CN117546009A - 用于半导体结构的数据驱动参数化及测量的方法及系统 - Google Patents
用于半导体结构的数据驱动参数化及测量的方法及系统 Download PDFInfo
- Publication number
- CN117546009A CN117546009A CN202280044636.9A CN202280044636A CN117546009A CN 117546009 A CN117546009 A CN 117546009A CN 202280044636 A CN202280044636 A CN 202280044636A CN 117546009 A CN117546009 A CN 117546009A
- Authority
- CN
- China
- Prior art keywords
- variables
- values
- measurement
- contours
- reference shape
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000004065 semiconductor Substances 0.000 title claims abstract description 76
- 230000003287 optical effect Effects 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010894 electron beam technology Methods 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims description 69
- 238000005070 sampling Methods 0.000 claims description 26
- 238000000513 principal component analysis Methods 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 20
- 230000001131 transforming effect Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- 230000001678 irradiating effect Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 42
- 235000012431 wafers Nutrition 0.000 description 34
- 239000000463 material Substances 0.000 description 32
- 230000005855 radiation Effects 0.000 description 25
- 239000010410 layer Substances 0.000 description 24
- 230000006870 function Effects 0.000 description 21
- 238000007493 shaping process Methods 0.000 description 12
- 230000003595 spectral effect Effects 0.000 description 11
- 230000009466 transformation Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000004907 flux Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000005316 response function Methods 0.000 description 9
- 239000000758 substrate Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 239000013077 target material Substances 0.000 description 5
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 239000013078 crystal Substances 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000007788 liquid Substances 0.000 description 4
- 238000001459 lithography Methods 0.000 description 4
- 238000007620 mathematical function Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 229910052724 xenon Inorganic materials 0.000 description 4
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 4
- 208000013715 atelosteogenesis type I Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 229910052743 krypton Inorganic materials 0.000 description 3
- DNNSSWSSYDEUBZ-UHFFFAOYSA-N krypton atom Chemical compound [Kr] DNNSSWSSYDEUBZ-UHFFFAOYSA-N 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000003325 tomography Methods 0.000 description 3
- JBRZTFJDHDCESZ-UHFFFAOYSA-N AsGa Chemical compound [As]#[Ga] JBRZTFJDHDCESZ-UHFFFAOYSA-N 0.000 description 2
- 229910001218 Gallium arsenide Inorganic materials 0.000 description 2
- GPXJNWSHGFTCBW-UHFFFAOYSA-N Indium phosphide Chemical compound [In]#P GPXJNWSHGFTCBW-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004858 feed analysis Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000009304 pastoral farming Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 229910021486 amorphous silicon dioxide Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 229910052732 germanium Inorganic materials 0.000 description 1
- GNPVGFCGXDBREM-UHFFFAOYSA-N germanium atom Chemical compound [Ge] GNPVGFCGXDBREM-UHFFFAOYSA-N 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000002086 nanomaterial Substances 0.000 description 1
- 229910052754 neon Inorganic materials 0.000 description 1
- GKAOGPIIYCISHV-UHFFFAOYSA-N neon atom Chemical compound [Ne] GKAOGPIIYCISHV-UHFFFAOYSA-N 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000005469 synchrotron radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
- 238000004846 x-ray emission Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
- G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
- G03F7/70—Microphotolithographic exposure; Apparatus therefor
- G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
- G03F7/70605—Workpiece metrology
- G03F7/706835—Metrology information management or control
- G03F7/706839—Modelling, e.g. modelling scattering or solving inverse problems
- G03F7/706841—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
Abstract
本文中呈现用于产生由潜在数学空间中的一组变量参数化的半导体结构的优化几何模型的方法及系统。参考形状轮廓特性化过程空间上所关注的半导体结构的形状。描述参考形状轮廓的一组可观测几何变量经变换成一组潜在变量。潜在变量的数目小于可观测几何变量的数目,因此降低用于特性化所关注结构的参数空间的维度。此显著降低待解决的测量问题的数学维度。因此,涉及回归的测量模型解更稳健,且简化基于机器学习的测量模型的训练。由一组潜在变量参数化的几何模型用于产生光学计量、x射线计量及基于电子束的计量的测量模型。
Description
相关申请案的交叉参考
本专利申请案根据35U.S.C.§119主张2021年12月1日申请的标题为“用于数据驱动参数化及测量的方法(Method for Data Driven Parameterization andMeasurement)”的序列号为63/284,645的美国临时专利申请案的优先权,所述美国临时专利申请案的主要内容以引用方式全部并入本文中。
技术领域
所描述的实施例涉及计量系统及方法,且更特定来说,涉及用于提高测量准确度的方法及系统。
背景技术
诸如逻辑及存储装置的半导体装置通常通过应用于样本的处理步骤序列制造。半导体装置的各种特征及多个结构层级通过这些处理步骤形成。例如,其中光刻是涉及在半导体晶片上产生图案的一个半导体制程。半导体制程的额外实例包含(但不限于)化学机械抛光、蚀刻、沉积及离子植入。多个半导体装置可在单个半导体晶片上制造且接着分离成个别半导体装置。
在半导体制程期间的各个步骤中使用计量过程来检测晶片上的缺陷以促成更高良率。基于光学、电子束及x射线的计量技术提供高通量且无样品破坏风险的潜力。包含散射测量及反射测量实施方案及相关联分析算法的诸多技术常用于特性化纳米级结构的临界尺寸、膜厚度、组成及其它参数。
随着装置(例如逻辑及存储装置)朝向更小纳米级尺寸发展,特性化变得更困难。并入复杂三维几何形状及具有各种物理性质的材料的装置增加特性化难度。装置形状及轮廓显著改变。在一个实例中,最近构思的半导体装置并入新复杂三维几何形状及具有各种定向及物理性质的材料,其特别难以特性化,尤其难以用光学计量特性化。
响应于这些挑战,已开发更复杂计量工具。测量在若干机器参数(例如波长、方位角及入射角等等)的大范围内执行且通常同时执行。因此,测量时间、计算时间及产生可靠结果(包含测量方案及准确测量模型)的总时间显著增加。
现存基于模型的计量方法通常包含用于模型化且接着测量结构参数的一系列步骤。通常,测量数据(例如DOE光谱)从一组样品或晶片、特定计量目标、测试临界尺寸目标、单元内实际装置目标、SRAM存储目标等等收集。来自这些复杂结构的光学响应的准确模型包含几何特征、色散参数的模型,且制定测量系统。通常,执行回归以改进几何模型。另外,执行模拟近似(例如初轧、严格耦合波分析(RCWA)等等)以避免引入过大误差。定义离散化及RCWA参数。执行一系列模拟、分析及回归以改进几何模型且确定哪些模型参数浮动。产生合成光谱库。最后,通过几何模型使用库或回归实时执行测量。
所测量的装置结构的几何模型通常使用以任意准确度特性化任何形状的通用函数族参数化或采用由用户基于预期模型变化的具体理解来定义的参数化。
在一些实例中,所测量的装置结构的几何模型由测量模型化工具的用户从基元结构构建块组装。这些基元结构构建块是简单几何形状(例如方形截头体),其经组装在一起以近似表示更复杂结构。基元结构构建块由用户定大小且有时基于用户输入定制以指定每一基元结构构建块的形状细节。在一个实例中,每一基元结构构建块包含集成定制控制面板,其中用户输入确定形状细节的特定参数以匹配所模型化的实际物理结构。类似地,基元结构构建块通过也由用户手动输入的约束接合在一起。例如,用户输入将一个基元构建块的顶点连结到另一构建块的顶点的约束。这允许用户在一个构建块的大小改变时构建表示一系列实际装置几何形状的模型。基元结构构建块之间的用户定义约束实现广泛模型化灵活性。例如,在多目标测量应用中,不同基元结构构建块的厚度或高度可受约束于单个参数。此外,基元结构构建块具有简单几何参数化,用户可使其受约束于特定应用参数。例如,抗蚀剂线的侧壁角可被手动约束于表示光刻过程的焦点及剂量的参数。
尽管由基元结构构建块建构的模型提供大范围的模型化灵活性及用户控制,但当模型化复杂半导体结构时,建模过程变得非常复杂且容易出错。
在诸多实例中,描述复杂形状所需的参数数目相对较大。这增加待解决的测量问题的数学维度。因此,涉及回归的测量模型解通常遭遇多个最小值,且基于机器学习的测量模型通常由于高参数相关性及低敏感度而难以训练。
总之,使用现存几何模型化工具使复杂半导体结构模型化需要指定大量结构基元、约束及独立参数,其产生计算问题且对可实现准确度产生限制。随着复杂半导体结构变得更普遍,期望改善模型化方法及工具。
发明内容
本文中呈现用于产生由潜在数学空间中的一组变量参数化的半导体结构的优化几何模型的方法及系统。由一组潜在变量而非可观测几何变量参数化受测量结构显著减少描述复杂形状所需的参数数目。这显著降低待解决的测量问题的数学维度。因此,涉及回归的测量模型解更稳健,且简化基于机器学习的测量模型的训练。由半导体结构的一组潜在变量参数化的几何模型用于产生光学计量、x射线计量及基于电子束的计量的测量模型。
参考形状轮廓特性化所关注半导体结构的形状。参考形状轮廓由一组可观测几何变量参数化,例如临界尺寸、高度、椭圆度、倾斜度等等。
在一个方面中,将可观测几何变量组变换成一组潜在变量。特性化参考形状轮廓的潜在变量组在替代数学空间中定义所关注结构的几何形状。潜在变量值的变化表示所关注结构的几何形状的变化。潜在变量的数目小于可观测几何变量的数目,因此降低用于特性化所关注结构的参数空间的维度。
在一些实例中,将可观测几何变量组变换成潜在变量组涉及主成分分析(PCA)、加权PCA或经训练自动编码器。在一些实例中,将可观测几何变量组变换成潜在变量组涉及混合参数化,其包含上文所描述的潜在空间参数化及与参考形状轮廓与从潜在变量的值导出的重建轮廓之间的差的函数拟合。潜在空间参数化与函数拟合的总和用相对较小数目个独立变量提供参考形状轮廓的更准确表示。
一般来说,任何过程驱动参数化或不同参数化的组合可用于降低用于特性化所关注结构的参数空间的维度。
在另一进一步方面中,一组重建形状轮廓基于潜在变量组的值的取样来确定。在一个实例中,重建形状轮廓通过从潜在变量范围随机取样来产生。为了比较,潜在变量的取样值通过从潜在空间到可观测几何空间的逆变换来变换回到可观测几何变量的值。
在另一进一步方面中,潜在变量组基于第一组重建形状轮廓与参考形状轮廓之间的差来截断成一组缩减潜在变量。由潜在变量的取样值重建的轮廓与参考形状轮廓之间的差提供潜在数学空间中参考形状轮廓的表示的准确度的可量化测量。
在另一进一步方面中,一组重建形状轮廓基于潜在变量的值的取样来产生,且另外,数学函数与参考形状轮廓与重建形状轮廓之间的差拟合。随后,另一组重建形状轮廓基于从潜在变量的值导出的重建形状轮廓与拟合曲线的和来产生。所得重建形状轮廓可用于训练测量模型。
在另一进一步方面中,可观测几何变量组中的一或多者的值范围经扩大以有效扩展参考形状轮廓的训练组的范围。接着,参考形状轮廓的扩大训练组用作产生到潜在空间的变换的基础,例如通过PCA、经训练自动编码器等等。
在另一进一步方面中,在重建轮廓资料组用于训练测量模型之前,非物理形状轮廓从由潜在变量组产生的重建形状轮廓消除。
在另一进一步方面中,测量模型至少部分基于从受测量结构的优化几何模型导出的重建形状轮廓来训练。跨越相关过程变动的大量重建形状轮廓基于优化几何模型来高效产生。测量模拟工具用于产生与每一不同重建形状轮廓相关联的合成测量数据,例如光谱、图像、电子密度图等等。重建形状轮廓及对应测量资料组包括用于训练测量模型的训练数据组。
在另一进一步方面中,建模工具采用经训练测量模型来估计与受测量结构相关联的所关注可观测几何参数的值。
前述内容是概述且因此必然含有细节的简化、概括及省略;因此,所属领域的技术人员应了解,概述仅供说明且绝非为限制。将在本文中所阐述的非限制性详细描述中明白本文中所描述的装置及/或过程的其它方面、发明特征及优点。
附图说明
图1是说明在一个实施例中用于基于本文中所描述的受测量半导体结构的优化几何模型来测量半导体晶片的特性的系统100的实施例的图式。
图2是说明经配置以产生本文中所描述的受测量半导体结构的优化几何模型的建模及分析引擎130的实施例的图式。
图3是说明与所关注半导体结构相关联的数个用户产生的参考形状轮廓的作图。
图4是说明由所关注半导体结构的优化几何模型产生的数个参考形状轮廓及重建形状轮廓的作图。
图5是说明与一组参考形状轮廓相关联的临界尺寸的值之间的差的均方根误差测量(CD-RMSE)及与由优化几何模型预测的重建轮廓相关联的临界尺寸的对应值的作图。
图6是说明与一组参考形状轮廓相关联的临界尺寸的值之间的差的均方根误差测量(CD-RMSE)及与由优化几何模型在不同高度预测的重建轮廓相关联的临界尺寸的对应值的作图。
图7是说明捕获不同蚀刻深度的数个参考形状轮廓及由优化几何模型产生的数个重建形状轮廓的作图。
图8A到C描绘分别与浅、中及深蚀刻结构相关联的参考形状轮廓及重建轮廓两者。重建轮廓由主成分分析产生的潜在变量定义的优化几何模型产生。
图9A到C描绘与图7中所描绘的浅、中及深蚀刻结构相关联的参考形状轮廓及重建轮廓两者。重建轮廓由加权主成分分析产生的潜在变量定义的优化几何模型产生。
图10是说明通过将参考轮廓高度值缩放20%来扩大的包含数个参考形状轮廓的参考形状轮廓的扩大训练组的作图。
图11是说明通过使临界尺寸范围移位20%来扩大的包含数个参考形状轮廓的参考形状轮廓的扩大训练组的作图。
图12是说明通过将临界尺寸范围缩放20%来扩大的包含数个参考形状轮廓的参考形状轮廓的扩大训练组的作图。
图13是说明在另一实施例中用于基于本文中所描述的受测量半导体结构的优化几何模型来测量半导体晶片的特性的系统300的图式。
图14是说明经配置以产生本文中所描述的受测量半导体结构的优化几何模型的建模及分析引擎350的实施例的图式。
图15是说明在另一实施例中用于基于本文中所描述的受测量半导体结构的优化几何模型来测量半导体晶片的特性的系统500的图式。
图16说明用于训练用于基于本文中所描述的受测量半导体结构的优化几何模型来测量半导体晶片的特性的测量模型的方法200。
具体实施方式
现将详细参考背景实例及本发明的一些实施例,其实例说明于附图中。
本文中呈现用于产生由潜在数学空间中的一组变量参数化的半导体结构的优化几何模型的方法及系统。临界尺寸(CD)、膜厚度、光学性质及组成、覆盖、光刻焦点/剂量等等的测量通常需要所关注结构的几何模型。由一组潜在变量而非可观测几何变量参数化受测量结构显著减少描述复杂形状所需的参数数目。这显著降低待解决的测量问题的数学维度。因此,涉及回归的测量模型解更稳健,且简化基于机器学习的测量模型的训练。
几何模型的优化是基于受测量结构的预期几何形状。预期几何形状由过程数据、形状几何的用户预期、过程模拟数据或其任何组合通知。几何模型的优化参数化严格定义可行形状轮廓的参数空间且有效约束几何模型。
在一些实例中,计量系统采用由一组潜在变量参数化的几何模型来测量与半导体制程相关联的结构及材料特性(例如材料组成、结构及膜的尺寸特性等等)。由半导体结构的一组潜在变量参数化的几何模型实现基本上更简单、更不易出错且更准确的测量模型产生。因此,有用测量结果的时间显著缩短,尤其在模型化复杂结构时。由半导体结构的一组潜在变量参数化的几何模型用于产生光学计量、x射线计量及基于电子束的计量的测量模型。
图1说明用于测量半导体晶片的特性的系统100。如图1中所展示,系统100可用于对安置于晶片定位系统110上的半导体晶片112的一或多个结构114执行椭圆偏振光谱测量。在这方面中,系统100可包含配备有照明器102及光谱仪104的光谱椭偏仪。系统100的照明器102经配置以产生及导引选定波长范围(例如150到4500nm)的照明到安置于半导体晶片112的表面上的结构114。光谱仪104继而经配置以接收来自半导体晶片112的表面的光。进一步应注意,从照明器102射出的光使用偏振态产生器107偏振以产生偏振照明光束106。由安置于晶片112上的结构114反射的辐射通过偏振态分析器109而到达光谱仪104。收集光束108中由光谱仪104的检测器接收的辐射进行偏振态分析以允许光谱分析通过分析器的辐射。这些光谱111经传递到计算系统116用于分析结构114。
在进一步实施例中,计量系统100是测量系统100,其包含经配置以根据本文中所提供的描述执行建模及分析工具130的一或多个计算系统116。在优选实施例中,建模及分析工具130是存储于载体媒体118上的一组程序指令120。存储于载体媒体118上的程序指令120由计算系统116读取及执行以实现本文中所描述的建模及分析功能。一或多个计算系统116可通信地耦合到光谱仪104。在一个方面中,一或多个计算系统116经配置以接收与样本112的结构114的测量(例如临界尺寸、膜厚度、组成、过程等等)相关联的测量数据111。在一个实例中,测量数据111包含由测量系统100基于来自光谱仪104的一或多个取样过程的样本的测量光谱响应(例如依据波长而变化的测量强度)的指示。在一些实施例中,一或多个计算系统116进一步经配置以从测量数据111确定结构114的样本参数值。
在一些实例中,基于光学散射测量的计量涉及通过利用测量数据逆解预定测量模型来确定样品的尺寸。测量模型包含几个(约10个)可调参数且表示样本的几何及光学性质及测量系统的光学性质。逆解的方法包含(但不限于)基于模型的回归、层析成像、机器学习或其任何组合。依此方式,目标轮廓参数通过解算最小化测量光学强度与模型化结果之间的误差的参数化测量模型的值来估计。
在一进一步方面中,计算系统116经配置以产生样本的测量结构的结构模型(例如几何模型、材料模型或组合式几何及材料模型)、从结构模型产生包含至少一个几何参数的光学响应模型及通过利用光学响应模型对光学测量数据执行拟合分析来解析至少一个样本参数值。分析引擎用于比较模拟光学响应信号与测量数据,借此允许确定样品的几何以及材料性质。在图1中所描绘的实施例中,计算系统116经配置为建模及分析引擎130,其经配置以实施本文中所描述的建模及分析功能。
图2是说明由计算系统116实施的示范性建模及分析引擎130的图式。如图2中所描绘,建模及分析引擎130包含结构建模模块131,其部分基于预期轮廓数据113来产生安置于样本上的测量半导体结构的结构模型132。在一些实施例中,结构模型132还包含样本的材料性质。结构模型132作为输入接收到光学响应函数构建模块133。光学响应函数构建模块133至少部分基于结构模型132来产生光学响应函数模型135。
光学响应函数模型135作为输入接收到拟合分析模块137。拟合分析模块137比较模型化光学响应与对应测量数据111以确定样本的几何以及材料性质。
在一些实例中,拟合分析模块137通过利用光学响应模型135对光学测量数据111执行拟合分析来解析至少一个样本参数值。
光学计量数据的拟合有利于对所关注几何及/或材料参数提供敏感度的任何类型的光学计量技术。样本参数可为确定性的(例如CD、SWA等等)或统计性的(例如侧壁粗糙度的rms高度、粗糙度相关长度等等),只要使用描述光与样本相互作用的适当模型。
一般来说,计算系统116经配置以采用实时临界尺寸法(RTCD)实时存取模型参数,或其可存取预计算模型库用于确定与样本114相关联的至少一个样本参数值的值。一般来说,可使用某种形式的CD引擎来评估样本的指定CD参数与测量样本相关联的CD参数之间的差。用于计算样本参数值的示范性方法及系统描述于KLA-Tencor公司在2010年11月2日发布的第7,826,071号美国专利中,所述专利的全部内容以引用方式并入本文中。
另外,在一些实施例中,一或多个计算系统116进一步经配置以从预期轮廓数据源103接收预期轮廓数据113,诸如过程工具、由用户操作的绘图工具、过程模拟工具等等。一或多个计算机系统进一步经配置以配置本文中所描述的结构模型(例如结构模型132)。
在一些实施例中,测量系统100进一步经配置以在存储器(例如载体媒体118)中存储一或多个优化结构模型115。
在一个方面中,建模工具(例如建模及分析引擎130及350)产生由潜在数学空间中的一组变量参数化的半导体结构的优化几何模型。如上文所描述,几何模型的优化由预期轮廓数据通知,即,制程流程中的一或多个步骤所关注的结构的形状的预期。
在一些实施例中,建模工具从预期轮廓数据源接收特性化所关注半导体结构的形状的多个参考形状轮廓。参考形状轮廓由一组可观测几何变量参数化,例如临界尺寸、高度、椭圆度、倾斜度等等。建模工具将可观测几何变量组变换成一组潜在变量。特性化参考形状轮廓的潜在变量组在替代数学空间中定义所关注结构的几何形状。潜在变量值的变化表示所关注结构的几何形状的变化。
一般来说,在本专利文件的范围内可考虑预期轮廓数据的诸多不同源。在一些实例中,预期轮廓数据源是可信任计量系统。在这些实例中,参考形状轮廓由可信任计量系统(例如扫描电子显微镜、穿隧电子显微镜、聚焦离子束测量系统、原子力显微镜等等)通过所关注结构的数个不同例子的测量来产生。
在一些实例中,预期轮廓数据源是半导体过程模拟工具,诸如可购自KLA公司(加州米尔皮塔斯市(美国))的蚀刻模拟软件或/>光刻及图案化模拟软件。在这些实例中,参考形状轮廓由半导体制程模拟器模拟。一般来说,参考轮廓组通过在预定义范围内随机取样相关程序变量来模拟。依此方式,参考形状轮廓数据组捕获相关程序变量的预期变动。
在一些实例中,预期轮廓数据源是参考形状轮廓的用户产生规格。在一些实例中,用户操作互动软件工具(例如机械绘图软件工具)来产生参考形状轮廓。依此方式,用户基于用户制程经验来定义参考形状轮廓。
图3是说明与所关注特定半导体结构相关联的数个用户产生的参考形状轮廓的作图140。参考形状轮廓由沿作图140的横轴绘制的临界尺寸及沿纵轴绘制的高度尺寸参数化。在图3中所描绘的实例中,参考形状轮廓由用户基于用户经验来定义。
如图3中所说明,参考形状轮廓由一组可观测几何变量参数化,例如高度、临界尺寸(CD)、倾斜度、椭圆度等等。可观测几何变量可从所关注结构的几何形状的说明(例如形状轮廓)直接观测。
在进一步方面中,建模工具将可观测几何变量组变换成一组潜在变量。潜在变量的数目小于可观测几何变量的数目,因此降低用于特性化所关注结构的参数空间的维度。一般来说,可采用任何过程驱动参数化或不同参数化的组合来降低用于特性化所关注结构的参数空间的维度。
在一些实例中,将可观测几何变量组变换成潜在变量组涉及主成分分析(PCA)。PCA是从可观测几何变量到一组主成分的线性变换。在这些实例中,主成分是潜在变量。
在另一进一步方面中,建模工具基于潜在变量组的值的取样来产生第一组重建形状轮廓。在将可观测几何变量组变换成潜在变量组之后,产生属于参考形状轮廓族的新形状轮廓。新形状轮廓通过从潜在变量的范围随机取样来产生。为了比较,潜在变量的取样值通过从潜在空间到可观测几何空间的逆变换来变换回到可观测几何变量的值。
图4是说明数个不同参考形状轮廓166及重建形状轮廓137的作图165。参考形状轮廓166是图3中所描绘的参考形状轮廓。另外,图4说明大量重建轮廓167。重建轮廓167通过从潜在变量的范围随机取样来产生。潜在变量的取样值通过从潜在空间到可观测几何空间的逆变换来变换回到可观测几何变量的值。可观测几何变量的所得值经绘制为重建轮廓167。在此实例中,潜在变量(即,主成分)同时捕获CD及高度变化。
在另一进一步方面中,建模工具基于第一组重建形状轮廓与参考形状轮廓之间的差来将潜在变量组截断成一组缩减潜在变量。由潜在变量的取样值重建的轮廓与参考形状轮廓之间的差提供潜在数学空间中参考形状轮廓的表示的准确度的可量化测量。依此方式,建模工具确定以期望准确度水平表示参考形状轮廓所需的潜在变量的数目。
图5是说明与一组参考形状轮廓相关联的临界尺寸的值之间的差的均方根误差测量(CD-RMSE)及与由优化几何模型预测的重建轮廓相关联的临界尺寸的对应值的作图。如图5中所描绘,标绘线171说明依据优化几何模型的潜在变量的数目而变化的CD-RMSE值组的最大值。标绘线172说明依据优化几何模型的潜在变量的数目而变化的CD-RMSE值组的平均值。标绘线173说明依据优化几何模型的潜在变量的数目而变化的CD-RMSE值组的最小值。如图4中所描绘,CD-RMSE值随着潜在变量的数目增加而显著下降。因此优化几何模型能够用相对较少潜在变量(例如少于10个潜在变量)来表示所关注结构的几何形状。
图6是说明与一组参考形状轮廓相关联的临界尺寸的值之间的差的均方根误差测量(CD-RMSE)及与由优化几何模型在不同高度预测的重建轮廓相关联的临界尺寸的对应值的作图。如图6中所描绘,标绘线171A到I说明依据分别由1个到9个潜在变量参数化的优化几何模型的高度而变化的误差。如图6中所描绘,高度经表示为所关注结构的总高度的比率。此外,重建误差随着潜在变量的数目从1增加到9而显著减小。此外,优化几何模型能够用相对较少潜在变量(例如少于10个潜在变量)来表示所关注结构的几何形状。
图7是说明捕获不同蚀刻深度的数个参考形状轮廓及数个重建形状轮廓的作图。每一参考形状轮廓指定硬掩模层中50个不同高度值处的CD值及ON堆叠层中50个不同高度值处的CD值。参考形状轮廓151特性化浅蚀刻轮廓,即,相对较短蚀刻时间量之后的预期形状轮廓。在此时间量内,蚀刻穿透硬掩模层,但未显著穿透ON堆叠层。参考形状轮廓152特性化中蚀刻轮廓,即,比浅蚀刻更多的蚀刻时间之后的预期形状轮廓。在此时间量内,蚀刻穿透硬掩模层及ON堆叠层两者。参考形状轮廓153特性化深蚀刻轮廓,即,比中蚀刻更多的蚀刻时间之后的预期形状轮廓。在此时间量内,蚀刻穿透硬掩模层且深穿透ON堆叠层。如图7中所描绘,随着蚀刻深度增大,更多硬掩模层被蚀除,即,CD值增大。另外,图7说明大量重建轮廓154。重建轮廓154通过从潜在变量的范围随机取样来产生,如上文所描述。
图8A到C描绘与图7中所描绘的浅、中及深蚀刻结构相关联的参考形状轮廓及重建轮廓两者。在图8A到C中所描绘的实例中,采用常规PCA来定义潜在变量且将潜在变量的数目截断成两个主成分。可观测几何变量(即,硬掩模区域中的50个临界尺寸、ON堆叠区域中的50个临界尺寸、硬掩模区域及ON堆叠区域两者中的高度及硬掩模区域及ON堆叠区域两者中的高度比)经相等加权。重建轮廓155、156及157从两个主成分导出。主成分描述硬掩模及ON堆叠的高度及CD两者的变化。
在一些实例中,采用加权PCA来将可观测几何变量组变换成一组潜在变量。使可观测几何参数加权用较小数目个变量提高潜在参数化的准确度。加权PCA参数化实现对具有相对较低敏感度、更具挑战准确度要求或两者的可观测几何变量的增加加权。
在一个实例中,采用加权PCA来提高由图7及图8A到C中所描绘的部分蚀刻参考形状轮廓说明的部分蚀刻结构的参数化的准确度。
图9A到C描绘与图7中所描绘的浅、中及深蚀刻结构相关联的参考形状轮廓及重建轮廓两者。在图9A到C中所描绘的实例中,采用加权PCA来定义潜在变量且将潜在变量的数目截断成两个主成分。在图9A到C中所描绘的实例中,高度变量以因子10加权且临界尺寸以因子1加权。使高度变量比临界尺寸变量更多加权提高重建轮廓中高度的准确度。如图9A到C中所描绘,重建轮廓158、159及160从加权PCA的两个主成分导出,且与参考形状轮廓151、152及153的拟合分别好于从未加权PCA导出的重建轮廓155、156及157。
在一些实例中,将可观测几何变量组变换成潜在变量组涉及经训练自动编码器。经训练自动编码器包含将可观测几何变量变换成潜在变量的编码器及将潜在变量变换回到可观测几何变量的译码器。一般来说,经训练自动编码器是模型化更复杂潜在空间的非线性变换,更复杂潜在空间用比诸如PCA的线性变换用更少的潜在变量更准确地模型化参考形状轮廓。依此方式,经训练自动编码器可比PCA计算更高效且更准确,尤其当参考轮廓几何形状更复杂时。
在一些实施例中,经训练自动编码器包含经训练以将由相对较大数目个可观测几何变量参数化的参考形状轮廓变换成由相对较小数目个潜在变量参数化的潜在空间的神经网络(即,编码器)及经训练以将潜在变量的值变换回到可观测几何变量的值的神经网络(即,译码器)。轮廓可使用潜在空间的限制内的潜在变量的随机值来产生。在一些实例中,自动编码器是变分自动编码器。在这些实例中,潜在空间经训练以具有单位正态分布且随机轮廓可使用正态分布来产生。
在一些实例中,将可观测几何变量组变换成潜在变量组涉及混合参数化,其包含上文所描述的潜在空间参数化及与参考形状轮廓与从潜在变量的值导出的重建轮廓之间的差的函数拟合。潜在空间参数化与函数拟合的总和用相对较小数目个独立变量提供参考形状轮廓的更准确表示。一般来说,任何适合数学函数可为函数拟合的基底,包含(但不限于)样条函数、契比雪夫(Chebyshev)多项式函数、快速傅立叶变换函数、离散余弦变换函数、用户定义参数化等等。
一般来说,潜在空间参数化准确捕获存在于参考形状轮廓的训练组中的轮廓。然而,可存在由过程变动诱发的额外轮廓变动,其未在参考形状轮廓的训练组中捕获且因此未由潜在空间参数化捕获。在这些实例中,轮廓变动可由潜在空间参数化及一或多个通用数学函数(例如契比雪夫多项式曲线)的组合可更准确地特性化。依此方式,混合参数化通过将通用参数化引入到基于过程的潜在空间参数化来有效扩大过程范围。
在另一进一步方面中,建模工具基于上文所描述的潜在变量的值的取样来产生一组重建形状轮廓。另外,建模工具使数学函数(例如曲线)与参考形状轮廓与重建形状轮廓之间的差拟合。接着,建模工具基于从潜在变量的值导出的重建形状轮廓与拟合曲线的和来产生另一组重建形状轮廓。所得重建形状轮廓可用于训练测量模型。
在另一进一步方面中,建模工具扩大可观测几何变量组中的一或多者的值的范围以有效扩展参考形状轮廓的训练组的范围。接着,参考形状轮廓的扩大训练组用作产生到潜在空间的变换的基础,例如通过PCA、经训练自动编码器等等。扩大用作用于产生到潜在空间的变换的基础的可观测几何变量的范围有效扩展在过程空间内考虑的过程变动的范围。此增强潜在空间对过程变动的稳健性,但一般以准确地表示参考形状轮廓的扩大范围所需的较大数目个潜在变量为代价。
图10是说明通过将参考轮廓高度值缩放20%来扩大的包含数个参考形状轮廓的参考形状轮廓的扩大训练组的作图180。
图11是说明通过使临界尺寸范围移位20%来扩大的包含数个参考形状轮廓的参考形状轮廓的扩大训练组的作图181。
图12是说明通过将临界尺寸范围缩放20%来扩大的包含数个参考形状轮廓的参考形状轮廓的扩大训练组的作图182。
如图10到12中所说明,可观测几何变量的值的范围可通过缩放其值、移位其值或其任何组合来扩大。然而,一般来说,可在本专利文件的范围内考虑任何组合的参考形状轮廓的训练组的任何数目个不同扩大。
在另一进一步方面中,建模工具从由潜在变量组产生的重建形状轮廓消除非物理形状轮廓。
如上文所描述,重建形状轮廓通过对潜在变量取样来产生。当在一组有限参考形状轮廓上训练潜在变量时,可产生可由潜在变量的随机组合引起的非物理形状轮廓。当训练用于使测量光谱与形状轮廓拟合的测量模型时,在重建轮廓数据中存在非物理轮廓会有问题。为降低此风险,建模工具从用于训练测量模型的重建轮廓数据组消除非物理轮廓。
在一些实例中,非物理轮廓基于重建形状轮廓的一或多个导数的值来识别。每一导数值与对应预定范围的可接受值比较,且如果所计算导数值在可接受值的范围外,那么消除重建形状轮廓。在一个实例中,重建形状轮廓在潜在空间中产生且变换回到可观测几何变量的空间。在一个实例中,重建形状轮廓的临界尺寸经表示为高度的函数。在此实例中,计算CD关于高度的一或多个导数,例如dCD/dH、d2CD/dH2等等。如果导数中的任何者的值在临限值的对应可接受范围外,那么消除重建形状轮廓。
在一些实例中,重建形状轮廓通过对由潜在变量组跨越的潜在空间的子空间取样来产生。在一个实例中,潜在变量组的样品值选自潜在空间中的超球面而非超立方体。换句话说,仅选择距潜在空间的中心的固定距离内的潜在变量组的值而非潜在变量组的极值来产生重建形状轮廓。
在一些实例中,比较与每一重建形状轮廓相关联的可观测几何变量的值与可观测几何变量中的每一者的值的预定可接受范围,且如果与特定重建轮廓相关联的可观测几何变量的值中的任何者在值的可接受范围外,那么消除重建形状轮廓。在一个实例中,建立可接受CD及高度的范围,且比较与每一重建形状轮廓相关联的CD及高度的值与可接受范围。如果与特定重建形状轮廓相关联的CD或高度的值在可接受范围外,那么消除重建形状轮廓。
在另一进一步方面中,建模工具至少部分基于从受测量结构的优化几何模型导出的重建形状轮廓来训练测量模型。跨越相关过程变动的大量重建形状轮廓基于优化几何模型来高效产生。测量模拟工具用于产生与每一不同重建形状轮廓相关联的合成测量数据,例如光谱、图像、电子密度图等等。重建形状轮廓及对应测量资料组包括用于训练测量模型的训练数据组,诸如图2中所描绘的光学响应函数模型135、X射线散射测量响应模型355或基于机器学习的测量模型。
在另一进一步方面中,建模工具采用经训练测量模型来估计与受测量结构相关联的所关注可观测几何参数的值。
在这些实例中,测量由计量系统执行,诸如分别在图1、13及15中所描绘的计量系统100、300及500。一般来说,所关注半导体结构的例子用定量的能量照射。测量数据的量响应于能量的量而检测。特性化所关注半导体结构的潜在变量组的值基于经训练测量模型与测量数据量的拟合来估计。最后,潜在变量组的估计值经变换成特性化所关注结构的可观测几何变量组的值。潜在变量的估计值通过从潜在空间到可观测几何空间的逆变换来变换回到可观测几何变量的值。逆变换是用于从可观测几何变量组确定潜在变量组的变换的逆(例如正向PCA变换的逆)、经训练译码器等等。
采用优化几何模型的测量可由诸多不同半导体测量系统执行。通过非限制性实例,旋转偏振器光谱椭偏仪、旋转偏振器、旋转补偿器光谱椭偏仪、旋转补偿器、旋转补偿器光谱椭偏仪、基于软x射线的反射计、小角x射线散射计或其任何组合可采用本文中所描述的优化几何模型。
通过实例,图13说明根据本文中所呈现的示范性方法采用优化几何模型来测量样本的特性的x射线计量工具300的实施例。如图13中所展示,系统300可用于在安置于样本定位系统340上的样本301的检验区域302上执行x射线散射测量。
在所描绘的实施例中,计量工具300包含经配置以产生适合于x射线散射测量的x射线辐射的x射线照明源310。在一些实施例中,x射线照明系统310经配置以产生0.01纳米到1纳米之间的波长。X射线照明源310产生入射于样本301的检验区域302上的x射线束317。
一般来说,可考虑能够以足以实现高通量计量的通量水平产生高亮度x射线的任何适合高亮度x射线照明源来为x射线散射测量供应x射线照明。在一些实施例中,x射线源包含使x射线源能够以不同可选波长递送x射线辐射的可调谐单色仪。
在一些实施例中,发射具有大于15keV的光子能的辐射的一或多个x射线源用于确保x射线源以允许充分透射通过整个装置以及晶片衬底的波长供应光。通过非限制性实例,粒子加速器源、液体阳极源、旋转阳极源、固定固体阳极源、微焦源、微焦旋转阳极源及逆康普顿(Compton)源中的任何者可用作x射线源310。在一个实例中,可考虑购自LynceanTechnologies公司(加州帕罗奥图市(美国))的逆康普顿源。逆康普顿源具有能够在光子能的范围内产生x射线的额外优点,借此使x射线源能够以不同可选波长递送x射线辐射。在一些实施例中,x射线源包含经配置以轰击固体或液体靶以激发x射线辐射的电子束源。
在一些实施例中,入射x射线束的轮廓由一或多个孔隙、狭缝或其组合控制。在进一步实施例中,孔隙、狭缝或两者经配置以与样本的定向协调旋转以针对每一入射角、方位角或两者来优化入射光束的轮廓。
如图13中所描绘,x射线光学器件315塑形及导引入射x射线束317到样本301。在一些实例中,x射线光学器件315包含用于使入射于样本301上的x射线束单色化的x射线单色仪。在一个实例中,晶体单色仪(诸如洛斯利-坦纳-鲍文(Loxley-Tanner-Bowen)单色仪)用于使x射线辐射束单色化。在一些实例中,x射线光学器件315使用多层x射线光学器件以小于1毫弧度发散度将x射线束317准直或聚焦到样本301的检验区域302上。在一些实施例中,x射线光学器件315包含一或多个x射线准直镜、x射线孔隙、x射线光束光阑、折射x射线光学器件、诸如波带片的绕射光学器件、诸如掠入射椭球面镜的镜面x射线光学器件、诸如中空毛细管x射线波导的多毛细管光学器件、多层光学器件或系统或其任何组合。进一步细节描述于第2015/0110249号美国公开专利中,所述专利的全部内容以引用方式并入本文中。
一般来说,照明光学系统的焦平面针对各种测量应用优化。依此方式,系统300经配置以取决于测量应用来将焦平面定位于样本内的不同深度处。
x射线检测器316收集从样本301散射的x射线辐射325且根据x射线散射测量模态产生指示对入射x射线辐射敏感的样本301的性质的输出信号326。在一些实施例中,当样本定位系统340定位及定向样本301以产生角解析散射x射线时,散射x射线325由x射线检测器316收集。
在一些实施例中,x射线散射测量系统包含具有高动态范围(例如大于105)的一或多个光子计数检测器及吸收直射光束(即,零级光束)且无损坏且具有最小寄生反向散射的厚、高吸收性晶体衬底。在一些实施例中,单个光子计数检测器检测所检测光子的位置及数目。
在一些实施例中,x射线检测器解析一或多个x射线光子能且针对每一x射线能组分产生指示样本的性质的信号。在一些实施例中,x射线检测器316包含CCD阵列、微信道板、光电二极管阵列、微带比例计数器、充气比例计数器、闪烁器或荧光材料中的任何者。
依此方式,除像素位置及计数数目之外,检测器内的X射线光子相互作用还由能量辨别。在一些实施例中,X射线光子相互作用通过比较X射线光子相互作用的能量与预定上临限值及预定下临限值来辨别。在一个实施例中,此信息经由输出信号326传送到计算系统330用于进一步处理及存储。
在进一步方面中,x射线散射测量系统300用于基于一或多个测量强度来确定样本的性质(例如结构参数值)。如图13中所描绘,计量系统300包含用于获取由检测器316产生的信号326且至少部分基于所获取的信号来确定样本的性质的计算系统330。
在一些实施例中,期望以由围绕由图13中所描绘的坐标系346指示的x轴及y轴的旋转描述的不同定向执行测量。此通过将可用于分析的资料组的数目及多样性扩大到包含各种大角平面外定向来提高测量参数的精度及准确度且降低参数之间的相关性。用更深、更多样数据组测量样本参数也降低参数之间的相关性且提高测量准确度。例如,在法线定向上,x射线散射测量能够解析特征的临界尺寸,但基本对特征的侧壁角及高度不敏感。然而,可通过在平面外角位置的宽范围内收集测量数据来解析特征的侧壁角及高度。
如图13中所说明,计量工具300包含经配置以相对于散射计在平面外角定向的大范围内对准样本301及定向样本301的样本定位系统340。换句话说,样本定位系统340经配置以围绕与样本301的表面共面对准的一或多个旋转轴在大角范围内旋转样本301。在一些实施例中,样本定位系统经配置以围绕与样本301的表面共面对准的一或多个旋转轴在至少120度的范围内旋转样本301。依此方式,样本301的角解析测量由计量系统300在样本301的表面上的任何数目个位置上收集。在一个实例中,计算系统330将指示样本301的期望位置的命令信号传送到样本定位系统340的运动控制器345。作为响应,运动控制器345向样本定位系统340的各种致动器产生命令信号以实现样本301的期望定位。
通过非限制性实例,如图13中所说明,样本定位系统340包含用于将样本301固定附接到样本定位系统340的边缘夹持卡盘341。旋转致动器342经配置以相对于周边框架343旋转边缘夹持卡盘341及附接样本301。在所描绘的实施例中,旋转致动器342经配置以围绕图13中所说明的坐标系346的x轴旋转样本301。如图13中所描绘,样本301围绕z轴的旋转是样本301的平面内旋转。围绕x轴及y轴(未展示)的旋转是样本301的平面外旋转,其有效使样本的表面相对于计量系统300的计量组件倾斜。尽管未说明,但第二旋转致动器经配置以围绕y轴旋转样本301。线性致动器344经配置以在x方向上平移周边框架343。另一线性致动器(未展示)经配置以在y方向上平移周边框架343。依此方式,样本301的表面上的每一位置可用于在平面外角位置的范围内测量。例如,在一个实施例中,样本301的位置在相对于样本301的法线定向的-45度到+45度的范围内依若干角增量测量。
一般来说,样本定位系统340可包含用于实现期望线性及角度定位效能的机械组件的任何适合组合,包含(但不限于)测角台、六足台、角度台及线性台。
在一些实例中,基于x射线散射测量的计量涉及通过用测量资料逆解预定测量模型来确定样品的尺寸。测量模型包含几个(约10个)可调参数且表示样本的几何及光学性质及测量系统的光学性质。逆解的方法包含(但不限于)基于模型的回归、层析成像、机器学习或其任何组合。依此方式,目标轮廓参数通过解算使测量散射x射线强度与模型化结果之间的误差最小化的参数化测量模型的值来估计。
在进一步方面中,计算系统330经配置以产生样本的测量结构的结构模型(例如几何模型、材料模型或组合式几何及材料模型)、从结构模型产生包含至少一个几何参数的x射线散射测量响应模型及通过用x射线散射测量响应模型执行x射线散射测量数据的拟合分析来解析至少一个样本参数值。分析引擎用于比较模拟x射线散射测量信号与测量数据,借此允许确定几何以及材料性质,诸如样品的电子密度。在图13中所描绘的实施例中,计算系统330经配置为经配置以实施本文中所描述的建模及分析功能的建模及分析引擎350。
图14是说明由计算系统330实施的示范性建模及分析引擎350的图式。如图14中所描绘,建模及分析引擎350包含结构建模模块351,其部分基于从本文中所描述的预期轮廓数据源303接收的参考形状轮廓313来产生安置于样本上的测量半导体结构的结构模型352。在一些实施例中,结构模型352还包含样本的材料性质。结构模型352作为输入接收到x射线散射测量响应函数构建模块353。x射线散射测量响应函数构建模块353至少部分基于结构模型352来产生x射线散射测量响应函数模型355。x射线散射测量响应函数模型355作为输入接收到拟合分析模块357。拟合分析模块357比较模型化x射线散射测量响应与对应测量数据326以确定样本的几何以及材料性质。
图15说明用于测量样本的特性的软x射线反射(SXR)计量工具500的实施例。在一些实施例中,用小光点大小(例如,跨有效照明光点小于50微米)在波长、入射角及方位角的范围内执行半导体晶片的SXR测量。在一个方面中,用软x射线区域(即,30eV到3000eV)中的x射线辐射以5度到20度的范围内的掠入射角执行SXR测量。用于特定测量应用的掠射角经选择以用小光点大小(例如,小于50微米)实现进入受测量结构的期望穿透且最大化测量信息内容。
如图15中所说明,系统500在由入射照明光点照射的样本501的测量区域502上执行SXR测量。
在所描绘的实施例中,计量工具500包含x射线照明源510、聚焦光学器件511、光束发散控制狭缝512及狭缝513。x射线照明源510经配置以产生适合于SXR测量的软X射线辐射。x射线照明源510是多色、高亮度、大展度源。在一些实施例中,x射线照明源510经配置以产生30电子伏特到3000电子伏特之间的范围内的x射线辐射。一般来说,可考虑能够以足以实现高通量、线内计量的通量水平产生高亮度软X射线的任何适合高亮度x射线照明源来SXR测量供应x射线照明。
在一些实施例中,x射线源包含使x射线源能够以不同可选波长递送x射线辐射的可调谐单色仪。在一些实施例中,一或多个x射线源用于确保x射线源以允许充分穿透到受测量样本中的波长供应光。
在一些实施例中,照明源510是高阶谐波发生(HHG)x射线源。在一些其它实施例中,照明源510是摆动器/波荡器同步辐射源(SRS)。示范性摆动器/波荡器SRS描述于第8,941,336号及第8,749,179号美国专利中,所述专利的全部内容以引用方式并入本文中。
在一些其它实施例中,照明源110是激光产生等离子体(LPP)光源。在一些这些实施例中,LPP光源包含氙、氪、氩、氖及氮发射材料中的任何者。一般来说,适合LPP靶材料的选择针对共振软X射线区域的亮度优化。例如,由氪发射的等离子体在硅K边缘处提供高亮度。在另一实例中,由氙发射的等离子体在整个软X射线区域(80eV到3000eV)中提供高亮度。因而,当期望宽带软X射线照明时,氙是发射材料的良好选择。
LPP靶材料选择还可针对可靠及长寿命光源操作来优化。诸如氙、氪及氩的惰性气体靶材料具惰性且可在死循环操作中重复使用且极少需要或无需净化处理。示范性软X射线照明源描述于第15/867,633号美国专利申请案中,所述案的全部内容以引用方式并入本文中。
在进一步方面中,由照明源(例如照明源510)发射的波长是可选的。在一些实施例中,照明源510是由计算系统530控制以最大化一或多个选定光谱区域中的通量的LPP光源。靶材料处的激光峰值强度控制等离子体温度且因此控制发射辐射的光谱区域。激光峰值强度通过调整脉冲能量、脉冲宽度或两者来变动。在一个实例中,100皮秒脉冲宽度适合于产生软X射线辐射。如图15中所描绘,计算系统530将引起照明源510调整从照明源510发射的波长的光谱范围的命令信号536传送到照明源510。在一个实例中,照明源510是LPP光源,且LPP光源调整脉冲持续时间、脉冲频率及靶材料组成的任何者以实现从LPP光源发射的波长的期望光谱范围。
通过非限制性实例,粒子加速器源、液体阳极源、旋转阳极源、固定固体阳极源、微焦源、微焦旋转阳极源、基于等离子体的源及逆康普顿源中的任何者可用作x射线照明源510。
示范性x射线源包含经配置以轰击固体或液体靶以激发x射线辐射的电子束源。用于产生高亮度液体金属x射线照明的方法及系统描述于KLA-Tencor公司在2011年4月19日发布的第7,929,667号美国专利中,所述专利的全部内容以引用方式并入本文中。
X射线照明源510在具有有限横向尺寸(即,正交于光束轴的非零尺寸)的源区域上产生x射线发射。在一个方面中,照明源510的源区域以小于20微米的横向尺寸为特征。在一些实施例中,源区域以10微米或更小的横向尺寸为特征。小源大小能够以高亮度照射样本上的小目标区域,因此提高测量精度、准确度及通量。
一般来说,x射线光学器件塑形及导引x射线辐射到样本501。在一些实例中,x射线光学器件使用多层x射线光学器件以小于1毫弧度发散度将x射线束准直或聚焦到样本501的测量区域502上。在一些实施例中,x射线光学器件包含一或多个x射线准直镜、x射线孔隙、x射线光束光阑、折射x射线光学器件、绕射光学器件(诸如波带片)、史瓦西(Schwarzschild)光学器件、克伯屈-贝伊兹(Kirkpatrick-Baez)光学器件、蒙特尔(Montel)光学器件、沃尔特(Wolter)光学器件、镜面x射线光学器件(诸如椭球面镜)、多毛细管光学器件(诸如中空毛细管x射线波导)、多层光学器件或系统或其任何组合。进一步细节描述于第2015/0110249号美国公开专利中,所述专利的全部内容以引用方式并入本文中。
如图15中所描绘,聚焦光学器件511将源辐射聚焦到位于样本501上的计量目标上。有限横向源尺寸导致由来自源的边缘的射线516及由光束狭缝512及513提供的任何光束塑形定义的目标上的有限光点大小502。
在一些实施例中,聚焦光学器件511包含椭圆形聚焦光学组件。在图15中所描绘的实施例中,聚焦光学器件511在椭圆的中心处的放大率约为1。因此,投射到样本501的表面上的照明光点大小大致相同于照明源的大小,由于标称掠入射角(例如5度到20度)而针对光束扩展调整。
在进一步方面中,聚焦光学器件511收集源发射且选择一或多个离散波长或光谱带,且以范围5度到20度内的掠入射角将选定光聚焦到样本501上。
标称掠入射角经选择以实现计量目标的期望穿透以最大化信号信息内容,同时保持在计量目标边界内。硬x射线的临界角非常小,但软x射线的临界角明显更大。由于此额外测量灵活性,SXR测量更深探测到结构中且对掠入射角的精确值更不敏感。
在一些实施例中,聚焦光学器件511包含选择期望波长或波长范围用于投射到样本501上的分级多层。在一些实例中,聚焦光学器件511包含选择一个波长且在入射角范围内将选定波长投射到样本501上的分级多层结构(例如层或涂层)。在一些实例中,聚焦光学器件511包含选择波长范围且以一个入射角将选定波长投射到样本501上的分级多层结构。在一些实例中,聚焦光学器件511包含选择波长范围且在入射角范围内将选定波长投射到样本501上的分级多层结构。
分级多层光学器件优选地最小化在单层光栅结构太深时发生的光损耗。一般来说,多层光学器件选择反射波长。选定波长的光谱带宽优化提供到样本501的通量、测量绕射级中的信息内容,且防止信号通过角色散及检测器处的绕射峰值覆盖退化。另外,分级多层光学器件用于控制发散。每一波长处的角发散针对通量及检测器处的最小空间覆盖来优化。
在一些实例中,分级多层光学器件选择波长以增强来自特定材料接口或结构尺寸的绕射信号的对比度及信息内容。例如,选定波长可经选择以跨越元素特定共振区域(例如硅K边缘、氮、氧K边缘等等)。另外,在这些实例中,照明源还可经调谐以最大化选定光谱区域中的通量(例如HHG光谱调谐、LPP激光调谐等等)。
在一些实施例中,聚焦光学器件511包含各自具有椭圆表面形状的多个反射光学组件。每一反射光学组件包含衬底及经调谐以反射不同波长或波长范围的多层涂层。在一些实施例中,各自反射不同波长或波长范围的多个反射光学组件(例如1到5个)经配置于每一入射角处。在进一步实施例中,各自反射不同波长或波长范围的多组(例如2到5组)反射光学组件以组各自配置于不同入射角处。在一些实施例中,多组反射光学组件在测量期间同时将照明光投射到样本501上。在一些其它实施例中,多组反射光学组件在测量期间循序将照明光投射到样本501上。在这些实施例中,主动快门或孔隙用于控制投射到样本501上的照明光。
在一些实施例中,聚焦光学器件511将多个波长、方位角及AOI处的光聚焦于相同计量目标区域上。
在进一步方面中,投射到相同计量区域上的波长、AOI、方位角或其任何组合的范围通过主动定位聚焦光学器件的一或多个反射镜组件来调整。如图15中所描绘,计算系统530将命令信号传送到致动器系统515,命令信号引起致动器系统515调整聚焦光学器件511的光学组件中的一或多者的位置、对准或两者以实现投射到样本501上的波长、AOI、方位角或其任何组合的期望范围。
一般来说,针对每一波长选择入射角以优化由受测量计量目标对照明光的穿透及吸收。在诸多实例中,测量多层结构且选择入射角以最大化与所关注期望层相关联的信号信息。在覆盖计量的实例中,选择波长及入射角来最大化由来自前一层及当前层的散射之间的干涉导致的信号信息。另外,还选择方位角来优化信号信息内容。另外,选择方位角来确保检测器处绕射峰值的角分离。
在进一步方面中,SXR计量系统(例如计量工具500)包含一或多个光束狭缝或孔隙以使入射于样本501上的照明光束514塑形且选择性阻挡原本将照射受测量计量目标的照明光的部分。一或多个光束狭缝定义光束大小及形状,使得x射线照明光点适合受测量计量目标的区域。另外,一或多个光束狭缝定义照明光束发散以最小化检测器上绕射级的覆盖。
在另一进一步方面中,SXR计量系统(例如计量工具500)包含用于选择同时照射受测量计量目标的一组照明波长的一或多个光束狭缝或孔隙。在一些实施例中,包含多个波长的照明同时入射于受测量计量目标上。在这些实施例中,一或多个狭缝经配置以传递包含多个照明波长的照明。一般来说,同时照射受测量计量目标优选地增加信号信息及通量。然而,实际上,检测器处绕射级的覆盖限制照明波长范围。在一些实施例中,一或多个狭缝经配置以循序传递不同照明波长。在一些实例中,较大角度发散处的循序照明提供较高通量,因为当光束发散较大时,循序照明的信杂比可高于同时照明。当顺序执行测量时,绕射级覆盖的问题不成问题。此增加测量灵活性且提高信杂比。
图15描绘位于聚焦光学器件511与光束塑形狭缝513之间的光束路径中的光束发散控制狭缝512。光束发散控制狭缝512限制提供到受测量样本的照明的发散。光束塑形狭缝513位于光束发散控制狭缝512与样本501之间的光束路径中。光束塑形狭缝513进一步塑形入射光束514且选择入射光束514的照明波长。光束塑形狭缝513位于直接在样本501之前的光束路径中。在一个方面中,光束塑形狭缝513的狭缝紧密接近样本501定位以最小化入射光点大小由于由有限源大小定义的光束发散的扩大。
在一些实施例中,光束塑形狭缝513包含多个独立致动的光束塑形狭缝。在一个实施例中,光束塑形狭缝513包含四个独立致动的光束塑形狭缝。这些四个光束塑形狭缝有效阻挡部分入射光束且产生具有盒形照明横截面的照明光束514。
光束塑形狭缝513的狭缝由最小化散射且有效阻挡入射辐射的材料构成。示范性材料包含单晶材料,诸如锗、砷化镓、磷化铟等等。通常,狭缝材料沿晶向劈开而非锯开以最小化跨结构边界的散射。另外,狭缝相对于入射光束定向,使得入射辐射与狭缝材料的内部结构之间的相互作用产生最小量的散射。晶体附接到由高密度材料(例如钨)制成的每一狭缝保持器以在狭缝的一侧上完全阻挡x射线束。
X射线检测器519收集从样本501散射的x射线辐射518且根据SXR测量模态产生指示对入射x射线辐射敏感的样本501的性质的输出信号535。在一些实施例中,当样本定位系统540定位及定向样本501以产生角解析散射x射线时,散射x射线518由x射线检测器519收集。
在一些实施例中,SXR系统包含具有高动态范围(例如大于105)的一或多个光子计数检测器。在一些实施例中,单个光子计数检测器检测所检测光子的位置及数目。
在一些实施例中,x射线检测器解析一或多个x射线光子能且针对每一x射线能组分产生指示样本的性质的信号。在一些实施例中,x射线检测器119包含CCD阵列、微信道板、光电二极管阵列、微带比例计数器、充气比例计数器、闪烁器或荧光材料中的任何者。
依此方式,除像素位置及计数数目之外,检测器内的X射线光子相互作用还由能量辨别。在一些实施例中,X射线光子相互作用通过比较X射线光子相互作用的能量与预定上临限值及预定下临限值来辨别。在一个实施例中,此信息经由输出信号535传送到计算系统530用于进一步处理及存储。
由于绕射的角色散,由用多个照明波长同时照射周期性目标导致的绕射图案在检测器平面处分离。在这些实施例中,采用积分检测器。绕射图案使用区域检测器(例如真空兼容背面CCD或混合像素阵列检测器)来测量。角取样针对布拉格峰积分优化。如果采用像素级模型拟合,那么角取样针对信号信息内容优化。采样率经选择以防止零级信号饱和。
在进一步方面中,SXR系统用于基于散射光的一或多个绕射级来确定样本的性质(例如结构参数值)。如图15中所描绘,计量工具500包含计算系统530,其用于获取由检测器519产生的信号535且使用本文中所描述的优化几何模型至少部分基于所获取信号来确定样本的性质。
期望在波长、入射角及方位角的大范围内执行测量以提高测量参数值的精度及准确度。此方法通过扩大可用于分析的数据组的数目及多样性来减少参数之间的相关性。
收集依据照明波长及相对于晶片表面法线的x射线入射角而变化的绕射辐射的强度的测量。含于多个绕射级中的信息在所考虑的每一模型参数之间通常是唯一的。因此,x射线散射以小误差及降低参数相关性产生所关注参数值的估计结果。
在一个方面中,计量工具500包含固定支撑晶片501且耦合到样本定位系统540的晶片卡盘503。样本定位系统540经配置以相对于照明光束514在六个自由度上主动定位样本501。在一个实例中,计算系统530将指示样本501的期望位置的命令信号(未展示)传送到样本定位系统540。作为响应,样本定位系统540向样本定位系统540的各种致动器产生命令信号以实现样本501的期望定位。
在进一步方面中,SXR系统的聚焦光学器件以至少5倍的缩小率(即,0.2或更小的放大因子)将照明源的图像投射到受测量样本上。本文中所描述的SXR系统采用具有以20微米或更小的横向尺寸(即,源大小是20微米或更小)为特征的源区域的软X射线照明源。在一些实施例中,采用具有至少5的缩小因子的聚焦光学器件(即,将比源大小更小5倍的源的图像投射到晶片上)以将具有4微米或更小的入射照明光点大小的照明投射到样本上。
在一些实例中,基于SXR的计量涉及通过用测量资料逆解预定测量模型来确定样品的尺寸。测量模型包含几个(约10个)可调参数且表示样本的几何及光学性质及测量系统的光学性质。逆解的方法包含(但不限于)基于模型的回归、层析成像、机器学习或其任何组合。依此方式,目标轮廓参数通过解算使测量散射x射线强度与模型化结果之间的误差最小化的参数化测量模型的值来估计。
基于软x射线的计量系统的额外描述提供于第2019/0017946号美国公开专利中,所述专利的全部内容以引用方式并入本文中。
在另一进一步方面中,计算系统530经配置以产生本文中所描述的样本的测量结构的优化几何模型、从结构模型产生包含至少一个潜在参数的SXR响应模型及通过用SXR响应模型执行SXR测量数据的拟合分析来解析至少一个潜在参数值。分析引擎用于比较模拟SXR信号与测量数据,借此允许确定潜在参数值以及材料性质,诸如样品的电子密度。在图15中所描绘的实施例中,计算系统530经配置为建模及分析引擎(例如建模及分析引擎350),其经配置以实施参考图14所描述的建模及分析功能。
在一些实例中,建模及分析引擎130及350通过侧向馈送分析、前馈分析及平行分析的任何组合来提高测量参数的准确度。侧向馈送分析是指在相同样本的不同区域上取得多个数据组及将从第一数据组确定的共同参数传递到第二数据组用于分析。前馈分析是指在不同样本上取得数据组及使用逐步复制精确参数前馈方法将共同参数向前传递到后续分析。平行分析是指非线性拟合方法平行或同时应用于多个数据组,其中在拟合期间耦合至少一个共同参数。
多工具及结构分析是指基于回归、查找表(即,“库”匹配)或多个数据组的另一拟合过程的前馈、侧向馈送或平行分析。用于多工具及结构分析的示范性方法及系统描述于KLA-Tencor公司在2009年1月13日发布的第7,478,019号美国专利中,所述专利的全部内容以引用方式并入本文中。
尽管参考系统100、300及500解释本文中所讨论的方法,但经配置以用一定量的能量(例如电磁辐射、电子束能等等)照射样本且检测从样本反射、透射或绕射的能量的任何基于光学、x射线或电子束的测量系统可用于实施本文中所描述的示范性方法。示范性系统包含角解析反射计、散射计、反射计、椭偏仪、光谱反射计或椭偏仪、光束轮廓反射计、多波长二维光束轮廓反射计、多波长二维光束轮廓椭偏仪、旋转补偿器光谱椭偏仪、透射x射线散射计、反射x射线散射计等等。通过非限制性实例,椭偏仪可包含单个旋转补偿器、多个旋转补偿器、旋转偏振器、旋转分析器、调变组件、多个调变组件或无调变组件。
应注意,来自源及/或目标测量系统的输出可依使得测量系统使用多于一种技术的方式配置。事实上,应用程序可经配置以在单个工具内或在数个不同工具之间采用可用计量子系统的任何组合。
实施本文中所描述的方法的系统也可依数种不同方式配置。例如,可考虑波长(包含可见光、紫外线、红外线及X射线)、入射角、偏振态及同调态的宽范围。在另一实例中,系统可包含数个不同光源的任何者(例如直接耦合光源、激光持续等离子体光源等等)。在另一实例中,系统可包含用于调节导引到样本或从样本收集的光的组件(例如变迹器、滤波器等等)。
图16说明适合于由本发明的计量系统100、300及500实施的方法200。在一个方面中,应认识到,方法200的数据处理区块可经由计算系统116、330或530的一或多个处理器执行的预程序化算法来实施。尽管以下描述在计量系统100、300及500的背景下呈现,但在此应认识到,计量系统100、300及500的特定结构方面不表示限制,而应被解译为仅供说明。
在框201中,例如,由建模工具接收特性化所关注半导体结构的多个参考形状轮廓。参考形状轮廓中的每一者由一组可观测几何变量参数化。
在框202中,将可观测几何变量组变换成一组潜在变量。潜在变量组在替代数学空间中特性化参考形状轮廓。
在框203中,基于潜在变量组的值的取样来产生第一组重建形状轮廓。
在框204中,基于第一组重建形状轮廓与参考形状轮廓之间的差来将潜在变量组截断成组缩减潜在变量。
在框205中,至少部分基于缩减潜在变量组的值的取样来训练测量模型。
应认识到,贯穿本发明所描述的各个步骤可由单个计算机系统116、330及530或替代地,多个计算机系统116、330及530实施。此外,系统100、300及500的不同子系统(诸如光谱椭偏仪101)可包含适合于实施本文中所描述的步骤的至少一部分的计算机系统。因此,以上描述不应被解译为对本发明的限制,而是仅为说明。此外,一或多个计算系统116可经配置以执行本文中所描述的方法实施例中的任何者的任何其它步骤。
计算系统116、330及530可包含(但不限于)个人计算机系统、大型计算机系统、工作站、图像计算机、并行处理器或本技术中已知的任何其它装置。一般来说,术语“计算系统”可广义定义为涵盖具有一或多个处理器的任何装置,处理器执行来自存储媒体的指令。一般来说,计算系统116、330及530可分别与诸如测量系统100、300及500的测量系统集成或替代地,可与任何测量系统分离。在此意义上,计算系统116、330及530可位于远程且分别从任何测量源及用户输入源接收测量数据及用户输入。
实施方法(诸如本文中所描述的方法)的程序指令120可通过载体媒体118传输或存储于载体媒体118上。载体媒体可为传输媒体,诸如电线、电缆或无线传输链路。载体媒体还可包含计算机可读媒体,诸如只读存储器、随机存取存储器、磁盘或光盘或磁带。
类似地,实施方法(诸如本文中所描述的方法)的程序指令334可通过传输媒体传输,诸如电线、电缆或无线传输链路。例如,如图13中所说明,存储于存储器332中的程序指令通过总线333传输到处理器331。程序指令334存储于计算机可读媒体(例如存储器332)中。示范性计算机可读媒体包含只读存储器、随机存取存储器、磁盘或光盘或磁带。
类似地,实施方法(诸如本文中所描述的方法)的程序指令534可通过传输媒体传输,诸如电线、电缆或无线传输链路。例如,如图15中所说明,存储于存储器532中的程序指令通过总线533传输到处理器531。程序指令534存储于计算机可读媒体(例如存储器532)中。示范性计算机可读媒体包含只读存储器、随机存取存储器、磁盘或光盘或磁带。
如本文中所描述,术语“临界尺寸”包含结构的任何临界尺寸(例如底部临界尺寸、中间临界尺寸、顶部临界尺寸、侧壁角、光栅高度等等)、任何两个或更多个结构之间的临界尺寸(例如两个结构之间的距离)、两个或更多个结构之间的位移(例如覆盖光栅结构之间的覆盖位移等等)及用于结构或结构的部分中的材料的色散属性值。结构可包含三维结构、图案化结构、覆盖结构等等。
如本文中所描述,术语“临界尺寸应用”或“临界尺寸测量应用”包含任何临界尺寸测量。
如本文中所描述,术语“计量系统”包含至少部分用于在任何方面中特性化样本的任何系统。然而,这些技术术语不限制本文中所描述的术语“计量系统”的范围。另外,计量系统100可经配置用于测量图案化晶片及/或未图案化晶片。计量系统可经配置为LED检验工具、边缘检验工具、背面检验工具、宏观检验工具或多模式检验工具(同时涉及来自一或多个平台的资料)及受益于基于临界尺寸数据的系统参数的校准的任何其它计量或检验工具。
本文中描述可用于处理样本的半导体处理系统(例如检验系统或光刻系统)的各种实施例。术语“样本”在本文中用于是指晶片、倍缩光掩模或可通过本技术中已知的构件处理(例如印刷或检验缺陷)的任何其它样品上的一或多个位点。在一些实例中,样本包含具有一或多个测量目标的单个位点,其同时组合测量被视为单个样本测量或参考测量。在一些其它实例中,样本是位点的集合,其中与集合测量位点相关联的测量数据是与多个位点中的每一者相关联的数据的统计集合。此外,这些多个位点中的每一者可包含与样本或参考测量相关联的一或多个测量目标。
如本文中所使用,术语“晶片”一般是指由半导体或非半导体材料形成的衬底。实例包含(但不限于)单晶硅、砷化镓及磷化铟。这些衬底通常可在半导体制造设施中找到及/或处理。在一些情况中,晶片可仅包含衬底(即,裸晶片)。替代地,晶片可包含形成于衬底上的一或多层不同材料。形成于晶片上的一或多个层可经“图案化”或“未图案化”。例如,晶片可包含具有可重复图案特征的多个晶粒。
“倍缩光掩模”可为在倍缩光掩模制程的任何阶段的倍缩光掩模,或为可或可不释放用于半导体制造设施中的完整倍缩光掩模。倍缩光掩模或“掩模”一般定义为实质上透明衬底,其上形成有基本上不透明区域且以图案配置。衬底可包含(例如)玻璃材料,诸如非晶SiO2。倍缩光掩模可在光刻过程的曝光步骤期间安置于抗蚀剂覆盖的晶片上方,使得倍缩光掩模上的图案可转印到抗蚀剂。
形成于晶片上的一或多个层可经图案化或未图案化。例如,晶片可包含各自具有可重复图案特征的多个晶粒。这些材料层的形成及处理可最终导致完整装置。诸多不同类型的装置可形成于晶片上,且本文中所使用的术语“晶片”意欲涵盖其上制造本技术中已知的任何类型的装置的晶片。
在一或多个示范性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实施。如果在软件中实施,那么功能可作为一或多个指令或代码存储于计算机可读媒体上或通过计算机可读媒体传输。计算机可读媒体包含计算机存储媒体及通信媒体两者,包含促进计算机程序从一个位置转移到另一位置的任何媒体。存储媒体可为可由通用或专用计算机存取的任何可用媒体。通过实例而非限制,这些计算机可读媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置或可用于以指令或数据结构的形式携带或存储期望程序代码构件且可由通用或专用计算机或通用或专用处理器存取的任何其它媒体。此外,任何连接被适当称为计算机可读媒体。例如,如果使用同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或诸如红外线、无线电及微波的无线技术从网站、服务器或其它远程源传输软件,那么同轴电缆、光纤电缆、双绞线、DSL或诸如红外线、无线电及微波的无线技术包含于媒体的定义中。如本文中所使用,磁盘及光盘包含压缩光盘(CD)、激光光盘、光盘、数字多功能光盘(DVD)、软盘及蓝光光盘,其中磁盘通常磁性地复制数据,而光盘用激光光学地复制数据。上文的组合还应包含于计算机可读媒体的范围内。
尽管上文出于教学目的描述某些特定实施例,但本专利文件的教示具有一般适用性且不限于上述特定实施例。因此,可在不背离权利要求书中所阐述的本发明的范围的情况下实践所描述实施例的各种特征的各种修改、适应及组合。
Claims (20)
1.一种方法,其包括:
接收特性化所关注半导体结构的多个参考形状轮廓,所述参考形状轮廓中的每一者由一组可观测几何变量参数化;
将所述一组可观测几何变量变换成一组潜在变量,所述一组潜在变量在替代数学空间中特性化所述参考形状轮廓;
基于所述一组潜在变量的值的取样来产生第一组重建形状轮廓;
基于所述第一组重建形状轮廓与所述参考形状轮廓之间的差来将所述一组潜在变量截断成一组缩减潜在变量;及
至少部分基于所述一组缩减潜在变量的值的取样来训练测量模型。
2.根据权利要求1所述的方法,其进一步包括:
用一定量的能量照射所述所关注半导体结构的例子;
响应于所述能量的量而检测与所述所关注半导体结构的测量相关联的测量数据量;
基于所述经训练测量模型与所述测量数据量的拟合来估计特性化所述所关注半导体结构的所述一组缩减潜在变量的值;及
将所述一组缩减潜在变量的所述估计值变换成所述一组可观测几何变量的值。
3.根据权利要求1所述的方法,其进一步包括:
由可信任计量系统基于所述所关注结构的多个例子中的每一者的测量来产生所述多个参考形状轮廓。
4.根据权利要求1所述的方法,其进一步包括:
由半导体制程模拟器基于所述所关注结构的多个例子中的每一者的模拟来产生所述多个参考形状轮廓。
5.根据权利要求1所述的方法,其中所述多个参考形状轮廓是用户产生的。
6.根据权利要求1所述的方法,其中将所述一组可观测几何参数变换成所述一组潜在变量的所述值涉及主成分分析或经训练自动编码器。
7.根据权利要求1所述的方法,其进一步包括:
基于所述一组缩减潜在变量的值的取样来产生第二组重建形状轮廓;
使曲线与所述参考形状轮廓与所述第二组重建形状轮廓之间的差拟合;及
基于所述第二组重建形状轮廓与所述拟合曲线的和来产生第三组重建形状轮廓,其中所述测量模型的所述训练是基于所述第三组重建形状轮廓。
8.根据权利要求1所述的方法,其进一步包括:
扩大所述一组可观测变量中的一或多者的值的范围,其中特性化所述所关注半导体结构的所述多个参考形状轮廓包含由所述扩大的值范围特性化的参考形状轮廓。
9.根据权利要求1所述的方法,其进一步包括:
基于所述一组缩减潜在变量的值的取样来产生第二组重建形状轮廓;及
消除所述第二组重建形状轮廓的非物理形状轮廓。
10.一种计量系统,其包括:
照明子系统,其经配置以在测量位点处用一定量的能量照射半导体结构;
检测器,其经配置以响应于所述能量的量而检测与所述半导体结构的测量相关联的测量数据量;及
计算系统,其经配置以:
基于经训练测量模型与所述测量数据量的拟合来估计在不可观测数学空间中特性化所述半导体结构的一组潜在变量中的至少一个潜在变量的值;及
将所述至少一个潜在变量的所述值变换成特性化所述半导体结构的至少一个所关注可观测几何参数的值。
11.根据权利要求10所述的计量系统,所述计算系统进一步经配置以:
接收特性化所述半导体结构的多个参考形状轮廓,所述参考形状轮廓中的每一者由一组可观测几何变量参数化;
将所述一组可观测几何变量变换成所述一组潜在变量,所述一组潜在变量在所述不可观测数学空间中特性化所述参考形状轮廓;
基于所述一组潜在变量的值的取样来产生第一组重建形状轮廓;
基于所述第一组重建形状轮廓与所述参考形状轮廓之间的差来将所述一组潜在变量截断成一组缩减潜在变量;及
至少部分基于所述一组缩减潜在变量的值的取样来训练所述测量模型。
12.根据权利要求11所述的计量系统,其中所述多个参考形状轮廓由可信任计量系统通过所述半导体结构的多个例子中的每一者的测量来产生。
13.根据权利要求11所述的计量系统,其中所述多个参考形状轮廓由半导体制程模拟器通过所述所关注结构的多个例子中的每一者的模拟来产生。
14.根据权利要求11所述的计量系统,其中所述多个参考形状轮廓是用户产生的。
15.根据权利要求11所述的计量系统,其中将所述一组可观测几何参数变换成所述一组潜在变量的所述值涉及主成分分析或经训练自动编码器。
16.根据权利要求11所述的计量系统,所述计算系统进一步经配置以:
基于所述一组缩减潜在变量的值的取样来产生第二组重建形状轮廓;
使曲线与所述参考形状轮廓与所述第二组重建形状轮廓之间的差拟合;及
基于所述第二组重建形状轮廓与所述拟合曲线的和来产生第三组重建形状轮廓,其中所述测量模型的所述训练是基于所述第三组重建形状轮廓。
17.根据权利要求11所述的计量系统,其进一步包括:
扩大所述一组可观测变量中的一或多者的值的范围,其中特性化所述半导体结构的所述多个参考形状轮廓包含由所述扩大的值范围特性化的参考形状轮廓。
18.根据权利要求10所述的计量系统,其中所述照明子系统及所述检测器包括光学计量系统、基于x射线的计量系统或基于电子束的计量系统。
19.一种计量系统,其包括:
照明子系统,其经配置以在测量位点处用一定量的能量照射半导体结构;
检测器,其经配置以响应于所述能量的量而检测与所述半导体结构的测量相关联的测量数据量;及
非暂时性计算机可读媒体,其存储指令,所述指令在由一或多个处理器执行时引起所述一或多个处理器:
基于经训练测量模型与所述测量数据量的拟合来估计在不可观测数学空间中特性化所述半导体结构的一组潜在变量中的至少一个潜在变量的值;及
将所述至少一个潜在变量的所述值变换成特性化所述半导体结构的至少一个所关注可观测几何参数的值。
20.根据权利要求19所述的计量系统,所述非暂时性计算机可读媒体进一步存储指令,所述指令在由所述一或多个处理器执行时引起所述一或多个处理器:
接收特性化所述半导体结构的多个参考形状轮廓,所述参考形状轮廓中的每一者由一组可观测几何变量参数化;
将所述一组可观测几何变量变换成所述一组潜在变量,所述一组潜在变量在所述不可观测数学空间中特性化所述参考形状轮廓;
基于所述一组潜在变量的值的取样来产生第一组重建形状轮廓;
基于所述第一组重建形状轮廓与所述参考形状轮廓之间的差来将所述一组潜在变量截断成一组缩减潜在变量;及
至少部分基于所述一组缩减潜在变量的值的取样来训练所述测量模型。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163284645P | 2021-12-01 | 2021-12-01 | |
US63/284,645 | 2021-12-01 | ||
US17/993,565 | 2022-11-23 | ||
US17/993,565 US20230169255A1 (en) | 2021-12-01 | 2022-11-23 | Methods And Systems For Data Driven Parameterization And Measurement Of Semiconductor Structures |
PCT/US2022/051115 WO2023101917A2 (en) | 2021-12-01 | 2022-11-29 | Methods and systems for data driven parameterization and measurement of semiconductor structures |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117546009A true CN117546009A (zh) | 2024-02-09 |
Family
ID=86500262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280044636.9A Pending CN117546009A (zh) | 2021-12-01 | 2022-11-29 | 用于半导体结构的数据驱动参数化及测量的方法及系统 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230169255A1 (zh) |
EP (1) | EP4341676A2 (zh) |
CN (1) | CN117546009A (zh) |
IL (1) | IL309451A (zh) |
TW (1) | TW202340709A (zh) |
WO (1) | WO2023101917A2 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756836B (zh) * | 2023-08-16 | 2023-11-14 | 中南大学 | 一种隧道超欠挖体积计算方法、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030135547A1 (en) * | 2001-07-23 | 2003-07-17 | Kent J. Thomas | Extensible modular communication executive with active message queue and intelligent message pre-validation |
US8773657B2 (en) * | 2004-02-23 | 2014-07-08 | Asml Netherlands B.V. | Method to determine the value of process parameters based on scatterometry data |
US7627392B2 (en) * | 2007-08-30 | 2009-12-01 | Tokyo Electron Limited | Automated process control using parameters determined with approximation and fine diffraction models |
WO2021104718A1 (en) * | 2019-11-29 | 2021-06-03 | Asml Netherlands B.V. | Method and system for predicting process information with a parameterized model |
WO2021160380A1 (en) * | 2020-02-14 | 2021-08-19 | Asml Netherlands B.V. | Determining lithographic matching performance |
-
2022
- 2022-11-23 US US17/993,565 patent/US20230169255A1/en active Pending
- 2022-11-29 EP EP22902056.5A patent/EP4341676A2/en active Pending
- 2022-11-29 IL IL309451A patent/IL309451A/en unknown
- 2022-11-29 WO PCT/US2022/051115 patent/WO2023101917A2/en active Application Filing
- 2022-11-29 CN CN202280044636.9A patent/CN117546009A/zh active Pending
- 2022-12-01 TW TW111146101A patent/TW202340709A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
IL309451A (en) | 2024-02-01 |
EP4341676A2 (en) | 2024-03-27 |
WO2023101917A3 (en) | 2023-08-03 |
WO2023101917A2 (en) | 2023-06-08 |
TW202340709A (zh) | 2023-10-16 |
US20230169255A1 (en) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI805594B (zh) | 基於多色軟性x射線繞射之用於半導體度量之方法及系統 | |
KR102055966B1 (ko) | 조합된 x-레이 및 광학 계측을 위한 모델 구축 및 분석 엔진, 방법, 그리고 컴퓨터 판독 가능한 매체 | |
US10983227B2 (en) | On-device metrology using target decomposition | |
US11460418B2 (en) | Methods and systems for semiconductor metrology based on wavelength resolved soft X-ray reflectometry | |
CN113677983B (zh) | 结合x射线计量数据集合以改进参数评估的方法及系统 | |
KR20160030267A (ko) | 조합된 x선 및 광학적 계측 | |
US11698251B2 (en) | Methods and systems for overlay measurement based on soft X-ray Scatterometry | |
KR102477026B1 (ko) | 재사용 가능한 서브구조물에 기초한 나노와이어 반도체 구조물의 측정 모델 | |
KR20220163446A (ko) | 필터링이 개선된 소프트 x-선 광학계 | |
US20230169255A1 (en) | Methods And Systems For Data Driven Parameterization And Measurement Of Semiconductor Structures | |
JP7431969B2 (ja) | 簡略化モデルを用いるトモグラフィ依拠半導体計測 | |
US11513085B2 (en) | Measurement and control of wafer tilt for x-ray based metrology | |
US12013355B2 (en) | Methods and systems for compact, small spot size soft x-ray scatterometry | |
TW202248884A (zh) | 用於判定與微影製程相關之隨機度量之方法 | |
KR20240016285A (ko) | 계측 측정 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |