器学习模型是卷积神经网络(CNN)，并且参数是CNN的一个或更多个权重。
21.根据方面17至20中任一项所述的方法，其中，所述模型产生的OPC后图案与所述特定参考图案之间的匹配度是相同的。
22.根据方面17至21中任一项所述的方法，其中，每个参考图案是包括相同的辅助特征的OPC后图案。
23.根据方面22所述的方法，其中，获得所述训练数据集还包括：
从所述参考图案提取至少一个辅助特征；以及
经由使用多个受扰动目标图案作为输入而执行OPC过程且使所提取的辅助特征保持固定来产生所述多个参考图案，其中所述多个参考图案中的每个参考图案具有所提取的辅助特征。
24.一种包括指令的非暂时性计算机可读介质，所述指令在由一个或更多个处理器执行时引起包括以下的操作：
经由使用待印制于衬底上的目标图案作为输入图案而执行模型来获得光学邻近效应校正后(OPC后)图案；
基于OPC后图案来确定将被印制于所述衬底上的模拟图案；和
通过以下各项，基于所述模拟图案与所述目标图案之间的差异来确定掩模图案：
基于所述差异来修改被输入至所述模型的所述输入图案以使得所述差异减小；以及
使用经修改的输入图案来执行所述模型以产生经修改的OPC后图案，能够从所述经修改的OPC后图案导出所述掩模图案。
25.根据方面24所述的非暂时性计算机可读介质，其中，所述模型是被配置成针对输入图案产生OPC后图案的经训练的机器学习模型。
26.根据方面25所述的非暂时性计算机可读介质，其中，对所述掩模图案的确定是迭代过程，每次迭代包括：
基于所述差异的梯度来修改所述输入图案的至少一部分以减小所述目标图案与所述模拟图案之间的所述差异，所述梯度指示如何修改所述目标图案以减小或最小化所述差异；
使用经修改的输入图案来执行所述经训练的机器学习模型以产生所述经修改的OPC后图案；
基于所述经修改的OPC后图案来确定所述模拟图案；
确定所述模拟图案与所述目标图案之间的所述差异是否被减小或被最小化；以及
响应于所述差异被减小或被最小化，从所述经修改的OPC后图案提取多边形形状以产生所述掩模图案。
27.根据方面26所述的非暂时性计算机可读介质，其中，所述输入图案的所述至少一部分包括与所述目标图案内的目标特征对应的轮廓。
28.根据方面27所述的非暂时性计算机可读介质，其中，对所述模拟图案与所述目标图案的所述差异进行的所述确定包括：
确定所述目标图案的目标轮廓与所述模拟图案的模拟轮廓之间的所述差异。
29.根据方面28所述的非暂时性计算机可读介质，其中，对所述输入图案的修改包括：
基于所述差异的所述梯度来修改所述输入图案的所述轮廓以减小所述目标轮廓与所述模拟轮廓之间的所述差异，所述梯度指示如何修改所述输入图案的所述轮廓以减小或最小化所述差异。
30.根据方面29所述的非暂时性计算机可读介质，其中，对所述输入图案的修改包括：
将控制点分配于所述目标轮廓上；以及
基于所述差异的所述梯度来调整一个或更多个控制点的位置，使得所述差异被减小或被最小化。
31.根据方面30所述的非暂时性计算机可读介质，其中，所述梯度是所述差异相对于所述控制点的差分，所述梯度指示由于控制点的位置中的改变而导致的所述差异中的改变。
32.根据方面24至31中任一项所述的非暂时性计算机可读介质，其中，对所述模拟图案的确定包括：
使用所述OPC后图案或所述经修改的OPC后图案来执行所述图案化过程的过程模型以产生模拟图案。
33.根据方面24至32中任一项所述的非暂时性计算机可读介质，其中，从所述经修改的OPC后图案提取多边形形状包括：
经由阈值化来处理所述经修改的OPC后图案的图像以检测与所述经修改的OPC后图案内的一个或更多个特征相关联的边缘；以及
使用所述一个或更多个特征的所述边缘来产生所述掩模图案。
34.根据方面24至33中任一项所述的非暂时性计算机可读介质，其中，所述OPC后图案或所述经修改的OPC后图案包括：与所述目标特征相对应的主要特征，以及可选地位于所述主要特征周围的至少一个辅助特征。
35.根据方面34所述的非暂时性计算机可读介质，其中，当使用所述经修改的输入图案时，在所述经训练的机器学习模型的第二次或后续执行中不修改所述至少一个辅助特征。
36.根据方面34至35中任一项所述的非暂时性计算机可读介质，其中，所提取的多边形包括与所述主要特征以及可选地所述至少一个辅助特征相关联的多边形。
37.根据方面24至36中任一项所述的非暂时性计算机可读介质，其中，所述目标图案、OPC后图案、和/或经修改的OPC后图案是像素化灰度图像。
38.根据方面32至37中任一项所述的非暂时性计算机可读介质，其中，所述过程模型是显影后过程模型，并且所述模拟图案是显影后图像。
39.根据方面38所述的非暂时性计算机可读介质，其中，所述过程模型是抗蚀剂模型且所述模拟图案是抗蚀剂图案。
40.一种包括指令的非暂时性计算机可读介质，所述指令在由一个或更多个处理器执行时引起包括以下的操作：
获得训练数据集，所述训练数据集包括：(i)与待印制于衬底上的目标图案相关联的受扰动目标图案的集合，和(ii)参考图案的集合，每个参考图案与受扰动目标图案的集合中的特定受扰动目标图案相关联；以及
使用所述训练数据集训练所述机器学习模型以产生OPC后图案，使得模型产生的OPC后图案被定制以与所述参考图案的集合中的特定参考图案相匹配。
41.根据方面40所述的非暂时性计算机可读介质，其中，获得所述训练数据集包括：
经由使用所述目标图案作为输入而执行OPC过程来产生参考图案，所述参考图案是包括与所述目标图案的目标特征对应的主要特征的OPC后图案；
扰动所述目标图案的至少一部分以产生多个受扰动目标图案；和
经由使用所述多个受扰动目标图案作为输入而执行OPC过程来产生多个参考图案。
42.根据方面40所述的非暂时性计算机可读介质，其中，对所述机器学习模型的训练是迭代过程，每次迭代包括：
使用受扰动图案的集合中的受扰动目标图案作为输入来执行所述机器学习模型以产生OPC后图案；
确定与受扰动目标图案相关联的参考图案的集合中的参考图案与模型产生的OPC后图案之间的差异；以及
基于所述差异来修改所述机器学习模型的参数，使得所述差异被减小或被最小化。
43.根据方面42所述的非暂时性计算机可读介质，其中，所述机器学习模型是卷积神经网络(CNN)，并且参数是CNN的一个或更多个权重。
44.根据方面40至43中任一项所述的非暂时性计算机可读介质，其中，所述模型产生的OPC后图案与所述特定参考图案之间的匹配度是相同的。
45.根据方面40至44中任一项所述的非暂时性计算机可读介质，其中，每个参考图案是包括相同的辅助特征的OPC后图案。
46.根据方面45所述的非暂时性计算机可读介质，其中，获得所述训练数据集还包括：
从所述参考图案提取至少一个辅助特征；以及
经由使用多个受扰动目标图案作为输入而执行OPC过程且使所提取的辅助特征保持固定来产生所述多个参考图案，其中所述多个参考图案中的每个参考图案具有所提取的辅助特征。
此处所披露的构思可以模拟用于使亚波长特征成像的任何一般性成像系统或在数学上对用于使亚波长特征成像的任何一般性成像系统进行建模，且可能随着能够产生不断变短的波长的成像技术的出现是特别有用的。已经使用的现有的技术包括EUV(极紫外线)光刻术，其能够用ArF激光器产生193nm波长，甚至可以用氟激光器产生157nm的波长。此外，EUV光刻术能够通过使用同步加速器或通过用高能电子撞击材料(固体或等离子体)来产生在20-5nm范围内的波长，用于产生在这一范围内的光子。
虽然本文中所披露的构思可以用于在诸如硅晶片之类的衬底上成像，但应理解，所披露的构思可以与任何类型的光刻成像系统一起使用，例如，用于在不同于硅晶片的衬底上成像的光刻成像系统。
以上描述预期是说明性的，而不是限制性的。因而，本领域技术人员将明白，可以在不背离下文所阐明的权利要求的范围的情况下如所描述的那样进行修改。

Claims (13)

1.一种包括指令的非暂时性计算机可读介质，所述指令在由一个或更多个处理器执行时引起包括以下的操作：
经由使用待印制于衬底上的目标图案作为输入图案而执行模型来获得光学邻近效应校正后(OPC后)图案；
基于OPC后图案来确定将被印制于所述衬底上的模拟图案；和
通过以下各项，基于所述模拟图案与所述目标图案之间的差异来确定掩模图案：
基于所述差异来修改被输入至所述模型的所述输入图案以使得所述差异减小；以及
使用经修改的输入图案来执行所述模型以产生经修改的OPC后图案，能够从所述经修改的OPC后图案导出所述掩模图案。
2.根据权利要求1所述的非暂时性计算机可读介质，其中，所述模型是被配置成针对输入图案产生OPC后图案的经训练的机器学习模型。
3.根据权利要求2所述的非暂时性计算机可读介质，其中，对所述掩模图案的确定是迭代过程，每次迭代包括：
基于所述差异的梯度来修改所述输入图案的至少一部分以减小所述目标图案与所述模拟图案之间的所述差异，所述梯度指示如何修改所述目标图案以减小或最小化所述差异；
使用经修改的输入图案来执行所述经训练的机器学习模型以产生所述经修改的OPC后图案；
基于所述经修改的OPC后图案来确定所述模拟图案；
确定所述模拟图案与所述目标图案之间的所述差异是否被减小或被最小化；以及
响应于所述差异被减小或被最小化，从所述经修改的OPC后图案提取多边形形状以产生所述掩模图案。
4.根据权利要求3所述的非暂时性计算机可读介质，其中，所述输入图案的所述至少一部分包括与所述目标图案内的目标特征对应的轮廓；和/或
其中，对所述模拟图案与所述目标图案的所述差异进行的所述确定包括：
确定所述目标图案的目标轮廓与所述模拟图案的模拟轮廓之间的所述差异；和/或
其中，对所述输入图案的修改包括：
基于所述差异的所述梯度来修改所述输入图案的所述轮廓以减小所述目标轮廓与所述模拟轮廓之间的所述差异，所述梯度指示如何修改所述输入图案的所述轮廓以减小或最小化所述差异。
5.根据权利要求4所述的非暂时性计算机可读介质，其中，对所述输入图案的修改包括：
将控制点分配于所述目标轮廓上；以及
基于所述差异的所述梯度来调整一个或更多个控制点的位置，使得所述差异被减小或被最小化，和/或
其中，所述梯度是所述差异相对于所述控制点的差分，所述梯度指示由于控制点的位置中的改变而导致的所述差异中的改变。
6.根据权利要求1所述的非暂时性计算机可读介质，其中，对所述模拟图案的确定包括：
使用所述OPC后图案或所述经修改的OPC后图案来执行所述图案化过程的过程模型以产生模拟图案。
7.根据权利要求1所述的非暂时性计算机可读介质，其中，从所述经修改的OPC后图案提取多边形形状包括：
经由阈值化来处理所述经修改的OPC后图案的图像以检测与所述经修改的OPC后图案内的一个或更多个特征相关联的边缘；以及
使用所述一个或更多个特征的所述边缘来产生所述掩模图案。
8.根据权利要求1所述的非暂时性计算机可读介质，其中，所述OPC后图案或所述经修改的OPC后图案包括：与所述目标特征相对应的主要特征，以及可选地位于所述主要特征周围的至少一个辅助特征。
9.根据权利要求8所述的非暂时性计算机可读介质，其中，当使用所述经修改的输入图案时，在所述经训练的机器学习模型的第二次或后续执行中不修改所述至少一个辅助特征。
10.根据权利要求8中的任一项所述的非暂时性计算机可读介质，其中，所提取的多边形包括与所述主要特征以及可选地所述至少一个辅助特征相关联的多边形。
11.根据权利要求1所述的非暂时性计算机可读介质，其中，所述目标图案、OPC后图案、和/或经修改的OPC后图案是像素化灰度图像。
12.根据权利要求6所述的非暂时性计算机可读介质，其中，所述过程模型是显影后过程模型，并且所述模拟图案是显影后图像。
13.根据权利要求12所述的非暂时性计算机可读介质，其中，所述过程模型是抗蚀剂模型且所述模拟图案是抗蚀剂图案。
CN202180014147.4A 2020-02-12 2021-02-04 包括使用经训练机器学习模型的光学邻近效应校正的用于确定掩模图案的方法 Pending CN115087925A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US202062975267P 2020-02-12 2020-02-12
US62/975,267 2020-02-12
PCT/EP2021/052724 WO2021160522A1 (en) 2020-02-12 2021-02-04 Method for determining a mask pattern comprising optical proximity corrections using a trained machine learning model

Publications (1)

Publication Number Publication Date
CN115087925A true CN115087925A (zh) 2022-09-20

Family

ID=74561883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180014147.4A Pending CN115087925A (zh) 2020-02-12 2021-02-04 包括使用经训练机器学习模型的光学邻近效应校正的用于确定掩模图案的方法

Country Status (4)

Country Link
US (1) US20230100578A1 (zh)
CN (1) CN115087925A (zh)
TW (2) TWI806002B (zh)
WO (1) WO2021160522A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115457350A (zh) * 2022-11-08 2022-12-09 华芯程(杭州)科技有限公司 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法
CN117369218A (zh) * 2023-09-28 2024-01-09 东方晶源微电子科技(北京)股份有限公司 设计图形坏点检测方法、光刻布线方法、系统及存储介质
CN117973307A (zh) * 2024-03-26 2024-05-03 全芯智造技术有限公司 用于版图处理的方法、设备和介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230175346A (ko) * 2018-12-28 2023-12-29 에이에스엠엘 네델란즈 비.브이. 프린트된 기판으로부터의 측정 피드백에 기초한 패턴 랭킹 결정
KR20220094510A (ko) * 2020-12-29 2022-07-06 삼성전자주식회사 엣칭 모델링 시스템 및 상기 시스템을 이용한 반도체 장치 제조 방법
US20230075473A1 (en) * 2021-09-09 2023-03-09 Mycronic AB Device and method for enabling deriving of corrected digital pattern descriptions
TWI805181B (zh) * 2022-01-10 2023-06-11 由田新技股份有限公司 用於蝕刻製程的補償方法、補償系統及深度學習系統
WO2023180020A1 (en) * 2022-03-22 2023-09-28 Asml Netherlands B.V. Lithographic pattern representation with curvilinear elements
WO2024110141A1 (en) * 2022-11-22 2024-05-30 Asml Netherlands B.V. Curvilinear polygon recovery for opc mask design
TWI831688B (zh) * 2023-05-04 2024-02-01 和碩聯合科技股份有限公司 監控圖像中亮度改變的方法及其裝置

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5523193A (en) 1988-05-31 1996-06-04 Texas Instruments Incorporated Method and apparatus for patterning and imaging member
JP2938568B2 (ja) 1990-05-02 1999-08-23 フラウンホファー・ゲゼルシャフト・ツール・フォルデルング・デル・アンゲバンテン・フォルシュング・アインゲトラーゲネル・フェライン 照明装置
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
DE69735016T2 (de) 1996-12-24 2006-08-17 Asml Netherlands B.V. Lithographisches Gerät mit zwei Objekthaltern
KR100958714B1 (ko) 2005-08-08 2010-05-18 브라이언 테크놀로지스, 인코포레이티드 리소그래피 공정의 포커스-노광 모델을 생성하는 시스템 및방법
US7695876B2 (en) 2005-08-31 2010-04-13 Brion Technologies, Inc. Method for identifying and using process window signature patterns for lithography process control
CN102662309B (zh) 2005-09-09 2014-10-01 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
CN102224459B (zh) 2008-11-21 2013-06-19 Asml荷兰有限公司 用于优化光刻过程的方法及设备
NL2003699A (en) 2008-12-18 2010-06-21 Brion Tech Inc Method and system for lithography process-window-maximixing optical proximity correction.
US8786824B2 (en) 2009-06-10 2014-07-22 Asml Netherlands B.V. Source-mask optimization in lithographic apparatus
NL2005522A (en) 2009-10-28 2011-05-02 Asml Netherlands Bv Pattern selection for full-chip source and mask optimization.
NL2007642A (en) 2010-11-10 2012-05-14 Asml Netherlands Bv Optimization flows of source, mask and projection optics.
EP3441819A1 (en) * 2017-08-07 2019-02-13 ASML Netherlands B.V. Computational metrology
US10495967B2 (en) * 2017-09-28 2019-12-03 Taiwan Semiconductor Manufacturing Co., Ltd. Method of mask simulation model for OPC and mask making
US20200380362A1 (en) * 2018-02-23 2020-12-03 Asml Netherlands B.V. Methods for training machine learning model for computation lithography
US10867112B2 (en) * 2018-06-28 2020-12-15 Taiwan Semiconductor Manufacturing Co., Ltd. Methods of making mask using transmission cross coefficient (TCC) matrix of lithography process optical system

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115457350A (zh) * 2022-11-08 2022-12-09 华芯程(杭州)科技有限公司 光学邻近修正的蚀刻模型训练方法及光学邻近修正方法
CN117369218A (zh) * 2023-09-28 2024-01-09 东方晶源微电子科技(北京)股份有限公司 设计图形坏点检测方法、光刻布线方法、系统及存储介质
CN117369218B (zh) * 2023-09-28 2024-10-15 东方晶源微电子科技(北京)股份有限公司 设计图形坏点检测方法、光刻布线方法、系统及存储介质
CN117973307A (zh) * 2024-03-26 2024-05-03 全芯智造技术有限公司 用于版图处理的方法、设备和介质

Also Published As

Publication number Publication date
WO2021160522A1 (en) 2021-08-19
TW202144904A (zh) 2021-12-01
US20230100578A1 (en) 2023-03-30
TW202401137A (zh) 2024-01-01
TWI806002B (zh) 2023-06-21

Similar Documents

Publication Publication Date Title
TWI745863B (zh) 訓練機器學習模型以判定光罩的光學接近校正的方法及相關聯電腦程式產品
US10955755B2 (en) Optimization of assist features and source
US20220179321A1 (en) Method for determining pattern in a patterning process
US20230100578A1 (en) Method for determining a mask pattern comprising optical proximity corrections using a trained machine learning model
CN107430347B (zh) 图像对数斜率(ils)优化
US20230058839A1 (en) Method of determining control parameters of a device manufacturing process
CN113924525B (zh) 用于确定对掩模的特征的校正的方法
CN111512236B (zh) 涉及光学像差的图案化过程改进
US20240004305A1 (en) Method for determining mask pattern and training machine learning model
CN112969971A (zh) 器件的制造过程中的方法、非暂态计算机可读介质和被配置为执行该方法的系统
US20230244152A1 (en) Systems, methods, and products for determining printing probability of assist feature and its application
US20240126183A1 (en) Method for rule-based retargeting of target pattern
CN113874787A (zh) 用于确定与期望图案相关联的随机变化的方法
US12092963B2 (en) Method of determining characteristic of patterning process based on defect for reducing hotspot
EP3462240A1 (en) Method of determining control parameters of a device manufacturing process
CN114514476A (zh) 用于确定视场设定的方法
US20230333483A1 (en) Optimization of scanner throughput and imaging quality for a patterning process

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