CN116209894A - 执行量测的方法、训练机器学习模型的方法、提供包括二维材料的层的方法、量测设备 - Google Patents

执行量测的方法、训练机器学习模型的方法、提供包括二维材料的层的方法、量测设备 Download PDF

Info

Publication number
CN116209894A
CN116209894A CN202180063296.XA CN202180063296A CN116209894A CN 116209894 A CN116209894 A CN 116209894A CN 202180063296 A CN202180063296 A CN 202180063296A CN 116209894 A CN116209894 A CN 116209894A
Authority
CN
China
Prior art keywords
layer
measurement
target portion
substrate
dimensional material
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
CN202180063296.XA
Other languages
English (en)
Inventor
E·库尔干诺娃
M·斯科图齐
V·法拉马兹
B·M·范德布洛克
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
Priority claimed from EP20196358.4A external-priority patent/EP3971555A1/en
Application filed by ASML Holding NV filed Critical ASML Holding NV
Publication of CN116209894A publication Critical patent/CN116209894A/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
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • 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
    • G03F7/70058—Mask illumination systems
    • G03F7/70133—Measurement of illumination distribution, in pupil plane or field plane
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8822—Dark field detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8858—Flaw counting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G01N2021/8864—Mapping zones of defects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

披露了执行量测的方法。在一个布置中，提供衬底，所述衬底具有形成在所述衬底上的层。所述层包括二维材料。利用辐射束照射所述层的目标部分并且检测光瞳平面中的辐射分布以获得测量数据。处理所述测量数据以获得关于所述层的所述目标部分的量测信息。针对所述层的多个不同的目标部分执行所述照射、检测和处理以获得针对所述层的所述多个目标部分的量测信息。

Description

执行量测的方法、训练机器学习模型的方法、提供包括二维材 料的层的方法、量测设备
相关申请的交叉引用
本申请要求于2020年9月16日递交的欧洲申请20196358.4和于2021年8月13日递交的欧洲申请21191255.5的优先权，这些欧洲申请的全部内容通过引用并入本文中。
技术领域
本发明涉及对包括二维材料的层执行量测。
背景技术
作为半导体制造过程的一部分，使用二维材料以形成诸如电路元件之类的器件结构是相当令人关注的。存在用于制造二维材料的各种沉积技术。这样的沉积技术包括化学气相淀积(CVD)和原子层沉积(ALD)。为了在器件结构的制造期间进行品质和/或过程控制，能够评估经沉积的二维材料和/或从二维材料所形成的结构或图案的品质是重要的。已证实这难以在对精确度与速度的最优平衡的情况下实现。
发明内容
本公开的实施例的目标是改善对二维材料的评估。
根据本发明的一方面，提供一种执行量测的方法，包括：提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；利用辐射束照射所述层的目标部分和检测在光瞳平面中的辐射的分布以获得测量数据，所述辐射由所述层的所述目标部分重新引导；以及处理所述测量数据以获得关于所述层的所述目标部分的量测信息，其中：针对所述层的多个不同的目标部分执行所述照射、检测和处理以获得针对所述层的所述多个目标部分的量测信息。
因而提供一种非破坏性方法，其允许在大面积上快速且高效地获得关于二维材料的量测信息。可以使用与用于在半导体光刻的情境中执行常规量测过程的光学设备类似的光学设备来便利地实施所述方法。已发现使用所检测的在光瞳平面(而不是像平面)中的辐射的分布对小信号是非常敏感的，并且即使在存在大背景信号的情况下，正如例如在明场成像的情境中的可能情况，仍可以提取关于诸如晶界之类的缺陷的信息。
在实施例中，对所述测量数据的所述处理使用机器学习模型以根据所检测的在所述光瞳平面中的辐射的分布获得所述量测信息。使用机器学习使得可以根据测量数据获得详细信息而不必执行额外的测量，诸如用于训练所述机器学习模型的额外的测量，这些测量可能是相对昂贵的和/或缓慢的。
根据本发明的一方面，提供一种训练机器学习模型的方法，包括：提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；通过针对所述层的多个不同的目标部分对所述层的目标部分执行第一测量过程以获得训练数据集；以及使用所获得的训练数据集训练所述机器学习模型，以使得经训练的机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
在实施例中，通过执行第一测量过程和第二测量过程来获得用于训练机器学习模型的训练数据集。在实施例中，所述第一测量过程包括在明场成像模式中检测图像，并且所述第二测量过程包括在暗场成像模式中检测图像。本发明人已发现暗场成像对所关注的缺陷(诸如晶界或颗粒边界(grain boundary))是尤其敏感的。在暗场成像中，如果不存在晶界或缺陷，则理想的平面晶体应大部分呈现暗色(只有边缘散射光)。任何种类的不连续性(例如表面缺陷、晶界、表面形貌)将充当散射位点，且由此有助于产生可检测信号。晶界尤其受关注，这是因为其预期会降低从二维材料所形成的器件的性能。晶界表示晶体结构中的不完美或缺陷，并且因此有助于电荷载流子的散射。电荷载流子的散射耗散能量和/或降低电荷载流子迁移率，两者通常都对器件性能有害。明场成像在提高的采集速度、较小的斑尺寸和/或额外的或替代的过滤选项即滤光选项(例如基于偏振)方面具有优势。使用明场和暗场成像的组合来训练机器学习模型使得利用这种两种技术的优势成为可能。
在实施例中，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在非平面支撑表面上，所述非平面支撑表面的表面形貌被配置成在所述层中提供预定缺陷分布。替代地或另外，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在具有非均匀组分的支撑表面上，所述支撑表面中的所述组分的空间变化被配置成在所述层中提供预定缺陷分布。这种方法可以确保所述训练数据集在期望的缺陷分布范围内有效地训练所述机器学习模型而不需所述训练集过大。此外，通过以这种方式控制所述缺陷分布，可以避免或减少对所述缺陷分布的单独校正测量以针对所述机器学习过程提供标记的需要，由此改善效率。因而，在所述机器学习模型是监督式机器学习模型的情况下，预定缺陷分布可以直接地用于为所述训练数据集中来自所述第一测量过程的测量数据提供标记。
根据本发明的一方面，提供一种被配置成在衬底上执行量测的量测设备，所述设备包括：测量系统，所述测量系统被配置成照射衬底上的二维材料的层的目标部分和检测在光瞳平面中的辐射的分布以获得测量数据，所述辐射由所述目标部分重新引导；和数据处理系统，所述数据处理系统被配置成：控制所述测量系统以获得用于多个不同的目标部分的所述测量数据；和使用机器学习模型以从所检测的在所述光瞳平面中的相应的辐射的分布获得用于所述目标部分的量测信息。
根据本发明的一方面，提供一种被配置成训练机器学习模型的量测设备，所述设备包括：测量系统，所述测量系统被配置成针对二维材料的层的多个不同的目标部分对所述层的目标部分执行第一测量过程和第二测量过程；和数据处理系统，所述数据处理系统被配置成使用从所述第一测量过程和所述第二测量过程所导出的训练数据集来训练机器学习模型，使得所述机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
根据本发明的一方面，提供一种执行量测的方法，包括：提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；利用非相干辐射束照射所述层的目标部分和检测由所述层的所述目标部分重新引导的辐射以获得测量数据；以及处理所述测量数据以获得关于所述层的所述目标部分的量测信息，其中：针对所述层的多个不同的目标部分执行所述照射、检测和处理以获得针对所述层的所述多个目标部分的量测信息。
因而提供一种非破坏性方法，其允许在大面积上快速且高效地获得关于二维材料的量测信息。非相干辐射的使用允许以低成本和高速实施所述技术。也可以使用与用于在半导体光刻的情境中执行常规量测过程的光学设备类似的光学设备来便利地实施所述方法。
在实施例中，所述测量数据包括从形成在暗场成像模式中的所检测的图像导出的数据。本发明人已发现暗场成像对所关注的缺陷(诸如晶界)是尤其敏感的。在暗场成像中，如果不存在晶界或缺陷，则理想的平面晶体应大部分呈现暗色(只有边缘散射光)。任何种类的不连续性(例如表面缺陷、晶界、表面形貌)将充当散射位点，且由此有助于产生可检测信号。晶界尤其受关注，这是因为其预期会降低从二维材料所形成的器件的性能。晶界表示晶体结构中的不完美或缺陷，并且因此有助于电荷载流子的散射。电荷载流子的散射耗散能量和/或降低电荷载流子迁移率，两者通常都对器件性能有害。
在实施例中，所述测量数据包括从光瞳平面中的所检测的辐射分布导出的数据。已发现这种检测模式对小信号是高度敏感的，并且即使在明场成像中所预期的大背景信号的情况下，仍可以提取关于诸如晶界之类的缺陷的信息。
根据本发明的一方面，提供一种执行量测的方法，包括：提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；对所述层的目标部分执行暗场全息显微法以获得测量数据；以及处理所述测量数据以获得关于所述层的所述目标部分的量测信息，其中：针对所述层的多个不同的目标部分执行所述暗场全息显微法和处理以获得针对所述层的所述多个目标部分的量测信息。
因而，提供允许以高灵敏度和高速获得关于二维材料的量测信息的方法。上文所论述的暗场成像的益处与全息显微法区分相位信息的能力组合，以提供高灵敏度和准确度。
在实施例中，所述多个目标部分中的至少大部分被定位在与所述衬底的最接近所述目标部分的径向周边相距的一距离内，所述距离小于介于所述径向周边与所述衬底的质心之间的平均间隔的20％。优先地朝向所述衬底的所述径向周边提供目标部分会确保所述目标部分对关于所述缺陷的所述空间分布的可用信息有效地取样，特别是在所关注的缺陷是晶界的情况下。
在实施例中，所述多个目标部分的大小和/或形状随在所述衬底上的位置而变化。例如，大小和/或形状的变化可以被选择以考虑所述层中的预期缺陷分布。这可以促成找到正被使用的所述测量过程的品质与速度之间的最优平衡。
根据本发明的一方面，提供一种训练机器学习模型的方法，包括：提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；对所述层的目标部分执行第一测量过程以获得第一测量数据；以及对所述层的所述目标部分执行第二测量过程以获得第二测量数据，其中：针对所述层的多个不同的目标部分执行所述第一测量过程和所述第二测量过程以获得训练数据集；和使用所获得的训练数据集来训练机器学习模型，以使得经训练的机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
因而，提供一种用于训练机器学习模型的方法。经训练的机器学习模型使得可能根据使用所述第一测量过程所获得的关于层的新目标部分的测量数据获得更多信息，而不必另外执行所述第二测量过程(其可能是相对昂贵和/或缓慢的技术，诸如电子显微法或二次谐波成像显微法)。
在实施例中，，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在非平面支撑表面上，所述非平面支撑表面的表面形貌被配置成在所述层中提供预定缺陷分布。这种方法可以确保所述训练数据集在期望的缺陷分布范围内有效地训练所述机器学习模型而不需所述训练集过大。
在实施例中，一种用于在衬底上提供包括二维材料的层的方法，包括：使用形成过程在衬底上形成包括二维材料的层；使用根据本文中所披露的实施例中的任一个实施例的执行量测的方法对包括所述二维材料的所述层执行量测；以及基于所获得的量测信息来修改所述形成过程的一个或更多个过程参数且重复所述形成过程以在新衬底上形成包括二维材料的层。因而，本公开的实施例的执行量测的方法中的任一方法可以用于支持控制用于产生包括二维材料(经图案化或未经图案化)的层的制造过程。因此可以产生具有较恒定和/或较高品质的层，其可以改善总体器件制造效率和/或产率。
附图说明
现在将参考随附示意性附图而仅作为示例来描述本发明的实施例，在所述附图中，相对应的附图标记指示相对应的部分，并且在所述附图中：
图1描绘光刻设备；
图2描绘光刻元或光刻簇；
图3描绘用于量测的散射仪；
图4描绘用于使用非相干辐射束来执行量测的方法的架构；
图5是具有形成在衬底上的包括二维材料的层的衬底的示意性侧视截面图；
图6描绘用于使用暗场全息显微法执行量测的方法的架构；
图7描绘用于实施暗场全息显微法的示例布置；
图8描绘用于训练机器学习模型以导出量测信息的方法的架构；
图9是具有不同组分的训练分区的支撑表面的示意性俯视图；
图10描绘用于在衬底上提供包括二维材料的层的方法的架构。
具体实施方式
本说明书公开并有本发明的特征的一个或更多个实施例。所公开的实施例仅仅例示本发明。本发明的范围不限于所公开的实施例。本发明由随附于此的权利要求限定。
所描述的实施例和本说明书中对“一个实施例”、“一实施例”、“示例实施例”等的参考指示所描述的实施例可能包括特定特征、结构或特性，但每个实施例可能不必包括所述特定特征、结构或特性。此外，这些词组不必指代相同的实施例。此外，当结合实施例描述特定特征、结构或特性时，应理解，无论是否明确描述，结合其它实施例来实现这种特征、结构或特性都在本领域技术人员的知识范围内。
然而，在更详细地描述这些实施例之前，呈现可以实施本公开的实施例的示例环境是有指导性的。
图1示意性地描绘光刻设备LA。所述设备包括：照射系统(照射器)IL，所述照射系统被配置成调节辐射束B(例如，UV辐射或DUV辐射)；支撑结构(例如，掩模台)MT，所述支撑结构被构造成支撑图案形成装置(例如，掩模)MA，并且连接至被配置成根据某些参数来准确地定位所述图案形成装置的第一定位器PM；衬底台(例如，晶片台)WT，所述衬底台被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)W且连接至被配置成根据某些参数来准确地定位所述衬底的第二定位器PW；以及投影系统(例如，折射型投影透镜系统)PS，所述投影系统被配置成将由图案形成装置MA赋予至辐射束B的图案投影至衬底W的目标部分C(例如，包括一个或更多个管芯)上。
照射系统可以包括用于引导、成形或控制辐射的各种类型的光学部件，诸如折射型、反射型、磁性型、电磁型、静电型或其它类型的光学部件，或其任何组合。
支撑结构支撑图案形成装置，即，承载图案形成装置的重量。支撑结构以依赖于图案形成装置的取向、光刻设备的设计和其它条件(诸如，图案形成装置是否被保持在真空环境中)的方式来保持图案形成装置。支撑结构可以使用机械、真空、静电或其它夹持技术以保持图案形成装置。支撑结构可以是例如框架或台，其可以根据需要而是固定或可移动的。支撑结构可以确保图案形成装置例如相对于投影系统处于期望的位置。可以认为本文中对术语“掩模版”或“掩模”的任何使用均与更上位的术语“图案形成装置”同义。
本文中所使用的术语“图案形成装置”应被广义地解释为是指可以用于在辐射束的横截面中向辐射束赋予图案以便在衬底的目标部分中产生图案的任何装置。应注意，例如，如果被赋予至辐射束的图案包括相移特征或所谓的辅助特征，则所述图案可以不确切地对应于衬底的目标部分中的期望的图案。通常，被赋予至辐射束的图案将对应于目标部分中所产生的器件中的特定功能层，诸如集成电路。
图案形成装置可以是透射型的或反射型的。图案形成装置的示例包括掩模、可编程反射镜阵列和可编程LCD面板。掩模在光刻中是众所周知的，并且包括诸如二元、交替相移和衰减相移的掩模类型，以及各种混合掩模类型。可编程反射镜阵列的示例使用小反射镜的矩阵布置，所述小反射镜中每个可以单独的倾斜，以便使入射辐射束在不同方向上反射。倾斜的反射镜在由反射镜矩阵反射的辐射束中赋予图案。
本文中所使用的术语“投影系统”应被广义地解释为涵盖适于所使用的曝光辐射或适于其它因素(诸如浸没液体的使用或真空的使用)的各种类型的投影系统，包括折射型、反射型、反射折射型、磁性型、电磁型和静电型光学系统或其任何组合。可以认为本文中对术语“投影透镜”的任何使用均与更上位的术语“投影系统”同义。
在这种实施例中，例如，设备属于透射类型(例如，使用透射掩模)。替代地，所述设备可以属于反射类型(例如，使用上文提及的类型的可编程反射镜阵列，或使用反射掩模)。
光刻设备可以属于具有两个(双平台)或多于两个衬底台和例如两个或更多个掩模台的类型。在这样的“多平台”机器中，可以并行地使用额外的台，或可以对一个或更多个台执行预备步骤，同时将一个或更多个其它台用于曝光。
光刻设备也可以属于以下类型：其中衬底的至少一部分可以由具有相对较高的折射率的液体(例如水)覆盖，以便填充投影系统与衬底之间的空间。也可以将浸没液体施加至光刻设备中的其它空间，例如掩模与投影系统之间的空间。浸没技术在本领域中被众所周知的用于增大投影系统的数值孔径。如本文中所使用的术语“浸没”不意味着诸如衬底之类的结构必须浸没在液体中，而是仅意味着液体在曝光期间位于投影系统与衬底之间。
参考图1，照射器IL从辐射源SO接收辐射束。例如，当辐射源是准分子激光器时，所述源与光刻设备可以是分立的实体。在这样的情况下，不认为所述源形成光刻设备的部分，并且辐射束借助于包括例如合适的定向反射镜和/或扩束器的束传递系统BD，从源SO传递至照射器IL。在其它情况下，例如当所述源是汞灯时，所述源可以是光刻设备的组成部分。源SO和照射器IL连同束传递系统BD在需要时可以被称为辐射系统。
照射器IL可以包括用于调节辐射束的角强度分布的调节器AD。通常，可以调节照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(其通常分别被称为σ-外部和σ-内部)。另外，照射器IL可以包括各种其它部件，诸如积分器IN和聚光器CO。照射器可以用于调节辐射束，以在其横截面中具有期望的均匀性和强度分布。
辐射束B入射到被保持在支撑结构(例如，掩模台MT)上的图案形成装置(例如，掩模MA)上，并且由所述图案形成装置进行图案化。在已横穿掩模MA的情况下，辐射束B穿过投影系统PS，所述投影系统PS将所述束聚焦至衬底W的目标部分C上。借助于第二定位器PW和位置传感器IF(例如，干涉测量器件、线性编码器、2D编码器或电容式传感器)，可以准确地移动衬底台WT，例如以便将不同的目标部分C定位在辐射束B的路径中。类似地，第一定位器PM和另一位置传感器(其未在图1中明确地描绘的)可以用于例如在从掩模库以机械方式取得之后或在扫描期间相对于辐射束B的路径准确地定位掩模MA。通常，可以借助于形成第一定位器PM的部分的长行程模块(粗定位)和短行程模块(精定位)来实现掩模台MT的移动。类似地，可以使用形成第二定位器PW的部分的长行程模块和短行程模块来实现衬底台WT的移动。在步进器(相对于扫描器)的情况下，掩模台MT可以仅连接至短行程致动器，或可以被固定。可以使用掩模对准标记M1、M2和衬底对准标记P1、P2来对准掩模MA和衬底W。虽然如所图示的衬底对准标记占据专用目标部分，但所述衬底对准标记可以位于目标部分之间的空间中(这些标记称为划线对准标记)。类似地，在将多于一个管芯被设置在掩模MA上的情形中，掩模对准标记可以位于所述管芯之间。
所描绘设备可以用于以下模式中的至少一种模式中：
1.在步进模式中，在将被赋予至辐射束的整个图案一次性投影至目标部分C上时，使掩模台MT和衬底台WT保持基本上静止(即，单次静态曝光)。接着，使衬底台WT在X和/或Y方向上移位，以使得可以曝光不同的目标部分C。在步进模式中，曝光场的最大大小限制单次静态曝光中所成像的目标部分C的大小。
2.在扫描模式中，在将被赋予至辐射束的图案投影至目标部分C上时，同步地扫描掩模台MT和衬底台WT(即，单次动态曝光)。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衬底台WT相对于掩模台MT的速度和方向。在扫描模式中，曝光场的最大大小限制单次动态曝光中的目标部分的宽度(在非扫描方向上)，而扫描运动的长度确定目标部分的高度(在扫描方向上)。
3.在另一模式中，在将被赋予至辐射束的图案投影至目标部分C上时，使掩模台MT保持基本上静止地保持可编程图案形成装置，并且移动或扫描衬底台WT。在这种模式中，通常使用脉冲辐射源，并且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间根据需要来更新可编程图案形成装置。这种操作模式可以易于应用于利用可编程图案形成装置(诸如，上文提及的类型的可编程反射镜阵列)的无掩模光刻术。
也可以使用对上文所描述的使用模式的组合和/或变化或完全不同的使用模式。
如图2中示出的，光刻设备LA形成光刻单元LC(有时也被称为光刻元或光刻簇)的部分，光刻单元LC也包括用于对衬底执行曝光前过程和曝光后过程的设备。常规地，这些设备包括用于沉积抗蚀剂层的旋涂器SC、用于显影经曝光的抗蚀剂的显影器DE、激冷板CH，和焙烤板BK。衬底输送装置或机械臂RO从输入/输出端口I/O1、I/O2拾取衬底，在不同过程设备之间移动衬底，并且随后将衬底传递至光刻设备的进料台LB。常常被统称作轨道或涂覆显影系统(track)的这些装置是在轨道或涂覆显影系统控制单元TCU的控制下，轨道或涂覆显影系统控制单元TCU自身受到管理控制系统SCS控制，管理控制系统SCS也经由光刻控制单元LACU来控制光刻设备。因此，不同的设备可以被操作以最大化生产量和处理效率。
为了正确且一致地曝光由光刻设备曝光的衬底，期望检查经曝光的衬底以测量诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等的性质。如果检测到误差，则可以对后续衬底的曝光进行例如调节，尤其在检查可以足够迅速地且快速地进行而使得同一批次的其它衬底仍待曝光的情况下。此外，已经曝光的衬底可以被剥离和重新处理以改善产率或可能被舍弃，从而避免对已知有缺陷的衬底执行曝光。在衬底的仅一些目标部分有缺陷的情况下，可以仅对认为无缺陷的那些目标部分执行进一步曝光。
检查设备(其也可以被称为量测设备)被用于确定衬底的性质，并且特别是确定不同衬底或同一衬底的不同层的性质如何在层与层之间变化。检查设备可以集成至光刻设备LA或光刻单元LC中，或可以是单独的装置。为了实现最快速测量，期望使检查设备紧接在曝光之后测量经曝光的抗蚀剂层中的性质。然而，抗蚀剂中的潜像具有非常低的对比度，这是因为在已曝光于辐射的抗蚀剂的部分与还未曝光于辐射的抗蚀剂的部分之间仅存在非常小的折射率差，并且并非所有检查设备均具有足够的灵敏度来进行潜像的有用测量。因此，可以在曝光后焙烤步骤(PEB)之后进行测量，曝光后焙烤步骤通常是对经曝光的衬底执行的第一步骤且增加抗蚀剂的曝光部分与未曝光部分之间的对比度。在这样的阶段，抗蚀剂中的图像可以被称为半潜像。也可以对经显影的抗蚀剂图像进行测量，这时，抗蚀剂的曝光部分或未曝光部分已被移除，或在诸如蚀刻的图案转印步骤之后对经显影的抗蚀剂图像进行测量。后一可能性限制重新处理有缺陷衬底的可能性，但仍可以提供有用信息。
图3是呈散射仪的形式的光学设备的示意图，所述散射仪适于结合图2的光刻单元起来执行量测。所述设备可以用于测量通过光刻形成的特征的临界尺寸，测量层之间的重叠，等。产品特征或专用量测目标形成在衬底W上。所述设备可以单独的装置，或被并入例如测量站处的光刻设备LA中或光刻单元LC中。贯穿装置具有若干分支的光轴由点线O表示。在这样的设备中，由源11发射的光由包括透镜12、14和物镜16的光学系统经由分束器15引导至衬底W上。这些透镜被布置成4F布置的双重序列。可以使用不同的透镜布置，只要其仍将源的图像提供在衬底上，并且同时允许访问即通往中间光瞳平面以用于空间频率滤光。因此，可以通过在呈现衬底平面的空间光谱的平面(这里被称为(共轭)光瞳平面)中限定空间强度分布来选择辐射入射到衬底上的角范围。特别地，可以通过在为物镜光瞳平面的背向投影图像的平面中在透镜12与14之间插入合适的形式的孔板13来进行这种选择。例如，如所图示的，孔板13可以采取不同的形式，所述形式中的两种形式被标注为13N和13S，从而允许选择不同的照射模式。所图示的示例中的照射系统形成离轴照射模式。在第一照射模式中，孔板13N提供从仅出于描述起见被指定为“北”的方向的离轴。在第二照射模式中，孔板13S被用于提供类似的照射，但提供来自被标注为“南”的相反方向的照射。通过使用不同的孔，其它照射模式是可能的。光瞳平面的其余部分期望地是暗的，这是因为在期望的照射模式之外的任何不必要的光将干涉期望的测量信号。
由衬底W上的目标衍射的至少0阶以及-1阶和+1阶中的一个由物镜16收集，并且通过分束器15被引导返回。第二分束器17将衍射束划分成两个测量分支。在第一测量分支中，光学系统18使用零阶衍射束和一阶衍射束在第一传感器19(例如，CCD或CMOS传感器)上形成目标的衍射光谱(光瞳平面图像)。每个衍射阶射中传感器上的不同点，使得图像处理可以比较和对比若干阶。由传感器19获取的光瞳平面图像可以用于聚焦量测设备和/或归一化一阶束的强度测量结果。光瞳平面图像可以用于诸如重构之类的许多测量目的。
在第二测量分支中，光学系统20、22在传感器23(例如，CCD或CMOS传感器)上形成衬底W上的目标的图像。在第二测量分支中，在与光瞳平面共轭的平面中提供孔径光阑21。孔径光阑21用于阻挡零阶衍射束，使得形成在传感器23上的目标的图像仅从-1或+1阶束形成。由传感器23所检测的图像因此被称为“暗场”图像。应注意，这里的术语“图像”在广义上使用。由此，如果仅存在-1阶和+1阶中的一个，则将不形成光栅线的图像。
将由传感器19和23获取的图像被输出至图像处理器与控制器PU，图像处理器与控制器PU的功能将依赖于正在被执行的测量的特定类型。
可以在专利申请US 2006/066855 A1、WO 2009/078708、WO2009/106279和US2011/0027704 A中找到散射仪和技术的示例，这些专利申请的全部内容通过引用并入本文中。
图4描绘用于执行量测的方法的架构。在步骤S1中，设置了具有形成在所述衬底W上的层30的衬底W，如图5中所描绘。层30包括二维材料，基本上由二维材料组成、或由二维材料组成。二维材料是与垂直于材料的平面的方向相比，在材料的平面内的侧向方向上示出出显著各向异性的材料。一类二维材料有时被称为单层材料，并且可以包括由单层原子或彼此叠置的小数目的多个单层的原子组成的结晶材料。在一些实施例中，所述二维材料包括以下中的一个或更多个：石墨烯、六方氮化硼(hBN)和过渡金属二硫化物(TMD)。层30可以在衬底W或衬底W的选定区上是名义上均匀的(例如未被图案化)。替代地，所述层30可以被图案化，例如用以限定与用于制造合并有即包含所述二维材料的功能器件相关的特征。
在一些实施例中，所述方法包括利用非相干辐射束照射所述层30的目标部分32的步骤S2。所述步骤S2还包括检测由所述层30的所述目标部分32重新引导(例如散射)的辐射以获得测量数据。可以使用具有在10nm至1000nm的范围内(例如在400nm与900nm之间)的波长的辐射来执行所述照射。在实施例中，使用上文参考图3所描述的类型的光学设备来实施所述方法。在这样的情况下，将会由所述源11以及介于所述源11与所述衬底W之间的光学器件提供所述照射。
在一些实施例中，所述方法包括处理在步骤S2中所获得的所述测量数据以获得关于所述层30的所述目标部分32的量测信息的步骤S3。
在一些实施例中，所述方法包括针对多个不同的目标部分32执行步骤S2和S3以获得针对所述层30的多个目标部分的量测信息。针对所述多个目标部分的所述量测信息可以用于构造所述衬底W的由所述层30的所述多个部分32所覆盖的区上的量测信息的映射(例如通过将来自每个目标部分32的软件信息拼接在一起)。量测信息的所述映射可以被称为指纹即特征标识。
所述方法可以包括输出所述量测信息的最终步骤S4，例如作为输出数据流(例如用作对于制造过程的反馈)或作为被显示于屏幕上的信息。
在实施例中，所述测量数据包括从形成于暗场成像模式中的所检测的图像导出的数据。例如，可以使用图3的所述光学设备中的传感器23来获得所检测的图像。孔径光阑21通过防止零阶散射辐射到达所述传感器23来提供所述暗场成像模式。图像处理技术可以用于将所检测到的暗场图像转换成表示缺陷分布的图案，诸如示出晶界的部位的图案、或示出在所述衬底W上的晶界密度的空间变化的图案。所述图像处理技术可以包括使用图案识别算法。也可以使用用于移除或减少来自光学元件和/或传感器不完美即传感器缺陷的不期望的噪声的算法。
在实施例中，所述测量数据包括从光瞳平面中的所检测的辐射分布所导出的数据。例如，可以使用图3的所述光学设备中的传感器19获得在光瞳平面中的所检测的辐射的分布。光学系统18被配置成在所述传感器19上形成所述目标的光瞳平面图像。在一些实施例中，在用于获得量测信息(例如，输入至经训练的机器学习模型)之前预处理所述测量数据。例如，关于所关注的缺陷(例如晶界)的信息可以聚焦于即专注于所述光瞳平面中的像素子集中(例如所述信息在所述像素子集中具有较强信号)。在这些情况下，所述预处理可以包括选择所述光瞳平面中的像素子集且仅使用所述像素子集以获得所述量测信息。替代地或另外，所述预处理可以包括提取所述光瞳平面中的辐射的分布的反对称(anti-symmetrized)版本。在所关注的缺陷的存在破坏了全局对称性，并且因此在所述光瞳平面中的辐射分布的反对称版本中更明显地呈现时，这种方法可能是有用的。
图6描绘用于执行量测的方法的替代架构。所述方法包括设置具有形成在所述衬底上的层30的衬底W的步骤S11，如图5中描绘的，所述层30可以采取上文参考图4和图5所描述的形式中的任一形式。
在一些实施例中，所述方法包括对所述层30的目标部分32执行暗场全息显微法以获得测量数据的步骤S12。可以使用具有在10nm至1000nm的范围内，例如在400nm与900nm之间的波长的辐射来执行所述全息显微法。不同于上文参考图4和图5所描述的实施例，根据本实施例的方法需要利用相干辐射的照射，例如来自激光器的照射。本领域技术人员将会知晓实施暗场全息显微法的各种方式。图7示意性地描绘用于图示一般原理的示例布置。源40(例如激光器)提供相干辐射束。所述辐射束由第一分束器41(例如偏振分束器)拆分成参考束42和照射束43。所述照射束43在被引导至所述层30的所述目标部分32上之前传递穿过光学路径长度调节器即光程长度调节器44。零阶散射辐射被捕集至束收集器45中。非零阶散射辐射在第二分束器46(例如偏振分束器)处与所述参考束42重组。由所述散射辐射与所述参考束42之间的干涉所造成的所得到的干涉图案被传感器47检测。
在一些实施例中，所述方法包括处理从步骤S12的所述暗场全息显微法所获得的测量数据以获得关于所述层30的所述目标部分32的量测信息的步骤S13。
在一些实施例中，所述方法包括针对多个不同的目标部分32执行步骤S12和S13以获得针对所述层30的多个目标部分32的量测信息。针对所述多个目标部分的所述量测信息可以用于构造所述衬底的由所述层30的所述多个部分32所覆盖的区上的量测信息的映射(例如通过将来自每个目标部分32的软件信息拼接在一起)。量测信息的映射可以被称为特征标识。
所获得的量测信息可以包括关于所述层30中的缺陷分布的信息。本公开的实施例特别适用于所述缺陷分布包括关于晶界的空间分布的信息的情况。关于晶界的所述空间分布的信息可以包括关于所述晶界的密度的空间分布的信息。可以使用各种指标来量化晶界的所述密度。例如，指标可以基于以下各项中的一项或更多项：每单位面积晶界的总长度；每单位面积晶界的数目；以及每单位面积由晶界所占据的表面积的比例。可以获得关于作为位置的函数的指标改变速率的信息，以量化晶界的分布的梯度(例如以获得获得晶界密度随位置的变化率即改变速率)。二维材料中的晶界可能破坏二维材料的与正在制造的器件中所提供的功能性相关的性质。例如，在二维材料形成电功能元件的部分的情况下，由晶界所造成的电阻率的增加可能会使器件性能劣化。上文参考图4至图7所描述的检测模式(基于非相干辐射的散射和暗场全息显微法)促成以足够的灵敏度检测晶界，以提供关于所述晶界的空间分布的高品质信息。
在一些实施例中，关于缺陷分布的所获得的信息可以包括与二维材料的品质相关的其它信息。所获得的信息可以包括以下各项中的一项或更多项：层厚度的变化；额外的层的岛状物(例如第2层或第3层错误地存在于第1层上的区)的分布；形成于所述二维材料中的图案中的缺陷的分布(例如，造成临界尺寸(CD)和/或所述图案中的边缘的品质发生变化)；层分层(layer delamination)的分布。
本发明人已发现，晶界的所述空间密度和其它缺陷常常朝向所述衬底W的周边边缘增加。这可以例如由于在沉积过程(诸如化学气相淀积)期间出现的衬底温度的径向分布而发生。基于这种启示，在一些实施例中，所述目标部分32被布置成使得至少大部分目标部分32被定位在与所述衬底W的最接近所述目标部分32的径向周边相距的一定距离内，所述距离小于所述径向周边与所述衬底W的质心之间的平均间隔的20％、可选地小于15％、可选地小于10％。在一些实施例中，所述目标部分32都被定位为相比于所述衬底W的质心更接近所述衬底W的最接近周边。在其它实施例中，一些目标区被定位在所述衬底W的质心处或附近以提供参考目标区。所述衬底W原则上可以采取各种形状。在所述衬底W为圆盘的情况下，所述质心将会对应于所述圆盘的轴线，并且所述径向周边将会是所述圆盘的圆周边缘。以上文所描述的方式优先朝向所述衬底W的径向周边提供目标部分32确保了所述目标部分32对关于缺陷的空间分布的可用信息有效地取样，特别是在所关注的缺陷是晶界的情况下。例如，相比于定位成更接近所述衬底W的所述质心的所述目标部分32，则所述目标部分32将通常包括更多所关注的缺陷。因此，可能需要测量较少和/或较小目标部分32，以便提供关于所述缺陷分布的有用信息。可以降低测量不包含(或包含不充足的)所关注的缺陷的目标部分32所花费的时间的风险。如上文提及的，在参考目标区也存在于所述衬底W的质心处或附近的实施例中，可以在所述参考目标区(其通常可以不包含缺陷或包含较小数目的缺陷)与更接近所述径向周边的目标区(其中预期了较多缺陷)之间进行有用的比较。例如，所述参考目标区可以提供关于与所关注的缺陷的存在性不相关的背景信号的信息。
在一些实施例中，可以使所述目标部分32的大小和/或形状随在所述衬底W上的位置而变化。例如，大小和/或形状的变化可以被选择以考虑所述层30中的预期缺陷分布。例如，在预期了朝向所述衬底W的径向周边的更高密度的缺陷的情况下，所述目标部分32的平均表面积可以被布置成随与所述衬底W的质心相距的间隔的增加而单调地减小。以这种方式，可以减小介于不同的目标部分32之间的晶界的量的变化(例如通过在高晶界密度的区中提供较小目标部分32，以及反过来)，这可以促成找到正被使用的所述测量过程(例如基于非相干辐射的散射或暗场全息显微法)的品质与速度之间的最优平衡。
各种技术可以用于执行对所述量测数据的处理(例如在图4的步骤S3或图6的步骤S13中)。图案识别算法可以用于自动地识别所关注的特征。分段算法可以用于根据预定分类方案对所述图像的不同区进行分类，例如以识别对应于晶界的像素和不对应于晶界的像素。
在所关注的缺陷包括晶界的实施例中，对所述测量数据的处理可以使用图案识别算法或分段算法以确定以下各项中的一项或更多项：晶界密度的空间分布；晶界密度中的梯度的空间分布。
在一些实施例中，对所述测量数据的处理(例如在图4的步骤S3或图6的步骤S13中)包括使用经训练的机器学习模型以从所述测量数据获得所述量测信息。下文参考图8和图9描述了如何训练这种机器学习模型的示例。在所述测量数据包括所检测的在光瞳平面中的辐射的分布的情况下，使用所述机器学习模型已被认为是特别有效的。
图8描绘用于训练机器学习模型的方法的架构。所述方法包括设置衬底W(所述衬底W具有包括在所述衬底W上的二维材料的层30)的步骤S21，所述层30包括二维材料，如图5中描绘的。所述层30可以采取上文参考图4至图7所描述的形式中的任一形式。
在一些实施例中，所述方法包括通过针对所述层30的多个不同的目标部分32对所述层30的目标部分32执行第一测量过程来获得训练数据集。在一些实施例中，如图8中所例示的，获得所述训练数据集还包括对多个目标部分32中的每个目标部分32执行第二测量过程。因而，所述方法可以包括对所述层30的目标部分32执行第一测量过程以获得第一测量数据的步骤S22。所述方法还可以包括对所述层30的所述目标部分32执行第二测量过程以获得第二测量数据的步骤S23。所述方法还可以包括步骤S24，其中针对所述层30的多个不同的目标部分32执行所述第一测量过程和所述第二测量过程以获得所述训练数据集。也可以针对多个不同层30(例如在多个不同的相应的衬底W上)执行所述第一测量过程和所述第二测量过程。
所获得的训练数据集被用于训练所述机器学习模型，以使得经训练的机器学习模型能够根据通过对新目标部分32(例如未被用于训练机器学习模型的目标部分32)执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分32的量测信息。在图8的示例中，在步骤S24中所获得的所述训练数据集被用于步骤S25中以训练所述机器学习模型。
在实施例中，所述第一测量过程(在步骤S22中被执行)包括利用非相干辐射束照射所述层30的每个目标部分32以及检测由所述目标部分32重新引导的辐射。因而可以使用上文参考图4的步骤S2所描述的技术中的任一技术来执行所述第一测量过程。例如，所述第一测量过程可以包括获得形成在暗场成像模式中的所检测的图像。例如，可以使用图3的所述光学设备中的传感器23获得所检测的图像。因而，图3的所述设备是适于执行所述方法的测量系统的示例。
在实施例中，所述第一测量过程(在步骤S22中被执行)包括获得所检测的在光瞳平面中的辐射的分布(例如在明场成像模式中)。例如，可以使用图3的光学设备中的传感器19来获得所检测的在光瞳平面中的辐射的分布。因而，图3的设备是适于执行所述方法的测量系统的示例。
在实施例中，所述第一测量过程(在步骤S22中被执行)包括暗场全息显微法。因而，可以使用上文参考图6的步骤S12所描述的技术中的任一技术来执行所述第一测量过程。
在一些实施例中，相比于所述第一测量过程，所述第二测量过程是能够提供关于事实层30中的所关注的缺陷(诸如晶界)的更详细信息的过程。然而，所述第二测量过程可以比所述第一测量过程更昂贵和/或更慢。通过基于来自所述第一测量过程和所述第二测量过程两者的测量数据来训练所述机器学习模型，所述机器学习模型学习根据未来仅从所述第一测量过程获得的测量数据获得更有用信息。例如，所述机器学习模型可以学习如何使所述第一测量数据中的细微特征与所述第二测量数据中被确认为所关注的缺陷的特征相关。所述机器学习模型使得根据仅使用所述第一测量过程的新层30的测量获得高品质信息成为可能。因而可以用高效率(例如低成本和/或高速)获得高品质信息。
在一些实施例中，所述机器学习模型包括监督式(例如全监督式或半监督式)机器学习模型。处理来自所述第二测量过程的所述测量数据以获得关于所述层30的所述目标部分32的量测信息。使用来自所述第二测量过程的所述测量数据而获得的所述量测信息提供用于使用来自所述第一测量过程的所述测量数据训练所述监督式机器学习模型的标记。来自所述第一测量过程和所述第二测量过程的测量数据的组合可以被视为校正。所述第一测量过程和所述第二测量过程将多对数据单元提供至所述训练数据集。所述第一测量过程提供与在测量新目标部分时将获得的测量数据相对应的测量数据，并且所述第二测量过程将那些测量链接至所关注的量测信息(例如晶界的密度)。标记可以取决于所关注的量测信息的性质而采取各种形式。例如，每个标记可以包括上文所论述的用于量化与已测量的目标部分相对应的晶界密度的指标中的一个指标，或由上文所论述的用于量化与已测量的目标部分相对应的晶界密度的指标中的一个指标组成。通过将所述第二测量过程应用于特定目标部分而获得的每个标记被指派至通过将所述第一测量过程应用于同一目标部分或非常靠近所述目标部分的目标部分(例如与其最接近和/或叠置的目标部分)而获得的测量数据。可以对所述衬底的存在所述二维材料的任何区(包括可制造器件的区)执行所述第一测量过程。如果需要，所述第二测量过程可以是破坏性的。应注意，不一定需要所述第二测量过程以用于训练，例如在如下文所描述的引发预定义缺陷分布的情况下(例如使用在空间上变化的表面形貌和/或表面组分)。所述缺陷分布的预定义性质使得预先知晓所述缺陷分布成为可能。已知缺陷分布可以直接地用于为所述训练数据集中来自所述第一测量过程的测量数据提供标记(而无需任何额外的测量步骤)。
在一些实施例中，所述第一测量过程和所述第二测量过程中的任一者或两者包括利用非相干辐射束照射所述层30的每个目标部分32以及检测由所述目标部分32重新引导的辐射。在示例实施方式中，所述第一测量过程包括在明场成像模式中检测图像且所述第二测量过程包括在暗场成像模式中检测图像。从暗场和明场成像所获得的信号(其可以分别被称为暗场信号和明场信号)可以被认为是来自受照射区域的不同响应函数。每个响应函数可以被表示为像平面中的辐射(例如使用图3的所述光学设备中的传感器23而检测到的)或光瞳平面中的辐射(例如使用图3的所述光学设备中的传感器19而检测到的)的分布。明场成像相对于暗场成像具有各种实用优势。例如，明场成像可以促成较高采集速度和/或较小斑大小的使用。替代的和/或额外的滤光模式可以用于明场成像，诸如基于偏振性质的滤光。例如，这些滤光选项可以改善对比度。另一方面，许多所关注的缺陷，诸如晶界可能难以在明场图像中识别。暗场成像可以对诸如晶界之类的某些类型的缺陷更敏感。根据本实施例，暗场成像用于训练机器学习模型以解释明场图像(例如将标记提供至用于训练监督式机器学习模型的训练数据集)。这允许实现期望的优势组合。可能受益于上文提及的明场成像的实用优势(改善的采集速度、减小的斑大小、滤光，等等)和暗场成像的经改善的缺陷灵敏度。在所述第一测量过程包括获得所检测的在光瞳平面中的辐射的分布的情况下(即，在使用所述响应函数的光瞳平面表示的情况下)，这种方法特别有效地起效。
在实施例中，所述第二测量过程包括电子显微法，诸如扫描电子显微法。
在实施例中，所述第二测量过程包括二次谐波成像显微法。当显微法使用暗场成像时，所述二次谐波成像显微法对于检测所关注的缺陷可以是特别有效的。二次谐波成像显微法也可以使用所检测的在光瞳平面中的辐射的分布。作为一般技术的二次谐波成像显微法是本领域中已知的且可以使用多种多样的光学配置来实施。所述技术基于使用所述层30来产生二次谐波光的能力的变化以提供图像中的对比度。可以使得诸如晶界之类的缺陷以与所述层30的远离缺陷的区不同的方式(例如更多)产生二次谐波光。相比于使用常规光学显微镜技术而可能的情况，这种效应可以允许更清晰地观察缺陷，常规光学显微镜技术依赖于检测光学密度、路径长度或折射率的变化。在一些实施例中，除了所述源11被配置为相干辐射源(例如激光器)之外，使用上文参考图3所论述的类型的光学设备实施所述二次谐波成像显微法。当使用暗场成像模式时，这可以使用图3的所述光学设备中的传感器23而获得。当使用所检测的在光瞳平面中的辐射的分布时，可以使用图3的所述光学设备中的传感器19来获得这种分布。在一些实施例中，上文参考图3所论述的类型的光学设备被配置成在两种不同模式中操作：所述设备在第一模式中实施所述第一测量过程(例如，使用非相干辐射)和在第二模式中实施所述第二测量过程(例如，使用二次谐波成像显微法)。用于检测过渡金属二硫化物(TMD)中的晶界的暗场二次谐波成像的示例论证被披露于以下论文中：Bruno R.Carvalho、Yuanxi Wang、Kazunori Fujisawa、Tianyi Zhang、Ethan Kahn、IsmailBilgin、Pulickel M.Ajayan、Ana M.de Paula、Marcos A.Pimenta、Swastik Kar、VincentH.Crespi、Mauricio Terrones和Leandro M.Malard的发布于Nano Letters 2020 20(1)，284-291中的标题为“Nonlinear Dark-Field Imaging of One-Dimensional Defects inMonolayer Dichalcogenides”的论文。在这样的研究中，使用暗场二次谐波成像显微法以获得在石英衬底上被形成为单层的MoS2、MoSe2和WS2的二维晶体的图像。在所描述的示例中，分别利用针对MoSe2的1.38eV(900nm)的能量和针对MoS2以及WS2的1.42eV(873nm)的能量来激励样品。使用750nm至950nm的宽带激光器，但例如870nm至900nm的较窄频带激光器应足以泵浦MoS2、MoSe2和WS2中的二次谐波产生。
在一些实施例中，故意地操控用于获得所述训练数据集的所述层30以提供缺陷分布的预定义变化。这种方法可以确保所述训练数据集在期望的缺陷分布范围内有效地训练所述机器学习模型，而不必让训练集过大(如果所述训练依赖于在所述训练集中的缺陷分布的较随机变化，则可能是该情况)。替代地或另外，这种方法可以用于允许在无需对所述缺陷分布的单独的测量的情况下将标记添加至所述训练数据集中的数据。在一些实施例中，这通过布置待支撑在非平面支撑表面上的所述层30来实现，其中所述非平面支撑表面的表面形貌被配置成在所述层30中提供预定缺陷分布。例如，预期了在所述支撑件中的(例如沿尖锐的凸脊线等的)斜率快速地变化的区处将有利于形成晶界。在一些实施例中，光刻技术用于提供非平面支撑表面。光刻技术提供较高程度的局部精确度和控制。因而能够以高灵活性和准确度产生具有不同形貌的训练分区。这样的高品质训练分区促进所述机器学习模型的有效且可靠训练。
替代地或另外，在一些实施例中，用于获得所述训练数据集的所述层30被支撑在具有非均匀组分的支撑表面上，其中所述支撑表面中的组分的空间变化被配置成在所述层30中提供预定缺陷分布。
在一些实施例中，如图9中所例示的，所述支撑表面50被配置成提供缺陷分布，所述缺陷分布在多个不同训练分区51至54中的每个训练分区中是大致均匀的，其中大致均匀的缺陷分布在训练分区51至54中的每个训练分区中是大致不同的。如上文所描述的，可以使用非平面形貌(例如使用光刻而形成的非平面形貌)和/或经由不同训练分区51至54中的不同表面组分来设置每个训练分区51至54中的所述缺陷分布。在所示出的示例中，所述支撑表面50可以使得当所述层30被形成在所述支撑表面50上时，所述训练分区51至54的形貌和/或组分可以使得训练分区51中出现最低密度的晶界，训练分区52中出现较高密度的晶界，训练分区53中出现再较高密度的晶界，并且训练分区54中出现最高密度的晶界。
在一些实施例中，所述衬底被预处理以使得较容易区分诸如晶界之类的缺陷。可以在上文参考图4和图6所描述的执行量测的方法中的任一方法之前应用所述预处理。替代地或另外，所述预处理可以被应用于增强参考图8所描述的方法中的所述机器学习模型的训练。例如，所述预处理可以作为所述第二测量过程的部分而被应用。所述预处理可以包括以化学方式对所述缺陷改质，例如通过应用氧化过程以选择性地氧化所述缺陷(例如使用加热和/或O2蒸气)。替代地或另外，可以应用利用自装配的单层进行的功能化来增强所述缺陷与所述二维材料的其它区之间的对比度。替代地或另外，可以将额外的薄层(例如单层)应用于包括二维材料的所述层30上方，以增强所述缺陷与所述二维材料的其它区之间的对比度。
图10描绘在衬底W上提供包括二维材料的层30(如图5中所描绘)的方法的架构。所述层30可以采取上文参考图4至图9所描述的形式中的任一形式。所述方法包括使用形成过程在衬底W上形成包括二维材料的层的步骤S31。所述方法还包括使用上文例如参考图4和图6所描述的方法中的任一方法对所述层30执行量测的步骤S32。所述方法还包括基于所获得的量测信息来修改所述形成过程的一个或更多个过程参数的步骤S33，和重复所述形成过程以在新衬底上形成包括二维材料的层的步骤S34。因而，所获得的量测信息可以用于控制回路中以控制影响所讨论的所述量测信息(例如影响诸如晶界分布之类的缺陷分布)的一个或更多个过程参数。经修改的过程参数可以包括被配置成沉积二维材料的沉积过程的参数(例如温度梯度，等等)或对相关缺陷分布有影响的制造工具中的任何其它参数，包括例如涉及局部沉积(例如，直接在所需的图案中的辐射引发的材料沉积)和/或蚀刻过程的图案化过程的过程参数。所述控制回路可以例如校正在过程中的偏移以及改善产率。
可以设置用于执行上文所描述的方法中的任一方法的设备。例如，可以设置一种测量系统以用于照射衬底上的二维材料的层30的目标部分32。所述测量系统可以被配置成检测由所述目标部分32重新引导的辐射，诸如光瞳平面中的辐射的分布，以获得测量数据。上文参考图3所描述的所述设备是这种测量系统的示例。可以设置一种数据处理系统。可以使用数据处理硬件的任何合适的组合来实施所述数据处理系统。图3的图像处理器和控制器PU是这种数据处理系统的示例。所述数据处理系统可以被配置成控制所述测量系统以获得针对多个不同的目标部分32的所述测量数据。所述数据处理系统还可以被配置成使用机器学习模型以从所检测的辐射(例如，从所述光瞳平面中的相应的所检测的辐射的分布)获得针对所述目标部分32的量测信息。在一些实施例中，所述测量系统被配置成针对所述层30的多个不同的目标部分32来对二维材料的层30的目标部分32执行所述第一测量过程和所述第二测量过程两者。例如，所述测量系统可以被配置成执行包括在明场成像模式下检测图像的第一测量过程和包括在暗场成像模式下检测图像的第二测量过程。在这样的情况下，所述数据处理系统可以被配置成使用从所述第一测量过程和所述第二测量过程导出的训练数据集来训练机器学习模型，使得所述机器学习模型能够从通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
可以使用以下方面进一步描述实施例：
1.一种执行量测的方法，包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
利用非相干辐射束照射所述层的目标部分和检测由所述层的所述目标部分重新引导的辐射以获得测量数据；以及
处理所述测量数据以获得关于所述层的所述目标部分的量测信息，其中：
针对所述层的多个不同的目标部分执行所述照射、检测和处理以获得针对所述层的所述多个目标部分的量测信息。
2.根据方面1所述的方法，其中，所述测量数据包括从形成在暗场成像模式中的所检测的图像导出的数据。
3.根据方面1所述的方法，其中，所述测量数据包括从光瞳平面中的所检测的辐射分布导出的数据。
4.根据任一前述方面所述的方法，其中使用具有在10nm至1000nm的范围内的波长的辐射来执行所述照射。
5.一种执行量测的方法，包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
对所述层的目标部分执行暗场全息显微法以获得测量数据；以及
处理所述测量数据以获得关于所述层的所述目标部分的量测信息，其中：
针对所述层的多个不同的目标部分执行所述暗场全息显微法和处理以获得针对所述层的所述多个目标部分的量测信息。
6.根据任一前述方面所述的方法，其中，所述多个目标部分中的至少大部分被定位在与所述衬底的最接近所述目标部分的径向周边相距的一距离内，所述距离小于介于所述径向周边与所述衬底的质心之间的平均间隔的20％。
7.根据任一前述方面所述的方法，其中，所述多个目标部分都被定位为相比于所述衬底的质心更接近所述衬底的最接近周边。
8.根据任一前述方面所述的方法，其中，所述多个目标部分的大小和/或形状随在所述衬底上的位置而变化。
9.根据方面8所述的方法，其中，所述目标部分的平均表面积随与所述衬底的质心相距的间隔的增加而单调减小。
10.根据任一前述方面所述的方法，还包括使用经训练的机器学习模型以根据所述测量数据获得所述量测信息。
11.根据方面10所述的方法，其中，使用来自第一测量过程的第一测量数据和来自第二测量过程的第二测量数据来训练所述机器学习模型。
12.根据方面11所述的方法，其中，所述第一测量过程包括在明场成像模式中检测图像。
13.根据方面11或12所述的方法，其中，所述第二测量过程包括在暗场成像模式中检测图像。
14.根据任一前述方面所述的方法，其中，所获得的量测信息包括关于所述层中的缺陷分布的信息。
15.根据方面14所述的方法，其中，关于所述缺陷分布的所述信息包括关于晶界的空间分布的信息。
16.根据方面15所述的方法，其中，关于所述缺陷分布的所述信息包括关于晶界的密度的空间分布的信息。
17.根据方面15或16所述的方法，其中，对测量数据的所述处理包括使用图案识别算法或分段算法以确定以下各项中的一项或更多项：晶界的密度的空间分布；晶界的密度中的梯度的空间分布。
18.根据方面14至17中任一项所述的方法，其中，关于所述缺陷分布的所获得的信息包括关于以下各项中的一项或更多项的信息：层厚度的变化；额外的层的岛状物的分布；形成在所述二维材料中的图案中的缺陷的分布；层分层的分布。
19.根据任一前述方面所述的方法，还包括使用用于所述层的所述多个目标部分的所获得的量测信息以在所述衬底的由所述层的所述多个部分所覆盖的区上构造量测信息的映射。
20.一种训练机器学习模型的方法，包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
对所述层的目标部分执行第一测量过程以获得第一测量数据；以及
对所述层的所述目标部分执行第二测量过程以获得第二测量数据，其中：
针对所述层的多个不同的目标部分执行所述第一测量过程和所述第二测量过程以获得训练数据集；和
使用所获得的训练数据集来训练机器学习模型，以使得经训练的机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
21.根据方面20所述的方法，其中，所述第一测量过程包括利用非相干辐射束照射所述层的每个目标部分和检测由所述目标部分重新引导的辐射。
22.根据方面21所述的方法，其中，所述第一测量过程包括获得形成于暗场成像模式中的所检测的图像。
23.根据方面21所述的方法，其中，所述第一测量过程包括获得所检测的在光瞳平面中的辐射的分布。
24.根据方面20所述的方法，其中，所述第一测量过程包括暗场全息显微法。
25.根据方面20至24中任一项所述的方法，其中，所述第二测量过程包括电子显微法。
26.根据方面20至25中任一项所述的方法，其中，所述第二测量过程包括二次谐波成像显微法。
27.根据方面26所述的方法，其中，所述二次谐波成像显微法使用暗场成像。
28.根据方面20或21所述的方法，其中，所述第一测量过程包括在明场成像模式中检测图像。
29.根据方面28所述的方法，其中，所述第二测量过程包括在暗场成像模式中检测图像。
30.根据方面20至29中任一项所述的方法，其中，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在非平面支撑表面上，所述非平面支撑表面的表面形貌被配置成在所述层中提供预定缺陷分布。
31.根据方面20至30中任一项所述的方法，其中，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在具有非均匀组分的支撑表面上，所述支撑表面中的所述组分的空间变化被配置成在所述层中提供预定缺陷分布。
32.根据方面30或31所述的方法，其中，所述支撑表面被配置成提供缺陷分布，所述缺陷分布在多个不同训练分区中的每个训练分区中是大致均匀的，所述大致均匀的缺陷分布在所述多个训练分区中的每个训练分区中是大致不同的。
33.根据方面30至32中任一项所述的方法，其中，所述预定缺陷分布包括晶界的预定分布。
34.根据方面1至19中任一项所述的方法，还包括使用机器学习模型以根据所述测量数据获得所述量测信息，其中根据方面20至33中任一项所述的方法来训练所述机器学习模型。
35.一种用于在衬底上提供包括二维材料的层的方法，包括：
使用形成过程在衬底上形成包括二维材料的层；
使用根据方面1至19中任一项所述的方法对包括所述二维材料的所述层执行量测；以及
基于所获得的量测信息来修改所述形成过程的一个或更多个过程参数且重复所述形成过程以在新衬底上形成包括二维材料的层。
36.根据方面35所述的方法，其中，经修改的过程参数包括以下各项中的一项或更多项：被配置成沉积所述二维材料的沉积过程的参数；和被配置成将图案赋予至所述二维材料的图案化过程的参数。
可以使用以下方面进一步描述实施例：
1.一种执行量测的方法，包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
利用辐射束照射所述层的目标部分和检测在光瞳平面中的辐射的分布以获得测量数据，所述辐射由所述层的所述目标部分重新引导；以及
处理所述测量数据以获得关于所述层的所述目标部分的量测信息，其中：
针对所述层的多个不同的目标部分执行所述照射、检测和处理以获得针对所述层的所述多个目标部分的量测信息。
2.根据方面1所述的方法，其中，对所述测量数据的所述处理使用机器学习模型以根据所检测的在所述光瞳平面中的辐射的分布获得所述量测信息。
3.根据方面2所述的方法，其中，对所述机器学习模型的训练方法包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
通过针对所述层的多个不同的目标部分对所述层的目标部分执行第一测量过程以获得训练数据集；以及
使用所获得的训练数据集训练所述机器学习模型，以使得经训练的机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
4.一种训练机器学习模型的方法，包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
通过针对所述层的多个不同的目标部分对所述层的目标部分执行第一测量过程来获得训练数据集；以及
使用所获得的训练数据集来训练所述机器学习模型，以使得经训练的机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
5.根据方面3或4所述的方法，其中，获得所述训练数据集还包括对所述目标部分中的每个目标部分执行第二测量过程。
6.根据方面5所述的方法，其中：
所述机器学习模型是监督式机器学习模型；
处理来自所述第二测量过程的测量数据以获得关于所述层的所述目标部分的量测信息；以及
使用来自所述第二测量过程的所述测量数据所获得的所述量测信息提供用于使用来自所述第一测量过程的测量数据训练所述监督式机器学习模型的标记。
7.根据方面5或6所述的方法，其中，所述第一测量过程和所述第二测量过程中的任一种或两者包括利用非相干辐射束照射所述层的每个目标部分和检测由所述目标部分重新引导的辐射。
8.根据方面7所述的方法，其中：
所述第一测量过程包括在明场成像模式中检测图像；以及
所述第二测量过程包括在暗场成像模式中检测图像。
9.根据方面3至8中任一项所述的方法，其中，所述第一测量过程包括获得所检测的在光瞳平面中的辐射的分布。
10.根据方面9所述的方法，其中，所述第二测量过程包括以下各项中的一项或更多项：
检测形成在暗场成像模式中的图像；
电子显微法；
二次谐波成像显微法；以及
暗场全息显微法。
11.根据方面3至10中任一项所述的方法，其中，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在非平面支撑表面上，所述非平面支撑表面的表面形貌被配置成在所述层中提供预定缺陷分布。
12.根据方面3至11中任一项所述的方法，其中，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在具有非均匀组分的支撑表面上，所述支撑表面中的所述组分的空间变化被配置成在所述层中提供预定缺陷分布。
13.根据方面11或12所述的方法，其中，所述机器学习模型是监督式机器学习模型，并且所述预定缺陷分布直接地用于为所述训练数据集中来自所述第一测量过程的所述测量数据提供标记。
14.根据方面11至13中任一项所述的方法，其中，所述支撑表面被配置成提供缺陷分布，所述缺陷分布在多个不同训练分区中的每个训练分区中是大致均匀的，所述大致均匀的缺陷分布在所述多个训练分区中的每个训练分区中是大致不同的。
15.根据方面11至14中任一项所述的方法，其中，所述预定缺陷分布包括晶界的预定分布。
16.根据方面1至15中任一项所述的方法，其中，使用具有在10nm至1000nm的范围内的波长的辐射来执行所述照射。
17.根据方面1至16中任一项所述的方法，其中，所述多个目标部分中的至少大部分被定位在与所述衬底的最接近所述目标部分的径向周边相距的一距离内，所述距离小于介于所述径向周边与所述衬底的质心之间的平均间隔的20％。
18.根据方面1至17中任一项所述的方法，其中，所述多个目标部分都被定位为相比于所述衬底的质心更接近所述衬底的最接近周边。
19.根据方面1至18中任一项所述的方法，其中，所述多个目标部分的大小和/或形状随在所述衬底上的位置而变化。
20.根据方面19所述的方法，其中，所述目标部分的平均表面积随与所述衬底的质心相距的间隔的增加而单调减小。
21.根据方面1至20中任一项所述的方法，其其中，所获得的量测信息包括关于所述层中的缺陷分布的信息。
22.根据方面21所述的方法，其中，关于所述缺陷分布的所述信息包括关于晶界的空间分布的信息。
23.根据方面22所述的方法，其中，关于所述缺陷分布的所述信息包括关于晶界的密度的空间分布的信息。
24.根据方面22或23所述的方法，其中，对测量数据的所述处理包括使用图案识别算法或分段算法以确定以下各项中的一项或更多项：晶界的密度的空间分布；晶界的密度中的梯度的空间分布。
25.根据方面21至24中任一项所述的方法，其中，关于所述缺陷分布的所获得的信息包括关于以下各项中的一项或更多项的信息：层厚度的变化；额外的层的岛状物的分布；形成在所述二维材料中的图案中的缺陷的分布；层分层的分布。
26.根据方面1至25中任一项所述的方法，还包括使用用于所述层的所述多个目标部分的所获得的量测信息以在所述衬底的由所述层的所述多个部分所覆盖的区上构造量测信息的映射。
27.根据方面1至26中任一项所述的方法，其中，所述二维材料包括以下各项中的一项或更多项：石墨烯；六方氮化硼；过渡金属二硫化物。
28.一种用于在衬底上提供包括二维材料的层的方法，包括：
使用形成过程在衬底上形成包括二维材料的层；
使用根据方面1至27中任一项所述的方法对包括所述二维材料的所述层执行量测；以及
基于所获得的量测信息来修改所述形成过程的一个或更多个过程参数且重复所述形成过程以在新衬底上形成包括二维材料的层。
29.一种被配置成在衬底上执行量测的量测设备，所述设备包括：
测量系统，所述测量系统被配置成照射衬底上的二维材料的层的目标部分和检测在光瞳平面中的辐射的分布以获得测量数据，所述辐射由所述目标部分重新引导；和
数据处理系统，所述数据处理系统被配置成：
控制所述测量系统以获得用于多个不同的目标部分的所述测量数据；和
使用机器学习模型以从所检测的在所述光瞳平面中的相应的辐射的分布获得用于所述目标部分的量测信息。
30.一种被配置成训练机器学习模型的量测设备，所述设备包括：
测量系统，所述测量系统被配置成针对二维材料的层的多个不同的目标部分对所述层的目标部分执行第一测量过程和第二测量过程；和
数据处理系统，所述数据处理系统被配置成使用从所述第一测量过程和所述第二测量过程所导出的训练数据集来训练机器学习模型，使得所述机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
31.根据方面30所述的设备，其中：
所述第一测量过程包括在明场成像模式中检测图像；以及
所述第二测量过程包括在暗场成像模式中检测图像。
虽然在本文中可以具体地参考光刻设备在IC制造中的使用，但应理解，本文中所描述的光刻设备可以具有其它应用，诸如，制造集成光学系统、用于磁畴存储器的引导和检测图案、平板显示器、液晶显示器(LCD)、薄膜磁头等。本领域技术人员应了解，在这些替代应用的情境下，可以认为本文中对术语“晶片”或“管芯”的任何使用分别与更上位的术语“衬底”或“目标部分”同义。可以在曝光之前或之后在例如轨道或涂覆显影系统(通常将抗蚀剂层施加至衬底且显影经曝光的抗蚀剂的工具)、测量工具和/或检查工具中处理本文中提及的衬底。在适用情况下，可以将本文中的公开内容应用于这些和其它衬底处理工具。此外，可以将衬底处理一次以上，例如，以便产生多层IC，使得本文中所使用的术语衬底也可以指已经包括多个经处理的层的衬底。
虽然上文可以具体地参考在光学光刻术的情境下对本发明的实施例的使用，但应了解，本发明可以用于其它应用，例如压印光刻术中，并且在情境允许的情况下不限于光学光刻术。在压印光刻术中，图案形成装置中的形貌限定产生于衬底上的图案。可以将图案形成装置的形貌压入被供应给衬底的抗蚀剂层中，在衬底上，抗蚀剂是通过施加电磁辐射、热、压力或其组合而固化。在抗蚀剂固化之后将图案形成装置移出抗蚀剂，从而在其中留下图案。
本文中所使用的术语“辐射”和“束”涵盖所有类型的电磁辐射，包括紫外(UV)辐射(例如，波长是或为约365nm、355nm、248nm、193nm、157nm或126nm)和极紫外(EUV)辐射(例如，波长介于5nm至20nm的范围内)、软X射线以及诸如离子束或电子束的粒子束。
在情境允许的情况下，术语“透镜”可以指各种类型的光学元件中的任一个或组合，包括折射型、反射型、磁性型、电磁型和静电型光学元件。
对具体实施例的前述描述将因此充分地揭示本发明的一般性质：在不背离本发明的一般构思的情况下，其他人可以通过应用本领域技术人员所了解的知识针对各种应用而容易地修改和/或调适这些特定实施例，而无需过度实验。因此，基于本文中所呈现的教导和指导，这些调适和修改旨在属于所公开的实施例的等效物的含义和范围内。应理解，本文中的措辞或术语是出于描述而不是限制的目的，使得本说明书的术语或措辞将要由本领域技术人员按照所述教导和指导来解释。
本发明的范围和范围不应由上述示例性实施例中的任一示例性实施例限制，而应仅根据随附的权利要求及其等效物来限定。

Claims (15)

1.一种执行量测的方法，包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
利用辐射束照射所述层的目标部分和检测在光瞳平面中的辐射的分布以获得测量数据，所述辐射由所述层的所述目标部分重新引导；以及
处理所述测量数据以获得关于所述层的所述目标部分的量测信息，其中：
针对所述层的多个不同的目标部分执行所述照射、检测和处理以获得针对所述层的所述多个目标部分的量测信息。
2.根据权利要求1所述的方法，其中，对所述测量数据的所述处理使用机器学习模型以根据所检测的在所述光瞳平面中的辐射的分布获得所述量测信息。
3.根据权利要求2所述的方法，其中，对所述机器学习模型的训练方法包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
通过针对所述层的多个不同的目标部分对所述层的目标部分执行第一测量过程以获得训练数据集；以及
使用所获得的训练数据集训练所述机器学习模型，以使得经训练的机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
4.一种训练机器学习模型的方法，包括：
提供衬底，所述衬底具有形成在所述衬底上的层，所述层包括二维材料；
通过针对所述层的多个不同的目标部分对所述层的目标部分执行第一测量过程来获得训练数据集；以及
使用所获得的训练数据集来训练所述机器学习模型，以使得经训练的机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
5.根据权利要求3或4所述的方法，其中，获得所述训练数据集还包括对所述目标部分中的每个目标部分执行第二测量过程。
6.根据权利要求5所述的方法，其中，所述第一测量过程和所述第二测量过程中的任一种或两者包括利用非相干辐射束照射所述层的每个目标部分和检测由所述目标部分重新引导的辐射。
7.根据权利要求6所述的方法，其中：
所述第一测量过程包括在明场成像模式中检测图像；以及
所述第二测量过程包括在暗场成像模式中检测图像。
8.根据权利要求3至7中任一项所述的方法，其中，所述第一测量过程包括获得所检测的在光瞳平面中的辐射的分布。
9.根据权利要求3至8中任一项所述的方法，其中，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在非平面支撑表面上，所述非平面支撑表面的表面形貌被配置成在所述层中提供预定缺陷分布。
10.根据权利要求3至9中任一项所述的方法，其中，用于获得所述训练数据集的包括所述二维材料的所述层被支撑在具有非均匀组分的支撑表面上，所述支撑表面中的所述组分的空间变化被配置成在所述层中提供预定缺陷分布。
11.根据权利要求9或10所述的方法，其中，所述机器学习模型是监督式机器学习模型，并且所述预定缺陷分布直接地用于为所述训练数据集中来自所述第一测量过程的所述测量数据提供标记。
12.一种用于在衬底上提供包括二维材料的层的方法，包括：
使用形成过程在衬底上形成包括二维材料的层；
使用根据权利要求1至11中任一项所述的方法对包括所述二维材料的所述层执行量测；以及
基于所获得的量测信息来修改所述形成过程的一个或更多个过程参数且重复所述形成过程以在新衬底上形成包括二维材料的层。
13.一种被配置成在衬底上执行量测的量测设备，所述量测设备包括：
测量系统，所述测量系统被配置成照射衬底上的二维材料的层的目标部分和检测在光瞳平面中的辐射的分布以获得测量数据，所述辐射由所述目标部分重新引导；和
数据处理系统，所述数据处理系统被配置成：
控制所述测量系统以获得用于多个不同的目标部分的所述测量数据；和
使用机器学习模型以从所检测的在所述光瞳平面中的相应的辐射的分布获得用于所述目标部分的量测信息。
14.一种被配置成训练机器学习模型的量测设备，所述量测设备包括：
测量系统，所述测量系统被配置成针对二维材料的层的多个不同的目标部分对所述层的目标部分执行第一测量过程和第二测量过程；和
数据处理系统，所述数据处理系统被配置成使用从所述第一测量过程和所述第二测量过程所导出的训练数据集来训练机器学习模型，使得所述机器学习模型能够根据通过对包括二维材料的层的新目标部分执行所述第一测量过程而获得的测量数据来导出关于所述新目标部分的量测信息。
15.根据权利要求14所述的量测设备，其中：
所述第一测量过程包括在明场成像模式中检测图像；以及
所述第二测量过程包括在暗场成像模式中检测图像。
CN202180063296.XA 2020-09-16 2021-08-17 执行量测的方法、训练机器学习模型的方法、提供包括二维材料的层的方法、量测设备 Pending CN116209894A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP20196358.4 2020-09-16
EP20196358.4A EP3971555A1 (en) 2020-09-16 2020-09-16 Method of performing metrology
EP21191255.5 2021-08-13
EP21191255 2021-08-13
PCT/EP2021/072787 WO2022058111A1 (en) 2020-09-16 2021-08-17 Method of performing metrology, method of training a machine learning model, method of providing a layer comprising a two-dimensional material, metrology apparatus

Publications (1)

Publication Number Publication Date
CN116209894A true CN116209894A (zh) 2023-06-02

Family

ID=77519128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180063296.XA Pending CN116209894A (zh) 2020-09-16 2021-08-17 执行量测的方法、训练机器学习模型的方法、提供包括二维材料的层的方法、量测设备

Country Status (6)

Country Link
US (1) US20230280662A1 (zh)
JP (1) JP2023540926A (zh)
KR (1) KR20230069123A (zh)
CN (1) CN116209894A (zh)
TW (1) TWI803966B (zh)
WO (1) WO2022058111A1 (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7791727B2 (en) 2004-08-16 2010-09-07 Asml Netherlands B.V. Method and apparatus for angular-resolved spectroscopic lithography characterization
NL1036245A1 (nl) 2007-12-17 2009-06-18 Asml Netherlands Bv Diffraction based overlay metrology tool and method of diffraction based overlay metrology.
NL1036597A1 (nl) 2008-02-29 2009-09-01 Asml Netherlands Bv Metrology method and apparatus, lithographic apparatus, and device manufacturing method.
KR101461457B1 (ko) 2009-07-31 2014-11-13 에이에스엠엘 네델란즈 비.브이. 계측 방법 및 장치, 리소그래피 시스템, 및 리소그래피 처리 셀
US9140998B2 (en) * 2010-11-12 2015-09-22 Asml Netherlands B.V. Metrology method and inspection apparatus, lithographic system and device manufacturing method
US10203295B2 (en) * 2016-04-14 2019-02-12 Lockheed Martin Corporation Methods for in situ monitoring and control of defect formation or healing
US9234798B2 (en) * 2013-06-21 2016-01-12 National Chung Cheng University System and method for detecting number of layers of a few-layer graphene
CN108267449B (zh) * 2018-01-25 2019-10-08 华中科技大学 一种二维材料层数快速识别方法及设备
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

Also Published As

Publication number Publication date
WO2022058111A1 (en) 2022-03-24
TWI803966B (zh) 2023-06-01
JP2023540926A (ja) 2023-09-27
TW202225671A (zh) 2022-07-01
KR20230069123A (ko) 2023-05-18
US20230280662A1 (en) 2023-09-07

Similar Documents

Publication Publication Date Title
KR101429629B1 (ko) 계측 방법 및 장치, 리소그래피 시스템, 및 리소그래피 처리 셀
US9261772B2 (en) Lithographic apparatus, substrate and device manufacturing method
US7589832B2 (en) Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device method
US8749775B2 (en) Inspection method and apparatus
CN109937383B (zh) 测量器件制造过程的参数的方法和量测设备
CN111065974B (zh) 用于在小量测目标上对准的拍频图案
TWI660164B (zh) 檢測基板之方法、度量衡設備及微影系統
WO2018224293A1 (en) System and method for measurement of alignment
NL2004405A (en) Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method.
NL2017343A (en) Lithographic Apparatus alignment sensor and method
CN113196175A (zh) 测量图案化过程的参数的方法、量测设备、目标
CN115552221A (zh) 包括目标布置的衬底和相关联的至少一个图案形成装置、光刻方法和量测方法
CN110663002B (zh) 测量目标的方法、量测设备、光刻单元和目标
US20230280662A1 (en) Method of performing metrology, method of training a machine learning model, method of providing a layer comprising a two-dimensional material, metrology apparatus
EP3971555A1 (en) Method of performing metrology
WO2019149586A1 (en) Method of patterning at least a layer of a semiconductor device
NL2011476A (en) Position measuring apparatus, position measuring method, lithographic apparatus and device manufacturing method.
CN114585972A (zh) 感测对准标记的设备和方法
NL2025027A (en) Patterning Device and Lithography and Metrology Methods
CN118435128A (zh) 用于光刻成像的方法和设备

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