CN115797251A - 用于转换量测数据的方法 - Google Patents

用于转换量测数据的方法 Download PDF

Info

Publication number
CN115797251A
CN115797251A CN202211028992.XA CN202211028992A CN115797251A CN 115797251 A CN115797251 A CN 115797251A CN 202211028992 A CN202211028992 A CN 202211028992A CN 115797251 A CN115797251 A CN 115797251A
Authority
CN
China
Prior art keywords
sem
metrology
model
data
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211028992.XA
Other languages
English (en)
Inventor
郭蕴博
王竹
杨丰
赵谦
冯牧
王祯祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Holding NV
Original Assignee
ASML Holding NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ASML Holding NV filed Critical ASML Holding NV
Publication of CN115797251A publication Critical patent/CN115797251A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/706835—Metrology information management or control
    • G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
    • G03F7/706841—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/04—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring contours or curvatures
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/70641—Focus
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70616—Monitoring the printed patterns
    • G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70605—Workpiece metrology
    • G03F7/70653—Metrology techniques
    • G03F7/70655—Non-optical, e.g. atomic force microscope [AFM] or critical dimension scanning electron microscope [CD-SEM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/02—Details
    • H01J37/22—Optical or photographic arrangements associated with the tube
    • H01J37/222—Image processing arrangements associated with the tube
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B2210/00—Aspects not specifically covered by any group under G01B, e.g. of wheel alignment, caliper-like sensors
    • G01B2210/56—Measuring geometric parameters of semiconductor structures, e.g. profile, critical dimensions or trench depth
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/28—Scanning microscopes
    • H01J2237/2813—Scanning microscopes characterised by the application
    • H01J2237/2817—Pattern inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/26—Electron or ion microscopes
    • H01J2237/282—Determination of microscope properties
    • H01J2237/2826—Calibration

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
  • Holo Graphy (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本文描述了一种量测系统和用于经由经训练的机器学习(ML)模型转换量测数据的方法。所述方法包括：访问由第一扫描电子量测(SEM)系统获取的第一SEM数据集(例如图像、轮廓灯)和由第二SEM系统获取的第二SEM数据集，其中所述第一SEM数据集和所述第二SEM数据集与图案化衬底相关联。使用所述第一SEM数据集和所述第二SEM数据集作为训练数据，机器学习(ML)模型被训练，使得所述经训练的ML模型被配置为将由所述第二SEM系统获取的量测数据集转换为转换数据集，所述转换数据集具有与由所述第一SEM系统获取的量测数据相当的特性。此外，测量值可以基于所述经转换的SEM数据来确定。

Description

用于转换量测数据的方法
技术领域
本文的描述大体上涉及处理由量测系统获取的量测数据，更具体地涉及使用机器学习模型处理量测数据。
背景技术
光刻投影设备可以例如在集成电路(IC)的制造中使用。在这种情况下，图案形成装置(例如掩模)可以包含或提供与IC的单个层相对应的图案(“设计布局”)，并且通过诸如通过图案形成装置上的图案照射目标部分等方法，该图案可以被转移到衬底(例如硅晶片)上的目标部分(例如包括一个或多个管芯)上，该目标部分已经被涂有辐射敏感材料(“抗蚀剂”)层。通常，单个衬底包含多个相邻的目标部分，图案由光刻投影设备连续地转移至该目标部分，一次一个目标部分。在一种类型的光刻投影设备中，整个图案形成装置上的图案被一次转移到一个目标部分上；这种设备一般被称为步进器。在一般称为步进扫描设备的替代设备中，投影束沿着给定参考方向(“扫描”方向)在图案形成装置上进行扫描，同时平行于或反平行于该参考方向移动衬底。图案形成装置上的图案的不同部分被逐渐转移到一个目标部分。通常，由于光刻投影设备将具有缩小率M(例如4)，所以衬底被移动的速度F将是投影束扫描图案形成装置的1/M倍。关于本文描述的光刻装置的更多信息可以例如从US 6,046,792中收集，其通过引用并入本文。
在将图案从图案形成装置转移到衬底之前，衬底可能会经历各种程序，诸如涂覆、抗蚀剂涂层和软烘烤。在曝光后，衬底可以进行其他程序(“曝光后程序”)，诸如曝光后烘烤(PEB)、显影、硬烘烤以及转移图案的测量/检查。该程序阵列被用作制造装置(例如IC)的单个层的基础。然后，衬底可以经历各种过程，诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等，所有这些过程都旨在完成装置的单个层。如果装置中需要多层，那么整个程序或其变型针对每层重复。最终，装置将存在于衬底上的每个目标部分中。然后，这些装置通过诸如切割或锯切等技术彼此分离，从而单个装置可以被安装在载体上，连接至引脚等。
因此，诸如半导体器件等制造装置通常涉及使用许多制造过程来处理衬底(例如半导体晶片)，以形成装置的各种特征和多层。这种层和特征通常使用例如沉积、光刻、蚀刻、化学机械抛光和离子注入来制造和处理。多个装置可以被制作在衬底上的多个管芯上，然后被分离为单独的装置。该装置制造过程可以被认为是图案化过程。图案化过程涉及图案化步骤，诸如使用光刻设备中的图案形成装置进行光学和/或纳米印刷光刻，以将图案形成装置上的图案转移到衬底，并且通常但可选地涉及一个或多个相关的图案处理步骤，诸如由显影设备进行抗蚀剂显影，使用烘烤工具进行衬底的烘烤，使用蚀刻设备使用图案进行蚀刻等。
发明内容
在半导体制造中，以类似的测量原理或从图案化衬底生成信号的类似机制进行操作的多个量测工具可以被采用。例如，基于电子束与图案化衬底的交互确定测量值的多个扫描电子显微镜(SEM)可以在半导体制造期间使用。多个量测系统可以被用于提高量测吞吐量、测量准确性、成本效率或用于其他原因。例如，测量值可以被用于改进图案化过程。虽然操作类似，但一个量测系统可能在各个方面中与另一量测系统不同，诸如机械子系统、电气子系统、电子装置、信号检测、图像获取算法、图像处理算法、轮廓提取算法或其他结构和软件。因此，使用多个量测系统可能会导致同一衬底上的相同图案的测量结果不一致。本公开提供了使用经训练的机器学习模型转换从特定量测工具获得的量测数据(例如SEM图像或轮廓)的机制。该经转换的量测数据与另一量测工具(例如参考量测系统)匹配或相当，从而允许不同量测工具之间的测量一致性。例如，经转换的信号和/或CD与图案化衬底的特征相关联，它与由另一量测工具获取的信号和/或CD匹配。换言之，经转换的量测数据或从经转换的量测数据导出的测量值与使用另一量测工具获取量测数据或测量值相当。
量测系统可以是例如多个扫描电子显微镜(SEM)。在一个实施例中，本文的机制包括训练机器学习(ML)模型，以将由一个SEM系统获取的SEM图像转换为如同由另一SEM系统获取的图像。因此，对经转换的图像执行的图案化特征的物理特性测量值将类似于对由其他SEM系统获取的图像执行测量。在一个实施例中，来自不同工具的测量数据之间的差异(例如CD不匹配和/或SEM图像不匹配)可以被并入到训练ML模型的成本函数中。在示例中，包括SEM信号的测量数据可以被用于指导图像转换。此外，该机制涉及使用训练数据获得测量设置(例如CD测量设置)，并且将它应用于经转换的图像，以获得与图案化衬底相关联的测量值(例如CD)。这些测量值就如同由另一SEM系统(例如参考SEM系统)获取的。
在一个实施例中，提供了一种用于训练机器学习模型并且使用经训练的机器学习模型来转换量测数据的方法。该方法包括：访问由第一扫描电子量测(SEM)系统获取的第一SEM数据集和由第二SEM系统获取的第二SEM数据集，其中第一SEM数据集和第二SEM数据集与图案化衬底相关联。使用第一SEM数据集和第二SEM数据集作为训练数据，机器学习(ML)模型被训练，使得经训练的ML模型被配置为将由第二SEM系统获取的量测数据集转换为转换数据集，该转换数据集具有与由第一SEM系统获取的量测数据相当的特性。
在一个实施例中，第一SEM数据集和第二SEM数据集可以是图案化衬底的图像集、图案化衬底上的特征的轮廓、与图案化衬底上的图案相关联的物理特性或其组合。在一个实施例中，物理特性包括图案化衬底上的图案的临界尺寸(CD)。
在一个实施例中，训练ML模型涉及：将第一SEM数据集和第二SEM数据集进行比较；以及基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
在一个实施例中，训练ML模型涉及信号到信号匹配或者CD到CD匹配。例如，训练ML模型涉及：将第一SEM数据集的第一CD值和第二SEM数据集的第二CD值进行比较；以及基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数，以改进第一SEM数据集和第二SEM数据集之间的CD匹配，成本函数是第一CD值和第二CD值的函数。
在一个实施例中，该方法还可以涉及：基于第一SEM数据集和来自第一SEM系统的衬底的物理特性测量值，接收量测系统的量测测量选配方案；以及将量测测量选配方案应用于经转换的量测数据，以确定另一物理特性测量值。在一个实施例中，量测测量选配方案包括CD阈值，该CD阈值指示捕获的量测数据上的CD测量值被获取的位置。
在一个实施例中，确定量测测量选配方案涉及：经由第一轮廓提取算法，从第一SEM数据集的图像提取轮廓；在轮廓上的位置处绘制切割线以测量CD；以及基于沿着切割线的信号，确定与测量的CD相对应的CD阈值。
在一个实施例中，提供了一种量测系统。量测系统包括过程或计算机系统，该计算机系统包括一个或多个处理器，该处理器在其上存储有经训练的机器学习(ML)模型并且用计算机程序指令编程，该计算机程序指令在执行时使计算机系统：捕获图案化衬底的量测数据；以及经由经训练的ML模型将捕获的量测数据转换为经转换的量测数据，该经转换的量测数据具有如同由另一量测系统捕获的特性。
根据实施例，提供了一种计算机系统，该计算机系统包括在其上记录有指令的非瞬态计算机可读介质。在由计算机执行时，这些指令实施以上方法步骤。
附图说明
在结合附图审查具体实施例的以下描述时，以上方面以及其他方面和特征对于本领域的普通技术人员将变得显而易见，其中：
图1示出了根据实施例的光刻系统的各种子系统的框图；
图2是根据实施例的用于将由特定量测系统获取的图像转换为如同由另一量测系统获取的图像的方法的示例性流程图；
图3图示了根据实施例的由第一量测系统和第二量测系统获取的示例性测量数据；
图4图示了根据实施例的在图3中获取的图像的一部分内的信号；
图5图示了根据实施例的使用生成器对抗网络(GAN)的ML模型的示例性训练；
图6A图示了根据实施例的将由第二量测系统获取的第二图像输入到图2的训练模型以生成转换图像；
图6B图示了根据实施例的由第一量测系统获取的示例性第一图像，示例性图像被放置以与图6A的转换图像相邻以进行比较；
图7图示了根据实施例的图6A和6B的第一图像、第二图像和转换图像的一部分内的信号，第一图像和转换图像的信号彼此重叠，指示转换图像具有与第一图像类似的特性；
图8是根据实施例的机器学习(ML)模型的示例性训练的框图以及应用经训练的ML模型以确定测量值，该机器学习(ML)模型被配置为将由第二量测系统获取的图像转换为如同由第一量测系统获取的图像；
图9示意性地描绘了根据实施例的扫描电子显微镜(SEM)的实施例；
图10示意性地描绘了根据实施例的电子束检查设备的实施例；以及
图11是根据实施例的示例计算机系统的框图。
具体实施方式
在详细描述实施例之前，呈现实施例可以被实施的示例环境是有益的。
尽管在本文中可以具体引用IC的制造，但应该明确理解的是，本文的描述还有许多其他可能的应用。例如，它可以被用于制造集成光学系统、用于磁畴存储器、液晶显示面板、薄膜磁头等的指导和检测图案。本领域技术人员将了解，在这种替代应用的上下文中，术语“掩模版”、“晶片”或“管芯”在本文中的任何使用应该被认为分别与更通用的术语“掩模”、“衬底”和“目标部分”可互换。
在本文档中，术语“辐射”和“束”可以被用于涵盖所有类型的电磁辐射，包括紫外辐射(例如波长为365、248、193、157或126nm)和EUV(极紫外辐射，例如波长在约5至100nm的范围内)。
图案形成装置可以包括或可以形成一个或多个设计布局。设计布局可以使用CAD(计算机辅助设计)程序来生成，该过程通常被称为EDA(电子设计自动化)。大多数CAD程序都遵循预定的设计规则集合，以创建功能设计布局/图案形成装置。这些规则是由处理和设计限制设置的。例如，设计规则定义了装置(诸如门、电容器等)或互连线之间的空间公差，以确保装置或线不会以不期望的方式彼此交互。一个或多个设计规则限制可以被称为“临界尺寸”(CD)。装置的临界尺寸可以被定义为线或孔的最小宽度或者两个线或两个孔之间的最小空间。因此，CD确定了所设计装置的总尺寸和密度。当然，装置制作中的目标中的一个目标是如实地(经由图案形成装置)在衬底上再现原始设计意图。
作为示例，图案布局设计可以包括分辨率增强技术的应用，诸如光学邻近校正(OPC)。OPC解决了以下事实：投影到衬底上的设计布局的图像的最终尺寸和放置将与图案形成装置上的设计布局的尺寸和放置不相同，或仅取决于设计布局的尺寸和放置。要注意的是，术语“掩模”、“掩模版”、“图案形成装置”在本文中可互换使用。而且，本领域技术人员将认识到，术语“掩模”、“图案形成装置”和“设计布局”可以被互换使用，因为在RET的上下文中，物理图案形成装置不一定要被使用，但是设计布局可以被用于表示物理图案形成装置。针对某个设计布局上存在的小特征尺寸和高特征密度，给定特征的特定边缘的位置将在一定程度上受到其他相邻特征的存在或不存在的影响。这些邻近效应是由从一个特征耦合至另一特征的微量辐射或非几何光学效应(诸如衍射和干涉)引起的。类似地，邻近效应可能是由曝光后烘烤(PEB)、抗蚀剂显影以及通常在光刻之后进行的蚀刻期间的扩散和其他化学效应引起的。
为了增加设计布局的投影图像符合给定目标电路设计要求的机会，邻近效应可以使用例如复杂的数值模型、设计布局的校正或预失真来预测和补偿。C.Spence在2005年的SPIE论文集的第5751卷第1至14页发表的文章“Full-Chip Lithography Simulation andDesign Analysis-How OPC Is Changing IC Design(全芯片光刻模拟和设计分析-OPC如何改变IC设计)提供了当前的“基于模型”的光学邻近校正过程的概述。在典型的高端设计中，几乎设计布局的每个特征都有一些修改，以实现投影图像对目标设计的高保真度。这些修改可以包括边缘位置或线宽的偏移或偏置以及旨在辅助其他特征投影的“辅助”特征的应用。
辅助特征可以被视为图案形成装置上的特征与设计布局中的特征之间的差异。术语“主要特征”和“辅助特征”并不意味着图案形成装置上的特定特征必须被标注为一个或另一个。
本文中采用的术语“掩模”或“图案形成装置”可以被广义地解释为是指通用图案形成装置，它可以被用于向传入的辐射束赋予图案化的横截面，对应于要在衬底的目标部分中创建的图案；在该上下文中，术语“光阀”也可以被使用。除了经典的掩模(透射或反射掩模；二进制、相移、混合掩模等)以外，其他这种图案形成装置的示例包括：
-可编程反射镜阵列。这种装置的示例是具有粘弹性控制层和反射表面的矩阵可寻址表面。这种设备背后的基础原理是(例如)反射表面的寻址区域将入射辐射反射为衍射辐射，而未寻址区域将入射辐射反射为未衍射辐射。使用适当的滤波器，所述未衍射辐射可以从反射束中滤出，仅留下衍射辐射；通过这种方式，束根据矩阵可寻址表面的寻址图案而被图案化。所需的矩阵寻址可以使用合适的电子部件来执行。
-可编程LCD阵列。这种构造的示例是在美国专利号5,229,872中给出的，其通过引用并入本文。
作为简要介绍，图1图示了示例性光刻投影设备10A。主要部件是辐射源12A，它可以是深紫外准分子激光源或者其他类型的源，包括：极紫外(EUV)源(如上面讨论的，光刻投影设备本身不需要具有辐射源)；照射光学器件，它例如限定部分相干性(表示为σ)，并且可以包括对来自源12A的辐射进行整形的光学器件14A、16Aa和16Ab；图案形成装置18A；以及将图案形成装置图案的图像投影到衬底平面22A上的透射光学器件16Ac。投影光学器件的光瞳平面处的可调整滤光片或孔径20A可能会限制撞击在衬底平面22A上的束角度范围，其中最大可能角度定义了投影光学器件的数值孔径NA＝n sin(Θmax)，其中n是衬底与投影光学器件的最后一个元件之间的介质的折射率，并且Θmax是从投影光学器件离开的束的最大角度，该束仍然可以撞击在衬底平面22A上。
在光刻投影设备中，源向图案形成装置提供照射(即，辐射)，并且投影光学器件经由图案形成装置将照射导向和整形到衬底上。投影光学器件可以包括部件14A、16Aa、16Ab和16Ac中的至少一些。空间图像(AI)是衬底级别的辐射强度分布。衬底上的抗蚀剂层被曝光，并且空间图像作为其中的潜在“抗蚀剂图像”(RI)被转移到抗蚀剂层。抗蚀剂图像(RI)可以被定义为抗蚀剂在抗蚀剂层中的溶解度的空间分布。抗蚀剂模型可以被用于从空间图像计算抗蚀剂图像，其示例可以在美国专利申请公开号US 2009-0157360中找到，其公开内容通过引用全部并入本文。抗蚀剂模型与抗蚀剂层的特性相关(例如在曝光、PEB和显影期间发生的化学过程的影响)。光刻投影设备的光学特性(例如源、图案形成装置和投影光学器件的特性)指定了空间图像。由于在光刻投影设备中使用的图案形成装置可以被改变，因此可能期望将图案形成装置的光学特性与至少包括源和投影光学器件的光刻投影设备的其余部分的光学特性分开。
尽管在本文中可以具体引用光刻设备在IC的制造中的使用，但是应该理解，本文描述的光刻设备可以具有其他应用，诸如集成光学系统的制造、磁畴存储器、液晶显示器(LCD)、薄膜磁头等的指导和检测图案。技术人员将了解到，在这种替代应用的上下文中，本文中的术语“晶片”或“管芯”的任何使用都可以被认为是分别与更通用的术语“衬底”或“目标部分”同义。本文引用的衬底可以是在曝光之前或之后处理的，例如在轨道(典型地将抗蚀剂层施加到衬底并且对已曝光的抗蚀剂进行显影的工具)或者量测或检查工具中。在适用情况下，本文的本公开可以被应用于这种和其他衬底处理工具。进一步地，衬底可以被处理一次以上，例如以创建多层IC，使得本文使用的术语衬底也可以指已经包含多个已处理层的衬底。
本文使用的术语“辐射”和“束”涵盖所有类型的电磁辐射，包括紫外(UV)辐射(例如波长为365、248、193、157或126nm)和极紫外(EUV)辐射(例如波长在5至20nm的范围内)以及粒子束，诸如离子束或电子束。
在半导体制造中，以类似原理操作的多个量测系统可以被用于测量图案化衬底的一个或多个物理特性(例如CD、EPE、重叠等)。尽管操作原理可能类似，但多个量测系统在各个方面中彼此不同，诸如机械子系统、电气子系统、电子装置、图像处理算法、轮廓提取算法或者可能导致测量值变化的其他结构和软件部件。然而，期望在相同图案化衬底或使用不同工具执行的不同图案化衬底上的图案的这些测量值应该匹配。为了获得不同量测系统之间的一致测量值，可能需要与由参考(或参考)量测系统获取的数据匹配的量测数据。例如，使用第一工具(例如参考量测系统)获得的图案化衬底的量测数据应该与使用第二工具获得的相同图案化衬底的量测数据匹配。通过这种方式，由工具到工具的差异造成的变化从测量结果变化中显著减少或消除，并且测量结果变化有利且准确地指示衬底变化。在一个实施例中，参考量测系统可以是相同的供应商，或者是不同于第二量测系统的供应商。例如，工具可能包括由不同制造商或相同制造商供应的不同过程模型或设计。在一些情况下，工具可能包括相同的过程模型，但行为仍然不同，即，具有工具到工具的变化。
在现有方法中，在获取量测数据(例如SEM图像或图案化特征的轮廓)之后，量测系统设置(例如第二量测工具的可调谐参数)可以被确定为从量测数据提取测量值(例如CD)。例如，量测系统设置可以被确定为获得与使用参考量测系统获得的CD的最佳CD匹配结果。在许多情况下，即使多个或所有可用参数被调谐，与规范匹配的测量值(例如CD)也可能无法被满足。在一个实施例中，量测设置可以包括可调谐参数，诸如剂量、视野(FOV)或第二量测工具的其他参数。在一个实施例中，诸如剂量、FOV等可调谐参数可以不被修改，以获得来自第一工具和第二工具的测量值之间的CD到CD匹配。例如，与第一量测工具相比，第二量测工具可以使用更高的剂量，具有更快的图像获取速度或更大的FOV。这些可调谐参数有利于更快的量测测量。而且，改变这种参数可能会具有不同的充电效果，从而导致测量值的附加差异。因此，在一个实施例中，诸如速度和FOV等有利可调谐参数可以不被修改，而诸如在通过SEM图像进行CD测量期间应用的CD阈值等其他参数可以被修改。因此，在维持第二量测系统的有利设置的同时，来自第一量测工具的测量结果的匹配可以被实现。
本公开提供了使用机器学习模型转换从第二量测工具获得的量测数据(例如SEM图像或轮廓)的机制。经转换的量测数据与另一量测工具(例如参考量测系统)匹配，或与从另一量测工具获取量测数据相当。例如，本文中的机制包括训练机器学习(ML)模型，以将由一个SEM系统获取的图像转换为将由另一SEM系统获取的图像。在一个实施例中，ML模型可以将由SEM系统确定的信号、CD值或其他特性转换为将由另一SEM系统获取的。因此，对经转换的图像执行的图案化特征的物理特性的任何测量值将与对由其他SEM系统获取的图像执行测量相当(例如与其匹配)。在一个实施例中，来自不同工具的量测数据之间的差异(例如CD不匹配和/或SEM图像不匹配)可以被并入到训练ML模型的成本函数中。作为示例，包括SEM图像信号(例如强度值)的量测数据可以被用于指导转换。
此外，该机制涉及使用参考量测数据(例如来自参考量测系统)获得测量设置(例如量测系统设置，诸如用于获得CD测量值的CD阈值)。这些设置可以被应用于经转换的图像，以获得与图案化衬底相关联的测量值(例如CD)，使得测量值如同由例如参考量测系统获取的一样。在一个实施例中，量测系统可以是不同的SEM系统，例如参考SEM系统和另一不同的SEM系统。示例量测系统相对于图9和10图示和讨论。在一个实施例中，本文的机制可以与由这种量测系统捕获的图像(例如SEM图像)一起使用。
本公开的机制具有若干优点。例如，与类似图案相关联的一致测量值可以使用不同的量测工具获得。即使量测工具使用不同的算法来获取测量值、从图像中提取轮廓、图像增强以标识特征或轮廓、图像或轮廓分割、与参考进行图像或轮廓对准、导出测量值等，在应用本文的机制后获得的最终测量值将提供与来自参考量测系统的测量值的紧密匹配。在一个实施例中，第一量测数据和第二量测数据之间的匹配可以通过第一量测数据和第二量测数据之间的差异、与量测数据相关联的统计、量测数据内的检测强度值或其他匹配参数来表征。作为示例，紧密匹配是指相对于差异阈值、参考统计、参考强度值或用于表征匹配参考数据的其他方式的匹配。
本文的机制还可以使得能够采用不同的量测系统来更快地生产半导体芯片，而不会导致图案化衬底的测量值显著变化。因此，基于来自参考量测系统的测量值对图案化过程进行的调整可以保持基本相同，从而维持图案化过程的类似生产设置以获得期望的吞吐量。
图2是根据实施例的用于将由特定量测系统获取的量测数据转换为具有如同由另一量测系统获取的特性的量测数据的方法300的示例性流程图。在一个实施例中，方法300涉及训练ML模型以转换量测数据。ML模型可以是卷积神经网络(CNN)、深度卷积神经网络(DNN)、生成对抗网络(GAN)或其他类型的神经网络。训练可以基于相同图案化衬底的量测数据集但由不同量测系统获取。ML模型学习来自不同系统的量测数据的差异，这些差异可能是由于未知算法、不同的测量选配方案、不同的量测工具配置或工作原理等导致的。在训练时，经训练的ML模型可以预测使用不同系统(例如参考量测系统)测量的量测数据。因此，当不同的量测系统被使用时，经训练的ML模型可以有利地被用于提高图案化衬底测量值的一致性。方法300的示例性实施方式涉及用于训练ML模型的过程P301和P303。此外，过程P305、P307、P309和P311可以被包括在内，以应用经训练的ML模型来转换量测数据并且预测图案化衬底的测量值。这些过程在下面更详细地讨论。
过程P301涉及从不同的量测工具获取用于相同图案化衬底(例如图案化训练衬底)的训练数据。在一个实施例中，过程P301涉及访问由第一量测系统TS1获取的第一量测数据集MD1和由第二量测系统TS2获取的第二量测数据集MD2。例如，访问由第一扫描电子量测(SEM)系统获取的第一SEM数据集和由第二SEM系统获取的第二SEM数据集。第一量测数据集MD1(例如第一SEM数据集)和第二量测数据集MD2(例如第二SEM数据集)与相同的图案化衬底相关联。在一个实施例中，用于训练ML模型的量测数据集可以被称为训练数据，并且图案化衬底可以被称为训练衬底。
在一个实施例中，第一量测数据集MD1和第二量测数据集MD2可以包括分别从第一量测系统TS1(例如参考量测系统，诸如SEM)和第二量测系统TS2(诸如另一SEM)获取的图案化衬底(或训练衬底)的图像集(例如SEM图像)。因此，第一量测数据集MD1可以被称为第一SEM图像集，并且第二量测数据集MD2可以被称为第二SEM图像集。在一个实施例中，第一量测数据集MD1和第二量测数据集MD2可以包括图案化衬底上的特征的轮廓。在一个实施例中，轮廓可以从图案化衬底的图像(例如SEM图像)中提取。在一个实施例中，由第一量测系统TS1提取的第一轮廓可以采用第一提取算法(例如具有固定或不可调谐参数的未知算法)，并且由第二量测系统TS2提取的第二轮廓可以采用与第一算法不同的第二提取算法(例如具有可调谐参数的已知算法)。在一个实施例中，第一量测数据集MD1和第二量测数据集MD2可以包括与图案化衬底上的图案相关联的物理特性(例如CD、重叠等)。
在一个实施例中，第一量测系统可以输出CD测量值，而用于确定CD测量值的实施细节(例如算法、图像处理等)可能是未知的。本公开提供了调整第二量测系统的一个或多个参数以匹配来自第一量测系统的CD测量值的机制(例如通过经训练的ML模型生成转换图像)。例如，如果使用第二量测系统捕获的SEM图像与第一量测系统不同，则简单地调谐第二量测系统的参数可能无法实现令人满意的CD到CD匹配结果。然而，使用本文的经训练的ML模型转换第二量测系统的捕获图像，并且基于这种转换图像调谐参数(例如CD阈值)可以有利地实现期望的CD到CD匹配或者其他测量匹配结果。
图3图示了根据实施例的由第一量测系统TS1和第二量测系统TS2获取的图案化衬底W的示例性量测数据。在本示例中，第一量测系统TS1可以是参考量测系统，例如第一SEM。第一量测系统TS1可以捕获图案化衬底W或图案化衬底W的一部分的第一图像IMG1(例如SEM图像)。作为示例，SEM图像IMG1包括与在衬底W上图案化的特征(例如F，未在衬底W上标记)相对应的特征F1(由图像IMG1中的浅色椭圆形部分表示)。在一个实施例中，切割线CL1可以跨特征F1绘制以沿着切割线CL1测量像素的强度值。这些强度值被表示为第一信号S1(参见图5)。
类似地，第二量测系统TS2可以是与第一SEM不同的另一量测系统，例如第二SEM。第二量测系统TS2可以捕获图案化衬底W或图案化衬底W的一部分的第二图像IMG2(例如另一SEM图像)。例如，SEM图像IMG2包括与在衬底W上图案化的相同特征(例如F，未在衬底W上标记)相对应的特征F1'(由图像IMG2中的浅色椭圆形部分表示)。在一个实施例中，切割线CL1可以在特征F1'上绘制以沿着切割线CL1测量像素的强度值。这些强度值被表示为第二信号S2(参见图5)。
在图5中，比较在衬底W上图案化的相同特征的第一信号S1和第二信号S2指示第一量测系统TS1和第二量测系统TS2可以针对相同特征产生不同的测量值。例如，当CD基于第一信号S1沿着切割线CL1被测量时，测量的CD将不同于基于第二信号S2测量的CD。作为示例，CD可以基于定义为信号中的相邻峰值之间的距离的函数的CD阈值来测量。在一些实施例中，系统可以具有由相同或不同制造商供应的不同设计配置(例如不同产品型号)。同一特征的信号的差异可能与工具的结构差异(诸如以机械、电气和电子配置等设计的系统差异)、由系统TS1和TS2采用的算法差异(诸如信号获取机制、信号处理算法、图像增强机制等)、每个系统TS1和TS2在测量期间采用的选配方案差异(诸如轮廓提取算法、切割线放置算法等)或者系统TS1和TS2之间的其他已知或未知差异相关联。在一些实施例中，系统可以具有相同的设计配置(例如相同的产品型号)，并且测量差异可以归因于由制造、组装和/或系统漂移等的变化引起的非预期的系统变化。
返回参照图3，与图像IMG1中的特征F1相对应的轮廓C1可以被提取。在一个实施例中，轮廓C1可以使用在第一量测系统TS1中实施的第一算法来提取。在一个实施例中，第一轮廓提取算法的实施细节可能是未知的或固定的，因为在提取轮廓C1时算法内的这种参数可能是不可调整的。在一个实施例中，量测系统配置可以是固定的，因为它被视为参考，并且可能不需要具体差异或差异原因的知识。在一个实施例中，这种轮廓C1可以被用作第一量测数据。类似地，与图像IMG2中的特征F1'相对应的另一轮廓C2可以被提取。在一个实施例中，轮廓C2可以使用在第二量测系统TS2中实施的第二算法来提取。在一个实施例中，提取算法的实施细节可以是已知的，并且第二算法的一个或多个参数(例如表征特征边缘的强度阈值、诸如高斯σ等提取模型参数等)可以在调整轮廓期间可调整。
在一个实施例中，基于提取的轮廓C1，特征F1的诸如CD等特性值可以被确定。在一个实施例中，CD可以基于沿着特征F1的长度的两端之间的距离的平均来确定。类似地，基于提取的轮廓C2，特征F1'的诸如CD等物理特性的值可以被确定。在一个实施例中，相同的算法可以被用于确定特征F1和F1'的CD值。本公开不被限于特定的测量方法。例如，CD可以在量测系统的线性模式或阈值模式下测量。在另一示例中，特征的几个邻近位置的最大值、最小值或平均值可以被用于确定CD值。在再一示例中，轮廓C1和C2的形状拟合可以被执行。在再一示例中，诸如强度阈值、信号平滑窗口尺寸、寻找特征的边缘位置的起点或其他可调谐参数等参数可以针对期望的CD到CD匹配结果执行。
本公开不被限于使用特定技术提取测量值。基于轮廓提取和调整算法确定的CD测量值仅是示例性的，并且不限制本公开的范围。在一个实施例中，量测系统可以采用图像处理算法和/或CD测量算法来确定特征的CD，而无需从图像中提取在衬底上图案化的特征的轮廓。
然而，由于分别导出轮廓C1和C2的图像IMG1和IMG2的固有差异，在衬底W上图案化的相同特征的测量CD将不同。
在本公开中，经训练的ML模型被配置为转换第二量测数据(例如第二信号S2)，使得它与第一量测数据(例如第一信号S1)紧密匹配。因此，使用经转换的量测数据(例如第二信号S2的转换版本)进行的任何测量可以具有类似的测量值。
返回参照图2，过程P303涉及基于第一量测数据集MD1和第二量测数据集MD2训练ML模型。在完成训练过程之后，经训练的ML模型TML被配置为将由第二量测系统获取的量测数据集转换为转换数据集，该转换数据集具有如同由第一量测系统TS1(例如参考量测系统)获取的特性。
在一个实施例中，训练ML模型涉及比较图案化训练衬底的第一量测数据集MD1和第二量测数据集MD2。基于比较，ML模型的参数可以被调整，以影响用于训练ML模型的成本函数。例如，成本函数可以是第一量测数据集MD1和第二量测数据集MD2之间的差异的函数。随着ML模型参数(例如权重)被调整，成本函数值(例如差值)被逐渐减小。在一个实施例中，成本函数被最小化。在一个实施例中，当给定的迭代次数被达到时，当成本函数值在期望阈值内时，当成本函数值在后续迭代中未显著减小时或者其他停止标准时，调整ML模型参数被停止。
在一个实施例中，训练ML模型被执行，以获得第一SEM数据集和第二SEM数据集之间的CD到CD或信号到信号匹配。例如，训练ML模型涉及：将第一SEM数据集的第一CD值和第二SEM数据集的第二CD值进行比较；以及基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数，以改进第一SEM数据集和第二SEM数据集之间的CD匹配，成本函数是第一CD值和第二CD值的函数。
在一个实施例中，训练ML模型涉及使用包括与相同设计布局对准的量测数据的训练数据集。例如，第一量测数据集MD1的第一图像集(例如第一SEM图像)可以与设计布局图像对准。作为另一示例，第一轮廓可以与设计布局的设计轮廓对准。类似地，第二量测数据集MD2的第二图像集(例如另一SEM图像)可以与设计布局图像对准，或者第二轮廓可以与设计布局的设计轮廓对准。在一个实施例中，对准的第一图像集(或对准的第一轮廓)和对准的第二图像集(或对准的第二轮廓)可以被用作训练数据来训练ML模型。
作为示例，训练ML模型涉及：将来自第一图像集和第二图像集的强度值进行比较；以及基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。在一个实施例中，第一图像集的每个像素的强度值可以与第二图像集的对应像素的强度值进行比较。
在一个实施例中，训练ML模型是迭代过程。每次迭代涉及(i)应用调整的参数使用ML模型将第二量测数据集MD2转换为经转换的量测数据集MD2'；(ii)比较来自第一量测数据集MD1和经转换的量测数据集MD2'的强度值；(iii)基于比较进一步调整ML模型的参数以影响成本函数(例如在期望阈值内，或被最小化)；(iv)确定成本函数是否在期望阈值内(或被最小化)；以及(v)响应于成本函数不在期望阈值内(或被最小化)，重复步骤(i)至(iv)。
在一个实施例中，成本函数可以包括量测数据集MD1和MD2之间的差异。例如，成本函数可以包括来自第一量测数据集MD1的第一强度值与来自第二量测数据集MD2或经转换的数据集MD2'的对应第二强度值之间的差异。在一个实施例中，强度值可以通过第一量测数据集MD1和第二量测数据集MD2沿着特征上绘制的切割线来确定。在一个实施例中，确定强度值包括通过第一量测数据集MD1和第二量测数据集MD2沿着切割线确定像素强度值。
在一个实施例中，确定强度值涉及：对第一量测数据集MD1应用与第一量测系统TS1相关联的第一轮廓提取算法；以及对第二量测数据集MD2应用与第二量测系统TS2相关联的第二轮廓提取算法。
在一个实施例中，训练ML模型的过程P303采用生成对抗网络。在该示例中，训练过程涉及结合鉴别器模型训练生成器模型。生成器模型可以使用第二量测数据集MD2作为输入来训练，以生成与第一量测数据集MD1类似的数据；以及训练鉴别器模型，以将生成的数据与第一量测数据集MD1区分开来。生成器模型和鉴别器模型可以彼此协作训练，使得生成器模型生成现实数据(例如与参考数据匹配)，而鉴别器模型将这种生成器模型数据分类为可能不现实的。
GAN的示例性训练过程是迭代过程。每次训练迭代可以包括步骤(i)用于从训练数据(例如MD2和MD1)中随机选择训练样本(例如图4中的几个对准图像IMG1和IMG2)，以及步骤(ii)用于训练生成器模型以将选择的输入数据从MD2转换为经转换的数据MD2'，并且使用经转换的数据MD2'和参考数据MD1训练鉴别器模型。用于训练鉴别器模型的成本函数可以被配置为调整鉴别器模型的权重，使得鉴别器模型将经转换的数据MD2'分类为假的(或虚假的)，并且将参考数据MD1分类为真的(或真实的)。例如，鉴别器相关的成本函数可以最大化指派给真实和虚假图像的概率。生成器模型的成本函数可以包括两个部分，例如被配置为最小化生成器输出被鉴别器分类为假的概率。第一部分可以包括配置的项，其引起鉴别器模型将转换后的数据MD2'标记为真的(或真实的)。第二部分可以包括诸如图像MD2'和MD1之间的每个像素的强度差等项。第二部分可以被减小(例如最小化)以使生成器模型生成现实的转换数据MD2'。以上训练过程(例如步骤(i)和(ii))被重复，直到期望的结果被获得为止。
图5图示了根据实施例的使用生成对抗网络(GAN)的ML模型的示例性训练。作为示例，ML模型包括生成器模型GM和鉴别器模型DM。生成器模型GM可以被配置为接收量测数据作为输入，并且生成与参考数据类似的数据。例如，生成器模型GM被配置为接收由第二量测系统(例如图3中的TS2)获取的量测数据(例如SEM图像IMG2或轮廓)，并且生成量测数据(例如PIMG2或轮廓)。在一个实施例中，生成的量测数据具有特性(例如强度、特征的形状、特征的尺寸等)，就如同生成的量测数据是由第一量测系统(例如图3中的TS1)获取的一样。鉴别器模型DM被配置为接收由生成器模型GM输出的生成数据，并且确定生成器数据是否与参考数据类似。例如，鉴别器模型DM被配置为接收生成的量测数据(例如PIMG2)，并且确定生成的量测数据(例如PIMG2)是否与参考数据(例如SEM图像IMG1)类似。在训练过程期间，生成器模型GM和鉴别器模型DM彼此竞争，使得生成器模型GM逐渐生成现实图像，并且鉴别器模型试图将这些生成的图像分类为假的(虚假的)。
在图5(A)所示的示例中，鉴别器模型DM可以使用生成的第二图像PIMG2作为输入和衬底的第一图像IMG1(例如图3中的W)作为参考数据来训练。在一个实施例中，鉴别器模型DM将输入图像分类为第一类别(例如标记为真实的)或第二类别(例如标记为虚假的)。例如，第一类别是指参考数据，并且第二类别是指由模型(例如GM)生成的数据。在一个实施例中，鉴别器模型DM的权重WTS可以被调整，直到DM模型将生成的图像PIMG2确定为真实的为止。在一个实施例中，真实的是指由鉴别器模型DM指派给生成图像PIMG2的标签，其中真实的指示生成图像PIMG2与第一图像IMG1类似。在一个实施例中，鉴别器模型DM的权重WTS的调整由成本函数CF指导。在一个实施例中，成本函数CF可以是第一图像IMG1和生成的图像PIMG2之间的差异的函数。在一个实施例中，该差异可以通过标签来表征(例如真实的与虚假的、图像中的强度差异等)。
在图5(B)所示的示例中，生成器模型GM可以使用衬底的第二图像IMG2(例如图3中的W)作为输入和衬底的第一图像IMG1(例如图3中的W)作为参考数据来训练。在一个实施例中，生成器模型GM将输入图像(例如IMG2)转换为具有与参考数据(例如IMG1)类似的特性(例如图像强度、强度斜率或其他图像特性)的图像PIMG2。
在一个实施例中，生成器模型GM的权重WTS’可以基于成本函数CF进行调整。在一个实施例中，成本函数CF可以是第一图像IMG1与生成图像PIMG2之间的差异以及鉴别器模型DM将生成图像PIMG2分类为第二类别还是第一类别的函数。在一个实施例中，成本函数指导生成器模型GM的权重WTS'的调整，使得图像PIMG2和IMG1之间的差异被减小(在一个实施例中，被最小化)，并且生成的图像PIMG2被鉴别器模型DM分类为第一类别(例如真实的)。
在一个实施例中，经训练的ML模型TML可以被应用于通过训练ML模型的量测工具转换捕获的量测数据。作为示例，方法300还可以涉及过程P305和P307。过程P305涉及经由第二量测系统TS2捕获图案化衬底(例如不同于用于训练ML模型的衬底)的量测数据310。过程P307涉及经由经训练的ML模型TML将捕获的量测数据310转换为经转换的量测数据311。图案化衬底的经转换的量测数据311具有如同由第一量测系统TS1捕获的特性。
图6A图示了根据实施例的将由第二量测系统(例如TS2)获取的第二图像601输入到经训练的ML模型TML(例如根据方法300训练的)以生成转换图像605。图6B示出了由第一量测系统获取的示例性第一图像610。第一图像610和第二图像601与同一衬底相关联。比较经转换的图像605和第一图像610指示这些图像彼此紧密匹配。例如，图7图示了沿着图像601、605和610中的每个图像中的特征上绘制的切割线的信号(例如强度值)。比较从第二图像601(在图6A中)获得的信号S10和从第一图像610获得的信号S30示出了强度值的显著差异。另一方面，从转换图像605获得的信号S20和信号S30彼此紧密匹配。例如，信号是否紧密匹配可以通过获取信号之间的差异来确定。因此，有利地，经转换的图像605可以被用于进行与图像605中的特征的物理特性相关联的测量。
在一个实施例中，量测选配方案可以基于从第一量测系统TS1获取的第一量测数据来确定。量测选配方案还可以被用于从经训练的ML模型TML获得的转换量测数据，以确定图案化衬底上的图案的物理特性(例如CD、重叠等)的测量值。作为示例，方法300还可以涉及过程P307和P311。过程P309涉及基于第一量测数据集MD1和来自第一量测系统TS1的图案化衬底的物理特性测量值PC1确定第二量测系统TS2的量测测量选配方案315。例如，量测测量选配方案315包括CD阈值，该CD阈值指示捕获的量测数据311上的CD测量值被获取的位置。在一个实施例中，确定量测测量选配方案315涉及：经由第一轮廓提取算法，从第一量测数据集MD1的图像提取轮廓；在轮廓上的位置处的切割线(例如图3中的线CL1)上测量CD；以及基于沿着切割线的信号(例如图4中的第一信号S1)，确定与测量的CD相对应的CD阈值。
在一个实施例中，图案化衬底的量测数据(例如310)可以使用第二量测系统TS2来捕获，并且捕获的量测数据(例如311)可以使用经训练的ML模型TML来转换。过程P311可以对经转换的量测数据311执行。过程P311涉及将量测测量选配方案315应用于经转换的量测数据311，以确定图案化衬底的物理特性测量值PC2。例如，物理特性测量值PC2可以是临界尺寸(CD)测量值、重叠测量值、边缘放置误差或与图案化衬底相关联的其他特性。
图8是根据实施例的为转换量测数据并且使用经转换的量测数据确定测量值而执行的示例性操作的框图。例如，由量测系统(例如SEM)获取的量测数据被转换为与参考量测系统的测量行为匹配。在一个实施例中，操作801涉及获得用于训练ML模型的训练数据，其中ML模型将量测数据转换为与由参考量测工具获取的量测数据相当。在一个实施例中，训练数据包括相对于过程P301(在图3中)讨论的那样获得的图案化衬底(例如训练衬底)的量测数据集。例如，量测数据集包括分别从第一量测系统TS1和第二量测系统TS2获取的图像IMG1和IMG2。在一个实施例中，图像IMG1和IMG2可以与设计布局对准，以生成对准的图像AIMG1和AIMG2以被用作训练数据。
在操作803中，训练数据被用于训练ML模型。根据过程P303(在图3中)ML模型可以进行训练。在训练之后，经训练的ML模型TML被获得。
在操作805中，待测量的图案化衬底的量测数据810(例如SEM图像或轮廓)可以被获得。例如，量测数据810是从除了参考量测系统之外的量测系统获得的。此外，量测数据810可以被输入到经训练的ML模型TML以将量测数据810转换为转换数据820。
在操作811中，参考量测数据(例如IMG1)和参考测量值(例如与IMG1相关联的CD值)可以从参考量测系统获得。基于该数据，量测选配方案R1可以被确定。例如，量测选配方案包括CD阈值，以被应用于沿着图像IMG1中的特征上的切割线的信号，以确定该特征的CD值。
在操作813中，量测选配方案R1可以被应用于经转换的量测数据820以确定图案化衬底的物理特性(例如CD)的测量值830。由于经转换的量测数据与由参考量测系统获取的数据相当，并且测量选配方案R1也对应于参考量测系统，因此测量值830将与由参考量测工具获取的数据相当。因此，有利地，经转换的量测数据820和量测选配方案R1的组合提供与参考量测系统一致的测量值。
在一些实施例中，检查设备或量测设备可以是扫描电子显微镜(SEM)，它产生曝光至或转移到衬底上的结构(例如装置的一些或全部结构)的图像。图9描绘了SEM工具的实施例。从电子源ESO发射的初级电子束EBP由聚光透镜CL会聚，然后通过束偏转器EBD1、ExB偏转器EBD2和物镜OL以在焦点处照射衬底台ST上的衬底PSub。
当用电子束EBP照射衬底PSub时，次级电子从衬底PSub生成。次级电子由ExB偏转器EBD2偏转并且由次级电子检测器SED检测。通过与例如电子束偏转器EBD1对电子束的二维扫描或电子束偏转器EBD1在X或者Y方向对电子束EBP的重复扫描以及衬底台ST在X或Y方向中的另一方向对衬底PSub的连续移动同步地检测从样本生成的电子，二维电子束图像可以被获得。
由次级电子检测器SED检测到的信号通过模拟/数字(A/D)转换器ADC被转换为数字信号，并且该数字信号被发送给图像处理系统IPU。在一个实施例中，图像处理系统IPU可以具有存储器MEM，以存储全部或部分数字图像以供处理单元PU处理。处理单元PU(例如专门设计的硬件或硬件和软件的组合)被配置为将数字图像转换或处理为代表数字图像的数据集。进一步地，图像处理系统IPU可以具有存储介质STOR，它被配置为将数字图像和对应的数据集存储在参考数据库中。显示装置DIS可以与图像处理系统IPU连接，使得操作者可以借助于图形用户界面对装置进行必要的操作。
如上面提到的，SEM图像可以被处理，以提取描述图像中表示装置结构的物体边缘的轮廓。这些轮廓然后经由指标(诸如CD)量化。因此，通常，装置结构的图像经由简单的指标进行比较和量化，诸如边缘到边缘距离(CD)或图像之间的简单像素差异。检测图像中的物体边缘以测量CD的典型轮廓模型使用图像梯度。事实上，这些模型依赖于强大的图像梯度。但是，在实践中，图像通常是有噪声的，并且具有不连续的边界。诸如平滑、自适应阈值化、边缘检测、侵蚀和膨胀等技术可以被用于处理图像梯度轮廓模型的结果，以解决有噪声且不连续的图像，但最终会导致对高分辨率图像进行低分辨率量化。因此，在大多数实例中，装置结构图像的用以减少噪声的数学操作和自动边缘检测会导致图像分辨率的损失，从而导致信息丢失。因此，结果是低分辨率的量化，它相当于对复杂的高分辨率结构的简单表示。
因此，期望具有使用图案化过程产生或预期产生的结构(例如电路特征、对准标记或量测目标部分(例如光栅特征)等)的数学表示，无论是例如结构在潜在的抗蚀剂图像中、在显影的抗蚀剂图像中还是例如通过蚀刻转移到衬底上的层，它可以保持分辨率并且还描述结构的一般形状。在光刻或其他图案化过程的上下文中，该结构可以是正在制造的装置或其一部分，并且图像可以是该结构的SEM图像。在一些实例中，该结构可以是半导体器件(例如集成电路)的特征。在这种情况下，该结构可以被称为包括半导体器件的多个特征的图案或期望图案。在一些实例中，该结构可以是对准标记或其一部分(例如对准标记的光栅)，它在对准测量过程中被用于确定物体(例如衬底)与另一物体(例如图案形成装置)或量测目标或其一部分(例如量测目标的光栅)的对准，该对准被用于测量图案化过程的参数(例如重叠、焦点、剂量等)。在一个实施例中，量测目标是用于测量例如重叠的衍射光栅。
图10示意性地图示了检查设备的又一实施例。该系统被用于检查样本工作台88上的样本90(诸如衬底)，并且包括带电粒子束生成器81、聚光透镜模块82、探针形成物镜模块83、带电粒子束偏转模块84、次级带电粒子检测器模块85和图像形成模块86。
带电粒子束生成器81生成初级带电粒子束91。聚光透镜模块82会聚所生成的初级带电粒子束91。探针形成物镜模块83将会聚的初级带电粒子束聚焦到带电粒子束探针92中。带电粒子束偏转模块84在固定在样本工作台88上的样本90上的感兴趣区域的表面上扫描所形成的带电粒子束探针92。在一个实施例中，带电粒子束生成器81、聚光透镜模块82和探针形成物镜模块83或其等效设计、替代物或其任何组合一起形成带电粒子束探针生成器，它生成扫描带电粒子束探针92。
次级带电粒子检测器模块85在被带电粒子束探针92轰击时检测从样本表面发射的次级带电粒子93(也可能连同来自样本表面的其他反射或散射的带电粒子)，以生成次级带电粒子检测信号94。图像形成模块86(例如计算装置)与次级带电粒子检测器模块85耦合，以从次级带电粒子检测器模块85接收次级带电粒子检测信号94并因此形成至少一个扫描图像。在一个实施例中，次级带电粒子检测器模块85和图像形成模块86或其等效设计、替代物或其任何组合一起形成图像形成设备，该图像形成设备从被带电粒子束检测器92轰击的样本90发射的检测到的次级带电粒子形成扫描图像。
在一个实施例中，监测模块87被耦合至图像形成设备的图像形成模块86，以监测、控制等图案化过程和/或使用从图像形成模块86接收的样本90的扫描图像导出用于图案化过程设计、控制、监测等的参数。因此，在一个实施例中，监测模块87被配置或编程为导致执行本文描述的方法。在一个实施例中，监测模块87包括计算装置。在一个实施例中，监测模块87包括计算机程序以提供本文的功能性，并且被编码在计算机可读介质上，该计算机可读介质形成监测模块87或被设置在监测模块87内。
在一个实施例中，与使用探针检查衬底的图9的电子束检查工具类似，图10的系统中的电子电流与例如诸如图9所描绘的CD SEM相比明显更大，使得探针斑点足够大，以使检测速度可以很快。然而，由于探针斑点较大，分辨率可能不如CD SEM高。在一个实施例中，上面讨论的检查设备可以是单束或多束设备，而不限制本公开的范围。
来自例如图9和/或图10的系统的SEM图像可以被处理，以提取描述图像中表示装置结构的物体边缘的轮廓。然后，这些轮廓通常经由用户定义的切割线处的指标(诸如CD)进行量化。因此，通常，装置结构的图像经由指标进行比较和量化，诸如在提取轮廓上测量的边缘到边缘距离(CD)或图像之间的简单像素差异。
在一个实施例中，方法300的一个或多个程序可以被实施为计算机系统的处理器中的指令(例如程序代码)(例如计算机系统100的过程104)。在一个实施例中，程序可以被分布到多个处理器上(例如并行计算)以提高计算效率。在一个实施例中，计算机程序产品包括在其上记录有指令的非瞬态计算机可读介质，在由计算机执行时，该指令实施本文描述的方法。
图11是图示了可以辅助实施本文公开的方法、流程或设备的计算机系统100的框图。计算机系统100包括总线102或用于传递信息的其他通信机制以及与总线102耦合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还包括主存储器106，诸如随机存取存储器(RAM)或其他动态存储装置，它被耦合至总线102，以用于存储信息和要由处理器104执行的指令。主存储器106也可以被用于在要由处理器104执行的指令执行期间存储临时变量或其他中间信息。计算机系统100还包括只读存储器(ROM)108或其他静态存储装置，它被耦合至总线102，以用于存储针对处理器104的静态信息和指令。诸如磁盘或光盘等存储装置110被提供，并且被耦合至总线102以用于存储信息和指令。
计算机系统100可以经由总线102被耦合至显示器112，诸如阴极射线管(CRT)或者平板或触摸板显示器，以用于向计算机用户显示信息。包括字母数字键和其他键的输入装置114被耦合至总线102，以用于将信息和命令选择传递给处理器104。另一类型的用户输入装置是光标控件116，诸如鼠标、轨迹球或光标方向键，以用于将方向信息和命令选择传递给处理器104，并且控制显示器112上的光标移动。该输入装置通常在两个轴(第一轴(例如x)和第二轴(例如y))上具有两个自由度，它允许装置指定平面中的位置。触摸板(屏幕)显示器也可以被用作输入装置。
根据一个实施例，响应于处理器104执行主存储器106中所包含的一个或多个指令的一个或多个序列，本文描述的一种或多种方法的部分可以由计算机系统100执行。这种指令可以从诸如存储装置110等另一计算机可读介质读取到主存储器106中。主存储器106中所包含的指令序列的执行使处理器104执行本文描述的过程步骤。多处理布置中的一个或多个处理器也可以被采用，以执行主存储器106中所包含的指令序列。在替代实施例中，硬连线电路系统可以代替软件指令使用或与软件指令组合使用。因此，本文的描述不被限于硬件电路系统和软件的任何具体组合。
本文使用的术语“计算机可读介质”是指参与向处理器104提供指令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，诸如存储装置110。易失性介质包括动态存储器，诸如主存储器106。传输介质包括同轴电缆、铜线和光纤，包括构成总线102的电线。传输介质也可以采用声波或光波的形式，诸如在射频(RF)和红外(IR)数据通信期间生成的那些声波或光波。计算机可读介质的常见形式包括例如软盘、可折叠磁盘、硬盘、磁带、任何其他磁性介质、CD-ROM、DVD、任何其他光学介质、穿孔卡片、纸带、具有孔洞图案的任何其他物理介质、RAM、PROM和EPROM、闪存EPROM、任何其他存储器芯片或者存储器匣、下文描述的载波或者计算机可以从中读取的任何其他介质。
各种形式的计算机可读介质可以涉及将一个或多个指令的一个或多个序列携带到处理器104以供执行。例如，指令最初可能被承载在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中，并且使用调制解调器通过电话线发送指令。计算机系统100本地的调制解调器可以在电话线上接收数据，并且使用红外发送器将数据转换为红外信号。被耦合至总线102的红外检测器可以接收红外信号中携带的数据，并且将数据放置在总线102上。总线102将数据携带到主存储器106，处理器104从主存储器106取回和执行指令。在由处理器104执行之前或之后，由主存储器106接收的指令可以可选地被存储在存储装置110上。
计算机系统100还可以包括被耦合至总线102的通信接口118。通信接口118提供耦合至网络链路120的双向数据通信，该网络链路120被连接至局部网络122。例如，通信接口118可以是集成服务数字网络(ISDN)卡或调制解调器，以提供与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(LAN)卡，以提供与兼容LAN的数据通信连接。无线链路也可以被实施。在任何这种实施方式中，通信接口118发送和接收电信号、电磁信号或光学信号，这些信号携带表示各种类型的信息的数字数据流。
网络链路120通常通过一个或多个网络向其他数据装置提供数据通信。例如，网络链路120可以通过本地网络122向主机计算机124或由互联网服务提供方(ISP)126操作的数据装置提供连接。ISP 126又通过全球分组数据通信网络(现在一般称为“互联网”128)提供数据通信服务。本地网络122和互联网128都使用携带数字数据流的电信号、电磁信号或光学信号。通过各种网络的信号以及在网络链路120上并且通过通信接口118的信号(将数字数据携带到计算机系统100并且从计算机系统100携带数字数据)是输送信息的载波的示例性形式。
计算机系统100可以通过(多个)网络、网络链路120和通信接口118发送消息并且接收数据，包括程序代码。在互联网示例中，服务器130可以通过互联网128、ISP 126、本地网络122和通信接口118传输针对应用程序的请求代码。例如，一个这种下载应用可以提供本文描述的方法的全部或部分。接收到的代码可以在被接收到时由处理器104执行，和/或被存储在存储装置110或其他非易失性存储设备中，以供稍后执行。通过这种方式，计算机系统100可以获得载波形式的应用代码。
本公开的实施例可以通过以下条款进一步描述。
1.一种在其上记录有指令的非瞬态计算机可读介质，该指令在由计算机执行时实施用于转换与量测系统相关联的数据的方法，该方法包括：
访问由第一扫描电子量测(SEM)系统获取的第一SEM数据集和由第二SEM系统获取的第二SEM数据集，该第一SEM数据集和第二SEM数据集与图案化衬底相关联；以及
使用第一SEM数据集和第二SEM数据集作为训练数据，训练机器学习(ML)模型，使得经训练的ML模型被配置为将由第二SEM系统获取的量测数据集转换为转换数据集，该转换数据集具有与由第一SEM系统获取的量测数据相当的特性。
2.根据条款1的介质，其中训练ML模型包括：
将第一SEM数据集和第二SEM数据集进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
3.根据条款2的介质，其中第一SEM数据集和第二SEM数据集包括：图案化衬底的图像集。
4.根据条款3的介质，其中训练ML模型包括：
将由第一SEM系统获取的第一图像集和由第二SEM系统获取的第二图像集进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数，以改进第一图像集与使用第二图像集作为ML模型的输入的ML生成图像之间的匹配。
5.根据条款2的介质，其中第一SEM数据集和第二SEM数据集包括：
图案化衬底上的特征的轮廓；和/或
与图案化衬底上的图案相关联的物理特性。
6.根据条款4的介质，其中物理特性包括图案化衬底上的图案的临界尺寸(CD)。
7.根据条款5的介质，其中训练ML模型包括：
将第一SEM数据集的第一CD值和第二SEM数据集的第二CD值进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数，以改进第一SEM数据集和第二SEM数据集之间的CD匹配，该成本函数是第一CD值和第二CD值的函数。
8.根据条款3的介质，其中训练ML模型包括：
将第一SEM数据集的第一图像集或第一轮廓与设计布局的设计布局图像或设计轮廓对准；
将第二SEM数据集的第二图像集或第二轮廓与设计布局的设计布局图像或设计轮廓对准；以及
使用对准的第一图像集和对准的第二图像集，作为用于训练机器学习模型的训练数据。
9.根据条款6的介质，其中训练ML模型包括：
将来自第一图像集和第二图像集的强度值进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
10.根据条款7的介质，其中训练ML模型是迭代过程，每次迭代包括：
(i)经由ML模型利用经调整的参数并且使用第一SEM数据集来转换第二SEM数据集；
(ii)将来自第一SEM数据集的强度值与转换数据集进行比较；
(iii)基于比较来进一步调整ML模型的参数，以影响在期望阈值内的成本函数；
(iv)确定成本函数是否在期望阈值内；以及
(v)响应于成本函数不在期望阈值内，重复步骤(i)至(iv)。
11.根据条款8的介质，其中成本函数是来自第一SEM数据集的第一强度值与来自第二SEM数据集或转换数据集的对应的第二强度值之间的差异。
12.根据条款7的介质，其中训练ML模型包括：
通过第一SEM数据集和第二SEM数据集，沿着在特征上绘制的切割线确定强度值。
13.根据条款10的介质，其中确定强度值包括：通过第一SEM数据集和第二SEM数据集，沿着切割线确定像素强度值。
14.根据条款11的介质，其中确定强度值包括：
将与第一SEM系统相关联的第一轮廓提取算法应用于第一SEM数据集；以及
将与第二SEM系统相关联的第二轮廓提取算法应用于第二SEM数据集。
15.根据条款1的介质，还包括：
经由第二SEM系统，捕获另一图案化衬底的量测数据；以及
经由经训练的ML模型，将捕获的量测数据转换为经转换的量测数据，另一图案化衬底的经转换的量测数据具有如同由第一SEM系统捕获的特性。
16.根据条款1的介质，还包括：
基于第一SEM数据集和来自第一SEM系统的图案化衬底的物理特性测量值，确定第二SEM系统的量测测量选配方案；
使用第二SEM系统捕获图案化衬底的量测数据；
使用经训练的机器学习模型来转换捕获的量测数据；以及
将量测测量选配方案应用于经转换的量测数据，以确定另一物理特性测量值。
17.根据条款14的介质，其中物理特性测量值包括以下至少一项：临界尺寸(CD)测量值、重叠测量值和边缘放置误差。
18.根据条款15的介质，其中量测测量选配方案包括CD阈值，该CD阈值指示捕获的量测数据上的获取CD测量值的位置。
19.根据条款16的介质，其中确定量测测量选配方案包括：
经由第一轮廓提取算法，从第一SEM数据集的图像提取轮廓；
在轮廓上的位置处绘制切割线，以测量CD；以及
基于沿着切割线的信号，确定与测量的CD相对应的CD阈值。
20.根据条款1的介质，其中第一SEM系统由第一制造商制造，并且第二量测系统由第二制造商制造。
21.根据条款1的介质，其中ML模型是卷积神经网络。
22.根据条款1的介质，其中ML模型使用生成式对抗网络架构来训练，该ML模型包括生成器模型和鉴别器模型。
23.根据条款20的介质，其中训练ML模型包括：
使用第二SEM数据集作为输入、结合鉴别器模型训练生成器模型，以生成与第一SEM数据集类似的数据；以及
训练鉴别器模型，以将生成的数据与第一SEM数据集区分开来。
24.一种量测系统，包括：
计算机系统，包括一个或多个处理器，该处理器在其上存储有经训练的机器学习(ML)模型并且用计算机程序指令编程，该计算机程序指令在执行时使计算机系统：
捕获图案化衬底的量测数据；以及
经由经训练的ML模型将捕获的量测数据转换为经转换的量测数据，该经转换的量测数据具有如同由另一量测系统捕获的特性。
25.根据条款22的量测系统，其中计算机系统被用于训练ML模型，训练包括：
访问由第一SEM系统获取的第一SEM数据集和由量测系统获取的第二SEM数据集，该第一SEM数据集和第二SEM数据集与训练衬底相关联；以及
使用第一SEM数据集和第二SEM数据集作为训练数据，训练机器学习(ML)模型，使得经训练的ML模型被配置为将由量测系统获取的量测数据集转换为转换数据集，该转换数据集具有与由第一SEM系统获取的量测数据相当的特性。
26.根据条款23的量测系统，其中训练ML模型包括：
将第一SEM数据集和第二SEM数据集进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
27.根据条款24的量测系统，其中第一SEM数据集和第二SEM数据集包括：训练衬底的图像集。
28.根据条款27的量测系统，其中训练ML模型包括：
将由第一SEM系统获取的第一图像集和由第二SEM系统获取的第二图像集进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数，以改进第一图像集与使用第二图像集作为ML模型的输入的ML生成图像之间的匹配。
29.根据条款25的量测系统，其中第一SEM数据集和第二SEM数据集包括：
训练衬底上的特征的轮廓；和/或
与训练衬底上的图案相关联的物理特性。
30.根据条款27的量测系统，其中训练ML模型包括：
将第一SEM数据集的第一图像集或第一轮廓与设计布局的设计布局图像或设计轮廓对准；
将第二SEM数据集的第二图像集或第二轮廓与设计布局的设计布局图像或设计轮廓对准；以及
使用对准的第一图像集和对准的第二图像集，作为用于训练机器学习模型的训练数据。
31.根据条款30的量测系统，其中训练ML模型包括：
将来自第一图像集和第二图像集的强度值进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
32.根据条款31的量测系统，其中训练ML模型是迭代过程，每次迭代包括：
(i)经由ML模型利用经调整的参数并且使用第一SEM数据集来转换第二SEM数据集；
(ii)将来自第一SEM数据集的强度值与转换数据集进行比较；
(iii)基于比较来进一步调整ML模型的参数，以影响在期望阈值内的成本函数；
(iv)确定成本函数是否在期望阈值内；以及
(v)响应于成本函数不在期望阈值内，重复步骤(i)至(iv)。
33.根据条款32的量测系统，其中成本函数是来自第一SEM数据集的第一强度值与来自第二SEM数据集或转换数据集的对应的第二强度值之间的差异。
34.根据条款31的量测系统，其中训练ML模型包括：
通过第一SEM数据集和第二SEM数据集，沿着在特征上绘制的切割线确定强度值。
35.根据条款34的量测系统，其中确定强度值包括：通过第一SEM数据集和第二SEM数据集，沿着切割线确定像素强度值。
36.根据条款35的量测系统，其中确定强度值包括：
将与第一SEM系统相关联的第一轮廓提取算法应用于第一SEM数据集；以及
将与量测系统相关联的第二轮廓提取算法应用于第二SEM数据集。
37.根据条款36的量测系统，还包括：
基于第一SEM数据集和来自第一SEM系统的衬底的物理特性测量值，确定量测系统的量测测量选配方案；以及
将量测测量选配方案应用于经转换的量测数据，以确定另一物理特性测量值。
38.根据条款37的量测系统，其中物理特性测量值包括以下至少一项：临界尺寸(CD)测量值、重叠测量值和边缘放置误差。
39.根据条款38的量测系统，其中量测测量选配方案包括CD阈值，该CD阈值指示捕获的量测数据上的CD测量值被获取的位置。
40.根据条款39的量测系统，其中确定量测测量选配方案包括：
经由第一轮廓提取算法，从第一SEM数据集的图像提取轮廓；在轮廓上的位置处绘制切割线，以测量CD；以及
基于沿着切割线的信号，确定与测量的CD相对应的CD阈值。
41.根据条款24的量测系统，其中量测系统是扫描电子显微镜。
42.根据条款24的量测系统，其中经训练的ML模型是卷积神经网络。
43.根据条款24的量测系统，其中ML模型使用生成式对抗网络架构来训练，该ML模型包括生成器模型和鉴别器模型。
44.根据条款43的量测系统，其中训练ML模型包括：
使用第二SEM数据集作为输入来结合鉴别器模型训练生成器模型，以生成与第一SEM数据集类似的数据；以及
训练鉴别器模型，以将生成的数据与第一SEM数据集区分开来。
45.一种用于转换与量测系统相关联的数据的方法，该方法包括：
访问由第一扫描电子量测(SEM)系统获取的第一SEM数据集和由第二SEM系统获取的第二SEM数据集，该第一SEM数据集和第二SEM数据集与图案化衬底相关联；以及
使用第一SEM数据集和第二SEM数据集作为训练数据，训练机器学习(ML)模型，使得经训练的ML模型被配置为将由第二SEM系统获取的量测数据集转换为转换数据集，该转换数据集具有与由第一SEM系统获取的量测数据相当的特性。
46.根据条款45的方法，其中训练ML模型包括：
将第一SEM数据集和第二SEM数据集进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
47.根据条款46的方法，其中第一SEM数据集和第二SEM数据集包括：图案化衬底的图像集。
48.根据条款47的方法，其中训练ML模型包括：
将由第一SEM系统获取的第一图像集和由第二SEM系统获取的第二图像集进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数，以改进第一图像集与使用第二图像集作为ML模型的输入的ML生成图像之间的匹配。
49.根据条款42的方法，其中第一SEM数据集和第二SEM数据集包括：
图案化衬底上的特征的轮廓；和/或
与图案化衬底上的图案相关联的物理特性。
50.根据条款47的方法，其中物理特性包括图案化衬底上的图案的临界尺寸(CD)。
51.根据条款50的方法，其中训练ML模型包括：
将第一SEM数据集的第一CD值和第二SEM数据集的第二CD值进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数，以改进第一SEM数据集和第二SEM数据集之间的CD匹配，该成本函数是第一CD值和第二CD值的函数。
52.根据条款49的方法，其中训练ML模型包括：
将第一SEM数据集的第一图像集或第一轮廓与设计布局的设计布局图像或设计轮廓对准；
将第二SEM数据集的第二图像集或第二轮廓与设计布局的设计布局图像或设计轮廓对准；以及
使用对准的第一图像集和对准的第二图像集，作为用于训练机器学习模型的训练数据。
53.根据条款52的方法，其中训练ML模型包括：
将来自第一图像集和第二图像集的强度值进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
54.根据条款53的方法，其中训练ML模型是迭代过程，每次迭代包括：
(i)经由ML模型利用经调整的参数并且使用第一SEM数据集来转换第二SEM数据集；
(ii)将来自第一SEM数据集的强度值与转换数据集进行比较；
(iii)基于比较来进一步调整ML模型的参数，以影响在期望阈值内的成本函数；
(iv)确定成本函数是否在期望阈值内；以及
(v)响应于成本函数不在期望阈值内，重复步骤(i)至(iv)。
55.根据条款54的方法，其中成本函数是来自第一SEM数据集的第一强度值与来自第二SEM数据集或转换数据集的对应的第二强度值之间的差异。
56.根据条款53的方法，其中训练ML模型包括：
通过第一SEM数据集和第二SEM数据集，沿着在特征上绘制的切割线确定强度值。
57.根据条款56的方法，其中确定强度值包括：通过第一SEM数据集和第二SEM数据集，沿着切割线确定像素强度值。
58.根据条款57的方法，其中确定强度值包括：
将与第一SEM系统相关联的第一轮廓提取算法应用于第一SEM数据集；以及
将与第二SEM系统相关联的第二轮廓提取算法应用于第二SEM数据集。
59.根据条款45的方法，还包括：
经由第二SEM系统，捕获另一图案化衬底的量测数据；以及
经由经训练的ML模型，将捕获的量测数据转换为经转换的量测数据，另一图案化衬底的经转换的量测数据具有如同由第一SEM系统捕获的特性。
60.根据条款45的方法，还包括：
基于第一SEM数据集和来自第一SEM系统的图案化衬底的物理特性测量值，确定第二SEM系统的量测测量选配方案；
使用第二SEM系统捕获图案化衬底的量测数据；
使用经训练的机器学习模型来转换捕获的量测数据；以及
将量测测量选配方案应用于经转换的量测数据，以确定另一物理特性测量值。
61.根据条款60的方法，其中物理特性测量值包括以下至少一项：临界尺寸(CD)测量值、重叠测量值和边缘放置误差。
62.根据条款61的方法，其中量测测量选配方案包括CD阈值，该CD阈值指示捕获的量测数据上的CD测量值被获取的位置。
63.根据条款62的方法，其中确定量测测量选配方案包括：
经由第一轮廓提取算法，从第一SEM数据集的图像提取轮廓；
在轮廓上的位置处绘制切割线，以测量CD；以及
基于沿着切割线的信号，确定与测量的CD相对应的CD阈值。
64.根据条款45的方法，其中第一SEM系统由第一制造商制造，并且第二量测系统由第二制造商制造。
65.根据条款45的方法，其中ML模型是卷积神经网络。
66.根据条款45的方法，其中ML模型使用生成式对抗网络架构来训练，该ML模型包括生成器模型和鉴别器模型。
67.根据条款66的方法，其中训练ML模型包括：
使用第二SEM数据集作为输入来结合鉴别器模型训练生成器模型，以生成与第一SEM数据集类似的数据；以及
训练鉴别器模型，以将生成的数据与第一SEM数据集区分开来。
68.一种用于转换由扫描电子显微镜(SEM)系统获取的SEM图像的方法，该方法包括：
访问由第一SEM系统获取的第一SEM图像集和由第二SEM系统获取的第二SEM图像集，该第一SEM图像集和第二SEM图像集与图案化衬底相关联；以及
使用第一SEM图像集和第二SEM图像集作为训练数据，训练机器学习(ML)模型，使得经训练的ML模型被配置为将由第二SEM系统获取的SEM图像集转换为转换图像集，该转换图像集具有与由第一SEM系统获取的SEM图像相当的特性。
69.根据条款68的方法，其中训练ML模型包括：
将第一SEM图像集和第二SEM图像集进行比较；以及
基于比较来调整ML模型的参数，以影响用于训练ML模型的成本函数。
70.根据条款68的方法，其中训练ML模型包括：
将第一SEM图像集与设计布局图像对准；
将第二SEM图像集与设计布局图像对准；以及
使用对准的第一SEM图像集和对准的第二SEM图像集，作为用于训练机器学习模型的训练数据。
71.根据条款69的方法，其中训练ML模型包括：
将来自第一SEM图像集和第二SEM图像集的强度值进行比较；以及
基于比较来调整ML模型的参数以影响成本函数，以减小第一图像集与使用第二SEM图像集作为ML模型的输入的ML生成图像之间的强度值差异。
72.根据条款71的方法，其中训练ML模型是迭代过程，每次迭代包括：
(i)经由ML模型利用经调整的参数并且使用第一SEM图像集来转换第二SEM图像集；
(ii)将来自第一SEM图像集的强度值与转换图像集进行比较；
(iii)基于比较来进一步调整ML模型的参数，以影响在期望阈值内的成本函数；
(iv)确定成本函数是否在期望阈值内；以及
(v)响应于成本函数不在期望阈值内，重复步骤(i)至(iv)。
73.根据条款72的方法，其中成本函数是来自第一SEM图像集的第一强度值与来自第二SEM图像集或转换图像集的对应的第二强度值之间的差异。
74.根据条款68的方法，还包括：
经由第二SEM系统，捕获另一图案化衬底的SEM图像；以及
经由经训练的ML模型，将捕获的SEM图像转换为经转换的SEM图像，另一图案化衬底的经转换的SEM图像具有与由第一SEM系统捕获的图像相当的特性。
75.根据条款68的方法，还包括：
基于第一SEM图像集和来自第一SEM系统的图案化衬底的CD测量值，确定第二SEM系统的量测测量选配方案；
使用第二SEM系统捕获图案化衬底的SEM图像；
使用经训练的ML模型转换捕获的SEM图像；以及
将量测测量选配方案应用于经转换的SEM图像，以确定另一CD测量值。
76.根据条款75的方法，其中量测测量选配方案包括CD阈值，该CD阈值指示捕获的SEM图像上的CD测量值被获取的位置。
77.根据条款68的方法，其中ML模型是卷积神经网络。
78.根据条款68的方法，其中ML模型使用生成式对抗网络架构来训练，该ML模型包括生成器模型和鉴别器模型。
尽管本文公开的概念可以被用于在诸如硅晶片等衬底上成像，但是应该理解的是，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之外的衬底上成像的那些光刻成像系统。
以上描述旨在是说明性的，而不是限制性的。因此，对于本领域技术人员将显而易见的是，在不偏离下面陈述的权利要求的范围的情况下，修改可以如所描述的那样进行。

Claims (15)

1.一种在其上记录有指令的非瞬态计算机可读介质，所述指令在由计算机执行时实施用于转换与量测系统相关联的数据的方法，所述方法包括：
访问由第一扫描电子量测(SEM)系统获取的第一SEM数据集和由第二SEM系统获取的第二SEM数据集，所述第一SEM数据集和所述第二SEM数据集与图案化衬底相关联；以及
使用所述第一SEM数据集和所述第二SEM数据集作为训练数据，训练机器学习(ML)模型，使得经训练的ML模型被配置为将由所述第二SEM系统获取的量测数据集转换为转换数据集，所述转换数据集具有与由所述第一SEM系统获取的量测数据相当的特性。
2.根据权利要求1所述的介质，其中所述第一SEM数据集和所述第二SEM数据集包括所述图案化衬底的SEM图像，其中训练所述ML模型包括：
将由所述第一SEM系统获取的第一图像集和由所述第二SEM系统获取的第二图像集进行比较；以及
基于所述比较来调整所述ML模型的参数，以影响用于训练所述ML模型的成本函数，以改进所述第一图像集与使用所述第二图像集作为所述ML模型的输入的所述ML生成的图像之间的匹配。
3.根据权利要求1所述的介质，其中所述第一SEM数据集和所述第二SEM数据集包括：
所述图案化衬底上的特征的轮廓；和/或
与所述图案化衬底上的图案相关联的物理特性。
4.根据权利要求1所述的介质，其中所述物理特性包括所述图案化衬底上的所述图案的临界尺寸(CD)。
5.根据权利要求1所述的介质，其中训练所述ML模型包括：
将所述第一SEM数据集的第一CD值和所述第二SEM数据集的第二CD值进行比较；以及
基于所述比较来调整所述ML模型的参数，以影响用于训练所述ML模型的成本函数，以改进所述第一SEM数据集和所述第二SEM数据集之间的CD匹配，所述成本函数是所述第一CD值和所述第二CD值的函数。
6.根据权利要求1所述的介质，其中训练所述ML模型包括：
将所述第一SEM数据集的第一图像集或第一轮廓与设计布局的设计布局图像或设计轮廓对准；
将所述第二SEM数据集的第二图像集或第二轮廓与所述设计布局的所述设计布局图像或所述设计轮廓对准；以及
使用所对准的第一图像集和所对准的第二图像集，作为用于训练所述机器学习模型的训练数据。
7.根据权利要求2所述的介质，其中训练所述ML模型包括：
将来自所述第一图像集和所述第二图像集的像素强度值进行比较；以及
基于所述比较来调整所述ML模型的参数，以影响用于训练所述ML模型的所述成本函数。
8.根据权利要求7所述的介质，其中所述训练所述ML模型还包括：通过执行以下步骤确定来自所述第一图像集和所述第二图像集的强度值：
将与所述第一SEM系统相关联的第一轮廓提取算法应用于所述第一SEM数据集；以及
将与所述第二SEM系统相关联的第二轮廓提取算法应用于所述第二SEM数据集。
9.根据权利要求1所述的介质，还包括：
经由所述第二SEM系统，捕获另一图案化衬底的量测数据；以及
经由所述经训练的ML模型，将所述捕获的量测数据转换为经转换的量测数据，所述另一图案化衬底的所述经转换的量测数据具有如同由所述第一SEM系统捕获的特性。
10.根据权利要求1所述的介质，还包括：
基于所述第一SEM数据集和来自所述第一SEM系统的所述图案化衬底的物理特性测量值，确定所述第二SEM系统的量测测量选配方案；
使用所述第二SEM系统捕获所述图案化衬底的量测数据；
使用所述经训练的机器学习模型来转换所述捕获的量测数据；以及
将所述量测测量选配方案应用于所述经转换的量测数据，以确定另一物理特性测量值。
11.根据权利要求10所述的介质，其中所述物理特性测量值包括以下至少一项：临界尺寸(CD)测量值、重叠测量值和边缘放置误差。
12.根据权利要求10所述的介质，其中所述量测测量选配方案包括CD阈值，所述CD阈值指示所述捕获的量测数据上的、CD测量值被获取的位置。
13.根据权利要求10所述的介质，其中确定所述量测测量选配方案包括：
经由第一轮廓提取算法，从所述第一SEM数据集的图像提取轮廓；
在跨所述轮廓的位置绘制切割线，以测量CD；以及
基于沿着所述切割线的信号，确定与所述测量的CD相对应的CD阈值。
14.根据权利要求1所述的介质，其中所述第一SEM系统由第一制造商制造，并且所述第二量测系统由第二制造商制造。
15.根据权利要求1所述的介质，其中所述ML模型使用生成式对抗网络架构来训练，所述ML模型包括生成器模型和鉴别器模型。
CN202211028992.XA 2021-09-09 2022-08-25 用于转换量测数据的方法 Pending CN115797251A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CNPCT/CN2021/117420 2021-09-09
CN2021117420 2021-09-09

Publications (1)

Publication Number Publication Date
CN115797251A true CN115797251A (zh) 2023-03-14

Family

ID=83280448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211028992.XA Pending CN115797251A (zh) 2021-09-09 2022-08-25 用于转换量测数据的方法

Country Status (4)

Country Link
KR (1) KR20240063929A (zh)
CN (1) CN115797251A (zh)
TW (2) TWI814571B (zh)
WO (1) WO2023036593A1 (zh)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5229872A (en) 1992-01-21 1993-07-20 Hughes Aircraft Company Exposure device including an electrically aligned electronic mask for micropatterning
EP0824722B1 (en) 1996-03-06 2001-07-25 Asm Lithography B.V. Differential interferometer system and lithographic step-and-scan apparatus provided with such a system
US7171284B2 (en) * 2004-09-21 2007-01-30 Timbre Technologies, Inc. Optical metrology model optimization based on goals
US7361941B1 (en) * 2004-12-21 2008-04-22 Kla-Tencor Technologies Corporation Calibration standards and methods
NL1036189A1 (nl) 2007-12-05 2009-06-08 Brion Tech Inc Methods and System for Lithography Process Window Simulation.
US10152678B2 (en) * 2014-11-19 2018-12-11 Kla-Tencor Corporation System, method and computer program product for combining raw data from multiple metrology tools
EP3579052A1 (en) * 2018-06-08 2019-12-11 ASML Netherlands B.V. Metrology apparatus and method for determining a characteristic of one or more structures on a substrate
EP3637186A1 (en) * 2018-10-09 2020-04-15 ASML Netherlands B.V. Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus
EP3657257A1 (en) * 2018-11-26 2020-05-27 ASML Netherlands B.V. Method for of measuring a focus parameter relating to a structure formed using a lithographic process
EP4045976A1 (en) * 2019-10-17 2022-08-24 ASML Netherlands B.V. Methods of fitting measurement data to a model and modeling a performance parameter distribution and associated apparatuses

Also Published As

Publication number Publication date
TWI814571B (zh) 2023-09-01
TWI830682B (zh) 2024-01-21
KR20240063929A (ko) 2024-05-10
WO2023036593A1 (en) 2023-03-16
TW202347048A (zh) 2023-12-01
TW202328821A (zh) 2023-07-16

Similar Documents

Publication Publication Date Title
KR102606115B1 (ko) 패턴의 시맨틱 분할을 위한 딥 러닝
TWI738169B (zh) 用於為佈局圖案化程序判定訓練圖案之方法及相關的電腦程式產品
TWI782317B (zh) 用於改良圖案化程序之程序模型的方法以及改良圖案化程序之光學近接校正模型的方法
TWI780476B (zh) 用於判定缺陷圖案之方法及系統
TW201828335A (zh) 用於影像分析之方法及設備
KR20210134376A (ko) 기판 이미지를 예측하는 장치 및 방법
TWI808444B (zh) 用於產生消除雜訊模型之裝置及方法
EP3663855A1 (en) Sem fov fingerprint in stochastic epe and placement measurements in large fov sem devices
CN116685909A (zh) 显影后或蚀刻后图像的基于机器学习的图像生成
US20230298158A1 (en) Apparatus and method for selecting high quality images from raw images automatically
WO2023117250A1 (en) Method and apparatus to determine overlay
TWI830682B (zh) 用於轉換度量衡資料之方法
CN115398346A (zh) 对准畸变图像
TWI838628B (zh) 用於判定輔助特徵之列印機率之系統、方法和產品及其應用
TWI798861B (zh) 用於產生解模糊模型及解模糊影像之設備及方法
EP4254068A1 (en) Method for determining a spatial distribution of a parameter of interest over at least one substrate or portion thereof
WO2023066657A1 (en) Pattern matching method
WO2023165824A1 (en) Image analysis based on adaptive weighting of template contours
JP2024522605A (ja) 検査データフィルタリングのシステム及び方法
TW202422411A (zh) 用於產生消除雜訊模型之裝置及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination