CN116250018A - 用于生成去噪模型的设备和方法 - Google Patents
用于生成去噪模型的设备和方法 Download PDFInfo
- Publication number
- CN116250018A CN116250018A CN202180062344.3A CN202180062344A CN116250018A CN 116250018 A CN116250018 A CN 116250018A CN 202180062344 A CN202180062344 A CN 202180062344A CN 116250018 A CN116250018 A CN 116250018A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- images
- noise
- trained
- 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 128
- 238000013461 design Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 90
- 239000000758 substrate Substances 0.000 claims description 107
- 238000001878 scanning electron micrograph Methods 0.000 claims description 72
- 238000010801 machine learning Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 150000003839 salts Chemical class 0.000 claims description 6
- 238000000059 patterning Methods 0.000 description 87
- 230000005855 radiation Effects 0.000 description 61
- 230000008569 process Effects 0.000 description 44
- 239000002245 particle Substances 0.000 description 25
- 239000000523 sample Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 230000003287 optical effect Effects 0.000 description 18
- 230000015654 memory Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 238000010894 electron beam technology Methods 0.000 description 13
- 238000007689 inspection Methods 0.000 description 13
- 238000005286 illumination Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 235000012431 wafers Nutrition 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000002790 cross-validation Methods 0.000 description 7
- 238000012544 monitoring process Methods 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
- 238000005530 etching Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000001459 lithography Methods 0.000 description 4
- 210000001747 pupil Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229910052718 tin Inorganic materials 0.000 description 4
- 229910052724 xenon Inorganic materials 0.000 description 4
- 102100024335 Collagen alpha-1(VII) chain Human genes 0.000 description 3
- 101000909498 Homo sapiens Collagen alpha-1(VII) chain Proteins 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 238000000206 photolithography Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 3
- 102100023817 26S proteasome complex subunit SEM1 Human genes 0.000 description 2
- 101000684297 Homo sapiens 26S proteasome complex subunit SEM1 Proteins 0.000 description 2
- 101000873438 Homo sapiens Putative protein SEM1, isoform 2 Proteins 0.000 description 2
- 101000650808 Homo sapiens Semaphorin-3G Proteins 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 102100027750 Semaphorin-3G Human genes 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000005670 electromagnetic radiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005468 ion implantation Methods 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000005381 magnetic domain 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
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000010409 thin film 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
- 208000002720 Malnutrition Diseases 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 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
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 238000001127 nanoimprint lithography Methods 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
- G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/60—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本文描述了一种用于训练去噪模型的方法。该方法包括基于设计图案来获得第一组模拟图像。模拟图像可能是干净的,并且可以添加噪声以生成噪声模拟图像。模拟的干净图像和噪声图像被用作训练数据以生成去噪模型。
Description
相关申请的交叉引用
本申请要求于2020年7月14日提交的美国申请63/051,500的优先权,该申请的全部内容通过引用并入本文。
技术领域
本文的描述总体涉及处理由检查或测量工具获取的图像,并且更具体地涉及使用机器学习的图像去噪。
背景技术
光刻投射设备可以例如在集成电路(IC)的制造中使用。在这种情况下,图案化装置(例如掩模)可以包含或提供与IC的单个层相对应的图案(“设计布局”),并且通过诸如通过图案化装置上的图案照射目标部分之类的方法,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,图案由光刻投射设备连续地转移到该目标部分,一次一个目标部分。在一种类型的光刻投射设备中,将整个图案化装置上的图案一次转移到一个目标部分上;这种设备通常被称为步进器。在通常被称为步进扫描设备的替代设备中,投射束在给定参考方向(“扫描”方向)上在图案化装置上进行扫描,同时平行于或反平行于该参考方向同步移动衬底。图案化装置上的图案的不同部分被逐步转移到一个目标部分。因为通常光刻投射设备将具有缩小比M(例如,4),所以衬底被移动的速度F将是投射束扫描图案化装置的速度的1/M倍。关于本文所描述的光刻装置的更多信息可以例如从美国专利6,046,792中收集,其通过引用并入本文。
在将图案从图案化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,衬底可能会经历其他程序(“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。这一系列程序被用作制造装置(例如IC)的单个层的基础。然后,衬底可能会经历各种过程,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个体层。如果装置中需要多个层,那么针对每层重复整个程序或其变型。最终,装置将存在于衬底上的每个目标部分中。然后通过诸如切割或锯切之类的技术将这些装置彼此分离,从而个体装置可以被安装在载体上,连接到引脚等。
因此,制造器件(诸如半导体器件)通常涉及使用多个制造过程来处理衬底(例如,半导体晶片)以形成器件的各种特征和多个层。这些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。可以在衬底上的多个管芯上制造多个器件,然后将其分成单独的器件。该器件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,诸如在光刻设备中使用图案化装置的光学和/或纳米压印光刻,以将图案化装置上的图案转移到衬底上,并且通常但可选地涉及一个或多个相关的图案处理步骤,诸如通过显影设备的抗蚀剂显影,使用烘烤工具的衬底烘烤、使用蚀刻设备而使用图案进行蚀刻等。
发明内容
根据一个实施例,提供了一种用于训练图像去噪模型以用于处理图像的方法。该方法包括将设计图案转换为第一组模拟图像;基于第一组模拟图像和图像噪声来训练去噪模型。在训练之后,去噪模型是可操作的以从输入图像中去除噪声并产生去噪图像。
在一个实施例中,提供了一种系统,包括:电子射束光学器件,其被配置为捕获图案化衬底的图像;一个或多个处理器,其被配置为生成输入图像的去噪图像。一个或多个处理器被配置为执行经训练的模型,该经训练的模型被配置为从针对衬底的设计图案生成模拟图像。在一个实施例中,一个或多个处理器被配置为使用被捕获图像作为输入来执行去噪模型以生成图案化衬底的去噪图像。
在一个实施例中,提供了一个或多个用于存储去噪模型的非瞬态计算机可读介质。在一个实施例中,一个或多个非瞬态计算机可读介质被配置为经由所存储的去噪模型来生成去噪图像。具体而言,一个或多个非瞬态计算机可读介质存储指令,该指令当由一个或多个处理器执行时提供去噪模型。在一个实施例中,通过执行指令来产生去噪模型,该指令用于:基于设计图案来获得第一组模拟图像(例如,通过使用经训练的GAN将GDS图案转换成模拟图像);将第一组模拟图像作为输入提供给基础去噪模型以获得第二组模拟图像,第二组模拟图像是与设计图案相关联的去噪图像;并且使用参考去噪图像作为反馈来更新基础去噪模型的一个或多个配置,其中基于参考去噪图像与第二组模拟图像之间的比较来更新一个或多个配置。
在一些实施例中,GAN被训练以将GDS图案图像转换成模拟的干净SEM图像。首先从扫描的SEM图像中提取噪声特征,然后将噪声添加到这些干净图像中以生成模拟噪声图像。模拟的干净图像和噪声图像(结合扫描的SEM图像)被用来训练去噪模型。可以使用被捕获的SEM图像进一步微调去噪模型。一旦经过训练,去噪模型就可操作以从输入SEM图像中去除噪声以生成去噪图像。
根据本公开的实施例,通过使用通过如上所述的生成器模型从设计图案转换而来的模拟图像来训练去噪模型。与SEM捕获的图像相比,包括此类模拟图像的训练数据可以共同涵盖显着且足够多的图案。作为改进的图案覆盖范围的结果,训练可以有利地导致去噪模型的有效性和准确性的显著改进。可以大大减少甚至消除对再训练的需求。
附图说明
在结合附图查阅以下具体实施例的描述后,上述方面和其他方面和特征对于本领域的普通技术人员来说将变得显而易见,其中:
图1图示了根据实施例的光刻系统的各种子系统的框图;
图2是用于训练去噪模型的方法。在一个实施例中,去噪模型被训练以转换设计图案;
图3是根据实施例的用于训练去噪模型的方法的变型的流程图;
图4图示了根据实施例的训练模型的示例;
图5图示了根据实施例的使用图4的经训练模型获得第一组模拟SEM图像的示例;
图6图示了根据实施例的将噪声添加到图5的模拟SEM图像的示例;
图7图示了根据实施例的训练去噪模型的示例;
图8图示了根据实施例的被用于生成去噪输入SEM图像的经训练去噪模型的示例;
图9示意性地描绘了根据实施例的扫描电子显微镜(SEM)的实施例;
图10示意性地描绘了根据实施例的电子射束检查设备的实施例;
图11是根据实施例的示例计算机系统的框图;
图12是根据实施例的光刻投射设备的示意图;
图13是根据实施例的另一光刻投射设备的示意图;
图14是根据实施例的图12中的设备的更详细视图;
图15是根据实施例的图13和图14的设备的源收集器模块SO的更详细视图。
具体实施方式
在详细描述实施例之前,给出可以在其中实现实施例的示例环境是有益的。
尽管在本文中可以具体地参考IC的制造,但是应明确理解,本文中的描述具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、磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。本领域技术人员将了解,在此类替代应用的上下文中,本文中对术语“掩模版”、“晶片”或“管芯”的任何使用应被视为分别可以与更上位的术语“掩模”、“衬底”和“目标部分”互换。
在本文件中,术语“辐射”和“射束”可以被用来涵盖所有类型的电磁辐射,包括紫外线辐射(例如,具有365、248、193、157或126nm的波长)和EUV(极紫外辐射,例如具有在大约5至100nm范围内的波长)。
图案化装置可以包括或者可以形成一种或多种设计布局。可以利用CAD(计算机辅助设计)程序来生成设计布局,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,以创建功能设计布局/图案化装置。这些规则由处理和设计限制来设定。例如,设计规则限定了器件(诸如栅极、电容器等)或互连线之间的空间容差,以便确保器件或线不会以不希望的方式相互影响。一个或多个设计规则限制可以被称为“临界尺寸”(CD)。器件的临界尺寸可以被定义为线或孔的最小宽度、或者两条线或两个孔之间的最小空间。因此,CD确定了所设计的器件的总尺寸和密度。当然,器件制造中的目标之一是(经由图案化装置)在衬底上忠实地再现原始设计意图。
作为一个示例,图案布局设计可以包括分辨率增强技术的应用,诸如光学邻近校正(OPC)。OPC解决了如下的事实:
被投射在衬底上的设计布局的图像的最终尺寸和放置将与图案化装置上的设计布局的尺寸和放置不相同或仅取决于设计布局的尺寸和放置。应注意,术语“掩模”、“掩模版”、“图案化装置”在本文中可互换使用。此外,本领域技术人员将认识到,因为在RET的上下文中,不一定使用物理图案化装置而是可以使用设计布局来表示物理图案化装置,所以术语“掩模”、“图案化装置”和“设计布局”可以互换使用。对于某些设计布局上存在的小特征尺寸和高特征密度,给定特征的特定边缘的位置将在一定程度上受到其他相邻特征的存在或不存在的影响。这些邻近效应由从一个特征耦合到另一个特征的微量辐射或非几何光学效应(诸如衍射和干涉)引起。类似地,邻近效应可能由曝光后烘烤(PEB)、抗蚀剂显影和通常在光刻之后的蚀刻期间的扩散和其他化学效应引起。
为了增加设计布局的被投射图像符合给定目标电路设计的要求的机会,可以使用复杂的数值模型、设计布局的校正或预失真来预测和补偿邻近效应。C.Spence的Proc.SPIE的第5751卷第1至14页发表的文章“Full-Chip Lithography Simulation and DesignAnalysis-How OPC Is Changing IC Design”(2005)提供了当前的“基于模型”的光学邻近校正过程的概述。在典型的高端设计中,几乎设计布局的每个特征都进行了一些修改,以实现被投射图像对目标设计的高保真度。这些修改可以包括边缘位置或线宽的偏移或偏置,以及旨在辅助其他特征投射的“辅助”特征的应用。
辅助特征可以被视为图案化装置上的特征与设计布局中的特征之间的差异。术语“主要特征”和“辅助特征”并不意味着图案化装置上的特定特征必须被标记为一个或另一个。
本文中采用的术语“掩模”或“图案化装置”可以被广义地解释为是指通用图案化装置,其可以被用于向传入的射辐射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(透射式或反射式;二元、相移、混合等等)之外,其他此类图案化装置的示例包括:
-可编程的镜像阵列。这种装置的示例是具有粘弹性控制层和反射表面的矩阵可寻址表面。这种设备背后的基本原理是(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非衍射辐射。使用适当的滤光器,所述未衍射辐射可以从反射射束中被滤除,仅留下衍射辐射;以这种方式,射束根据矩阵可寻址表面的寻址图案而被图案化。所需的矩阵寻址可以使用合适的电子部件来执行。
-可编程LCD阵列。这种构造的示例在美国专利号5,229,872中被给出,该专利通过引用并入本文。
作为简要介绍,图1图示了示例性光刻投射设备10A。主要组件是:辐射源12A,其可以是深紫外准分子激光源或包括极紫外(EUV)源的其他类型的源(如上面所讨论的,光刻投射设备本身不需要具有辐射源);照射光学器件,其例如限定部分相干性(被标示为西格玛)并且其可以包括对来自源12A的辐射进行整形的光学器件14A、16Aa和16Ab;图案化装置18A;以及将图案化装置图案的图像投射到衬底平面22A上的透射光学器件16Ac。在投射光学器件的光瞳平面处的可调滤光器或孔径20A可以限制撞击在衬底平面22A上的射束角度的范围,其中最大可能角度限定投射光学器件的数值孔径NA=n sin(Θmax),其中n是衬底和投射光学器件的最后一个元件之间的介质的折射率,并且Θmax是从投射光学器件射出的仍然可以撞击在衬底平面22A上的射束的最大角度。
在光刻投射设备中,源向图案化装置提供照射(即辐射),并且投射光学器件经由图案化装置将照射引导和成形到衬底上。投射光学器件可以包括组件14A、16Aa、16Ab和16Ac中的至少一些。空间图像(AI)是衬底级别的辐射强度分布。衬底上的抗蚀剂层被曝光并且空间图像作为其中的潜在“抗蚀剂图像”(RI)而被转移到抗蚀剂层。抗蚀剂图像(RI)可以被定义为抗蚀剂在抗蚀剂层中的溶解度的空间分布。抗蚀剂模型可以被用来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,其公开内容全部通过引用并入本文。抗蚀剂模型仅与抗蚀剂层的属性(例如,在曝光、PEB和显影期间发生的化学过程的影响)相关。光刻投射设备的光学属性(例如,光源、图案化装置和投射光学器件的属性)决定了空间图像。由于光刻投射设备中使用的图案化装置可以被改变,因此可能希望将图案化装置的光学属性与至少包括源和投射光学器件的光刻投射设备的其余部分的光学属性分开。
尽管在本文中可以对光刻设备在IC的制造中的使用进行了具体参考,但是应当理解,本文所描述的光刻设备可以具有其他应用,诸如集成光学系统的制造、磁畴存储器、液晶显示器(LCD)、薄膜磁头等的引导和检测图案。本领域技术人员将了解,在这样的替代应用的上下文中,本文中的术语“晶片”或“管芯”的任何使用可以被认为分别与更一般的术语“衬底”或“目标部分”同义。在曝光之前或之后,本文中提到的衬底可以在例如跟踪单元(通常将抗蚀剂层施加到衬底上并使经曝光的抗蚀剂显影的工具)或量测或检查工具中进行处理。在适用的情况下,本文的公开内容可以被应用于这种和其他衬底处理工具。此外,例如为了创建多层IC,衬底可以被处理不止一次,使得本文中使用的术语衬底也可以指代已包含多个处理层的衬底。
本文中使用的术语“辐射”和“射束”涵盖所有类型的电磁辐射,包括紫外线(UV)辐射(例如具有365、248、193、157或126nm的波长)和极紫外(EUV)辐射(例如具有5至20nm范围内的波长),以及粒子射束,诸如离子射束或电子射束。
用于去噪模型的现有训练方法需要图案化衬底的大量图像(例如,SEM图像)作为训练数据。在此类训练方法中,设计布局的图案覆盖范围仅限于SEM图像的图案。在一个实施例中,图案覆盖范围是指设计布局内的独特图案的数量。通常,设计布局可能具有数亿到数十亿个图案,以及数百万个独特图案。出于训练目的在图案化衬底上测量数百万个图案是不切实际的,因为这将需要大量的量测时间和计算资源以用于训练。因此,例如,包括SEM图像的训练数据通常远远不足以用于训练机器学习模型。因此,可能需要使用新的图案实时再训练经训练的模型。
本公开的方法具有若干优势。例如,设计布局的图案覆盖范围可以在离线训练期间大幅增加。仅有限的SEM图像(例如10至20个真实的SEM图像)例如可以被用于训练和验证目的。在训练之后,经训练的模型可以在运行时被用来对所捕获的量测图像(例如,SEM图像)进行去噪。由于在训练期间涵盖了相对大量的图案,因此对本模型的再训练量将大大少于现有模型。例如通过获取10至20个真实的SEM图像,可以快速实现模型的微调。如此,与现有模型相比,可以节省大量的机器扫描时间和在线模型训练时间。例如,使用本方法,扫描时间可以被限制为20个SEM图像,而不是数千个SEM图像,并且在线模型训练时间可以被限制为大约0.5小时,而不是4至8小时。
图2是根据本公开的实施例的训练去噪模型的示例性方法200。在一个实施例中,出于训练目的,使用另一个模型将设计图案(例如,GDS文件数据中的设计布局)转换为模拟的干净SEM图像。此外,可以将噪声添加到这些干净的图像以生成模拟的噪声图像。模拟的干净图像和噪声图像,结合扫描的SEM图像,被用来训练去噪模型。在一个实施例中,该方法包括下面详细讨论的过程P201和P203。
过程P201包括将设计图案转换为第一组模拟图像201,例如模拟SEM图像。在一个实施例中,设计图案DP是图形数据信号(GDS)文件格式。例如,包括数百万个设计图案的设计布局被表示为GDS数据文件。
在一个实施例中,获得第一组模拟图像201包括使用设计图案DP作为输入来执行经训练的模型MDl以生成模拟图像201。在一个实施例中,经训练的模型MDl是基于设计图案DP和图案化衬底的被捕获图像来训练的,每个被捕获图像与设计图案相关联。在一个实施例中,被捕获图像是经由扫描电子显微镜(SEM)而获取的SEM图像(例如,图10至图11)。
在一个实施例中,经训练的模型MDl可以是任何模型,诸如机器学习模型,其可以使用本文所讨论的训练数据使用现有训练方法来进行训练。例如,经训练的模型MD1可以是卷积神经网络(CNN)或深度卷积神经网络(DCNN)。本公开不限于特定的训练方法或特定的神经网络。作为示例,模型MD1可以是使用诸如生成对抗网络(GAN)之类的训练方法所训练的第一深度学习模型(例如,DCNN),其中设计图案DP和SEM图像被用作训练数据。在此示例中,经训练的模型MD1(例如DCNN)被称为生成模型,其被配置为根据给定的设计图案(例如GDS图案)生成模拟SEM图像。
在一个实施例中,生成对抗网络(GAN)包括特别是彼此对抗的一起训练的两个深度学习模型-生成器模型(例如,CNN或DCNN)和鉴别器模型(例如,另一个CNN或另一个DCNN)。生成器模型可以将设计图案DP和被捕获图像(例如,SEM图像)作为输入,并输出模拟图像(例如,模拟SEM图像)。在一个实施例中,输出的模拟图像可以被标记为假图像或真实图像。在一个示例中,假图像是以前从未真正存在过的某个类别的图像(例如,SEM图像的去噪图像)。另一方面,被用作参考(或地面真值)的真实图像是先前存在的图像(例如,印刷衬底的SEM),其可以在生成器模型和鉴别器模型的训练期间被使用。训练的目标是训练生成器模型生成与真实图像非常相似的假图像。例如,假图像的特征与真实图像(例如去噪后的SEM图像)的特征至少95%匹配。因此,经训练的生成器模型能够生成高准确度的逼真模拟图像。
在一个实施例中,生成器模型(G)可以是卷积神经网络。生成器模型(G)将设计图案(z)作为输入并生成图像。在一个实施例中,图像可以被称为假图像或模拟图像。假图像可以被表达为Xfake=G(z)。生成器模型(G)可以与第一成本函数相关联。第一成本函数使得能够调谐生成器模型的参数,以使得成本函数得到改进(例如,最大化或最小化)。在一个实施例中,第一成本函数包括第一对数似然项,其在给定输入向量的情况下确定模拟图像是假图像的概率。
第一成本函数的示例可以由下面的等式1来表达:
Ls=E[logP(S=fak|eXfake)]…(1)
在上面的等式1中,计算条件概率的对数似然。在等式中,S指的是鉴别器模型伪造的源指派,并且X_fake是输出,即生成器模型的假图像。因此,在一个实施例中,训练方法将第一成本函数(L)最小化。因此,生成器模型将生成假图像(即模拟图像),使得鉴别器模型将假图像识别为假图像的条件概率很低。换句话说,生成器模型将逐步生成越来越逼真的图像或图案。
图4图示了如过程P201中所讨论的训练模型(例如,MDl)的示例性过程。在一个实施例中,训练生成器模型MD1使用生成对抗网络来进行训练。基于生成对抗网络的训练包括两个深度学习模型GM1和DM1一起被训练以使得生成器模型GM1逐渐生成更准确和稳健的结果。
在一个实施例中,生成器模型GM1例如可以将设计图案DP1与DP2以及对应于设计图案DP1与DP2的SEM图像SEM1与SEM2作为输入。生成器模型GM1输出模拟图像,诸如图像DN1和DN2。
GMl的模拟图像由作为另一个CNN的鉴别器模型DMl接收。鉴别器模型DM1还接收像素化图像形式的真实图像SEM1和SEM2(或一组真实图案)。基于真实图像,鉴别器模型DM1确定模拟图像是假的(例如,标签L1)还是真实的(例如,标签L2),并相应地指派标签。当鉴别器模型DM1将模拟图像分类为假图像时,GM1和DM1的参数(例如,偏差和权重)基于成本函数(例如,上面的第一成本函数)来进行修改。模型GM1和DM1被迭代修改,直到鉴别器DM1一致地将GM1所生成的模拟图像分类为真实图像。换句话说,生成器模型GM1被配置为针对任何输入设计图案生成逼真的SEM图像。
图5图示了根据实施例的使用图4的经训练的生成器模型MDl获得第一组模拟SEM图像的示例。在一个实施例中,可以将任何设计图案DP11、DP12、...DPn输入到经训练的生成器模型MD1以分别生成模拟SEM图像S1、S2、...Sn。尽管本公开不限于此,但是这些模拟SEM图像S1、S2、...Sn可以是不包括典型噪声或包括非常低噪声的干净图像。
在一些实施例中,可以添加图像噪声以生成图2中的第一组模拟图像201。图6图示了将噪声添加到模拟SEM图像S1、S2、...Sn以生成用于训练去噪模型的第一组模拟图像S1*、S2*、…Sn*的示例,该模型是被配置为对输入图像进行去噪的另一个机器学习模型。下面关于过程P203讨论去噪模型的训练。
过程P203包括:使用第一组模拟图像201和图像噪声作为训练数据,训练去噪模型。此外,在一个实施例中,图案化衬底的被捕获图像205可以被包括在训练数据中。例如,被捕获图像205可以是图案化衬底的SEM图像。
在一个实施例中,去噪模型MD2是第二机器学习模型。例如,第二机器学习模型可以是第二CNN或第二DCNN。本公开不限于特定的深度学习训练方法或机器学习训练方法。在一个实施例中,训练是一个迭代过程,其被执行直到在添加噪声或参考图像之前第二组模拟图像在地面真值的指定阈值内,诸如第一组模拟图像201(例如,图5的模拟SEM图像S1、S2、…Sn)。在一个实施例中,去噪模型的训练使用第一组模拟图像、图像噪声和被捕获图像作为训练数据
在一个实施例中,从图案化衬底的被捕获图像(例如,被捕获的SEM图像)中提取图像噪声。例如,可以应用噪声滤波器来从SEM工具所捕获的SEM图像中提取噪声。所提取的噪声可以被表示为图像噪声。在一个实施例中,图像噪声是以用户指定参数来表征的高斯噪声、白噪声、盐噪声和纸噪声。在一个实施例中,图像噪声包括其强度值在统计上彼此独立的像素。在一个实施例中,可以通过改变高斯分布函数的参数来生成高斯噪声。
在一个实施例中,参见图6,可以将诸如高斯噪声之类的图像噪声添加到例如模拟图像S1、S2、…Sn以生成诸如S1*、S2*、…Sn*之类的噪声图像。噪声图像是被用来训练去噪模型的第一组模拟图像201。
通常,通过使用被捕获的SEM图像作为训练图像来训练去噪模型。受SEM系统的成像吞吐量并且因此受SEM捕获的图像数量的限制,训练图像只能共同涵盖相对较少的图案,这使得经训练的去噪模型无法有效地对可能具有广泛范围的图案的输入图像进行去噪。不希望的是,需要再训练经训练的去噪模型才能处理具有新图案的图像。根据本公开的实施例,通过使用通过如上所述的生成器模型从设计图案转换而来的模拟图像来训练去噪模型。与SEM捕获的图像相比,包括模拟图像的训练数据可以共同涵盖显着且足够多的图案。作为改进的图案覆盖范围的结果,训练可以有利地导致去噪模型的有效性和准确性的显著改进。可以大大减少甚至消除对再训练的需求。
图7图示了根据本公开的实施例的训练去噪模型(例如,MD2)的示例性过程。
第一模拟图像201、噪声图像和/或参考图像REF作为训练数据来训练去噪模型MD2。另外,在一个实施例中,图案化衬底的被捕获图像710(例如,SEM图像)可以被包括在训练数据中。在一个实施例中,被捕获图像710的数量可以相对小于模拟图像201的数量。在一个实施例中,被捕获图像710可以被用来更新经训练的去噪模型MD2。
在一个实施例中,模型MD2可以例如将(例如,使用模型MD1生成的)噪声图像Sl*、S2*、...、Sn*和关于图6和图7讨论的图像噪声作为输入。模型MD2输出去噪图像,诸如图像DN11、D12、...DNn。在训练过程期间,可以修改模型MD2的一个或多个模型参数(例如,DCNN的不同层的权重和偏差),直到实现收敛或者去噪图像在参考图像REF的指定阈值内。在一个实施例中,当改变模型参数值与之前的模型输出相比未引起模型输出的显著改善时,收敛被实现。
在一个实施例中,方法200还包括经由量测工具获得图案化衬底的SEM图像;并且使用SEM图像作为输入图像执行经训练的去噪模型MD2,以生成去噪后的SEM图像。
在一个实施例中,如上面所讨论的,使用过程P203中讨论的输入,第二机器学习模型MD2也可以使用GAN训练方法来训练。例如,使用第一模拟图像201、图像噪声和参考图像REF作为训练数据。在一个实施例中,参考图像REF可以是第一模拟图像201。
图8图示了使用经训练的去噪模型MD2来生成去噪后的SEM图像的示例性过程。图案化衬底的示例SEM图像801和802是经由SEM工具捕获的。请注意,SEM图像801和802具有与训练数据中的图像中使用的图案非常不同且复杂的图案。由于经训练的模型MD2是基于与设计图案相关的模拟图像来训练的,因此可以有利地涵盖大量图案。如此,经训练的模型MD2能够分别生成SEM图像801和802的高度准确的去噪图像811和812。图8中的结果表明,经训练的模型MD2无需额外训练即可处理新图案。在一个实施例中,可以使用新捕获的SEM图像对去噪模型MD2执行进一步微调以进一步改进去噪图像的质量。
图3是根据本公开的实施例的用于生成去噪模型的另一示例性方法300的流程图。方法300包括下面讨论的过程P301、P303和P305。
过程P301包括基于设计图案获得第一组模拟图像301。在一个实施例中,第一组模拟图像301中的每个图像都是模拟SEM图像和图像噪声的组合(例如,参见图6中的S1*、S2*、...Sn*)。
在一个实施例中,模拟SEM图像的获得包括使用设计图案作为输入来执行经训练的模型以生成模拟SEM图像。例如,执行关于图5所讨论的经训练的模型MD1。在一个实施例中,经训练的模型(例如,MD1)是基于图案化衬底的被捕获图像和设计图案来训练的,其中每个被捕获图像与设计图案相关联。在一个实施例中,被捕获图像是经由扫描电子显微镜(SEM)而获取的SEM图像。在一个实施例中,图像噪声是从图案化衬底的被捕获图像中提取的噪声。在一个实施例中,图像噪声是以用户指定参数来表征的高斯噪声、白噪声、盐噪声和纸噪声。
在一个实施例中,经训练的模型(例如,MDl)是第一机器学习模型。在一个实施例中,第一机器学习模型是使用生成对抗网络训练的CNN或DCNN。在一个实施例中,经训练的模型MD1是生成模型,其被配置为生成针对给定设计图案的模拟SEM图像。例如,如关于图5和图6所讨论的经训练的模型MD1。在一个实施例中,参考去噪图像是与设计图案相关联的模拟SEM图像。例如,参考图像可以是由图5的MD1生成的S1、S2、...Sn。
过程P303包括提供第一组模拟图像301作为基础去噪模型BM1的输入以获得初始第二组模拟图像,初始第二组模拟图像是与设计图案相关联的去噪图像。在一个实施例中,基础模型可以是未经训练的模型或需要微调的经训练的模型。在一个实施例中,图案化衬底的被捕获图像也可以被用于训练或微调去噪模型。过程P305包括使用参考去噪图像作为反馈来更新基础去噪模型BM1的一个或多个配置。基于参考去噪图像与第二组模拟图像之间的比较来更新一个或多个配置。例如,更新一个或多个配置包括修改基础模型的模型参数。在训练过程结束时,具有经更新配置的基础模型成为去噪模型。例如,这种去噪模型可以使用SEM图像作为输入来生成第二组模拟图像。
在一个实施例中,去噪模型是第二机器学习模型。在一个实施例中,第二深度学习模型是使用深度学习方法或机器学习方法来训练的。在一个实施例中,也可以使用生成对抗网络训练方法来训练去噪模型。在一个实施例中,去噪模型是卷积神经网络或其他机器学习模型。在一个实施例中,去噪模型是MD2,如关于图7所讨论的。
如本文所讨论的,去噪模型的示例是机器学习模型。无监督机器学习和有监督机器学习模型都可以被用来从输入噪声图像(诸如图案化衬底的SEM)生成去噪图像。在不限制本发明范围的情况下,在下面描述有监督机器学习算法的应用。
有监督学习是从标记的训练数据推断函数的机器学习任务。训练数据包括一组训练示例。在有监督学习中,每个示例都是具有输入物体(通常是向量)和期望输出值(也称为监督信号)的对。有监督学习算法分析训练数据并产生可以被用于映射新示例的推断函数。最佳方案将允许算法正确地确定用于未见过的实例的分类标签。这需要学习算法以“合理”的方式从训练数据中泛化到未见过的情形。
给定形式为{(x1,y1),(x2,y2),...,(xN,yN)}的一组N个训练示例,以使得xi是第i个示例的特征向量并且yi是其标签(即,分类),学习算法寻找函数g:X->Y,其中X是输入空间并且Y是输出空间。特征向量是表示某个物体的数字特征的n维向量。机器学习中的许多算法都需要物体的数字表示,因为这种表示便于处理和统计分析。当表示图像时,特征值可能对应于图像的像素,当表示文本时可能对应于术语出现频率。与这些向量相关联的向量空间通常被称为特征空间。函数g是可能函数G的一些空间的元素,通常被称为假设空间。使用评分函数来表示g有时是方便的,使得g被定义为返回给出最高分数的y值。让F标示评分函数的空间。
虽然G和F可以是任何函数空间,但是许多学习算法是概率模型,其中g采取条件概率模型g(x)=P(y|x)的形式,或者采取联合概率模型f(x,y)=P(x,y)的形式。例如,朴素贝叶斯和线性鉴别分析是联合概率模型,而逻辑回归是条件概率模型。
有两种选择f或g的基本方法:经验风险最小化和结构风险最小化。经验风险最小化寻求最拟合训练数据的函数。结构风险最小化包括控制偏差/方差权衡的惩罚函数。
有监督学习的示例性模型包括决策树、集成(装袋、提升、随机森林)、k-NN、线性回归、朴素贝叶斯、神经网络、逻辑回归、感知器、支持向量机(SVM)、相关向量机(RVM)和深度学习。
SVM是有监督学习模型的示例,它分析数据并识别图案并且可以被用于分类和回归分析。给定一组训练示例,每个示例都被标记为属于两个类别之一,SVM训练算法构建一个模型,该模型将新示例指派到一个类别或另一个类别,使其成为非概率二元线性分类器。SVM模型是将示例表示为空间中的点,并进行映射,以使得以尽可能宽的清晰间隙划分不同类别的示例。然后将新示例映射到该同一空间,并基于它们落在间隙的哪一侧上来预测属于一个类别。
除了执行线性分类之外,SVM可以使用所谓的内核方法(Kernel method)有效地执行非线性分类,将它们的输入隐式映射到高维特征空间。
内核方法涉及用户指定的内核,即原始表示中的数据点对的相似度函数。内核方法得名于内核函数的使用,内核函数使得它们能够在高维、隐式特征空间中运行,而无需计算数据在该空间中的坐标,而是通过简单地计算特征空间中的所有数据对的图像之间的内积。此操作通常在计算上比坐标的显式计算更便宜。这种方法被称为“内核技巧”。
SVM的有效性取决于内核的选择、内核的参数和软间隔参数C。常见的选择是高斯内核,其具有单个参数γ。C和γ的最佳组合通常通过网格搜索(也被称为“参数扫描”)来选择,其中C和γ的序列呈指数增长,例如,C∈{2-5,2-4,...,215,216};γ∈{2-15,2-14,...,24,25}。
网格搜索是通过学习算法的超参数空间的手动指定子集的穷举搜索。网格搜索算法由一些性能指标来指导,性能指标通常通过对训练集的交叉验证或对保留验证集的评估来测量。
可以使用交叉验证来检查参数选择的每个组合,并且挑选具有最佳交叉验证准确度的参数。
交叉验证(Cross-validation)(有时被称为旋转估计)是一种模型验证技术,用于评估统计分析的结果将如何泛化到独立数据集。它主要用于目标是预测的设置中,并且想要估计预测模型在实践中的执行准确度。在预测问题中,模型通常被给予一个已知数据的数据集(训练数据集),在该数据集上运行训练,以及一个未知数据(或首次被看见的数据)的数据集(测试数据集),针对其对模型进行测试。交叉验证的目标是限定一个用于在训练阶段中“测试”模型的数据集(即验证数据集),以便限制过度拟合等问题,深入了解模型将如何泛化到独立数据集(即未知数据集,例如来自真实问题的数据集)等。一轮交叉验证涉及将数据的样本分为互补子集,在一个子集(称为训练集)上执行分析,并在另一个子集上(称为验证集或测试集)验证分析。为了减少可变性,使用不同的分区执行多轮交叉验证,并且验证结果在各轮中进行平均。
随后使用所选参数在整个训练集上对可以被用于对新数据进行测试和分类的最终模型进行训练。
有监督学习的另一个示例是回归。回归从因变量的一组值和自变量的对应值中推断因变量与一个或多个自变量之间的关系。回归可以估计给定自变量的情况下的因变量的条件期望。推断的关系可以被称为回归函数。推断的关系可能是概率性的。
在一个实施例中,提供了一种系统,该系统可以在系统捕获图案化衬底的图像之后使用模型MD2来生成去噪图像。在一个实施例中,该系统可以例如是图9的SEM工具或图10的检查工具,其被配置为包括本文所讨论的模型MD1和/或MD2。例如,量测工具包括用于捕获图案化衬底的图像的电子射束生成器;以及一个或多个处理器,包括MD1和MD2模型。一个或多个处理器被配置为执行经训练的模型,该模型被配置为基于被用来对衬底进行图案化的设计图案来生成模拟图像;并使用被捕获图像和模拟图像作为输入来执行去噪模型以生成图案化衬底的去噪图像。如早先所提及,去噪模型(例如MD2)是卷积神经网络。
此外,在一个实施例中,一个或多个处理器还被配置为基于图案化衬底的被捕获图像来更新去噪模型。在一个实施例中,去噪模型的更新包括使用被捕获图像来执行去噪模型以生成去噪图像;基于去噪图像与参考去噪图像的比较来更新去噪模型的一个或多个参数。
本公开不限于使用去噪图像的任何应用。在半导体工业中,去噪图像例如可以被用于检查和量测。在一个实施例中,去噪图像可以被用来确定图案化衬底的热点。可以基于从去噪图像中测量到的绝对CD值来确定热点。替代地,可以基于一组预定规则来确定热点,诸如设计规则检查系统中使用的那些规则,包括但不限于线端回拉、拐角圆化、相邻特征的邻近度、图案颈缩或挤压以及相对于期望图案的图案变形的其他指标。
在一个实施例中,去噪图像可以被用来改进图案化过程。例如,去噪图像可以被用于图案化过程的模拟中,例如以预测抗蚀剂和/或蚀刻图像中的轮廓、CD、边缘位置(例如,边缘位置误差)等。模拟的目的例如是准确地预测印刷图案的边缘位置和/或空间图像强度斜率和/或CD等。可以将这些值与预期设计进行比较,例如以纠正图案化过程,识别预计会发生缺陷的位置等。预期设计通常被定义为OPC前设计布局,其可以以诸如GDSII或OASIS或其他文件格式之类的标准化数字格式来提供。
在一些实施例中,检查设备或量测设备可以是扫描电子显微镜(SEM),其产生在衬底上曝光或转移的结构(例如,器件的一些或全部结构)的图像。图9描绘了SEM工具的实施例。从电子源ESO发射的初级电子射束EBP被聚束透镜CL会聚,然后通过射束偏转器EBD1、ExB偏转器EBD2和物镜OL以焦点辐照在衬底台ST上的衬底PSub。
当用电子射束EBP辐照衬底PSub时,从衬底PSub生成次级电子。次级电子被ExB偏转器EBD2偏转,并被次级电子检测器SED检测到。通过与电子射束偏转器EBD1对电子射束的二维扫描同步地或者与电子射束偏转器EBD1在X或Y方向上对电子射束EBP的重复扫描(连同衬底台ST在X或Y方向中的另一个方向上连续移动衬底PSub)同步地检测从样本生成的电子,可以获得二维电子射束图像。
由次级电子检测器SED检测到的信号被模拟/数字(A/D)转换器ADC转换为数字信号,并且数字信号被发送到图像处理系统IPU。在一个实施例中,图像处理系统IPU可以具有存储器MEM以存储全部或部分数字图像以供处理单元PU处理。处理单元PU(例如,专门设计的硬件或硬件和软件的组合)被配置为将数字图像转换或处理成表示数字图像的数据集。此外,图像处理系统IPU可以具有存储介质STOR,其被配置为将数字图像和对应的数据集存储在参考数据库中。显示设备DIS可以与图像处理系统IPU连接,以使得操作者可以借助于图形用户界面对装备进行必要的操作。
如上面所指出,SEM图像可以被处理以提取描述图像中表示装置结构的物体边缘的轮廓。然后经由诸如CD之类的指标对这些轮廓进行量化。因此,通常,装置结构的图像经由诸如边缘到边缘的距离(CD)或图像之间的简单像素差异之类的简单指标来进行比较和量化。检测图像中的物体边缘以便测量CD的典型轮廓模型使用图像梯度。事实上,这些模型依赖于强大的图像梯度。但是,在实践中,图像通常是有噪声的并且具有不连续的边界。诸如平滑、自适应阈值、边缘检测、侵蚀和扩张之类的技术可以被用来处理图像梯度轮廓模型的结果,以解决噪声和不连续图像,但是最终会导致高分辨率图像的低分辨率量化。因此,在大多数实例中,为了降低噪声并且自动进行边缘检测而对装置结构的图像进行数学处理会导致图像的分辨率损失,从而导致信息的损失。因此,结果是低分辨率量化,相当于对复杂的高分辨率结构的简单表示。
因此,希望具有使用图案化过程产生或预期产生的结构(例如,电路特征、对准标记或量测目标部分(例如,光栅特征)等)的数学表示,例如无论结构是在潜在的抗蚀剂图像中、在显影的抗蚀剂图像中还是被转移到衬底上的层(例如通过蚀刻),其可以保持分辨率并描述结构的一般形状。在光刻或其他图案化过程的上下文中,该结构可以是正被制造的器件或其一部分,并且图像可以是该结构的SEM图像。在一些实例中,结构可以是半导体器件的特征,例如集成电路。在这种情况下,结构可以被称为包括半导体器件的多个特征的图案或期望图案。在一些实例中,结构可以是对准标记或其一部分(例如,对准标记的光栅),其在对准测量过程中被用来确定物体(例如,衬底)与另一物体(例如,图案化装置)的对准,或量测目标或其一部分(例如,量测目标的光栅),其被用来测量图案化过程的参数(例如,覆盖、聚焦、剂量等)。在一个实施例中,量测目标是被用来测量例如覆盖的衍射光栅。
图10示意性地图示了检查设备的另一个实施例。该系统被用来检查样本台88上的样本90(诸如衬底),并且包括带电粒子射束生成器81、聚束透镜模块82、探针形成物镜模块83、带电粒子射束偏转模块84、次级带电粒子检测器模块85和图像形成模块86。
带电粒子射束生成器81生成初级带电粒子射束91。聚束透镜模块82会聚所生成的初级带电粒子射束91。探针形成物镜模块83将会聚的初级带电粒子射束聚焦成带电粒子射束探针92。带电粒子射束偏转模块84在固定在样本台88上的样本90上的感兴趣区域的表面上扫描所形成的带电粒子射束探针92。在一个实施例中,带电粒子射束生成器81、聚束器透镜模块82和探针形成物镜模块83或它们的等效设计、替代方案或它们的任何组合一起形成生成扫描带电粒子射束探针92的带电粒子射束探针生成器。
次级带电粒子检测器模块85检测在被带电粒子射束探针92轰击时从样本表面发射的次级带电粒子93(可能还连同来自样本表面的其他反射或散射的带电粒子),以生成次级带电粒子检测信号94。图像形成模块86(例如,计算装置)与次级带电粒子检测器模块85耦合以从次级带电粒子检测器模块85接收次级带电粒子检测信号94并相应地形成至少一个扫描图像。在一个实施例中,次级带电粒子检测器模块85和图像形成模块86或它们的等效设计、替代方案或其任何组合一起形成图像形成设备,其根据检测到的从被带电粒子射束探针92轰击的样本90中发射的次级带电粒子来形成扫描图像。
在一个实施例中,监测模块87耦合到图像形成设备的图像形成模块86以对图案化过程进行监测、控制等和/或使用从图像形成模块86接收到的样本90的扫描图像来导出用于图案化过程设计、控制、监测等的参数。因此,在一个实施例中,监测模块87被配置或编程为导致本文所描述的方法的执行。在一个实施例中,监测模块87包括计算设备。在一个实施例中,监测模块87包括计算机程序以提供本文的功能性并且被编码在形成监测模块87或布置在监测模块87内的计算机可读介质上。
在一个实施例中,如图9的电子射束检查工具,其使用探针来检查衬底,图10的系统中的电子流与诸如图9中描绘的CD SEM相比显著更大,因此探针斑点足够大以使得检测速度可以很快。但是,由于探针斑点较大,分辨率可能不如CD SEM高。在一个实施例中,上面讨论的检查设备可以是单射束或多射束设备而不限制本公开的范围。
来自例如图9和/或图10的系统的SEM图像可以被处理以提取描述图像中表示装置结构的物体边缘的轮廓。然后,这些轮廓通常会在用户定义的切割线上经由诸如CD之类的指标来进行量化。因此,通常,装置结构的图像经由诸如在所提取的轮廓上测量的边缘到边缘的距离(CD)或图像之间的简单像素差异之类的指标来进行比较和量化。
在一个实施例中,过程200和/或300的一个或多个过程可以被实现为计算机系统的处理器(例如计算机系统100的过程104)中的指令(例如程序代码)。在一个实施例中,这些过程可以被分布在多个处理器上(例如,并行计算)以提高计算效率。在一个实施例中,包括非瞬态计算机可读介质的计算机程序产品具有记录在其上的指令,该指令在由计算机硬件系统执行时实现本文所描述的方法。
根据本公开,所公开元素的组合和子组合构成分开的实施例。例如,第一组合包括基于与设计图案相关的模拟图像和噪声图像来确定去噪模型。子组合可以包括使用去噪模型来确定去噪图像。在另一种组合中,去噪图像可以在检查过程中被采用,基于模型生成的方差数据来确定OPC或SMO。在另一个示例中,该组合包括基于去噪图像基于检查数据来确定对光刻过程、抗蚀剂过程或蚀刻过程的过程调整以提高图案化过程的良率。
图11是图示了可以辅助实现本文所公开的方法、流程或设备的计算机系统100的框图。计算机系统100包括总线102或用于传递信息的其他通信机制以及与总线102耦合以用于处理信息的处理器104(或多个处理器104和105)。计算机系统100还包括主存储器106,诸如随机存取存储器(RAM)或其他动态存储装置,其耦合到总线102,以用于存储要由处理器104执行的指令和信息。主存储器106也可以被用于在要由处理器104执行的指令期间存储临时变量或其他中间信息。计算机系统100还包括只读存储器(ROM)108或其他静态存储装置,其被耦合到总线102,以用于存储针对处理器104的静态信息和指令。诸如磁盘或光盘之类的存储装置110被提供并且被耦合到总线102以用于存储信息和指令。
计算机系统100可以经由总线102被耦合到显示器112,诸如阴极射线管(CRT)或平板显示器或触摸面板显示器,以用于向计算机用户显示信息。包括字母数字键和其他键的输入装置114被耦合到总线102,以用于将信息和命令选择传递给处理器104。另一类型的用户输入装置是光标控件116,诸如鼠标、轨迹球或光标方向键,以用于将方向信息和命令选择传递给处理器104,并且控制显示器112上的光标移动。该输入装置通常在两个轴(第一轴(例如,x)和第二轴(例如,y))上具有两个自由度,其允许装置指定平面中的位置。触摸板(屏幕)显示器也可以被用作输入装置。
根据一个实施例,响应于处理器104执行包含在主存储器106中的一个或多个指令的一个或多个序列,本文所描述的一种或多种方法的部分可以由计算机系统100执行。这种指令可以从诸如存储装置110之类的另一计算机可读介质被读取到主存储器106中。包含在主存储器106中的指令序列的执行使处理器104执行本文所描述的过程步骤。多处理布置中的一个或多个处理器也可以被采用,以执行包含在主存储器106中的指令序列。在替代实施例中,硬连线电路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和软件的任何特定组合。
本文使用的术语“计算机可读介质”是指参与向处理器104提供指令以供执行的任何介质。这种介质可以采取许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如存储装置110。易失性介质包括动态存储器,诸如主存储器106。传输介质包括同轴电缆、铜线和光纤,包括构成总线102的电线。传输介质也可以采用声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间生成的那些声波或光波。计算机可读介质的常见形式包括例如软盘、柔性盘、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盒式磁带、下文所描述的载波或者计算机可以从中读取的任何其他介质。
各种形式的计算机可读介质可以涉及将一个或多个指令的一个或多个序列携带到处理器104以供执行。例如,指令最初可以被携带在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中,并且使用调制解调器通过电话线发送指令。计算机系统100本地的调制解调器可以接收电话线上的数据并且使用红外发射器将数据转换为红外信号。耦合到总线102的红外检测器可以接收红外信号中携带的数据并将数据放置在总线102上。总线102将数据携带到主存储器106,处理器104从主存储器106检索并执行指令。在由主存储器106执行之前或之后,由主存储器106接收的指令可以可选地被存储在存储装置110上。
计算机系统100还可以包括耦合到总线102的通信接口118。通信接口118提供耦合到网络链路120的双向数据通信,该网络链路120被连接到局域网122。例如,通信接口118可以是综合服务数字网(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。作为另一个示例,通信接口118可以是局域网(LAN)卡,以提供到兼容LAN的数据通信连接。也可以实现无线链路。在任何这样的实现中,通信接口118发送和接收携带表示各种类型信息的数字数据流的电、电磁或光信号。
网络链路120通常通过一个或多个网络向其他数据设备提供数据通信。例如,网络链路120可以通过局域网122提供到主机124或互联网服务提供商(ISP)126运营的数据设备的连接。ISP 126进而通过现在通常称为“互联网”128的全球分组数据通信网络来提供数据通信服务。局域网122和互联网128都使用携带数字数据流的电、电磁或光信号。通过各种网络的信号和网络链路120上的信号以及通过通信接口118的信号都是传送信息的载波的示例形式,其携带去往和来自计算机系统100的数字数据。
计算机系统100可以通过(多个)网络、网络链路120和通信接口118来发送消息和接收数据,包括程序代码。在互联网示例中,服务器130可以通过互联网128、ISP 126、局域网122和通信接口118来传输应用程序的请求代码。例如,一个这样的下载应用可以提供本文所描述的方法的全部或部分。接收到的代码可以在其被接收时由处理器104执行,和/或被存储在存储装置110或其他非易失性存储装置中以供稍后执行。以这种方式,计算机系统100可以获得载波形式的应用代码。
图12示意性地描绘了结合本文所描述的技术可以使用的示例性光刻投射设备。该设备包括:
-用于调节辐射射束B的照射系统IL。在这种特定情况下,照射系统还包括辐射源SO;
-第一物体台(例如,图案化装置台)MT,其被提供有图案化装置保持器以保持图案化装置MA(例如,掩模版),并且被连接到第一定位器以相对于物品PS准确地定位图案化装置;
-第二物体台(衬底台)WT,其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),并且被连接到第二定位器以相对于物品PS准确地定位衬底;
-投射系统(“透镜”)PS(例如,折射式、反射式或反折射式光学系统),以将图案化装置MA的辐照部分成像到衬底W的目标部分C(例如,包括一个或多个管芯)上。
如本文所描绘的,该设备是透射型的(即,具有透射图案化装置)。然而,一般来说,它也可以是反射型的,例如(具有反射图案化装置)。该设备可以采用不同于传统掩模的一种图案化装置;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(激光产生等离子体)EUV源)产生辐射射束。该射束直接或在穿过调节部件(诸如扩束器Ex)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,以用于设置射束中的强度分布的外部和/或内径向范围(通常分别被称为σ外部和σ内部)。此外,它通常将包括各种其他组件,诸如积分器IN和聚束器CO。以这种方式,撞击在图案化装置MA上的射束B在其横截面中具有期望的均匀性和强度分布。
关于图12应该注意的是,源SO可以在光刻投射设备的外壳内(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射设备,其产生的辐射射束被引导到设备中(例如,借助于合适的定向镜);当源SO是准分子激光器(例如,基于KrF、ArF或F2激光照射)时,后一种场景通常是这种情况。
射束PB随后拦截图案化装置MA,该图案化装置MA被保持在图案化装置台MT上。在遍历图案化装置MA之后,射束B穿过透镜PL,透镜PL将射束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定位在射束PB的路径中。类似地,例如在从图案化装置库中机械地取回图案化装置MA之后或在扫描期间,第一定位部件可以被用于相对于射束B的路径准确地定位图案化装置MA。一般来说,物体台MT、WT的移动将借助于长行程模块(粗略定位)和短行程模块(精细定位)来实现,这在图12中未被明确描绘。然而,在步进器(与步进扫描工具相反)的情况下,图案化装置台MT可以仅被连接到短行程致动器,或者可以是固定的。
所描绘的工具可以在两种不同的模式下被使用:
-在步进模式中,图案化装置台MT基本上保持静止,并且整个图案化装置图像一次(即,单次“闪光”)被投射到目标部分C上。衬底台WT然后在x和/或y方向上被偏移,使得不同的目标部分C可以被射束PB辐照;
-在扫描模式下,基本上相同的场景适用,除了给定的目标部分C没有在单次“闪光”中曝光之外。相反,图案化装置台MT可以在给定方向(所谓的“扫描方向”,例如y方向)上以速度v可移动,使得投射束B被导致于在图案化装置图像上扫描;并发地,衬底台WT以速度V=Mv在相同或相反方向上同时移动,其中M是透镜PL的放大倍率(通常,M=1/4或1/5)。以这种方式,相对大的目标部分C可以被曝光,而不必牺牲分辨率。
图13示意性地描绘了可以结合本文所描述的技术使用的另一个示例性光刻投射设备LA。
光刻投射设备LA包括:
-源收集器模块SO
-照射系统(照射器)IL,其被配置为调节辐射射束B(例如EUV辐射)。
-支撑结构(例如图案化装置台)MT,其被构造为支撑图案化装置(例如掩模或掩模版)MA并且被连接到被配置为准确地定位图案化装置的第一定位器PM;
-衬底台(例如晶片台)WT,其被构造为保持衬底(例如涂有抗蚀剂的晶片)W并且被连接到被配置为准确地定位衬底的第二定位器PW;以及
-投射系统(例如反射式投射系统)PS,其被配置为将图案化装置MA赋予辐射射束B的图案投射到衬底W的目标部分C(例如包括一个或多个管芯)上。
如这里所描绘的,设备LA是反射型的(例如,采用反射式图案化装置)。应当注意,因为大多数材料在EUV波长范围内是吸收性的,所以图案化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堆叠。在一个示例中,多堆叠反射器具有40对的钼和硅层,其中每层的厚度为四分之一波长。可以用X射线光刻产生甚至更小的波长。由于大多数材料在EUV和X射线波长处都是吸收性的,因此在图案化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)限定了特征将在何处印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)。
参见图13,照射器IL从源收集器模块SO接收极紫外辐射射束。产生EUV辐射的方法包括但不一定限于将材料转化为具有至少一种元素(例如氙、锂或锡)的等离子体状态,其在EUV范围内具有一个或多个发射线。在通常被称为激光产生等离子体(“LPP”)的一种这样的方法中,可以通过用激光射束辐照燃料(诸如具有谱线发射元素的材料液滴、流或簇)来产生等离子体。源收集器模块SO可以是EUV辐射系统的一部分,该EUV辐射系统包括未在图13中示出的激光器,以用于提供激发燃料的激光射束。所得的等离子体发射输出辐射,例如EUV辐射,其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分开的实体,例如当CO2激光器被用于提供激光射束以进行燃料激发时。
在这样的情况下,激光器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/或扩束器的射束递送系统,辐射射束从激光器被传递到源收集器模块。在其他情况下,源可以是源收集器模块的组成部分,例如当源是放电产生的等离子体EUV生成器时,通常被称为DPP源。
照射器IL可以包括用于调整辐射射束的角强度分布的调整器。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(通常分别被称为σ外部和σ内部)可以被调整。此外,照射器IL可以包括各种其他组件,诸如琢面场和光瞳镜装置。照射器可以被用来调节辐射射束,以在其横截面中具有期望的均匀性和强度分布。
辐射射束B被入射到被保持在支撑结构(例如,图案化装置台)MT上的图案化装置(例如,掩模)MA上,并且由图案化装置图案化。在从图案化装置(例如掩模)MA反射之后,辐射射束B穿过投射系统PS,该投射系统PS将射束聚焦到衬底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、线性编码器或电容传感器),衬底台WT可以被准确地移动,例如以便在辐射射束B的路径中定位不同的目标部分C。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射束B的路径准确地定位图案化装置(例如掩模)MA。图案化装置(例如掩模)MA和衬底W可以使用图案化装置对准标记M1、M2和衬底对准标记P1、P2来对准。
所描绘的设备LA可以被用于以下模式中的至少一种:
1.在步进模式下,在赋予辐射射束的整个图案一次被投射到目标部分C(即,单次静态曝光)的同时,支撑结构(例如图案化装置台)MT和衬底台WT基本上保持静止。衬底台WT然后在X和/或Y方向上被偏移,以使得不同的目标部分C可以被曝光。
2.在扫描模式下,在赋予辐射射束的图案被投射到目标部分C上(即,单次动态曝光)的同时,支撑结构(例如图案化装置台)MT和衬底台WT被同步地扫描。衬底台WT相对于支撑结构(例如图案化装置台)MT的速度和方向可以由投射系统PS的(缩小率)放大率和图像反转特性来确定。
3.在另一种模式中,在赋予辐射射束的图案被投射到目标部分C上的同时,支撑结构(例如图案化装置台)MT基本上保持静止以保持可编程图案化装置,并且衬底台WT被移动或扫描。在这种模式下,通常采用脉冲式辐射源,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,可编程图案化装置根据需要来更新。这种操作模式可以容易地被应用于利用可编程图案化装置的无掩模光刻,诸如上面提及类型的可编程反射镜阵列。
图14更详细地示出了设备LA,其包括源收集器模块SO、照射系统IL和投射系统PS。源收集器模块SO被构造和布置为使得可以在源收集器模块SO的封闭结构220中维持真空环境。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、锂蒸气或锡蒸气,其中产生非常热的等离子体210以发射电磁谱的EUV范围内的辐射。非常热的等离子体210例如由放电产生的,该放电引起至少部分地电离的等离子体。为了有效地生成辐射,可能需要例如10Pa的Xe、Li、Sn蒸气或任何其他合适的气体或蒸气的分压。在一个实施例中,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中的开口中或开口后面的可选气体阻挡部或污染物陷阱230(在一些情况下也被称为污染物阻挡部或翼片陷阱),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。如本领域已知的,本文进一步指示的污染物陷阱或污染物阻挡部230至少包括通道结构。
收集器室212可以包括辐射收集器CO,其可以是所谓的掠入射收集器。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器240反射出来,以沿着由点虚线‘O’所指示的光轴而被聚焦在虚拟源点IF中。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,其被布置为在图案化装置MA处提供辐射射束21的期望角分布以及在图案化装置MA处提供辐射强度的期望均匀性。在由支撑结构MT保持的图案化装置MA处反射辐射射束21后,图案化射束26被形成,并且图案化射束26由投射系统PS经由反射元件28、30而被成像到由衬底台WT保持的衬底W上。
比所示更多的元件通常可以存在于照射光学单元IL和投射系统PS中。取决于光刻设备的类型,光栅光谱滤光器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14中所示的相比,投射系统PS中可能存在1至6个附加反射元件。
如图14中所图示的,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轴向对称地安置,并且优选地,这种类型的收集器光学器件CO可以与通常被称为DPP源的放电产生的等离子体源组合使用。
替代地,源收集器模块SO可以是图15中所示的LPP辐射系统的一部分。激光器LA被布置为将激光能量沉积到诸如氙(Xe)、锡(Sn)或锂(Li)之类的燃料中,从而创建电子温度为数十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所生成的带能辐射从等离子体中发射,由近垂直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。
本文所公开的概念可以模拟或数学建模任何通用成像系统,以用于对亚波长特征进行成像,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尤其有用的。已经在使用的新兴技术包括EUV(极紫外)、DUV光刻,该技术能够使用ArF激光器产生193nm的波长,并且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)以便产生在该范围内的光子,EUV光刻能够产生在20至5nm范围内的波长。
本公开的实施例可以通过以下条款来进一步描述。
1.一个或多个非瞬态计算机可读介质,其存储去噪模型并经由去噪模型来生成去噪图像的指令,该指令当由一个或多个处理器执行时提供去噪模型,该去噪模型由以下方式来产生:
将设计图案转换为第一组模拟图像;
将第一组模拟图像作为输入提供给基础去噪模型以获得第二组模拟图像,第二组模拟图像是与设计图案相关联的去噪图像;以及
使用参考去噪图像作为反馈来更新基础去噪模型的一个或多个配置,其中一个或多个配置是基于参考去噪图像与第二组模拟图像之间的比较来更新的。
2.根据条款1所述的介质,其中第一组模拟图像中的每个图像是模拟SEM图像和图像噪声的组合。
3.根据条款2所述的介质,其中转换设计图案包括:
使用设计图案作为输入来执行经训练的模型以生成模拟SEM图像。
4.根据条款3所述的介质,其中经训练的模型是基于设计图案和图案化衬底的被捕获图像来训练的,每个被捕获图像与设计图案相关联。
5.根据条款4所述的介质,其中被捕获图像是经由扫描电子显微镜(SEM)而获取的SEM图像。
6.根据条款5所述的介质,其中图像噪声是从图案化衬底的被捕获图像中提取的噪声。
7.根据条款3至6中任一项所述的介质,经训练的模型是第一机器学习模型。
8.根据条款7所述的介质,其中经训练的模型是使用生成对抗网络而训练的卷积神经网络或深度卷积神经网络。
9.根据条款8所述的介质,其中经训练的模型是被配置为针对给定设计图案生成模拟SEM图像的生成模型。
10.根据条款2至9中任一项所述的介质,其中图像噪声是以用户指定参数来表征的高斯噪声、白噪声、盐噪声和纸噪声。
11.根据条款2至10中任一项所述的介质,其中参考去噪图像是与设计图案相关联的模拟SEM图像。
12.根据条款1至11中任一项所述的介质,其中去噪模型是第二机器学习模型。
13.根据条款1至12中任一项所述的介质,其中去噪模型是卷积神经网络或深度卷积神经网络。
14.根据条款1至13中任一项所述的介质,其中设计图案是图形数据信号(GDS)文件格式。
15.一种系统,包括:
电子射束光学器件,其被配置为捕获图案化衬底的图像;以及
一个或多个处理器,其被配置为:
使用被捕获图像作为输入来执行去噪模型以生成图案化衬底的去噪图像。
16.根据条款15所述的系统,其中去噪模型是卷积神经网络。
17.根据条款15至16中任一项所述的系统,一个或多个处理器还被配置为:
使用以图形数据信号(GDS)文件格式提供的设计图案来执行经训练的模型以生成模拟图像。
18.根据条款15至17中任一项所述的系统,其中一个或多个处理器还被配置为:
基于图案化衬底的被捕获图像来更新去噪模型。
19.根据条款15至18中任一项所述的系统,其中一个或多个处理器还被配置为:
基于去噪图像与参考去噪图像的比较来更新去噪模型的一个或多个参数。
20.根据条款15至19中任一项所述的系统,其中去噪模型通过以下方式来产生:
将设计图案转换为第一组模拟图像;
将第一组模拟图像作为输入提供给基础去噪模型以获得第二组模拟图像,第二组模拟图像是与设计图案相关联的去噪图像;以及
使用参考去噪图像作为反馈来更新基础去噪模型的一个或多个配置,其中一个或多个配置是基于参考去噪图像与第二组模拟图像之间的比较来更新的。
21.根据条款20所述的系统,其中第一组模拟图像中的每个图像是模拟SEM图像和图像噪声的组合。
22.一种用于训练去噪模型的方法,所述方法包括:
将设计图案转换为第一组模拟图像;以及
基于第一组模拟图像和图像噪声来训练去噪模型,其中去噪模型是能够操作的以生成输入图像的去噪图像。
23.根据条款22所述的方法,其中将设计图案转换为第一组模拟图像包括:
使用设计图案作为输入来执行经训练的模型以生成模拟图像。
24.根据条款23所述的方法,其中经训练的模型是基于设计图案和图案化衬底的被捕获图像来训练的,每个被捕获图像与设计图案相关联。
25.根据条款24所述的方法,其中被捕获图像是经由扫描电子显微镜(SEM)而获取的SEM图像。
26.根据条款25所述的方法,还包括:将图像噪声添加到第一组模拟图像以生成第二组模拟图像,其中图像噪声是从图案化衬底的被捕获图像中提取的。
27.根据条款26所述的方法,其中训练去噪模型包括:使用第一组模拟图像、图像噪声和被捕获图像作为训练数据。
28.根据条款23至27中任一项所述的方法,经训练的模型是第一机器学习模型。
29.根据条款28所述的方法,其中经训练的模型是使用生成对抗网络训练方法而训练的卷积神经网络或深度卷积神经网络。
30.根据条款29所述的方法,其中经训练的模型是被配置为针对给定设计图案生成模拟SEM图像的生成模型。
31.根据条款22至30中任一项所述的方法,其中图像噪声是以用户指定参数来表征的高斯噪声、白噪声、盐噪声和纸噪声。
32.根据条款23至31中任一项所述的方法,其中去噪模型是第二机器学习模型。
33.根据条款22至32中任一项所述的方法,其中去噪模型是卷积神经网络。
34.根据条款22至33中任一项所述的方法,其中设计图案是图形数据信号(GDS)文件格式。
35.根据条款22至24中任一项所述的方法,还包括:
经由量测工具获得图案化衬底的SEM图像;以及
使用SEM图像作为输入图像来执行经训练的去噪模型以生成去噪SEM图像。
36.一个或多个非瞬态计算机可读介质,其存储去噪模型并经由去噪模型来生成去噪图像的指令,该指令当由一个或多个处理器执行时提供去噪模型,该去噪模型由以下方式来产生:
将设计图案转换为第一组模拟图像;以及
基于第一组模拟图像和图像噪声,训练去噪模型,其中去噪模型是能够操作的以生成输入图像的去噪图像。
37.根据条款36所述的介质,其中转换包括:
使用设计图案作为输入来执行经训练的模型以生成模拟图像。
38.根据条款37所述的介质,其中经训练的模型是基于设计图案和图案化衬底的被捕获图像来训练的,每个被捕获图像与设计图案相关联。
39.根据条款38所述的介质,其中被捕获图像是经由扫描电子显微镜(SEM)而获取的SEM图像。
40.根据条款39所述的介质,还包括:将图像噪声添加到第一组模拟图像以生成第二组模拟图像,其中图像噪声是从图案化衬底的被捕获图像中提取的。
41.根据条款37至40中任一项所述的介质,经训练的模型是第一机器学习模型。
42.根据条款41所述的介质,其中经训练的模型是使用生成对抗网络训练方法而训练的卷积神经网络或深度卷积神经网络。
43.根据条款42所述的介质,其中经训练的模型是被配置为针对给定设计图案生成模拟SEM图像的生成模型。
44.根据条款36至43中任一项所述的介质,其中图像噪声是以用户指定参数来表征的高斯噪声、白噪声、盐噪声和纸噪声。
45.根据条款36至44中任一项所述的介质,其中去噪模型是第二机器学习模型。
46.根据条款38至45中任一项所述的介质,其中训练去噪模型包括:使用第一组模拟图像、图像噪声和被捕获图像作为训练数据。
47.根据条款36至46中任一项所述的介质,其中去噪模型是卷积神经网络。
48.根据条款36至47中任一项所述的介质,其中设计图案是图形数据信号(GDS)文件格式。
49.根据条款36至48中任一项所述的介质,还包括:
经由量测工具获得图案化衬底的SEM图像;以及
使用SEM图像作为输入图像来执行经训练的去噪模型以生成去噪SEM图像。
虽然本文公开的概念可以被用于在诸如硅晶片之类的衬底上成像,但是应该理解,所公开的概念可以与任何类型的光刻成像系统一起使用,例如用于在除硅晶片之外的衬底上成像的那些。
上面的描述是说明性的,而不是限制性的。因此,对于本领域的技术人员来说显而易见的是,在不脱离所附权利要求的范围的情况下可以如所描述的那样进行修改。
Claims (15)
1.一种用于训练去噪模型的方法,所述方法包括:
将设计图案转换为第一组模拟图像;以及
基于所述第一组模拟图像和图像噪声,训练所述去噪模型,其中所述去噪模型是能够操作的以生成输入图像的去噪图像。
2.根据权利要求1所述的方法,其中将所述设计图案转换为所述第一组模拟图像包括:
执行经训练的模型,所述经训练的模型被配置为使用所述设计图案作为输入以生成所述模拟图像。
3.根据权利要求2所述的方法,其中所述经训练的模型是基于所述设计图案和图案化衬底的被捕获图像来训练的,每个被捕获图像与设计图案相关联。
4.根据权利要求3所述的方法,其中所述被捕获图像是经由扫描电子显微镜(SEM)而获取的SEM图像。
5.根据权利要求4所述的方法,还包括:将所述图像噪声添加到所述第一组模拟图像以生成第二组模拟图像,其中所述图像噪声是从所述图案化衬底的所述被捕获图像中提取的。
6.根据权利要求5所述的方法,其中训练所述去噪模型包括:使用所述第一组模拟图像、所述图像噪声和被捕获图像作为训练数据。
7.根据权利要求2所述的方法,其中所述经训练的模型包括第一机器学习模型。
8.根据权利要求7所述的方法,其中所述经训练的模型包括使用生成对抗网络训练方法而训练的卷积神经网络或深度卷积神经网络。
9.根据权利要求8所述的方法,其中所述经训练的模型是被配置为针对给定设计图案生成模拟SEM图像的生成模型。
10.根据权利要求1所述的方法,其中所述图像噪声是以用户指定参数来表征的高斯噪声、白噪声、盐噪声和纸噪声。
11.根据权利要求1所述的方法,其中所述去噪模型包括第二机器学习模型。
12.根据权利要求1所述的方法,其中所述设计图案是图形数据信号(GDS)文件格式。
13.根据权利要求1所述的方法,还包括:
获得图案化衬底的被捕获SEM图像;以及
使用所述被捕获SEM图像作为所述输入图像来执行所述经训练的去噪模型以生成所述去噪SEM图像。
14.根据权利要求1所述的方法,还包括:基于所述图案化衬底的被捕获图像,更新所述去噪模型。
15.一种存储指令的一个或多个非瞬态计算机可读介质,所述指令当由处理器执行时使所述处理器执行以下方法:
将设计图案转换为第一组模拟图像;以及
基于所述第一组模拟图像和图像噪声,训练所述去噪模型,其中所述去噪模型是能够操作的以生成输入图像的去噪图像。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063051500P | 2020-07-14 | 2020-07-14 | |
US63/051,500 | 2020-07-14 | ||
PCT/EP2021/067268 WO2022012888A1 (en) | 2020-07-14 | 2021-06-24 | Apparatus and methods for generating denoising model |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116250018A true CN116250018A (zh) | 2023-06-09 |
Family
ID=76744823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180062344.3A Pending CN116250018A (zh) | 2020-07-14 | 2021-06-24 | 用于生成去噪模型的设备和方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20230230208A1 (zh) |
EP (1) | EP4182881A1 (zh) |
JP (1) | JP2023533586A (zh) |
KR (1) | KR20230038764A (zh) |
CN (1) | CN116250018A (zh) |
IL (1) | IL299807A (zh) |
TW (2) | TWI833664B (zh) |
WO (1) | WO2022012888A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235533A (zh) * | 2023-11-10 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343202A (zh) * | 2021-12-17 | 2023-06-27 | 联华电子股份有限公司 | 半导体系统及其运作方法 |
CN116977191A (zh) * | 2022-04-20 | 2023-10-31 | 中兴通讯股份有限公司 | 画质提升模型的训练方法和视频会议系统画质的提升方法 |
CN117518747B (zh) * | 2024-01-05 | 2024-04-05 | 华芯程(杭州)科技有限公司 | 一种光刻量测强度的生成方法、装置、设备及存储介质 |
Family Cites Families (8)
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 |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
US20170014822A1 (en) * | 2015-07-15 | 2017-01-19 | Aark Health Private Limited | Microfluidic cartridge and reader device, system, and method of use |
US9965901B2 (en) * | 2015-11-19 | 2018-05-08 | KLA—Tencor Corp. | Generating simulated images from design information |
JP2019008599A (ja) * | 2017-06-26 | 2019-01-17 | 株式会社 Ngr | 順伝播型ニューラルネットワークを用いた画像ノイズ低減方法 |
US11232249B2 (en) * | 2018-03-19 | 2022-01-25 | Asml Netherlands B.V. | Method for determining curvilinear patterns for patterning device |
US10697900B2 (en) * | 2018-06-19 | 2020-06-30 | Kla-Tencor Corporation | Correlating SEM and optical images for wafer noise nuisance identification |
-
2021
- 2021-06-24 IL IL299807A patent/IL299807A/en unknown
- 2021-06-24 JP JP2023501901A patent/JP2023533586A/ja active Pending
- 2021-06-24 KR KR1020237005291A patent/KR20230038764A/ko unknown
- 2021-06-24 CN CN202180062344.3A patent/CN116250018A/zh active Pending
- 2021-06-24 WO PCT/EP2021/067268 patent/WO2022012888A1/en unknown
- 2021-06-24 EP EP21737020.4A patent/EP4182881A1/en active Pending
- 2021-07-01 TW TW112123405A patent/TWI833664B/zh active
- 2021-07-01 TW TW110124273A patent/TWI808444B/zh active
-
2023
- 2023-01-13 US US18/154,621 patent/US20230230208A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235533A (zh) * | 2023-11-10 | 2023-12-15 | 腾讯科技(深圳)有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
CN117235533B (zh) * | 2023-11-10 | 2024-03-01 | 腾讯科技(深圳)有限公司 | 对象变量分析方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202341017A (zh) | 2023-10-16 |
US20230230208A1 (en) | 2023-07-20 |
TWI808444B (zh) | 2023-07-11 |
WO2022012888A1 (en) | 2022-01-20 |
IL299807A (en) | 2023-03-01 |
KR20230038764A (ko) | 2023-03-21 |
TWI833664B (zh) | 2024-02-21 |
EP4182881A1 (en) | 2023-05-24 |
JP2023533586A (ja) | 2023-08-03 |
TW202207095A (zh) | 2022-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI833068B (zh) | 藉由機器學習來判定製程模型之方法 | |
US20220277116A1 (en) | Identification of hot spots or defects by machine learning | |
JP2022518156A (ja) | レイアウトパターン選択の方法及び装置 | |
TWI808444B (zh) | 用於產生消除雜訊模型之裝置及方法 | |
US20220284344A1 (en) | Method for training machine learning model for improving patterning process | |
TW202117575A (zh) | 用於在參數化模型預測中提高確定性的方法 | |
EP3951496A1 (en) | Apparatus and method for selecting informative patterns for training machine learning models | |
TWI667553B (zh) | 判定圖案之特性之方法 | |
CN116125756A (zh) | 用于减少抗蚀剂模型预测误差的系统和方法 | |
TWI798861B (zh) | 用於產生解模糊模型及解模糊影像之設備及方法 | |
US20240054669A1 (en) | Apparatus and method for determining three dimensional data based on an image of a patterned substrate | |
CN116615750A (zh) | 用于基于图案化衬底的图像确定三维数据的装置和方法 | |
CN115047719A (zh) | 基于由光刻设备或过程特性表征的图案表示来选择该图案 |
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 |