CN117616339A - 一种监测测量选配方案的方法以及相关联的量测方法和设备 - Google Patents
一种监测测量选配方案的方法以及相关联的量测方法和设备 Download PDFInfo
- Publication number
- CN117616339A CN117616339A CN202280045572.4A CN202280045572A CN117616339A CN 117616339 A CN117616339 A CN 117616339A CN 202280045572 A CN202280045572 A CN 202280045572A CN 117616339 A CN117616339 A CN 117616339A
- Authority
- CN
- China
- Prior art keywords
- interest
- measurement signals
- measurement
- reliability
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 173
- 238000012544 monitoring process Methods 0.000 title description 12
- 238000005259 measurement Methods 0.000 claims abstract description 131
- 210000001747 pupil Anatomy 0.000 claims description 103
- 239000000758 substrate Substances 0.000 claims description 89
- 230000008569 process Effects 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 65
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 2
- 235000012431 wafers Nutrition 0.000 description 45
- 230000005855 radiation Effects 0.000 description 39
- 238000000059 patterning Methods 0.000 description 32
- 230000009977 dual effect Effects 0.000 description 18
- 239000000047 product Substances 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 15
- 238000005286 illumination Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 238000005530 etching Methods 0.000 description 6
- 238000001459 lithography Methods 0.000 description 6
- 238000004886 process control Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000700566 Swinepox virus (STRAIN KASZA) Species 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 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
- G03F7/70483—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
- 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
- G03F7/70605—Workpiece metrology
- G03F7/70616—Monitoring the printed patterns
-
- 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
- G03F7/70633—Overlay, i.e. relative alignment between patterns printed by separate exposures in different layers, or in the same layer in multiple exposures or stitching
-
- 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
- G03F7/706843—Metrology apparatus
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
公开了一种确定可靠性度量的方法以及相关联的设备,可靠性度量描述量测信号和/或从其导出的感兴趣参数值的可靠性。方法包括:获取经训练的推算模型,用于根据测量信号推算感兴趣参数值,并获取一个或多个测量信号和/或使用所述经训练的推算模型从一个或多个测量信号导出的各自的一个或多个感兴趣参数值。确定一个或多个测量信号和/或各自的一个或多个感兴趣参数值的至少一个可靠性度量值,该可靠性度量描述一个或多个测量信号和/或各自的一个或多个感兴趣参数值相对于与经训练的推算模型相关联的准确预测空间的可靠性。
Description
相关申请的交叉引用
本申请要求于2021年7月1日提交的EP申请21183254.8的优先权,该申请通过引用整体并入本文。
技术领域
本发明涉及一种例如可用于在通过光刻技术制造器件中执行量测的量测设备和方法。本发明还涉及用于在光刻过程中监测感兴趣参数(诸如重叠)的这种方法。
背景技术
光刻设备是将期望的图案施加至衬底上(通常施加至衬底的目标部分上)的机器。光刻设备可以用于例如集成电路(IC)的制造中。在该情况下,图案形成装置(其替代地称为掩模或掩模版)可以用以产生待形成在IC的单层上的电路图案。这种图案可以转印至衬底(例如,硅晶片)上的目标部分(例如,包括管芯的部分、一个管芯或若干管芯)上。图案的转印通常经由成像至被设置在衬底上的辐射敏感材料(抗蚀剂)层上来进行。通常,单个衬底将包含被连续地图案化的相邻目标部分的网络。
在光刻过程中,通常需要频繁地对所创建的结构进行测量,例如用于过程控制和验证。已知用于进行这种测量的各种工具,包括扫描电子显微镜,其通常用于测量临界尺寸(CD),以及用于测量重叠、器件中的两层的对准准确性的专用工具。最近,已经开发了用于光刻领域的各种形式的散射仪。这些装置将辐射束引导到目标上,并测量散射辐射的一个或多个性质—例如,在单个反射角的情况下的作为波长的函数的强度;在一个或多个波长的情况下的作为反射角的函数的强度;或作为反射角的函数的偏振—以获取从中可以确定目标的感兴趣性质的衍射“光谱”。
已知的散射计的示例包括US2006033921A1和US2010201963A1中描述的类型的角度分辨散射计。这种散射计所使用的目标相对较大(例如40μm×40μm的光栅),测量束产生小于光栅的斑点(即光栅未填充)。暗场成像量测的示例可以在国际专利申请US20100328655A1和US2011069292A1中找到,这些文献通过引用整体并入本文。该技术的进一步发展已经在公开的专利出版物US20110027704A、US20110043791A、US2011102753A1、US20120044470A、US20120123581A、US20130258310A、US20130271740A和WO2013178422A1中进行了描述。这些目标可以小于照射斑点,并且可以被晶片上的产品结构包围。使用复合光栅目标可以在一个图像中测量多个光栅。所有这些申请的内容也通过引用并入本文。
已知一种量测方法,其中将加权应用于量测信号以将该信号转换为感兴趣参数值,诸如重叠。该加权可以使用经训练的模型确定。期望改进对加权和/或模型的监测,以估算所述加权是否仍在提供感兴趣参数值的可靠推算。
发明内容
在第一方面中,本发明提供了一种确定可靠性度量的方法,所述可靠性度量描述量测信号和/或从所述量测信号导出的感兴趣参数值的可靠性,所述方法包括:获取经训练的推算模型,所述经训练的推算模型用于根据测量信号推算感兴趣参数值;获取一个或多个测量信号和/或使用所述经训练的推算模型从所述一个或多个测量信号导出的各自的一个或多个感兴趣参数值;以及确定所述一个或多个测量信号和/或各自的一个或多个感兴趣参数值的至少一个可靠性度量值,所述可靠性度量描述所述一个或多个测量信号和/或各自的一个或多个感兴趣参数值相对于与所述经训练的推算模型相关联的准确预测空间的可靠性。
本发明还提供了一种包括机器可读指令的计算机程序产品以及相关联的量测设备和光刻系统,所述指令使处理器执行根据第一方面的方法。
下面参照附图详细描述本发明的其他特征和优点以及本发明的各种实施例的结构和操作。注意的是,本发明不限于本文中描述的具体实施例。仅出于说明目的而在本文中呈现这样的实施例。基于本文所包含的教导,其他实施例对于相关领域的技术人员也将是显而易见的。
附图说明
现在将仅通过示例的方式参考所附的示意性附图来描述本发明的实施例,在附图中对应的附图标记指示对应的部分,并且在附图中:
图1描绘了光刻设备;
图2描绘了可以使用根据本发明的检查设备的光刻单元或光刻簇;
图3示意性地图示了适用于执行角度分辨散射和暗场成像检查方法的检查设备;
图4是描述根据实施例的用于量化对称性过程变化(或不对称性过程变化)的方法的流程图;
图5是描述根据实施例的用于估计重叠测量的置信度度量的方法的流程图;和
图6是描述根据实施例的选配方案更新建议器方法的流程图。
具体实施方式
在详细描述本发明的实施例之前,呈现可以实现本发明的各实施例的示例环境是有益的。
图1示意性地描绘了光刻设备LA。该设备包括:照射系统(照射器)IL,其被配置成调节辐射束B(例如,UV辐射或DUV辐射);图案形成装置支撑件或支撑结构(例如,掩模台)MT,其被构造成支撑图案形成装置(例如,掩模)MA并且连接到第一定位器PM,该第一定位器PM被配置成根据特定参数准确地定位图案形成装置;两个衬底台(例如,晶片台)WTa和WTb,所述两个衬底台各自被构造成保持衬底(例如,涂覆有抗蚀剂的晶片)W并且各自连接到第二定位器PW,该第二定位器PW被配置成根据特定参数准确地定位衬底;以及投影系统(例如,折射投影透镜系统)PS,其被配置成将通过图案形成装置MA赋予辐射束B的图案投影到衬底W的目标部分C(例如,包括一个或多个管芯)上。参考系RF连接各个部件,并用作设置和测量图案形状装置和衬底的位置以及图案形状装置和衬底上的特征的位置的参考。
照射系统可以包括用于引导、整形或控制辐射的各种类型的光学部件,诸如折射型、反射型、磁性型、电磁型、静电型、或其他类型的光学部件、或其任意组合
图案形成装置支撑件以依赖于图案形成装置的取向、光刻设备的设计以及其他条件(诸如,例如图案形成装置是否保持在真空环境中)的方式保持图案形成装置。图案形成装置支撑件可以采用许多形式;图案形成装置支撑件可以确保图案形成装置在例如相对于投影系统的期望位置处。
本文中使用的术语“图案形成装置”应当被广义地理解为是指能够用于将图案赋予在辐射束的横截面上,使得在衬底的目标部分上形成图案的任何装置。应当注意,被赋予辐射束的图案可能不与在衬底的目标部分上的期望图案完全相对应(例如,如果该图案包括相移特征或所谓的辅助特征)。通常,被赋予辐射束的图案将与在目标部分上形成的器件中的特定功能层相对应,诸如集成电路。
如本文所描述的,该设备是透射型的(例如,采用透射型图案形成装置)。替代地,该设备可以是反射型的(例如,采用如上所述的可编程反射镜阵列类型,或采用反射型掩模)。图案形成装置的示例包括掩模、可编程反射镜阵列、以及可编程LCD面板。对本文中术语“掩模版”或“掩模”的任何使用可以被视为与更上位的术语“图案形成装置”同义。术语“图案形成装置”也可以被解释为指以数字形式存储图案信息,从而用于控制这种可编程图案形成装置的装置。
本文中所使用的术语“投影系统”应被广义地解释为涵盖适于所使用的曝光辐射或适于诸如浸没液体的使用或真空的使用之类的其它因素的任何类型的投影系统,包括折射型、反射型、反射折射型、磁性型、电磁型和静电型光学系统,或其任何组合。可以认为本文中对术语“投影透镜”的任何使用可以与更上位的术语“投影系统”同义。
光刻设备也可以属于以下类型:其中衬底的至少一部分可以被具有相对高折射率的液体(例如水)覆盖,以便填充投影系统与衬底之间的空间。也可以将浸没液体施加至光刻设备中的其他空间,例如掩模与投影系统之间的空间。浸没技术在本领域中是众所周知的用于增大投影系统的数值孔径。
在操作中,照射器IL从辐射源SO接收辐射束。例如,当源是准分子激光器时,源与光刻设备可以是分离的实体。在这样的情况下,不认为源形成了光刻设备的一部分,并且辐射束是借助于包括例如合适的定向反射镜和/或扩束器的束传递系统BD而从源SO传递至照射器IL。在其他情况下,例如,当源是汞灯时,源可以是光刻设备的组成部分。源SO和照射器IL连同束传递系统BD(在需要时)可以被称为辐射系统。
照射器IL可以例如包括用于调整辐射束的角强度分布的调整器AD、积分器IN和聚光器CO。照射器可以被用于调节辐射束,以在其横截面中具有期望的均一性和强度分布。
辐射束B入射到被保持在图案形成装置支撑件MT上的图案形成装置MA上,并且被图案形成装置图案化。在通过图案形成装置(例如,掩模)MA之后,辐射束B穿过投影系统PS,所述投影系统PS将束聚焦到衬底W的目标部分C上。借助于第二定位器PW和位置传感器IF(例如,干涉量测装置、线性编码器、2D编码器或电容性传感器),可以准确地移动衬底台WTa或WTb,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,例如在从掩模库机械获取之后,或在扫描期间,可以使用第一定位器PM和另一位置传感器(图1中未明确描绘)以相对于辐射束B的路径准确地定位图案形成装置(例如,掩模版/掩模)MA。
可以使用掩模对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如,掩模版/掩模)MA与衬底W。虽然如图示的衬底对准标记占据专用目标部分,但这些标记可以位于目标部分之间的空间中(它们被称为划线对准标记)。类似地,在多于一个管芯被设置在图案形成装置(例如掩模)MA上的情形中,掩模对准标记可以位于管芯之间。除了器件特征之外,在管芯内还可以包括小对准标记,在这种情况下,期望所述标记尽可能小,并且相邻特征之间不需要任何不同的成像或过程调节。下面进一步描述检测对准标记的对准系统。
所描述的设备可以用于各种模式。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上时,使图案形成装置支撑件(例如掩模台)MT和衬底台WT被同步扫描(即单次动态曝光)。可以通过投影系统PS的放大率(缩小率)和图像反转特性来确定衬底台WT相对于图案形成装置支撑件(例如掩模台)MT的速度和方向。在扫描模式中,曝光场的最大尺寸限制了单次动态曝光中的目标部分的宽度(在非扫描方向上),而扫描运动的长度决定了目标部分的高度(在扫描方向上)。如本领域中公知的,其他类型的光刻设备和操作模式也是可能的。例如,已知的步进模式。在所谓的“无掩模”光刻术中,可编程图案形成装置被保持为静态,但是具有变化的图案,并移动或扫描衬底台WT。
也可以采用如上所描述的使用模式的组合和/或变型,或者完全不同的使用模式。
光刻设备LA是所谓的双台类型,所述双台类型具有两个衬底台WTa、WTb以及可以在其间交换衬底台的两个站--曝光站EXP和测量站MEA。当一个衬底台上的一个衬底在曝光站被曝光时,另一个衬底可以在测量站被装载到另一衬底台上,并执行各种准备步骤。这使得设备的产量显著增加。准备步骤可以包括使用水平传感器LS绘制衬底的表面高度轮廓,并且使用对准传感器AS测量衬底上的对准标记的位置。如果位置传感器IF不能在衬底台在测量站以及曝光站时测量衬底台的位置,则可以提供第二位置传感器以使得能够在两个站处跟踪衬底台相对于参考系RF的位置。还已知其他布置,并且可用于替代所示的双台布置。例如,已知提供衬底台和测量台的其他光刻设备。它们当执行准备测量时对接在一起,然后在衬底台进行曝光时被卸离。
如图2所示,光刻设备LA形成光刻单元LC(有时也称为光刻元或簇)的一部分,所述光刻单元LC还可以包括在衬底上执行预曝光和后曝光过程的设备。通常,这些设备包括用于沉积抗蚀剂层的旋涂器SC、用于显影经曝光的抗蚀剂的显影剂DE、激冷板CH和烘烤板BK。衬底输送装置(或机器人)RO从输入/输出端口I/O1、I/O2拾取衬底,在不同处理设备之间移动衬底W,然后将衬底W输送到光刻设备的装载台LB。这些装置(通常也统称为轨道)受轨道控制单元TCU的控制,轨道控制单元TCU本身受管理控制系统SCS控制,管理控制系统SCS还经由光刻控制单元LACU控制光刻设备。因此,可以操作不同的设备以使产量和处理效率最大化。
为了使光刻设备曝光的衬底被正确且一致地曝光,期望检查经曝光的衬底以测量性质,诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。因此,光刻单元LC所在的制造设施还包括量测系统MET,所述量测系统MET接收已经在光刻单元中被处理的衬底W的一些或全部。量测结果被直接或间接地提供给管理控制系统SCS。如果检测到错误,可以对后续衬底的曝光进行调节,特别是如果可以足够迅速和快速的检查,则使得同一批次的其他衬底仍处于曝光状态。此外,已经曝光的衬底可以被剥离和返工以提高产量,或者被丢弃,从而避免对已知有缺陷的衬底执行进一步处理。在衬底的仅一些目标部分有缺陷的情况下,可以仅对良好的那些目标部分执行进一步曝光。
在量测系统MET内,使用检查设备来确定衬底的性质,特别是不同衬底或相同衬底的不同层的性质如何在层与层之间变化。检查设备可以被集成到光刻设备LA或光刻单元LC中,或者可以是独立装置。为了实现最快速的测量,期望检查设备在曝光之后立即测量经曝光的抗蚀剂层中的性质。然而,抗蚀剂中的潜像具有非常低的对比度(在抗蚀剂的已曝光于辐射的部分与尚未曝光于辐射的部分之间仅存在非常小的折射率差异),并且并非所有的检查设备都具有足够的灵敏度来对潜像进行有用的测量。因此,可以在曝光后烘焙步骤(PEB)之后进行测量,所述曝光后烘焙步骤通常是在经曝光的衬底上执行的第一步骤,并增加了抗蚀剂的经曝光部分与未曝光部分之间的对比度。在这个阶段,抗蚀剂中的图像可以被称为半潜像。也可以对经显影的抗蚀剂图像进行测量(在该点处,抗蚀剂的经曝光部分或未曝光部分都已经被移除),或在图案转印步骤(如蚀刻)之后进行测量。后者可能会限制对有缺陷的衬底返工的可能性,但仍然可以提供有用的信息。
图3(a)示出了适用于本发明的实施例的量测设备。注意的是,这仅是合适的量测设备的一个示例。替代的合适的量测设备可以使用EUV辐射,诸如例如WO2017/186483A1中公开的那样。图3(b)更详细地说明了目标结构T和用于照射目标结构的测量辐射的衍射射线。所示的量测设备是称为暗场量测设备的类型。量测设备可以是独立装置,或者可以并入光刻设备LA中(例如,在测量站处)或光刻单元LC中。在整个设备中具有多个分支的光轴由虚线O表示。在该设备中,源11(例如,氙气灯)发射的光通过包括透镜12、14和物镜16的光学系统、经由分束器15而引导到衬底W。这些透镜以4F布置的双序列布置。可以使用不同的透镜布置,只要它将衬底图像提供到检测器,并且同时允许访问中间光瞳平面以进行空间频率滤波。因此,辐射入射到衬底上的角度范围可以通过定义呈现衬底平面的空间光谱的平面(本文中称为(共轭)光瞳平面)中的空间强度分布来选择。具体地,这可以通过在作为物镜光瞳平面的后投影图像的平面中,在透镜12与14之间插入适当形式的孔板13来实现。在所示的示例中,孔板13具有不同的形式(被标记为13N和13S),由此允许选择不同的照射模式。本示例中的照射系统形成离轴照射模式。在第一照射模式中,孔板13N提供指定为“北”(仅是为了便于描述)的方向的离轴。在第二照射模式中,孔板13S用于提供类似的照射,但从标记为“南”的反向方向。通过使用不同的孔可以有其它照射模式。光瞳平面的其余部分期望是暗的,因为期望的照射模式之外的任何不必要的光都将干扰期望的测量信号。
如图3(b)所示,目标结构T被放置,其中衬底W垂直于物镜16的光轴O。衬底W可以由支撑件(未示出)支撑。以偏离轴线O一角度入射目标结构T的测量辐射射线I产生了零阶射线(实线0)和两个一阶射线(点划线+1和双点划线-1),在后文中称为一对互补的衍射阶。应当注意,该一对互补的衍射阶可以是任何较高阶对;例如+2、-2对等,并且不限于一阶互补对。应当注意,在过填充的小目标结构的情况下,这些射线仅是覆盖包括量测目标结构T和其他特征的衬底区域的许多平行射线之一。由于板13中的孔具有有限的宽度(对于允许有益的光量所需),因此入射射线I实际上将占据一定角度范围,且衍射射线0和+1/-1将会稍微展开。根据小目标的点扩散函数,每个+1阶和-1阶都将进一步扩散一定角度范围,而不是如图所示的单个理想射线。注意的是,可以设计或调整目标结构的光栅节距和照射角度,使得进入物镜的一阶射线与中心光轴接近于对准。图3(a)和图3(b)中所示的射线被示出为稍微离轴,这仅是为了能够在附图中更容易地区分它们。
至少由衬底W上的目标结构T衍射的0阶和+1阶被物镜16收集并且引导返回通过分束器15。返回到图3(a),通过指定标记为北(N)和南(S)的完全反向的孔,示出了第一照射模式和第二照射模式。当测量辐射的入射射线I来自光轴的北侧时,即当通过使用孔板13N而应用第一照射模式时,+1衍射射线(被标记为+1(N))进入物镜16。相反,当通过使用孔板13S而应用第二照射模式时,-1衍射射线(被标记为1(S))是进入透镜16的射线。
第二分束器17将衍射束分成两个测量分支。在第一测量分支中,光学系统18使用零阶和一阶衍射束在第一传感器19(例如,CCD或CMOS传感器)上形成目标结构的衍射光谱(光瞳平面图像)。每个衍射阶击中传感器上的不同点,因此图像处理可以比较和对比多个阶。由传感器19捕获的光瞳平面图像可用于聚焦量测设备和/或使一阶束的强度测量归一化。光瞳平面图像还可以用于许多测量目的,诸如重构。
在第二测量分支中,光学系统20、22在传感器23(例如,CCD或CMOS传感器)上形成目标结构T的图像。在第二测量分支中,孔光阑21设置在与光瞳平面共轭的平面中。孔光阑21用于阻挡零阶衍射束,使得仅通过-1或+1的一阶束形成在传感器23上形成的目标的图像。由传感器19和23捕获的图像被输出到处理图像的处理器PU,所述处理器PU的功能将取决于正在执行的测量的具体类型。注意的是,此处使用的术语“图像”是广义的。如果仅存在-1和+1阶中的一个,则将不会形成这样的光栅线图像。
位置误差可能是由于重叠误差(通常称为“重叠”)造成的。重叠是相对于第二曝光期间的第二特征放置第一曝光期间的第一特征的误差。光刻设备通过在图案化之前将每个衬底准确地对准参考来最小化重叠误差。这是通过使用对准传感器测量衬底上的对准标记的位置来实现的。关于对准过程的更多信息可以在美国专利申请公开No.US2010-0214550中找到,该申请通过引用整体并入本文。例如,当衬底没有相对于光刻设备的焦平面被正确定位时,可能发生图案尺寸标注(例如,CD)误差。这些聚焦位置误差可能与衬底表面的不平坦性相关联。光刻设备旨在通过在图案化之前使用水平传感器测量衬底表面形貌来最小化这些聚焦位置误差。在随后的图案化期间应用衬底高度校正,以帮助确保图案形成装置在衬底上的正确成像(聚焦)。关于水平传感器系统的更多信息可以在美国专利申请公开No.US2007-0085991中找到,该申请通过引用整体并入本文。
除了光刻设备LA和量测设备MT之外,在器件生产期间也可以使用一种或多种其他处理设备。在将图案曝光到抗蚀剂中之后,蚀刻站(未示出)处理衬底。蚀刻站将图案从抗蚀剂转移到抗蚀剂层下层的一个或多个层中。典型地,蚀刻是基于等离子体介质的应用。一个或多个局部蚀刻特性可以例如通过使用衬底的温度控制进行控制,或通过使用电压控制环引导等离子体介质进行控制。关于蚀刻控制的更多信息可以在PCT专利申请公开No.WO2011-081645和美国专利申请公开No.US 2006-016561中找到,这些申请通过引用整体并入本文。
在器件的制造期间,期望使用一个或多个处理设备(诸如光刻设备)或蚀刻站处理衬底的过程条件保持稳定,以使得特征的性质保持在特定控制限制内。过程的稳定性对于电气装置(诸如IC)的功能部件的特征(也称为产品特征)是特别重要的。为了帮助确保稳定的处理,过程控制能力应当就绪。过程控制涉及处理数据的监测以及用于过程校正的装置的实现,例如基于处理数据的一个或多个特性控制处理设备。过程控制可以基于量测设备MT的定期测量,通常称为“高级过程控制”(也称为APC)。关于APC的更多信息可以在美国专利申请公开No.US 2012-008127中找到,该申请通过引用整体并入本文。典型的APC实现涉及对衬底上的量测特征的周期性测量,以监测和校正与一个或多个处理设备相关联的漂移。量测特征反映了对产品特征的过程变化的响应。相比于量测特征对产品特征的敏感度,量测特征对过程变化的敏感度可能不同。在这种情况下,可以确定所谓的“量测到器件”偏移(也称为MTD)。
一个原因是MTD偏移使得实际产品结构通常比散射仪或成像测量所需的目标结构的尺寸小得多(数量级),并且这种尺寸上的差异可以导致不同的参数行为(例如,量测目标的图案放置和所产生的重叠可能不同于实际结构的图案放置和所产生的重叠)。为了模拟产品特征的行为,可以使量测目标内的特征更小(例如,使所述特征具有与产品结构的尺寸相当的尺寸,这可以称为分辨率级重叠ARO),所述量测目标内的特征包括段特征、辅助特征或具有特定几何形状和/或尺寸的特征。理想情况下,精心设计的量测目标应当以与产品特征类似的方式对过程变化做出响应。关于量测目标设计的更多信息可以在PCT专利申请公开No.WO 2015-101458中找到,该申请通过引用整体并入本文。
在另一种方法中,可以直接对产品结构执行量测。例如,这可以通过使用扫描电子显微镜(SEM)或电子束量测设备来完成。然而,对于商业化(大批量制造HVM)环境中的过程控制,这些装置通常太慢。另一种替代方法称为器件内量测IDM,所述方法可以包括使用基于散射计的量测设备直接测量产品结构。诸如图3所示的现代散射测量工具具有(至少)测量这种小型结构上的基于不对称性的度量(例如,重叠)的能力。然而,这通常仅可以用于具有足够规则性(所述足够规则性为足够周期性)的产品结构(例如,存储器类型),使得所述产品结构可以用作有效的衍射光栅。斑点内的所有特征都会添加到光瞳中,因此特征应当在整个斑点上是规则的,以便获取信号。不太规则的产品结构,诸如(例如)逻辑结构不能用这种方式进行测量。
一种已知的量测技术被称为器件内量测(IDM)。在IDM中,使用例如图3(a)所示的量测工具(使用光瞳成像分支)测量晶片(例如,在蚀刻后测量晶片)。所产生的光学信号在本文中通常称为“光瞳”,所产生的光学信号的每个都包括测量值或信号参数值(例如,强度、衍射效率或任何其他合适的参数)的角度分辨光谱。这些光瞳是从衬底上的“目标”散射的辐射中获取的,并且可以包括来自任何一个或多个衍射阶的辐射,其中在该上下文中的衍射阶包括零阶(镜面反射辐射)。由此,光瞳可以仅从零阶获取、仅从单个更高阶获取、或从阶的组合获取。
在一实施例中,测量散射辐射的光瞳,即在傅立叶变换平面处进行测量。除非上下文另有要求(例如,在正在识别特定光学系统的光瞳平面的情况下),否则本文中的术语光瞳和光瞳平面包括光瞳和光瞳平面的任何共轭像或共轭平面。
目标可以是专用于量测目的而形成的量测目标(例如光栅)。在一些实施例中,这样的光栅可以模仿器件结构,诸如逻辑结构(例如,产品结构的规则化版本)。替代地,在本公开的上下文中,术语“目标”也可以包括实际的功能性产品结构,例如,在所述实际的功能性产品结构具有足够的周期性或规则性以直接在其上执行量测的情况下。
用于测量目标的入射测量辐射可以是偏振的,并且在散射辐射上使用交叉偏振器以将散射辐射划分为两个测量通道,即交叉偏振通道(其提供交叉偏振的光瞳)和共偏振通道(其提供共偏振的光瞳)。
推算算法用于基于物理和过程的知识从光瞳中推算出感兴趣参数。在传统的IDM中,交叉偏振的光瞳用于推算不对称性参数(例如,重叠或倾斜),而共偏振的光瞳用于推算对称性参数(例如,临界尺寸(CD)和高度)。
仅从交叉偏振的光瞳推算重叠是有缺陷的。具体地,这样的方法对于过程变化(例如,对称性参数(诸如CD和高度)的变化)是不鲁棒的。推算算法依赖于预先确定的“测量选配方案”,所述测量选配方案定义了光瞳的每像素加权。这种加权是在特定过程(特定叠层尺寸等)的校准中确定的。以这种方式,可以根据被合适地加权的像素的强度的组合确定重叠(其中加权本身用作强度(或其他信号参数)到重叠的转换因子,或者加权可以与从强度到重叠的转换因子相组合)。在这样的示例中,重叠信号可以被描述为:
其中,重叠信号OV是交叉偏振光瞳的信号分量的加权组合,wi是每个信号分量各自的权重(i是像素索引)。在一实施例中,权重wi是大小与重叠相关的向量。这种量测技术的主要原理和权重的确定被描述在PCT申请WO2019110254A1中,该申请通过引用并入本文。
可以以数据驱动的方法校准加权,使得对于给定的叠层加权被学习,使得所述加权可以将交叉偏振的光瞳转换为重叠值。然而,在这种方法中,交叉偏振的光瞳的过程相关分量没有被考虑。由此,如果过程漂移和/或任何过程参数被改变(有意地或以其他方式),则重叠推算结果可能变得较差和不准确,并且可能需要对新的叠层进行进一步校准。这是因为各自具有相同的重叠但不同的过程效果(例如,对称性过程效果)的两个叠层的将产生不同的不对称性光瞳,这会导致针对每个叠层在应用相同的加权时产生不同的重叠推算结果。
为了解决该问题,已经开发了一种本文中称为“双光瞳”的过程。通过双光瞳方法解码过程状态,以便推荐正确地从交叉偏振的光瞳中提取重叠的合适的推算权重的能力,在双光瞳选配方案中实现了提高的鲁棒性。
双光瞳方法的主要概念是根据从晶片/目标/叠层获取的共偏振的光瞳确定加权,并将该加权应用于相应的交叉偏振的光瞳,该加权被优化成补偿对称性过程效果,使得在每个目标具有相同的重叠、但经受不同的过程效果的情况下,所推算的重叠也将相同(至少近似相同)。
双光瞳方法可以包括模型M的构造,所述模型M基于共偏振的光瞳(对称性测量信号分量)确定用于对交叉偏振的光瞳(不对称性测量信号分量)进行加权的权重。由此,该模型接收共偏振的光瞳,并输出经优化的加权,以用于从随着局部过程变化而相关联的交叉偏振的光瞳推算重叠。由此,根据单个交叉偏振的光瞳Px的重叠OV可以根据以下确定:
OV=w·Px
其中,加权w根据以下确定:
w=[1Pc]M
其中,Pc是共偏振的光瞳。因此:
OV=[ Pc]M·Px
以这种方式,通过模型M根据共偏振的光瞳确定的加权被优化为考虑由于过程变化而引起的不同的光瞳响应。
可以可选地采用降维技术来减少简化的双光瞳模型中的自由参数的数量(例如,减少高达103的数量级)。这种方法可以包括,通过找到训练数据中的共偏振的光瞳的第一qc主分量来构建第一矩阵Uc,并通过找到训练数据中的交叉偏振的光瞳的第一qx主分量来构建第二矩阵Ux。训练缩减的矩阵模型以基于对称性分量推算不对称性分量中的重叠。
双光瞳模型可以通过收集训练数据构建,所述训练数据包括来自训练晶片的交叉偏振的光瞳和共偏振的光瞳的相应集合,以及相应的参考重叠数据(例如,来自扫描电子显微镜(SEM)晶片或自参考校准标目标)。然后,可以例如通过合适的机器学习方法找到双光瞳模型M。
所确定的双光瞳选配方案可以在宽的过程窗口内准确地测量重叠,从而在较长的时间段内延长选配方案的有效性。只有已经先前地在模型训练期间遇到过类似的过程时,才有可能了解新监测的晶片中的基础过程。如果已经存在对模型进行训练的过程影响之外的应考虑的过程变化/漂移,则所训练的双光瞳模型仍然可能失去准确性。这是数据驱动模型的典型情况,这会使得当所测量的数据与在训练阶段用于训练模型的训练数据显著不同时,错误地推算参数估计结果。
为了抵消训练窗口之外的这种过程变化或漂移,本文描述了确定和估算可靠性度量的方法,所述可靠性度量描述了所测量的量测信号或从所述量测信号导出的感兴趣参数值(例如,重叠值)相对于准确预测空间(例如,如由训练数据所涵盖的过程变化限定的训练空间确定的准确预测空间,所述训练数据用于训练推算模型,诸如如上所述的双光瞳模型,或以其他方式用于推算感兴趣参数值)的可靠性。在一实施例中,训练数据用于训练推算模型,所述推算模型确定所测量的光瞳(例如,交叉偏振的光瞳)的加权,以便将量测信号转换为感兴趣参数值。
推算模型可以包括任何合适的机器学习模型,包括例如神经网络、支持向量机、或决策树。
在本公开的上下文中的量测信号或测量信号可以包括原始光瞳图像或经处理的光瞳图像。经处理的光瞳图像可以包括任何形式的光瞳图像数据,例如包括以下中的一个或多个:表示为(例如,强度、衍射效率、或任何其他合适的参数值的)向量或矩阵的光瞳图像数据,和/或经过任何其他处理技术(诸如降维)的光瞳图像数据;即在本公开的上下文中,矩阵Uc和Uc为量测信号。
在一实施例中,可靠性度量可以包括相似性度量,所述相似性度量量化(例如,在生产或监测阶段)所测量的图像或光瞳与训练数据中的所测量的图像或光瞳的相似性。在一实施例中,该比较可以是共偏振的光瞳的比较。替代地或另外地,该比较可以是交叉偏振的光瞳的比较。共偏振的光瞳的比较可以用于估算是否已经在训练数据中遇到对称性过程变化(例如,高度、CD等),而交叉偏振的光瞳的比较可以用于估算是否已经在训练数据中遇到非重叠型不对称性过程变化(例如,倾斜和底部光栅不对称等)。
所提出的方法提供了对训练过程窗口和监测过程窗口之间的相似性的测量。发生显著过程变化的情况不能单独通过双光瞳模型检测到。原则上,可以使用外部参考(例如SEM测量)来验证双光瞳选配方案没有在训练过程变化的范围之外进行推算,即测量。SEM量测是缓慢的,并且在生产环境中可能不切实际。因此,所提出的方法提供了一种用于确定测量结果是否可靠的度量,然后所述度量可以被用于决定是否应当执行进一步的训练。只有这样才会执行参考测量(例如,作为模型更新/附加训练的真值),如这样或实施例中的那样。如果需要,该方法可以提供进行进一步晶片测量以执行选配方案扩展的建议(即,所述方法建议用户训练包括在当前过程窗口内处理的晶片的新的数据驱动模型)。
双光瞳推算模型的选配方案良好度与(被测量以获取用于训练模型的训练数据的)训练晶片和当前测量的晶片之间的过程变化的相似度有关。可能影响测量准确度的变化可以分类为:
·几何上对称的叠层/过程变化,诸如叠层的CD尺寸或叠层的高度的变化;
·叠层中出现的、在训练阶段看不到的额外/新的不对称性,诸如倾斜、底部光栅不对称性(BGA)。
为了量化这样的变化,假设对称性模式的共偏振的光瞳携带关于对称性叠层变化的信息;并且不对称性模式的交叉偏振的光瞳携带关于不对称性叠层变化的信息。
示例性监测性KPI
基于这些概念,在更具体的实施例中,定义了两类监测性关键性能指示器(KPI),以用作可靠性度量。第一类在本文中称为SPV度量,所述第一类估算对称性过程变化(SPV),第二类在本文中称为APV度量,所述第二类估算不对称性过程变化(APV)。在本文公开的实施例中可以使用这些KPI中的一个或两个。
SPV度量和APV度量都可以用于比较基础过程窗口(分别是对称性的或不对称性的)是否与在双光瞳推算模型的训练期间遇到的过程窗口足够相似。
在一实施例中,相比于从测量光瞳中提取实际的感兴趣参数值,监测性KPI可以基于从测量光瞳中提取与过程变化相关的抽象特征。
图4是根据实施例的描述使用SPV度量量化SPV的方法的流程图,其中SPV度量是将来自训练晶片的共偏振的对称性光瞳与在监测晶片中获取的光瞳进行比较的KPI。在训练阶段400中,在步骤410处,将训练中使用的所有目标的共偏振的对称性光瞳(对称性训练数据)分配成对称性训练数据矩阵Ps,其中每列表示向量化形式的光瞳。在步骤420处,对矩阵Ps计算奇异值分解,并且左侧的第一k奇异向量存储在矩阵U中(这些是上面描述的抽象特征)。
监测阶段430包括步骤440,其中对于(例如,在生产晶片或监测晶片上)测量的每个目标,将共偏振的对称性光瞳表示为向量然后,在步骤450处,确定SPV度量值。
在特定实施例中,SPV度量值SPV可以被确定为:
其中,I是单位矩阵,c是使训练群的第95个百分位达到习惯值3的比例因子。应当理解,这仅仅是示例性SPV度量,并且可以使用例如比较训练数据图像和生产/监测数据图像之间的对称性图像/光瞳分量(例如,共偏振的光瞳)之间的相似性的任何SPV度量。
该SPV度量估算共偏振的光瞳的在将光瞳投影到准确预测空间或训练期间观察到的相关光瞳空间之外之后,丢失的“能量”(在信号意义上,更具体地说,是每个像素(例如,强度)值的平方和)的比率。如果这种能量丢失很高,则意味着训练光瞳空间(以U表示)无法捕获当前所测量的过程的足够信息内容,因此可能会丢失关于该过程的相关信息。可以理解的是,矩阵U也可以被双光瞳模型使用,以提取关于过程变化的信息。因此,如果这样的矩阵不适合于捕获监测晶片的所有相关信息内容,则可合理地预期到该双光瞳模型不能提取关于对称性过程变化的所有相关的信息,从而导致较差的推算和准确性损失。
APV度量可以以与SPV度量类似的方式定义,以例如通过从交叉偏振的光瞳(不对称性测量图像分量)中提取抽象特征来量化不对称性参数中的差异。与SPV度量一样,APV度量可以以多种不同的方式定义。在一个特定示例中,APV度量APV可以根据重叠提取之后的光瞳残余能量定义:
其中,是(向量化的)不对称性交叉偏振的光瞳,f-1是重叠推算函数的倒数;例如,如通过双光瞳方法创建的。
在另一实施例中,APV度量可以被定义为投影方法,在与上述的关于SPV度量的方法相似的方法中:
其中,V包括不对称性(交叉偏振的)训练光瞳的主要左侧奇异向量,如上所述的。
用于确定SPV度量或APV度量中的一个或两者的另一实施例可以包括,以相关的模式分解光瞳残余能量(即,分别为对称性图像分量或不对称性图像分量)。
所描述的任何一个或多个SPV度量和/或所描述的任何一个或多个APV度量的组合也可以用于定义一个或多个监测性KPI。
使用概率性建模量化选配方案准确性
经验观察已经表明,诸如本文所公开的SPV度量在概率意义上是选配方案准确性的非常好的预测器。这意味着,如果目标被确定为具有SPV度量的高值,则重叠推算为较差和不准确/错误的概率较高。例如,可以使用以下模型表达和描述这个概念:
error~N(0,A·SPV+B)
所述模型表示重叠测量误差遵循具有零均值和作为SPV的仿射函数的标准偏差的高斯分布。N是正态(高斯)分布。A和B是将SPV度量转换成重叠相关的量的系数。系数A可以解释为以[nm]为单位的常数,系数B可以解释为表达与过程变化无关的所有误差源(例如光子噪声、定位误差等)的量。
使用这种概率模型,可以直接估计每个重叠测量的置信度度量。SPV度量可以告知一过程与训练过程窗口相差多远,但SPV度量不能实际地预测重叠误差将是多少。为此,提出了将SPV度量与准确性相关联的其他模型,下面描述了一个此类模型的示例。由于SPV度量和误差之间的关系不是一一对应的,而是概率性的(即,高SPV度量值指示重叠误差的高概率),因此SPV度量可以用作描述特定测量的(在统计置信区间方面的)置信度的置信度度量。一旦估计了不确定性,就可以基于置信区间设置阈值(例如,基于用户设置的、以95%的概率处于特定区间内的重叠的阈值)。
在这样的实施例中,初始步骤可以包括估计参数A和B。这可以使用最大似然优化方法来完成。
图5是说明这种方法的流程图。在步骤500处,关于目标i的误差的概率分布p(ei)可以由以下定义:
在步骤510处,测量结果的对数似然函数L(A,B)变为:
在步骤520处,通过最大化对数似然函数L(A,B)找到参数A和B。在步骤530处,找到阈值化的SPV,所述阈值化的SPV提供置信区间(例如,可以通过反转拟合的高斯密度的累积分布找到置信区间)。
选配方案更新建议器(advisor)
该部分描述了一种建议选配方案更新的方法。对于每个被监测的晶片,该方法通知用户是否应当通过将该晶片包括为训练晶片而更新(例如,双光瞳的)选配方案。以这种方式,如果需要,则扩展了在训练期间所看到的过程窗口。
图6是描述这种方法的流程图。在训练或校准阶段CP中,获取训练光瞳图像TDPUP(例如,使用如图3(a)所示的光学量测工具,以及相应的(ground truth)真值参考数据TDREF(例如,使用SEM测量的真值参考数据,或使用自参考偏置目标簇以光学方式测量的真值参考数据)获取)。使用该训练数据,确定双光瞳选配方案DET REC并且校准合适的监测性KPI(例如,根据图4的训练阶段400来校准SPV度量)。在生产阶段PP中,测量下一监测晶片或生产晶片PW MEAS PW,并且计算一个或多个监测性KPI KPI。例如,对于每个测量位置,可以计算SPV度量和/或APV度量。基于此,可以确定SPV度量和/或APV度量的晶片级统计度量值。如果经确定的值高于预定义的阈值KPI>t?,则可以建议用户采取适当的动作。这种适当的动作可以包括,扩展选配方案以包括该晶片,和/或根据例如时间限制包括一个或多个后续晶片。假设该建议得到执行,则可以测量生产晶片MEAS PW REF,以(例如,通过SEM或参考目标簇量测)确定生产晶片的参考数据,并更新选配方案UPD REC,例如使用与选配方案训练类似的方法进行更新。然后,该方法进行至下一生产晶片(无论是否认为有必要进行更新)。
在上述方法中,定义了量化晶片级准确性的晶片级统计度量,并将所述晶片级统计度量与阈值进行比较。将通过示例的方式描述用于确定晶片级统计度量和阈值的两种提出的方法。
第一种方法包括基于上述的概率性建模方法的概率性阈值设置方法。该方法使用概率性模型计算晶片级统计值和阈值。该方法依赖于两个用户设置:重叠测量的最大允许误差X(例如,以nm为单位);以及晶片上的不符合最大允许误差的概率Y。基于所需的性能规范:
P(|e|<X)=Y
其中,e是误差测量值,可以确定晶片级统计值和相关阈值。在SPV度量的上下文中,可以求解以下误差函数erf:
对阈值的求解可以通过以下找到:
通过具体示例的方式,如果期望目标的最多10%不符合5nm规范,则:
第二种方法包括经验阈值设置。该方法基于定义SPV和/或APV的与晶片级重叠准确性适当相关的晶片级统计度量。另外,可以定义该晶片级统计值的阈值,以便推荐更准确的选配方案更新。
对于晶片级统计值(WLS),可以使用以下KPI:
·SPV/APV晶片群的第20个百分位;
·SPV/APV晶片群的中位数。
为了建议选配方案更新,可以将上述的WLS与对准确性已被验证的晶片计算的相同的统计值进行比较;例如,使用外部参考(SEM)或自参考目标量测。例如,假设已经关于准确性验证了N个晶片处于规范内,则阈值t:
t=medianN wafers(WLS)+2.25IQRN wafers(WLS)
其中,IQR表示四分位数间距。
在一实施例中,如果可靠性度量或监测性KPI指示图像或值是不可靠的,则可以在任何再训练之前执行进一步的检查,以检查图像是否已经被正确地测量,从而防止器件缺陷或环境影响被包括在模型中。
本发明的非暂时性计算机可读介质、方法和量测工具的其他实施例被公开在以下编号条项的列表中:
1.一种确定可靠性度量的方法,所述可靠性度量描述量测信号和/或从所述量测信号导出的感兴趣参数值的可靠性,所述方法包括:
获取经训练的推算模型,所述经训练的推算模型用于根据测量信号推算感兴趣参数值;
获取一个或多个测量信号和/或使用所述经训练的推算模型从所述一个或多个测量信号导出的各自的一个或多个感兴趣参数值;以及
确定所述一个或多个测量信号和/或各自的一个或多个感兴趣参数值的至少一个可靠性度量值,所述可靠性度量描述所述一个或多个测量信号和/或各自的一个或多个感兴趣参数值相对于与所述经训练的推算模型相关联的准确预测空间的可靠性。
2.根据条项1所述的方法,其中所述准确预测空间与所述经训练的推算模型的训练相关。
3.根据条项1或2所述的方法,其中所述经训练的推算模型能够操作为确定所述一个或多个测量信号或所述一个或多个测量信号的各自的分量的每个的加权。
4.根据条项3所述的方法,其中所述感兴趣参数是不对称性参数,并且所述经训练的推算模型能够操作为确定所述一个或多个测量信号的每个的不对称性测量信号分量的加权。
5.根据条项4所述的方法,其中所述感兴趣参数是重叠或聚焦。
6.根据条项3所述的方法,其中所述感兴趣参数是对称性参数,并且所述经训练的推算模型能够操作为确定所述一个或多个测量信号的每个的对称性测量信号分量的加权。
7.根据条项6所述的方法,其中所述感兴趣参数是临界尺寸或高度。
8.根据条项3至7中的任一项所述的方法,其中所述加权将所述一个或多个测量信号或所述一个或多个测量信号的各自的分量的每个转换成相应的感兴趣参数值。
9.根据前述条项中的任一项所述的方法,其中所述准确预测空间由所述训练中使用的训练数据描述的训练过程窗口定义,所述训练过程窗口描述包括在所述训练数据内的过程变化的边界。
10.根据条项9所述的方法,其中所述训练数据包括训练测量信号和相应的参考数据,所述参考数据包括每个所述训练测量信号的感兴趣参数的真值。
11.根据前述条项中的任一项所述的方法,其中所述可靠性度量包括至少一个相似性度量,所述至少一个相似性度量量化所述一个或多个测量信号或所述一个或多个测量信号的各自的分量与所述训练测量信号或所述训练测量信号的相应各自分量中的至少一个的相似性。
12.根据条项11所述的方法,其中所述至少一个相似性度量包括对称性过程变化度量,所述对称性过程变化度量量化所述一个或多个测量信号的每个的对称性测量信号分量与至少一个所述训练测量信号的对称性测量信号分量的相似性。
13.根据条项12所述的方法,其中在将光瞳投影到所述准确预测空间之外之后的所述对称性过程变化度量估算所述一个或多个测量信号的每个的所述对称性测量信号分量的能量度量的丢失。
14.根据前述条项中的任一项所述的方法,其中所述至少一个相似性度量包括不对称性过程变化度量,所述不对称性过程变化度量量化所述一个或多个测量信号的每个的不对称性测量信号分量与至少一个所述训练测量信号的不对称性测量信号分量的相似性。
15.根据条项14所述的方法,其中所述不对称性过程变化度量估算在提取所述感兴趣参数之后的光瞳残余能量。
16.根据条项14所述的方法,其中所述不对称性过程变化度量估算在将光瞳投影到所述准确预测空间之外之后的所述一个或多个测量信号的每个的所述不对称性测量信号分量的能量度量的丢失。
17.根据条项13或16所述的方法,其中所述能量度量包括所述一个或多个测量信号的每个的所述对称性测量信号分量的每个值的平方和的比率。
18.根据前述条项中的任一项所述的方法,其中所述经训练的推算模型包括神经网络、支持向量机或决策树。
19.根据条项1或2所述的方法,其中所述经训练的推算模型包括神经网络,并且所述确定至少一个可靠性度量值包括:
随机改变所述经训练的推算模型中的一个或多个神经连接的状态;
使用所述随机改变的经训练的推算模型获取所述感兴趣参数值;
多次重复上述两个步骤;和
根据所述感兴趣参数值的结果分布确定所述可靠性度量。
20.根据前述条项中的任一项所述的方法,包括:
估算所述至少一个可靠性度量;以及
如果所述可靠性度量指示所述测量信号和/或各自的感兴趣参数值中的至少一个是不可靠的,则促成所述经训练的模型的更新,以包括至少一个不可靠的测量信号和/或各自的感兴趣参数值,和/或来自一个或多个后续测量的衬底的测量信号和/或各自的感兴趣参数值。
21.根据条项20所述的方法,其中如果促成了更新,所述方法包括:
进一步测量与所述至少一个不可靠的测量信号和/或各自的感兴趣参数值相对应的一个或多个结构,和/或所述一个或多个后续测量的衬底上的一个或多个结构,以获取相应的真值;以及
用所述至少一个不可靠的测量信号和/或各自的感兴趣参数值和相应的真值进一步训练所述经训练的模型。
22.根据条项20或21所述的方法,其中所述估算所述至少一个可靠性度量包括:针对于所述可靠性度量的各自的阈值估算所述至少一个可靠性度量。
23.根据条项22所述的方法,包括用于设置所述阈值的阈值设置步骤。
24.根据条项23所述的方法,其中所述阈值设置步骤包括:
基于所述可靠性度量构建概率性模型;
获取每个感兴趣参数值上的最大允许误差;以及所述衬底上的不符合所述最大允许误差的概率;以及
使用所述概率性模型、所述最大允许误差和所述概率,以根据从一个或多个衬底获取的多个所述测量信号计算衬底级统计数据,以及所述阈值。
25.根据条项23所述的方法,其中所述阈值设置步骤包括:
定义所述可靠性度量的衬底级统计度量,所述可靠性度量的衬底级统计度量与所述感兴趣参数的衬底级准确性相关;以及
基于将所述衬底级统计度量与来自经验证的参考数据的等效度量进行比较来定义所述衬底的阈值。
26.根据条项15所述的方法,其中所述晶片级统计度量包括可靠性度量衬底群的特定百分位。
27.根据条项26所述的方法,其中所述特定百分位包括衬底群的第20百分位或中位数。
28.根据前述条项中的任一项所述的方法,其中每个测量信号和/或每个测量信号的分量包括经处理的或未经处理的角度分辨的值阵列。
29.根据前述条项中的任一项所述的方法,其中每个测量信号和/或每个测量信号的分量经历降维过程。
30.根据前述条项中的任一项所述的方法,对一个或多个衬底上的一个或多个结构执行量测以获得所述一个或多个量测信号。
31.一种包括处理器可读指令的计算机程序,所述指令当在合适的处理器控制的设备上运行时使所述处理器控制的设备执行根据条项1至30中的任一项所述的方法。
32.一种计算机程序载体,所述计算机程序载体包括根据条项31所述的计算机程序。
33.一种处理设备,包括:
处理器;和
计算机程序载体,所述计算机程序载体包括根据条项32所述的计算机程序。
34.一种量测设备,所述量测设备包括根据条项33所述的处理设备。
上述的推算模型的类型仅是可以用于推算感兴趣参数的推算模型的一个示例。对于基于神经网络的不同类型的推算模型,所提出的用于估算从测量图像导出的感兴趣参数值(例如,重叠值)相对于准确预测空间的可靠性的方法可以使用Monte-Carlo丢弃技术。在这样的实施例中,当测量重叠时,模型中的一个或多个神经连接可以被随机关断。这可以通过关断不同的神经连接而重复,使得对于每次重复,推算模型输出不同的参数估计。通过观察输出的结果分布,可以对参数推算中的不确定性进行估算(可靠性度量值)。与本文公开的其他实施例一样,该可靠性度量可以用于决定是否应当扩展模型训练(例如,高不确定性表明重叠推算不可靠的,并且应当扩展模型)。
上面的方法已经在重叠方面进行了描述,但是可以使用基于本文的概念的推算模型确定其他感兴趣参数。例如,可以根据聚焦目标或具有所形成的不对称性的结构来推算焦点,所形成的不对称性取决于用于曝光目标的实际扫描器聚焦。本文所描述的方法同样适用于使用这样的目标的聚焦量测,并且以上对重叠的任何提及都可以用聚焦代替。可经由共偏振的光瞳(对称性分量)测量的其他感兴趣参数(诸如CD或高度)也可以受益于本文所公开的概念,并且该方法因此可应用于这些概念。
本文中使用的术语“辐射”和“束”涵盖所有类型的电磁辐射,包括紫外线(UV)辐射(例如,波长为或约为365nm、355nm、248nm、193nm、157nm或126nm)和极紫外线(EUV)辐射(例如,波长在5-20nm的范围内),以及粒子束(诸如离子束或电子束)。
在上下文允许的情况下,术语“透镜”可以指各种类型的光学部件中的任何一种或组合,包括折射型、反射型、磁性型、电磁型和静电型光学部件。
术语目标不应当被解释为仅指为特定量测目的而形成的专用目标。术语目标应当理解为涵盖其他结构,包括具有适用于量测应用的性质的产品结构。
具体实施例的前述描述将如此充分地揭示本发明的一般性质,使得其他人可以通过应用本领域技术人员内的知识,容易地修改和/或适应于这些具体实施例的各种应用,而无需过度实验,并且不会偏离本发明的总体概念。因此,基于本文所呈现的教导和指导,这样的调整和修改旨在落入所公开实施例的等价物的含义和范围内。应当理解,本文中的短语或术语是为了举例说明而非限制,使得本说明书的术语或短语将由本领域技术人员根据教导和指导来解释。
本发明的宽度和范围不应受到任何上述示例性实施例的限制,而应当仅根据所附权利要求及其等同方案来限定。
Claims (15)
1.一种确定可靠性度量的方法,所述可靠性度量描述量测信号和/或从所述量测信号导出的感兴趣参数值的可靠性,所述方法包括:
获取经训练的推算模型,所述经训练的推算模型用于根据测量信号推算感兴趣参数值;
获取一个或多个测量信号和/或使用所述经训练的推算模型从所述一个或多个测量信号导出的各自的一个或多个感兴趣参数值;以及
确定所述一个或多个测量信号和/或各自的一个或多个感兴趣参数值的至少一个可靠性度量值,所述可靠性度量描述所述一个或多个测量信号和/或各自的一个或多个感兴趣参数值相对于与所述经训练的推算模型相关联的准确预测空间的可靠性。
2.根据权利要求1所述的方法,其中所述测量信号包括原始光瞳图像或经处理的光瞳图像。
3.根据权利要求1或2所述的方法,其中所述准确预测空间与所述经训练的推算模型的训练相关。
4.根据权利要求1、2或3所述的方法,其中所述经训练的推算模型能够操作为确定所述一个或多个测量信号或所述一个或多个测量信号的各自的分量的每个的加权。
5.根据权利要求4所述的方法,其中所述感兴趣参数是不对称性参数,并且所述经训练的推算模型能够操作为确定所述一个或多个测量信号的每个的不对称性测量信号分量的加权。
6.根据权利要求4或5中的任一项所述的方法,其中所述加权将所述一个或多个测量信号或所述一个或多个测量信号的各自的分量的每个转换成相应的感兴趣参数值。
7.根据前述权利要求中的任一项所述的方法,其中所述准确预测空间由所述训练中使用的训练数据描述的训练过程窗口定义,所述训练过程窗口描述包括在所述训练数据内的过程变化的边界。
8.根据前述权利要求中的任一项所述的方法,其中所述可靠性度量包括至少一个相似性度量,所述至少一个相似性度量量化所述一个或多个测量信号或所述一个或多个测量信号的各自的分量与所述训练测量信号或所述训练测量信号的相应各自分量中的至少一个的相似性。
9.根据权利要求8所述的方法,其中所述至少一个相似性度量包括不对称性过程变化度量,所述不对称性过程变化度量量化所述一个或多个测量信号的每个的不对称性测量信号分量与至少一个所述训练测量信号的不对称性测量信号分量的相似性。
10.根据前述权利要求中的任一项所述的方法,包括:
估算所述至少一个可靠性度量;以及
如果所述可靠性度量指示所述测量信号和/或各自的感兴趣参数值中的至少一个是不可靠的,则促成所述经训练的模型的更新,以包括至少一个不可靠的测量信号和/或各自的感兴趣参数值,和/或来自一个或多个后续测量的衬底的测量信号和/或各自的感兴趣参数值。
11.根据权利要求10所述的方法,其中如果促成了更新,所述方法包括:
进一步测量与所述至少一个不可靠的测量信号和/或各自的感兴趣参数值相对应的一个或多个结构,和/或所述一个或多个后续测量的衬底上的一个或多个结构,以获取相应的真值;以及
用所述至少一个不可靠的测量信号和/或各自的感兴趣参数值和相应的真值进一步训练所述经训练的模型。
12.根据权利要求10或11所述的方法,其中所述估算所述至少一个可靠性度量包括:针对于所述可靠性度量的各自的阈值估算所述至少一个可靠性度量。
13.一种估算可靠性度量的方法,所述方法包括:
估算至少一个可靠性度量,所述可靠性度量描述所述一个或多个测量信号和/或各自的一个或多个感兴趣参数值相对于与经训练的推算模型相关联的准确预测空间的可靠性;以及
如果所述可靠性度量指示所述测量信号和/或各自的感兴趣参数值中的至少一个是不可靠的,则促成所述经训练的推算模型的更新,所述经训练的推算模型用于根据所述测量信号推算感兴趣参数值,从而包括至少一个不可靠的测量信号和/或各自的感兴趣参数值,和/或来自一个或多个后续测量的衬底的测量信号和/或各自的感兴趣参数值。
14.一种包括处理器可读指令的计算机程序,所述指令当在合适的处理器控制的设备上运行时使所述处理器控制的设备执行根据权利要求1至13中的任一项所述的方法。
15.一种量测设备,包括:
处理器;和
计算机程序载体,所述计算机程序载体包括根据权利要求14所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21183254.8 | 2021-07-01 | ||
EP21183254.8A EP4113210A1 (en) | 2021-07-01 | 2021-07-01 | A method of monitoring a measurement recipe and associated metrology methods and apparatuses |
PCT/EP2022/065838 WO2023274687A1 (en) | 2021-07-01 | 2022-06-10 | A method of monitoring a measurement recipe and associated metrology methods and apparatuses |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117616339A true CN117616339A (zh) | 2024-02-27 |
Family
ID=76744760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280045572.4A Pending CN117616339A (zh) | 2021-07-01 | 2022-06-10 | 一种监测测量选配方案的方法以及相关联的量测方法和设备 |
Country Status (6)
Country | Link |
---|---|
EP (1) | EP4113210A1 (zh) |
KR (1) | KR20240028997A (zh) |
CN (1) | CN117616339A (zh) |
IL (1) | IL309081A (zh) |
TW (1) | TWI810997B (zh) |
WO (1) | WO2023274687A1 (zh) |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100610010B1 (ko) | 2004-07-20 | 2006-08-08 | 삼성전자주식회사 | 반도체 식각 장치 |
US7791727B2 (en) | 2004-08-16 | 2010-09-07 | Asml Netherlands B.V. | Method and apparatus for angular-resolved spectroscopic lithography characterization |
US7239371B2 (en) | 2005-10-18 | 2007-07-03 | International Business Machines Corporation | Density-aware dynamic leveling in scanning exposure systems |
NL1036245A1 (nl) | 2007-12-17 | 2009-06-18 | Asml Netherlands Bv | Diffraction based overlay metrology tool and method of diffraction based overlay metrology. |
NL1036351A1 (nl) | 2007-12-31 | 2009-07-01 | Asml Netherlands Bv | Alignment system and alignment marks for use therewith cross-reference to related applications. |
NL1036597A1 (nl) | 2008-02-29 | 2009-09-01 | Asml Netherlands Bv | Metrology method and apparatus, lithographic apparatus, and device manufacturing method. |
NL1036857A1 (nl) | 2008-04-21 | 2009-10-22 | Asml Netherlands Bv | Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method. |
NL2004094A (en) | 2009-02-11 | 2010-08-12 | Asml Netherlands Bv | Inspection apparatus, lithographic apparatus, lithographic processing cell and inspection method. |
JP5545782B2 (ja) | 2009-07-31 | 2014-07-09 | エーエスエムエル ネザーランズ ビー.ブイ. | リソグラフィ装置の焦点測定方法、散乱計、リソグラフィシステム、およびリソグラフィセル |
EP2470960A1 (en) | 2009-08-24 | 2012-07-04 | ASML Netherlands BV | Metrology method and apparatus, lithographic apparatus, lithographic processing cell and substrate comprising metrology targets |
KR101644673B1 (ko) | 2009-12-15 | 2016-08-01 | 램 리써치 코포레이션 | Cd 균일성을 향상시키기 위한 기판 온도의 조절 |
US9177219B2 (en) | 2010-07-09 | 2015-11-03 | Asml Netherlands B.V. | Method of calibrating a lithographic apparatus, device manufacturing method and associated data processing apparatus and computer program product |
NL2007176A (en) | 2010-08-18 | 2012-02-21 | Asml Netherlands Bv | Substrate for use in metrology, metrology method and device manufacturing method. |
NL2007765A (en) | 2010-11-12 | 2012-05-15 | Asml Netherlands Bv | Metrology method and inspection apparatus, lithographic system and device manufacturing method. |
WO2013143814A1 (en) | 2012-03-27 | 2013-10-03 | Asml Netherlands B.V. | Metrology method and apparatus, lithographic system and device manufacturing method |
NL2010458A (en) | 2012-04-16 | 2013-10-17 | Asml Netherlands Bv | Lithographic apparatus, substrate and device manufacturing method background. |
JP6077647B2 (ja) | 2012-05-29 | 2017-02-08 | エーエスエムエル ネザーランズ ビー.ブイ. | メトロロジー方法及び装置、基板、リソグラフィシステム並びにデバイス製造方法 |
KR101898087B1 (ko) | 2013-12-30 | 2018-09-12 | 에이에스엠엘 네델란즈 비.브이. | 메트롤로지 타겟의 디자인을 위한 장치 및 방법 |
US10151986B2 (en) * | 2014-07-07 | 2018-12-11 | Kla-Tencor Corporation | Signal response metrology based on measurements of proxy structures |
US10210606B2 (en) * | 2014-10-14 | 2019-02-19 | Kla-Tencor Corporation | Signal response metrology for image based and scatterometry overlay measurements |
US10101676B2 (en) * | 2015-09-23 | 2018-10-16 | KLA—Tencor Corporation | Spectroscopic beam profile overlay metrology |
SG11201803933PA (en) * | 2015-12-17 | 2018-06-28 | Asml Netherlands Bv | Optical metrology of lithographic processes using asymmetric sub-resolution features to enhance measurement |
KR20180128490A (ko) | 2016-04-29 | 2018-12-03 | 에이에스엠엘 네델란즈 비.브이. | 구조체의 특성을 결정하는 방법 및 장치, 디바이스 제조 방법 |
EP3492985A1 (en) | 2017-12-04 | 2019-06-05 | ASML Netherlands B.V. | Method of determining information about a patterning process, method of reducing error in measurement data, method of calibrating a metrology process, method of selecting metrology targets |
WO2020035285A1 (en) * | 2018-08-15 | 2020-02-20 | Asml Netherlands B.V. | Utilize machine learning in selecting high quality averaged sem images from raw images automatically |
EP3654103A1 (en) * | 2018-11-14 | 2020-05-20 | ASML Netherlands B.V. | Method for obtaining training data for training a model of a semicondcutor manufacturing process |
US11410290B2 (en) * | 2019-01-02 | 2022-08-09 | Kla Corporation | Machine learning for metrology measurements |
WO2020182468A1 (en) * | 2019-03-14 | 2020-09-17 | Asml Netherlands B.V. | Metrology method and apparatus, computer program and lithographic system |
-
2021
- 2021-07-01 EP EP21183254.8A patent/EP4113210A1/en not_active Withdrawn
-
2022
- 2022-06-10 IL IL309081A patent/IL309081A/en unknown
- 2022-06-10 KR KR1020237045186A patent/KR20240028997A/ko unknown
- 2022-06-10 CN CN202280045572.4A patent/CN117616339A/zh active Pending
- 2022-06-10 WO PCT/EP2022/065838 patent/WO2023274687A1/en active Application Filing
- 2022-06-30 TW TW111124398A patent/TWI810997B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI810997B (zh) | 2023-08-01 |
TW202311849A (zh) | 2023-03-16 |
WO2023274687A1 (en) | 2023-01-05 |
IL309081A (en) | 2024-02-01 |
KR20240028997A (ko) | 2024-03-05 |
EP4113210A1 (en) | 2023-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11977034B2 (en) | Methods and apparatus for measuring a property of a substrate | |
CN109791367B (zh) | 量测选配方案选择 | |
TWI616716B (zh) | 用於調適圖案化器件之設計的方法 | |
KR20160098436A (ko) | 검사 방법 및 장치, 및 리소그래피 장치 | |
TWI833388B (zh) | 判定效能參數分布及/或相關聯分位數函數之方法以及相關聯電腦程式 | |
CN116209958A (zh) | 目标结构以及相关联的方法和设备 | |
TWI778304B (zh) | 用於監測微影裝置之方法 | |
TWI810997B (zh) | 監測量測配方之方法及其相關度量衡方法、電腦程式及設備 | |
CN114391124A (zh) | 确定光刻匹配性能 | |
CN112867970A (zh) | 用于结构和相关联设备的检查方法和设备 | |
TWI810749B (zh) | 監控微影製程之方法及相關裝置 | |
EP4191337A1 (en) | A method of monitoring a lithographic process and associated apparatuses | |
TWI820885B (zh) | 包含處理器可讀指令之電腦程式 | |
TWI811952B (zh) | 度量衡方法及設備 | |
TWI841450B (zh) | 度量衡方法及設備 | |
EP4191338A1 (en) | Metrology calibration method | |
US20240111221A1 (en) | A method of determining a measurement recipe and associated metrology methods and apparatuses | |
CN116635991A (zh) | 监测光刻过程的方法和相关设备 | |
CN113168106A (zh) | 确定处理装置对衬底参数的贡献的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |