CN116648704A - 用于提取特征向量以辨识图案物体的特征提取方法 - Google Patents
用于提取特征向量以辨识图案物体的特征提取方法 Download PDFInfo
- Publication number
- CN116648704A CN116648704A CN202180085814.8A CN202180085814A CN116648704A CN 116648704 A CN116648704 A CN 116648704A CN 202180085814 A CN202180085814 A CN 202180085814A CN 116648704 A CN116648704 A CN 116648704A
- Authority
- CN
- China
- Prior art keywords
- pattern
- image
- feature
- readable medium
- transitory computer
- 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
- 239000013598 vector Substances 0.000 title claims abstract description 132
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 102
- 238000005192 partition Methods 0.000 claims abstract description 73
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims description 49
- 230000007547 defect Effects 0.000 claims description 17
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 description 40
- 230000008569 process Effects 0.000 description 40
- 238000000059 patterning Methods 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 16
- 238000010894 electron beam technology Methods 0.000 description 15
- 235000012431 wafers Nutrition 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000001459 lithography Methods 0.000 description 7
- 239000002245 particle Substances 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001311 chemical methods and process Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000001878 scanning electron micrograph Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000002039 particle-beam lithography Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001131 transforming effect Effects 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
- G03F7/70058—Mask illumination systems
- G03F7/70125—Use of illumination settings tailored to particular mask patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- 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
- G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
- G03F7/7065—Defects, e.g. optical inspection of patterned layer for defects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Abstract
披露了用于辨识图案的改善型特征提取设备和方法。一种用于辨识图案的改善型特征提取方法包括:获得表示图案实例的数据;将所述图案实例划分成多个分区;确定所述多个分区中的分区的代表性特性;使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。所述方法还包括基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。
Description
相关申请的交叉引用
本申请要求于2020年12月21日递交的PCT申请PCT/CN2020/1 37977的优先权,该PCT申请的全部内容以引用的方式并入本文中。
技术领域
本文所提供的实施例涉及图案分类及选择技术,并且更具体地涉及用于下游图案分类及选择以用于进行下游处理的图案表示机制。
背景技术
在集成电路(IC)的制造过程中,利用许多技术来改善IC电路在制造期间的设计及布局。IC制造商依赖于用来与IC设计相关的计算光刻任务中的图案的选择、归类及分类。以计算上高效的方式执行这些任务的能力正变得越来越重要。
发明内容
在一些实施例中,一种用于通过特征提取来表示图案的方法包括:获得表示图案实例的数据;将所述图案实例划分成多个分区;确定所述多个分区中的分区的代表性特性;使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。所述方法还包括基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。在一些实施例中,表示图案实例的所述数据是呈图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放原图系统互换标准(OASIS)格式、或加州理工中间格式(CIF)的布局数据。所述方法还包括:将特征转换成代表点。所述方法还包括:确定所述多个分区中的所述分区中的代表点的面密度。在一些实施例中,表示图案实例的所述数据是图像数据。在一些实施例中,所述图像数据是检查图像、空间像、掩模图像、蚀刻图像、或抗蚀剂图像,并且所述多个分区中的所述分区的代表性特性是代表点计数密度或图像像素密度中的一项。在一些实施例中,所述方法还包括:使用同心几何形状划分所述图案实例。
在一些实施例中,一种系统包括:存储器,所述存储器存储指令集;以及至少一个处理器,所述至少一个处理器被配置为执行所述指令集以使设备执行:获得表示图案实例的数据;将所述图案实例划分成多个分区;确定所述多个分区中的分区的代表性特性;使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。所述至少一个处理器还被配置为执行所述指令集以使所述设备进一步执行基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。在一些实施例中,表示图案实例的所述数据是呈图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放原图系统互换标准(OASIS)格式、或加州理工中间格式(CIF)的布局数据。所述至少一个处理器还被配置为执行所述指令集以使所述设备进一步执行:将特征转换为代表点。所述至少一个处理器还被配置为执行所述指令集以使所述设备进一步执行:确定所述多个分区中的所述分区中的代表点的面密度。在一些实施例中,表示图案实例的所述数据是图像数据。在一些实施例中,所述图像数据是检查图像、空间像、掩模图像、蚀刻图像、或抗蚀剂图像,并且每个分区的所述代表性特性是点计数或图像像素密度中的一项。所述至少一个处理器还被配置为执行所述指令集以使所述设备进一步执行:使用同心几何形状划分所述图案实例。
在一些实施例中,一种存储指令集的非暂时性计算机可读介质,所述指令集能够由计算装置的至少一个处理器执行,以使所述计算装置执行一种用于辨识图案的特征提取方法,所述特征提取方法包括:获得表示图案实例的数据;将所述图案实例划分成多个分区;确定所述多个分区中的分区的代表性特性;使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。所述方法还包括基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。在一些实施例中,表示图案实例的所述数据是呈图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放原图系统互换标准(OASIS)格式、或加州理工中间格式(CIF)的布局数据。所述方法还包括:将特征转换成代表点。所述方法还包括:确定所述多个分区中的所述分区中的代表点的面密度。在一些实施例中,表示图案实例的所述数据是图像数据。在一些实施例中,所述图像数据是检查图像、空间像、掩模图像、蚀刻图像、或抗蚀剂图像,并且每个分区的所述代表性特性是点计数或图像像素密度中的一项。在一些实施例中,所述方法还包括:使用同心几何形状划分所述图案实例。
本公开内容的实施例的其他优势将根据结合附图进行的以下描述而变得显而易见,在附图中借助于说明及示例阐述了本发明的某些实施例。
附图说明
图1是说明符合本公开内容的实施例的示例性电子束检查(EBI)系统的示意图。
图2是符合本公开内容的实施例的用于模型化或仿真图案形成过程的部分的示例性系统的框图。
图3是符合本公开内容的实施例的示例性系统的框图。
图4A至图4C是符合本公开内容的实施例的用于特征提取的示例图。
图5A至图5C是符合本公开内容的实施例的用于特征提取的示例图。
图6是表示符合本公开内容的实施例的用于特征提取的示例性方法的过程流程图。
图7是表示符合本公开内容的实施例的用于特征提取的示例性方法的过程流程图。
具体实施方式
现在将详细参考示例性实施例,在附图中说明实施例的示例。以下描述参考附图,其中,除非另外表示,否则不同附图中的相同的附图标记表示相同或相似的元件。阐述于示例性实施例的以下描述中的实施方案并不表示全部实施方案。相反,所述实施方案仅是符合与随附的权利要求中记载的所披露的实施例相关的方面的设备和方法的示例。例如,尽管一些实施例是在利用电子束的内容背景中被描述的,但是本公开内容不限于此。可以相似地施加其他类型的带电粒子束。此外,可以使用其他成像系统,诸如光学成像、光检测、x射线检测等。
另外,针对本文中披露的检查过程的各种实施例并不意图限制本公开内容。本文中披露的实施例适用于涉及在晶片或集成电路(包括但不限于检查及光刻系统)上辨识图案或与晶片或集成电路相关的任何技术。
由形成于被称为衬底的硅片上的电路构成电子器件。许多电路可以一起形成于同一硅片上并且被称为集成电路或IC。这些电路的尺寸已经显著地减小,使得电路中的许多电路可以被安装于衬底上。例如,智能型手机中的IC芯片可以与指甲盖一样小并且仍然可以包括超过20亿个晶体管,各个晶体管的尺寸小于人类毛发的尺寸的1/1000。
制造这些极小IC是经常涉及数百个单独步骤的复杂、耗时且昂贵的过程。甚至在一个步骤中的错误也具有导致成品IC中的缺陷的可能性,该缺陷使得成品IC是无用的。因此,制造过程的一个目标是避免此类缺陷以使在过程中制造的功能性IC的数目最大化,即改善过程的总体良率。
提高良率的一个方面是监测芯片制造过程,以确保该过程正在生产足够数目个功能性集成电路。监测该过程的一种方式是在它们的形成的各个阶段处检查芯片电路结构。可以使用扫描电子显微镜(SEM)进行检查。SEM可以用于实际上将这些极小结构成像,从而获取结构的“图片”。图像可以用于确定结构是否被正常地形成,以及结构是否形成于适当位置。如果结构是有缺陷的,则可以调整过程,使得缺陷不大可能再现。
在现代化带电粒子束光刻系统中,存在可以辅助减少缺陷的许多方法和过程。这些方法可以贯穿设计时期在各种阶段实施,以在缺陷出现之前防止缺陷。这些系统中的许多系统依赖于分析通过检查而根据完整的制造过程所获取的数据。用于在缺陷发生之前消除缺陷的过程包括针对IC制造处理中的不同步骤产生基于数据的模型。这些设计技术可以调整IC设计以考虑制造过程中的变化,使得所制造的IC芯片反映预期结构。这些设计技术也可以包括辨识导致热点的IC设计的区域以及在制造期间易于产生较高数目个缺陷的IC设计的区域。
用于在制造之前改善IC设计的这些技术中的每一项以及许多其他技术依赖于用于创建并训练用于分析IC设计的模型的大量的图案数据。图案数据可以包括目标IC设计或根据在制造期间检查那些设计而获取的图像。随着模型变得更复杂并且IC制造商利用诸如机器学习以及神经网络的高级方法来产生这些模型,也增加了用于产生模型的计算复杂度。
由于这种增加的计算复杂度以及对巨大图案数据集的需要,这些技术中的一些不是始终可行的。相反,一些技术可以使用图案的子集。为了有效,该子集需要是代表性的,并且提供目标设计中的图案的良好覆盖度。归类或选择图案数据(称为“图案选择”或“图案减少”)是允许以减少的数据量来高效地分析或预测晶片行为的关键方面。
根据本公开内容的实施例,可以通过提取关于图案中的特定特征的信息并且使用那些特征来产生特征向量(例如,如图4A至图4C中所示)以改善图案选择。可以通过处理存储于例如GDS文件(例如图4A)中的设计数据或根据在检查期间所获取的图像数据(例如图4B)而产生特征向量。然而,本公开内容不限于任何特定形式的图案数据,或获取图案数据的任何方式。另外,可以在用于基于图案(例如图4C)的不同特性产生特征向量之前处理或变换检查图像。不同的过程和算法可以使用所计算的特征向量来计算地分析和改善光刻过程,而无需密集计算来分析每个图案。许多下游应用可以采用与本文中描述的实施例一致的图案选择、分类及归类,包括基于机器学习的模型化或光学邻近效应校正(“OPC”)、基于机器学习的缺陷检查及预测、源掩模优化(“SMO”)、或可以选择代表性图案以减少运行时间并且改善图案覆盖度的任何其他技术。一些应用意图在标准迭代流程期间减少循环时间,这可以通过在一些非关键循环中应用代表性图案集合而非全芯片而从本发明中受益。
为了清楚起见,附图中的部件的相对尺寸可能被夸大。在以下附图的描述中,相同或类似的附图标记指相同或类似的部件或实体,并且仅描述相对于个别实施例的差异。如本文中使用的,除非另外特定地陈述,否则术语“或”涵盖所有可能的组合,除非是不可行的。例如,如果陈述部件可以包括A或B,则除非另外特定地陈述或者是不可行的,否则部件可以包括A、或者B、或者A和B。作为第二示例,如果陈述部件可以包括A、B或C,则除非另外具体地陈述或者是不可行的,否则部件可以包括A、或者B、或者C、或者A和B,或者A和C,或者B和C,或者A和B和C。
现在参考图1,该图说明符合本公开内容的实施例的示例性电子束检查(EBI)系统100。如下文所描述的,检查系统可以产生图案数据。如图1中所示,带电粒子束检查系统100包括主腔室10、装载锁定腔室20、电子束工具40和装备前端模块(EFEM)30。电子束工具40定位于主腔室10内。虽然描述和附图针对的是电子束,但是应明白的是,实施例不用于将本公开内容限制于特定带电粒子。
EFEM 30包括第一装载端口30a和第二装载端口30b。EFEM 30可以包括(多个)额外装载端口。第一装载端口30a和第二装载端口30b接收容纳有待检查的晶片(例如半导体晶片或由(多种)其他材料制成的晶片)或样品的晶片前开式单元匣(FOUP)(晶片和样品在下文中被统称为“晶片”)。EFEM 30中的一个或更多个机器人臂(未示出)将晶片输送到装载锁定腔室20。
装载锁定腔室20可以连接到装载/锁定真空泵系统(未示出),该真空泵系统移除装载锁定腔室20中的气体分子以达到低于大气压力的第一压力。在达到第一压力之后,一个或更多个机器人臂(未示出)将晶片从装载锁定腔室20传输到主腔室10。主腔室10连接到主腔室真空泵系统(未示出),该主腔室真空泵系统移除主腔室10中的气体分子以达到低于第一压力的第二压力。在达到第二压力之后,晶片经受电子束工具40进行的检查。在一些实施例中,电子束工具40可以包括单束检查工具。在其他实施例中,电子束工具40可以包括多束检查工具。
控制器50可以电连接到电子束工具40,并且也可以电连接到其他元件。控制器50可以是被配置为执行对带电粒子束检查系统100的不同控制的计算机。控制器50也可以包括被配置为执行各种信号和图像处理功能的处理电路。虽然控制器50在图1中被示出为在包括主腔室10、装载锁定腔室20和EFEM 30的结构外部,但是应明白的是,控制器50可以是该结构的一部分。
虽然本公开内容提供了收容电子束检查系统的主腔室10的示例,但是应该注意的是,本公开内容的各方面在它们最广泛意义上而言不限于收容电子束检查系统的腔室。确切地说,应明白的是,前述原理也可以应用于其他腔室。
图2是符合本公开内容的实施例的用于模型化或仿真图案形成过程的部分的示例性系统200的框图。
应明白的是,利用系统200而使用或产生的模型可以表示不同的图案形成过程并且无需包括下文所描述的所有模型。源模型201表示图案形成装置的照射的光学特性(包括辐射强度分布、带宽和/或相位分布)。源模型201可以表示照射的光学特性,所述光学特性包括但不限于数值孔径设定、照射标准偏差(σ)设定以及任何特定照射形状(例如离轴辐射形状,诸如环形、四极形、偶极形等),其中,σ(或标准偏差)是照射器的外部径向范围。
投影光学器件模型210表示投影光学器件的光学特性(包括由投影光学器件引起的辐射强度分布或相位分布的变化)。投影光学器件模型210可以表示投影光学器件的光学特性,该光学特性包括像差、失真、一个或更多个折射率、一个或更多个实体大小、一个或更多个物理尺寸等。
图案形成装置/设计布局模型模块220获取设计特征如何布置于图案形成装置的图案中,并且可以包括图案形成装置的详细物理性质的表示,如例如在以全文引用的方式并入本文中的美国专利第7,587,704号中描述的。在一些实施例中,图案形成装置/设计布局模型模块220表示设计布局(例如对应于集成电路、存储器、电子器件等的特征的器件设计布局)的光学特性(包括由给定的设计布局引起的辐射强度分布或相位分布的变化),该设计布局是图案形成装置上的或由图案形成装置形成的特征的配置的表示。由于可以改变用于光刻投影设备中的图案形成装置,所以期望使图案形成装置的光学特性与至少包括照射及投影光学器件的光刻投影设备的其余部分的光学特性分离。仿真的目标经常是准确地预测例如边缘放置及CD,然后可以将所述边缘放置及CD与器件设计进行比较。器件设计通常被定义为预OPC图案形成装置布局,并且将以诸如GDSII或OASIS的标准化数字文件格式被提供。
可以根据源模型200、投影光学器件模型210和图案形成装置/设计布局模型220来仿真空间像230。空间像(AI)是在衬底水平处的辐射强度分布。光刻投影设备的光学特性(例如照射、图案形成装置及投影光学器件的特性)规定空间像。
衬底上的抗蚀剂层被空间像曝光,并且空间像被转移到抗蚀剂层而作为其中的潜在“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240而根据空间像230仿真抗蚀剂图像250。抗蚀剂模型可以用于根据空间像计算抗蚀剂图像,它的示例可以见于美国专利第8,200,468号中,该美国专利的公开内容以全文引用的方式并入本文中。抗蚀剂模型通常描述在抗蚀剂曝光、曝光后烘烤(PEB)及显影期间发生的化学过程的效应,以便预测例如形成于衬底上的抗蚀剂特征的轮廓,并且因此抗蚀剂模型通常仅与抗蚀剂层的这些特性(例如在曝光、曝光后烘烤及显影期间发生的化学过程的效应)相关。在一些实施例中,可以获取抗蚀剂层的光学性质,例如折射率、膜厚度、传播及偏振效应,以作为投影光学器件模型210的一部分。
光学模型与抗蚀剂模型之间的连接是抗蚀剂层内的经仿真的空间像强度,经仿真的空间像强度起因于辐射到衬底上的投影、抗蚀剂界面处的折射及抗蚀剂膜叠层中的多重反射。辐射强度分布(空间像强度)是通过对入射能量的吸收而变为潜在的“抗蚀剂图像”,该潜在的“抗蚀剂图像”被扩散过程及各种负载效应进一步修改。足够快以用于全芯片应用的有效仿真方法通过二维空中(及抗蚀剂)图像来近似抗蚀剂叠层中的实际三维强度分布。
在一些实施例中,抗蚀剂图像可以用作图案转移后过程模型模块260的输入。图案转移后过程模型260限定一个或更多个抗蚀剂显影后过程(例如,蚀刻、显影等)的性能。
图案形成过程的仿真可以例如预测抗蚀剂和/或经蚀刻的图像中的轮廓、CD、边缘放置(例如,边缘放置误差)等。因此,仿真的目标是准确地预测例如印刷图案的边缘放置、空间像强度斜率或CD等。可以将这些值与预期设计进行比较,以例如校正图案形成过程,辨识预测出现缺陷的地点等。预期的设计通常被定义为可以以诸如GDS II或OASIS或其他文件格式的标准化数字文件格式提供的预OPC设计布局。
因此,模型公式化描述总过程的大多数(若非全部)已知的物理学及化学方法,并且模型参数中的每一个理想地对应于不同的物理或化学效应。因此,模型公式化设定关于模型可以被用于仿真总制造过程的良好程度的上限。为了有效地将制造过程模型化,系统200可以利用用于图案选择、归类及分类的高效过程,诸如本文中披露的过程。下文所描述的实施例可以提供描述图案实例的特征向量以便与关于图2所描述的计算光刻模型一起使用。
图3是符合本公开内容的实施例的被配置为执行特征提取的示例性系统300的框图。应明白的是,在各种实施例中,系统300可以是带电粒子束检查系统(例如,图1的电子束检查系统100)、图案形成模型化、或计算光刻系统(例如,来自图2的系统200)、或其他光刻系统的一部分或可以与带电粒子束检查系统(例如,图1的电子束检查系统100)、图案形成模型化、或计算光刻系统(例如,来自图2的系统200)、或其他光刻系统分离。在一些实施例中,系统300可以是例如控制器50、图案形成装置/设计布局模型220的一部分、图1和图2的其他模块的一部分,系统300被实施为光刻系统的一部分、独立设备或计算机模块、或电子设计自动化系统的一部分。在一些实施例中,系统300可以包括图案获取器、图案处理器、特征向量产生器、图案变换器、数据库、存储器、存储装置等。
如图3中说明的,系统300可以包括图案获取器310、图案处理器320、特征向量产生器330、图案变换器340和数据库350。根据本公开内容的实施例,图案获取器310可以获得与IC设计相关联的图案。
图案获取器310可以获得表示用于例如图2的系统200中的IC设计布局的全部或一部分的图案。图案获取器310可以获得呈多种格式的图案。在参考下文图4A更详细地描述的一些实施例中,由图案获取器310获得的图案可以呈图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放原图系统互换标准(OASIS)格式、加州理工中间格式(CIF)等。芯片设计布局可以包括用于包括于芯片上的图案。图案可以是掩模图案,该掩模图案用于将特征从光刻掩模或掩模版转移到晶片。在一些实施例中,呈GDS或OASIS等格式的图案可以包括以二进制文件格式存储的特征信息,该二进制文件格式表示平面几何形状、文字及与晶片设计布局有关的其他信息。
在下文参考图4B更详细地描述的一些实施例中,由图案获取器310获得的图案可以是通过检查样品或晶片而获取的图像或图像的一部分。例如,图案获取器310可以从由图1中的电子束检查系统100产生的图像获得图案。在一些实施例中,图案获取器310可以从先前由SEM或其他检查系统(例如,图1的检查系统100或图2的系统200)获取的样品获得表示图案的图像。图案获取器310可以从数据库、存储器、或类似的电部件或存储器获取图案。在一些实施例中,由图案获取器310获得的图案可以是经由检查系统获得的图像的经修改的或经变换的版本(例如,下文更详细地描述的图4C的图像440)。例如,图案可以是已经受经由例如快速傅立叶变换(“FFT”)或高斯滤波器处理的样品的图像的全部或一部分。应明白的是,普通技术人员会了解可以应用于检查图像或图像式物体或数据结构的其他图像变换或操纵。如所证明的,图案获取器可以获得呈多种格式的图案信息,从而允许本文中描述的实施例在整个通用图案信息及格式中起作用并且适用于多种实际应用及系统。
图案获取器310可以将图案提供到图案处理器320。图案处理器320可以准备图案以用于产生特征向量。图案处理器320可以基于从图案获取器310接收的图案的类型来执行不同的处理。关于对应于图4A至图4C的实施例来描述这些差异中的一些。例如,图4A、图4B和图4C可以分别以GDS格式、未改变的检查图像格式、以及经变换的图像格式来表示图案。图案图像可以是掩模图像、空间像、抗蚀剂图像、或本领域中所熟知的任何其他合适的图案图像。
参考图4A,图4A是可以从例如图案获取器310获得的示例性图案400。图案400可以是以GDS格式存储的图案。应明白的是,图案400不限于GDS格式,而是可以是表示布局信息的任何类似的数据格式或数据结构。
图案400可以包括在整个图案中定位的各种特征。特征可以是不同形状的多边形,不同形状的多边形表示用于制造IC的布局的各种元件。在一些实施例中,可以通过使用任何合适的技术,例如基于特征的几何形状而将特征缩减到对应的代表点。这些特征代表点可以被表示为特征点407。图4A中所示的特征点407的数目是示例性的。在一些实施例中,较多的特征存在于图案400中,并且在一些实施例中,较少的特征点407存在于图案400中。在一些实施例中,代表点可以对应于特征的多边形的形心。可以基于特征的形状确定形心的位置。在一些其他实施例中,替代使用形心,可以由另一坐标、方面或另一类型的特征的代表点来表示多边形。例如,图案处理器320可以针对多边形使用x维度和y维度中的第一坐标、表示特征的形状,或者是特征的一部分的特定顶点。
根据本公开内容的实施例,图案处理器320可以处理图案400,并且将图案400划分成区、区域、分区、或堆栈。在一些实施例中,堆栈可以被表示为从图案400的中心向外发出的同心圆的区域。例如,图案处理器320可以将图案400划分成堆栈401、402、403和404。每个堆栈覆盖图案400的不同部分。
参考图4B,图4B是可以从例如图案获取器310获得的示例性图案420。图案420可以是以图像格式存储的图案,并且表示在通过例如检查系统100或系统200检查样品期间所获取的图像的一部分或全部。应明白的是,可以以由图案处理器320处理或解释的任何合适的图像格式存储图案420。
根据本公开内容的实施例,图案处理器320可以处理图案420,并且将图案420划分成区、区域、分区、或堆栈。在一些实施例中,堆栈可以表示为从图案420的中心向外发出的同心正方形的区域。例如,图案处理器320可以将图案420划分成堆栈421、422、423和424。每个堆栈覆盖图案400的不同部分。
参考图4C,图4C是可以从例如图案获取器310获得的示例性图案440。图案440可以是以图像格式存储的图案,并且表示在通过例如检查系统100或系统200检查样品期间所获取的图像的一部分或全部,已经利用图像变换过程进一步处理该图像。例如,图案440可以表示已经使用FFT处理的图案图像。应明白的是,可以以由图案处理器320处理或解释的任何合适的图像格式存储图案440。另外,图案440可以是一种或更多种图像变换的结果,该图像变换包括但不限于FFT、高斯滤波器或本领域中所熟知的其他图像变换。
根据本公开内容的实施例,图案处理器320可以处理图案440,并且将图案440划分成区、区域、分区、或堆栈。在一些实施例中,堆栈可以表示为从图案420的中心向外发出的同心正方形的区域。例如,图案处理器320可以将图案440划分成堆栈441、442、443和444。每个堆栈覆盖图案400的不同部分。
返回参考图3,图案处理器320可以将经处理的图案提供到特征向量产生器330。特征向量产生器330可以使用经处理的图案,并且将图案(例如,图案400、420和440)转换成特征向量。特征向量可以是图案的数学表示。在一些实施例中,特征向量可以是n元组,其中,特征向量中的每个元素可以表示图案的堆栈的特性。特征向量产生器330确定元组的每个元素的方式可以依赖于图案的性质。关于图4A至图4C更详细地描述了示例性特征计算。
在一些实施例中,由包括不同堆栈中的特征密度或特征点密度的特征向量来表示图案。再次参考图4A,特征向量产生器330可以例如通过检查图案400和堆栈401、402、403和404来计算特征或特征点407的面密度。例如,特征向量产生器330可以确定特征407中的一个的形心位于堆栈401中。特征向量产生器330也可以确定特征407中的两个位于堆栈402中,特征407中的四个位于堆栈403中,并且特征407中的两个位于堆栈404中。根据该信息,可以通过将堆栈中的特征或特征点的数目除以该堆栈的面积来计算每个堆栈中的特征或特征点的面积特征密度。例如,如果堆栈经选择以使堆栈401、402、403和404的区域分别是一、三、五和七个正方形单元,则堆栈401、402、403和404具有1、0.667、0.8和0.286的相应密度。这些密度可以接着组合成单个特征向量,该单个特征向量可以被表示为“(1,0.667,0.8,0.286)”以表示图案。
在一些实施例中,除了面积特征密度之外的指标可以用于产生特征向量。例如,特征向量产生器330可以计算每个堆栈中的特征或特征代表点的总数目、每个堆栈中的特征或特征代表点的分布,或可以将堆栈的特性减小为单一值的任何其他指标。依赖于不同应用,图案的不同特性可以更好地适合于产生特征向量。特征向量产生器330可以被配置为确定待使用的适当特性,或可以基于特征向量的目标应用来被配置。
在一些实施例中,参考图4B和图4C,特征向量产生器330可以处理图案420或图案440上的堆栈中的图案图像的像素以确定特征向量。例如,类似于图案420和图案440中所示的灰阶图像的灰阶图像可以包含例如0至255的范围内的像素值,其中,0是黑色,255是白色,并且所有其他像素强度落在二者之间的某处。在一些实施例中,特征向量产生器330可以对堆栈中的每个像素的像素强度进行求和。在这些实施例中,每个堆栈的总和可以用作特征向量中的对应值。例如,堆栈421或堆栈441中的强度的总和可以分别是图案420或440的特征向量的元素值。图案图像可以是所获取或仿真的SEM图像、空间像、抗蚀剂图像、掩模图像或蚀刻图像等。
应明白的是,图像像素的其他方面可以用于产生特征向量值。例如,代替像素强度的总和,特征向量产生器330可以使用平均强度、最大强度、最小强度、或可以将该数据缩减为单一值的堆栈中的数据的某个其他特性。用于特征向量值的不同源可以更好地适合于特征向量的不同应用。
返回参考图3,由特征向量产生器330产生的特征向量可以被存储于数据库350中以供稍后使用。在一些实施例中,特征向量产生器330可以产生可以被存储于数据库350中的多个特征向量。例如,这些额外的特征向量可以是图案的不同部分的特征向量、使用图案的不同特性产生的特征向量、或者以不同堆栈尺寸或布局产生的特征向量。
在一些实施例中,图案获取器310可以在处理图案之前将图案提供到图案变换器340。在这些实施例中,图案变换器340可以在由图案处理器320处理之前对图案应用变换、或者其他图像或文件操纵。例如,图案变换器340可以将FFT或高斯滤波器应用于图像。使用诸如FFT的变换可以允许图案从时域转换到频域,并且可以允许针对所得到的特征向量的额外灵活性及应用。
在一些实施例中,当利用特征向量进行图案匹配时,使用变换可以允许额外的灵活性。参考图5A和图5B,图像503和507可以表示具有相同几何形状但已经移位的图案的特征。当处理这些图像时,图案处理器320可以在计算堆栈时在特征的不同部分处分割特征。因此,图像中的特征的空间移位可以针对同一图案产生两个不同的特征向量。图像513和517表示分别将FFT应用于输入图像503和507的结果。因为FFT将图像转换到量值谱,所以避免了图像中的空间移位,并且两个特征得出相同的量值谱。图案变换器340可以对图像503和507应用FFT,并且可以将所得到的图像513和517提供到图案处理器320。在该示例中,当处理图像513和517时,不管空间移位如何,图案处理器320都可以产生图像上的相同堆栈,并且特征向量产生器330可以产生两个输入图像503和507的相同特征向量。
在一些实施例中,由图案获取器310获取的图像可能已经具有被应用的图像变换。在其他实施例中,由图案获取器310获得的图案在被图案处理器320处理之前,图案变换器340可以将变换应用到该图案。在一些实施例中,图案获取器310可以将相同的图案直接提供到图案处理器320,并且也提供到图案变换器340。在这些实施例中,可以由特征向量产生器330使用原始图案和经变换的数据文件两者产生特征向量。在其他实施例中,图案处理器320和特征向量产生器330可以仅对经变换的数据进行操作。变换图案可以允许系统300基于经变换的数据而产生特征向量,并且如上文所示,可以针对经移位的图案产生相同的特征向量。
如上文所描述的,系统300的各种方面之间的相互作用可以引起从相同图案产生的不同的特征向量。通过调整系统300的不同元件,可以产生不同的特征向量以用于不同的应用。另外,来自单个图案的不同的特征向量可以彼此组合地使用,或可以用于不同的应用。不同的处理技术可以用于匹配所得到的应用的需要,而无需复杂的模型化或计算上密集的算法来从相同的图案产生不同的特征向量。
根据本公开内容的实施例产生的特征向量可以用于图案匹配,诸如准确匹配或模糊匹配。例如,即便用于产生那些特征向量的图案并不准确地相同,从布局的不同部分产生的特征向量也可以匹配。通过调整由图案处理器320产生的堆栈尺寸,不同程度的模糊度可以被引入处理流程中。例如,通过增大堆栈尺寸,由特征向量产生器330产生的特征向量可能是不太精确的。这可能导致不具有产生相同特征向量的准确地相同的特征布局的图案。然而,在该示例中,较大的堆栈尺寸可以导致可以改善处理效率的较小的特征向量尺寸。
这些实施例中的降低的精度也可能对一些应用有益。例如,当制造布局时,同一部件或特征可能是不相同的,这是因为在制造过程期间发生了变化。在该示例中,由特征向量产生器330针对样品产生的特征向量仍然可以匹配,这是因为特征向量的模糊度考虑到了变化。在另一个示例中,较小数目个堆栈可以用于产生可以用于特定过程或应用的原型设计的特征向量。在该示例中,更多堆栈然后可以有效地应用于原始图案,以在移动超出初始原型或规划阶段时产生更精确的特征向量。
在其他实施例中,在需要较高精度的情况下,图案处理器320可以使用较小的堆栈尺寸。尽管这可以产生较大的特征向量,但是额外的精度可以更好地适合于某些应用。由于系统300中的固有的灵活性,所以可以根据不同需要和不同应用来调适精度与计算复杂度之间的平衡。
图案处理器320如何将堆栈布置在图案上的差异也可能影响如何使用特征向量。例如,对于图4A的图案400,图案处理器320可以使用同心圆来产生堆栈401、402、403和404。在一些实施例中,替代同心圆,使用同心正方形,诸如图4A和图4C中所示。每种方法可以用于允许在不同应用中使用。例如,如果图案处理器320使用同心圆来限定堆栈,并且特征向量产生器330计算基于特征密度的特征向量,则图案中的旋转可以导致相同的特征向量。在这些实施例中,特征向量可以用于在整个晶片设计或检查图像中寻找相同或类似的图案,即便那些图案在整个设计中具有不同的定向。另外,堆栈的更复杂的组合可以用于进一步增大特征向量的有效性。例如,参考图5C,图案处理器320可以将图案420划分成非同心堆栈。如图所示,图案处理器320可以通过绘制连接图案420的拐角的对角线而将图案420划分成四个堆栈,诸如堆栈521、522、523和524。所得到的堆栈可以各自表示图案420的象限,其中,每个堆栈围绕图案420的中心旋转(即,可以通过将堆栈524旋转90°而获得堆栈521)。也可以使用不同的堆栈尺寸、数目和旋转角度。例如,可以使用由对应数目个堆栈旋转30°、45°、60°、90°或任何其他角度而得到的堆栈。通过以这种方式划分图案420,例如由特征向量产生器330产生的所得到的特征向量可以与从同心划分的图案420(例如,如图4B中所示)产生的特征向量组合,以减小两个不同的图案缩减到相同的特征向量的可能性。以这种方式产生的特征向量可以与关于例如图4B中的图案420产生的特征向量同时使用,或可以单独地使用。
尽管以上公开内容论述基于同心形状和/或旋转象限产生堆栈,但是应明白的是,普通技术人员可以应用堆栈的额外组合(例如,栅格或矩阵)。尽管从不同类型的堆栈生成而产生的特征向量可能具有不同的应用、优点和缺点,但是将堆栈应用于图案和从单独的堆栈产生特征向量的过程保持与关于系统300所描述的内容相同。
图6是表示符合本公开内容的实施例的用于特征提取的示例性方法600的过程流程图。方法600的步骤可以由图3的系统300执行,在计算装置的特征(例如,出于说明的目的,图1的控制器50)上执行,或以其他方式使用所述特征执行。应明白的是,所说明的方法600可以被更改,以修改步骤的顺序并且包括额外的步骤。
在步骤610中,系统300可以获得图案。图案可以是表示诸如GDS文件或者类似的文件或数据结构(例如,图4A的图案400)的IC设计布局的数据文件。图案可以包括与IC设计的特征或各种类型的图案图像相关的多边形信息。
在步骤620中,系统300可以辨识包含特征(例如,图4A的特征407)的图案的子区段。在一些实施例中,所辨识的特征可以是在整个图案中重复的相同或类似的特征。在其他实施例中,所辨识的特征是图案中的全部特征。在步骤620处,系统300可以辨识特征,并且将特征缩减到一点以表示特征。这些特征代表点可以是表示特征的多边形的形心、表示特征的多边形的顶点、代表点或辨识特征在设计中位于何处的特征的任何其他特性。
在步骤630中,系统300可以将图案的子区段划分成多个区域或堆栈。例如,系统300可以使用同心或非同心的几何形状(例如,圆)来限定不同区域或堆栈(例如,图4A的堆栈401、402、403和404)的边界。如上文所描述的,在一些实施例中,可以使用不同的形状或方法将图案划分成堆栈(例如,可以使用正方形、圆形或其他形状)。
在步骤640中,系统300可以确定堆栈中的每一个中的特征密度的指示。对于步骤630中产生的每个堆栈,系统300可以辨识堆栈中的特征或特征代表点的数目。在一些实施例中,特征可以横跨多个堆栈,并且被视为出现在两个堆栈中。在其他实施例中,横跨多个堆栈的特征可以被视为基于用于辨识特征的特定点或位置而位于单个堆栈中。在辨识出堆栈中的特征或特征代表点之后,系统300可以通过将特征或特征代表点的数目除以堆栈的面积来确定堆栈的面密度。如上文所描述的,在一些实施例中,系统300可以利用计算表示每个堆栈的数值的不同方法。
在步骤650中,系统300可以计算表示图案的子区段的特征向量。系统300可以使用针对每个堆栈确定的密度作为n元组或向量的元素。组合密度可以形成可以表示图案的子区段的特征向量。如所构造的,匹配图案可以导致匹配特征向量,从而允许在整个IC设计中进行图案的计算上高效的归类及选择。
图7是表示符合本公开内容的实施例的用于特征提取的示例性方法700的过程流程图。方法700的步骤可以由图3的系统300执行,在计算装置的特征(例如,出于说明的目的,图1的控制器50)上执行,或以其他方式使用所述特征执行。应明白的是,所说明的方法700可以被更改,以修改步骤的顺序并且包括额外的步骤。
在步骤710中,系统300可以获得表示IC设计中的图案的图像。在一些实施例中,图像可以是如通过例如图1的检查系统100获取或从图2的系统200获得的检查图像或样品的检查图像的一部分(例如,图4B的图案420)。在又一其他实施例中,图像可以是已经经历这种FFT或高斯滤波器的图像处理的检查图像或检查图像的一部分(例如,图4C的图案440)。在一些实施例中,图像可以是经仿真的SEM图像,或经仿真的空间像、掩模图像、蚀刻图像、抗蚀剂图像等。在一些实施例中,将在步骤720中进一步处理所获得的图像。在其他实施例中,方法700直接在步骤730处继续。在一些实施例中,方法700使用原始图像(例如,直接将图像从720发送到步骤730,并且也可以在步骤720中进一步处理图像。在这些实施例中,方法700可以对两个图像单独地执行后续步骤(例如,步骤730、740和750),从而产生两个特征向量。
在步骤720中,系统300可以进一步处理在步骤710中获得的图像。系统300可以将滤波器或变换应用于所获得的图像。例如,系统300可以将FFT或高斯滤波器应用于图像(例如,应用于图像503和507以产生图5A和图5B中的图像513和517的变换)。应用于图像的特定变换或处理可以依赖于使用方法700的特定应用。
在步骤730中,系统300可以将图像划分成多个区域或堆栈。例如,系统300可以使用同心或非同心的几何形状(例如,正方形)来限定不同的区域或堆栈(例如,图4B中的图案420的堆栈421、422、423和424、以及图4C中的图像440的堆栈441、442、443和444)的边界。如上文所描述的,在一些实施例中,可以使用不同的形状或方法将图案划分成堆栈(例如,可以使用正方形、圆形或其他形状)。
在步骤740中,系统300可以确定堆栈中的每一个中的像素强度。对于在步骤730中产生的每个堆栈,系统300可以处理堆栈中的图案图像的像素。例如,在灰阶图像中,每个像素的强度可以是例如范围在0至255的值,其中,0是黑色,255是白色,并且所有其他像素强度落在二者之间的某处。系统300可以通过对堆栈中的单独的像素强度求和来确定总体像素强度。如上文所描述的,在一些实施例中,系统300可以利用计算表示每个堆栈的数值的不同方法。
在步骤750中,系统300可以计算表示图像的特征向量。系统300可以使用针对每个堆栈确定的像素强度作为n元组或向量的元素。组合密度可以形成可以表示图案的特征向量。如所构造的,匹配图像可以导致匹配特征向量,从而允许在整个IC设计上进行图案的计算上高效的归类及选择。
可以提供存储用于控制器(例如,图1的控制器50)或系统(例如,图3的系统300)的处理器的指令的非暂时性计算机可读介质,所述处理器进行图像检查、图像采集、图像变换、图像处理、图像比较、平台定位、束聚焦、电场调整、束弯曲、聚光透镜调整、启动带电粒子源、以及束偏转等。非暂时性介质的常见形式包括例如软盘、柔性磁盘、硬盘、固态驱动器、磁带或任何其他磁性数据存储介质、只读光盘存储器(CD-ROM)、任何其他光学数据存储介质、具有孔的图案的任何物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)及可擦除可编程只读存储器(EPROM)、FLASH-EPROM或任何其他闪存、非易失性随机存取存储器(NVRAM)、高速缓存、缓存器、任何其他存储器芯片或卡盒、以及它们的网络化版本。
可以通过以下方面进一步描述本公开内容的实施例:
1.一种用于辨识图案的特征提取方法,包括:
获得表示图案实例的数据;
将所述图案实例划分成多个分区;
确定所述多个分区中的分区的代表性特性;
使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。
2.如方面1所述的方法,还包括基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。
3.如方面1或2所述的方法,其中,表示图案实例的所述数据是布局文件。
4.如方面3所述的方法,其中,所述布局文件呈图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放原图系统互换标准(OASIS)格式、或加州理工中间格式(CIF)。
5.如方面3或4所述的方法,其中,获得表示图案实例的数据还包括:将特征转换成代表点。
6.如方面5所述的方法,其中,确定所述多个分区中的分区的代表性特性还包括:确定所述多个分区中的所述分区中的代表点的面密度。
7.如方面1或2所述的方法,其中,表示图案实例的所述数据是图像数据。
8.如方面7所述的方法,其中,所述图像数据是检查图像、空间像、掩模图像、蚀刻图像、或抗蚀剂图像。
9.如方面7或8所述的方法,其中,所述多个分区中的所述分区的代表性特性是代表点计数密度或图像像素密度中的一项。
10.如方面1至9中任一项所述的方法,其中,将所述图案实例划分成多个分区还包括:使用同心几何形状划分所述图案实例。
11.如方面1至10中任一项所述的方法,其中,所述特征向量被提供以用于模型化、光学邻近效应校正(OPC)、缺陷检查、缺陷预测、或源掩模优化(SMO)中的至少一项。
12.一种系统,包括:
存储器,所述存储器存储指令集;以及
至少一个处理器,所述至少一个处理器被配置为执行所述指令集以使设备执行:
获得表示图案实例的数据;
将所述图案实例划分成多个分区;
确定所述多个分区中的分区的代表性特性;
使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。
13.如方面12所述的系统,所述至少一个处理器被配置为执行所述指令集以使所述设备进一步执行基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。
14.如方面12或13所述的系统,其中,表示图案实例的所述数据是布局文件。
15.如方面14所述的系统,其中,所述布局文件呈图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放原图系统互换标准(OASIS)格式、或加州理工中间格式(CIF)。
16.如方面14或15所述的系统,所述至少一个处理器被配置为执行所述指令集以使所述设备进一步执行:将特征转换为代表点。
17.如方面16所述的系统,所述至少一个处理器被配置为执行所述指令集以使所述设备进一步执行:确定所述多个分区中的所述分区中的代表点的面密度。
18.如方面12或13所述的系统,其中,表示图案实例的所述数据是图像数据。
19.如方面18所述的系统,其中,所述图像数据是检查图像、空间像、掩模图像、蚀刻图像、或抗蚀剂图像。
20.如方面18或19所述的系统,其中,所述多个分区中的所述分区的代表性特性是点计数密度或图像像素密度中的一项。
21.如方面12至20中任一项所述的系统,所述至少一个处理器被配置为执行所述指令集以使所述设备进一步执行:使用同心几何形状划分所述图案实例。
22.如方面12至21中任一项所述的系统,其中,所述特征向量被提供以用于模型化、光学邻近效应校正(OPC)、缺陷检查、缺陷预测、或源掩模优化(SMO)中的至少一项。
23.一种存储指令集的非暂时性计算机可读介质,所述指令集能够由计算装置的至少一个处理器执行,以使所述计算装置执行一种用于辨识图案的特征提取的方法,所述方法包括:
获得表示图案实例的数据;
将所述图案实例划分成多个分区;
确定所述多个分区中的分区的代表性特性;
使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。
24.如方面23所述的非暂时性计算机可读介质,所述指令集能够由所述计算装置的至少一个处理器执行,以使所述计算装置进一步执行基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。
25.如方面23或24所述的非暂时性计算机可读介质,其中,表示图案实例的所述数据是布局文件。
26.如方面25所述的非暂时性计算机可读介质,其中,所述布局文件呈图形数据库系统(GDS)格式、图形数据库系统II(GDS II)格式、开放原图系统互换标准(OASIS)格式、或加州理工中间格式(CIF)。
27.如方面25或26所述的非暂时性计算机可读介质,所述指令集能够由所述计算装置的至少一个处理器执行,以使所述计算装置进一步执行将特征转换为代表点。
28.如方面27所述的非暂时性计算机可读介质,所述指令集能够由所述计算装置的至少一个处理器执行,以使所述计算装置进一步执行:确定所述多个分区中的所述分区中的所述代表点的面密度。
29.如方面23或25所述的非暂时性计算机可读介质,其中,表示图案实例的所述数据是图像数据。
30.如方面29所述的非暂时性计算机可读介质,其中,所述图像数据是检查图像、空间像、掩模图像、蚀刻图像、或抗蚀剂图像。
31.如方面29或30所述的非暂时性计算机可读介质,其中,所述多个分区中的所述分区的代表性特性是点计数或图像像素中的一个。
32.如方面23至31中任一项所述的非暂时性计算机可读介质,所述指令集能够由所述计算装置的至少一个处理器执行,以使所述计算装置进一步执行:使用同心几何形状划分所述图案实例。
33.如方面23至32中任一项所述的非暂时性计算机可读介质,其中,所述特征向量被提供以用于模型化、光学邻近效应校正(OPC)、缺陷检查、缺陷预测、或源掩模优化(SMO)中的至少一项。
34.如方面7所述的方法,其中,所述特征向量包括与所述多个分区的数目相同的元素,其中,每个元素对应于相应的分区中的面密度。
35.如方面5所述的方法,其中,所述代表点对应于所述特征的形心。
36.如方面7所述的方法,其中,获得所述数据包括:对所述图像数据执行FFT。
诸图中的框图说明根据本公开内容的各种示例性实施例的系统、方法及计算机硬件/软件产品的可能实施的架构、功能性及操作。就此而言,示意图中的各个区块可以表示可以使用硬件(诸如电子电路)实施的某种算术或逻辑计算处理。区块也可以表示模块、区段或包括用于实施指定逻辑功能的一个或更多个可执行指令的代码的部分。应该理解的是,在一些替代性实施方案中,区块中所指示的功能可能不按图中所提及的顺序出现。例如,依赖于所涉及的功能性,可以大体上同时执行或实施连续示出的两个区块,或有时可以以相反的顺序执行两个区块。也可以省略一些区块。
将明白的是,本公开内容的实施例不限于已经在上文所描述的以及在随附的附图中所说明的确切构造,并且可以在不背离本发明的范围的情况下作出各种修改及改变。已经结合各种实施例对本公开内容进行了描述,通过考虑本文中披露的本发明的规格及实践,本发明的其他实施例对于本领域技术人员而言将是显而易见的。意图是本说明书和示例仅被视为示例性的,其中,通过以下权利要求来指示本发明的真正范围及精神。
上文的描述意图是说明性的,而非限制性的。因此,对于本领域技术人员而言将显而易见的是,可以在不背离下文所阐明的权利要求的范围的情况下如所描述地进行修改。
Claims (15)
1.一种存储指令集的非暂时性计算机可读介质,所述指令集能够由计算装置的至少一个处理器执行,以使所述计算装置执行一种用于辨识图案的特征提取方法,所述特征提取方法包括:
获得表示图案实例的数据;
将所述图案实例划分成多个分区;
确定所述多个分区中的分区的代表性特性;以及
使用特征向量来产生所述图案实例的表示,其中,所述特征向量包括对应于所述代表性特性的元素,其中,所述代表性特性指示所述分区的一个或更多个特征的空间分布。
2.如权利要求1所述的非暂时性计算机可读介质,其中,所述方法还包括基于所述特征向量对图案实例进行分类和基于所述特征向量对图案实例进行选择中的至少一项。
3.如权利要求1所述的非暂时性计算机可读介质,其中,表示图案实例的所述数据是布局数据。
4.如权利要求3所述的非暂时性计算机可读介质,其中,所述布局数据呈图形数据库系统(GDS)格式、图形数据库系统II(GDSII)格式、开放原图系统互换标准(OASIS)格式、或加州理工中间格式(CIF)。
5.如权利要求1所述的非暂时性计算机可读介质,其中,获得表示图案实例的数据还包括:将特征转换成代表点。
6.如权利要求5所述的非暂时性计算机可读介质,其中,确定所述多个分区中的分区的代表性特性还包括:确定所述多个分区中的所述分区中的代表点的面密度。
7.如权利要求1所述的非暂时性计算机可读介质,其中,表示图案实例的所述数据是图像数据。
8.如权利要求7所述的非暂时性计算机可读介质,其中,所述图像数据是检查图像、空间像、掩模图像、蚀刻图像、或抗蚀剂图像。
9.如权利要求7所述的非暂时性计算机可读介质,其中,所述多个分区中的所述分区的代表性特性是代表点计数密度。
10.如权利要求7所述的非暂时性计算机可读介质,其中,所述多个分区中的所述分区的代表性特性是图像像素密度。
11.如权利要求1所述的非暂时性计算机可读介质,其中,将所述图案实例划分成多个分区还包括:使用同心几何形状划分所述图案实例。
12.如权利要求1所述的非暂时性计算机可读介质,其中,所述特征向量被提供以用于模型化、光学邻近效应校正(OPC)、缺陷检查、缺陷预测、或源掩模优化(SMO)中的至少一项。
13.如权利要求7所述的非暂时性计算机可读介质,其中,所述特征向量包括与所述多个分区的数目相同数目的元素,其中,每个元素对应于相应的分区中的面密度。
14.如权利要求5所述的非暂时性计算机可读介质,其中,所述代表点对应于所述特征的形心。
15.如权利要求7所述的非暂时性计算机可读介质,其中,获得所述数据包括:对所述图像数据执行快速傅立叶变换。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNPCT/CN2020/137977 | 2020-12-21 | ||
CN2020137977 | 2020-12-21 | ||
PCT/EP2021/082886 WO2022135819A1 (en) | 2020-12-21 | 2021-11-24 | Feature extraction method for extracting feature vectors for identifying pattern objects |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116648704A true CN116648704A (zh) | 2023-08-25 |
Family
ID=78824978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180085814.8A Pending CN116648704A (zh) | 2020-12-21 | 2021-11-24 | 用于提取特征向量以辨识图案物体的特征提取方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240037897A1 (zh) |
KR (1) | KR20230122602A (zh) |
CN (1) | CN116648704A (zh) |
TW (1) | TW202230204A (zh) |
WO (1) | WO2022135819A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100982135B1 (ko) | 2005-09-09 | 2010-09-14 | 에이에스엠엘 네델란즈 비.브이. | 개별 마스크 오차 모델을 사용하는 마스크 검증 방법 및시스템 |
NL1036189A1 (nl) | 2007-12-05 | 2009-06-08 | Brion Tech Inc | Methods and System for Lithography Process Window Simulation. |
JP2014182219A (ja) * | 2013-03-18 | 2014-09-29 | Fujitsu Ltd | 欠陥箇所予測装置、識別モデル生成装置、欠陥箇所予測プログラムおよび欠陥箇所予測方法 |
-
2021
- 2021-11-24 US US18/265,431 patent/US20240037897A1/en active Pending
- 2021-11-24 KR KR1020237020806A patent/KR20230122602A/ko unknown
- 2021-11-24 WO PCT/EP2021/082886 patent/WO2022135819A1/en active Application Filing
- 2021-11-24 CN CN202180085814.8A patent/CN116648704A/zh active Pending
- 2021-12-13 TW TW110146487A patent/TW202230204A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
TW202230204A (zh) | 2022-08-01 |
KR20230122602A (ko) | 2023-08-22 |
US20240037897A1 (en) | 2024-02-01 |
WO2022135819A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11270430B2 (en) | Wafer inspection using difference images | |
US10163733B2 (en) | Method of extracting defects | |
US7558419B1 (en) | System and method for detecting integrated circuit pattern defects | |
US20220375063A1 (en) | System and method for generating predictive images for wafer inspection using machine learning | |
KR20200015708A (ko) | 측정 방법 및 장치 | |
JP5808406B2 (ja) | 集積回路レイアウト内のリソグラフィック結合パターンの迅速評価方法 | |
JP7281547B2 (ja) | プロセス制御のためのインダイメトロロジ方法及びシステム | |
US20220309222A1 (en) | Semiconductor layout context around a point of interest | |
US20230036630A1 (en) | Aligning a distorted image | |
US20240037897A1 (en) | Feature extraction method for extracting feature vectors for identifying pattern objects | |
US10134124B2 (en) | Reference image contour generation | |
TWI814571B (zh) | 用於轉換度量衡資料之方法 | |
TWI798991B (zh) | 藉由運算裝置所實施之基於特徵的單元擷取之方法及其相關非暫時性電腦可讀媒體 | |
US20240069450A1 (en) | Training machine learning models based on partial datasets for defect location identification | |
EP4123583A1 (en) | Aligning a distorted image | |
US20240095935A1 (en) | Deep learning model-based alignment for semiconductor applications | |
WO2024068280A1 (en) | Parameterized inspection image simulation | |
JP2023549733A (ja) | 能動学習に基づく欠陥位置の識別 | |
WO2022207181A1 (en) | Improved charged particle image inspection | |
TW202230039A (zh) | 用於產生解模糊模型及解模糊影像之設備及方法 | |
KR20230163492A (ko) | 하전 입자 시스템 검사 중 국소 초점을 결정하는 시스템 및 방법 | |
US9152037B2 (en) | Pattern correction method, storage medium, information processing apparatus, method of manufacturing mask, exposure apparatus, and method of manufacturing device | |
CN115937074A (zh) | 使用图案模型的图案检查方法 | |
CN117813547A (zh) | 掩模缺陷检测 |
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 |