CN115398345A

CN115398345A - 在半导体制造过程中用于确定对于一组衬底的检查策略的方法

Info

Publication number: CN115398345A
Application number: CN202180026334.4A
Authority: CN
Inventors: E·库利拉吉斯; C·兰希亚; J·M·冈萨雷斯韦斯卡; A·伊普玛; D·格科鲁; R·沙雷伊恩
Original assignee: ASML Holding NV
Current assignee: ASML Holding NV
Priority date: 2020-04-02
Filing date: 2021-03-01
Publication date: 2022-11-25
Also published as: WO2021197730A1; TW202205025A; TWI775350B; US11740560B2; EP4127834A1; US20230058166A1; KR20220147672A

Abstract

描述了一种用于确定针对至少一个衬底的检查策略的方法，所述方法包括：使用预测模型，基于与所述衬底相关联的预处理数据以及与所述至少一个衬底相关联的任何可用的后处理数据中的一者或两者来量化与顺应品质要求的预测相关的顺应性指标的顺应性指标值；和基于以下各项来决定对于所述至少一个衬底的检查策略：所述顺应性指标值、与所述检查策略相关联的预期成本、以及描述在与所述预测模型相关的至少一个目标权利要求所述检查策略的预期值的至少一个目标值。

Description

在半导体制造过程中用于确定对于一组衬底的检查策略的方法

相关申请的交叉引用

本申请要求保护于2020年4月02日递交的欧洲申请20167648.3、于2020年5月13日递交的欧洲申请20174335.8、和于2020年9月28日递交的欧洲申请20198754.2的优先权，这些欧洲申请的全部内容通过引用并入本文中。

技术领域

本发明涉及半导体制造过程，具体地，涉及用于在半导体制造过程中作出决策(诸如是否应检查衬底)的方法。

背景技术

光刻设备是被构造成将期望的图案施加至衬底上的机器。光刻设备可以用于例如集成电路(IC)的制造中。光刻设备可以例如将图案形成装置(例如掩模)处的图案(也经常被称为“设计布局”或“设计”)投影至被设置在衬底(例如晶片)上的辐射敏感材料(抗蚀剂)层上。

为了将图案投影于衬底上，光刻设备可以使用电磁辐射。这种辐射的波长确定可以形成在衬底上的特征的最小大小。当前在使用中的典型波长是365nm(i线)、248nm、193nm和13.5nm。与使用例如具有约193nm的波长的辐射的光刻设备相比，使用具有在4nm至20nm的范围内(例如6.7nm或13.5nm)的波长的极紫外(EUV)辐射的光刻设备可以用于在衬底上形成较小特征。

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，可以将分辨率公式表达为CD＝k₁×λ/NA，其中λ是所使用的辐射的波长、NA是光刻设备中的投影光学器件的数值孔径、CD是“临界尺寸”(通常是所印制的最小特征大小，但在这种情况下是半节距)且k₁是经验分辨率因子。通常，k₁越小，则在衬底上再现类似于由电路设计者规划的形状和尺寸以便实现特定电功能性和性能的图案变得越困难。为了克服这些困难，可以将复杂的微调步骤应用至光刻投影设备和/或设计布局。这些步骤包括例如但不限于：NA的优化、自定义照射方案、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效应校正(OPC，有时也被称为“光学和过程校正”)，或通常被定义为“分辨率增强技术”(RET)的其它方法。替代地，用于控制光刻设备的稳定性的严格控制回路可以用于改善在低k1下的图案的再现。

这些严格控制回路通常是基于使用量测工具而获得的量测数据，所述量测工具测量所施加的图案或表示所施加的图案的量测目标的特性。通常，量测工具是基于图案和/或目标的位置和/或尺寸的光学测量。本质上假定这些光学测量表示集成电路的制造过程的品质。

除了基于光学测量进行的控制以外，也可以执行基于电子束的测量；在所述基于电子束的测量当中，可以运用一种使用(如由HMI提供的)电子束工具的所谓低电压测量。这种低电压对比测量指示了被施加至所述衬底的多个层之间的电接触部的品质。

任何量测或检查花费大量时间且因此仅可以在实际系统中检查经处理的晶片的小部分。不同晶片的检查过程的总体益处将在不同晶片间变化。如此，期望用于作出诸如应检查哪些晶片之类的决策的改善方法。

发明内容

本发明人的目的是解决现有技术的所提及的缺点。

在本发明的第一方面中，提供一种用于确定针对至少一个衬底的检查策略的方法，所述方法包括：使用预测模型，基于与所述衬底相关联的预处理数据、以及与所述至少一个衬底相关联的任何可用的后处理数据中的一者或两者来量化与对于与品质要求的顺应性即符合性所进行的预测相关的顺应性指标的顺应性指标即合规性指标；以及基于以下各项决定对于所述至少一个衬底的检查策略：所述顺应性指标值、与所述检查策略相关联的预期成本、以及对在与所述预测模型相关的至少一个目标方面所述检查策略的预期值进行描述的至少一个目标值。

附图说明

现在将参考随附的示意性附图仅通过举例的方式描述本发明的实施例，在附图中：

图1描绘光刻设备的示意性概略图；

图2描绘光刻单元的示意性概略图；

图3描绘整体光刻的示意性表示，其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是根据本发明的第一实施例的作出决策方法的流程图；

图5是根据本发明的第二实施例的作出决策方法的流程图；

图6是第二实施例的强化学习实施的流程图；以及

图7包括(a)第二实施例的机器学习模型(例如神经网络)实施的预测方法的流程图和(b)第二实施例的机器学习模型实施的流程图。

具体实施方式

在本文献中，术语“辐射”和“束”用于涵盖所有类型的电磁辐射，包括：紫外辐射(例如，具有为365nm、248nm、193nm、157nm或126nm的波长)和极紫外辐射(EUV，例如，具有在约5nm至100nm的范围内的波长)。

如本文中所使用的术语“掩模版”、“掩模”或“图案形成装置”可以被广义地解释为是指可以用于向入射辐射束赋予被图案化的横截面的通用图案形成装置，被图案化的横截面对应于待在衬底的目标部分中产生的图案；术语“光阀”也可以用于这种情境下。除了经典掩模(透射或反射；二元、相移、混合式等)以外，其它这些图案形成装置的示例也包括：

-可编程反射镜阵列。以引用方式并入本文中的美国专利号5,296,891和5,523,193中给出关于这些反射镜阵列的更多信息。

-可编程LCD阵列。以引用方式并入本文中的美国专利号5,229,872中给出这种构造的示例。

图1示意性地描绘光刻设备LA。所述光刻设备LA包括：照射系统(也被称为照射器)IL，所述照射系统被配置成调节辐射束B(例如UV辐射、DUV辐射或EUV辐射)；支撑结构(例如掩模台)MT，所述支撑结构被构造成支撑图案形成装置(例如掩模)MA且连接至被配置成根据某些参数来准确地定位所述图案形成装置MA的第一定位器PM；衬底台(例如晶片台)WT，所述衬底台被构造成保持衬底(例如涂覆有抗蚀剂的晶片)W且连接至被配置成根据某些参数来准确地定位所述衬底的第二定位器PW；以及投影系统(例如折射型投影透镜系统)PS，所述投影系统被配置成将由图案形成装置MA赋予至辐射束B的图案投影至衬底W的目标部分C(例如包括一个或更多个管芯)上。

在操作中，照射器IL例如经由束传递系统BD从辐射源SO接收辐射束。照射系统IL可以包括用于引导、成形或控制辐射的各种类型的光学部件，诸如折射型、反射型、磁性型、电磁型、静电型或其它类型的光学部件，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强度分布。

本文中所使用的术语“投影系统”PS应被广义地解释为涵盖适于所使用的曝光辐射或适于诸如浸没液体的使用或真空的使用之类的其它因素的各种类型的投影系统，包括：折射型、反射型、反射折射型、变形型、磁性型、电磁型和静电型光学系统，或其任何组合。可以认为本文中对术语“投影透镜”的任何使用都与更上位的术语“投影系统”PS同义。

光刻设备可以属于以下类型：其中衬底的至少一部分可以由具有相对较高折射率的液体(例如水)覆盖，以便填充投影系统与衬底之间的空间-其也被称为浸没光刻。以引用方式并入本文中的美国专利号6,952,253和PCT公开号WO99-49504中给出关于浸没技术的更多信息。

光刻设备LA也可以属于具有两个(双平台)或多于两个衬底台WT和例如两个或更多个支撑结构MT(图中未示出)的类型。在这些“多平台”机器中，可以并行地使用额外的台/结构，或可以对一个或更多个台进行预备步骤，同时将一个或更多个其它台用于将图案形成装置MA的设计布局曝光至衬底W上。

在操作中，辐射束B入射到被保持在支撑结构(例如掩模台MT)上的图案形成装置(例如掩模MA)上，并且由所述图案形成装置MA而图案化。在已横穿掩模MA的情况下，辐射束B穿过投影系统PS，投影系统PS将所述束聚焦至衬底W的目标部分C上。借助于第二定位器PW和位置传感器IF(例如干涉装置、线性编码器、2D编码器或电容式传感器)，可以准确地移动衬底台WT，例如以便将不同的目标部分C定位在辐射束B的路径中。类似地，第一定位器PM且可能的另一位置传感器(其未在图1中明确地描绘的)可以用于相对于辐射束B的路径来准确地定位掩模MA。可以使用掩模对准标记M1、M2和衬底对准标记P1、P2来对准掩模MA和衬底W。虽然如所图示的衬底对准标记占据专用目标部分，但所述衬底对准标记可以位于目标部分之间的空间中(这些标记被称为划线对准标记)。

如图2中示出，光刻设备LA可以形成光刻单元LC(有时也被称为光刻元或(光刻)簇)的部分，光刻单元LC常常也包括用于对衬底W执行曝光前过程和曝光后过程的设备。通常，这些设备包括用于沉积抗蚀剂层的旋涂器SC、用于显影曝光后的抗蚀剂的显影器DE、例如用于调节衬底W的温度(例如用于调节抗蚀剂层中的溶剂)的激冷板CH和焙烤板BK。衬底输送设备或机器人RO从输入/输出端口I/O1、I/O2拾取衬底W、在不同过程设备之间移动衬底W且将衬底W传递至光刻设备LA的进料台LB。光刻单元中常常也被统称为轨道或涂覆显影系统的装置通常是在轨道或涂覆显影系统控制单元TCU的控制下，轨道或涂覆显影系统控制单元TCU自身可能受到管理控制系统SCS控制，管理控制系统SCS也可以例如经由光刻控制单元LACU来控制光刻设备LA。

为了正确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被图案化的结构的性质，诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。出于这种目的，可以在光刻单元LC中包括检查工具(图中未示出)。如果检测到误差，则可以对后续衬底的曝光或对待对衬底W执行的其它处理步骤进行例如调整，尤其是在同一批量或批次的其它衬底W仍待曝光或处理之前进行检查的情况下。

也可以被称为量测设备的检查设备用于确定衬底W的性质，并且尤其确定不同衬底W的性质如何变化或与同一衬底W的不同层相关联的性质在不同层间如何变化。检查设备替代地构造成识别衬底W上的缺陷，并且可以例如为光刻单元LC的部分，或可以集成至光刻设备LA中，或甚至可以是单独的装置。检查设备可以测量潜像(在曝光之后在抗蚀剂层中的图像)上的性质，或半潜像(在曝光后焙烤步骤PEB之后在抗蚀剂层中的图像)上的性质，或显影后的抗蚀剂图像(其中抗蚀剂的曝光部分或未曝光部分已被移除)上的性质，或甚至蚀刻后的图像(在诸如蚀刻的图案转印步骤之后)上的性质。

通常光刻设备LA中的图案化过程是在处理中的最重要的步骤之一，其需要衬底W上的结构的尺寸标定和放置的高准确度。为了确保这种高准确度，可以将三个系统组合于所谓的“整体”控制环境中，如图3示意性地描绘的，这些系统中的一个系统是光刻设备LA，所述光刻设备(实际上)连接至量测工具MT(第二系统)且连接至计算机系统CL(第三系统)。这种“整体”环境的关键在于优化这种三个系统之间的协作以增强总体过程窗口且提供严格控制回路，从而确保由光刻设备LA执行的图案化保持在过程窗口内。过程窗口限定过程参数(例如剂量、焦距、重叠)的范围，在所述过程参数范围内特定制造过程得到所限定的结果(例如功能半导体器件)-通常在所述过程参数范围内，光刻过程或图案化过程中的过程参数被允许变化。

计算机系统CL可以使用待图案化的设计布局(的一部分)以预测使用哪些分辨率增强技术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图案化过程的最大总体过程窗口(在图3中由第一刻度SC1中的双白色箭头描绘)。通常，分辨率增强技术被布置成匹配于光刻设备LA的图案化可能性。计算机系统CL也可以用于检测在过程窗口内何处光刻设备LA当前正操作(例如使用来自量测工具MT的输入)以便预测归因于例如次优处理是否可以存在缺陷(在图3中由第二刻度SC2中的指向“0”的箭头描绘)。

量测工具MT可以将输入提供至计算机系统CL以实现准确模拟和预测，并且可以将反馈提供至光刻设备LA以识别例如光刻设备LA的校准状态中的可能漂移(在图3中由第三刻度SC3中的多个箭头描绘)。

光刻设备LA被配置成将图案准确地再现至衬底上。所施加的特征的位置和尺寸需要在某些容许度内。位置误差可以归因于重叠误差(常常被称为“重叠”)而出现。重叠是在第一曝光期间放置第一特征相对于在第二曝光期间放置第二特征时的误差。光刻设备通过在图案化之前将每个晶片与参考件准确地对准而最小化重叠误差。这是通过使用对准传感器测量衬底上的对准标记的位置来完成。可以在以引用方式并入本文中的美国专利申请公开号US20100214550中找到关于对准工序的更多信息。图案尺寸设计(例如CD)误差可以例如在衬底相对于光刻设备的焦平面并未正确地定位时出现。这些聚焦位置误差可以与衬底部表面的非扁平度相关联。光刻设备通过在图案化之前使用水平传感器测量衬底部表面形貌而最小化这些聚焦位置误差。在后续图案化期间应用衬底高度校正以确保图案形成装置至衬底上的正确成像(聚焦)。可以在以引用方式并入本文中的美国专利申请公开号US20070085991中找到关于水平传感器系统的更多信息。

除光刻设备LA和量测设备MT以外，在IC生产期间也可以使用其它处理设备。蚀刻站(图中未示出)在图案曝光至抗蚀剂中的后处理衬底。蚀刻站将图案从抗蚀剂转印至抗蚀剂层下方的一个或更多个层中。通常，蚀刻是基于施加等离子体介质。可以例如使用衬底的温度控制或使用电压控制环来引导等离子体介质从来控制局部蚀刻特性。可以在以引用方式并入本文中的国际专利申请公开号WO2011081645和美国专利申请公开出号US20060016561中找到关于蚀刻控制的更多信息。

在IC的制造期间，非常重要的是使用处理设备(诸如光刻设备或蚀刻站)处理衬底的过程条件保持稳定以使得特征的性质保持在某些控制限制内。过程的稳定性对于IC的功能性部分的特征(即产品特征)尤其重要。为了确保稳定处理，过程控制能力需要就位。过程控制涉及监测处理数据和用于过程校正的装置的实施，例如基于处理数据的特性控制处理设备。过程控制可以基于通过量测设备MT进行的周期性测量，常常被称为“先进过程控制”(也还被称为APC)。可以在以引用方式并入本文中的美国专利申请公开号US20120008127中找到关于APC的更多信息。典型的APC实施涉及对衬底上的量测特征的周期性测量，从而监测和校正与一个或更多个处理设备相关联的漂移。量测特征反映了对产品特征的过程变化的响应。量测特征对过程变化的敏感度与产品特征的敏感度可以不同。在所述情况下，可以确定所谓的“量测对器件”偏移(另外也被称为MTD)。为了模仿产品特征的行为，量测目标可以并有分段特征、辅助特征或具有特定几何形状和/或尺寸的特征。仔细设计的量测目标应以与产品特征对过程变化作出响应类似的方式对过程变化作出响应。可以在以引用方式并入本文中的国际专利申请公开号WO 2015101458中找到关于量测目标设计的更多信息。

术语指纹可以指所测量的信号的主要(系统性)贡献因素(“潜在因素”)，并且尤其是指与晶片上的性能影响有关或与先前处理步骤有关的贡献因素。这种指纹可以指衬底(栅格)图案(例如来自对准、调平、重叠、焦距、CD)、场图案(例如来自场内对准、调平、重叠、焦距、CD)、衬底区域图案(例如晶片测量的最外侧半径)，或甚至扫描器测量中的与晶片曝光有关的图案(例如来自掩模版对准测量、温度/压力/伺服轮廓等的批次间加热识别标志(signature))。指纹可以被包括在指纹集合内，并且可以在其中被同质地即均匀地、或异质地即非均匀地编码。

通常在处理衬底之后获得电测量数据。通常，当执行电学量测以获得电测量数据时，使用探针来测量衬底上的所有管芯，所述探针与在处理期间所形成的电路(接近)接触。可以执行各种类型的测量；例如电压、电流、电阻、电容和电感测量。可以在不同条件(例如频率、电压、电流)下并且在跨越整个管芯的多个部位处执行这些测量。电测量可以包括特定结构/特征或器件是否为功能性(例如，在规格内)的评估。替代地或另外，电测量结果可以根据“识别码(bin code)”进行分类。在某一条件下与某一所测量参数(电流、电压、电阻、电容、电感等)相关联的电测量结果通常被称为单独的“识别码”。因此，跨越整个管芯的典型电测量结果可以由多个曲线图表示，每个曲线图表示与特定识别码相关联的值的空间分布。在整个本文中，“识别码”和“电特性”被同义地使用，使得与所述衬底相关联的识别码的值被称为所述衬底的电特性的值。电测量数据也可以包括位(bit)不对称性数据或任何其它产率参数。

所测量的电特性的性质(最小值、最大值、方差或任何其它统计量度)是与管芯上的某一电路将为功能性的概率相关的重要指示器/指标。因此，在电特性与过程的产率之间存在很强的关系。因此为了产率控制，电特性测量是必不可少的。然而，电特性测量也是耗时的，并且仅在半导体过程的结束阶段(例如，当用于校正非功能性电路的选项几乎不存在时)执行。

决定在曝光之后应对哪些衬底进行检查和/或返工是重要的考虑因素，其将对生产量和产率有影响。分类中的误差将导致产率耗损，这是因为将处理未检测的超出规格/无功能性器件，否则会触发过多假警报，从而导致不必要的检查和低效率。返工决策是基于成本高的且耗时的量测测量(检查)。此外，晶片厂的检查容量即检查能力通常有限；例如达到至多生产量的5％或10％。结果，仅检查所产生的所有晶片的小数目。通常，绝大部分被检查的晶片被发现是在规格内(OK)。返工决策应在短时间段内发生，通常在数分钟内发生。在这样的情境下的检查可以指曝光后量测动作(例如昂贵的量测，其中可以依据时间来测量成本)，诸如通过散射测量设备或扫描电子显微镜设备(例如，电子束设备)进行的测量。

当前，存在用于决定应检查哪些晶片的不同选择策略。这些策略包括随机选择或固定选择(例如，每批次的第n个晶片)。另一策略可以是基于测量和经验进行的选择。主题专家(SME)基于定制的关键性能指示器或关键绩效指标(KPI)值以及它们的经验来决定是否应检查晶片。这样的策略可以被单个地或以任何组合来实施。

随机或固定选择策略可能导致不必要地高的工程运营费(OPEX)。这是因为没有基于品质相关的测量来检查晶片。同时，这些策略无法防止产率损失，这是因为选择准则不被设计为检查异常晶片。针对基于专家的策略，SME很可能在返工决策中引入高的变动和偏置。因此，系统性的且可靠的返工决策过程是不可能的。取决于偏置，这种策略可以导致大的I型(假阳性)或II型(假阴性)误差，从而分别导致高的OPEX或产率损失。

除了所描述的策略以外，已公开申请WO2018133999(以引用的方式而被合并入本文中)描述一种通过使用效用模型来促成对晶片的评估的方法，所述效用模型受训练以学习预处理晶片数据(例如，情境数据)与晶片/器件性能(例如产率)之间的映射。预处理数据或情境数据可以描述哪个工具或多个工具的组合用于处理所述晶片，和/或包括扫描器量测数据，诸如对准和调平数据。相比于后处理量测的成本，这种预处理晶片数据可以被认为是“便宜的”量测数据、或基本上免费的，这是因为其在任何情况下针对每个晶片来执行。这种效用模型的输出由半监督算法使用，所述半监督算法基于晶片厂和光刻情境数据进行性能预测。接着通过使用数据变换和集群技术即聚类技术将所有晶片可视化至所述SME。由所述效用模型或所述半监督算法来预测晶片的性能；属于这些簇中一个或更多个簇的被标注的晶片提供属于相同簇中的未被标注的晶片的性能的指示。所述SME接着基于可视化来作出检查晶片的决策。

随着半导体工厂演化，及时的检查决策变成约束。在决策使用专家输入的情况下，由于必须分析的数据/KPI的量，所述SME无法发现导致识别出潜在的不OK(not-OK,NOK)根源的图案。另外，所述专家无法在给定时间内检查和分析这样的大量数据，即使提供有诸如WO2018133999中所描述的可视化工具。虽然这种方法为所述SME提供簇可视化，但就所有返工决策仍取决于专家的意义上而言，其不是自动化的。

提议使用一种机器学习策略以用于基于可用的每晶片数据(例如预处理数据)来预测晶片品质(例如，返工决策)。受监督的或无监督的预测器或预测算法可以被选择以导出产率相关的预测；例如，晶片为NOK或OK的预测。另外，可以提供所述晶片的关联概率值为NOK/OK。

基于概率、一个或更多个其它目标和量测成本，则可以选择一个或更多个晶片以用于检查。这些目标可以涉及获得用于以下各项中的一个或更多个项的量测数据的值(例如依据一个或更多个信息性指标)：a)验证晶片是否被正确地表征(模型的准确度)、b)加速所述学习过程(模型的成熟度)、c)发现新图案；例如OK/NOK图案(模型的范围)和d)选择用于APC反馈回路的适当晶片。架构鉴于所估计的最终产率相对于量测成本(OPEX)来平衡这些目标。目标与成本的相对重要性可以是可配置的以实现返工预测和晶片选择的灵活架构。

图4是描述根据实施例的方法的示例的流程图。在这种实施例中，机器学习策略预测每个实例(例如每个晶片)是为OK或NOK。这种策略利用主动学习来应对小的标注数据集(这是因为检查了少数晶片)以及关于OK晶片对NOK晶片的不平衡数据集(这是因为通常存在非常少的有缺陷的晶片)的双重挑战。在实施例中，所述策略不是静态的，并且可以根据需求来调节和/或随着时间推移而演化。以这种方式，其可以整体地改善总体性能(例如分类或性能指标，诸如接收者操作特性的曲线下面积(receiver-operating characteristicarea under curve，ROC AUC))、同时最小化晶片产率损失和客户工程OPEX。

所述方法嵌入了预测器PD或预测算法并且可以量化预测不确定性以优化将要针对哪些晶片进行检查所作出的决策。可以最优地选择这些晶片以供检查，这具有加速嵌入式预测器PD的学习和/或发现新OK/NOK图案的双重目的。嵌入式预测器PD可以是受监督的或无监督的，或甚至为两者的组合。

光刻设备LA或扫描器处理一组晶片或晶片批次LT。用于晶片批次LT的每个晶片的预处理数据或情境数据(例如描述处理历史和/或包括扫描器量测数据)被传递至所述预测器PD(例如机器学习/机器学习模型)，所述预测器PD输出描述每个晶片有缺陷的概率的概率值P_NOK。基于所述概率值P_NOK，作出关于是否应检查晶片的决策INS？。这种决策可以例如经由调节/选择用于作出决策的贝塔函数的参数α、β而是可配置的。这将在下文更详细地来论述。使用合适的量测工具对被发送以用于检查的那些(少数)晶片进行检查MET，其中测量数据(例如OK/NOK状态的确认)用于标注这些晶片W_L。基于由预测器PD指派的所述概率值P_NOK(例如，通过将此值与指示非功能性的阈值进行比较)通过类别(例如，OK/NOK)来标注没有被检查的那些晶片。例如，这种概率高于某一阈值的实例可以被标注为“NOK”；这种概率低于所述阈值的实例可以被标注为“OK”。这种步骤具有构建被伪标注的晶片W_PL的集合以供再训练的目的。

关于由预测器PD所使用的模型，高度不平衡的数据集可以使用合适的无监督机器学习模型。例如，可以使用自动编码器架构，其仅对主要的/大部分类别(例如OK晶片)而受训练。例如，主要的/大部分类别可以对应于可以被描述为正常行为的类别，其中自动编码器仅使用属于该类别的数据来受训练。以这种方式，其将学习正常类别的基础表示，并且将以低的重构误差(或其它不确定性指标)高效地重构属于其的示例。所述自动编码器将不能够捕获之前从未观测到的类别的基础结构，并且将不能重构属于其的实例，从而产生高的重构误差。以这种方式，可以检测不属于大部分类别的实例，这是因为并没有预期到所述自动编码器高效地对它们进行重构，从而充当异常检测器。另外，所述重构误差可以被映射至实例为NOK的概率上；例如借助于参数模型(如指数律)或非参数模型(例如核密度估计)。

在更多平衡数据集的情况下，替代地采用受监督预测器PD。受监督算法的输出可以是每个实例不是NOK的概率；可以在若需要的情况下将针对概率预测的支持添加至所述算法。

晶片厂的检查容量即检查能力通常限于生产的分数即一部分，并且检查是成本高的。此事实影响了通常可用的数据集的大小、以及所述数据集可以富集的速率，从而最终影响了可以从头开始或从小的初始数据集完全地/充分地学习一种预测方法的速度。

可以通过在不超过晶片厂容量检查的约束的情况下解决关于概率值P_NOK的优化问题来做出待检查哪些晶片的决策INS？。目标函数可以合并有至少以下贡献：

·关于预测准确度符合规格即在规格内的检查(例如，第一目标)的单独晶片检查值(例如，第一目标值)；

·关于加速所述学习过程(例如，第二目标)的单独晶片检查值(例如，第二目标值)；

·关于发现新OK/NOK图案(例如，第三目标)的单独晶片检查值(例如，第三目标值)；

·关于直到决策时间所检查的晶片的量，超过名义检查容量的成本。

前述公开的申请WO2018133999例如描述用于基于待执行测量的(预期)信息性来控制所述待执行测量的一般架构。

待最小化的合适的目标函数的示例可以是：

其中：

●括号表示纯量积；

●ξ∈{0,1}²⁵表示在如果且仅如果ξ_i≡1的情况下所选的第i个晶片；

●π∈[0,1]²⁵是所估计NOK概率的向量；

●

是参数α、β的β函数；

●γ_t是约束所述解以防止使过多晶片被选择的参数。

所述纯量积用于形成由系数

加权的指示器/指标ξ_i(i＝1,2,…,25)的目的。选择晶片对所述目标函数的贡献是被关联至晶片检查能力的正统一成本(positive uniform cost)减去取决于检查所述特定晶片的值的成本。

参数α和β基于区间[0,1]的变换来确定重新加权，其中所估计的NOK概率是实况的。当α＝β时，将相等权重置于区

和

上，其中如果α＝β>1(或者，α＝β<1)，则极值(约为0和1)被更大地加权(或者，被更小地加权)。如果更多权重被置于

的晶片上，则学习将加速；如果更多权重被置于|P_NOK-0.5|＞＞0的晶片上，则焦距将在生产控制和新失效模式的发现上移位。通过选择α≠β的适当值，则以非对称方式重新加权(例如，相较于

的晶片，

的晶片有更大权重)也是可能的。如此，可以对所述衬底顺应品质要求的概率的任何对应分位数强加偏置。

可以根据以下方法中的一个或更多方法来设置α、β对。第一方法可以依赖于具有预定义α、β对的集合，每个对解决特定目的。例如，特定α、β对可以包括如下对：

i)通过选择无法容易地分类的用于检查的晶片来改善所述算法的性能；

ii)改善诸如AUC之类的期望的指标；

iii)检测尽可能多的不良晶片。

第二方法依赖于强化学习。强化学习代理旨在调节α、β参数对，考虑到下列强化学习设置：

·状态：对应于每个晶片为NOK的预测概率以及对应于α、β的当前组合。

·动作：调整α、β以及决定应检查哪些晶片。

·回报：改善分类算法的性能指标。所述回报也可以基于与由于所述代理并未发送晶片以供检查而处于空闲状态的量测工具相关的任何成本。

参数γ_t防止在最优解中存在过多所选晶片。下标t指示了参数可以随着时间推移而变化。例如，虽然前述示例性的5％检查容量转化为每批次大致1个晶片，但所述系统可以决定不检查批次中的任何晶片并且替代地检查后续批次中的更多的晶片。对于依赖于专家决策的现有方法，待检查的N个晶片的最优选择(其中N不必是1)是非常具有挑战性的任务。除前述潜在偏置之外，对于人类来说，选择是以组合方式复杂的：从一批次仅选取2个晶片需要比较300个候选晶片对。另外，由所提议的机器学习策略执行的自动检查决策比时间约束的决策(诸如需要在曝光批次之后在晶片厂中获得)更优越，这是因为在回路中没有人为因素。这种公式化的优点在于，可以根据需求变更所述目标函数中的这些贡献的相对权重，从而为使用者提供构建它们的自身自定义产品的自由度。所述目标函数中参数γ_t项的存在使得能够动态地输送检查容量。

在实施例中，可以存在周期性再训练以改善所述机器学习策略的性能和/或学习新OK/NOK图案。所述机器学习策略有助于两个数据集的放大/产生：一个包含被标注的OK/NOK晶片W_L且另一包含所预测的OK/NOK晶片W_PL。对这些周期性放大数据集进行所述再训练。这种再训练在图4中通过从被标注的W_L和被伪标注晶片W_PL至加权损失函数WLF的反馈回路来表明，所述加权损失函数WLF基于实际被标注的晶片W_L来评估所述预测的性能。如果这种性能不满足可接受性的阈值，则可以产生触发TRIG以触发对所述预测器PD的再训练。另外，所述损失函数WLF可以被调适，以便聚焦于理解数据中的最近的图案、或考虑所预测的伪标签的不确定性。

半导体制造过程的性质导致数据随着时间推移而演化，从而产生基础数据分布的改变。这种情境(其中特征和标签p(X,y)的分布不是静止的，而是不时地漂移)被称为概念漂移。现将提出图示这种情形的多种情境：

当曝光新的未见过的衬底时，所述目标函数可以通过回复至初始设置而自动地调适。例如，如果认为重要的是针对未见过的晶片加速所述学习过程(即，利用贡献因素而加以描述：关于加速所述学习过程的单独晶片检查值)，则一旦识别出新衬底，就可以使用来自扫描器数据的衬底ID来增大对于这种贡献因素的权重。

在另一示例中，例如由于基础数据分布的改变(其可以由于过程或扫描器自然行为的改变引起)而引起的概念漂移可以通过监测所述预测器PD的性能来解决。在进行所述预测之后，真实标签(被检查的晶片W_L)中的一些可用，这可以触发周期性再训练步骤以便提供最新的模型。预测性能增量可以被量化以提供数据分布改变的量值的量度。基于这种预测性能增量，可以改变/调适所述目标函数的贡献因素：例如，性能的降低越大，则权重可以朝向初始设置变化越多，这是因为这指示了具有新数据分布的新初始状态。参数α和β可以被维持与所述预测性能(例如分类或性能指标，诸如AUC)成比例：例如，性能越好，则越聚焦于仅选择NOK晶片。当所述预测性能低于(例如，自定义的)性能阈值时，则可以触发TRIG分类模型再训练。

现在将描述用于基于对于量测数据的值的加权/平衡(用于改善产率预测)和量测数据的成本(测量时间)的量测控制的另一实施例。这样的方法可以是上文所描述的方法的改进或单独的实施例。这种实施例可以包括多层方面并且不限于关于是否将要测量整个衬底的决策；替代地，决策可以包括决定是否测量特定目标或标记、或其组(例如，在递增的基础上)，和/或决定可以测量衬底的哪些目标(例如，决定取样方案或取样策略)。

所述实施例可以使用测量收集器模型来决定晶片和/或目标选择以供测量，例如以便最小化(昂贵的)量测动作的数目，同时维持足够准确的(最终的)的产率预测。也应注意到，先前所描述的实施例也可以使用这种测量收集器模型。例如，所述收集器模型可以评估迄今为止所测量的所述量测数据的当前状态、其它预处理晶片数据(例如情境数据)和/或产率预测数据，并且根据基于现有数据的产率预测的品质来对所述状态进行打分。所述收集器模型可以被训练以评估哪个额外数据(状态转变)提供产率预测准确度的最大增益。例如，如果产率预测品质满足了要求，则数据采集可以结束。

如前所述，提议了一种机器学习方法以用于采集每个层处的所关注的参数(例如，重叠和/或CD)的成本高的测量(例如，显影后检查(ADI)和/或蚀刻后/清洁后检查(AEI/ACI))，使得所获取的测量最优地允许以成本有效的方式预测产率。这可以包括针对每个层仅识别和执行被认为显著地改善了产率预测的那些成本高的测量。这种设置是预测时间上的主动特征采集。所述解决方案在线起作用并且在晶片受处理时提供关于针对每个层的测量采集的建议。

图5是图示根据这种实施例的两个主要部件(产率预测器PD与测量收集器CL)之间的相互作用的流程图。此外，所述产率预测器PD可以可选地包括用以针对遗漏或稀疏数据执行填补即缺失值插补(imputation)的填补器即缺失插补器(imputer)IM。

产率相关器/预测器PD可以包括用于通过叠层来预测产率的模型。这种模型可以使用便宜的且可以用于所有晶片的预处理晶片数据(例如对准、调平和情境数据)、以及可能已在每个层处从所选晶片采集的用以预测产率的任何昂贵的量测数据。在使用尽可能便宜的量测MET的同时，可以优化所述预测产率以紧密地反映实际产率。另外，这种模型可以在晶片正在连续层中受处理并且新数据变得逐渐可用时更新其产率预测PD。因此，所述产率预测器可以在正在处理每个晶片并且进行和添加额外的测量时，基于来自昂贵数据的部分信息来每晶片输出多个中间产率预测IPD。这些中间产率预测IPD中的最后一个变为最终产率预测；例如，当中间产率预测IPD例如根据诸如采集得分SC之类的合适指标而被认为足够准确时。

所述产率预测器PD也可以包括填补器IM。所述填补器是可选的部件，其通过从现有测量数据导出非关键层的遗漏的昂贵测量结果来改善实用性，从而避免在遗漏数据的情况下工作或由于有限资源而过早地停止测量采集的需要。

所述测量收集器CL可以接收状态作为输入，并且决定检查决策INS？。所述状态概括了迄今为止所收集的信息或数据DATc，例如，所收集的所有昂贵的量测数据、所有相关情境数据(以及其它便宜的量测数据)和任何先前预测。当使用填补器时，可以利用填补值(所填补的量测数据)来扩展这种状态。其输出是接下来将要采用的动作。可能的动作可以包括1)采集更多信息，即，执行另一检查动作MET以获得一个或更多个额外的昂贵测量结果；或2)停止和输出当前预测作为最终预测FP。所述测量收集器CL是作出决策功能(即，提示决策INS？)。其学习根据所述采集得分SC的一些准则，何时采集更多信息。

目的可以是获得对于晶片的最肯定的产率预测，同时在检查或信息采集方面产生最小的成本。采集得分SC可以是将用于信息采集的所述准则概括为每状态转变(例如，在连续采集之间，每次采集改变所述状态)一个数值的函数。此采集得分SC可以由所述测量收集器CL用作关于获取更多信息的决策INS？的基础。

作为示例，所述采集准则可以包括：

·中间产率预测IPD的品质。如果所述产率预测器PD基于当前状态(例如，已采集的信息和所填补的值)无法进行确信预测即置信预测(例如，根据置信度指标)，则应针对晶片执行额外的昂贵信息(例如，一个或更多个额外的量测步骤)。总体而言，目的是最小化预测不确定性，但不会付出太大代价。

·信息采集的成本。昂贵测量结果的采集是成本高的。这种成本可以在不同层间变化，和/或可以取决于测量类型而变化，例如，其是否包括ADI重叠、ACI重叠、或CD测量结果。因此，品质和置信度应与这种成本相均衡/保持平衡；例如，以便使最大化产率预测中的置信度和最小化信息采集的成本相平衡。

·预期效用和最高信息增益(可选的)。仅出于学习目的，也可能采集到昂贵测量结果。即，可以采集到改善所述产率预测器PD和所述测量收集器CL的测量结果。

可以利用不同机器学习方法来实施所提议的方案。将描述使用强化学习架构的第一示例和使用较常规的机器学习技术的第二示例。

可以在强化学习架构内自然地实施所提议的布置。图6图示了这种架构。在这样的布置中，可以限定Markov决策过程(MDP)，其包括环境EV中的代理(例如，所述测量收集器CL)、状态集合、和每状态的动作集合。在状态S_t中，所述代理CL根据策略来选择动作A_t。当所述代理CL决定INS？状态改变时，产生回报RW，并且由所述代理CL接收经更新的回报值R_t+1(相对于先前的回报R_t被更新)以用于下一次迭代。所述代理CL的目标是最大化其总回报RW。

确定关于信息采集的作出决策过程INS？的所述代理可以对应于图5的所述测量收集器CL。如已经描述的，所述代理CL可以选择的可能动作是：1)执行检查动作MET，即，用于采集与经更新的状态S_t+1相关联的额外数据AD的昂贵测量结果，或2)停止和输出当前预测FP。

所述状态包括迄今为止所收集的所有信息，可以根据已获取的特征和所述产率预测器PD来估计未被采集的特征的重要性。

所述环境EV由所述系统中的所有可能状态以及所有状态转变组成。所述环境EV与所述代理CL相互作用，从而提供状态更新和回报RW。所述回报RW对应于所述采集得分。最终回报RW可以取决于所述产率预测IPD的置信度和所采集的昂贵信息的成本C。在每个状态下，当采集昂贵测量结果时引发负回报C。以这种方式，可以实现优化产率预测与最小化所获取的信息之间的折衷。

所述代理CL可以学习用于信息采集的最优策略。为了学习最优策略，可以使用任何目前先进技术/现有技术的回归学习算法来学习所述最优策略，例如Q学习。可以与训练所述产率预测器和所述填补器同时地训练所述策略。

图7图示了基于其它机器学习原理的另一实施例。图7(a)将产率预测器的实施方式图示为一系列模型，使得基础模型M₀仅使用(例如，零层的)便宜的情境数据CX来预测产率PY₀，并且每个额外的模型M_i另外合并有层i(其中i＝0至n)的成本高的测量MT_i以预测产率PY_i。以这种方式，经由叠层的所述产率预测器可以包括模型(M₀至M_n)的级联。在每个晶片的每个层i处，模型M_i可以用于预测产率，并且基于这种采集得分，可以作出采集昂贵测量结果MT_i的决策。如果晶片厂中的量测资源是固定的，则可以选择具有最高采集得分的晶片测量以用于采集对应的昂贵测量结果。在较灵活的设置中，当所述采集得分高于阈值时，则可以采集对于晶片的成本高的测量结果。

图7(b)图示了用于诸如图7(a)中所图示的产率预测器布置的架构。在连续层0，1，2，…n的曝光期间，由模型M₀、M₁、M₂……M_n连续地确定针对每个晶片实例的预测直到其预测充分地肯定为止，这时可以决定针对所述晶片不需要其它测量。因此，例如，在层i的曝光期间，如果模型M_i-1不是足够肯定的，则使用模型M_i来对晶片进行建模；例如，基于置信度指标与置信度阈值的对比。也可以相对于置信度阈值最小化成本。如此，仅根据需要针对新曝光采集额外的测量结果。

在图7(b)中，确定在层i的预测时间时的对于成本高的测量结果的主动获取。关于所有层直到(并且包括)先前层i-1的所有先前数据DAT_i-1被输入至预测模型M_i-1中，所述预测模型输出了所预测的产率PY_i-1和对应的采集得分SC。由所述测量收集器作出关于是否采集更多信息的决策INS？。所述决策可以评估所预测的产率PY_i-1是否满足一个或更多个预测准则。如果是，则输出最终预测FP并且过程结束。否则，对层i执行量测MET_i，并且针对下一层重复所述过程。

可以可选地使用填补器且其是产率预测器的部分(对于本文中所描述的实施例中的任一实施例)。在层i处的填补器可以用于尝试针对该晶片的昂贵测量结果的填补。所述填补器可以执行遗漏值的简单的基于规则的填充(例如外插和/或内插)，或可以包括另一预测机器学习模型或生成模型。在这样的情况下，所述采集得分可以基于所述填补的置信度以及它的对于产率预测的影响来计算。所述填补器可以与产率预测器一起被共同训练。

所述收集器和产率预测器可以被共同训练；例如，收集器代理和产率预测器的第一神经网络层可以是共同的且一起受训练。模型架构能够转移至其它产品，使得无需针对每个产品从头开始。

总之，因此，描述了作出决策的架构，其通过基于成本优化并且受晶片厂容量约束来优化检查决策作出，从而减少了工程OPEX。预期所述产率损失发生减小，这是因为返工决策是基于由所提议的机器学习策略所检测到的异常。另外，控制可以是更稳定的。所述机器学习策略能够处理小型的和/或不平衡的数据集两者，这是光刻行业中的正常情境。所提议的策略提供比任何现有方案更快的良好执行的OK/NOK预测器。所提议的方法与专家相比传递一致地更快的建议，这是在演化的半导体行业中所需的。人为因素(以及由其引入的偏置/偏差)对检查决策的影响减小，这是因为对于晶片的评估是自动化的并且基于机器学习。

优化问题是灵活的且可以适应于特定要求，因此优化问题可以用于更快地实现良好性能或保持根据“已知”情形进行学习。机器学习的可解释性的进步也可以准确指明为何晶片被标记为OK或NOK的原因并且扩展对晶片品质评估的理解。

转移学习方法可以促成需要较少训练数据且能够支持新系统上的返工决策的机器学习算法的快速原型设计和开发。OK晶片与NOK晶片之间的相互图案存在于许多系统当中，所述系统被预期由所提议的机器学习策略捕获。

可以部署再训练，以使得与过去所观测到的异常相比，算法训练更聚焦于对于最近异常的结构的理解。这不意味着无法继续检测过去的异常，只是算法优先考虑了与很久以前所观测到的异常相比最近的异常的理解。以这种方式，系统能够处理行业中的主要挑战之一：概念漂移。

在以下编号方面的列表中披露了本发明的另外的实施例：

1.一种用于确定针对至少一个衬底的检查策略的方法，所述方法包括：

使用预测模型，基于与所述衬底相关联的预处理数据以及与所述至少一个衬底相关联的任何可用的后处理数据中的一者或两者来量化与顺应品质要求的预测相关的顺应性指标的顺应性指标值；和

基于以下各项来决定对于所述至少一个衬底的检查策略：所述顺应性指标值、与所述检查策略相关联的预期成本、以及描述在与所述预测模型相关的至少一个目标方面所述检查策略的预期值的至少一个目标值。

2.根据方面1所述的方法，其中，所述至少一个目标包括以下各项中的至少一个：

根据一个或更多个性能指标监测和/或改善所述预测模型的性能；

加速所述预测模型的学习；

发现待由所述预测模型识别的新图案。

3.根据方面1或2所述的方法，其中，所述至少一个衬底包括一组衬底，并且所述顺应性指标包括描述顺应品质要求的概率的概率值；所述方法还包括：

基于与所述一组衬底中的每个衬底对应的所述预处理数据，使用所述预测模型将相应的概率值指派给所述每个衬底。

4.根据方面3所述的方法，其中，决定检查策略的步骤包括决定是否检查所述一组衬底中的每个衬底。

5.根据方面3或4所述的方法，其中，所述决定步骤是可配置的，使得所述决策能够被配置成：

施加朝向所述衬底顺应所述品质要求的所述概率的对应分位数的偏置。

6.根据方面5所述的方法，其中，经由在所述决定步骤中使用的目标函数的可配置参数来实现所述决定步骤的所述可配置性。

7.根据方面6所述的方法，其中，所述目标函数包括二元向量，所述二元向量指示哪些衬底被选择以供检查，所述二元向量由取决于所述概率值、预期成本和所述可配置参数的系数来加权。

8.根据方面7所述的方法，其中，针对所述一组衬底中的每个衬底限定所述二元向量和加权。

9.根据方面7或8所述的方法，其中，所述决定步骤包括针对经受基于所述预期成本的约束的不同候选二元向量来最小化所述目标函数。

10.根据方面9所述的方法，其中，所述约束施加能够遍及时间段被检查的最大数目的衬底。

11.根据方面9或10所述的方法，其中，由所述加权中的约束参数来实施所述约束。

12.根据方面9、10或11所述的方法，其中，所述约束随着时间推移是可配置的和/或可变的。

13.根据方面6至12中任一项所述的方法，其中，所述加权取决于所述可配置参数的β函数。

14.根据方面6至13中任一项所述的方法，其中，从所述可配置参数的多个预定义集合选择所述可配置参数的集合以便选择和/或配置所述目标。

15.根据方面6至14中任一项所述的方法，包括：使用强化学习代理以调节所述可配置参数从而改善所述模型的性能指标和/或成本指标。

16.根据方面1或2所述的方法，其中，所述顺应性指标包括描述所述预测为有效的置信度水平的置信度指标。

17.根据方面16所述的方法，包括：

迭代地执行一个或更多个量测动作以获得额外的后处理数据；和

基于所述额外的后处理数据更新所述预测并且评估所述置信度指标或相关指标；

直到满足用于所述置信度指标或相关指标的一个或更多个准则为止。

18.根据方面17所述的方法，其遍及所述至少一个衬底的多个层而执行直到满足用于所述置信度指标或相关指标的所述一个或更多个准则为止。

19.根据方面16、17或18所述的方法，包括：

基于所述置信度指标以及额外的量测动作的成本来确定采集得分；和

基于所述采集得分来决定是否执行额外的量测动作。

20.根据方面19所述的方法，其中，所述采集得分还基于额外的量测动作的预期效用和/或最高信息增益。

21.根据方面16至20中任一项所述的方法，其中，由测量收集器来执行决定检查策略的步骤。

22.根据方面21所述的方法，其中，所述预测模型和所述测量收集器被实施于强化学习架构内，在所述强化学习架构中所述测量收集器充当所述代理。

23.根据方面21所述的方法，其中，所述预测模型和所述测量收集器被实施为经训练的神经网络。

24.根据方面23所述的方法，其中，所述预测模型和所述测量收集器的至少一些层已经被共同训练。

25.根据方面23或24所述的方法，其中，所述预测模型包括多个模型，每个模型与所述至少一个衬底的不同层相关。

26.根据任一前述方面所述的方法，其中，所述预测模型包括能够操作以对所述后处理数据执行填补的填补器。

27.根据任一前述方面所述的方法，其中，所述决定步骤是可配置的，使得所述至少一个目标是可配置和/或可选择的。

28.根据任一前述方面所述的方法，还包括：

根据检查的结果标注所选衬底；

根据指派给其的所述检查策略的所述预期值来标注剩余衬底；和

基于所述标注来评估所述预测模型的性能。

29.根据方面28所述的方法，还包括基于评估性能的步骤来触发所述预测模型的再训练。

30.根据任一前述方面所述的方法，其中，所述预处理数据包括以下各项中的一者或两者：

描述每个衬底的处理历史的情境数据；和

在曝光步骤之前对每个衬底执行的预处理量测数据。

31.根据方面30所述的方法，其中，所述预处理量测数据包括对准数据和调平数据中的一者或两者。

32.根据任一前述方面所述的方法，还包括使用检查工具，根据所述检查策略来检查所述至少一个衬底。

33.一种计算机程序，包括能够操作以在合适的设备上运行时执行根据方面1至31中任一项所述的方法的程序指令。

34.一种非暂时性计算机程序载体，包括根据方面33所述的计算机程序。

35.一种处理系统，包括：处理器、和包括根据方面33所述的计算机程序的储存装置。

36.一种光刻设备，包括根据方面35所述的处理系统。

37.一种量测装置，包括根据方面35所述的处理系统且还能够操作以执行根据方面32所述的方法。

虽然可以在本文中具体地参考在IC制造中光刻设备的使用，但应理解，本文中所描述的光刻设备可以具有其它应用。可能其它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、平板显示器、液晶显示器(LCD)、薄膜磁头，等等。

虽然可以在本文中具体地参考在光刻设备的情境下的本发明的实施例，但本发明的实施例可以用于其它设备中。本发明的实施例可以形成掩模检查设备、量测设备或测量或处理诸如晶片(或其它衬底)或掩模(或其它图案形成装置)的对象的任何设备的部分。这些设备通常可以被称为光刻工具。这种光刻工具可以使用真空条件或周围(非真空)条件。

虽然上文可以具体地参考在光学光刻术的情境下对本发明的实施例的使用，但应了解，本发明在情境允许的情况下不限于光学光刻术且可以用于其它应用(例如压印光刻术)中。

虽然上文已描述本发明的特定实施例，但应了解，可以与所描述的方式不同的其它方式来实践本发明。以上描述意图是说明性的，而不是限制性的。因此，本领域技术人员将明白，可以在不背离下文所阐述的权利要求的范围的情况下对所描述的本发明进行修改。

Claims

基于所述顺应性指标值、与所述检查策略相关联的预期成本、以及在与所述预测模型相关的至少一个目标方面描述所述检查策略的预期值的至少一个目标值，决定针对所述至少一个衬底的检查策略。

2.根据权利要求1所述的方法，其中，所述至少一个目标包括以下各项中的至少一个：

加速所述预测模型的学习；

发现待由所述预测模型识别的新图案。

3.根据权利要求1所述的方法，其中，所述至少一个衬底包括一组衬底，决定检查策略的步骤包括决定是否检查所述一组衬底中的每个衬底，并且所述顺应性指标包括描述顺应品质要求的概率的概率值。

4.根据权利要求3所述的方法，还包括：基于与所述一组衬底中的每个衬底对应的所述预处理数据，使用所述预测模型将相应的概率值指派给所述每个衬底。

5.根据权利要求3所述的方法，其中，所述决定步骤是可配置的，使得所述决策能够被配置成：

向衬底顺应所述品质要求的所述概率的对应分位数施加偏置。

6.根据权利要求5所述的方法，其中，经由在所述决定步骤中使用的目标函数的可配置参数来实现所述决定步骤的所述可配置性。

7.根据权利要求6所述的方法，其中，所述目标函数包括二元向量，所述二元向量指示哪些衬底被选择以供检查，由取决于所述概率值、预期成本和所述可配置参数的系数来加权所述二元向量，并且所述决定步骤包括针对经受基于所述预期成本的约束的不同的候选的二元向量来最小化所述目标函数。

8.根据权利要求7所述的方法，其中，所述约束施加能够在一时间周期内能够被检查的衬底的最大数目。

9.根据权利要求7所述的方法，其中，在所述加权中由约束参数来实施所述约束。

10.根据权利要求6至9中任一项所述的方法，包括：使用强化学习代理来调节所述可配置参数以改善所述模型的性能指标和/或成本指标。

11.根据权利要求1所述的方法，其中，所述顺应性指标包括描述所述预测模型为有效的置信度水平的置信度指标，并且所方法包括：

基于所述额外的后处理数据更新所述预测模型并且评估所述置信度指标或相关指标，直到用于所述置信度指标或相关指标的一个或更多个准则得以满足为止。

12.根据权利要求11所述的方法，包括：

基于所述采集得分来决定是否执行额外的量测动作。

13.根据权利要求3所述的方法，还包括：

根据在所选择的衬底上执行的检查的结果标注所选择的衬底；

根据指派给剩余衬底的所述概率值来标注剩余衬底；和

基于所述标注来评估所述预测模型的性能。

14.根据权利要求13所述的方法，还包括基于评估性能的步骤来触发所述预测模型的再训练。

15.根据权利要求1所述的方法，其中，所述预处理数据包括以下各项中的一者或两者：

描述所述至少一个衬底的处理历史的情境数据；和

在对所述至少一个衬底的曝光步骤之前所采集的预处理量测数据。

16.一种计算机程序，包括程序指令，所述程序指令能够操作以在合适的设备上运行时执行根据权利要求1至15中任一项所述的方法。