CN117642700A - 用于低维度数据分析的数据映射的方法和计算机程序 - Google Patents

用于低维度数据分析的数据映射的方法和计算机程序 Download PDF

Info

Publication number
CN117642700A
CN117642700A CN202280048484.XA CN202280048484A CN117642700A CN 117642700 A CN117642700 A CN 117642700A CN 202280048484 A CN202280048484 A CN 202280048484A CN 117642700 A CN117642700 A CN 117642700A
Authority
CN
China
Prior art keywords
data
dimensional
dimensional data
substrate
similarity
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
Application number
CN202280048484.XA
Other languages
English (en)
Inventor
K·M·阿达尔
R·沙雷伊恩
L·P·范戴克
理查德·约翰内斯·弗朗西斯克斯·范哈恩
A·N·M·M·哈克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ASML Holding NV
Original Assignee
ASML Holding NV
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ASML Holding NV filed Critical ASML Holding NV
Priority claimed from PCT/EP2022/066798 external-priority patent/WO2023001463A1/en
Publication of CN117642700A publication Critical patent/CN117642700A/zh
Pending legal-status Critical Current

Links

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
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

用于将与光刻设备、蚀刻工具、量测工具或检查工具相关的高维度数据映射至所述数据的较低维度表示的方法、系统和设备。获得与所述设备相关的高维度数据。所述高维度数据具有第一组的N个维度，N大于2。获得已被训练以将高维度数据的训练集映射至较低维度表示上的非线性参数模型。所述较低维度表示具有第二组的M个维度，其中，M小于N。已经使用配置成使所述映射保持高维度数据的所述训练集中的局部相似性的成本函数来训练所述模型。使用所述模型将所获得的高维度数据映射至对应的所述较低维度表示。

Description

用于低维度数据分析的数据映射的方法和计算机程序
相关申请的交叉引用
本申请要求于2021年7月21日递交的欧洲申请21186555.5和于2021年8月03日递交的欧洲申请21189299.7的优先权，这些欧洲申请的全部内容通过引用并入本文中。
技术领域
本发明涉及用于将与在半导体制造过程中使用的设备相关的高维度数据映射至较低维度表示和得到的映射的使用的计算机实施方法和计算机程序。特别地，本发明涉及在使用非线性参数模型进行映射的同时，保持数据中的局部相似性。
背景技术
光刻设备是被构造成将期望的图案涂覆至衬底上的机器。光刻设备可以用于例如集成电路(IC)的制造中。光刻设备可以例如将图案形成装置(例如，掩模)处的图案(通常也称为“设计布局”或“设计”)投影至设置在衬底(例如，晶片)上的辐射敏感材料(抗蚀剂)层上。
为了将图案投影于衬底上，光刻设备可以使用电磁辐射。这种辐射的波长确定可以形成在衬底上的特征的最小尺寸。当前使用的典型波长是365nm(i线)、248nm、193nm、和13.5nm。相较于使用例如具有193nm的波长的辐射的光刻设备，使用具有在4nm至20nm的范围内的波长(例如，6.7nm或13.5nm)的极紫外(EUV)辐射的光刻设备可以用于在衬底上形成较小的特征。
低k1光刻可以用于处理具有小于光刻设备的典型分辨率极限的尺寸的特征。在这样的过程中，可以将分辨率公式表达为CD＝k1×λ/NA，其中，λ为所采用的辐射的波长，NA是光刻设备中的投影光学器件的数值孔径，CD是“临界尺寸”(通常是所印制的最小特征尺寸，但在这种情况下是半节距)，并且k1是经验分辨率因子。通常，k1越小，则越难以在衬底上再现类似于由电路设计者规划的形状和尺寸以便实现特定电功能性和性能的图案。为克服这些困难，可以将复杂的微调步骤施加至光刻投影设备和/或设计布局。这些步骤包括例如但不限于NA的优化、定制照射方案、使用相移图案形成装置、诸如设计布局中的光学邻近效应校正(OPC，有时也称为“光学和过程校正”)的设计布局的各种优化，或通常被限定为“分辨率增强技术”(RET)的其它方法。替代地，用于控制在衬底的图案化中使用的光刻设备或其它设备(诸如蚀刻工具)的稳定性的严格控制回路可以用于改善在低k1下的图案再现。
半导体制造过程是复杂的，并且导致大量量测数据的产生。归因于涉及光刻过程的复杂性质和大量变量，在分析光刻过程以理解和改善那些过程时存在许多挑战。这些挑战中的一些包括如何得到足够数据，和如何快速处理大量数据和/或减少计算负荷。
发明内容
根据本公开的一方面，提供一种计算机实施方法，所述计算机实施方法用于将与在半导体制造过程中使用的一个或更多个设备相关的高维度数据映射至所述数据的较低维度表示，其中，所述一个或更多个设备是以下各项中的一项或更多项：光刻设备、蚀刻工具、量测设备、或检查设备。所述方法包括获得与所述一个或更多个设备有关的高维度数据，所述高维度数据具有第一组的N个维度，N大于2。获得已经被训练以将高维度数据的训练集映射至较低维度表示上的非线性参数模型。所述较低维度表示具有第二组的M个维度，其中，M小于N。已经使用成本函数来训练所述模型，所述成本函数被配置成使所述映射保持高维度数据的所述训练集中的局部相似性。使用所述模型将所获得的高维度数据映射至相应的较低维度表示。
可选地，所述非线性参数模型可以是神经网络。
可选地，所述映射可以包括：所述高维度数据中的每个数据点的至所述较低维度表示中的相应的数据点的映射。
可选地，保持局部相似性可以包括：最小化所述高维度数据中的数据点与所述较低维度表示中的相应的数据点之间的成对相似性差异。
可选地，所述成本函数可以基于对称的成对相似性指标。
可选地，所述成本函数C可以是：
其中KL为库尔贝克-莱布勒离散度(Kullback-Leibler divergence)，S为由高维度空间中的成对相似性sij组成的相似性矩阵，并且Q为较低维度表示空间中的成对相似性qij的相似性矩阵。
可选地，所获得的高维度数据可以包括对准数据。
可选地，所述所获得的高维度数据可以包括重叠数据。
可选地，所获得的高维度数据可以包括调平数据。
可选地，所述方法还可以包括识别相应的所述较低维度表示中的聚类和确定与所述聚类相关联的第一组的一个或更多个维度。所述聚类可以与所述高维度数据中的所述局部相似性相关联。
可选地，所述方法还可以包括基于所述较低维度表示确定执行对所述一个或更多个设备的维护。
可选地，所述方法还可以包括输出使得执行所述维护的警示。
可选地，所述方法还可以包括基于所述较低维度表示确定对所述一个或更多个设备的设置的调整。
可选地，所述方法还可以包括控制所述一个或更多个设备以使得进行所述调整。
可选地，所述方法还可以包括基于所述较低维度表示确定对光刻曝光选配方案的调整。
可选地，所述方法还可以包括基于所述较低维度表示确定对蚀刻选配方案的调整。
可选地，所述方法还可以包括实施对所述光刻设备的设置的一个或更多个改变以使得对所述光刻曝光选配方案进行所述调整。
根据本公开的另一方面，提供一种被配置成执行如上文所描述的方法的计算机程序。
根据本公开的另一方面，提供一种包括处理器和存储器的设备，所述存储器包括在由所述处理器执行时使得所述处理器执行如上文所描述的方法的指令。
根据本公开的另一方面，提供一种光刻设备，包括如上述段落中所描述的设备。
根据本公开的另一方面，提供一种蚀刻工具，包括如上述段落中所描述的设备。
根据本公开的另一方面，提供一种光刻单元，包括根据如上述段落中所描述的设备。
附图说明
现在将参考随附示意性附图仅通过示例来描述本发明的实施例，在所述随附示意性附图中：
-图1描绘光刻设备的示意图概略图；
-图2描绘光刻单元的示意性概略图；
-图3描绘整体光刻的示意性表示，所述示意性表示表示优化半导体制造的三种关键技术之间的协作；
-图4描绘散射仪的示意性表示；
-图5描绘水平传感器的示意性表示；
-图6描绘对准传感器的示意性表示；
-图7描绘用于将与设备有关的高维度数据映射至数据的较低维度表示的方法的流程图；
-图8(a)至图8(d)描绘高维度数据的示例性图形的较低维度表示；
-图9描绘高维度数据的示例性图形的较低维度表示；以及
-图10描绘用于光刻制造应用中的非线性参数模型的示意性概略图。
具体实施方式
在本文件中，术语“辐射”和“束”用于涵盖所有类型的电磁辐射，包括紫外辐射(例如，具有约365nm、248nm、193nm、157nm或126nm的波长)和EUV(例如具有在5nm至100nm的范围内的波长的极紫外辐射)。
如本文中所采用的术语“掩模版”、“掩模”或“图案形成装置”可以广义地解释为指代可以用于向入射辐射束赋予经图案化的横截面的通用图案形成装置，所述经图案化的横截面对应于待在衬底的目标部分中产生的图案。在这样的情境下，也可以使用术语“光阀”。除典型掩模(透射性或反射性、二元、相移、混合式等)以外，其它这样的图案形成装置的示例包括可编程反射镜阵列和可编程LCD阵列。
图1示意性地描绘光刻设备LA。光刻设备LA包括：照射系统(也称为照射器)IL，所述照射系统被配置成调节辐射束B(例如，UV辐射、DUV辐射或EUV辐射)；掩模支撑件(例如，掩模台)T，所述掩模支撑件被构造成支撑图案形成装置(例如，掩模)MA且连接至被配置成根据某些参数准确地定位图案形成装置MA的第一定位器PM；衬底支撑件(例如，晶片台)WT，所述衬底支撑件被构造成保持衬底(例如，涂覆有抗蚀剂的晶片)W且连接至被配置成根据某些参数准确地定位衬底支撑件的第二定位器PW；以及投影系统(例如，折射型投影透镜系统)PS，所述投影系统被配置成将由图案形成装置MA赋予至辐射束B的图案投影至衬底W的目标部分C(例如，包括一个或更多个管芯)上。
在操作中，照射系统IL例如经由束传递系统BD从辐射源SO接收辐射束。照射系统IL可以包括用于引导、成形和/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、和/或其它类型的光学元件或其任何组合。照射器IL可以用于调节辐射束B，以在图案形成装置MA的平面处在其横截面中具有期望的空间和角强度分布。
本文中所使用的术语“投影系统”PS应被广义地解释为涵盖适于所使用的曝光辐射和/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各种类型的投影系统，包括折射型、反射型、反射折射型、变形型、磁性型、电磁型和/或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”的任何使用均与更上位的术语“投影系统”PS是同义的。
光刻设备LA可以属于一种类型，其中，衬底的至少一部分可以由具有相对较高折射率的液体(例如，水)覆盖，以便填充投影系统PS与衬底W之间的空间--这也称为浸没光刻术。在以引用的方式并入本文中的US6952253中给出关于浸没技术的更多信息。
光刻设备LA也可以属于具有两个或更多个衬底支撑件WT(也称为“双平台”)的类型。在这样的“多平台”机器中，可以并行地使用衬底支撑件WT，和/或可以对位于衬底支撑件WT中的一个衬底支撑件上的衬底W进行制备衬底W的后续曝光的步骤的同时，将另一衬底支撑件WT上的另一衬底W用于在所述另一衬底W上曝光图案。
除衬底支撑件WT以外，光刻设备LA也可以包括测量平台。测量平台被布置成保持传感器和/或清洁装置。传感器可以被布置成测量投影系统PS的性质和/或辐射束B的性质。测量平台可以保持多个传感器。清洁装置可以被布置成清洁光刻设备的部分，例如投影系统PS的一部分或系统的提供浸没液体的一部分。测量平台可以在衬底支撑件WT远离投影系统PS时在投影系统PS下方移动。
在操作中，辐射束B入射到保持在掩模支撑件T上的图案形成装置MA(例如，掩模)上，并且通过图案形成装置MA上存在的图案(设计布局)而图案化。已经横穿掩模MA后，辐射束B穿过投影系统PS，投影系统PS将束聚焦在衬底W的目标部分C上。借助于第二定位器PW和位置测量系统IF，衬底支撑件WT可以被准确地移动，例如，以便在聚焦和对齐位置处在辐射束B的路径中定位不同的目标部分C。类似地，第一定位器PM和可能地另一位置传感器(另一位置传感器在图1中未明确地描绘)可以用于相对于辐射束B的路径来准确地定位图案形成装置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MA和衬底W。虽然如所图示的衬底对准标记P1、P2占用专用目标部分，所述衬底对准标记P1、P2可以位于目标部分之间的空间中。在衬底对准标记P1、P2定位在目标部分C之间时，这些衬底对准标记被称为划线对准标记。
如图2中示出的，光刻设备LA可以形成光刻单元LC(有时也称为光刻元或(光刻)簇)的部分，所述部分常常也包括对衬底W执行曝光前和曝光后过程的设备。常规地，这些设备包括沉积抗蚀剂层的旋涂器SC、显影曝光的抗蚀剂的显影器DE、激冷板CH和焙烤板BK(例如，用于调节衬底W的温度，例如用于调节抗蚀剂层中的溶剂)。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W、在不同的过程设备之间移动衬底W，并且将衬底W传递至光刻设备LA的进料台LB。光刻单元中通常也统称为轨道或涂覆显影系统的装置通常处于轨道或涂覆显影系统控制单元TCU的控制下，所述轨道或涂覆显影系统控制单元TCU自身可以通过管理控制系统SCS而被控制，所述管理控制系统SCS也可以例如经由光刻控制单元LACU控制光刻设备LA。
为了正确且一致地曝光由光刻设备LA曝光的衬底W，期望检测衬底以测量经图案化的结构的性质，诸如后续层之间的重叠误差、线厚度、临界尺寸(CD)等。为此目的，检查工具(未示出)可以被包括在光刻单元LC中。尤其在同一批量或批次的其它衬底W仍待曝光或处理之前进行检查的情况下，如果检测到误差，则可以对后续衬底的曝光或对待对衬底W执行的其它处理步骤例如进行调整。
也可以称为量测设备的检查设备用于确定衬底W的性质，并且尤其确定不同衬底W的性质何变化或与同一衬底W的不同层相关联的性质在层与层之间如何变化。检查设备替代地被构造成识别衬底W上的缺陷，并且可以例如为光刻单元LC的部分，或可以集成至光刻设备LA中，或甚至可以是单独的装置。检查设备可以测量潜像(在曝光之后在抗蚀剂层中的图像)上的性质，或半潜像(在曝光后焙烤步骤PEB之后在抗蚀剂层中的图像)上的性质，或经显影的抗蚀剂图像(其中抗蚀剂的曝光部分或未曝光部分已被移除)上的性质，或甚至经蚀刻的图像(在诸如蚀刻的图案转印步骤之后)上的性质。
通常，光刻设备LA中的图案化过程为处理中的最关键步骤之一，所述最关键步骤之一要求衬底W上的结构的尺寸标定和放置的高准确度。为保证这种高准确度，可以将三个系统组合于图3中示意性地描绘的所谓“整体”控制环境中。这些系统中的一个系统是光刻设备LA，所述光刻设备(实际上)连接至量测工具MT(第二系统)且连接至计算机系统CL(第三系统)。这种“整体”环境的关键在于优化这三个系统之间的协作以增强总体过程窗口且提供严格控制回路，以确保由光刻设备LA执行的图案化保持在过程窗口内。过程窗口限定过程参数(例如，剂量、焦点、重叠)的范围，在所述范围内，特定的制造过程产生限定的结果(例如，功能性半导体器件)--通常在所述经限定的结果内，允许光刻过程或图案化过程中的过程参数变化。
计算机系统CL可以使用待图案化的设计布局(的部分)来预测使用哪些分辨率增强技术，并且执行计算光刻模拟和计算以确定哪些掩模布局和光刻设备设置实现图案化过程的最大总体过程窗口(在图3中通过第一标尺SC1中的双箭头描绘)。通常，分辨率增强技术被布置成匹配光刻设备LA的图案化可能性。计算机系统CL也可以用于(例如，使用来自量测工具MT的输入)检测光刻设备LA当前正在过程窗口内的何处操作以预测是否可能存在由例如次优处理引起的缺陷(在图3中通过第二标尺SC2中指向“0”的箭头描绘)。
量测工具MT可以将输入提供至计算机系统CL以实现准确的模拟和预测，并且可以将反馈提供至光刻设备LA以识别例如在光刻设备LA的校准状态下的可能的漂移(在图3中通过第三标尺SC3中的多个箭头描绘)。
在光刻过程中，期望频繁地对所产生的结构进行测量，例如，以用于过程控制和验证。用于进行这样的测量的工具通常称为量测工具MT。用于进行这样的测量的不同类型的量测工具MT是众所周知的，包括扫描电子显微镜或各种形式的散射仪量测工具MT。散射仪是多功能仪器，所述多功能仪器允许通过在光瞳或与散射仪的物镜的光瞳共轭的平面中具有传感器来测量光刻过程的参数，测量通常被称为基于光瞳的测量，或通过在像平面或与像平面共轭的平面中具有传感器来测量光刻过程的参数，在这种情况下测量通常被称为基于图像或场的测量。以全文引用的方式并入本文中的专利申请US20100328655、US2011102753A1、US20120044470A、US20110249244、US20110026032或EP1,628,164A中另外描述这样的散射仪和相关联的测量技术。前述散射仪可以使用来自软x射线和对近IR波长范围可见的光来测量光栅。
在第一实施例中，散射仪MT是角分辨散射仪。在这样的散射仪中，重构方法可以应用于经测量的信号以重构或计算光栅的性质。这种重构可以例如由模拟散射辐射与目标结构的数学模型的相互作用且比较模拟结果与测量的结果引起。调整数学模型的参数直到所模拟的相互作用产生类似于从真实目标观测到的衍射图案的衍射图案。
在第二实施例中，散射仪MT是光谱散射仪MT。在这样的光谱散射仪MT中，由辐射源发射的辐射被引导至目标上且来自目标的反射或散射辐射被引导至光谱仪检测器上，所述光谱仪检测器测量镜面反射辐射的光谱(即作为波长的函数的强度的测量结果)。根据这种数据，可以例如通过严格耦合波分析和非线性回归或通过与模拟光谱库进行比较来重构产生所检测的光谱的目标的结构或轮廓。
在第三实施例中，散射仪MT是椭圆测量散射仪。椭圆测量散射仪允许通过针对每个偏振状态测量散射辐射来确定光刻过程的参数。这种量测设备通过在量测设备的照射区段中使用例如适当的偏振滤波器来发射(诸如线性、圆形或椭圆)偏振光。适于量测设备的源也可以提供偏振辐射。在以全文引用的方式并入本文中的美国专利申请11/451,599、11/708,678、12/256,780、12/486,449、12/920,968、12/922,587、13/000,229、13/033,135、13/533,110和13/891,410中描述现有的椭圆测量散射仪的各个实施例。
已知散射仪的示例通常依赖于专用量测目标的供应，诸如，欠填充目标(呈简单光栅或不同层中的叠置光栅的形式的目标，所述目标足够大以使得测量束产生小于光栅的斑)或过填充目标(由此照射斑部分地或完全地包含所述目标)。另外，使用量测工具(例如，照射诸如光栅之类的欠填充目标的角分辨散射仪)允许使用所谓的重构方法，其中，可以通过模拟散射辐射与目标结构的数学模型的相互作用且对模拟结果与测量的结果进行比较来计算光栅的性质。调整模型的参数直到所模拟的相互作用产生类似于从真实目标观测到的衍射图案的衍射图案。
在散射仪MT的一个实施例中，散射仪MT适用于通过测量反射光谱和/或检测配置中的不对称性(所述不对称性与重叠的范围有关)来测量两个未对准光栅或周期性结构的重叠。可以将两个(通常重叠的)光栅结构施加在两个不同层(不必是连续层)中，并且所述两个光栅结构可以形成为处于晶片上的大致相同的位置处。散射仪可以具有如例如在共同拥有的专利申请EP1,628,164A中所描述的对称的检测配置，以使得任何不对称性可以被清楚地识别。这提供用于测量光栅中的未对准的直截了当的方式。可以在全文以引用方式并入本文中的PCT专利申请公开号WO 201I/012624或美国专利申请US 20160161863中找到用于测量包含作为经由所述周期性结构的不对称性来测量的目标的周期性结构的两个层之间的重叠误差的另外的示例。
其它所关注的参数可以是焦点和剂量。可以通过如以全文引用的方式并入本文中的美国专利申请US2011-0249244中所描述的散射测量(或替代地通过扫描电子显微法)同时确定焦点和剂量。可以使用具有针对焦点能量矩阵(FEM，也称为焦点曝光矩阵)中的每个点的临界尺寸和侧壁角测量的唯一组合的单个结构。如果可以获得临界尺寸和侧壁角的这些唯一组合，则可以从这些测量唯一地确定焦点和剂量值。
量测目标可以是通过光刻过程主要在抗蚀剂中形成但是也在例如蚀刻过程之后形成的复合光栅的集合。通常地，光栅中的结构的节距和线宽很大程度上依赖于测量光学器件(尤其地光学器件的NA)以能够捕获来自量测目标的衍射阶。如较早已指出的，衍射信号可以用于确定两个层之间的移位(也称为“重叠”)或可以用于重构如由光刻过程产生的原始光栅的至少一部分。这种重构可以用于提供光刻过程的品质的引导，并且可以用于控制光刻过程的至少一部分。目标可以具有被配置成模仿目标中的设计布局的功能性部分的尺寸的较小的子分段。归因于这种子分段，目标将表现得更类似于设计布局的功能性部分，使得总体过程参数测量更类似于设计布局的功能性部分。可以在欠填充模式中或在过填充模式中测量目标。在欠填充模式中，所述测量束产生小于所述总体目标的斑。在过填充模式中，所述测量束产生大于所述总体目标的斑。在这样的过填充模式中，也可能同时测量不同的目标，因此同时确定不同的处理参数。
使用特定的目标的光刻参数的总体测量品质至少部分地由用于测量这种光刻参数的测量选配方案来确定。术语“衬底测量选配方案”可以包括测量自身的一个或更多个参数、经测量的一个或更多个图案的一个或更多个参数，或这两者。例如，如果用于衬底测量选配方案中的测量为基于衍射的光学测量，则测量的参数中的一个或更多个参数可以包括辐射的波长、辐射的偏振、辐射相对于衬底的入射角度、辐射相对于衬底上的图案的定向等。用于选择测量选配方案的准则中的一个可以例如为测量参数中的一个对于处理变化的敏感度。在以全文引用方式并入本文中的美国专利申请US2016-0161863和已公开的美国专利申请US2016/0370717A1中描述更多示例。
在图4中描绘诸如散射仪SM1的量测设备。所述散射仪SM1包括将辐射5投影至衬底“W”上的宽带(白光)辐射投影器2。将反射或散射辐射10传递至光谱仪检测器4，所述光谱仪检测器4测量镜面反射辐射的光谱6(即，作为波长λ的函数的强度INT的测量)。根据这种数据，可以通过处理单元PU，例如通过严格耦合波分析和非线性回归，或通过与如图4的底部处所示出的模拟光谱库进行比较来重构产生所检测的光谱的结构或轮廓8。通常，对于重构，已知结构的一般形式，并且根据结构的制作过程的知识来假定一些参数，从而仅留下根据散射测量数据来确定的结构的几个参数。这种散射仪可以被配置成正入射散射仪或斜入射散射仪。
可以集成在光刻设备中的形貌测量系统、水平传感器或高度传感器被布置成测量衬底(或晶片)的顶部表面的形貌。衬底的形貌的图(也称为高度图)可以由指示作为衬底上的位置的函数的衬底的高度的这些测量结果产生。这种高度图随后可以用于在将图案转印于衬底上期间校正衬底的位置，以便在衬底上的恰当的聚焦位置中提供图案形成装置的空间图像。将理解，“高度”在这种情境下是指相对于衬底大致在平面外的维度(也称为Z轴)。通常，水平或高度传感器在固定部位(相对于其自身的光学系统)处执行测量，并且衬底与水平或高度传感器的光学系统之间的相对移动在整个衬底上的位置处产生高度测量结果。
图5中示意性地示出如本领域中已知的水平或高度传感器LS的示例，图5仅图示操作原理。在这个示例中，水平传感器包括光学系统，所述光学系统包括投影单元LSP和检测单元LSD。投影单元LSP包括提供辐射束LSB的辐射源LSO，所述辐射束LSB由投影单元LSP的投影光栅PGR赋予。辐射源LSO可以是例如窄带或宽带辐射源(诸如，超连续谱光源)，偏振或非偏振、脉冲或连续源，诸如偏振或非偏振激光束。辐射源LSO可以包括具有不同的颜色或波长范围的多个辐射源，诸如多个LED。水平传感器LS的辐射源LSO不限于可见光辐射，但可以另外地或替代地涵盖UV和/或IR辐射和适于从衬底的表面反射的任何波长范围。
投影光栅PGR为包括周期性结构的周期性光栅，所述周期性结构产生具有周期性变化强度的辐射束BE1。具有周期性变化强度的辐射束BE1相对于垂直于入射衬底表面的轴线(Z轴)，以介于0度与90度之间，通常介于70度与80度之间的入射角ANG朝向衬底W上的测量部位MLO被引导。在测量部位MLO处，图案化辐射束BE1由衬底W反射(通过箭头BE2指示)且朝向检测单元LSD被引导。
为了确定测量部位MLO处的高度水平，水平传感器还包括检测系统，所述检测系统包括检测光栅DGR、检测器DET和用于处理检测器DET的输出信号的处理单元(未示出)。检测光栅DGR可以与投影光栅PGR相同。检测器DET产生检测器输出信号，所述检测器输出信号指示所接收的光，例如指示所接收的光的强度，诸如光电探测器，或表示所接收的强度的空间分布，诸如相机。检测器DET可以包括一种或更多种检测器类型的任何组合。
借助于三角测量技术，可以确定测量位置MLO处的高度水平。所检测的高度水平通常与如通过检测器DET所测量的信号强度有关，所述信号强度具有尤其依赖于投影光栅PGR的设计和(倾斜)入射角ANG的周期性。
投影单元LSP和/或检测单元LSD可以沿投影光栅PGR与检测光栅DGR之间的经图案化的辐射束的路径(未示出)而包括其它光学元件，诸如透镜和/或反射镜。
在实施例中，可以省略检测光栅DGR，并且可以将检测器DET放置于检测光栅DGR所在的位置处。这种配置提供对投影光栅PGR的图像的较直接的检测。
为了有效地覆盖衬底W的表面，水平传感器LS可以被配置成将测量束BE1的阵列投影至衬底W的表面上，由此产生覆盖较大测量范围的测量区域MLO或斑的阵列。
一般类型的各种高度传感器在例如以引用方式并入的US7265364和US7646471两者中公开。使用UV辐射代替可见或红外辐射的高度传感器在以引用的方式并入的US2010233600A1中公开。在以引用的方式并入的WO2016102127A1中，描述使用多元件检测器来检测和辨别光栅图像的位置而无需检测光栅的紧凑型高度传感器。
在复杂装置的制造中，通常执行许多光刻图案化步骤，由此在衬底上的连续层中形成功能性特征。因此，光刻设备的性能的关键方面是能够相对于(通过相同的设备或不同的光刻设备)置于先前层中的特征恰当且准确地放置所施加的图案。为此目的，衬底设置有一个或更多个标记的集合。每个标记是可以稍后使用位置传感器(典型地为光学位置传感器)测量其位置的结构。位置传感器可以被称为“对准传感器”，并且标记可以被称为“对准标记”。
光刻设备可以包括一个或更多个(例如，多个)对准传感器，可以通过所述一个或更多个对准传感器准确地测量被设置在衬底上的对准标记的位置。对准(或位置)传感器可以使用诸如衍射和干涉之类的光学现象以从形成在衬底上的对准标记获得位置信息。用于当前光刻设备中的对准传感器的示例基于如US6961116中所描述的自参考干涉仪。已经开发出位置传感器的各种增强例和修改例，例如如US2015261097A1中所公开的。所有这些公开出版物的内容以引用的方式并入本文中。
标记或对准标记可以包括形成在设置在衬底上的层上或层中或(直接)形成在衬底中的一系列栅条。所述栅条可以被规则地隔开且用作光栅线，使得标记可以被视为具有众所周知的空间周期(节距)的衍射光栅。依赖于这些光栅线的定向，标记可以被设计成允许测量沿X轴或沿Y轴(Y轴大致垂直于X轴定向)的位置。包括以相对于X轴和Y轴两者成+45度和/或-45度布置的栅条的标记允许使用如以引用的方式并入的US2009/195768A中所描述的技术进行组合的X和Y测量。
对准传感器利用辐射斑光学地扫描每个标记，以获得周期性变化信号，诸如正弦波。分析这种信号的相位以确定标记的位置，并且因此确定衬底相对于对准传感器的位置，所述对准传感器又相对于光刻设备的参考系被固定。可以提供与不同的(粗略和精细)标记尺寸有关的所谓的粗略和精细的标记，以使得对准传感器可以区分周期性信号的不同循环，以及在循环内的确切位置(相位)。也可以为此目的来使用不同的节距的标记。
测量标记的位置也可以提供关于被设置有例如呈晶片栅格的形式的标记的衬底的变形的信息。衬底的变形可以通过例如将衬底静电夹持至衬底台和/或当衬底暴露于辐射时加热衬底而出现。
图6是诸如例如在US6961116中所描述的且以引用方式并入的已知的对准传感器AS的实施例的示意性框图。辐射源RSO提供具有一个或更多个波长的辐射束RB，所述辐射束RB通过转向光学器件而转向至标记(诸如位于衬底W上的标记AM)上而作为照射斑SP。在这个示例中，转向光学器件包括斑反射镜SM和物镜OL。照射标记AM的照射斑SP的直径可以稍微小于标记自身的宽度。
由标记AM衍射的辐射(在这个示例中经由物镜OL)被准直成承载信息的束IB。术语“衍射”旨在包括来自标记的零阶衍射(所述零阶衍射可以被称为反射)。例如上文提及的US6961116中所公开的类型的自参考干涉仪SRI以其自身干涉束IB，在此之后束由光电探测器PD接收。可以包括额外的光学器件(未示出)以在由辐射源RSO产生多于一个波长的情况下提供单独的束。光电探测器可以是单个元件，或光电探测器根据需要可以包括一定数目个像素。光电探测器可以包括传感器阵列。
在这个示例中包括斑反射镜SM的转向光学器件也可以用于阻挡从标记反射的零阶辐射，以使得携载信息的束IB仅包括来自标记AM的高阶衍射辐射(这对于测量不是必需的，但改善信噪比)。
强度信号SI被供应给处理单元PU。通过区块SRI中进行的光学处理与在单元PU中进行的计算处理的组合来输出衬底相对于参考系的X位置和Y位置的值。
所图示的类型的单个测量仅将标记的位置固定在与所述标记的一个节距相对应的某一范围内。结合这种测量来使用较粗略的测量技术，以识别正弦波的哪个周期是包括所标记的位置的周期。可以在不同波长下重复较粗略和/或较精细水平下的同一过程，以用于增加准确度和/或用于稳固地检测标记，而不管制成标记的材料和供标记被设置在其上方和/或下方的材料。可以以光学方式多路复用和解多路复用所述波长以便同时地处理所述波长，和/或可以通过时分或频分来对波长进行多路复用。
在这个示例中，在对准传感器和斑SP保持静止的同时，衬底W移动。因此，在对准传感器可以刚性地且准确地被安装至参考系或参考框架的同时，在与衬底W的移动方向相反的方向上有效地扫描标记AM。通过衬底W被安装在衬底支撑件和控制衬底支撑件的移动的衬底定位系统来控制在该移动中的衬底W。衬底支撑件位置传感器(例如，干涉仪)测量衬底支撑件的位置(未示出)。在实施例中，一个或更多个(对准)标记被设置在衬底支撑件上。对设置在衬底支撑件上的标记的位置的测量允许对如由位置传感器所确定的衬底支撑件(例如，相对于对准系统所连接的框架)的位置进行校准。对设置在衬底上的对准标记的位置的测量允许确定衬底相对于衬底支撑件的位置。
光刻设备可以在光刻图案化过程之前、在光刻图案化过程期间和/或在光刻图案化过程之后使用量测工具MT以用于测量衬底、图案和设备的性质。量测工具MT可以使用扫描器量测来测量例如衬底(也称为晶片)对准、调平图等。对准AL和调平LVL测量数据可以例如被用于在例如晶片台卡盘的晶片台上准确定位衬底。诸如对准AL和调平LVL之类的扫描器量测数据可以用于由光刻设备曝光的每个衬底。扫描器量测数据可以用于衬底上的每个曝光层。相比之下，可以仅对衬底组中的衬底子集(例如，一批次25个)测量一些性质(例如，重叠)。由于可以用于每个经暴露的衬底，因此可以使用对准和/或调平数据以减小衬底上的图案化层之间的重叠误差。由于扫描器量测数据的可用性，所述扫描器量测数据可以用于对衬底的全面分析。例如，分析可以旨在发现用于衬底的隐藏特征标识源和/或用于检查展现从预期结果的偏移的衬底的隐藏特征标识源。特征标识可以是数据值中的独特特性或独特特性的集合，所述独特特性或独特特性的集合允许识别光刻设备和/或过程的任何方面。诸如机器学习模型之类的包括所谓“深”机器学习模型(例如，包括多于一个隐藏层的模型)的模型可以提供发现和识别隐藏特征标识源的装置。有利地，模型可以以无监督方式从未标记的量测数据实现这种发现和识别。对一个或更多个隐藏特征标识源的识别还可以使得能够开发用于与光刻设备相关的不同应用的特定预测模型(例如，用于光刻的虚拟重叠量测预测)和/或分类模型(例如，偏移检测)。这些应用可以例如包括预测性维护、更新选配方案设置等。
除光刻设备以外，用于半导体制造过程的蚀刻工具也可以使用来自量测数据的输入，诸如在经受蚀刻步骤之后在衬底上测量的重叠，以分析用于半导体制造过程的蚀刻工具是否被恰当地配置。例如，重叠数据可以被用于配置或监测用于控制或监测蚀刻工具的参数，诸如在蚀刻腔室内分布的温度、电压偏置、与引导等离子体蚀刻方向相关联的电场特性或在蚀刻过程期间使用的等离子体组分的化学浓度。以全文引用的方式并入本文中的国际专利申请WO2018099690提供关于在监测和配置蚀刻工具中的量测数据的使用的更多信息。因此，蚀刻工具内的内部传感器也可以被视为对衬底特性具有明显影响的潜在相关的量测数据，诸如：重叠、CD、边缘放置误差(EPE)、对准标记的几何形状等。这样的与蚀刻工具相关的量测数据的示例是蚀刻腔室温度测量结果、电场特性、等离子体浓度参数、蚀刻剂或其它物质的(部分)压力。模拟至光刻设备，一个或更多个隐藏特征标识源的识别还可以使得能够开发用于与蚀刻工具相关的不同应用的特定预测模型(例如，用于蚀刻步骤的虚拟重叠量测预测)和/或分类模型(例如，偏移检测)。这些应用可以例如包括预测性维护、更新蚀刻工具选配方案设置等。
来自光刻设备或蚀刻工具或量测工具或检查工具的量测数据可以是高维度的。即，所述量测数据可以传递包括多个不同参数的大量数据，每个参数表示不同的维度。例如，量测数据可以具有大约十个或更多个维度，例如二十四个维度或更多个维度。分析高维度数据可能需要可以以简洁且可解释的方式表示高维度数据的已知模型，或将高维度数据映射至较低维度(2D或3D)空间的方式。与较高维度表示相比，数据的较低维度表示可能更适于人类的解释和分析。此外，在自动化分析中使用较低维度表示数据可以在计算上更便宜和/或更快。
诸如主成分分析(PCA)之类的降维技术是众所周知的，并且通常可以用于将高维度映射至用于特征标识分析的低维度表示中。然而，诸如PCA之类的线性方法在捕获存在于高维度数据中的非线性结构时不总是良好的。然而，对于许多诊断应用，识别隐藏和复杂特征标识源尤其可以是有益的。例如，在给出在经光刻曝光的衬底的特定叠置层处搜集的量测数据的情况下，(例如，使用PCA或甚至观测)识别由所述层处所使用的扫描器和卡盘引起的特征标识可以是相对直接的。然而，在处理晶片的若干叠置层时来自若干扫描器-卡盘组合的特征标识贡献可能是复杂的且难以通过PCA来捕获。
作为PCA的替代方案，非线性嵌入技术可能够对高维度数据中的复杂结构进行建模和显现。因此，非线性嵌入技术可以允许在高维度数据中识别不易察觉的特征标识。然而，学习可以准确地捕获高维度数据中的复杂非线性关系的参数模型是具有挑战性的问题。此外，诸如t-分布随机邻域嵌入(tSNE)之类的现有的当前最先进的非线性嵌入技术不提供将新获取的晶片数据映射至已学习的图的显函数。映射显函数对于在需要实时分析的制造环境中应用经训练的模型是特别有益的。例如，在光刻制造环境中可以连续地处理衬底，并且可能需要实时地进行对每个晶片的推断。另一挑战可以是例如使用深度机器学习模型创建非线性嵌入功能函数可能涉及计算上昂贵的操作。在使用现有技术的情况下，可能花费数天来训练这样的模型，这可能导致这样的模型对于诸如与光刻设备相关的连续运行应用之类的一些使用(诸如，预测性维护、选配方案更新等)来说是不切实际的。另外，简化计算复杂度的近似常常导致次优结果。
为克服上文提及的挑战中的至少一些挑战，本文中提议使用非线性参数模型将高维度数据映射至较低维度空间上。非线性参数模型的示例可以是深度神经网络(DNN)模型，这是因为DNN模型能够使用可以以无监督方式提取的分层特征成功地对各种各样的复杂函数建模。一旦被训练，DNN模型也可以是适合的且易于部署至生产环境中。
图7描绘用于将与设备有关的高维度数据映射至数据的较低维度表示的方法的流程图。获得与设备相关的高维度数据702。高维度数据具有第一组的N个维度，其中，N大于2。获得非线性参数模型704，所述模型已经被训练以将高维度数据的训练集映射至较低维度表示上。所述较低维度表示具有第二组的M个维度，其中，M小于N。已经使用成本函数来训练所述模型，所述成本函数被配置成使所述映射保持高维度数据的所述训练集中的局部相似性。训练算法可以是反向传播算法。在步骤706中，使用模型将所获得的高维度数据映射至相应的较低维度表示。
高维度数据中的每个数据点可以具有在较低维度表示中的相应的数据点。通过被训练的模型进行映射可以包括针对高维度表示中的每个数据点的至其较低维度表示中的相应的数据点的映射。数据点也可以称为样本。
可以确定成对的数据点之间的成对相似性。可以针对高维度数据点和较低维度表示数据点两者计算这些成对相似性。一旦已经计算成对相似性的两个集合，则保持局部相似性可以包括：最小化高维度数据与低维度数据的成对相似性之间的差异。可以使用成本函数且使用例如反向传播来训练模型来进行这种确定。
为了捕获数据集合的数据点中的类似的高维度值，非线性嵌入技术可以涉及使用例如欧几里得距离的距离指标(但是可以使用其它距离测量)来计算新捕获的数据点之间的成对相似性。可以计算在数据点的所有样本对之间的距离指标。可以在新捕获的高维度数据和所述数据的低维度表示两者中计算距离指标。一旦已经计算距离指标，就可以使用距离指标优化目标或成本函数。目标/成本函数可以最小化高维度测量与低维度表示的所计算的成对相似性之间的差异。
通常，可以在具有或不具有可以捕获从高维度空间至低维度空间的变换的函数的情况下最优化成本函数。如果成本函数在没有函数的情况下被优化，则如在诸如tSNE之类的技术中进行的，接着新获取的测量结果不能被并入至现有的图中。另一方面，如果优化连同对变换进行建模的诸如非线性参数模型(例如，DNN)的函数一起进行，则一旦被训练，函数就可以用于将新数据合并至现有的图中。应注意，可以在两种情况下优化同一目标函数。因此，上文所描述的方法的优势是所述模型提供在学习图中包括新获取的高维数据的显式或明显方式。
示例性非线性参数模型为深度神经网络DNN。虽然DNN可以实现对任何非线性嵌入函数进行建模，但DNN也可以在通过较大数目个数据点训练时造成额外的复杂度。在DNN模型的训练迭代期间，可以规则地混洗训练样本，以便减小优化算法陷入成本函数的不良局部最小值的风险。这种混洗样本可能需要重新计算所有混洗样本对的成对相似性，或创建查找表以提取先前计算的值。尤其在训练样本较大(即在数据点具有高维度的情况下)时，两种方法在计算上都是昂贵的。在一些示例实施中，本文中所描述的模型能够在数小时中被有效地训练的同时，也能够捕获高维度相似性且将高维度相似性维持在较低维度表示中。可以通过用至少快一个数量级的简单线性计算替换计算上昂贵的计算(诸如重新计算成对相似性)来实现这种优势。一旦被训练，模型进一步提供如下优势：所述模型可以创建从高维度数据至较低维度表示的映射函数，这有利于实时制造链接的应用。具有可以在数小时中训练的模型的另一优势可以是：当更多数据变成可用时，可以重新训练模型。归因于快速训练时间，新数据的效应可以在提供/产生数据之后被快速地(训练持续时间，即数小时)实施。这可以允许模型在设备运行时考虑数据(例如，设备的特征随着时间推移而缓慢改变)的漂移。
归因于较快的训练过程，可以在较快的时间量中训练较复杂(例如，具有较多层的深度神经网络)的模型。归因于非线性参数性质和/或模型的增加的深度/复杂度，模型可以优选地能够保持局部相似性。因此，较低维度表示可以能够识别数据中的较小差异。参照下文的图8和图9描述通过DNN对差异的这种增加的识别的示例。
上文所描述的所提议的基于DNN的参数非线性嵌入技术旨在保持样本对之间的局部相似性。因此，上文所描述的所提议的基于DNN的参数非线性嵌入技术可以涉及所有训练样本对之间的匹配性或相似性矩阵的计算。对于N个训练样本，可以计算N×N个相似性矩阵。被优化的成本函数可以通过下式给出：
在上式中，S和Q可以分别表示高维度表示和低维度表示中的所有样本对之间的成对相似性。sij可以表示高维度空间中的样本I与样本j之间的成对相似性。qij可以表示较低表示空间中的样本I与样本j之间的成对相似性。KL可以表示库尔贝克-莱布勒离散度。这种成本函数不是凸型的，并且为了降低优化算法陷入不良局部最小值的风险，可以在DNN训练期间有规律地应用训练样本的随机混洗。这进而可能需要再次重新计算相似性矩阵S或在混洗之后查找成对相似性中的每个对相似性。这可能是耗时的和/或计算上昂贵的过程。在下文中阐述准确地和高效地训练所提议的基于DNN的非线性嵌入的技术的导出。可以涉及本文中所描述的非线性参数模型的训练来使用这种技术。
让X是N个m维度训练数据点的集合的矩阵表示，
且S是由在两个样本i与j之间的在高维空间中的成对相似性sij组成的相似性矩阵，S可以写成：
其中，
且dij为样本i与j之间的成对欧几里得距离的平方：
dij＝||xi-xj||2 (2)
对称成对相似性矩阵S的项因此可以以由成对欧几里得距离dij确定。对于所有样本，成对欧几里得距离为由下式给出的具有N×N的对称矩阵：
成对欧几里得距离D可以从高维度样本如下计算：
其中为N个为1的项或元素(entry)的向量。
当样本被混洗时，成对欧几里得距离保持相同；然而其在D中的相对位置改变。在数学上，混洗样本等同于将左侧的高维度数据点的矩阵X乘以如下的置换矩阵P：
Xnew＝PX (4)
其中置换矩阵P为恰好具有每个列和行中的为1的一个项的正方形矩阵。交换前两个样本的示例性置换矩阵将是单位矩阵，其中，前两列被交换如下：
/>
在样本通过P被混洗之后，通过以下公式给出新的(混洗的)成对欧几里得距离Dnew：
使用置换矩阵的性质PPT＝I，等式5也可以写为：
也应注意：
将等式7代入至等式6且应用矩阵因式分解，可以将新的成对平方欧几里得距离矩阵简化为：
Dnew＝PDPT (8)
因此，对于所有样本对，D(和相似性矩阵S)可能仅被准确地计算一次。可以在DNN训练期间通过与随机产生混洗矩阵P进行简单的矩阵乘法操作来重复使用所述结果。不同于将训练样本分成多个批次且计算每个批次的相似性，上文所描述的技术可以准确地捕获所有样本对之间的总体相似性。这可以加速基于DNN的非线性模型训练，在非线性模型训练中，样本在每次迭代中被混洗。
可以在本文中所描述的方法中的一些中应用用于解决这些挑战的准确的且计算上高效的方法，所述方法作为示例被在下文进行更详细地描述。总之，可以通过使用计算上不太昂贵的线性算子对样本混洗步骤进行建模以改善样本混洗。这些线性算子在每次迭代中可以是可管理的。这可以使得计算上昂贵的计算能够在开始时仅进行一次，并且可以允许在后续迭代中再使用所述结果。涉及来自17,100个衬底的数据的实验已经示出：这种方法可以实现计算时间在每次迭代中减小19倍(即，4秒对75秒)。
上文所描述的方法可以被应用于捕获关于从光刻设备和/或蚀刻工具搜集的测量数据的隐藏特征标识源。所述数据可以包括例如大量生产衬底(例如，大约17,000个)的对准残余数据。测量数据可以已经在不同的扫描器上来处理。例如，对准数据可以已经对三个氟化氩(ArF)和两个氟化氪(KrF)扫描器进行处理以分别图案化浅沟槽隔离(STI)和植入(IMPL)层。可以已经从每个衬底上的多个目标获得测量数据。每个目标读取可以表示用于特定衬底的数据的不同的维度N。在本文中所论述的示例中，对准测量可以在IMPL层被曝光时从24个目标部位读取，由此产生24维度图。也可以已经针对衬底获得其它数据，例如调平数据和/或对准数据。这些数据可以用于分析和/或控制分析过程。
图8描绘根据不同方法处理的高维度数据的较低维度表示。具体地，高维度数据可以是例如如上文所描述的光刻衬底的24维度对准测量结果。
在图8(a)和图8(b)中，基于PCA的线性嵌入技术被用于确定较低维度表示。如所示出的，高维度数据的24维度已经减小至2维度空间，并且以图形方式表示。轴线可以表示较低维度，所述较低维度不必需要具有物理上有意义的解释。在图8(a)中，可以清晰地区分两个单独的团簇802与804。这种聚类可以表示与高维度数据中的最大变化相对应的第一特征标识贡献，所述第一特征标识贡献已经被保持在2D表示中。这种最大变化可以例如由使用KrF扫描器中的一个中的2个差异卡盘导致。如所预期的，最大变化能够通过基于PCA的线性嵌入技术捕获。然而，第二变化扫描器的第二特征标识贡献未被良好地捕获。在图8(b)中，与3个不同的ArF扫描器相对应的数据点806、808和810并未被识别为分离的团簇。这图示出基于PCA的线性嵌入技术在识别复杂的特征标识时的局限性。
在图8(c)和图8(d)中，非线性参数模型用于将高维度数据映射至较低维度(在这个示例中，2D)表示上。模型可以是基于DNN的非线性嵌入技术。如可见的，可以从较低维度表示识别第一特征标识贡献(团簇812和814)和第二特征标识贡献(团簇816、818、820)两者。在这样的特定示例的情境下，第一组团簇812和814涉及KrF扫描器中的不同的卡盘，并且第二组团簇涉及不同的ArF扫描器。这说明非线性参数模型可以是较敏感的，并且优选地能够保持高维度数据中的复杂的特征标识贡献。
在图9中，示出除了上文关于图8所描述的特征标识源之外也可以识别另一特征标识贡献的示例。曲线图表示通过如本文中所描述的非线性参数模型映射的较低维度表示。在图9(a)中，团簇912和914被标记，团簇912和914可以识别第一特征标识贡献。第一特征标识贡献可以对应于用于KrF扫描器中的两个不同卡盘导致的变化(与示出为圆点的卡盘1相关的数据和与示出为方块的卡盘2相关的数据)。在图9(b)中，团簇916、918和920被标记，团簇916、918和920可以识别第二特征标识贡献。第二特征标识贡献可以对应于由用于衬底上的不同ArF扫描器导致的变化(与示出为圆点的扫描器A相关的数据、与示出为方块的扫描器B相关的数据、和与示出为较小方块的扫描器相关的数据)。使用所提议的非线性参数模型可以另外能够随着时间推移显现第三特征标识变化(参见图9(c))。这种第三特征标识贡献可以由团簇922和924表示。团簇922可以包括从三月(圆点)获得的数据点，而团簇924可以包括从四月(方块)、五月(较小方块)、和六月(较小圆点)获得的数据点。这可以指示在三月中获得的数据与在稍后几个月中获得的数据之间的时间中，过程中的某物发生改变。这种扫描器特征标识随时间推移的改变可以归因于若干因素。所述改变可以例如出现在扫描器维护之后，或可以由于随时间推移的过程漂移而出现。模型的这种识别可以用于触发后续测量，诸如漂移检测机制，以考虑随时间推移的特征标识改变。
虽然上文所展现和描述的改善基于对准测量结果，但本发明也可以应用于其它高维度扫描器数据，例如调平数据图，和/或来自其它量测工具的测量结果。此外，在概率或除了欧几里得距离之外的其它距离指标方面，也可以包含局部相似性指标。
基于以上关于图8和图9所描述的示例，本文中所描述的方法还可以包括识别较低维度表示中的两个或更多个团簇的聚类。对于所识别的团簇中的每个团簇，可以识别与聚类相关联的高维度数据的一个或更多个维度。聚类可以与高维度数据的相关联的识别的维度中的局部相似性相关联。
较低维度表示/特征标识的分析可以由一个或更多个人执行。替代地或另外地，可以通过一个或更多个其它模型执行分析。基于对所识别的特征标识的分析，可以相对于高维度数据涉及的光刻过程采取一个或更多个动作。这些动作可以例如包括执行光刻设备的维护的决策。可以使用所识别的团簇来确定何时执行维护。所识别的维度可以被用于确定对设备的哪些部分执行维护。在另一示例中，动作可以包括对设备的设置作出调整。基于较低维度表示和/或相关的识别的特征标识，所述方法可以包括确定对光刻设备和/或蚀刻工具的设置的调整和/或用于蚀刻或曝光衬底的选配方案设置。所述方法可以包括响应于分析输出警示以执行动作，例如输出警示以执行对设备的维护或对设备的设置作出调整。所述方法还可以包括控制设备以执行动作，例如对设备实施所确定的调整。
图10描绘用于光刻制造应用中的非线性参数模型1004的所提议的前馈使用的示意性概略图。具体地，具有如上文所描述的成本函数的非线性DNN嵌入模型1004可以获得与一个或更多个光刻设备和/或光刻图案化衬底相关的高维度数据w1、......、wN 1002。w1、......、wN可以是具有N个维度的高维度衬底扫描器量测数据1002，其中，N显著大于2。可以将高维度数据作为输入提供至模型1004。模型1004可以处理高维度数据1004以确定较低维度表示1006。较低维度表示可以具有M个维度。M可以例如为2或3。M＝2或M＝3是有利的选择，并且所述有利的选择适于图形表示，所述图形表示适于由人类分析员解释。基于较低维度表示1006，可以识别高维度数据1002内的特征标识1008。特征标识1008可以由对较低维度表示的分析来识别，其中，分析可以包括例如由人类分析员进行的分析或通过一个或更多个模型进行的处理。可能在高维数据1002旁边将特征标识1008提供至预测和/或分类模型1010，和/或与数据相关的任何其它应用。
虽然本文中关于光刻设备进行了描述，但应该理解，本文中所描述的方法可以关于与其它设备和系统(例如，蚀刻工具、量测工具和(缺陷)检查工具)相关的高维数据来使用。
虽然可以在本文中具体地参考在IC制造中对光刻设备的使用，但应该理解，本文中所描述的光刻设备可以具有其它应用。可能的其它应用包括制造集成光学系统、用于磁域存储器的引导和检测图案、平板显示器、液晶显示器(LCD)、薄膜磁头等。
虽然可以在本文中具体地参考在光刻设备的情境下的本发明的实施例，但本发明的实施例可以用于其它设备中。本发明的实施例可以形成掩模检查设备、量测设备或测量、或测量或处理诸如晶片(或其它衬底)或掩模(或其它图案形成装置)的对象的任何设备的部分。这些设备通常可以称为光刻工具。这样的光刻工具可以使用真空条件或环境(非真空)条件。
虽然上文可能已经具体地参考在光学光刻术的情境下对本发明的实施例的使用，但将了解，在情境允许的情况下，本发明不限于光学光刻术，并且可以用于例如压印光刻术的其它应用中。
在下文经编号的方面的列表中公开本公开的另外的实施例：
1.一种计算机实施方法，所述计算机实施方法用于将与光刻、蚀刻、量测或检查设备中的一个或更多个相关的高维度数据映射至所述数据的较低维度表示，所述方法包括：获得与所述设备相关的高维度数据，所述高维度数据具有第一组的N个维度，N大于2；获得已经被训练以将高维度数据的训练集映射至较低维度表示上的非线性参数模型，所述较低维度表示具有第二组的M个维度，其中，M小于N，并且其中，已经使用成本函数来训练所述模型，所述成本函数被配置成使所述映射保持高维度数据中的所述训练集中的局部相似性；以及使用所述模型将所获得的高维度数据映射至相应的较低维度表示。
2.根据方面2所述的方法，其中，所述非线性参数模型为神经网络。
3.根据前述方面中任一项所述的方法，其中，所述映射包括：所述高维度数据中的每个数据点的至所述较低维度表示中的相应的数据点的映射。
4.根据前述方面中任一项所述的方法，其中，保持局部相似性包括：最小化所述高维度数据中的数据点与所述较低维度表示中的相应的数据点之间的成对相似性差异。
5.根据前述方面中任一项所述的方法，其中，所述成本函数基于对称的成对相似性指标。
6.根据从属于方面3时方面5所述的方法，其中，所述成本函数C为：
其中，KL为库尔贝克-莱布勒离散度，S为由高维度空间中的成对相似性sij组成的相似性矩阵，并且Q为较低维度表示空间中的成对相似性qij的相似性矩阵。
7.根据前述方面中任一项所述的方法，其中，所述设备是半导体制造工业中的设备。
8.根据方面3所述的方法，其中，所述设备是光刻设备、被配置成蚀刻衬底的设备、量测设备、或检查设备中的一个。
9.根据方面8所述的方法，其中，所获得的高维度数据包括以下各项中的一项或更多项：对准数据、调平数据、蚀刻腔室电场数据、蚀刻腔室温度数据、蚀刻腔室等离子体浓度数据。
10.根据方面8至9中任一项所述的方法，其中，所获得的高维度数据包括重叠数据。
11.根据方面8至10中任一项所述的方法，其中，所获得的高维度数据包括调平数据。
12.根据前述方面中任一项所述的方法，还包括：识别相应的所述较低维度表示中的聚类；以及确定与所述聚类相关联的第一组的一个或更多个维度，其中，所述聚类与所述高维度数据中的所述局部相似性相关联。
13.根据前述方面中任一项所述的方法，还包括：基于所述较低维度表示确定执行对所述设备的维护。
14.根据方面13所述的方法，还包括：输出使得执行所述维护的警示。
15.根据前述方面中任一项所述的方法，还包括：基于所述较低维度表示确定对所述设备的设置的调整。
16.根据方面15所述的方法，还包括：控制所述设备以使得进行所述调整。
17.根据方面8所述的方法，还包括：基于所述较低维度表示确定对光刻曝光选配方案或蚀刻工具选配方案的调整。
18.根据方面17所述的方法，还包括：实施对用于导致所述光刻曝光选配方案或蚀刻工具选配方案的所述调整的所述设备的设置的一个或更多个改变。
19.一种计算机程序，所述计算机程序被配置成执行根据方面1至18中任一项所述的方法。
20.一种设备，包括处理器和存储器，所述存储器包括在由所述处理器执行时导致所述处理器执行根据方面1至18中任一项所述的方法的指令。
21.一种光刻设备或蚀刻工具，包括根据方面20所述的设备。
22.一种光刻单元，包括根据方面20至21中任一项所述的设备。
虽然上文已经描述本发明的特定实施例，但将了解，可以以与所描述的方式不同的其它方式来实践本发明。上述描述旨在是说明性的，而不是限制性的。因此，本领域技术人员将明白，可以在不背离下文所阐述的权利要求的范围的情况下对如所描述的本发明进行修改。
虽然具体地参考“量测设备/工具/系统”或“检查设备/工具/系统”，但这些术语可以指相同或类似类型的工具、设备或系统。例如，包括本发明的实施例的检查或量测设备可以用于确定衬底上或晶片上的结构的特性。例如，包括本发明的实施例的检查设备或量测设备可以用于检测衬底的缺陷或衬底上或晶片上的结构的缺陷。在这种实施例中，衬底上的结构的所关注的特性可能涉及结构中的缺陷、结构的特定部分的不存在、或衬底上或晶片上的不期望的结构的存在。

Claims (15)

1.一种计算机实施方法，所述计算机实施方法用于将与在半导体制造过程中使用的一个或更多个设备相关的高维度数据映射至所述数据的较低维度表示，其中，所述一个或更多个设备是以下各项中的一项或更多项：光刻设备、蚀刻工具、量测设备、或检查设备，所述方法包括：
获得与所述一个或更多个设备相关的高维度数据，所述高维度数据具有第一组的N个维度，N大于2；
获得已经被训练以将高维度数据的训练集映射至较低维度表示上的非线性参数模型，所述较低维度表示具有第二组的M个维度，其中，M小于N，并且其中，已经使用成本函数来训练所述模型，所述成本函数被配置成使所述映射保持高维度数据的所述训练集中的局部相似性；以及
使用所述模型将所获得的高维度数据映射至对应的所述较低维度表示。
2.根据权利要求2所述的方法，其中，所述非线性参数模型为神经网络。
3.根据权利要求1所述的方法，其中，所述映射包括：所述高维度数据中的每个数据点的至所述较低维度表示中的相应的数据点的映射。
4.根据权利要求1所述的方法，其中，保持局部相似性包括：最小化所述高维度数据中的数据点与所述较低维度表示中的相应的数据点之间的成对相似性差异。
5.根据权利要求3所述的方法，其中，所述成本函数基于对称的成对相似性指标。
6.根据权利要求5所述的方法，其中，所述成本函数C为：
其中，KL为库尔贝克-莱布勒离散度，S为由高维度空间中的成对相似性sij组成的相似性矩阵，并且Q为较低维度表示空间中的成对相似性qij的相似性矩阵。
7.根据权利要求1所述的方法，其中，所获得的高维度数据包括以下各项中的一项或更多项：
对准数据、重叠数据、调平数据、或在所述蚀刻工具的蚀刻腔室中执行的测量结果。
8.根据权利要求1所述的方法，还包括：
识别相应的所述较低维度表示中的聚类；以及
确定与所述聚类相关联的第一组的一个或更多个维度，其中，所述聚类与所述高维度数据中的所述局部相似性相关联。
9.根据权利要求1所述的方法，还包括：
基于所述较低维度表示确定是否对所述一个或更多个设备执行维护动作。
10.一种计算机程序，所述计算机程序用于将与在半导体制造过程中使用的一个或更多个设备相关的高维度数据映射至所述数据的较低维度表示，其中，所述一个或更多个设备是以下各项中的一项或更多项：光刻设备、蚀刻工具、量测设备、或检查设备，所述计算机程序包括被配置成进行以下操作的机器可读指令：
获得与所述一个或更多个设备相关的高维度数据，所述高维度数据具有第一组的N个维度，N大于2；
获得已经被训练以将高维度数据的训练集映射至较低维度表示上的非线性参数模型，所述较低维度表示具有第二组的M个维度，其中，M小于N，并且其中，已经使用成本函数来训练所述模型，所述成本函数被配置成使所述映射保持高维度数据的所述训练集中的局部相似性；以及
使用所述模型将所获得的高维度数据映射至对应的所述较低维度表示。
11.根据权利要求10所述的计算机程序，其中，所述非线性参数模型为神经网络。
12.根据权利要求10所述的计算机程序，其中，所述映射包括：所述高维度数据中的每个数据点的至所述较低维度表示中的相应的数据点的映射。
13.根据权利要求10所述的计算机程序，其中，保持局部相似性包括：最小化所述高维度数据中的数据点与所述较低维度表示中的相应的数据点之间的成对相似性差异。
14.根据权利要求12所述的计算机程序，其中，所述成本函数基于对称的成对相似性指标。
15.根据权利要求11所述的计算机程序，还包括被配置成进行以下操作的指令：
识别相应的所述较低维度表示中的聚类；以及
确定与所述聚类相关联的第一组的一个或更多个维度，其中，所述聚类与所述高维度数据中的所述局部相似性相关联。
CN202280048484.XA 2021-07-20 2022-06-21 用于低维度数据分析的数据映射的方法和计算机程序 Pending CN117642700A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP21186555.5 2021-07-20
EP21189299.7A EP4130880A1 (en) 2021-08-03 2021-08-03 Methods of data mapping for low dimensional data analysis
EP21189299.7 2021-08-03
PCT/EP2022/066798 WO2023001463A1 (en) 2021-07-20 2022-06-21 Methods and computer programs for data mapping for low dimensional data analysis

Publications (1)

Publication Number Publication Date
CN117642700A true CN117642700A (zh) 2024-03-01

Family

ID=77206940

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202280048484.XA Pending CN117642700A (zh) 2021-07-20 2022-06-21 用于低维度数据分析的数据映射的方法和计算机程序

Country Status (2)

Country Link
EP (1) EP4130880A1 (zh)
CN (1) CN117642700A (zh)

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60319462T2 (de) 2002-06-11 2009-03-12 Asml Netherlands B.V. Lithographischer Apparat und Verfahren zur Herstellung eines Artikels
JP3977324B2 (ja) 2002-11-12 2007-09-19 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
TWI237744B (en) 2003-01-14 2005-08-11 Asml Netherlands Bv Level sensor for lithographic apparatus
US7265364B2 (en) 2004-06-10 2007-09-04 Asml Netherlands B.V. Level sensor for lithographic apparatus
US7791727B2 (en) 2004-08-16 2010-09-07 Asml Netherlands B.V. Method and apparatus for angular-resolved spectroscopic lithography characterization
NL1036245A1 (nl) 2007-12-17 2009-06-18 Asml Netherlands Bv Diffraction based overlay metrology tool and method of diffraction based overlay metrology.
NL1036476A1 (nl) 2008-02-01 2009-08-04 Asml Netherlands Bv Alignment mark and a method of aligning a substrate comprising such an alignment mark.
NL1036734A1 (nl) 2008-04-09 2009-10-12 Asml Netherlands Bv A method of assessing a model, an inspection apparatus and a lithographic apparatus.
NL1036857A1 (nl) 2008-04-21 2009-10-22 Asml Netherlands Bv Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method.
KR101295203B1 (ko) 2008-10-06 2013-08-09 에이에스엠엘 네델란즈 비.브이. 2차원 타겟을 이용한 리소그래피 포커스 및 조사량 측정
EP2228685B1 (en) 2009-03-13 2018-06-27 ASML Netherlands B.V. Level sensor arrangement for lithographic apparatus and device manufacturing method
KR101461457B1 (ko) 2009-07-31 2014-11-13 에이에스엠엘 네델란즈 비.브이. 계측 방법 및 장치, 리소그래피 시스템, 및 리소그래피 처리 셀
WO2012022584A1 (en) 2010-08-18 2012-02-23 Asml Netherlands B.V. Substrate for use in metrology, metrology method and device manufacturing method
WO2014019846A2 (en) 2012-07-30 2014-02-06 Asml Netherlands B.V. Position measuring apparatus, position measuring method, lithographic apparatus and device manufacturing method
WO2016083076A1 (en) 2014-11-26 2016-06-02 Asml Netherlands B.V. Metrology method, computer product and system
JP6462883B2 (ja) 2014-12-22 2019-01-30 エーエスエムエル ネザーランズ ビー．ブイ． レベルセンサ、リソグラフィ装置、及びデバイス製造方法
WO2016202695A1 (en) 2015-06-17 2016-12-22 Asml Netherlands B.V. Recipe selection based on inter-recipe consistency
US10885627B2 (en) * 2018-04-03 2021-01-05 Nec Corporation Unsupervised neighbor-preserving embedding for image stream visualization and anomaly detection

Also Published As

Publication number Publication date
EP4130880A1 (en) 2023-02-08

Similar Documents

Publication Publication Date Title
TWI791889B (zh) 校準複數個度量衡設備的方法、判定所關注參數的方法及度量衡設備
CN109073997B (zh) 用于确定图案化工艺的参数的方法和设备
CN112236724B (zh) 确定衬底上的一个或更多个结构的特性的量测设备和方法
JP5389235B2 (ja) オーバーレイエラーを判定するための方法及び装置
JP5739988B2 (ja) 基板上の構造の測定
TW201821907A (zh) 度量衡配方選擇
CN111656282B (zh) 确定衬底栅格的测量设备和方法
TWI741361B (zh) 提供經訓練網路及判定實體系統之特性
EP3579052A1 (en) Metrology apparatus and method for determining a characteristic of one or more structures on a substrate
US20210097665A1 (en) Model based reconstruction of semiconductor structures
US20230035073A1 (en) Method for determining a measurement recipe and associated apparatuses
TWI811015B (zh) 用於低維度資料分析之資料映射之方法及電腦程式
EP4130880A1 (en) Methods of data mapping for low dimensional data analysis
TW202028850A (zh) 用於監測微影裝置之方法
TWI711890B (zh) 在度量衡中的資料之估計
CN116964529A (zh) 用于表征半导体制造过程的方法和装置
CN114341738A (zh) 用于确定复值场的量测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication