CN116648672A - 用于确定掩模图案和训练机器学习模型的方法 - Google Patents
用于确定掩模图案和训练机器学习模型的方法 Download PDFInfo
- Publication number
- CN116648672A CN116648672A CN202180085362.3A CN202180085362A CN116648672A CN 116648672 A CN116648672 A CN 116648672A CN 202180085362 A CN202180085362 A CN 202180085362A CN 116648672 A CN116648672 A CN 116648672A
- Authority
- CN
- China
- Prior art keywords
- mask image
- mask
- image
- profile
- model
- 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 341
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 title abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 203
- 238000013461 design Methods 0.000 claims abstract description 189
- 238000000059 patterning Methods 0.000 claims abstract description 172
- 238000012986 modification Methods 0.000 claims abstract description 120
- 230000004048 modification Effects 0.000 claims abstract description 120
- 230000003287 optical effect Effects 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000001459 lithography Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012804 iterative process Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 90
- 239000000758 substrate Substances 0.000 description 82
- 230000006870 function Effects 0.000 description 79
- 230000005855 radiation Effects 0.000 description 72
- 238000005286 illumination Methods 0.000 description 41
- 238000004088 simulation Methods 0.000 description 36
- 230000000694 effects Effects 0.000 description 26
- 230000007547 defect Effects 0.000 description 23
- 238000011161 development Methods 0.000 description 21
- 238000009826 distribution Methods 0.000 description 21
- 238000011156 evaluation Methods 0.000 description 18
- 239000010410 layer Substances 0.000 description 17
- 230000015654 memory Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 16
- 230000001976 improved effect Effects 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 15
- 235000012431 wafers Nutrition 0.000 description 14
- 210000001747 pupil Anatomy 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000005530 etching Methods 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000000206 photolithography Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 6
- 230000004075 alteration Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000000356 contaminant Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 239000003607 modifier Substances 0.000 description 5
- 230000003750 conditioning effect Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000001393 microlithography Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 238000007493 shaping process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 229910052718 tin Inorganic materials 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000010363 phase shift Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 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
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 206010057362 Underdose Diseases 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process 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
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000001465 metallisation Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000037452 priming Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008080 stochastic effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G03F7/70216—Mask projection systems
- G03F7/70283—Mask effects on the imaging process
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F1/00—Originals for photomechanical production of textured or patterned surfaces, e.g., masks, photo-masks, reticles; Mask blanks or pellicles therefor; Containers specially adapted therefor; Preparation thereof
- G03F1/36—Masks having proximity correction features; Preparation thereof, e.g. optical proximity correction [OPC] design processes
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70425—Imaging strategies, e.g. for increasing throughput or resolution, printing product fields larger than the image field or compensating lithography- or non-lithography errors, e.g. proximity correction, mix-and-match, stitching or double patterning
- G03F7/70433—Layout for increasing efficiency or for compensating imaging errors, e.g. layout of exposure fields for reducing focus errors; Use of mask features for increasing efficiency or for compensating imaging errors
- G03F7/70441—Optical proximity correction [OPC]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
- G03F7/705—Modelling or simulating from physical phenomena up to complete wafer processes or whole workflow in wafer productions
Abstract
本文中描述一种用于确定掩模图案的方法和一种用于训练机器学习模型的方法。用于产生用于与图案化过程相关联的掩模图案的数据的所述方法包括:获得(i)与设计图案相关联的第一掩模图像(例如,CTM);(ii)基于所述第一掩模图像的轮廓(例如,抗蚀剂轮廓);(iii)基于所述设计图案的参考轮廓(例如,理想抗蚀剂轮廓);和(iv)所述轮廓与所述参考轮廓之间的轮廓差。将所述轮廓差和所述第一掩模图像输入至模型以产生掩模图像修改数据。基于所述第一掩模图像和所述掩模图像修改数据,产生用于确定待用于所述图案化过程中的掩模图案的第二掩模图像。
Description
相关申请的交叉引用
本申请要求于2020年12月18日递交的美国申请63/127,453的优先权,并且所述美国申请的全部内容通过引用而被合并入本文中。
技术领域
本文中的描述涉及光刻设备和过程,并且更特别地,涉及一种用于产生掩模图案的方法和一种用于训练与掩模图案产生相关联的机器学习模型的方法。
背景技术
光刻投影设备可以用于例如集成电路(IC)的制造中。在这样的情况下,图案形成装置(例如,掩模)可以包括或提供对应于IC的单层的电路图案(“设计布局”),并且可以通过诸如经由图案形成装置上的电路图案而辐照已涂覆有辐射敏感材料(“抗蚀剂”)层的衬底(例如,硅晶片)上的目标部分(例如,包括一个或更多个管芯)的方法将这种电路图案转印至所述目标部分上。通常,单个衬底包括多个相邻目标部分,电路图案通过光刻投影设备连续地转印至所述多个相邻目标部分,一次一个目标部分。在这种类型的光刻投影设备中,将整个图案形成装置上的电路图案一次性转印至一个目标部分上;这种设备通常称作晶片步进器。在通常称作步进扫描设备的替代设备中,投影束在给定参考方向(“扫描”方向)上遍及图案形成装置进行扫描,同时平行或反向平行于这种参考方向而同步地移动衬底。图案形成装置上的电路图案的不同部分逐步地被转印至一个目标部分。通常,由于光刻投影设备将具有放大因子M(通常<1),因此衬底被移动的速度F将是投影束扫描图案形成装置的速度的因子M倍。可以例如从以引用的方式并入本文中的US 6,046,792搜集到关于如本文中所描述的光刻设备的更多信息。
在将电路图案从图案形成装置转印至衬底之前,衬底可以经历各种工序,诸如上底漆、涂覆抗蚀剂和软焙烤。在曝光之后,衬底可以经受其它工序,诸如曝光后焙烤(PEB)、显影、硬焙烤,和经转印的电路图案的测量/检查。这种工序阵列用作制造器件(例如,IC)的单层的基础。衬底可以接着经历各种过程,诸如蚀刻、离子注入(掺杂)、金属化、氧化、化学机械抛光等,所述过程都旨在精整器件的单层。如果器件中需要若干层,则针对每个层来重复整个工序或其变体。最终,衬底上的每个目标部分中将存在器件。接着通过诸如切割或锯切之类的技术来使这些器件彼此分离,由此可以将单独的器件被安装在载体上、连接至引脚等。
如提及的,微光刻术是IC制造中的中心步骤,其中,形成在衬底上的图案限定IC的功能元件,诸如微处理器、存储器芯片等。类似光刻技术也用于形成平板显示器、微机电系统(MEMS)和其它器件。
随着半导体制造过程持续发展,几十年来,功能元件的尺寸已不断地减小,而每器件的诸如晶体管之类的功能元件的量已在稳固地增加,这遵循通常称作“莫耳定律”的趋势。在当前技术状态下,使用光刻投影设备来制造器件的层,所述光刻投影设备使用来自深紫外照射源的照射将设计布局投影至衬底上,从而产生尺寸远低于100nm(即小于来自照射源(例如,193nm照射源)的辐射的波长的一半)的单独的功能元件。
用于印制尺寸小于光刻投影设备的经典分辨率限制的特征的这种过程根据分辨率公式CD=k1×λ/NA而通常称作低k1光刻,其中,λ为所采用的辐射的波长(当前在大多数情况下是248nm或193nm),NA是光刻投影设备中的投影光学器件的数值孔径,CD是“临界尺寸”(通常是所印制的最小特征大小),并且k1是经验分辨率因子。通常,k1越小,则在衬底上再现类似于由电路设计者规划的形状和尺寸以便实现特定电功能性和性能的图案变得越困难。为了克服这些困难,将复杂的微调步骤应用于光刻投影设备和/或设计布局。这些步骤包括例如但不限于NA和光学相干设置的优化、定制照射方案、相移图案形成装置的使用、设计布局中的光学邻近效应校正(OPC,有时也称作“光学和过程校正”),或通常定义为“分辨率增强技术(RET)”的其它方法。如本文中所使用的术语“投影光学器件”应广义地解释为涵盖各种类型的光学系统,包括例如折射型光学器件、反射型光学器件、孔或光阑、和反射折射型光学器件。术语“投影光学器件”也可以包括用于共同地或单个地引导、成形或控制投影辐射束的根据这些设计类型中的任一设计类型来操作的部件。术语“投影光学器件”可以包括光刻投影设备中的任何光学部件,而不管光学部件位于光刻投影设备的光学路径上的何处。投影光学器件可以包括用于在来自源的辐射通过图案形成装置之前成形、调整和/或投影所述辐射的光学部件,和/或用于在所述辐射通过图案形成装置之后成形、调整和/或投影所述辐射的光学部件。投影光学器件通常不包括源和图案形成装置。
发明内容
几十年来,随着光刻和其它图案化过程技术的发展,功能元件的尺寸已不断地减小,而每器件功能元件(诸如晶体管)的量已稳定地增加。为了满足尺寸规格,尤其需要改善的掩模图案来制造待用于光刻中的掩模。例如,可以使用计算密集且耗时的逆光刻模拟(例如,光学邻近效应校正(OPC))来产生经改善的掩模图案。为了改善掩模图案设计时间和计算时间,可以采用机器学习模型。虽然现有机器学习模型(例如,卷积类神经网络)可能比常规OPC或逆OPC更快,但仍存在改善余地且进一步减少常规OPC或逆OPC算法获得最终掩模图案所需的迭代次数。换句话说,可以在执行用于确定最终掩模图案的常规OPC过程之前进一步改善现有OPC模型的输出(例如,掩模图像)。
本公开解决上文所论述的各种问题。在一方面中,本公开提供一种用于确定用来确定待用于图案化过程中的掩模图案的掩模图像的改善方法。在另一方面中,本公开提供用于产生被配置成确定掩模图像修改数据的模型的训练方法。本公开中所确定的所述模型可以用于现有掩模图案产生过程中以进一步改善掩模图案的品质且进而改善印制电路的尺寸准确度即精度。
在实施例中,提供一种用于产生用于与图案化过程相关联的掩模图案的数据的方法。所述方法包括获得包括以下各项的输入数据:(i)与设计图案相关联的第一掩模图像;(ii)基于所述第一掩模图像的轮廓(例如,多边形形状、轮廓图像,等等),所述轮廓指示衬底的特征的轮廓;(iii)基于所述设计图案的参考轮廓(例如,多边形形状、参考轮廓图像);以及(iv)所述轮廓与所述参考轮廓(例如,可以被印制在衬底上的理想轮廓)之间的轮廓差。可以将所述第一掩模图像和所述轮廓差图像输入至模型(例如,CNN)以产生掩模图像修改数据。在实施例中,所述掩模修改数据指示用于导致所述图案化过程的性能参数在期望的性能范围内的所述第一掩模图像的修改量。基于所述掩模图像修改数据,可能更新所述第一掩模图像以产生用于确定待用于所述图案化过程中的掩模图案的第二掩模图像。
在实施例中,所述第二掩模图像或所述经更新的掩模图像的产生可以是迭代过程,其中,可以使用所述模型来进一步更新所述第二掩模图像。在实施例中,至所述模型的输入数据和来自所述模型的输出可以是经灰度化图像。
在实施例中,提供一种用于确定被配置成产生与图案化过程相关联的掩模图像修改数据的模型的方法。所述方法包括获得包括以下各项的训练数据:(i)基于设计图案的第一掩模图像;(ii)基于所述第一掩模图像的轮廓,所述轮廓指示特征的轮廓;(iii)基于所述第一掩模图像和噪声的噪声引发的第一掩模图像;(iv)基于所述噪声引发的第一掩模图像的参考轮廓;以及(v)基于所述轮廓与所述参考轮廓之间的差的轮廓差。所述轮廓差和所述第一掩模图像还可以用于确定被配置成产生掩模图像修改数据的模型。
根据实施例,提供一种计算机程序产品,包括其上记录有指令的非暂时性计算机可读介质。所述指令当由计算机执行时实施权利要求中所列出的方法。
附图说明
现将参考随附附图而仅借助于示例来描述实施例,在随附附图中:
图1是根据实施例的光刻系统的各个子系统的框图。
图2是根据实施例的对应于图1中的子系统的模拟模型的框图。
图3是根据实施例的用于确定被配置成产生用于与图案化过程相关联的掩模图案的数据的模型的方法的流程图。
图4图示根据实施例的产生用于确定模型的示例性训练数据的示例性过程。
图5图示根据实施例的用于确定模型的另一示例性训练数据。
图6图示根据实施例的使用图4和图5的训练数据来确定模型的示例性过程。
图7是根据实施例的用于产生待用于确定掩模图案的掩模图像修改数据的方法的流程图。
图8图示根据实施例的使用根据图3所确定的模型来产生掩模图像修改数据的示例。
图9是示出根据图3确定的模型至现有掩模产生过程中的示例性集成的框图。
图10是图示根据实施例的联合优化的示例方法的方面的流程图。
图11示出根据实施例的另一优化方法的实施例。
图12A、图12B和图13示出根据实施例的各种优化过程的示例流程图。
图14是根据实施例的示例计算机系统的框图。
图15是根据实施例的光刻投影设备的示意图。
图16是根据实施例的另一光刻投影设备的示意图。
图17是根据实施例的图16中的设备的更详细视图。
图18是根据实施例的图16和图17的设备的源收集器模块SO的更详细视图。
现将参考附图详细地描述实施例,所述附图被提供为说明性示例以便使本领域技术人员能够实践所述实施例。值得注意地,以下的各图和示例不旨在将范围限于单实施例,而是借助于所描述的或所图示的元件中的一些或全部的互换而使其它实施例是可能的。在任何方便的情况下,将贯穿附图来使用相同附图标号来指代相同或类似的部件。在可以使用已知部件来部分地或完全地实施这些实施例的某些元件的情况下,将仅描述理解所述实施例所必需的这样的已知部件的那些部分,并且将省略这样的已知部件的其它部分的详细描述以免混淆所述实施例的描述。在本说明书中,示出单数部件的实施例不应被视为限制性的;而是,除非本文中另外明确陈述,否则范围旨在涵盖包括多个相同部件的其它实施例,并且反之亦然。此外,除非如此明确阐述,否则申请者不旨在使本说明书或权利要求中的任何术语归结于不常见或特殊涵义。另外,范围涵盖本文中借助于图示而提及的部件的目前和未来已知等效物。
具体实施方式
虽然在本文中可以具体地参考IC的制造,但应明确地理解,本文中的描述具有许多其它可能的应用。例如,其可以用于制造集成光学系统、用于磁畴存储器的引导和检测图案、液晶显示面板、薄膜磁头等。本领域技术人员应了解,在这样的替代应用的情境下,应认为本文中对术语“掩模版”、“晶片”或“管芯”的任何使用可以分别与更上位的术语“掩模”、“衬底”和“目标部分”互换。
在本文件中,术语“辐射”和“束”用于涵盖所有类型的电磁辐射,包括紫外幅射(例如,具有为365nm、248nm、193nm、157nm或126nm的波长)和极紫外辐射(EUV,例如,具有在5nm至20nm的范围内的波长)。
如本文中所使用的术语“优化(optimizing和optimization)”意味着:调整光刻投影设备,使得光刻的结果和/或过程具有更期望的特性,诸如设计布局在衬底上的投影的更高的准确度即精度、更大过程窗口等。
另外,光刻投影设备可以属于具有两个或更多个衬底台(和/或两个或更多个图案形成装置台)的类型。在这样的“多平台”装置中,可以并行地使用额外的台,或可以在一个或更多个台上进行预备步骤,同时将一个或更多个其它台用于曝光。在例如以引用的方式并入本文中的US 5,969,441中描述双平台光刻投影设备。
上文提及的图案形成装置包括或可以形成设计布局。可以利用计算机辅助设计(CAD)过程来产生设计布局,这种过程常常称作电子设计自动化(EDA)。大多数CAD过程遵循预定设计规则集合,以便产生功能设计布局/图案形成装置。通过处理和设计限制来设置这些规则。例如,设计规则定义电路器件(诸如闸、电容器等)或互联机之间的空间容许度,以便确保所述电路器件或线彼此不会以不期望的方式相互作用。设计规则限制通常称作“临界尺寸”(CD)。可以将电路的临界尺寸定义为线或孔的最小宽度,或两条线或两个孔之间的最小空间。因此,CD确定所设计的电路的总大小和密度。当然,集成电路制造中的目标之一为(经由图案形成装置)在衬底上如实地再现原始电路设计。
如本文中所使用的术语“掩模”或“图案形成装置”可以广义地解释为是指可以用于向入射辐射束赋予经图案化的横截面的通用图案形成装置,经图案化的横截面对应于待在衬底的目标部分中产生的图案;术语“光阀”也可以用于这种情境下。除了经典掩模(透射或反射;二元、相移、混合式等)以外,其它这样的图案形成装置的示例也包括:
-可编程反射镜阵列。这种装置的示例是具有黏弹性控制层和反射表面的矩阵可寻址表面。这种设备所隐含的基本原理为(例如):反射表面的寻址区域使入射辐射反射为衍射辐射,而未寻址区域使入射辐射反射为非衍射辐射。在使用适当滤波器的情况下,可以从反射束滤出所述非衍射辐射,从而仅留下衍射辐射;以这种方式,束根据矩阵可寻址表面的寻址图案而变得图案化。可以使用适合的电子装置来执行所需的矩阵寻址。可以例如从以引用方式并入本文中的美国专利号5,296,891和5,523,193搜集到关于这样的反射镜阵列的更多信息。
-可编程LCD阵列。这种构造的示例在以引用的方式并入本文中的美国专利号5,229,872中给出。
作为简要介绍,图1图示示例性光刻投影设备10A。主要部件为:辐射源12A,所述辐射源可以是深紫外准分子激光器源或包括极紫外(EUV)源的其它类型的源(如上文所论述的,光刻投影设备自身无需具有辐射源);照射光学器件,所述照射光学器件定义部分相干性(表示为均方偏差)且可以包括成形来自源12A的辐射的光学器件14A、16Aa和16Ab;图案形成装置14A;以及透射型光学器件16Ac,所述透射型光学器件将图案形成装置图案的图像投影至衬底平面22A上。投影光学器件的光瞳平面处的可调滤波器或孔20A可以限定照射到衬底平面22A上的束角度的范围,其中,最大可能角度定义投影光学器件的数值孔径NA=sin(Θmax)。
在系统的优化过程中,可以将所述系统的品质因数表示为成本函数。优化过程归结为找到最小化成本函数的系统的参数(设计变量)集合的过程。成本函数可以依赖于优化的目标而具有任何适合的形式。例如,成本函数可以是系统的某些特性(评估点)相对于这些特性的预期值(例如,理想值)的偏差的加权均方根(RMS);成本函数也可以是这些偏差的最大值(即,最差偏差)。本文中的术语“评估点”应广义地解释为包括系统的任何特性。归因于系统的实施的适用性,系统的设计变量可以被限于有限范围和/或是可相互依赖的。在光刻投影设备的情况下,约束常常与硬件的物理性质和特性(诸如可调谐范围,和/或图案形成装置可制造性设计规则)相关联,并且评估点可以包括衬底上的抗蚀剂图像上的实体点,以及诸如剂量和焦距之类的非实体特性。
在光刻投影设备中,源提供照射(即,光);投影光学器件经由图案形成装置对照射进行引导和成形,并且将照射引导至衬底上。这里,术语“投影光学器件”广泛地定义为包括可以变更辐射束的波前的任何光学部件。例如,投影光学器件可以包括部件14A、16Aa、16Ab和16Ac中的至少一些。空间图像(AI)是在衬底水平处的辐射强度分布。曝光衬底上的抗蚀剂层,并且将空间图像转印至抗蚀剂层以在其中作为潜在“抗蚀剂图像”(RI)。可以将抗蚀剂图像(RI)定义为抗蚀剂层中的抗蚀剂的溶解度的空间分布。可以使用抗蚀剂模型以从空间图像计算抗蚀剂图像,可以在以全文引用的方式并入本文中的共同转让的美国专利8,200,468中找到这种情形的示例。抗蚀剂模型仅涉及抗蚀剂层的性质(例如,在曝光、PEB和显影期间发生的化学过程的效应)。光刻投影设备的光学性质(例如,源、图案形成装置和投影光学器件的性质)指定空间图像。由于可以改变用于光刻投影设备中的图案形成装置,因此期望使图案形成装置的光学性质与至少包括源和投影光学器件的光刻投影设备的其余部分的光学性质分离。
图2中图示用于模拟光刻投影设备中的光刻的示例性流程图。源模型31表示源的光学特性(包括辐射强度分布和/或相位分布)。投影光学器件模型32表示投影光学器件的光学特性(包括由投影光学器件造成的辐射强度分布和/或相位分布的改变)。设计布局模型35表示设计布局的光学特性(包括由给定设计布局33造成的辐射强度分布和/或相位分布的改变),所述设计布局为图案形成装置上的或由图案形成装置形成的特征的布置的表示。可以从设计布局模型35、投影光学器件模型32和设计布局模型35模拟空间图像36。可以使用抗蚀剂模型37从空间图像36模拟抗蚀剂图像38。光刻的模拟可以例如预测抗蚀剂图像中的轮廓和CD。
更具体地,应注意,源模型31可以表示源的光学特性,所述光学特性包括但不限于NA-均方偏差(σ)设置,以及任何特定照射源形状(例如,诸如环形、四极和双极等离轴辐射源)。投影光学器件模型32可以表示投影光学器件的光学特性,所述光学特性包括像差、变形、折射率、物理大小、物理尺寸等。设计布局模型35也可以表示实体图案形成装置的物理性质,如例如在以全文引用的方式并入本文中的美国专利号7,587,704中所描述的。模拟的目标是准确地预测例如边缘放置、空间图像强度斜率和CD,可以接着将所述边缘放置、空间图像强度斜率和CD与预期设计进行比较。预期设计通常被定义为可以诸如GDSII或OASIS或其它文件格式之类的标准化数字文件格式来提供的预先OPC设计布局。
从这种设计布局,可以识别称作“片段”的一个或更多个部分。在实施例中,提取一组片段,其表示设计布局中的复杂图案(通常是约50个至1000个片段,但可以使用任何数目个片段)。如本领域技术人员将了解的,这些图案或片段表示设计的小部分(即,电路、单元或图案),并且特别地,所述片段表示需要特别关注和/或验证的小部分。换句话说,片段可以是设计布局的部分,或可以类似或具有临界特征是通过体验而识别(包括由客户提供的片段)、通过反复试验而识别或通过运行全芯片模拟而识别的设计布局的部分的类似行为。片段通常包括一个或更多个测试图案或测规图案。
可以由客户基于设计布局中要求特定图像优化的已知临界特征区域而先验地提供初始较大一组片段。替代地,在另一实施例中,可以通过使用识别临界特征区域的某种自动化(诸如,机器视觉)或手工的算法而从整个设计布局提取初始较大一组片段。
例如,图案化过程的模拟可以预测空间、抗蚀剂和/或蚀刻图像中的轮廓、CD、边缘放置(例如,边缘放置误差)、图案移位等。即,可以使用空间图像34、抗蚀剂图像36或蚀刻图像40来确定图案的特性(例如,图案的存在、部位、类型、形状等)。因此,模拟的目标是为了准确地预测例如所印制的图案的边缘放置和/或轮廓,和/或图案移位,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比较以例如校正图案化过程,识别预测出现缺陷点等。预期设计通常被定义为可以诸如GDSII或OASIS或其它文件格式之类的标准化数字文件格式来提供的预先OPC设计布局。
用于将图案形成装置图案变换成各种光刻图像(例如,空间图像、抗蚀剂图像等)、使用那些技术和模型来应用OPC且评估性能(例如,依据过程窗口)的技术和模型的细节在美国专利申请公开号US 2008-0301620、2007-0050749、2007-0031745、2008-0309897、2010-0162197、2010-0180251和2011-0099526中描述,这些美国专利申请公开中的每个以全文引用的方式并入本文中。
随着光刻节点保持缩小,需要越来越复杂的图案形成装置图案(为了更好的可读性而可互换地称作掩模)(例如,曲线掩模)。可以利用DUV扫描器、EUV扫描器和/或其它扫描器在关键层中使用本方法。可以在包括源掩模优化(SMO)、掩模优化和/或OPC的掩模优化过程的不同方面中包括根据本公开的方法。例如,以全文引用的方式并入本文中的名称为“Optimization Flows of Source,Mask and Projection Optics”的美国专利号9,588,438中描述了源掩模优化过程。
在实施例中,图案形成装置图案是包括具有多边形形状的曲线SRAF的曲线掩模,与具有矩形或阶梯状形状的曼哈顿(Manhattan)图案中的情况截然相反。与曼哈顿图案相比,曲线掩模可以在衬底上产生更准确的图案。然而,曲线SRAF的几何形状、它们的相对于目标图案的部位、或其它相关参数可能产生制造限制,这是因为制造这样的曲线形状可能是不可行的。因此,在掩模设计过程期间可能由设计者考虑这样的限制。关于在制造曲线掩模时的限制和挑战的详细论述在Spence等人的“Manufacturing Challenges forCurvilinear Masks”(Proceeding of SPIE第10451卷,Photomask Technology,1045104(2017年10月16日);doi:10.1117/12.2280470)中提供,其以全文引用的方式而被合并入本文中。
光学邻近效应校正(OPC)是通常用于补偿由衍射和过程效应导致的图像误差的光刻增强技术。现有的基于模型的OPC通常由若干步骤组成,包括:(i)导出包括规则重定目标的晶片目标图案;(ii)放置亚分辨率辅助特征(SRAF);以及(iii)执行包括模型模拟的迭代校正(例如,通过计算晶片上的强度图)。模型模拟的最耗时的部分是以掩模规则检查(MRC)为基础的基于模型的SRAF产生和清除,以及掩模衍射、光学成像和抗蚀剂显影的模拟。
OPC模拟中的挑战中的一个为运行时间和准确度。通常,结果越准确,OPC流程就越慢。为了得到更好的过程窗口,在每个OPC迭代中需要在不同条件(名义条件、散焦条件、剂量不足条件)下的更多模型模拟。另外,包括的图案化过程相关模型越多,则需要越多次迭代以使OPC结果收敛至目标图案。由于需要处理的大量数据(芯片上的数十亿个晶体管),因此运行时间要求对OPC相关算法的复杂度强加严格约束。另外,随着集成电路的持续缩小,准确度要求变得更严厉。因而,需要新的算法和技术来解决这些挑战。例如,需要不同的方案例如以用于基于多边形的OPC。例如,本公开提供用于确定OPC后布局的方法。所述方法在维持高速度的同时提供了高准确度,并且简化OPC后布局。
在实施例中,可以从采用水平集方法以产生初始掩模图案的曲线形状的连续透射型掩模(CTM+)过程(CTM过程的扩展)获得曲线掩模图案。先前提及的美国专利号8,584,056中论述了CTM过程的示例。在实施例中,CTM+过程涉及用于使用任何适合的方法基于初始掩模图案(或大体掩模图案)的辅助特征的一部分或其一个或更多个特性来确定所述初始掩模图案的所述辅助特征的一个或更多个特性的步骤。例如,辅助特征的一个或更多个特性可以使用美国专利号9,111,062中所描述的或Y.Shen等人的“Level-Set-Based InverseLithography For Photomask Synthesis”(Optics Express,第17卷,第23690-23701页(2009))所描述的方法来确定,这些专利的公开内容以全文引用的方式并入本文中。例如,一个或更多个特性可以包括辅助特征的一个或更多个几何特性(例如,绝对部位、相对部位或形状)、辅助特征的一个或更多个统计特性,或辅助特征的参数化。辅助特征的统计特性的示例可以包括辅助特征的几何尺寸的平均值或方差。
常规OPC使用多变量求解器或单变量求解器,通过将所模拟的晶片轮廓与期望的目标轮廓之间的差异往回传播至即传回至掩模平面,来对掩模多边形执行迭代校正。为了实现良好过程窗口,应用用于多个过程窗口条件(例如,剂量-焦点变化)的光刻模拟以确定掩模图案。这种过程进行若干次迭代以收敛至最终掩模图案。
另一方面,逆OPC通常使用基于梯度的求解器。逆OPC过程采用经最小化的成本函数。成本函数包括不同过程条件下的边缘放置误差。相比于常规OPC,逆OPC过程进行待收敛的更多迭代。逆OPC处理片段中的设计布局,并且对于每个片段,可以产生曲线多边形形状。跨越片段边界合并曲线形状具有挑战性,其中,通过迭代算法分别处理每个片段以合并曲线掩模形状,从而产生最终掩模图案。
可以开发基于深度学习的方法以训练机器学习模型加速常规OPC或逆OPC。通常训练深度学习模型(例如,深度卷积类神经网络(DCNN))以将目标图案转换成掩模图案。由基线OPC算法产生的训练样本可以用于训练目的。这种深度学习模型可能不完美,但可以提供最终掩模图案的良好近似。深度学习模型仅需要少许迭代(即,显著小于常规OPC或逆OPC算法),由此大致加速掩模图案产生过程。然而,另外,光刻模拟与多个过程窗口条件一起使用,尤其在最终若干次迭代中。光刻模拟的多变量求解器也为耗时的,因此其仍可以花费大量计算时间来实现最终收敛结果,即,最终掩模图案。示例性机器学习方法在PCT公开号WO2020169303A1、WO2019238372A1和WO2019162346A1中描述,以上所有均以全文引用的方式而被合并入本文中。
虽然现有机器学习模型(例如,DCNN、CNN)可能比常规OPC或逆OPC更快,但仍需要改善且进一步减少利用常规OPC或逆OPC算法来获取最终掩模图案所需的迭代次数。换句话说,可以在执行用于确定最终掩模图案的常规OPC过程之前进一步改善现有OPC模型的输出(例如,掩模图像)。对于OPC优化过程中的每次迭代,不同OPC可能引起与掩模图案、晶片目标图案、或OPC模拟过程的收敛相关的不同问题。在OPC模拟过程中,常规单变量求解器和单个条件OPC求解器提供较快速度,但随着迭代进展而产生非常不同模拟结果。当诸如在逆OPC模拟过程中使用多条件变量求解器时,模拟过程在每次迭代时将显著减缓。目标调整方法对于品质和速度两者都有好处,但训练用于目标调整流程中的深度CNN模型是复杂的。例如,为了训练所述DCNN,对重定目标层执行逆OPC模拟的额外回合(round)以准备所述训练数据。因此,期望改善现有OPC模型的准确度,以进一步控制在应用所述OPC模型之后所需的迭代次数。为了进行这种操作,本公开描述了确定另一模型,所述另一模型的输出可以用于补充现有OPC模型的输出。
在本公开的实施例中,可以采用增强型学习过程来训练待用于OPC优化的机器学习模型(例如,CNN、DCNN),所述机器学习模型在本文中针对一些实施例称作第二模型或第二机器学习模型。在增强型学习中,所述模型被配置成学习轮廓差(例如,抗蚀剂轮廓差)与掩模图像(例如,CTM图像或CTM+图像)像素值之间的关系,并且接着预测如果要实现参考轮廓(例如,规定的理想抗蚀剂轮廓)则所述掩模图像差应该是什么。例如,通过使用对基准真值即基准事实(ground truth)数据(例如,CTM图像)的蒙特卡洛(Monte Carlo)搜索,构建了CNN模型。应用这种CNN模型可以有助于将预定OPC相关图像(例如,用于OPC中的掩模图像)改善多于80%,这种结果大致接近最终OPC方案。在实施例中,第一OPC模型可以是用于OPC(如上文所论述的)过程中的现有模型,并且根据本公开而训练的所述第二模型可以用于改善所述第一OPC模型的准确度。例如,所述第一OPC模型产生掩模图像,并且所述第二模型产生对所述掩模图像的改善,使得经改善的掩模图像在被用于OPC过程中时产生接近最终OPC方案(例如,最终掩模图案)的方案(例如,掩模图案)。
在使用诸如基于基准真值的蒙特卡洛搜索之类的增强型学习来训练所述第二模型时,不需要额外的OPC过程模拟来用于准备所述训练数据。在实施例中,使用所述第二模型的输出,可以显著地改善所述第一OPC模型的准确度(例如,DCNN、CNN模型准确度)。例如,通过应用本文中的所述第二模型一次,则可以达到所述第一OPC模型的准确度的47%的改善。另外,如果以迭代的方式应用所述第二模型,则可以达到多于80%的改善。例如,第二次、第三次等应用经训练的第二模型,则上述第一OPC模型的准确度可以改善多于80%。因而,所述第一OPC模型(例如,DCNN)的输出当被补充本文中所描述的所述第二模型的输出时产生非常接近于所预期的所述最终OPC方案的方案。例如,可以基于CD、EPE、LCDU或与衬底的图案化过程相关的其它性能参数而规测最终OPC方案。
在实施例中,所述第一OPC模型和所述第二模型(根据本公开而被训练)可以被称为两个单独的模型。例如,第一OPC模型可以是第一CNN模型且所述第二模型可以是第二CNN模型。然而,在实施例中,所述第一模型可以利用所述第二模型而被扩充以表示单个模型。换句话说,所述第一模型和所述第二模型可以是单个模型。例如,所述第一CNN模型的输出层可以与第二CNN模型的输入层耦合以产生单个CNN模型。本公开单独地描述所述第一模型和所述第二模型以用于论述本公开的构思,然而,其不限制本公开的范围。本领域普通技术人员可以根据本文中所描述的方法来训练单个模型。
图3是根据实施例的用于确定被配置成基于掩模图像和轮廓差而产生掩模图像修改数据的模型的方法300的流程图。基于增强型学习来确定所述模型300。例如,可以通过添加随机噪声(例如,白噪声)来扰动掩模图像,以产生用于训练所述模型的训练数据来预测用于改善所述掩模图像的数据。所述方法300包括用于获得训练数据的过程P302和用于使用所述训练数据确定模型的过程P304。下文进一步论述过程P302和P304。
在实施例中,过程P302包括获得:(i)基于设计图案DP的第一掩模图像MI1;(ii)基于所述第一掩模图像MI1的轮廓301c,所述轮廓指示特征的轮廓;(iii)基于所述第一掩模图像MI1和噪声的噪声引发的第一掩模图像NMI1;(iv)基于所述噪声引发的第一掩模图像NMI1的参考轮廓301r;以及(v)基于所述轮廓301c与所述参考轮廓301r之间的差的轮廓差DC1。
在实施例中,所述设计图案DP可以被表示为图像(例如,像素化图像)、与期望印制在衬底上的设计布局相关联的图像数据(例如,像素部位和强度),或呈GDS格式的多边形形状。
本公开不限于产生所述第一掩模图像MI1的任何特定方法或过程。在实施例中,可以基于所述设计图案DP来产生所述第一掩模图像MI1。例如,可以由根据PCT公开号WO2020169303A1、WO2019238372A1和WO2019162346A1中的方法而训练的机器学习模型来产生所述第一掩模图像MI1,以上所有公开均以全文引用的方式而被合并入本文中。在实施例中,可以由美国专利号8,584,056和9,111,062中所描述的自由形式OPC模拟过程产生所述掩模图像。所述第一掩模图像MI1可以基于直线图案的图像、CTM或CTM+图像。在实施例中,所述第一掩模图像MI1是经灰度化的光学邻近效应校正(OPC)后图像。
在实施例中,OPC后图像可以是被表示为图像(例如,像素化图像)或图像数据(例如,像素部位和强度)的数据。在实施例中,所述OPC后图像包括图案数据,例如主特征数据和辅助特征数据。主特征是指OPC后图案内的、与所述设计布局的设计特征相对应的特征。在实施例中,所述主特征数据和辅助特征数据可以是分离的。在实施例中,所述主特征数据和所述辅助特征数据可以被表示为两个不同图像,或呈组合形式例如表示为单个图像。
在实施例中,获得所述OPC后图像涉及获得与对应于所述设计布局的设计特征的主特征的几何形状(例如,多边形形状或非多边形形状,诸如方形、矩形、圆角多边形、或环形等)相关的数据。类似地,也可以获得辅助特征的几何形状。例如,可以执行对所述OPC后图像的图像处理(例如,边缘检测)以用于提取所述设计布局的几何形状,或OPC后图像。
在实施例中,可以基于所述第一掩模图像MI1产生所述轮廓301c。在实施例中,获得所述轮廓301c涉及:使用所述第一掩模图像MI1作为输入来执行图案化过程模型以产生所模拟的图像;使用轮廓提取算法从所模拟的图像提取轮廓;以及转换所述轮廓301c以产生所述轮廓图像。在实施例中,所述轮廓包括可以通过采用作为边缘检测算法的图像处理而提取的几何形状信息。
在实施例中,所述轮廓301c可以被表示为多边形形状(例如,呈GDS格式)、图像或其它数据格式。在实施例中,可以将所述轮廓301c转换成指示特征的轮廓的轮廓图像。在实施例中,所述轮廓301c可以与显影后过程、蚀刻后过程(例如,抗蚀剂过程、蚀刻过程,等等)或与对晶片衬底进行的图案化相关联的其它过程相关联。因此,所述轮廓图像可以被称为抗蚀剂图像或蚀刻图像。在实施例中,所述显影后过程可以是抗蚀剂过程、蚀刻过程、或其它过程。例如,通过将显影后检查(ADI)模型应用于所述第一掩模图像上来产生所述轮廓301。因此,所述轮廓301c可以是抗蚀剂轮廓,或蚀刻轮廓。可以理解,所述抗蚀剂轮廓和蚀刻轮廓仅是示例性的且不限制本公开的范围。本公开不限于与特定过程或所述衬底的类型相关联的轮廓。例如,在实施例中,所述衬底可以是用于制造硬掩模的掩模衬底。因此,所述轮廓可以指与在其上执行掩模相关图案化过程的所述掩模衬底相关联的轮廓。
在实施例中,可以对所述几何形状数据执行光栅化操作以产生图像表示。例如,所述光栅化操作将几何形状(例如呈向量图形格式)转换成像素化图像。在实施例中,所述光栅化还可以涉及应用低通滤波器以明确识别特征形状且减少噪声。
在实施例中,可以使用所述第一掩模图像MI1和噪声来产生所述噪声引发的第一掩模图像NMI1。例如,所引发的噪声可以是由作为具有零平均值和有限方差的不相关随机变量的离散信号所表征的白噪声。在实施例中,可以在与所述第一掩模图像MI1中的主特征相对应的部分处引发所述噪声。
在实施例中,可以根据所述噪声引发的第一掩模图像NMI1来确定所述参考轮廓301r。在实施例中,获得所述参考轮廓301r包括产生随机噪声图像和将随机噪声图像添加至所述第一掩模图像MI1。获得所述参考轮廓301r包括:使用轮廓提取算法从所述噪声引发的第一掩模图像NMI1提取轮廓;和转换所述轮廓以产生所述参考轮廓图像。例如,所述轮廓可以通过应用光栅化操作而被转换成轮廓图像,如上文所论述的。
在实施例中,通过使用所述轮廓301c与所述参考轮廓301r之间的差来确定所述轮廓差DC1。如提取所提及的,所述第一图像、所述轮廓图像、所述参考轮廓图像、和所述掩模图像修改数据可以是灰度像素化图像。因此,所述轮廓差DC1可以是灰度像素化图像。
图4和图5示出示例性训练数据,出于图示的目的而被表示为图像。本公开不限于图像表示,并且可以使用与正在训练的模型相关联的其它适当可接受的数据格式(例如向量、表,等等)。在图5中,可以通过模拟根据图10至图14的过程模型、诸如常规OPC或采用CTM或CTM+掩模产生流程的自由形式OPC之类的OPC过程来获得掩模图像401MI。
在本示例中,使用设计图案从CTM+流程(例如,采用水平集方法)获得所述掩模图像401MI。所述掩模图像401MI包括表示与所述设计图案的特征相对应的主特征(例如,诸如部分MF1的暗部分)和围绕所述主特征(例如,MF1)的辅助特征部分(例如,诸如部分AF1之类的相对较少暗部分)的部分。所述掩模图像401MI被像素化为灰度图像,每个像素具有强度值。例如,与所述辅助特征部分(例如,AF1)相比,所述掩模图像401MI的主特征部分(例如,MF1)具有较高像素强度。通常,可以从所述掩模图像提取一个或更多个主特征和辅助特征以设计与所述设计图案相对应的掩模图案。掩模图像越准确,则经图案化的衬底就越准确。
在实施例中,可以将所述掩模图像401MI输入至轮廓提取过程P402以从所述掩模图像401MI提取轮廓401c。本公开不限于从所述掩模图像获得所述轮廓的机制的任何特定方法。所述轮廓可以是直接地对应于所述掩模图像的掩模图像轮廓,或从所述掩模图像或任何其它适合类型的特征轮廓导出的抗蚀剂图像的抗蚀剂轮廓。例如,所述轮廓提取过程P402提取与主特征相对应的轮廓401c。在示例中,所述轮廓提取过程P402可以采用像素强度阈值化方法来识别和提取与主特征相对应的轮廓。在另一示例中,所述轮廓提取过程P402可以采用被配置成从掩模图像产生轮廓的机器学习模型。在又一示例中,所述轮廓包括可以通过采用作为边缘检测算法的图像处理而提取的几何形状信息。本公开不限于特定轮廓提取方法。在另一示例中,确定所述轮廓401c涉及通过使用指定阈值从所述掩模图像401MI提取轮廓/多边形。所述多边形/轮廓可以包括主特征和辅助特征两者。使用所述多边形/轮廓来应用过程模拟模型(例如抗蚀剂模型),并且得到所模拟的图像(例如,抗蚀剂图像)。可以从所述抗蚀剂图像提取所述轮廓401c。类似地,可以使用噪声引发的掩模图像来获得所述参考轮廓402r。
在实施例中,所述轮廓401c可以是多边形形状、曲线形状、或直线廓形。在实施例中,可以通过应用光栅化操作来将所述轮廓401c进一步转换成图像。例如,所述轮廓401c包括与主特征(例如,所述掩模图像的MF1)相对应的轮廓,所述轮廓401c可以被转换成轮廓图像401CI。所述轮廓图像401CI可以是具有与所述主特征(例如,所述掩模图像的MF1)相对应的较高像素强度值的经像素化灰度图像。在实施例中,所述轮廓401c可以被包括在训练数据中。替代地或另外,所述轮廓图像401CI可以被包括在所述训练数据中。
在实施例中,所述掩模图像401MI可以被修改以产生待被包括在所述训练数据中的参考轮廓数据。在实施例中,可以使用噪声图像402RN来修改所述掩模图像401MI。所述噪声图像402RN可以是白噪声,其中,所述像素强度值彼此不相关或随机地被指派即被随机地分配。在实施例中,所述噪声图像402RN可以仅在与所述掩模图案401MI的主特征部分(例如,MF1)相对应的部分处包括白噪声。在实施例中,过程P404组合所述掩模图像401MI与所述噪声图像402RN以产生噪声引发的掩模图像402MI。所述噪声引发的掩模图像402MI可以被输入至过程P402(上文所论述的)以提取参考轮廓402r。
在实施例中,可以通过将光栅化操作应用于所述参考轮廓402r来将所述参考轮廓402r转换成参考轮廓图像402RI。在实施例中,所述参考轮廓402r可以被包括在所述训练数据中。替代地或另外,所述参考轮廓图像402RI可以被包括在所述训练数据中。通过合并入所引发的噪声,这种参考轮廓可以解释可以存在于所述掩模图像中的随机变化。如此,使用所述参考轮廓而训练的模型可以对随机变化更稳固即具有更强鲁棒性,由此产生更可靠且准确的掩模图案。
参考图5,可以基于所述轮廓401c与所述参考轮廓402r之间的差来产生差轮廓(未图示)。在实施例中,可以通过使用所述轮廓图像401CI与所述参考轮廓图像402RI的像素强度之间的差来产生差轮廓图像401DI。在实施例中,所述差轮廓可以被包括在所述训练数据中。另外或替代地,所述差轮廓图像401DI可以被包括在所述训练数据中。如所示出的,差轮廓图像401DI包括与引发了噪声的所述主特征部分相对应的不同像素强度值(例如,呈环形形状)。
返回参考图3,过程P304包括:基于所述轮廓差DC1和所述第一掩模图像MI1来确定被配置成产生例如掩模图像修改数据310的模型DL2,所述掩模图像修改数据310可以用于在OPC优化过程中更新掩模图像(例如,MI1′)。在实施例中,通过调整模型参数来确定所述模型DL2,使得所述掩模图像修改数据在所述第一掩模图像MI1中所引发的噪声的指定阈值内。在实施例中,被配置成产生所述掩模图像修改数据的所述模型DL2可以是机器学习模型。例如,所述机器学习模型是CNN、DCNN或其它神经网络。
在实施例中,训练所述模型DL2是迭代过程。每次迭代可以包括使用所述轮廓差DC1和所述第一掩模图像MI1作为输入来执行具有初始模型参数值的所述模型DL2以产生初始掩模图像修改数据。可以将所述初始掩模图像修改数据与所述噪声进行比较。所述比较可以指示所述掩模图像修改数据与所述噪声匹配的紧密程度。基于所述比较,所述初始模型参数值可以被调整以使得所述掩模图像修改数据在所述噪声的指定匹配阈值内。例如,匹配阈值可以大于95%。
在实施例中,可以基于梯度下降方法、或与机器学习相关的其它方法来调整模型参数值。例如,可以经由性能函数(例如,模型输出与参考之间的差)来确定所述模型DL2的性能。此外,在梯度下降方法中,可以相对于所述模型参数来计算所述性能的梯度。所述梯度可以用作用以改善所述模型DL2的性能的引导,从而使得所述模型DL2逐步地产生与所述噪声匹配的经改善的掩模图像修改数据。
图6图示使用本文中所论述的图4和图5的所述训练数据的对所述模型的示例性训练。参考图6,所述掩模图像401MI和所述训练数据的差轮廓图像401DI充当至经训练的模型的输入,并且所述噪声图像402RN可以用作参考,可以将所述模型的输出412与所述参考进行比较。基于所述比较,可以确定所述模型输出412与所述噪声图像402RN匹配的紧密程度,以便确定经训练的所述模型的性能。例如,如果所述模型输出412是在所述参考轮廓图像402RN的期望的匹配阈值(例如,大于95%)内,则所述模型被视为经训练的模型DL2。在实施例中,所述模型DL2还可以用于产生掩模图像修改数据以产生经改善的掩模图像。
在实施例中,经训练的模型DL2可以用于产生所述掩模图像修改数据和经更新的掩模图像。例如,所述方法300还包括:获得基于设计图案DP的掩模图像和参考轮廓;使用所述掩模图像和所述轮廓差来执行所述模型DL2以产生掩模图像修改数据;以及通过组合所述掩模图像修改数据与所述掩模图像来更新所述掩模图像。
在实施例中,更新所述掩模图像是包括以下步骤的迭代过程:(i)基于所述经更新的掩模图像来更新所述轮廓差;(ii)使用所述经更新的掩模图像和经更新的轮廓差来执行所述模型以产生掩模图像修改数据;(iii)组合所述掩模图像修改数据与所述经更新的掩模图像;(iv)基于所述经更新的掩模图像来确定性能参数是否在指定性能阈值内;以及(v)响应于所述性能参数不满足所述性能阈值,执行步骤(i)至(iv)。
图7是根据实施例的采用经训练的模型(例如,根据方法300而训练的模型)以用于从起始掩模图像产生经优化的掩模图像或掩模图案的方法700的流程图。
在实施例中,过程P702包括获得:(i)与设计图案DP相关联的第一掩模图像MI1;(ii)基于所述第一掩模图像MI1的轮廓C1,所述轮廓C1指示特征的轮廓;(iii)基于所述设计图案DP的参考轮廓RC1;以及(iv)所述轮廓C1与所述参考轮廓RC1之间的轮廓差DC1。
在实施例中,可以通过执行使用所述设计图案DP作为输入的掩模产生模型以产生第一掩模图像MI1来获得所述第一掩模图像MI1。可以在不脱离本公开的范围的情况下以本领域中众所周知的任何适合的方式产生所述第一掩模图像MI1。在实施例中,所述第一掩模图像MI1可以是连续透射型掩模(CTM)图像。在实施例中,所述掩模产生模型可以是例如使用由逆光刻所产生的CTM图像作为基准真值而被训练的机器学习模型。在实施例中,所述第一掩模图像MI1可以是第一经灰度化光学邻近效应校正(OPC)后图像。
在实施例中,可以从所述第一掩模图像MI1提取所述轮廓C1。所述轮廓C1指示掩模特征的轮廓。在实施例中,获得所述轮廓C1包括:使用所述第一掩模图像MI1作为输入来执行图案化过程模型以产生所模拟的图像,例如,显影后抗蚀剂图像或蚀刻图像;使用轮廓提取算法从所模拟的图像提取轮廓;以及转换所述轮廓以产生轮廓图像。在实施例中,所述轮廓C1包括可以使用诸如边缘检测算法之类的图像处理来提取的几何形状信息。在实施例中,轮廓C1是与显影后过程相关联的轮廓,所述显影后过程是抗蚀剂过程或蚀刻过程。
在实施例中,可以使用所述设计图案DP来产生所述参考轮廓RC1。在实施例中,所述参考轮廓RC1是待形成在所述衬底上的理想轮廓。在实施例中,可以通过模拟具有理想过程条件的图案化过程或具有过程参数的可忽略变化的过程来产生理想轮廓。例如,所述理想条件可以包括可忽略的或可校正的光学像差、完美的抗蚀剂显影、可忽略的剂量或焦距变化,等等。在实施例中,通过对所述设计图案DP进行光栅化来获得所述参考轮廓RC1。
在实施例中,可以通过获取所述轮廓C1与所述参考轮廓RC1之间的差来产生所述轮廓差DC1。在实施例中,所述轮廓差DC1可以被表示为图像(例如,参见图8中的图像810DI)。
在实施例中,过程P704包括使用所述轮廓差DC1和所述第一掩模图像MI1经由所述模型DL2来产生指示所述第一掩模图像MI1的修改量的掩模图像修改数据705。在实施例中,所述修改数据在被添加至所述掩模图像时使得所述图案化过程的性能参数(例如,EPE)在期望的性能范围内。例如,所述图案化过程的EPE与现有技术相比被改善。被配置成产生所述掩模图像修改数据的所述模型DL2可以是机器学习模型。
所述掩模图像修改数据705可以包括在与所述掩模图像MI的主特征或辅助特征相对应的部位处的值(例如,强度值)。在实施例中,当将所述掩模图像修改数据705中的这样的值与所述掩模图像组合以产生经更新的掩模图像时,可以改变与主特征或辅助特征对应的部分。如此,当所述经更新的掩模图像被用于提取主特征或辅助特征的轮廓时,这种所提取的轮廓与从所输入的掩模图像所提取的轮廓相比将是不同的(例如,被改善的)。
在示例中,所述掩模图像修改数据705被表示为经灰度化的图像即灰度化图像。例如,参见图8中的掩模图像修改数据810。可以将所述掩模图像修改数据705添加至所述掩模图像以产生经更新的掩模图像。在本示例中,所述掩模图像修改数据包括在与所述主特征对应的部位处具有相对高强度值的部分,当使用经更新的掩模图像时,所述部分可能导致掩模图案的形状的实质性改变。
在实施例中,过程P706包括基于所述第一掩模图像MI1和所述掩模图像修改数据705来产生用于确定待用于所述图案化过程中的掩模图案的第二掩模图像MI2。在实施例中,所述第二掩模图像MI2可以是第二经灰度化光学邻近效应校正(OPC)后图像。
在实施例中,可以通过使用经更新的掩模图像和经更新的差轮廓来进行迭代来进一步优化所述第二掩模图像MI2。例如,产生所述第二掩模图像MI2可以是迭代过程。每次迭代包括:利用所述掩模图像数据来更新当前掩模图像(例如,最后的经更新的掩模图像);和基于所述经更新的掩模图像和掩模图像修改数据705来产生所述第二掩模图像MI2。在实施例中,每次迭代还包括:基于所述经更新的掩模图像与所述参考轮廓RC1之间的差来产生经更新的轮廓差;和基于所述经更新的掩模图像和所述经更新的轮廓差来产生所述掩模图像修改数据705。
在实施例中,所述方法700还可以包括用于从所述第二掩模图像MI2确定掩模图案的过程P710。本公开不限于从掩模图像确定掩模图案的任何特定方法或过程。在实施例中,所述过程P710包括基于所述第二掩模图像MI2从所述第二掩模图像MI2提取掩模图案边缘以产生所述掩模图案。在实施例中,提取所述掩模图案边缘包括:经由阈值化或定阈值(thresholding)来处理所述第二掩模图像MI2以检测与一个或更多个特征相关联的边缘以用于所述掩模图案中;和使用所述一个或更多个特征的所述边缘来产生掩模图案。在实施例中,所述掩模图案包括对应于所述设计图案DP的主特征、和围绕所述主特征而定位的一个或更多个辅助特征。在实施例中,所提取的掩模图案边缘包括与所述主特征和一个或更多个辅助特征相关联的多边形或弯曲廓形。
图8图示根据本公开的实施例的产生掩模图像修改数据的模型的示例应用。在实施例中,根据上文所论述的方法300来确定所述模型DL2。所述模型DL2接收差轮廓801DI和掩模图像801MI作为输入,并且产生掩模图像修改数据810作为输出。在本示例中,所述差轮廓801DI和掩模图像801MI出于图示的目的而被表示为灰度像素化图像。
在实施例中,可以通过获取从掩模图像801MI所提取的轮廓与参考轮廓之间的差来产生所述差轮廓图像801DI。在实施例中,所述参考轮廓是可以被形成在所述衬底上的理想轮廓。在实施例中,所述理想轮廓可以是相对于设计图案具有最小边缘放置误差的模拟轮廓。在实施例中,所述理想轮廓可以是通过在假定诸如可忽略的像差或可校正的像差之类的理想过程条件、根据基于物理学的方程式的理想抗蚀剂行为模型、或具有可忽略的参数变化的其它过程条件的情况下模拟图案化过程而获得的模拟轮廓。
在实施例中,所述掩模图像801MI可以是从自由形式OPC模拟所获得的、或从机器学习模型所获得的CTM图像,所述机器学习模型被配置成使用例如设计图案作为输入来产生掩模图像。可以使用所述掩模图像修改图像810来更新所述掩模图像801MI。在实施例中,所述掩模图像更新可以是迭代过程。例如,可以使用所述掩模图像修改数据810(例如,如图7的过程P706中所论述的)来更新所述掩模图像801MI。如此,在后续迭代中,经更新的掩模图像(例如,初始掩模图像801MI与所述掩模图像修改数据810的总和)可以用作至所述模型DL2的输入。随着所述经更新的掩模图像用于后续迭代中,也更新所述差轮廓图像。例如,使用所述经更新的掩模图像,可以提取经更新的轮廓图像,如先前所论述的。基于所述经更新的轮廓图像和所述参考轮廓图像,则可以产生经更新的轮廓差图像。
在实施例中,所述模型DL2可以用于通过以迭代的方式更新所述掩模图像来优化所述掩模图像,如关于图8所论述的。例如,在连续迭代中,所述经更新的掩模图像和所述经更新的轮廓差图像可以用作至所述模型DL2的输入,并且产生新掩模图像修改数据以进一步更新所述掩模图像。在实施例中,可以针对指定迭代次数执行对所述掩模图像的所述优化。在实施例中,当后续迭代在提取掩模图像中产生最小改变时,所述掩模图像可以被视为经优化的。
图9图示所述模型DL2与确定掩模图案的现有方法的示例性集成。在本示例中,可以将设计图案DP输入至第一机器学习模型DL1(例如,经训练的CNN)以产生掩模图像MI。可以将所述掩模图像MI输入至第二机器学习模型(例如,根据本公开而训练的DL2)以产生掩模图像修改数据。在一些实施例中,DL1和DL2可以被实施为单个集成模型或单独的模型。在实施例中,使用所述掩模图像修改数据来更新所述掩模图像MI以产生经更新的掩模图像MI′。在例如关于图5和图6所论述的实施例中,对所述掩模图像MI′的更新可以是迭代过程。
经更新的掩模图像MI′可以被用于产生掩模图案。例如,可以从所述掩模图像MI′提取与主要图案相对应的廓形。在实施例中,可以使用第三机器学习模型DL3来提取诸如亚分辨率辅助特征(SRAF)之类的辅助特征。可以根据例如在美国专利申请号62/975,267中所论述的方法来训练所述第三机器学习模型DL3。所提取的主要图案和SRAF可以被合并入待用于图案化过程的掩模图案中。在本示例中,三个不同机器学习模型DL1、DL2和DL3协同工作以产生掩模图案。在实施例中,来自模型DL3的SRAF可以被组合成包括在掩模图案中,并且所述掩模图案还可以用于确定所述图案化过程的性能。在示例中,所述掩模图案可以用于图案化过程模拟中以确定所述图案化过程的性能(例如,EPE)。如果所模拟的性能不在所需的性能阈值(例如,EPE阈值)内,则可以使用所述模型DL1、DL2和DL3来以迭代的方式来进一步修改所述掩模图案,直到所模拟的EPE在所需的阈值内为止。在另一示例中,所述掩模图案可以被制造成用于图案化衬底。可以检查经图案化的衬底以确定所印制的图案相对于所述设计图案的边缘放置误差(EPE)。
在示例中,模型DL1、DL2和DL3快速地实现全芯片模拟。例如,包括数十亿个特征或图案的全芯片布局可以用于产生与全芯片布局的图案相对应的一个或更多个掩模图案MP。这种全芯片布局模拟实现所述图案化过程的总产率增加。
在实施例中,非暂时性计算机可读介质可以被配置成确定模型以通过执行实施本文中所描述的方法的过程的指令来产生掩模图像修改数据。在实施例中,非暂时性计算机可读介质可以被配置成使用储存在介质的存储器中的模型(例如,DL2)来产生用于掩模图像的掩模图像修改数据。在实施例中,介质包括储存在其中的指令,所述指令在由一个或更多个处理器执行时引起本文中所描述的方法的操作(例如,过程)。
在实施例中,一种用于基于由模型所产生的掩模图像修改数据来产生与图案化过程相关联的掩模图像的非暂时性计算机可读介质。所述掩模图像被配置成提取用于所述图案化过程的掩模图案。在示例中,介质包括储存在其中的指令,所述指令在由一个或更多个处理器执行时引起包括以下各项的操作:基于期望被形成在衬底上的设计图案来经由掩模产生模型产生第一掩模图像;经由使用所述第一掩模图像模拟所述图案化过程的显影后过程来确定所述衬底上的与所述显影后过程相关联的轮廓;经由光栅化操作来转换所述轮廓以产生轮廓图像;接收基于所述设计图案的参考轮廓图像;基于所述轮廓图像与所述参考轮廓图像之间的差来产生轮廓差图像;经由使用所述轮廓差图像和所述第一掩模图像作为输入的模型来产生掩模图像修改数据,所述掩模图像修改数据指示用于使得所述图案化过程的性能参数在所需的性能范围内的所述第一掩模图像的修改量;以及通过组合所述第一掩模图像和所述掩模图像修改数据来产生第二掩模图像,所述第二掩模图像被配置成允许提取用于所述图案化过程的掩模图案。
根据本公开,所披露的元件的组合和子组合构成单独的实施例。例如,第一组合包括使用由模型所产生的掩模图像修改数据来确定掩模图像。第二组合通过利用所述掩模图像修改数据更新掩模图像来确定OPC后图案。在另一组合中,使用噪声引发的掩模图像和轮廓差图像来训练模型。在另一组合中,光刻设备包括使用如本文中论述那样而确定的掩模图案所制造的掩模。在实施例中,经更新的掩模图像还可以用于OPC、SMO等之中。关于图10至图13论述了OPC和SMO的示例方法。
在实施例中,本文中所论述的方法(例如,300和700)可以被提供为其上记录有指令的计算机程序产品或非暂时性计算机可读介质,所述指令在由计算机执行时,实施上文所论述的方法300和700的操作。
例如,图14中的示例计算机系统100包括非暂时性计算机可读介质(例如,存储器),所述非暂时性计算机可读介质包含指令,所述指令在由一个或更多个处理器(例如,104)执行时引起包括本文中所描述的方法的过程的操作。
应注意,术语“掩模”、“掩模版”、“图案形成装置”在本文中可互换地利用。另外,本领域技术人员应认识到,特别是在光刻模拟/优化的情境下,术语“掩模”/“图案形成装置”和“设计布局”可互换地使用的,这是因为在光刻模拟/优化中,不必使用实体图案形成装置,而可以使用设计布局来表示实体图案形成装置。对于存在于某一设计布局上的小特征大小和高特征密度,给定特征的特定边缘的位置将在某种程度上受到其它相邻特征的存在或不存在影响。这些近接效应起因于从一个特征耦合至另一特征的微小量的辐射和/或诸如衍射和干涉之类的非几何光学效应。类似地,邻近效应可以起因于在通常随后的光刻的曝光后焙烤(PEB)、抗蚀剂显影和蚀刻期间的扩散和其它化学效应。
为了确保设计布局的投影图像是根据给定目标电路设计的要求,需要使用设计布局的复杂数值模型、校正或预变形来预测和补偿邻近效应。文章“Full-Chip LithographySimulation and Design Analysis-How OPC Is Changing IC Design”(C.Spence,Proc.SPIE,第5751卷,第1-14页(2005))提供当前“基于模型的”光学邻近效应校正过程的概略图。在典型的高端设计中,设计布局的几乎每个特征都具有某种修改,以便实现投影图像至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移位或偏置,以及旨在辅助其它特征的投影的“辅助”特征的应用。
在芯片设计中通常存在数百万个特征的情况下,将基于模型的OPC应用于目标设计涉及良好的过程模型和相当大的计算资源。然而,应用OPC通常不是“精确的科学”,而是不总是补偿所有可能的邻近效应的经验迭代过程。因此,需要通过设计检查(即,使用经校准的数值过程模型的密集型全芯片模拟)来验证OPC的效应(例如,在应用OPC和任何其它RET之后的设计布局),以便最小化将设计瑕疵创建至图案形成装置图案中的可能性。这通过如下各项来驱动:制造高端图案形成装置的巨大成本,其在数百万美元的范围内;以及对周转时间的影响,其由返工或修复实际图案形成装置(一旦其已经制造)引起。
OPC和全芯片RET验证两者可以基于例如美国专利申请号10/815,573和Y.Cao等人的名称为“Optimized Hardware and Software For Fast,Full Chip Simulation”(Proc.SPIE,第5754卷,405(2005))的文章中描述的数值建模系统和方法。
一个RET涉及设计布局的全局偏差的调整。全局偏差为设计布局中的图案与旨在印制于衬底上的图案之间的差。例如,25nm直径的饼图案可以通过设计布局中的50nm直径图案或通过设计布局中的20nm直径图案但以高剂量印制于衬底上。
除了对设计布局或图案形成装置的优化(例如,OPC)以外,也可以与图案形成装置优化联合地或分离地优化照射源,以致力于改善总光刻保真度。术语“照射源”和“源”在本文献中可互换地使用。从20世纪90年代以来,已引入诸如环形、四极和双极之类的许多离轴照射源,并且所述离轴照射源已提供针对OPC设计的更多自由度,由此改善成像结果。众所周知,离轴照射是用于分辨图案形成装置中所包括的精细结构(即,目标特征)的经证实的方式。然而,当与传统照射源相比时,离轴照射源通常提供针对空间图像(AI)的较小辐射强度。因此,变得期望试图优化照射源,以在较精细分辨率与经减小的辐射强度之间实现最优平衡。
例如,可以在Rosenbluth等人的名称为“Optimum Mask and Source Patterns toPrint A Given Shape”(Journal of Microlithography,Microfabrication,Microsystems 1(1),第13-20页(2002))的文章中找到许多照射源优化方法。将源分割成若干区,所述区中的每个对应于光瞳光谱的某一区。接着,将源分布假定是在每个源区中均一,并且针对过程窗口来优化每个区的亮度。然而,源分布在每个源区中均一的这种假定不总是有效,因此,这种方法的有效性受损。在Granik的名称为“Source Optimization forImage Fidelity and Throughput”(Journal of Microlithography,Microfabrication,Microsystems 3(4),第509-522页(2004))的文章中阐述的另一示例中,概略图若干现有源优化方法,并且提出将源优化问题转换成一系列非负最小二乘优化的基于照射器像素的方法。虽然这些方法已证实一些成就,但其通常需要多次复杂迭代以进行收敛。另外,可能难以确定用于一些额外的参数(诸如,Granik的方法中的γ)的适当/最优值,这种情形规定在优化用于衬底图像保真度的源与所述源的平滑度要求之间的折衷。
对于低k1光刻,源和图案形成装置两者的优化有用于确保用于临界电路图案的投影的可行过程窗口。一些算法(例如,Socha等人.Proc.SPIE第5853卷,2005,第180页)在空间频域中将照射离散成独立源点且将掩模离散成衍射阶,并且基于可以通过光学成像模型从源点强度和图案形成装置衍射阶而预测的过程窗口指标(诸如曝光宽容度)来分别公式化成本函数(其被定义为选定设计变量的函数)。如本文中所使用的术语“设计变量”包括光刻投影设备或光刻过程的参数集合,例如,光刻投影设备的使用者可以调整的参数,或使用者可以通过调整那些参数而调整的图像特性。应了解,光刻投影过程的任何特性(包括源、图案形成装置、投影光学器件的特性,和/或抗蚀剂特性)可以在优化中的设计变量当中。成本函数常常为设计变量的非线性函数。接着使用标准优化技术来最小化成本函数。
相关地,不断地减低设计规则的压力已驱使半导体芯片制造者在现有193nm ArF光刻的情况下更深入于低k1光刻时代。朝向较低k1的光刻对RET、曝光工具和针对光刻亲和设计的需要提出了很高的要求。未来可以使用1.35ArF超数值孔径(NA)曝光工具。为了有助于确保可以利用可工作过程窗口将电路设计产生至衬底上,源图案形成装置优化(在本文中称作源掩模优化或SMO)正变成用于2x nm节点的显著RET。
2009年11月20日申请且公开为WO2010/059954的名称为“Fast Freeform Sourceand Mask Co-Optimization Method”的共同转让的国际专利申请号PCT/US2009/065359号中描述允许在无约束的情况下且在可执行的时间量内使用成本函数来同时优化源和图案形成装置的源和图案形成装置(设计布局)优化方法和系统,所述专利申请以全文引用的方式并入本文中。
2010年6月10日申请且公开为美国专利申请公开号2010/0315614的名称为“Source-Mask Optimization in Lithographic Apparatus”的共同转让的美国专利申请号12/813456中描述涉及通过调整源的像素来优化源的另一源和掩模优化方法和系统,所述专利申请以全文引用的方式并入本文中。
在光刻投影设备中,作为示例,将成本函数表达为:
其中(z1,z2,…,zN)为N个设计变量或其值。fp(z1,z2,…,zN)可以是设计变量(z1,z2,…,zN)的函数,诸如针对(z1,z2,…,zN)的设计变量的值集合在评估点处的特性的实际值与预期值之间的差。wp为与fp(z1,z2,…,zN)相关联的权重常数。可以向比其它评估点或图案更临界的评估点或图案指派较高wp值。也可以向具有较大出现次数的图案和/或评估点指派较高wp值。评估点的示例可以是衬底上的任何实体点或图案、虚拟设计布局上的任何点,或抗蚀剂图像,或空间图像,或其组合。fp(z1,z2,…,zN)也可以是诸如LWR的一个或更多个随机效应的函数,所述一个或更多个随机效应为设计变量(z1,z2,…,zN)的函数。成本函数可以表示光刻投影设备或衬底的任何适合的特性,例如特征的失效率、焦距、CD、图像移位、图像变形、图像旋转、随机效应、生产量、CDU或其组合。CDU为局部CD变化(例如,局部CD分布的标准差的三倍)。CDU可互换地称作LCDU。在一个实施例中,成本函数表示CDU、生产量和随机效应(即,为CDU、生产量和随机效应的函数)。在一个实施例中,成本函数表示EPE、生产量和随机效应(即,为EPE、生产量和随机效应的函数)。在一个实施例中,设计变量(z1,z2,…,zN包括剂量、图案形成装置的全局偏差、来自源的照射的形状,或其组合。由于抗蚀剂图像常常规定衬底上的电路图案,因此成本函数常常包括表示抗蚀剂图像的一些特性的函数。例如,这种评估点的fp(z1,z2,…,zN可以仅仅是抗蚀剂图像中的点与所述点的预期位置之间的距离(即,边缘放置误差EPEp(z1,z2,…,zN)。设计变量可以是任何可以调整参数,诸如源、图案形成装置、投影光学器件、剂量、焦距等的可调参数。投影光学器件可以包括统称为“波前操控器”的部件,其可以用于调整辐照束的波前和强度分布和/或相移的形状。投影光学器件优选地可以调整沿光刻投影设备的光学路径的任何部位处(诸如在图案形成装置之前、在光瞳平面附近、在像平面附近、在焦平面附近)的波前和强度分布。投影光学器件可以用于校正或补偿由例如源、图案形成装置、光刻投影设备中的温度变化、光刻投影设备的部件的热膨胀造成的波前和强度分布的某些变形。调整波前和强度分布可以改变评估点和成本函数的值。可以从模型模拟这些改变或实际上测量这些改变。当然,CF(z1,z2,…,zN不限于方程式1中的形式。CF(z1,z2,…,zN可以呈任何其它适合的形式。
应注意,fp(z1,z2,…,zN的正常加权均方根(RMS)定义为因此,最小化fp(z1,z2,…,zN的加权RMS等效于最小化方程式1中所限定的成本函数因此,出于本文中的记法简单性,可互换地利用fp(z1,z2,…,zN的加权RMS和方程式1。
另外,如果考虑最大化过程窗口(PW),则可以将来自不同PW条件的同一实体部位视为(方程式1)中的成本函数的不同评估点。例如,如果考虑N个PW条件,则可以根据评估点的PW条件来分类所述评估点且将成本函数书写为:
其中是在第u个PW条件u=1,…,U下的fp(z1,z2,…,zN)的值。当fp(z1,z2,…,zN)为EPE时,则最小化以上成本函数等效于最小化在各种PW条件下的边缘移位,因此,这种情形导致最大化PW。具体地,如果PW也由不同掩模偏置组成,则最小化以上成本函数也包括最小化掩模误差增强因子(MEEF),所述掩模误差增强因子被定义为衬底EPE与引发性掩模边缘偏置之间的比率。
设计变量可以具有约束,所述约束可以表达为(z1,z2,…,z)∈Z,其中,Z为设计变量的可能值的集合。可以通过光刻投影设备的期望的生产量来强加对设计变量的一个可能约束。期望的生产量可能限制剂量,并且因此具有针对随机效应的影响(例如,对随机效应强加下限)。较高生产量通常导致较低剂量、较短较长曝光时间和较大随机效应。衬底生产量、和随机效应的最小化的考虑可以约束设计变量的可能值,这是因为随机效应为设计变量的函数。在没有由期望的生产量强加的这种约束的情况下,优化可以得到不切实际的设计变量的值集合。例如,如果剂量是在设计变量当中,则在无这种约束的情况下,优化可以得到使生产量经济上不可能的剂量值。然而,约束的有用性不应解释为必要性。生产量可能受到对图案化过程的参数的基于失效率的的调整影响。期望在维持高生产量的同时具有特征的较低失效率。生产量也可能受抗蚀剂化学反应影响。较慢抗蚀剂(例如,要求适当地曝光较高量的光的抗蚀剂)导致较低生产量。因此,基于涉及由抗蚀剂化学反应或波动而引起的特征的失效率以及针对较高生产量的剂量要求的优化过程,可以确定图案化过程的适当参数。
因此,优化过程是在约束(z1,z2,…,z)∈Z下找到最小化成本函数的设计变量的值集合,即,找到:
图10中图示根据实施例的优化光刻投影设备的一般方法。这种方法包括定义多个设计变量的多变量成本函数的步骤S1202。设计变量可以包括选自照射源的特性(1200A)(例如,光瞳填充比,即穿过光瞳或孔的源的辐射的百分比)、投影光学器件的特性(1200B)和设计布局的特性(1200C)的任何适合的组合。例如,设计变量可以包括照射源的特性(1200A)和设计布局的特性(1200C)(例如,全局偏差),但不包括投影光学器件的特性(1200B),这种情形导致SMO。替代地,设计变量可以包括照射源的特性(1200A)、投影光学器件的特性(1200B)和设计布局的特性(1200C),这种情形导致源-掩模-透镜优化(SMLO)。在步骤S1204中,同时地调整设计变量,使得成本函数移动朝向收敛。在步骤S1206中,确定是否满足预定义终止条件。预定终止条件可以包括各种可能性,即,成本函数可以被最小化或最大化(如由所使用的数值技术所需要的)、成本函数的值已等于阈值或已超越阈值、成本函数的值已达到默认误差限制内,或达到预设迭代次数。如果满足步骤S1206中的条件中的任一个,则方法结束。如果都没有满足步骤S1206中的条件中的任一个,则以迭代的方式重复步骤S1204和S1206直到获得期望的结果为止。优化不必导致用于设计变量的单个值集合,这是因为可以存在由诸如失效率、光瞳填充因子、抗蚀剂化学反应、生产量等的因素造成的物理抑制。优化可以提供用于设计变量和相关联的性能特性(例如,生产量)的多个值集合,并且允许光刻设备的用户选取一个或更多个集合。
在光刻投影设备中,可以交替地优化源、图案形成装置和投影光学器件(称作交替优化),或可以同时地优化源、图案形成装置和投影光学器件(称作同时优化)。如本文中所使用的术语“同时的”、“同时地”、“联合的”和“联合地”意味着源、图案形成装置、投影光学器件的特性的设计变量和/或任何其它设计变量被允许同时改变。如本文中所使用的术语“交替的”和“交替地”意味着不是所有设计变量都被允许同时改变。
在图11中,同时地执行所有设计变量的优化。这种流程可以被称为同时流程或共同优化流程。替代地,交替地执行所有设计变量的优化,如图11中所图示的。在这样的流程中,在每个步骤中,使一些设计变量固定,而优化其它设计变量以最小化成本函数;接着,在下一步骤中,使不同变量集合固定,而优化其它变量集合以最小化成本函数。交替地执行这些步骤直到符合收敛或某些终止条件为止。
如图11的非限制性示例流程图中示出的,首先,获得设计布局(步骤S1302),接着在步骤S1304中执行源优化的步骤,其中,优化照射源(SO)的所有设计变量以最小化成本函数,而使所有其它设计变量固定。接着在下一步骤S1306中,执行掩模优化(MO),其中,优化图案形成装置的所有设计变量以最小化成本函数,而使所有其它设计变量固定。交替地执行这两个步骤,直到在步骤S1308中符合某些终止条件为止。可以使用各种终止条件,诸如,成本函数的值变得等于阈值、成本函数的值超越阈值、成本函数的值达到默认误差限制内,或达到预设迭代次数等。应注意,SO-MO交替优化用作所述替代流程的示例。所述替代流程可以采取许多不同的形式,诸如:SO-LO-MO交替优化,其中,交替地且以迭代的方式执行SO、LO(透镜优化)和MO;或可以执行第一SMO一次,接着交替地且以迭代的方式执行LO和MO;等。最后,在步骤S1310中获得优化结果的输出,并且过程停止。
如之前所论述的图案选择算法可以与同时或交替优化集成。例如,当采用交替优化时,首先可以执行全芯片SO,识别“热点”和/或“温点”,接着执行MO。鉴于本公开,次优化的许多排列和组合是可能的,以便实现期望的优化结果。
图12A示出一种示例性优化方法,其中,成本函数被最小化。在步骤S502中,获得设计变量的初始值,包括设计变量的调谐范围(如果存在)。在步骤S504中,设置多变量成本函数。在步骤S506中,在围绕用于第一迭代步骤(i=0)的设计变量的起点值的足够小的邻域内展开成本函数。在步骤S508中,应用标准多变量优化技术来最小化成本函数。应注意,优化问题可以在S508中的优化过程期间或在优化过程中的后期施加约束,诸如调谐范围。步骤S520指示针对已为了优化光刻过程而选择的所识别的评估点的给定测试图案(也称为“量规”)进行每次迭代。在步骤S510中,预测光刻响应。在步骤S512中,比较步骤S510的结果与步骤S522中获得的期望的或理想光刻响应值。如果在步骤S514中满足终止条件,即,优化产生足够接近期望值的光刻响应值,则在步骤S518中输出设计变量的最终值。输出步骤也可以包括使用设计变量的最终值来输出其它函数,诸如输出光瞳平面(或其它平面)处的波前像差调整映射、经优化的源映射和经优化设计布局等。如果没有满足终止条件,则在步骤S516中,利用第i次迭代的结果来更新设计变量的值,并且过程返回至步骤S506。下文详细地阐述图12A的过程。
在示例性优化过程中,没有假定或近似设计变量(z1,z2,…,zN)与fp(z1,z2,…,zN)之间的关系,除了fp(z1,z2,…,zN)足够平滑(例如,存在阶导数(n=1,2,…N))之外,其通常在光刻投影设备中有效。可以应用诸如高斯-牛顿(Gauss-Newton)算法、列文伯格-马夸特(Levenberg-Marquardt)算法、梯度下降算法、模拟退火、基因算法的算法以找到/>
这里,将高斯-牛顿算法用作示例。高斯-牛顿算法为适用于一般非线性多变量优化问题的迭代方法。在设计变量(z1,z2,…,zN)采取(z1i,z2i,…,zNi)的值的第i次迭代中,高斯-牛顿算法线性化(z1i,z2i,…,zNi)的邻域中的fp(z1,z2,…,zN),并且接着计算在(z1i,z2i,…,zNi)的邻域中的给出CF(z1,z2,…,zN)的最小值的值(z1(i+1),z2(i+1),…,zN(i+1))。设计变量(z1,z2,…,zN)在第(i+1)次迭代中采取(z1(i+1),z2(i+1),…,zN(i+1))的值。这种迭代继续直到收敛(即,CF(z1,z2,…,zN)不再减小)或达到预设迭代次数为止。
特别地,在第i次迭代中,在(z1i,z2i,…,zNi)的邻域中,
根据方程式3的近似,成本函数变为:
其为设计变量(z1,z2,…,zN)的二次函数。除设计变量(z1,z2,…,zN)外,各项为常数。
如果设计变量(z1,z2,…,zN)不处于任何约束下,则可以通过对N个线性方程式进行求解来导出(z1(i+1),z2(i+1),…,zN(i+1)):其中,n=1,2,…N。
如果设计变量(z1,z2,…,zN)在呈J个不等式(例如,(z1,z2,…,zN)的调谐范围)的约束下其中,j=1,2,…J;并且在K个方程式(例如,设计变量之间的相互依赖性)的约束下/>其中,k=1,2,…K,则优化过程变为经典二次规划问题,其中,Anj、Bj、Cnk、Dk为常数。可以针对每次迭代来强加额外的约束。例如,可以引入“阻尼因子”ΔD以限制(z1(t+1),z2(i+1),…,zN(i+1))与(z1i,z2i,…,zNi)之间的差,使得方程式3的近似成立。这样的约束可以表达为Zni-ΔD≤Zn≤Zni+ΔD。可以使用例如Jorge Nocedal和StephenJ.Wright(柏林-纽约:范登伯格,剑桥大学出版社)的Numerical Optimization(第2版)中所描述的方法来导出(z1(i+1),z2(i+1),…,zN(t+1))。
代替最小化fp(z1,z2,…,zN)的RMS,优化过程可以将评估点当中的最大偏差(最差缺陷)的量值最小化至其预期值。在这样的方法中,替代地将成本函数表达为
其中CLp是用于fp(z1,z2,…,zN)的最大允许值。这种成本函数表示评估点当中的最差缺陷。使用这种成本函数的优化会最小化最差缺陷的量值。迭代贪心算法可以用于这种优化。
可以将方程式5的成本函数近似为:
其中q为正偶数,诸如至少4,优选地为至少10。方程式6模仿方程式5的行为,同时允许通过使用诸如最深下降方法、共轭梯度方法等方法来分析上执行优化且使优化加速。
最小化最差缺陷大小也可以与fp(z1,z2,…,zN)的线性化组合。特别地,如在方程式3中一样,近似fp(z1,z2,…,zN)。接着,将对最差缺陷大小的约束书写为不等式ELp≤fp(z1,z2,…,zN)≤EUp,其中,ELp和EUp为指定用于fp(z1,z2,…,zN)的最小偏差和最大允许偏差的两个常数。插入方程式3,将这些约束变换为如下方过程,其中,p=1,…P,
和
由于方程式3通常仅在(z1i,z2i,…,zNi)的邻域中有效,因此如果在该邻域中不能实现期望的约束(其可以通过所述不等式当中的任何冲突来确定),则可以放宽常数ELp和EUp直到可实现所述约束为止。这种优化过程最小化(z1i,z2i,…,zNi)的邻域中的最差缺陷大小。接着,每个步骤逐步地减小最差缺陷大小,并且以迭代的方式执行每个步骤直到符合某些终止条件为止。这种情形将导致最差缺陷大小的最优减小。
用于最小化最差缺陷的另一方式在每次迭代中调整权重wp。例如,在第i次迭代之后,如果第r评估点为最差缺陷,则可以在第(i+1)次迭代中增加wr,使得向所述评估点的缺陷大小的减小给出较高优先级。
另外,可以通过引入拉格朗日(Lagrange)乘数来修改方程式4和方程式5中的成本函数,以实现对缺陷大小的RMS的优化与对最差缺陷大小的优化之间的折衷,即,
其中λ为指定对缺陷大小的RMS的优化与对最差缺陷大小的优化之间的折衷的预设常数。特别地,如果λ=0,则这种方程式变为方程式4,并且仅最小化缺陷大小的RMS;而如果λ=1,则这种方程式变为方程式5,并且仅最小化最差缺陷大小;如果0<λ<1,则在优化中考虑以上两种情况。可以使用多种方法来解决这种优化。例如,类似于提取所描述的方法,可以调整每次迭代中的加权。替代地,类似于从不等式最小化最差缺陷大小,方程式6′和6″的不等式可以被视为在二次规划问题的求解期间的设计变量的约束。接着,可以递增地放宽对最差缺陷大小的界限,或递增地增加用于最差缺陷大小的权重、计算用于每个可实现最差缺陷大小的成本函数值,并且选择最小化部件本函数的设计变量值作为用于下一步骤的初始点。通过以迭代的方式进行这种操作,可以实现这种新成本函数的最小化。
优化光刻投影设备可以扩展过程窗口。较大过程窗口在过程设计和芯片设计方面提供更多灵活性。过程窗口可以被定义为使抗蚀剂图像在抗蚀剂图像的设计目标的某一限制内的焦距和剂量值集合。应注意,在该所论述的所有方法也可以延伸至可以通过除了曝光剂量和散焦以外的不同或额外的基参数而建立的广义过程窗口定义。这些基参数可以包括但不限于诸如NA、均方偏差、像差、偏振的光学设置,或抗蚀剂层的光学常数。例如,如先前所描述的,如果PW也由不同掩模偏置组成,则优化包括掩模误差增强因子(MEEF)的最小化,所述掩模误差增强因子被定义为衬底EPE与引发性掩模边缘偏置之间的比率。对焦距和剂量值所限定的过程窗口在本文中仅用作示例。下文描述根据实施例的最大化过程窗口的方法。
在第一步骤中,从过程窗口中的已知条件(f0,ε0)开始(其中f0为名义焦点,并且ε0为名义剂量),最小化在邻域(f0±Δf,ε0±Δε)中的下方的成本函数中的一个:
或
或
如果允许名义焦点f0和名义剂量ε0移位,则其可以与设计变量(z1,z2,…,zN)联合地优化。在下一步骤中,如果可找到(f0±Δf,ε0±Δε)的值集合,则接受(z1,z2,…,zN,f,ε)作为过程窗口的部分,使得成本函数在预设极限内。
替代地,如果不允许焦距和剂量移位,则在焦距和剂量固定于名义焦点f0和名义剂量ε0的情况下优化设计变量(z1,z2,…,zN)。在替代实施例中,如果可找到(z1,z2,…,zN)的值集合,则接受(f0±Δf,ε0±Δε)作为过程窗口的部分,使得成本函数在预设极限内。
本文中先前所描述的方法可以用于最小化方程式7、7′或7″的对应的成本函数。如果设计变量为投影光学器件的特性,诸如泽尼克(Zernike)系数,则最小化方程式7、7′或7”的成本函数导致基于投影光学器件优化(即,LO)的过程窗口最大化。如果设计变量为除了投影光学器件的特性以外的源和图案形成装置的特性,则最小化方程式7、7′或7″的成本函数导致基于SMLO的过程窗口最大化,如图11中所图示的。如果设计变量为源和图案形成装置的特性,则最小化方程式7、7′或7″的成本函数导致基于SMO的过程窗口最大化。方程式7、7′或7″的成本函数也可以包括至少一个fp(z1,z2,…,zN),诸如在方程式7或方程式8中的fp(z1,z2,…,zN),其为诸如2D特征的LWR或局部CD变化以及生产量的一个或更多个随机效应的函数。
图13示出同时SMLO过程可以如何使用高斯牛顿算法以用于优化的一个特定示例。在步骤S702中,识别设计变量的起始值。也可以识别每个变量的调谐范围。在步骤S704中,使用设计变量来定义成本函数。在步骤S706中,围绕用于设计布局中的所有评估点的起始值展开成本函数。在可选的步骤S710中,运行全芯片模拟以覆盖全芯片设计布局中的所有临界图案。在步骤S714中获得期望的光刻响应指标(诸如CD或EPE),并且在步骤S712中将期望的光刻响应指标与那些数量的预测值进行比较。在步骤S716中,确定过程窗口。步骤S718、S720和S722类似于如相对于图12A所描述的相应的步骤S514、S516和S518。如之前提及的,最终输出可以是光瞳平面中的波前像差映射,其被优化以产生期望的成像性能。最终输出也可以是经优化的源映射和/或经优化设计布局。
图12B示出用于最优化成本函数的示例性方法,其中,设计变量(z1,z2,…,zN)包括可以仅假定离散值的设计变量。
所述方法通过限定照射源的像素组和图案形成装置的图案形成装置图案块而开始(步骤S802)。通常,像素组或图案形成装置图案块也可以称作光刻过程部件的划分部。在一个示例性方法中,将照射源划分成117个像素组,并且针对图案形成装置限定94个图案形成装置图案块(基本上如上文所描述的),从而产生总共211个划分部。
在步骤S804中,选择光刻模型作为用于光刻模拟的基础。光刻模拟产生用于计算光刻指标或响应的结果。将特定光刻指标定义为待优化的性能指标(步骤S806)。在步骤S808中,设置用于照射源和图案形成装置的初始(预优化)条件。初始条件包括用于照射源的像素组和图案形成装置的图案形成装置图案块的初始状态,使得可以参考初始照射形状和初始图案形成装置图案。初始条件也可以包括掩模偏置、NA和焦点斜坡范围。虽然步骤S802、S804、S806和S808被描绘为连续步骤,但应了解的,在本发明的其它实施例中,可以其它顺序执行这些步骤。
在步骤S810中,对像素组和图案形成装置图案块进行排序。可以使像素组和图案形成装置图案块在排序中交错。可以采用各种排序方式,包括:连续地(例如,从像素组1至像素组117和从图案形成装置图案块1至图案形成装置图案块94)、随机地、根据所述像素组和图案形成装置图案块的实体部位(例如,将更接近照射源的中心的像素组排序得较高),和根据所述像素组或图案形成装置图案块的变更影响性能指标的方式。
一旦对像素组和图案形成装置图案块排序,就调整照射源和图案形成装置成改善性能指标(步骤S812)。在步骤S812中,按排序次序分析像素组和图案形成装置图案块中的每个,以判断像素组或图案形成装置图案块的变更是否将导致改善的性能指标。如果确定性能指标将被改善,则相应地变更像素组或图案形成装置图案块,并且得到的经改善的性能指标和经修改的照射形状或经修改的图案形成装置图案形成用于比较的基线,以用于后续分析较低排序的像素组和图案形成装置图案块。换句话说,保持改善性能指标的变更。随着进行和保持对像素组和图案形成装置图案块的状态的变更,初始照射形状和初始图案形成装置图案相应地改变,使得经修改的照射形状和经修改的图案形成装置图案由步骤S812中的优化过程引起。
在其它方法中,也在S812的优化过程内执行像素组和/或图案形成装置图案块的图案形成装置多边形形状调整和成对轮询。
在替代实施例中,交错式同时优化工序可以包括变更照射源的像素组,并且在发现性能指标的改善的情况下,逐步升高和降低剂量以寻求进一步改善。在另一替代实施例中,可以通过图案形成装置图案的偏置改变来替换剂量或强度的逐步升高和降低,以寻求同时优化工序的进一步改善。
在步骤S814中,进行关于性能指标是否已收敛的确定。例如,如果在步骤S810和S812的最后若干迭代中已证明性能指标的很小改善或无改善,则可以认为性能指标已收敛。如果性能指标还未收敛,则在下次迭代中重复步骤S810和S812,其中,从当前迭代的经修改的照射形状和经修改的图案形成装置用作用于下次迭代的初始照射形状和初始图案形成装置(步骤S816)。
上文所描述的优化方法可以用于增加光刻投影设备的生产量。例如,成本函数可以包括作为曝光时间的函数的fp(z1,z2,…,zN)。这种成本函数的优化优选地受到随机效应的量度或其它指标的约束或影响。特别地,用于增加光刻过程的生产量的计算机实施方法可以包括最优化作为光刻过程的一个或更多个随机效应的函数且作为衬底的曝光时间的函数的成本函数,以便最小化曝光时间。
在一个实施例中,成本函数包括作为一个或更多个随机效应的函数的至少一个fp(z1,z2,…,zN)。随机效应可以包括特征的失效、测量数据(例如,SEPE)、2D特征的LWR或局部CD变化。在一个实施例中,随机效应包括抗蚀剂图像的特性的随机变化。例如,这样的随机变化可以包括特征的失效率、线边缘粗糙度(LER)、线宽粗糙度(LWR)和临界尺寸均一性(CDU)。在成本函数中包括随机变化允许找到最小化随机变化的设计变量的值,由此减少由随机效应导致的缺陷的风险。
图14是图示可以辅助实施本文中所公开的优化方法和流程的计算机系统100的框图。计算机系统100包括用于传送信息的总线102或其它通信机构,和与总线102耦合以供处理信息的处理器104(或多个处理器104和105)。计算机系统100也包括主存储器106,诸如随机存取存储器(RAM)或其它动态储存装置,其耦合至总线102以用于储存将要由处理器104执行的信息和指令。主存储器106也可以用于在执行将要由处理器104执行的指令期间储存暂时性变量或其它中间信息。计算机系统100还包括耦合至总线102以用于储存用于处理器104的静态信息和指令的只读存储器(ROM)108或其它静态储存装置。提供诸如磁盘或光盘的储存装置110,并且所述储存装置耦合至总线102以用于储存信息和指令。
计算机系统100可以由总线102耦合至用于向计算机用户显示信息的显示器112,诸如阴极射线管(CRT)或平板显示器或触控面板显示器。包括字母数字按键和其它按键的输入装置114耦合至总线102以用于将信息和命令选择传送至处理器104。另一类型的用户输入装置为光标控制件116,诸如鼠标、轨迹球或光标方向按键,以用于将方向信息和命令选择传送至处理器104且用于控制显示器112上的光标移动。这种输入装置通常具有在两个轴线(第一轴(例如,x)和第二轴(例如,y))上的两个自由度,从而允许所述装置指定平面中的位置。触控面板(屏幕)显示器也可以用作输入装置。
根据一个实施例,优化过程的部分可以响应于处理器104执行含于主存储器106的一个或更多个指令的一个或更多个序列而由计算机系统100执行。可以从诸如储存装置110的另一计算机可读介质将这样的指令读取至主存储器106中。含于主存储器106中的指令序列的执行使得处理器104执行本文中所描述的过程步骤。也可以采用多处理布置的一个或更多个处理器,以执行含于主存储器106中的指令序列。在替代实施例中,可以代替或结合软件指令来使用硬布线电路。因此,本文中的描述不限于硬件电路和软件的任何特定组合。
如本文中所使用的术语“计算机可读介质”是指参与将指令提供至处理器104以供执行的任何介质。这种介质可以采取许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如储存装置110。易失性介质包括易失存储器,诸如主存储器106。传输介质包括同轴电缆、铜线和光纤光学器件,包括包含总线102的导线。传输介质也可以呈声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间所产生的声波或光波。计算机可读介质的常见形式包括例如软磁盘、软性磁盘、硬盘、磁带、任何其它磁介质、CD-ROM、DVD、任何其它光学介质、打孔卡、纸带、具有孔图案的任何其它实体介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡匣、如下文所描述的载波,或可以供计算机读取的任何其它介质。
各种形式的计算机可读介质可以涉及将一个或更多个指令的一个或更多个序列承载至处理器104以供执行。例如,可初始地将指令承载于远程计算机的磁盘上。远程计算机可以将指令加载至其易失存储器内,并且使用调制解调器经由电话线来发送指令。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,并且使用红外传输器将数据转换成红外信号。耦合至总线102的红外检测器可以接收红外信号中所承载的数据且将数据放置于总线102上。总线102将数据承载至主存储器106,处理器104从所述主存储器106获取并执行指令。由主存储器106接收的指令可以可选地在由处理器104执行之前或之后储存在储存装置110上。
计算机系统100也优选包括耦合至总线102的通信接口118。通信接口118提供耦合至网络链路120的双向数据通信,所述网络链路120连接至局域网122。例如,通信接口118可以是综合业务数字网(ISDN)卡或调制解调器以提供与相应的类型的电话线的数据通信连接。作为另一示例,通信接口118可以是局域网(LAN)卡以提供与兼容LAN的数据通信连接。也可以实施无线链路。在任何这种实施中,通信接口118发送且接收承载表示各种类型的信息的数字数据流的电信号、电磁信号或光学信号。
网络链路120通常经由一个或更多个网络将数据通信提供至其它数据装置。例如,网络链路120可以由局域网122向主计算机124或向由因特网服务提供商(ISP)126操作的数据装备提供连接。ISP 126进而经由全球封包数据通信网络(现通常称作“因特网”128)来提供数据通信服务。局域网122和因特网128都使用承载数字数据流的电信号、电磁信号或光学信号。经由各种网络的信号和在网络链路120上且经由通信接口118的信号(所述信号将数字数据承载至计算机系统100和从计算机系统100承载数字数据)是输送信息的示例性形式的载波。
计算机系统100可以由一个或更多个网络、网络链路120和通信接口118发送消息且接收数据,包括程序代码。在因特网示例中,服务器130可以由因特网128、ISP 126、局域网122和通信接口118传输用于应用程序的所请求的代码。例如,一个这样的经下载的应用程序可以提供实施例的照射优化。所接收的代码可以在其被接收时由处理器104执行,和/或储存在储存装置110或其它非易失性储存器中以供稍后执行。以这种方式,计算机系统100可以获得呈载波形式的应用代码。
图15示意性地描绘可以利用本公开所描述的方法而优化照射源的示例性光刻投影设备。设备包括:
-照射系统IL,所述照射系统用于调节辐射束B。在这样的特定情况下,照射系统也包括辐射源SO;
-第一载物台(例如,掩模台)MT,所述第一载物台设置有用于保持图案形成装置MA(例如,掩模版)的图案形成装置保持器,并且连接至用于相对于物品PS准确地定位图案形成装置的第一定位器;
-第二载物台(衬底台)WT,所述第二载物台设置有用于保持衬底W(例如,涂覆有抗蚀剂的硅晶片)的衬底保持器,并且连接至用于相对于物品PS准确地定位衬底的第二定位器;
-投影系统(“透镜”)PS(例如,折射、反射或反射折射型光学系统),其用于将图案形成装置MA的经辐照部分成像至衬底W的目标部分C(例如,包括一个或更多个管芯)上。
如本文中描绘的,设备属于透射类型(即,具有透射型掩模)。然而,通常,其也可以属于例如反射类型(具有反射型掩模)。替代地,所述设备可以采用另一种类的图案形成装置作为经典掩模的使用的替代例;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)产生辐射束。例如,这种束是直接地或在已横穿诸如扩束器Ex之类的调节装置之后馈入至照射系统(照射器)IL中。照射器IL可以包括调整装置AD,以用于设置束中的强度分布的外部径向范围和/或内部径向范围(通常分别被称为σ-外部和σ-内部)。另外,照射器IL通常将包括各种其它部件,诸如积分器IN和聚光器CO。以这种方式,入射到图案形成装置MA上的束B在其横截面中具有期望均一性和强度分布。
关于图15应注意,源SO可以在光刻投影设备的外壳内(这种常常为源SO为例如汞灯时的情况),但其也可以远离光刻投影设备,所述源产生的辐射束被引导至所述设备中(例如,借助于适合的定向反射镜);这种后一情形常常为源SO为准分子激光器(例如,基于KrF、ArF或F2激光器作用)的情况。
束PB随后截取被保持在图案形成装置台MT上的图案形成装置MA。在已横穿图案形成装置MA的情况下,束B穿过透镜PL,所述透镜PL将束B聚焦至衬底W的目标部分C上。借助于第二定位装置(和干涉测量装置IF),可以准确地移动衬底台WT,例如,以便使不同的目标部分C定位在束PB的路径中。类似地,第一定位装置可以用于例如在从图案形成装置库机械地获取图案形成装置MA之后或在扫描期间相对于束B的路径来准确地定位图案形成装置MA。通常,将借助于未在图15中明确地描绘的长行程模块(粗定位)和短行程模块(精定位)来实现载物台MT、WT的移动。然而,在晶片步进器(相对于步进扫描工具)的情况下,图案形成装置台MT可以仅连接至短行程致动器,或可以是固定的。
所描绘工具可以用于两种不同模式中:
-在步进模式中,使图案形成装置台MT保持基本上静止,并且将整个图案形成装置图像一次性投影(即,单次“闪光”)至目标部分C上。接着,在x和/或y方向上使衬底台WT移位,从而使得不同的目标部分C可以由束PB辐照;
-在扫描模式中,除了单次“闪光”中不曝光给定目标部分C之外,基本上相同的情形适用。替代地,图案形成装置台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移动,使得使投影束B在图案形成装置图像上进行扫描;同时,衬底台WT以速度V=Mv在相同或相反方向上同时地移动,其中,M为透镜PL的放大率(通常,M=1/4或1/5)。以这种方式,可以在不必损害分辨率的情况下曝光相对较大目标部分C。
图16示意性地描绘可以利用本文中所描述的方法优化照射源的另一示例性光刻投影设备1000。
光刻投影设备1000包括:
-源收集器模块SO
-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,EUV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,掩模或掩模版)MA且连接至配置成准确地定位图案形成装置的第一定位器PM;
-衬底台(例如,晶片台)WT,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,并且连接至配置成准确地定位所述衬底的第二定位器PW;以及
-投影系统(例如,反射性投影系统)PS,所述投影系统被配置成将通过图案形成装置MA赋予至辐射束B的图案投影至衬底W的目标部分C(例如,包括一个或更多个管芯)上。
如在该所描绘的,设备1000属于反射类型(例如,采用反射型掩模)。应注意,由于大多数材料在EUV波长范围内具吸收性,因此掩模可以具有包括例如钼与硅的多重叠层的多层反射器。在一个示例中,多重叠层反射仪器有钼与硅的40个层对,其中,每个层的厚度为四分之一波长。可以利用X射线光刻来产生甚至更小的波长。由于大多数材料在EUV和x射线波长下具吸收性,因此图案形成装置形貌上的经图案化的吸收材料薄片(例如,多层反射器的顶部上的TaN吸收器)限定特征将印制(正型抗蚀剂)或不印制(负型抗蚀剂)之处。
参考图16,照射器IL从源收集器模块SO接收极紫外辐射束。用于产生EUV辐射的方法包括但不必限于用在EUV范围内的一种或多种发射谱线将具有至少元素(例如,氙、锂或锡)的材料转换成等离子体状态。在一种这样的方法(常常称为激光产生等离子体(“LPP”))中,可以通过用激光束来辐照燃料(诸如,具有谱线发射元素的材料小滴、串流或簇)而产生等离子体。源收集器模块SO可以是包括激光器(图16中未示出)的EUV辐射系统的部分,所述激光器用于提供激发燃料的激光束。得到的等离子体发射输出辐射(例如,EUV辐射),所述输出辐射是使用设置在源收集器模块中的辐射收集器来收集。例如,当使用CO2激光器以提供用于燃料激发的激光束时,激光器和源收集器模块可以是分立的实体。
在这样的情况下,不将激光器视为形成光刻设备的部分,并且辐射束是借助于包括例如适合的定向反射镜和/或扩束器的束传递系统而从激光器传递至源收集器模块。在其它情况下,例如,当源是放电产生等离子体EUV产生器(常常称为DPP源)时,源可以是源收集器模块的组成部分。
照射器IL可以包括用于调整辐射束的角强度分布的调整器。通常,可以调整照射器的光瞳平面中的强度分布的至少外部径向范围和/或内部径向范围(通常分别称作σ-外部或σ-内部)。另外,照射器IL可以包括各种其它部件,诸如,琢面场反射镜装置和琢面光瞳反射镜装置。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一性和强度分布。
辐射束B入射到保持在支撑结构(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而图案化。在从图案形成装置(例如,掩模)MA反射之后,辐射束B穿过投影系统PS,所述投影系统PS将束聚焦至衬底W的目标部分C上。借助于第二定位器PW和位置传感器PS2(例如,干涉测量器件、线性编码器或电容式传感器),可以准确地移动衬底台WT,例如以便使不同的目标部分C定位在辐射束B的路径中。类似地,第一定位器PM和另一位置传感器PS1可以用于相对于辐射束B的路径准确地定位图案形成装置(例如,掩模)MA。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如掩模)MA和衬底W。
所描绘的设备1000可以用于以下模式中的至少一种模式中:
1.在步进模式中,在将赋予至辐射束的整个图案一次性投影(即,单次静态曝光)至目标部分C上的同时使支撑结构(例如,掩模台)MT和衬底台WT保持基本上静止。接着,使衬底台WT在X和/或Y方向上移位,从而使得可以曝光不同的目标部分C。
2.在扫描模式中,在将赋予至辐射束的图案投影至目标部分C上(即,单次动态曝光)的同时同步地扫描支撑结构(例如,掩模台)MT和衬底台WT。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相对于支撑结构(例如,掩模台)MT的速度和方向。
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上的同时,使支撑结构(例如,掩模台)MT保持基本上静止,从而保持可编程图案形成装置,并且移动或扫描衬底台WT。在这种模式中,通常采用脉冲辐射源,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,如上文提及的类型的可编程反射镜阵列)的无掩模光刻术。
图17更详细地示出设备1000,包括源收集器模块SO、照射系统IL和投影系统PS。源收集器模块SO被构造和布置成使得可以将真空环境维持于源收集器模块SO的围封结构220中。可以通过放电产生等离子体源来形成EUV辐射发射等离子体210。可以通过气体或蒸汽(例如,Xe气体、Li蒸汽或Sn蒸汽)来产生EUV辐射,其中,产生非常热的等离子体210以发射在电磁光谱的EUV范围内的辐射。例如,通过引起至少部分地离子化等离子体的放电而产生非常热的等离子体210。为了辐射的有效产生,可能需要为例如10Pa的分压的Xe、Li、Sn蒸汽或任何其它适合的气体或蒸汽。在实施例中,提供经激发的锡(Sn)等离子体以产生EUV辐射。
由热等离子体210发射的辐射经由定位在源腔室211中的开口中或后方的可选的气体屏障或污染物陷阱230(在一些情况下,也称作污染物屏障或翼片阱)而从源腔室211传递至收集器腔室212中。污染物陷阱230可以包括通道结构。污染物陷阱230也可以包括气体屏障,或气体屏障与通道结构的组合。如在本领域中已知,本文中进一步所指示的污染物陷阱或污染物屏障230至少包括通道结构。
收集器腔室211可以包括可以是所谓的掠入射收集器的辐射收集器CO。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。横穿收集器CO的辐射可以从光栅光谱滤波器240反射,以沿由点虚线“O”指示的光轴而聚焦在虚拟源点IF中。虚拟源点IF通常被称为中间焦点,并且源收集器模块被布置成使得中间焦点IF位于围封结构220中的开口221处或附近。虚拟源点IF为辐射发射等离子体210的图像。
随后,辐射横穿照射系统IL,所述照射系统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,所述琢面场反射镜装置22和琢面光瞳反射镜装置24被布置成提供在图案形成装置MA处的辐射束21的期望的角分布,以及在图案形成装置MA处的辐射强度的期望的均一性。在由支撑结构MT保持的图案形成装置MA处反射辐射束21后,随即形成经图案化的束26,并且由投影系统PS将经图案化的束26经由反射元件28、30而成像至由衬底台WT保持的衬底W上。
比所示出的元件更多的元件通常可以存在于照射光学器件单元IL和投影系统PS中。依赖于光刻设备的类型,光栅光谱滤波器240可以可选地存在。此外,可以存在比各图中示出的反射镜多的反射镜,例如在投影系统PS中可以存在比图17中示出的反射元件多1至6个的额外的反射元件。
如图17所图示的收集器光学器件CO被描绘是具有掠入射反射器253、254和255的巢状收集器,仅仅作为收集器(或收集器反射镜)的示例。掠入射反射器253、254和255被设置成围绕光轴O轴向地对称,并且这种类型的收集器光学器件CO是优选地结合放电产生等离子体源(常常称为DPP源)使用。
替代地,源收集器模块SO可以是如图18所示出的LPP辐射系统的部分。激光器LA被布置成将激光能量沉积至诸如氙(Xe)、锡(Sn)或锂(Li)的燃料中,从而形成具有数10eV的电子温度的高度离子化等离子体210。在这些离子的去激发和再结合期间所产生的高能辐射从等离子体发射,由近正入射收集器光学器件CO收集,并且聚焦至围封结构220中的开口221上。
本文中所公开的构思对用于使子波长特征成像的任何通用成像系统进行模拟或数学建模,并且尤其可以供能够产生越来越短波长的新兴成像技术使用。已经在使用中的新兴技术包括能够通过使用ArF激光器来产生193nm波长且甚至能够通过使用氟激光器来产生157nm波长的极紫外(EUV)、DUV光刻。此外,EUV光刻能够通过使用同步加速器或通过利用高能电子来射到材料(固体或等离子体)来产生在20至5nm的范围内的波长,以便产生在该范围内的光子。
本公开的实施例可以通过以下方面进一步描述。
1.一种用于基于由模型所产生的掩模图像修改数据来产生与图案化过程相关联的掩模图像的非暂时性计算机可读介质,所述掩模图像被配置成提取用于所述图案化过程的掩模图案,所述介质包括储存在其中的指令,所述指令在由一个或更多个处理器执行时引起操作,所述操作包括:
基于期望形成在衬底上的设计图案经由掩模产生模型来产生第一掩模图像;
经由使用所述第一掩模图像模拟所述图案化过程的显影后过程来确定所述衬底上的与所述显影后过程相关联的轮廓;
通过光栅化操作来转换所述轮廓以产生轮廓图像;
接收基于所述设计图案的参考轮廓图像;
基于所述轮廓图像与所述参考轮廓图像之间的差来产生轮廓差图像;
经由使用所述轮廓差图像和所述第一掩模图像作为输入的模型来产生掩模图像修改数据,所述掩模图像修改数据指示用于使得所述图案化过程的性能参数在期望的性能范围内的所述第一掩模图像的修改量;以及
通过组合所述第一掩模图像和所述掩模图像修改数据来产生第二掩模图像,所述第二掩模图像被配置成允许提取用于所述图案化过程的掩模图案。
2.一种用于产生用于与图案化过程相关联的掩模图案的数据的非暂时性计算机可读介质,所述非暂时性计算机可读介质包括储存在其中的指令,所述指令在由一个或更多个处理器执行时引起操作,所述操作包括:
获得:(i)与设计图案相关联的第一掩模图像;(ii)基于所述第一掩模图像的轮廓,所述轮廓指示特征的轮廓;(iii)基于所述设计图案的参考轮廓;以及(iv)所述轮廓与所述参考轮廓之间的轮廓差;
经由使用所述轮廓差和所述第一掩模图像的模型来产生掩模图像修改数据,所述掩模图像修改数据指示用于使得所述图案化过程的性能参数在期望的性能范围内的所述第一掩模图像的修改量;以及
基于所述第一掩模图像和所述掩模图像修改数据来产生用于确定待用于所述图案化过程中的掩模图案的第二掩模图像。
3.根据方面2所述的介质,其中,获得第一掩模图像包括:
执行使用所述设计图案作为输入的掩模产生模型以产生所述第一掩模图像,所述第一掩模图像是连续透射型掩模(CTM)图像。
4.根据方面3所述的介质,其中,所述掩模产生模型是使用由逆光刻所产生的CTM图像作为基准真值而被训练的机器学习模型。
5.根据方面2所述的介质,其中,产生所述第二掩模图像是迭代过程,每次迭代包括:
利用所述掩模图像数据来更新当前掩模图像;和
基于经更新的掩模图像和所述掩模图像修改数据来产生所述第二掩模图像。
6.根据方面5所述的介质,其中,每次迭代还包括:
基于经更新的掩模图像与所述参考轮廓之间的差来产生经更新的轮廓差;和
基于经更新的掩模图像和经更新的轮廓差来产生所述掩模图像修改数据。
7.根据方面2至6中任一项所述的介质,其中,获得轮廓包括:
使用所述第一掩模图像作为输入来执行图案化过程模型以产生所模拟的图像;
使用轮廓提取算法从所模拟的图像提取轮廓;以及
转换所述轮廓以产生轮廓图像。
8.根据前述方面中任一项所述的介质,其中,所述参考轮廓是待形成在所述衬底上的理想轮廓。
9.根据前述方面中任一项所述的介质,其中,通过对所述设计图案进行光栅化来获得所述参考轮廓。
10.根据前述方面中任一项所述的介质,其中,所述第一掩模图像和所述第二掩模图像是经灰度化的光学邻近效应校正(OPC)后图像。
11.根据前述方面中任一项所述的介质,其中,被配置成产生所述掩模图像修改数据的所述模型是机器学习模型。
12.根据前述方面中任一项所述的介质,所述操作还包括:
基于所述第二掩模图像来从所述第二掩模图像提取掩模图案边缘以产生所述掩模图案。
13.根据方面12所述的介质,其中,提取所述掩模图案边缘包括:
经由阈值化来处理所述第二掩模图像以检测与一个或更多个特征相关联的边缘以用所述于掩模图案中;和
使用所述一个或更多个特征的边缘来产生所述掩模图案。
14.根据方面13所述的介质,其中,所述掩模图案包括:对应于所述设计图案的主特征,和围绕所述主特征而定位的一个或更多个辅助特征。
15.根据方面14所述的介质,其中,所提取的掩模图案边缘包括与所述主特征和一个或更多个辅助特征相关联的多边形或弯曲廓形。
16.根据前述方面中任一项所述的介质,其中,所述第一图像、所述第二图像、所述轮廓、所述参考轮廓和所述掩模图像修改数据是灰度像素化图像。
17.根据前述方面中任一项所述的介质,其中,所述轮廓是与显影后过程相关联的轮廓,所述显影后过程是抗蚀剂过程、或蚀刻过程。
18.根据前述方面中任一项所述的介质,其中,所述模型通过以下进行训练:
获得:(i)基于所述第一掩模图像和噪声的噪声引发的第一掩模图像、(ii)基于所述噪声引发的第一掩模图像的第二参考轮廓、以及(iii)基于所述轮廓与所述第二参考轮廓之间的差的第二轮廓差;和
基于所述第二轮廓差和所述第一掩模图像来确定被配置成产生掩模图像修改数据的模型。
19.根据方面18所述的介质,其中,获得所述第二参考轮廓包括:产生随机噪声图像且将所述随机噪声图像添加至所述第一掩模图像。
20.根据方面19所述的介质,其中,获得所述第二参考轮廓包括:
使用轮廓提取算法从所述噪声引发的第一掩模图像提取第二轮廓;和
转换所述第二轮廓以产生所述第二参考轮廓图像。
21.根据前述方面中任一项所述的介质,其中,确定所述模型是迭代过程,每次迭代包括:
使用所述第二轮廓差和所述第一掩模图像作为输入来执行具有初始模型参数值的模型以产生初始掩模图像修改数据;
将所述掩模图像修改数据与所述噪声进行比较;以及
调整所述初始模型参数值以使得所述掩模图像修改数据在所述噪声的指定匹配阈值内。
22.一种用于确定被配置成产生与图案化过程相关联的掩模图像修改数据的模型的非暂时性计算机可读介质,所述介质包括储存在其中的指令,所述指令在由一个或更多个处理器执行时引起操作,所述操作包括:
获得(i)基于设计图案的第一掩模图像;(ii)基于所述第一掩模图像的轮廓,所述轮廓指示特征的轮廓;(iii)基于所述第一掩模图像和噪声的噪声引发的第一掩模图像;(iv)基于所述噪声引发的第一掩模图像的参考轮廓;以及(v)基于所述轮廓与所述参考轮廓之间的差的轮廓差;和
基于所述轮廓差和所述第一掩模图像来确定被配置成产生掩模图像修改数据的模型。
23.根据方面22所述的介质,其中,获得所述轮廓包括:
使用所述第一掩模图像作为输入来执行图案化过程模型以产生所模拟的图像;
使用轮廓提取算法从所模拟的图像提取轮廓;以及
转换所述轮廓以产生所述轮廓图像。
24.根据前述方面中任一项所述的介质,其中,获得所述参考轮廓包括:产生随机噪声图像且将所述随机噪声图像添加至所述第一掩模图像。
25.根据前述方面中任一项所述的介质,其中,获得所述参考轮廓包括:
使用轮廓提取算法从所述噪声引发的第一掩模图像提取轮廓;和
转换所述轮廓以产生所述参考轮廓图像。
26.根据前述方面中任一项所述的介质,其中,确定所述模型是迭代过程,每次迭代包括:
使用所述轮廓差和所述第一掩模图像或经更新的掩模图像作为输入来执行具有初始模型参数值的模型以产生初始掩模图像修改数据;
将所述掩模图像修改数据与所述噪声进行比较;以及
调整所述初始模型参数值以使得所述掩模图像修改数据在所述噪声的指定匹配阈值内。
27.根据前述方面中任一项所述的介质,其中,所述第一掩模图像和所述第二掩模图像是经灰度化的光学邻近效应校正(OPC)后图像。
28.根据前述方面中任一项所述的介质,其中,被配置成产生所述掩模图像修改数据的所述模型是机器学习模型。
29.根据前述方面中任一项所述的介质,其中,所述第一图像、所述第二图像、所述轮廓、所述参考轮廓、和所述掩模图像修改数据是灰度像素化图像。
30.根据前述方面中任一项所述的介质,其中,所述轮廓是与显影后过程相关联的轮廓,所述显影后过程是抗蚀剂过程、或蚀刻过程。
31.根据前述方面中任一项所述的介质,还包括:
基于设计图案来获得掩模图像和参考轮廓;
使用所述掩模图像和所述轮廓差来执行所述模型以产生掩模图像修改数据;以及
通过组合所述掩模图像修改数据与所述掩模图像来更新所述掩模图像。
32.根据方面31所述的介质,其中,更新所述掩模图像是包括以下各项的迭代过程:
(i)基于经更新的掩模图像来更新所述轮廓差;
(ii)使用所述经更新的掩模图像和经更新的轮廓差来执行所述模型以产生掩模图像修改数据;
(iii)组合所述掩模图像修改数据与所述经更新的掩模图像;
(iv)基于经更新的掩模图像来确定性能参数是否在指定性能阈值内;以及
(v)响应于所述性能参数不满足所述性能阈值,执行步骤(i)至(iv)。
33.一种用于产生用于与图案化过程相关联的掩模图案的数据的方法,所述方法包括:
获得:(i)与设计图案相关联的第一掩模图像;(ii)基于所述第一掩模图像的轮廓,所述轮廓指示特征的轮廓;(iii)基于所述设计图案的参考轮廓;以及(iv)所述轮廓与所述参考轮廓之间的轮廓差;
经由使用所述轮廓差和所述第一掩模图像的模型来产生掩模图像修改数据,所述掩模图像修改数据指示用于使得所述图案化过程的性能参数在期望的性能范围内的所述第一掩模图像的修改量;以及
基于所述第一掩模图像和所述掩模图像修改数据来产生用于确定待用于所述图案化过程中的掩模图案的第二掩模图像。
34.根据方面33所述的方法,其中,获得第一掩模图像包括:
执行使用所述设计图案作为输入的掩模产生模型以产生所述第一掩模图像,所述第一掩模图像是连续透射型掩模(CTM)图像。
35.根据方面34所述的方法,其中,所述掩模产生模型是使用由逆光刻所产生的CTM图像作为基准真值而被训练的机器学习模型。
36.根据方面35所述的方法,其中,产生所述第二掩模图像是迭代过程,每次迭代包括:
利用所述掩模图像数据来更新当前掩模图像;和
基于经更新的掩模图像和所述掩模图像修改数据来产生所述第二掩模图像。
37.根据方面36所述的方法,其中,每次迭代还包括:
基于经更新的掩模图像与所述参考轮廓之间的差来产生经更新的轮廓差;和
基于经更新的掩模图像和经更新的轮廓差来产生所述掩模图像修改数据。
38.根据方面33至37中任一项所述的方法,其中,获得轮廓包括:
使用所述第一掩模图像作为输入来执行图案化过程模型以产生所模拟的图像;
使用轮廓提取算法从所模拟的图像提取轮廓;以及
转换所述轮廓以产生轮廓图像。
39.根据前述方面中任一项所述的方法,其中,所述参考轮廓是待形成在所述衬底上的理想轮廓。
40.根据前述方面中任一项所述的方法,其中,通过对所述设计图案进行光栅化来获得所述参考轮廓。
41.根据前述方面中任一项所述的方法,其中,所述第一掩模图像和所述第二掩模图像是经灰度化的光学邻近效应校正(OPC)后图像。
42.根据前述方面中任一项所述的方法,其中,被配置成产生所述掩模图像修改数据的所述模型是机器学习模型。
43.根据前述方面中任一项所述的方法,所述操作还包括:
基于所述第二掩模图像来从所述第二掩模图像提取掩模图案边缘以产生所述掩模图案。
44.根据方面43所述的方法,其中,提取所述掩模图案边缘包括:
经由阈值化来处理所述第二掩模图像以检测与一个或更多个特征相关联的边缘以用于所述掩模图案中;和
使用所述一个或更多个特征的边缘来产生所述掩模图案。
45.根据方面44所述的方法,其中,所述掩模图案包括:对应于所述设计图案的主特征,和围绕所述主特征而定位的一个或更多个辅助特征。
46.根据方面45所述的方法,其中,所提取的掩模图案边缘包括与所述主特征和一个或更多个辅助特征相关联的多边形或弯曲廓形。
47.根据前述方面中任一项所述的方法,其中,所述第一图像、所述第二图像、所述轮廓、所述参考轮廓和所述掩模图像修改数据是灰度像素化图像。
48.根据前述方面中任一项所述的方法,其中,所述轮廓是与显影后过程相关联的轮廓,所述显影后过程是抗蚀剂过程、或蚀刻过程。
49.根据前述方面中任一项所述的方法,其中,所述模型通过以下进行训练:
获得:(i)基于所述第一掩模图像和噪声的噪声引发的第一掩模图像、(ii)基于所述噪声引发的第一掩模图像的第二参考轮廓、以及(iii)基于所述轮廓与所述第二参考轮廓之间的差的第二轮廓差;和
基于所述第二轮廓差和所述第一掩模图像来确定被配置成产生掩模图像修改数据的模型。
50.根据方面49所述的方法,其中,获得所述第二参考轮廓包括:产生随机噪声图像且将所述随机噪声图像添加至所述第一掩模图像。
51.根据方面50所述的方法,其中,获得所述第二参考轮廓包括:
使用轮廓提取算法从所述噪声引发的第一掩模图像提取第二轮廓;和
转换所述第二轮廓以产生所述第二参考轮廓图像。
52.根据前述方面中任一项所述的方法,其中,确定所述模型是迭代过程,每次迭代包括:
使用所述第二轮廓差和所述第一掩模图像作为输入来执行具有初始模型参数值的模型以产生初始掩模图像修改数据;
将所述掩模图像修改数据与所述噪声进行比较;以及
调整所述初始模型参数值以使得所述掩模图像修改数据在所述噪声的指定匹配阈值内。
53.一种用于确定被配置成产生与图案化过程相关联的掩模图像修改数据的模型的方法,所述方法包括:
获得(i)基于设计图案的第一掩模图像;(ii)基于所述第一掩模图像的轮廓,所述轮廓指示特征的轮廓;(iii)基于所述第一掩模图像和噪声的噪声引发的第一掩模图像;(iv)基于所述噪声引发的第一掩模图像的参考轮廓;以及(v)基于所述轮廓与所述参考轮廓之间的差的轮廓差;和
基于所述轮廓差和所述第一掩模图像来确定被配置成产生掩模图像修改数据的模型。
54.根据方面53所述的方法,其中,获得所述轮廓包括:
使用所述第一掩模图像作为输入来执行图案化过程模型以产生所模拟的图像;
使用轮廓提取算法从所模拟的图像提取轮廓;以及
转换所述轮廓以产生所述轮廓图像。
55.根据前述方面中任一项所述的方法,其中,获得所述参考轮廓包括:产生随机噪声图像且将所述随机噪声图像添加至所述第一掩模图像。
56.根据前述方面中任一项所述的方法,其中,获得所述参考轮廓包括:
使用轮廓提取算法从所述噪声引发的第一掩模图像提取轮廓;和
转换所述轮廓以产生所述参考轮廓图像。
57.根据前述方面中任一项所述的方法,其中,确定所述模型是迭代过程,每次迭代包括:
使用所述轮廓差和所述第一掩模图像作为输入来执行具有初始模型参数值的模型以产生初始掩模图像修改数据;
将所述掩模图像修改数据与所述噪声进行比较;以及
调整所述初始模型参数值以使得所述掩模图像修改数据在所述噪声的指定匹配阈值内。
58.根据前述方面中任一项所述的方法,其中,所述第一掩模图像和所述第二掩模图像是经灰度化的光学邻近效应校正(OPC)后图像。
59.根据前述方面中任一项所述的方法,其中,被配置成产生所述掩模图像修改数据的所述模型是机器学习模型。
60.根据前述方面中任一项所述的方法,其中,所述第一图像、所述第二图像、所述轮廓、所述参考轮廓、和所述掩模图像修改数据是灰度像素化图像。
61.根据前述方面中任一项所述的方法,其中,所述轮廓是与显影后过程相关联的轮廓,所述显影后过程是抗蚀剂过程、或蚀刻过程。
62.根据前述方面中任一项所述的方法,还包括:
基于设计图案来获得掩模图像和参考轮廓;
使用所述掩模图像和所述轮廓差来执行所述模型以产生掩模图像修改数据;以及
通过组合所述掩模图像修改数据与所述掩模图像来更新所述掩模图像。
63.根据方面62所述的方法,其中,更新所述掩模图像是包括以下各项的迭代过程:
(i)基于经更新的掩模图像来更新所述轮廓差;
(ii)使用所述经更新的掩模图像和经更新的轮廓差来执行所述模型以产生掩模图像修改数据;
(iii)组合所述掩模图像修改数据与所述经更新的掩模图像;
(iv)基于经更新的掩模图像来确定性能参数是否在指定性能阈值内;以及
(v)响应于所述性能参数不满足所述性能阈值,执行步骤(i)至(iv)。
虽然本文中所公开的构思可以用于在诸如硅晶片之类的衬底上的成像,但应理解,所公开的构思可以供与任何类型的光刻成像系统一起使用,例如,用于在除了硅晶片以外的衬底上成像的光刻成像系统。
以上描述旨在是说明性的,而不是限制性的。因此,本领域技术人员将明白,可以在不背离下文所阐述的权利要求的范围的情况下如所描述的那样进行修改。
Claims (15)
1.一种用于产生用于与图案化过程相关联的掩模图案的数据的非暂时性计算机可读介质,所述非暂时性计算机可读介质包括储存在其中的指令,所述指令在由一个或更多个处理器执行时使所述一个或更多个处理器执行一方法,所述方法包括:
获得:(i)与设计图案相关联的第一掩模图像;(ii)基于所述第一掩模图像的轮廓,所述轮廓指示特征的轮廓;(iii)基于所述设计图案的参考轮廓;以及(iv)所述轮廓与所述参考轮廓之间的轮廓差;
经由使用所述轮廓差和所述第一掩模图像的模型来产生掩模图像修改数据,所述掩模图像修改数据指示所述第一掩模图像的修改量;以及
基于所述第一掩模图像和所述掩模图像修改数据来产生用于确定与图案化过程相关联的掩模图案的第二掩模图像。
2.根据权利要求1所述的非暂时性计算机可读介质,其中,获得第一掩模图像包括:
执行使用所述设计图案作为输入的掩模产生模型以产生所述第一掩模图像,所述第一掩模图像是连续透射型掩模(CTM)图像。
3.根据权利要求2所述的非暂时性计算机可读介质,其中,所述掩模产生模型是使用由逆光刻所产生的CTM图像作为基准真值而被训练的机器学习模型。
4.根据权利要求3所述的非暂时性计算机可读介质,其中,产生所述第二掩模图像是迭代过程,每次迭代包括:
利用所述掩模图像数据来更新当前掩模图像;和
基于经更新的掩模图像和所述掩模图像修改数据来产生所述第二掩模图像。
5.根据权利要求4所述的非暂时性计算机可读介质,其中,每次迭代还包括:
基于经更新的掩模图像与所述参考轮廓之间的差来产生经更新的轮廓差;和
基于经更新的掩模图像和经更新的轮廓差来产生所述掩模图像修改数据。
6.根据权利要求1所述的非暂时性计算机可读介质,其中,获得所述轮廓包括:
使用所述第一掩模图像作为输入来执行图案化过程模型以产生模拟的图像;
使用轮廓提取算法从所述模拟的图像提取轮廓;以及
转换所述轮廓以产生轮廓图像,并且
其中,通过对所述设计图案进行光栅化来获得所述参考轮廓。
7.根据权利要求1所述的非暂时性计算机可读介质,其中,所述第一掩模图像和所述第二掩模图像是经灰度化的光学邻近效应校正(OPC)后图像。
8.根据权利要求1所述的非暂时性计算机可读介质,其中,被配置成产生所述掩模图像修改数据的所述模型是机器学习模型。
9.根据前述权利要求中任一项所述的非暂时性计算机可读介质,所述方法还包括:
基于所述第二掩模图像来从所述第二掩模图像提取掩模图案边缘以产生所述掩模图案,其中,所述掩模图案包括:对应于所述设计图案的主特征、和围绕所述主特征而定位的一个或更多个辅助特征,并且其中,所提取的掩模图案边缘包括与所述主特征和所述一个或更多个辅助特征相关联的多边形或弯曲廓形。
10.根据权利要求1所述的非暂时性计算机可读介质,其中,所述第一图像、所述第二图像、所述轮廓、所述参考轮廓和所述掩模图像修改数据是灰度像素化图像。
11.根据权利要求1所述的非暂时性计算机可读介质,其中,所述轮廓是抗蚀剂轮廓、蚀刻轮廓、掩模图像轮廓或空间图像轮廓中的一个。
12.根据权利要求1所述的非暂时性计算机可读介质,其中,通过以下操作训练所述模型:
获得:(i)基于所述第一掩模图像和噪声的噪声引发的第一掩模图像、(ii)基于所述噪声引发的第一掩模图像的第二参考轮廓、以及(iii)基于所述轮廓与所述第二参考轮廓之间的差的第二轮廓差;和
基于所述第二轮廓差和所述第一掩模图像来确定被配置成产生掩模图像修改数据的模型。
13.根据权利要求12所述的非暂时性计算机可读介质,其中,获得所述第二参考轮廓包括:产生随机噪声图像且将所述随机噪声图像添加至所述第一掩模图像。
14.根据权利要求12所述的非暂时性计算机可读介质,其中,获得所述第二参考轮廓包括:
使用轮廓提取算法从所述噪声引发的第一掩模图像提取第二轮廓;和
转换所述第二轮廓以产生所述第二参考轮廓图像。
15.根据权利要求1所述的非暂时性计算机可读介质,其中,确定所述模型是迭代过程,每次迭代包括:
使用所述第二轮廓差和所述第一掩模图像作为输入来执行具有初始模型参数值的模型以产生初始掩模图像修改数据;
将所述掩模图像修改数据与所述噪声进行比较;以及
调整所述初始模型参数值以使得所述掩模图像修改数据在所述噪声的指定匹配阈值内。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063127453P | 2020-12-18 | 2020-12-18 | |
US63/127,453 | 2020-12-18 | ||
PCT/EP2021/083917 WO2022128500A1 (en) | 2020-12-18 | 2021-12-02 | Method for determining mask pattern and training machine learning model |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116648672A true CN116648672A (zh) | 2023-08-25 |
Family
ID=79259447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180085362.3A Pending CN116648672A (zh) | 2020-12-18 | 2021-12-02 | 用于确定掩模图案和训练机器学习模型的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240004305A1 (zh) |
KR (1) | KR20230117366A (zh) |
CN (1) | CN116648672A (zh) |
TW (1) | TW202240280A (zh) |
WO (1) | WO2022128500A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049735B (zh) * | 2022-08-12 | 2022-11-08 | 季华实验室 | 一种掩膜优化处理方法、装置、电子设备及存储介质 |
CN116051550B (zh) * | 2023-03-29 | 2023-07-04 | 长鑫存储技术有限公司 | 图案检测方法及图案检测系统 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5523193A (en) | 1988-05-31 | 1996-06-04 | Texas Instruments Incorporated | Method and apparatus for patterning and imaging member |
DE59105735D1 (de) | 1990-05-02 | 1995-07-20 | Fraunhofer Ges Forschung | Belichtungsvorrichtung. |
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
JP3409493B2 (ja) * | 1995-03-13 | 2003-05-26 | ソニー株式会社 | マスクパターンの補正方法および補正装置 |
EP0824722B1 (en) | 1996-03-06 | 2001-07-25 | Asm Lithography B.V. | Differential interferometer system and lithographic step-and-scan apparatus provided with such a system |
JP2000505958A (ja) | 1996-12-24 | 2000-05-16 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | 2個の物品ホルダを有する二次元バランス位置決め装置及びこの位置決め装置を有するリソグラフ装置 |
CN101258498B (zh) | 2005-08-08 | 2011-04-13 | Asml荷兰有限公司 | 用于形成光刻工艺的焦点曝光模型的系统和方法 |
US7695876B2 (en) | 2005-08-31 | 2010-04-13 | Brion Technologies, Inc. | Method for identifying and using process window signature patterns for lithography process control |
CN101305320B (zh) | 2005-09-09 | 2012-07-04 | Asml荷兰有限公司 | 采用独立掩模误差模型的掩模验证系统和方法 |
US7694267B1 (en) | 2006-02-03 | 2010-04-06 | Brion Technologies, Inc. | Method for process window optimized optical proximity correction |
US7882480B2 (en) | 2007-06-04 | 2011-02-01 | Asml Netherlands B.V. | System and method for model-based sub-resolution assist feature generation |
US7707538B2 (en) | 2007-06-15 | 2010-04-27 | Brion Technologies, Inc. | Multivariable solver for optical proximity correction |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
WO2010059954A2 (en) | 2008-11-21 | 2010-05-27 | Brion Technologies Inc. | Fast freeform source and mask co-optimization method |
NL2003699A (en) | 2008-12-18 | 2010-06-21 | Brion Tech Inc | Method and system for lithography process-window-maximixing optical proximity correction. |
US8786824B2 (en) | 2009-06-10 | 2014-07-22 | Asml Netherlands B.V. | Source-mask optimization in lithographic apparatus |
NL2005522A (en) | 2009-10-28 | 2011-05-02 | Asml Netherlands Bv | Pattern selection for full-chip source and mask optimization. |
NL2007642A (en) | 2010-11-10 | 2012-05-14 | Asml Netherlands Bv | Optimization flows of source, mask and projection optics. |
WO2019162346A1 (en) | 2018-02-23 | 2019-08-29 | Asml Netherlands B.V. | Methods for training machine learning model for computation lithography |
KR20210010897A (ko) | 2018-06-15 | 2021-01-28 | 에이에스엠엘 네델란즈 비.브이. | 기계 학습 기반 역 광 근접 보정 및 공정 모델 캘리브레이션 |
CN113168085A (zh) * | 2018-11-30 | 2021-07-23 | Asml荷兰有限公司 | 用于基于可制造性确定图案形成装置图案的方法 |
WO2020169303A1 (en) | 2019-02-21 | 2020-08-27 | Asml Netherlands B.V. | Method for training machine learning model to determine optical proximity correction for mask |
-
2021
- 2021-12-02 KR KR1020237020655A patent/KR20230117366A/ko unknown
- 2021-12-02 US US18/039,697 patent/US20240004305A1/en active Pending
- 2021-12-02 CN CN202180085362.3A patent/CN116648672A/zh active Pending
- 2021-12-02 WO PCT/EP2021/083917 patent/WO2022128500A1/en active Application Filing
- 2021-12-17 TW TW110147337A patent/TW202240280A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022128500A1 (en) | 2022-06-23 |
TW202240280A (zh) | 2022-10-16 |
US20240004305A1 (en) | 2024-01-04 |
KR20230117366A (ko) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10955755B2 (en) | Optimization of assist features and source | |
TWI745863B (zh) | 訓練機器學習模型以判定光罩的光學接近校正的方法及相關聯電腦程式產品 | |
CN107430347B (zh) | 图像对数斜率(ils)优化 | |
US11768442B2 (en) | Method of determining control parameters of a device manufacturing process | |
EP3650940A1 (en) | A method in the manufacturing process of a device, a non-transitory computer-readable medium and a system configured to perform the method | |
TWI806002B (zh) | 用於判定遮罩圖案及訓練機器學習模型之非暫時性電腦可讀媒體 | |
CN113924525A (zh) | 用于确定对掩模的特征的校正的方法 | |
US20240004305A1 (en) | Method for determining mask pattern and training machine learning model | |
EP3462240A1 (en) | Method of determining control parameters of a device manufacturing process | |
CN114600047A (zh) | 用于目标图案的基于规则的重靶向的方法 | |
EP4042244A1 (en) | Method for determining a field-of-view setting | |
US20230333483A1 (en) | Optimization of scanner throughput and imaging quality for a patterning process | |
US20230244152A1 (en) | Systems, methods, and products for determining printing probability of assist feature and its application | |
EP3822703A1 (en) | Method for determining a field-of-view setting |
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 |