CN115903394A - 图案选择系统和方法 - Google Patents
图案选择系统和方法 Download PDFInfo
- Publication number
- CN115903394A CN115903394A CN202211133960.6A CN202211133960A CN115903394A CN 115903394 A CN115903394 A CN 115903394A CN 202211133960 A CN202211133960 A CN 202211133960A CN 115903394 A CN115903394 A CN 115903394A
- Authority
- CN
- China
- Prior art keywords
- representative
- subset
- pattern
- portions
- representative portions
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 146
- 230000008569 process Effects 0.000 claims abstract description 50
- 230000003287 optical effect Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 27
- 239000004065 semiconductor Substances 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 21
- 238000007689 inspection Methods 0.000 claims description 16
- 238000001459 lithography Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 abstract description 87
- 239000012634 fragment Substances 0.000 abstract description 23
- 238000000059 patterning Methods 0.000 description 102
- 230000005855 radiation Effects 0.000 description 67
- 239000000758 substrate Substances 0.000 description 61
- 238000005286 illumination Methods 0.000 description 34
- 239000010410 layer Substances 0.000 description 23
- 238000004519 manufacturing process Methods 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 19
- 235000012431 wafers Nutrition 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 230000015654 memory Effects 0.000 description 13
- 238000005530 etching Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 230000001537 neural effect Effects 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 210000001747 pupil Anatomy 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- 229910052724 xenon Inorganic materials 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 238000000206 photolithography Methods 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G03F7/70491—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
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- G—PHYSICS
- 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
- G06N3/09—Supervised learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Preparing Plates And Mask In Photomechanical Process (AREA)
Abstract
描述了为半导体晶片的设计布局选择优化的、几何多样化的片段子集。所述设计布局的完整表示被接收到。所述设计布局的代表性片段集合被确定,使得各个代表性片段包括所述设计布局的一个或多个独特图案的不同组合。所述代表性片段的子集基于所述一个或多个独特图案来选择。所述代表性片段的所述子集被配置为包括:(1)最小数量的代表性片段中的每个几何独特图案;或者(2)最大数量的代表性片段中尽可能多的所述设计布局的几何独特图案。例如,所述代表性片段子集被提供为训练数据,以训练光学邻近效应校正或者源掩模优化半导体过程机器学习模型。
Description
技术领域
本公开大体上涉及与计算光刻相关联的图案选择。
背景技术
光刻投影设备可以例如被用于集成电路(IC)的制造。图案形成装置(例如掩模)可以包括或提供与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在一个操作中被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。关于光刻装置的更多信息可以例如从US 6,046,792中发现,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,使得单个装置可以被安装在载体上,连接至引脚等。
制造诸如半导体器件等装置通常涉及使用许多制作过程来处理衬底(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。
光刻是诸如IC等装置制造中的中心步骤,其中在衬底上形成的图案限定了装置的功能元件,诸如微处理器、存储器芯片等。类似的光刻技术也被用于平板显示器、微机电系统(MEMS)和其他装置的形成中。
随着半导体制造过程的不断发展,功能元件的尺寸被不断减小。同时,遵循一般称为“摩尔定律”的趋势,每个装置的诸如晶体管等功能元件的数量被稳定增加。在当前的技术水平下,装置的各层是使用光刻投影设备制造的,该光刻投影设备使用来自深紫外照射源的照射将设计布局投影到衬底上,从而创建尺寸远低于100nm(即,小于来自照射源(例如193nm照射源)的辐射波长的一半)的单个功能元件。
根据分辨率公式CD=k1×λ/NA,尺寸小于光刻投影设备的经典分辨率限制的特征被印刷的该过程一般被称为低k1光刻,其中λ是所采用的辐射的波长(当前大多数情况下为248nm或193nm),NA是光刻投影设备中的投影光学器件的数值孔径,CD是“临界尺寸”,通常是最小的印刷特征尺寸,并且k1是经验分辨率因数。通常,k1越小,就越难在衬底上再现与设计者计划的形状和尺寸类似的图案,以实现特定的电气功能性和性能。为了克服这些困难,复杂的微调步骤被应用于光刻投影设备、设计布局或图案形成装置。例如,这些包括但不限于NA和光学相干设置的优化、定制照射方案、相移图案形成装置的使用、设计布局中的光学邻近效应校正(OPC,有时也称为“光学和过程校正”)或通常限定为“分辨率增强技术”(RET)的其他方法。
发明内容
存在用于识别图案布局的几何独特部分((例如来自全芯片IC设计布局的独特片段或补丁)的工具,每个部分都具有图案的特定区域。所识别的独特部分彼此不同。然而,由这些工具确定的独特部分的数量非常多,并且没有有效的机制来限制或控制该数量。通常,被报告的一些独特部分(例如片段或补丁)具有仅略有不同的几何形状,并且包括从一个部分到下一部分的大量冗余信息。确定的大量独特部分和冗余信息可能会加重下游计算(例如计算光刻)过程的负担,因为大量和/或冗余信息会产生对大量计算资源的需要。
根据本公开的实施例,系统和方法被配置用于选择具有优化的、几何多样化的独特部分(例如片段或补丁)子集,该子集具有减少的部分计数数量并且仍然组合地包含来自图案布局(例如设计布局)的充足图案。例如,所选独特部分的数量可以比由现有工具识别的大量部分少多达100倍。尽管显著更少的独特部分被选择,但它们包括足够的几何多样性,例如以表示全芯片的整个图案布局。这可以显著减少所需的计算资源,并且加快下游计算过程等其他优点。
因此,根据实施例,提供了一种用于为半导体晶片的图案(例如设计)布局选择优化的、几何多样化的部分(例如片段或补丁)集合的方法。该方法包括接收图案布局的表示(例如原始和/或完整表示)。该方法包括确定图案布局的代表性部分集合,其中单个代表性部分包括图案布局的一个或多个(例如几何)独特图案的不同组合。
如本文使用的,“独特图案”是指在图案布局(设计布局)中被认为不同于其他独特图案的图案。图案通常由布局中感兴趣的空间窗口定义。图案独性质可以通过在表示空间中具有具体的独特表示来定义。例如,独性质可以通过在感兴趣的空间窗口中的表示中具有具体的(多个)独特形状、特征的(多个)布置、(多个)轮廓等来定义。独特图案可以跨图案布局具有许多实例(例如可能重复)。独特图案可能包括相同或类似的实例。独特图案可以通过使用精确匹配、模糊匹配、聚类或者其他算法或方法从图案布局中提取或识别。因此,如本文提及的,独特图案可以是代表精确匹配的图案组或类似的图案组的图案,如可以通过模糊匹配识别的那样。
代表性部分(例如片段或补丁)集合可以通过对跨图案布局重复的图案进行分组来确定。代表性部分子集然后可以基于一个或多个独特图案来选择。代表性部分子集被选择,使得它在显著减少数量的代表性部分中包括独特图案(相对于代表性部分集合)。在一些实施例中,代表性部分的所选子集包含最优多样化的独特图案组,并且具有少于规定的限制数量的代表性部分。该方法还可以包括提供代表性部分的所选子集作为用于训练机器学习模型的训练数据。例如,机器学习模型可以与用于半导体光刻过程的光学邻近效应校正(OPC)和/或源掩模优化(SMO)相关联。
在一些实施例中,图案布局的表示包括图形设计系统(.GDS)文件。
在一些实施例中,代表性部分(例如片段或补丁)子集的选择通过使用集合覆盖求解器方法来执行。在一些实施例中,这包括用离散优化器(例如整数线性规划求解器)确定代表性部分子集,以确定代表性部分子集。在一些实施例中,代表性部分子集被优化,以包括来自图案布局的最大数量的独特几何形状。
在一些实施例中,代表性部分子集被选择,使得子集中的代表性部分满足特定数量标准,并且子集中所包含的独特图案也满足特定多样性或数量标准。例如,给定某个计算系统的处理能力或其他因素的情况下,某个最大数量的片段可以被指定以用于建模或其他目的,例如确保计算系统不会在建模期间不合理地减慢和/或遇到其他问题等。在一些实施例中,计算系统可以自动将其自身限制为预定(例如最大)数量的代表性部分(例如片段)。在一些实施例中,系统和方法被配置为选择预定数量的代表性片段(子集),这些片段组合地包含图案布局的几何上最独特的图案。
在一些实施例中,代表性部分子集可以基于每个代表性部分包括的一个或多个独特图案的数量和/或稀有度来分级。代表性部分子集可以基于分级来确定。
在一些实施例中,代表性部分子集中的部分数量比代表性部分集合中的部分数量少大约10至100X的因数。
根据另一实施例,提供了一种用于确定图案布局的代表性部分(例如片段或补丁)子集的方法。该方法包括接收图案布局的代表性部分集合。单个代表性部分包括图案布局的一个或多个独特图案。代表性部分的所选子集包括满足规定标准的独特图案。
根据另一实施例,提供了一种用于确定图案布局的代表性部分子集的系统。该系统包括由机器可读指令配置为执行上面说明的方法的一个或多个硬件处理器。
根据另一实施例,提供了一种其上具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使计算机执行上面说明的方法。
附图说明
被并入到说明书中并且构成说明书的一部分的附图图示了一个或多个实施例,并且与描述一起解释了这些实施例。本发明的实施例现在将仅通过示例参照所附示意图来描述,其中对应的参考符号指示对应的部分,并且其中:
图1图示了光刻投影设备的各种子系统的框图。
图2图示了根据实施例的用于在光刻投影设备中模拟光刻的示例性方法的流程图。
图3图示了根据实施例的选择图案布局的代表性部分(例如片段或补丁)的示例性方法。
图4图示了根据实施例的确定图案布局的代表性部分集合的示例性方法。
图5图示了根据实施例的基于分组图案确定代表性部分集合的示例性方法。
图6图示了根据实施例的选择代表性部分子集的示例性方法。
图7是根据实施例的示例计算机系统的框图。
图8是根据实施例的光刻投影设备的示意图。
图9是根据实施例的另一光刻投影设备的示意图。
图10是根据实施例的光刻投影设备的详细视图。
图11是根据实施例的光刻投影设备的源收集器模块的详细视图。
具体实施方式
如上所述,存在用于识别图案设计或图案布局的几何独特部分(例如来自全芯片IC设计布局的独特片段)的工具。然而,由这些工具识别的几何独特部分的数量非常多,并且几何独特部分通常包括从一个部分到下一部分的大量冗余信息。这是因为,即使一个部分可能是独特的,它也可能与其他部分略有不同,并且仍然包括图案布局的大量独特图案(例如形状、轮廓等的组合),它们也被包括在若干其他部分中。
如上所述,“独特图案”是指在图案布局(设计布局)中被认为不同于其他独特图案的图案。例如,独性质可以通过在感兴趣的空间窗口中的表示中具有具体的(多个)独特形状、特征的(多个)布置、(多个)轮廓等来定义。独特图案可以跨图案布局具有具有许多实例(例如可能重复)。独特图案可能包括相同或类似的实例。独特图案可以通过使用精确匹配、模糊匹配、聚类或者其他算法或方法从图案布局中提取或识别。因此,如本文提及的,独特图案可以是代表精确匹配的图案组或类似的图案组的图案,如可以通过模糊匹配识别的那样。
根据本公开的实施例,图案布局(例如设计布局)的代表性部分(例如片段或补丁)的优化的、几何多样化的子集被选择,使得该子集仍然全面地表示用于后续建模和/或其他过程的图案布局(例如整个图案布局)。例如,根据本公开的实施例的所选片段子集有利地具有减少的片段数量,并且还可以为下游模型校准或模型训练提供改进的图案覆盖。本公开的实施例使用离散优化器(例如整数线性规划求解器)来识别包括尽可能多的独特几何信息的最优代表性部分子集(而不是简单地使用所有可用部分)。通过这种方式,本系统和方法可以选择相对较少(与完整集合相比)数量的代表性部分,它包括多样化的几何信息。例如,代表性部分子集被选择,使得它包括在显著减少数量的代表性部分中的独特图案;或包括在形成代表性部分的所选子集的预定数量(例如最大)的代表性部分中的最优多样化的独特图案。这可以显著减少所需的计算资源,并且加速稍后计算过程等其他优点。
本公开的实施例参照附图详细描述,附图作为本公开的说明性示例提供,以使本领域技术人员能够实践本公开。值得注意的是,下面的附图和示例并不意在将本公开的范围限制于单个实施例,但是通过交换一些或全部描述或图示的元件,其他实施例是可能的。而且,在本公开的某些元件可以使用已知部件部分或完全实施的情况下,仅这种已知部件中对于理解本公开所必需的那些部分将被描述,并且这种已知部件的其他部分的详细描述将被省略,以免混淆本公开。被描述为以软件实施的实施例不应该被限于此,而是可以包括以硬件或软件和硬件的组合实施的实施例,反之亦然,这对本领域技术人员来说是显而易见的,除非本文另有指定。在本说明书中,示出单个部件的实施例不应被视为限制;相反,本公开旨在涵盖包括多个相同部件的其他实施例,反之亦然,除非本文另有明确说明。而且,申请人不打算向说明书或权利要求中的任何术语赋予不常见的或特殊的含义,除非明确地这样陈述。进一步地,本公开涵盖本文通过说明引用的已知部件的当前和未来已知的等效物。
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“光束”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)。
本文使用的术语“投影光学器件”应该被广义地解释为涵盖各种类型的光学系统,例如包括折射光学器件、反射光学器件、孔径和反射折射光学器件。术语“投影光学器件”还可以包括根据这些设计类型中的任何一种操作的部件,以共同地或单独地引导、成形或控制辐射的投影束。术语“投影光学器件”可以包括光刻投影设备中的任何光学部件,而不管光学部件位于光刻投影设备的光路上的何处。投影光学器件可以包括用于在辐射经过(例如半导体)图案形成装置之前对来自源的辐射进行成形、调整和/或投影的光学部件和/或用于在辐射经过图案形成装置之后对辐射进行成形、调整和/或投影的光学部件。投影光学器件通常不包括源和图案形成装置。
(例如半导体)图案形成装置可以包括或可以形成一个或多个图案。图案可以使用CAD(计算机辅助设计)程序基于图案或设计布局来生成,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。设计规则可以包括和/或指定具体参数、参数的限制和/或范围和/或其他信息。一个或多个设计规则限制和/或参数可以被称为“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或者其他特征。因此,CD确定了所设计装置的总尺寸和密度。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。
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半导体图案形成装置,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(透射或反射的;二进制的、相移的、混合的等)以外,其他这种图案形成装置的示例还包括可编程反射镜阵列和可编程LCD阵列。
可编程反射镜阵列的示例可以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,光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。
如本文使用的,术语“图案化过程”通常是指通过施加指定的光图案作为光刻过程的一部分来创建蚀刻衬底的过程。然而,“图案化过程”也可以包括(例如等离子体)蚀刻,因为本文描述的许多特征可以为使用蚀刻(例如等离子体)处理形成印刷图案提供益处。
如本文使用的,术语“图案”是指要在衬底(例如晶片)上蚀刻的理想化图案-例如基于上述设计布局。例如,图案可以包括(多个)各种形状、特征的(多个)布置、(多个)轮廓等。
如本文使用的,“印刷图案”是指基于目标图案蚀刻的衬底上的物理图案。印刷图案可以包括例如由光刻过程产生的沟槽、通道、凹陷、边缘或其他二维和三维特征。
如本文使用的,术语“预测模型”、“过程模型”、“电子模型”和/或“模拟模型”(可以被互换使用)是指包括模拟图案化过程的一个或多个模型的模型。例如,模型可以包括光学模型(例如对用于在光刻过程中递送光的透镜系统/投影系统进行建模,并且可以包括对进入光刻胶的光的最终光学图像进行建模)、抗蚀剂模型(例如对抗蚀剂的物理效应进行建模,诸如由于光引起的化学效应)、OPC模型(例如可以被用于制造目标图案,并且可以包括亚分辨率抗蚀剂特征(SRAF)等)、蚀刻(或蚀刻偏置)模型(例如模拟蚀刻过程对印刷晶片图案的物理影响)、源掩模优化(SMO)模型和/或其他模型。
如本文使用的,术语“校准”意味着修改(例如改进或调谐)和/或验证诸如模型等事物。
图案化系统可以是包括任何或所有上述部件加上被配置为执行与这些部件相关联的任何或所有操作的其他部件的系统。例如,图案化系统可以包括光刻投影制造、扫描仪、被配置为施加和/或去除抗蚀剂的系统、蚀刻系统和/或其他系统。
作为介绍,图1图示了示例光刻投影制造10A的各种子系统的图。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(然而,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的辐射进行成形的光学器件部件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可以限制撞击在衬底平面22A上的光束角度范围,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光束的最大角度,该光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引导和成形到衬底上。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。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US2009-0157360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性质相关(例如在曝光、曝光后烘烤(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性质(例如照射、图案形成装置和投影光学器件的性质)指定了空间图像,并且可以在光学模型中定义。由于在光刻投影设备中使用的图案形成装置可以被改变,因此期望将图案形成装置的光学性质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性质分离。用于将设计布局变换为各种光刻图像(例如空间图像、抗蚀剂图像等),使用这些技术和模型应用OPC并且评估性能(例如按照过程窗口)的技术和模型的细节是在美国专利申请公开号US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197、2010-0180251中描述的,其中每一个的公开内容通过引用全部并入本文。
可能期望使用一个或多个工具来产生例如可以被用于设计、控制、监测等图案化过程的结果。用于计算控制、设计等图案化过程的一个或多个方面(诸如用于图案形成装置的图案设计(包括例如添加亚分辨率辅助特征或光学邻近效应校正)、用于图案形成装置的照射等)的一个或多个工具可以被提供。因此,在用于计算控制、设计等制造过程(涉及图案化)的系统中,制造系统部件和/或过程可以由各种功能模块和/或模型来描述。在一些实施例中,一种或多种电子(例如数学、参数化、机器学习等)模型可以被提供,它描述图案化过程的一个或多个步骤和/或设备。在一些实施例中,图案化过程的模拟可以使用一个或多个电子模型来执行,以模拟图案化过程如何使用由图案形成装置提供的图案来形成图案化衬底。
用于模拟光刻投影设备中的光刻的示例性流程图在图2中图示。照射模型231表示照射的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型232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/或相位分布的变化)。设计布局模型235表示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/或相位分布的变化),其是在图案形成装置上或由图案形成装置形成的特征布置的表示。空间图像236可以使用照射模型231、投影光学器件模型232和设计布局模型235来模拟。抗蚀剂图像238可以使用抗蚀剂模型237从空间图像236模拟。光刻的模拟可以例如预测抗蚀剂图像中的轮廓和/或CD。
更具体地,照射模型231可以表示照射的光学特性,包括但不限于NA西格玛(σ)设置以及任何特定照射形状(例如离轴照射,诸如环形、四极、偶极等)。投影光学器件模型232可以表示投影光学器件的光学特性,例如包括像差、失真、折射率、物理尺寸或尺寸等。设计布局模型235也可以表示物理图案形成装置的一个或多个物理性质,例如在美国专利号7,587,704中描述的,其通过引用全部并入本文。与光刻投影设备相关联的光学性质(例如照射、图案形成装置和投影光学器件的性质)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,因此期望将图案形成装置的光学性质与至少包括照射和投影光学器件(因此包括设计布局模型235)的光刻投影设备的其余部分的光学性质分开。
抗蚀剂模型237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号8,200,468中找到,其通过引用全部并入本文。抗蚀剂模型通常与抗蚀剂层的性质相关(例如在曝光、曝光后烘烤和/或显影期间发生的化学过程的影响)。
全模拟的目标中的一个目标是准确地预测例如边缘放置、空间图像强度斜率和/或CD,然后可以与预期设计进行比较。预期设计通常被定义为OPC前设计(或图案)布局,它可以以标准化的数字文件格式(诸如.GDS、.GDSII、.OASIS或其他文件格式)提供。
通过设计(图案)布局,一个或多个部分可以被识别,这些部分被称为“片段”。在实施例中,片段集合被提取,它表示设计(图案)布局中的复杂图案(通常为数百或数千个片段,尽管任何数量的片段可以被使用)。如本领域技术人员将了解的,这些片段表示设计的小部分(例如电路、单元等),并且可以表示需要特别注意和/或验证的小部分。换言之,片段可能是设计(图案)布局的一部分,或者可能与设计(图案)布局的部分类似或具有类似的行为,其中关键特征通过经验(包括由客户提供的片段)、通过反复试验或通过运行全芯片模拟来识别。片段可以包含一个或多个测试图案或量规图案。初始的较大片段集合可以由客户基于需要特定图像优化的设计(图案)布局中的已知关键特征区域来先验地提供。备选地,在另一实施例中,初始的较大片段集合可以通过使用识别关键特征区域的自动(诸如机器视觉)或手动算法从整个设计(图案)布局中提取。
设计(图案)布局的片段通常被选择为使得各个片段包括设计(图案)布局的一个或多个(例如几何上的)独特图案的不同组合。包括这些几何独特图案的片段数量通常非常大,并且通常未被设限或以其他方式控制。通常,若干不同部分(例如片段)具有仅略有不同的几何形状,并且包括从一个片段到下一片段的大量冗余信息。
基于片段(和/或其他信息),模拟和建模可以被用于配置图案形成装置图案的一个或多个特征(例如执行光学邻近效应校正)、照射的一个或多个特征(例如改变照射的空间/角强度分布的一个或多个特性,诸如改变形状)和/或投影光学器件的一个或多个特征(例如数值孔径等)。这种配置通常可以被分别称为掩模优化、源优化和投影优化。这种优化可以被单独执行,或者以不同的组合进行组合。一个这种示例是源掩模优化(SMO),它涉及配置图案形成装置图案的一个或多个特征连同照射的一个或多个特征。优化技术可以集中于一个或多个片段。
例如,类似的建模技术可以被应用于优化蚀刻过程和/或其他过程。在一些实施例中,照射模型231、投影光学器件模型232、设计布局模型235、抗蚀剂模型237和/或其他模型可以结合例如蚀刻模型使用。例如,来自显影后检查(ADI)模型(例如作为设计布局模型235、抗蚀剂模型237和/或其他模型的一些和/或全部被包括在内)的输出可以被用于确定ADI轮廓,这可以被提供给有效蚀刻偏置(EEB)模型以生成预测的蚀刻后检查(AEI)轮廓。
在一些实施例中,系统的优化过程可以被表示为成本函数。优化过程可以包括寻找使成本函数最小化的系统的参数(设计变量、过程变量等)集合。取决于优化的目标,成本函数可以具有任何合适的形式。例如,成本函数可以是系统的某些特性(评估点)相对于这些特性的预期值(例如理想值)的偏差的加权均方根(RMS)。成本函数也可以是这些偏差中的最大值(即,最坏偏差)。术语“评估点”应该被广义地解释为包括系统或制作方法的任何特性。由于系统和/或方法的实施方式的实用性,系统的设计和/或过程变量可以被局限在有限范围和/或是相互依赖的。在光刻投影设备的情况下,约束通常与硬件的物理性质和特性相关联,诸如可调谐范围和/或图案形成装置可制造性设计规则。例如,评估点可以包括衬底上的抗蚀剂图像上的物理点以及诸如一个或多个蚀刻参数、剂量和聚焦等非物理特性。
作为示例,在蚀刻系统中,成本函数(CF)可以被表达为
其中(z1,z2,…,zN)是N个设计变量或其值,并且fp(z1,z2,…,zN)可以是设计变量(z1,z2,…,zN)的函数,诸如(z1,z2,…,zN)的设计变量的值集的特性的实际值和预期值之间的差异。在一些实施例中,wp是与fp(z1,z2,…,zN)相关联的权重常数。例如,该特性可以是在边缘上的给定点处测量的图案边缘的位置。不同的fp(z1,z2,…,zN)可能具有不同的权重wp。例如,如果特定边缘具有窄范围的允许位置,则表示边缘的实际位置与预期位置之间的差异的fp(z1,z2,…,zN)的权重wp可能会被给予更高的值。fp(z1,z2,…,zN)也可以是层间特性的函数,而层间特性又是设计变量(z1,z2,…,zN)的函数。当然,CF(z1,z2,…,zN)不被限于以上方程中的形式,并且CF(z1,z2,…,zN)可以是任何其他合适的形式。
成本函数可以表示蚀刻系统、蚀刻过程、光刻设备、光刻过程或衬底的任何一个或多个合适的特性,例如聚焦、CD、图像偏移、图像失真、图像旋转、随机变化、吞吐量、局部CD变化、过程窗口、层间特性或其组合。在一些实施例中,成本函数可以包括表示抗蚀剂图像的一个或多个特性的函数。例如,fp(z1,z2,…,zN)可以简单地是在例如蚀刻和/或一些其他过程之后抗蚀剂图像中的点到该点的预期位置之间的距离(即,边缘放置误差EPEp(z1,z2,…,zN))。参数(例如设计变量)可以包括任何可调整参数,诸如蚀刻系统、源、图案形成装置、投影光学器件、剂量、聚焦等的可调整参数。
参数(例如设计变量)可能具有约束,它可以被表达为(z1,z2,…,zN)∈Z,其中Z是设计变量的可能值的集合。对设计变量的一种可能约束可以由光刻投影设备的期望吞吐量强加。在没有由期望吞吐量强加的这种约束的情况下,优化可能会产生不切实际的设计变量值的集合。约束不应被解释为必需品。
在一些实施例中,照射模型231、投影光学器件模型232、设计布局模型235、抗蚀剂模型237、蚀刻模型和/或与集成电路制造过程相关联和/或集成电路制造过程中所包括的其他模型可以是经验模型和/或其他模拟模型。经验模型可以基于各种输入(例如图案的一个或多个特性(诸如曲率)、图案形成装置的一个或多个特性、光刻过程中使用的照射的一个或多个特性(诸如波长)等)之间的校正来预测输出。
作为示例,经验模型可以是机器学习模型和/或任何其他参数化模型。在一些实施例中,机器学习模型(例如)可以是和/或包括数学方程、算法、绘图、图表、网络(例如神经网络)和/或其他工具和机器学习模型部件。例如,机器学习模型可以是和/或包括具有输入层、输出层和一个或多个中间层或隐藏层的一个或多个神经网络。在一些实施例中,一个或多个神经网络可以是和/或包括深度神经网络(例如在输入和输出层之间具有一个或多个中间层或隐藏层的神经网络)。
作为示例,一个或多个神经网络可以基于神经单元(或人工神经元)的大集合。一个或多个神经网络可能松散地模仿生物大脑的工作方式(例如经由由轴突连接的大量生物神经元集群)。神经网络的每个神经单元可以与神经网络的许多其他神经单元连接。这种连接可以强制或抑制它们对连接的神经单元的激活状态的影响。在一些实施例中,每个单独的神经单元可以具有将其所有输入的值组合在一起的求和函数。在一些实施例中,每个连接(或神经单元本身)可以具有阈值函数,使得信号在被允许传播到其他神经单元之前必须超过阈值。与传统的计算机程序相比,这些神经网络系统可能是自学习和训练的,而不是明确编程的,并且在问题解决的某些领域可以执行得明显更好。在一些实施例中,一个或多个神经网络可以包括多个层(例如其中信号路径从前层遍历到后层)。在一些实施例中,反向传播技术可以由神经网络使用,其中前向刺激被用于重置“前”神经单元上的权重。在一些实施例中,一个或多个神经网络的刺激和抑制可能更自由流动,连接以更混乱和复杂的方式交互。在一些实施例中,一个或多个神经网络的中间层包括一个或多个卷积层、一个或多个循环层和/或其他层。
一个或多个神经网络可以使用训练数据集来训练(即,其参数被确定)。训练信息可以包括训练样本集。每个样本可以是包括输入对象(通常是向量,可以被称为特征向量)和期望的输出值(也称为监督信号)的一对。训练算法分析训练信息,并且通过基于训练信息调整神经网络的参数(例如一层或多层的权重)来调整神经网络的行为。例如,给定形式为{(x1,y1),(x2,y2),…,(xN,yN)}的N个训练样本集,其中xi是第i个示例的特征向量,并且yi是其监督信号,训练算法寻求神经网络g:X→Y,其中X是输入空间,并且Y是输出空间。特征向量是表示一些对象(例如模拟的空间图像、晶片设计、片段等)的数值特征的n维向量。与这些向量相关联的向量空间通常被称为特征空间。在训练后,神经网络可以被用于使用新样本进行预测。
作为另一示例,经验(模拟)模型可以包括一种或多种算法。一种或多种算法可以是和/或包括数学方程、绘图、图表和/或其他工具和模型部件。
图3图示了根据本公开的实施例的选择图案布局的代表性部分(例如片段或补丁)的示例性方法300。方法300是用于为图案布局(例如设计布局)选择代表性部分的优化的几何多样化子集的方法。在一些实施例中,方法300包括:接收302图案布局的原始(例如完整)表示;通过对代表性部分中的跨图案布局重复的图案(例如跨图案布局的若干位置中重复的几何图案)进行分组306来确定304图案布局的代表性部分(例如片段)集合;选择308代表性部分子集;以及为各种下游应用提供310代表性部分子集。
在一些实施例中,非瞬态计算机可读介质存储指令,该指令在由计算机执行时使计算机执行一个或多个操作302至310和/或其他操作。方法300的操作旨在是说明性的。在一些实施例中,方法300可以用未描述的一个或多个附加操作和/或不用所讨论的一个或多个操作来完成。例如,操作310和/或其他操作可以是可选的。附加地,方法300的操作在图3中图示并且在下面描述的顺序不旨在进行限制。
在操作302中,图案布局的表示被接收到。图案布局的表示可以是和/或包括图案布局的所有或基本上所有图案。例如,这可以被认为是原始的或完整的表示。该表示可以包括模拟、图像和电子文件和/或其他表示。该表示可以包括描述图案布局本身的图案的信息和/或与图案相关的信息。图案可以包括图案布局中的轮廓的几何形状和/或与几何形状相关的信息。使用半导体芯片作为示例,图案布局的表示可以包括构成芯片设计的所有(或基本上所有)图案(例如包括被配置为便于检查和/或其他操作的图案布局结构)。这可以包括通道、突起、过孔、光栅等,如模拟、图像、.GDS文件等所示。
在一些实施例中,代表性部分选择或图案选择可以基于直接从布局设计获得的图案多边形。在一些其他实施例中,代表性部分选择或图案选择可以基于图案布局的图案图像或轮廓,其中图像或轮廓可以从任何合适的检查或量测系统或模拟获得。例如,选择可以基于测量或模拟的图案的空间图像、光学图像、掩模图像、抗蚀剂图像、蚀刻图像、晶片图像。
例如,图案布局中的图案可以包括二维和/或三维几何形状。接收到的表示包括描述形状的特性(例如诸如X-Y维数据点、描述几何形状的数学方程等)的数据、与形状相关联的处理参数和/或其他数据。在一些实施例中,图案布局的表示可以包括来自图案布局(例如来自先前检查的晶片)的显影后检查(ADI)的检查结果、图案布局中的图案模型和/或其他信息。由于图案布局的显影后检查产生的检查结果可以从扫描电子显微镜、光学量测工具和/或其他源获得。在一些实施例中,图案可以从由抗蚀剂模型(例如如图2所示和上面描述的)、光学模型(例如如图2所示和上面描述的)、蚀刻模型、蚀刻偏置模型和/或其他建模源产生的空间图像、掩模图像、蚀刻图像等获得。
在一些实施例中,图案布局的表示包括.GDS文件、.GDSII文件、.OASIS文件和/或具有其他文件格式的电子文件和/或图案布局的另一电子表示。该表示可以从本系统的一个或多个其他部分(例如从不同处理器,或从单个处理器的不同部分)、从与本系统不关联的远程计算系统和/或从其他源以电子方式接收。该表示可以无线地和/或经由电线,经由便携式存储介质和/或从其他源接收。该表示可以从另一源(诸如例如云存储设备)上传和/或下载,和/或以其他方式接收。
在操作304中,图案布局的代表性部分(例如片段或补丁)集合被确定。代表性部分可以表示图案布局的不同部分。代表性部分可以包括来自图案布局的若干不同的独特代表性部分。在一些实施例中,如上所述,图案布局包括例如用于半导体晶片的设计布局,并且代表性部分包括设计布局的片段。在一些实施例中,图案布局包括例如用于不同装置的设计布局,并且代表性部分包括不同装置的不同部分。
单个代表性部分(例如片段或补丁)包括图案布局(例如设计布局)的一个或多个独特图案。例如,图案在几何上可能是独特的,和/或出于其他原因。换言之,确定的片段集合中的片段可以包括设计布局的一个或多个几何独特图案。图案布局的代表性部分集合被确定,使得单个代表性部分包括一个或多个独特图案的不同组合。在一些情况下,至少一个独特图案被包括在多于一个代表性部分中。
图4图示了与确定图案布局的代表性部分(例如片段)集合相关的附加细节。图4图示了单个代表性部分(例如片段)400、402、404和406包括图案布局(例如设计布局)的一个或多个独特图案A至M。换言之,确定的片段集合(例如包括片段400至406的片段组)中的片段400至406可以包括设计布局的一个或多个识别的独特图案A至M。如图4所示,图案布局的代表性部分(例如片段)集合400至406被确定,使得单个代表性部分(片段)400至406包括一个或多个独特图案A至M的不同组合。在一些实施例中,图案可以在相同的代表性部分(例如片段)内重复,和/或跨两个或多个代表性部分(例如片段)重复。在一些实施例中,图案A至M中的至少一个被包括在多于一个代表性部分(例如片段)400至406中。在该示例中,A、B和J是相同的图案,它们在片段400和片段406中重复。图案C、D和K是相同的图案,它们在片段400、402和406中重复。图案E和F是相同的图案,它们在片段402中重复。图案G和H是相同的图案,它们在片段404中重复。最后,图案I、L和M是相同的图案,它们在片段404和406中重复。
在一些实施例中,如图4所示,图案布局的表示可以被接收到408(也参见上述图3中的操作302)。图案A至M可以在给定片段400至406内识别410。重复(相同或几乎相同,例如类似或相似)图案可以被分组在一起(例如通过精确和/或模糊匹配算法、聚类等)。每个片段400至406中的任何重复图案A至M可以被分组412,然后图案组可以跨全图案布局(设计布局)被进一步分组414。独特的图案(可以包括上述相同和/或类似的图案)可以在全图案布局中具有重复的实例。在图4中,重复相同和/或类似的图案包括图案A、B和I;图案C、D和K、图案E和F;图案G和H;以及图案I、L和M;例如它们被分组在一起。图4图示了在最初分组412之后每个图案的小计数量(例如2、1、1、2、2、1、1、1、2)以及跨全图案布局被分组414之后每个图案的最终总数量(例如3、3、2、2、3)。
返回到图3,在一些实施例中,代表性部分集合通过在代表性部分中对重复的相同和/或类似图案进行分组360来确定(例如如图4所示和描述的)。代表性部分集合基于分组图案和/或其他信息来确定。在一些实施例中,跨图案布局重复的图案被分组以确定独特图案,并且代表性部分集合基于分组图案和/或其他信息来确定。
例如,图5图示了基于视图501和503中重复的相同和/或类似图案504的组502确定代表性部分(片段或补丁)500集合。图5图示了片段500、图案504和组502之间的连接图。如视图501所示,代表性部分集合(例如片段集合500)是通过对在代表性部分中重复的相同和/或类似图案504分组306为组502来确定的(也参见图4所示和描述的412和414)。如视图503所示,代表性部分(片段)集合500基于重复的相同和/或类似图案504的组502来确定,使得代表性部分(片段)集合500包括来自每个组502的独特图案(504)。在图5所示的示例中,来自组515的图案被包括在片段505中。来自组517的图案被包括在片段505和513中。来自组519的图案被包括在片段511中。来自组521的图案被包括在片段507和511中。
返回图3,在操作308中,代表性部分(例如片段或补丁)子集被选择和/或以其他方式确定。代表性部分子集被选择,使得子集中的代表性部分满足特定数量标准,并且子集中所包含的几何独特图案也满足特定多样性或数量标准。代表性部分子集是基于一个或多个独特图案、组和/或其他信息来确定的。另外,代表性部分子集中的部分可以被确定为使得代表性部分之间的相同和/或类似图案中的冗余量被最小化,并且代表性部分子集包括关于图案布局的多样化几何信息。
在一些实施例中,这导致代表性部分子集中的代表性部分的数量比代表性部分集合中的代表性部分的数量少大约10的因数。在一些实施例中,代表性部分子集中的代表性部分的数量比代表性部分集合中的代表性部分的数量少大约100的因数。在一些实施例中,代表性部分子集中的代表性部分的数量比代表性部分集合中的代表性部分的数量少大约1000的因数。如上所述,这可以显著减少所需的计算资源,并且加速稍后计算过程(例如电子建模和/或其他计算过程)等其他优点。
代表性部分子集是基于一个或多个独特图案、组和/或其他信息来组合地选择的。代表性部分的所选子集包括满足规定标准的多个独特图案。在一些实施例中,规定标准包括在代表性部分的所选子集中包括至少阈值数量的独特图案。例如,阈值数量被配置为组合地确保代表性部分的所选子集中所包括的独特图案提供足够的图案覆盖,例如表示图案布局的整体(或几乎整体)。例如,阈值数量可以是或对应于独特图案的数量和/或其他阈值数量。阈值数量可以由用户设置;基于独特图案、图案布局的代表性部分集合和/或其他信息自动设置;和/或以其他方式设置。例如,代表性部分子集可以被配置为在最小(或最少可能)数量的代表性部分中包括每个几何独特图案。
在一些实施例中,代表性部分的所选子集包含最优多样化的独特图案组,并且具有少于规定的限制数量的代表性部分。给定形成所选子集的预定数量的代表性部分的情况下,最优多样化的独特图案组包括具有几何形状的多个独特图案,该几何形状组合地表示尽可能多的图案布局。在一些实施例中,代表性部分的所选子集可以在最大数量的代表性部分中具有尽可能多的图案布局的几何独特图案。在一些实施例中,该最大数量由子集选择算法或方法(例如集合覆盖求解器算法)指定。
在一些实施例中,选择或以其他方式确定代表性部分子集由离散优化器(例如图7所示并且在下面描述的处理器PRO)执行。代表性部分子集被优化,以包括来自图案布局的最大数量的独特几何形状。在一些实施例中,代表性部分的所选子集组合地包括至少阈值数量的独特图案。在一些实施例中,代表性部分的所选子集在少于规定的限制数量的代表性部分中组合地包括最优多样化的独特图案组。在一些实施例中,优化器可以被实施为找到给定成本函数的最小值的计算机算法。例如,优化器可以是被配置为共同确定多个变量的基于梯度的非线性优化器。此处,例如变量可以包括多个独特图案、多个代表性部分(例如片段)和/或其他变量。优化器可以被配置为相对于制造能力或与不同指标相关联的成本(例如临界尺寸、图形布局放置误差、边缘放置误差、临界尺寸不对称性、缺陷计数和/或可能稍后基于建模生成的其他指标)平衡不同的可能变量(例如多个独特图案、多个片段等,每个都在它们自己的允许范围内)。离散优化器可以使用整数线性规划和/或其他技术来确定代表性部分子集。
在一些实施例中,离散优化器可以被实施为包括被配置为执行集合覆盖求解器算法的集合覆盖求解器。例如,在一些实施例中,离散优化器被配置为使得给定n个独特图案的集合,E={E1,E2,...En}(所谓的全集)和具有不同图案布局的片段集合,其并集等于全集,则操作308包括识别其并集等于图案全集的最小片段子集合。在一些实施例中,离散优化器被配置为使得给定n个独特图案的集合E={E1,E2,…En}和具有不同图案布局的片段集合,其并集等于全集,则操作308包括识别代表性部分的所选子集,该子集包含最优多样化的独特图案组,并且具有小于规定的限制数量的代表性部分(例如识别其并集尽可能接近(例如被优化为最好地表示)图案全集的最大数量的片段)。
在一些实施例中,当代表性部分(片段)子集包含最佳多样化的独特图案组,并且具有少于规定的限制数量的代表性部分时,代表性部分子集可以基于它们包括的一个或多个独特图案来分级。在一些实施例中,代表性部分子集基于每个代表性部分包括的一个或多个独特图案的数量和/或稀有度和/或其他信息来分级。代表性部分子集基于分级和/或其他信息来确定。例如,具有最高分级的片段可以按顺序选择,直到规定的限制(例如最大允许)数量的代表性部分(片段)被达到为止。
在一些实施例中,代表性部分的规定的限制和/或最大数量可以由用户设置或自动设置。例如,规定的和/或最大数量的代表性部分可以经由图形用户界面的一个或多个视图中的一个或多个字段来键入(例如由图7所示和下面描述的计算系统控制和/或显示)。在一些实施例中,规定的和/或最大数量的代表性部分是电子确定的(例如通过诸如图7所示的PRO等处理器)。在一些实施例中,用户设置的规定和/或最大值和/或电子确定的规定的和/或最大值可以基于代表性目标部分的目标数量、计算机功率和/或与可用计算资源相关联的存储设备、与代表性部分相关联的制造过程、吞吐量要求和/或其他信息来确定。
图6图示了在视图660和665中选择651代表性部分(例如片段)601至604的子集650的示例。为了便于理解,视图660和665图示了相同的选择651过程的两个版本,但是具有不同的图形(例如视图660提供约束图图形)。代表性部分子集650是从确定的代表性部分集合655(例如在该示例中为来自集合655的片段601至604)中选择的,并且包括比(完整)集合655(例如在该示例中包括四个片段601至604)中的代表性部分数量少的代表性部分(例如子集650在该示例中包括两个片段601和604)。代表性部分子集650是基于一个或多个独特图案(例如在该示例中为E1至E5,它可能已经如上所述分组)和/或其他信息来确定的。代表性部分(片段)601至604的子集650被选择,使得相对于代表性部分(片段)601至604的子集650中的其他代表性部分,代表性部分子集650中的每个代表性部分(片段)601和604包括一个或多个独特图案(例如在部分(片段)601中的E1至E3和部分(片段)604中的E4至E5)的不同布置。另外,子集650中的部分(片段)601和604被确定651,使得候选部分(片段)601至604之间的独特图案(E1至E5)中的冗余量被最小化,并且子集650包括关于图案布局的多样化几何信息。在图6所示的示例中,仅部分(片段)601和604被选择,因为这两个片段组合地包括图案E1至E5中的每个图案的至少一个实例。片段602和603包括冗余信息(例如E2、E3和E4的附加实例)。
返回图3,在操作310中,代表性部分子集针对各种下游应用提供。在一些实施例中,操作310包括提供代表性部分的所选子集用于检查或量测。图案或与图案相关联的数据可以被用作物理、半物理或经验模型的校准数据,或被用作训练机器学习模型的训练数据。与图案相关联的数据可以是与图案相关联的模拟数据或检查或量测数据。在一些实施例中,为了从模型生成预测(输出)(例如关于半导体制造过程的预测)的目的,一个或多个代表性部分的所选子集可以作为输入被提供给训练后的机器学习模型。提供可以包括以电子方式发送、上传和/或以其他方式将代表性部分输入到机器学习模拟模型。在一些实施例中,模拟模型可以与导致其他操作302至310的指令集成地编程(例如使得不需要“提供”,而是数据直接简单地流向模拟模型)。
例如,一个或多个代表性部分子集可以被提供给一个或多个机器学习模拟模型。模拟模型可以被配置为预测一个或多个几何独特特征可能对图案化过程具有的影响(例如如上所述)。例如,机器学习模型可以与用于半导体光刻过程的光学邻近效应校正(OPC)、热点或缺陷预测和/或源掩模优化(SMO)和/或其他操作相关联。如上所述,选择用于训练的最优片段子集可以在模型训练和/或执行操作期间节省运行时间,和/或具有其他优点。
对半导体制造过程的调整可以基于来自这种模型的输出进行。例如,调整可以包括改变一个或多个半导体制造过程参数。调整可以包括图案参数变化(例如尺寸、位置和/或其他设计变量)和/或任何可调整参数,诸如蚀刻系统、源、图案形成装置、投影光学器件、剂量、聚焦等的可调整参数。参数可以由处理器(例如计算机控制器)自动或以其他方式电子调整,由用户手动调制,或以其他方式调整。在一些实施例中,参数调整可以被确定(例如给定参数应该被改变的量),并且例如参数可以从先前的参数设置点被调整到新的参数设置点。
图7是可以被用于本文描述的一个或多个操作的示例计算机系统CS的图。计算机系统CS包括总线BS或用于传递信息的其他通信机制以及与总线BS耦合以用于处理信息的处理器PRO(或多个处理器)。计算机系统CS还包括主存储器MM,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BS以用于存储信息和要由处理器PRO执行的指令。主存储器MM还可以被用于在由处理器PRO执行指令期间存储临时变量或其他中间信息。计算机系统CS还包括只读存储器(ROM)ROM或被耦合至总线BS的其他静态存储装置,以用于存储静态信息和处理器PRO的指令。诸如磁盘或光盘等存储装置SD被提供并且耦合至总线BS,以用于存储信息和指令。
计算机系统CS可以经由总线BS被耦合至显示器DS,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ID被耦合至总线BS,以用于将信息和命令选择传递给处理器PRO。另一类型的用户输入装置是光标控件CC,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PRO并且控制显示器DS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,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。
在一些实施例中,响应于处理器PRO执行主存储器MM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CS执行。这种指令可以从另一计算机可读介质(诸如存储装置SD)被读取到主存储器MM中。执行主存储器MM中所包含的指令序列导致处理器PRO执行本文描述的过程步骤(操作)。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MM中所包含的指令序列。在一些实施例中,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PRO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SD。易失性介质包括动态存储器,诸如主存储器MM。传输介质包括同轴电缆、铜线和光纤,包括构成总线BS的电线。传输介质还可以采用声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间生成的那些。计算机可读介质可以是非瞬态的,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。非瞬态计算机可读介质可以在其上记录有指令。指令在由计算机执行时可以实施本文描述的任何操作。例如,瞬态计算机可读介质可以包括载波或其他传播电磁信号。
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PRO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CS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BS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BS上。总线BS将数据携带到主储存器MM,处理器PRO从该主储存器MM取回和执行指令。在由处理器PRO执行之前或之后,由主存储器MM接收的指令可以可选地被存储在存储装置SD上。
计算机系统CS还可以包括被耦合至总线BS的通信接口CI。通信接口CI提供与被连接至本地网络LAN的网络链路NDL的双向数据通信耦合。例如,通信接口CI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CI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CI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NDL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,网络链接NDL可以通过本地网络LAN提供与主机计算机HC的连接。这可以包括通过全球分组数据通信网络(现在通常称为“互联网”INT)提供的数据通信服务。本地网络LAN(互联网)可以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数据链路NDL上并且通过通信接口CI的信号(将数字数据携带到计算机系统CS并且从计算机系统CS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CS可以通过(多个)网络、网络数据链路NDL和通信接口CI发送消息并且接收数据,包括程序代码。在互联网示例中,主机计算机HC可以通过互联网INT、网络数据链路NDL、本地网络LAN和通信接口CI来传输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PRO执行,和/或被存储在存储装置SD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CS可以获得载波形式的应用代码。
图8是根据实施例的光刻投影设备的示意图。光刻投影设备可以包括照射系统IL、第一载物台MT、第二载物台WT和投影系统PS。照射系统IL可以调节辐射束B。在该示例中,照射系统还包括辐射源SO。第一载物台(例如图案形成装置台)MT可以被提供有图案形成装置保持器以保持图案形成装置MA(例如掩模版),并且被连接至第一定位器以相对于物品PS准确地定位图案形成装置。第二载物台(例如衬底台)WT可以被提供有衬底保持器以保持衬底W(例如涂有抗蚀剂的硅晶片),并且被连接至第二定位器以相对于物品PS准确地定位衬底。投影系统(例如包括透镜)PS(例如折射、反射或反射折射光学系统)可以将图案形成装置MA的照射部分成像到衬底W的目标部分C(例如包括一个或多个管芯)上。例如,图案形成装置MA和衬底W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。
如所描绘的,该设备可以是透射型的(即,具有透射式图案形成装置)。然而,通常,它也可以是反射型的,例如(具有反射式图案形成装置)。该设备可以采用与经典掩模不同种类的图案形成装置;示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如汞灯或准分子激光器、LPP(激光产生的等离子体)EUV源)产生辐射束。例如,该光束直接地或者在遍历诸如扩束器或光束递送系统BD(包括导向镜、扩束器等)等调节部件之后被馈送到照射系统(照射器)IL中。照射器IL可以包括调整部件AD,以用于设置光束中的强度分布的外部和/或内部径向范围(一般分别称为σ外部和σ内部)。另外,它通常将包括各种其他部件,诸如积分器IN和聚光器CO。通过这种方式,撞击在图案形成装置MA上的光束B在其横截面中具有期望的均匀性和强度分布。
在一些实施例中,源SO可以在光刻投影设备的外壳内(例如当源SO是汞灯时通常是这种情况),但是它也可以远离光刻投影设备。例如,它产生的辐射束可以被引导到设备中(例如借助于合适的导向镜)。例如,当源SO是准分子激光器(例如基于KrF、ArF或F2激光照射)时,该后一种场景可能是这种情况。
光束B可以随后拦截被保持在图案形成装置台MT上的图案形成装置MA。在遍历图案形成装置MA后,光束B可以穿过透镜PL,该透镜PL将光束B聚焦到衬底W的目标部分C上。借助于第二定位部件(和干涉测量部件IF),衬底台WT可以被准确地移动,例如以将不同的目标部分C定位在光束B的路径中。类似地,第一定位部件可以被用于相对于光束B的路径准确地定位图案形成装置MA,例如在图案形成装置MA从图案形成装置库中机械取回之后或者在扫描期间。通常,借助于长冲程模块(粗略定位)和短冲程模块(精细定位),载物台MT、WT的移动可以被实现。然而,在步进器(与步进扫描工具相对)的情况下,图案形成装置台MT可以被连接至短冲程致动器,或者可以是固定的。
所描绘的工具可以被用于两种不同的模式:步进模式和扫描模式。在步进模式下,图案形成装置台MT基本保持静止,并且整个图案形成装置图像在一个操作(即,单次“闪光”)中被投影到目标部分C上。衬底台WT可以在x和/或y方向上偏移,使得不同的目标部分C可以被光束B照射。在扫描模式下,基本上适用相同的场景,除了给定的目标部分C未在单次“闪光”中被曝光之外。相反,图案形成装置台MT在给定方向(例如“扫描方向”或“y”方向)上以速度v可移动,使得投影光束B在图案形成装置图像上扫描。并发地,衬底台WT同时沿着相同或相反方向以速度V=Mv移动,其中M是透镜的放大率(通常,M=1/4或1/5)。通过这种方式,相对较大的目标部分C可以被曝光,而不必牺牲分辨率。
图9是可以被用于和/或促进本文描述的一个或多个操作的另一光刻投影设备(LPA)的示意图。LPA可以包括源收集器模块SO、被配置为调节辐射束B(例如EUV辐射)的照射系统(照射器IL)、支撑结构MT、衬底台WT和投影系统PS。支撑结构(例如图案形成装置台)MT可以被构造为支撑图案形成装置(例如掩模或掩模版)MA,并且被连接至第一定位器PM(被配置为准确地定位图案形成装置)。衬底台(例如晶片台)WT可以被构造为保持衬底(例如涂有抗蚀剂的晶片)W,并且被连接至第二定位器PW(被配置为准确地定位衬底)。投影系统(例如反射式投影系统)PS可以被配置为将由图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如包括一个或多个管芯)上。
如该示例中所示,LPA可以是反射型的(例如采用反射式图案形成装置)。要注意的是,因为大多数材料在EUV波长范围内是吸收性的,所以图案形成装置可以具有多层反射器,该多层反射器包括例如钼和硅的多叠层。在一个示例中,多叠层反射器具有钼和硅的40层对,其中每层的厚度为四分之一波长。甚至更小的波长可以用X射线光刻产生。由于大多数材料在EUV和x射线波长处都是吸收性的,因此在图案形成装置形貌上的图案化吸收材料的薄片(例如多层反射器顶部的TaN吸收剂)定义了特征将在何处印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)。
照射器IL可以接收来自源收集器模块SO的极紫外辐射束。产生EUV辐射的方法包括但不必限于将材料转换为具有至少一种元素(例如氙、锂或锡)的等离子态,它在EUV范围内具有一个或多个发射线。在一种这样的方法中,通常称为激光产生等离子体(“LPP”),等离子体可以通过用激光束照射燃料(诸如具有谱线发射元素的材料微滴、流或集群)来产生。源收集器模块SO可以是EUV辐射系统的一部分,该EUV辐射系统包括激光器(未在图9中示出),以用于提供激发燃料的激光束。所得的等离子体发射输出辐射,例如EUV辐射,它使用设置在源收集器模块中的辐射收集器来收集。激光器和源收集器模块可以是单独的实体,例如当CO2激光器被用于提供激光束以进行燃料激发时。在该示例中,激光器可以不被认为形成光刻设备的一部分,并且借助于包括例如合适的导向镜和/或扩束器的光束递送系统,辐射束可以从激光器被传递到源收集器模块。在其他示例中,源可能是源收集器模块的集成部分,例如当源是放电产生的等离子体EUV发生器(通常称为DPP源)时。
照射器IL可以包括调整器,以用于调整辐射束的角强度分布。通常,照射器的光瞳平面中的强度分布的至少外部和/或内部径向范围(一般分别称为σ外部和σ内部)可以被调整。另外,照射器IL可以包括各种其他部件,诸如琢面场和光瞳反射镜装置。照射器可以被用于调节辐射束,以在其横截面中具有期望的均匀性和强度分布。
辐射束B可以被入射到图案形成装置(例如掩模)MA上,并且由图案形成装置图案化,该图案形成装置MA被保持在支撑结构(例如图案形成装置台)MT上。在从图案形成装置(例如掩模)MA反射之后,辐射束B穿过投影系统PS,它将光束聚焦到衬底W的目标部分C上。借助于第二定位器PW和位置传感器PS2(例如干涉测量装置、线性编码器或电容式传感器),衬底台WT可以被准确地移动(例如以将不同的目标部分C定位在辐射束B的路径中)。类似地,第一定位器PM和另一位置传感器PS1可以被用于相对于辐射束B的路径准确地定位图案形成装置(例如掩模)MA。图案形成装置(例如掩模)MA和衬底W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。
所描绘的设备LPA可以被用于以下模式中的至少一种:步进模式、扫描模式和静止模式。在步进模式下,在赋予辐射束的整个图案被一次投影到目标部分C上(即,单次静态曝光)时,支撑结构(例如图案形成装置台)MT和衬底台WT基本上保持静止。然后,衬底台WT在X和/或Y方向上偏移,使得不同的目标部分C可以被曝光。在扫描模式下,在赋予辐射束的图案被投影到目标部分C上(即,单次动态曝光)时,支撑结构(例如图案形成装置台)MT和衬底台WT被同步地扫描。衬底台WT相对于支撑结构(例如图案形成装置台)MT的速度和方向可以通过投影系统PS的放大率(缩小率)和图像反转特性来确定。在静止模式下,在赋予辐射束的图案被投影到目标部分C上时,支撑结构(例如图案形成装置台)MT基本上保持静止,从而保持可编程图案形成装置,并且衬底台WT被移动或扫描。在这种模式下,通常脉冲式辐射源被采用,并且在衬底台WT的每次移动之后或者在扫描期间的连续辐射脉冲之间,可编程图案形成装置根据需要来更新。这种操作模式可以被容易地应用于无掩模光刻,它利用可编程图案形成装置(诸如上面引用类型的可编程反射镜阵列)。
图10是图9所示的光刻投影设备的详细视图。如图10所示,LPA可以包括源收集器模块SO、照射系统IL和投影系统PS。源收集器模块SO被配置为使得真空环境可以被维持在源收集器模块SO的封闭结构220中。EUV辐射发射等离子体210可以由放电产生的等离子体源形成。EUV辐射可以由气体或蒸汽产生,例如氙气、锂蒸汽或锡蒸汽,其中非常热的等离子体210被创建,以发射电磁谱的EUV范围内的辐射。热等离子体210是由例如放电创建的,该放电导致至少部分电离的等离子体。为了有效地生成辐射,可能需要例如10Pa的Xe、Li、Sn蒸汽或任何其他合适的气体或蒸汽的分压。在一些实施例中,激发锡(Sn)的等离子体被提供,以产生EUV辐射。
经由被定位在源室211中的开口中或后面的可选气体阻挡部或污染物陷阱230(在一些情况下也称为污染物阻挡部或翼片阱),由热等离子体210发射的辐射从源室211被传递到收集器室212中。污染物陷阱230可以包括通道结构。污染物陷阱230还可以包括气体阻挡部或者气体阻挡部和通道结构的组合。污染物陷阱或污染物阻挡部陷阱230(下面描述的)也包括通道结构。收集器室211可以包括辐射收集器CO,它可以是掠入射收集器。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。遍历收集器CO的辐射可以从光栅光谱滤光片240反射出来,以沿着由线“O”指示的光轴聚焦在虚拟源点IF上。虚拟源点IF一般被称为中间焦点,并且源收集器模块被布置为使得中间焦点IF位于封闭结构220中的开口221处或附近。虚拟源点IF是辐射发射等离子体210的图像。
随后,辐射遍历照射系统IL,该照射系统IL可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24,它被布置为在图案形成装置MA处提供辐射束21的期望角分布以及在图案形成装置MA处提供辐射强度的期望均匀性。在由支撑结构MT保持的图案形成装置MA处反射辐射束21时,图案化光束26被形成,并且图案化光束26由投影系统PS经由反射元件28、30成像到由衬底台WT保持的衬底W上。通常比所示更多的元件可以存在于照射光学器件单元IL和投影系统PS中。例如,取决于光刻设备的类型,光栅光谱滤光片240可以可选地存在。进一步地,可能存在比附图中所示的更多的反射镜,例如与图10所示的相比,投影系统PS中可能存在1至6个附加反射元件。
如图10所图示的,收集器光学器件CO被描绘为具有掠入射反射器253、254和255的嵌套收集器,仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255围绕光轴O轴向对称地设置,并且这种类型的收集器光学器件CO可以与通常称为DPP源的放电产生的等离子体源组合使用。
图11是(先前附图所示的)光刻投影设备LPA的源收集器模块SO的详细视图。源收集器模块SO可以是LPA辐射系统的一部分。激光器LA可以被布置为将激光能量沉积到燃料中,诸如氙(Xe)、锡(Sn)或锂(Li),从而创建电子温度为几十eV的高度电离的等离子体210。在这些离子的去激发和重组期间生成的带能辐射从等离子体发射,由近于法向入射的收集器光学器件CO收集并且聚焦到封闭结构220中的开口221上。
本文公开的概念可以模拟或数学建模任何通用成像、蚀刻、抛光、检查等系统以用于亚波长特征成像,并且对于能够产生越来越短的波长的新兴成像技术可能是有用的。新兴技术包括EUV(极紫外)、DUV光刻,该技术能够使用ArF激光器产生193nm的波长,甚至使用氟激光器产生157nm的波长。而且,通过使用同步加速器或通过用高能电子撞击材料(固体或等离子体)以产生在该范围内的光子,EUV光刻能够产生在20至50nm范围内的波长。
本公开的实施例可以通过以下条款进一步描述。
1.一种其上具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使计算机执行操作,该操作包括:
接收图案布局的代表性部分集合,其中单个代表性部分包括图案布局的一个或多个独特图案;以及
根据用于组合的代表性部分子集中所包括的独特图案的规定标准,从代表性部分集合中选择代表性部分子集。
2.根据条款1所述的介质,其中代表性部分子集被选择为使得子集中的代表性部分满足第一标准,并且子集中所包含的独特图案也满足第二标准。
3.根据条款2所述的介质,其中第一标准对应于子集中的规定数量的代表性部分,并且其中第二标准对应于在组合的规定数量的代表性部分中包括至少阈值数量的独特图案。
4.根据条款1至3中任一项所述的介质,其中选择代表性部分子集包括:使用集合覆盖求解器算法。
5.根据条款4所述的介质,其中图案布局的代表性部分集合中的独特图案被配置为集合覆盖求解器算法中的全集中的元素。
6.根据条款1至5中任一项所述的介质,其中规定标准包括:在代表性部分的所选子集中包括来自图案布局的代表性部分集合的至少阈值数量的独特图案。
7.根据条款1至6中任一项所述的介质,其中规定标准被设置为使得,组合的代表性部分的所选子集中所包括的独特图案表示图案布局的整体或图案布局的一部分。
8.根据条款1至7中任一项所述的介质,其中规定标准包括:在形成代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组。
9.根据条款8所述的介质,其中给定形成所选子集的预定数量的代表性部分的情况下,最优多样化的独特图案组包括具有几何形状的多个独特图案,该几何形状组合地表示至少阈值数量的图案布局。
10.根据条款1至9中任一项所述的介质,其中图案布局的独特图案包括:与图案布局中感兴趣的空间窗口中的其他图案不同的图案。
11.根据条款10所述的介质,其中独特图案表示跨图案布局的相同或类似图案的组。
12.根据条款1至11中任一项所述的介质,其中该操作还包括:通过使用精确匹配、模糊匹配或聚类方法来识别图案布局的独特图案。
13.根据条款1至12中任一项所述的介质,其中图案布局的一个或多个独特图案包括图案布局的几何独特图案。
14.根据条款1至13中任一项所述的介质,其中该操作还包括:
接收图案布局的原始表示;以及
确定图案布局的代表性部分集合,使得单个代表性部分包括图案布局的一个或多个独特图案的不同组合,并且独特图案中的至少一个被包括在多于一个代表性部分中。
15.根据条款1至14中任一项所述的介质,其中选择基于图案布局的多边形表示。
16.根据条款1至15中任一项所述的介质,其中选择基于图案布局中的图案的图像或轮廓表示。
17.根据条款16所述的介质,其中图案布局中的图案的图像或轮廓表示包括空间图像和/或掩模图像。
18.根据条款16或17所述的介质,其中图案布局中的图案的图像或轮廓表示由模拟、检查或量测产生。
19.根据条款1至18中任一项所述的介质,其中该方法还包括:对跨图案布局重复的图案进行分组以确定独特图案,并且基于分组图案来确定代表性部分集合。
20.根据条款1至19中任一项所述的介质,其中该操作还包括:提供代表性部分子集作为用于训练机器学习模型的训练数据。
21.根据条款20所述的介质,其中机器学习模型与用于半导体光刻过程的光学邻近效应校正(OPC)和/或源掩模优化(SMO)相关联。
22.根据条款1至21中任一项所述的介质,其中选择代表性部分子集由离散优化器执行,并且代表性部分子集被优化以包括来自图案布局的最大数量的独特几何形状。
23.根据条款22所述的介质,其中离散优化器包括整数线性规划求解器。
24.根据条款1至23中任一项所述的介质,其中代表性部分子集被配置为在形成代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组,其中代表性部分子集基于它们包括的一个或多个独特图案来分级,并且其中代表性部分子集基于分级来确定。
25.根据条款24所述的介质,其中代表性部分子集基于每个代表性部分包括的一个或多个独特图案的数量和/或稀有度来分级。
26.根据条款24或25所述的介质,其中预定数量的代表性部分由用户设置。
27.根据条款1至26中任一项所述的介质,其中图案布局的代表性部分包括片段。
28.根据条款1至27中任一项所述的介质,其中图案布局包括用于半导体晶片的设计布局。
29.根据条款1至28中任一项所述的介质,其中代表性部分子集中的代表性部分数量比代表性部分集合中的代表性部分数量少10至1000范围内的因数。
30.根据条款29所述的介质,其中代表性部分子集中的代表性部分数量比代表性部分集合中的代表性部分数量少10至100范围内的因数。
31.一种用于选择图案布局的代表性部分子集的方法,该方法包括:
接收图案布局的代表性部分集合,其中单个代表性部分包括图案布局的一个或多个独特图案;以及
根据用于组合的代表性部分子集中所包括的独特图案的规定标准,从代表性部分集合中选择代表性部分子集。
32.根据条款31的方法,其中代表性部分子集被选择为使得子集中的代表性部分满足第一标准,并且子集中所包含的独特图案也满足第二标准。
33.根据条款32所述的方法,其中第一标准对应于子集中的规定数量的代表性部分,并且其中第二标准对应于在组合的规定数量的代表性部分中包括至少阈值数量的独特图案。
34.根据条款31至33中任一项所述的方法,其中选择代表性部分子集包括:使用集合覆盖求解器算法。
35.根据条款34所述的方法,其中图案布局的代表性部分集合中的独特图案被配置为集合覆盖求解器算法中的全集中的元素。
36.根据条款31至35中任一项所述的方法,其中规定标准包括在代表性部分的所选子集中包括来自图案布局的代表性部分集合的至少阈值数量的独特图案。
37.根据条款31至36中任一项所述的方法,其中规定标准被设置为使得组合的代表性部分的所选子集中所包括的独特图案表示图案布局的整体或图案布局的一部分。
38.根据条款31至37中任一项所述的方法,其中规定标准包括在形成代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组。
39.根据条款38所述的方法,其中给定形成所选子集的预定数量的代表性部分的情况下,最优多样化的独特图案组包括具有几何形状的多个独特图案,该几何形状组合地表示至少阈值数量的图案布局。
40.根据条款31至39中任一项所述的方法,其中图案布局的独特图案包括与图案布局中感兴趣的空间窗口中的其他图案不同的图案。
41.根据条款40所述的方法,其中独特图案表示跨图案布局相同或类似图案的组。
42.根据条款31至41中任一项所述的方法,其中该方法还包括:通过使用精确匹配、模糊匹配或聚类方法来识别图案布局的独特图案。
43.根据条款31至42中任一项所述的方法,其中图案布局的一个或多个独特图案包括图案布局的几何独特图案。
44.根据条款31至43中任一项所述的方法,还包括:
接收图案布局的原始表示;以及
确定图案布局的代表性部分集合,使得单个代表性部分包括图案布局的一个或多个独特图案的不同组合,并且独特图案中的至少一个被包括在多于一个代表性部分中。
45.根据条款31至44中任一项所述的方法,其中选择基于图案布局的多边形表示。
46.根据条款31至45中任一项所述的方法,其中选择基于图案布局中的图案的图像或轮廓表示。
47.根据条款46所述的方法,其中图案布局中的图案的图像或轮廓表示包括空间图像和/或掩模图像。
48.根据条款46或47所述的方法,其中图案布局中的图案的图像或轮廓表示由模拟、检查或量测产生。
49.根据条款31至48中任一项所述的方法,还包括:对跨图案布局重复的图案进行分组以确定独特图案,并且基于分组图案来确定代表性部分集合。
50.根据条款31至49中任一项所述的方法,还包括:提供代表性部分子集作为用于训练机器学习模型的训练数据。
51.根据条款50所述的方法,其中机器学习模型与用于半导体光刻过程的光学邻近效应校正(OPC)和/或源掩模优化(SMO)相关联。
52.根据条款31至51中任一项所述的方法,其中选择代表性部分子集由离散优化器执行,并且代表性部分子集被优化以包括来自图案布局的最大数量的独特几何形状。
53.根据条款52所述的方法,其中离散优化器包括整数线性规划求解器。
54.根据条款31至53中任一项所述的方法,其中代表性部分子集被配置为在形成代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组,其中代表性部分子集基于它们包括的一个或多个独特图案来分级,并且其中代表性部分子集基于分级来确定。
55.根据条款54所述的方法,其中代表性部分子集基于每个代表性部分包括的一个或多个独特图案的数量和/或稀有度来分级。
56.根据条款54或55所述的方法,其中预定数量的代表性部分由用户设置。
57.根据条款31至56中任一项所述的方法,其中图案布局的代表性部分包括片段。
58.根据条款31至57中任一项所述的方法,其中图案布局包括用于半导体晶片的设计布局。
59.根据条款31至58中任一项所述的方法,其中代表性部分子集中的代表性部分数量比代表性部分集合中的代表性部分数量少10至1000范围内的因数。
60.根据条款59所述的方法,其中代表性部分子集中的代表性部分数量比代表性部分集合中的代表性部分数量少10至100范围内的因数。
61.一种用于确定图案布局的代表性部分子集的系统,该系统包括一个或多个硬件处理器,该一个或多个硬件处理器由机器可读指令配置为:
接收图案布局的代表性部分集合,其中单个代表性部分包括图案布局的一个或多个独特图案;以及
根据用于组合的代表性部分子集中所包括的独特图案的规定标准,从代表性部分集合中选择代表性部分子集。
62.根据条款61的系统,其中代表性部分子集被选择为使得子集中的代表性部分满足第一标准,并且子集中所包含的独特图案也满足第二标准。
63.根据条款62的系统,其中第一标准对应于子集中的规定数量的代表性部分,并且其中第二标准对应于在组合的规定数量的代表性部分中包括至少阈值数量的独特图案。
64.根据条款61至63中任一项的系统,其中选择代表性部分子集包括使用集合覆盖求解器算法。
65.根据条款64的系统,其中图案布局的代表性部分集合中的独特图案被配置为集合覆盖求解器算法中的全集中的元素。
66.根据条款61至65中任一项的系统,其中规定标准包括:在代表性部分的所选子集中包括来自图案布局的代表性部分集合的至少阈值数量的独特图案。
67.根据条款61至66中任一项的系统,其中规定标准被设置为使得,组合的代表性部分的所选子集中所包括的独特图案表示图案布局的整体或图案布局的一部分。
68.根据条款61至67中任一项的系统,其中规定标准包括:在形成代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组。
69.根据条款68的系统,其中给定形成所选子集的预定数量的代表性部分的情况下,最优多样化的独特图案组包括具有几何形状的多个独特图案,该几何形状组合地表示至少阈值数量的图案布局。
70.根据条款61至69中任一项的系统,其中图案布局的独特图案包括与图案布局中感兴趣的空间窗口中的其他图案不同的图案。
71.根据条款70的系统,其中独特图案表示跨图案布局相同或类似图案的组。
72.根据条款61至71中任一项的系统,其中一个或多个硬件处理器还被配置为:通过使用精确匹配、模糊匹配或聚类方法来识别图案布局的独特图案。
73.根据条款61至72中任一项的系统,其中图案布局的一个或多个独特图案包括图案布局的几何独特图案。
74.根据条款61至73中任一项的系统,其中一个或多个硬件处理器还被配置为:
接收图案布局的原始表示;以及
确定图案布局的代表性部分集合,使得单个代表性部分包括图案布局的一个或多个独特图案的不同组合,并且独特图案中的至少一个被包括在多于一个代表性部分中。
75.根据条款61至74中任一项的系统,其中选择基于图案布局的多边形表示。
76.根据条款61至75中任一项的系统,其中选择基于图案布局中的图案的图像或轮廓表示。
77.根据条款76的系统,其中图案布局中的图案的图像或轮廓表示包括空间图像和/或掩模图像。
78.根据条款76或77的系统,其中图案布局中的图案的图像或轮廓表示由模拟、检查或量测产生。
79.根据条款61至78中任一项的系统,其中一个或多个硬件处理器还被配置为:对跨图案布局重复的图案进行分组以确定独特图案,并且基于分组图案来确定代表性部分集合。
80.根据条款61至79中任一项的系统,其中一个或多个硬件处理器还被配置为:提供代表性部分子集作为用于训练机器学习模型的训练数据。
81.根据条款80的系统,其中机器学习模型与用于半导体光刻过程的光学邻近效应校正(OPC)和/或源掩模优化(SMO)相关联。
82.根据条款61至81中任一项的系统,其中选择代表性部分子集由离散优化器执行,该离散优化器由一个或多个硬件处理器形成,并且代表性部分子集被优化以包括来自图案布局的最大数量的独特几何形状。
83.根据条款82的系统,其中离散优化器包括整数线性规划求解器。
84.根据条款61至83中任一项的系统,其中代表性部分子集被配置为在形成代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组,其中代表性部分子集基于它们包括的一个或多个独特图案来分级,并且其中代表性部分子集基于分级来确定。
85.根据条款84的系统,其中代表性部分子集基于每个代表性部分包括的一个或多个独特图案的数量和/或稀有度来分级。
86.根据条款84或85的系统,其中预定数量的代表性部分由用户设置。
87.根据条款61至86中任一项的系统,其中图案布局的代表性部分包括片段。
88.根据条款61至87中任一项的系统,其中图案布局包括用于半导体晶片的设计布局。
89.根据条款61至88中任一项的系统,其中代表性部分子集中的代表性部分数量比代表性部分集合中的代表性部分数量少10至1000范围内的因数。
90.根据条款89的系统,其中代表性部分子集中的代表性部分数量比代表性部分集合中的代表性部分数量少10至100范围内的因数。
91.一种用于为半导体晶片的设计布局选择优化的、几何多样化的片段集合所述的方法,该方法包括:
接收设计布局的完整表示;
确定设计布局的代表性片段集合,使得各个代表性片段包括设计布局的一个或多个几何独特图案的不同组合,并且几何独特图案中的至少一个被包括在多于一个代表性片段中;
其中确定代表性片段集合包括:将一个或多个几何独特图案分组为类似图案组;
基于一个或多个几何独特图案来选择代表性片段子集,该代表性片段子集被配置为包括:
(1)最小数量的代表性片段中的每个几何独特图案;或者
(2)最大数量的代表性片段中尽可能多的设计布局的几何独特图案;以及
提供代表性部分子集作为用于训练机器学习模型的训练数据,其中机器学习模型与用于半导体光刻过程的光学邻近效应校正(OPC)和/或源掩模优化(SMO)相关联。
92.根据条款91所述的方法,其中图案的完整表示包括图形设计系统(.GDS)文件。
93.根据条款91至92中任一项所述的方法,其中选择代表性部分子集由离散优化器执行,该离散优化器包括整数线性规划求解器,并且代表性部分子集被优化以包括来自图案的最大数量的独特几何形状。
94.根据条款91至93中任一项所述的方法,其中代表性部分子集被配置为在最大数量的代表性部分中包括尽可能多的图案中的几何独特图案,其中代表性部分子集基于每个代表性部分包括的一个或多个几何独特图案的数量和/或稀有度来分级,并且其中代表性部分子集基于分级来确定。
95.根据条款91至94中任一项所述的方法,其中代表性部分子集中的代表性部分数量比代表性部分集合中的代表性部分数量少10至1000的因数。
尽管本文公开的概念可以被用于用诸如硅晶片等衬底制造,但是应该理解的是,所公开的概念可以与任何类型的制造系统(例如用于在除硅晶片之外的衬底上制造的那些制造系统)一起使用。
另外,所公开的元件的组合和子组合可以包括单独的实施例。例如,上述一个或多个操作可以被包括在单独实施例中,或者在相同实施例中它们可以被包括在一起。
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 (18)
1.一种其上具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使所述计算机执行方法,所述方法包括:
接收图案布局的代表性部分的集合,其中各个代表性部分包括所述图案布局的一个或多个独特图案;以及
根据用于组合的所述代表性部分的子集中所包括的独特图案的规定标准,从所述代表性部分的集合中选择所述代表性部分的子集。
2.根据权利要求1所述的介质,其中所述代表性部分的所述子集被选择为使得所述子集中的所述代表性部分的数量满足第一标准,并且所述子集中所包含的独特图案的数量满足第二标准。
3.根据权利要求2所述的介质,其中所述第一标准对应于所述子集中的规定数量的代表性部分,并且其中所述第二标准对应于在组合的所述规定数量的代表性部分中包括至少阈值数量的独特图案。
4.根据权利要求1所述的介质,其中选择所述代表性部分的所述子集包括使用集合覆盖求解器算法,并且其中所述图案布局的所述代表性部分的集合中的所述独特图案被配置为所述集合覆盖求解器算法中所定义的全集中的元素。
5.根据权利要求1所述的介质,其中所述规定标准包括在所述代表性部分的所述所选子集中包括来自所述图案布局的所述代表性部分集合的至少阈值数量的独特图案。
6.根据权利要求1所述的介质,其中所述规定标准被设置为使得组合的所述代表性部分的所选子集中所包括的所述独特图案表示所述图案布局的整体或所述图案布局的一部分。
7.根据权利要求1所述的介质,其中所述规定标准包括在形成所述代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组。
8.根据权利要求7所述的介质,其中给定形成所述所选子集的所述预定数量的代表性部分的情况下,所述最优多样化的独特图案组包括具有几何形状的多个独特图案,所述几何形状组合地表示至少阈值数量的所述图案布局。
9.根据权利要求1所述的介质,其中每个独特图案表示跨所述图案布局的相同或类似图案的组。
10.根据权利要求1所述的介质,其中所述方法还包括:
接收所述图案布局的原始表示;以及
确定所述图案布局的所述代表性部分的集合,使得所述各个代表性部分包括所述图案布局的所述一个或多个独特图案的不同组合,并且所述独特图案中的至少一个被包括在多于一个代表性部分中。
11.根据权利要求1所述的介质,其中所述选择基于所述图案布局的多边形表示。
12.根据权利要求1所述的介质,其中所述选择基于所述图案布局中的图案的图像或轮廓表示。
13.根据权利要求12所述的介质,其中所述图案布局中的图案的所述图像或轮廓表示包括由模拟、检查或量测产生的空间图像和/或掩模图像。
14.根据权利要求1所述的介质,其中所述方法还包括:对跨所述图案布局重复的图案进行分组以确定所述独特图案,并且基于分组图案来确定所述代表性部分的所述集合。
15.根据权利要求1所述的介质,其中所述方法还包括:提供所述代表性部分的子集作为用于训练机器学习模型的训练数据。
16.根据权利要求15所述的介质,其中所述机器学习模型与用于半导体光刻过程的光学邻近效应校正(OPC)和/或源掩模优化(SMO)相关联。
17.根据权利要求1所述的介质,其中选择所述代表性部分的所述子集由离散优化器执行,并且所述代表性部分的所述子集被优化以包括来自所述图案布局的最大数量的独特几何形状,并且其中所述离散优化器包括整数线性规划求解器。
18.根据权利要求1所述的介质,其中所述代表性部分的所述子集被配置为在形成所述代表性部分的所选子集的预定数量的代表性部分中包括最优多样化的独特图案组,其中所述代表性部分的所述子集基于它们包括的所述一个或多个独特图案来分级,并且其中所述代表性部分的所述子集基于分级来确定,并且其中所述代表性部分的所述子集基于每个代表性部分包括的所述一个或多个独特图案的数量和/或稀有度来分级。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2021/119631 | 2021-09-22 | ||
CN2021119631 | 2021-09-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115903394A true CN115903394A (zh) | 2023-04-04 |
Family
ID=83280174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211133960.6A Pending CN115903394A (zh) | 2021-09-22 | 2022-09-16 | 图案选择系统和方法 |
Country Status (3)
Country | Link |
---|---|
KR (1) | KR20240064651A (zh) |
CN (1) | CN115903394A (zh) |
WO (1) | WO2023046385A1 (zh) |
Family Cites Families (16)
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 |
WO1997033205A1 (en) | 1996-03-06 | 1997-09-12 | Philips Electronics N.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
JP4806020B2 (ja) | 2005-08-08 | 2011-11-02 | エーエスエムエル ネザーランズ ビー.ブイ. | リソグラフィプロセスのフォーカス露光モデルを作成するための方法、公称条件で使用するためのリソグラフィプロセスの単一のモデルを作成するための方法、およびコンピュータ読取可能媒体 |
US7695876B2 (en) | 2005-08-31 | 2010-04-13 | Brion Technologies, Inc. | Method for identifying and using process window signature patterns for lithography process control |
CN101305320B (zh) | 2005-09-09 | 2012-07-04 | Asml荷兰有限公司 | 采用独立掩模误差模型的掩模验证系统和方法 |
US7694267B1 (en) | 2006-02-03 | 2010-04-06 | Brion Technologies, Inc. | Method for process window optimized optical proximity correction |
US7688232B2 (en) * | 2007-03-27 | 2010-03-30 | Intel Corporation | Optimal selection of compression entries for compressing program instructions |
US7882480B2 (en) | 2007-06-04 | 2011-02-01 | Asml Netherlands B.V. | System and method for model-based sub-resolution assist feature generation |
US7707538B2 (en) | 2007-06-15 | 2010-04-27 | Brion Technologies, Inc. | Multivariable solver for optical proximity correction |
US20090157630A1 (en) | 2007-10-26 | 2009-06-18 | Max Yuan | Method of extracting data and recommending and generating visual displays |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
NL2003699A (en) | 2008-12-18 | 2010-06-21 | Brion Tech Inc | Method and system for lithography process-window-maximixing optical proximity correction. |
WO2010094300A1 (en) * | 2009-02-20 | 2010-08-26 | NMI Naturwissenschaftliches und Medizinisches Institut an der Universität Tübingen | A method for determining in silico- a set of selected target epitopes |
US10546085B2 (en) * | 2017-04-12 | 2020-01-28 | Anchor Semiconductor Inc. | Pattern centric process control |
CN113614638A (zh) * | 2019-03-21 | 2021-11-05 | Asml荷兰有限公司 | 用于机器学习辅助的光学邻近效应误差校正的训练方法 |
US11003828B1 (en) * | 2020-08-03 | 2021-05-11 | Siemens Industry Software Inc. | System and method for layout analysis using point of interest patterns and properties |
-
2022
- 2022-08-22 WO PCT/EP2022/073313 patent/WO2023046385A1/en unknown
- 2022-08-22 KR KR1020247009751A patent/KR20240064651A/ko unknown
- 2022-09-16 CN CN202211133960.6A patent/CN115903394A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
TW202405567A (zh) | 2024-02-01 |
WO2023046385A1 (en) | 2023-03-30 |
KR20240064651A (ko) | 2024-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114096917B (zh) | 用于减小模型预测不确定性的模型校准的预测数据选择 | |
KR102516045B1 (ko) | 패터닝 공정을 위한 최적화의 흐름 | |
EP3953765B1 (en) | Systems and methods for adjusting prediction models between facility locations | |
US20210349404A1 (en) | Method to create the ideal source spectra with source and mask optimization | |
KR20230035384A (ko) | 기계 학습 모델을 트레이닝시키기 위한 정보성 패턴을 선택하는 장치 및 방법. | |
EP3742229A1 (en) | Systems and methods for adjusting prediction models between facility locations | |
WO2022268434A1 (en) | Etch simulation model including a correlation between etch biases and curvatures of contours | |
TW201841073A (zh) | 藉由於圖案化裝置上之有限厚度結構來判定輻射散射的方法 | |
TWI844942B (zh) | 用於圖案選擇之非暫時性電腦可讀媒體 | |
CN115903394A (zh) | 图案选择系统和方法 | |
TWI838957B (zh) | 用於判定基於蝕刻偏差方向之蝕刻功效之非暫時性電腦可讀媒體 | |
JP7515626B2 (ja) | 収差影響システム、モデル、及び製造プロセス | |
TWI786658B (zh) | 像差影響系統、模型、及製造程序 | |
CN112889004B (zh) | 通过源和掩模优化创建理想源光谱的方法 | |
WO2023088641A1 (en) | Simulation model stability determination method | |
CN118265950A (zh) | 模拟模型稳定性确定方法 | |
CN118235087A (zh) | 基于蚀刻偏差方向确定蚀刻效果 | |
WO2023084063A1 (en) | Generating augmented data to train machine learning models to preserve physical trends | |
KR20240105424A (ko) | 시뮬레이션 모델 안정성 결정 방법 | |
WO2024037859A1 (en) | Method for radiation spectrum aware souce mask optimization for lithography | |
CN118235094A (zh) | 生成用于训练机器学习模型以保持物理趋势的增强数据 | |
TW202338515A (zh) | 熱控制系統、模型、及微影中之製造程序 |
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 |