CN115735162A - 基于失效率的过程窗口 - Google Patents

Abstract

本文中描述一种用于基于失效率来确定图案化过程的过程窗口的方法。所述方法包括：(a)获得被印制于衬底上的多个特征；(b)基于指标将所述特征分组为多个组；和(c)基于与特征组相关联的测量数据来产生所述特征组的基础失效率模型，其中，所述基础失效率模型识别与所述特征组的所述失效率相关的所述过程窗口。所述方法还包括使用所述基础失效率模型产生用于特定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述特定特征的估计失效率低于指定阈值。

Description

基于失效率的过程窗口

相关申请的交叉引用

本申请要求于2020年7月3日递交的PCT申请PCT/CN2020/100137和于2021年3月16日递交的PCT申请PCT/CN2021/081068的优先权，并且这些PCT申请的全部内容通过引用并入本文中。

技术领域

本公开涉及改善器件制造过程的性能的技术。所述技术可以结合光刻设备或量测设备而使用。

背景技术

光刻设备是将期望的图案施加至衬底的目标部分上的机器。光刻设备可以用于例如集成电路(IC)的制造中。在该情形下，替代地被称作掩模或掩模版的图案形成装置可以用于产生与IC的单独的层对应的电路图案，并且这种图案可以被成像至具有辐射敏感材料(抗蚀剂)层的衬底(例如，硅晶片)上的目标部分(例如，包括管芯的部分、一个管芯或若干管芯)上。通常，单个衬底将包含被连续曝光的相邻目标部分的网络。已知的光刻设备包括：所谓的步进器，在所谓的步进器中，通过一次性将整个图案曝光至每个目标部分上来照射所述目标部分；和所谓的扫描仪，在所谓的扫描仪中，通过在给定方向(“扫描”方向)上经由束对图案进行扫描的同时平行于或反向平行于该方向同步地扫描衬底来照射每个目标部分。

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的器件的单独的层的基础。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独的层。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。

因而，制造诸如半导体器件之类的器件通常涉及使用一定数目的制作过程来处理衬底(例如，半导体晶片)以形成器件的各种特征和多个层。通常使用例如沉积、光刻、蚀刻、化学机械抛光和离子植入来制造和处理这些层和特征。可以在衬底上的多个管芯上制作多个器件，并且随后将所述器件分离成单独的器件。这种器件制造过程可以被视为图案化过程。图案化过程涉及使用光刻设备中的图案形成装置进行图案化步骤，诸如光学光刻和/或纳米压印光刻，以将图案形成装置上的图案转印至衬底，并且图案化过程通常但可选地涉及一个或更多个相关的图案处理步骤，诸如通过显影设备进行抗蚀剂显影、使用焙烤工具来焙烤衬底、使用蚀刻设备、使用图案进行蚀刻，等等。

发明内容

根据本发明的实施例，提供一种包括指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种用于基于特征的失效率来确定图案化过程的过程窗口的方法。所述方法包括：获得被印制于衬底上的多个特征；基于指标将所述特征分组为多个组；和基于与特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，其中，所述基础失效率模型识别与所述特征组的所述失效率相关的所述过程窗口。

在一些实施例中，所述指标包括：(a)所述特征中的每个特征的过程窗口，其中，所述过程窗口作为与所述相应特征相关联的过程变量的函数；和(b)与所述相应特征相关联的参数。

在一些实施例中，所述过程变量包括与用于所述图案化过程的设备相关联的焦距值和剂量值，并且其中，所述参数包括所述相应特征的临界尺寸(CD)值。

在一些实施例中，将所述特征分组包括：(a)对于所述特征中的每个特征，获得所述相应特征的平均CD值以及位于所述相应特征的过程窗口的边缘处的与所述平均CD相关联的多个剂量值和焦距值以作为指标值，和基于所述特征的所述指标值将所述特征聚类至所述特征组中，其中，特定组内的特征具有在第一阈值内变化的指标值。

在一些实施例中，所述特征的所述聚类包括使用k均值算法聚类所述特征。

在一些实施例中，获得所述特征包括：获得具有被印制于所述衬底上的所述特征的多个图像，和分析所述图像以选择所述特征中满足指定准则的那些特征作为所述多个特征。

在一些实施例中，所述指定准则包括特征在整个所述衬底上的出现次数低于第一阈值，或所述特征在所述图像中的一图像中的出现次数低于第二阈值。

在一些实施例中，产生用于所述特征组的所述基础失效率模型包括：(a)获得所述特征组的平均CD；(b)将所述特征组的局部CD均一性(LCDU)数据确定为与所述特征组相关联的所述测量数据；(c)基于所述LCDU数据来获得：(i)所述特征组的CD的概率密度函数，所述概率密度函数被定义为所述平均CD、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征组中的特征的失效率测量结果的CD极限；(d)基于所述CD极限和所述CD的所述概率密度函数来确定所述特征组的估计失效率；和(e)产生所述基础失效率模型，所述基础失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征组的估计失效率小于预定阈值。

在一些实施例中，确定所述特征组的所述LCDU数据包括：通过以下操作确定所述组的所述LCDU数据：(a)横跨所述多个图像获得所述组中的每个特征的所述LCDU数据；(b)获得所述多个图像中的每个图像的每个特征的CD均值；和(c)从所述LCDU数据移除所述CD均值。

在一些实施例中，获得所述特征组的所述CD的所述概率密度函数包括：基于所述剂量值的方差，针对所述剂量值确定剂量的所述概率密度函数；和基于转换函数将所述剂量的所述概率密度函数转换成所述CD的所述概率密度函数，其中，所述转换函数基于所述剂量的所述函数来确定。

在一些实施例中，所述失效率涉及特征的一个或更多个失效，所述一个或更多个失效包括所述特征的物理失效、转印失效和/或延迟失效。

在一些实施例中，所述方法还包括：将所述基础失效率模型储存在数据库中，其中，所述数据库包括多个基础失效率模型，其中，每个基础失效率模型对应于具有指定指标值的特征组。

在一些实施例中，所述方法还包括使用所述基础失效率模型产生用于特定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述特定特征的估计失效率低于指定阈值。

在一些实施例中，所述方法还包括使用所述基础失效率模型产生指定特征组的特定于特征组的失效率模型，其中，所述特定于特征组的失效率模型识别特定于特征组的过程窗口，使得所述指定特征组的估计失效率低于指定阈值。

在一些实施例中，产生所述特定于特征的失效率模型包括：(a)接收与所述指定特征相关联的测量数据，其中，所述测量数据包括针对多个剂量值和焦距值的所述指定特征的CD值；(b)从所述测量数据确定指定指标值，其中，所述指定指标值被确定为指定平均CD值和位于与所述指定特征相关联的过程窗口的边缘处的与所述指定平均CD值相关联的多个剂量值和焦距值的函数；和(c)从数据库选择指定基础失效率模型，所述指定基础失效率模型的指标值匹配所述指定指标值。

在一些实施例中，产生所述特定于特征的失效模型还包括：从所述指定基础失效率模型获得CD的基础概率密度函数；和基于所述指定平均CD值来调整所述基础概率密度函数的平均CD以产生经调整的概率密度函数。

在一些实施例中，所述方法还包括使用所述经调整的概率密度函数确定所述图案化过程的第一CD极限或第二CD极限中的至少一个，其中，如果所述指定特征的CD高于所述第一CD极限或低于所述第二CD极限，则所述指定特征的估计失效率位于所述指定阈值内。

在一些实施例中，所述方法还包括：获得所述指定特征的CD的场间CD变化、场内CD变化、概率密度函数中的至少一个以作为CD轮廓数据；和将所述经调整的概率密度函数与所述CD轮廓数据做卷积以产生经卷积的概率密度函数。

在一些实施例中，所述方法还包括：基于所述第一CD极限、所述第二CD极限和所述经卷积的概率密度函数来确定所述特定特征的估计失效率；和产生所述特定于特征的失效率模型，所述特定于特征的失效率模型识别所述特定于特征的过程窗口，使得所述指定特征的估计失效率小于所述指定阈值。

在一些实施例中，所述方法还包括：基于与所述指定特征相关的所述过程窗口来调整所述图案化过程的一个或更多个设备，以最小化与所述指定特征相关联的失效率。

此外，在一些实施例中，提供一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种用于基于失效率来确定图案化过程的过程窗口的方法。所述方法包括：(a)选择被印制于衬底上的多个特征；(b)基于指标将所述特征分组为多个组，其中，所述多个组中的每个组包括所述特征的子集；(c)基于与所述多个组的组中的特征相关联的测量数据来产生所述组的基础失效率模型，其中，所述基础失效率模型识别与所述特征组的估计失效率相关的过程窗口；和(d)使用所述基础失效率模型和与指定特征相关联的测量数据产生所述指定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述指定特征的估计失效率低于指定阈值。

在一些实施例中，将所述特征分组包括：(a)对于所述特征中的每个特征，获得所述相应特征的平均CD值和位于所述相应特征的过程窗口的边缘处的与所述平均CD相关联的多个剂量值和焦距值，和基于所述特征的所述指标值将所述特征聚类至所述组中，其中，特定组内的所述特征具有在第一阈值内变化的指标值。

在一些实施例中，所述方法还包括：将所述基础失效率模型储存在数据库中，其中，所述数据库包括多个基础失效率模型，其中，每个基础失效率模型对应于具有指定指标值的特征组。

在一些实施例中，产生所述特定于特征的失效率模型包括：(a)接收与所述指定特征相关联的测量数据，其中，所述测量数据包括针对多个剂量值和焦距值的所述指定特征的平均CD值；(b)从与所述指定特征相关联的所述测量数据确定指定指标值，其中，所述指定指标值被确定为指定平均CD值与位于指定焦距值的与所述指定特征相关联的过程窗口的边缘处的与所述指定平均CD值相关联的剂量值的函数；和(c)从数据库选择指定基础失效率模型，所述指定基础失效率模型的指标值匹配所述指定指标值。

在一些实施例中，所述方法还包括：从所述指定基础失效率模型获得CD的基础概率密度函数；和基于所述指定平均CD值来调整所述基础概率密度函数的平均CD以产生经调整的概率密度函数。

在一些实施例中，所述方法还包括：使用所述经调整的概率密度函数确定所述图案化过程的第一CD极限或第二CD极限，其中，当所述指定特征的CD高于所述第一CD极限或低于所述第二CD极限时，所述指定特征的估计失效率位于所述指定阈值内。

在一些实施例中，所述方法还包括：获得所述指定特征的CD的场间CD变化、场内CD变化、概率密度函数中的至少一个以作为CD轮廓数据；和将所述经调整的概率密度函数与所述CD轮廓数据做卷积以产生经卷积的概率密度函数。

在一些实施例中，所述方法还包括：基于所述第一CD极限、所述第二CD极限和所述经卷积的概率密度函数来确定所述特定特征的估计失效率；和产生所述特定于特征的失效率模型，所述特定于特征的失效率模型识别所述特定于特征的过程窗口，使得所述指定特征的估计失效率小于所述指定阈值。

在一些实施例中，所述方法还包括：基于与所述指定特征相关的所述过程窗口来调整所述图案化过程的一个或更多个设备，以最小化与所述指定特征相关联的失效率。

在一些实施例中，所述一个或更多个设备包括一种被配置成基于所述特定于特征的过程窗口来执行所述衬底上的图案化的光刻设备。

此外，在一些实施例中，提供一种用于基于失效率来确定图案化过程的过程窗口的方法。所述方法包括：获得被印制于衬底上的多个特征；基于指标将所述特征分组为多个组；和基于与特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，其中，所述基础失效率模型识别与所述特征组的所述失效率相关的所述过程窗口。

此外，在一些实施例中，提供一种用于基于失效率来确定图案化过程的过程窗口的方法。所述方法包括：获得被印制于衬底上的多个特征；基于指标将所述特征组分组为多个组，其中，所述多个组的每个组包括所述特征的子集；基于与所述多个组的组中的特征相关联的测量数据来产生所述组的基础失效率模型，其中，所述基础失效率模型识别与所述特征组的估计失效率相关的过程窗口；和使用所述基础失效率模型和与指定特征相关联的测量数据产生所述指定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述指定特征的估计失效率低于指定阈值。

此外，在一些实施例中，提供一种包括指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法。所述方法包括：获得被印制于衬底上的多个特征的测量数据；从所述测量数据导出所述多个特征的特性参数，其中，所述测量数据包含指示所述多个特征的放置误差的数据；和基于与所述特征相关联的所述特性参数来产生所述特征的失效率模型，其中，所述失效率模型被配置成确定与所述特征的失效率相对应的过程窗口。

此外，在一些实施例中，提供一种包括指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法。所述方法包括：获得被印制于衬底上的多个特征的测量数据，其中，所述测量数据包括与所述特征的特征相关联的CD值、边缘放置误差(EPE)值或放置误差(PE)值中的一个或更多；导出所述多个特征的特性参数，其中，所述特性参数包括从所述CD值和所述PE值导出的CDe参数；和基于与所述特征相关联的所述特性参数来产生所述特征的失效率模型，其中，所述失效率模型被配置成识别与所述特征的失效率相关的过程窗口。

此外，在一些实施例中，提供一种包括指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法。所述方法包括：获得被印制于衬底上的多个特征的测量数据，其中，所述测量数据包括与所述特征的特征相关联的CD值、边缘放置误差(EPE)值或放置误差(PE)值中的一个或更多；导出所述特征的特性参数，其中，所述特性参数包括从目标CD值和所述PE值导出的PEe参数；和基于与所述特征相关联的所述特性参数来产生所述特征的失效率模型，其中，所述失效率模型被配置成识别与所述特征的失效率相关的过程窗口。

此外，在一些实施例中，提供一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种用于确定被印制于衬底上的临界特征的方法。所述方法包括：获得被印制于衬底上的多个特征的测量数据；基于所述测量数据来获得所述特征的第一组过程窗口，其中，所述第一组过程窗口表示所述特征的针对第一组剂量值和焦距值的第一特性参数，其中，所述第一组过程窗口包括所述特征中的第一特征的第一过程窗口；基于所述第一组过程窗口来获得所述特征中的每个的多个过程窗口指标；和将所述特征中具有满足指定阈值的所述过程窗口指标中的一个或更多个过程窗口指标的那些特征确定为临界特征。

此外，在一些实施例中，提供一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种用于确定被印制于衬底上的临界特征的方法。所述方法包括：获得被印制于衬底上的多个特征的测量数据；基于所述测量数据来获得所述特征的第一组过程窗口，其中，所述第一组过程窗口表示所述特征的针对第一组剂量值和焦距值的第一特性参数，其中，所述第一组过程窗口包括所述特征中的第一特征的第一过程窗口；基于所述测量数据来获得所述特征的第二组过程窗口，其中，所述第二组过程窗口表示针对第二组剂量值和焦距值的所述特征的第二特性参数，其中，所述第二特性参数不同于所述第一特性参数，其中，所述第二组过程窗口包括所述第一特征的第二过程窗口；利用所述第一过程窗口和所述第二过程窗口执行叠置操作以产生第一经叠置的过程窗口，其中，所述第一经叠置的过程窗口为所述第一过程窗口和所述第二过程窗口在曲线图上的形状的相交区；基于所述相应特征的经叠置的过程窗口来获得所述特征中的每个的多个过程窗口指标；和将所述特征中具有满足指定阈值的所述过程窗口指标中的一个或更多个过程窗口指标的那些特征确定为临界特征。

此外，提供一种其上记录有指令的非暂时性计算机可读介质，所述指令在由计算机执行时实施如以上方法中任一项所述的方法。

附图说明

图1示意性地描绘根据实施例的光刻设备。

图2示意性地描绘光刻元或光刻簇的实施例。

图3示意性地描绘示例性检测装置和量测技术。

图4示意性地描绘示例性检测装置。

图5图示检测装置的照射斑与量测目标之间的关系。

图6示意性地描绘基于量测数据导出多个所关注的变量的过程。

图7示出处理变量的示例性类别。

图8示意性地示出根据实施例的用于图案化模拟方法的流程。

图9示意性地示出根据实施例的用于测量模拟方法的流程。

图10示意性地示出根据实施例的用于确定基于缺陷的过程窗口的方法的流程。

图11A图示根据实施例的所测量的CD与剂量之间的示例性关系。

图11B图示根据实施例的在不同剂量设定情况下的示例性剂量PDF。

图11C图示根据实施例的在不同剂量设定情况下的示例性CDPDF。

图11D图示根据实施例的示例性失效模式。

图11E图示根据实施例的另一示例性失效模式。

图11F图示根据实施例的在一剂量设定下的示例性参数极限。

图11G图示根据实施例的在不同剂量设定情况下的示例性参数极限和相关失效概率。

图11H图示根据实施例的示例性过程窗口。

图12A图示根据实施例的用于第一特征的示例性过程窗口。

图12B图示根据实施例的用于第二特征的示例性过程窗口。

图12C图示根据实施例的图12A和图12B的重叠过程窗口。

图13图示根据实施例的多维过程窗口。

图14为符合各个实施例的用于产生基础失效率模型且最终产生特定于特征的失效率模型的示例性方法的框图。

图15为符合各个实施例的用于产生基础失效率模型的示例性方法的流程图。

图16A示出符合各个实施例的基于三个不同指标分组的特征的PDF_CD曲线图。

图16B示出符合各个实施例的三个不同指标中的每个的组内的特征的PDF_CD变化。

图16C图示符合各个实施例的描绘簇的数目与指标之间的关系的示例性曲线图。

图16D图示符合各个实施例的各种特征分组方法的失效率预测准确性的示例性曲线图。

图16E示出符合各个实施例的特征组的基于缺陷的过程窗口。

图17为符合各个实施例的用于产生特征组的基础失效率模型的示例性方法的流程图。

图18图示符合各个实施例的用于产生特定于特征的FR模型的示例性方法的流程图。

图19A图示符合各个实施例的用于给定特征的基于缺陷的过程窗口。

图19B图示符合各个实施例的用于给定特征组的基于缺陷的过程窗口。

图20图示符合各个实施例的目标特征的边缘放置误差。

图21为符合各个实施例的用于基于CDe数据来产生特征组的基础失效率模型的示例性方法的流程图。

图22为符合各个实施例的用于基于PEe数据来产生特征组的基础失效率模型的示例性方法的流程图。

图23图示符合各个实施例的各种失效率过程窗口。

图24是根据实施例的示例性计算机系统的框图。

图25是根据一个或更多个实施例的用于对特征分级的过程的流程图。

图26A示出根据一个或更多个实施例的特征的示例性CD过程窗口。

图26B示出根据一个或更多个实施例的特征的示例性失效率(FR)过程窗口。

图27图示根据一个或更多个实施例的图26B的FR过程窗口的椭圆拟合。

图28A图示根据一个或更多个实施例的将两个过程窗口叠置的叠置操作。

图28B图示根据一个或更多个实施例的图28A的经叠置的过程窗口的椭圆拟合。

具体实施方式

光刻设备是将期望的图案施加至衬底的目标部分上的机器。将期望的图案转印至衬底上的这种过程被称为图案化过程。在器件制造过程(例如，图案化过程或光刻过程)中，衬底可以在所述过程期间或之后经受各种类型的测量。测量可以确定衬底是否有缺陷，并且可以建立对过程和用于过程中的设备的调整。

失效率模型化针对一个或更多个特征，基于缺陷准则来确定过程窗口(“基于缺陷的过程窗口”)。例如，基于缺陷的过程窗口可以是一组剂量和/或焦距值，其中，特征的缺陷/失效率(例如，特征的临界尺寸(CD)超出期望的范围变化)位于期望的阈值内。失效率模型化可能需要特征的大量测量数据(例如，CD数据)，以便使得估计/预测失效率准确。可以通过利用具有高生产量检测工具(例如，扫描电子显微镜(SEM))的量测，针对密集特征(例如，重复的且在衬底上的出现次数超过阈值的特征，诸如静态随机存取存储器(SRAM)和动态RAM(DRAM)上的特征)可以实现这些取样量。然而，对于随机逻辑结构中的特征，这种取样可以具有挑战，原因在于：(a)特征可能不会足够地出现在衬底的每个图案或每个部分；(b)从衬底的一个部分至另一部分，特征可能重复较少；(c)衬底上呈现过多不同特征(例如，数百万或更多个)；或(d)特征在衬底上的呈现地太稀疏，这可能导致检测工具花费大量时间和其它资源。在SEM图像内呈现非常小的数目个特征的实例的情况下，可能难以具有准确的局部CD均一性，难以使每个焦距/剂量值都捕获完整CD变化。因此，可能需要新方法来确定被开发用于随机逻辑结构中的特征的基于缺陷的过程窗口。

本发明描述一种获得随机逻辑结构中的特征的基于缺陷的过程窗口的方法。例如，过程基于指标(例如，与特征相关联的过程窗口和CD均值)将特征(例如，重复较少的，随机出现于衬底上的特征)分组为特征组，确定每个特征组的基础失效率(FR)模型作为与所述特征组中的特征相关联的测量数据的函数。基础FR模型指示特定特征组中的特征的基于缺陷的过程窗口，这基于特定特征组内的特征的局部CD均一性来确定。接着可以使用基础FR模型，通过将基础模型与关联于给定特征的测量数据做卷积来产生特定于特征的FR模型，特定于特征的FR模型特定于给定特征。也可以使用基础FR模型产生特定于特征组的FR模型，特定于特征组的FR模型特定于给定特征组。

在图案化过程中，一些特征可以比其它特征更临界。例如，具有较小过程窗口的特征比其它特征更临界。识别这些临界特征且保证针对这些临界特征产生基础FR模型可以有助于最小化图案化过程中的缺陷，并且因此有助于改善图案化过程的良率。在一些实施例中，随机逻辑结构可以具有大量特征(例如，数百万)，并且识别这些逻辑结构中的临界特征可能对改善良率具有显著影响。

本发明描述一种用于基于一个或更多个指标(例如，过程窗口指标)来对特征分级的方法。在对特征分级之后，可以将具有满足阈值(例如，低于阈值)的指标的特征识别为临界特征。可以分析(例如，如上文所描述的那样产生的)特征组，以识别特征组中具有临界特征的那些特征组，并且可以针对所识别的特征组产生基础FR模型。

在详细地描述实施例之前，呈现可以实施实施例的示例性环境是具有指导性的。

图1示意性地描绘光刻设备LA的实施例。所述设备包括：

-照射系统(照射器)IL，所述照射系统被配置成调节辐射束B(例如，UV辐射或DUV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，并且连接至被配置成根据某些参数准确地定位图案形成装置的第一定位器PM；

-衬底台(例如，晶片台)WT(例如，WTa、WTb或两者)，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且被连接至被配置成根据某些参数准确地定位衬底的第二定位器PW；以及

-投影系统(例如，折射式投影透镜系统)PS，所述投影系统被配置成将通过图案形成装置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且常常被称作场)上，所述投影系统被支撑在参考框架(RF)上。

如这里描绘的，所述设备属于透射类型(例如，使用透射式掩模)。替代地，所述设备可以属于反射类型(例如，使用如上文提及的类型的可编程反射镜阵列，或使用反射式掩模)。

照射器IL从辐射源SO接收辐射束。例如，当源为准分子激光器时，源和光刻设备可以是分立的实体。在这样的情况下，不将源视为形成光刻设备的部分，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BD将辐射束从源SO传递至照射器IL。在其它情况下，例如当源为汞灯时，所述源可以是设备的组成部分。源SO和照射器IL连同束传递系统BD(在需要时)可以被称作辐射系统。

照射器IL可以改变束的强度分布。照射器可以被布置成限制辐射束的径向范围，使得在照射器IL的光瞳平面中的环形区内的强度分布是非零的。另外或替代地，照射器IL可以是可操作的以限制束在光瞳平面中的分布，使得在光瞳平面中的多个等距间隔开的区段中的强度分布是非零的。辐射束在照射器IL的光瞳平面中的强度分布可以被称作照射模式。

因此，照射器IL可以包括被配置成调整束的(角度/空间)强度分布的调整器AM。通常，可以调整照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别被称作σ-外部和σ-内部)。照射器IL可以是可操作的以改变束的角分布。例如，照射器可以是可操作的以改变强度分布是非零的光瞳平面中的区段的数目和角度范围。通过调整束在照射器的光瞳平面中的强度分布，可以实现不同的照射模式。例如，通过限制照射器IL的光瞳平面中的强度分布的径向范围和角度范围，强度分布可以具有多极分布，诸如例如，双极、四极或六极分布。可以例如通过将提供期望的照射模式的光学器件插入至照射器IL中或使用空间光调制器来获得所述照射模式。

照射器IL可以是可操作的以改变束的偏振且可以是可操作的以使用调整器AM来调整偏振。在照射器IL的整个光瞳平面上的辐射束的偏振状态可以被称作偏振模式。使用不同的偏振模式可以允许在形成在衬底W上的图像中实现较大的对比度。辐射束可以是非偏振的。替代地，照射器可以被布置成使辐射束线性地偏振。辐射束的偏振方向可以在照射器IL的整个光瞳平面上变化。辐射的偏振方向在照射器IL的光瞳平面中的不同区中可以是不同的。可以依赖于照射模式来选择辐射的偏振状态。对于多极照射模式，辐射束的每个极的偏振通常可以垂直于照射器IL的光瞳平面中的所述极的位置矢量。例如，对于双极照射模式，辐射可以在大体上垂直于平分双极的两个相对区段的线的方向上线性地偏振。辐射束可以在两个不同的正交方向中的一个正交方向上偏振，这可以被称作X偏振状态和Y偏振状态。对于四极照射模式，每个极的区段中的辐射可以在大体上垂直于平分所述区段的线的方向上线性地偏振。这种偏振模式可以被称作XY偏振。类似地，对于六极照射模式，每个极的区段中的辐射可以在大体上垂直于平分所述区段的线的方向上线性地偏振。这种偏振模式可以被称作TE偏振。

此外，照射器IL通常包括各种其它部件，诸如积分器IN和聚光器CO。照射系统可以包括用于引导、成形或控制辐射的各种类型的光学部件，诸如折射式、反射式、磁性式、电磁式、静电式或其它类型的光学部件，或其任何组合。

因此，照射器提供在其横截面中具有期望的均一性和强度分布的调节后的辐射束B。

支撑结构MT以依赖于图案形成装置的定向、光刻设备的设计和诸如例如图案形成装置是否保持于真空环境中之类的其它条件的方式支撑图案形成装置。支撑结构可以使用机械、真空、静电或其它夹持技术以保持图案形成装置。支撑结构可以是例如框架或台，框架或台可以根据需要是固定的或可移动的。支撑结构可以确保图案形成装置例如相对于投影系统处于期望的位置。本发明中对术语“掩模版”或“掩模”的任何使用都可以被视为与更上位的术语“图案形成装置”是同义的。

本发明中所使用的术语“图案形成装置”应被广泛地解释为是指可以用于在衬底的目标部分中赋予图案的任何装置。在实施例中，图案形成装置是可以用于在辐射束的横截面中向辐射束赋予图案以便在衬底的目标部分中产生图案的任何装置。应注意，例如，如果被赋予至辐射束的图案包括相移特征或所谓的辅助特征，则所述图案可能不会准确地对应于衬底的目标部分中的期望的图案。通常，被赋予至辐射束的图案将对应于在目标部分中产生的器件(诸如，集成电路)中的特定功能层。

图案形成装置可以是透射式或反射式的。图案形成装置的示例包括掩模、可编程反射镜阵列和可编程LCD面板。掩模在光刻术中是众所周知的，并且包括诸如二元、交变相移和衰减相移的掩模类型，以及各种混合掩模类型。可编程反射镜阵列的示例使用小反射镜的矩阵布置，所述小反射镜中的每个小反射镜可以单独地倾斜，以便使入射辐射束在不同的方向上反射。被倾斜的反射镜在由反射镜矩阵反射的辐射束中赋予图案。

本发明中所使用的术语“投影系统”应被广泛地解释为涵盖如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任何类型的投影系统，包括折射式、反射式、反射折射式、磁性式、电磁式和静电式光学系统，或其任何组合。本发明中对术语“投影透镜”的任何使用都可以被视为与更上位的术语“投影系统”是同义的。

投影系统PS具有可以是非均一且可能影响成像至衬底W上的图案的光学传递函数。对于非偏振辐射，这样的效应可以由两个标量映射相当良好地描述，所述两个标量映射描述作为射出投影系统PS的辐射的光瞳平面中的位置的函数的所述辐射的透射(变迹)和相对相位(像差)。可以将能够被称作透射率映射和相对相位映射的这些标量映射表达为基函数的全集的线性组合。特别适宜的集合为泽尼克多项式，所述泽尼克多项式形成在单位圆上定义的正交多项式集合。每个标量映射的确定可以涉及确定这种展开式中的系数。由于泽尼克多项式在单位圆上正交，因此可以通过依次计算被测量的标量映射与每个泽尼克多项式的内积且将这种内积除以所述泽尼克多项式的范数的平方来确定泽尼克系数。

透射率映射和相对相位映射是依赖于场和系统的。即，通常，每个投影系统PS将针对每个场点(即，针对投影系统的像平面中的每个空间部位)具有不同的泽尼克展开式。可以通过经由投影系统PS投影例如来自投影系统PS的物平面(即，图案形成装置MA的平面)中的类点源的辐射且使用剪切干涉仪测量波前(即，具有相同相位的点的轨迹)来确定投影系统PS在其光瞳平面中的相对相位。剪切干涉仪是共同路径干涉仪，并且因此有利地，无需次级参考束来测量波前。剪切干涉仪可以包括投影系统的像平面(即，衬底台WT)中的衍射光栅(例如，二维栅格)，和被布置成检测与投影系统PS的光瞳平面共轭的平面中的干涉图案的检测器。干涉图案与辐射的相位与在剪切方向上的光瞳平面中的坐标的导数有关。检测器可以包括诸如例如电荷耦合装置(CCD)之类的感测元件的阵列。

光刻设备的投影系统PS可能不产生可见条纹，并且因此可以使用相位步进技术(诸如，例如，移动衍射光栅)来增强波前的确定的准确度。可以在衍射光栅的平面中且在垂直于测量的扫描方向的方向上执行步进。步进范围可以是一个光栅周期，并且可以使用至少三个(均一地分布)相位步进。因此，例如，可以在y方向上执行三次扫描测量，在x方向上针对不同位置执行每次扫描测量。衍射光栅的这种步进有效地将相位变化转换成强度变化，从而允许确定相位信息。光栅可以在垂直于衍射光栅的方向(z方向)上步进以校准检测器。

可以在两个垂直方向上依序地扫描衍射光栅，所述两个垂直方向可以与投影系统PS的坐标系统的轴线(x和y)重合或可以与这些轴线成角度(诸如45度)。可以在整数个光栅周期(例如，一个光栅周期)内执行扫描。扫描对在一个方向上的相位变化求平均值，从而允许重构在另一方向上的相位变化。这允许将波前确定为两个方向的函数。

可以通过经由投影系统PS投影例如来自投影系统PS的物平面(即，图案形成装置MA的平面)中的类点源的辐射且使用检测器测量与投影系统PS的光瞳平面共轭的平面中的辐射强度来确定投影系统PS在其光瞳平面中的透射(变迹)。可以使用与用于测量波前以确定像差的检测器相同的检测器。

投影系统PS可以包括多个光学(例如，透镜)元件，并且还可以包括被配置成调整所述光学元件中的一个或更多个光学元件以便校正像差(在整个场上的光瞳平面的相位变化)的调整机构AM。为实现这种调整，所述调整机构可以是可操作的以用一种或更多种不同的方式来操控投影系统PS内的一个或更多个光学(例如，透镜)元件。所述投影系统可以具有一坐标系，在该坐标系中，所述投影系统的光轴在z方向上延伸。调整机构可以是可操作的以进行以下各项的任何组合：使一个或更多个光学元件移位；使一个或更多个光学元件倾斜；和/或使一个或更多个光学元件变形。光学元件的移位可以在任何方向(x、y、z或其组合)上进行。光学元件的倾斜通常在垂直于光轴的平面外，通过绕x和/或y方向上的轴线旋转而进行，但对于非旋转对称的非球面光学元件来说可以使用绕z轴的旋转。光学元件的变形可以包括低频形状(例如，像散)和/或高频形状(例如，自由形式非球面)。可以例如通过使用一个或更多个致动器以对光学元件的一侧或更多侧施加力和/或通过使用一个或更多个加热元件以对光学元件的一个或更多个选定区进行加热来执行光学元件的变形。通常，不可能调整投影系统PS以校正变迹(在整个光瞳平面上的透射率变化)。可以在设计用于光刻设备LA的图案形成装置(例如，掩模)MA时使用投影系统PS的透射率映射。使用计算光刻技术，图案形成装置MA可以被设计成至少部分地校正变迹。

光刻设备可以属于具有两个(双平台)或更多个台(例如，两个或更多个衬底台WTa、WTb，两个或更多个图案形成装置台，在无专用于例如促进测量和/或清洁等的衬底的情况下在投影系统下方的衬底台WTa和台WTb)的类型。在这些“多平台”机器中，可以并行地使用额外的台，或可以在一个或更多个台上进行预备步骤的同时将一个或更多个其它台用于曝光。例如，可以使用对准传感器AS进行对准测量和/或使用水平传感器(或水准传感器)LS进行水平(高度、倾角等)测量。

光刻设备也可以属于如下类型：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。也可以将浸没液体施加至光刻设备中的其它空间，例如图案形成装置与投影系统之间的空间。浸没技术在本领域中是众所周知的，以用于增加投影系统的数值孔径。本发明中所使用的术语“浸没”并不意味着诸如衬底之类的结构必须浸没在液体中，而是仅意味着液体在曝光期间位于投影系统与衬底之间。

因此，在光刻设备的操作中，辐射束由照射系统IL调节和提供。辐射束B入射至保持在支撑结构(例如，掩模台)MT上的图案形成装置(例如，掩模)MA上，并且通过图案形成装置被图案化。在已横穿图案形成装置MA的情况下，辐射束B穿过投影系统PS，所述投影系统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、2-D编码器或电容式传感器)，衬底台WT可以被准确地移动例如以便在辐射束B的路径中定位不同的目标部分C。类似地，例如在从掩模库机械获取之后或在扫描期间，第一定位器PM和另一位置传感器(另一位置传感器在图1中未明确地描绘)可以用于相对于辐射束B的路径准确地定位图案形成装置MA。通常，可以借助于形成第一定位器PM的部件的长行程模块(粗定位)和短行程模块(精定位)来实现支撑结构MT的移动。类似地，可以使用形成第二定位器PW的部件的长行程模块和短行程模块来实现衬底台WT的移动。在步进器(相对于扫描仪)的情况下，支撑结构MT可以仅连接至短行程致动器，或可以是固定的。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置MA和衬底W。尽管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)。类似地，在多于一个的管芯被提供在图案形成装置MA上的情形中，图案形成装置对准标记可以位于所述管芯之间。

可以在以下模式中的至少一个模式下使用所描绘的设备：

1.在步进模式下，在使支撑结构MT和衬底台WT保持基本上静止的同时将赋予至辐射束的整个图案一次性投影至目标部分C上(即，单次静态曝光)。随后，使衬底台WT在X和/或Y方向上偏移，使得可以曝光不同的目标部分C。在步进模式下，曝光场的最大尺寸限制单次静态曝光中成像的目标部分C的尺寸。

2.在扫描模式下，同步地扫描支撑结构MT和衬底台WT，同时将赋予至辐射束的图案投影至目标部分C上(即，单次动态曝光)。可以通过投影系统PS的(缩小)放大率和图像反转特性来确定衬底台WT相对于支撑结构MT的速度和方向。在扫描模式下，曝光场的最大尺寸限制单次动态曝光中的目标部分(在非扫描方向上)的宽度，而扫描运动的长度确定目标部分(在扫描方向上)的高度。

3.在另一模式下，使支撑结构MT保持基本上静止，从而保持可编程图案形成装置，并且移动或扫描衬底台WT，同时将赋予至辐射束的图案投影至目标部分C上。在这种模式下，通常使用脉冲辐射源，并且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新可编程图案形成装置。这种操作模式可以容易地应用至利用可编程图案形成装置(诸如，上文提及的类型的可编程反射镜阵列)的无掩模光刻术。

也可以使用上文所描述的使用模式的组合和/或变型或完全不同的使用模式。

虽然在本发明中可以具体地参考光刻设备在IC制造中的使用，但应理解，本发明中所描述的光刻设备可以具有其它应用，诸如制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示器(LCD)、薄膜磁头等。本领域技术人员将了解，在这些替代应用的内容背景下，本发明中对术语“晶片”或“管芯”的任何使用都可以被视为分别与更上位的术语“衬底”或“目标部分”同义。可以在曝光之前或之后在例如涂覆显影系统或轨道(通常将抗蚀剂层施加至衬底且对曝光后的抗蚀剂进行显影的工具)、或者量测或检查工具中处理本发明中提及的衬底。在适用的情况下，可以将本发明中的公开内容应用至这些和其它衬底处理工具。另外，可以对衬底处理一次以上，例如以便产生多层IC，使得本发明中所使用的术语衬底也可以指已包含多个处理后的层的衬底。

本发明中所使用的术语“辐射”和“束”涵盖所有类型的电磁辐射，包括紫外线(UV)辐射(例如，具有365nm、248nm、193nm、157nm或126nm的波长)和极紫外线(EUV)辐射(例如，具有在5nm至20nm的范围内的波长)以及粒子束，诸如离子束或电子束。

图案形成装置上或由图案形成装置提供的各种图案可以具有不同的过程窗口，即，将产生规范内的图案所处的处理变量的空间。与潜在系统性缺陷有关的图案规范的示例包括检查颈缩、线拉回、线薄化、CD、边缘放置、叠置、抗蚀剂顶部损耗、抗蚀剂底切和/或桥接。可以通过合并每个单独的图案的过程窗口(例如，使所述过程窗口叠置)来获得图案形成装置或其区域上的所有图案的过程窗口。所有图案的过程窗口的边界包含单独的图案中的一些图案的过程窗口的边界。换句话说，这些单独的图案限制所有图案的过程窗口。这些图案可以被称作“热斑”或“过程窗口限制图案(PWLP)”，“热斑”或“过程窗口限制图案(PWLP)”在本发明中可互换使用。当控制图案化过程的一部分时，关注热斑是可能且经济的。当热斑无缺陷时，最可能的是所有图案都无缺陷。

如图2中所示出的，光刻设备LA可以形成光刻单元LC(有时也被称作光刻元或光刻簇)的部分，光刻单元也包括用于对衬底执行曝光前和曝光后过程的设备。常规地，这些装置包括用于沉积一个或更多个抗蚀剂层的一个或更多个旋涂器SC、用于显影曝光后的抗蚀剂的一个或更多个显影器DE、一个或更多个激冷板CH和/或一个或更多个焙烤板BK。衬底处理装置或机器人RO从输入/输出端口I/O1、I/O2拾取一个或更多个衬底，将这些衬底在不同的过程设备之间移动且将这些衬底传递至光刻设备的进料台LB。常常被统称为涂覆显影系统或轨道的这些设备由涂覆显影系统控制单元或轨道控制单元TCU控制，涂覆显影系统控制单元自身受管理控制系统SCS控制，管理控制系统也经由光刻控制单元LACU来控制光刻设备。因而，不同的设备可以被操作以最大化生产量和处理效率。

为了正确且一致地曝光由光刻设备曝光的衬底和/或为了监测包括至少一个图案转印步骤(例如，光学光刻步骤)的图案化过程(例如，装置制造过程)的一部分，期望检查衬底或其它物体以测量或确定一个或更多个性质，诸如对准、重叠(所述重叠可以例如是重叠层中的结构之间的重叠或同一层中的已通过例如双重图案化过程与所述层分离地提供的结构之间的重叠)、线厚度、临界尺寸(CD)、聚焦偏移、材料性质等。因此，被定位有光刻单元LC的制造设施通常也包括量测系统MET，所述量测系统测量已在所述光刻单元中处理的衬底W中的一些或全部衬底、或者所述光刻单元中的其它物体。量测系统MET可以是光刻单元LC的部件，例如量测系统MET可以是光刻设备LA的部件(诸如，对准传感器AS)。

例如，一个或更多个被测量的参数可以包括：形成在被图案化的衬底中或被图案化的衬底上的连续层之间的重叠、例如形成在被图案化的衬底中或被图案化的衬底上的特征的临界尺寸(CD)(例如，临界线宽)、光学光刻步骤的聚焦或聚焦误差、光学光刻步骤的剂量或剂量误差、光学光刻步骤的光学像差等。可以对产品衬底自身的目标和/或对提供在衬底上的专用量测目标执行这种测量。可以在抗蚀剂显影之后但在蚀刻之前执行所述测量，或可以在蚀刻之后执行所述测量。

存在用于对在图案化过程中形成的结构进行测量的各种技术，包括使用扫描电子显微镜、基于图像的量测工具和/或各种专用工具。如上文论述的，专用量测工具的快速和非侵入式形式为辐射束被引导至衬底的表面上的目标上且测量被散射(被衍射/被反射)的束的性质的测量工具。通过评估由衬底散射的辐射的一种或更多种性质，可以确定衬底的一个或更多个性质。这可以被称为基于衍射的量测。这种基于衍射的量测的一个这样的应用是测量在目标内的不对称性的特征。这可以用作例如重叠的量度，但其它应用也是已知的。例如，可以通过比较衍射光谱的相对部分(例如，比较周期性光栅的衍射光谱中的-1阶与+1阶)来测量不对称性。这可以如上文所描述的且如例如以全文引用的方式并入本文中的美国专利申请公开号US2006-066855中所描述的那样来进行。基于衍射的量测的另一应用是在目标内的特征宽度(CD)的测量。这样的技术可以使用下文所描述的设备和方法。

因此，在器件制作过程(例如，图案化过程或光刻过程)中，衬底或其它物体可以在过程期间或在过程之后经受各种类型的测量。测量可以确定特定衬底是否有缺陷，可以对过程和用于过程中的设备进行调整(例如，对准衬底上的两个层或对准图案形成装置与衬底)，可以测量过程和设备的性能或可以用于其它目的。测量的示例包括光学成像(例如，光学显微镜)、非成像光学测量(例如，基于衍射的测量，诸如ASML YieldStar量测工具、ASMLSMASH量测系统)、机械测量(例如，使用触控笔的轮廓探测、原子力显微法(AFM))，和/或非光学成像(例如，扫描电子显微法(SEM))。如以全文引用的方式并入本发明中的美国专利号6,961,116中所描述的SMASH(智能型对准传感器混合式)系统使用自参考干涉仪，所述自参考干涉仪产生对准标识的两个叠置的且相对旋转的图像，检测在使图像的傅里叶变换引起干涉的光瞳平面中的强度，并且从两个图像的衍射阶之间的相位差提取位置信息，所述相位差表示为干涉阶中的强度变化。

可以将量测结果直接地或间接地提供至管理控制系统SCS。如果检测到误差，则可以对后续衬底的曝光(尤其在可以足够迅速且快速地完成所述批次的一个或更多个其它衬底仍将要曝光的检查的情况下)和/或曝光后的衬底的后续曝光进行调整。此外，已曝光的衬底可以被剥离和返工以改善良率，或者被舍弃，由此避免对已知有瑕疵的衬底执行进一步处理。在衬底的仅一些目标部分有瑕疵的情况下，可以仅对良好的那些目标部分执行进一步曝光。

在量测系统MET内，量测设备用于确定衬底的一个或更多个性质，并且具体地，确定不同衬底的一个或更多个性质如何变化或同一衬底的不同层在层间如何变化。如上文所提到的，量测设备可以集成至光刻设备LA或光刻单元LC中，或可以是单独的装置。

为了实现量测，可以在衬底上提供一个或更多个目标。在实施例中，目标被专门设计且可以包括周期性结构。在实施例中，目标是器件图案的一部分，例如是器件图案的周期性结构。在实施例中，器件图案是存储器装置的周期性结构(例如，双极晶体管(BPT)、位线触点(BLC)等结构)。

在实施例中，衬底上的目标可以包括一个或更多个一维周期性结构(例如，光栅)，该一个或更多个一维周期性结构被印制成使得在显影之后，周期性结构特征由实心抗蚀剂线形成。在实施例中，所述目标可以包括一个或更多个二维周期性结构(例如，光栅)，该一个或更多个二维周期性结构被印制成使得在显影之后，该一个或更多个周期性结构由抗蚀剂中的实心抗蚀剂导柱或通孔形成。栅条、导柱或通孔可以可替代地被蚀刻至衬底中(例如，被蚀刻至衬底上的一个或更多个层中)。

在实施例中，图案化过程的所关注的参数中的一个所关注的参数是重叠。可以使用暗场散射量测术来测量重叠，其中，阻挡零阶衍射(对应于镜面反射)，并且仅处理较高阶。可以在PCT专利申请公开号WO 2009/078708和WO 2009/106279中找到暗场量测的示例，所述专利申请公开由此以全文引用的方式并入。美国专利申请公开US2011-0027704、US2011-0043791和US2012-0242970中已描述了所述技术的进一步开发，所述专利申请公开由此以全文引用的方式并入。使用衍射阶的暗场检测的基于衍射的重叠实现对较小目标的重叠测量。这些目标可以小于照射斑且可以由衬底上的器件产品结构环绕。在实施例中，可以在一次辐射捕获中测量多个目标。

图3描绘示例性检查设备(例如，散射仪)。所述散射仪包括将辐射投影至衬底W上的宽带(白光)辐射投影仪2。被重定向的辐射被传递至光谱仪检测器4，所述光谱仪检测器测量被镜面反射的辐射的光谱10(作为波长的函数的强度)，如例如在左下方的曲线图中示出的。根据这种数据，可以由处理器PU例如通过严格耦合波分析和非线性回归、或通过与如图3的右下方处所示出的模拟光谱的库的比较，来重构导致所检测的光谱的结构或廓形。通常，对于重构，结构的一般形式是已知的，并且根据制造所述结构的过程的知识来假定一些变量，从而根据被测量的数据来确定结构的留下的仅几个变量。这样的检查设备可以被配置成正入射检查设备或斜入射检查设备。

图4中示出可以使用的另一检查设备。这种装置中，由辐射源2发射的辐射通过使用透镜系统12而被准直且被透射穿过干涉滤光器13和偏振器17，并且被部分反射表面16反射且经由物镜15而被聚焦至衬底W上的斑S中，所述物镜具有较高的数值孔径(NA)，期望地为至少0.9或至少0.95。浸没检查设备(使用相对较高折射率的流体，诸如水)甚至可以具有超过1的数值孔径。

如在光刻设备LA中那样，可以在测量操作期间提供一个或更多个衬底台以保持所述衬底W。所述衬底台的形式可以与图1的衬底台WT类似或相同。在检查设备与光刻设备集成的示例中，所述衬底台甚至可以是同一衬底台。可以将粗定位装置和精定位装置提供至第二定位器PW，所述第二定位器被配置成相对于测量光学系统而准确地定位所述衬底。提供各种传感器和致动器例如用于获取关注的目标的位置，并且将关注的目标带入至物镜15下方的位置中。通常将对在整个衬底W上的不同部位处的目标进行许多次测量。衬底支撑件可以在X和Y方向上移动以获取不同的目标，并且在Z方向上移动以获得目标相对于光学系统的焦距的期望的部位。例如，当在实践中所述光学系统可以保持实质上静止(通常在X和Y方向上，但可能也在Z方向上)且仅衬底移动时，方便的是将操作考虑并描述为如同物镜被带入至相对于衬底的不同位置。假设所述衬底与所述光学系统的相对位置是正确的，则原则上无关紧要的是：衬底和光学系统中的哪一个在真实世界中移动，或两者都移动，或光学系统的一部分(例如，在Z方向和/或倾斜方向上)移动而光学系统的剩余部分静止且衬底(例如，在X和Y方向上，并且可选地也在Z方向和/或倾斜方向上)移动的组合。

由衬底W重定向的辐射随后传递穿过部分反射表面16而进入检测器18中以便检测光谱。检测器18可以位于背向投影式焦平面11处(即，位于透镜系统15的焦距处)，或平面11可以利用辅助光学器件(未示出)而被再成像至检测器18上。所述检测器可以是二维检测器，使得能够测量衬底目标30的二维角散射光谱。检测器18可以是例如CCD或CMOS传感器阵列，并且可以使用例如每帧40毫秒的积分时间。

参考束可以用于例如测量入射辐射的强度。为进行这种测量，当辐射束入射至部分反射表面16上时，所述辐射束的一部分被透射穿过部分反射表面16而作为朝向参考反射镜14的参考束。随后将参考束投影至同一检测器18的不同部分上或替代地投影至不同的检测器(未示出)上。

一个或更多个干涉滤光器13可以用于选择在比如405nm至790nm或甚至更低(诸如，200nm至300nm)的范围内的关注的波长。干涉滤光器可以是可调节的，而不包括不同的滤光器的集合。光栅可以被用于替代干涉滤光器。孔径光阑或空间光调制器(未示出)可以被设置在照射路径中以控制辐射的在目标上的入射角的范围。

检测器18可以测量在单个波长(或较窄的波长范围)下被重定向的辐射的强度、分离地在多个波长情况下的被重定向的辐射的强度、或在一定波长范围上积分的被重定向的辐射的强度。此外，检测器可以单独地测量横向磁偏振辐射和横向电偏振辐射的强度，和/或横向磁偏振辐射与横向电偏振辐射之间的相位差。

衬底W上的目标30可以是一维光栅，该一维光栅被印制成使得在显影之后，栅条由实心的抗蚀剂线形成。目标30可以是二维光栅，该二维光栅被印制成使得在显影之后，光栅由抗蚀剂中的实心的抗蚀剂导柱或通孔形成。栅条、导柱或通孔可以被蚀刻至衬底中或衬底上(例如，被蚀刻至衬底上的一个或更多个层中)。图案(例如，栅条、导柱或通孔的图案)对图案化过程中的处理的改变(例如，光刻投影设备(具体地，投影系统PS)中的光学像差、焦距改变、剂量改变等)是敏感的，并且将展现被印制的光栅的变化。因此，被印制的光栅的被测量的数据用于重构所述光栅。可以根据印制步骤和/或其它检查过程的知识，将一维光栅的一个或更多个参数(诸如，线宽和/或形状)或二维光栅的一个或更多个参数(诸如，导柱或通孔宽度或长度或形状)输入至由处理器PU执行的重构过程。

除了通过重构进行参数的测量，角分辨散射测量也用于产品和/或抗蚀剂图案中的特征的不对称性的测量。不对称性测量的特定应用是用于重叠的测量，其中，目标30包括一组周期性特征，所述一组周期性特征被重叠在另一组周期性特征上。使用图3或图4的仪器的不对称性测量的构思在例如美国专利申请公开申请US2006-066855中被描述，所述公开的申请全文并入本文中。简单地说，虽然目标的衍射光谱中的衍射阶的位置仅由目标的周期性来确定，但衍射光谱中的不对称性指示了构成所述目标的单独的特征中的不对称性。在图4的仪器中(其中，检测器18可以是图像传感器)，衍射阶中的这种不对称性直接呈现为由检测器18记录的光瞳图像中的不对称性。这种不对称性可以由单元PU中的数字图像处理来测量，并且可以相对于已知的重叠值来校准。

图5图示了典型目标30的平面图，和图4的设备中的照射斑S的范围。为了获得没有来自周围结构的干涉的衍射光谱，在实施例中，目标30是大于照射斑S的宽度(例如，直径)的周期性结构(例如，光栅)。斑S的宽度可以小于目标的宽度和长度。换句话说，所述目标被照射“欠填充”，并且衍射信号基本上不具备来自位于目标自身之外的产品特征及其类似物的任何信号。照射布置2、12、13、17可以被配置成提供在物镜15的整个后焦面上的均一强度的照射。替代地，通过例如在照射路径中包括孔阑，照射可以被限制在轴线上方向或偏离轴线方向。

图6示意性地描绘基于使用量测而获得的测量数据来确定目标图案30′的一个或更多个关注的变量的值的示例性过程。由检测器18检测的辐射提供用于目标30′的被测量的辐射分布108。

对于给定目标30′，可以使用例如数值麦克斯韦求解器210根据参数化模型206计算/模拟辐射分布208。参数化模型206示出构成目标且与所述目标相关联的各种材料的示例性层。参数化模型206可以包括针对考虑中的目标的部分的特征和层的变量中的一个或更多个变量，所述一个或更多个变量可以变化且被导出。如图6中所示出的，所述变量中的一个或更多个变量可以包括一个或更多个层的厚度t、一个或更多个特征的宽度w(例如，CD)、一个或更多个特征的高度h、和/或一个或更多个特征的侧壁角α。尽管未示出，但变量中的一个或更多个变量还可以包括但不限于：层中的一个或更多个层的折射率(例如，实数折射率或复数折射率、折射率张量等)、一个或更多个层的消光系数、一个或更多个层的吸收率、在显影期间的抗蚀剂损耗、一个或更多个特征的基脚、和/或一个或更多个特征的线边缘粗糙度。所述变量的初始值可以是针对正在被测量的目标被预期的初始值。随后在212处比较被测量的辐射分布108与被计算的辐射分布208以确定两者之间的差。如果存在差，则可以使参数化模型206的变量中的一个或更多个变量的值变化，计算新的被计算的辐射分布208且将新的被计算的辐射分布208与被测量的辐射分布108进行比较，直至在被测量的辐射分布108与被计算的辐射分布208之间存在充分的匹配。此时，参数化模型206的变量的值提供了实际目标30′的几何形状的良好的或最佳的匹配。在实施例中，当被测量的辐射分布108与被计算的辐射分布208之间的差在公差阈值内时，则存在足够的匹配。

图案化过程的变量被称为“处理变量”。图案化过程可以包括在光刻设备中的图案的实际转印上游和下游的过程。图7示出处理变量370的示例性类别。第一类别可以是光刻设备或用于光刻过程中的任何其它设备的变量310。这种类别的示例包括光刻设备的照射、投影系统、衬底平台等的变量。第二类别可以是在图案化过程中执行的一个或更多个过程的变量320。这种类别的示例包括焦距控制或焦距测量、剂量控制或剂量测量、带宽、曝光持续时间、显影温度、用于显影中的化学成份等。第三类别可以是设计布局、以及它的在图案形成装置中的实施方式或它的使用图案形成装置的实施方式的变量330。这种类别的示例可以包括辅助特征的形状和/或位置、由分辨率增强技术(RET)所应用的调整、掩模特征的CD，等等。第四类别可以是衬底的变量340。示例包括抗蚀剂层下方的结构的特性、抗蚀剂层的化学成份和/或物理尺寸，等等。第五类别可以是图案化过程的一个或更多个变量的时间变化的特性350。这种类别的示例包括高频平台移动(例如，频率、振幅等)、高频激光带宽改变(例如，频率、振幅等)和/或高频激光波长改变的特性。这些高频改变或移动是高于用于调整基础变量(例如，平台位置、激光强度)的机构的响应时间的高频改变或移动。第六类别可以是在光刻设备中的图案转印的上游或下游的过程的特性360，所述过程诸如是旋涂、曝光后焙烤(PEB)、显影、蚀刻、沉积、掺杂和/或封装。

如将了解的，这些变量中的许多变量(如果不是全部)将对图案化过程的参数有影响且常常对所关注的参数有影响。图案化过程的参数的非限制性示例可以包括临界尺寸(CD)、临界尺寸均一性(CDU)、焦距、重叠、边缘位置或放置、侧壁角、图案移位或偏移等。常常，这些参数表达了相对于名义值(例如，设计值、平均值等)的误差。所述参数值可以是单独的图案的特性的值或一组图案的特性的统计量(例如，平均值、方差等)。

可以通过合适的方法来确定所述处理变量中的一些或全部处理变量、或与所述处理变量相关的参数的值。例如，可以根据利用各种量测工具(例如，衬底量测工具)所获得的数据来确定所述值。可以从图案化过程中的设备的各个传感器或系统(例如，光刻设备的诸如调平传感器或对准传感器之类的传感器、光刻设备的控制系统(例如，衬底或图案形成装置台控制系统)、涂覆显影系统工具或轨道工具中的传感器等)获得所述值。所述值可以来自图案化过程的操作者。

图8中图示了用于对图案化过程的部分进行建模和/或模拟的示例性流程图。如将了解的，所述模型可以表示不同的图案化过程且无需包括下文所描述的所有模型。源模型1200表示图案形成装置的照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。源模型1200可以表示照射的光学特性，所述光学特性包括但不限于：数值孔径设定、照射西格玛(σ)设定以及任何特定的照射形状(例如，离轴辐射形状，诸如环形、四极、双极等)，其中，σ(或西格玛)是照射器的外部径向范围。

投影光学器件模型1210表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布和/或相位分布的改变)。投影光学器件模型1210可以表示投影光学器件的光学特性，投影光学器件的光学特性包括像差、失真、一个或更多个折射率、一个或更多个物理大小、一个或更多个物理尺寸等。

图案形成装置/设计布局模型模块1220捕获了所述设计特征如何被布置在图案形成装置的图案中，且可以包括所述图案形成装置的详细的物理性质的表示，如在例如以全文引用的方式并入的美国专利号7,587,704中描述的。在实施例中，图案形成装置/设计布局模型模块1220表示设计布局(例如，与集成电路、存储器、电子装置等的特征对应的器件设计布局)的光学特性(包括由给定设计布局引起的辐射强度分布和/或相位分布的改变)，所述设计布局是在图案形成装置上或由图案形成装置形成的特征的布置的表示。由于可以改变用于光刻投影设备中的图案形成装置，因此期望将所述图案形成装置的光学性质与至少包括照射器件和投影光学器件两者的光刻投影设备的其余部分的光学性质分离。模拟的目标常常是用于准确地预测例如边缘放置和CD，可以随后将所述边缘放置和CD与器件设计进行比较。器件设计通常被定义为预OPC图案形成装置布局，并且将以诸如GDSII或OASIS之类的标准化数字文件格式来提供。

可以根据源模型1200、投影光学器件模型1210和图案形成装置/设计布局模型1220来模拟空间图像1230。空间图像(AI)是在衬底水平面处的辐射强度分布。光刻投影设备的光学性质(例如，照射件、图案形成装置和投影光学器件的性质)规定了空间图像。

由空间图像来曝光衬底上的抗蚀剂层，并且将所述空间图像转印至抗蚀剂层以作为其中的潜在“抗蚀剂图像”(RI)。可以将抗蚀剂图像(RI)限定为所述抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型1240根据空间图像1230来模拟抗蚀剂图像1250。可以使用抗蚀剂模型以根据空间图像来计算抗蚀剂图像，这种情形的示例可以在美国专利申请公开号US 2009-0157360中找到，所述美国专利的公开内容由此以全文引用的方式并入。抗蚀剂模型通常描述了在抗蚀剂曝光、曝光后焙烤(PEB)和显影期间发生的化学过程的效应，以便预测例如形成在衬底上的抗蚀剂特征的轮廓，并且因此其通常仅与抗蚀剂层的这些性质(例如，在曝光、曝光后焙烤和显影期间发生的化学过程的效应)相关。在实施例中，可以捕获抗蚀剂层的光学性质以作为投影光学器件模型1210的部分，抗蚀剂层的光学性质例如是折射率、膜厚度、传播和偏振效应。

因此，通常，在所述光学模型与所述抗蚀剂模型之间的连接是所述抗蚀剂层内的模拟空间图像强度，模拟空间图像强度源自辐射至衬底上的投影、抗蚀剂界面处的折射和在抗蚀剂薄膜叠层中的多次反射。辐射强度分布(空间图像强度)通过吸收入射能量而转变为潜像“抗蚀剂图像”，所述潜像抗蚀剂图像通过扩散过程和各种负载效应被进一步修改。足够快以用于全芯片应用的高效模拟方法通过二维空间(和抗蚀剂)图像来近似抗蚀剂叠层中的实际三维强度分布。

在实施例中，可以将抗蚀剂图像用作图案转印后过程模型模块1260的输入。图案转印后过程模型1260限定一个或更多个抗蚀剂显影后过程(例如，蚀刻、显影等)的性能。

图案化过程的模拟可以例如预测在抗蚀剂和/或蚀刻图像中的轮廓、CD、边缘放置(例如，边缘放置误差)等。因而，所述模拟的目标用于准确地预测例如被印制的图案的边缘放置、和/或空间图像强度斜率、和/或CD等。可以将这些值与预期设计进行比较以例如校正所述图案化过程、识别预测到将要出现缺陷的位置等。被预期的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而提供的预OPC设计布局。

因而，模型公式描述了整个过程的大多数(如果不是全部)已知的物理和化学效应，并且模型参数中的每个模型参数期望地对应于不同的物理或化学效应。因此，模型公式设定了关于模型可以用于模拟整个制造过程的良好程度的上限。

图9中图示了用于对量测过程进行建模和/或模拟的示例性流程图。如将了解的，以下模型可以表示不同的量测过程且无需包括下文所描述的所有模型(例如，可以将一些模型组合)。源模型1300表示量测目标的照射的光学特性(包括辐射强度分布、辐射波长、偏振，等等)。源模型1300可以表示照射的光学特性，照射的光学特性包括但不限于波长、偏振、照射西格玛(σ)设定(其中，σ(或西格玛)是照射器中的照射的径向范围)、任何特定的照射形状(例如，离轴辐射形状，诸如环形、四极、双极等)等。

量测光学器件模型1310表示量测光学器件的光学特性(包括由量测光学器件所引起的辐射强度分布和/或相位分布的改变)。量测光学器件模型1310可以表示由量测光学器件对量测目标的照射的光学特性，和来自量测目标的重定向的辐射朝向量测设备检测器的转印的光学特性。量测光学器件模型可以表示涉及目标的照射的各种特性和来自量测目标的重定向的辐射朝向检测器的转印的各种特性，该各种特性包括像差、失真、一个或更多个折射率、一个或更多个物理大小、一个或更多个物理尺寸，等等。

量测目标模型1320可以表示由量测目标重定向的照射的光学特性(包括由量测目标引起的照射辐射强度分布和/或相位分布的改变)。因而，量测目标模型1320可以对由量测目标进行的照射辐射至重定向辐射的转换进行建模。因而，量测目标模型可以模拟来自所述量测目标的重定向的辐射的得到的照射分布。量测目标模型可以表示各种特性(所述各种特性涉及目标的照射、和根据量测产生重定向的辐射)，所述各种特性包括一个或更多个折射率、量测的一个或更多个物理尺寸、量测目标的物理布局等。由于可以改变所使用的量测目标，则需要将量测目标的光学性质与至少包括照射件和投影光学器件以及检测器在内的所述量测设备的其余部分的光学性质分离。模拟的目标常常用于准确地预测例如强度、相位等，强度、相位等可以随后用于导出图案化过程的所关注的参数，诸如重叠、CD、焦距等。

可以根据源模型1300、量测光学器件模型1310和量测目标模型1320模拟光瞳或空间图像1330。光瞳或空间图像是检测器水准处的辐射强度分布。量测光学器件和量测目标的光学性质(例如，照射、量测目标和量测光学器件的性质)规定了光瞳或空间图像。

量测设备的检测器被暴露至光瞳或空间图像且检测了所述光瞳或空间图像的一个或更多个光学性质(例如，强度、相位等)。检测模型模块1340表示如何由量测设备的检测器来检测来自量测光学器件的辐射。检测模型可以描述所述检测器如何检测光瞳或空间图像，并且可以包括信噪比、对检测器上的入射辐射的灵敏度等。因此，通常，量测光学器件模型与检测器模型之间的连接是模拟光瞳或空间图像，该模拟光瞳或空间图像源自由所述光学器件对量测目标的照射、由目标对辐射的重定向、和被重定向的辐射至检测器的转移。辐射分布(光瞳或空间图像)通过吸收检测器上的入射能量而转变为检测信号。

量测过程的模拟可以例如基于由检测器对光瞳或空间图像的检测来预测检测器处的空间强度信号、空间相位信号等，或预测来自检测系统的其它计算值，诸如重叠、CD等值。因而，模拟的目标用于准确地预测例如与量测目标对应的检测器信号或诸如重叠、CD之类的导出值。可以将这些值与预期设计值进行比较以例如校正所述图案化过程，识别出被预测到将要出现缺陷的位置等。

因而，模型公式描述了整个量测过程的大多数(如果并非全部)已知的物理和化学效应，并且模型参数中的每个模型参数期望地对应于量测过程中的不同的物理和/或化学效应。

图案形成装置上设置的、或由图案形成装置提供的各种图案可以具有不同的过程窗口，即，将产生规范内的图案所处的处理变量的空间。与潜在的系统性缺陷相关的图案规范的示例包括检查颈缩、线拉回、线薄化、CD、边缘放置、叠置、抗蚀剂顶部损耗、抗蚀剂底切和/或桥接。例如，在两个处理变量(即，剂量和焦距)上限定了过程窗口，使得在图案化之后所获得的CD可以在所述图案的特征的期望的CD的±10％内。可以通过合并单独的图案的过程窗口(例如，使所述过程窗口叠置)来获得图案形成装置或其区域上的所有图案的过程窗口。

通常，图案可以包括以某种方式布置以形成所述图案的一个或更多个特征的若干实例(例如，特征A的10⁶个实例、特征B的10⁴个实例，等等)。在图案化过程期间，一个或更多个特征在某些，例如，剂量/焦距设定的情况下可能发生失效，导致衬底中的缺陷，由此影响所述图案化过程的良率。因此，对于实现期望的良率或选定良率来说，选择剂量/焦距值或处理窗口的适当范围是重要的。例如，可以由例如设计者或制造商来选择高良率(例如，99.9％)或选择良率范围(例如，98％至99.99％)。

本公开描述了一种用于基于针对一个或更多个特征的期望的良率和/或缺陷准则而获得过程窗口的方法。例如，过程窗口可以是对单独的特征的失效和/或所述图案化过程的期望的良率敏感的剂量和/或焦距值(也被称作剂量/聚焦设定)的集合。

图10是用以基于图案化过程的期望的管芯良率和/或失效率来确定过程窗口的过程1600的流程图。当获得了所述图案化过程的参数602(例如，CD、重叠等)和过程变量1604(例如，剂量、聚焦等)的测量结果时，所述过程1600开始。例如，过程变量的测量结果可以包括大约20个剂量设定(即，一定范围的剂量值)，并且特征(其在图案中出现例如10⁶次)的参数的测量结果可以包括针对每剂量设定的特征的大约1000个实例的CD值。因此，可以测量到大约1000×20个CD值。本公开不限于测量结果的总数。可以选择实例的数目以达到方差的期望的准确度。例如，对于大量实例和正态分布，标准差的标准差是大约1/√(2×实例的数目)，使得1000个实例的标准差导致了在99.7％置信区间(即，3σ)的情况下大约2％的所估计标准差的误差。

基于参数(例如，CD)和过程变量(剂量)的测量，在过程P10中，可以确定和/或获得参数(例如，CD)与过程变量(例如，剂量)之间的函数关系610。例如，函数关系610可以基于诸如线性回归分析之类的统计分析的数学模型。在实施例中，函数关系可以是线性的，或非线性的，诸如多项式函数、三角函数等。下文是CD与剂量之间的示例性函数关系。

在示例性函数关系(1)中，(i)f_CD是指被定义为剂量(d)的函数的参数CD，(ii)n是指剂量多项式(d)，并且(iii)a_n是指CD对第n剂量多项式dⁿ的灵敏度。在实施例中，函数关系(1)可以基于例如使在所测量值与拟合值之间的均方误差最小化的曲线拟合算法。在实施例中，函数关系可以是过程变量的线性、多项式或其它非线性函数。在实施例中，测量结果602也可以用于例如利用不同的函数关系来确定参数值的方差，意图旨在抑制参数值的方差中的噪声。

在另一示例中，图11A图示了限定在所测量的CD与剂量值之间的关系的柏桑(Bossung)曲线702(所述柏桑曲线是函数关系610的示例)。可以针对介于40mJ/cm²至60mJ/cm²之间的各个剂量设定(例如，20个剂量设定)而获得柏桑曲线702。对于每个剂量设定，可获得可以是大致在12nm至24nm之间的1000个CD值。在实施例中，可以使用图案化过程的建模和/或模拟来获得柏桑曲线。

返回参考图10，在过程P20中，可以计算针对过程变量的每个设定的概率密度函数(PDF)620。在下文中，出于理解构思和简化论述的目的，针对过程变量的每个设定的概率密度函数(PDF)1620被称作过程变量PDF 620。过程变量PDF 620被定义为过程变量和过程变量的变化的函数。过程变量PDF 620使得能够捕获剂量设定中的可能最终对所述参数有影响的任何变化的影响。每设定的过程变量的变化可以例如在图案化过程期间的特定时刻发生或可以是过程变量(例如，剂量)所固有的。这些变化可能影响所述图案化过程的参数，从而导致例如在一些情况下特征的失效。在实施例中，过程变量PDF1620可以是正态分布、泊松(Poisson)分布或其它标准分布。

在实施例中，过程变量PDF 620可以是基于参数与过程变量之间的函数关系(例如，f_CD(d))而计算的分布。可以通过利用计算方差来修改/替代例如标准分布(例如，正态分布)的方差来执行所述计算。可以根据参数的方差(例如，σ_CD ²(d))和函数关系(例如，f_CD(d))来计算出计算方差。例如，在参数CD和剂量d的情况下，可以使用以下方差等式(2)来限定剂量的方差：

在以上方差等式(2)中，(i)σ_d是剂量的标准差(也能够互换地用于指方差)；(ii)σ_CD是CD的标准差(也能够互换地用于指方差)；和(iii)偏导数项

提供在特定剂量设定情况下CD的方差至这种剂量设定情况下剂量的方差的转换。

例如，参考图11B，可以获得在第一剂量设定45mJ/cm²情况下的第一剂量PDF 721、在第二剂量设定50mJ/cm²情况下的第二剂量PDF 722、和在剂量设定55mJ/cm²情况下的第三剂量PDF 723，等等。基于每剂量设定的CD的变化，可以观察到剂量变化。例如，在较低剂量(例如，在45mJ/cm²)情况下，变化(例如，3σ_d)是大约3.2mJ/cm²，而在较高剂量(例如，55)情况下，变化(例如，3σ_d)是大约2.5mJ/cm²。因而，可以基于在特定剂量设定情况下的CD值而获得剂量变化的反向确定。

用于计算过程变量(例如，剂量)的PDF的这种计算方差(例如，在等式(2)中)可以使得能够考虑引起参数的偏差的图案化过程中的随机变化(即，无法由例如设备的物理效应来解释的变化)。过程变量PDF可以使得能够确定图案化过程的改善剂量设定且可以最终减少缺陷并且改善所述图案化过程的良率。

返回参考图10，在过程P30中，可以基于针对过程变量的每个设定的过程变量PDF620(例如，来自过程P20)，以及基于函数关系(例如，来自过程P10)，来确定和/或获得针对过程变量的每个设定的图案化过程的参数的概率密度函数(PDF)630。在下文中，出于理解构思和简化论述的目的，针对过程变量的每个设定的概率密度函数(PDF)630被称作参数PDF 630。

根据实施例，参数PDF 630在从过程变量PDF 620计算时可以是非标准分布。使用这种非标准分布也可以考虑引起参数的偏差的所述图案化过程中的任何随机变化，因而提供了参数(例如，CD)值将在图案化过程的每个过程变量设定(例如，剂量)的期望的范围内的概率的改善估计，其可以被进一步用于识别缺陷的概率和处理窗口以减少缺陷且有效地改善良率。

在实施例中，可以基于以下等式(3)使用剂量PDF和转换函数(或转换因子)来计算参数PDF 630，例如CD PDF，所述转换函数将剂量PDF转换成CD PDF：

在以上等式(3)中，(i)PDF_CD(CD，d)是指CD PDF(其是参数PDF 630的示例)且是剂量(d)的函数，(ii)g_d(CD)是剂量与CD之间的函数关系610(例如，在等式(1)中)的反函数，(iii)PDF_d(g_d(CD)，σ_d(g_d(CD)))是过程变量PDF 620，其中，σ_d(g_d(CD)是基于g_d(CD)的计算方差，例如使用类似于等式(2)的等式来计算，其中，转换函数(或转换因子)可以是g_d(CD)的偏导数，并且(iv)偏导数项的绝对值(即，

)是在特定剂量设定情况下将过程变量PDF转换成参数PDF的转换函数(或转换因子)。

因而，将剂量PDF转换成CD PDF，所述CD PDF可以进一步用于计算针对每个剂量设定使CD将在期望的范围内的概率、图案化过程的失效概率、或其它在统计上关注的值。根据本公开，进一步关于过程P60来论述失效概率(或失效率)的计算。

在实施例中，当原始函数关系610可以是非单调的(即，一个多过程值可以产生相同参数)时，则等式3的右侧部分将被在多过程值(例如，剂量)上的总和替换。

图11C图示了使用例如以上等式(3)在不同剂量设定情况下所获得的CD PDF 630的示例。例如，可以获得在第一剂量设定45mJ/cm²情况下的第一CD PDF 731、在第二剂量设定50mJ/cm²情况下的第二CD PDF 732、和在剂量设定55mJ/cm²情况下的第三CD PDF 733等。图11C也图示了在每个剂量设定情况下的标准正态CD PDF，以图示所计算CD PDF与通常假定正常操作条件的标准或正态分布的偏差，而实际操作条件可能不同于正常条件；因此，这种CD PDF(例如，731、732、733)相比于假定的正常操作提供了更真实的估计(例如，失效概率的估计)。

返回参考图10，在过程P40中，可以针对过程变量(例如，剂量)的每个设定而获得/测量关于所述参数(例如，CD)的特征的失效率。在本公开中，可以用能够互换的方式来使用该术语“特征的失效率与失效概率”。在实施例中，单独的特征的失效率可以被表达为例如所述图案的特征的百万分之一(ppm)或十亿分之一(ppb)。换句话说，1ppm可以意味着：特征在1百万次出现当中1个特征预期发生失效。在实施例中，失效率可以对应于与单独的特征相关联的不同的失效模式，诸如物理失效、转印失效和延迟失效。可以基于例如对衬底的SEM图像的失效分析或通过电测量来确定特征的失效。

在实施例中，物理失效可以指能够基于特征的物理方面而量化的失效，例如，抗蚀剂在某一CD的情况下物理地发生失效和/或具有某一CD的特征不转印至衬底。例如，导柱的纵横比(即，竖直厚度与水平宽度之比)、抗蚀剂的厚度、接触孔的大小等或其它能够测量的参数。基于测量，物理失效可以指示特征的CD具有大于阈值(例如，＞3)的纵横比，这导致特征发生失效。例如，在图11D中，导柱771在图案转印过程或抗蚀剂显影之后相对于所述衬底以一定角度弯曲，这是因为纵横比大于3。因此，尽管导柱被转印至衬底，但存在物理变形。

在某些情况下，期望的图案可以仅部分地被转印或根本不被转印至衬底。这种失效可以被称作转印失效。例如，在20个接触孔当中，仅15个接触孔可被转印且5个接触孔可能遗漏，这两种接触孔最初存在于抗蚀剂中。这样的遗漏孔可以被称为转印失效。在实施例中，转印失效可能由于参数超出所述图案化过程的阈值极限而导致。例如，在图11E中，接触孔可能过小(例如，小于5nm)且抗蚀剂层可能相对较厚，这不允许转印这样的小接触孔。因此，可以观察到图案的不完全转印，诸如可以观测到基脚772，则在基脚中，接触孔可以在衬底处被阻挡。在另一实施例中，可以观测到颈缩173，在颈缩173中可能无法移除抗蚀剂的顶层，而在衬底处可以形成不完全的孔。在任一情况下，无法形成贯穿抗蚀剂直至衬底的孔。这种转印失效可能由于例如接触孔过小而无法转印至下一层，或可能存在由于抗蚀剂厚度或抗蚀剂类型而导致的过量蚀刻负载。

特征的延迟失效可以是由于在当前处理步骤中参数(例如，CD)超出其规定界限而在图案化过程的下一步骤中出现了失效。例如，在图案化过程之后，特征的失效出现在显影阶段中。

可以了解，本公开不限于一种类型的失效。此外，在一些情况下，可以用能够互换的方式使用多种类型的失效以意指一般的失效。在实施例中，转印失效也可以被称作物理失效，或延迟失效也可以被称作物理失效。本公开不限于一种类型的失效，并且通常可以将与设计意图相差超过某一阈值的任何偏差视为失效。

在实施例中，可以针对在参数与过程变量之间拟合的曲线的末端处出现的失效来测量失效率。例如，如图11F和图11G中所示出的，可以在过程参数R1、R2、R3、R4和R5的情况下测量失效率。失效测量位置可以被限定为曲线702上超出例如基于经验或先前观测到的失效的某一剂量值的部位。在本示例中，失效率测量被限定于曲线的两端处，即，具有高于大约55mJ/cm²的剂量值和低于或大约43mJ/cm²的剂量值。在实施例中，可以基于特定失效的频率对特征的一个或更多个失效进行加权以产生特征的加权失效率。例如，如果在大约43mJ/cm²的剂量设定的情况下更经常出现接触孔失效，则可以将较高的权重指派给所述剂量设定的情况下的这样的失效。在另一实施例中，可以基于一个或更多个失效与过程变量之间的相关性而获得/产生所述过程变量的加权函数。例如，可以向低剂量(例如，在本文中的示例中，低于40mJ/cm²)指派较高的权重，这是因为相较于其它剂量，可以在这样的剂量情况下观察到较高的失效。因此，可以基于过程变量的加权函数来计算出参数的加权参数极限且随后计算出过程窗口。

在实施例中，可以基于过程变量和参数值以选择性方式执行失效率的测量。另外，一个或更多个特征的失效可以与参数和/或过程变量相关(例如，通过线性回归或其它统计技术)。例如，一个或更多个特征可以是对较高剂量敏感的，并且一个或更多个特征可以是对较低剂量敏感的。换句话说，例如，特征A在50mJ/cm²剂量下相较于在45mJ/cm²剂量下可以具有更高的失效概率。在图案化过程期间，剂量可能在不同管芯之间发生变化，如此，同一特征(例如，特征A)可以在不同剂量情况下曝光，这最终影响特征的失效概率且因此影响不同管芯的失效概率。如此，取决于管芯中的特征的实例数目和剂量，失效概率可能在不同管芯间发生变化。换句话说，例如，如果特定特征在高剂量情况下更可能失效且衬底的管芯包括10⁶个这样的特征，则所述管芯的失效率相对于在相对较低剂量情况下曝光的管芯可能是高的(例如，1/10⁴)。

此外或替代地，所述失效可能与诸如CD之类的参数相关。例如，接触孔的CD可能过小(例如，小于阈值，诸如小于10nm)，这导致产生基脚(即，孔没有被转印至衬底)；导柱的CD可能过大，这引起导柱发生弯曲；抗蚀剂层的CD(即，厚度)过大，这导致产生颈缩；或CD过大使得观察到随机通孔接触部；等等。这种相关性也使得能够根据参数和/或过程变量来确定每个单独的特征的失效率。因此，基于特征的失效率，可以定义用于优化测量的取样方案。

在实施例中，基于特征(例如，特征A)的失效率和在整个管芯和/或衬底上的扫描仪数据(例如，剂量值)，可以通过对失效率与过程变量(例如，剂量)之间的关系进行建模和/或模拟来产生/获得失效率映射。类似地，可以基于图案和/或管芯的失效率来确定整个衬底的失效率的映射。基于这种失效率映射，可以定义用于衬底上的测量的取样方案。例如，可以修改取样方案以在衬底上的具有相对较高失效概率的某些位置处以某些剂量值进行更多次测量，因此减少测量负担且改善图案化过程的效率。此外，基于一个或更多个特征的失效率，可以修改例如剂量值的过程变量以最大化良率。

根据实施例，失效率、过程变量和参数可能是相关的。例如，失效率、剂量值和CD是相关的，因此也可以针对每个剂量值确定CD极限以限制失效且增加图案化过程的良率。随后论述了一般确定这种CD极限或参数极限的过程。

在过程P50中，可以基于针对过程变量的每个设定的所测量的失效率和参数PDF(诸如630)来计算参数极限。参数极限可以是关于图11F和图11G进一步论述的共同理论极限，在所述共同理论极限的情况下，针对过程变量的每个设定而言特征失效小于预定数目或百分比(例如，50％)。可以基于参数PDF的累积分布来以迭代方式确定参数极限。在以下等式(4)中提供用于确定CD极限的示例等式：

在以上等式(4)中，(i)R_fail是针对过程变量(即，剂量)的每个设定的特征的失效率；(ii)PDF_CD(CD，d)是指诸如在过程P30中获得的参数PDF 630之类的参数PDF；并且(iii)CDF_CD(CD_lim，d)是在CD_lim处和超出CD_lim情况下提供总失效概率的PDF_CD(CD，d)的累积分布函数。在实施例中，PDF_CD(CD，d)可以是如早先论述的正态分布。可以在过程变量(例如，剂量)的一个或更多个设定的情况下利用对应失效率来确定所述参数极限，其中，失效特征并不影响彼此的失效率(即，可以将每个失效视为“隔离失效或孤立失效”)，仍存在足够量的失效特征以限制所测量的或所确定的失效率的方差。典型的失效率可以是大约1％。在实施例中，参数极限可以是共同参数极限，所述共同参数极限是基于参数的多个概率密度函数来确定的，参数的每个概率密度函数是在过程变量的特定设定的情况下被确定的，例如，如图11G中所图示的。

进一步关于图11F和图11G、针对参数CD来以图形方式解释使用等式(4)确定所述参数极限。在示例中，可以将针对每个设定的高于预定阈值(例如，大于或等于50％)的所测量的失效率与使用CDF_CD(CD_lim，d)的所计算的总失效率进行比较以确定针对每个剂量的特征的CD_lim。特征的这种CD_lim表明在特定剂量情况下，特征的CD值可能不会超出CD_lim，否则可以观察到高失效率。例如，CD_lim可以是23.5nm。在50％失效率情况下所设定的参数极限表示在不存在随机统计或推断统计的情况下的理论过程限制。通过在多过程变量情况下确定CD_lim，可以证实过程变量以预期方式与相关缺陷模式相关。

图11F示出在曲线702的末端处，特别地，在针对23.5的CD_lim的相对较高剂量值58mJ/cm²附近，失效率(阴影区)在使用参数PDF630计算时可以是6.3％(或在假定CD的名义分布的情况下为8.1％)。类似地，图11G示出：对于23.5nm的CD_lim，每剂量设定的情况下的失效率可以在期望的极限内。例如，失效率在剂量57的情况下是0.2％；在剂量57.5的情况下是1.4％；在剂量58的情况下是6.3％；在58.5的情况下是19％；并且在剂量59的情况下是43％。因而，对于若干剂量，23.5nm的CD_lim符合或满足失效率规格。

在另一示例中，也可以针对在可能导致第二CD_lim2的相对较低剂量值(例如，大约44mJ/cm²，参见图11H)的情况下曝光的特征而计算失效率。因此，基于两个不同CD_lim1和CD_lim2的失效率等式可以是在曲线702的下端处的特征的抗蚀剂厚度与在曲线1702的上端处的失效率的总和，如下：

返回参考图10，在过程P60中，在确定参数极限之后，诸如(4)和(5)之类的失效率等式也可以用于针对任何剂量值来估计失效率。换句话说，可以在失效率等式(例如，等式4或5)中代入参数极限，并且将失效率作为未知的而加以处理。失效率未知的这种等式被称作估计失效率。可以针对过程变量(例如，剂量)的不同值来估计/确定(或求解)失效率。

所述估计失效率可以进一步用于确定过程变量(例如，剂量)上的过程窗口。例如，过程窗口可以是一定范围的剂量值，针对所述范围，则所述估计失效率可以小于10^-9。在实施例中，可以例如通过使用以下等式(6)根据期望的良率(例如，对于10⁶个特征为99.9％)来确定期望的失效率：

R_fail(d)＝(1-Y(d))...(6)

在实施例中，可以通过绘制估计失效率等式以图形方式确定过程窗口，如图11H中所示出的。例如，可以相对于过程变量(例如，剂量)来绘制估计失效率曲线图。随后，可以在期望的失效率(例如，10^-9)处绘制水平线，水平线可以与估计失效率相交；相交点提供剂量值的范围，即，过程窗口PW。

在实施例中，可以如下使用所述估计失效率(例如，在等式4或5中)计算良率：

Y(d)＝(1-R_fail(d))^N...(7)

在以上等式(7)中，Y(d)是针对N个单独的特征在特定剂量(d)情况下的良率，并且R_fail(d)是所述估计失效率(例如，在等式4或5中)。基于这种计算良率，可以选择过程窗口，在所述过程窗口中，计算良率大于或等于期望的良率(例如，99.9％)。

在实施例中，也可以用图形方式确定基于良率的过程窗口，参见图11H。例如，可以相对于过程变量(例如，剂量)来绘制计算良率曲线(或估计失效率)。随后，可以在期望的良率(例如，99.9％)处绘制线，线可以与良率曲线(或估计失效率)相交，随后，相交点提供剂量值的范围，即，过程窗口PW。因而，过程窗口不仅限定可以从图案化过程获得的特征的参数的极限，而且确保在这些极限内，特征具有期望的良率或失效率。

此外，可以扩展以上方法以针对每个单独的特征计算过程窗口，并且可以确定不同特征的重叠过程窗口以识别用于所述图案化过程的有效过程窗口。此外，可以在多个过程变量上限定所述过程窗口，例如，可以在诸如聚焦(或重叠、像差、涂覆显影系统温度或轨道(track)温度等)的不同的替代过程设定的情况下执行以上方法。这里，函数形式610、620、630(例如，f_CD(d)、PDF_d(d)、PDF_CD(d))以及参数极限CD_lim可以具有这些额外参数以作为额外维度(例如，CD_lim也包括聚焦CD_lim(focus))。随后，可以确定二维剂量-聚焦过程窗口。图12A和图12B中图示了针对不同特征的这种二维剂量-聚焦窗口，并且图12C中进一步图示了重叠处理窗口。

图12A图示了针对第一特征(例如，具有大约8nm的直径的等接触孔特征)的过程窗口。过程窗口1901可以针对第一特征，并且过程窗口1903可以针对N个特征。另外，可以通过确定在过程窗口1903的界限内的椭圆过程窗口1905使得相较于在过程窗口1903的边界处的准确度，椭圆过程窗口1905尤其在椭圆边界处具有例如CD的相对较高的准确度(或较低的CD变化)，从而进一步改进过程窗口1903。可以了解，本公开不限于椭圆拟合，并且可以取决于其它过程变量或限制而应用诸如矩形拟合之类的其它适当的拟合(例如，对于过程参数之间的强相关性可以使用矩形拟合，而对于非相关过程参数可以使用椭圆拟合)。

类似地，在图12B中，可以确定针对第二特征(例如，具有大约13nm直径的密集接触孔)的过程窗口。过程窗口1911可以针对单个这样的特征，过程窗口1913可以针对N个(10⁴个)这样的特征，并且椭圆窗口1915被拟合于过程窗口1913内以用于改善图案化过程的准确度。

随后，如图12C中所示出的，可以根据第一特征的过程窗口1903和第二窗口的过程窗口1913来确定重叠过程窗口1920。重叠过程窗口1920是过程窗口1903和1913内的共同区。例如，可以通过计算多个单独的良率(根据所述多个单独的良率来确定第一过程窗口1903和第二过程窗口1913)的乘积来确定重叠过程窗口1920，其中，每个过程窗口可以随聚焦和剂量而变。在另一示例中，可以执行相交操作，其中，依据例如剂量和/或聚焦的值的集合来表达过程窗口1903和1913。

本领域技术人员可以了解，所述操作不限于计算良率乘积或交点，并且可以执行任何其它适当的数学计算/图形方法/模拟以确定重叠过程窗口1920。多个特征之间的这种重叠过程窗口1920可以用作针对所述图案化过程中所使用的整个衬底的过程窗口以获得具有最少缺陷的期望的良率。

此外，本公开不限于二维过程窗口(例如，剂量-聚焦过程窗口)。可以扩展所述方法以提供多维过程窗口。例如，可以考虑第三变量：重叠。随后，良率和/或失效率可以作为剂量、聚焦、重叠或其组合的函数。因此，可以确定过程窗口使得符合基于所有三个过程变量的限制或规格。作为示例，图13中图示了基于良率的多维过程窗口。在图13中，第一良率曲线Y1可以被限定在于重叠与剂量之间，并且第二良率曲线Y2可以被限定于聚焦与剂量之间。随后，可以依据三个变量(即，剂量、聚焦或焦距和重叠)而执行椭圆拟合，使得椭圆由第一良率曲线Y1和第二良率曲线Y2界定。随后，椭圆过程窗口可以被视为多维过程窗口。可以了解，术语“曲线”仅用于视觉清楚和理解目的且不具限制性。曲线一般可以是任何函数。此外，椭圆拟合也是示例性的，并且可以取决于影响所述过程窗口的过程条件而执行其它适当的(例如，矩形)拟合。

在另一实施例中，可以进一步扩展图10的方法以提供针对具有若干特征的管芯的整个层的过程窗口，每个特征在衬底的每个管芯上出现多次。例如，

在以上等式(8)中，良率Y_i(CD_lim ⁱ)是指具有CD极限CD_lim ⁱ的单独的特征i的期望的良率，并且N是特定层上的特征的总数。随后，所述层的良率是单个特征良率的乘积。可以进一步使用所述层的良率以与关于步骤P60论述的类似方式来计算所述过程窗口，例如使用等式(6)和(7)。出于应用中的实践原因，当所述特征的参数极限和PDF_CD类似以简化评估(例如，接触孔和线)时，可以将所述特征分组成“类型”或“类别”。

在实施例中，可以进一步改善确定基于缺陷(或基于良率)的过程窗口的以上方法，从而提供更准确结果。例如，通过改善用于计算出过程变量PDF的参数的变化。改善的过程变量PDF可以进一步用于计算改善的参数PDF，这可以产生更准确的处理窗口。换句话说，可以获得通过调整由图案化过程内的不同因素引起的已知和/或随机方差而进行的对参数的方差的更好的估计，以相较于以上方法进一步产生更准确的结果(即，过程窗口)。

本发明描述一种获得随机逻辑结构中的特征的基于缺陷的过程窗口的方法。

图14为符合各个实施例的用于产生基础失效率模型且最终产生特定于特征的失效率模型的示例性方法的框图。如相对于图2所论述的，可以使用诸如SEM之类的检查工具获得衬底的各种图像(“SEM图像”)，这些图像可以用于获得与衬底上的各种特征相关联的测量数据。衬底的一定数目个SEM图像1405被输入至特征选择模块1410。SEM图像1405可以具有衬底的不同部分，并且每个SEM图像可以包括被印制于衬底上的一个或更多个特征。特征选择模块1410分析SEM图像1405以选择特征中满足指定准则的那些特征来作为特征1415。在一些实施例中，指定准则可以与特征的出现率相关。例如，特征选择模块1410可以被配置成选择：(a)在SEM图像内或在整个SEM图像中的重复较少的特征；(b)随机出现于衬底上的特征；(c)在整个SEM图像中的出现次数低于第一阈值的特征；(d)在SEM图像中的出现次数低于第二阈值的特征；或(e)不同于其它重复较多的特征的特征。通常，特征1415为出现在随机逻辑结构中的特征。

特征分组模块1420基于指定指标将特征1415分组为一定数目个特征组1422。可以使用各种方法执行分组，诸如k均值聚类。每个特征组包括具有类似的指标值(例如，预定义范围内的指标值)的一个或更多个特征。例如，特征组1425包括指标值位于第一预定义范围内的特征，并且另一特征组包括指标值位于第二预定义范围内的特征。

特征分组模块1420可以基于一定数目个指标中的任一个将特征1415分组，诸如特征1415的CD均值、特征1415的过程窗口、过程窗口+特征的CD均值、特征1415的尾部CD、聚焦曝光矩阵(FEM)柏桑拟合系数、特征1415的原始失效率、CD分布概率等等。可以使用各种性能指示器确定哪个指标产生更好的分组。一种这种性能指示器是与特征的参数(例如，CD)值相关联的概率密度函数(被称为CD PDF或PDF_cD)，所述概率密度函数提供参数值在图案化过程的每个过程变量设定(例如，剂量)将位于期望的范围内的概率，所述所述概率密度函数还可以用于识别缺陷的概率和处理窗，以减少缺陷且有效地改善良率。可以使用方程式3计算PDF_CD，如至少参考图10所描述的。在一些实施例中，组内的特征的PDF_CD变化看起来对于指标过程窗口+特征的CD均值是最小的。因此，在一些实施例中，指标过程窗口+特征的CD均值可以用于将特征分组。参考特征的分组的额外的细节至少参考下文图15来描述。

基础FR模型产生器1430处理特征组中的每个，以产生相应特征组的基础FR模型，并且将基础FR模型储存在储存系统中，诸如数据库1440。例如，基础FR模型产生器1430处理特征组1425以产生与特征组1425相对应的基础FR模型1435，并且处理另一特征组以产生与其它特征组相对应的另一基础FR模型。基础FR模型1435提供特征组1425中的特征的估计失效率(或更确切地，对于具有指标值的特征，即特征组1425内的特征的所述指标值)，所述估计失效率基于特征组1425内的特征的局部CD均一性来确定。基础FR模型产生器1430也可以产生特征组1425的基于缺陷的过程窗口，所述基于缺陷的过程窗口为基于一组剂量值和焦距值而绘制的曲线图，其中，特征组1425内的特征的估计失效率位于选定或预定义阈值内。产生基础FR模型1435的额外的细节至少参考图17来描述。

基础FR模型可以用于产生特定于特征的FR模型，所述特定于特征的FR模型提供任何给定特征的估计失效率。特定于特征的FR模型产生器1445确定与给定特征1450相关联的指标值(例如，过程窗口+CD平均值)，从数据库1440获得与给定特征1450的指标值匹配的基础FR模型，并且例如通过将基础模型与关联于给定特征1450的测量数据做卷积来处理所获取的基础模型，以产生特定于特征的FR模型1460。特定于特征的FR模型1460针对各种焦距值和剂量值提供给定特征的估计失效率。特定于特征的FR模型产生器1445也可以产生给定特征1450的基于缺陷的过程窗口，所述基于缺陷的过程窗口为基于一组剂量值和焦距值而绘制的曲线图，其中，给定特征1450的估计失效率位于选定或预定义阈值内。在一些实施例中，基础FR模型1435和特定于特征的FR模型1460被储存为数据结构。产生特定于特征的FR模型1460的额外的细节至少参考图18来描述。

图15为符合各个实施例的用于产生基础失效率模型的示例性方法1500的流程图。在过程P1505处，获得被印制于衬底上的一定数目个特征。在一些实施例中，获得满足与特征的出现率相关的指定准则的诸如特征1415之类的特征(例如，如至少参考图14所描述的)。通过分析衬底的SEM图像1405来获得特征1415。在一些实施例中，SEM图像为使用诸如SEM之类的工具捕获的衬底的图像。可以使用SEM图像1405获得与特征1415相关联的各种测量数据(例如，使用如至少参考图1所描述的测量方法)。与特征相关联的测量数据可以包括除其它数据之外的特征1415中的每个的平均CD和特征1415中的每个的过程窗口，所述过程窗口指示一组焦距值和剂量值，其中，相应特征的CD位于规格(例如，±10％CD变化极限)内。

在过程P1510，基于指标将特征1415分组为一个或更多个特征组1422。在一些实施例中，从一定数目个指标中选择诸如过程窗口+CD均值之类的指标(例如，如至少参考图14所描述的)。在一些实施例中，基于诸如PDF_CD之类的性能指示器来确定指标过程窗口+CD均值以比诸如CD均值和过程窗口之类的其它指标更好地执行，如图16A和图16B中所图示的。

图16A示出符合各个实施例的基于三个不同指标分组的特征的PDF_CD曲线图。例如，曲线图1605图示基于CD均值指标来分组的特征组的PDF_CD，曲线图1610图示基于过程窗口+CD均值指标来分组的特征组的PDF_CD，并且曲线图1615图示基于过程窗口指标来分组的特征组的PDF_CD。在一些实施例中，可以使用方程式3计算PDF_CD，如至少参考图10所描述的。例如，针对组中的每个特征的dCD值计算PDF_CD，PDF_CD为各种焦距值和剂量值的特征的CD数据，其中，特征的平均CD根据SEM图像来移除。

图16B示出符合各个实施例的三个不同指标中的每个的组内的特征的PDF_CD变化。在一些实施例中，将PDF_CD变化计算为在平均CD上方和下方的dCD(例如，3σ)值的平均变化。例如，具有基于CD均值指标进行分组的特征组的特征的PDF_CD变化为“0.24”，具有基于过程窗口指标进行分组的特征组的特征的PDF_cD变化为“0.13”，并且具有基于过程窗口+CD均值指标进行分组的特征组的特征的PDF_CD变化为“0.11”。因此，在一些实施例中，PDF_CD变化在过程窗口+CD均值指标中最小，因此，使用过程窗口+CD均值指标将特征分组。

可以将特征1415分组为一个或更多个组。在一些实施例中，所形成的组的数目可以对失效率预测的测量时间(例如，计算资源)和准确性产生影响。在一些实施例中，较小数目个组可能导致FR预测的准确性降低，并且较大数目个组可能消耗更多测量时间。因此，可能必须确定簇的最优数目。在一些实施例中，簇内平方和(within cluster sum ofsquares，WCSS)是可以用于确定簇的最优计数的这种指标。图16C图示符合各个实施例的描绘簇的数目与指标之间的关系的示例性曲线图。在曲线图1635中，最优簇计数基于WCSS被确定为“3”。

图16D图示符合各个实施例的各种特征分组方法的失效率预测准确性的示例性曲线图。曲线图1640指示无分组的FR误差预测，并且其它曲线图分别指示针对诸如FEM分组、过程窗口+CD均值分组、LCDU分组和平均CD分组之类的其它分组的FR误差预测。从这种示例性曲线图可以看出，对于无分组基准的其它分组，预测准确性改善了23％、35％、28％和25％，其中，过程窗口+CD均值分组1645在分组当中具有最好的改善准确性(例如，35％)。

返回参考过程P1510，在一些实施例中，将特征1415分组可以包括确定特征1415中的每个的指标值1511，并且基于指标值1511将特征1415聚类(例如，使用诸如k均值聚类之类的许多聚类算法中的一个)以产生特征组1422。对于诸如过程窗口+CD均值之类的指标，特征的指标值1511被确定为特征的平均CD值和与平均CD相关联的位于特征的过程窗口的边缘或界线处的多个剂量值和焦距值。如上文所论述的，特征的过程窗口指示一组焦距值和剂量值，其中，相应特征的CD位于规格内，并且过程窗口可以被绘制为焦距值和剂量值分别作为x轴和y轴的曲线图，这导致形成形状。过程窗口的形状包括界线或边缘，并且边缘的不同部分可以对应于不同的焦距值和剂量值。可以使用许多方法中的任一种来产生特征的过程窗口。

针对特征1415中的每个来计算指标值1511，并且基于指标值1511将特征1415分组(例如，聚类)为特征组1422。在一些实施例中，每个特征组有具有类似的指标值的特征(例如，具有位于指定范围内的指标值的特征)。在一些实施例中，组内的特征的PDF_CD具有最小变化。

在过程P1515，针对特征组1422中的每个来产生基础FR模型。例如，针对特征组1425来产生基础FR模型1435。如上文所描述的，基础FR模型1435提供特征组1425中的特征的估计失效率(或更确切地，对于具有指标值的特征，所述特征的指标值即特征组1425内的特征的所述指标值)，所述估计失效率基于特征组1425内的特征的局部CD均一性来确定。可以将基础FR模型1435储存为数据库1440中的数据结构。在一些实施例中，数据结构包括焦距值和剂量值的范围，和针对那些焦距值和剂量值的特征组1425中的特征的失效率。可以由特征组1425的基础FR模型1435产生基于缺陷的过程窗口，诸如基于缺陷的过程窗口1650。基于缺陷的过程窗口1650是基于一组剂量值和焦距值而绘制的曲线图，其中，特征组1425内的特征的估计失效率位于选定或预定义阈值内。图16E示出符合各个实施例的特征组的基于缺陷的过程窗口。基于缺陷的过程窗口1650示出过程窗口(例如，焦距值和剂量值的范围)，所述过程窗口内的特征组1425的特征的失效率保持在预定义阈值(例如，1E-9或1*10^-9)内。产生基础FR模型的额外的细节至少参考图17来描述。

图17为符合各个实施例的用于产生特征组的基础失效率模型的示例性方法1700的流程图。在一些实施例中，执行方法1700作为方法1500的过程P1515的部分。在过程P1705处，基础FR模型产生器1430获得特征组内的特征的测量数据1701。测量数据1701可以包括特征的参数(例如，CD)和过程变量(例如，剂量、焦距等)的测量结果。例如，测量数据1701可以包括特征组1425内的所有特征的平均CD，和与平均CD相关联的剂量值和焦距值。可以接着将测量数据1701用于CD均一性(CDU)模型化，这例如使用如图10的过程P10和图11A所论述的方程式(1)确定参数(例如，平均CD)与过程变量(例如，剂量值和焦距值)之间的函数关系1706。

在过程P1710处，基础FR模型产生器1430执行局部CD均一性(LCDU)模型化，这获得特征组1425的LCDU数据1713。在一些实施例中，通过横跨所有SEM图像1405获得特征组1425中的每个特征的LCDU数据1711，并且从LCDU数据移除每个SEM图像的所确定的特征的平均CD 1712以确定LCDU数据1713。例如，LCDU模型化可以使用如图10的过程P20中所论述的方程式(1)获得LCDU数据1713。

在过程P1715处，基础FR模型产生器1430确定特征组1425的PDF_CD 1716。可以基于LCDU数据1713和函数关系1706来确定和/或获得PDF_CD 1716(PDF_CD 1716为所有特征的平均CD、图案化过程的剂量值和剂量值的方差的函数)(例如，如至少参考图10的过程P30且使用过程P30中的方程(3)所描述的)。

在一些实施例中，如参考图10所描述的，诸如PDF_CD 1716之类的参数PDF提供参数(例如，CD)值将在图案化过程的每个过程变量设定(例如，剂量)的期望的范围内的概率的估计值，所述概率的估计值还可以用于识别缺陷的概率和处理窗口以减少缺陷。在一些实施例中，从过程变量PDF(例如，诸如图10的PDF 620的剂量PDF)来确定PDF_CD，所述PDF为过程变量与过程变量的变化的函数。过程变量PDF使得能够捕获剂量设定的任何变化的影响，这可能最终影响参数。可以使用转换函数，从剂量PDF确定PDF_CD 1716，如参考图10的过程P30和图11C所描述的。

在过程P1720处，基础FR模型产生器1430执行CD极限模型化，这确定特征组1425的CD极限1722。在一些实施例中，CD极限可以是特征的CD值的共用理论极限，在所述共用理论极限处，小于预定数目或百分比的特征在过程变量(例如，每焦距值和剂量值)的每个设定处失效。在一些实施例中，可以基于在过程变量的每个设定所测量的失效率1721和PDF_CD1716，例如使用参考图10的P50所描述的方程式(4)来计算CD极限1722。在一些实施例中，可以确定一对CD极限，其中，第一CD极限位于PDF分布曲线的下端，并且第二CD极限位于PDF分布曲线的上端，使得这些CD极限之间的CD值(例如，CD值大于第一CD极限且小于第二CD极限)将过程变量的每个设定(例如，每个焦距值和剂量值)的失效率保持在预定失效率内。关于CD极限的额外的细节至少参考图10的过程P50和图11F和图11G来描述。

可以从测量数据1701获得用于确定CD极限1722的失效率1721。在一些实施例中，可以基于例如SEM图像的失效分析来确定特征的失效。可以参考参数(例如，CD)在过程变量(例如，剂量)的每个设定获得/测量特征的失效率。在一些实施例中，单独的特征的失效率可以被表达为例如图案的特征的百万分之一(ppm)或十亿分之一(ppb)。换句话说，1ppm可以意味着特征的1百万次出现中的1个特征预期失效。在一些实施例中，失效率可以对应于与单独的特征相关联的不同失效模式，诸如物理失效、转印失效和延迟失效。关于失效和量测失效率的额外的细节至少参考图10的过程P40、图11D和图11E来描述。

在过程P1725处，基础FR模型产生器1430针对各种焦距或剂量值，基于CD极限1722和PDF_CD 1716来确定特征组1425中的特征的估计失效率1726。在确定CD极限1722之后，可以使用诸如图10的过程P40和P50中的方程式(4)和方程式(5)之类的失效率方程式来估计任何焦距值和剂量值的失效率1726。关于估计失效率的额外的细节至少参考图10的过程P60、图11D和图11E来描述。

在过程P1730处，基础FR模型产生器1430使用估计失效率1726产生特征组1425的基于缺陷的过程窗口1650。例如，过程窗口可以是一系列焦距值和剂量值(或焦距值和剂量值的范围)，在所述一系列焦距值和剂量值内，估计失效率可以小于10^-9。

基础FR模型产生器1430将基础FR模型1435储存在数据库1440中。在一些实施例中，基础FR模型1435为除其它数据之外包括特征组1425中的特征的PDF_CD 1716、CD极限1722、估计失效率1726和基于缺陷的过程窗口1650的数据结构。

图18图示符合各个实施例的用于产生特定于特征的FR模型的示例性方法1800的流程图。在过程P1805处，特定于特征的FR模型产生器1445获得与给定特征1450相关联的测量数据1801。在一些实施例中，测量数据1801可以包括给定特征1450的FEM数据，给定特征1450的FEM数据包含一系列焦距值和剂量值的给定特征1450的CD值。

在过程P1810处，特定于特征的FR模型产生器1445基于测量数据1801来确定给定特征1450的指标值1811。对于诸如过程窗口+CD均值之类的指标(例如，其是用于产生基础FR模型的指标)，将给定特征1450的指标值1811确定为给定特征1450的平均CD值和位于给定特征1450的过程窗口的边缘或边界处的与平均CD相关联的多个剂量值和焦距值。可以使用一定数目个方法中的任一个，使用测量数据1801产生过程窗口。

在过程P1815处，特定于特征的FR模型产生器1445从数据库1440选择具有匹配指标值1811的指标值的基础FR模型。例如，特定于特征的FR模型产生器1445选择基础FR模型1435，所述基础FR模型的过程窗口+CD均值与给定特征1450的过程窗口+CD均值匹配。在一些实施例中，如果基础FR模型的指标值与指标值1811之间的差不超过指定匹配阈值，则将所述指标值视为匹配所述指标值1811。

在过程P1820处，特定于特征的FR模型产生器1445从基础FR模型1435获得PDF_CD1716。

在过程P1825处，特定于特征的FR模型产生器1445基于给定特征1450的平均CD值来调整PDF_CD 1716的平均CD。在一些实施例中，调整PDF_CD 1716的平均CD包括将PDF_CD 1716的平均CD与给定特征1450的平均CD值之间的差与PDF_CD 1716的平均CD相加来产生经调整的PDF_CD 1826。在一些实施例中，产生经调整的PDF_CD等效于将PDF_CD 1716左移或右移达等于PDF_CD 1716的平均CD与给定特征1450的平均CD值之间的差的量(在曲线图中被绘制为PDFvs CD)。例如，如果PDF_CD 1716的平均CD(例如，“5nm”)小于给定特征1450的平均CD值(例如，“7nm”)，则将PDF_CD 1716向PDF_CD 1716的平均CD右侧移动所述差(例如，移动“2nm”)。如果PDF_CD 1716的平均CD(例如，“8nm”)大于给定特征1450的平均CD值(例如，“7nm”)，则将PDF_CD1716向PDF_CD 1716的平均CD左侧移动所述差(例如，移动“1nm”)。

在过程P1830处，特定于特征的FR模型产生器1445例如使用参考图10的P50所描述的方程式(4)，基于经调整的PDF_CD 1826而确定给定特征1450的CD极限1831。在一些实施例中，可以确定一对CD极限，其中，第一CD极限位于PDF分布曲线的下端，并且第二CD极限位于PDF分布曲线的上端，使得这些CD极限之间的CD值(例如，CD值大于第一CD极限且小于第二CD极限)将过程变量的每个设定(例如，每个焦距值和剂量值)的失效率保持在预定失效率内。关于CD极限的额外的细节至少参考图10的过程P50、图11F和图11G来描述。

在过程P1835处，特定于特征的FR模型产生器1445获得给定特征1450的场间CD变化或场内CD变化中的至少一个以作为CD轮廓数据1837。在一些实施例中，横跨管芯/场中的不同SEM图像的给定特征1450的CD平均偏差(或变化)被称为场内CD变化，并且任何管芯到管芯或场到场CD平均偏差(或变化)被称为场间CD变化。在一些实施例中，如果给定特征1450为特征组(例如，一组特征)，则获得给定特征1450的PDF_CD作为CD轮廓数据1837。

在过程P1840处，特定于特征的FR模型产生器1445基于CD轮廓数据1837来对经调整的PDF_CD 1826做卷积以产生经卷积的PDF_CD 1841。

在过程P1845处，特定于特征的FR模型产生器1445例如使用诸如图10的过程P40和P50中的方程式(4)和方程式(5)之类的失效率方程式，基于经卷积的PDF_CD 1841来确定给定特征1450的失效率1846。

在过程P1850处，特定于特征的FR模型产生器1445使用估计失效率1846产生给定特征1450的基于缺陷的过程窗口1851。例如，过程窗口可以是一系列焦距值和剂量值，在所述一系列焦距值和剂量值内，估计失效率可以小于10^-9。图19A图示符合各个实施例的给定特征1450的基于缺陷的过程窗口1851。特定于特征的FR模型产生器1445产生给定特征1450的特定于特征的FR模型1460，并且将特定于特征的FR模型1460储存在数据库1440中。在一些实施例中，特定于特征的FR模型1460为除其它数据之外包括给定特征1450的经卷积的PDF_CD 1841、CD极限1831、估计失效率1846和基于缺陷的过程窗口1851的数据结构。

在一些实施例中，特定于特征的FR模型产生器1445可以确定失效率，并且以类似于上文所描述的给定特征1450的方式产生给定特征组(例如，一组特征)的基于缺陷的过程窗口。图19B图示符合各个实施例的用于给定特征组的基于缺陷的过程窗口1910。

虽然可以基于如图17中所描述的CD数据来预测失效率，但在一些实施例中，也可以基于特征的其它特性参数(诸如CDe参数或PEe参数)来预测失效率。在一些实施例中，可以从一个或更多个测量数据导出特征的特征参数，诸如CD数据、边缘放置误差(EPE)数据或放置误差(PE)数据。例如，可以从CD数据和PE数据导出诸如CDe之类的第一特性参数。在另一示例中，可以从目标CD数据和PE数据导出诸如PEe之类的第二特性参数。图21图示用于基于CDe数据来估计失效率，并且基于CDe数据来产生基于EPE缺陷的过程窗口的流程图。在另一示例中，图22图示用于基于PEe数据来估计失效率，并且基于PEe数据来产生基于PE缺陷的过程窗口的流程图。

图20图示符合各个实施例的目标特征的边缘放置误差。在一些实施例中，EPE是目标特征的所印制的边缘距目标特征的目标边缘的偏差。EPE可以沿一个或更多个方向，例如沿x轴或沿y轴。例如，图20图示EPE_left2010和EPE_left2015，EPE_left2010可以是特征(例如，接触孔)的所印制的边缘2025沿x轴在目标特征的左侧距目标边缘2020的偏差，EPE_left2015可以是所印制的边缘2025沿x轴在目标特征的右侧距目标边缘2020的偏差。EPE可以使用以下方程式获得：

EPE_Left＝(CD_X-tgt_X)/2-PE_X (9)

EPE_Right＝(CD_X-tgt_X)/2+PE_X (10)

其中，CD_X为所印制的特征沿x方向的CD，tgt_X为目标特征沿x方向的CD，并且PE_X为接触孔中心的放置误差2005，放置误差2005可以是所印制的接触孔的中心距目标接触孔的中心的偏差。可以针对其它特征类型且沿其它方向类似地限定EPE(例如，y轴中的EPE_up和EPE_down)。也可以在其它方向中类似地确定PE数据(例如，y轴中的PE_y)。

图21为符合各个实施例的用于基于CDe数据来产生特征组的失效率模型的示例性方法2100的流程图。在一些实施例中，方法2100类似于方法1700，但方法2100基于CDe数据，而不是基于方法1700的CD数据、或还基于方法1700的CD数据。

在过程P2105处，基础FR模型产生器1430获得特征组内的特征的测量数据2101。在一些实施例中，类似测量数据1701，测量数据2101可以包括特征组1425内的所有特征的平均CD、EPE和PE数据，和与平均CD相关联的剂量值和焦距值。可以接着将测量数据2101用于CDU模型化(或建模)，这例如使用如图10的过程P10和图11A所论述的方程式(1)确定参数(例如，平均CD)与过程变量(例如，剂量值和焦距值)之间的函数关系2106。

特性参数可以定义为放置误差数据的函数，例如定义为EPE或PE值结合CD值的函数。特性参数可以用于基于特性参数的概率分布函数来构造失效率模型。给定指定失效率，模型被配置成计算特性参数的极限且接着因此导出相应的过程窗口。在不背离本发明的范围的情况下，特性参数可以与CD、EPE和/或PE呈任何形式或数学关系。此外，可以从指示特征的放置误差的任何合适的类型的测量数据导出特性参数。

在一些实施例中，可以使用测量数据2101获得特征的导出参数CDe。可以从特征的CD值和PE值导出CDe参数。例如，可以使用以下方程式确定CDe：

CDe_Left＝CD_X-2*PE_X...(11)

CDe_Right＝CD_X+2*PE_X...(12)

针对EPE从方程式导出参数CDe_Left和CDe_Right(例如，方程式9和10)：

CD_X-2*PE_X＝tgt+2*EPE_Left

CD_X+2*PE_X＝tgt+2*EPE_Right

可以接着将测量数据2101用于CDeU模型化，这例如使用如图10的过程P10和图11A所论述的方程式(1)确定导出的参数(例如，CDe或EPE)与过程变量(例如，剂量和焦距)之间的函数关系2106。

在过程P2110处，基础FR模型产生器1430执行LCDU模型化以获得特征组1425的LCDU数据2113(例如，通过使用与过程P1710的获得LCDU数据1713类似的过程)，如至少参考图17的过程P1710所描述的。

在一些实施例中，过程P2110基于CDe数据来执行LCDeU模型化以获得特征组1425的LCDeU数据2113。可以除LCDU模型化之外也执行LCDeU模型化、或可以执行LCDeU模型化以代替LCDU模型化。

在过程P2115处，基础FR模型产生器1430确定特征组1425的PDF_CDe2116(例如，如至少参考过程P1715中的PDF_CD 1716所描述的)。可以基于LCDeU数据2113和函数关系2106来确定和/或获得PDF_CDe2116，PDF_CDe2116为所有特征的CDe、图案化过程的剂量值和剂量值的方差的函数(例如，如至少参考图10的过程P30且使用过程P30中的方程式(3)所描述的)。

在过程P2120处，基础FR模型产生器1430执行CDe极限模型化，这确定特征组1425的CDe极限2122(例如，如至少参考过程P1720中的CDe极限1722所描述的)。在一些实施例中，CDe极限可以是特征的CDe值的共用理论极限，在所述共用理论极限处，小于预定数目或百分比的特征在过程变量(例如，每焦距值和剂量值)的每个设定处失效。在一些实施例中，可以基于在过程变量的每个设定所测量的失效率和PDF_CDe2116，例如使用参考图10的P50所描述的方程式(4)计算CDe极限2122。在一些实施例中，可以确定一对CDe极限，其中，第一CDe极限位于PDF分布曲线的下端，并且第二CDe极限位于PDF分布曲线的上端，使得这些CDe极限之间的CDe值(例如，CDe值大于第一CDe极限且小于第二CDe极限)将过程变量的每个设定(例如，每个焦距值和剂量值)的失效率保持在预定失效率内。

在过程P2125处，基础FR模型产生器1430针对各种焦距或剂量值，基于CDe极限2122和PDF_CDe2116来确定特征组1425中的特征的估计失效率2126(例如，如至少参考过程P1725中的估计失效率2126所描述的)。在确定CDe极限2122之后，可以使用诸如图10的过程P40和P50中的方程式(4)和方程式(5)之类的失效率方程式来估计任何焦距值和剂量值的失效率2126。关于估计失效率的额外的细节至少参考图10的过程P60、图11D和图11E来描述。

在过程P2130，基础FR模型产生器1430使用估计失效率2126产生特征组1425的基于EPE缺陷的过程窗口2150。例如，过程窗口可以是一系列焦距值和剂量值，在所述一系列焦距值和剂量值内，估计失效率可以小于10^-4。在一些实施例中，可以产生多于一个基于EPE缺陷的过程窗口(例如，EPE_left过程窗口、EPE_right过程窗口、EPE_up过程窗口和EPE_down过程窗口)。

图22为符合各个实施例的用于基于PEe数据来产生特征组的失效率模型的示例性方法2200的流程图。在一些实施例中，方法2200类似于方法1700，但方法2200基于PEe数据，而不是基于方法1700的CD数据、或还基于所述CD数据。

在过程P2205处，基础FR模型产生器1430获得特征组内的特征的测量数据2201。在一些实施例中，类似测量数据1701，测量数据2201可以包括特征组1425内的所有特征的平均CD、EPE和PE数据、以及与平均CD相关联的剂量值和焦距值。可以接着将测量数据2201用于CDU模型化，这例如使用如图10的过程P10和图11A所论述的方程式(1)确定参数(例如，平均CD)与过程变量(例如，剂量值和焦距值)之间的函数关系2206。

在一些实施例中，可以使用测量数据2201获得特征的导出参数PEe。可以从特征的目标CD值和PE值导出PEe参数。例如，可以使用以下方程式确定PEe参数：

PEe_Left＝tgt_X-2*PE_X...(13)

PEe_Right＝tgt_X+2*PE_X...(14)

可以接着将测量数据2201用于CDU模型化，这例如使用如图10的过程P10和图11A所论述的方程式(1)确定计算参数(例如，CD)与过程变量(例如，剂量值和焦距值)之间的函数关系2206。

在过程P2210处，基础FR模型产生器1430执行LCDU模型化以获得特征组1425的LCDU数据2213(例如，类似过程P1710的LCDU数据1713)，如至少参考图17的过程P1710所描述的。

在过程P2215处，基础FR模型产生器1430确定特征组1425的PDF_PEe2216(例如，如至少参考过程P1715中的PDF_CD 1716所描述的)。可以基于LCDU数据2213和函数关系2206来确定和/或获得PDF_PEe 2216，PDF_PEe 2216为图案化过程的所有特征的PEe、剂量值和剂量值的方差的函数(例如，如至少参考图10的过程P30且使用过程P30中的方程(3)所描述的)。

在过程P2220处，基础FR模型产生器1430执行PEe极限模型化，这确定特征组1425的PEe极限2222(例如，如至少参考过程P1720中的CD极限1722所描述的)。在一些实施例中，PEe极限可以是特征的PEe值的共用理论极限，在所述共用理论极限处，小于预定数目或百分比的特征在过程变量(例如，每焦距值和剂量值)的每个设定处失效。在一些实施例中，可以基于在过程变量的每个设定所测量的失效率和PDF_PEe 2216，例如使用参考图10的P50所描述的方程式(4)计算PEe极限2222。在一些实施例中，可以确定一对PEe极限，其中，第一PEe极限位于PDF分布曲线的下端，并且第二PEe极限位于PDF分布曲线的上端，使得这些PEe极限之间的PEe值(例如，PEe值大于第一PEe极限且小于第二PEe极限)将过程变量的每个设定(例如，每个焦距值和剂量值)的失效率保持在预定失效率内。

在过程P2225处，基础FR模型产生器1430针对各种焦距值或剂量值，基于PEe极限2222和PDF_PEe 2216来确定特征组1425中的特征的估计失效率2226(例如，如至少参考过程P1725中的估计失效率2226所描述的)。在确定PEe极限2222之后，可以使用诸如图10的过程P40和P50中的方程式(4)和方程式(5)之类的失效率方程式来估计任何焦距值和剂量值的失效率2226。关于估计失效率的额外的细节至少参考图10的过程P60、图11D和图11E来描述。

在过程P2230处，基础FR模型产生器1430使用估计失效率2226产生特征组1425的基于PEe缺陷的过程窗口2250。例如，过程窗口可以是一系列焦距值和剂量值，在所述一系列焦距值和剂量值内，估计失效率可以小于10^-4。

虽然方法2100和2200被描述为针对特征组内的特征产生过程窗口，但在一些实施例中，这些方法也可以用于在无任何分组(例如，无特征簇)的情况下针对多个特征产生过程窗口。

图23图示符合各个实施例的各种失效率过程窗口。例如，第一FR过程窗口2315为基于CD数据而产生的基于缺陷的过程窗口，诸如基于缺陷的过程窗口1650。第二FR过程窗口2305为基于CDe数据而产生的基于EPE_left缺陷的过程窗口，诸如基于缺陷的过程窗口2150。第三FR过程窗口2310为基于CDe数据而产生的基于EPE_Right缺陷的过程窗口，诸如基于缺陷的过程窗口2150。第四FR过程窗口2320为基于PEe数据而产生的基于PEe缺陷的过程窗口，诸如基于缺陷的过程窗口2250。在一些实施例中，可以(例如，使用数种过程窗口组合方法中的任一个)将多个FR过程窗口组合以产生经组合的FR过程窗口2325。

在一些实施例中，可以使用上述方法优化(例如，确定或调整)“设计变量”，所述设计变量包括(例如，光刻过程、光刻投影设备等等的)图案化过程的光刻投影设备的使用者可以调整的一组参数，或其它可调参数，诸如照射模式的可调参数、图案形成装置图案、投影光学器件、剂量、焦距等。可以使用上述方法优化所述设计变量，使得待印制于衬底上的特征的失效率被最小化或位于期望的失效率阈值内。下文是上述方法的一些示例性应用。

上述方法的示例性应用(诸如抗蚀剂浮渣清除、或其它图案化后过程或抗蚀剂类优化、源掩模优化(SMO)、光学邻近效应校正(OPC)校准)可以在PCT专利申请公开号WO/2019/121486中找到，所述专利申请由此以全文引用的方式并入。

图24是图示可以辅助实施本文中公开的方法和流程的计算机系统100的框图。计算机系统100包括用于通信信息的总线102或其它通信机构，和与总线102耦接以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也包括耦接至总线102以用于储存将要由处理器104执行的信息和指令的主存储器106，诸如随机存取存储器(RAM)或其它动态储存装置。主存储器106也可以用于在将要由处理器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还包括耦接至总线102以用于储存用于处理器104的静态信息和指令的只读存储器(ROM)108或其它静态储存装置。提供诸如磁盘或光盘的储存装置110，并且将储存装置110耦接至总线102以用于储存信息和指令。

计算机系统100可以经由总线102耦接至用于向计算机用户显示信息的显示器112，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它按键的输入装置114耦接至总线102以用于将信息和命令选择通信至处理器104。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104且用于控制显示器112上的光标移动的光标控制件116，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(第一轴线(例如，x)和第二轴线(例如，y))上的两个自由度，该两个自由度允许装置指定平面中的位置。触控面板(屏幕)显示器也可以用作输入装置。

根据一个实施例，可以由计算机系统100响应于处理器104执行主存储器106中包含的一个或更多个指令的一个或更多个序列而执行过程的部分。可以将这些指令从诸如储存装置110的另一计算机可读介质读取至主存储器106中。主存储器106中包含的指令序列的执行使处理器104执行本文中所描述的过程步骤。呈多处理布置的一个或更多个处理器也可以用于执行主存储器106中包含的指令序列。在替代实施例中，可以代替或结合软件指令而使用硬联机电路系统。因此，本文中的描述不限于硬件电路系统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104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110。易失性介质包括易失存储器，诸如主存储器106。传输介质包括同轴缆线、铜线和光纤，包括包含总线102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、任何其它磁性介质、CD-ROM、DVD、任何其它光学介质、打孔卡、纸带、具有孔图案的任何其它物理介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡匣、如下文所描述的载波，或可供计算机读取的任何其它介质。

各种形式的计算机可读介质被参与到将一个或更多个指令的一个或更多个序列承载至处理器104以供执行。例如，最初可以将所述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100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102的红外线检测器可以接收红外线信号中所承载的数据且将该数据放置在总线102上。总线102将数据承载至主存储器106，处理器104从所述主存储器获取和执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存在储存装置110上。

计算机系统100也期望地包括耦接至总线102的通信接口118。通信接口118提供与连接至局域网络122的网络链路120的双向数据通信耦接。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，以提供至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118可以是局域网络(LAN)卡以提供至兼容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118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120通常通过一个或更多个网络将数据通信提供至其它数据装置。例如，网络链路120可以通过局域网络122向主计算机124或向由因特网服务提供商(ISP)126操作的数据装备提供连接。ISP 126又通过全球封包数据通信网络(现通常被称作“因特网”128)而提供数据通信服务。局域网络122和因特网128两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。经由各种网络的信号和在网络链路120上且经由通信接口118的信号(所述信号将数字数据承载至计算机系统100和从计算机系统承载数字数据)是输送信息的载波的示例性形式。

计算机系统100可以经由一个或更多个网络、网络链路120和通信接口118发送消息和接收包括过程代码的数据。在因特网的示例中，服务器130可以经由因特网128、ISP126、局域网络122和通信接口118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实施例的照射优化。接收的代码可以在其被接收时由处理器104执行，和/或储存在储存装置110或其它非易失性储存器中以供稍后执行。以这种方式，计算机系统100可以获得呈载波形式的应用程序代码。

本发明描述一种用于对印制于衬底上的特征(例如，随机逻辑结构中的特征)分级的方法。可以基于一个或更多个指标(例如，过程窗口指标)而对特征分级。在对特征分级之后，可以将具有满足阈值(例如，低于阈值)的指标的特征识别为临界特征。可以分析(例如，如上文至少参考图14和图15所描述的那样产生的)特征组以识别特征组中具有临界特征的那些特征组，并且针对所识别的特征组产生基础FR模型(例如，如上文至少参考图14、图15和图17所描述的)或可以针对临界特征产生特定于特征的FR模型(例如，如上文至少参考图14和图18所描述的)。

图25是根据一个或更多个实施例的用于对特征分级的过程2500的流程图。在操作P2505中，可以针对被印制于衬底上的一定数目个特征获得测量数据2501。在一些实施例中，通过分析衬底的诸如SEM图像1405的SEM图像来获得特征。在一些实施例中，SEM图像为使用诸如SEM之类的工具捕获的衬底的图像。可以使用SEM图像1405获得与特征相关联的各种测量数据(例如，使用如至少参考图1所描述的量测方法)。测量数据2501可以包括针对各种过程变量(例如，剂量、焦距等)的特征的一个或更多个特性参数的测量结果。例如，测量数据1701可以包括针对各种剂量值和焦距值的特征的CD数据、缺陷计数、失效率、边缘放置误差(EPE)、放置误差(PE)等。在一些实施例中，测量数据2501也可以包括使用模拟模型(例如，CDU模型化、LCDU模型化、CD极限模型化、CDeU模型化、失效率模型化等，其中，至少一些在上文中描述)获得的模型化数据，诸如模型化CD数据、模型化失效率数据。在一些实施例中，测量数据2501可以包括图17的测量数据1701，所述测量数据用于确定特征组的基础FR模型。

在操作P2510中，使用测量数据2501获得特征的过程窗口数据2513。过程窗口数据2513可以包括特征中的每个的一个或更多个过程窗口。如上文所论述的，特征的过程窗口指示相应特征的特性参数位于规格内的一组焦距值和剂量值。例如，特征的CD过程窗口可以是特征的CD距目标CD值的偏差位于期望的阈值内的一组剂量值或焦距值。在另一示例中，无缺陷(DF)过程窗口可以是其中特征的所测量缺陷计数为零的一组剂量值或焦距值。在另一示例中，失效率(FR)过程窗口(例如，如至少参考图14、图15、图17或图18所描述的那样产生的)可以是其中特征的失效率位于期望的阈值内的一组剂量值或焦距值。在又一示例中，EPE过程窗口(例如，如至少参考图21所描述的那样产生的)可以是其中基于特征的EPE而确定的失效率位于期望的阈值内的一组剂量值或焦距值。在又一示例中，PE过程窗口(例如，如至少参考图22所描述的那样产生的)可以是其中基于特征的PE而确定的失效率位于期望的阈值内的一组剂量值或焦距值。

过程窗口可以被绘制为焦距值和剂量值分别作为x轴和y轴的曲线图，这导致形成形状。过程窗口的形状包括界线或边缘，并且边缘的不同部分可以对应于不同的焦距值和剂量值。可以使用许多方法中的任一种来产生特征的过程窗口。图26A示出根据一个或更多个实施例的特征的示例CD过程窗口2605。图26B示出根据一个或更多个实施例的特征的示例性FR过程窗口2610。虽然附图说明CD过程窗口和FR过程窗口，但可以产生各种其它过程窗口(例如，EPE过程窗口、PE过程窗口等)。

在操作P2515中，使用过程窗口数据2513获得特征中的每个的过程窗口指标2516。在一些实施例中，过程窗口指标2516表示过程窗口的特性(例如，尺寸)。在一些实施例中，过程窗口可以被表征为执行形状拟合操作，所述形状拟合操作拟合过程窗口中的形状(例如，椭圆、矩形或其它形状)以确定(例如，量化)过程窗口的特性。可以基于形状的性质来确定过程窗口指标2516。过程窗口指标2516可以包括曝光宽容度、聚焦深度或形状的面积。例如，过程窗口可以使用椭圆来表征，如图27中所图示的。图27图示根据一个或更多个实施例的图26B的FR过程窗口的椭圆拟合。可以使用数种椭圆拟合算法中的任一种将椭圆2720拟合至FR过程窗口2610中。椭圆2720可以基于约束来拟合。例如，椭圆2720可以被拟合以获得最大面积的椭圆。在另一示例中，椭圆2720可以被拟合使得椭圆2720的中心2725位于曲线图中的指定位置处(例如，位于指定剂量值或焦距值处)。在另一示例中，椭圆2720可以被拟合以获得指定曝光宽容度。

在于FR过程窗口2610中拟合椭圆之后，可以如下确定过程窗口指标2516。可以将曝光宽容度确定为椭圆2720的高度与对应于椭圆2720的中心2725的剂量值的函数。例如，用于使用椭圆拟合来获得曝光宽容度(EL)的方程式可以表示如下：

椭圆高度为椭圆2720延伸所达的剂量值的范围。聚焦深度指标可以对应于椭圆2720的宽度，椭圆2720的宽度为椭圆2720延伸所达的焦距值的范围。面积指标为椭圆2720的面积，椭圆2720的面积被确定为椭圆2720的高度与宽度的函数。

虽然可以通过在诸如FR过程窗口2610的单独的过程窗口中拟合形状来获得过程窗口指标2516，但也可以从如图28A和图28B中所图示的经叠置的过程窗口获得过程窗口指标2516。图28A图示根据一个或更多个实施例的将两个过程窗口叠置的叠置操作。叠置操作将一个过程窗口与另一过程窗口叠置，以获得经叠置的过程窗口，经叠置的过程窗口为两个过程窗口的相交区。例如，如图28A中所图示的，CD过程窗口2605与FR过程窗口2610叠置以产生经叠置的过程窗口2830。图28B图示根据一个或更多个实施例的图28A的经叠置的过程窗口的椭圆拟合。椭圆2845可以被拟合至经叠置的过程窗口2830中，并且可以使用椭圆2845确定过程窗口指标2516(例如，如参考图27中的椭圆2720所描述的)。

应注意，虽然图28A和图28B图示在通过将特征的两个单独过程窗口叠置来获得的经叠置的过程窗口中拟合椭圆，但可以通过叠置所述特征的两个以上过程窗口来获得经叠置的过程窗口。

此外，应注意，虽然前文的段落描述拟合诸如椭圆之类的形状以表征过程窗口，但也可以使用形状拟合算法将其它形状(例如，矩形)拟合至过程窗口中以表征过程窗口。也可以使用其它过程窗口表征方法以及形状拟合算法或代替所述形状拟合算法以获得过程窗口指标2516。执行操作P2515以获得特征中的每个的过程窗口指标2516。

在操作P2520中，基于过程窗口指标2516对特征分级以产生特征的分级列表2522。可以基于曝光宽容度、聚焦深度、形状的面积或其它这些过程窗口指标来对所述特征分级。在一些实施例中，过程窗口指标2516的值越小，特征的临界性越强。

在操作P2525中，基于分级来识别临界特征2526。将具有满足(例如，使用者所定义的)指定阈值的过程窗口指标2516的特征识别为临界特征2526。例如，可以基于特征的曝光宽容度小于阈值曝光宽容度，将所述特征识别为临界特征。在另一示例中，可以基于特征的曝光宽容度和聚焦深度分别小于焦点的阈值曝光宽容度和阈值深度，将所述特征识别为临界特征。

可以将关于临界特征2526的信息用于产生包含临界特征的特征组的基础FR模型的过程。例如，在操作P2530中，可以将关于临界特征2526的信息输入至图14的基础FR模型产生器1430，以识别包含临界特征的特征组，并且产生所识别的特征组的基础FR模型2531。在一些实施例中，基础FR模型产生器1430可以将关于临界特征2526的信息用于其它分析(例如，分析临界特征2526的分组覆盖范围)。

在一些实施例中，在基础FR模型产生器1430产生各种特征组的基础FR模型之后，也可以基于使用FR过程窗口所获得的过程窗口指标2516来对特征组分级，所述FR过程窗口通过基础FR模型产生器1430针对特征组来产生。

本文中公开的概念可以对用于对次波长特征进行成像的任何通用成像系统进行模拟或在数学上建模，并且在能够产生具有越来越小的尺寸的波长的新兴成像技术中可能尤其有用。已经在使用中的新兴技术包括能够通过使用ArF激光器产生193nm波长且甚至能够通过使用氟激光器产生157nm波长的EUV(极紫外线)光刻术。此外，EUV光刻能够通过使用同步加速器或通过利用高能电子来射到材料(固体或等离子体)而产生在5nm至20nm的范围内的波长，以便产生这种范围内的光子。

虽然本文中公开的概念可以用于在诸如硅晶片的衬底上的成像，但应理解，所公开的概念可以与任何类型的光刻成像系统一起使用，例如，用于在除硅晶片以外的衬底上的成像的光刻成像系统。

尽管可以在本文中特定地参考在IC制造中实施例的使用，但应理解，本文中的实施例可以具有许多其它可能的应用。例如，本文中的实施例可以用于制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示器(LCD)、薄膜磁头、微机械系统(MEM)等中。本领域技术人员将了解，在这样的替代应用的内容背景下，本文中对术语“掩模版”、“晶片”或“管芯”的任何使用可以被视为分别与更上位的术语“图案形成装置”、“衬底”或“目标部分”同义或可以与其互换。可以在曝光之前或之后在例如涂覆显影系统(通常将抗蚀剂层施加至衬底且显影曝光后的抗蚀剂的工具)或量测或检查工具中处理本文中提及的衬底。在适用情况下，可以将本文中的公开内容应用至这些和其它的衬底处理工具。另外，可以将衬底处理一次以上，例如以便产生多层IC，使得本文中所使用的术语“衬底”也可以指已包含多个处理后的层的衬底。

在本发明文件中，如本文中所使用的术语“辐射”和“束”涵盖所有类型的电磁辐射，包括紫外线辐射(例如，具有约365nm、约248nm、约193nm、约157nm或约126nm的波长)和极紫外线(EUV)辐射(例如，具有在5nm至20nm的范围内的波长)以及粒子束，诸如离子束或电子束。

如本文中所使用的术语“优化(optimizing/optimization)”是指或意味着调整图案形成设备(例如，光刻设备)、图案化过程等，使得结果和/或过程具有更期望的特性，诸如设计图案在衬底上的投影的较高准确度、较大过程窗口等。因此，如本文中所使用的术语“优化”和“优化的”是指或意味着识别一个或更多个参数的一个或更多个值的过程，所述一个或更多个值与那些一个或更多个参数的一个或更多个值的初始集合相比提供至少一个相关指标的改善，例如局部最佳。应该相应地解释“最佳”和其它相关术语。在实施例中，可以迭代地应用优化步骤，以提供一个或更多个指标的进一步改善。

可以以任何方便的形式实施本发明的方面。例如，实施例可以由一个或更多个适当的计算机程序实施，所述一个或更多个适当的计算机程序可以被承载在可以是有形载体介质(例如，磁盘)或无形载体介质(例如，通信信号)的适当的载体介质上。可以使用能够具体地采取可编程计算机的形式的合适设备来实施本发明的实施例，所述可编程计算机运行被布置成实施如本文中所描述的方法的计算机程序。因此，可以以硬件、固件、软件或其任何组合来实施本公开的实施例。本公开的实施例也可以被实施为储存在机器可读介质上的指令，所述指令可以由一个或更多个处理器读取和执行。机器可读介质可以包括用于以可以由机器(例如，计算装置)读取的形式储存或传输信息的任何机构。例如，机器可读介质可以包括：只读存储器(ROM)；随机存取存储器(RAM)；磁盘储存介质；光学储存介质；闪存装置；电、光学、声学或其它形式的传播信号(例如，载波、红外线信号、数字信号等)；等等。另外，固件、软件、例程、指令可以在本文中描述为执行某些动作。然而，应了解，这些描述仅出于方便起见，并且这些动作实际上由计算装置、处理器、控制器或执行固件、软件、例程、指令等的其它装置引起。

在框图中，所图示的部件被描绘为离散的功能区块，但实施例不限于本文中所描述的功能性如所图示来组织的系统。由部件中的每个部件提供的功能性可以由软件或硬件模块提供，所述模块以与当前描绘的方式不同的方式组织，例如可以混和、结合、复写、解散、分配(例如，在数据中心内或按地区)，或以其它不同方式组织这种软件或硬件。本文中所描述的功能性可以由执行储存在有形的、非暂时性机器可读介质上的过程代码的一个或更多个计算机的一个或更多个处理器提供。在一些情况下，第三方内容传递网络可以主控经由网络传输的信息中的一些或全部，在这种情况下，在据称被供应或以其它方式被提供信息(例如，内容)的情况下，可以通过发送指令以从内容传递网络获取所述信息来提供所述信息。

除非另外特定陈述，否则如根据论述而明白的，应了解，在整个本说明书中，利用诸如“处理”、“计算(computing/calculating)”、“确定”等等的术语的论述是指诸如专用计算机或类似的专用电子处理/计算装置的特定设备的动作或过程。

可以通过以下方面进一步描述本发明的实施例。

1.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据；

基于指标将所述多个特征分组为多个组；以及

基于与特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，其中，所述基础失效率模型被配置成识别与所述特征组的失效率相关的过程窗口。

2.根据方面1所述的计算机可读介质，其中，所述指标包括：(a)所述特征中的每个特征的过程窗口，其中，所述过程窗口是与所述相应特征相关联的过程变量的函数；和(b)与所述相应特征相关联的特性参数。

3.根据方面2所述的计算机可读介质，其中，所述过程变量包括与用于所述图案化过程的设备相关联的焦距值和剂量值，并且其中，所述特性参数包括所述相应特征的临界尺寸(CD)值。

4.根据方面3所述的计算机可读介质，其中，将所述特征分组包括：

对于所述特征中的每个特征，获得所述相应特征的平均CD值以及位于所述相应特征的过程窗口的边缘处的与所述平均CD相关联的多个剂量值和焦距值以作为指标值，和

基于所述特征的所述指标值将所述特征聚类至所述特征组中，其中，特定组内的特征具有位于第一阈值内的指标值。

5.根据方面1至4中任一项所述的计算机可读介质，其中，聚类所述特征包括：

使用k均值算法聚类所述特征。

6.根据方面5所述的计算机可读介质，其中，获得所述多个特征的所述测量数据包括：

获得具有被印制于所述衬底上的所述特征的图像，和

分析所述图像以选择所述特征中的满足指定准则的那些特征作为所述多个特征。

7.根据方面6所述的计算机可读介质，其中，所述指定准则包括特征在所述衬底上的出现次数低于第一阈值，或所述特征在所述图像中的一图像中的出现次数低于第二阈值。

8.根据方面6所述的计算机可读介质，其中，产生用于所述特征组的所述基础失效率模型包括：

获得所述特征组的平均CD；

将所述特征组的局部CD均一性(LCDU)数据确定为与所述特征组相关联的所述测量数据；

基于所述LCDU数据来获得：(i)所述特征组的CD的概率密度函数，所述概率密度函数被定义为所述平均CD、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征组中的特征的失效率测量结果的CD极限；

基于所述CD极限和所述CD的所述概率密度函数来确定所述特征组的估计失效率；和

产生所述基础失效率模型，所述基础失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征组的估计失效率小于预定阈值。9.根据方面8所述的计算机可读介质，其中，确定所述特征组的所述LCDU数据包括：

通过以下操作确定所述组的所述LCDU数据：

横跨所述多个图像获得所述组中的每个特征的所述LCDU数据；

获得所述多个图像中的每个图像的每个特征的CD均值；和

从所述LCDU数据移除所述CD均值。

10.根据方面8所述的计算机可读介质，其中，获得所述特征组的所述CD的所述概率密度函数包括：

基于所述剂量值的方差，针对所述剂量值确定剂量的所述概率密度函数；和

基于转换函数将所述剂量的所述概率密度函数转换成所述CD的所述概率密度函数，其中，所述转换函数基于所述剂量的所述函数来确定。

11.根据方面1所述的计算机可读介质，其中，所述失效率涉及特征的一个或更多个失效，所述一个或更多个失效包括所述特征的物理失效、转印失效和/或延迟失效。

12.根据方面8所述的计算机可读介质，还包括：

将所述基础失效率模型储存在数据库中，其中，所述数据库包括多个基础失效率模型，其中，每个基础失效率模型对应于具有指定指标值的特征组。

13.根据方面12所述的计算机可读介质，还包括：

使用所述基础失效率模型和所述特定特征的特性数据产生用于特定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述特定特征的估计失效率低于指定阈值。

14.根据方面12所述的计算机可读介质，还包括：

使用所述基础失效率模型产生指定特征组的特定于特征组的失效率模型，其中，所述特定于特征组的失效率模型识别特定于特征组的过程窗口，使得所述指定特征组的估计失效率低于指定阈值。

15.根据方面13所述的计算机可读介质，其中，产生所述特定于特征的失效率模型包括：

接收与所述特定特征相关联的测量数据，其中，所述测量数据包括所述特定特征的针对多个剂量值和焦距值的CD值；

从所述测量数据确定指定指标值，其中，所述指定指标值被确定为指定平均CD值和位于与所述特定特征相关联的过程窗口的边缘处的与所述指定平均CD值相关联的多个剂量值和焦距值的函数；和

从数据库选择指定基础失效率模型，所述指定基础失效率模型的指标值匹配所述指定指标值。

16.根据方面15所述的计算机可读介质，还包括：

从所述指定基础失效率模型获得CD的基础概率密度函数；和

基于所述指定平均CD值来调整所述基础概率密度函数的平均CD以产生经调整的概率密度函数。

17.根据方面16所述的计算机可读介质，还包括：

使用所述经调整的概率密度函数确定所述图案化过程的第一CD极限或第二CD极限中的至少一个，其中，如果所述指定特征的CD高于所述第一CD极限或低于所述第二CD极限，则所述指定特征的估计失效率位于所述指定阈值内。

18.根据方面17所述的计算机可读介质，还包括：

获得所述特定特征的CD的场间CD变化、场内CD变化、概率密度函数中的至少一个以作为CD轮廓数据；和

将所述经调整的概率密度函数与所述CD轮廓数据做卷积以产生与所述特定特征相关联的经卷积的概率密度函数。

19.根据方面18所述的计算机可读介质，还包括：

基于所述第一CD极限、所述第二CD极限和所述经卷积的概率密度函数来确定所述特定特征的估计失效率；和

产生被配置成识别所述特定于特征的过程窗口的所述特定于特征的失效率模型。

20.根据方面19所述的计算机可读介质，还包括：

基于与所述指定特征相关的所述过程窗口来调整所述图案化过程的一个或更多个设备，以最小化与所述指定特征相关联的失效率。

21.根据方面6所述的计算机可读介质，其中，产生用于所述特征组的所述基础失效率模型包括：

获得所述特征组的CDe参数，

将所述特征组的局部CDe均一性(LCDeU)数据确定为与所述特征组相关联的所述测量数据，

基于所述LCDeU数据来获得：(i)所述特征组的CDe的概率密度函数，所述概率密度函数被定义为所述CDe参数、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征组中的特征的失效率测量结果的CDe极限，

基于所述CDe极限和所述CDe的所述概率密度函数来确定所述特征组的估计失效率；和

产生所述基础失效率模型，所述基础失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征组的估计失效率小于预定阈值。

22.根据方面21所述的计算机可读介质，其中，确定所述特征组的所述LCDeU数据包括：

通过以下操作确定所述组的所述LCDeU数据：

横跨所述多个图像获得所述组中的每个特征的所述LCDeU数据，

获得所述多个图像中的每个图像的每个特征的CDe均值，和

从所述LCDeU数据移除所述CDe均值。

23.根据方面21所述的计算机可读介质，其中，获得所述CDe参数包括：

基于与所述特征组的特征相关联的边缘放置误差来确定所述CDe参数。

24.根据方面23所述的计算机可读介质，其中，所述边缘放置误差基于所述特征的CD、与所述特征相对应的目标特征的CD和所述特征的放置误差来确定。

25.根据方面24所述的计算机可读介质，其中，所述特征为接触孔，并且其中，所述放置误差是被印制于衬底上的所述接触孔的中心距目标接触孔的中心的偏差。

26.根据方面6所述的计算机可读介质，其中，产生用于所述特征组的所述基础失效率模型包括：

获得所述特征组的平均CD和PEe参数，

将所述特征组的LCDU数据确定为与所述特征组相关联的所述测量数据，所述LCDU基于所述平均CD来确定，

基于所述LCDU数据来获得：(i)所述特征组的PEe的概率密度函数，所述概率密度函数被定义为所述PEe参数、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征组中的特征的失效率测量结果的PEe极限，

基于所述PEe极限和所述PEe的所述概率密度函数来确定所述特征组的估计失效率，和

产生所述基础失效率模型，所述基础失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征组的估计失效率小于预定阈值。

27.根据方面26所述的计算机可读介质，其中，获得所述PEe参数包括：

基于与所述特征组的特征相对应的目标特征的CD和所述特征的放置误差来确定所述PEe参数。

28.根据方面1所述的计算机可读介质，其中，获得所述测量数据包括：

获得所述特征的第一组过程窗口，其中，所述第一组过程窗口表示所述特征的针对第一组剂量值和焦距值的第一特性参数，其中，所述第一组过程窗口包括所述特征中的第一特征的第一过程窗口；

基于所述第一组过程窗口来获得用于所述特征的多个过程窗口指标；和

基于所述过程窗口指标中的一个或更多个，对所述特征分级。

29.根据方面28所述的计算机可读介质，还包括：

基于所述分级来确定临界特征，其中，所述临界特征包括所述特征中具有满足指定阈值的所述过程窗口指标中的一个或更多个过程窗口指标的那些特征。

30.根据方面29所述的计算机可读介质，其中，产生用于所述特征组的所述基础失效率模型包括：

确定所述组中具有所述临界特征中的一个或更多个临界特征的第一特征组；和

产生所述第一特征组的所述基础失效率模型。

31.根据方面28所述的计算机可读介质，其中，获得所述第一组过程窗口包括：

在曲线图上绘制所述第一特征的所述第一特性参数相对于剂量值和焦距值的关系，以产生所述第一过程窗口的形状。

32.根据方面28所述的计算机可读介质，其中，所述第一特性参数包括所述第一特征的CD、缺陷计数、失效率、随机边缘放置误差失效率或随机放置误差中的一个。

33.根据方面28所述的计算机可读介质，其中，获得所述过程窗口指标包括：

执行形状拟合操作以将形状插入所述第一过程窗口中，以获得曝光宽容度、聚焦深度或所述形状的面积中的一个或更多作为所述过程窗口指标。

34.根据方面33所述的计算机可读介质，其中，执行所述形状拟合操作包括：

基于指定条件而执行所述形状拟合操作以将椭圆拟合于所述第一过程窗口中。

35.根据方面34所述的计算机可读介质，其中，所述指定条件包括具有(i)指定面积、(ii)指定曝光宽容度，或(iii)表示曲线图上的指定剂量值和焦距值的位置处的中心的所述椭圆。

36.根据方面34所述的计算机可读介质，其中，执行所述形状拟合操作包括：

将所述曝光宽容度确定为所述椭圆的高度与对应于所述椭圆的中心的剂量值的函数。

37.根据方面36所述的计算机可读介质，其中，通过被所述椭圆在所述第一过程窗口的曲线图上占据的剂量值的范围来确定所述高度。

38.根据方面34所述的计算机可读介质，其中，执行所述形状拟合操作包括：

基于所述椭圆的宽度来确定所述聚焦深度，其中，所述宽度通过在所述第一过程窗口的曲线图上通过所述椭圆占据的焦距值的范围来确定。

39.根据方面28所述的计算机可读介质，其中，获得用于所述第一特征的所述过程窗口指标包括：

获得所述特征的第二组过程窗口，其中，所述第二组过程窗口包括所述第一特征的第二过程窗口，其中，所述第二组过程窗口是(i)与所述特征相关联的第二特性参数和(ii)与所述第二特性参数相关联的第二组剂量值和焦距值的函数；

利用所述第一过程窗口和所述第二过程窗口执行叠置操作以产生经叠置的过程窗口，其中，所述经叠置的过程窗口为所述第一过程窗口和所述第二过程窗口在曲线图上的形状的相交区；和

基于所述经叠置的过程窗口来获得用于所述第一特征的所述过程窗口指标。

40.根据方面28所述的计算机可读介质，还包括：

基于与所述对应组的失效率相关的过程窗口来获得所述特征组中的每个组的一组过程窗口指标；和

基于所述组过程窗口指标中的一个或更多个，对所述特征组分级。

41.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据；

从所述测量数据导出所述多个特征的特性参数，其中，所述测量数据包含指示所述多个特征的放置误差的数据；和

基于与所述特征相关联的所述特性参数来产生所述特征的失效率模型，其中，所述失效率模型被配置成确定与所述特征的失效率相对应的过程窗口。

42.根据方面41所述的计算机可读介质，其中，所述测量数据包含与所述特征的特征相关联的边缘放置误差(EPE)值或放置误差(PE)值中的一个或更多个。

43.根据方面42所述的计算机可读介质，其中，基于所述特征的一部分距离对应目标特征的对应部分的偏差来确定所述PE值。

44.根据方面42所述的计算机可读介质，其中，基于所述特征的CD值、所述特征的所述PE值和对应目标特征的目标CD值来确定所述EPE值。

45.根据方面42所述的计算机可读介质，其中，所述特性参数是从所述PE值或所述EPE值中的至少一个与CD值组合而导出的参数。

46.根据方面42所述的计算机可读介质，其中，所述特性参数包括从与所述特征相关联的所述CD值和所述PE值导出的CDe参数。

47.根据方面42所述的计算机可读介质，其中，所述特性参数包括从与所述特征相对应的目标特征的目标CD值和与所述特征相关联的所述PE值导出的PEe参数。

48.根据方面41所述的计算机可读介质，其中，产生所述特征的所述失效率模型包括：

基于所述特性参数来确定所述特征的LCDU数据；

基于所述LCDU数据来获得(i)所述特征的所述特性参数的概率密度函数，所述概率密度函数被定义为所述特性参数、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征的失效率测量结果的特性参数极限；

基于所述特性参数极限和所述特性参数的所述概率密度函数来确定所述特征的估计失效率；和

产生所述失效率模型，所述失效率模型能够操作以确定与所述剂量值相关的过程窗口，使得所述特征的估计失效率小于预定阈值。

49.根据方面48所述的计算机可读介质，其中，确定所述特征的所述LCDU数据包括：

通过以下操作确定所述特征的所述LCDU数据：

获得所述特征中的每个特征的所述LCDU数据，

获得每个特征的所述特性参数的平均值，和

从所述LCDU数据移除所述平均值。

50.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据，其中，所述测量数据包括与所述特征的特征相关联的CD值、边缘放置误差(EPE)值或放置误差(PE)值中的一个或更多；

导出所述多个特征的特性参数，其中，所述特性参数包括从所述CD值和所述PE值导出的CDe参数；和

基于与所述特征相关联的所述特性参数来产生所述特征的失效率模型，其中，所述失效率模型被配置成识别与所述特征的失效率相关的过程窗口。

51.根据方面50所述的计算机可读介质，其中，产生所述失效率模型包括：

基于所述CDe参数来确定所述特征的局部CDe均一性(LCDeU)数据；

基于所述LCDeU数据来获得：(i)所述特征的CDe的概率密度函数，所述概率密度函数被定义为所述CDe参数、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征的失效率测量结果的CDe极限；

基于所述CDe极限和所述CDe的所述概率密度函数来确定所述特征的估计失效率；和

产生所述失效率模型，所述所述失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征的估计失效率小于预定阈值。

52.根据方面51所述的计算机可读介质，其中，确定所述特征的所述LCDeU数据包括：

通过以下操作确定所述特征的所述LCDeU数据：

获得所述特征中的每个特征的所述LCDeU数据；

获得每个特征的CDe均值；和

从所述LCDeU数据移除所述CDe均值。

53.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据，其中，所述测量数据包括与所述特征的特征相关联的CD值、边缘放置误差(EPE)值或放置误差(PE)值中的一个或更多；

导出所述特征的特性参数，其中，所述特性参数包括从目标CD值和所述PE值导出的PEe参数；和

基于与所述特征相关联的所述特性参数来产生所述特征的失效率模型，其中，所述失效率模型被配置成识别与所述特征的失效率相关的过程窗口。

54.根据方面53所述的计算机可读介质，其中，产生所述失效率模型包括：

获得所述特征的平均CD；

基于所述平均CD来确定所述特征的所述LCDU数据；

基于所述LCDU数据来获得：(i)所述特征的PEe的概率密度函数，所述概率密度函数被定义为所述PEe参数、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征中的特征的失效率测量结果的PEe极限；

基于所述PEe极限和所述PEe的所述概率密度函数来确定所述特征的估计失效率；和

产生所述失效率模型，所述失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征的估计失效率小于预定阈值。

55.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种用于基于失效率来确定图案化过程的过程窗口的方法，所述方法包括：

基于指标将多个特征分组为多个组，其中，所述多个组中的每个组包括所述特征的子集；

基于与所述多个组的组中的特征相关联的测量数据来产生所述组的基础失效率模型，其中，所述基础失效率模型识别与所述特征组的估计失效率相关的过程窗口；和

使用所述基础失效率模型和与指定特征相关联的测量数据产生所述指定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述指定特征的估计失效率低于指定阈值。

56.根据方面55中任一项所述的计算机可读介质，其中，将所述特征分组包括：

对于所述特征中的每个特征，获得所述相应特征的平均CD值和位于所述相应特征的过程窗口的边缘处的与所述平均CD相关联的多个剂量值和焦距值，和

基于所述特征的指标值将所述特征聚类至所述组中，其中，特定组内的所述特征具有在第一阈值内变化的指标值。

57.根据方面55所述的计算机可读介质，还包括：

将所述基础失效率模型储存在数据库中，其中，所述数据库包括多个基础失效率模型，其中，每个基础失效率模型对应于具有指定指标值的特征组。

58.根据方面57所述的计算机可读介质，其中，产生所述特定于特征的失效率模型包括：

接收与所述指定特征相关联的测量数据，其中，所述测量数据包括针对多个剂量值和焦距值的所述指定特征的平均CD值；

从与所述指定特征相关联的所述测量数据确定指定指标值，其中，所述指定指标值被确定为指定平均CD值和位于指定焦距值的与所述指定特征相关联的过程窗口的边缘处的与所述指定平均CD值相关联的剂量值的函数；和

从数据库选择指定基础失效率模型，所述指定基础失效率模型的指标值匹配所述指定指标值。

59.根据方面58所述的计算机可读介质，还包括：

从所述指定基础失效率模型获得CD的基础概率密度函数；和

基于所述指定平均CD值来调整所述基础概率密度函数的平均CD以产生经调整的概率密度函数。

60.根据方面59所述的计算机可读介质，还包括：

使用所述经调整的概率密度函数确定所述图案化过程的第一CD极限或第二CD极限，其中，当所述指定特征的CD高于所述第一CD极限或低于所述第二CD极限时，所述指定特征的估计失效率位于所述指定阈值内。

61.根据方面60所述的计算机可读介质，还包括：

获得所述指定特征的CD的场间CD变化、场内CD变化、概率密度函数中的至少一个以作为CD轮廓数据；和

将所述经调整的概率密度函数与所述CD轮廓数据做卷积以产生经卷积的概率密度函数。

62.根据方面61所述的计算机可读介质，还包括：

基于所述第一CD极限、所述第二CD极限和所述经卷积的概率密度函数来确定所述特定特征的估计失效率；和

产生所述特定于特征的失效率模型，所述特定于特征的失效率模型识别所述特定于特征的过程窗口，使得所述指定特征的估计失效率小于所述指定阈值。

63.根据方面62所述的计算机可读介质，还包括：

基于与所述指定特征相关的所述过程窗口来调整所述图案化过程的一个或更多个设备，以最小化与所述指定特征相关联的失效率。

64.根据方面63所述的计算机可读介质，其中，所述一个或更多个设备包括光刻设备，所述光刻设备被配置成基于所述特定于特征的过程窗口来执行所述衬底上的图案化。

65.一种用于确定图案化过程的过程窗口的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据；

基于指标将所述特征分组为多个组；和

基于与特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，其中，所述基础失效率模型被配置成识别与所述特征组的失效率相关的过程窗口。

66.一种用于确定图案化过程的过程窗口的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据；

基于指标将所述多个特征分组为多个组，其中，所述多个组的每个组包括所述特征的子集；

基于与所述特征组相关联的所述测量数据来产生所述多个组的组的基础失效率模型，其中，所述基础失效率模型被配置成识别与所述特征组的失效率相关的过程窗口；和

使用所述基础失效率模型和与特定特征相关联的测量数据产生所述特定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述特定特征的估计失效率低于指定阈值。

67.一种非暂时性计算机可读介质，其上记录有指令，所述指令在由计算机执行时实施如以上方面中任一项所述的方法。

68.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种用于确定被印制于衬底上的临界特征的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据；

基于所述测量数据来获得所述特征的第一组过程窗口，其中，所述第一组过程窗口表示所述特征的针对第一组剂量值和焦距值的第一特性参数，其中，所述第一组过程窗口包括所述特征中的第一特征的第一过程窗口；

基于所述第一组过程窗口来获得所述特征中的每个的多个过程窗口指标；和

将所述特征中具有满足指定阈值的所述过程窗口指标中的一个或更多个过程窗口指标的那些特征确定为临界特征。

69.根据方面68所述的计算机可读介质，还包括：

基于指标将所述多个特征分组为多个组；

确定所述组中具有所述临界特征中的一个或更多个临界特征的特征组；和

基于与所述特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，其中，所述基础失效率模型被配置成识别与所述特征组的失效率相关的过程窗口。

70.根据方面68所述的计算机可读介质，其中，获得所述过程窗口指标包括：

执行形状拟合操作以将形状插入所述第一过程窗口中，以获得曝光宽容度、聚焦深度或所述形状的面积中的一个或更多作为所述第一特征的所述过程窗口指标。

71.根据方面70所述的计算机可读介质，其中，执行所述形状拟合操作包括：

基于指定条件而执行所述形状拟合操作以将椭圆拟合于所述第一过程窗口中。

72.根据方面71所述的计算机可读介质，其中，所述指定条件包括具有(i)指定面积、(ii)指定曝光宽容度，或(iii)表示曲线图上的指定剂量值和焦距值的位置处的中心的所述椭圆。

73.根据方面71所述的计算机可读介质，其中，执行所述形状拟合操作包括：

将所述曝光宽容度确定为所述椭圆的高度与对应于所述椭圆的中心的剂量值的函数。

74.根据方面73所述的计算机可读介质，其中，所述高度通过被所述椭圆在所述第一过程窗口的曲线图上占据的剂量值的范围来确定。

75.根据方面71所述的计算机可读介质，其中，执行所述形状拟合操作包括：

基于所述椭圆的宽度来确定所述聚焦深度，其中，所述宽度通过在所述第一过程窗口的曲线图上通过所述椭圆占据的焦距值的范围来确定。

76.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行一种用于确定被印制于衬底上的临界特征的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据；

基于所述测量数据来获得所述特征的第一组过程窗口，其中，所述第一组过程窗口表示所述特征的针对第一组剂量值和焦距值的第一特性参数，其中，所述第一组过程窗口包括所述特征中的第一特征的第一过程窗口；

基于所述测量数据来获得所述特征的第二组过程窗口，其中，所述第二组过程窗口表示针对第二组剂量值和焦距值的所述特征的第二特性参数，其中，所述第二特性参数不同于所述第一特性参数，其中，所述第二组过程窗口包括所述第一特征的第二过程窗口；

利用所述第一过程窗口和所述第二过程窗口执行叠置操作以产生第一经叠置的过程窗口，其中，所述第一经叠置的过程窗口为所述第一过程窗口和所述第二过程窗口在曲线图上的形状的相交区；

基于所述相应特征的经叠置的过程窗口来获得所述特征中的每个特征的多个过程窗口指标；和

将所述特征中具有满足指定阈值的所述过程窗口指标中的一个或更多个过程窗口指标的那些特征确定为临界特征。

77.根据方面76所述的计算机可读介质，还包括：

基于指标将所述多个特征分组为多个组；

确定所述组中具有所述临界特征中的一个或更多个临界特征的特征组；和

基于与所述特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，其中，所述基础失效率模型被配置成识别与所述特征组的失效率相关的过程窗口。

78.根据方面76所述的计算机可读介质，其中，获得所述过程窗口指标包括：

执行形状拟合操作以将形状插入所述第一过程窗口中，以获得曝光宽容度、聚焦深度或所述形状的面积中的一个或更多个作为所述第一特征的所述过程窗口指标。

79.根据方面78所述的计算机可读介质，其中，执行所述形状拟合操作包括：

基于指定条件来执行所述形状拟合操作以将椭圆拟合于所述第一过程窗口中。

80.根据方面79所述的计算机可读介质，其中，所述指定条件包括具有(i)指定面积、(ii)指定曝光宽容度，或(iii)表示曲线图上的指定剂量值和焦距值的位置处的中心的所述椭圆。

81.根据方面79所述的计算机可读介质，其中，执行所述形状拟合操作包括：

将所述曝光宽容度确定为所述椭圆的高度与对应于所述椭圆的中心的剂量值的函数。

82.根据方面81所述的计算机可读介质，其中，所述高度通过被所述椭圆在所述第一过程窗口的曲线图上占据的剂量值的范围来确定。

83.根据方面79所述的计算机可读介质，其中，执行所述形状拟合操作包括：

基于所述椭圆的宽度来确定所述聚焦深度，其中，通过被所述椭圆在所述第一过程窗口的曲线图上占据的焦距值的范围来确定所述宽度。

84.一种方法，包括

获得被印制于衬底上的多个特征的测量数据；和

基于与一特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，所述特征组中的特征是不同的，其中，所述基础失效率模型被配置成根据所述特征组的失效率识别过程窗口。

85.根据方面84所述的方法，还包括基于指标将所述多个特征分组为包括所述组的多个组。

86.根据方面84所述的计算机可读介质，其中，所述指标包括：(a)所述特征中的每个特征的过程窗口，其中，所述过程窗口是与所述相应特征相关联的过程变量的函数；和(b)与所述相应特征相关联的特性参数。

87.根据方面85所述的方法，其中，所述过程变量包括与用于所述图案化过程的设备相关联的焦距值和剂量值，并且其中，所述特性参数包括所述相应特征的临界尺寸(CD)值。

88.根据方面85所述的方法，其中，将所述特征分组包括：

对于所述特征中的每个特征，获得所述相应特征的平均CD值以及位于所述相应特征的过程窗口的边缘处的与所述平均CD相关联的多个剂量值和焦距值以作为指标值，和

基于所述特征的所述指标值将所述特征聚类至所述特征组中，其中，特定组内的特征具有位于第一阈值内的指标值。

89.根据方面84所述的方法，其中，获得所述多个特征的所述测量数据包括：

获得具有被印制于所述衬底上的所述特征的图像，和

分析所述图像以选择满足指定准则的特征作为所述多个特征。

90.根据方面89所述的方法，其中，所述指定准则包括特征在所述衬底上的出现次数低于第一阈值，或所述特征在所述图像中的一图像中的出现次数低于第二阈值。

91.根据方面84所述的方法，其中，产生用于所述特征组的所述基础失效率模型包括：

获得所述特征组的平均CD；

将所述特征组的局部CD均一性(LCDU)数据确定为与所述特征组相关联的所述测量数据；

基于所述LCDU数据来获得：(i)所述特征组的CD的概率密度函数，所述概率密度函数被定义为所述平均CD、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征组中的特征的失效率测量结果的CD极限；

基于所述CD极限和所述CD的所述概率密度函数来确定所述特征组的估计失效率；和

产生所述基础失效率模型，所述基础失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征组的估计失效率小于预定阈值。

92.根据方面84所述的方法，还包括：

使用所述基础失效率模型和所述特定特征的特性数据产生用于特定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述特定特征的估计失效率低于指定阈值。

93.根据方面92所述的方法，其中，产生所述特定于特征的失效率模型包括：

接收与所述特定特征相关联的测量数据，其中，所述测量数据包括所述特定特征的针对多个剂量值和焦距值的CD值；

从所述测量数据确定指定指标值，其中，所述指定指标值被确定为指定平均CD值和位于与所述特定特征相关联的过程窗口的边缘处的与所述指定平均CD值相关联的多个剂量值和焦距值的函数；和

从数据库选择指定基础失效率模型，所述指定基础失效率模型的指标值匹配所述指定指标值。

94.根据方面92所述的方法，还包括：

从所述指定基础失效率模型获得CD的基础概率密度函数；和

基于所述指定平均CD值来调整所述基础概率密度函数的平均CD以产生经调整的概率密度函数。

95.根据方面94所述的计算机可读介质，还包括：

获得所述特定特征的CD的场间CD变化、场内CD变化、概率密度函数中的至少一个以作为CD轮廓数据；和

将所述经调整的概率密度函数与所述CD轮廓数据做卷积以产生与所述特定特征相关联的经卷积的概率密度函数。

96.根据方面12所述的计算机可读介质，还包括：

基于所述第一CD极限、所述第二CD极限和所述经卷积的概率密度函数来确定所述特定特征的估计失效率；和

产生被配置成识别所述特定于特征的过程窗口的所述特定于特征的失效率模型。

97.根据方面92所述的方法，还包括：

基于与所述指定特征相关的所述过程窗口来调整所述图案化过程的一个或更多个设备，以最小化与所述指定特征相关联的失效率。

98.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行根据方面84至97中所描述的方法。

读者应了解，本申请描述若干发明。这些发明已组合成单个文件，而不是将那些发明分离成多个单独的专利申请，这是因为所述发明的相关主题使其在应用过程中有助于经济发展。但不应合并这些发明的不同的优点和项目。在一些情况下，实施例解决本文中提及的所有不足，但应理解，所述发明是独立地有用，并且一些实施例仅解决这些问题的子集或提供其它未提及的益处，审阅本公开的本领域技术人员将明白所述其它未提及的益处。由于成本约束，目前可能不主张本文中公开的一些发明，并且可以在稍后申请(诸如，继续申请或通过修改本发明的权利要求)中主张所述一些发明。类似地，由于空间限制，本文件的摘要和发明内容的章节都不应被视为包含所有这些发明的全面清单或这些发明的所有项目。

应理解，描述和附图不意图将本公开限制至所公开的特定形式，而正相反，本发明意图涵盖属于如由所附权利要求所限定的本发明的精神和范围内的所有修改、等效物和替代例。

鉴于本说明书，本领域技术人员将明白本发明的各种项目的修改和替代实施例。因此，本说明书和附图应被理解为仅是说明性的且是出于教导本领域技术人员进行本发明的一般方式的目的。应理解，本文中所示出和描述的本发明的形式应被视为实施例的示例。元件和材料可以替代本文中所图示和描述的部件和材料，可以反转或省略部分和过程，可以独立地利用某些特征，并且可以组合实施例或实施例的特征，本领域技术人员在获得本说明书的益处之后将明白这些。在不背离如在以下权利要求中所描述的本发明的精神和范围的情况下，可以对本文中所描述的元件作出改变。本文中所使用的标题仅出于组织性目的且不意味着用于限制本说明书的范围。

如在整个本申请中所使用的，词“可以”是在许可的意义上(即，意味着可能)而不是强制性的意义上(即，意味着必须)来使用。词“包括(include/including/includes)”等等意味着包括但不限于。如在整个本申请中所使用的，单数形式“一/一个/所述(a/an/the)”包括多个参照物，除非内容另有明确地指示。因此，例如，对“一/一个(an或a)”元件的参考包括两个或更多个元件的组合，但会针对一个或更多个元件使用其它术语和词组，诸如“一个或更多个”。除非另有指示，否则术语“或”是非独占式的，即，涵盖“和”与“或”两者。描述条件关系的术语，例如“响应于X，而Y”、“在X后，Y”、“如果X，则Y”、“当X时，Y”等等，涵盖因果关系，其中，前提为必要的因果条件，前提为充分的因果条件，或前提为结果的贡献因果条件，例如“在条件Y获得后，出现状态X”对于“仅在Y后，方出现X”和“在Y和Z后，出现X”是通用的。这些条件关系不限于立即遵循前提而获得的结果，这是因为一些结果可能延迟，并且在条件陈述中，前提连接至其结果，例如前提与出现结果的可能性相关。除非另有指示，否则多个性质或功能被映射至多个物体(例如，执行步骤A、B、C和D的一个或更多个处理器)的陈述涵盖所有这些性质或功能被映射至所有这些物体和所述性质或功能的子集经映射至性质或功能的子集两种情况(例如，所有处理器分别都执行步骤A至D，和处理器1执行步骤A，处理器2执行步骤B和步骤C的一部分，并且处理器3执行步骤C的一部分和步骤D的情况)。另外，除非另有指示，否则一个值或动作“基于”另一条件或值的陈述涵盖条件或值是唯一因素的情况和条件或值是多个因素当中的因素的情况两者。除非另有指示，否则某集合体中的“每个”实例具有某性质的陈述不应理解为排除较大集合的一些另外相同或类似的构件不具有所述性质的情况(即，每个未必意味着每一个)。对从范围选择的提及包括范围的端点。

在以上描述中，流程图中的任何过程、描述或框应理解为表示代码的模块、片段或部分，代码的模块、片段或部分包括用于实施所述过程中的具体逻辑功能或步骤的一个或更多个可执行指令，并且替代实施被包括在本发明的示例性实施例的范围内，其中，功能可以依赖于所涉及的功能性而不按照所示出或论述的次序执行，包括实质上同时或以相反次序执行，如本领域技术人员将理解的。

在某些美国专利、美国专利申请或其它材料(例如，论文)已以引用的方式并入的情况下，这些美国专利、美国专利申请和其它材料的文字仅在这样的材料与本文中所阐述的陈述和附图之间不存在冲突的情况下以引用的方式并入。在存在这样的冲突的情况下，这种以引用的方式并入的美国专利、美国专利申请和其它材料中的任何这样的冲突文字并不具体地以引用的方式并入本文中。

虽然已描述某些实施例，但这些实施例仅作为示例来呈现，并且并不意图限制本公开的范围。实际上，本文中所描述的新颖方法、设备和系统可以多种其它形式体现；此外，在不背离本发明精神的情况下，可以对本公开中所描述的方法、设备和系统的形式进行各种省略、替代和改变。随附权利要求及其等效物意图涵盖如将属于本公开改的范围和精神内的这样的形式或修改。

Claims (15)

1.一种具有指令的非暂时性计算机可读介质，所述指令在由计算机执行时使所述计算机执行用于确定图案化过程的过程窗口的方法，所述方法包括：

获得被印制于衬底上的多个特征的测量数据；以及

基于与一特征组相关联的所述测量数据来产生所述特征组的基础失效率模型，所述特征组中的特征是不同的，其中，所述基础失效率模型被配置成根据所述特征组的失效率识别过程窗口。

2.根据权利要求1所述的计算机可读介质，还包括基于指标将所述多个特征分组为包括所述组的多个组。

3.根据权利要求2所述的计算机可读介质，其中，所述指标包括：(a)所述特征中的每个特征的过程窗口，其中，所述过程窗口是与相应特征相关联的过程变量的函数；和(b)与所述相应特征相关联的特性参数。

4.根据权利要求2所述的计算机可读介质，其中，所述过程变量包括与用于所述图案化过程的设备相关联的焦距值和剂量值，并且其中，所述特性参数包括所述相应特征的临界尺寸(CD)值。

5.根据权利要求2所述的计算机可读介质，其中，将所述特征分组包括：

对于所述特征中的每个特征，获得所述相应特征的平均CD值以及位于所述相应特征的过程窗口的边缘处的与所述平均CD相关联的多个剂量值和焦距值以作为指标值，以及

基于所述特征的所述指标值将所述特征聚类至所述特征组中，其中，特定组内的特征具有位于第一阈值内的指标值。

6.根据权利要求1所述的计算机可读介质，其中，获得所述多个特征的所述测量数据包括：

获得具有被印制于所述衬底上的所述特征的图像，以及

分析所述图像以选择满足指定准则的特征作为所述多个特征。

7.根据权利要求6所述的计算机可读介质，其中，所述指定准则包括特征在所述衬底上的出现次数低于第一阈值，或所述特征在所述图像中的一图像中的出现次数低于第二阈值。

8.根据权利要求1所述的计算机可读介质，其中，产生用于所述特征组的所述基础失效率模型包括：

获得所述特征组的平均CD；

将所述特征组的局部CD均一性(LCDU)数据确定为与所述特征组相关联的所述测量数据；

基于所述LCDU数据来获得：(i)所述特征组的CD的概率密度函数，所述概率密度函数被定义为所述平均CD、所述图案化过程的剂量值、以及所述图案化过程的剂量值的方差的函数；和(ii)所述图案化过程的基于所述特征组中的特征的失效率测量结果的CD极限；

基于所述CD极限和所述CD的所述概率密度函数来确定所述特征组的估计失效率；以及

产生所述基础失效率模型，所述基础失效率模型识别与所述剂量值相关的所述过程窗口，使得所述特征组的估计失效率小于预定阈值。

9.根据权利要求1所述的计算机可读介质，还包括：

使用所述基础失效率模型和所述特定特征的特性数据产生用于特定特征的特定于特征的失效率模型，其中，所述特定于特征的失效率模型识别特定于特征的过程窗口，使得所述特定特征的估计失效率低于指定阈值。

10.根据权利要求9所述的计算机可读介质，其中，产生所述特定于特征的失效率模型包括：

接收与所述特定特征相关联的测量数据，其中，所述测量数据包括所述特定特征的针对多个剂量值和焦距值的CD值；

从所述测量数据确定指定指标值，其中，所述指定指标值被确定为指定平均CD值以及位于与所述特定特征相关联的过程窗口的边缘处的与所述指定平均CD值相关联的多个剂量值和焦距值的函数；以及

从数据库选择指定基础失效率模型，所述指定基础失效率模型的指标值匹配所述指定指标值。

11.根据权利要求9所述的计算机可读介质，还包括：

从所述指定基础失效率模型获得CD的基础概率密度函数；以及

基于所述指定平均CD值来调整所述基础概率密度函数的平均CD以产生经调整的概率密度函数。

12.根据权利要求11所述的计算机可读介质，还包括：

获得所述特定特征的CD的场间CD变化、场内CD变化、概率密度函数中的至少一个以作为CD轮廓数据；以及

将所述经调整的概率密度函数与所述CD轮廓数据做卷积以产生与所述特定特征相关联的经卷积的概率密度函数。

13.根据权利要求12所述的计算机可读介质，还包括：

基于第一CD极限、第二CD极限和所述经卷积的概率密度函数来确定所述特定特征的估计失效率；以及

产生被配置成识别所述特定于特征的过程窗口的所述特定于特征的失效率模型。

14.根据权利要求9所述的计算机可读介质，还包括：

基于与所述指定特征相关的所述过程窗口来调整所述图案化过程的一个或更多个设备，以最小化与所述指定特征相关联的失效率。

15.根据权利要求1所述的计算机可读介质，其中，获得所述测量数据包括：

获得所述特征的第一组过程窗口，其中，所述第一组过程窗口表示所述特征的针对第一组剂量值和焦距值的第一特性参数，其中，所述第一组过程窗口包括所述特征中的第一特征的第一过程窗口；

基于所述第一组过程窗口来获得用于所述特征的多个过程窗口指标；以及

基于所述过程窗口指标中的一个或更多个对所述特征分级，

并且其中，获得用于所述第一特征的所述过程窗口指标包括：

获得所述特征的第二组过程窗口，其中，所述第二组过程窗口包括所述第一特征的第二过程窗口，其中，所述第二组过程窗口作为(i)与所述特征相关联的第二特性参数和(ii)与所述第二特性参数相关联的第二组剂量值和焦距值的函数；

利用所述第一过程窗口和所述第二过程窗口执行叠置操作以产生经叠置的过程窗口，其中，所述经叠置的过程窗口为所述第一过程窗口和所述第二过程窗口在曲线图上的形状的相交区；以及

基于所述经叠置的过程窗口来获得用于所述第一特征的所述过程窗口指标。

Images