CN118131580B - 衍射型套刻标记多缺陷特征的全局灵敏度分析方法 - Google Patents
衍射型套刻标记多缺陷特征的全局灵敏度分析方法 Download PDFInfo
- Publication number
- CN118131580B CN118131580B CN202410546639.3A CN202410546639A CN118131580B CN 118131580 B CN118131580 B CN 118131580B CN 202410546639 A CN202410546639 A CN 202410546639A CN 118131580 B CN118131580 B CN 118131580B
- Authority
- CN
- China
- Prior art keywords
- defect
- model
- overlay
- overlay mark
- output
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010206 sensitivity analysis Methods 0.000 title claims abstract description 47
- 230000007547 defect Effects 0.000 claims abstract description 114
- 238000005259 measurement Methods 0.000 claims abstract description 65
- 238000009826 distribution Methods 0.000 claims abstract description 63
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000005672 electromagnetic field Effects 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims description 34
- 230000035945 sensitivity Effects 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 5
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 15
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000001459 lithography Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 12
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical group O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 229910052681 coesite Inorganic materials 0.000 description 3
- 229910052906 cristobalite Inorganic materials 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 239000000377 silicon dioxide Substances 0.000 description 3
- 235000012239 silicon dioxide Nutrition 0.000 description 3
- 229910052682 stishovite Inorganic materials 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 229910052905 tridymite Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000000206 photolithography Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 229920001577 copolymer Polymers 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005184 irreversible process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001259 photo etching Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开一种衍射型套刻标记多缺陷特征的全局灵敏度分析方法,所述方法可用于集成电路光刻工艺的套刻误差量测,针对已知或未知套刻误差量测标记缺陷特征参数先验分布信息的情况,可快速评估不同缺陷参数对套刻量测性能的影响。在已知先验分布信息下,正向神经网络模型替代测量光束与待测套刻标记之间的电磁场正向计算过程。在未知先验分布信息下,逆向神经网络模型通过部分实测光谱实现快速估计样本多缺陷参数尺寸及其分布,并在此基础上对多缺陷参数灵敏度分析提供参数分布的估计。本发明所提出的方法加快套刻量测中多缺陷特征的量化影响分析,为非理想套刻标记的测量结果校正以及套刻量测标记的制造工艺改进提供方法支持。
Description
技术领域
本发明涉及集成电路光刻工艺套刻量测技术领域,特别是涉及一种衍射型套刻标记多缺陷特征的全局灵敏度分析方法。
背景技术
光刻是集成电路制造中最复杂、最关键的工艺步骤之一,而套刻误差是衡量光刻工艺质量最重要的指标。套刻误差是指光刻工艺当前层图形相对于参考层图形的偏差。随着光刻工艺的不断向极限纳米尺度发展,这对套刻精度提出了更高的要求。因此,套刻误差的精确测量成为制造过程的关键部分,在晶圆进行下一个不可逆工艺之前,通过测量晶圆上的套刻标记保证半导体制造中工艺质量。
芯片加工中的刻蚀和化学机械抛光工艺会导致套刻标记发生侧墙角、圆角等非对称物理形貌变化,而基于衍射的套刻测量技术对套刻标记不对称结构具有特别高的敏感性,这将导致带有缺陷特征的套刻标记测量结果与真实值之间会产生巨大偏差,从而超过套刻误差测量的容许误差。因此,分析套刻标记不对称结构缺陷对测量结果的影响就显得尤为重要。
现有关于套刻标记的方案有:
1.发明专利[CN111508932B]提出的一种存在旋转角的套刻标记条纹单元,因此该套刻标记对旋转角度很敏感,可以测量到微小的旋转角度,提高了套刻误差的测量精度。
2.发明专利[CN110347017B]提出一种基于光学衍射的套刻误差提取方法,通过神经网络构建套刻误差值与光学表征量之间的映射规律,根据待测套刻标记的光学表征量实现快速地提取套刻误差值。
3.发明专利[CN110244527B]提出了一种套刻标记形貌和测量条件优化方法,考虑套刻标记形貌与测量配置优化,解决现有套刻误差测量重复性精度低、准确度低、鲁棒性差的技术问题。
集成电路中的灵敏度分析方案有:
1. 发明专利[CN100590626C]提出一种混合传播式MOS晶体管电学统计模型的建模方法,并在混合传播中采用数值差分灵敏度分析法,确定合理灵敏度数值,取得建模快速且准确的效果。
2. 发明专利[CN111857081B]针对现有半导体芯片封装测试生产线性能控制模型与策略的不足等问题,采用灵敏度分析和Q-learning强化学习算法相结合的方法对半导体芯片封装测试生产线制造性能进行智能控制。
从上述相关技术专利发现,集成电路的套刻标记专利涉及套刻误差提取方法、套刻标记设计和套刻标记制造等,其对象大都是理想套刻标记。同时集成电路的灵敏度分析专利中还未涉及集成电路套刻标记领域。而针对套刻标记多缺陷的灵敏度分析问题,还未有技术对此提出解决方法。
发明内容
提供了本发明以解决现有技术中存在的上述问题。因此,需要一种衍射型套刻标记多缺陷特征的全局灵敏度分析方法,以填补套刻标记缺陷对测量结果影响分析的技术空白。同时针对已知或未知套刻误差量测标记缺陷特征参数先验分布信息的情况,采用正向-逆向混合神经网络和累积分布函数相结合的方法,加快套刻量测中多缺陷特征的量化影响分析,为非理想套刻标记的测量结果校正以及套刻量测标记的制造工艺改进提供方法支持,进而针对性改进制造工艺,最终保证OVL测量结果的准确性。
根据本发明的第一方案,提供一种衍射型套刻标记多缺陷特征的全局灵敏度分析方法,所述方法包括:
对套刻标记的光学响应进行计算,得到±1阶衍射效率;
根据±1阶衍射效率计算套刻误差不准确度;
在已知光栅结构不对称缺陷尺寸和测量配置的情况下,得到套刻误差不准确度的计算过程可表示为:
其中,定义了和到的映射,表示个套刻标记的缺陷类型,表示个测量配置,其中是在设定研究范围内的一个测量配置;
构建灵敏度分析模型,其中分别对应模型的参数变化和输出变化,表示在测量配置下对的影响,表示全局灵敏度分析函数,模型的输入为,模型的输出为,其中,是一个统计距离算子,用来计算和之间的差值,是外部算子,用于对缺陷的区域灵敏度数值进行不同统计,是所有缺陷参数均变化的无条件输出分布,是给定模型输入的有条件输出分布;
对于任意给定的测量配置下的缺陷对输出结果的灵敏度指数表示为:
,
其中,表示缺陷的区域灵敏度,结果不能直接用于测量的比较;是在0-1中间的数,值越低,表示对结果影响越小,若,则对没有影响。
进一步地,根据±1阶衍射效率通过如下公式计算套刻误差不准确度;
其中、为非对称光栅的+1和-1阶衍射效率。
进一步地,当已知缺陷参数信息分布情况时,根据确定的套刻标记,在已知缺陷参数先验分布信息条件下,进行采样对每个缺陷特征随机生成个数值组成样本并仿真计算得到对应的组光学响应,将、作为模型的输入和输出并经过训练得到正向模型。
进一步地,当无缺陷参数先验分布信息时,进行均匀采样步骤得到每个缺陷特征的样本和光学响应,将、作为模型的输入和输出并经过训练得到反求模型和正向模型,采用反求模型实现对多个样本的缺陷特征尺寸反求和分布信息的近似估计,并将求解的缺陷特征分布信息作为后续计算灵敏度指数的先验信息。
进一步地,对套刻标记的光学响应进行计算,得到±1阶衍射效率,包括:
根据待测工艺信息,确定待测套刻标记的形貌特征和材料特性,采用参数化建模与计算电磁场求解方法对一组DBO套刻标记的光学响应进行计算。
根据本发明的第二技术方案,提供一种衍射型套刻标记多缺陷特征的全局灵敏度分析系统,所述系统包括:
光学响应计算模块,被配置为对套刻标记的光学响应进行计算,得到±1阶衍射效率;
套刻误差不准确度计算模块,被配置为根据±1阶衍射效率计算套刻误差不准确度;在已知光栅结构不对称缺陷尺寸和测量配置的情况下,得到套刻误差不准确度的计算过程可表示为:
其中,定义了和到的映射,表示个套刻标记的缺陷类型,表示个测量配置,其中是在设定研究范围内的一个测量配置;
模型构建模块,被配置为构建灵敏度分析模型,其中分别对应模型的参数变化和输出变化,表示在测量配置下对的影响,表示全局灵敏度分析函数,模型的输入为,模型的输出为,其中,是一个统计距离算子,用来计算和之间的差值,是外部算子,用于对缺陷的区域灵敏度数值进行不同统计,是所有缺陷参数均变化的无条件输出分布,是给定模型输入的有条件输出分布;
对于任意给定的测量配置下的缺陷对输出结果的灵敏度指数表示为:
其中,表示缺陷的区域灵敏度,结果不能直接用于测量的比较;是在0-1中间的数,值越低,表示对结果影响越小,若,则对没有影响。
进一步地,所述套刻误差不准确度计算模块被进一步配置为根据±1阶衍射效率通过如下公式计算套刻误差不准确度;
其中、为非对称光栅的+1和-1阶衍射效率。
进一步地,所述模型构建模块被进一步配置为当已知缺陷参数信息分布情况时,根据确定的套刻标记,在已知缺陷参数先验分布信息条件下,进行采样对每个缺陷特征随机生成个数值组成样本并仿真计算得到对应的组光学响应,将、作为模型的输入和输出并经过训练得到正向模型。
进一步地,所述模型构建模块被进一步配置为当无缺陷参数先验分布信息时,进行均匀采样步骤得到每个缺陷特征的样本和光学响应,将、作为模型的输入和输出并经过训练得到反求模型和正向模型,采用反求模型实现对多个样本的缺陷特征尺寸反求和分布信息的近似估计,并将求解的缺陷特征分布信息作为后续计算灵敏度指数的先验信息。
进一步地,所述光学响应计算模块被进一步配置为:
根据待测工艺信息,确定待测套刻标记的形貌特征和材料特性,采用参数化建模与计算电磁场求解方法对一组DBO套刻标记的光学响应进行计算
根据本发明各个方案的衍射型套刻标记多缺陷特征的全局灵敏度分析方法和系统,其至少具有以下技术效果:
本发明在已知缺陷参数分布信息时,正向神经网络模型替代电磁场正向计算实现CDF-全局灵敏度分析迭代过程的加速。在未知缺陷参数分布信息时,逆向神经网络模型快速求解套刻标记多缺陷参数尺寸及其分布,并在此基础上加速缺陷的灵敏度分析过程。本发明提出方法可以作为一个强大的工具,帮助从业者实现智能和有效的套刻标记缺陷影响分析,其结果能确定影响测量结果的关键缺陷特征,进而针对性改进制造工艺,以提高DBO测量性的准确性。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了根据本发明实施例的一组典型经验型套刻标记结构示意图,其中:(a)理想套刻标记剖面图;(b) 存在侧墙角缺陷的套刻标记剖面图;(c) 存在圆角缺陷的套刻标记剖面图;(d) 存在顶角缺陷的套刻标记剖面图。
图2示出了根据本发明实施例的一种衍射型套刻标记多缺陷特征的全局灵敏度分析方法的流程图。
图3示出了根据本发明实施例的DBO套刻标记结构示意图。
图4示出了根据本发明实施例的组合缺陷的套刻标记模型示意图,其中: (a) 组合缺陷标记模型1;(b) 组合缺陷标记模型2。
图5示出了根据本发明实施例的KS指数计算原理图。
图6示出了根据本发明实施例的有先验分布下DBO缺陷标记的神经网络正向模型性能。((a)模型1;(b)模型2。波长400nm、方位角0°)。
图7示出了根据本发明实施例的模型1的灵敏度分析结果,其中:(a)、(b)((c)、(d);(e)、(f))为在200nm(400nm;600nm)波长下,各缺陷结构对Model 1中和的影响分布(从左到右分别为无先验分布、先验分布和1°扰动的分析结果)。
图8示出了根据本发明实施例的模型2的灵敏度分析结果,其中:(a)、(b) ((c)、(d);(e)、(f))为在200nm(400nm;600nm)波长下,各缺陷结构对Model2中和的影响分布(从左到右分别为无先验分布、先验分布和1°扰动的分析结果)。
图9示出了根据本发明实施例的无先验分布下DBO缺陷标记的神经网络正向模型/反求模型性能(波长400nm、方位角0°),其中:(a)、(b)((c)、(d))为模型 1(模型2)的正向模型/反求模型性能图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。下面结合附图和具体实施例对本发明的实施例作进一步详细描述,但不作为对本发明的限定。本文中所描述的各个步骤,如果彼此之间没有前后关系的必要性,则本文中作为示例对其进行描述的次序不应视为限制,本领域技术人员应知道可以对其进行顺序调整,只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
技术术语解释:
DBO(Scatterometry Overlay, SCOL或Diffraction-Based Overlay, DBO):光学散射测量技术。
OVL(overlay,OVL):套刻误差。
GSA(Global Sensitivity Analysis,GSA):快速全局灵敏度分析。
CDF(Cumulative Distribution Function,CDF):累积分布函数。
PAWN:通过其累积分布函数(CDF)来计算全局灵敏度指数的方法。
本发明实施例提供一种衍射型套刻标记多缺陷特征的全局灵敏度分析方法,如图2所示,该方法包括如下步骤:
(1)根据待测工艺相关信息,确定待测套刻标记的形貌特征和材料特性,采用参数化建模与计算电磁场求解方法对一组典型DBO套刻标记的光学响应进行计算。
示例性地,参考文献“Optimized wavelength selection for diffraction-based overlay measurement by minimum asymmetry factor variation with finite-difference time-domain simulation”中典型的DBO套刻标记样本,如图1所示。本发明实施例参考其结构和部分材料。套刻标记各个结构材料如图3所示:顶层光栅为 PR共聚物,中间填充层为 SiO2薄膜,底层光栅层为 Si,基底为 Si。尺寸参数如表1所示:表示两个光栅的周期,、分别表示上下层光栅的占空比;、 表示上下层光栅的壁高, 表示中间薄膜层厚度,D表示人为引入偏置。其中,Si 和 SiO2 的光学常数取自文献“EllipsometricInvestigations on SiO2/Si: The Interface Response”。PR的介电常数用TL(Tauc-Lorentz)模型表示,其中介电常数虚部表示为:
在TL模型中,参数分别给定21.1496eV,3.4597eV,9.9492eV,0.9877 eV,1.4268。
本发明实施例重点考虑了3种光栅缺陷类型:顶角(TA)、侧墙角(SWA)和圆角(RA),如图1中(b)、(c)、(d)所示。根据选取的缺陷类型,本发明分析研究了两种典型组合缺陷结构,如图4所示。模型 1(模型2)包含缺陷特征为TA(顶部圆角TRA),左侧墙角LSWA(底部圆角BRA),右侧墙角RSWA(侧墙角SWA)和套刻误差OVL(OVL)。本发明重点考虑所有组合缺陷都周期性存在于DBO套刻标记的PR光栅层中的情况,且两种模型的材料设置如表1、表2和表3所示。
表1 DBO套刻标记测量模型的参数设置
表2 DBO套刻标记缺陷模型的参数设置(正态采样)
表3 DBO套刻标记缺陷模型的参数设置(均匀采样)
根据步骤确定的套刻标记结构和材料,本实施例中还考虑了不同的测量波长来捕捉不同的光-物质相互作用效应。验证波长在200-600nm范围内的衍射效率信息质量较高。本实施例随机选取200nm、400nm和600nm三个波长进行模拟。采用RCWA进行光学响应计算,得到±1阶衍射效率。根据DBO原理,将方位角固定在0°。利用TE波和TM波分别估算套刻精度指数和。
(2)根据Kandel D等在文献“Overlay accuracy fundamentals”中定义了表征OVL测量值准确性指标套刻误差不准确度。为了采用测量的光学响应参数和消除不同光强得到相对简单的计算公式,本发明将重新定义套刻误差不准确度。通过简化得到与衍射效率之间的关系式:
其中、为非对称光栅的+1和-1阶衍射效率。
在已知光栅结构不对称缺陷尺寸和测量配置的情况下,得到套刻误差不准确度的计算过程可表示为:
其中,定义了和到的映射。表示个套刻标记的缺陷类型。表示个测量配置,其中是在规定研究范围内的某个具体测量配置。
(3)本发明的全局灵敏度分析采用MATLAB中的SAFE包,并将PAWN指数计算部分代码纳入本研究开发的迭代DBO-全局灵敏度分析分析中。同时,本实施例中的内部统计算子使用Kolmogorov-Smirnov(KS)距离来评价无条件和条件CDF之间的差异,如图5所示。公式中外部统计算子采用中位数进行统计,则公式可具体表达为:
其中,为缺陷参数都在变化的无条件CDF, 为除了缺陷其余缺陷参数都在变化的条件CDF,为给定的有条件输出分布,max表示最大值函数,表示缺陷的区域灵敏度。为任意给定的测量配置下的缺陷对输出结果的灵敏度指数。内部算子通常是一个统计距离算子,用来计算和之间的差值,例如。外部算子是对缺陷的区域灵敏度数值进行不同统计,例如:最大值、中位数或平均值等。
本发明实施例中确定了初始无条件CDF样本量和条件CDF样本量以及判断灵敏度PAWN指数的收敛指标为0.01。
(4)为了验证正向-逆向混合神经网络和密度函数相结合的方法在已知或未知套刻标记缺陷特征参数分布信息下的可行性。场景1假设已知缺陷参数信息分布情况,而场景2假设未知缺陷参数信息分布情况。对于场景1,根据步骤(1)中确定的典型套刻标记,在已知缺陷参数先验分布信息条件下,进行采样对每个缺陷特征随机生成个数值组成并仿真计算得到对应的组光学响应。将、作为模型的输入和输出并经过训练得到正向模型。然后将正向模型应用到CDF-全局灵敏度分析过程中,迭代更新、样本量,完成中所有缺陷特征的灵敏度指数计算。
(5)在场景2中,对于无缺陷参数先验分布信息时,进行均匀采样步骤得到每个缺陷特征的样本和光学响应。将、作为模型的输入和输出并经过训练得到反求模型和正向模型。与步骤(4)不同的是采用反求模型实现对多个样本的缺陷特征尺寸反求和分布信息的近似估计,并将求解的缺陷特征分布信息作为后续计算灵敏度指数的先验信息。剩余CDF-全局灵敏度分析分析步骤与有先验分布的基本相同。
为了验证本发明提出的方法,研究了已知和未知缺陷参数分布信息的两个实验场景。场景1考虑了已知缺陷参数分布的情况,而场景2的分布信息是未知的。对于场景1,根据步骤(1)-(3)可知仿真的测量配置和套刻标记参数,本实施例假设模型1和模型2缺陷参数是正态分布的。同时经过实验结果表明,样本量大于50,可以满足神经网络模型的训练。本实验对模型1和模型2分别产生100对正态分布样本对。这些样本用于正向神经网络模型的训练和测试。
根据如上实验表明,浅层前馈神经网络已成功地满足了本实施例的要求。分别针对200 nm、400 nm和600 nm的光学测量波长建立和训练不同的神经网络正向模型。比较了1个和25个隐层神经元的神经网络模型的性能(包括相关系数R和预测误差)。从结果中可以看出,当找到适当数量的隐藏层神经元时,所有正向神经网络模型都能达到很好的逼近效果。对于200 nm、400 nm和600 nm,模型1(模型2)的前向神经网络在隐藏层神经元数量分别大于5(6)、4(6)和4(3)时表现出较好的逼近性。以400 nm为例,正态分布样本训练得到的智能正向模型误差直方图和回归性能如图6所示。很明显,模型1和模型2的总体回归系数都在99%以上。
将训练的正向神经网络模型应用于CDF-全局灵敏度分析分析过程中,结果如图7和图8可知。同时模型1和模型2各个缺陷特征的具体灵敏度排序如表4所示。根据上述图表结果,通过对这些结果的对比分析,可以得出一些有价值的发现:首先,非理想缺陷对DBO的测量结果影响显著,在200 nm和400nm处缺陷对测量结果的影响大于OVL。此外,GSA指数表明各缺陷特征之间存在非线性耦合作用,这验证了GSA应用的必要性。其次,DBO的测量配置也会影响缺陷对计量性能的影响。不同的测量状态的光导致不同的光-物质相互作用效应,从而导致不同的GSA结果,如不同的波长和偏振态,这并不奇怪。此外,有趣的是,DBO标记缺陷的灵敏度性能也与波长λ与光栅宽度(width)的比值密切相关。在模型1和模型2中,当时,灵敏度指数对OVL变化不敏感,但对不对非理想缺陷变化敏感。这对DBO测量来说不是好消息,因此因为在实际应用中,需要更严格的DBO标记制造工艺控制,以尽量减少这种情况下的缺陷。同时,抑制测量技术中缺陷的影响也很重要。相反,对于,可以观察到OVL的变化比缺陷的变化更敏感。
表4 缺陷灵敏度分布(从大到小排序)
考虑到DBO系统中入射角的潜在小扰动,进行了扩展实验,以检验潜在扰动是否影响灵敏度分析结果。在这里,模型1和模型2分别在200 nm、400 nm和600 nm处考虑入射角的1°扰动。更新后的结果与无扰动情景对比如图7和图8所示。对于Model2,尽管全局灵敏度分析指标数值发生了变化,但这种小角度变化并不影响和在三个测试波长下的全局灵敏度分析排序。对于模型1,可以得到类似的观测结果,但对600nm的TM波的灵敏度分布发生了变化。灵敏度指标对OVL变化不敏感,反而对不对称缺陷变化敏感。
在场景2中,生成均匀分布的样本对,用于训练和测试逆向神经网络模型和正向神经网络模型。利用训练良好的智能逆向模型,从±1阶衍射响应中重构出缺陷特征的尺寸值。然后,利用重构维数估计模型1(模型2)中各缺陷的参数分布为,j为缺陷特征指标。进一步,将估计的缺陷参数分布信息应用于后续的敏感性分析。比较和检验估计缺陷尺寸分布和实际缺陷尺寸分布评估的缺陷特征对的影响的一致性,验证了基于正向-逆向混合神经网络和累积分布函数的全局灵敏度分析分析方法的有效性。
实验结果显示在波长为200nm、400nm和600nm时,模型1(模型2)正向模型的隐藏层神经元个数分别大于8(10)、8(6)和4(4)时具有良好的近似能力。同时,模型1(模型 2)逆向模型的隐藏层神经元个数分别大于21(8)、6(10)和10(8)时具有良好的近似能力。以波长400nm为例,正向模型和反求模型的误差直方图和回归图如图9所示,整体回归系数均在97%以上。本实施例训练的神经网络模型只是为了验证本发明提出的方法的可行性。表5的结果证明逆模型可以近似缺陷参数的分布,这样的估计性能可以满足本实验全局灵敏度分析分析的条件。理论上,使用越多的样本得到的参数分布精度越高。
表5 通过反求模型估计正态分布参数
将训练的逆向神经网络模型和正向神经网络模型应用后续全局灵敏度分析分析中,更新后的结果与有先验情景对比如图7和图8所示。通过与真实缺陷分布结果的比较,不同DBO标记模型缺陷敏感性指数的相对排序和影响程度基本不变。从比较结果可以看出,GSA的排名在个别情况下略有变化。但它们不是影响测量结果的主要因素,不会影响分析结果。至于个别缺陷的全局灵敏度分析排序发生变化的原因,可能是由于样本量小导致参数逆分布不准确。上述结果证明,正向-逆向混合模型可以近似估计缺陷参数尺寸及分布,加快CDF-全局灵敏度分析的速度,精度可以接受,甚至令人满意。
场景1和场景2的所有实验结果都证明了本发明提出的基于正向-逆向混合神经网络和密度函数相结合的全局灵敏度分析方法的有效性。具体而言:
(1)浅层前馈神经网络构建的正向模型是加速全局灵敏度分析收敛的一种很好的替代方法。
(2)相似的智能逆向模型可以用少量样本近似估计缺陷参数的分布。
(3)整个方法可以作为一个强大的工具,帮助从业者实现智能和有效的缺陷影响分析,以提高DBO测量性能。
需要说明的是,本发明不限于上述实施方式,以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。例如,在上述实施方式中,套刻标记结构和材料参数不局限于实施例中的参数;分析的组合缺陷标记不局限于实施例中的两个模型,可以进行更多的缺陷类型组合;光学结构建模求解算法不限于RCWA算法,也可以采用有限元和时域有限差分法等方法;对于神经网络技术不限于浅层神经网络模型,也可以采用深度学习等拟合方法;外部统计算子采用中位数进行统计,也可以采用最大值或平均值等来进行统计等。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本发明的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本发明。这不应解释为一种不要求保护的发明的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的发明的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (10)
1.一种衍射型套刻标记多缺陷特征的全局灵敏度分析方法,其特征在于,所述方法包括:
对套刻标记的光学响应进行计算,得到±1阶衍射效率;
根据±1阶衍射效率计算套刻误差不准确度;
在已知光栅结构不对称缺陷尺寸和测量配置的情况下,得到套刻误差不准确度的计算过程表示为:
,
其中,定义了和到的映射,表示个套刻标记的缺陷类型,表示个测量配置,其中是在设定研究范围内的一个测量配置;
构建灵敏度分析模型,其中分别对应模型的参数变化和输出变化,表示在测量配置下对的影响,表示全局灵敏度分析函数,模型的输入为,模型的输出为,其中,是一个统计距离算子,用来计算和之间的差值,是外部算子,用于对缺陷的区域灵敏度数值进行不同统计,是所有缺陷参数均变化的无条件输出分布,是给定模型输入的有条件输出分布;
对于任意给定的测量配置下的缺陷对输出结果的灵敏度指数表示为:
,
,
其中,表示缺陷的区域灵敏度;是在0-1中间的数,值越低,表示对结果影响越小,若,则对没有影响。
2.根据权利要求1所述的方法,其特征在于,根据±1阶衍射效率通过如下公式计算套刻误差不准确度;
,
其中、为非对称光栅的+1和-1阶衍射效率。
3.根据权利要求1所述的方法,其特征在于,当已知缺陷参数信息分布情况时,根据确定的套刻标记,在已知缺陷参数先验分布信息条件下,进行采样对每个缺陷特征随机生成个数值组成样本并仿真计算得到对应的组光学响应,将、作为模型的输入和输出并经过训练得到正向模型。
4.根据权利要求1所述的方法,其特征在于,当无缺陷参数先验分布信息时,进行均匀采样步骤得到每个缺陷特征的样本和光学响应,将、作为模型的输入和输出并经过训练得到反求模型和正向模型,采用反求模型实现对多个样本的缺陷特征尺寸反求和分布信息的近似估计,并将求解的缺陷特征分布信息作为后续计算灵敏度指数的先验信息。
5.根据权利要求1所述的方法,其特征在于,对套刻标记的光学响应进行计算,得到±1阶衍射效率,包括:
根据待测工艺信息,确定待测套刻标记的形貌特征和材料特性,采用参数化建模与计算电磁场求解方法对一组DBO套刻标记的光学响应进行计算。
6.一种衍射型套刻标记多缺陷特征的全局灵敏度分析系统,其特征在于,所述系统包括:
光学响应计算模块,被配置为对套刻标记的光学响应进行计算,得到±1阶衍射效率;
套刻误差不准确度计算模块,被配置为根据±1阶衍射效率计算套刻误差不准确度;在已知光栅结构不对称缺陷尺寸和测量配置的情况下,得到套刻误差不准确度的计算过程表示为:
,
其中,定义了和到的映射,表示个套刻标记的缺陷类型,表示个测量配置,其中是在设定研究范围内的一个测量配置;
模型构建模块,被配置为构建灵敏度分析模型,其中分别对应模型的参数变化和输出变化,表示在测量配置下对的影响,表示全局灵敏度分析函数,模型的输入为,模型的输出为,其中,是一个统计距离算子,用来计算和之间的差值,是外部算子,用于对缺陷的区域灵敏度数值进行不同统计,是所有缺陷参数均变化的无条件输出分布,是给定模型输入的有条件输出分布;
对于任意给定的测量配置下的缺陷对输出结果的灵敏度指数表示为:
,
,
其中,表示缺陷的区域灵敏度,结果不能直接用于测量的比较;是在0-1中间的数,值越低,表示对结果影响越小,若,则对没有影响。
7.根据权利要求6所述的系统,其特征在于,所述套刻误差不准确度计算模块被进一步配置为根据±1阶衍射效率通过如下公式计算套刻误差不准确度;
,
其中、为非对称光栅的+1和-1阶衍射效率。
8.根据权利要求6所述的系统,其特征在于,所述模型构建模块被进一步配置为当已知缺陷参数信息分布情况时,根据确定的套刻标记,在已知缺陷参数先验分布信息条件下,进行采样对每个缺陷特征随机生成个数值组成样本并仿真计算得到对应的组光学响应,将、作为模型的输入和输出并经过训练得到正向模型。
9.根据权利要求6所述的系统,其特征在于,所述模型构建模块被进一步配置为当无缺陷参数先验分布信息时,进行均匀采样步骤得到每个缺陷特征的样本和光学响应,将、作为模型的输入和输出并经过训练得到反求模型和正向模型,采用反求模型实现对多个样本的缺陷特征尺寸反求和分布信息的近似估计,并将求解的缺陷特征分布信息作为后续计算灵敏度指数的先验信息。
10.根据权利要求6所述的系统,其特征在于,所述光学响应计算模块被进一步配置为:
根据待测工艺信息,确定待测套刻标记的形貌特征和材料特性,采用参数化建模与计算电磁场求解方法对一组DBO套刻标记的光学响应进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410546639.3A CN118131580B (zh) | 2024-05-06 | 2024-05-06 | 衍射型套刻标记多缺陷特征的全局灵敏度分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410546639.3A CN118131580B (zh) | 2024-05-06 | 2024-05-06 | 衍射型套刻标记多缺陷特征的全局灵敏度分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118131580A CN118131580A (zh) | 2024-06-04 |
CN118131580B true CN118131580B (zh) | 2024-07-09 |
Family
ID=91232750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410546639.3A Active CN118131580B (zh) | 2024-05-06 | 2024-05-06 | 衍射型套刻标记多缺陷特征的全局灵敏度分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118131580B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013178422A1 (en) * | 2012-05-29 | 2013-12-05 | Asml Netherlands B.V. | Metrology method and apparatus, substrate, lithographic system and device manufacturing method |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2004092865A1 (ja) * | 2003-04-17 | 2006-07-06 | 株式会社ニコン | 選出方法、露光方法、選出装置、露光装置、並びにデバイス製造方法 |
US7842442B2 (en) * | 2006-08-31 | 2010-11-30 | Advanced Micro Devices, Inc. | Method and system for reducing overlay errors within exposure fields by APC control strategies |
WO2010076232A2 (en) * | 2008-12-30 | 2010-07-08 | Asml Netherlands B.V. | Inspection method and apparatus, lithographic apparatus, lithographic processing cell and device manufacturing method |
KR101943593B1 (ko) * | 2011-04-06 | 2019-01-30 | 케이엘에이-텐코 코포레이션 | 공정 제어를 개선하기 위한 품질 메트릭 제공 방법 및 시스템 |
WO2017029110A1 (en) * | 2015-08-20 | 2017-02-23 | Asml Netherlands B.V. | Metrology method and apparatus, substrates for use in such methods, lithographic system and device manufacturing method |
WO2017089105A1 (en) * | 2015-11-27 | 2017-06-01 | Asml Netherlands B.V. | Metrology target, method and apparatus, computer program and lithographic system |
EP3336607A1 (en) * | 2016-12-16 | 2018-06-20 | ASML Netherlands B.V. | Method of measuring a property of a substrate, inspection apparatus, lithographic system and device manufacturing method |
CN110244527B (zh) * | 2019-06-13 | 2020-05-19 | 华中科技大学 | 一种套刻标记形貌和测量条件优化方法 |
CN110347017B (zh) * | 2019-06-30 | 2020-09-08 | 华中科技大学 | 一种基于光学衍射的套刻误差提取方法 |
EP3767394A1 (en) * | 2019-07-18 | 2021-01-20 | ASML Netherlands B.V. | Mark, overlay target, and methods of alignment and overlay |
CN115616861A (zh) * | 2021-07-15 | 2023-01-17 | 长鑫存储技术有限公司 | 一种量测标记、量测版图及量测方法 |
WO2023110318A1 (en) * | 2021-12-17 | 2023-06-22 | Asml Netherlands B.V. | Machine learning model for asymmetry-induced overlay error correction |
CN114563928A (zh) * | 2022-01-25 | 2022-05-31 | 东方晶源微电子科技(北京)有限公司 | 一种套刻标记的优化筛选方法、装置、设备、存储介质及程序产品 |
CN114970371A (zh) * | 2022-06-21 | 2022-08-30 | 南京航空航天大学 | 应用ga-bp神经网络预测slm成形钛合金薄壁件变形的方法 |
CN115729056A (zh) * | 2022-11-28 | 2023-03-03 | 合肥御微半导体技术有限公司 | 一种三维套刻标记和套刻误差测量设备测校方法 |
CN115981107A (zh) * | 2022-12-20 | 2023-04-18 | 南京航空航天大学 | 一种基于信息融合的集成电路套刻误差测量方法 |
-
2024
- 2024-05-06 CN CN202410546639.3A patent/CN118131580B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013178422A1 (en) * | 2012-05-29 | 2013-12-05 | Asml Netherlands B.V. | Metrology method and apparatus, substrate, lithographic system and device manufacturing method |
Also Published As
Publication number | Publication date |
---|---|
CN118131580A (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110347017B (zh) | 一种基于光学衍射的套刻误差提取方法 | |
KR102013483B1 (ko) | 파라미터 추적을 위한 계측 시스템 최적화 | |
TWI711096B (zh) | 光學計量學之方法,電腦程式產品,及計量學模組 | |
CN106062939B (zh) | 用于基于图像的叠对测量的信号响应计量 | |
CN110596146B (zh) | 用于基于图像的测量及基于散射术的叠对测量的信号响应度量 | |
CN106663646B (zh) | 基于代理结构的测量的信号响应计量 | |
CN107408519B (zh) | 基于模型的单个参数测量的系统和方法 | |
KR101723688B1 (ko) | 마이크로 브리징 및 러프니스 분석 | |
TW201801219A (zh) | 具有來自多個處理步驟之資訊的半導體計量 | |
CN110244527B (zh) | 一种套刻标记形貌和测量条件优化方法 | |
TW201702775A (zh) | 以模型為基礎之熱點監測 | |
WO2015089231A1 (en) | Target and process sensitivity analysis to requirements | |
JP7412559B2 (ja) | 確率的ドメイン知識に基づく計測レシピ最適化及び物理的実現 | |
KR102630486B1 (ko) | 광학 분산의 다차원 모델 | |
US20220114438A1 (en) | Dynamic Control Of Machine Learning Based Measurement Recipe Optimization | |
CN118131580B (zh) | 衍射型套刻标记多缺陷特征的全局灵敏度分析方法 | |
CN115981107A (zh) | 一种基于信息融合的集成电路套刻误差测量方法 | |
Katz et al. | Machine learning for tool induced shift (TIS) reduction | |
US20230092729A1 (en) | Semiconductor Profile Measurement Based On A Scanning Conditional Model | |
US20220352041A1 (en) | High Resolution Profile Measurement Based On A Trained Parameter Conditioned Measurement Model | |
JP2023064098A (ja) | 半導体試料製造のためのマスク検査 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |