CN115104067A - 确定光刻匹配性能 - Google Patents

Abstract

描述了一种确定用于半导体制造的工具之间的匹配性能的方法以及相关联的工具。该方法包括获得与多个工具相关的多个数据集，以及在减小的空间中的所述数据集的表示，该减小的空间具有减小的维度。基于匹配减小的空间中的所述减小的数据集，确定匹配度量和/或匹配校正。

Description

确定光刻匹配性能

相关申请的交叉引用

本申请要求于2020年2月14日提交的EP申请20157301.1的优先权和2020年5月26日提交的EP申请20176415.6的优先权，其通过引用整体并且入本文。

技术领域

本发明涉及确定用于半导体制造的光刻设备之间的光刻匹配性能的方法、半导体制造方法、光刻设备、光刻单元和相关联的计算机程序产品。

背景技术

光刻设备是一种被构造成将期望图案施加到衬底上的机器。光刻设备可以用于例如集成电路(IC)的制造中。光刻设备可以例如在图案形成装置(例如，掩模)处将图案(通常也称为“设计布局”或“设计”)投影到设置在衬底(例如，晶片)上的辐射敏感材料(抗蚀剂)的层上。

为了将图案投影到衬底上，光刻设备可以使用电磁辐射。该辐射的波长决定了可以在衬底上形成的特征的最小尺寸。当前使用的典型波长是365nm(i线)、248nm深紫外(DUV)、193nm深紫外(DUV)和13.5nm。与使用例如波长为193nm的辐射的DUV光刻设备相比，使用波长在4-20nm范围内(例如，6.7nm或13.5nm)的极紫外(EUV)辐射的光刻设备可以用于在衬底上形成更小的特征。

低k₁光刻可以用于处理尺寸小于光刻设备的经典分辨率极限的特征。在这样的过程中，分辨率公式可以表示为CD＝k₁×λ/NA，其中λ是所采用辐射的波长，NA是光刻设备中投影光学器件的数值孔径，CD是“临界尺寸”(通常印制的最小特征尺寸，但在这种情况下为半节距)，并且k₁是经验分辨率因子。通常，k₁越小，就越难以在衬底上复制与电路设计者为实现特定电气功能和性能而计划的形状和尺寸相似的图案。为了克服这些困难，可以将复杂的微调步骤应用于光刻投影设备和/或设计布局。这些包括例如但不限于NA的优化、定制的照射方案、相移图案形成装置的使用、设计布局的各种优化(诸如设计布局中的光学邻近校正(OPC，有时也称为“光学过程校正”))、或通常定义为“分辨率增强技术”(RET)的其他方法。替代地，可以使用用于控制光刻设备的稳定性的严格控制回路来改善低k₁下的图案的再现。。

光刻设备之间的跨平台(例如DUV到EUV)匹配性能对于产品上重叠性能是至关重要的。通常，这使用专用验证测试来实现。这种测试需要特定机器设置程序作为先决条件，这会花费数小时的时间。还需要额外的扫描器和量测时间用于预设置、曝光和重叠测量。这种测试仅在非常必要时才执行，因此不能用于日常监视目的，而这对于大批量制造是必要的。

发明内容

期望提供解决上述问题的确定光刻设备之间的光刻匹配性能的方法。

在权利要求和具体实施方式中公开了本发明的实施例。

在本发明的第一方面中，提供了一种确定用于半导体制造的工具之间的匹配性能的方法，该方法包括：获得与多个工具相关的多个数据集；获得在减小的空间中的所述数据集的表示，该减小的空间具有减小的维度；并且基于匹配在减小的空间中的所述减小的数据集，确定匹配度量和/或匹配校正。

在本发明的第二方面中，提供了一种半导体制造过程，包括根据第一方面的用于确定光刻匹配性能的方法。

在本发明的第三方面中，提供了一种光刻设备，包括：

照射系统，被配置成提供辐射的投影束；

支撑结构，被配置成支撑图案形成装置，该图案形成装置被配置成根据期望的图案对投影束进行图案化；

衬底台，被配置成保持衬底；

投影系统，被配置成将图案化束投影到衬底的目标部分上；以及

处理单元，被配置成根据第一方面的方法确定光刻匹配性能。

在本发明的第四方面中，提供了一种计算机程序产品，包括用于使通用数据处理设备执行根据第一方面的方法的步骤的机器可读指令。

附图说明

现在将仅通过示例的方式，参考所附的示意图来描述本发明的实施例，在附图中：

图1描绘了光刻设备的示意图；

图2描绘了光刻单元的示意图；

图3描绘了整体光刻的示意表示图，表示用于优化半导体制造的三种关键技术之间的协作；

图4是做出决定方法的流程图；

图5是在利用扫描器稳定性模块的光刻过程中的控制机构的示意图；

图6描绘了具有用于稳定性控制的循环监视的一组DUV和EUV光刻设备的正常操作的示意图；

图7描绘了需要跨平台光刻匹配的光刻设备不可用的问题；

图8描绘了使用常规方法确定跨平台光刻匹配性能的测试；

图9包括与共同时间帧相关的三个图：图9(a)是原始参数数据的图，更具体地为相对于时间t的掩模版对准(RA)数据；图9(b)是根据本文描述的方法导出的等效的非线性模型函数mf；并且图9(c)包括图9(a)和图9(b)的图之间的残差Δ，示出了根据本发明实施例的方法的类别指示符；

图10是在本发明的实施例中使用的编码器/解码器网络的示意图；

图11是根据本发明的第三主要实施例的实施例的流程图；

图12a、b、c和d概念性地示出了聚类和流形学习的概念；

图13a、b和c概念性地示出了图11的基本方法的生产监视应用；以及

图14描绘了用于控制本文中所公开的系统和/或方法的计算机系统的框图。

具体实施方式

在本文档中，术语“辐射”和“束”用于涵盖所有类型的电磁辐射，包括紫外线辐射(例如，波长为365、248、193、157或126nm)和EUV(极紫外线辐射，例如，波长在约5-100nm的范围内)。

本文中使用的术语“掩模版”、“掩模”或“图案形成装置”可以被广义地解释为是指通用图案形成装置，该通用图案形成装置可用于向入射的辐射束赋予与将在衬底的目标部分中产生的图案相对应的图案化横截面。在该上下文中也可以使用术语“光阀”。除了经典掩模(透射或反射掩模、二元掩模、相移掩模、混合式掩模等)，其他这种图案形成装置的示例包括可编程反射镜阵列和可编程LCD阵列。

图1示意性地描绘了光刻设备LA。光刻设备LA包括：照射系统(也称为照射器)IL，其被配置成调节辐射束B(例如，UV辐射、DUV辐射或EUV辐射)；掩模支撑件(例如，掩模台)MT，其被构造为支撑图案形成装置(例如，掩模)MA并且连接到第一定位器PM，第一定位器PM被配置成根据特定参数准确地定位图案形成装置MA；衬底支撑件(例如，晶片台)WT，其被构造为保持衬底(例如，涂覆有抗蚀剂的晶片)W并且连接到第二定位器PW，第二定位器PW被配置成根据特定参数准确地定位衬底支撑件；以及投影系统(例如，折射投影透镜系统)PS，其被配置成将通过图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如，包括一个或多个管芯)上。

在操作中，照射系统IL接收来自辐射源SO的辐射束，例如经由束传输系统BD。照射系统IL可以包括用于引导、整形和/或控制辐射的各种类型的光学部件，诸如折射、反射、磁性、电磁、静电和/或其他类型的光学部件、或其任何组合。照射器IL可以用于调节辐射束B以使其在图案形成装置MA的平面处在其横截面中具有期望的空间和角度强度轮廓。

本文中使用的术语“投影系统”PS应当被广义地解释为涵盖包括以下的各种类型的投影系统：折射、反射、折反射、变形、磁性、电磁和/或静电光学系统、或者其任何组合，该投影系统适用于所使用的曝光辐射和/或其他因素(诸如浸没液体的使用或真空的使用)。本文中对术语“投影透镜”的任何使用可被认为与更通用的术语“投影系统”PS同义。

光刻设备LA可以是如下这样的类型：其中衬底的至少一部分可以被具有相对较高折射率的液体(例如，水)重叠，以填充投影系统PS和衬底W之间的空间，这也称为浸没式光刻。关于浸没技术的更多信息在US6952253(其通过引用并且入本文)中给出。

光刻设备LA也可以是具有两个(也称为“双台”)或更多个衬底支撑件WT的类型。在这种“多台”机器中，可以并行使用衬底支撑件WT，和/或可以在位于衬底支撑件WT中的一个上的衬底W上执行对衬底W的后续曝光准备的步骤的同时，另一衬底支撑件WT上的另一衬底W被用于在另一衬底W上曝光图案。

除了衬底支撑件WT之外，光刻设备LA可以包括测量台。测量台被布置成保持传感器和/或清洁装置。传感器可以被布置为测量投影系统PS的性质或辐射束B的性质。测量台可以保持多个传感器。清洁装置可以被布置成清洁光刻设备的一部分，例如投影系统PS的一部分或提供浸没液体的系统的一部分。当衬底支撑件WT远离投影系统PS时，测量台可以在投影系统PS的下方移动。

在操作中，辐射束B入射到被保持在掩模支撑件T上的图案形成装置MA(例如，掩模)上，并且由图案形成装置MA上的图案(设计布局)图案化。在通过掩模MA之后，辐射束B穿过投影系统PS，投影系统PS将束聚焦到衬底W的目标部分C上。借助于第二定位器PW和位置测量系统IF，可以准确地移动衬底支撑件WT，例如，以便在辐射束B的路径中将不同目标部分C定位在聚焦和对准位置处。相似地，第一定位器PM和可能的另一位置传感器(其未在图1中明确地示出)可用于相对于辐射束B的路径而准确地定位图案形成装置MA。可以使用掩模对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置MA和衬底W。尽管所示的衬底对准标记P1、P2占据了专用目标部分，但是它们可以位于目标部分之间的空间中。当衬底对准标记P1、P2位于目标部分C之间时，它们被称为划线对准标记。

如图2所示，光刻设备LA可以形成光刻单元LC的一部分，光刻单元LC有时也称为光刻单元或(光刻)簇，光刻单元LC通常还包括用于在衬底W上执行预曝光和后曝光过程的设备。通常，这些设备包括用于沉积抗蚀剂层的旋涂器SC、用于显影经曝光抗蚀剂的显影剂DE、激冷板CH和烘烤板BK，例如用于调整衬底W的温度，例如用于调整抗蚀剂层中的溶剂。衬底输送装置(或机器手)RO从输入/输出端口I/O1、I/O2拾取衬底W，在不同处理设备之间移动衬底W，并且将衬底W输送到光刻设备LA的装载台LB。光刻单元中的装置(通常也统称为轨道)通常受轨道控制单元TCU的控制，轨道控制单元TCU本身可由管理控制系统SCS控制，管理控制系统SCS也可以控制光刻设备LA，例如经由光刻控制单元LACU。

为了正确地且一致地曝光由光刻设备LA曝光的衬底W，期望检查衬底以测量图案化结构的性质，诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。为此，光刻单元LC中可以包括检查工具(未示出)。如果检测到错误，尤其是如果在曝光或处理相同批次或相同批的其他衬底W之前进行检查，则例如可以对后续衬底的曝光和/或待在衬底W上执行的其他处理步骤进行调整。

检查设备(也可以称为量测设备)用于确定衬底W的性质，特别是确定不同衬底W的性质如何变化或者与相同衬底W的不同层相关联的性质如何在层之间变化。替代地，检查设备可被构造为识别衬底W上的缺陷，并且可以例如是光刻单元LC的一部分，或者可以被集成到光刻设备LA中，或者甚至可以是独立装置。检查设备可以测量潜像(在曝光之后在抗蚀剂层中的图像)，或半潜像(在曝光后烘烤步骤PEB之后在抗蚀剂层中的图像)，或显影抗蚀剂图像(其中已经移除抗蚀剂的已曝光部分或未曝光部分)，或甚至蚀刻图像(在诸如蚀刻等图案转移步骤之后)上的性质。

通常，光刻设备LA中的图案化过程是要求在衬底W上形成结构的尺寸和定位结构的位置的高精度的处理中的最关键的步骤之一。为了确保这种高精度，可以将三个系统组合成所谓的“整体”控制环境，如图3所示出的。这些系统中的一个是(实际上)连接到量测工具MT(第二系统)和计算机系统CL(第三系统)的光刻设备LA。这种“整体”环境的关键是优化这三个系统之间的协作以增强整个过程窗口，并且提供严格控制回路以确保由光刻设备LA执行的图案化保持在过程窗口内。过程窗口定义了过程参数(例如，剂量、聚焦、重叠精度)的范围，在这些过程参数的范围内，特定制造过程会产生定义的结果(例如，功能性半导体装置)，通常允许光刻过程或图案化过程中的过程参数在这些过程参数的范围内变化。

计算机系统CL可以使用待图案化的设计布局(的一部分)来预测待使用哪种分辨率增强技术并且执行计算光刻模拟和计算，以确定哪些掩模布局和光刻设备设置实现了图案化过程的最大的总体过程窗口(在图3中由第一标度SC1中的双箭头表示)。通常，分辨率增强技术被布置成匹配光刻设备LA的图案化可能性。计算机系统CL还可用于检测光刻设备LA当前正在过程窗口内的哪个位置操作(例如，通过使用来自量测工具MT的输入)，以预测是否由于例如次最佳过程而可能存在缺陷(在图3中由第二标度SC2中的指向“0”的箭头表示)。

量测工具MT可以向计算机系统CL提供输入，以实现准确的模拟和预测，并且可以向光刻设备LA提供反馈以识别，在例如光刻设备LA的校准状态下的可能漂移(在图3中由第三标度SC3中的多个箭头表示)。

因此，所提出的方法包括作为制造过程的一部分的做出决定，该方法包括：获得与制造过程的光刻曝光步骤的一个或多个参数相关的扫描器数据；从扫描器数据导出类别指示符，该类别指示符指示制造过程的质量；并且，基于类别指示符决定动作。与光刻曝光步骤的一个或多个参数相关的扫描器数据可以包括：由扫描器本身在曝光步骤期间或在曝光准备步骤中产生的数据，和/或由其他台(例如，独立测量/对准台)在曝光准备步骤中生成的数据。因此，不一定必须由扫描器生成或在扫描器内生成。术语扫描器通常用于描述任何光刻曝光设备。

图4是描述利用故障检测和分类(FDC)方法/系统，在制造过程中做出决定的方法的流程图。在曝光期间生成扫描器数据400(即，曝光扫描器数据)，或在维护动作之后生成扫描器数据400(或者通过任何其他装置)。该扫描器数据400(其本质上是数字)被馈送到FDC系统410中。FDC系统410将数据转换成基于扫描器物理知识的功能指示符，并且根据系统物理知识来聚集这些功能指示符，以便确定每个衬底的类别系统指示符。类别指示符可以是二进制的，诸如满足质量阈值(OK)或不满足质量阈值(NOK)。可选地，可以存在两个以上的类别(例如，基于统计分箱(binning)技术)。

基于扫描器数据400，并且更具体地，基于分配给衬底的类别指示符，来做出检查决定420以决定是否要检查/检测衬底。如果决定不检查衬底，则衬底被送往处理430。这些衬底中的一些衬底可能仍然会经历量测步骤440(例如，输入用于控制回路的数据和/或验证在步骤420做出的决定)。如果在步骤420决定检查，则对衬底进行测量440，并且基于测量的结果，做出返工决定450，决定是否要返工衬底。在另一实施例中，直接基于由FDC系统410确定的类别质量值做出返工决定，而无需检查决定。取决于返工决定的结果，衬底被返工460，或者被认为是OK并且被转移进行处理430。如果是后者，则这将表示分配给该衬底的类别指示符是不正确/不准确的。注意的是，所示的实际决定(检查和/或返工)仅是示例性的，并且其他决定可以基于从FDC输出的类别值/建议，和/或FDC输出可以用于触发警报(例如以指示扫描器性能较差)。每个衬底的返工决定450的结果被反馈到FDC系统410。FDC系统可以使用该数据来细化和验证其类别和决定建议(所分配的类别指示符)。特别地，FDC系统可以对照实际决定验证所分配的类别指示符，并且基于此，对类别标准做出任何适当的改变。例如，FDC系统可以基于所述验证来改变/设置任何类别阈值。因此，应当反馈回在步骤450处用户做出的所有返工决定，以便验证FDC系统410的所有检查决定。以这种方式，FDC系统410系统内的类别分类器被在生产期间持续地训练，使得该类别分类器接收更多数据并且因此随着时间变得更准确。

扫描器产生数字扫描器或曝光数据，其包括由扫描器在曝光期间生成的数字数据参数或指示符。例如，该扫描器数据可以包括由扫描器生成的、可能对FDC系统将建议的决定有影响的任何数据。例如，扫描器数据可以包括在曝光(或准备曝光)期间常规进行的测量的测量数据，例如，掩模版和/或晶片对准数据、调平数据、透镜像差数据、任何传感器输出数据等。扫描器数据还可以包括不太常规的测量数据(或估计数据)，例如，来自不太常规的维护步骤的数据、或者从其推断的数据。这样的数据的具体示例可以包括EUV系统的源收集器污染数据。FDC系统基于扫描器数据导出数字功能指示符。可以关于生产数据训练这些功能指示符，以便反映扫描器的实际使用情况(例如，温度、曝光间隔等)。可以例如使用统计学、线性/非线性回归、深度学习或贝叶斯(Bayesian)学习技术来训练功能指示符。例如，可以基于扫描器参数数据和域知识来构建可靠且准确的功能指示符，其中域知识可以包括测量扫描器参数与名义的偏差。名义可以基于系统/过程和扫描器行为的已知物理学。

然后，可以定义将这些指示符链接到产品上类别指示符的模型。类别可以是二进制的(例如，OK/NOK)，或者是基于测量分箱或图案的更高级类别。链接模型将物理驱动的功能指示符绑定到针对特定的用户应用和工作方式所观察的产品影响。类别指示符根据系统的物理学而聚集功能指示符。可以存在类别指示符的两个或更多个级别或层级，每个级别或层级用于特定的错误贡献项。例如，第一级别可以包括重叠贡献项(例如，对X方向场内重叠的掩模版对准贡献项、对Y方向场间重叠的掩模版对准贡献项、对场内CD的调平贡献项等)。第二级别的类别指示符可以聚集第一级别的类别指示符(例如，根据方向、和/或根据用于重叠的场间对场内、和/或根据用于CD的场间对场内)。这些可以被进一步聚集在第三级别中；例如，重叠OK/NOK、和/或CD OK/NOK。上述类别指示符仅仅是示例，并且可以使用任何合适的替代指示符。然后，可以使用这些指示符来提供建议和/或做出处理决定，诸如是否检查和/或返工衬底。

可以基于机器学习技术从模型/模拟器导出类别指示符。这种机器学习模型可以用根据其合适的类别(即，应当返工)所标记的历史数据(先前指示符数据)来训练。标记可以基于(例如，从用户输入的)行内(expert)数据和/或(例如，基于)测量结果，使得模型被教导成基于来自扫描器数据的未来数字数据输入，提供有效且可靠的衬底质量的预测。例如，系统类别指示符训练可以使用前馈神经网络、随机森林、和/或深度学习技术。注意的是，FDC系统不需要知道用于该训练的任何用户敏感数据；仅需要高级别的类别、容差和/或决定(例如，是否将返工衬底)。

图5描绘了结合稳定性模块500(在该示例中，基本上是在服务器上运行的应用程序)的整体光刻和量测方法。示出了三个主过程控制回路，标记为1、2、3。第一回路使用稳定性模块500和监视晶片提供了针对光刻设备的稳定性控制的循环监视。监视晶片(MW)505被示出为从光刻单元510通过，已经被曝光以设置用于聚焦和重叠的基线参数。在稍后的时间，量测工具(MT)515读取这些基线参数，然后由稳定性模块(SM)500解释这些基线参数，以计算校正路线，从而提供扫描器反馈550，扫描器反馈550被传递到主光刻设备510并且在执行进一步曝光时被使用。监视晶片的曝光可以涉及在参考标记的顶部上印制标记图案。通过测量顶部和底部的标记之间的重叠误差，即使在晶片已经从设备移除并且被放置在量测工具中时，也可以测量光刻设备的性能偏差。

第二(APC)回路用于对产品的局部扫描器控制(确定产品晶片的聚焦、剂量和重叠)。经曝光的产品晶片520被传递到量测单元515，确定例如与诸如临界尺寸、侧壁角度和重叠的参数相关的信息，并且传递到高级过程控制(APC)模块525。该数据还被传递到稳定性模块500。在制造执行系统(MES)535接管之前进行过程校正540，从而提供对主光刻设备510的控制，并且与扫描器稳定性模块500通信。

第三控制回路允许将量测集成到第二(APC)回路中(例如，用于双重图案化)。蚀刻后的晶片530被传递到量测单元515，量测单元515再次测量从该晶片读取的参数(诸如，临界尺寸、侧壁角度和重叠)。这些参数被传递到高级过程控制(APC)模块525。接下来，该回路与第二回路相同。

图6描绘了在用于稳定性控制的循环监视情况下的一组光刻设备的正常操作的示意图。在下面给出的示例中，光刻设备是扫描器。四个深紫外扫描器DUV1至DUV4被示出为在光刻曝光步骤n-1处理了四个晶片批次WL1至WL4。然后，这些晶片批次被在下一光刻曝光步骤n中在四个极紫外扫描器EUV1至EUV4中进行处理。晶片批次具有专用路线。例如，晶片批次WL1在深紫外扫描器DUV1中曝光，然后在极紫外扫描器EUV1中曝光。

每个扫描器具有用于稳定性控制的循环监视的过程，如参考图5所描述的。通过测量在各个光刻设备上周期性处理的一个或多个监视衬底来获得监视数据。在图6中，例如，极紫外扫描器EUV2处理监视晶片EMW，监视晶片EMW被量测工具MW测量，量测工具MW输出重叠测量结果OV给稳定性模块SM。重叠测量结果OV被记录为晶片图E2M，晶片图E2M包括重叠测量结果网格(其可以表示为重叠残差(residual))。因此，从第一光刻设备EUV2的用于稳定性控制的循环监视获得第一监视数据E2M。第一监视数据E2M在第一布局中。例如，每个基准在衬底上具有被进行测量的特定位置。而且，如在此实例中描绘的，深紫外扫描器DUV2处理监视晶片DMW，监视晶片DMW被量测工具MW测量，以向稳定性模块SM输出重叠测量结果OV。重叠测量结果OV被记录为晶片图D2M，晶片图D2M包括重叠测量结果的网格。因此，从第二光刻设备DUV2的用于稳定性控制的循环监视获得第二监视数据D2M。第二监视数据D2M在不同于第一布局的第二布局中。这种差异来自监视晶片EMW和DMW上的特征的不同布局和密度，以及用于重叠测量的样本方案的差异。这对于诸如DUV和EUV的不同平台是可预期的。

图7描绘了需要跨平台光刻匹配的光刻设备不可用的问题。图6示出了所选择的扫描器。EUV扫描器中的一个扫描器EUV2不可用于生产，这可能是因为其因预防性维护而停机。因此，出现以下问题：接下来应当在何处处理来自第二DUV扫描器DUV2的晶片批次WL2？可用的EUV扫描器EUV1、EUV3或EUV4中的哪个应该被使用？可以通过确定EUV扫描器中的哪个具有与DUV扫描器DUV2的最佳重叠匹配性能来找到答案。

图8描绘了使用常规方法确定跨平台光刻匹配性能。在第二DUV扫描器DUV2上曝光跨平台测试晶片XW，并且量测工具MT测量重叠OV2。测试晶片XW被返工RW1并且在第一EUV工具EUV1中曝光。接下来，量测工具MT测量重叠OV1。测试晶片XW被返工RW2并且在第三EUV工具EUV3中曝光。然后，量测工具MT测量重叠OV3。最后，测试晶片XW被返工RW3并且在第四EUV工具EUV4中曝光。然后，量测工具MT测量重叠OV4。通过计算相应的重叠测量结果OV2和OV1之间的差异，确定第二DUV扫描器DUV2和第一EUV扫描器EUV1之间的跨平台重叠匹配性能。使其余EUV扫描器中的每个(即，OV2-OV3和OV2-OV4)重复此过程。对差异进行分级，并且确定具有最小差异的EUV扫描器具有最佳的重叠匹配性能。然后，晶片批次WL2具有通过该扫描器的路线。参考图8描述的专用验证测试扫描器设置程序作为先决条件，这会花费数小时的时间。仅在非常必要时才执行，因此不能用于日常监视目的，而这对于大批量的制造环境是必要的。

其他已知的匹配方法使用来自用于稳定性控制(漂移控制，DC)的循环监视的输出，诸如关于图5所描述的。这种方法需要非常复杂的模型，来从每个校准数据集中提取正确的参数并且将这些参数映射到扫描器参数。扫描器能力的任何改变都需要该模型的精细改变。不是模型的一部分的任何误差贡献都可能潜在地在系统之间引入不期望的漂移。

为了解决这些问题中的一个或多个，提出了改进的匹配方法。这样的方法包括：获得与多个工具相关的多个数据集；获得模型，所述模型被配置成将所述数据集表示为在减小的空间中的减小的数据集，所述减小的空间包括减小的维度；并且，基于匹配减小的空间中的所述减小的数据集来确定匹配度量。

将描述三个主要实施例，第一基于物理学的方法以及第二和第三数据驱动的方法。第一方法部分地基于图4的FDC系统，并且特别地基于从其导出的功能指示符。

该实施例是基于以下事实：扫描器功能指示符与使用物理学/域知识的扫描器数据(例如，对准数据/调平数据/透镜数据/等)相关。各种功能指示符或由其限定的功能指纹的关系是扫描器和产品指定的(训练的)。功能指示符或指纹被表示在减小的(或潜)特征空间中，使得相似的扫描器表现为该特征空间中的集群。

图9包括三个图，这些图示出了功能(和类别)指示符的导出，以及它们相比当前使用的统计指示符的有效性。图9(a)是原始参数数据的图，更具体地为掩模版对准(RA)相对于时间t的图。原始参数数据可以与扫描器和/或光刻过程的任何参数相关。图9(b)是根据本文描述的方法导出的等效的(例如，用于掩模版对准的)非线性模型函数(或拟合)mf。如所描述的，这种模型可以根据扫描器物理学的知识导出，并且可以进一步在生产数据上进行训练(例如，在该特定情况下，在执行感兴趣的特定制造过程时执行掩模版对准测量)。例如，对该模型的训练可以使用统计、回归、贝叶斯学习或深度学习技术。图9(c)包括图9(a)和图9(b)的图之间的残差Δ，其可以被用作本文中公开的方法的功能指示符。一个或多个阈值ΔT(例如，最初基于用户知识/行内意见，和/或如所描述的进行训练)可以被设置和/或学习，从而提供类别指示符。特别地，在训练类别分类器的训练阶段期间，由类别分类器块430(图4)学习阈值ΔT。这些阈值实际上可能是未知的或隐藏的(例如，当由神经网络实现时)。例如，类别指示符可以与重叠、聚焦、临界尺寸、临界尺寸均匀性中的一个或多个相关(例如，基于值在阈值的哪一侧的OK/NOK，但是非二进制的类别指示符也是可能的并且可设想的)。

将这与目前通常对原始数据采用的统计控制技术进行比较是有益的。将统计阈值RAT设置为图9(a)的原始数据将使得，在时间t1识别到异常值，但不是时间t3处的异常值。此外，会错误地将时间t2处的点识别为异常值，但实际上根据本文中公开的类别指示符，时间t2处的点不是异常值(即，它是OK的)(如图9(c)所示出的)。

可以沿着晶片在扫描器和/或其他工具的寿命(例如，自装载、测量(对准/调平等)、曝光等)来定义功能指示符。因此，可以以与图9所示的方式相同的方式处理与多个扫描器和过程参数相关的原始数据，以获得每个数据的功能指示符，其中功能指示符包括相对于预期行为、名义行为或平均行为的残差(例如，随着时间)。这些功能指示符可以按工具(和/或按过程)组合和/或聚集以获得扫描器功能指纹，所述扫描器功能指纹包括具有定义扫描器的产品上性能的功能的模型。

特别地，半监督机器学习技术可以应用于功能指示符，以识别扫描器功能指纹。这样的指纹将对于每个扫描器以及可选地根据产品和层而不同。通过检查在晶片的寿命期间的不同指示符，行内规则也可以确定待使用的最关键的匹配功能指示符(即，确定哪些功能指示符与匹配更相关)，和/或最可能由过程引起的变化，因此不应当使用扫描器匹配。

然后可以对功能指示符或功能指纹进行分级；例如，根据它们与感兴趣的工具(诸如，(例如对于连续层)被匹配的工具或被替换的工具)的相似性。因此，如果存在将机器与另一机器匹配(或替换)的需求，则可以在表示功能指示符或指纹的减小的(或潜)空间中，按照其他机器对于被匹配和替换的机器的接近度来分级其他机器(例如，基于对功能指示符或功能指纹的相似性的测量)。

可以将(例如无监督或半监督的)机器学习方法(诸如聚类算法等)应用于减小的或潜特征空间(可以在文档中互换地使用减小的和潜特征空间)内的扫描器指纹数据或功能指示符。这种聚类算法可以学习“正常”区域(例如，用于描述名义或平均扫描器行为)，所述“正常”区域具有高密度的数据点。在这种减小的空间中，工具/扫描器之间的距离或其他匹配度量表示机器的匹配程度。

在一个实施例中，诸如关于图4所描述的经训练模型和决定工作框架可以用于扫描器匹配和/或扫描器选择，例如以验证刚刚描述的方法的结果，或者作为其替代。所述方法可以包括：使用被训练为基于扫描器功能指示符绝对地预测每晶片性能的(例如，扫描器特定)分类器(例如，神经网络)。例如，曝光于第一扫描器的批次可以运行通过与被评估的第二扫描器相关的FDC引擎，以确定第二扫描器是否与第一扫描器良好匹配。FDC引擎可以针对该扫描器组合返回每个检查类型的故障概率预测。预测结果(百分比形式的可能性)之间的差异结合功能指示符值可以提供对预期的产品上性能匹配的进一步洞察。通过在多个批次上重复该过程，可以收集统计信息。

例如，如果扫描器不可用，则可以将来自该扫描器的最近数据转换为一系列功能指示符(例如，使用已经关于图4描述的方法)。可以将功能指示符输入到与不同扫描器相关联(例如，针对不同扫描器训练)的神经网络，并且可以将得到的类别指示符与不可用的扫描器相关联的值进行比较。在类别指示符相匹配或显示出高相关性的情况下，可以得出扫描器匹配良好的结论。

通过组合行内规则、半监督学习与统计比较的结果，可以针对给定产品、层和扫描器识别用于相同产品和层的最佳匹配扫描器。

现在将结合图10描述更多的数据驱动方法。所述方法使用编码器-解码器网络，其中编码器EN将输入数据x编码到减小的空间或潜(latent)空间表示LS，并且解码器DE将潜空间表示解码回原始数据或近似原始数据x’(假设进行了充分训练)。然后，可以在潜空间LS内执行匹配；例如，潜空间可以包括矢量表示和通过(n维)矢量比较的方式执行的匹配。

通常针于多个扫描器平台的历史扫描器数据集来训练模型。通过输入多个扫描器的数据(以扫描器ID为特征)，模型允许基于扫描器在潜空间内的位置来评估扫描器之间的相似性。因此，可以对工具进行分级；例如，根据它们与感兴趣的工具(诸如匹配的工具或被替换的工具)的相似性(在潜空间中的接近度)。

所述方法还可以用于基于选择潜空间内的参考值(例如，其中所表示的工具数据的平均值)来确定(匹配)校正，确定感兴趣的工具相对于该参考值的矢量位移，并且将该矢量位移解码成对感兴趣的工具(或每个工具)的校正，所述校正旨在去除这些差异，使得它们更相似地执行(即，全部示出与参考工具相似的性能)。

在特定实施例中，从循环监视中获得第一监视数据；例如通过关于图5描述的类型的监视晶片。所述数据可以包括重叠，或者针对基线监视及稳定性控制而对监视晶片执行的感兴趣测量的其他参数。因此，所评估的光刻匹配性能可以包括重叠匹配性能，并且监视数据可以包括重叠测量网格(例如，被描述为晶片图或指纹)。可以通过对在相应的光刻设备或其他工具上周期性地处理的一个或多个监视衬底进行测量，来获得监视数据。例如，监视数据可以包括与多个光刻曝光场对应的场间数据和与光刻曝光场对应的场内数据中的一个或两个。

可选地，监视数据可以包括其他扫描器背景数据：诸如还可以包括对准数据、调平数据、温度数据等。在潜空间内的转变可以将每个扫描器转变成参考或平均扫描器。然后，输出可以包括机器匹配重叠校正集(例如，包括对每个扫描器的校正)。

现有机器匹配方法和相关模型的知识可以被包括在编码器网络中(例如，将先前运行的一些或所有参数和功能平均化)。可以通过将潜空间矢量投影回到测量/机器参数来研究工具之间的差异。

测量数据被映射到潜空间中的矢量，使得可以对潜空间中的矢量执行基本数学运算(例如加法、减法)。因此，可以对数据集减去(或加上)特定参考状态。而且，可以基于数据集的性质执行其他运算，例如，减去与第一类型的扫描器相关的参考数据(参考状态)和加上与第二类型的扫描器相关的参考数据。经训练的网络可以捕获未知的错误源并且适应新的扫描器能力，并且为跨平台匹配提供更容易的校正。

在实践中，当执行机器匹配时，区分出可以由APC/扫描器校准固定的部分与导致增加的重叠和/或聚焦的扫描器与扫描器的差异是有挑战的。这是因为，尽管扫描器与扫描器的差异的统计性质看起来在小的/受限的范围内(就平均值和标准偏差而言)，但是非线性效应对指纹差异的影响可能是显著的。

因此，在第三主要实施例中，提出了一种非线性数据驱动机器匹配方法。所述方法包括，通过使用非线性降维技术(诸如聚类和流形学习技术)，识别与扫描器相关的检测数据(例如，如从已经描述的监视晶片获得)的潜结构。一旦聚类，在监视数据内识别共享相似性但不具有相同形状的第一组或集群。然后，这些第一组各自去除了它们的主要指纹，这是因为这些指纹可以例如使用上述的APC校正回路进行校正。剩余的是与每个个别的机器/卡盘/轨道等特有的纳米级效应特性相关的经处理监视数据(指纹)。因此，该经转变的监视数据可以用于揭示扫描器的理想/校准性能。通过对该经处理的监视数据执行第二非线性降维(例如，使用聚类和流形学习技术)，可以获得多个第二组(最终数据组)。这些第二组或数据组中的每一个可以确定机器的建议匹配。该方法是数据驱动的事实意味着没有必要进行假设，并且所确定的匹配仅依赖于所测量的数据和性能。

图11是描述以使机器的纳米级差异尽可能小的方式来匹配(例如，光刻)机器的这种方法的流程图。使用已知或标准建模技术(例如，使用6个参数或更高阶或任何其他对准模型)来对监视数据集1100(例如，监视晶片的感兴趣数据中的重叠、聚焦或其他参数)进行建模1110，以获得经建模数据集(例如，指纹数据)。在步骤1120，对指纹数据执行第一聚类和流形学习步骤，并且在步骤1130，去除每个聚类或组的共同数据(例如，去除每个组的平均值)。在步骤1140，对经处理数据(已经去除了共性内容)执行第二聚类和流形学习步骤。在步骤1150，将被一起分组在由先前步骤限定的潜空间中的机器识别为匹配机器(或其部件，例如轨道/卡盘等)。可以对潜表示执行图案分类或特征提取步骤1160(例如，主分量分析、其他分量分析、或任何图案识别和特征提取算法)，以识别和分类集群中的图案和趋势。每个集群可以表示具有相似行为的多个机器，并且该行为可以源自若干独立的根本原因。此最后步骤1160可以用于找到和识别在一个集群内所观察到的行为的这些根本原因/故障模式(例如热诱发图案、晶片装载诱发图案)。

图12示出了以简单2D示例的聚类和流形学习步骤。图12(a)是指纹数据的示例，并且图12(b)示出了聚类步骤的结果，从而示出了三个主要集群或组(每个都在图中被圈出)。图12(c)是可以用于识别潜过程的“连续”结构的数据的流形表示。然后可以对该数据进行分级以获得图12(d)的表示，其描述了数据在集群内的顺序。

此实施例的基本方法还可用于经由监视晶片来进行生产监视。图13概念性地示出了基本概念。由图11描述的前述步骤可以用于计算/识别与多个机器相关的监视数据的潜结构。图13(a)示出了这种方法的结果，其中每个点表示监视晶片。这示出了机器在监视晶片形状方面如何执行的快照。图13(b)是感兴趣的集群的单独快照，并且包括特定机器/卡盘/轨道的监视晶片；然后可以使用该快照作为参考来检查未来的晶片。如果一切都在控制之下，则具有相同来源的任何新的/未来的晶片应当被属于/识别为当前集群和流形的成员。这种未来晶片由图13(c)中的灰点表示。另一方面，当形成新的集群时，如图13(c)中的黑点所表示的。这表示在例如监视晶片生产中存在显著变化，并且当这种情况发生时可能会相应地出现标记。

注意的是，本文的教导(对于所有实施例)可以被扩展到可能存在匹配需求(例如也可以是替换不可用的)和/或被追踪到相对于参考的漂移并且待进行校正的任何类型的处理工具。除了扫描器(或步进器或任何其他光刻曝光工具)之外，这种工具可以包括任何量测工具、抛光工具、蚀刻工具/室、沉积工具等。

本文中描述的方法可以用于构建产品，所述产品(1)将扫描器与主动控制回路一起调谐，(2)优化晶片在生产中的路线，和/或(3)进行扫描器到过程设备匹配。

应当注意，尽管本文的描述通常涉及(单个)潜(或缩小特征)空间，但这不应被认为是限制性的。本文描述的原理可以与任何数量的潜空间一起应用和/或应用于任何数量的潜空间。例如，本文中所描述的系统、方法、(量测)设备、非暂时性计算机可读介质等可以被配置成使得，可以基于与多个扫描器相关联的并且在多个(例如，至少两个)潜空间中表示的一个或多个数据，来确定匹配度量及/或校正。

多个潜空间可以串行使用(例如，用于分析数据集和/或进行第一匹配预测、然后第二匹配预测等)、并行使用(例如，用于分析数据集和/或同时地进行匹配预测)、和/或以其他方式。有利地，与合适的模型相关联的各个潜空间与单个潜空间相比可以更稳定。例如，不同的潜空间可以聚焦于数据集的特定性质，例如，一个用于检索与感兴趣的扫描器的重叠性质相关的第一匹配度量、另一个用于基于所述感兴趣的扫描器的投影光学器件的像差的扫描器分类，等等。一个组合的潜空间可以被配置成捕获所有可能性，而在不同的潜空间的情况下，每个潜空间可以被配置成(例如被训练成)聚焦于数据集的特定主题和/或方面。各个潜空间可能更简单，但是更擅于捕获信息(例如，在相应设置时)。

在一些实施例中，一个或多个潜空间可以包括至少两个潜空间、多个潜空间、和/或其他数量的潜空间，其中单个潜空间对应于用于定义潜空间的模型的不同机制。模型的不同机制可以包括编码机制(例如，图10所示的EN)、解码机制(例如，图10所示的DE)、匹配度量确定机制、以及扫描器校正确定机制(例如，确定一个或多个校正来提高扫描器之间的匹配质量)。在一些实施例中，不同的机制可以对应于由一个或多个模型用于确定感兴趣的参数(诸如匹配度量或校正)而执行的不同操作。通过非限制性示例的方式，在一些实施例中，可以并行使用多个潜空间，例如，一个用于图像编码和/或解码，另一个用于预测匹配度量，再一个用于校正设置(例如，预测或推荐扫描器设置点)等。相比于与多个机制相关联的单个潜空间，与不同机制相对应的各个潜空间可以更稳定。

在一些实施例中，各个潜空间可以与包括在用作输入(例如如图10中所描绘的输入‘x’)的(多个)数据集内的不同的独立参数相关联。与不同的独立参数相对应的各个潜空间也可以相比于与多个参数相关联的单个潜空间更鲁棒。例如，在一些实施例中，本系统和方法可以包括或利用用于匹配扫描器之间的重叠的第一潜空间，以及处理对成像性质具有影响(影响由感兴趣的扫描器产生的图案的维度性质)的干扰第二单独的潜空间。第一潜空间可以被配置成(例如，被训练成)执行重叠匹配或表征，而独立于第一潜空间，第二潜空间可以被配置成(例如，被训练成)处理由工具特定性质而引起的成像差异。应当注意，这仅仅是一个可能的示例，并且不旨在限制。可以设想许多其他可能的示例。

图14是示出可以辅助实现本文中所公开的方法和流程的计算机系统1400的框图。计算机系统1400包括用于通信信息的总线1402或其他通信机构，和与总线1402耦接以用于处理信息的处理器1404(或多个处理器1404和1405)。计算机系统1400也包括耦接至总线1402以用于储存待由处理器1404执行的指令和信息的主存储器1406，诸如随机存取存储器(RAM)或其他动态储存装置。主存储器1406也可以用于在待由处理器1404执行的指令的执行期间储存临时变量或其他中间信息。计算机系统1400还包括耦接至总线1402以用于储存用于处理器1404的静态信息和指令的只读存储器(ROM)1408或其他静态储存装置。设置诸如磁盘或光盘之类的储存装置1410，并且将其耦接至总线1402以用于储存信息和指令。

计算机系统1400可以经由总线1402耦接至用于向计算机用户显示信息的显示器1412，诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母数字按键和其他按键的输入装置1414被耦接至总线1402以用于将信息和命令选择通信至处理器1404。另一类型的用户输入装置是用于将方向信息和命令选择通信至处理器1404且用于控制显示器1412上的光标移动的光标控制件1416，诸如鼠标、轨迹球或光标方向按键。这种输入装置通常具有在两个轴线(即第一轴线(例如，x)和第二轴线(例如，y))上的两个自由度，其允许装置指定在平面中的位置。触控面板(屏幕)显示器也可以用作输入装置。

可以由计算机系统1400响应于处理器1404执行主存储器1406中所包含的一个或多个指令的一个或多个序列而执行如在本文中所描述的一个或多个方法。可以将这些指令从诸如储存装置1410的另一计算机可读介质读取至主存储器1406中。主存储器1406中所包含的指令序列的执行使处理器1404执行本文中所描述的过程步骤。呈多处理布置的一个或多个处理器也可以被采用来执行主存储器1406中所包含的指令序列。在替代实施例中，可代替或结合软件指令而使用硬连线电路系统。因此，本文中的描述不限于硬件电路与软件的任何特定组合。

如本文中所使用的术语“计算机可读介质”是指参与将指令提供至处理器1404以供执行的任何介质。这种介质可以采取许多形式，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1410。易失性介质包括动态存储器，诸如主存储器1406。传输介质包括同轴缆线、铜线和光纤，包括了包含总线1402的电线。传输介质也可以采取声波或光波的形式，诸如在射频(RF)和红外线(IR)数据通信期间所产生的声波或光波。计算机可读介质的常见形式包括例如软盘、软性磁盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、打孔卡、纸带、具有孔图案的任何其他实体介质、RAM、PROM和EPROM、FLASH-EPROM、任何其他存储器芯片或卡匣、如下文所描述的载波，或可供计算机读取的任何其他介质。

各种形式的计算机可读介质可被参与到将一个或多个指令的一个或多个序列携载至处理器1404以供执行。例如，最初可以将指令承载在远程计算机的磁盘上。远程计算机可以将指令加载至其动态存储器中，并且使用调制解调器通过电话线发送指令。在计算机系统1400本地的调制解调器可以接收电话线上的数据，并且使用红外线传输器将数据转换成红外线信号。耦接至总线1402的红外线检测器可接收红外线信号中所承载的数据且将数据放置在总线1402上。总线1402将数据承载至主存储器1406，处理器1404从所述主存储器获取和执行指令。由主存储器1406所接收的指令可以可选地在由处理器1404执行之前或之后被储存在储存装置1410上。

计算机系统1400也优选地包括耦接至总线1402的通信接口1418。通信接口1418提供与连接至局域网络1422的网络链路1420的双向数据通信耦接。例如，通信接口1418可以是综合业务数字网(ISDN)卡或调制解调器，以提供通往对应类型的电话线的数据通信连接。作为另一示例，通信接口1418可以是局域网络(LAN)卡以提供通往兼容LAN的数据通信连接。也可以实施无线链路。在任何这种实施中，通信接口1418发送和接收电信号、电磁信号或光学信号，所述信号承载表示各种类型的信息的数字数据串流。

网络链路1420通常通过一个或多个网络而将数据通信提供至其他数据装置。例如，网络链路1420可以通过局域网络1422向主计算机1424或向由因特网服务提供商(ISP)1426操作的数据装备提供连接。ISP 1426继而通过全球封包数据通信网络(现通常被称作“因特网”1428)而提供数据通信服务。局域网络1422和因特网1428两者都使用承载数字数据串流的电信号、电磁信号或光学信号。经过各种网络的信号和在网络链路1420上且经过通信接口1418的信号(所述信号将数字数据承载至计算机系统1400和从计算机系统承载数字数据)是输送信息的载波的示例形式。

计算机系统1400可以经过网络、网络链路1420和通信接口1418发送消息和接收包括过程代码的数据。在因特网示例中，服务器1430可以经过因特网1428、ISP 1426、局域网络1422和通信接口1418而传输用于应用程序的所请求的代码。例如，一个这样的下载应用程序可以提供用于对本文中所描述的一种或更多种技术。所接收的代码可以在接收时由处理器1404执行，和/或被储存在储存装置1410、或其他非易失性储存装置中以供稍后执行。以这种方式，计算机系统1400可以获得呈载波形式的应用程序代码。

可以以诸如参考图1描述的光刻设备来实现实施例，所述光刻设备包括：

照射系统，被配置成提供辐射的投影束；

支撑结构，被配置成支撑图案形成装置，所述图案形成装置被配置成根据期望的图案对所述投影束进行图案化；

衬底台，被配置成保持衬底；

投影系统，被配置成将图案化束投影到所述衬底的目标部分上，以及

处理单元，被配置成执行本文中描述的任何方法。

可以以诸如参考图2描述的光刻单元中表示的任何工具来实现实施例。

可以在包括用于使通用数据处理设备执行所描述的方法的步骤的机器可读指令的计算机程序产品中实现实施例。

虽然在本文中可以具体参考光刻设备在IC制造中的使用，但是应理解，本文中描述的光刻设备可以具有其他应用。可能的其他应用包括制造集成光学系统、用于磁畴存储器的引导和检测图案、平板显示器、液晶显示器(LCD)、薄膜磁头，等等。

尽管在本文中可以在检查或光刻设备的背景下具体提及本发明的实施例，但是本发明的实施例可以在其他设备中使用。本发明的实施例可以形成掩模检查设备、光刻设备、或者测量或处理诸如晶片(或其他衬底)或掩模(或其他图案形成装置)的物体的任何设备的部分。还注意的是，术语量测设备或量测系统涵盖术语检查设备或检查系统或者可以用术语检查设备或检查系统替代。本文中所公开的量测或检查设备可以用于检测衬底上或衬底内的缺陷和/或衬底上结构的缺陷。在这种实施例中，衬底上结构的特性可以与例如结构中的缺陷、缺少结构的特定部分、或在衬底上存在不期望结构相关。

尽管具体参考了“量测设备/工具/系统”或“检查设备/工具/系统”，但是这些术语可以指相同或相似类型的工具、设备或系统。例如，包括本发明的实施例的检查或量测设备可以用于确定实体系统的特性(诸如，衬底上或晶片上的结构)。例如，包括本发明的实施例的检查设备或量测设备可用于检测衬底的缺陷或者衬底上或晶片上的结构的缺陷。在这种实施例中，实体结构的特性可以与结构中的缺陷、缺少结构的特定部分、或在衬底上或晶片上存在不期望结构相关。

尽管上面已经具体参考了本发明的实施例在光学光刻的上下文中的使用，但是应当理解，在上下文允许的情况下，本发明不限于光学光刻，并且可以用于其他应用(例如压印光刻)。

在下面编号条项的列表中公开了其他实施例。

1.一种确定用于半导体制造的工具之间的匹配性能的方法，所述方法包括：

获得与多个工具相关的多个数据集；

获得在减小的空间中的所述数据集的表示，以获得减小的数据集，所述减小的空间具有减小的维度；并且

基于表征在所述减小的空间中的所述减小的数据集，确定匹配度量和/或匹配校正。

2.根据条项1所述的方法，其中，每个数据集与不同的相应工具相关。

3.根据条项1或2所述的方法，其中，所述数据集与一个或多个工具和/或制造参数随着时间的变化相关。

4.根据前述条项中的任一项所述的方法，其中，所述数据集描述在一个或多个工具的整个制造过程中衬底的参数。

5.根据前述条项中的任一项所述的方法，其中，所述表示包括至少一个模型，所述至少一个模型被配置成表示在所述减小的空间中的所述数据集，所述至少一个模型包括基于与特定制造步骤或过程相关的已知物理学和相关联工具的一个或多个功能模型，并且所述方法包括：根据所述一个或多个功能模型和所述多个数据集来确定一个或多个功能指示符。

6.根据条项5所述的方法，其中，所述一个或多个功能指示符描述参数值相对名义行为的偏差，所述名义行为从所述已知物理学导出。

7.根据条项5或6所述的方法，其中，使用以下中的一个或多个来训练所述一个或多个功能指示符中的每个：统计技术、优化、回归或机器学习技术。

8.根据条项5至7中的任一项所述的方法，包括：按工具和/或按过程来组合和/或聚集功能指示符以获得包括模型的工具功能指纹，所述模型的功能定义工具的性能。

9.根据条项8所述的方法，其中，将机器学习技术应用于所述功能指示符来识别所述工具功能指纹。

10.根据条项5至9中的任一项所述的方法，包括确定哪些功能指示符与所述匹配度量更相关。

11.根据条项5至10中的任一项所述的方法，包括根据所述匹配度量来分级所述功能指示符或工具功能指纹。

12.根据条项5至11中的任一项所述的方法，其中，所述分级包括：根据与感兴趣的工具或其他参考的相似性，分级所述功能指示符或工具功能指纹。

13.根据条项5至12中的任一项所述的方法，包括将聚类算法应用于所述功能指示符或工具功能指纹，以确定所述匹配度量。

14.根据条项5至13中的任一项所述的方法，包括：将基于参数数据输出一个或多个类别指示符的每个的值的决定模型应用于与被匹配的一个或多个工具相关的参数数据，所述一个或多个类别指示符中的每个指示制造过程的质量；以及

基于所述类别指示符来决定或验证机器是否匹配良好。

15.根据条项14所述的方法，包括使用针对第一工具被训练的决定模型以基于第二工具的参数数据绝对地预测该性能，以便评估第一工具和第二工具是否匹配良好。

16.根据条项14或15所述的方法，其中，通过根据针对所述一个或多个功能指示符所应用的和/或学习的一个或多个阈值分类所述功能指示符，来从所述一个或多个功能指示符导出所述一个或多个类别指示符中的每个。

17.根据条项1或2所述的方法，其中，所述表示包括编码器-解码器网络模型，所述编码器-解码器网络模型能够操作成将所述数据集编码成所述减小的空间表示，并且从所述减小的空间表示解码回所述数据集。

18.根据条项17所述的方法，其中，所述减小的空间表示是潜空间，所述潜空间包括矢量表示，并且所述匹配度量基于矢量比较。

19.根据条项18所述的方法，包括：

选择所述潜空间内的参考；

确定所述多个工具中的一个或多个相对于所述参考的矢量位移；以及

将所述矢量位移解码成对所述多个工具中的一个或多个的校正，每个校正使得相应的工具执行得更相似于所述参考。

20.根据条项17至19中的任一项所述的方法，包括：根据所述工具与感兴趣的工具或其他参考在所述潜空间中的接近度来分级所述工具。

21.根据条项17至20中的任一项所述的方法，包括：减去与第一类型工具相关的参考数据，以及加上在所述潜空间内与第二类型工具相关的参考数据，以使所述第一类型工具与所述第二类型工具匹配。

22.根据条项17至21中的任一项所述的方法，包括：针对多个工具和多个工具类型的历史扫描器数据集训练所述模型。

23.根据条项1或2所述的方法，其中，获得在减小的空间中的所述数据集的表示的所述步骤包括：对所述数据集执行一种或多种非线性降维技术。

24.根据条项23所述的方法，其中，所述一种或多种非线性降维技术包括：对所述数据集执行聚类和流形学习，以将所述数据集分组成数据组；并且

将所匹配工具确定为属于共同数据组的工具。

25.根据条项24所述的方法，包括：

执行第一聚类和流形学习步骤来获得第一组；

去除每个第一组的共同和/或主要数据图案来获得经处理数据集；并且

对所述经处理数据集执行第二聚类和流形学习步骤来获得所述数据组。

26.根据条项24或25所述的方法，进一步包括：对一个或多个数据组执行图案分类和/或特征分类步骤，以便识别根本原因或故障模式。

27.根据条项24至26中的任一项所述的方法，包括基于所述减小的空间执行生产监视；所述方法包括，

获得与实际生产过程相关的一个或多个其他所述数据集；

对于对应的所述数据组，参考所述减小的空间中的所述一个或多个其他所述数据集。

28.根据条项27所述的方法，包括：如果所述参考指示在所述一个或多个其他所述数据集相对于所述对应的所述数据组之间存在显著变化，则标记潜在问题。

29.根据条项17至28中的任一项所述的方法，其中，所述数据集中的每个包括：来自用于所述多个工具的稳定性控制的循环监视的监视数据。

30.根据条项29所述的方法，其中，所述监视数据包括重叠或聚焦测量网格。

31.根据条项29或30所述的方法，通过测量在相应工具上被周期性处理的一个或多个监视衬底来获得所述监视数据。

32.根据条项29、30或31所述的方法，其中，所述监视数据包括其他工具环境，诸如对准数据、调平数据、温度数据中的一个或多个。

33.根据前述条项中的任一项所述的方法，其中，所述多个工具包括以下中的一个或多个：光刻曝光工具、量测工具、抛光工具、蚀刻工具/室、以及沉积工具。

34.一种半导体制造过程，包括根据前述条项中的任一项所述的方法确定光刻匹配性能的方法。

35.一种计算机程序产品，包括用于使通用数据处理设备执行根据条项1至33中的任一项所述的方法的步骤的机器可读指令。

36.一种处理单元和存储装置，包括根据条项35所述的计算机程序产品。

37.一种光刻设备，包括：

照射系统，被配置成提供辐射的投影束；

支撑结构，被配置成支撑图案形成装置，所述图案形成装置被配置成根据期望的图案对所述投影束进行图案化；

衬底台，被配置成保持衬底；

投影系统，被配置成将图案化束投影到所述衬底的目标部分上；以及

根据条项36所述的处理单元。

38.一种光刻单元，包括条项37所述的光刻设备。

39.一种非暂时性计算机可读介质，在所述非暂时性计算机可读介质上具有指令，所述指令在被计算机执行时引起所述计算机：

获得与在半导体制造过程中使用的多个工具相关的多个数据集；

获得在减小的空间中的所述数据集的表示，以获得减小的数据集，所述减小的空间具有减小的维度；并且

基于表征在所述减小的空间中的所述减小的数据集，确定匹配度量和/或匹配校正。

40.根据条项39所述的介质，其中，所述减小的空间包括一个或多个潜空间。

41.根据条项40所述的介质，其中，所述一个或多个潜空间包括至少两个潜空间。

42.根据条项40或41所述的介质，其中，所述一个或多个潜空间包括多个潜空间，其中所述多个潜空间中的各个潜空间对应于模型的用于定义所述一个或多个潜空间的不同机制。

43.根据条项42所述的介质，其中，所述模型的不同机制包括编码机制和解码机制。

44.根据条项43所述的介质，其中，所述模型的不同机制进一步包括匹配度量确定机制和/或工具校正确定机制。

45.根据条项40至44中的任一项所述的介质，其中，所述一个或多个潜空间包括与包括在所述多个数据集内的不同独立参数相关联的至少两个潜空间。

46.根据条项45所述的介质，其中，所述不同独立参数包括重叠相关参数和成像相关参数。

47.根据条项1至33中的任一项所述的方法，其中，所述减小的空间包括一个或多个潜空间。

48.根据条项47所述的方法，其中，所述一个或多个潜空间包括至少两个潜空间。

49.根据条项47或48所述的方法，其中，所述一个或多个潜空间包括多个潜空间，其中所述多个潜空间中的各个潜空间对应于模型的用于定义所述一个或多个潜空间的不同机制。

50.根据条项49所述的方法，其中，所述模型的不同机制包括编码机制和解码机制。

51.根据条项50所述的方法，其中，所述模型的不同机制进一步包括匹配度量确定机制和/或工具校正确定机制。

52.根据条项47至51中的任一项所述的方法，其中，所述一个或多个潜空间包括与包括在所述多个数据集内的不同独立参数相关联的至少两个潜空间。

53.根据条项52所述的方法，其中，所述不同独立参数包括重叠相关参数和成像相关参数。

尽管以上已经描述了本发明的特定实施例，但是应该理解的是本发明可以以与上述不同的形式实现。上面的描述旨在是说明性的而非限制性的。因此，本领域普通技术人员可以理解，在不偏离下述权利要求的保护范围的情况下可以对所描述的发明进行修改。

Claims (15)

1.一种确定用于半导体制造的工具之间的匹配性能的方法，所述方法包括：

获得与多个工具相关的多个数据集；

获得在减小的空间中的所述数据集的表示，以获得减小的数据集，所述减小的空间具有减小的维度；并且

基于表征在所述减小的空间中的所述减小的数据集，确定匹配度量和/或匹配校正。

2.根据权利要求1所述的方法，其中，每个数据集与不同的相应工具相关。

3.根据权利要求1所述的方法，其中，所述数据集与一个或多个工具和/或制造参数随着时间的变化相关。

4.根据权利要求1所述的方法，其中，所述表示包括至少一个模型，所述至少一个模型被配置成表示在所述减小的空间中的所述数据集，所述至少一个模型包括基于与特定制造步骤或过程相关的已知物理学和相关联工具的一个或多个功能模型，并且所述方法包括：根据所述一个或多个功能模型和所述多个数据集来确定一个或多个功能指示符。

5.根据权利要求4所述的方法，其中，所述一个或多个功能指示符描述参数值与名义行为的偏差，所述名义行为从所述已知物理学导出。

6.根据权利要求4所述的方法，其中，使用机器学习技术来训练所述一个或多个功能指示符中的每个。

7.根据权利要求4所述的方法，包括按工具和/或按过程来组合和/或聚集功能指示符以获得包括模型的工具功能指纹，所述模型的功能定义工具的性能。

8.根据权利要求4所述的方法，包括确定哪些功能指示符与所述匹配度量更相关。

9.根据权利要求4所述的方法，包括将基于参数数据输出一个或多个类别指示符中的每个的值的决定模型应用于与被匹配的一个或多个工具相关的参数数据，所述一个或多个类别指示符中的每个指示制造过程的品质；并且基于所述类别指示符来决定或验证机器是否匹配良好。

10.根据权利要求1所述的方法，其中，所述表示包括编码器-解码器网络模型，所述编码器-解码器网络模型能够操作成将所述数据集编码成所述减小的空间表示，并且从所述减小的空间表示解码回所述数据集。

11.根据权利要求1所述的方法，其中，获得在减小的空间中的所述数据集的表示的所述步骤包括：对所述数据集执行一种或多种非线性降维技术，其中，所述一种或多种非线性降维技术包括：对所述数据集执行聚类和流形学习，以将所述数据集分组成数据组；以及将所匹配工具确定为属于共同数据组的那些工具。

12.一种非暂时性计算机可读介质，在所述非暂时性计算机可读介质上具有指令，所述指令被由计算机执行时引起所述计算机：

获得与在半导体制造过程中使用的多个工具相关的多个数据集；

获得在减小的空间中的所述数据集的表示，以获得减小的数据集，所述减小的空间具有减小的维度；并且

基于表征在所述减小的空间中的所述减小的数据集，确定匹配度量和/或匹配校正。

13.根据权利要求12所述的介质，其中，所述减小的空间包括多个潜空间，其中所述多个潜空间中的各个潜空间对应于用于定义所述减小的空间的模型的不同机制。

14.根据权利要求13所述的介质，其中，所述模型的不同机制进一步包括：匹配度量确定机制和/或工具校正确定机制。

15.根据权利要求14所述的介质，其中，所述一个或多个潜空间包括与包括在所述多个数据集内的不同独立参数相关联的至少两个潜空间。

Images