CN118043740A - 使用带电粒子检查系统的图案化参数确定 - Google Patents
使用带电粒子检查系统的图案化参数确定 Download PDFInfo
- Publication number
- CN118043740A CN118043740A CN202280060396.1A CN202280060396A CN118043740A CN 118043740 A CN118043740 A CN 118043740A CN 202280060396 A CN202280060396 A CN 202280060396A CN 118043740 A CN118043740 A CN 118043740A
- Authority
- CN
- China
- Prior art keywords
- patterning
- training
- parameters
- substrate
- charged particle
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 144
- 238000007689 inspection Methods 0.000 title claims abstract description 143
- 238000000059 patterning Methods 0.000 title claims description 475
- 238000000034 method Methods 0.000 claims abstract description 331
- 238000004519 manufacturing process Methods 0.000 claims abstract description 73
- 238000010801 machine learning Methods 0.000 claims abstract description 67
- 239000000758 substrate Substances 0.000 claims description 267
- 238000012549 training Methods 0.000 claims description 263
- 230000008569 process Effects 0.000 claims description 186
- 239000004065 semiconductor Substances 0.000 claims description 77
- 238000001459 lithography Methods 0.000 claims description 43
- 238000012417 linear regression Methods 0.000 claims description 27
- 238000005259 measurement Methods 0.000 abstract description 16
- 239000011159 matrix material Substances 0.000 abstract description 5
- 235000012431 wafers Nutrition 0.000 description 73
- 230000005855 radiation Effects 0.000 description 59
- 230000000875 corresponding effect Effects 0.000 description 38
- 230000003287 optical effect Effects 0.000 description 30
- 238000013461 design Methods 0.000 description 21
- 239000000523 sample Substances 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 16
- 230000015654 memory Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000010894 electron beam technology Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 238000005286 illumination Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 7
- 239000000356 contaminant Substances 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 7
- 230000001537 neural effect Effects 0.000 description 7
- 229910052710 silicon Inorganic materials 0.000 description 7
- 239000010703 silicon Substances 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000005530 etching Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 210000001747 pupil Anatomy 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 201000009310 astigmatism Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229920002120 photoresistant polymer Polymers 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910052718 tin Inorganic materials 0.000 description 2
- 229910052724 xenon Inorganic materials 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000001015 X-ray lithography Methods 0.000 description 1
- 239000006096 absorbing agent Substances 0.000 description 1
- 239000011358 absorbing material Substances 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000001900 extreme ultraviolet lithography Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000005381 magnetic domain Effects 0.000 description 1
- 230000007246 mechanism Effects 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
- 210000003061 neural cell Anatomy 0.000 description 1
- 238000002850 optical based method Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- G03F7/70616—Monitoring the printed patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G03F7/70625—Dimensions, e.g. line width, critical dimension [CD], profile, sidewall angle or edge roughness
-
- 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
- G03F7/70641—Focus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30144—Printing quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Length-Measuring Devices Using Wave Or Particle Radiation (AREA)
Abstract
描述了一种获得焦点和剂量数据的方法,其不需要特殊标记并且使用管芯内特征的图像。产生焦点/剂量矩阵晶片。使用具有大视场的带电粒子检查系统来测量管芯内位置处的维度,诸如关键尺寸(CD)、CD均匀性(CDU)、边缘放置误差(EPE)等。机器学习或回归方法用于确定焦点和剂量与测量数据之间的关系。然后可以在生产晶片上测量相同的维度,并且可以利用该关系来确定用于生产晶片的焦点和剂量。
Description
相关申请的交叉引用
本申请要求于2021年9月8日提交的美国申请63/241,632的优先权,该申请通过整体引用并入本文。
技术领域
本发明大体上涉及与半导体制造工艺相关联的、使用带电粒子检查的图案化参数确定。
背景技术
在集成电路(IC)的制造过程中,检查未完成或完成的电路部件以确保其根据设计制造且无缺陷。可采用利用光学显微镜或带电粒子(例如,电子)束显微镜(例如,扫描电子显微镜(SEM))的检查系统。随着IC部件的物理尺寸持续缩小,并且它们的结构持续变得更加复杂,缺陷检测和检查中的准确度和吞吐量变得更加重要。总体图像质量尤其取决于高的次级电子和背散射电子信号检测效率的组合。背散射电子具有较高的发射能量以从样品的较深层逸出,且因此,其检测可为复杂结构(诸如,3D NAND装置的埋层,节点,高纵横比沟槽或孔)的成像所需。对于诸如套刻计量学的应用,可能期望获得高质量的成像和对来自次级电子的表面信息和来自背散射电子的埋层信息的有效收集。
发明内容
通常使用基于衍射的聚焦(DBF)或基于像散的聚焦(ABF)技术来测量焦点、剂量或其它图案化参数。这些技术需要在衬底上特别印刷的标记,其使用衬底上的可图案化区域,需要特别的光学邻近校正(OPC)考虑,且不提供装置内信息。此外,DBF不适用于极紫外(EUV)图案化应用。
根据一个实施例,提供了一种使用带电粒子检查系统来确定由图案形成系统使用的一个或多个图案化参数的方法。该方法包括用带电粒子检查系统检查图案化衬底以确定图案化衬底的一个或多个维度。使用图案形成系统和一个或多个图案化参数产生图案化衬底。该方法包括基于一个或多个图案化参数与图案化衬底的所确定的一个或多个维度之间的关系来确定一个或多个图案化参数。该关系是基于来自训练衬底的训练维度来确定的,该训练衬底用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用带电粒子检查系统而被检查。带电粒子检查系统具有视场,该视场被配置为在视场中的训练衬底上包括最小阈值数目的图案类型。基于视场中图案类型的最小阈值数目来确定训练维度。
在一些实施例中,一个或多个图案化参数包括焦点和剂量。
在一些实施例中,一个或多个图案化参数和图案形成系统与极紫外(EUV)图案化工艺相关联。
在一些实施例中,所确定的一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。
在一些实施例中,视场至少为2微米宽。
在一些实施例中,图案类型包括图案化衬底的多个特征中的一个特征,该多个特征不同地响应于训练参数跨图案化工艺窗口的变化。
在一些实施例中,最小阈值数目的图案类型包括三个图案类型。
在一些实施例中,该方法还包括确定所确定的图案化参数与图案形成系统的对应的设定点之间的偏移。在一些实施例中,该方法还包括基于该偏移调整图案形成系统。
在一些实施例中,使用多变量回归来确定关系。
在一些实施例中,多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。
在一些实施例中,由基于机器学习的预测模型来确定关系,该预测模型使用训练维度和训练参数来被训练。
在一些实施例中,图案形成系统是在半导体光刻工艺中使用的扫描仪。
在一些实施例中,工艺窗口包括与常规生产图案化工艺相关联的一个或多个图案化参数的变化。
在一些实施例中,带电粒子检查系统是扫描电子显微镜(SEM),并且图案化衬底是图案化的半导体晶片。
根据另一实施例,提供了一种使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的方法。该方法包括使用图案形成系统用一个或多个训练参数来图案化训练衬底,该一个或多个训练参数跨工艺窗口变化。该方法包括使用带电粒子检查系统确定来自训练衬底的训练维度。该方法包括确定训练参数和训练维度之间的关系。该关系(1)使用多变量回归或(2)通过使用训练维度和训练参数训练的、基于机器学习的预测模型来确定。该方法包括用带电粒子检查系统检查图案化衬底以确定图案化衬底的一个或多个维度。使用图案形成系统和一个或多个图案化参数产生图案化衬底。该方法包括基于该关系和图案化衬底的所确定的一个或多个维度来确定一个或多个图案化参数。
根据另一实施例,提供了一种使用扫描电子显微镜(SEM)来确定由扫描仪所使用的一个或多个半导体光刻参数的方法。该方法包括用SEM检查图案化的半导体晶片以确定图案化的半导体晶片的一个或多个维度。使用扫描仪和一个或多个半导体光刻参数产生图案化的半导体晶片。该方法包括基于一个或多个半导体光刻参数与图案化的半导体晶片的所确定的一个或多个维度之间的关系来确定一个或多个半导体光刻参数。该关系是基于来自训练晶片的训练维度来确定的,该训练晶片用一个或多个训练参数来被图案化,该一个或多个训练参数跨工艺窗口变化并使用SEM来被检查。SEM具有视场,该视场被配置为在视场中的训练晶片上包括最小阈值数目的图案类型。基于视场中的最小阈值数目的图案类型来确定训练维度。该方法包括:确定所确定的半导体光刻参数与扫描仪的对应的设定点之间的偏移;以及基于该偏移调整扫描仪。
根据另一实施例,提供了一种使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的方法。该方法包括确定训练参数和训练维度之间的关系。训练衬底用一个或多个训练参数来被图案化,该一个或多个训练参数跨工艺窗口变化。使用带电粒子检查系统从训练衬底确定训练维度。该关系(1)使用多变量回归或(2)通过使用训练维度和训练参数训练的、基于机器学习的预测模型来确定。该方法包括用带电粒子检查系统检查图案化衬底以确定图案化衬底的一个或多个维度。使用图案形成系统和一个或多个图案化参数来产生图案化衬底。该方法包括基于该关系和图案化衬底的所确定的一个或多个维度来确定一个或多个图案化参数。
根据其它实施例,提供了对应的系统或存储机器可读指令的计算机可读介质,该机器可读指令被配置为执行(或使得一个或多个处理器执行)上述操作中的一个或多个操作。
从以下结合附图的描述中,本公开的实施例的其他优点将变得显而易见,附图通过图示和示例的方式阐述了某些示例实施例。
附图说明
并入在说明书中并构成说明书一部分的附图示出了一个或多个实施例,并与说明书一起解释这些实施例。现在将仅通过示例的方式,参考所附示意图来描述实施例,其中对应的附图标记指示对应的部分,并且在附图中:
图1是根据本公开的实施例的光刻投影设备的示意图。
图2描绘了根据本公开的实施例的光刻单元的示意性概览。
图3描绘了根据本公开的实施例的整体光刻的示意性表示,其表示三种技术之间的协作以优化半导体制造。
图4示意性地描绘了根据本公开的实施例的带电粒子(例如,电子束)检查装置的一个实施例。
图5示意性地示出了根据本公开的实施例的检查装置的另一实施例。
图6A示出了根据本公开的实施例的用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的方法。
图6B示出了根据本公开的实施例的用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的另一方法。
图6C示出了根据本公开的实施例的用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的又一方法。
图7示出了根据本公开的实施例的使用本文描述的技术的预测与输入相关性的示例。
图8示出了根据本公开的实施例的当利用带电粒子检查系统对训练衬底进行成像时,增加视场中的图案类型的数目如何提高图案化工艺参数确定的准确度。
图9示出了根据本公开的实施例的带电粒子检查系统的视场尺寸如何影响图案化工艺参数确定(预测)的准确度。
图10是根据本公开的实施例的示例计算机系统的框图。
图11是根据本公开的实施例的另一光刻投影设备的示意图。
图12是根据本公开的实施例的光刻投影设备(例如,图1或图11中所示的光刻投影设备)的部件的更详细视图。
具体实施方式
电子器件由在称为衬底或晶片的硅片上形成的电路构成。许多电路可以在同一硅片上一起形成重复的特征图案,并且被称为集成电路或IC。这些电路的尺寸已经显著减小,使得它们中的许多电路可以安装在衬底上。例如,智能电话中的IC芯片可以小至拇指甲并且还可以包括超过20亿个晶体管,每个晶体管的尺寸小于人发尺寸的1/1000。
制造这些极小的IC是复杂、耗时且昂贵的工艺,通常涉及数百个单独的步骤。甚至一个步骤中的错误都有可能导致成品IC中的缺陷,从而使其无用。因此,制造过程的一个目标是避免这种缺陷,以使工艺中制造的功能IC的数目最大化,即,提高工艺的总产率。
提高产量的一个组成部分是监控芯片制造过程以确保其生产足够数目的功能集成电路。监控该过程的一种方式是在芯片电路结构形成的各个阶段检查芯片电路结构。可使用基于光的系统或扫描电子显微镜(SEM)(作为带电粒子检查系统的示例)进行检查。检查系统可用于对这些极小的结构进行成像,实际上,拍摄这些结构的“照片”。该图像可用于确定结构是否被正确地形成以及其是否形成在正确的位置。如果该结构是有缺陷的,则可以调整工艺,使得缺陷不太可能再次出现。
然而,为了获得关于制造过程的信息,基于光的系统需要在晶片上特别印刷的标记,其占用晶片区域(否则该区域可能用于附加IC),需要特别的光学光校正考虑,并且不提供关于IC的实际特征的信息(而是提供关于用作实际特征的替代物的特别印刷的标记的信息)。
相反,这里描述的一些系统和方法利用SEM(例如)以直接从IC的实际特征确定关于制造工艺的信息,而不需要特别印刷的标记或特别的光学校正考虑。在一些实施例中,这是通过使用SEM以同时从晶片的相对大的区域检查和确定维度,并基于所确定的维度使用多变量回归或机器学习来预测关于制造过程的信息来实现的。
参考附图详细描述本公开的实施例,提供附图作为本公开的说明性示例,以使本领域技术人员能够实践本公开。下面的附图和示例并不意味着将本公开的范围限制为单个实施例,而是通过互换所描述或示出的元素中的一些或全部,其他实施例是可能的。在可以使用已知部件部分地或完全地实施本公开的某些元素的情况下,将仅描述此类已知部件的理解本发明所必需的那些部分,且将省略此类已知部件的其它部分的详细描述,以免混淆本发明。被描述为以软件实施的实施例不应限于此,而是可包括以硬件或软件与硬件的组合实施的实施例,且反之亦然,如所属领域的技术人员将明了,除非本文中另有规定。在本说明书中,示出单个部件的一个实施例不应被认为是限制性的;相反,本公开旨在涵盖包括多个相同部件的其它实施例,反之亦然,除非本文另有明确说明。此外,申请人不打算将说明书或权利要求书中的任何术语赋予不寻常的或特殊的含义,除非明确地这样阐述。本公开包括本文以说明方式提及的已知部件的当前和未来的已知等同物。
虽然在本文中可以具体参考IC的制造,但是应当清楚地理解,本文的描述具有许多其它可能的应用。例如,其可用于制造集成光学系统、磁畴存储器的引导和检测模式、液晶显示器(LCD)面板、薄膜磁头等。本领域技术人员将理解,在这种备选应用的上下文中,本文中术语“掩模版”、“晶片”或“管芯”的任何使用应被认为分别与更通用的术语“掩模”、“衬底”和“目标部分”可互换。
在本文件中,术语“辐射”和“射束”用于涵盖所有类型的电磁辐射,包括紫外辐射(例如,具有365nm、248nm、193nm、157nm或126nm的波长)和EUV(极紫外辐射,例如,具有在约5-100nm范围内的波长)。
本文使用的术语“投影光学系统”应该广义地解释为包括各种类型的光学系统,例如,包括折射光学系统、反射光学系统、孔径和折射反射光学系统。术语“投影光学系统”还可以包括根据这些设计类型中的任何一种类型操作的部件,用于集中或单独地引导、成形或控制投影辐射束。术语“投影光学系统”可以包括光刻投影设备中的任何光学部件,无论光学部件位于光刻投影设备的光学路径上的何处。投影光学器件可以包括用于在辐射穿过(例如,半导体)图案形成装置之前对来自源的辐射进行成形、调整或投影的光学部件,或者用于在辐射穿过图案形成装置之后对辐射进行成形、调整或投影的光学部件。投影光学系统通常不包括源和图案形成装置。
(例如,半导体)图案形成装置可以包括或可以形成一种或多种设计布局。可以利用CAD(计算机辅助设计)程序生成设计布局,该过程通常被称为EDA(电子设计自动化)。大多数CAD程序遵循一组预定的设计规则,以便创建功能设计布局/图案形成装置。这些规则由处理和设计限制设定。举例来说,设计规则限定器件(诸如栅极,电容器等)或互连线之间的空间容差,以便确保器件或线不会以不合需要的方式彼此交互。设计规则可以包括或指定特定参数、对参数范围的限制或其它信息。一个或多个设计规则限制或参数可以被称为“关键尺寸”(CD)。器件的关键尺寸可以被定义为线或孔的最小宽度或两条线或两个孔之间的最小间隔,或其它特征。因此,CD决定了所设计器件的总尺寸和密度。器件制造中的一个目标是(经由图案形成装置)忠实地再现衬底上的原始设计意图。
本文中所使用的术语“掩模”或“图案形成装置”可广义地解释为是指通用半导体图案形成装置,其可用于赋予入射辐射束以和将在衬底的目标部分中产生的图案相对应的图案化横截面;在本文中也可以使用术语“光阀”。除经典掩模(透射型或反射型;二元型、相移型、混合型等),其它这种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。
可编程反射镜阵列的示例可以是具有粘弹性控制层和反射表面的矩阵可寻址表面。这种装置背后的基本原理是(例如)反射表面的寻址区域将入射辐射反射为衍射辐射,而非寻址区域将入射辐射反射为非衍射辐射。使用适当的滤光器,可以将所述未衍射的辐射从被反射的射束中滤除,只留下衍射的辐射;以这种方式,射束根据矩阵可寻址表面的寻址图案而被图案化。可以使用适当的电子装置来执行所需的矩阵寻址。在美国专利号5,229,872中给出了可编程LCD阵列的一个示例,该专利通过引用并入本文。
如本文所使用的,术语“图案化工艺”通常是指作为光刻工艺的一部分,通过施加特定图案的光来产生蚀刻衬底的工艺。然而,“图案化工艺”还可包括(例如,等离子体)蚀刻,因为本文所述的许多特征可提供使用蚀刻(例如,等离子体)处理形成印刷图案的益处。
如本文所使用,术语“图案”意指待被蚀刻在衬底(例如,晶片)上的理想化图案。
如本文所用,“印刷图案”(或衬底上的图案)是指基于目标图案而被蚀刻的衬底上的物理图案。印刷图案可包括例如槽、通道、凹陷、边缘或由光刻工艺产生的其它二维和三维特征。
如本文所用,术语“预测模型”、“工艺模型”、“电子模型”或“模拟模型”(其可互换使用)是指包括模拟图案化工艺的一个或多个模型的模型。例如,模型可以包括光学模型(例如,对用于在光刻工艺中递送光的透镜系统/投影系统进行建模,并且可以包括对到达到光致抗蚀剂上的光的最终光学图像进行建模)、抗蚀剂模型(例如,对抗蚀剂的物理效应进行建模,诸如由于光的化学效应)、光学接近校正(OPC)模型(例如,可以用于制作目标图案并且可以包括亚分辨率抗蚀剂特征(SRAF)等)、蚀刻(或蚀刻偏置)模型(例如,模拟蚀刻工艺对印刷晶片图案的物理效应)或其他模型。
如本文所使用的,术语“校准”意味着修改(例如,改进或调整)或验证某物,诸如模型。
图案形成系统可以是包括上述部件中的任一个或全部部件以及被配置为执行与这些部件相关联的操作中的任一个或全部操作的其它部件的系统。图案形成系统可以包括例如光刻投影设备、扫描仪、被配置为施加或去除抗蚀剂的系统、蚀刻系统或其它系统。
作为介绍,图1是根据一个实施例的光刻投影设备的示意图。光刻投影设备可以包括照射系统IL、第一载物台T、第二载物台WT和投影系统PS。照射系统IL可以调节辐射束B。在该示例中,照射系统还包括辐射源SO。第一载物台(例如,图案形成装置台)T可以设置有图案形成装置保持器,以保持图案形成装置MA(例如,掩模版),并连接到第一定位器,以相对于物品PS精确地定位图案形成装置。第二载物台(例如,衬底台)WT可以设置有衬底保持器以保持衬底W(例如,抗蚀剂涂覆的硅晶片),并且连接到第二定位器以相对于物品PS精确地定位衬底。投影系统(例如,其包括透镜)PS(例如,折射、反射或折射反射光学系统)可以将图案形成装置MA的被照射部分成像到衬底W的目标部分C(例如,包括一个或多个管芯)上。例如,可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置MA和衬底W。
如图所示,该设备可以是透射型的(即,具有透射图案形成装置)。然而,通常,它也可以是反射型的,例如(具有反射图案形成装置)。该设备可以采用不同类型的、用于经典掩模的图案形成装置;示例包括可编程反射镜阵列或LCD矩阵。
源SO(例如,汞灯或准分子激光器,LPP(激光产生的等离子体)EUV源)产生辐射束。例如,该射束被直接或在穿过调节装置(诸如扩束器或射束递送系统BD(包括引导镜、扩束器等))之后馈送到照射系统(照射器)IL中。照射器IL可以包括用于设定射束中强度分布的外部或内部径向范围(通常分别称为σ-外部和σ-内部)的调节装置AD。另外,它通常包括各种其它部件,诸如积分器IN和聚光器CO。以此方式,照射到图案形成装置MA上的射束B在其横截面上具有所需的均匀性和强度分布。
在一些实施例中,源SO可以在光刻投影设备的外壳内(例如,当源SO是汞灯时通常是这种情况),但是它也可以远离光刻投影设备。例如,可以将其产生的辐射束(例如,借助于合适的引导镜)引导到该设备中。后一种情况可以是例如当源SO是准分子激光器(例如,基于KrF、ArF或F2激光)时的情况。
射束B随后可以拦截被保持在图案形成装置台T上的图案形成装置MA。在穿过图案形成装置MA之后,射束B可以通过透镜PL,透镜PL将射束B聚焦到衬底W的目标部分C上。借助于第二定位装置(和干涉测量装置IF),可以精确地移动衬底台WT,例如,以在射束B的路径中定位不同的目标部分C。类似地,第一定位装置可用于例如在从图案形成装置库机械取回图案形成装置MA之后或在扫描期间相对于射束B的路径精确地定位图案形成装置MA。通常,台T、WT的移动可以借助于长行程模块(粗略定位)和短行程模块(精细定位)来实现。然而,在步进机(与步进扫描工具相反)的情况下,图案形成装置台T可以连接到短行程致动器,或者可以是固定的。
所描绘的工具可用于两种不同模式,步进模式和扫描模式。在步进模式中,图案形成装置台T基本上保持静止,并且整个图案形成装置图像在一次操作(即,单次“闪光”)中被投影到目标部分C上。衬底台WT可以在x或y方向上被移动,使得射束B可以照射不同的目标部分C。在扫描模式中,除了给定的目标部分C不在单次“闪光”中被曝光之外,基本上适用相同的场景。相反,图案形成装置台T可在给定方向(例如,“扫描方向”或“y”方向)上以速度v移动,从而使投影光束B在图案形成装置图像上扫描。同时,衬底台WT以速度V=Mv在相同或相反方向上同时被移动,其中M是透镜的放大率(典型地,M=1/4或1/5)。以此方式,可以曝光相对大的目标部分C,而不必损害分辨率。
图2描绘了光刻单元LC的示意图。如图2所示,光刻投影设备(在图1中示出并在图2中示出为光刻设备LA)可以形成光刻单元LC的一部分,有时也称为光刻单元或(光刻)簇,其通常还包括在衬底W上执行曝光前和曝光后工艺的装置。通常,这些包括被配置为沉积抗蚀剂层的旋涂机SC、使曝光的抗蚀剂显影的显影剂DE、冷却板CH和烘烤板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。衬底处理器或机器人RO从输入/输出端口I/O1、I/O2拾取衬底W,在不同的工艺装置之间移动衬底W,并将衬底W递送到光刻设备LA的装载舱LB。通常也统称为轨道的光刻单元中的装置通常在轨道控制单元TCU的控制下,该轨道控制单元TCU本身可以由监督控制系统SCS控制,该监督控制系统SCS也可以例如经由光刻控制单元LACU控制光刻设备LA。
为了使由光刻设备LA曝光的衬底W(图1)将被正确且一致地曝光,需要检查衬底以测量图案化结构的特性,诸如特征边缘放置、后续层之间的套刻误差、线厚度、关键尺寸(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。如果检测到错误,则例如可以对后续衬底的曝光或对要在衬底W上执行的其它处理步骤进行调整,尤其是如果在相同批次或批的其它衬底W仍要被曝光或处理之前进行检查。
也可称为计量装置的检查装置用于确定衬底W(图1)的特性,尤其是不同衬底W的特性如何变化或与同一衬底W的不同层相关联的特性如何逐层变化。检查装置可以备选地被构造成标识衬底W上的缺陷,并且例如可以是光刻单元LC的一部分,或者可以集成到光刻设备LA中,或者甚至可以是独立的装置。检查装置可使用实际衬底(例如,晶片图案的带电粒子—SEM—图像)或实际衬底的图像、在潜像(曝光之后抗蚀剂层中的图像)上、在半潜像(曝光后烘烤步骤PEB之后抗蚀剂层中的图像)上、在显影抗蚀剂图像(其中抗蚀剂的曝光或未曝光部分已被去除)上、在蚀刻图像(在图案转移步骤诸如蚀刻之后)上或以其它方式来测量特性。
图3描绘整体光刻的示意性表示,其表示三种技术之间的协作以优化半导体制造。典型地,光刻设备LA中的图案化工艺是处理中最关键的步骤之一,其要求在衬底W(图1)上的结构的尺寸标注和放置的高精度(图1)。为了确保该高精度,可以将三个系统(在该示例中)组合在如图3中示意性示出的所谓的“整体”控制环境中。这些系统之一是(虚拟地)连接到计量装置(例如,计量工具)MT(第二系统)和计算机系统CL(第三系统)的光刻设备LA。“整体”环境可被配置为优化这三个系统之间的协作以增强整个工艺窗口并提供紧密的控制回路以确保由光刻设备LA执行的图案化停留在工艺窗口内。工艺窗口限定了工艺参数(例如,剂量,焦点,套刻)的范围,在该范围内,特定的制造过程产生限定的结果(例如,功能半导体器件)—典型地,在该范围内,允许光刻工艺或图案化工艺中的工艺参数变化。
计算机系统CL可使用待图案化的设计布局(的一部分)来预测使用哪些分辨率增强技术并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工艺的最大总工艺窗口(在图3中由第一刻度盘SC1中的双箭头描绘)。通常,分辨率增强技术被布置为与光刻设备LA的图案化可能性相匹配。计算机系统CL还可用于检测光刻设备LA当前在工艺窗口内的何处操作(例如,使用来自计量工具MT的输入),以预测是否由于例如次优处理(在图3中由第二刻度盘SC2中指向“0”的箭头描绘)而存在缺陷。
计量装置(工具)MT可以向计算机系统CL提供输入以实现准确的模拟和预测,并且可以向光刻设备LA提供反馈以标识例如在光刻设备LA的校准状态中的可能漂移(在图3中由第三刻度盘SC3中的多个箭头描绘)。
在光刻工艺中,希望对所产生的结构进行频繁的测量,例如,用于工艺控制和验证。进行这种测量的工具包括计量工具(装置)MT。用于进行这种测量的不同类型的计量工具MT是已知的,包括扫描电子显微镜(SEM)或各种形式的散射仪计量工具MT。在一些实施例中,计量工具MT是或包括SEM。
在一些实施例中,计量工具MT是或包括光谱散射仪、椭圆散射仪或其它基于光的工具。光谱散射仪可以被配置为使得由辐射源发射的辐射被引导到衬底的目标特征上,并且来自目标的反射或散射辐射被引导到光谱仪检测器,该光谱仪检测器测量镜面反射辐射的光谱(即,对作为波长的函数的强度的测量)。根据该数据,产生检测光谱的目标的结构或轮廓可以被重建,例如,通过严格的耦合波分析和非线性回归或通过与模拟光谱库比较。椭偏散射仪允许通过测量每个偏振态的散射辐射来确定光刻工艺的参数。这种计量工具(MT)通过在计量装置的照射部分中使用例如适当的偏振滤光器来发射偏振光(诸如线性、圆形或椭圆形)。适用于计量装置的源也可以提供偏振辐射。
如上所述,制造的器件(例如,图案化衬底)可以在制造期间的各个点处进行检查。图4示意性地描绘了带电粒子(电子束)检查装置(系统)50的一般化实施例。在一些实施例中,检查装置50可以是电子束或其他带电粒子检查装置(例如,与扫描电子显微镜(SEM)相同或相似),其产生在衬底上被曝光或转移的结构(例如,诸如集成电路的器件的一些或全部结构)的图像。从电子源54发射的初级电子束52由会聚透镜56会聚,然后穿过射束偏转器58、E×B偏转器60和物镜62,以在焦点处照射衬底台ST上的衬底70。
当用电子束52照射衬底70时,从衬底70产生次级电子。次级电子被E×B偏转器60偏转并被次级电子检测器72检测。二维电子束图像可以通过与例如由射束偏转器58对电子束的二维扫描或与由射束偏转器58对电子束52在X或Y方向上的重复扫描,以及由衬底台ST对衬底70在X或Y方向中的另一个方向上的连续移动同步地检测从样品产生的电子来获得。因此,在一些实施例中,电子束检查装置具有由角度范围限定的电子束的视场,可以由电子束检查装置将电子束提供到该角度范围中(例如,偏转器60可以提供电子束52通过的角度范围)。因此,视场的空间范围是该角度范围的电子束可以撞击到表面(其中表面可以是静止的或者可以相对于视场移动)上的空间范围。
如图4所示,由次级电子检测器72检测的信号可以由模拟/数字(A/D)转换器74转换成数字信号,并且该数字信号可以被发送到图像处理系统76。在一些实施例中,图像处理系统76可具有存储器78以存储数字图像的全部或部分以供处理单元80处理。处理单元80(例如,专门设计的硬件或硬件和软件的组合或包括软件的计算机可读介质)被配置为将数字图像转换或处理为表示数字图像的数据集。在一些实施例中,处理单元80被配置或编程以使得执行本文所述的操作(例如,SEM检查)。此外,图像处理系统76可以具有被配置为在参考数据库中存储数字图像和对应数据集的存储介质82。显示装置84可以与图像处理系统76连接,使得操作者可以在图形用户界面的帮助下执行设备的必要操作。
图5示意性地示出了带电粒子检查装置(系统)的另一实施例。该装置用于检查样品台89上的样品90(诸如图案化衬底),并且包括带电粒子束生成器81、会聚透镜模块99、探针形成物镜模块83、带电粒子束偏转模块88、次级带电粒子检测器模块85、图像形成模块86或其它部件。带电粒子束生成器81生成初级带电粒子束91。会聚透镜模块99对所生成的初级带电粒子束91进行会聚。探针形成物镜模块83将会聚的初级带电粒子束聚焦成带电粒子束探针92。带电粒子束偏转模块88跨越固定在样品台89上的样品90上的感兴趣区域的表面扫描所形成的带电粒子束探针92。在一些实施例中,带电粒子束生成器81、会聚透镜模块83和探针形成物镜模块83、或它们的等效设计、备选方案或它们的任何组合一起形成生成扫描带电粒子束探针92的带电粒子束探针生成器。
次级带电粒子检测器模块85检测在被带电粒子束探针92轰击时从样品表面发射的次级带电粒子93(也可以与来自样品表面的其它反射或散射带电粒子一起),以生成次级带电粒子检测信号94。图像形成模块86(例如,计算设备)与次级带电粒子检测器模块85耦合,以从次级带电粒子检测器模块85接收次级带电粒子检测信号94,并因此形成至少一个扫描图像。在一些实施例中,次级带电粒子检测器模块85和图像形成模块86、或它们的等效设计、备选方案或它们的任何组合,一起形成图像形成装置,该图像形成装置从检测到的次级带电粒子形成扫描图像,该检测到的次级带电粒子从由带电粒子束探针92轰击的样品90发射。
在一些实施例中,监测模块87耦合到图像形成装置的图像形成模块86,以使用从图像形成模块86接收的样品90的扫描图像来监测、控制等图案化工艺或导出用于图案化工艺设计、控制、监测等的参数。在一些实施例中,监测模块87被配置或编程为使得执行本文描述的操作。在一些实施例中,监测模块87包括计算设备。在一些实施例中,监测模块87包括被配置为提供本文描述的功能的计算机程序。在一些实施例中,与例如CD相比,图5的系统中的电子束的探测点尺寸明显较大,使得探测点足够大,从而检查速度可以较快。然而,由于大的探测点,分辨率可能较低。
如上所述,可能希望使用一个或多个工具来产生例如可用于设计、控制、监测等图案化工艺的结果。可以提供在以计算方式控制、设计等图案化工艺的一个或多个方面中使用的一个或多个工具,诸如用于图案形成装置的图案设计(包括例如,添加亚分辨率辅助特征或光学邻近校正)、用于图案形成装置的照射等。相应地,在用于以计算方式控制、设计等涉及图案化的制造过程的系统中,可通过各种功能模块或模型来描述制造系统部件或过程。在一些实施例中,可提供描述图案化工艺的一个或多个步骤或装置的一个或多个电子(例如,数学的、参数化的等)模型。在一些实施例中,可以使用一个或多个电子模型来执行图案化工艺的模拟,以模拟图案化工艺如何使用由图案形成装置提供的设计图案来形成图案化衬底。
可处理来自(例如)图4或图5的系统的图像以提取尺寸、形状、轮廓或描述图像中表示半导体器件结构的物体边缘的其它信息。形状、轮廓或其它信息可以经由度量来量化,诸如在用户定义的切割线处或在其它位置的边缘放置误差(EPE)、CD等。例如,这些形状、轮廓或其它信息可用于优化图案化工艺。
在一些实施例中,图案化工艺的优化可表示为成本函数。优化工艺可以包括找到使成本函数最小化的图案化工艺的一组参数(设计变量、工艺变量等)。取决于优化的目的,成本函数可以具有任何适当的形式。例如,成本函数可以是系统的某些特性(评估点)相对于这些特性的预期值(例如,理想值)的偏差的加权均方根(RMS)。成本函数也可以是这些偏差的最大值(即,最差偏差)。术语“评估点”应广义地解释为包括系统或制造方法的任何特征。图案化工艺的设计或工艺变量可以被限制在有限的范围内,或者由于系统或方法的实现的实用性而相互依赖。在光刻投影设备的情况下,约束通常与硬件的物理特性和特征相关联,诸如可调范围或图案形成装置可制造性设计规则。评估点可以包括衬底图像中的物理点,以及非物理特征,诸如一个或多个蚀刻参数、剂量和焦点等。
在一些实施例中,图案化工艺的优化可基于从非生产、测试或掩模检查晶片获得的检查数据。这种晶片不受来自生产计划、产量要求、产率或质量要求或常规生产图案化工艺的其它要求的压力的影响。
焦点、剂量或其它图案化工艺参数可以是光刻工艺的基本参数,并且能够使用印刷晶片(图案化衬底)精确地确定这些参数是有利的。诸如基于衍射的聚焦(DBF)和基于像散的聚焦(ABF)的当前基于光学的方法需要在晶片上印刷特别设计的标记。标记的尺寸减小了晶片的可用面积(例如,这减小了可在给定晶片上产生的IC的数目)。这些方法还需要特殊的光学邻近校正(OPC)考虑,并且不提供关于实际IC器件的信息(而是提供关于用作实际IC器件的替代物的特别设计的标记的信息)。此外,诸如DBF的方法不适于EUV应用,至少因为与EUV图案化工艺相关联的抗蚀剂层的厚度。最后,这些方法中没有一种方法能够用单次测量提供关于多个不同图案化工艺参数(例如,剂量和焦点)的信息。
有利地,本公开描述了用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的技术。基于直接从图案化衬底的特征(例如,不是IC的一部分的非特殊标记)获得的测量来确定一个或多个图案化参数。该技术不需要特殊的OPC考虑,并且可以基于来自单次测量的信息确定多个图案化工艺参数。
图6A示出了用于确定由图案形成系统所使用的一个或多个图案化参数的示例性方法600。基于来自使用带电粒子检查系统对图案化衬底的维度的检查来确定一个或多个图案化参数。方法600包括:用带电粒子检查系统(例如,SEM)检查(操作602)图案化衬底(例如,晶片),基于一个或多个图案化参数与图案化衬底的所确定的一个或多个维度之间的关系确定(操作604)一个或多个图案化参数,确定(操作606)所确定的图案化参数与图案形成系统的对应的设定点之间的偏移,以及基于偏移或其它操作调整(操作608)图案形成系统。作为一个可能的示例,一个或多个图案化参数可以是剂量和焦点,图案形成系统可以是用于图案化诸如半导体晶片的衬底的扫描仪,并且带电粒子检查系统可以是SEM。
在一些实施例中,一种非暂态计算机可读介质存储指令,这些指令在由计算机执行时使该计算机执行操作602-608或其他操作中的一个或多个操作。方法600的操作是说明性的。在一些实施例中,方法600可以用一个或多个未描述的附加操作来完成,或者不用一个或多个所讨论的操作来完成。例如,在一些实施例中,可以从方法600中去除操作606或608。附加地,方法600的操作在图6A中示出并且在此描述的顺序不旨在是限制性的。
在操作602,用带电粒子检查系统检查图案化衬底。检查图案化衬底以确定图案化衬底的一个或多个维度、检测缺陷或确定其它信息。一个或多个确定的维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)、局部放置误差(LPE)、局部关键尺寸均匀性(LCDU)、线边缘粗糙度(LER)和线宽粗糙度(LWR)或其它维度。缺陷可以包括图案偏移、随机缺陷和/或其它缺陷。
例如,带电粒子检查系统可以是或包括扫描电子显微镜(例如,如图4和图5所示以及如上所述),或诸如多束带电粒子检查系统的其他带电粒子检查系统。带电粒子检查系统被配置为生成包括描述图案中轮廓的几何形状的信息或与几何形状相关的信息的图像。例如,图案中轮廓的几何形状可以是二维几何形状。图像包括描述轮廓的特征的数据(例如,诸如X-Y维数据点,描述几何形状的数学等式等)、与轮廓相关联的处理参数或其它数据。图像还可包括3D信息,诸如关于埋藏在一个或多个子层中的特征的信息、来自先前层的先前检查的数据、由生成检查图像的用户操作检查系统选择和输入的信息、或其它信息。
使用图案形成系统和一个或多个图案化参数产生图案化衬底。在一些实施例中,用光刻系统或单独的光刻系统制造图案化衬底,该光刻系统可以是或包括上述LA、与图案化工艺相关联的另一扫描仪或其它部件。
在操作604,确定一个或多个图案化参数。在一些实施例中,一个或多个图案化参数(和图案形成系统)与极紫外(EUV)图案化工艺相关联。一个或多个图案化参数可以包括例如用于EUV图案化工艺的焦点和剂量,或其它参数。基于一个或多个图案化参数与图案化衬底的所确定的一个或多个维度之间的关系来确定一个或多个图案化参数。
该关系是基于来自训练衬底的训练维度来确定的,该训练衬底用跨图案化工艺窗口变化的一个或多个训练参数来被图案化。使用带电粒子检查系统检查训练衬底,同时在视场中具有最小阈值数目的图案类型。训练衬底可以是非生产、测试或掩模检查晶片。这种晶片不受来自生产计划、产量要求、产率或质量要求或常规生产图案化工艺的其它要求的压力的影响。非生产晶片可以利用与生产晶片(其使用常规生产图案化工艺)不同的图案化工艺,包括与将在常规生产图案化工艺中使用的相比不同的、跨工艺窗口上变化的图案化参数设定点。
与其它带电粒子检查系统相比,带电粒子检查系统具有相对宽的视场。例如,带电粒子检查系统可以具有至少2微米宽的视场。在一些实施例中,带电粒子检查系统可以具有至少3微米宽的视场。在一些实施例中,带电粒子检查系统可以具有至少四微米宽的视场。在一些实施例中,带电粒子检查系统可以具有至少5微米宽的视场。
相对宽的视场便于同时检查视场中最小阈值数目的图案类型。在一些实施例中,最小阈值数目的图案类型是五个图案类型。在一些实施例中,最小阈值数目的图案类型是四个图案类型。在一些实施例中,最小阈值数目的图案类型是三个图案类型。在一些实施例中,最小阈值数目的图案类型是两个图案类型。
图案类型包括图案化衬底的多个特征中的一个特征,该多个特征不同地响应于图案化参数跨图案化工艺窗口的的变化。作为图案化参数的两个非限制性示例,不同地响应于图案化参数的变化的图案类型可以不同地响应于焦点或剂量的变化。不同地响应可以指维度(例如,CD,LCDU,LPE,EPE等)从一种图案类型到另一种图案类型不同地变化(其可以经由多变量回归或其它方法分析以确定如下所述的信息),因为一个或多个图案化参数被改变(例如,焦点,剂量等)。例如,不同地响应于参数的变化的图案类型可以包括图案中不同形状的特征(例如,圆形通孔与椭圆形通孔)、图案中由不同结构包围的相同特征(例如,由第一组其它结构包围的圆形通孔与由第二组其它结构包围的圆形通孔)、或其它图案类型。
图案化工艺窗口包括与常规生产图案化工艺相关联的一个或多个图案化参数的变化。在一些实施例中,常规图案化工艺是半导体制造工艺。常规生产图案化工艺可以包括在生产一定体积的图案化衬底的正常过程中使用的任何图案化工艺。常规生产图案化工艺可具有若干工艺步骤,该若干工艺步骤各自具有限定用于生产图案化衬底(例如,其可以包括功能集成电路)的工艺窗口的参数。这里,利用跨图案化工艺窗口变化的一个或多个训练参数对训练衬底进行图案化可以包括:根据焦点曝光矩阵(FEM)利用焦点和剂量参数设定点值对训练衬底进行图案化,在图案化期间,焦点和剂量参数设定点值各自针对焦点和剂量值跨典型的工艺窗口以随机(但记录的)方式变化。
使用带电粒子检查系统从训练衬底确定训练维度。如上所述,带电粒子检查系统具有视场(例如,两微米宽),该视场被配置为在视场中的训练衬底上包括最小阈值数目的图案类型(例如,三种图案类型)。基于视场中最小阈值数目的图案类型来确定训练维度。用视场中的最小阈值数目的图案类型确定训练维度产生更独立的维度值,这些维度值向回归或机器学习模型提供更多信息(与来自单个图案类型的维度相比),并且增强所测量的维度与用于产生图案化衬底的图案化工艺参数之间的所确定关系的预测质量(下面更详细地描述)。
在一些实施例中,使用多变量回归确定图案化参数和确定的维度之间的关系。多变量回归包括用于确定多个因变量(例如,焦点,剂量或其它图案化参数)和多个自变量(例如,如上所述的测量维度,例如CD、CDU、EPE、LPE等)之间的关系的数学过程。继续上述示例图案化参数和测量维度,多变量回归使用测量维度(CD、CDU、EPE、LPE等)和随机(但记录的)焦点和剂量设定点值以确定测量维度和图案化参数之间的关系。该关系然后可用于基于来自新的图案化衬底的(例如,在相同的测量位置中测量的)测量维度来预测或以其他方式确定新的图案化衬底的图案化参数。在一些实施例中,用作多变量回归的输入的测量维度包括输入维度的不同多项式阶,以提高预测准确度或出于其它原因。这提高了预测准确度,因为例如特定维度可能不会线性地响应于变化的工艺参数。在一些实施例中,多变量回归包括线性回归、多项式回归、基于机器学习的非线性回归或其它回归。
在一些实施例中,图案化参数和确定的维度之间的关系由使用训练维度和训练参数训练的、基于机器学习的预测模型确定。换句话说,确定关系包括训练模型。通过向基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入来训练基于机器学习的预测模型。
在一些实施例中,基于机器学习的预测模型可以是或包括数学等式、算法、绘图、图表、网络(例如,神经网络)、或其他工具和机器学习模型组件。例如,机器学习模型可以是或包括具有输入层、输出层和一个或多个中间层或隐藏层的一个或多个神经网络。在一些实施例中,一个或多个神经网络可以是或包括深度神经网络(例如,在输入和输出层之间具有一个或多个中间层或隐藏层的神经网络)。
作为一个示例,一个或多个神经网络可以基于神经单元(或人工神经元)的大集合。一个或多个神经网络可以宽松地模拟生物脑工作的方式(例如,通过由轴突连接的大簇生物神经元)。神经网络的每个神经单元可以与神经网络的许多其它神经单元连接。这种连接可以加强或抑制它们对连接的神经单元的激活状态的影响。在一些实施例中,每个单独的神经单元可以具有将其所有输入的值组合在一起的求和函数。在一些实施例中,每个连接(或神经单元本身)可以具有阈值函数,使得信号在被允许传播到其他神经单元之前必须超过该阈值。这些神经网络系统可以是自学习和训练的,而不是显式编程的,并且与传统的计算机程序相比,可以在问题解决的某些领域中执行得显著更好。在一些实施例中,一个或多个神经网络可以包括多个层(例如,其中信号路径从前层穿越到后层)。在一些实施例中,神经网络可利用反向传播技术,其中正向刺激用于重置“前”神经单元上的权重。在一些实施例中,对一个或多个神经网络的刺激和抑制可以是更自由流动的,其中连接以更混乱和复杂的方式相互作用。在一些实施例中,一个或多个神经网络的中间层包括一个或多个卷积层、一个或多个循环层或其它层。
可以使用一组训练数据(例如,真实值)来训练一个或多个神经网络(即,确定其参数)。训练数据可以包括一组训练样本。每个样本可以是包括输入对象(例如,来自图案化的训练衬底的一个或多个测量维度)和期望的输出值(也称为监督信号,例如,用于产生图案化的训练衬底的已知焦点或剂量)的对。训练算法分析训练数据并通过基于训练数据调整神经网络的参数(例如,一层或多层的权重)来调整神经网络的行为。例如,给定N个训练样本的形式为{(x1,y1),(x2,y2),…,(xN,yN)}的集合,使得xi是第i个示例的特征向量(例如,测量的维度)并且yi是其监督信号(例如,一个或多个已知的图案化参数),训练算法寻找神经网络g:X→Y,其中X是输入空间并且Y是输出空间。特征向量是表示某个对象(例如,晶片维度等)的数值特征的n维向量。在训练之后,神经网络可用于使用新样品(例如,常规生产晶片)进行预测。在一些实施例中,操作604包括应用训练的(在来自训练衬底的维度上训练的)模型,使用从常规生产衬底确定(例如,在训练衬底上使用的相同测量位置中测量)的维度作为输入,以确定(或输出)一个或多个图案化参数(例如,焦点和剂量)。
在操作606,确定所确定的图案化参数和图案形成系统的对应的设定点之间的偏移(如果存在这样的偏移)。偏移是所确定的图案化参数和图案形成系统的对应的设定点之间的差。例如,在用于产生图案化晶片的图案化工艺中使用的剂量或焦点的设定点可以是D1或F1。然而,上述基于多变量回归或机器学习的预测模型可以基于由带电粒子检查系统从图案化衬底确定的维度来确定由扫描仪用于图案化工艺的实际剂量或焦点是D2或F2。在一些实施例中,这些值之间可以没有差异。然而,这种差异(例如,D1对D2或F1对F2)可能导致图案化工艺中的变化,该变化在图案化的晶片中产生缺陷、妨碍产量、或具有其它后果。
在操作608,基于偏移调整图案形成系统(如果需要)。调整图案形成系统可以包括改变图案形成系统的一个或多个图案化参数。图案化参数可由处理器(例如,计算机控制器)自动或以其它方式电子调节、由用户手动调节、或以其它方式调节。在一些实施例中,可确定图案化工艺参数调整(例如,应改变给定参数的量),并且例如可将图案化工艺参数从先前参数设定点调整到新参数设定点。在一些实施例中,所确定或调整的图案化工艺参数包括剂量或焦点,但也可以或替代地包括光瞳形状、功率设置或其它半导体器件制造工艺参数。例如,如果工艺参数是新的剂量,则扫描仪可以从旧的或先前的剂量调整到确定的(例如,新的)剂量。可以设想几个其它类似的示例。
图6B和图6C示出了用于使用带电粒子检查系统来确定由图案形成系统所使用的一个或多个图案化参数的附加或备选方法610和630。在一些实施例中,方法610或630的一个或多个操作可以与上述方法600的一个或多个操作相同或重叠。在一些实施例中,方法610或630的一个或多个操作可以与方法600的一个或多个操作结合使用。在一些实施例中,方法600、610和630的操作中的每一个操作可以被混合和匹配以形成图6A、图6B或图6C中未示出的方法,但是其操作中的每一个操作在此被描述。
在一些实施例中,类似于图6A所示的方法600,非暂态计算机可读介质(例如,与图6A的操作相关联的介质相同或类似的介质)存储指令,当由计算机执行该指令时,该指令使得计算机执行操作612-624(图6B),操作632-640(图6C)或其他操作中的一个或多个操作。方法610和630的操作也是说明性的。在一些实施例中,方法610和630可以用未描述的一个或多个附加操作来完成,或者不用一个或多个所讨论的操作来完成。附加地,方法610和630的操作在图6B和图6C中示出并且在本文描述的顺序不旨在是限制性的。如上所述,方法610和630的许多操作对应于上述方法600的操作,并且方法600的操作的描述适用于方法610和630的对应操作(因此在下面可以不再重复)。
方法610包括:利用跨工艺窗口变化的一个或多个训练参数对训练衬底进行图案化(操作612);根据训练衬底确定训练维度(操作614);确定训练参数与训练维度之间的关系(操作616);利用带电粒子检查系统检查图案化衬底(操作618)以确定图案化衬底的一个或多个维度;基于该关系和图案化衬底的所确定的一个或多个维度确定一个或多个图案化参数(操作620);确定所确定的图案化参数与图案形成系统的对应的设定点之间的偏移(操作622);以及基于该偏移或其他操作调整图案形成系统(操作624)。在一些实施例中,一个或多个图案化参数和图案形成系统与极紫外(EUV)图案化工艺相关联。在一些实施例中,图案形成系统是或包括在半导体光刻工艺中使用的扫描仪,并且带电粒子检查系统是SEM。
在操作612,使用跨工艺窗口变化的一个或多个训练参数来图案化训练衬底。工艺窗口包括与常规生产图案化工艺相关联的一个或多个图案化参数的变化。在一些实施例中,训练参数包括训练剂量、训练焦点(跨FEM矩阵变化)或其他训练参数(例如,如上所述)。
在操作614,确定来自训练衬底的训练维度。使用所述带电粒子检查系统确定训练维度。带电粒子检查系统具有视场(例如,至少2微米宽),其被配置为在视场中的训练衬底上包括最小阈值数目的图案类型(例如,如上所述)。此外,图案类型包括图案化衬底的多个特征中的一个特征,该多个特征不同地响应于训练参数跨工艺窗口的变化。基于视场中最小阈值数目的图案类型(例如,三个图案类型)来确定训练维度。在一些实施例中,训练维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)、局部放置误差(LPE)或其它维度。
在操作616,确定训练参数和训练维度之间的关系。该关系(1)使用多变量回归或(2)通过使用训练维度和训练参数训练的、基于机器学习的预测模型来确定。多变量回归包括线性回归、多项式回归、基于机器学习的非线性回归、或其它回归。通过向基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入(例如,如上所述)来训练基于机器学习的预测模型。
在操作618,用带电粒子检查系统检查图案化衬底以确定图案化衬底的一个或多个维度。使用图案形成系统和一个或多个图案化参数产生图案化衬底。如上所述,一个或多个图案化参数可以是或包括特定的焦点和剂量。
在操作620,基于该关系和图案化衬底的一个或多个确定的维度来确定一个或多个图案化参数。例如,一个或多个确定的维度可以用作多变量回归或基于机器学习的预测模型的输入,然后基于该输入输出一个或多个图案化参数。
在操作622,确定所确定的图案化参数和图案形成系统的对应的设定点之间的偏移。在操作624,基于偏移调整图案形成系统。
方法630包括:确定(操作632)训练参数和训练维度之间的关系,用带电粒子检查系统(例如,SEM)检查(操作634)生产衬底(例如,晶片),应用(操作636)该关系以基于所确定的图案化衬底的维度来确定一个或多个图案化参数,确定(操作638)所确定的图案化参数和图案形成系统的对应的设定点之间的偏移,以及基于该偏移调整(操作640)图案形成系统,或其他操作。与方法610一样,在一些实施例中,一个或多个图案化参数和图案形成系统与极紫外(EUV)图案化工艺相关联。在一些实施例中,图案形成系统是或包括在半导体光刻工艺中使用的扫描仪,并且带电粒子检查系统是SEM。
在操作632,确定训练参数和训练维度之间的关系。如上所述,用跨工艺窗口变化的一个或多个训练参数来图案化训练衬底。使用带电粒子检查系统从训练衬底确定训练维度;并且(1)使用多变量回归或(2)通过使用训练维度和训练参数训练的、基于机器学习的预测模型来确定该关系。
在操作634,用带电粒子检查系统(例如,SEM)检查生产衬底(例如,晶片)。使用图案形成系统和一个或多个图案化参数来制造生产衬底。生产衬底可以用常规图案化工艺生产。如上所述,常规图案化工艺是半导体制造工艺。常规生产图案化工艺可以包括在生产一定体积的图案化衬底的正常过程中使用的任何图案化工艺。常规生产图案化工艺可具有若干工艺步骤,该若干工艺步骤各自具有限定用于生产图案化衬底(例如,其可以包括功能集成电路)的工艺窗口的参数。
在操作636,应用该关系以基于所确定的图案化衬底的维度来确定一个或多个图案化参数。这可以包括:应用训练(在来自训练衬底的维度上训练)的模型,使用从常规生产图案化衬底确定的维度作为输入(例如,基于图案化衬底的一个或多个确定的维度),以确定(或输出)一个或多个图案化参数(例如,焦点和剂量)。这还可以包括使用由多变量回归确定的关系,以及使用从常规生产图案化衬底确定的维度作为输入,以确定(或输出)一个或多个图案化参数。
在操作638,确定所确定的图案化参数和图案形成系统的对应的设定点之间的偏移。在操作640,基于偏移调整图案形成系统(如上所述)。
图7示出了使用本文描述的技术的预测与输入相关性的示例。换言之,图7示出了本文所描述的技术按预期工作的证据。图7示出了工艺参数设定点708、710、712和714与工艺参数确定(预测)716、718、720、722之间的相关性700、702、704和706,这些工艺参数确定(预测)716、718、720、722是经由多变量回归或基于机器学习的预测模型作出的,如本文所述。在训练阶段进行相关性700和704,并且在验证阶段进行相关性702和706。对焦点进行相关性700和702,对剂量进行相关性704和706。如图7所示,每个斜率和R2(拟合优度)值都非常接近1.000,指示工艺参数设定点708-714和工艺参数确定(预测)716-722之间的强相关性。
为了产生图7所示的数据,根据焦点曝光矩阵(FEM-如上所述)曝光多个训练晶片。确定五种不同图案类型的CD和CDU数据。如图7所示,使用本文所述的技术导致焦点和剂量两者的图案化参数确定(预测)准确度超过95%。与现有技术不同,该结果是通过在生产图案特征区域(不在特殊标记上)内进行测量,使用实际IC图案获得的,并且剂量和焦点两者都是使用成像区域的相同数据确定的。
为了产生图7中所示的数据,使用所获得的约90%的数据来训练基于回归或机器学习的模型(例如,在上述训练阶段中使用的模型),并且使用其余数据来验证图案化参数确定(预测)准确度(例如,在上述验证阶段中使用的)。对于验证阶段(相关性702和706),焦点预测(参见相关性702)具有约98.1%的R2相关性(约+/-10nm的焦点准确度);并且剂量预测(参见相关性706)具有约98.7%的R2(约+/-0.3mJ的剂量准确度)。
图8示出了当利用带电粒子检查系统对训练衬底进行成像时增加视场中的图案类型的数目如何提高(最终)图案化工艺参数确定(预测)的准确度。图8示出了对于焦点806和剂量808(注意,剂量808仅需要一个图案类型804)两者,R2值802(例如,指示实际值和预测值之间的拟合优度)如何随着图案类型804的数目增加(增加到三个或更多)而增加超过0.9的下限并接近1.0。图8还示出了针对当焦点816和剂量818的图案类型814的数目为三个或更多时(再次注意,剂量818仅需要一种图案类型814),预测的与实际的图案化工艺参数值的斜率812如何在0.9的下限和1.1的上限之间(并且非常接近1.0)。如图8所示,当使用一种或甚至两种图案类型时,预测拟合优度(例如,对于焦点806,816)可以低于0.9,并且斜率不太接近1.0。图案类型804、814越多,图案化工艺参数确定(预测)的准确度越好。
视场中图案类型的数目与带电粒子检查系统的视场尺寸相关。视场的尺寸调节适合视场的图案类型的数目。图9示出了带电粒子检查系统的视场的尺寸(宽度)如何影响(最终)图案化工艺参数确定(预测)准确度。图9示出了对于焦点906和剂量908两者,R2值902(例如,指示实际值和预测值之间的拟合优度)如何随着视场的尺寸(宽度)904增加(例如,超过2000nm或2微米)而增加超过0.9的下限并接近1.0。如图9所示,当视场尺寸(宽度)904小于2微米时,R2值小于0.9。视场越大,预测越准确。
图10是可用于本文所述的一个或多个操作的示例计算机系统CS(其可与图3所示的CL相似或相同)的图。计算机系统CS包括用于传送信息的总线BS或其它通信机制,以及与总线BS耦合的处理器PRO(或多个处理器),用于处理信息。计算机系统CS还包括耦合到总线BS的主存储器MM,诸如随机存取存储器(RAM)或其它动态存储设备,用于存储信息和将由处理器PRO执行的指令。主存储器MM还可以用于在由处理器PRO执行指令期间存储临时变量或其它中间信息。计算机系统CS还包括耦合到总线BS的只读存储器(ROM)ROM或其它静态存储设备,用于为处理器PRO存储静态信息和指令。诸如磁盘或光盘的存储设备SD被提供并耦合到总线BS,用于存储信息和指令。
计算机系统CS可以经由总线BS耦合到显示器DS,诸如阴极射线管(CRT)或平板或触摸面板显示器,用于向计算机用户显示信息。包括字母数字键和其它键的输入设备ID耦合到总线BS,用于向处理器PRO传送信息和命令选择。另一种类型的用户输入设备是光标控制CC,诸如鼠标、跟踪球或光标方向键,用于向处理器PRO传送方向信息和命令选择,以及用于控制显示器DS上的光标移动。该输入设备通常在两个轴(第一轴(例如,x)和第二轴(例如,y))上具有两个自由度,这允许设备指定平面中的位置。触摸面板(屏幕)显示器也可以用作输入设备。
在一些实施例中,本文描述的一个或多个方法的部分可以由计算机系统CS响应于处理器PRO执行被包含在主存储器MM中的一个或多个指令的一个或多个序列而执行。这样的指令可以从诸如存储设备SD的另一计算机可读介质读入主存储器MM。包括在主存储器MM中的指令序列的执行使处理器PRO执行本文描述的过程步骤(操作)。多处理装置中的一个或多个处理器也可用于执行主存储器MM中所包含的指令序列。在一些实施例中,可以使用硬连线电路来代替软件指令或与软件指令相结合。因此,这里的描述不限于硬件电路和软件的任何特定组合。
本文使用的术语“计算机可读介质”是指参与向处理器PRO提供指令以供执行的任何介质。这种介质可以采用许多形式,包括但不限于非易失性介质、易失性介质和传输介质。非易失性介质包括例如光盘或磁盘,诸如存储设备SD。易失性介质包括动态存储器,诸如主存储器MM。传输介质包括同轴电缆、铜线和光纤,包括有包括总线BS的导线。传输介质还可以采用声波或光波的形式,诸如在射频(RF)和红外(IR)数据通信期间产生的声波或光波。计算机可读介质可以是非暂态的,例如软盘、柔性盘、硬盘、磁带、任何其它磁性介质、CD-ROM、DVD、任何其它光学介质、穿孔卡片、纸带、具有孔图案的任何其它物理介质、RAM、PROM、EPROM、FLASH-EPROM、任何其它存储器芯片或盒式存储器。非暂态计算机可读介质可具有记录于其上的(机器可读)指令。当由计算机执行时,这些指令可以实现本文描述的任何操作。例如,暂态计算机可读介质可以包括载波或其它传播电磁信号。
各种形式的计算机可读介质可涉及将一个或多个机器可读指令的一个或多个序列携带到处理器PRO以供执行。例如,指令最初可以承载在远程计算机的磁盘上。远程计算机可以将指令加载到其动态存储器中,并使用调制解调器通过电话线发送指令。计算机系统CS本地的调制解调器可以接收电话线上的数据,并使用红外发射器将数据转换为红外信号。耦合到总线BS的红外检测器可以接收红外信号中携带的数据并将该数据置于总线BS上。总线BS将数据携带到主存储器MM,处理器PRO从主存储器MM检索并执行指令。由主存储器MM接收的指令可以可选地在由处理器PRO执行之前或之后存储在存储设备SD上。
作为一个示例,对于SEM(例如,如上所述),可以提供计算机可读介质,该计算机可读介质存储用于控制器(例如,CS)的处理器(PRO)的指令,以执行图像检查、图像获取、激活带电粒子源、调节消像散器的电激励、调节电子的着陆能量、调节物镜激励、调节次级电子检测器位置和取向、工作台运动控制、分束器激励、将扫描偏转电压施加到射束偏转器、接收和处理与来自电子检测器的信号信息相关联的数据、配置静电元件、检测信号电子、调节控制电极电势、调节施加到电子源、提取器电极和样品的电压等。
计算机系统CS还可以包括耦合到总线BS的通信接口CI。通信接口CI提供耦合到连接到局域网LAN的网络链路NDL的双向数据通信。例如,通信接口CI可以是综合业务数字网(ISDN)卡或调制解调器,以提供到对应类型电话线的数据通信连接。作为另一示例,通信接口CI可以是局域网(LAN)卡,以提供到兼容LAN的数据通信连接。也可以实现无线链路。在任何这样的实现中,通信接口CI发送和接收携带表示各种类型的信息的数字数据流的电、电磁或光信号。
网络链路NDL通常通过一个或多个网络向其它数据设备提供数据通信。例如,网络链路NDL可以提供通过局域网LAN到主计算机HC的连接。这可以包括通过全球分组数据通信网络(现在通常称为“因特网”INT)提供的数据通信服务。局域网LAN(因特网)可以使用承载数字数据流的电、电磁或光信号。通过各种网络的信号和网络数据链路NDL上的信号以及通过通信接口CI的信号(其将数字数据携带到计算机系统CS并从计算机系统CS携带数字数据)是传输信息的载波的示例性形式。
计算机系统CS可以通过(多个)网络、网络数据链路NDL和通信接口CI发送消息和接收数据,包括程序代码。在因特网示例中,主机HC可以通过因特网INT、网络数据链路NDL、局域网LAN和通信接口CI发送应用程序的请求代码。例如,一个这样的下载的应用程序可以提供本文描述的方法的全部或部分。所接收的代码可以在其被接收时由处理器PRO执行,或者被存储在存储设备SD或其它非易失性存储器中以供以后执行。以此方式,计算机系统CS可以获得载波形式的应用程序代码。
图11是另一光刻投影设备(LPA)的示意图,其可用于或促进本文所述的一个或多个操作。图11所示的LPA与图1所示的设备相似或相同。LPA可以包括源收集器模块SO、被配置为调节辐射束B(例如,EUV辐射)的照射系统(照射器)IL、图案形成装置台T、衬底台WT和投影系统PS。图案形成装置台T可构造成支撑图案形成装置(例如,掩模或掩模版)MA,并连接到配置为精确定位图案形成装置的第一定位器PM。衬底台(例如,晶片台)WT可以被构造为保持衬底(例如,涂覆有抗蚀剂的晶片)W,并且连接到被配置为精确定位衬底的第二定位器PW。投影系统(例如,反射投影系统)PS可以被配置为将由图案形成装置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。
如该示例所示,LPA可以是反射型的(例如,采用反射图案形成装置)。应注意,因为大多数材料在EUV波长范围内是吸收性的,所以图案形成装置可具有包括例如钼和硅的多叠层的多层反射器。在一个示例中,多叠层反射器具有40层钼和硅的对,其中每层的厚度是四分之一波长。使用X射线光刻可以产生甚至更小的波长。由于大多数材料在EUV和x射线波长处是吸收性的,所以图案形成装置形貌上的图案化吸收材料的薄片(例如,多层反射器顶部上的TaN吸收体)限定特征将印刷(正性抗蚀剂)或不印刷(负性抗蚀剂)的位置。
照射器IL可以从源收集器模块SO接收极紫外辐射束。产生EUV辐射的方法包括但不必限于将材料转换成具有至少一种元素(例如,氙,锂或锡)的等离子体状态,其中一条或多条发射线在EUV范围内。在一种这样的方法中,通常称为激光产生的等离子体(“LPP”),可以通过用激光束照射燃料,诸如具有线发射元素的材料的液滴、流或簇来产生等离子体。源收集器模块SO可以是包括激光器(图11中未示出)的EUV辐射系统的一部分,用于提供激发燃料的激光束。所得到的等离子体发射输出辐射,例如,EUV辐射,其使用设置在源收集器模块中的辐射收集器来被收集。激光器和源收集器模块可以是分离的实体,例如当使用CO2激光器来提供用于燃料激发的激光束时。在该示例中,激光器可以不被认为形成光刻设备的一部分,并且辐射束可以借助于包括例如合适的引导镜或扩束器的射束递送系统从激光器传递到源收集器模块。在其它示例中,源可以是源收集器模块的整体部分,例如当源是放电产生的等离子体EUV生成器(通常称为DPP源)时。
照射器IL可以包括用于调节辐射束的角强度分布的调节器。通常,可以调节照射器的光瞳平面中的强度分布的至少外部或内部径向范围(通常分别称为σ-外部和σ-内部)。附加地,照射器IL可以包括各种其它部件,诸如琢面场和光瞳反射镜装置。照射器可以用于调节辐射束,以在其横截面中具有期望的均匀性和强度分布。
辐射束B可以入射到由图案形成装置台T保持的图案形成装置(例如,掩模)MA上,并由图案形成装置图案化。在从图案形成装置(例如,掩模)MA反射之后,辐射束B穿过投影系统PS,投影系统PS将射束聚焦到衬底W的目标部分C上。借助于第二定位器PW和位置传感器PS2(例如,干涉测量装置,线性编码器或电容传感器),衬底台WT可以被精确地移动(例如,以将不同的目标部分C定位在辐射束B的路径中)。类似地,第一定位器PM和另一位置传感器PS1可用于相对于辐射束B的路径精确地定位图案形成装置(例如,掩模)MA。可以使用图案形成装置对准标记M1、M2和衬底对准标记P1、P2来对准图案形成装置(例如,掩模)MA和衬底W。
所描绘的设备LPA可用于以下模式中的至少一者:步进模式、扫描模式和静止模式。在步进模式中,图案形成装置台T和衬底台WT保持基本静止,而赋予辐射束的整个图案被同时投影到目标部分C上(例如,单次静态曝光)。然后,在X或Y方向上移动衬底台WT,从而可以曝光不同的目标部分C。在扫描模式中,图案形成装置台T和衬底台WT被同步扫描,同时将赋予辐射束的图案投影到目标部分C上(即,单次动态曝光)。衬底台WT相对于图案形成装置台T的速度和方向可以由投影系统PS的(缩小)放大率和图像反转特性来确定。在静止模式中,保持可编程图案形成装置的图案形成装置台T基本上保持静止,并且移动或扫描衬底台WT,同时将赋予辐射束的图案投影到目标部分C上。在该模式中,通常采用脉冲辐射源,并且在衬底台WT的每次移动之后或在扫描期间的连续辐射脉冲之间,根据需要更新可编程图案形成装置。这种操作模式可以容易地应用于利用可编程图案形成装置的无掩模光刻,诸如上述类型的可编程反射镜阵列。
图12是图11(或图1)中所示的光刻投影设备的更详细的视图。如图12所示,LPA可以包括源收集器模块SO、照射系统IL和投影系统PS。源收集器模块SO被配置为使得可以在源收集器模块SO的封闭结构220中维持真空环境。可通过放电产生的等离子体源形成EUV辐射发射等离子体210。EUV辐射可由气体或蒸气产生,例如Xe气体、Li蒸气或Sn蒸气,其中产生热等离子体210以发射电磁频谱的EUV范围内的辐射。例如,通过引起至少部分电离的等离子体的放电产生热等离子体210。为了有效地生成辐射,可能需要例如10Pa的Xe、Li、Sn蒸气或任何其它合适的气体或蒸气的分压。在一些实施例中,提供激发锡(Sn)的等离子体以产生EUV辐射。
由热等离子体210发射的辐射从源室211经由可选的气体屏障或污染物捕集器230(在一些情况下也称为污染物屏障或箔陷阱)进入收集器室212,气体屏障或污染物捕集器230被定位在源室211中的开口中或后面。污染物捕集器230可以包括通道结构。污染物捕集器230还可包括气体屏障或气体屏障和通道结构的组合。污染物捕集器或污染物阻挡捕集器230(下面描述)还包括通道结构。收集器室211可以包括辐射收集器CO,其可以是掠入射收集器。辐射收集器CO具有上游辐射收集器侧251和下游辐射收集器侧252。穿过收集器CO的辐射可以被光栅光谱滤光器240反射,以沿着由线“O”指示的光轴聚焦在虚拟源点IF上。虚拟源点IF通常被称为中间焦点,并且源收集器模块被布置成使得中间焦点IF位于封闭结构220中的开口221处或附近。虚拟源点IF是辐射发射等离子体210的图像。
随后,辐射穿过照射系统IL,照射系统IL可以包括琢面场反射镜装置22和琢面光瞳反射镜装置24,琢面场反射镜装置22和琢面光瞳反射镜装置24被布置为在图案形成装置MA处提供辐射束21的期望的角分布以及在图案形成装置MA的辐射强度的期望均匀性。当在由图案形成装置台T保持的图案形成装置MA处反射辐射束21时,形成图案化的射束26,并且图案化的射束26由投影系统PS经由反射元件28、30成像到由衬底台WT保持的衬底W上。在照射光学单元IL和投影系统PS中通常可以存在比所示出的更多的元件。例如,根据光刻设备的类型,光栅光谱滤光器240可以可选地存在。此外,可以存在比图中所示的反射镜更多的反射镜,例如与图12中所示的相比,在投影系统PS中可以存在1至6个附加反射元件。
如图12所示,收集器光学器件CO被描绘为具有掠入射反射器253、254和255的嵌套集光器,正如收集器(或收集器反射镜)的一个示例。掠入射反射器253、254和255围绕光轴O轴对称设置,并且这种类型的收集器光学器件CO可以与放电产生的等离子体源(通常称为DPP源)结合使用。
在随后的编号条款列表中公开了各种实施例:
1.一种用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的方法,所述方法包括:用所述带电粒子检查系统检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及基于所述一个或多个图案化参数与所述图案化衬底的所确定的一个或多个维度之间的关系确定所述一个或多个图案化参数,其中:基于来自训练衬底的训练维度来确定所述关系,所述训练衬底使用跨工艺窗口变化的一个或多个训练参数而被图案化并且使用所述带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型而被确定。
2.根据条款1所述的方法,其中所述一个或多个图案化参数包括焦点和剂量。
3.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。(1)
4.根据前述条款中任一项所述的方法,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(1)
5.根据前述条款中任一项所述的方法,其中所述视场为至少两微米宽。(1)
6.根据前述条款中任一项所述的方法,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述图案化工艺窗口的变化。(1)
7.根据前述条款中任一项所述的方法,其中所述最小阈值数目的图案类型包括三个图案类型。(1)
8.根据前述条款中任一项所述的方法,还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(1)
9.根据前述条款中任一项所述的方法,还包括基于所述偏移调整所述图案形成系统。(8)
10.根据前述条款中任一项的方法,其中所述关系使用多变量回归确定。(1)
11.根据前述条款中任一项所述的方法,其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(10)
12.根据前述条款中任一项所述的方法,其中所述关系由使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定。
(1)
13.根据前述条款中任一项所述的方法,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(1)
14.根据前述条款中任一项所述的方法,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(1)
15.根据前述条款中任一项所述的方法,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(1)
16.一种用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的系统,所述系统包括:带电粒子检查系统,被配置为检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及一个或多个处理器,被机器可读指令配置为:基于所述一个或多个图案化参数与所述图案化衬底的所确定的所述一个或多个维度之间的关系确定所述一个或多个图案化参数,其中:基于来自训练衬底的训练维度来确定所述关系,所述训练衬底用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用所述带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型而被确定。
17.根据条款16所述的系统,其中所述一个或多个图案化参数包括焦点和剂量。
18.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(16)
19.根据前述条款中任一项所述的系统,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(16)
20.根据前述条款中任一项所述的系统,其中所述视场为至少两微米宽。(16)
21.根据前述条款中任一项所述的系统,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述图案化工艺窗口的变化。(16)
22.根据前述条款中任一项所述的系统,其中所述最小阈值数目的图案类型包括三个图案类型。(16)
23.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(16)
24.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为基于所述偏移调整所述图案形成系统(23)。
25.根据前述条款中任一项所述的系统,其中所述关系使用多变量回归来确定。(16)
26.根据前述条款中任一项所述的系统,其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(25)
27.根据前述条款中任一项所述的系统,其中所述一个或多个处理器被配置为使得所述关系由使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定。(16)
28.根据前述条款中任一项所述的系统,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(16)
29.根据前述条款中任一项所述的系统,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(16)
30.根据前述条款中任一项所述的系统,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(16)
31.一种其上具有指令的非暂态计算机可读介质,所述指令在由计算机执行时引起操作,所述操作包括:用带电粒子检查系统检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用图案形成系统和一个或多个图案化参数产生的;以及基于所述一个或多个图案化参数与所述图案化衬底的所确定的所述一个或多个维度之间的关系确定所述一个或多个图案化参数,其中:基于来自训练衬底的训练维度来确定所述关系,所述训练衬底用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用所述带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型而被确定。
32.根据条款31所述的介质,其中所述一个或多个图案化参数包括焦点和剂量。(31)
33.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(31)
34.根据前述条款中任一项所述的介质,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(31)
35.根据前述条款中任一项所述的介质,其中所述视场为至少两微米宽。(31)
36.根据前述条款中任一项所述的介质,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述图案化工艺窗口的变化。(31)
37.根据前述条款中任一项所述的介质,其中所述最小阈值数目的图案类型包括三个图案类型。(31)
38.根据前述条款中任一项所述的介质,所述操作还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。
(31)
39.根据前述条款中任一项所述的介质,所述操作还包括基于所述偏移调整所述图案形成系统。(38)
40.根据前述条款中任一项所述的介质,其中所述关系使用多变量回归来确定。(31)
41.根据前述条款中任一项所述的介质,其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(40)
42.根据前述条款中任一项所述的介质,其中所述关系由使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定。
(31)
43.根据前述条款中任一项所述的介质,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(31)
44.根据前述条款中任一项所述的介质,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(31)
45.根据前述条款中任一项所述的介质,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(31)
46.一种用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的方法,所述方法包括:使用所述图案形成系统用跨所述工艺窗口变化的一个或多个训练参数来图案化训练衬底;使用所述带电粒子检查系统从所述训练衬底确定训练维度,确定所述训练参数与所述训练维度之间的关系,其中(1)使用多变量回归或(2)通过使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定所述关系;用所述带电粒子检查系统检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及基于所述关系和所述图案化衬底的所确定的一个或多个维度来确定所述一个或多个图案化参数。
47.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数包括焦点和剂量。(46)
48.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(46)
49.根据前述条款中任一项所述的方法,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(46)
50.根据前述条款中任一项所述的方法,其中所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。(46)
51.根据前述条款中任一项所述的方法,其中所述视场为至少两微米宽。(50)
52.根据前述条款中任一项所述的方法,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述工艺窗口的变化。(50)
53.根据前述条款中任一项所述的方法,其中所述最小阈值数目的图案类型包括三个图案类型。(50)
54.根据前述条款中任一项所述的方法,还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(46)
55.根据前述条款中任一项所述的方法,还包括基于所述偏移调整所述图案形成系统。(54)
56.根据前述条款中任一项所述的方法,其中所述关系使用多变量回归来确定,并且其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(46)
57.根据前述条款中任一项所述的方法,其中通过向所述基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入来训练所述基于机器学习的预测模型。(46)
58.根据前述条款中任一项所述的方法,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(46)
59.根据前述条款中任一项所述的方法,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(46)
60.根据前述条款中任一项所述的方法,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(46)
61.一种用于确定一个或多个图案化参数的系统,所述系统包括:图案形成系统,被配置为用跨工艺窗口变化的一个多个训练参数图案化训练衬底;带电粒子检查系统,被配置为从所述训练衬底确定训练维度;以及一个或多个处理器,由机器可读指令配置以确定所述训练参数与所述训练维度之间的关系,其中所述关系(1)使用多变量回归或(2)通过使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定;其中所述带电粒子检查系统用于检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;并且其中所述一个或多个处理器被配置为基于所述关系和所述图案化衬底的所确定的一个或多个维度来确定所述一个或多个图案化参数。
62.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数包括焦点和剂量。(61)
63.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(61)
64.根据前述条款中任一项所述的系统,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(61)
65.根据前述条款中任一项所述的系统,其中所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。(61)
66.根据前述条款中任一项所述的系统,其中所述视场为至少两微米宽。(65)
67.根据前述条款中任一项所述的系统,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述工艺窗口的变化作。(65)
68.根据前述条款中任一项所述的系统,其中所述最小阈值数目的图案类型包括三个图案类型。
69.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(61)
70.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为基于所述偏移调整所述图案形成系统。(69)
71.根据前述条款中任一项所述的系统,其中所述关系使用多变量回归来确定,并且其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(61)
72.根据前述条款中任一项所述的系统,其中通过向所述基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入来训练所述基于机器学习的预测模型。(61)
73.根据前述条款中任一项所述的系统,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(61)
74.根据前述条款中任一项所述的系统,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(61)
75.根据前述条款中任一项所述的系统,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(61)
76.一种其上具有指令的非暂态计算机可读介质,所述指令在由计算机执行时引起操作,所述操作包括:使用图案形成系统用跨工艺窗口变化的一个或多个训练参数来图案化训练衬底;使用带电粒子检查系统从所述训练衬底确定训练维度,确定所述训练参数与所述训练维度之间的关系,其中(1)使用多变量回归或(2)通过使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定所述关系;用所述带电粒子检查系统检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及基于所述关系和所述图案化衬底的所确定的一个或多个维度来确定一个或多个图案化参数。
77.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数包括焦点和剂量。(76)
78.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(76)
79.根据前述条款中任一项所述的介质,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(76)
80.根据前述条款中任一项所述的介质,其中所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。(76)
81.根据前述条款中任一项所述的介质,其中所述视场是至少两微米宽。(80)
82.根据前述条款中任一项所述的介质,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述工艺窗口的变化。(80)
83.根据前述条款中任一项所述的介质,其中所述最小阈值数目的图案类型包括三个图案类型。(80)
84.根据前述条款中任一项所述的介质,所述操作还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。
(76)
85.根据前述条款中任一项所述的介质,所述操作还包括基于所述偏移调整所述图案形成系统。(84)
86.根据前述条款中任一项所述的介质,其中所述关系使用多变量回归来确定,并且其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(76)
87.根据前述条款中任一项所述的介质,其中通过向所述基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入来训练所述基于机器学习的预测模型。(76)
88.根据前述条款中任一项所述的介质,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(76)
89.根据前述条款中任一项所述的介质,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(76)
90.根据前述条款中任一项所述的介质,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(76)
91.一种用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的方法,所述方法包括:用所述带电粒子检查系统检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及基于所述一个或多个图案化参数与所述图案化衬底的所确定的所述一个或多个维度之间的关系来确定所述一个或多个图案化参数,其中:基于来自训练衬底的训练维度来确定所述关系,所述训练衬底使用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用所述带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。
92.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数包括焦点和剂量。(91)
93.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(91)
94.根据前述条款中任一项所述的方法,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(91)
95.根据前述条款中任一项所述的方法,其中所述视场为至少两微米宽。(91)
96.根据前述条款中任一项所述的方法,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述图案化工艺窗口的变化。(91)
97.根据前述条款中任一项所述的方法,其中所述最小阈值数目的图案类型包括三个图案类型。(91)
98.根据前述条款中任一项所述的方法,还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(91)
99.根据前述条款中任一项所述的方法,还包括基于所述偏移调整所述图案形成系统。(98)
100.根据前述条款中任一项所述的方法,其中使用多变量回归确定所述关系。(91)
101.根据前述条款中任一项所述的方法,其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(100)
102.根据前述条款中任一项所述的方法,其中所述关系由使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定。
(91)
103.根据前述条款中任一项所述的方法,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(91)
104.根据前述条款中任一项所述的方法,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(91)
105.根据前述条款中任一项所述的方法,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(91)
106.一种用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的系统,所述系统包括:带电粒子检查系统,被配置为检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及一个或多个处理器,被机器可读指令配置为:基于所述一个或多个图案化参数与所述图案化衬底的所确定的所述一个或多个维度之间的关系来确定所述一个或多个图案化参数,其中所述关系是基于来自训练衬底的训练维度来确定的,所述训练衬底使用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用所述带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度是基于所述视场中的所述最小阈值数目的图案类型来确定的。
107.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数包括焦点和剂量。(106)
108.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(106)
109.根据前述条款中任一项所述的系统,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(106)
110.根据前述条款中任一项所述的系统,其中所述视场为至少两微米宽。(106)
111.根据前述条款中任一项所述的系统,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述图案化工艺窗口的变化。(106)
112.根据前述条款中任一项所述的系统,其中所述最小阈值数目的图案类型包括三个图案类型。(106)
113.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(106)
114.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为基于所述偏移调整所述图案形成系统。(113)
115.根据前述条款中任一项所述的系统,其中使用多变量回归确定所述关系。(106)
116.根据前述条款中任一项所述的系统,其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(115)
117.根据前述条款中任一项所述的系统,其中所述一个或多个处理器被配置为使得所述关系由使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定。(106)
118.根据前述条款中任一项所述的系统,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(106)
119.根据前述条款中任一项所述的系统,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(106)
120.根据前述条款中任一项所述的系统,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(106)
121.一种其上具有指令的非暂态计算机可读介质,所述指令在由计算机执行时引起操作,所述操作包括:用带电粒子检查系统检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用图案形成系统和一个或多个图案化参数产生的;以及基于所述一个或多个图案化参数与所述图案化衬底的所确定的一个或多个维度之间的关系确定所述一个或多个图案化参数,其中:基于来自训练衬底的训练维度来确定所述关系,所述训练衬底使用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。
122.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数包括焦点和剂量。(121)
123.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(121)
124.根据前述条款中任一项所述的介质,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。
125.根据前述条款中任一项所述的介质,其中所述视场是至少两微米宽。(121)
126.根据前述条款中任一项所述的介质,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述图案化工艺窗口的变化。(121)
127.根据前述条款中任一项所述的介质,其中所述最小阈值数目的图案类型包括三个图案类型。(121)
128.根据前述条款中任一项所述的介质,所述操作还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。
(121)
129.根据前述条款中任一项所述的介质,所述操作还包括基于所述偏移调整所述图案形成系统。(128)
130.根据前述条款中任一项所述的介质,其中所述关系使用多变量回归来确定。(121)
131.根据前述条款中任一项所述的介质,其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(130)
132.根据前述条款中任一项所述的介质,其中所述关系由使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定。
(121)
133.根据前述条款中任一项所述的介质,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(121)
134.根据前述条款中任一项所述的介质,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(121)
135.根据前述条款中任一项所述的介质,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化半导体晶片。(121)
136.一种用于使用扫描电子显微镜SEM确定由扫描仪使用的一个或多个半导体光刻参数的方法,所述方法包括:用所述SEM检查图案化的半导体晶片以确定所述图案化的半导体晶片的一个或多个维度,其中使用所述扫描仪和所述一个或多个半导体光刻参数来生产所述图案化的半导体晶片;基于所述一个或多个半导体光刻参数与所述图案化的半导体晶片的所确定的所述一个或多个维度之间的关系来确定所述一个或多个半导体光刻参数,其中:基于来自训练晶片的训练维度来确定所述关系,所述训练晶片使用跨工艺窗口变化的一个或多个训练参数而被图案化并且使用所述SEM而被检查,所述SEM具有视场,所述视场被配置为在所述视场中的所述训练晶片上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定;确定所确定的半导体光刻参数与所述扫描仪的对应的设定点之间的偏移;以及基于所述偏移调整所述扫描仪。
137.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数包括焦点和剂量,并且所述扫描仪与极紫外(EUV)图案化工艺相关联。(136)
138.根据前述条款中任一项所述的方法,其中图案类型包括所述图案化晶片的多个特征中的一个特征,所述多个特征不同地响应于焦点和剂量跨所述工艺窗口的变化;并且其中所述视场为至少两微米宽,并且所述最小阈值数目的图案类型包括三个图案类型。(137)
139.根据前述条款中任一项所述的方法,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(136)
140.根据前述条款中任一项所述的方法,其中所述关系使用多变量回归确定,所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归;或者其中所述关系由使用所述训练维度和所述一个或多个训练参数训练的、基于机器学习的预测模型来确定。(136)
141.一种用于确定由扫描仪使用的一个或多个半导体光刻参数的系统,所述系统包括:扫描电子显微镜(SEM),被配置为检查图案化的半导体晶片以确定图案化的半导体晶片的一个或多个维度,其中使用所述扫描仪和所述一个或多个半导体光刻参数来产生所述图案化的半导体晶片;以及一个或多个处理器,被机器可读指令配置为:基于所述一个或多个半导体光刻参数与所述图案化的半导体晶片的所确定的一个或多个维度之间的关系来确定所述一个或多个半导体光刻参数,其中:所述关系是由所述一个或多个处理器基于来自训练晶片的训练维度来确定的,所述训练晶片使用跨工艺窗口变化的一个或多个训练参数而被图案化并且使用所述SEM而被检查,所述SEM具有视场,所述视场被配置为在所述视场中的所述训练晶片上包括最小阈值数目的图案类型,所述训练维度是基于所述视场中的所述最小阈值数目的图案类型来确定的;确定所确定的半导体光刻参数与所述扫描仪的对应的设定点之间的偏移;以及基于所述偏移来调整所述扫描仪。
142.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数包括焦点和剂量,并且所述图案形成系统与极紫外(EUV)图案化工艺相关联。
143.根据前述条款中任一项所述的系统,其中图案类型包括所述图案化晶片的多个特征中的一个特征,所述多个特征不同地响应于焦点和剂量跨所述工艺窗口的变化;并且其中所述视场为至少两微米宽,并且所述最小阈值数目的图案类型包括三个图案类型。(142)
144.根据前述条款中任一项所述的系统,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(141)
145.根据前述条款中任一项的系统,其中所述关系使用多变量回归确定,所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归;或者其中所述关系由使用所述训练维度和所述训练参数训练的、基于机器学习的预测模型来确定。(141)
146.一种其上具有指令的非暂态计算机可读介质,所述指令在由计算机执行时引起操作,所述操作包括:用扫描电子显微镜(SEM)检查图案化的半导体晶片以确定所述图案化的半导体晶片的一个或多个维度,其中使用扫描仪和一个或多个半导体光刻参数产生所述图案化的半导体晶片;基于所述一个或多个半导体光刻参数与所述图案化的半导体晶片的所确定的一个或多个维度之间的关系来确定所述一个或多个半导体光刻参数,其中:基于来自训练晶片的训练维度来确定所述关系,所述训练晶片使用跨工艺窗口变化的一个或多个训练参数而被图案化并且使用所述SEM来检查,所述SEM具有视场,所述视场被配置为在所述视场中的所述训练晶片上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定;确定所确定的半导体光刻参数与所述扫描仪的对应的设定点之间的偏移;以及基于所述偏移调整所述扫描仪。
147.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数包括焦点和剂量,并且所述扫描仪与极紫外(EUV)图案化工艺相关联。(146)
148.根据前述条款中任一项所述的介质,其中图案类型包括所述图案化晶片的多个特征中的一个特征,所述多个特征不同地响应于焦点和剂量跨所述工艺窗口的变化;并且其中所述视场为至少两微米宽,并且所述最小阈值数目的图案类型包括三个图案类型。(147)
149.根据前述条款中任一项所述的介质,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(146)
150.根据前述条款中任一项所述的介质,其中所述关系是使用多变量回归来确定的,所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归;或者其中所述关系由使用所述训练维度和所述一个或多个训练参数训练的、基于机器学习的预测模型来确定。
(146)
151.一种用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的方法,所述方法包括:确定训练参数与训练维度之间的关系,其中:使用跨工艺窗口变化的一个或多个训练参数来图案化训练衬底;使用所述带电粒子检查系统从所述训练衬底确定训练维度;以及(1)使用多变量回归或(2)通过使用训练维度和训练参数训练的、基于机器学习的预测模型来确定所述关系;用所述带电粒子检查系统检查生产衬底以确定所述生产衬底的一个或多个维度,其中所述生产衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及基于所述图案化衬底的所确定的所述一个或多个维度应用所述关系以确定所述一个或多个图案化参数。
152.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数包括焦点和剂量。(151)
153.根据前述条款中任一项所述的方法,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(151)
154.根据前述条款中任一项所述的方法,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(151)
155.根据前述条款中任一项所述的方法,其中所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。(151)
156.根据前述条款中任一项所述的方法,其中所述视场为至少两微米宽。(155)
157.根据前述条款中任一项所述的方法,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述工艺窗口的变化。(155)
158.根据前述条款中任一项所述的方法,其中所述最小阈值数目的图案类型包括三个图案类型。
159.根据前述条款中任一项所述的方法,还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(151)
160.根据前述条款中任一项所述的方法,还包括基于所述偏移调整所述图案形成系统。(159)
161.根据前述条款中任一项所述的方法,其中使用多变量回归确定所述关系,并且其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(151)
162.根据前述条款中任一项所述的方法,其中通过向所述基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入来训练所述基于机器学习的预测模型。(151)
163.根据前述条款中任一项所述的方法,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(151)
164.根据前述条款中任一项所述的方法,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(151)
165.根据前述条款中任一项所述的方法,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化的半导体晶片。(151)
166.根据前述条款中任一项所述的方法,其中所述维度包括不同的多项式阶。(151)
167.一种用于确定由图案形成系统使用的一个或多个图案化参数的系统,所述系统包括:一个或多个处理器,被配置为确定训练参数与训练维度之间的关系,其中:使用跨工艺窗口变化的一个或多个训练参数来图案化训练衬底;使用带电粒子检查系统从所述训练衬底确定训练维度;以及(1)使用多变量回归或(2)通过使用训练维度和训练参数训练的、基于机器学习的预测模型来确定所述关系;以及所述带电粒子检查系统,被配置为检查生产衬底以确定所述生产衬底的一个或多个维度,其中所述生产衬底是使用所述图案形成系统和所述一个或多个图案化参数来产生的;其中所述一个或多个处理器被配置为应用所述关系以基于所述图案化衬底的所确定的所述一个或多个维度来确定所述一个或多个图案化参数。
168.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数包括焦点和剂量。(167)
169.根据前述条款中任一项所述的系统,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(167)
170.根据前述条款中任一项所述的系统,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(167)
171.根据前述条款中任一项所述的系统,其中所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。(167)
172.根据权利要求171所述的系统,其中所述视场至少为两微米宽。(171)
173.根据前述条款中任一项所述的系统,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述工艺窗口的变化。(171)
174.根据前述条款中任一项所述的系统,其中所述最小阈值数目的图案类型包括三个图案类型。(171)
175.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。(167)
176.根据前述条款中任一项所述的系统,其中所述一个或多个处理器还被配置为基于所述偏移调整所述图案形成系统。(175)
177.根据前述条款中任一项所述的系统,其中所述关系使用多变量回归来确定,并且其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(167)
178.根据前述条款中任一项所述的系统,其中通过向所述基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入来训练所述基于机器学习的预测模型。(167)
179.根据前述条款中任一项所述的系统,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(167)
180.根据前述条款中任一项所述的系统,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(167)
181.根据前述条款中任一项所述的系统,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化的半导体晶片。(167)
182.根据前述条款所述的系统,其中所述维度包括不同的多项式阶。(167)
183.一种其上具有指令的非暂态计算机可读介质,所述指令在由计算机执行时引起操作,所述操作包括:确定训练参数与训练维度之间的关系,其中:使用跨工艺窗口变化的一个或多个训练参数来图案化训练衬底;使用带电粒子检查系统从所述训练衬底确定训练维度;以及(1)使用多变量回归或(2)通过使用训练维度和训练参数训练的、基于机器学习的预测模型来确定所述关系;使用所述带电粒子检查系统来检查生产衬底以确定所述生产衬底的一个或多个维度,其中所述生产衬底是使用图案形成系统和一个或多个图案化参数产生的;以及基于所述图案化衬底的所确定的所述一个或多个维度应用所述关系以确定所述一个或多个图案化参数。
184.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数包括焦点和剂量。(183)
185.根据前述条款中任一项所述的介质,其中所述一个或多个图案化参数和所述图案形成系统与极紫外(EUV)图案化工艺相关联。
(183)
186.根据前述条款中任一项所述的介质,其中所确定的所述一个或多个维度包括关键尺寸(CD)、关键尺寸均匀性(CDU)、边缘放置误差(EPE)或局部放置误差(LPE)。(183)
187.根据前述条款中任一项所述的介质,其中所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型来确定。(183)
188.根据前述条款中任一项所述的介质,其中所述视场为至少两微米宽。(187)
189.根据前述条款中任一项所述的介质,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述工艺窗口的变化。(187)
190.根据前述条款中任一项所述的介质,其中所述最小阈值数目的图案类型包括三个图案类型。(187)
191.根据前述条款中任一项所述的介质,所述操作还包括确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。
(183)
192.根据前述条款中任一项所述的介质,所述操作还包括基于所述偏移调整所述图案形成系统。(191)
193.根据前述条款中任一项所述的介质,其中所述关系使用多变量回归来确定,并且其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。(183)
194.根据前述条款中任一项所述的介质,其中通过向所述基于机器学习的预测模型提供对应的训练维度和训练参数的对作为输入来训练所述基于机器学习的预测模型。(183)
195.根据前述条款中任一项所述的介质,其中所述图案形成系统是在半导体光刻工艺中使用的扫描仪。(183)
196.根据前述条款中任一项所述的介质,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
(183)
197.根据前述条款中任一项所述的介质,其中所述带电粒子检查系统是扫描电子显微镜(SEM),并且所述图案化衬底是图案化的半导体晶片。(183)
198.根据前述条款中任一项所述的介质,其中所述维度包括不同的多项式阶。(183)
本文所公开的概念可与用于子波长特征的任何成像、蚀刻、抛光、检查等系统一起使用,且可与能够产生越来越短的波长的新兴成像技术一起使用。新兴技术包括EUV(极紫外)、DUV光刻,其能够利用ArF激光器产生193nm波长,甚至利用氟激光器产生157nm波长。此外,EUV光刻能够通过使用同步加速器或通过用高能电子撞击材料(固体或等离子体)来产生在20-50nm范围内的波长,以便产生在该范围内的光子。
虽然本文所公开的概念可用于与诸如硅晶片的衬底一起制造,但应了解,所公开的概念可与任何类型的制造系统(例如,用于在除硅晶片以外的衬底上制造的那些系统)一起使用。
此外,所公开的元素的组合和子组合可以包括单独的实施例。
以上描述旨在说明而非限制。因此,对于本领域的技术人员显而易见的是,在不脱离以下阐述的权利要求的范围的情况下,可以如所描述的进行修改。
如本文所用,除非另外具体说明,否则术语“或”涵盖所有可能的组合,除非不可行。例如,如果指出部件可包括A或B,则除非另外特别指出或不可行,该部件可包括A或B、或A和B。作为第二个示例,如果指出部件可以包括A、B或C,那么,除非特别说明或不可行,部件可以包括A、或B、或C、或A和B、或A和C、或B和C、或A和B和C。
Claims (15)
1.一种用于使用带电粒子检查系统确定由图案形成系统使用的一个或多个图案化参数的系统,所述系统包括:
带电粒子检查系统,被配置为检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用所述图案形成系统和所述一个或多个图案化参数产生的;以及
一个或多个处理器,被机器可读指令配置为:
基于所述一个或多个图案化参数与所述图案化衬底的所确定的所述一个或多个维度之间的关系来确定所述一个或多个图案化参数,其中:
基于来自训练衬底的训练维度来确定所述关系,所述训练衬底使用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用所述带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型而被确定。
2.根据权利要求1所述的系统,其中所述一个或多个图案化参数包括焦点和剂量。
3.根据权利要求1所述的系统,其中所述一个或多个图案化参数和所述图案形成系统与极紫外EUV图案化工艺相关联。
4.根据权利要求1所述的系统,其中所确定的所述一个或多个维度包括关键尺寸CD、关键尺寸均匀性CDU、边缘放置误差EPE或局部放置误差LPE。
5.根据权利要求1所述的系统,其中所述视场至少为两微米宽。
6.根据权利要求1所述的系统,其中图案类型包括所述图案化衬底的多个特征中的一个特征,所述多个特征不同地响应于所述训练参数跨所述图案化工艺窗口的变化。
7.根据权利要求1所述的系统,其中所述最小阈值数目的图案类型包括三个图案类型。
8.根据权利要求1所述的系统,其中所述一个或多个处理器还被配置为确定所确定的图案化参数与所述图案形成系统的对应的设定点之间的偏移。
9.根据权利要求8所述的系统,其中所述一个或多个处理器还被配置为基于所述偏移调整所述图案形成系统。
10.根据权利要求1所述的系统,其中所述关系使用多变量回归来确定。
11.根据权利要求10所述的系统,其中所述多变量回归包括线性回归、多项式回归或基于机器学习的非线性回归。
12.根据权利要求1所述的系统,其中所述一个或多个处理器被配置为使得所述关系由基于机器学习的预测模型来确定,所述预测模型使用所述训练维度和所述训练参数而被训练。
13.根据权利要求1所述的系统,其中所述图案形成系统是用于半导体光刻工艺的扫描仪,所述带电粒子检查系统是扫描电子显微镜SEM,并且所述图案化衬底是图案化的半导体晶片。
14.根据权利要求1所述的系统,其中所述工艺窗口包括与常规生产图案化工艺相关联的所述一个或多个图案化参数的变化。
15.一种其上具有指令的非暂态计算机可读介质,所述指令在由计算机执行时引起操作,所述操作包括:
用带电粒子检查系统检查图案化衬底以确定所述图案化衬底的一个或多个维度,其中所述图案化衬底是使用图案形成系统和一个或多个图案化参数产生的;以及
基于所述一个或多个图案化参数与所述图案化衬底的所确定的所述一个或多个维度之间的关系来确定所述一个或多个图案化参数,其中:
基于来自训练衬底的训练维度来确定所述关系,所述训练衬底使用跨图案化工艺窗口变化的一个或多个训练参数而被图案化并且使用所述带电粒子检查系统而被检查,所述带电粒子检查系统具有视场,所述视场被配置为在所述视场中的所述训练衬底上包括最小阈值数目的图案类型,所述训练维度基于所述视场中的所述最小阈值数目的图案类型而被确定。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163241632P | 2021-09-08 | 2021-09-08 | |
US63/241,632 | 2021-09-08 | ||
PCT/EP2022/072341 WO2023036539A1 (en) | 2021-09-08 | 2022-08-09 | Patterning parameter determination using a charged particle inspection system |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118043740A true CN118043740A (zh) | 2024-05-14 |
Family
ID=83191871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280060396.1A Pending CN118043740A (zh) | 2021-09-08 | 2022-08-09 | 使用带电粒子检查系统的图案化参数确定 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240212125A1 (zh) |
CN (1) | CN118043740A (zh) |
WO (1) | WO2023036539A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5229872A (en) | 1992-01-21 | 1993-07-20 | Hughes Aircraft Company | Exposure device including an electrically aligned electronic mask for micropatterning |
US20110295555A1 (en) * | 2008-09-30 | 2011-12-01 | Asml Netherlands B.V. | Method and System for Determining a Lithographic Process Parameter |
CN116758012A (zh) * | 2018-06-08 | 2023-09-15 | Asml荷兰有限公司 | 确定与在衬底上的结构相关的感兴趣的特性的方法、掩模版、衬底 |
CN118210204A (zh) * | 2019-05-21 | 2024-06-18 | Asml荷兰有限公司 | 用于确定与期望图案相关联的随机变化的方法 |
CN114787713A (zh) * | 2019-11-01 | 2022-07-22 | Asml荷兰有限公司 | 用于模型基础对准的基于机器学习的图像产生 |
-
2022
- 2022-08-09 WO PCT/EP2022/072341 patent/WO2023036539A1/en unknown
- 2022-08-09 CN CN202280060396.1A patent/CN118043740A/zh active Pending
-
2024
- 2024-03-05 US US18/596,323 patent/US20240212125A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023036539A1 (en) | 2023-03-16 |
TW202326791A (zh) | 2023-07-01 |
US20240212125A1 (en) | 2024-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI802185B (zh) | 半導體裝置幾何方法及系統 | |
TWI788672B (zh) | 用於訓練一圖案化製程之一逆製程模型之方法及用於判定一圖案化製程之一圖案化器件佈局之方法 | |
TWI797362B (zh) | 針對模擬系統之用於判定晶圓之層的蝕刻輪廓的方法 | |
TWI782317B (zh) | 用於改良圖案化程序之程序模型的方法以及改良圖案化程序之光學近接校正模型的方法 | |
CN113196173A (zh) | 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法 | |
TWI791357B (zh) | 用於選擇與圖案化程序相關聯之資料之方法及相關的非暫時性電腦可讀媒體 | |
CN113227907A (zh) | 基于来自经印刷的衬底的测量反馈确定图案分级 | |
CN118011743A (zh) | 利用模型基础对准来改善边缘放置量测准确度 | |
KR20220016960A (ko) | 반도체 제조 공정에서 증착 모델을 적용하는 방법 | |
TWI783392B (zh) | 執行用於訓練機器學習模型以產生特性圖案之方法的非暫時性電腦可讀媒體 | |
KR20190005986A (ko) | 변위 기반 오버레이 또는 정렬 | |
TWI667553B (zh) | 判定圖案之特性之方法 | |
CN116125756A (zh) | 用于减少抗蚀剂模型预测误差的系统和方法 | |
TWI661264B (zh) | 調諧製程模型之方法 | |
TWI844923B (zh) | 使用帶電粒子檢測系統之圖案化參數判定 | |
US20240212125A1 (en) | Patterning parameter determination using a charged particle inspection system | |
EP4148499A1 (en) | Patterning device defect detection systems and methods | |
EP4356201A1 (en) | Inspection data filtering systems and methods | |
CN117501184A (zh) | 检查数据滤除系统和方法 | |
TW202333079A (zh) | 產生擴增資料以訓練機器學習模型以保持物理趨勢 | |
TW202334739A (zh) | 模擬模型穩定性判定系統及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |